Распознавание изображений разливов нефтепродуктов на основе кратномасштабной обработки гистограмм распределения их яркости
Ключевые слова:
аномалии изображений, разливы нефтепродуктов, векторы признаков, распознаваемые классы изображений, гистограммы распределения яркости изображенийАннотация
Особую актуальность проблема обнаружения аномалий на обрабатываемых изображениях, получаемых с аппаратуры визуального контроля, приобретает в ходе экологического мониторинга акваторий мирового океана при поиске последствий техногенных катастроф, вызванных разливами нефтепродуктов. Под аномалиями в представленном исследовании рассматриваются фрагменты изображения, характеризующие разливы нефтепродуктов. В качестве предмета исследования определены элементы теории распознавания образов, в соответствии с которыми обрабатываемые изображения представляются в виде векторов признаков. Обоснован выбор гистограмм, характеризующих распределения битов яркости обрабатываемых изображений, которые используются в качестве первичных векторов признаков. Установлено, что высокая вариативность фона изображений водных поверхностей приводит к значительной дисперсии векторов признаков, формируемых на основе гистограмм распределения яркости даже для одного общего класса объектов распознавания. Поэтому предложено подвергать первичные векторы признаков декоррелирующей обработке на основе вейвлет-преобразований. Рассмотрены виды вейвлет-преобразования и различные типы формирующих функций, среди которых обоснован выбор вейвлета Гаусса 1-го порядка, позволившего обеспечить наименьшие различия между векторами признаков обрабатываемых изображений, характеризующих один и тот же класс. Предложен подход к формированию вторичных признаков распознавания путем усреднения компонентов матриц кратномасштабного преобразования гистограмм распределения яркости изображений вдоль оси их параметра сдвига. Обоснован переход к выбору избыточного числа масштабов декомпозиции в вейвлет-преобразованиях при формировании вторичных векторов признаков. Демонстрируются результаты проведенного эксперимента, подтверждающие правомерность такого перехода. Представлены тестовые и эталонные изображения, используемые в ходе эксперимента, а также формируемые на их основе первичные и вторичные векторы признаков. Приведены численные результаты, характеризующие полученную оценку различий векторов признаков как одного класса, так и альтернативных классов. Представлена вероятностная оценка результатов распознавания аномалий на обрабатываемых изображениях. Обосновано использование коэффициента оценки различий векторов признаков в разработанной формуле вероятности правильного обнаружения аномалий в обрабатываемых изображениях. Приведены графики, характеризующие значение вероятностной оценки в зависимости от соотношения размеров аномалии к общей площади кадра для различных значений коэффициента, повышающего различия векторов признаков.
Литература
1. Козловский А.В. Распараллеливание обработки информации при формировании составных изображений // Известия ЮФУ. Технические науки. 2025. №1(243). С. 92–103. DOI: 10.18522/2311-3103-2025-1-92-103.
2. Ушенкин В.А. Метод высокоточной обработки топографических интерферометрических изображений с привлечением низкодетальной стереофотограмметрической информации от оптико-электронных систем ДЗЗ // Цифровая обработка сигналов. 2025. №1. С. 59–66.
3. Хомяков О.О., Панищев В.С., Титов В.С., Ватутин Э.И. Математическая модель и параллельный алгоритм обработки изображений, содержащих символьную информацию // Труды МАИ. 2024. №137. С. 1–25.
4. Копейкин Р.Е., Перов А.Ю., Соловьев М.А. Алгоритмы поляризационной селекции для обработки информации в изображениях, полученных с помощью радара с синтезированной апертурой // Научно-технический вестник Поволжья. 2023. №12. С. 301–303.
5. Хомколов И.В., Медиевский А.В., Зотин А.Г., Симонов К.В., Кругляков А.С. Информации алгоритмическое обеспечение обработки и анализа изображений медицинского эксперимента // Информатизация и связь. 2023. №3. С. 35–42. DOI: 10.34219/2078-8320-2023-14-3-35-42.
