ГЕОМЕТРИЧНО УЗГОДЖЕНА СЕГМЕНТАЦІЯ ПОСЛІДОВНОСТІ ОГЛЯДОВИХ ЗОБРАЖЕНЬ ІЗ ІНКРЕМЕНТАЛЬНИМ ФОРМУВАННЯМ МОЗАЇКИ ЗЕМНОЇ ПОВЕРХНІ

Віталій Власенко; Андрій Дашкевич

doi:10.20998/2078-9130.2026.1.358041

Автор(и)

Віталій Власенко Національний технічний університет "Харківський політехнічний інститут", Україна https://orcid.org/0009-0008-6951-8496
Андрій Дашкевич Національний технічний університет "Харківський політехнічний інститут", Україна http://orcid.org/0000-0002-9963-0998

DOI:

https://doi.org/10.20998/2078-9130.2026.1.358041

Ключові слова:

обробка зображень; дистанційне зондування; оглядові зображення; геометричне моделювання; дискретна геометрична модель; просторово-часова узгодженість; сегментація; суперпікселі; кластеризація; інкрементальне формування мозаїки

Анотація

У роботі запропоновано підхід до геометрично узгодженої сегментації послідовності оглядових зображень із інкрементальним формуванням мозаїки поверхні ландшафту, що в межах задачі апроксимується площинною геометричною моделлю. Геометрична модель представляється як множина прямокутних областей, кожна з яких являє масив піксельної інформації, кожен пік сель якого віднесено до одного із заданих класів. Для формування набору вхідних даних було використано супутникове зображення земної поверхні. Особливістю даних є оглядовість зйомки, яка зумовлює часткове перекриття фрагментів поверхні та потребує їх геометричного узгодження. Розроблено алгоритмічну схему, що поєднує геометричне моделювання міжкадрових трансляційних перетворень, суперпіксельну сегментацію та кластеризацію колірно-текстурних ознак без використання моделей глибокого навчання. Інкрементальне формування мозаїки здійснюється шляхом поетапного накопичення сегментованих фрагментів із урахуванням зон перекриття та узгодження семантичних міток у глобальному представленні. Для оцінки міжкадрової узгодженості сегментації запропоновано коефіцієнт відповідності міток у зоні перекриття сусідніх кадрів. Для зменшення локальних розбіжностей міток у перекривних областях застосовано темпоральну стабілізацію на основі аналізу зв’язних компонент розбіжності. Використання зазначеного підходу дозволяє усунути дрібні нестабільні області без впливу на великомасштабні структурні зміни сцени. Отримані результати підтверджують ефективність методу для формування цілісної сегментованої мозаїки земної поверхні за умов обмежених обчислювальних ресурсів у задачах дистанційного зондування та обробки оглядових зображень, отриманих із безпілотних літальних апаратів. Розроблені моделі було реалізовано в вигляді компонентів комп’ютерної системи для представлення просторових моделей та операцій із ними.

