Визначення характерних кольорів місцевості в процесі розроблення маскувальних засобів
DOI:
https://doi.org/10.33577/2312-4458.28.2023.114-123Ключові слова:
маскувальний засіб приховування, кластерний аналіз, домінуючий колір, палітра кольорів, маскувальні властивості місцевості, камуфляж, камуфляжний малюнокАнотація
Колір та візерунок є складовими візуальної характеристики маскувальних засобів. Зазначені засоби, враховуючи досвід бойових дій в ході російсько-української війни, здатні значно підвищити живучість і безпеку особового складу, озброєння та військової техніки за рахунок усунення характерних демаскувальних ознак цих військових об’єктів та приховування їх на рослинному, пустельно-степовому, сніговому та урбанізованому тлі.
У роботі розглянуто перший етап проєктування маскувальних засобів приховування – виявлення характерних кольорів місцевості. Виявлення характерних кольорів, пропонується провести за допомогою кластерного аналізу, який відноситься до методів машинного навчання без вчителя. Кількість отриманих кластерів і визначає кількість кольорів які будуть відображені на маскувальному покритті.
Було визначено, що доцільно проводити аналіз зображення місцевості, яке зберігається у цифровому форматі JPEG, а кольори наведені в адитивній колірній моделі RGB.
Під час проведення досліджень для аналізу зображень було використано такий метод кластеризації, як k-means, який має перевагу перед іншими методами кластеризації за простотою реалізації, невибагливістю до ресурсів та достатньою швидкістю обчислень. Інші методи кластеризації, наприклад, ієрархічний або основані на щільності – виявилися такими, що не придатні для кластеризації кольору зображень. Порівняння проводилося із найбільш поширеними методами кластеризації: c-means, DBSCAN, OPTICS, agglomerative, spectral biclustering тощо.
Було перевірені різні алгоритмічні підходи до вибору кількості кластерів, і за результатами проведених дослідів найбільш оптимальним було визначено метод «ліктя».
Математичні алгоритми були взяті із відкритих джерел, реалізація їх була виконана за допомогою поширених програмних бібліотек для машинного навчання мови програмування Python.
Результати роботи дозволили вибрати математичний алгоритм для визначення кількості кольорів маскувальних засобів приховування. Це дозволить провести аналіз місцевості всіх природних зон України та спроєктувати ефективні маскувальні покриття для Збройних Сил України.
Посилання
Tsybulia S.A., Aborin V.M., Nastishin Yu.A. Means of imitation of objects and military equipment as an important component of improving the survival of the troops. The Second Karabakh War as a new generation warfare. International scientific-practical conference. October 21-22 2021, War College of the Armed Forces of the Republic of Azerbaijan, С. 74−76.
HyperStealth Camouflage Patterns. URL: htps://www.hyperstealth.com/camouflagepatterns.html (дата звернення: 30.10.2022).
Saab provides camouflage systems to France. URL: https://www.saab.com/newsroom/press-releases/2022/saab-provides-camouflage-systems-to-france (дата звернення: 30.10.2022).
Timothy O’Neill (camoufleur): URL: https://en.wikipedia.org/wiki/Timothy_O’Neill (camoufleur) (дата звернення: 30.10.2022).
Військовий стандарт ВСТ 01.106.001 – 2018 (01). Інженерне забезпечення. Система загальних тактико-технічних вимог до інженерного озброєння. Технічні вимоги до маскувальних засобів. Київ : МО України, 2018. 21 с.
O’Neill Timothy. Innovative camouflage measures for the United States Marine Corps. MARCORSYSCOM under Sverdrup technology agreement number 0965-36-01-C1. С. 36.
Hogervorst M.A., Toet A., Jacobs P. Design and evaluation of (urban) camouflage. SPIE Proceedings. 2010. DOI: https://doi.org/10.1117/12.850423 (дата звернення: 30.10.2022).
Yang X, Xu WD, Jia Q, Li L, Zhu WN. Research on extraction and reproduction of deformation camouflage spot based on generative adversarial network model. Def Technol. 2020. DOI: https://doi.org/10.1016/j.dt.2019.06.021 (дата звернення: 30.10.2022).
Хидеяки Чидзиива. Гармония цвета. Руководство по созданию цветовых комбинаций / пер. с англ. И.А. Бочков. Балашиха : Астрель, АСТ, 2003. 158 c.
Караєва Н. В., Варава І. А. Еколого-економічна оптимізація виробництва: методи та засоби кластерного аналізу: методичні вказівки до виконання лабораторних робіт. Київ : НТУУ «КПІ», 2016. 36 с.
Анкур Пател. Прикладное машинное обучение без учителя с использованием Python : пер. с англ. А. Гузикевич. Київ: Діалектика, 2020. 432 с. ISBN: 978-617-7874-17-0.
Яцкив И., Гусарова И. Методы определения количества кластеров при классификации без обучения. Transport and Telecommunication Journal, Riga, 2003.Vol.4, № 1, C. 23−28.
Arbelaitz Olatz, Gurrutxaga Ibai, Muguerza Javier, Pérez Jesús M., Perona Iñigo, An extensive comparative study of cluster validity indices, Pattern Recognition. 2013. Том 46, Вып. 1. С. 243−256, DOI: https://doi.org/10.1016/j.patcog.2012.07.021 (дата звернення: 30.10.2022).