6. Дворников С.В., Васильева Д.В. Повышение достоверности выявления аномалий на изображениях при формировании их векторов признаков в базисах вейвлетов // Информатика и автоматизация. 2024. Т. 23. №6. С. 1698–1729. DOI: 10.15622/ia.23.6.5.
7. 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.
8. Васильева Д.В., Дворников С.В. Структуризация первичных признаков изображений систем мониторинга окружающей среды // Радиотехника. 2024. Т. 88. №8. С. 5–17. DOI: 10.18127/j00338486-202408-01.
9. Пахлян И.А., Омельянюк М.В. Разработка технических и технологических решений для очистки акваторий от разлива нефтепродуктов // Нефтяное хозяйство. 2025. №8. С. 94–97. DOI: 10.24887/0028-2448-2025-8-94-97.
10. Маценко С.В., Блиновская Я.Ю. Показатели эффективности мероприятий по ликвидации разливов нефти и нефтепродуктов на морских акваториях: организационные и технологические аспекты // Защита окружающей среды в нефтегазовом комплексе. 2023. №2(311). С. 5–11.
11. Vasilyeva D.V., Dvornikov S.V., Yakushenko S.A., Dvornikov S.S. Automation of detection procedures based on the results of processing images from video surveillance systems // Collection of abstracts of reports of the III International Forum “Mathematical methods and models in high-tech production”. 2023. 157–158.
12. Петрова Е.Г. Чрезвычайные ситуации с аварийным выбросом опасных химических веществ // Экологические системы и приборы. 2023. №5. С. 47–54. DOI: 10.25791/esip.5.2023.1372.
13. Подрезов Р.В., Райфельд М.А. Непараметрический метод определения числа классов в задаче сегментации изображений // Автометрия. 2020. Т. 56. №3. С. 81–90. DOI: 10.15372/AUT20200309.
14. Андриянов Н.А., Гаврилина Ю.Н. Исследование алгоритма обнаружения детерминированных аномалий на сложных изображениях с помощью дважды стохастической модели // Ural Radio Engineering Journal. 2020. Т. 4. №1. С. 18–32. DOI: 10.15826/urej.2020.4.1.002.
15. Li J., Li X., Li H., et al. Fabrication of the Cu/AgCuTi/Nb composite for superconducting radio-frequency material under extreme service conditions based on electroplating additive manufacturing // Materials & Design. 2024. vol. 244. 113220 p. DOI: 10.1016/j.matdes.2024.113220.
16. Белов А.М., Денисова А.Ю. Классификация изображений ДЗЗ с использованием алгоритма комплексирования данных различных сенсоров // Компьютерная оптика. 2020. Т. 44. №4. С. 627–635. DOI: 10.18287/2412-6179-CO-735.
17. Васильева Д.В., Дворников С.В., Якушенко С.А., Дворников С.С. Автоматизация процедур обнаружения лесных пожаров по результатам обработки видео // Вестник Санкт-Петербургского университета государственной противопожарной службы МЧС России. 2023. №4. С. 47–58. DOI: 10.61260/2218-130X-2024-2023-4-47-58.
18. Сурин В.А. Об обработке зашумленных контрастных изображений // Вестник Южно-Уральского государственного университета. 2021. Т. 13. №1. С. 14–21. DOI: 10.14529/mmph210102.
19. Велигоша А.В., Малышко Н.Н., Струков Р.И. Применение искусственных нейронных сетей для снижения избыточности дискретного вейвлет-преобразования изображений // Теория и техника радиосвязи. 2020. №2. С. 5–12.
20. Чебачев В.О. Обработка сигналов в системах радиочастотной идентификации с помощью декоррелирующих преобразований // Вопросы радиоэлектроники. 2016. №9. С. 35–40.
21. Булатов Ю.Н. Теорема о норме сингулярных J-псевдодифференциальных операторов Киприянова-Катрахова // Вестник Воронежского государственного университета. 2025. №2. С. 38–48.
