Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
158
Рис.1. Изменение концентрации вредных частиц со временем: при направлении
ветра а) 40º и б) 86
º
,
u=8 м/с, v=4 м/с, w=0,8 м/с
Из результатов анализа временной динамики распространения загрязняющих веществ
следует, что с течением времени загрязнители активно рассеиваются и зона их
распространения значительно увеличивается. Влияние направления ветра на распределение
загрязнений особенно заметно, при этом изменения концентрации и формы зоны
загрязнения во времени показывают, как турбулентность и вертикальные потоки воздуха
способствуют более быстрому рассеиванию частиц. Эти наблюдения подчеркивают
важность учета метеорологических условий при моделировании и прогнозировании
воздействия промышленных выбросов на атмосферу.
Разработанная математическая модель и численный алгоритм представляют собой
эффективные инструменты для анализа и прогнозирования распространения загрязнителей
в атмосфере. Эти инструменты учитывают различные факторы, такие как взаимодействие
загрязняющих веществ с растительностью, изменения атмосферных условий и
турбулентности, что позволяет детализированно моделировать динамику загрязнений.
Полученные результаты помогают формировать научную основу для разработки новых
подходов к управлению экологическими рисками, связанными с промышленными
выбросами, и способствуют оптимизации размещения промышленных объектов в регионе,
предотвращая экологические и чрезвычайные ситуации.
Список литературы
1. Михайлюта C.B., Леженин A.A., Тасейко О.В., Битехтина М.А. Экологическая
индустрия: ветровые потоки в городской застройке Красноярска // Инженерная экология.
2012. No3. С. 26-37.
2. Локощенко, М.А., Еланский, Н.Ф., Трифанова, А.В. Влияние метеорологических
условий на загрязнение воздуха в Москве // Экология человека Вестник Российской
Академии естественных наук 2014 №1 с. 64-67
3. Равшанов Н., Таштемирова Н., Убайдуллаев М.Ш. Математическая модель для
анализа динамики аэрозольных и пылевых частиц в воздушной среде // Информационные
технологии моделирования и управления. – 2025. – No 1(139). – С. 29-41.
4. Таштемирова Н. Математическая модель и численный алгоритм для исследования
процесса распространения пылевых и мелкодисперсных аэрозолей в атмосфере //
Проблемы вычислительной и прикладной математики. –2025. –No1(63).– С. 57-76
RAQAMLI VIDEO TASVIRNI QAYTA ISHLASHGA ZAMONAVIY
YONDASHUVLAR TAHLILI
Xudayberdiyev Mirzaakbar Xakkulmirzayevich
Toshkent Axborot texnologiyalari universiteti professori, t.f.d.
To‘xtasinova Ra’noxon G‘anijonovna
Toshkent davlat agrar universiteti
Annotatsiya:
Ushbu maqola raqamli video tasvirlarni qayta ishlash - bu videolarning sifatini
yaxshilash, tasvirlarni optimallashtirish va tahlil qilish jarayonlarini o‘z ichiga oladi. Maqolada
zamonaviy texnologiyalar, xususan, sun’iy intellekt va mashinaga o‘qitish asosidagi usullar,
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
159
shuningdek, videolarda shovqinlarni kamaytirish, tasvirni tiklash, rangni to‘g‘rilash va video
siqishni takomillashtirish kabi yondashuvlar ko‘rib chiqiladi.
Kalit so‘zlar:
Raqamli video, video tasvir, videoni siqish, video tasvirni formatlash, videoni
dekodlash, videoni filtrlash, video stabilizatsiyasi, tasvirni optimallashtirish
АНАЛИЗ СОВРЕМЕННЫХ ПОДХОДОВ К ОБРАБОТКЕ ЦИФРОВЫХ
ВИДЕОИЗОБРАЖЕНИЙ
Аннотация:
В статье рассматривается цифровая обработка видеоизображений -
процессы улучшения качества видео, оптимизации изображений и их анализа. В статье
рассматриваются современные технологии, в частности методы, основанные на
искусственном интеллекте и машинном обучении, а также такие подходы, как снижение
шума в видео, восстановление изображений, цветокоррекция и улучшение сжатия видео.
