Increase of Reliability of Anomalies Detection on Images at Formation of Their Feature Vectors in Wavelet Bases

Cover Page

Cite item

Full Text

Abstract

The method of detection of life rafts and lifeboats in the water area of seas and oceans after shipwrecks based on the recognition of anomalies in the processed images, which increases the probability of recognition of monitoring objects, is proposed. The approach to solving such a problem is substantiated. The formulation of the problem of object recognition from the perspective of binary classification in the detection of anomalies is presented. The analytical expression for the decision-making algorithm is obtained. The possibility of formalization of image matrices in the form of histograms of color (brightness) intensity distributions is considered. The contrast of the feature space on their basis is estimated. It is suggested that the contrast of feature spaces be increased due to the secondary processing of histograms of distributions in the basis of multiple-scale wavelet decomposition. The possibility of realization of wavelet transformations on the basis of Haar functions and Gauss wavelets of the 1st and 2nd orders is considered. The mechanism of formation of secondary feature vectors from three-dimensional wavelet transforms by averaging their coefficients along the time shift axis is substantiated. It is shown that at the same dimensionality of histograms of brightness distribution with newly formed feature vectors, the latter provide higher contrast of feature spaces. It is recommended to use a Gaussian wavelet of the 2nd order for the formalization of images in jpeg format, which provides, other things being equal, a greater magnitude of differences for images containing anomalies. An approach to probabilistic evaluation of the algorithm for automatic image recognition is developed. The analytical expression is obtained and its constituent elements are justified. Graphical dependences of the probability of correct detection (recognition) of anomalies, depending on the size in relation to the total area of the frame and the dispersion of the underlying background are given. The results of the experiment on image recognition with a lifeboat in the ocean water area are presented. The directions of further research are defined.

About the authors

S. V Dvornikov

Federal State Autonomous Educational Institution of Higher Education «St. Petersburg State University of Aerospace Instrumentation» (SUAI)

Email: practicdsv@yandex.ru
Tikhoretsky Av. 3

D. V Vasilieva

Federal State Autonomous Educational Institution of Higher Education «St. Petersburg State University of Aerospace Instrumentation» (SUAI)