22. Осанов В.А. Сравнительный анализ методов декорреляции сетевого трафика // Вестник Рязанского государственного радиотехнического университета. 2025. №92. С. 25–38. DOI: 10.21667/1995-4565-2025-92-25-38.
23. Семенов В.И. Сравнение алгоритма кратномасштабного анализа изображений в частотной области с алгоритмом Малла // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2022. №59. С. 73–82. DOI: 10.17223/19988605/59/8.
24. Sheikh H.R., Bovik A.C. Image information and visual quality // IEEE Transactions on Image Processing. 2006. vol. 15. no. 2. pp. 430–444. DOI: 10.1109/tip.2005.859378.
25. Bisgard J. Analysis and Linear Algebra: The Singular Value Decomposition and Applications / Student Mathematical Library // AMS. 2021. 217 p.
26. Дворников С.В., Дворников С.С., Коноплев М.А. Алгоритм распознавания сигналов радиосвязи на основе симметрических матриц // Информационные технологии. 2010. №9. С. 75–77.
27. Harvey Mudd College. Karhunen-Loeve Transformation. URL: https://pages.hmc.edu/ruye/MachineLearning/lectures/ch8/node4.html (дата обращения: 02.10.2025).
28. Ahmed N., Natarajan T., Rao K.R. Discrete Cosine Transform // IEEE Transactions on Computers. 1974. vol. 23. no. 1. pp. 90–93. DOI: 10.1109/T-C.1974.223784.
29. Loeffler C., Ligtenberg A., Moschytz G.S. Practical Fast 1-D DCT Algorithms with 11 Multiplications // Proceedings of the the International Conference on Acoustics, Speech, and Signal Processing (ICASSP). 1989. pp. 988–991.
30. Дворников С.В., Степынин Д.В., Дворников А.С., Букарева А.П. Формирование векторов признаков сигналов из вейвлет-коэффициентов их фреймовых преобразований // Информационные технологии. 2013. №5. С. 46–49.
31. Flores-Soriano M. Solar radio bursts impact on the International GNSS Service Network during Solar Cycle 24 // Journal of Space Weather and Space Climate. 2024. DOI: 10.1051/swsc/2024034.
32. Васильева Д.В. Исследование чувствительности векторов признаков, сформированных на основе кратномасштабных преобразований обрабатываемых изображений // Известия высших учебных заведений России. Радиоэлектроника. 2024. Т. 27. №3. С. 20–29. DOI: 10.32603/1993-8985-2024-27-3-20-29.
33. Singh U., Dua A., Kumar N., Guizani M. QoS Aware Uplink Scheduling for M2M Communication in LTE/LTE-A Network: A Game Theoretic Approach // IEEE Transactions on Vehicular Technology. 2022. vol. 71. no. 4. pp. 4156–4170. DOI: 10.1109/TVT.2021.3132535.
34. 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.
35. Велигоша А.В., Малышко Н.Н., Струков Р.И. Применение искусственных нейронных сетей для снижения избыточности дискретного вейвлет-преобразования изображений // Теория и техника радиосвязи. 2020. №2. С. 5–12.
36. Гришенцев А.Ю., Коровкин Н.В., Островский Д.П. Вейвлеты Эрмита-Гаусса: синтез дискретных форм и исследование свойств // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25. №4. С. 789–796. DOI: 10.17586/2226-1494-2025-25-4-789-796.
37. Chui C.K. An Introduction to Wavelets / Wavelet Analysis & Its Applications // San Diego: Academic Press. 1992. 266 p.
38. Семенов В.И., Чумаров С.Г. От конструирования вейвлетов на основе производных функции Гаусса к синтезу фильтров с конечной импульсной характеристикой // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24. №2. С. 306–313. DOI: 10.17586/2226-1494-2024-24-2-306-313.
39. Беляев А.А., Кононов Д.П., Кудрин А.М. Исследование выбора материнской вейвлет-функции при вибродиагностике тепловозных двигателей // Известия Петербургского университета путей сообщения. 2025. Т. 22. №2. С. 290–299. DOI: 10.20295/1815-588X-2025-2-290-299.