Ключевые слова:
Цифровое видео, видеоизображение, сжатие видео,
форматирование видеоизображения, декодирование видео, фильтрация видео,
стабилизация видео, оптимизация изображения
ANALYSIS OF MODERN APPROACHES TO DIGITAL VIDEO IMAGE
PROCESSING
Abstract
: This article covers the process of improving the quality of videos, optimizing and
analyzing images. The article reviews modern technologies, in particular, methods based on
artificial intelligence and machine learning, as well as approaches such as reducing noise in videos,
image restoration, color correction and improving video compression.
Keywords:
Digital video, video image, video compression, video image formatting, video
decoding, video filtering, video stabilization, image optimization
Kirish.
Bugungi kunda raqamli texnologiyalarning jadal rivojlanishi va video kontentning
kundalik hayotimizdagi roli tobora ortib bormoqda. Raqamli video tasvirlarni qayta ishlash,
ayniqsa, video sifatini yaxshilash, tasvirlarni tahlil qilish va optimallashtirish masalalari ko‘plab
sohalarda, jumladan, telekommunikatsiya, tibbiyot, xavfsizlik, multimedia va sun’iy intellekt (AI)
sohalarida katta ahamiyatga ega. Zamonaviy texnologiyalar, xususan, sun’iy intellekt, mashinani
o‘qitish va chuqur o‘rganish (deep learning) usullari yordamida video tasvirlarni qayta ishlashda
yangi imkoniyatlar yaratmoqda. Raqamli video tasvirlarni qayta ishlash jarayoni tasvirlarning
sifatini yaxshilash, shovqinlarni kamaytirish, video kontentni siqish, tasvirni tiklash, rangni
to‘g‘rilash va videolarda predmetlarni aniqlash kabi muhim vazifalarni o‘z ichiga oladi. Bunday
texnologiyalarning qo‘llanilishi nafaqat ilmiy-tadqiqot ishlarida, balki amaliy sohalarda ham
samarali natijalar beradi. Masalan, tibbiyotda kasalliklarni aniqlashda, xavfsizlik sohasida yuzni
aniqlash va kuzatish tizimlarida, shuningdek, multimedialarning interaktivligi va vizual
imkoniyatlarini oshirishda raqamli video tasvirni qayta ishlashning roli ortib bormoqda.
Ushbu maqola raqamli video tasvirni qayta ishlashga oid zamonaviy yondashuvlar va
metodlarni tahlil qilishga bag‘ishlangan. Unda eng so‘nggi ilmiy va texnologik yutuqlar, shu
jumladan, chuqur o‘rganish algoritmlarining qo‘llanilishi, tasvirni aniqlash, tiklash va
optimallashtirish metodlari batafsil ko‘rib chiqiladi. Maqolada keltirilgan yondashuvlar nafaqat
texnologik rivojlanishning dolzarb yo‘nalishlarini, balki amaliy qo‘llanishi va kelajakda raqamli
video tasvirni qayta ishlash sohasidagi potensial imkoniyatlarni o‘rganishga qaratilgan.
Metod va materiallar.
Raqamli video tasvirni qayta ishlash (digital image processing)
sohasida zamonaviy yondashuvlar texnologiyaning rivojlanishi, sun’iy intellekt (AI) va mashinani
o‘qitish (machine learning) metodlarining keng qo‘llanilishi bilan ajralib turadi. Bu yondashuvlar
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
160
tasvirlarni yaxshilash, tahlil qilish, tanib olish va manipulyatsiya qilish jarayonlarini ancha
samarali va avtomatlashtirilgan bo‘ladi.
Tasvirga dastlabki ishlov berish - matematik va dasturiy usullardan foydalangan holda
tasvirlardan ma’lumotlarni tahlil qilish, o‘zgartirish va olish jarayoni bo‘lib, zamonaviy
yondashuvlar an’anaviy usullarini, mashinani o‘qitish algoritmlarini va modellarini o‘z ichiga
oladi. Tasvirlarni qayta ishlashning zamonaviy yondashuvlari zamonaviy mashinani o‘qitish
texnologiyalariga, shu jumladan chuqur neyron tarmoqlarga asoslangan. Tasvirni qayta
ishlashning klassik usullari pikselli ma’lumotlar bilan ishlaydigan algoritmlarga asoslanadi.
