А.И. Сукачев1, М.С. Рябых2, Е.А. Сукачева3, Н.Д. Долгих4

1-4 ФГБОУ ВО «Воронежский государственный технический университет» (г. Воронеж, Россия)

1 mag.dip@yandex.ru; 2 Ryabichmaxim@yandex.ru; 3 elena_s_1331@mail.ru; 4 mag.dip@yandex.ru

Постановка проблемы. Актуальность данной работы обусловлена необходимостью увеличения эффективности и автоматизации процесса детекции в условиях, когда объекты находятся на значительном удалении от пункта наблюдения, что делает их распознавание оператором невозможным. Поскольку размеры объектов на изображении могут иметь различные параметры в зависимости от удаления от пункта наблюдения, необходимо применение адаптивных алгоритмов обработки, например, методов компьютерного зрения.

Цель. Представить подход к решению задачи оптического обнаружения объектов с использованием алгоритма комплексной предварительной обработки изображения, направленного на выделение инвариантных к масштабу признаков для последующего обнаружения.

Результаты. Предложен алгоритм выбора адаптивного порога яркости по методу Оцу с максимизацией межклассовой дисперсии и представлена методика выбора порогового значения. Приведен алгоритм получения бинарной маски границ изображения с помощью применения гауссовского сглаживания и гистерезисной пороговой фильтрации по методу детектора границ Кэнни. Рассмотрен процесс получения бинарной маски границ изображения по методу детектора границ Кэнни. Дано описание метода преобразования Хафа, позволяющего по априорной информации о паттернах объекта определить местоположения детектируемого объекта на изображении. Приведено прикладное решение задачи предварительной обработки изображения программным методом с построением бинарной маски границ и индикацией обнаруженного объекта на тестовом изображении.

Практическая значимость. Полеченные результаты могут быть использованы в системах оптического обнаружения для детекции объектов, находящихся в дальней зоне обнаружения.

Сукачев А.И., Рябых М.С., Сукачева Е.А., Долгих Н.Д. Метод пассивного оптического обнаружения беспилотных летательных аппаратов на предельной дальности регистрации // Радиотехника. 2026. Т. 90. № 7. С. 88-92. DOI: https://doi.org/10.18127/j00338486-202607-16

1. Богуславский А.А., Соколов С.М. Обнаружение образов объектов с изменяющейся структурой в системах технического зрения реального времени // Информационные технологии и вычислительные системы. 2006. № 1. С. 61–77.
2. Астапова М.А., Лебедев И.В. Обзор подходов к детектированию дефектов элементов ЛЭП на изображениях в инфракрасном, ультрафиолетовом и видимом спектрах // Моделирование, оптимизация и информационные технологии. 2020. Т. 8. № 4(31). С. 36-69. DOI: 10.26102/2310-6018/2020.31.4.036.
3. OpenCV: Introduction [Электронный ресурс]. URL: https://docs.opencv.org/4.x/d1/dfb/intro.html.
4. Szeliski R. Computer vision: algorithms and applications. 2nd ed. Springer. 2022. 925 p.
5. Otsu N.A. Threshold selection method from gray-level histograms // IEEE Transactions on Systems, Man, and Cybernetics. 1979.  V. 9. № 1. P. 62–66.
6. Forsyth D.A., Ponce J. Computer vision: a modern approach. 2nd ed. Pearson. 2011. 792 p.