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.
180
Tasvirdagi obyektlarni aniqlash algoritmlari [2-6] uchun zarur bo‘lgan dastlabki
ma’lumotlar formatini aniqlash talab etiladi. Buning uchun har qanday
I
tasvirni
M
N
o‘lchovli matritsa sifatida ifodalash zarur. Bu yerda
M
– tasvirni vertikal o‘q bo‘yicha,
N
-
gorizontal o‘q bo‘yicha piksellari soni. Tasvir nuqtalari matritsa elementlari bo‘lib, uning birlik
nuqtasi
piksel deb ataladi. Har bir pikselni
,
x y
P
orqali belgilab olinadi, bunda
x
va
y
– piksel
koordinatalari yoki indekslari bo‘lib,
[0;
]
x
N
va
[0;
]
y
M
bo‘ladi. Ba’zan tasvirni dekart
koordinatalar tizimida tekshirish amalga oshiriladi, buning uchun
OX
va
OY
ortogonal
vektorlardan foydalaniladi. Bunda koordinata tizimi boshi (0,0) tasvir nuqtasiga, vektorlar
yo‘nalishi esa tasvir tomonlariga mos keladi. Ushbu yondashuv, tasvirni har bir nuqtasida piksel
yorqinligi gradientini hisoblash imkonini beradi va u ko‘plab algoritmlar asosini tashkil etadi.
Fon yorqinligini tekislash
.
Yorqinlikni tekislashni ikkita keng tarqalgan algoritmi
mavjud. Quyida ularni bayoni keltirilgan.
Bir jinsli bo‘lmagan ma’lum fonni inobatga olgan holda almashtirish.
Tasvirni
normallashtirish [7] ishda taklif etilgan formulalar asosida amalga oshiriladi, ya’ni:
,
,
,
,
,
,
,
,
,
'
/
,
'
/
,
'
/
F
F
F
x y
x y
x y
x y
x y
x y
x y
x y
x y
R
R
R
G
G
G
B
B
B
(1)
bu yerda
,
,
,
,
,
x y
x y
x y
R
G
B
,
,
,
,
' ,
' ,
'
x y
x y
x y
R
G
B
va
,
,
,
,
,
F
F
F
x y
x y
x y
R
G
B
-
(x,u) koordinatali piksel uchun
almashtirishdan oldin va keyingi bir jinsli bo‘lmagan fon rang kanallari qiymatlari,
– sozlash
koeffitsienti bo‘lib, u odatda o‘zgarmas va tajribalar asosida aniqlanadi.
ni aniqlashda
quyidagi formuladan foydalanish tavsiya etiladi:
,
,
,
,
,
,
255
3
F
F
F
x y
x y
x y
x y
x y
x y
R
G
B
R
G
B
.
Sirpanuvchi “oyna” asosida o‘rtacha hisoblash orqali fonni tekislash.
Usul tasvir
matritsasini elementlar bo‘yicha almashtirishga asoslangan bo‘lib, uning natijasida har bir piksel
yorqinligi uning atrofidagi piksellar yorqinligiga bog‘liq holda aniqlanadi. Almashtirishda
ishtirok etuvchi piksellar sonini aniqlaydigan lokal soha, ya’ni “oyna” o‘lchami tajribaviy
aniqlanadi va u tasvir uchun o‘ziga xos tanlanadi. Almashtirishlar quyidagi formulalar asosida
amalga oshiriladi:
,
,
,
,
,
,
'
,
'
,
'
,
x y
x y
x y
x y
x y
x y
R
R
G
G
B
B
(2)
0
0
,
,
,
1
,
,
,
1
(
)
1
,
(
)
M
N
j
j
j
x y
x y
x y
j
M N
j
j
j
x y
x y
x y
j
R
G
B
R
G
B
(3)
bu yerda
,
,
,
,
,
x y
x y
x y
R
G
B
va
,
,
,
' ,
' ,
'
x y
x y
x y
R
G
B
-
(x,u) koordinatali piksel uchun almashtirishdan
oldin va keyingi rang kanallari qiymatlari,
-
tasvir va oynaning barcha komponentlari uchun
nisbat qiymat,
,
M N
- tasvir,
0
0
,
M N
-
oyna o‘lchami.
Raqamli ishlov berish orqali tasvir har bir elementi yorqinligini o‘zgartirib, yorqinligi
oralig‘ini oshirish orqali kontrastni oshirish mumkin [8]. Ushbu algoritm elementlar bo‘yicha
almashtirish algoritmlariga xosdir [9]. Quyidagi formula almashtirish bo‘yicha bajariladi:
,
min
max
min
,
max
min
max
min
,
2
x y
x y
h
h
z
z
H
z
z
h
h
(4)
bu yerda
,
x y
h
va
,
x y
H
-
( , )
x y
koordinatali pikselning berilgan va olinadigan yorqinlik
qiymatlari,
max
min
,
h
h
va
max
min
,
z
z
- tasvir yorqinligi berilgan va zarur bo‘lgan oralig‘i minimal
va maksimal qiymatlari.