An’anaviy tasvirni qayta ishlash usullari matematik transformatsiyalar va pikselli
ma’lumotlar bilan bevosita ishlashga asoslangan va quyidagicha turlarga bo‘linadi:
Filtrlash
: shovqinni olib tashlash uchun loyqalash (masalan, Gauss filtri);
Aniqlik va kontrastni oshiradi. Gauss filtrida shovqinni olib tashlash uchun loyqalash
(filterlash) texnikasi mavjud bo‘lib, shovqinni kamaytirish va tasvirni silliqlash uchun ishlatiladi.
Gauss filtri tasvirni silliqlab, shovqinni bartaraf etadi, lekin shu bilan birga tasvirning nozik
detallarini ham yoqotishi mumkin. Gauss filtri bilan ishlash uchun quyidagi usulni qo‘llash
mumkin:
Gauss tarqatish funksiyasi: Gauss filtri o‘z ichiga olgan funksiyaning asosiy usuli — bu
tasvirni o‘zgartirishda, ya’ni, har bir pikselni o‘zgartirishda, ob’yekt atrofidagi piksel
qiymatlarining tarqatilgan (yoki statistik) taqsimotidan foydalanish.
Filtr: Gauss tarqatish funksiyasi (yoki Gauss taqsimoti) statistika normal taqsimot deb
yuritiladi. Gauss tarqatish funksiyasining matematik ifodasi quyidagicha:
𝐺(𝑥, 𝑦) =
1
2𝜋𝜎
2
∙ 𝑒𝑥𝑝 (−
𝑥
2
+𝑦
2
2𝜎
2
)
,
(1)
bu yerda
𝐺(𝑥, 𝑦) −
𝑥
qiymatning ehtimoliy
𝑦
qiymatiga mos kelishi,
𝑦
-o‘rtacha qiymat,
𝜎
-
standart og‘ishi,
𝑒𝑥𝑝
- eksponensial funktsiya.
Gauss filtri:
1.
Simmetrik bo‘lishi: Gauss tarqalishi
𝑦
(o‘rtacha qiymat) atrofida simmetrik bo‘ladi, ya’ni
o‘rtacha qiymatga qarshi bo‘lgan qiymatlar bir xil ehtimollikka ega;
2.
Kenglik:
𝜎
qiymatlari bilan tarqalishi;
3.
Ehtimollikni zichligi:
𝑦
atrofida.
Tasvirni silliqlashda Gauss filtri muhim o‘rin egallaydi (2).
[
1
16
2
16
1
16
2
16
4
16
2
16
1
16
2
16
1
16
]
(2)
1-rasm. Gauss filtri
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
161
Chegaralarni aniqlash: t
asvirning chegaralarini aniqlash uchun Canny, Sobel, Laplac
algoritmlaridan foydalaniladi. Tasvirning chegaralarini aniqlash uchun
Canny
,
Sobel
va
Laplacian
algoritmlari tasvirni tahlil qilishda eng keng tarqalgan usullar hisoblanadi. Har bir
algoritm o‘ziga xos xususiyatlarga ega va tasvir chegaralarini aniqlashda turli metodlar va amaliy
masalalar ishlatiladi. Quyida har bir algoritm haqida batafsil ma’lumot yuritiladi:
Canny algoritmi
:
Canny
algoritmi eng aniq va kuchli chegara aniqlovchi algoritmlaridan
biri hisoblanadi. Canny- tasvirdagi chetlarni aniqlashda bir nechta bosqichlardan foydalanadi.
Algoritm yuqori sifatli chegaralarni aniqlash va shovqinni kamaytirish uchun ideal hisoblanadi.
Canny algoritmining asosiy bosqichlari
:
1.Shovqinni kamaytirish (Gaussians moothing)
: Dastlab, tasvirga
Gauss filtri
qo‘llaniladi, bu tasvirdagi shovqinni kamaytiradi va noaniq chetlarni bartaraf etadi.
