23
BRAYL MATN TASVIRI SIFATINI OSHIRISH USULLARI
Mustafoyev Erali Muhiddin o‘g‘li,
Xolmatov Javlon Yusupovich
O‘zbekiston Milliy universitetining Jizzax filiali
Annotatsiya.
Ushbu maqolada brayl matn tasvir sifatini oshirish usullari
haqida so‘z boradi. Haqiqiy hayotda brayl alifbosidagi hujjatlarning koʻp tasvirlari
sifatsiz boʻlgani uchun, bu maqolada koʻrib chiqish lozim: interpolyatsiya, shovqinni
filtrlash, morfologik operatsiyalar kabi turli xil dastlabki ishlov berish algoritmlari va
global konturlar haqida ma’lumot berilgan.
Kalit so‘zlar:
Brayl matn, tasvir sifatini oshirish, intensivlik, Katod-nurli
trubka (CRT), Furyeni tez almashtirishi, Raqamli tasvirlar.
Brayl matn tasvirni yaxshilash usullari ma’lum bir tasvirni yaxshilash uchun
qo‘llaniladi, shunda kerakli tasvir xususiyatlarini insonning vizual tizimi uchun idrok
etish osonroq bo‘ladi yoki avtomatlashtirilgan tasvirni tahlil qilish tizimlari tomonidan
aniqlanishi mumkin. Tasvir sifatini oshirish - bu bir tasvirni boshqasiga o‘zgartirish
yoki xaritalashdir. Bu transformatsiya bittaga-bitta bo‘lishi shart emas, shuning uchun
sifat yaxshilangandan so‘ng ikkita turli kirish tasviri bir xil yoki o‘xshash chiqish
tasviriga aylanishi mumkin.
Raqamli tasvir fazoviy taqsimlangan intensivlik signali sifatida aniqlanadi
f(m,
n)
, bu erda
f
- pikselning intensivligi va
m
va
n
odatda gorizontal va vertikal sifatida
aniqlangan bir juft ortogonal o‘q bo‘ylab pikselning o‘rnini belgilaydi. Tasvirda
M
satr
va
N
ustun bor, raqamli tasvir esa
0
dan
P - 1
gacha bo‘lgan qiymatlar bilan
P
kvantlangan intensivlik darajalariga (kulrang darajalarga) ega deb faraz qilanadi.
Tasvirni yaxshilash va tasvirni tavsiflashda keng qo‘llaniladigan tasvirning
gistogrammasi har bir kulrang darajadagi tasvirdagi piksellar sonini o‘z ichiga olgan
vektor sifatida aniqlanadi. Gistogramma,
h(i)
quyidagicha belgilanishi mumkin:
−
=
−
=
−
=
−
=
1
0
1
0
1
,...,
1
,
0
),
)
,
(
(
)
(
M
m
N
n
P
i
i
n
m
f
i
h
bu yerda,
.
0
,
0
0
,
1
)
(
=
=
w
w
w
Brayl matn tasvir sifatini oshirish qo‘llaniladigan amallar bu yadrolar deb ham
ataladigan lokal operatorlar yordamida konvolyutsiyadir. Yadro
)
,
(
l
k
w
ni
)
1
2
1
2
(
+
+
L
K
koeffitsientlar massivi deb hisoblanadi, bunda nuqta
)
0
,
0
(
)
,
(
=
l
k
yadro markazidir, tasvirning konvolyutsiyasi: yadro tomonidan aniqlanadi.
−
=
−
=
−
−
•
=
=
K
K
k
L
L
l
l
n
k
m
f
l
k
w
n
m
f
l
k
w
n
m
g
)
,
(
)
,
(
)
,
(
)
,
(
)
,
(
24
bu erda
)
,
(
n
m
g
– konvolyutsiya qo‘llanilgan chiqish tasvirining natijasi. Brayl matn
tasvirni yadro bilan birlashtirish uchun yadro tasvir pikseliga
(m,n)
markazlashtiriladi,
yadro koeffitsientlari va mos keladigan tasvir piksellarining nuqtama-nuqta mahsuloti
olinadi va bu natijalarning keyingi yig‘indisi sifatida foydaniladi. To‘liq chiqish tasviri
g(m, n)
bir xil amalni dastlabki tasvirning barcha piksellarida takrorlash orqali olinadi.