Filtrlash.
Shisha buyumdagi chang, dog‘ va qirilish kabi omillarni mavjudligi
o‘rganilishi zarur bo‘lgan tasvirni buzilishiga sababchi bo‘ladi. Bundan tashqari, shovqin tasvirni
“raqamlashtirish” jarayonida ham hosil bo‘lishi mumkin [10].
181
Chiziqli filtrlar
.
Tabiiy tasvirlarda odatda foydali ma’lumotlardan tashqari turli xil
shovqinlar mavjud bo‘ladi [11]. Faraz qilaylik,
( ,
)
f x y
–
,
x
y
-
koordinatali biron bir tasvir
bo‘lsin. Ushbu tasvirni butun sohasi bo‘ylab chiziqli almashtirishni quyidagicha ifodalash
mumkin:
,
', '
, , ', '
'
',
x y
H
x y h x y x y dx dy
(5)
bu yerda
,
x y
H
-
( ,
)
x y
nuqtadagi foydali signalni filtrlash natijasi,
, , ', '
h x y x y
–almashtirish
yadrosi yoki nuqta tarqalish funksiyasi.
Tasvirdagi shovqinni bartaraf etishda quyidagi chiziqli filtrlardan keng foydalaniladi.
1
2
3
1 1 1
1 2 1
2 1 1
1
1
1 2 1
2 4 2
1 2 1
16
14
1 1 1
1 2 1
2 1 2
F
F
F
Nochiziqli
filtrlar.
Yuqorida ko‘rib chiqilgan filtrlash
,
x y
H
filtrini chiqish qiymatlari
faqat maskani belgilangan parametrlari orqali aniqlanganligi bilan tavsiflandi. Shovqinni
bostirishda keng qo‘llaniladigan nochiziqli filtrga medianali filtr yaqqol misol bo‘ladi. Bunda
koordinatalari
( ,
)
x y
bo‘lgan pikselning
,
x y
H
yorqinligi oyna ichidagi mediana yorqinlik
qiymatiga teng o‘rnatiladi.
Ravshanlikni oshirish.
Raqamli tasvir ravshanligini oshirishni sirpanuvchi oynasi
yordamida amalga oshirish mumkin.
1
1
1
1
1 ,
1
1
1
F
X
(6)
bu yerda
X
– kontur kattaligini yaxshilashga ta’sir qiluvchi koeffitsient. Ushbu koeffitsient
dastlabki tasvirga ikkinchi yorqinlik hosilasi necha foiz qo‘shilganligini aniqlash imkonini beradi
va uni qiymati qanchalik katta bo‘lsa, shunchalik keskinlashuv ta’siri kuchsiz bo‘ladi.
Xulosa
Mazkur ishda tasvir sifatini oshirish algoritmlari tadqiq qilindi va ularni tasvirlarni qayta
ishlashdagi zarurligi asoslandi. Bunda asosan tasvirlardagi fon yorqinligini tekislash, kontrastni
normallashtirish, ravshanlikni oshirish, shovqin pasaytirishni turli algoritmlari o‘zlarini
matematik ifodalari bilan birga berildi. Shuningdek, tasvirdagi obyektlarni aniqlash algoritmlari
uchun zarur bo‘lgan dastlabki ma’lumotlar formati namuna sifatida keltirildi.
Fon yorqinligini tekislashni ikkita keng tarqalgan bir jinsli bo‘lmagan ma’lum fonni
inobatga olgan holda almashtirish va sirpanuvchi “oyna” asosida o‘rtacha hisoblash orqali fonni
tekislash algoritmlari tasvirdagi piksellar yorqinligini almashtirish orqali umumiy tasvir
yorqinligini tekislashni ta’minlaydi. Tasvirni “raqamlashtirish” jarayonida hosil bo‘ladigan
shovqin chiziqli yoki nochiziqli filtrlar orqali tasvirdan bartaraf etilishi mumkin. Shuningdek,
ishda sirpanuvchi oynadan foylanish orqali tasvir ravshanligini oshirish mumkinligi
ta’kidlangan. Tasvirni yuqorida keltirilgan bosqichlarni hammasidan o‘tkazish tasvir sifatini
oshirishni va tasvirlarga ishlov berishda navbatdagi bosqichlarni aniqligini oshirishni
ta’minlaydi.
Foydalanilgan adabiyotlar ro’yxati
1.
Маматов, Н., Султанов, П., Жалелова, М., & Тожибоева, Ш. (2023). Критерии оценки
качества
медицинских
изображений,
полученных
на
мультиспиральном
компьютерном томографе. Евразийский журнал математической теории и
компьютерных наук, 3(9), 27-37.
2.