2.Gradientni hisoblash (Sobel yoki Prewitt operatorlari)
: Tasvirning
x
va
y
yo‘nalishlarida gradiyent hisoblanadi. Bu qadamda Sobel filtrlari ishlatiladi (yoki boshqa
gradiyent operatorlari).
3.Chizilgan chegaralarning yupqalashishi (Non-Maximum Suppression)
: Gradient
magnitudasi va yo‘nalishiga qarab, faqat eng yuqori qiymatga ega bo‘lgan nuqtalar qoldiriladi,
qolganlari esa yo‘q qilinadi.
4.Ikkilamchi chegaralarni belgilash (Ikki darajali thresholding)
: Chiziqlarni kuchli va
zaif chegaralar sifatida tasniflash. Zaif chegara faqat kuchli chegara bilan bog‘langan bo‘lsa
saqlanadi.
5.Chegara bog‘lanishi (Hysteresis thresholding)
: Zaif chegaralarni faqat kuchli
chegaralar bilan bog‘langan bo‘lsa qabul qiladi.
Canny algoritmining xususiyatlari:
Aniqlik va noaniqlikni kamaytirish
: Canny algoritmi yuqori aniqlikdagi chegara
aniqlashni ta’minlaydi va shovqinni kamaytiradi.
Kuchli chegarani aniqlash
: Ikki darajali thresholding yordamida kuchli va zaif chegaralar
aniq ajratiladi.
Kompyuter resurslarini talab qilishi
: Canny algoritmi ko‘proq hisoblash resurslarini
talab qiladi, ammo yuqori sifatli natijalar beradi.
Sobel algoritmi
:
Sobel operatori
tasvirdagi chetlarni aniqlash uchun eng oddiy va tez
ishlaydigan algoritmlardan biridir. Bu metod tasvirning
yassi
va
vertikal
yo‘nalishidagi
gradientlarni hisoblash orqali chegaralarni aniqlaydi.
Sobel algoritmining ishlash usuli:
Sobel operatori tasvirni ikkita filtr bilan konvolyutsiya
qilish orqali gradientlarni hisoblaydi:
Gorizontal Sobel filtri
(𝐺
𝑥
)
:
𝐺
𝑥
=
−1 0 1
−2 0 2
−1 0 1
(3)
Vertikal Sobel filtri
(𝐺
𝑦
)
:
𝐺
𝑦
=
−1 −2 −1
0
0
0
1
2
1
(4)
Sobel filtrlari tasvirning
𝑥
va
𝑦
yo‘nalishidagi gradientlarni hisoblaydi, ya’ni tasvirda
vertikal va gorizontal chetlarni aniqlaydi.
Sobel algoritmining xususiyatlari:
Yuqori tezlikda ishlash
: Sobel operatori oddiy va tez ishlaydi, shuning uchun real
vaqtda ishlash uchun mos keladi.
Yo‘nalishlarni aniqlash
: Gorizontal va vertikal yo‘nalishlarda chegaralarni aniqlashda
yaxshi ishlaydi.
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
162
Shovqinga sezgirlik
: Sobel algoritmi tasvirdagi shovqinlarga sezgir bo‘lib, shovqinni
bartaraf qilish uchun alohida bosqich (masalan, Gaussian smoothing) kerak bo‘lishi mumkin.
Laplac Algoritmi:
Laplac operatori
tasvirda ikkinchi tartibli derivativni hisoblaydi, ya’ni
tasvirning
tezlik bilan o‘zgarishini
aniqlaydi. Laplac yordamida chegara aniqlashda ikkinchi
darajali derivativ bilan intensivlikning tez o‘zgarishi qidiriladi.
Laplac algoritmining ishlashi:
Laplac tasvirda intensivlikning tez o‘zgarishini (tezlikni) aniqlaydi, bu odatda tasvir
chegaralari bilan bog‘liq. Eng keng tarqalgan Laplac filtri -
Laplacian of Gaussian (LoG)
filtri,
u birinchi navbatda tasvirni
Gauss bilan silliqlaydi
va keyin
Laplac filtri
ni qo‘llaydi.