Muayyan yaxshilash operatsiyasini bajarish yoki brayl matn tasvir xususiyatlarini
o‘zgartirish uchun tasvirga konvolyutsiya yadrosi qo‘llanilishi mumkin. Bu odatda
kerakli atributlarning kuchayishiga va kiruvchi xususiyatlarning bostirilishiga olib
keladi. Yadro koeffitsientlarining o‘ziga xos qiymatlari istalgan takomillashtirishning
har xil turlariga bog‘liqdir.
f(m, n)
tasvirning Furye almashtirishining
F(u, v)
quyidagicha aniqlanadi:
1
,...,
2
,
1
,
0
,
1
,
,...,
2
,
1
,
0
1
0
,
1
0
)
(
2
)
,
(
1
)
,
(
−
=
−
=
−
=
−
=
+
−
=
N
v
M
u
M
m
N
n
N
vn
M
um
j
e
n
m
f
MN
v
u
F
bu yerda
u
va
v
fazoviy chastota parametrlari. Furye almashtirish tasvirning spektral
tasvirini beradi, uni istalgan xususiyatlarni yaxshilash uchun o‘zgartirish mumkin.
Fazoviy domen tasvirni teskari Furye almashtirishning bilan spektral-domen tasviridan
olish mumkin:
1
,...,
2
,
1
,
0
,
1
,
,...,
2
,
1
,
0
1
0
,
1
0
)
(
2
)
,
(
1
)
,
(
−
=
−
=
−
=
−
=
+
=
N
n
M
m
M
m
N
n
N
vn
M
um
j
e
n
m
F
MN
v
u
f
Oldingi ta’riflar bilan to‘g‘ridan-to‘g‘ri hisoblangan
N×N
tasvirining to‘g‘ridan-
to‘g‘ri yoki teskari Furye almashtirishi
N
2
ga proportsional bir qator murakkab
ko‘paytirish va qo‘shimchalarni talab qiladi. Ifodalarni bo‘laklash va ortiqcha
narsalarni yo‘q qilish orqali Furyeni tez almashtirishi (FFT) algoritmi
Nlog2N
[3]
tartibidagi amallar soniga teng bo‘ladi.
FFT
ning hisoblash ustunligi N ortishi bilan
ortadi
. N=64 bo‘lsa
, operatsiyalar soni kattalik tartibiga,
N=1024
bo‘lsa, ikki darajaga
kamayadi.
Piksellar bo‘yicha ishlov berish
Raqamli tasvirlar odatda katod nurlari trubkasi (CRT) tipidagi displey
tizimlarida ko‘rsatiladi yoki ba’zi turdagi fotografik emulsiya yordamida chop etiladi.
Ko‘pgina displey mexanizmlari chiziqli bo‘lmagan intensivlik xususiyatlariga ega, bu
displeyda kuzatilganda tasvirning chiziqli bo‘lmagan intensivlik profiliga olib keladi.
Ushbu ta’sirni tenglama bilan qisqacha tasvirlash mumkin:
))
,
(
(
)
,
(
n
m
f
C
n
m
e
=
bu erda
f(m,n)
- olingan intensivlik tasviri,
e(m, n)
displey tizimi tomonidan haqiqiy
intensivlikni ifodalaydi va
C()
- chiziqli bo‘lmagan displey tizimining operatori.
Displeyning nochiziqli xarakteristikalarini tuzatish uchun displeyning nochiziqliligiga
teskari transformatsiyani qo‘llash lozim:
)
,
(
)
,
(
)))
,
(
(
(
1
))
,
(
(
)
,
(
n
m
f
n
m
g
n
m
f
C
C
n
m
e
T
n
m
g
−
=
25
bu erda
T()
-
C
-1
()
ga ekvalent bo‘lgan chiziqli bo‘lmagan operator, displey tizimi
operatorining teskarisi va
g(m,n)
- natijaviy tasvir.
Chiziqlimas xususiyatlarini aniqlash amalda qiyin bo‘lishi mumkin. Umuman
olganda, agar chiziqli intensivlik ko‘rinishda tasvirlangan bo‘lsa, brayl tasvirni olish
tizimining to‘liq intensivlik shkalasini qamrab oladigan sinov tasvirini olish mumkin.
Shu bilan birga, chiziqli bo‘lgan intensivlikni o‘lchash moslamasi namoyish tizimining
chiqishini baholash uchun uning haqiqiy bo‘lmagan xususiyatlarini aniqlash uchun
talab qilinadi.
a b
1-rasm (a) sifati past CRT tipidagi displeyda namoyish qilingan asl brayl tasvir. Bu
brayl tasvir yomon kontrastga ega va tafsilotlarni sezish qiyin. (b) Almashtirish
natijasida displeyning chiziqli bo‘lmaganligi o‘zgaradi va strukturaviy tafsilotlar
ko‘proq ko‘rinadi.