Mamatov,
N.,
Jalelova,
M.,
&
Samijonov,
B.
(2024).
Tasvir
obyektlarini
segmentatsiyalashning mintaqaga asoslangan usullari. Modern Science and Research, 3(1),
1-4.
https://inlibrary.uz/index.php/science-research/article/view/28241
182
3.
Mamatov, N., Jalelova, M., Samijonov, B., & Samijonov, A. (2024). Algorithms for contour
detection in agricultural images. In E3S Web of Conferences (Vol. 486, p. 03017). EDP
Sciences. https://doi.org/10.1051/e3sconf/202448603017
4.
Mamatov, N., Jalelova, M., Samijonov, B., & Samijonov, A. (2024). Algorithm for
extracting contours of agricultural crops images. In ITM Web of Conferences (Vol. 59, p.
03015). EDP Sciences.
5.
Solidjonovich, M. N., Qizi, J. M. M., Qizi, T. S. X., & O’G’Li, S. B. N. (2023). SUN’IY
YO’LDOSHDAN OLINGAN TASVIRDAGI DALA MAYDONI CHEGARALARINI
ANIQLASH USULLARI. Al-Farg’oniy avlodlari, 1(4), 177-181.
6.
Маматов, Н., Рахмонов, Э., Самижонов, А., Жалелова, М., & Самижонов, Б. (2023).
ТАСВИРДАГИ
МИКРОСКОПИК
ОБЪЕКТЛАРНИ
ТАНИБ
ОЛИШ
АЛГОРИТМЛАРИ. Евразийский журнал математической теории и компьютерных
наук, 3(11), 7-13.
7.
Mamatov, N. S., Pulatov, G. G., & Jalelova, M. M. (2023). Image contrast enhancement
method and contrast evaluation criteria optimal pair. Digital Transformation and Artificial
Intelligence, 1(2).
8.
Mamatov, N. S., Niyozmatova, N. A., Jalelova, M. M., Samijonov, A. N., & Tojiboyeva, S.
X. (2023). Methods for improving contrast of agricultural images. In E3S Web of
Conferences
(Vol.
401,
p.
04020).
EDP
Sciences.
https://doi.org/10.1051/e3sconf/202340104020
9.
Маматов, Н., & Джалелова, М. (2023). Tasvir shovqinlari tahlili. Информатика и
инженерные технологии, 1(2), 113-115.
10.
Mamatov, N. S., Jalelova, M. M., Samijonov, A. N., & Samijonov, B. N. (2024, February).
Algorithm for improving the quality of mixed noisy images. In Journal of Physics:
Conference Series (Vol. 2697, No. 1, p. 012013). IOP Publishing. https://doi.org/
10.1088/1742-6596/2697/1/012013
11.
Mamatov, N., Sultanov, P., Jalelova, M., & Samijonov, A. (2023). 2D image processing
algorithms for kidney transplantation. Scientific Collection «InterConf», (184), 468-474.
MASHINALARNI OʻQITISH VA NEYRON TARMOQLARIDA TRANSFORMER
MODELI
Madaminjonov Akbarjon Dilshod oʻgli
Namangan davlat universiteti 2-kurs tayanch doktaranti
madaminjonovakbarjon529@gmail.com
Annotatsiya:
Ushbu tezisda hozirgi kunda keng tarqalgan neyron tarmoqlari va
mashinalarni oʻqitishda transformer modeli koʻrib chiqilgan. Transformer neyron tarmoq
modelining, tarixi, kamchiliklari, tibbiyot hamda tabiiy tilni qayta ishlashda qoʻllanilishi hamda
erishilgan natijalar haqida toʻxtalib oʻtilgan, shuningdek ushbu modelning kelajakdagi
istiqbollariga ham toʻxtalib oʻtilgan.
Kalit soʻzlar:
Sunʻiy intellekt (AI), Sunʻiy neyron tarmoqlari(ANN), simulyatsiya
qilingan neyron tarmoqlari (SNN), Transformers Neural Network (TNN).
Kirish.
Transformer modeli tabiiy tilni qayta ishlash (Neural Language Processing)
hamda tibbiy tasvirlarni qayta ishlash sohalarida juda katta yutuqlrga erishdi. Transformer
jumladagi soʻzlar orasidagi uzoq muddatli bogʻliqlikni oʻrgana olganligi tufayli mashinaning
tarjimasi, savollarga javob berish, matnni umumlashtirish, hissiyotlarni tovush orqali aniqlash
vazifalari uchun kuchli model hisoblanadi.
Sunʻiy neyron tarmoqlari (ANN) yoki simulyatsiya qilingan neyron tarmoqlari (SNN)
sifatida atash mumkin boʻlgan neyron tarmoqlar mashinani oʻrganishning muhim bir qismi
boʻlib, chuqur oʻrganish algoritmlarining markazida joylashgan[1].