40. Васильева Д.В., Дворников С.С., Толстуха Ю.Е., Обрезков П.С., Дворников С.В. Формирование векторов признаков для систем видеонаблюдения // Вопросы радиоэлектроники. 2023. №4. С. 62–68.
41. 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.
42. Jiao Z., Jia G., Cai Y. A new approach to oil spill detection that combines deep learning with unmanned aerial vehicles // Computers & Industrial Engineering. 2019. vol. 135. pp. 1300–1311.
43. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. pp. 770–778. DOI: 10.1109/CVPR.2016.90.
44. Howard A.G., Zhu M., Chen B., et al. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications // arXiv preprint arXiv:1704.04861. 2017.
45. Venkatesan R., Li B. Convolutional Neural Networks in Visual Computing: A Concise Guide // Boca Raton: CRC Press. 2017. 186 p.
46. Orfanidis G., Ioannidis K., Avgerinakis K., et al. A Deep Neural Network for Oil Spill Semantic Segmentation in Sar Images // Proceedings of 25th IEEE International Conference on Image Processing (ICIP). 2018. pp. 3773–3777. DOI: 10.1109/ICIP.2018.8451113.
2. Ушенкин В.А. Метод высокоточной обработки топографических интерферометрических изображений с привлечением низкодетальной стереофотограмметрической информации от оптико-электронных систем ДЗЗ // Цифровая обработка сигналов. 2025. №1. С. 59–66.
3. Хомяков О.О., Панищев В.С., Титов В.С., Ватутин Э.И. Математическая модель и параллельный алгоритм обработки изображений, содержащих символьную информацию // Труды МАИ. 2024. №137. С. 1–25.
4. Копейкин Р.Е., Перов А.Ю., Соловьев М.А. Алгоритмы поляризационной селекции для обработки информации в изображениях, полученных с помощью радара с синтезированной апертурой // Научно-технический вестник Поволжья. 2023. №12. С. 301–303.
5. Хомколов И.В., Медиевский А.В., Зотин А.Г., Симонов К.В., Кругляков А.С. Информации алгоритмическое обеспечение обработки и анализа изображений медицинского эксперимента // Информатизация и связь. 2023. №3. С. 35–42. DOI: 10.34219/2078-8320-2023-14-3-35-42.
6. Дворников С.В., Васильева Д.В. Повышение достоверности выявления аномалий на изображениях при формировании их векторов признаков в базисах вейвлетов // Информатика и автоматизация. 2024. Т. 23. №6. С. 1698–1729. DOI: 10.15622/ia.23.6.5.
7. 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.
8. Васильева Д.В., Дворников С.В. Структуризация первичных признаков изображений систем мониторинга окружающей среды // Радиотехника. 2024. Т. 88. №8. С. 5–17. DOI: 10.18127/j00338486-202408-01.
9. Пахлян И.А., Омельянюк М.В. Разработка технических и технологических решений для очистки акваторий от разлива нефтепродуктов // Нефтяное хозяйство. 2025. №8. С. 94–97. DOI: 10.24887/0028-2448-2025-8-94-97.
10. Маценко С.В., Блиновская Я.Ю. Показатели эффективности мероприятий по ликвидации разливов нефти и нефтепродуктов на морских акваториях: организационные и технологические аспекты // Защита окружающей среды в нефтегазовом комплексе. 2023. №2(311). С. 5–11.
11. Vasilyeva D.V., Dvornikov S.V., Yakushenko S.A., Dvornikov S.S. Automation of detection procedures based on the results of processing images from video surveillance systems // Collection of abstracts of reports of the III International Forum “Mathematical methods and models in high-tech production”. 2023. 157–158.
12. Петрова Е.Г. Чрезвычайные ситуации с аварийным выбросом опасных химических веществ // Экологические системы и приборы. 2023. №5. С. 47–54. DOI: 10.25791/esip.5.2023.1372.
