Tasvirni segmentlash algoritmlari | Новый Узбекистан: наука, образование и инновации

Tasvirni segmentlash algoritmlari

  • Национальный исследовательский университет "Ташкентский институт инженеров ирригации и механизации сельского хозяйства"
  • Национальный исследовательский университет "Ташкентский институт инженеров ирригации и механизации сельского хозяйства"
CC BY f
176-179
3
Поделиться
Маматов, Н., & Файзиев, В. (2024). Tasvirni segmentlash algoritmlari . Новый Узбекистан: наука, образование и инновации, 1(1), 176–179. извлечено от https://inlibrary.uz/index.php/new-uzbekistan/article/view/32152
Нарзулло Маматов, Национальный исследовательский университет "Ташкентский институт инженеров ирригации и механизации сельского хозяйства"
заведующий кафедрой, доктор технических наук, профессор.
Вохид Файзиев, Национальный исследовательский университет "Ташкентский институт инженеров ирригации и механизации сельского хозяйства"
ассистент
0
Цитаты
Crossref
Сrossref
Scopus
Scopus

Аннотация

Tasvimi segmentlash texnologiyasi tibbiy tasvirlarga ishlov berish, yuzni tanib olish, piyodalami aniqlash. qo‘riqlash tizimlari kabilarda keng qo’llaniladi. Bugungi kunda tasvimi 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 ulami yutuq va kamchiliklarini bayon etilgan.


background image

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

m_narzullo@mail.ru

Fayziev Voxid Orzumurod o‘gli

“Toshkent irrrigatsiya va qishloq xo‘jaligini mexanizatsiyalash muhandislari instituti”

Milliy tadqiqot universiteti, assistent

fayziyevohid@gmail.com

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


background image

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


background image

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


background image

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

m_narzullo@mail.ru

Erejepov Kewlimjay Kaymatdinovich

“Toshkent irrigatsiya va qishloq xo’jaligini mexanizatsiyalash muhandislari” Milliy

tadqiqot universiteti, O’zbekiston

e_keulimjay@mail.ru

Zarat Soumaya

“Toshkent irrigatsiya va qishloq xo’jaligini mexanizatsiyalash muhandislari” Milliy

tadqiqot universiteti, O’zbekiston

zarat.soumaya.2000@gmail.com

Najmiddinov Ahliddin Sirojiddin o’g’li

“Toshkent irrigatsiya va qishloq xo’jaligini mexanizatsiyalash muhandislari” Milliy

tadqiqot universiteti, O’zbekiston

najmiddinov_04@gmail.com

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.

Библиографические ссылки

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

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.

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.

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.

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.

inLibrary — это научная электронная библиотека inConference - научно-практические конференции inScience - Журнал Общество и инновации UACD - Антикоррупционный дайджест Узбекистана UZDA - Ассоциации стоматологов Узбекистана АСТ - Архитектура, строительство, транспорт Open Journal System - Престиж вашего журнала в международных базах данных inDesigner - Разработка сайта - создание сайтов под ключ в веб студии Iqtisodiy taraqqiyot va tahlil - ilmiy elektron jurnali yuridik va jismoniy shaxslarning in-Academy - Innovative Academy RSC MENC LEGIS - Адвокатское бюро SPORT-SCIENCE - Актуальные проблемы спортивной науки GLOTEC - Внедрение цифровых технологий в организации MuviPoisk - Смотрите фильмы онлайн, большая коллекция, новинки кинопроката SMARTY - Увеличение продаж вашей компании ELECARS - Электромобили в Ташкенте, Узбекистане CHINA MOTORS - Купи автомобиль своей мечты! PROKAT24 - Прокат и аренда строительных инструментов