МЕТОДОЛОГІЯ ОБ’ЄДНАННЯ ДАНИХ БАГАТОКАНАЛЬНИХ ЗОБРАЖЕНЬ
DOI:
https://doi.org/10.34185/1562-9945-5-161-2025-16Ключові слова:
багатоканальні зображення, препроцессинг, спектральний аналіз, машинне навчанняАнотація
Актуальність теми дослідження. У сучасних дослідженнях та практичному застосуванні багатоканальних зображень, отриманих з різних джерел, таких як аеро-космічні сенсори та медичні системи візуалізації, виникає необхідність ефективного об’єднання даних.
Постановка проблеми. Необхідно розробити методологію об’єднання зображень із різними спектральними характеристиками для отримання більш точної інформації про земну поверхню.
Мета та методи дослідження. Мета полягає у розробці методології об’єднання бага-токанальних зображень задля покращення точності аналізу, підвищення інформатив-ності та зниження впливу шумів. Запропонована методологія базується на викори-станні математичних моделей для гармонізації різнорідних даних, включаючи алго-ритми попереднього препроцессингу, спектрального аналізу та машинного навчання. Розглянуто адаптацію підходів для специфічних завдань: об’єднання даних ди-станційного зондування Землі для картографічного аналізу та злиття зображень різної модальності (наприклад, МРТ, КТ та УЗД) для діагностичних цілей.
Результати та ключові висновки. Проведені експерименти демонструють підвищення якості результатів при використанні запропонованого підходу. Отримані результати підтверджують, що інтеграція багатоканальних зображень дозволяє досягти кращої деталізації, зменшити помилки ідентифікації об’єктів та забезпечити більш точну візуалізацію. Розроблена методика є універсальною та може бути застосована в ба-гатьох галузях, включаючи екологічний моніторинг, планування міських територій, медичну діагностику та робототехніку.
Посилання
Gonzalez, R.C. and Woods, R.E. (2018). Digital Image Processing. 4th Edition, Pearson Education, New York, 1022 p. ISBN 10: 1-292-22304-9
Richards, J. A., & Jia, X. (2020). Remote Sensing Digital Image Analysis. Springer, 363 p. DOI:10.1007/978-3-642-30062-2
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature. Vol 521. pp. 436-444. DOI:10.1038/nature14539
Jain, A. K. (1989). Fundamentals of Digital Image Processing. Prentice-Hall. 565 p. ISBN 0-13-336165-9
Balakrishnan, R. and Priya, R. (2018). Multimodal Medical Image Fusion Using Various Hybrid Fusion Techniques for Clinical Treatment Analysis. Smart Construction Research. Vol 2. pp. 1–20. DOI:10.18063/scr.v2i4.594
Ronneberger, O., Fischer, P., Brox, T. (2015). U-Net: Convolutional Networks for Bio-medical Image Segmentation. In: Navab, N., Hornegger, J., Wells, W., Frangi, A. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science, Vol 9351. Springer, Cham, pp. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28.
Hartley, R. and Zisserman, A. (2003). Multiple View Geometry in Computer Vision. Cambridge University Press. 655 p. ISBN 0-521-54051-8.
Faugeras, O., Luong, Q.-T., and Papadopoulo, T. (2001). The Geometry of Multiple Im-ages. MIT Press, London. 644 p. ISBN 0-262-06220-8.
Ma, Y., Sastry, S., Kosecka, J., Soatto, S. (2003). An Invitation to 3-D Vision: From Im-ages to Geometric Models. Interdisciplinary Applied Mathematics Series, No 26, pp. 1-325. Springer-Verlag New York, LLC. ISBN 0-387-00893-4
Shapiro, L., Stockman, G. (2001). Computer Vision. Prentice Hall. 580 p. ISBN 0-13-030796-3.
Lowe, D. (2004). Distinctive Image Features from Scale-Invariant Keypoints. Interna-tional Journal of Computer Vision. Vol 60, pp. 91-110.
DOI:10.1023/B%3AVISI.0000029664.99615.94
Bay, H., Tuytelaars, T., Van Gool, L. (2006). SURF: Speeded up robust features. Computer Vision-ECCV 2006. Vol 3951, pp. 404-417. DOI:10.1007/11744023_32
Olevskyi, V., Olevska, Yu., Olevskyi, O., and Hnatushenko, V. (2023). Raster image processing using 2D Padé-type approximations. Journal of Physics: Conference Series. Vol 2675, paper 012015. DOI 10.1088/1742-6596/2675/1/012015
Fischler, M. A., Bolles, R. C. (1981). Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, Vol 24(6), pp. 381–395. https://doi.org/10.1145/358669.358692
Dubins L. E. On curves of Minimal Length with a Constraint on Average Curvature, and with Prescribed Initial and Terminal Positions and Tangents. American Journal of Mathematics, 1957. Vol. 79, no. 3, pp. 497–516.
https://www.jstor.org/stable/2372560?origin=crossref
Babaei A., Mortazavi M. Three-Dimensional Curvature-Constrained Trajectory Plan-ning Based on In-Flight Waypoints. Journal of Aircraft, 2010. Vol. 47, no. 4, pp. 1391-1398. https://doi.org/10.2514/1.47711
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Системні технології
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
