ИССЛЕДОВАНИЕ МЕТОДА СИНТЕЗА ТЕКСТУР ИЗОБРАЖЕНИЙ ПОВЕРХНОСТИ ЗЕМЛИ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ
Аннотация
Удаление изображений облаков с фотографий подстилающей поверхности является необходимым условием для применения наборов данных со спутников Земли, поскольку та-кие спутниковые снимки используются для анализа изменений почвенного покрова, связан-ного с расширением городов, восстановлением лесов на заброшенных сельскохозяйственных землях, оценкой площади лесов, выявлением типов лесов и классификацией земного покрова, а эти данные чаще всего загрязнены облаками. В статье исследован алгоритм выделения и удаления изображений облаков и разработана его программная реализация. Показана эф-фективность нового подхода на нескольких примерах для различных областей поверхности земли с облаками. Предметом исследования являются методы и алгоритмы детектирова-ния и реконструкции объектов, скрывающих детали на изображениях, в частности изо-бражений облаков. Объектом исследования является набор из тестовых изображений. Результатом исследования является разработка метода удаления изображений облаков с целью восстановления области, перекрытой облаками. Новизной работы является алго-ритм, позволяющий повысить качество восстановления изображений на основе нейронной сети. Полученные результаты позволяют восстановить области, перекрытые облаками. Оценка эффективности метода восстановления изображений проводилась с помощью статистического критерия среднеквадратического отклонения результата обработки от истинного изображения. В результате решения поставленных задач можно сделать выводы: – разработан метод удаления изображений облаков и восстановления изображе-ний на основе поиска похожих блоков с последующим их объединении нейронной сетью; – анализ результатов проведённого исследования показал, что предложенный метод позво-ляет улучшить качество реконструкции изображений.
Литература
7. Lysenko T.M. An Adaptive Algorithm of Edge Detection in Radar Images, 2015 25rd Interna-tional Crimean Conference «Microwave & Telecommunication Technology» (CriMiCo, 2015). September 6-12, 2015. Sevastopol, Conference Proceedings. In Two Volumes – Sevastopol, 2015, Vol. 2, pp. 1234-1235. 8. De I., Chanda B. A simple and efficient algorithm for multifocus image fusion using morpho-logical wavelets, Signal Processing, 2006, Vol. 86, pp. 924-936. 9. Gomathi R., Kumar A. Inpainting for satellite imagery using thin plate spline radial basis func-tion neural networks in shearlet domain, Journal of Intelligent & Fuzzy Systems, 2014, Vol. 27, No. 5, pp. 2391-2398. 10. Shovengerdt R.A. Distantsionnoe zondirovanie. Modeli i metody obrabotki izobrazheniy [Re-mote sensing. Models and methods of image processing]. Moscow: Tekhnosfera, 2010, 560 p. 11. Kobernichenko V.G. Radioelektronnye sistemy distantsionnogo zondirovaniya Zemli [Radio-electronic systems of remote sensing of the Earth]. Ekaterinburg: Izd-vo Ural'skogo universiteta, 2016, 220 p. 12. Shen H., Zhang L. A MAP-based algorithm for destriping and inpainting of remotely sensed images, IEEE Transactions on Geoscience and Remote Sensing, 2008, Vol. 47, No. 5, pp. 1492-1502. 13. Kobernichenko V.G., Trenikhin V.A. Analiz i razrabotka metodov povysheniya informativnosti kosmicheskikh radiolokatsionnykh i mul'tispektral'nykh izobrazheniy [Analysis and develop-ment of methods for increasing the information content of space radar and multispectral imag-es], Nauchnye trudy XII otchetnoy konferentsii molodykh uchenykh UGTU-UPI [Scientific works of the XII reporting conference of young scientists of USTU-UPI], 2007, pp. 227-230. 14. Semenishchev E.A., Voronin V.V., Marchuk V.I. Image denoising and deblurring using multi-spectral data, Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XXIII. International Society for Optics and Photonics, 2017, Vol. 10198, pp. 101981G. 15. Bertalmio M., Bertozzi A.L., Sapiro G. Navier-stokes, fluid dynamics, and image and video inpainting, Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001. IEEE, 2001, Vol. 1, pp. I-I. 16. Guleryuz O.G. Nonlinear approximation based image recovery using adaptive sparse recon-structions and iterated denoising-part I: theory, IEEE Transactions on image processing, 2006, Vol. 15, No. 3, pp. 539-554.
17. Ibadov R.R., Ibadov S.R., Voronin V.V., Fedosov V.P. Modifitsirovannyy metod rekonstruktsii izobrazheniy na osnove poiska podobnykh oblastey [A modified method of image reconstruc-tion based on the search for such areas], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2017, No. 6 (191), pp. 179-189.
18. Voronin V.V., Marchuk V.I., Sherstobitov A.I., Semenishchev E.A., Frantc V.A. Image recon-struction on the basis of a textural geometrical model, Pattern Recognition and Image Analy-sis, 2015, Vol. 25, No. 3, pp. 553-562.
19. Fedosov V.P., Ibadov R.R., Ibadov S.R., Voronin V.V. Restoration of the Blind Zone of the Image of the Underlying Surface for Radar Systems with Doppler Beam Sharpening, 2019 Radiation and Scattering of Electromagnetic Waves (RSEMW). IEEE, 2019, pp. 424-427. 20. Gapon N., Ponamorenko M., Pismenskova M., Tokareva O. Image inpainting using a neural network, MATEC Web of Conferences. EDP Sciences, 2017, Vol. 132, pp. 05015.