Метод семантично-орієнтованої обробки бітових площин інфрачервоних зображень
DOI:
https://doi.org/10.20535/RADAP.2025.102.15-24Ключові слова:
системи дистанційного спостереження, обробка інфрачервоних зображень, розділення бітових площин, метрика інформативності, вейвлет-перетворення Хаара, адаптивна сегментація зображень, збереження теплових сигнатур, стиснення зображень з низькою обчислювальною складністю, семантично-орієнтоване кодування, селективне стиснення зображеньАнотація
Розглянуто особливості побудови методу семантично-орієнтованої обробки бітових площин інфрачервоних (ІЧ) зображень, орієнтованого на підвищення ефективності систем дистанційного спостереження в умовах обмежених ресурсів. Розкрито підхід до зменшення бітового об’єму ІЧ даних без втрати критичної семантичної інформації, яка є вирішальною для задач виявлення та ідентифікації об’єктів інтересу. Розкрито переваги використання додаткового ІЧ інформаційного каналу, що забезпечує надійне функціонування систем в умовах обмеженої видимості, маскування об’єктів або несприятливого фону. Водночас зафіксовано проблему збільшення об’єму даних, які мають бути оброблені в реальному часі. З’ясовано, що традиційні методи (PNG, JPEG-LS, JPEG 2000, HEVC) або мають надто високу обчислювальну складність, або не забезпечують збереження термальної семантики. Отже, актуальною є науково-прикладна задача, що полягає у покращені ефективності роботи систем дистанційного спостереження із застосуванням ІЧ інформаційних каналів. Задля розв’язання цієї задачі, у статті запропоновано метод, що ґрунтується на розділенні бітових площин зображення (виділення старших та молодших бітів) та подальшій семантично-орієнтованій обробці. Старші біти зберігають глобальну структуру та основну інформацію про сцену, тоді як молодші несуть залишковий шум або малопомітні деталі. Це дозволяє застосовувати адаптивні стратегії стиснення залежно від інформативності окремих сегментів. Метод включає ієрархічну декомпозицію зображення на сегменти та мінісегменти для локалізованого аналізу. Для утворених сегментів виконується оцінка інформативності у спектральному домені з використанням вейвлет-перетворення Хаара, подальша нормалізація метрик інформативності, а також селективне кодування: інформативні сегменти кодуються з мінімальними втратами, неінформативні – з агресивнішим стисканням. Оцінка метрики інформативності спирається на високочастотні складові, які репрезентують теплові контури об’єктів. Запропонована метрика інформативності ґрунтується на нормованій сумі модулів високочастотних коефіцієнтів після перетворення мінісегментів у різницевий простір. Для класифікації сегментів як інформативних або неінформативних використовуються порогові значення. У залежності від класу інформативності сегменту виконується подальше селективне кодування, яке зберігає точність реконструкції для ключових ділянок сцени. Особлива увага приділяється тому, щоб навіть при зменшенні бітової глибини до 8 біт зберігати ключову температурну структуру сцени. Проведено порівняльний експериментальний аналіз на наборі зображень з 16-бітною глибиною. За умов однакового значення PSNR, розроблений метод демонструє покращення коефіцієнта стиснення в середньому на 2.63. Візуальний аналіз показав, що у розробленому методі об’єкти інтересу зберігають термальну цілісність після декодування, на відміну від традиційного підходу. Отже, мета дослідження – розробити метод семантично-орієнтованої обробки бітових площин інфрачервоних зображень. Запропонований метод має практичну цінність для інтеграції в бортові системи безпілотних апаратів, систем моніторингу та інших мобільних платформ, де обмеження швидкості передачі й обчислювальних ресурсів є критичними.
Посилання
References
1. Naga Lakshmi, T., Jyothi, S. (2020). Performing Image Compression and Decompression Using Matrix Substitution Technique. In: Jyothi, S., Mamatha, D., Satapathy, S., Raju, K., Favorskaya, M. (eds) Advances in Computational and Bio-Engineering. CBE 2019. Learning and Analytics in Intelligent Systems, Vol. 15, pp. 25–36, Springer, Cham., doi: 10.1007/978-3-030-46939-9_3.
2. Bausys R. and Kazakeviciute-Januskeviciene G. (2021). Qualitative Rating of Lossy Compression for Aerial Imagery by Neutrosophic WASPAS Method. Symmetry, Vol. 13, Iss. 2, 273, DOI: 10.3390/sym13020273.
3. Putra A. B. W., Supriadi S., Wibawa A., Pranolo A. and Gaffar A. F. O. (2020). Modification of a gray-level dynamic range based on a number of binary bit representation for image compression. Science in Information Technology Letters, Vol. 1, No. 1, pp. 9–16, doi: 10.31763/sitech.v1i1.17.
