ellibsЭлектронные библиотекиRussian Digital Libraries Journal1562-5419Казанский (Приволжский) федеральный университет10.26907/1562-5419-2025-28-3-601-621ellibs-573Research ArticleСтатьиИнформационно-аналитическая система сегментации изображений с помощью нейро-нечеткого подходаNeuro-Fuzzy Image Segmentation with Learning FunctionБобырьМаксим ВладимировичBobyrMaksim Vladimirovichmaxbobyr@gmail.comБондаренкоБогдан АндреевичBondarenkoBogdan Andreevichsikersinko@gmail.comЮго-Западный государственный университетSouth-West State University202523062025283601621Copyright © Бобырь М.В., Бондаренко Б.А., 20252025Бобырь М.В., Бондаренко Б.А.Bobyr M.V., Bondarenko B.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ellibs.elpub.ru/jour/article/view/573

Представлена информационно-аналитическая система (ИАС) для высокоскоростной сегментации изображений в градациях серого, основанной на модифицированном методе дефаззификации с использованием треугольных функций принадлежности. Цель исследования заключается в анализе влияния упрощения формулы дефаззификации на точность и контрастность выделения объектов. Предложенный подход включает адаптивное обучение весового коэффициента, позволяющее динамически корректировать процесс дефаззификации в зависимости от целевых значений. Проведено сравнение базового метода усреднения значений принадлежности и модифицированного варианта с учетом нелинейных весов. Эксперименты, проведенные на изображениях формата 1024x720, продемонстрировали, что разработанная ИАС обеспечивает высокую точность сегментации и улучшенную контрастность объектов при минимальных вычислительных затратах. Результаты подтверждают превосходство предложенного метода над традиционными подходами, подчеркивая перспективы применения искусственного интеллекта в задачах компьютерного зрения.

This paper presents a neuro-fuzzy algorithm for high-speed grayscale image segmentation based on a modified defuzzification method using triangular membership functions. The aim of the study is to analyze the effect of simplifying the defuzzification formula on the accuracy and contrast of object selection. The proposed approach includes adaptive learning of the weight coefficient, which allows dynamically adjusting the defuzzification process depending on the target values. The paper compares the basic method of averaging membership values and a modified version taking into account nonlinear weights. Experiments conducted on 1024x720 images demonstrate that the developed algorithm provides high segmentation accuracy and improved object contrast with minimal computational costs. The results confirm the superiority of the proposed method over traditional approaches, emphasizing the prospects for applying artificial intelligence in computer vision problems.