Фролов В.В., Слипченко С.Е., Приходько О.Ю. Метод расчета числа кластеров для алгоритма k-means. Экономика. Информатика. 2020. № 47 (1): С. 213–225. DOI: https://doi.org/10.18413/2687-0932-2020-47-1-213-225 (дата звернення: 30.10.2022).
Клейнберг Дж., Тардос Е. Алгоритмы: разработка и применение. Классика Computers Science : пер. с англ. Е. Матвеева. СПб. : Питер, 2016. 800 с.
Feng Xuen, Shan Xu, Yue-Tong Luo, Wei Jia. Design of digital camouflage by recursive overlapping of pattern templates. Neurocomputing. 2015. № 172. C. 262–270. DOI: https://doi.org/10.1016/j.neucom.2014.12.108 (дата звернення: 30.10.2022).
Xiao W., Zhao Y., Gao X., Liao C., Huang S., Deng L. Implementation of Fuzzy C-Means (FCM) Clustering Based Camouflage Image Generation Algorithm. IEEE Access. 2021. № 9, С. 120203−120209, DOI: https://doi.org/10.1109/ACCESS.2021.3108803 (дата звернення: 30.10.2022).
Zun-yang Liu, Feng Ding, Ying Xu, Xu Han. Background dominant colors extraction method based on color image quick fuzzy c-means clustering algorithm. Defence Technology. 2021. Том 17, Вип. 5, С. 1782−1790, DOI: https://doi.org/10.1016/j.dt.2020.10.002. (дата звернення: 30.10.2022).
Sarlin P., Rönnqvist S. Cluster Coloring of the Self-Organizing Map: An Information Visualization Perspective. 17th International Conference on Information Visualisation, London, 2013. С. 532−538, DOI: https://doi.org/10.1109/IV.2013.72 (дата звернення: 30.10.2022).
Цибуля С.А., Черних І.В. Проблемні питання розроблення маскувальних сіток для потреб проведення операції Об’єднаних сил. Створення та модернізація ОВТ в сучасних умовах : матеріали ХХ науково-технічної конфе-ренції, м. Чернігів, 03-04 вересня 2020 р. ДНДІВСОВТ. Чернігів, 2020. С. 269−270.
В.Г. Волков. Цифровой фотоаппарат. СПб.: Сова, 2005. 93 с. ISBN 5-17-031806-5.
Douglas S.A., Kirkpatrick A.E. Model and representation: the effect of visual feedback on human performance in a color picker interface. ACM Transactions on Graphics. 1999. № 18 (2). С. 96–127. DOI: https://doi.org/10.1145/318009.318011 (дата звернення: 30.10.2022).
Bian P., Jin Y., Zhang N. Fuzzy c-means clustering based digital camouflage pattern design and its evaluation. IEEE 10th International conference on signal processing proceedings, Beijing, China. 2010, C. 1017−1020, DOI: https://doi.org/10.1109/ICOSP.2010.5655856 (дата звернення: 30.10.2022).
Jia Q., Xue H., Wang S., Ma C. Design and Camouflage Effect of Facial Camouflage Pattern, IEEE International Conference on Advances in Electrical Engineering and Computer Applications, Dalian, China. 2020. С. 768−772. DOI: https://doi.org/10.1109/AEECA49918.2020.9213453 (дата звернення: 30.10.2022).
MacQueen J. Some methods for classification and analysis of multivariate observations, Proc. of the fifth Berkeley Symp. on Mathematical Statistics and Probability, Том 1, № 14, 1967. С. 281–297.
Arthur D. Vassilvitskii S. k-means++: the advantages of careful seeding. Society for Industrial and Applied Mathematics Philadelphia. Proceedings of the eighteenth
annual ACM-SIAM symposium on Discrete algorithms., PA, USA. 2007. С. 1027–1035. DOI: https://dl.acm.org/doi/10.5555/1283383.1283494 (дата звернення: 30.10.2022).
Миркин Б.Г. Методы кластер-анализа для поддержки принятия решений: обзор. Москва : Изд. дом Национального исследовательского университета «Высшая школа экономики». 2011. 88 с.
Селуков Д.А., Шилов В.С. Нахождение оптимального числа кластеров «методом локтя». Инновационные технологии: теория, инструменты, практика. 2016. № 1. С. 107–111.
Calinski R.B., Harabasz J. A dendrite method for cluster analysis. Comm. in Statistics. 1974. № 3. 127 с.
Pentagon Accused of Wasting Up to $28M on ‘Inappropriate’ Afghan Soldier Uniforms: URL: https://www.nbcnews.com/news/world/pentagon-accused-wasting-28m-inappropriate-afghan-soldier-uniforms-n775081 (дата звернення: 30.10.2022).
Колос О., Демидчик Ф. Деякі методичні підходи до воєнно-економічної оцінки фортифікаційного обладнання позицій, районів розташування підрозділів, Військово-технічний збірник. № 23. 2020. С. 22–26. DOI: https://doi.org/10.33577/2312-4458.23.2020.22-26.
