(49-4) 10 * << * >> * Русский * English * Содержание * Все выпуски

Анализ видеоданных беспилотного летательного аппарата на основе индекса структурного сходства
П.А. Ляхов 1,2, А.Р. Оразаев 1

1 Северо-Кавказский федеральный университет,
355017, Россия, г. Ставрополь, ул. Пушкина, д. 1;
2 Северо-Кавказский центр математических исследований,
355017, Россия, г. Ставрополь, ул. Пушкина, д. 1

  PDF, 2173 kB

DOI: 10.18287/2412-6179-CO-1569

Страницы: 624-633.

Аннотация:
В статье предложена метрика для анализа видеоданных, зарегистрированных беспилотным летательным аппаратом, использующая для оценки индекс структурного сходства. Метрика заключается в сравнении кадров на предмет сходства яркости, контраста и структуры в пикселях и последующей оценке состояния кадра видео. Был проведен сравнительный анализ предложенной и современной метрики. Исследование включало моделирование на аналоговых и цифровых видео с разной частотой кадров. Результаты показали, что разработанная метрика успешно выявляет задержки, искажения кадров и динамические изменения в сцене видео. Предлагаемая метрика может найти широкое применение в прикладных областях использования беспилотных летательных аппаратов: строительстве, сельском хозяйстве, геологии и картографии.

Ключевые слова:
индекс структурного сходства, цифровая обработка изображений, оценка качества изображений, беспилотный летательный аппарат, анализ видеоданных.

Благодарности
Исследование проведено при поддержке Российского научного фонда (проект № 23-71-10013).

Цитирование:
Ляхов, П.А. Анализ видеоданных беспилотного летательного аппарата на основе индекса структурного сходства / П.А. Ляхов, А.Р. Оразаев // Компьютерная оптика. – 2025. – Т. 49, № 4. – С. 624-633. – DOI: 10.18287/2412-6179-CO-1569.

Citation:
Lyakhov PA, Orazaev AR. Analysis of video data from an unmanned aerial vehicle based on a structural similarity index. Computer Optics 2025; 49(4): 624-633. DOI: 10.18287/2412-6179-CO-1569.