[
0
1
0
1
−4 1
0
1
0
]
(5)
Laplas filtri:
Laplac filtri algoritmining xususiyatlari
:
Ikkinchi tartibli derivativ
: Laplac filtri tasvirdagi intensivlikning ikkinchi darajali
o‘zgarishini aniqlaydi va shuning uchun yuqori o‘zgarishlar bilan chegarani aniqlaydi.
Yo‘nalishsiz
: Laplac operatori yo‘nalishga sezgir emas, ya’ni u barcha yo‘nalishlardagi
chegara nuqtalarini aniqlaydi.
Shovqinga sezgirlik
: Laplac operatori o‘zining sezgirligi sababli tasvirdagi shovqinlar
tufayli noto‘g‘ri chegaralar yaratishi mumkin.
Umumiy Taqqoslash
:
Canny: Eng aniq va to‘liq chegarani aniqlash algoritmidir va shovqinni kamaytirish va aniq
chegara aniqlash uchun mukammaldir.
Sobel: Oddiy va tez ishlaydigan algoritm, lekin shovqinga sezgir va noaniq chegaralar
chiqarishi mumkin.
Laplac filtri: Ikkinchi darajali derivativni hisoblab, tez o‘zgarishni aniqlaydi, lekin
yo‘nalishsiz va shovqinga sezgir bo‘lishi mumkin.
Har bir algoritm o‘zining afzalliklari va kamchiliklariga ega, shuning uchun ularni tasvirning
turiga va qo‘llash maqsadiga qarab tanlash lozim.
Tasvir segmentatsiyasi
:
Eshik usuli: piksellarni yorqinlik sinflariga bo‘lishdir va bu tasvirni qayta ishlashda
piksellarni turli darajalarga ajratish jarayonidir. Bu usulda piksellarni ayrim yorqinlik sinflariga
(porogi) bo‘lish orqali tasvirni osonlashtirish yoki ob’yektlarni ajratish mumkin. Eshik usuli
tasvirni faqat ikkita qismga bo‘lish uchun (odatda, oq va qora) ishlatilsa-da, ba’zan rangli yoki
ko‘p qatlamli tasvirlar uchun ham kengaytiriladi: yorqinlik darajasini tanlash uchun porog qo‘llash
lozim. Eshik usuli yordamida tasvirni piksellarni yorqinlik sinflariga bo‘lish uchun asosan
quyidagi formulalar ishlatiladi:
1.
Oddiy Thresholding (Бинаризация)
𝐼(𝑥, 𝑦) = {
𝑇, 𝑎𝑔𝑎𝑟 𝐼(𝑥, 𝑦) ≥ 𝑇
0, 𝑎𝑔𝑎𝑟 𝐼(𝑥, 𝑦) < 𝑇
(6)
Bu yerda
, 𝐼(𝑥, 𝑦)
-tasvirdagi
(𝑥, 𝑦)
piksel koordinatasi, T-porog (eshik qiymati)
1.
Porog ko‘p (Bir nechta sinfga bo‘lish)
Agar pikselni bir nechta sinfga bo‘lish kerak bo‘lsa, porog quyidagicha bo‘ladi:
𝐼(𝑥, 𝑦) = {
0, 𝑎𝑔𝑎𝑟 𝐼(𝑥, 𝑦) < 𝑇
1
𝑇
2
, 𝑎𝑔𝑎𝑟 𝑇
1
≤ 𝐼(𝑥, 𝑦) < 𝑇
2
𝑇
3
, 𝑎𝑔𝑎𝑟 𝐼(𝑥, 𝑦) ≥ 𝑇
2
(7)
bu yerda,
𝑇
1
,
𝑇
2
-bo‘sag‘a qiymati,
𝑇
1
≤ 𝐼(𝑥, 𝑦) < 𝑇
2
oraliqdagi piksellar o‘rtacha bo‘ladi,
yoki boshqa oraliqqa tegishli bo‘ladi.
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
163
2.
Adaptiv chegara:
𝐼(𝑥, 𝑦) = {
𝑇(𝑥, 𝑦), 𝑎𝑔𝑎𝑟 𝐼(𝑥, 𝑦) ≥ 𝑇(𝑥, 𝑦),
0, 𝑎𝑔𝑎𝑟 𝐼(𝑥, 𝑦) < 𝑇(𝑥, 𝑦).