4. Zhang X., Chu F. (2022). Multimedia Real-Time Transmission Protocol and Its Application in Video Transmission System. Computational Intelligence and Neuroscience, Vol. 2022, Article ID 8654756, 7 p., DOI: 10.1155/2022/8654756.
5. Omar H. M., Morsli M. and Yaichi S. (2020). Image Compression using Principal Component Analysis. Proceedings of the 2020 2nd International Conference on Mathematics and Information Technology (ICMIT), pp. 226–231, doi: 10.1109/ICMIT47780.2020.9047014.
6. Zhang L., Yang W., Li C. (2024). Enhanced High-Definition Video Transmission for Unmanned Driving in Mining Environments. Applied Sciences, Vol. 14, Iss. 10, DOI: 10.3390/app14104296.
7. Garg G. and Kumar R. (2022). Analysis of image types, compression techniques and performance assessment metrics: A review. Journal of Information and Optimization Sciences, Vol. 43, No. 3, pp. 429–436, doi: 10.1080/02522667.2022.2037282.
8. Qin C., Pournaras E. (2023). Coordination of drones at scale: Decentralized energy-aware swarm intelligence for spatio-temporal sensing. Transportation Research Part C: Emerging Technologies, Vol. 157, 104387, DOI: 10.1016/j.trc.2023.104387.
9. Uthayakumar J., Elhoseny M. and Shankar K. (2020). Highly Reliable and Low-Complexity Image Compression Scheme Using Neighborhood Correlation Sequence Algorithm in WSN. IEEE Transactions on Reliability, Vol. 69, No. 4, pp. 1398–1423, doi: 10.1109/TR.2020.2972567.
10. Descampe A. et al. (2021). JPEG XS—A New Standard for Visually Lossless Low-Latency Lightweight Image Coding. Proceedings of the IEEE, Vol. 109, Iss. 9, pp. 1559–1577, DOI: 10.1109/jproc.2021.3080916.
11. Resdiansyah, Darmawan J., Wijaya A. H. , Hakim L. and Tannady H. (2021). Comparing Freeman Chain Code 4 Adjacency Algorithm and LZMA Algorithm in Binary Image Compression. Journal of Physics: Conference Series, Vol. 1783, 012045, doi: 10.1088/1742-6596/1783/1/012045.
12. Li C., et. al. (2024). MISC: Ultra-low Bitrate Image Semantic Compression Driven by Large Multimodal Model. JOURNAL OF LATEX CLASS FILES, Vol. 1, Iss. 1, pp. 1-13, DOI: arxiv-2402.16749.
13. Qasim A., Din R. and Alyousuf F. Q. A. (2020). Review on techniques and file formats of image compression. Bulletin of Electrical Engineering and Informatics, Vol. 9, No. 2, pp. 602–610, doi: 10.11591/eei.v9i2.2085.
14. Brahimi T., Khelifi F., Kacha A. (2021). An efficient JPEG-2000 based multimodal compression scheme. Multimedia Tools and Applications, Vol. 80, Iss. 14, pp. 21241-21260, DOI: 10.1007/s11042-021-10776-5.
15. Lang H., Beischl A., Leis V., Boncz P., Neumann T. and Kemper A. (2020). Tree-Encoded Bitmaps. Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data, pp. 937–967, doi: 10.1145/3318464.3380588.
16. Dua Y., Kumar V., Singh R. S. (2020). Comprehensive review of hyperspectral image compression algorithms. SPIE, Optical Engineering, Vol. 59, Iss. 9, 090902, DOI: 10.1117/1.OE.59.9.090902.
17. Barannik V., Hahanova A., Slobodyanyuk A. (2009). Architectural presentation of isotopic levels of relief of images. 2009 ІЕЕЕ 10th International Conference — The Experience of Designing and Application of CAD Systems in Microelectronics (CADSM), pp. 385–387.
18. Chi, X., Zhang, Y., Di Maio, D., Lieven, N. A. J. (2021). Viability of Image Compression in Vibrothermography. Experimental Techniques, Vol. 45, pp. 345–362, doi: 10.1007/s40799-020-00395-4.
19. Barannik D. and Barannik V. (2022). Steganographic Coding Technology for Hiding Information in Infocommunication Systems of Critical Infrastructure. 2022 IEEE 4th International Conference on Advanced Trends in Information Theory (ATIT), pp. 88-91, doi: 10.1109/ATIT58178.2022.10024185.
20. Son, D.-M., Kwon H.-J., and Lee S.-H. (2022). Visible and Near Infrared Image Fusion Using Base Tone Compression and Detail Transform Fusion. Chemosensors, Vol. 10, No. 4: 124, doi :10.3390/chemosensors10040124.
21. Barannik V., Barannik N., Ignatiev O., Khimenko V. (2021). Method of indirect information hiding in the process of video compression. Radioelectronic and Computer Systems, №. 4, pp. 119–131, doi: 10.32620/reks.2021.4.
