Детальная информация
| Название | Выделение малоконтрастных смазанных объектов на космических изображениях с помощью свёрточных нейронных сетей = Extraction of low-contrast blurred objects in space images using convolutional neural networks // Оптический журнал. – 2025. – № 4. — С. 60-70 |
|---|---|
| Авторы | Гмыря В. А. ; Трещалин П. А. |
| Выходные сведения | 2025 |
| Коллекция | Общая коллекция |
| Тематика | Вычислительная техника ; Распознавание и преобразование образов ; космические изображения ; малоконтрастные объекты ; выделение смазанных объектов ; смазанные объекты ; нейронные сети ; свёрточные нейронные сети ; сегментация изображений ; центроиды ; space images ; low-contrast objects ; highlighting of blurred objects ; blurred objects ; centroids ; neural networks ; convolutional neural networks ; image segmentation |
| УДК | 004.93 |
| ББК | 32.973-018.2 |
| Тип документа | Статья, доклад |
| Язык | Русский |
| DOI | 10.17586/1023-5086-2025-92-04-60-70 |
| Права доступа | Доступ по паролю из сети Интернет (чтение) |
| Ключ записи | RU\SPSTU\edoc\75754 |
| Дата создания записи | 17.04.2025 |
Предмет исследования. Эффективность применения свёрточных нейронных сетей в задаче выделения малоконтрастных смазанных объектов на изображении. Цель работы. Оценка точности и степени достоверности выделения малоконтрастных смазанных объектов с помощью свёрточных нейросетевых моделей. Установить, какие из исследованных нейросетей и при каких значениях отношения сигнал/шум объектов обеспечивают более высокие показатели, чем традиционный алгоритм, основанный на пороговой обработке. Метод. В исследовании свёрточные нейронные сети применяются для получения бинарных масок изображений звёздного неба. С целью удаления шума осуществляется попиксельное умножение бинарной маски на исходное изображение. Результат умножения поступает на вход алгоритма центра масс для вычисления центроидов объектов. Для оценки точности выделения объектов использовались метрики качества сегментации и погрешности центроидирования, а для оценки степени достоверности - коэффициент выделения. Основные результаты. Предложен алгоритм выделения объектов на основе свёрточной нейронной сети. Для генерации обучающего и тестового датасетов в среде программирования MATLAB был реализован алгоритм, моделирующий работу бортовой оптико-электронной системы космического аппарата. Установлено, что модели U-Net и SegNet являются более эффективным инструментом выделения малоконтрастных объектов, чем пороговая обработка. Определены диапазоны отношения сигнал/шум объектов, при которых данные архитектуры имеют наилучшие показатели эффективности выделения объектов. Практическая значимость. Предложенный алгоритм на основе нейросетевой модели позволяет выделять менее контрастные объекты, чем традиционный алгоритм, а также обеспечивает более низкую погрешность вычисления центроидов. Полученные в ходе исследования результаты послужат основой для дальнейшей работы, направленной на реализацию предложенного алгоритма выделения объектов в макете бортовой оптико-электронной системы космического аппарата.
Subject of study. Efficiency of applying convolutional neural networks in the problem of extracting low-contrast blurred objects in an image. Aim of study. Evaluate the accuracy and degree of reliability of the extraction of low-contrast blurred objects using convolutional neural network models. To establish which of the studied neural networks and at what values of the signal-to-noise ratio of objects provide higher performance than the traditional algorithm based on threshold processing. Method. In the study convolutional neural networks are used to obtain binary masks of starry sky images. In order to remove noise, a pixel-wise multiplication of the binary mask with the original image is performed. The result of the multiplication is fed to the input of the center of mass algorithm to calculate the centroids of objects. For evaluating the accuracy of object extraction, segmentation quality and centroid error metrics were used, and the extraction coefficient was used to evaluate the degree of reliability. Main results. The algorithm for object extraction based on a convolutional neural network has been proposed. To generate training and test datasets, the algorithm simulating the operation of onboard optoelectronic system of a spacecraft was implemented in the MATLAB programming environment. It has been established that U-Net and SegNet models are more effective tool for extracting low-contrast blurred objects. The signal-to-noise ratio ranges of objects have been determined, at which these models exhibit the best metrics of efficiency of object extraction. Practical significance. The proposed object extraction algorithm based on a neural network model allows for the extraction of lower-contrast objects compared to traditional algorithm, and also provides a lower error in calculating centroids. The results obtained during the research will serve as a basis for further work aimed at implementing the proposed object extraction algorithm on the layout of the onboard optoelectronic system of a spacecraft.
