12
kontrastni sozlash va tasvirni normallashtirish kabi operatsiyalarni o'z ichiga olishi
mumkin.
2.1.7. 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.
2.1.8. 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.
2.1.9. 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.
2.1.10.
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.
2.1.11.
Optik
belgilarni
aniqlash
(OCR):
OCR
tasvirlarni
raqamlashtirishning o'ziga xos ilovasi bo'lib, u tasvirlardan matn olishga
13
qaratilgan. OCR algoritmlari tasvirlardagi matnni mashinada o'qiladigan formatga
aylantirish uchun belgilarni aniqlash, matnni mahalliylashtirish va matn
segmentatsiyasi kabi usullardan foydalanadi.
2.1.12. 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.
2.1.13. 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.
2.1.14.
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.
2.1.15. 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.
2.1.16. Tasvirni tiklash (Image Restoration): Tasvirni
tiklash algoritmlari
shovqinni kamaytirish, xiralikni olib tashlash yoki tasvir buzilishlarining boshqa
14
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.
2.1.17. 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.
