vestnovsuВестник Новгородского государственного университетаVestnik of Novgorod State University2076-8052Новгородский государственный университет имени Ярослава Мудрого10.34680/2076-8052.2023.5(134).671-679vestnovsu-259Research ArticleСтатьиМоделирование алгоритма повышения разрешающей способности гиперспектральной системыSimulation of an algorithm for increasing the resolution of a hyperspectral systemhttps://orcid.org/0009-0003-1585-6792ГареевВ. М.GareevV. M.

Гареев Владимир Михайлович – кандидат технических наук, доцент, заведующий лабораторией «Техническое зрение» 

 Великий Новгород 

 Veliky Novgorod 

Vladimir.Gareev@novsu.ruhttps://orcid.org/0009-0007-1392-2169ГареевМ. В.GareevM. V.

Гареев Михаил Владимирович – ведущий инженер лаборатории «Техническое зрение»

 Великий Новгород 

 Veliky Novgorod 

Mikhail.Gareev@novsu.ruhttps://orcid.org/0009-0005-3177-2040КорнышевН. П.KornyshevN. P.

Корнышев Николай Петрович – доктор технических наук, доцент, профессор, инженер лаборатории «Техническое зрение»

 Великий Новгород 

 Veliky Novgorod 

Nikolai.Kornishev@novsu.ruhttps://orcid.org/0009-0000-5994-5090СеребряковД. А.SerebriakovD. A.

Серебряков Дмитрий Александрович – инженер лаборатории «Техническое зрение»

 Великий Новгород 

 Veliky Novgorod 

s231099@std.novsu.ruhttps://orcid.org/0009-0009-1998-8868БыстровН. Е.BystrovN. E.

Быстров Николай Егорович – доктор технических наук, доцент, главный научный сотрудник, профессор

 Великий Новгород 

 Veliky Novgorod 

Nikolay.Bystrov@novsu.ruНовгородский государственный университет имени Ярослава МудрогоРоссияYaroslav-the-Wise Novgorod State UniversityRussian Federation20230502202405(134)671679Copyright © Гареев В.М., Гареев М.В., Корнышев Н.П., Серебряков Д.А., Быстров Н.Е., 20242024Гареев В.М., Гареев М.В., Корнышев Н.П., Серебряков Д.А., Быстров Н.Е.Gareev V.M., Gareev M.V., Kornyshev N.P., Serebriakov D.A., Bystrov N.E.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnovsu.elpub.ru/jour/article/view/259

В статье рассматриваются вопросы компьютерного моделирования алгоритмов обработки спектральных изображений, а именно: процедура повышения их четкости. Для этой цели используется спектральное изображение, получаемое от гиперспектрометра, а также дополнительная информация с цветной видеокамеры высокого разрешения. Гиперспектрометр и цветная видеокамера образуют гипеспектральную систему, в которой возможна реализация различных процедур обработки. В статье рассмотрен сравнительно несложный алгоритм обработки, использующий теорию ретинекса Э. Лэнда. Приводится структурная схема этапов обработки изображения, а также результаты компьютерного моделирования с использованием реальных спектральных изображений. Анализируются сравнительные количественные характеристики эталонных и обработанных изображений. Показано путем моделирования, что при незначительных пространственных искажениях количество особых точек (градиентов) изображения, а, следовательно, и четкость исходного спектрального изображения возрастает в несколько раз.

The article deals with the issues of computer simulation of algorithms for processing spectral images, namely: the procedure for increasing their clarity. For this purpose, a spectral image obtained from a hyperspectrometer is used, as well as additional information from a high-resolution color video camera. The hyperspectrometer and the color video camera form a hyperspectral system in which various processing procedures can be implemented. The article considers a relatively simple processing algorithm with use of E. Land's retinex theory. A block diagram of the image processing stages is presented, as well as the results of computer modeling using real spectral images. Comparative quantitative characteristics of reference and processed images are analyzed. It is shown by modeling that with insignificant spatial distortions, the number of singular points (gradients) of the image, and, consequently, the clarity of the original spectral image increase by several times.

