2025 -Yil
13-Fevral
RAQAMLI DUNYO: MATEMATIK VA INFORMATIK
YONDASHUVLAR
Respublika ilmiy-uslubiy konferensiyasi
69
3-SHU’BA.
KELAJAK TEXNOLOGIYALARI VA ULARNING INTEGRATSIYASI
TASVIR SIFATINI BAHOLASH ALGORITMI
Jumayev Bobur Juma o’g’li
Ziyadullaev Davron Shamsievich
"Toshkent irrigatsiya va qishloq xoʻjaligini mexanizatsiyalash muhandislari instituti"
milliy tadqiqot universiteti.
Email:
jbobur707@gmail.com
https://doi.org/10.5281/zenodo.14845824
Annotatsiya.
Tasvir sifatini baholash algoritmlari raqamli tasvirlarni qayta ishlash va
siqish jarayonlarida muhim ahamiyatga ega. Ushbu maqolada tasvir sifatini baholash usullari,
ularning afzalliklari va kamchiliklari hamda zamonaviy algoritmlar muhokama qilinadi.
Subyektiv va obyektiv baholash usullarining farqlari, sifat mezonlari va tasvir sifatini
oshirishga qaratilgan metodlar tahlil qilinadi. Shuningdek, chuqur o‘rganish va sun’iy intellekt
yondashuvlarining tasvir sifatini baholash jarayoniga qo‘shayotgan hissasi ko‘rib chiqiladi.
So‘nggi ilmiy ishlanmalarga asoslangan yangi algoritmlar va ularning amaliy qo‘llanilishi
haqida batafsil ma’lumot beriladi.
Kalit so‘zlar
: tasvir sifati, obyektiv baholash, subyektiv baholash, siqish, sun’iy intellekt,
chuqur o‘rganish, generativ neyron tarmoqlar, transformerlar.
Kirish.
Tasvir sifatini baholash muammosi raqamli tasvirlarni qayta ishlash sohasida
dolzarb masalalardan biri hisoblanadi. Tasvir sifati inson ko‘zi tomonidan baholanadigan
subyektiv metodlar bilan yoki matematik hisob-kitoblarga asoslangan obyektiv metodlar orqali
aniqlanadi. Obyektiv metodlarning avtomatlashtirilganligi va subyektiv baholash bilan bog‘liq
cheklovlarni yengib o‘tish imkoniyati ularni amaliyotda keng qo‘llashga sabab bo‘lmoqda.
So‘nggi yillarda transformer arxitekturalari va generativ neyron tarmoqlari tasvir sifatini
baholashda yuqori samaradorlik ko‘rsatmoqda.
Tasvir sifatini baholash usullari
Tasvir sifatini baholash usullari quyidagi asosiy turlarga bo‘linadi:
Subyektiv baholash
: Foydalanuvchilarning fikr-mulohazalariga asoslangan metod bo‘lib,
inson ko‘zi tomonidan tasvir sifati baholanadi.
Obyektiv baholash
: Matematik modellar yordamida tasvir sifatini baholash.
o
To‘liq ma’lumotga ega obyektiv baholash
(Full Reference, FR): Bunda asl tasvir va
qayta ishlangan tasvir taqqoslanadi.
o
Qisman ma’lumotga ega obyektiv baholash
(Reduced Reference, RR): Faqatgina
muayyan xususiyatlar solishtiriladi.
o
Ma’lumotsiz obyektiv baholash
(No Reference, NR): Faqatgina qayta ishlangan tasvirga
asoslanadi.
Zamonaviy algoritmlar va yondashuvlar
So‘nggi yillarda tasvir sifatini baholashda sun’iy intellekt va chuqur o‘rganish asosidagi
yondashuvlar keng qo‘llanmoqda. Eng mashhur algoritmlar qatoriga quyidagilar kiradi:
PSNR (Peak Signal-to-Noise Ratio)
– asosiy obyektiv baholash usullaridan biri bo‘lib,
signal va shovqin nisbatini o‘lchaydi.
2025 -Yil
13-Fevral
RAQAMLI DUNYO: MATEMATIK VA INFORMATIK
YONDASHUVLAR
Respublika ilmiy-uslubiy konferensiyasi
70
SSIM (Structural Similarity Index)
– tasvirning strukturaviy o‘xshashligini aniqlaydi.
FSIM (Feature Similarity Index)
– tasvirning xususiyatlarini taqqoslash orqali baholash
usuli.
LPIPS (Learned Perceptual Image Patch Similarity)
– chuqur o‘rganishga asoslangan
metod bo‘lib, inson ko‘zi qabul qiladigan o‘xshashlikni baholaydi.
Transformerlarga asoslangan baholash algoritmlari
– tasvirlarni kontekstual tahlil
qilish orqali yuqori aniqlik bilan baholash imkonini beradi.
Generativ modellar (GANs) yordamida baholash
– tasvir sifatini baholash va qayta
tiklash uchun generativ yondashuvlardan foydalaniladi.
Amaliy qo‘llanilish sohasi
Tasvir sifatini baholash algoritmlari quyidagi sohalarda qo‘llaniladi:
Raqamli media (foto va video siqish, qayta ishlash, tahrirlash):
Tasvir va video
fayllarni sifatini buzmasdan siqish usullari optimallashtirilmoqda. Yangi siqish algoritmlari
tarmoq orqali uzatiladigan ma'lumot hajmini kamaytirishga yordam beradi. Matnni fotosuratlar va
videoga integratsiya qilish sifati yaxshilanmoqda. Grafik muharrirlar orqali aniqroq tasvirlarni
qayta ishlash imkoniyati ortib bormoqda. Deep learning asosida tasvirlarni tiklash texnologiyalari
rivojlanmoqda.
