Выделение малоконтрастных смазанных объектов на космических изображениях с помощью свёрточных нейронных сетей

Ссылка для цитирования:

Гмыря В.А., Трещалин А.П. Выделение малоконтрастных смазанных объектов на космических изображениях с помощью свёрточных нейронных сетей // Оптический журнал. 2025. Т. 92. № 4. С. 60–70. http://doi.org/10.17586/1023-5086-2025-92-
04-60-70

Gmyria V.A., Treshchalin A.P. Extraction of low-contrast blurred objects in space images using convolutional neural networks [in Russian] // Opticheskii Zhurnal. 2025. V. 92. № 4. P. 60–70. http://doi.org/10.17586/1023-5086-2025-92-04-60-70

Ссылка на англоязычную версию:

Аннотация:

Предмет исследования. Эффективность применения свёрточных нейронных сетей в задаче выделения малоконтрастных смазанных объектов на изображении. Цель работы. Оценка точности и степени достоверности выделения малоконтрастных смазанных объектов с помощью свёрточных нейросетевых моделей. Установить, какие из исследованных нейросетей и при каких значениях отношения сигнал/шум объектов обеспечивают более высокие показатели, чем традиционный алгоритм, основанный на пороговой обработке. Метод. В исследовании свёрточные нейронные сети применяются для получения бинарных масок изображений звёздного неба. С целью удаления шума осуществляется попиксельное умножение бинарной маски на исходное изображение. Результат умножения поступает на вход алгоритма центра масс для вычисления центроидов объектов. Для оценки точности выделения объектов использовались метрики качества сегментации и погрешности центроидирования, а для оценки степени достоверности — коэффициент выделения. Основные результаты. Предложен алгоритм выделения объектов на основе свёрточной нейронной сети. Для генерации обучающего и тестового датасетов в среде программирования MATLAB был реализован алгоритм, моделирующий работу бортовой оптико-электронной системы космического аппарата. Установлено, что модели U-Net и SegNet являются более эффективным инструментом выделения малоконтрастных объектов, чем пороговая обработка. Определены диапазоны отношения сигнал/шум объектов, при которых данные архитектуры имеют наилучшие показатели эффективности выделения объектов. Практическая значимость. Предложенный алгоритм на основе нейросетевой модели позволяет выделять менее контрастные объекты, чем традиционный алгоритм, а также обеспечивает более низкую погрешность вычисления центроидов. Полученные в ходе исследования результаты послужат основой для дальнейшей работы, направленной на реализацию предложенного алгоритма выделения объектов в макете бортовой оптико-электронной системы космического аппарата.

Ключевые слова:

свёрточная нейронная сеть, малоконтрастный смазанный объект, сегментация, выделение объектов, центроид

Коды OCIS: 100.2000, 100.2960, 100.4996, 100.3008

Список источников:

