176
TASVIRNI SEGMENTLASH ALGORITMLARI
Mamatov Narzullo Solidjonovich
“Toshkent irrrigatsiya va qishloq xo‘jaligini mexanizatsiyalash muhandislari instituti”
Milliy tadqiqot universiteti, kafedra mudiri, texnika fanlari doktori, professor
Fayziev Voxid Orzumurod o‘gli
“Toshkent irrrigatsiya va qishloq xo‘jaligini mexanizatsiyalash muhandislari instituti”
Milliy tadqiqot universiteti, assistent
Annotatsiya:
Tasvirni segmentlash texnologiyasi tibbiy tasvirlarga ishlov berish, yuzni
tanib olish, piyodalarni aniqlash, qo‘riqlash tizimlari kabilarda keng qo‘llaniladi. Bugungi kunda
tasvirni segmentlashni bo‘sag‘ali, konturliva grafli, shuningdek, Watershed, Markov tasodifiy
maydonlari, Mean-Shift, GrabCut, chuqur o‘qitishli, Fuzzy C-Means kabi usullari mavjud.
Mazkur maqola tasvirlarni segmentlashning ayrim algoritmlari tadqiqiga bag‘ishlangan bo‘lib,
unda ularni yutuq va kamchiliklarini bayon etilgan.
Kalit s
o‘
zlar:
raqamli tasvir, segmentlash, bo‘sag‘a, Mean-Shift, GrabCut, kontur,
Watershed, gradient, piksel, yorqinlik.
Kirish
Tasvir ma’lumotni uzatish va qabul qilish vositasi sifatida o‘zida ko‘plab foydali
ma’lumotlarni mujassam etadi. Bugungi kunda turli sohalarda ba’zi bir vazifalarni bajarish
uchun tasvirni tushunish va undan ma’lumot olish talab qilinadi. Tasvirni tushunishni birinchi
bosqichi tasvirni segmentlash bo‘lib, u odatda tasvirni bir xil xususiyatga ega bo‘lgan qismlarga
ajratishda qo‘llaniladi. Shuning uchun segmentatsiya tasvirni qayta ishlash va kompyuterli
ko‘rishni eng muhim qismlaridan biri hisoblanadi. Bundan tashqari, u tasvirni tahlil qilish va
undagi ob’ekt belgilarini ajratib olish hamda tanib olish uchun asos ham hisoblanadi.
Quyida tasvirni segmentlashning keng tarqalgan ayrim algoritmlari haqida batafsil
ma’lumotlar keltirilgan bo‘lib, ularni qiyosiy tahlili amalga oshirilgan.
Global bo‘sag‘aga asoslangan algoritm.
Ushbu algoritmni asosiy g‘oyasi piksellarni
o‘xshash xususiyatlariga asoslangan holda mos mintaqani shakllantirish uchun ularni guruhlarga
ajratishdan iborat.
𝑆(𝑥, 𝑦) = {
1, 𝑎𝑔𝑎𝑟 𝐼(𝑥, 𝑦) > 𝑇
0, 𝑎𝑘𝑠 𝑥𝑜𝑙𝑑𝑎
(1)
bu yerda
𝑆(𝑥, 𝑦)
–pikselni segmentga tegishli yoki tegishli emasligini ifodalovchi funksiya,
𝐼(𝑥, 𝑦)
- asl tasvir (x, y) koordinatasida joylashgan piksel intensivlik qiymati, T-bo‘sag‘a qiymat.
1-rasm.
Global bo‘sag‘aga asoslangan segmentlash algoritmi natijasi
Mean-Shift segmentlash algoritmi.
Bu parametrik bo‘lmagan klasterlash algoritmi
bo‘lib, unda ranglardagi o‘xshashlik va fazoviy yaqinlik asosida tasvirdagi o‘xshash piksellarni
guruhlash amalga oshiriladi. Tasvirdagi har bir piksel ko‘p o‘lchovli belgilar fazosida nuqta
177
sifatida ifodalanadi. Rangli tasvirlar uchun har bir piksel odatda rang qiymatlari (RGB yoki
boshqa rang modellari) bilan ifodalanishi mumkin.
Belgilar fazosidagi nuqtalar orasidagi o‘xshashlikni aniqlash uchun yadro funksiyasi
tanlanadi. Odatda umumiy tanlov sifatida Gauss yadrosi qo‘llaniladi:
K(x)=
𝑒
−
𝑥2
⃙
(2)
bu yerda,
x-
belgilar fazosi nuqtalar orasidagi masofa,
p-
yadro masshtabini boshqaruvchi tarmoq
kengligi parametri.
