Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
150
СЕКЦИЯ №2. ЗАДАЧИ МОДЕЛИРОВАНИЯ СИСТЕМ ИНТЕЛЛЕКТУАЛЬНОГО
АНАЛИЗА ДАННЫХ
YERNI MASOFADAN ZONDLASH TASVIRLARIGA DASTLABKI ISHLOV
BERISHDA DISKRET GISTOGRAMMA MODELI
Kamilov Mirzayan Mirzaaxmedovich
Raqamli texnologiyalar va sunʼiy intellektni rivojlantirish ilmiy-tadqiqot instituti,
akademik, t.f.d., professor
Xudayberdiyev Mirzaakbar Xakkulmirzayevich
Toshkent axborot texnologiyalari universiteti professori, t.f.d.
Ravshanov Anvar Asatilloyevich
Raqamli texnologiyalar va sunʼiy intellektni rivojlantirish ilmiy-tadqiqot instituti
doktoranti
Samadova Feruza Komiljon qizi
Toshkent axborot texnologiyalari universiteti magistranti
Annotatsiya
: Ushbu maqolada yerni masofadan zondlash tasvirlariga dastlabki ishlov
berishda diskret gistogramma modeli asosida tahlil qilingan. Modelni qo‘llash samaradorligi va
uning muhim darajasi, sifati va o‘ziga xosligi keltirib o‘tilgan. Bundan tashqari, yerni masofadan
zondlash orqali obektlarni tanib olish samaradorligini oshirishda infraqizil kanallarning amaliy
ahamiyati keltirilgan.
Kalit so‘zlar:
masofadan zondlash, infraqizil kanal, algoritm, piksel, normallashtirish,
NDVI, matrisa, diskret gistogramma.
ДИСКРЕТНАЯ МОДЕЛЬ ГИСТОГРАММЫ ПРИ ПЕРВОНАЧАЛЬНОЙ
ОБРАБОТКЕ ИЗОБРАЖЕНИЙ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ
Аннотация:
В данной статье анализируется предварительная обработка изображений
дистанционного зондирования на основе модели дискретной гистограммы. Фиксироваться
эффективность применения данной модели, ее значимость, качество и уникальность. Кроме
того, показано практическое значение инфракрасных каналов в повышении эффективности
распознавания объектов при дистанционном зондировании Земли.
Ключевые слова:
дистанционное зондирование, инфракрасный канал, алгоритм,
пиксель, нормализация, NDVI, матрица, дискретная гистограмма.
DISCRETE HISTOGRAM MODEL DURING THE INITIAL IMAGE
PROCESSING OF REMOTE SENSING OF THE EARTH
Abstract:
This article analyzes the preprocessing of remote sensing images based on the
discrete histogram model. The effectiveness, significance, quality, and uniqueness of the model
are highlighted. In addition, the practical importance of infrared channels in enhancing the
efficiency of object recognition in remote sensing of the Earth is demonstrated.
Keywords:
remote sensing, infrared channel, algorithm, pixel, normalization, NDVI,
matrix, discrete histogram.
Bugungi kunga kelib yerni masofadan zondlash usullari va texnologiyalari va har xil turdagi
faoliyatning deyarli barcha sohalariga integratsiyalashgan hamda eng jadal rivojlanayotgan
tarmoqlardan biri hisoblanadi. Shu munosabat bilan turli masofadan zondlash tizimlari tomonidan
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
151
olingan axborotni qayta ishlash texnologiyalari va vositalaridan foydalanish tobora dolzarb bo‘lib
bormoqda va ularni amalga oshirish va rivojlantirish ilmliy ahamiyatga ega hisoblanadi. Bugungi
kunda raqamli tasvirlarga dastlabki ishlov berish protsyeduralarini rivojlantirishning turli
bosqichlarida ularni optimallashtirish va muayyan shartlar, vazifalarga moslashtirish hamda
natijalarni rasmiylashtirish, har tomonlama umumlashtirishni talab qiladi [3].
