|
Fanidan Mustaqil ish vazifasi
|
| bet | 7/9 | | Sana | 11.01.2024 | | Hajmi | 152,95 Kb. | | #135147 |
Bog'liq Nazmiddin Sirojiddinov Rustem ogli Tizim va Signallarni Qayta ishlash Mustaqil ishi 021-20 Abu ali ibn sino nomidagi buxoro davlat tibbiyot-hozir.org, Multimedia, Kommutatsiya texnikasi, Qarshi filiali kompyuter injiniringi fakulteti 3-bosqich k I – 1-fayllar.org, Nazmiddin Sirojiddinov Rustem ogli Tarmoq Xavfsizligi Laboratoriya ishi-1- 021-20, Nazmiddin Sirojiddinov Rustem ogli Tarmoq Xavfsizligi Laboratoriya ishi-2- 021-20, Muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari u, Nazmiddin Sirojiddinov Rustem ogli Tizim va Signallarni Qayta ishlash 3-topshiriq ishi 021-20, 1NnHi4FxRlx7s0Ngr1GbbWm42kVcF1GtNXvbir6T (1), chala, 1 Simsiz tarmoq haqida tushuncha 2 Wi-Fi texnologiyasi haqida-fayllar.org, Amaliy ish sirtqi AL, 1-kredit topshiriq (3) (3), Matematik statistika elemenlari. Emperik taqsimot funksiyasi va III. TASVIRLARGA ISHLOV BERISH ALGORITMI VA
AMALIYOTDA QO’LLANILISHI (JS KUTUBXONASIDA)
3.1 Tasvirlarga raqamli ishlov berish algoritmi
Tasvirlarga raqamli ishlov berish uchun bir nechta algoritmlar mavjud. Ba'zi ko'p paydo bo'lgan algoritmlardan ba'zilari quyidagilardir:
KNN (K-nearest neighbors): Bu algoritm tasvirni tahlil qilishda eng yaqin "k" ta o'qib chiqaruvchilarni tanlash asosida ishlaydi. Ushbu algoritmning asosiy qobiliyati, tasvirlarda o'xshashlikva o'xshashlikni aniqlashda yordam berishi.
CNN (Convolutional Neural Networks): Bu algoritm tasvirlarni tahlil qilishda neyron tarmog'i asosida ishlaydi. Ushbu algoritmning asosiy qobiliyati, tasvirlardagi o'xshashliklarni aniqlash uchun maxsus filtrlar va konvolutsiyalar yordamida tahlil qilishdir.
SVM (Support Vector Machines): Bu algoritm tasvirlarni tahlil qilishda ma'lumotlarning klassifikatsiyasi uchun ishlatiladi. Ushbu algoritm tasvirlardagi obyektlarni turli klasslarga bo'lish uchun qo'llaniladi.
Decision Trees: Bu algoritm tasvirlarni tahlil qilishda qarorlar qabul qilish uchun ishlatiladi. Ushbu algoritm tasvirning xususiyatlari asosida sharhlangan bir qarorlar ketma-ketligini tuzadi.
Deep Learning: Bu algoritm tasvirlarni tahlil qilishda katta miqdordagi ma'lumotni o'rganish va tasvirlarni avtomatik ravishda tahlil qilish uchun ishlatiladi. Ushbu algoritmning asosiy qobiliyati, neyron tarmog'i tuzish va o'rganish jarayonlarini o'z ichiga oladi.
Rasmga oldindan ishlov berish( Image Preprocessing): Asosiy raqamlashtirish algoritmlarini qo'llashdan oldin, ularning sifatini oshirish va tahlil qilish uchun qulayroq qilish uchun tasvirlarni oldindan qayta ishlash kerak bo'ladi. Oldindan ishlov berish texnikasi shovqinni kamaytirish, tasvir hajmini o'zgartirish,
kontrastni sozlash va tasvirni normallashtirish kabi operatsiyalarni o'z ichiga olishi mumkin.
Xususiyatlarni chiqarish (Feature Extraction): Xususiyatlarni ajratib olish tasvirni raqamlashtirishda muhim qadamdir. Bu keyingi tahlil qilish uchun ishlatilishi mumkin bo'lgan tasvirlardan mazmunli xususiyatlarni aniqlash va ajratib olishni o'z ichiga oladi. Bu funksiyalar aniq vazifaga qarab qirralar, burchaklar, teksturalar, rangli gistogrammalar yoki murakkabroq deskriptorlarni o'z ichiga olishi mumkin.
Neyron tarmoqlar ( Neural Networks): Neyron tarmoqlar, ayniqsa chuqur o'rganish modellari tasvirni raqamlashtirishda inqilob qildi. Konvolyutsion neyron tarmoqlari (CNN) tasvirlarni tasniflash, ob'ektlarni aniqlash va tasvirni segmentatsiyalash kabi vazifalar uchun keng qo'llaniladi. CNN tasvirlardan ierarxik tasvirlarni avtomatik ravishda o'rganish uchun mo'ljallangan, bu ularni tasvirni tahlil qilish uchun juda samarali qiladi.