ИАСнейро-нечеткий алгоритмсегментация изображенийдефаззификацияискусственный интеллектметод отношения площадейIASneuro-fuzzy algorithmimage segmentationdefuzzificationartificial intelligencearea ratio methodReferencesBobyr M.V., Milostnaya N.A., Bulatnikov V.A. The fuzzy filter based on the method of areas’ ratio // Applied Soft Computing, Volume 117, 2022, 108449, ISSN 1568-4946. https://doi.org/10.1016/j.asoc.2022.108449Bobyr M.V., Milostnaya N.A., Bulatnikov V.A. The fuzzy filter based on the method of areas’ ratio // Applied Soft Computing, Volume 117, 2022, 108449, ISSN 1568-4946. https://doi.org/10.1016/j.asoc.2022.108449Bobyr' M.V., Arkhipov A.Ye., Milostnaya N.A. Metod rascheta karty glubin na osnove myagkikh operatorov // Sistemy i sredstva informatiki. 2019. T. 29. № 2. S. 71–84. https://doi.org/10.14357/08696527190207Bobyr' M.V., Arkhipov A.Ye., Milostnaya N.A. Metod rascheta karty glubin na osnove myagkikh operatorov // Sistemy i sredstva informatiki. 2019. T. 29. № 2. S. 71–84. https://doi.org/10.14357/08696527190207Lee D.H., Chen P.Y., Yang F.J. et al. “High-Efficient Low-Cost VLSI Implementation for Canny Edge Detection” // Journal of Information Science & Engineering, 2020. Vol. 36, No. 3. P. 34–57.Lee D.H., Chen P.Y., Yang F.J. et al. “High-Efficient Low-Cost VLSI Implementation for Canny Edge Detection” // Journal of Information Science & Engineering, 2020. Vol. 36, No. 3. P. 34–57.Koohi H., Kiani K. User Based Collaborative Filtering Using Fuzzy C-Means // Measurement. 2016. V. 91. P. 134–139. https://doi.org/10.1016/j.measurement. 2016.05.058Koohi H., Kiani K. User Based Collaborative Filtering Using Fuzzy C-Means // Measurement. 2016. V. 91. P. 134–139. https://doi.org/10.1016/j.measurement. 2016.05.058Yang Q., Sun L. A Fuzzy Complementary Kalman Filter Based on Visual and IMU Data for UAV Landing // Intern. Journal for Light and Electron Optics. 2018. V. 173. P. 279–291. https://doi.org/10.1016/j.ijleo.2018.08.011.Yang Q., Sun L. A Fuzzy Complementary Kalman Filter Based on Visual and IMU Data for UAV Landing // Intern. Journal for Light and Electron Optics. 2018. V. 173. P. 279–291. https://doi.org/10.1016/j.ijleo.2018.08.011.S. Eti, S. Yüksel, H. Dinçer. A machine learning and fuzzy logic model for optimizing digital transformation in renewable energy: Insights into industrial information integration // Journal of Industrial Information Integration. 2024. Vol. 42. P. 100734. https://doi.org/10.1016/j.jii.2024.100734. EDN MFEAPI.S. Eti, S. Yüksel, H. Dinçer. A machine learning and fuzzy logic model for optimizing digital transformation in renewable energy: Insights into industrial information integration // Journal of Industrial Information Integration. 2024. Vol. 42. P. 100734. https://doi.org/10.1016/j.jii.2024.100734. EDN MFEAPI.Romanov A.A., Filippov A.A., Yarushkina N.G. Adaptive Fuzzy Predictive Approach in Control // Mathematics. 2023. Vol. 11, No. 4. P. 875. https://doi.org/10.3390/math11040875. EDN LRGVQT.Romanov A.A., Filippov A.A., Yarushkina N.G. Adaptive Fuzzy Predictive Approach in Control // Mathematics. 2023. Vol. 11, No. 4. P. 875. https://doi.org/10.3390/math11040875. EDN LRGVQT.Bobyr M., Bondarenko B., Malyshev A. High-speed Fuzzy Inference Machine Learning Device Based on Single-Layer Area Ratio Defuzzifier // Intelligence Enabled Research: Proceedings of the 2024 Sixth Doctoral Symposium on Intelligence Enabled Research (DoSIER 2024), Dhupguri, Jalpaiguri, West Bengal, India, November 28–29, 2024. Jalpaiguri, West Bengal, India, 2025. P. 15–25. EDN FXFCKM.Bobyr M., Bondarenko B., Malyshev A. High-speed Fuzzy Inference Machine Learning Device Based on Single-Layer Area Ratio Defuzzifier // Intelligence Enabled Research: Proceedings of the 2024 Sixth Doctoral Symposium on Intelligence Enabled Research (DoSIER 2024), Dhupguri, Jalpaiguri, West Bengal, India, November 28–29, 2024. Jalpaiguri, West Bengal, India, 2025. P. 15–25. EDN FXFCKM.Zimichev E.A., Kazanskiy N.L., Serafimov P.G. Prostranstvennaya klassifikatsiya putem integratsii izobrazheniy s ispol'zovaniyem metoda klasterizatsii k-means ++ // Komp'yuternaya optika. 2014. T. 38, No. 2. S. 281–286. https://doi.org/10.18287/01342452-2014-38-2-281-286Zimichev E.A., Kazanskiy N.L., Serafimov P.G. Prostranstvennaya klassifikatsiya putem integratsii izobrazheniy s ispol'zovaniyem metoda klasterizatsii k-means ++ // Komp'yuternaya optika. 2014. T. 38, No. 2. S. 281–286. https://doi.org/10.18287/01342452-2014-38-2-281-286Pereyra M., McLaughlin S. Fast Unsupervised Bayesian Image Segmentation with Adaptive Spatial Regularisation // IEEE Transactions on Image Processing, 2017. Vol. 26, No. 6. P. 2577–2587. https://doi.org/10.1109/TIP.2017.2675165Pereyra M., McLaughlin S. Fast Unsupervised Bayesian Image Segmentation with Adaptive Spatial Regularisation // IEEE Transactions on Image Processing, 2017. Vol. 26, No. 6. P. 2577–2587. https://doi.org/10.1109/TIP.2017.2675165

The authors declare that there are no conflicts of interest present.