13. Подрезов Р.В., Райфельд М.А. Непараметрический метод определения числа классов в задаче сегментации изображений // Автометрия. 2020. Т. 56. №3. С. 81–90. DOI: 10.15372/AUT20200309.
14. Андриянов Н.А., Гаврилина Ю.Н. Исследование алгоритма обнаружения детерминированных аномалий на сложных изображениях с помощью дважды стохастической модели // Ural Radio Engineering Journal. 2020. Т. 4. №1. С. 18–32. DOI: 10.15826/urej.2020.4.1.002.
15. Li J., Li X., Li H., et al. Fabrication of the Cu/AgCuTi/Nb composite for superconducting radio-frequency material under extreme service conditions based on electroplating additive manufacturing // Materials & Design. 2024. vol. 244. 113220 p. DOI: 10.1016/j.matdes.2024.113220.
16. Белов А.М., Денисова А.Ю. Классификация изображений ДЗЗ с использованием алгоритма комплексирования данных различных сенсоров // Компьютерная оптика. 2020. Т. 44. №4. С. 627–635. DOI: 10.18287/2412-6179-CO-735.
17. Васильева Д.В., Дворников С.В., Якушенко С.А., Дворников С.С. Автоматизация процедур обнаружения лесных пожаров по результатам обработки видео // Вестник Санкт-Петербургского университета государственной противопожарной службы МЧС России. 2023. №4. С. 47–58. DOI: 10.61260/2218-130X-2024-2023-4-47-58.
18. Сурин В.А. Об обработке зашумленных контрастных изображений // Вестник Южно-Уральского государственного университета. 2021. Т. 13. №1. С. 14–21. DOI: 10.14529/mmph210102.
19. Велигоша А.В., Малышко Н.Н., Струков Р.И. Применение искусственных нейронных сетей для снижения избыточности дискретного вейвлет-преобразования изображений // Теория и техника радиосвязи. 2020. №2. С. 5–12.
20. Чебачев В.О. Обработка сигналов в системах радиочастотной идентификации с помощью декоррелирующих преобразований // Вопросы радиоэлектроники. 2016. №9. С. 35–40.
21. Булатов Ю.Н. Теорема о норме сингулярных J-псевдодифференциальных операторов Киприянова-Катрахова // Вестник Воронежского государственного университета. 2025. №2. С. 38–48.
22. Осанов В.А. Сравнительный анализ методов декорреляции сетевого трафика // Вестник Рязанского государственного радиотехнического университета. 2025. №92. С. 25–38. DOI: 10.21667/1995-4565-2025-92-25-38.
23. Семенов В.И. Сравнение алгоритма кратномасштабного анализа изображений в частотной области с алгоритмом Малла // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2022. №59. С. 73–82. DOI: 10.17223/19988605/59/8.
24. Sheikh H.R., Bovik A.C. Image information and visual quality // IEEE Transactions on Image Processing. 2006. vol. 15. no. 2. pp. 430–444. DOI: 10.1109/tip.2005.859378.
25. Bisgard J. Analysis and Linear Algebra: The Singular Value Decomposition and Applications / Student Mathematical Library // AMS. 2021. 217 p.
26. Дворников С.В., Дворников С.С., Коноплев М.А. Алгоритм распознавания сигналов радиосвязи на основе симметрических матриц // Информационные технологии. 2010. №9. С. 75–77.
27. Harvey Mudd College. Karhunen-Loeve Transformation. URL: https://pages.hmc.edu/ruye/MachineLearning/lectures/ch8/node4.html (дата обращения: 02.10.2025).
28. Ahmed N., Natarajan T., Rao K.R. Discrete Cosine Transform // IEEE Transactions on Computers. 1974. vol. 23. no. 1. pp. 90–93. DOI: 10.1109/T-C.1974.223784.
29. Loeffler C., Ligtenberg A., Moschytz G.S. Practical Fast 1-D DCT Algorithms with 11 Multiplications // Proceedings of the the International Conference on Acoustics, Speech, and Signal Processing (ICASSP). 1989. pp. 988–991.
