Моделирование алгоритма повышения разрешающей способности гиперспектральной системы
https://doi.org/10.34680/2076-8052.2023.5(134).671-679
Аннотация
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.
Об авторах
В. М. Гареев
Новгородский государственный университет имени Ярослава Мудрого
Россия
Россия
Гареев Владимир Михайлович – кандидат технических наук, доцент, заведующий лабораторией «Техническое зрение»
Великий Новгород
М. В. Гареев
Новгородский государственный университет имени Ярослава Мудрого
Россия
Россия
Гареев Михаил Владимирович – ведущий инженер лаборатории «Техническое зрение»
Великий Новгород
Н. П. Корнышев
Новгородский государственный университет имени Ярослава Мудрого
Россия
Россия
Корнышев Николай Петрович – доктор технических наук, доцент, профессор, инженер лаборатории «Техническое зрение»
Великий Новгород
Д. А. Серебряков
Новгородский государственный университет имени Ярослава Мудрого
Россия
Россия
Серебряков Дмитрий Александрович – инженер лаборатории «Техническое зрение»
Великий Новгород
Н. Е. Быстров
Новгородский государственный университет имени Ярослава Мудрого
Россия
Россия
Быстров Николай Егорович – доктор технических наук, доцент, главный научный сотрудник, профессор
Великий Новгород
Список литературы
1. Akgun 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.2005.854479
2. Tian 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_59
3. Zhong 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.2017.2675902
4. Shen 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.2013.136
5. Kang X., Li S., Fang L., Benediktsson J. A. Pansharpening Based on Intrinsic Image Decomposition // Sensing and Imaging. 2014. 15(1). 94. DOI: 10.1007/s11220-014-0094-8
6. Yue 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.2017.2703078
7. Kahu 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.22291
8. Ghamisi 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.2018.2890023
9. Li 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.2016.2616355
10. Бельский 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.
11. Lu G., Fei B. Medical hyperspectral imaging: a review // Journal of Biomedical Optics. 2014. 19(1). 010901. DOI: 10.1117/1.JBO.19.1.010901
Рецензия
Для цитирования:
Гареев В.М., Гареев М.В., Корнышев Н.П., Серебряков Д.А., Быстров Н.Е. Моделирование алгоритма повышения разрешающей способности гиперспектральной системы. Вестник Новгородского государственного университета. 2023;(5(134)):671-679. https://doi.org/10.34680/2076-8052.2023.5(134).671-679
For citation:
Gareev V.M., Gareev M.V., Kornyshev N.P., Serebriakov D.A., Bystrov N.E. Simulation of an algorithm for increasing the resolution of a hyperspectral system. Title in english. 2023;(5(134)):671-679. (In Russ.) https://doi.org/10.34680/2076-8052.2023.5(134).671-679
Просмотров:
23
Послать статью по эл. почте 