Посилання

. He, Y. Zhou, B. Liu, J. Zhao, and R. Yao, "Remote sensing image semantic segmentation via class-guided structural interaction and boundary perception," Expert Systems with Applications, vol. 252, Art. 124019, 2024, doi: https://doi.org/10.1016/j.eswa.2024.124019.
Z. Wang, J. Yi, A. Chen, L. Chen, H. Lin, and K. Xu, "Accurate semantic segmentation of very high-resolution remote sensing images considering feature state sequences: From benchmark datasets to urban applications," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 220, pp. 824–840, 2025, doi: https://doi.org/10.1016/j.isprsjprs.2025.01.017.
C. N. Rodrigues, I. M. Nunes, M. B. Pereira, H. Oliveira, and J. A. dos Santos, "From superpixels to foundational models: An overview of unsupervised and generalizable image segmentation," Computers & Graphics, vol. 123, Art. 104014, 2024, doi: https://doi.org/10.1016/j.cag.2024.104014.
M. P. Barbato, P. Napoletano, F. Piccoli, and R. Schettini, "Unsupervised segmentation of hyperspectral remote sensing images with superpixels," Remote Sensing Applications: Society and Environment, vol. 28, Art. 100823, 2022, doi: https://doi.org/10.1016/j.rsase.2022.100823.
Z. Yang, H. Niu, X. Wang, L. Huang, and K. Yang, "An unsupervised semantic segmentation method that combines the ImSE-Net model with SLICm superpixel optimization," International Journal of Digital Earth, vol. 17, Art. 2341970, 2024, doi: https://doi.org/10.1080/17538947.2024.2341970.
F. Huang, Z. Yang, H. Zhou, C. Du, A. J. Y. Wong, Y. Gou, M. Han, and J.-H. Lai, "Unsupervised superpixel-driven parcel segmentation of remote sensing images using graph convolutional network," in Companion Proceedings of the Web Conference 2022, 2022, pp. 1046–1052, doi: https://doi.org/10.1145/3487553.3524716.
J. Chen, Z. Li, C. Peng, Y. Wang, and W. Gong, "UAV image stitching based on optimal seam and half-projective warp," Remote Sensing, vol. 14, Art. 1068, 2022, doi: https://doi.org/10.3390/rs14051068.
Z. Wang, Z. Fu, and J. Xu, "Large-scale UAV image stitching based on global registration optimization and graph-cut method," Journal of Visual Communication and Image Representation, vol. 107, Art. 104354, 2025, doi: https://doi.org/10.1016/j.jvcir.2024.104354.
W. Pan, A. Li, X. Liu, and Z. Deng, "Unmanned aerial vehicle image stitching based on multi-region segmentation," IET Image Processing, vol. 18, pp. 4607–4622, 2024, doi: https://doi.org/10.1049/ipr2.13271.
V. Addanki, D. R. Yerramreddy, S. Durgapu, S. S. N. Boddu, and V. Durgapu, "Enhancing semi-supervised semantic segmentation through cycle-consistent label propagation in video," Neural Processing Letters, vol. 56, Art. 4, 2024, doi: https://doi.org/10.1007/s11063-024-11459-6.
S. Tian, A. Ma, Z. Zheng, X. Tan, and Y. Zhong, "Learning temporal consistency for high spatial resolution remote sensing imagery semantic change detection," IEEE Transactions on Geoscience and Remote Sensing, vol. 63, pp. 1–25, 2025, doi: https://doi.org/10.1109/TGRS.2025.3561021.
F. J. Cardama, D. B. Heras, and F. Argüello, "Consensus techniques for unsupervised binary change detection using multi-scale segmentation detectors for land cover vegetation images," Remote Sensing, vol. 15, Art. 2889, 2023, doi: https://doi.org/10.3390/rs15112889.
A. O. Dashkevych, "Spatial transformations of point sets on integer regular grids," Modern Problems of Modeling, no. 26, pp. 100–108, 2024, doi: https://doi.org/10.33842/2313125X-2024-26-100-108.
A. O. Dashkevych, "Geometric identification of dynamic objects in image sequences," Bulletin of the National Technical University “KhPI”. Series: Informatics and Modeling, no. 1, pp. 73–80, 2023, doi: https://doi.org/10.20998/2411-0558.2023.01.06.
I. O. Dovbysh, O. V. Muravyov, A. S. Momot, and H. A. Bohdan, "Autonomous UAV navigation: orientation and localization technologies," Applied Problems of Mathematical Modeling, vol. 8, no. 1, pp. 57–64, 2025, doi: https://doi.org/10.32782/mathematical-modelling/2025-8-1-5.
I. Ye. Ryapolov, V. O. Vasylets, S. V. Kukobko, and S. I. Bodnar, "Modelling the surface geometry of unmanned aerial vehicles, the design of which contains elements with different electrophysical properties," Testing and Certification, no. 2(4), pp. 101–110, 2024, doi: https://doi.org/10.37701/ts.04.2024.13.