References:
  1. Jiménez-Jiménez SI, Ojeda-Bustamante W, Marcial-Pablo MDJ, Enciso J. Digital terrain models generated with low-cost UAV photogrammetry: Methodology and accuracy. ISPRS Int J Geo Inf 2021; 10(5): 285. DOI: 10.3390/ijgi10050285.
  2. Reinoso JF, Gonçalves JE, Pereira C, Bleninger T. Cartography for civil engineering projects: photogrammetry supported by unmanned aerial vehicles. Iran J Sci Technol Trans Civ Eng 2018; 42: 91-96. DOI: 10.1007/s40996-017-0076-x.
  3. Freimuth H, König M. Planning and executing construction inspections with unmanned aerial vehicles. Autom Constr 2018; 96: 540-553. DOI: 10.1016/j.autcon.2018.10.016.
  4. Kataev MY, Kartashov EY, Avdeenko VD. Method for detecting road defects using images obtained from unmanned aerial vehicles. Computer Optics 2023; 47(3): 464-473. DOI: 10.18287/2412-6179-CO-1209.
  5. Zubarev YuN, Fomin DS, Chashchin AN, Zabolotnova MV. Use of uncleaned aircraft in agriculture [In Russian]. Bulletin of the Perm Federal Research Center 2019; 2: 47-51. DOI: 10.7242/2658-705X/2019.2.5.
  6. Ageev AM, Bondarev VG, Protsenko VV. Justification of the choice of radiation sources for a computer vision system in the problem of automatic landing of unmanned aerial vehicles. Computer Optics 2022; 46(2): 239-245. DOI: 10.18287/2412-6179-CO-875.
  7. Huang D, Cui M, Zhang G, Chu X, Lin F. Bandwidth, power and trajectory optimization for UAV base station networks with backhaul and user QoS constraints. IEEE Access 2020; 8: 67625-67634. DOI: 10.1109/ACCESS.2020.2986075.
  8. Li B, Fei Z, Zhang Y. UAV communications for 5G and beyond: Recent advances and future trends. IEEE Internet of Things J 2018; 6(2): 2241-2263. DOI: 10.1109/JIOT.2018.2887086.
  9. Khawaja W, Guvenc I, Matolak DW, Fiebig U-C, Schneckenburger N. A survey of air-to-ground propagation channel modeling for unmanned aerial vehicles. IEEE Commun Surv Tutor 2019; 21(3): 2361-2391. DOI: 10.1109/COMST.2019.2915069.
  10. Saponaro M, Capolupo A, Tarantino E, Fratino U. Comparative analysis of different UAV-based photogrammetric processes to improve product accuracies. In Book: Misra S, Gervasi O, Murgante B, Stankova E, Korkhov V, Torre C, Rocha AMAC, Taniar D, Apduhan BO, Tarantino E, eds. Computational science and its applications – ICCSA 2019. 19th International Conference, Saint Petersburg, Russia, July 1–4, 2019, Proceedings, Part IV. Cham, Switzerland: Springer Nature Switzerland AG; 2019: 225-238. DOI: 10.1007/978-3-030-24305-0_18.
  11. Shakhatreh H, Sawalmeh AH, Al-Fuqaha A, et al. Unmanned aerial vehicles (UAVs): A survey on civil applications and key research challenges. IEEE Access 2019; 7: 48572-48634. DOI: 10.1109/ACCESS.2019.2909530.
  12. Kuang Q, Jin X, Zhao Q, Zhou B. Deep multimodality learning for UAV video aesthetic quality assessment. IEEE Trans Multimedia 2019; 22(10): 2623-2634. DOI: 10.1109/TMM.2019.2960656.
  13. Cavaliere D, Loia V, Senatore S. Towards an ontology design pattern for UAV video content analysis. IEEE Access 2019; 7: 105342-105353. DOI: 10.1109/ACCESS.2019.2932442.
  14. Fayyaz MA, Anjum A, Ziauddin S, Khan A, Sarfaraz A. An improved surveillance video forgery detection technique using sensor pattern noise and correlation of noise residues. Multim Tools Appl 2020; 79: 5767-5788. DOI: 10.1007/s11042-019-08236-2.
  15. Lin CC, Pankanti S, Ashour G, Porat D, Smith JR. Moving camera analytics: Emerging scenarios, challenges, and applications. IBM J Res Dev 2015; 59(2/3): 5:1-5:10. DOI: 10.1147/JRD.2015.239451.
  16. Wang Z, Bovik AC. Reduced- and no-reference image quality assessment. IEEE Signal Process Mag 2011; 28(6): 29-40. DOI: 10.1109/MSP.2011.942471.
  17. Hore A, Ziou D. Image quality metrics: PSNR vs. SSIM. 2010 20th Int Conf on Pattern Recognition 2010: 2366-2369. DOI: 10.1109/ICPR.2010.579.
  18. Sheikh HR, Bovik AC. Image information and visual quality. IEEE Trans Image Process 2006; 15(2): 430-444. DOI: 10.1109/TIP.2005.859378.
  19. Awad M, Khanna R. Support vector regression. In Book: Awad M, Khanna R. Efficient learning machines. Theories, concepts, and applications for engineers and system designers. Apress Media LLC; 2015: 67-80. DOI: 10.1007/978-1-4302-5990-9_4.
  20. Li Z, Aaron A, Katsavounidis I, Moorthy A, Manohara M. Toward a practical perceptual video quality metric. Netflix TechBlog. 2016. Source: <https://netflixtechblog.com/toward-a-practical-perceptual-video-quality-metric-653f208b9652>.
  21. Sara U, Akter M, Uddin MS. Image quality assessment through FSIM, SSIM, MSE and PSNR – a comparative study. J Comput Commun 2019; 7(3): 8-18. DOI: 10.4236/jcc.2019.73002.
  22. Bitbucket. CO_IQA. 2025. Source: <https://bitbucket.org/anzor_orazaev/co_iqa/src/main>.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20