1. Dong W., Tao S., Xu G., Chen Y. Blind deconvolution for Poissonian blurred image with total variation and L0-norm gradient regularizations // IEEE Transactions on Image Processing. 2020. V. 30. P. 1030–1043. https://doi.org/10.1109/TIP.2020.3038518
2. Zhou H., Chen Y., Feng H., Lv G., Xu Z., Li Q. Rotated rectangular aperture imaging through multi-frame blind deconvolution with Hyper-Laplacian priors // Optics Express. 2021. V. 29. № 8. P. 12145–12159. https://doi.org/10.1364/OE.424129
3. Chen X., Yang R., Guo C., Ge S., Wu Z., Liu X. HyperLaplacian regularized non-local low-rank prior for blind image deblurring // IEEE Access. 2020. V. 8. P. 136917–136929. https://doi.org/10.1109/ACCESS.2020. 3010540
4. Xu Z., Chen H., Li Z. Blind image deblurring using group sparse representation // Digital Signal Processing. 2020. V. 102. P. 102736. https://doi.org/10.1016/j.dsp.2020.102736
5. Gong D., Zhang Z., Shi Q., Van den Hengel A., Shen C., Zhang Y. Learning deep gradient descent optimization for image deconvolution // IEEE transactions on neural networks and learning systems. 2020. V. 31. № 12. P. 5468–5482. https://doi.org/10.1109/TNNLS.2020. 2968289
6. Ma X., Xia X., Zhang Z., Wang G., Qian H. Star image processing of SINS/CNS integrated navigation system based on 1DWF under high dynamic conditions // 2016 IEEE/ION Position, Location and Navigation Symposium (PLANS). Savannah, USA. April 11–14, 2016. P. 514–518. https://doi.org/10.1109/PLANS.2016.7479740
7. Wang K., Zhang C., Li Y., Kan X. A new restoration algorithm for the smeared image of a SINS-aided star sensor // The Journal of Navigation. 2014. V. 67. № 5. P. 881–898. https://doi.org/10.1017/S0373463314000277
8. Mu Z., Wang J., He X., Wei Z., He J., Zhang L., Lv Y., He D. Restoration method of a blurred star image for a star sensor under dynamic conditions // Sensors. 2019. V. 19. № 19. P. 4127. https://doi.org/10.3390/s19194127
9. Zhang H., Niu Y., Lu J., Zhang H. Accurate and autonomous star acquisition method for star sensor under complex conditions // Mathematical Problems in Engineering. 2017. V. 2017. № 1. P. 1643967. https://doi.org/10.1155/2017/1643967
10. Vianna P., Farias R., de Albuquerque Pereira W.C. U-Net and SegNet performances on lesion segmentation of breast ultrasonography images // Research on Biomedical Engineering. 2021. V. 37. P. 171–179. https://doi.org/10.1007/s42600-021-00137-4
11. Dorgham O., Naser M. A., Ryalat M. H., Hyari A., Al-Najdawi N., Mirjalili S. U-NetCTS: U-Net deep neural network for fully automatic segmentation of 3D CT DICOM volume // Smart Health. 2022. V. 26. P. 100304. https://doi.org/10.1016/j.smhl.2022.100304
12. Imtiaz T., Fattah S.A., Saquib M. ConDANet: Contourlet Driven Attention Network for automatic nuclei segmentation in histopathology images // IEEE Access. 2023. https://doi.org/10.1109/ACCESS.2023.3321799
13. Seong H., Hyun J., Kim E. FOSNet: An end-to-end trainable deep neural network for scene recognition // IEEE Access. 2020. V. 8. P. 82066–82077. https://doi.org/10.1109/ACCESS.2020.2989863
14. Du H., Wang W., Wang X., Wang Y. Autonomous landing scene recognition based on transfer learning for drones // Journal of systems engineering and electronics. 2023. V. 34. № 1. P. 28–35. https://doi.org/ 10.23919/JSEE.2023.000031
15. Wang L., Liu Y., Fu L., Wang Y., Tang N. Functional intelligence-based scene recognition scheme for MAV environment-adaptive navigation // Drones. 2022. V. 6. № 5. P. 120. https://doi.org/10.3390/drones6050120
16. Tong X., Su S., Wu P., Guo R., Wei J., Zuo Z., Sun B. MSAFFNet: A multi-scale label-supervised attention feature fusion network for infrared small target detection // IEEE Transactions on Geoscience and Remote Sensing. 2023. V. 61. P. 1–16. https://doi.org/10.1109/TGRS.2023.3279253
17. Du J., Lu H., Hu M., Zhang L., Shen X. CNN-based infrared dim small target detection algorithm using target-oriented shallow-deep features and effective small anchor // IET image processing. 2021. V. 15. № 1. P. 1–15. https://doi.org/10.1049/ipr2.12001
18. Zuo Z., Tong X., Wei J., Su S., Wu P., Guo R., Sun B. AFFPN: Attention fusion feature pyramid network for small infrared target detection // Remote Sensing. 2022. V. 14. № 14. P. 3412. https://doi.org/10.3390/rs14143412
19. Строилов Н.А., Купцов Т.В., Базина Е.А., Никитин А.В., Эльяшев Я.Д., Юматов Б.А. Определение функции рассеяния точки оптической системы звёздных датчиков // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 6. С. 41–49. https://doi.org/10.21046/2070-7401-2022-19-6-41-49
Stroilov N. A., Kuptsov T. V., Bazina E. A., Nikitin A. V., Elyashev Ya. D., Yumatov B.A. Determination of the point spread function of the optical system of star sensors [in Russian] // Modern problems of remote sensing of the Earth from space. 2022. V. 19. № 6. P. 41–49. https://doi.org/10.21046/2070-7401-2022-19-6-41-49
20. Yan J., Jiang J., Zhang G. Dynamic imaging model and parameter optimization for a star tracker // Optics Express. 2016. V. 24. № 6. P. 5961–5983. https://doi.org/10.1364/OE.24.005961

21. Zhang G. Star identification. Beijing, China: National Defense Industry Press, 2011. P. 57–58. 22. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // Medical image computing and computer-assisted intervention. MICCAI 2015: 18th international conference. Munich, Germany. October 5–9, 2015. P. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
23. Badrinarayanan V., Kendall A., Cipolla R. Segnet: A deep convolutional encoder-decoder architecture for image segmentation // IEEE transactions on pattern analysis and machine intelligence. 2017. V. 39. № 12. P. 2481–2495. https://doi.org/10.1109/TPAMI.2016.2644615
24. Paszke A., Chaurasia A., Kim S., Culurciello E. ENet: A deep neural network architecture for real-time semantic segmentation // arXiv preprint arXiv:1606. 02147. 2016. https://doi.org/10.48550/arXiv.1606.02147
25. Jadon S. A survey of loss functions for semantic segmentation // 2020 IEEE conference on computational intelligence in bioinformatics and computational biology (CIBCB). Vina del Mar, Chile. October 27–29. 2020. P. 1–7. https://doi.org/10.1109/CIBCB48159.2020.9277638
26. Kingma D.P., Ba J. Adam: A method for stochastic optimization // arXiv preprint arXiv:1412.6980. 2014. https://doi.org/10.48550/arXiv.1412.6980