22. Zhang X., Saniie J., Bakhtiari S. and Heifetz A. (2022). Compression of Pulsed Infrared Thermography Data With Unsupervised Learning for Nondestructive Evaluation of Additively Manufactured Metals. IEEE Access, Vol. 10, pp. 9094-9107, doi: 10.1109/ACCESS.2022.3141654.
23. Barannik V., Babenko Y., Barannik V., Khimenko A., Kulitsa O., Matviichuk-Yudina O. (2020). Significant Microsegment Transformants Encoding Method to Increase the Availability of Video Information Resource. 2020 IEEE 2nd International Conference on Advanced Trends in Information Theory (ATIT), pp. 52-56, DOI: 10.1109/ATIT50783.2020.9349256.
24. Li S., Li Y., Li Y., Li M. and Xu X. (2021). YOLO-FIRI: Improved YOLOv5 for Infrared Image Object Detection. IEEE Access, Vol. 9, pp. 141861-141875, doi: 10.1109/ACCESS.2021.3120870.
25. Mentzer F., Toderici G., Tschannen M., Agustsson E. (2020). High-Fidelity Generative Image Compression. 34th Conference on Neural Information Processing Systems, DOI: 10.48550/arXiv.2006.09965.
26. Fan, K., Hong, K., and Li F. (2021). Infrared Image Super-Resolution via Progressive Compact Distillation Network. Electronics, Vol. 10, No. 24: 3107, doi :10.3390/electronics10243107.
27. Krasnorutsky A.; Onyshchenko R.; Barannik D.; Barannik V. (2022). The Methods of Intellectual Processing of Video Frames in Coding Systems in Progress Aeromonitor to Increase Efficiency and Semantic Integrity. 2022 IEEE 4th International Conference on Advanced Trends in Information Theory (ATIT), pp. 53-56, doi: 10.1109/ATIT58178.2022.10024208.
28. Huang Y., Jiang Z., Lan R., Zhang S. and Pi K. (2021). Infrared Image Super-Resolution via Transfer Learning and PSRGAN. IEEE Signal Processing Letters, Vol. 28, pp. 982-986, doi: 10.1109/LSP.2021.3077801.
29. Umam, A. K., Ngastiti, P. T. B., Alfan A., Shahadah Z., & Muamalah A. F. (2024). The Application of Dicrete Wavelet Transform for Digital Image Compression. Jurnal Matematika Sains dan Teknologi, Vol. 25, Iss. 1, pp. 01–08, doi: 10.33830/jmst.v25i1.3955.2024.
30. Manda, M. P., and Kim, H. S. (2020). A Fast Image Thresholding Algorithm for Infrared Images Based on Histogram Approximation and Circuit Theory. Algorithms, Vol. 13, No. 9: 207, doi: 10.3390/a13090207.
31. Starosolski R. (2020). Hybrid Adaptive Lossless Image Compression Based on Discrete Wavelet Transform. Entropy, Vol. 22, Iss. 7, 751, DOI: 10.3390/e22070751.
32. Uthayakumar J., Elhoseny M. and Shankar K. (2020). Highly Reliable and Low-Complexity Image Compression Scheme Using Neighborhood Correlation Sequence Algorithm in WSN. IEEE Transactions on Reliability, Vol. 69, No. 4, pp. 1398-1423, doi: 10.1109/TR.2020.2972567.
33. Ma H., Liu D., Yan N., Li H. and Wu F. (2022). End-to-End Optimized Versatile Image Compression With Wavelet-Like Transform. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 44, No. 3, pp. 1247-1263, doi: 10.1109/TPAMI.2020.3026003.
34. Hou, F., Zhang, Y., Zhou, Y., Zhang, M., Lv B., and Wu J. (2022). Review on Infrared Imaging Technology. Sustainability, Vol. 14, No. 18: 11161, doi: 10.3390/su141811161.
35. Abdulazeez A. M., Zeebaree D. Q., Zebari D. A., Zebari G. M., Adeen I. M. N. (2020). The Applications of Discrete Wavelet Transform in Image Processing: A Review. Journal of Soft Computing and Data Mining, Vol. 1, No. 2, doi: 10.30880/jscdm.2020.01.02.004.
36. Hou R. et al. (2020). VIF-Net: An Unsupervised Framework for Infrared and Visible Image Fusion. IEEE Transactions on Computational Imaging, Vol. 6, pp. 640-651, doi: 10.1109/TCI.2020.2965304.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 В. В. Бараннік , А. А. Берчанов , В. В. Бараннік , О. Ю. Суханов , П. Д. Перцев , О. С. Лиходєєв , О. К. Юдін , Р. О. Прокопенко , Ю. М. Чаун
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