Email: dolli.dina@mail.ru
Bolshaya Morskaya St. 67А

References

  1. Киджи Д.С., Ольховик Е.О. Методика районирования акватории Северного морского пути при проведении аварийноспасательных работ и ликвидации разливов нефти // Вестник государственного университета морского и речного флота им. адмирала С.О. Макарова. 2023. Т. 15. № 6. С. 1030–1040. doi: 10.21821/2309-5180-2023-15-6-1030-1040.
  2. Абросимов В.К., Матвеева Ю.Н. Формирование синтетических данных для машинного обучения распознаванию подводных объектов // Робототехника и техническая кибернетика. 2023. Т. 11. № 4. С. 256–266. doi: 10.31776/RTCJ.11402.
  3. Кузьмин О.В., Лавлинская А.А., Тараканов Б.А., Федоренко М.А., Былков Е.Г., Харитонов И.А. Проектирование БПЛА для мониторинга лесных массивов и водных пространств при помощи Autodesk Fusion 360 // Информационные технологии, их приложения и информационное образование: Материалы II Международной научной конференции (г. Улан-Удэ – Гусиноозерск, 20–22 августа 2021 г.) Улан-Удэ: Бурятский государственный университет имени Доржи Банзарова, 2021. С. 168–177.
  4. Дворников С.В., Дворников С.С., Васильева Д.В. Автоматизация процедур обнаружения нефтяных разливов на водной поверхности // Информация и космос. 2024. № 1. С. 126–132.
  5. Бударова В.А., Воронина Е.А., Дубровский А.В., Кустышева И.Н., Малыгина О.И., Мартынова Н.Г., Торсунова О.Ф. Нормативно-правовые особенности установления водоохранных зон и прибрежных защитных полос (на примере территории Новосибирской области) // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). 2020. Т. 25. № 1. С. 222–238. doi: 10.33764/2411-1759-2020-25-1-222-238.
  6. Martyshov M.I., Nikitenko D.A. Preprocessing of system monitoring data for workload analysis of HPC systems // Numerical Methods and Programming. 2021. vol. 22. no. 3. pp. 230–238. doi: 10.26089/NumMet.v22r314.
  7. Родионов В.В., Ищук И.Н., Громов Ю.Ю. Применение технологий искусственного интеллекта в задачах обработки данных дистанционного мониторинга поверхности земли // Автоматизация в промышленности. 2024. № 1. С. 26–28. doi: 10.25728/avtprom. 2024.01.06.
  8. Горбунова Э.М., Беседина А.Н., Кабыченко Н.В., Батухтин И.В., Петухова С.М. Прецизионный гидрогеологический мониторинг в техногенно-нарушенных условиях: организация, проведение и обработка экспериментальных данных // Сейсмические приборы. 2021. Т. 57. № 2. С. 62–80. doi: 10.21455/si.2021.2-4.
  9. Чан Х.Н., Подстригаев А.С, Нгуен Ч.Н., Иконенко Д.А. Оценка достоверности распознавания сигналов для алгоритма распознавания с детектированием на двух промежуточных частотах // Успехи современной радиоэлектроники. 2023. Т. 77. № 10. С. 70–79. doi: 10.18127/j20700784-202310-07.
  10. Васильева Д.В., Якушенко С.А., Дворников С.В., Погорелов А.А., Дворников С.В. Обнаружение морских дронов в оптическом диапазоне // Морской вестник. 2023. № 4(88). С. 90–92.
  11. Ван Л., Петросян О.Г. Распознавание лиц на основе классификации вейвлет признаков путём вейвлет нейронных сетей // Информатизация образования и науки. 2018. № 4(40). С. 129–139.
  12. Гочаков А.В. Задача распараллеливания вейвлет-преобразования для фильтрации зашумленных видеоизображений // Труды Новосибирского государственного архитектурно-строительного университета (Сибстрин). 2011. Т. 14. № 2(51). С. 85–89.
  13. Dvornikov S., Ustinov A., Okov I. Statistical Arithmetic Coding Algorithm Adaptive to Correlation Properties of Wavelet Transform Coefficients // Proceedings of Telecommunication Universities. 2022. vol. 8. no. 3. pp. 6–12. doi: 10.31854/1813-324X-2022-8-3-6-12.
  14. Дубина В.А., Катин И.О., Боброва М.А., Плотников В.В. Кораблекрушение на границе морского заповедника. Результаты спутникового мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 1. С. 267–270. doi: 10.21046/2070-7401-2020-17-1-267-270.
  15. Родионов А.Г., Ефимов В.В., Тварин Ю.Г. Искусственный интеллект в судовождении - игра в имитацию? (По материалам зарубежных и открытых источников) // Морской вестник. 2022. № 4(84). С. 95–102.
  16. Сенцов А.А., Ненашев В.А., Иванов С.А., Турнецкая Е.Л. Совмещение сформированных радиолокационных изображений с цифровой картой местности в бортовых системах оперативного мониторинга земной поверхности // Труды МАИ. 2021. № 117. doi: 10.34759/trd-2021-117-08.
  17. Гибадуллин Р.Ф., Смирнов И.Н., Хевронин Н.В., Никитин А.В., Перухин М.Ю. Разработка аппаратно-программного модуля обнаружения объектов для встраиваемых систем // Вестник Технологического университета. 2018. Т. 21. № 6. С. 118–122.
