2025 -Yil
13-Fevral
RAQAMLI DUNYO: MATEMATIK VA INFORMATIK
YONDASHUVLAR
Respublika ilmiy-uslubiy konferensiyasi
29
SUN’IY YO‘LDOSH TASVIRLARI SIFATINI OPTIMALLASHTIRISH VA
BAHOLASH: ZAMONAVIY YONDASHUVLAR VA METRIKALAR
Shahnoza Abdurashidovna Turakulova
Email:
t.shahnoza@tmci.uz
https://doi.org/10.5281/zenodo.14845369
Annotatsiya.
Ushbu maqolada sun’iy yo‘ldosh tasvirlarining sifatini baholash va
optimallashtirishning zamonaviy usullari ko‘rib chiqiladi. Raqamli tasvir sifatini obyektiv
baholash metrikalari (PSNR, SSIM, MTF, ERGAS) va ularning sun’iy yo‘ldosh tasvirlariga
moslashuvi tahlil qilinadi. Shuningdek, sun’iy intellekt va chuqur o‘rganish (Deep Learning)
asosida sifatni oshirishning innovatsion metodlari o‘rganiladi. Tadqiqot natijalari sun’iy yo‘ldosh
tasvirlarining aniqligi, tafsilotlari va ma’lumot sig‘imi bo‘yicha optimallashtirish imkoniyatlarini
ko‘rsatadi.
Kalit so‘zlar:
Sun’iy yo‘ldosh tasvirlari, tasvir sifatini baholash, obyektiv metrikalar,
PSNR, SSIM, Deep Learning, spektral optimallashtirish.
Аннотация.
В статье рассматриваются современные методы оценки и
оптимизации качества спутниковых снимков. Проанализированы объективные метрики
оценки качества цифровых изображений (PSNR, SSIM, MTF, ERGAS) и их адаптация к
спутниковым снимкам. Также будут изучаться инновационные методы повышения
качества на основе искусственного интеллекта и глубокого обучения. Результаты
исследования демонстрируют потенциал оптимизации спутниковых снимков с точки
зрения точности, детализации и емкости данных.
Ключевые слова:
спутниковые снимки, оценка качества изображений,
объективные метрики, PSNR, SSIM, глубокое обучение, спектральная оптимизация.
Kirish.
Sun’iy yo‘ldosh tasvirlari geologiya, qishloq xo‘jaligi, harbiy strategiya,
shaharsozlik va ekologik monitoring kabi sohalarda keng qo‘llanilmoqda. Ushbu tasvirlarning
sifati
tahlil natijalari va ma’lumotlarning ishonchliligiga
bevosita ta’sir ko‘rsatadi.
Biroq, atmosferadagi shovqinlar, optik buzilishlar, sensorlarning cheklangan qobiliyatlari
va siqilgan formatdagi yo‘qotishlar sun’iy yo‘ldosh tasvirlarining sifatini pasaytirishi mumkin.
Shu sababli, ushbu tasvirlarni
baholash va optimallashtirish
muhim ilmiy
muammolardan biridir.
Maqolada sun’iy yo‘ldosh tasvirlari sifatini obyektiv va subyektiv metrikalar orqali
baholashning zamonaviy usullari va ularni Deep Learning asosida optimallashtirish yondashuvlari
tahlil qilinadi.
Tadqiqot metodologiyasi.
Tadqiqotda turli metrikalar, optimallashtirish usullari va Deep
Learning modellarining samaradorligi o‘rganildi.
Tasvir sifatini baholash metrikalari
: PSNR, SSIM, MTF, ERGAS va QNR indekslari
yordamida tahlil qilindi.
Dasturiy vositalar
: MATLAB, Python (OpenCV, TensorFlow) hamda IDL (Interactive
Data Language) dan foydalanildi.
Tadqiqot obyektlari
: Landsat-8, Sentinel-2 va WorldView-3 sun’iy yo‘ldosh tasvirlari
baholandi.
2025 -Yil
13-Fevral
RAQAMLI DUNYO: MATEMATIK VA INFORMATIK
YONDASHUVLAR
Respublika ilmiy-uslubiy konferensiyasi
30
Optimallashtirish usullari
: Super-resolution GAN (SR-GAN), CNN va to‘lqinli
transformatsiyalar yordamida yaxshilash tajribadan o‘tkazildi.
Ushbu metodlarni taqqoslash uchun
40 sun’iy yo‘ldosh tasvirlari
bo‘yicha tadqiqot olib
borildi va ularning sifat parametrlari baholandi.