Ob'ektni aniqlash (Object Detection and Recognition): Ob'ektni aniqlash algoritmlari tasvirlar ichidagi aniq ob'ektlarni aniqlash va joylashtirishga qaratilgan. Ob'ektni aniqlashning mashhur algoritmlari orasida Faster R-CNN, YOLO (You only Look bir marta) va SSD (Single Shot MultiBox Detector) mavjud. Ushbu algoritmlar ob'ektlarni aniq aniqlash va tasniflash uchun mintaqaviy taklif tarmoqlari va langar qutilari kabi usullardan foydalanadi.
Tasvir segmentatsiyasi (Image Segmentation): Tasvirni segmentatsiyalash algoritmlari tasvirni mazmunli hududlar yoki segmentlarga ajratadi. Ushbu jarayon ob'ektni kuzatish, tasvirni tahrirlash va tibbiy tasvirni tahlil qilish kabi vazifalar uchun foydalidir. Ommabop segmentatsiya algoritmlariga U- Net, Mask R-CNN va GrabCut kiradi, ular piksel klasterlash, grafiklarni kesish yoki chuqur o'rganishga asoslangan yondashuvlarni qo'llaydi.
Optik belgilarni aniqlash (OCR): OCR tasvirlarni raqamlashtirishning o'ziga xos ilovasi bo'lib, u tasvirlardan matn olishga qaratilgan. OCR algoritmlari tasvirlardagi matnni mashinada o'qiladigan formatga aylantirish uchun belgilarni aniqlash, matnni mahalliylashtirish va matn segmentatsiyasi kabi usullardan foydalanadi.
Generativ tarmoqlari (GANs): GANlar haqiqiy tasvirlarni yaratish uchun keng qo'llaniladigan neyron tarmoqlar sinfidir. Ular yangi tasvirlarni yaratadigan generator tarmog'idan va haqiqiy va yaratilgan tasvirlarni farqlashga harakat qiladigan diskriminator tarmog'idan iborat. GAN-larda tasvir sintezi, tasvirning o'ta aniqligi va tasvir uslubini uzatishda ilovalar mavjud.
Ma’lumotni uzatish (Transfer Learning): Ma’lumotni uzatish - bu ImageNet kabi katta ma'lumotlar to'plamlarida o'qitilgan CNN kabi oldindan o'rgatilgan modellar tasvirni raqamlashtirishning yangi vazifalari uchun boshlang'ich nuqta sifatida foydalaniladigan usul. Oldindan oʻrgatilgan modellardan oʻrganilgan xususiyatlardan foydalangan holda, uzatishni oʻrganish kichikroq maʼlumotlar toʻplamlarida tezroq va aniqroq oʻqitish imkonini beradi.
Baholash ko'rsatkichlari (Evaluation Metrics): Tasvirni raqamlashtirish algoritmlarining ishlashini baholashda vazifaga qarab turli baholash ko'rsatkichlari qo'llaniladi. Masalan, tasvirlarni tasniflashda aniqlik, aniqlik, eslab qolish va F1 ball kabi ko'rsatkichlar odatda qo'llaniladi. Ob'ektni aniqlash vazifalarida o'rtacha o'rtacha aniqlik (mAP) kabi ko'rsatkichlar qo'llaniladi.
Rasmni ro'yxatdan o'tkazish (Image Registration): Rasmni ro'yxatga olish - bu bir xil yoki ob'ektning bir nechta tasvirlarini umumiy koordinatalar tizimiga moslashtirish jarayoni. Ko'pincha tibbiy tasvirlash, masofadan zondlash va tasvirni tikish ilovalarida qo'llaniladi. Ro'yxatga olish algoritmlari tasvirlarni to'g'ri tekislash uchun xususiyatlarni moslashtirish, intensivlikka asoslangan usullar yoki geometrik o'zgarishlar kabi usullardan foydalanadi.
Tasvirni tiklash (Image Restoration): Tasvirni tiklash algoritmlari shovqinni kamaytirish, xiralikni olib tashlash yoki tasvir buzilishlarining boshqa
turlarini bartaraf etish orqali buzilgan tasvirlarni tiklash yoki yaxshilashga qaratilgan. Umumiy usullarga Gauss filtrlash kabi denoising algoritmlari, ko'r- ko'rona dekonvolyutsiya kabi noaniq algoritmlar va teskari muammolar va tartibga solishga asoslangan tiklash usullari kiradi.
Tasvirni siqish: Tasvirni siqish algoritmlari vizual sifatini saqlab, raqamli tasvirlarning hajmini kamaytiradi. Huffman kodlash va ish uzunligini kodlash kabi yo'qotishsiz siqish usullari aniq tasvir ma'lumotlarini saqlaydi. JPEG va MPEG kabi yo'qotilgan siqish usullari kamroq sezuvchanlik ahamiyatiga ega bo'lmagan tasvir tafsilotlarini tanlab tashlab, yuqori siqish nisbatlariga erishadi.
Ta'kidlash joizki, tasvirni raqamlashtirish - bu keng ko'lamli va rivojlanayotgan soha bo'lib, doimiy izlanishlar va yutuqlar. Chuqur o'rganish, kompyuterni ko'rish va sun'iy intellekt sohasidagi yutuqlarga asoslangan yangi algoritmlar, arxitekturalar va texnikalar paydo bo'lishda davom etmoqda. Ushbu yutuqlar tasvirlardan ma'lumotlarni tahlil qilish va olishning aniqroq, samarali va ko'p qirrali usullarini ta'minlaydi.
|
| |