Tibbiyot (tibbiy tasvirlarni tahlil qilish):
Rentgen va MRT tasvirlarini avtomatik analiz
qilish imkoniyatlari kengaymoqda. Tibbiy diagnostika tizimlari sun'iy intellekt yordamida
aniqlikni oshirmoqda. Tasvirlarni segmentatsiya qilish orqali aniq tashxis qo‘yish imkoni
oshmoqda. Aniqroq kasallik tahlili uchun turli modal tasvirlar birlashtirilmoqda. Biometrik
tahlillar yordamida tibbiy tasvirlar individual davolash usullariga yo‘naltirilmoqda.
Avtomatlashtirilgan monitoring va kuzatuv tizimlari:
Xavfsizlik tizimlari uchun aqlli
video monitoring tizimlari joriy etilmoqda. Avtomatlashtirilgan obyekt aniqlash texnologiyalari
takomillashmoqda. Yuzni tanib olish tizimlari xavfsizlik sohalarida keng foydalanilmoqda. Trafik
monitoringi orqali yo‘l harakati xavfsizligi nazorat qilinmoqda. Nomaqbul harakatlarni real vaqt
rejimida aniqlash tizimlari rivojlanmoqda.
Sun’iy intellekt asosidagi vizual tizimlar:
Ob'ektlarni aniqlash va tasniflash jarayonlari
sun'iy intellekt yordamida takomillashtirilmoqda. Obyektiv sifat baholash algoritmlari inson
sezgisiga yaqinlashmoqda. Vizual tahlil algoritmlarining ishonchliligi oshirilmoqda. O‘z-o‘zidan
o‘rganish qobiliyatiga ega tizimlar ishlab chiqilmoqda. Sun’iy intellektga asoslangan avtomatik
tasvir generatsiyasi yangi imkoniyatlarni ochmoqda.
O‘yin va virtual reallik tizimlari:
Haqiqiylikni oshirish uchun yuqori sifatli teksturalar
yaratish rivojlanmoqda. O‘yinlarda vizual effektlar sun'iy intellekt yordami bilan
avtomatlashtirilmoqda. Virtual reallik tizimlari tasvir sifatini baholash orqali moslashtirilmoqda.
Foydalanuvchilarning vizual tajribasini individualizatsiya qilish imkoni oshmoqda. O‘yin
grafikasining sifatini optimallashtirish orqali realistik tajriba yaratilmoqda.
Xulosa.
Tasvir sifatini baholash algoritmlari raqamli tasvirlarni qayta ishlash, siqish va
rekonstruksiya qilish jarayonlarida muhim ahamiyat kasb etadi. Zamonaviy yondashuvlar,
xususan, sun’iy intellekt va chuqur o‘rganish texnologiyalari, tasvir sifatini yanada aniqroq
baholash imkoniyatini beradi. Transformer arxitekturalari va generativ neyron tarmoqlarning joriy
etilishi sohada yangi istiqbollarni ochmoqda. Kelajakda bu sohada yanada samarali va aniqlikni
oshiruvchi modellar ishlab chiqilishi kutilmoqda.
2025 -Yil
13-Fevral
RAQAMLI DUNYO: MATEMATIK VA INFORMATIK
YONDASHUVLAR
Respublika ilmiy-uslubiy konferensiyasi
71
Adabiyotlar
1.
Wang, Z., Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. (2004). Image quality
assessment: From error visibility to structural similarity.
IEEE Transactions on Image
Processing
, 13(4), 600-612.
2.
Lin, H., & Kuo, C. C. J. (2011). Perceptual visual quality metrics: A survey.
Journal of
Visual Communication and Image Representation
, 22(4), 297-312.
3.
Zhang, L., Zhang, L., Mou, X., & Zhang, D. (2011). FSIM: A feature similarity index for
image quality assessment.
IEEE Transactions on Image Processing
, 20(8), 2378-2386.
4.
Johnson, J., Alahi, A., & Fei-Fei, L. (2016). Perceptual losses for real-time style transfer
and super-resolution.
Advances in Neural Information Processing Systems (NeurIPS)
.
5.
Mittal, A., Moorthy, A. K., & Bovik, A. C. (2012). No-reference image quality assessment
in the spatial domain.
IEEE Transactions on Image Processing
, 21(12), 4695-4708.
6.
Dosovitskiy, A., et al. (2020). An Image is Worth 16x16 Words: Transformers for Image
Recognition at Scale.
International Conference on Learning Representations (ICLR)
.
7.
Karras, T., Laine, S., & Aila, T. (2019). A Style-Based Generator Architecture for
Generative Adversarial Networks.
IEEE Transactions on Pattern Analysis and Machine
Intelligence
.
8.
Останов К. и др. Некоторые особенности изучения теорем сложения и умножения
вероятностей в школе //Academy. – 2019. – №. 11 (50). – С. 27-28.
9.
Останов К., Абсаломов Ш. К., Шукруллоев Б. Р. О. О методических особенностях
изучения квадратичных неравенств //Вопросы науки и образования. – 2018. – №. 11
(23). – С. 43-44.
10.
ШЕРДOР А., Шукруллoев Б. Mнoгoфактoрный экoнomетрический анализ в
рынoчнoй экoнomикеmнoгoфактoрный экoнomетрический анализ в рынoчнoй
экoнomике //Science and Society. – 2024. – Т. 1. – №. 7. – С. 19-26.