30. Дворников С.В., Степынин Д.В., Дворников А.С., Букарева А.П. Формирование векторов признаков сигналов из вейвлет-коэффициентов их фреймовых преобразований // Информационные технологии. 2013. №5. С. 46–49.
31. Flores-Soriano M. Solar radio bursts impact on the International GNSS Service Network during Solar Cycle 24 // Journal of Space Weather and Space Climate. 2024. DOI: 10.1051/swsc/2024034.
32. Васильева Д.В. Исследование чувствительности векторов признаков, сформированных на основе кратномасштабных преобразований обрабатываемых изображений // Известия высших учебных заведений России. Радиоэлектроника. 2024. Т. 27. №3. С. 20–29. DOI: 10.32603/1993-8985-2024-27-3-20-29.
33. Singh U., Dua A., Kumar N., Guizani M. QoS Aware Uplink Scheduling for M2M Communication in LTE/LTE-A Network: A Game Theoretic Approach // IEEE Transactions on Vehicular Technology. 2022. vol. 71. no. 4. pp. 4156–4170. DOI: 10.1109/TVT.2021.3132535.
34. 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.
35. Велигоша А.В., Малышко Н.Н., Струков Р.И. Применение искусственных нейронных сетей для снижения избыточности дискретного вейвлет-преобразования изображений // Теория и техника радиосвязи. 2020. №2. С. 5–12.
36. Гришенцев А.Ю., Коровкин Н.В., Островский Д.П. Вейвлеты Эрмита-Гаусса: синтез дискретных форм и исследование свойств // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25. №4. С. 789–796. DOI: 10.17586/2226-1494-2025-25-4-789-796.
37. Chui C.K. An Introduction to Wavelets / Wavelet Analysis & Its Applications // San Diego: Academic Press. 1992. 266 p.
38. Семенов В.И., Чумаров С.Г. От конструирования вейвлетов на основе производных функции Гаусса к синтезу фильтров с конечной импульсной характеристикой // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24. №2. С. 306–313. DOI: 10.17586/2226-1494-2024-24-2-306-313.
39. Беляев А.А., Кононов Д.П., Кудрин А.М. Исследование выбора материнской вейвлет-функции при вибродиагностике тепловозных двигателей // Известия Петербургского университета путей сообщения. 2025. Т. 22. №2. С. 290–299. DOI: 10.20295/1815-588X-2025-2-290-299.
40. Васильева Д.В., Дворников С.С., Толстуха Ю.Е., Обрезков П.С., Дворников С.В. Формирование векторов признаков для систем видеонаблюдения // Вопросы радиоэлектроники. 2023. №4. С. 62–68.
41. 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.
42. Jiao Z., Jia G., Cai Y. A new approach to oil spill detection that combines deep learning with unmanned aerial vehicles // Computers & Industrial Engineering. 2019. vol. 135. pp. 1300–1311.
43. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. pp. 770–778. DOI: 10.1109/CVPR.2016.90.
44. Howard A.G., Zhu M., Chen B., et al. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications // arXiv preprint arXiv:1704.04861. 2017.
45. Venkatesan R., Li B. Convolutional Neural Networks in Visual Computing: A Concise Guide // Boca Raton: CRC Press. 2017. 186 p.
46. Orfanidis G., Ioannidis K., Avgerinakis K., et al. A Deep Neural Network for Oil Spill Semantic Segmentation in Sar Images // Proceedings of 25th IEEE International Conference on Image Processing (ICIP). 2018. pp. 3773–3777. DOI: 10.1109/ICIP.2018.8451113.
Опубликован
2026-10-02
Как цитировать
Дворников, С. В., & Васильева, Д. В. (2026). Распознавание изображений разливов нефтепродуктов на основе кратномасштабной обработки гистограмм распределения их яркости. Информатика и автоматизация, 25(5), 1670-1704. https://doi.org/10.15622/ia.25.5.12
Раздел
Математическое моделирование и прикладная математика
Copyright (c) Дина Владимировна Васильева
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).