Gistogrammani normallashtirish
Gistogrammani normallashtirishda kiritilgan tasvirning gistogrammasi yangi
maksimal tekis taqsimot gistogramma bilan taqqoslanadi.
Gistogramma
h(i)
sifatida aniqlanadi, brayl matn tasvirda 0 dan
P-1
gacha
kulrang darajalar yorqinligi. Brayl tasvirdagi piksellarning umumiy soni
M
∗
N,
h(i)
bilan barcha piksellarning yorqinlik qiymatlari yig‘indisi. Brayl matn tasvirning
intensivlik profilini bir xilda taqsimlash uchun gistogrammaning har bir qismi
(M
∗
N)/P
aniqlanadi.
Brayl matn tasvirdagi piksellarni qayta taqsimlashning oddiy va osonlik bilan
mavjud bo‘lgan tartibi normallashtirilgan kumulativ gistogrammaga asoslanadi:
=
−
=
•
=
j
i
P
j
i
h
N
M
j
H
0
1
,...,
2
,
1
,
0
,
)
(
1
)
(
Oddiylashtirilgan kumulitiv gistogramma brayl matn tasvirdagi mavjud kulrang
darajalar va yaxshilash uchun zarur bo‘lgan yangi kulrang darajalar o‘rtasidagi
xaritalash sifatida foydalanish mumkin. Natijaviy brayl tasvir
g(m,n)
maksimal bir xil
taqsimotli gistogrammaga ega bo‘lishi uchun quyidagicha aniqlanadi:
))
,
(
(
)
1
(
)
,
(
n
m
f
H
P
n
m
g
•
−
=
.
Foydalanilgan adabiyotlar roʻyxati:
1.
Ketchum DJ. Real-time image enhancement techniques.Proc SPIE/OSA:
1976;74:120–125. 8. Lewis R. Practical Digital Image Processing. West Sussex, UK:
Ellis Horwood; 1990.
26
2.
Low A. Introduction to Computer Vision and Image Processing. UK:
McGraw-Hill; 1991.
3.
Javlon, K., & Erali, M. (2023). STRUCTURE AND PRINCIPLE OF
OPERATION OF FULLY CONNECTED NEURAL NETWORKS. International
Journal of Contemporary Scientific and Technical Research, 136-141.
4.
Javlon X. et al. Классификатор движения рук с использованием
биомиметического распознавания образов с помощью сверточных нейронных
сетей с методом динамического порога для извлечения движения с
использованием датчиков EF //Journal of new century innovations. – 2022. – Т. 19.
– №. 6. – С. 352-357.
5.
Бурнашев В. Ф., Холматов Ж. Ю. МАТЕМАТИЧЕСКОЕ
МОДЕЛИРОВАНИЕ
ГИДРОДИНАМИЧЕСКИХ
ПРОЦЕССОВ
МНОГОФАЗНОЙ ФИЛЬТРАЦИИ В НЕФТЯНОМ ПЛАСТЕ ПРИ ЕГО
ЗАВОДНЕНИИ //RESEARCH AND EDUCATION. – 2022. – Т. 1. – №. 1. – С. 137-
154.
6.
Bultakov Kamoliddin, & Kholmatov Javlon. (2022). HAND MOTION
CLASSIFIER USING BIOMIMETIC PATTERN RECOGNITION
WITH
CONVOLUTIONAL NEURAL NETWORKS WITH A DYNAMIC THRESHOLD
METHOD FOR MOTION EXTRACTION USING EF SENSORS. International
Journal of Contemporary Scientific and Technical Research, 1(2), 282–285
7.
Javlon X. et al. Классификатор движения рук с использованием
биомиметического распознавания образов с помощью сверточных нейронных
сетей с методом динамического порога для извлечения движения с
использованием датчиков EF //Journal of new century innovations. – 2022. – Т. 19.
– №. 6. – С. 352-357.
8.
Ziyoda M., Nizommiddin N. RAQAMLI IQTISODIYOTDA SUN'IY
INTELLEKT
TEXNOLOGIYALARINI
TURLI
SOHALARDA
AVTOMATLASHTIRISH VOSITALARI //International Journal of Contemporary
Scientific and Technical Research. – 2023. – С. 246-250.