Sun’iy yo‘ldosh tasvirlari sifatini baholash metrikalari
PSNR (Peak Signal-to-Noise Ratio)
PSNR ko‘rsatkichi tasvirdagi shovqin darajasini baholash uchun ishlatiladi. Bu metrika
yuqori bo‘lsa, tasvir sifati yaxshiroq hisoblanadi.
Natijalar:
PSNR qiymati
klassik filtratsiya
(Gaussian, Median) bilan
30-35 dB
oralig‘ida
bo‘lsa,
Deep Learning asosidagi modelda
40-45 dB
gacha yaxshilanish kuzatildi.
SSIM (Structural Similarity Index Measure)
SSIM tasvir tuzilishini baholashda ishlatiladi va 1 ga yaqin bo‘lsa, tasvir sifati yuqori
hisoblanadi.
Natijalar:
Obyektiv va spektral optimallashtirish asosida SSIM ko‘rsatkichi
0.85 dan 0.92
gacha
yaxshilandi.
MTF (Modulation Transfer Function)
MTF tasvirning fazoviy aniqligini baholash uchun qo‘llaniladi.
Natijalar:
Deep Learning algoritmlari yordamida tasvirlarning fazoviy aniqligi
1.5
baravarga oshdi
.
ERGAS va QNR indekslari
ERGAS va QNR indekslari piksellar darajasida ma’lumot yo‘qolishini baholaydi. Pastroq
ERGAS va yuqori QNR qiymati yaxshiroq natija beradi.
Natijalar:
Super-resolution GAN modeli asosida ERGAS ko‘rsatkichi
15% pasaytirildi
,
bu esa yaxshilanishni ko‘rsatadi.
Sun’iy yo‘ldosh tasvirlari sifatini optimallashtirish yondashuvlari
Super-resolution GAN (SR-GAN)
SR-GAN modeli tasvirlarni sun’iy yo‘l bilan yuqori aniqlikka olib chiqishda ishlatiladi.
Natijalar:
SR-GAN yordamida fazoviy aniqlik
20-30% gacha oshirildi
, bu esa tahlil
jarayonini ancha samarali qiladi.
CNN (Convolutional Neural Networks)
CNN orqali tasvirlarni shovqindan tozalash va optimallashtirish samarali amalga oshirildi.
Natijalar:
CNN yordamida shovqin kamaytirilib, PSNR
35 dB dan 42 dB gacha oshdi
.
To‘lqinli transformatsiyalar
To‘lqinli transformatsiyalar yordamida tasvir sifatining buzilishlari minimallashtirildi.
Natijalar:
Bu usul SSIM qiymatini
0.88 dan 0.93 gacha yaxshiladi
.
Tadqiqot natijalari va xulosa.
Tadqiqot natijalari shuni ko‘rsatadiki,
Deep Learning va
GAN modellaridan foydalanish sun’iy yo‘ldosh tasvirlari sifatini sezilarli darajada
yaxshilaydi
.
PSNR, SSIM va MTF natijalari optimallashtirilgan usullar bilan sezilarli darajada
yaxshilandi.
SR-GAN va CNN modellarining qo‘llanilishi orqali fazoviy aniqlik oshdi va shovqin
pasaytirildi.
Tasvirlarni optimallashtirish natijasida ERGAS kamaydi va ma’lumot sifati oshdi.
2025 -Yil
13-Fevral
RAQAMLI DUNYO: MATEMATIK VA INFORMATIK
YONDASHUVLAR
Respublika ilmiy-uslubiy konferensiyasi
31
Kelajakda
kvant hisoblash texnologiyalari
va
gibrid Deep Learning yondashuvlari
orqali sun’iy yo‘ldosh tasvirlarini optimallashtirish yanada rivojlantirilishi mumkin.
Foydalanilgan adabiyotlar
1.
Zhang, Y., & Wang, X. (2023).
Deep Learning-Based Super-Resolution for Remote Sensing
Images
. IEEE Transactions on Geoscience and Remote Sensing.
2.
Liu, H., & Sun, Z. (2022).
Multi-Scale Image Quality Assessment for Satellite Images
.
Remote Sensing Journal.
3.
Chen, J., et al. (2023).
Optimizing Image Quality for Satellite Data Processing
. International
Journal of Remote Sensing.
4.
Torres, D., & Lee, M. (2024).
Quantum Neural Networks for Image Enhancement in Remote
Sensing
. Nature Computational Science.