,
(8)
bu yerda T
(𝑥, 𝑦)
tasvirning
(𝑥, 𝑦)
nuqtasi uchun lokal tasviridir.
Suv havzasi usuli bu murakkab ob’yektlarning segmentatsiyasidir.
Gistogramma va uning o‘zgarishi
: kontrastni yaxshilash uchun gistogrammadan
foydalaniladi.
Ushbu usullar tasvirni oldindan qayta ishlash va tahlil qilish uchun foydalidir, lekin ular
murakkab ob’yektlarni tushunishda cheklangandir. Tasvirni qayta ishlagandan so‘ng uni tahlil
qilinadi, bunda mashinaga o‘qitish usullaridan foydalaniladi.
Xulosa.
Raqamli tasvirni qayta ishlash sohasida zamonaviy yondashuvlar sun’iy intellekt
(AI), mashinaga o‘qitishi va kuchli hisoblash resurslariga asoslangan. Ushbu texnologiyalar
tasvirlarni yaxshilash, tahlil qilish va ularni avtomatik ravishda tushunish imkoniyatlarini
kengaytirmoqda. Bu esa tibbiyot, avtomobilsozlik, xavfsizlik, multimedia va boshqa sohalarda
katta o‘zgarishlarni keltirib chiqarmoqda. Zamonaviy raqamli video tasvirni qayta ishlash
texnologiyalari so‘nggi yillarda katta rivojlanish bosqichidan o‘tdi. Bugungi kunda sun’iy
intellekt, chuqur o‘rganish (deep learning), va mashinaga o‘qitish kabi ilg‘or metodlar yordamida
video tahlil qilish jarayonlari sezilarli darajada aniq va samarali bo‘ldi. Bu metodlar yordamida
video tasvirlarni yaxshilash, shovqinni kamaytirish, harakatlarni aniqlash, ob’yektlarni tanib olish
va o‘zgarishlarni kuzatish kabi vazifalar osonlashdi. Zamonaviy yondashuvlar, ayniqsa, videolarni
real vaqtda qayta ishlash imkoniyatlarini yaratgan. Bu esa xavfsizlik, tibbiyot, sport va marketing
kabi sohalarda amaliy qo‘llanilmoqda. Masalan, xavfsizlik tizimlarida video monitoring va tahlil
qilish orqali jinoiy xatti-harakatlarni aniqlash va oldini olishda qo‘llanilmoqda. Tibbiyotda esa,
video tasvirlar yordamida kasalliklarni aniqlash va diagnostika qilishning samaradorligi
oshmoqda.
Natijada, raqamli video tasvirni qayta ishlashga zamonaviy yondashuvlar nafaqat
texnologik, balki ijtimoiy va iqtisodiy sohalarda ham keng imkoniyatlarni yaratmoqda. Shu bilan
birga, bu texnologiyalarning joriy etilishida axborot xavfsizligi, maxfiylik masalalar muhim
ahamiyatga ega bo‘lib, ular doimo nazorat qilinishi kerak.
Adabiyotlar ro‘yxati
1.B.B.Старовойтов, Ю.И.Голуб, Цифровые изображения: От получения до обработки,
Минск, 2014.
2.Gonzalez, R. C., & Woods, R. E. (2008). Digital Image Processing (3rd ed.). Pearson
Prentice Hall.
3.Jain, A. K. (1989). Fundamentals of Digital Image Processing. Prentice Hall.
4.Russ, J. C. (2011). The Image Processing Handbook (6th ed.). CRC Press.
Zhang, Z., & Li, X. (2014). Video Processing and Communications. Prentice Hall.
5.He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image
Recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition
(CVPR), 770–778.
6.Hussain, A., & Lee, H. (2019). Advances in Video Processing: From Algorithms to
Applications. Springer.
7.Szeliski, R. (2010). Computer Vision: Algorithms and Applications. Springer.
8.Yuan, J., & Shang, H. (2017). Video Analysis and Processing: A Review of Current
Techniques. International Journal of Computer Applications, 162(5), 13–20.
