ПРОГРАМНИЙ МЕТОД СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ В УМОВАХ ВАРІАТИВНОГО ОСВІТЛЕННЯ

М.В. Слободзян; О.С.  Шкурат

doi:10.34185/1562-9945-3-164-2026-08

Автор(и)

М.В. Слободзян https://orcid.org/0009-0009-9324-9430
О.С. Шкурат https://orcid.org/0000-0001-7633-9121

DOI:

https://doi.org/10.34185/1562-9945-3-164-2026-08

Ключові слова:

семантична сегментація, варіативне освітлення, оброблення зображень, нейронні мережі, інженерія програмного забезпечення

Анотація

У статті розглянуто проблему сегментації зображень в умовах варіативного освітлення. Проведено аналіз методів сегментації цифрових зображень, найбільш ефективних в умовах варіативного освітлення. Запропоновано метод сегментації, що ґрунтується на початковій класифікації зображення на основі ознак освітленості, алгоритмах адаптивного оброблення зображення та нейромережевій сегментації на основі архітектур SegNet та U-Net. Запропонований метод продемонстрував покращення на 4,95% та 1,5% відповідно до метрик mIoU та Pixel Accuracy для моделі SegNet, а також на 1,6% та 0,07% для моделі U-Net.

Посилання

Anwesh, K., Pal, D., Ganguly, D., Chatterjee, K., & Roy, S. (2022). Number plate recogni-tion from enhanced super-resolution using generative adversarial network. Multimedia Tools and Applications, 1–17. https://doi.org/10.1007/s11042-022-14018-0

Kinahan, J., & Smeaton, A. F. (2021). Image segmentation to identify safe landing zones for unmanned aerial vehicles. arXiv. https://doi.org/10.48550/arXiv.2111.14557

Jin, B., Cruz, L., & Gonçalves, N. (2020). Deep facial diagnosis: Deep transfer learning from face recognition to facial diagnosis. IEEE Access, 8, 123649–123661. https://doi.org/10.1109/ACCESS.2020.3005687

Zhang, L. (2008). In situ image segmentation using the convexity of illumination distribu-tion of the light sources. IEEE Transactions on Pattern Analysis and Machine Intelligence, 30(10), 1786–1799. https://doi.org/10.1109/TPAMI.2007.70830

Abosinnee, A. S., Bencsik, G., & Abedi, F. (2025). Edges in image with illumination varia-tions scenarios: A review. The Visual Computer, 41, 12277–12305. https://doi.org/10.1007/s00371-025-04157-4

Chen, Y., Wen, C., Liu, W., & Li, G. (2023). A depth iterative illumination estimation network for low-light image enhancement based on Retinex theory. Scientific Reports, 13(1), 19709. https://doi.org/10.1038/s41598-023-46693-w

Sun, Z., Zhu, H., Xiao, X., Gu, Y., & Xu, Y. (2024). Nighttime image semantic segmenta-tion with Retinex theory. Image and Vision Computing, 148, 105149. https://doi.org/10.1016/j.imavis.2024.105149

Vrshnak, D., Domislović, I., Subašić, M., & Lončarić, S. (2022). Illuminant segmentation for multi-illuminant scenes using latent illumination encoding. Signal Processing: Image Communication, 108, 116822. https://doi.org/10.1016/j.image.2022.116822

Nugraha, D. G., Purwanto, D., Dikairono, R., Widjiati, E., & Adinanta, H. (2025). Com-parative Analysis of Image Segmentation Methods for Unmanned Surface Vehicles under Varying Illumination Conditions. In 26th International Seminar on Intelligent Technology and Its Applications: Fostering Equal Opportunities for Breakthrough Technology Innovations, ISITIA 2025 - Proceedings (2025 ed., pp. 88-93). Institute of Electrical and Electronics Engi-neers Inc.. https://doi.org/10.1109/ISITIA66279.2025.11137505

Cardenas-Gallegos, J. S., Severns, P. M., Klimeš, P., Lacerda, L. N., Peduzzi, A., & Fer-rarezi, R. S. (2025). Reliable plant segmentation under variable greenhouse illumination con-ditions. Computers and Electronics in Agriculture, 229, 109711. https://doi.org/10.1016/j.compag.2024.109711

Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for bi-omedical image segmentation. https://doi.org/10.48550/arXiv.1505.04597

Badrinarayanan, V., Kendall, A., & Cipolla, R. (2017). SegNet: A deep convolutional encoder-decoder architecture for image segmentation. IEEE TPAMI. https://doi.org/10.1109/TPAMI.2016.2644615

Intelec AI. (2019). Car segmentation [Data set]. Kaggle. https://www.kaggle.com/datasets/intelecai/car-segmentation