2-rasm.
Mean-Shift segmentlash algoritmi natijasi.
Konturlarga asoslangan algoritm.
Ushbu algoritm tasvirdagi ob’ektlar chegaralarini
ajratish uchun odatda intensivlik yoki rangdagi o‘zgarishlarga asoslanadi. Bunda algoritmni
asosiy g‘oyasi intensivlikni sezilarli o‘zgarishi bo‘lgan sohalarini aniqlashdan iborat. Chunki, bu
o‘zgarishlar ko‘pincha obekt chegaralariga mos keladi. Konturlarga asoslangan segmentlashni
birinchi bosqichi tasvir gradientini hisoblashni o‘z ichiga oladi. Gradient har bir pikselda
intensivlik o‘zgarish tezligini ifodalaydi.
𝐺 = √(𝐺
𝑥
)
2
+ (𝐺
𝑦
)
2
(3)
bu yerda G
x
va
G
y
tasvir intensivligi x va y yo‘nalishlariga nisbatan xususiy hosilalari.
Gradient yo‘nalishi har bir pikselda kontur aniqlash uchun ham muhimdir. Bu qirralar
yo‘nalishini aniqlashga yordam beradi.
i=arctan
(
𝐺
𝑥
𝐺
𝑦
)
(4)
3-rasm.
Konturlarga asoslangan segmentlash algoritmi natijasi
Watershed segmentlash usuli
.
Bu tasvirdagi intensivlik yoki rang xususiyatlariga
asoslanib, tasvirni alohida hududlar yoki segmentlarga ajratish uchun kompyuterli ko‘rish va
178
tasvirni qayta ishlashda qo‘llaniladigan algoritmdir. Watershed segmentlash algoritmining asosiy
g‘oyasi tasvirdagi piksel qiymatlarini topografik xaritadagi balandliklar sifatida qarash bo‘lib,
unda intensivlik qiymatlari balandliklarni ifodalaydi. Watershed algoritmi marker va gradient
ma’lumotlaridan foydalanishni o‘z ichiga oladi:
W(I,M,G)=L
(5)
bu yerda
I -
kirish tasviri,
M -
marker tasviri,
G-
gradient tasvir.
4-rasm.
Watershed segmentlash algoritmi natijasi
Tasvirni segmentlashni yuqorida sanab o‘tilgan algoritmlarini qiyosiy tahlil natijalari
quyida keltirilgan.
1-jadval
Segmentlash algoritmlarini yutuq va kamchiliklari
Algoritm
Turi
Afzalliklar
Kamchiliklari
Global
bo‘sag‘aga
asoslangan
Intensivlik
-sodda va hisoblashda
samarali;
-to‘g‘ridan-to‘g‘ri amalga
oshirish mumkin;
-binar segmentatsiya
uchun samarali
-shovqinga sezgir;
- bo‘sag‘a qiymatini qo‘lda
tanlashni talab qilishi
mumkin;
Mean-Shift
Klasterlash
-klasterlar sonini
ko‘rsatish shart emas;
-klasterlarga yaxshi
moslashadi
- katta ma’lumotlar to‘plami
uchun ko‘proq hisoblash
vaqtini talab etadi
Watershed
Mintaqaga
asoslangan
-notekis yoritish va
murakkab ob’ekt
shakllarini yaxshi
boshqaradi
-haddan tashqari
segmentatsiyaga moyil;
- shovqinga sezgir;
-juft potensiallarni aniqlashni
talab etadi
Xulosa.
Tasvirni segmentlash texnikasini tanlash tasvirlarni o‘ziga xos xususiyatlari va
dastur talablariga bog‘liqdir. Shuning uchun mazkur ishda tasvirni segmentlash algoritmlari
tadqiq qilindi va quyidagi natijalar xulosa sifatida olindi:
- global bo‘sag‘aga asoslangan segmentatsiya tez va sodda yondashuv bo‘lsada, biroq
segmentatsiya hisoblash murakkabligi oshishi hisobiga yaxshilangan konturlarga asoslangan
algoritm yuqori aniqlikni ta’minlaydi;
- Watershed algoritmi murakkab tuzilmalarni qayta ishlashda samarali biroq, ortiqcha
segmentatsiyani oldini olish uchun parametrlarni sozlash talab etiladi.