иперспектральная системаобработка изображенийретинекс алгоритмhyperspectral systemimage processingretinex algorithmReferencesAkgun T., Altunbasak Y., Mersereau R. M. Super-resolution reconstruction of hyperspectral images // IEEE Transactions on Image Processing. 2005. 14(11). 1860-1875. DOI: 10.1109/tip.2005.854479Akgun T., Altunbasak Y., Mersereau R. M. Super-resolution reconstruction of hyperspectral images // IEEE Transactions on Image Processing. 2005. 14(11). 1860-1875. DOI: 10.1109/tip.2005.854479Tian C., Xu Y., Fei L., Yan K. Deep Learning for Image Denoising: A Survey // Genetic and Evolutionary Computing (ICGEC 2018): Advances in Intelligent Systems and Computing. 2019. 834. 563-572. DOI: 10.1007/978-981-13-5841-8_59Tian C., Xu Y., Fei L., Yan K. Deep Learning for Image Denoising: A Survey // Genetic and Evolutionary Computing (ICGEC 2018): Advances in Intelligent Systems and Computing. 2019. 834. 563-572. DOI: 10.1007/978-981-13-5841-8_59Zhong P., Gong Z., Li S., Schönlieb C-B. Learning to Diversify Deep Belief Networks for Hyperspectral Image Classification // IEEE Transactions on Geoscience and Remote Sensing. 2017. 55(6). 3516-3530. DOI: 10.1109/TGRS.2017.2675902Zhong P., Gong Z., Li S., Schönlieb C-B. Learning to Diversify Deep Belief Networks for Hyperspectral Image Classification // IEEE Transactions on Geoscience and Remote Sensing. 2017. 55(6). 3516-3530. DOI: 10.1109/TGRS.2017.2675902Shen L., Yeo C., Hua B. Intrinsic Image Decomposition Using a Sparse Representation of Reflectance // IEEE Transactions on Pattern Analysis and Machine Intelligencel. 2013. 35(12). 2904-2915. DOI: 10.1109/TPAMI.2013.136Shen L., Yeo C., Hua B. Intrinsic Image Decomposition Using a Sparse Representation of Reflectance // IEEE Transactions on Pattern Analysis and Machine Intelligencel. 2013. 35(12). 2904-2915. DOI: 10.1109/TPAMI.2013.136Kang X., Li S., Fang L., Benediktsson J. A. Pansharpening Based on Intrinsic Image Decomposition // Sensing and Imaging. 2014. 15(1). 94. DOI: 10.1007/s11220-014-0094-8Kang X., Li S., Fang L., Benediktsson J. A. Pansharpening Based on Intrinsic Image Decomposition // Sensing and Imaging. 2014. 15(1). 94. DOI: 10.1007/s11220-014-0094-8Yue H., Yang J., Sun X., Wu F., Hou C. Contrast Enhancement Based on Intrinsic Image Decomposition // IEEE Transactions on Image Processing. 2017. 26(8). 3981-3994. DOI: 10.1109/TIP.2017.2703078Yue H., Yang J., Sun X., Wu F., Hou C. Contrast Enhancement Based on Intrinsic Image Decomposition // IEEE Transactions on Image Processing. 2017. 26(8). 3981-3994. DOI: 10.1109/TIP.2017.2703078Kahu S. Y., Raut R. B., Bhurchandi K. M. Review and evaluation of color spaces for image/video compression // Color Research and Application. 2018. 44(1). 8-33. DOI: 10.1002/col.22291Kahu S. Y., Raut R. B., Bhurchandi K. M. Review and evaluation of color spaces for image/video compression // Color Research and Application. 2018. 44(1). 8-33. DOI: 10.1002/col.22291Ghamisi P., Rasti B., Yokoya N., Wang Q., Hofle B., Bruzzone L., Bovolo F., Chi M., Anders K., Gloaguen R., Atkinson P., Benediktsson J. Multisource and Multitemporal Data Fusion in Remote Sensing: A Comprehensive Review of the State of the Art // IEEE Geoscience and Remote Sensing Magazine. 2019. 7(1). 6-39. DOI: 10.1109/MGRS.2018.2890023Ghamisi P., Rasti B., Yokoya N., Wang Q., Hofle B., Bruzzone L., Bovolo F., Chi M., Anders K., Gloaguen R., Atkinson P., Benediktsson J. Multisource and Multitemporal Data Fusion in Remote Sensing: A Comprehensive Review of the State of the Art // IEEE Geoscience and Remote Sensing Magazine. 2019. 7(1). 6-39. DOI: 10.1109/MGRS.2018.2890023Li W., Wu G., Zhang F., Du Q. Hyperspectral Image Classification Using Deep Pixel-Pair Features // IEEE Transactions on Geoscience and Remote Sensing. 2017. 55(2). 844-853. DOI: 10.1109/TGRS.2016.2616355Li W., Wu G., Zhang F., Du Q. Hyperspectral Image Classification Using Deep Pixel-Pair Features // IEEE Transactions on Geoscience and Remote Sensing. 2017. 55(2). 844-853. DOI: 10.1109/TGRS.2016.2616355Бельский А. Б. Применение гиперспектрометров для решения задач по обнаружению, распознаванию объектов в составе вертолетов // Актуальные вопросы исследований в авионике: теория, обслуживание, разработки: сборник докладов VI Международной научно-практической конференции «АВИАТОР», Воронеж, 14–15 февраля 2019 г. Воронеж: ВВС ВВА, 2019. 91-97.Bel'skii A. B. Primenenie giperspektrometrov dlia resheniia zadach po obnaruzheniiu, raspoznavaniiu ob"ektov v sostave vertoletov [Application of hyperspectrometers in detecting and recognising the objects as part of helicopters] // Aktual'nye voprosy issledovanii v avionike: teoriia, obsluzhivanie, razrabotki: sbornik dokladov VI Mezhdunarodnoi nauchno-prakticheskoi konferentsii «AVIATOR», Voronezh, 14–15 fevralia 2019 g. [Current issues of research in avionics: theory, maintenance, development. Collection of scientific articles based on the reports of the VI International Scientific and Practical Conference "AVIATOR" (February 14-15, 2019)]. Voronezh, VVS VVA, 2019. 91-97.Lu G., Fei B. Medical hyperspectral imaging: a review // Journal of Biomedical Optics. 2014. 19(1). 010901. DOI: 10.1117/1.JBO.19.1.010901Lu G., Fei B. Medical hyperspectral imaging: a review // Journal of Biomedical Optics. 2014. 19(1). 010901. DOI: 10.1117/1.JBO.19.1.010901

The authors declare that there are no conflicts of interest present.