  18. Janati M., Kolahdoozan M., Imanian H. Artificial Neural Network Modeling for the Management of Oil Slick Transport in the Marine Environments. Pollution. 2020. vol. 6. no. 2. pp. 399–415.
  19. Jiao Z., Jia G., Cai Y. A new approach to oil spill detection that combines deep learning with unmannedaerial vehicles. Computers & Industrial Engineering. 2019. vol. 135. pp. 1300–1311.
  20. Stockman G., Shapiro L.G. Computer Vision. 1st ed. Prentice Hall PTR: Upper Saddle River, NJ, USA, 2001. 617 p.
  21. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2016. pp. 770–778.
  22. Howard A.G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand T., Andreetto M., Adam H. MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861. 2017.
  23. Фукунага К. Введение в статистическую теорию распознавания образов / Пер. с англ. Москва: Наука, 1979. 368 с.
  24. Буланов В.А., Волосатова Т.М. Программный комплекс предварительной обработки изображений для обнаружения и распознавания изображений // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. 2014. № 4. С. 321–338. doi: 10.7463/0414.0707888.
  25. Abbasov I.B. Image Recognition in Agriculture and Landscape Protection // International Journal of Science and Research. 2020. vol. 9. no. 12. pp. 757–763. doi: 10.21275/SR201212144831.
  26. Dvornikov S.S., Zheglov K.D., Dvornikov S.V. SSB signals with controlled pilot level // T-Comm. 2023. vol. 17. no. 3. pp. 41–47. doi: 10.36724/2072-8735-2023-17-3-41-47.
  27. Zimek A., Schubert E. Outlier Detection // Encyclopedia of Database Systems. 2017. doi: 10.1007/978-1-4899-7993-3_80719-1.
  28. Васильева Д.В., Дворников С.С., Толстуха Ю.Е., Обрезков П.С., Дворников С.В. Формирование векторов признаков для систем видеонаблюдения // Вопросы радиоэлектроники. Серия: Техника телевидения. 2023. № 4. С. 62–68.
  29. Казарян М.Л., Рихтер А.А., Шахраманьян М.А. Символические матрицы и их применение при решении систем многочленных уравнений и обработке изображений // Информация и космос. 2021. № 3(1). С. 86–95.
  30. Дворников С.В., Балыков А.А. Предложения по управлению скоростью передачи и помехоустойчивостью сигналов с перестановочной частотной модуляцией // T-Comm: Телекоммуникации и транспорт. 2020. Т. 14. № 6. С. 20–26. doi: 10.36724/2072-8735-2020-14-6-20-26.
  31. Макаренко А.А. Вариант применения цифровой обработки изображений для распознавания текстур на оптикоэлектронном изображении // Радиопромышленность. 2021. Т. 31. № 2. С. 15–21. doi: 10.21778/2413-9599-2021-31-2-15-21.
  32. The First Half-Tones. Library and Archives of Canada. 2009.
  33. Умбиталиев А.А., Дворников С.В., Оков И.Н., Устинов А.А. Способ сжатия графических файлов методами вейвлет-преобразований // Вопросы радиоэлектроники. Серия: Техника телевидения. 2015. № 3. С. 100–106.
  34. Горбачев В.Н., Казаков А.Я., Савельева М.Ю. Вейвлет-преобразование полутонового изображения в конечном поле // Оптический журнал. 2021. Т. 88. № 2. С. 40–49. doi: 10.17586/1023-5086-2021-88-02-40-49.
  35. Дейцева А.Г. Построение базисных вейвлетов и фреймов с помощью финитных функций. Соболевский вейвлет // Вестник БГУ. Серия 1, Физика. Математика. Информатика. 2006. № 2. С. 75–79.
  36. Велигоша А.В., Малышко Н.Н., Струков Р.И. Применение искусственных нейронных сетей для снижения избыточности дискретного вейвлет-преобразования // Теория и техника радиосвязи. 2020. № 2. С. 5–12.
  37. Сай С.В., Зинкевич А.В., Фомина Е.С. Сравнение дискретного косинус и вейвлет-преобразований в системах сжатия RAW-изображений // Компьютерная оптика. 2022. Т. 46. № 6. С. 929–938. doi: 10.18287/2412-6179-CO-1094.
  38. Лаврентьева А.С., Новиков В.А., Семенова М.Ю., Фидельман В.Р. Применение дискретного вейвлет-преобразования для определения символьной скорости коротких выборок фазоманипулированного сигнала // Известия высших учебных заведений. Поволжский регион. Технические науки. 2016. № 1(37). С. 92–102.
  39. Сельвесюк Н.И., Веселов Ю.Г., Гайденков А.В., Островский А.С. Оценка характеристик обнаружения и распознавания объектов на изображении от специальных оптико-электронных систем наблюдения летного поля // Труды МАИ. 2018. № 103.
  40. Андриянов Н.А., Дементьев В.Е., Ташлинский А.Г. Обнаружение объектов на изображении: от критериев Байеса и Неймана–Пирсона к детекторам на базе нейронных сетей EfficientDet // Компьютерная оптика. 2022. Т. 46. № 1. С. 139–159. doi: 10.18287/2412-6179-CO-922.
  41. Дворников С.В. Метод обнаружения сигналов диапазона ВЧ на основе двухэтапного алгоритма принятия решения // Научное приборостроение. 2005. Т. 15. № 3. С. 114–119.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».