Foydalanilgan adabiyotlar ro‘yxati
179
1.
Niyozmatova, N. A., Mamatov, N., Samijonov, A., Rahmonov, E., & Juraev, S. (2020,
September). Method for selecting informative and non-informative features. In IOP Conference
Series: Materials Science and Engineering (Vol. 919, No. 4, p. 042013). IOP Publishing
2.
Samijonov, A., Mamatov, N., Niyozmatova, N. A., Yuldoshev, Y., & Asraev, M. (2020,
September). Gradient method for determining non-informative features on the basis of a
homogeneous criterion with a positive degree. In IOP Conference Series: Materials Science and
Engineering (Vol. 919, No. 4, p. 042011). IOP Publishing.
3.
Mamatov, N., Samijonov, A., Niyozmatova, N., Samijonov, B., Erejepov, K., & Jamalov,
O. (2023, August). Algorithm for Selecting Optimal Features in Face Recognition Systems. In
2023 19th International Asian School-Seminar on Optimization Problems of Complex Systems
(OPCS) (pp. 59-64). IEEE.
4.
Shavkat, F., Narzillo, M., & Abdurashid, S. (2019). Selection of significant features of
objects in the classification data processing. International Journal of Recent Technology and
Engineering, 8(2 Special Issue 11), 3790-3794.
5.
Narzillo, M., Bakhtiyor, A., Shukrullo, K., Bakhodirjon, O., & Gulbahor, A. (2021,
November). Peculiarities of face detection and recognition. In 2021 International Conference on
Information Science and Communications Technologies (ICISCT) (pp. 1-5). IEEE.
TASVIRLARDAGI OBYEKTLAR SIFATINI OSHIRISH ALGORITMLARI
t.f.d., prof. Mamatov Narzullo Solidjonovich
“Toshkent irrigatsiya va qishloq xo’jaligini mexanizatsiyalash muhandislari” Milliy
tadqiqot universiteti, O’zbekiston
Erejepov Kewlimjay Kaymatdinovich
“Toshkent irrigatsiya va qishloq xo’jaligini mexanizatsiyalash muhandislari” Milliy
tadqiqot universiteti, O’zbekiston
Zarat Soumaya
“Toshkent irrigatsiya va qishloq xo’jaligini mexanizatsiyalash muhandislari” Milliy
tadqiqot universiteti, O’zbekiston
Najmiddinov Ahliddin Sirojiddin o’g’li
“Toshkent irrigatsiya va qishloq xo’jaligini mexanizatsiyalash muhandislari” Milliy
tadqiqot universiteti, O’zbekiston
Annotatsiya.
Mazkur ish tasvirlardagi obyektlar sifatini oshirish algoritmlarini tadqiq
qilishga bag‘ishlangan bo‘lib, unda tasvir yorqinligini tekislash, kontrastni kuchaytirish, shovqin
bostirish algoritmlari va ularni tavsiflari keltirilgan. Shuningdek, ishda tasvirdagi obyektlarni
aniqlash algoritmlari uchun zarur bo‘lgan dastlabki ma’lumotlar formati va ulardan tasvir sifatini
oshirish algoritmlarini formulalar orqali ifodalashda foydalanilgan. Tasvirlarga dastlabki ishlov
berishni ishda keltirilgan algoritmlarini qo‘llash bo‘yicha batafsil ma’lumotlar berilgan.
Kalit so‘zlar:
tasvir sifati, raqamli tasvir, shovqin, kontrast, gistogramma, nochiziqli filr,
median, ravshanlik, piksel, yorqinlik.
Ko‘p hollarda olingan tasvir qoniqarsiz sifati sababli tasvirdagi mavjud obyektlarni
to‘g‘ridan-to‘g‘ri tahlil qilish imkoni bo‘lmaydi. Ayrim hollarda turli apparat, muhit va tashqi
omillar natijasida tasvir sifati buzilishi mumkin [1]. Shuning uchun, tahlil qilishdan oldin tasvir
vizual sifatni yaxshilash bo‘yicha bajariladigan amallardan iborat tayyorgarlik bosqichidan
o‘tkazilishi kerak. Bunda algoritmlarning maqsadi ko‘rish natijalarini yetarli darajada oshirish
uchun tasvir sifatini yaxshilash, tasvirdagi o‘rganilishi zarur bo‘lgan obyektlar orasidagi farqni
oshirish hisoblanadi.