9.
Kamoliddin o‘g’li N. N. et al. ERWIN DASTURI YORDAMIDA IDEF0,
IDEF3 VA DFD STANDAT DIAGARAMMALARIDAN FOYDALANIB TIZIM
SIFATIDA YARATILGAN UNIVERSITETNING MONITORING BO ‘LIMI
LOYIHASI //Новости образования: исследование в XXI веке. – 2023. – Т. 1. – №.
6. – С. 378-386.
10.
Obid o’g A. S. J. et al. Numpy Library Capabilities. Vectorized Calculation
In Numpy Va Type Of Information //Eurasian Research Bulletin. – 2022. – Т. 15. – С.
132-137.
11.
Каршиев А. А. ЎҚУВЧИЛАРДА АХБОРОТ БИЛАН ИШЛАШ
КОМПЕТЕНЦИЯСИНИ
ШАКЛЛАНТИРИШНИНГ
ДАРАЖАВИЙ
ТУЗИЛМАСИ //ИННОВАЦИИ В ПЕДАГОГИКЕ И ПСИХОЛОГИИ. – 2021. – Т.
4. – №. 4.
12.
Karshiyev A. A. The Structure Of Information Competence Of High School
Students //The American Journal of Social Science and Education Innovations. – 2020.
– С. 98-107.
27
13.
Каршиев А. А., Маматкулова У. Е., Шобутаев К. С. РЕАЛИЗАЦИЯ
КВАЛИМЕТРИЧЕСКОГО ПОДХОДА В УПРАВЛЕНИИ КАЧЕСТВОМ
ОБРАЗОВАНИЯ
СТУДЕНТОВ
СОВРЕМЕННОГО
УНИВЕРСИТЕТА
//Европейский журнал исследований и рефлексии в области образовательных
наук. – 2019. – Т. 2019.
14.
Obid o’g, Assistent Salimov Jamshid, Assistent Abror Mamaraimov
Kamalidin o'g, and Assistent Normatov Nizomiddin Kamoliddin o‘g. "Numpy Library
Capabilities. Vectorized Calculation In Numpy Va Type Of Information." Eurasian
Research Bulletin 15 (2022): 132-137.
15.
Ziyoda,
Maydonova,
and
Normatov
Nizommiddin.
"RAQAMLI
IQTISODIYOTDA SUN'IY INTELLEKT TEXNOLOGIYALARINI TURLI
SOHALARDA AVTOMATLASHTIRISH VOSITALARI." International Journal of
Contemporary Scientific and Technical Research (2023): 246-250.
16.
Nizomiddin, Normatov. "TA’LIMDA DASTURLASH JARAYONINI
BAHOLASHGA ASOSLANGAN AVTOMATLASHTIRILGAN TIZIMNI TADBIQ
ETISH." International Journal of Contemporary Scientific and Technical Research
(2023): 24-28.
17.
Kamoliddin o‘g’li, Normatov Nizomiddin, and Ergashev Sirojiddin Baxtiyor
o‘g‘li. "ERWIN DASTURI YORDAMIDA IDEF0, IDEF3 VA DFD STANDAT
DIAGARAMMALARIDAN FOYDALANIB TIZIM SIFATIDA YARATILGAN
UNIVERSITETNING MONITORING BO ‘LIMI LOYIHASI." Новости
образования: исследование в XXI веке 1.6 (2023): 378-386.
DATA PREPROCESSING TECHNIQUES IN MACHINE LEARNING
Raximov Nodir Odilovich,
Khasanov Dilmurod
Tashkent University of Information Technologies
Abstract.
In this paper, importance of preprocessing and techniques in this field
such as data cleaning, dimensionality reduction, smoothing, normalization are
illustrated. During the research we mentioned some details of techniques above.
However, our research includes only theoretical aspect of data preprocessing. The data
preprocessing phase while arduous and time-intensive stands as the cornerstone of data
science, possessing paramount significance. Neglecting the meticulous cleansing and
structuring of data has the potential to undermine the integrity and efficacy of
subsequent modeling endeavors.
Keywords:
data preprocessing, data cleaning, normalization, exploratory data
analysis, dimensionality reduction.
Introduction
When confronted with real-world data, Data Scientists invariably find it
necessary to employ preprocessing techniques to enhance data usability. Such
techniques serve the dual purpose of rendering the data more amenable for utilization