Raqamli signal modelini shakllantirishda
𝑓(𝑥, 𝑦)
masofadan olingan tasvirni diskretlash
natijasida
𝑀
satr va
𝑁
ustundan iborat matrisa olinganligidan kelib chiqiladi:
𝐴 = (𝑥, 𝑦) = |
𝑓(0,0) 𝑓(0,1) … 𝑓(0, 𝑁 − 1)
𝑓(0,1) 𝑓(1,1) … 𝑓(1, 𝑁 − 1)
… … … …
𝑓(𝑀 − 1,0)𝑓(𝑀 − 1,1) … 𝑓(𝑀 − 1, 𝑁 − 1)
|
(1)
Real sharoitga yaqinlashish uchun
𝜇(𝑥, 𝑦)
asl (chiqish) kadr bilan shovqinning qo‘shimcha
yig‘indisi natijasida hosil bo‘lgan
𝑔(𝑥, 𝑦)
shovqinli tasvirini ko‘rib chiqaylik.
𝑔(𝑥, 𝑦) = 𝑓(𝑥, 𝑦) + 𝜇(𝑥, 𝑦)
(2)
Bu yerda, har bir
(𝑥, 𝑦)
nuqtadagi shovqin qiymatlari o‘zaro bog‘liq bo‘lmaydi va o‘rtacha
nolga teng deb taxmin qilinadi. Masofadan zondlashning real sharoitlariga mos keladigan ko‘p
holatlarda masalaning bunday shakllantirilishi haqiqiydir [2]. Quyidagi proseduraning maqsadi
shovqinli tasvirlar seriyasini
{𝑔
𝑖
(𝑥, 𝑦)}
summalash orqali shovqin darajasini pasaytirishdan iborat.
Agar shovqin shakllantirilgan shartlarga javob bersa, unda quyidagilar haqiqiy bo‘ladi. Tasvir
𝑔̅(𝑥, 𝑦)
faqat shovqin
𝜇(𝑥, 𝑦)
dan farq qiluvchi
𝐾
- kadrlar
𝑔
𝑖
(𝑥, 𝑦)
o‘rtacha hisobda olinadi.
𝑔̅(𝑥, 𝑦) =
1
𝐾
∑ 𝑔
𝑖
(𝑥, 𝑦) (3)
𝐾
𝑖=0
Bundan kelib chiqadiki:
𝐸{𝑔
𝑖
̅ (𝑥, 𝑦)} = 𝑓(𝑥, 𝑦) (4)
bu yerda,
𝐸{𝑔
𝑖
̅ (𝑥, 𝑦)}
–
𝑔̅(𝑥, 𝑦)
tasodifiy o‘zgaruvchining matematik kutilishi.
Shunday qilib, summalashtirilgan shovqinli ilovalar sonining ko‘payishi bilan
𝑔̅(𝑥, 𝑦)
dan
𝑓(𝑥, 𝑦)
gacha asimptotik yaqinlashish amalga oshiriladi. Amalda, bu ta’sir turli manbalar uchun
alohida tanlangan tarzda namoyon bo‘ladi va o‘rtacha amalga oshirilganlar sonining mezonini
aniqlash zarur bo‘ladi. Bunday hollarda, dengiz qirg‘oqlari hududlari tasvirlarini ko‘rib chiqiladi,
ularning o‘ziga xosligi degeneratsiyalangan gistogramma portretlari bilan bog‘liq bo‘ladi.
Masofadan zondlash tasvirlarini qayta ishlash algoritmlari uchun kirish ma’lumotlar 1-
jadvalda keltirib o‘tilgan.
1-jadval
Kirish ma’lumotlari
Koor
din
ata X
Koor
dinata
Y
Yor
qinl
ik
qiym
ati
Ae
roz
olni
ng
opti
k qa
li
nli
gi
S
irt ha
ror
ati
Na
ml
ik
NDVI
De
ngiz sa
thi
ba
landligi
34.0500
-118.2500
150
0.1
25.0
60%
0.65
100
34.0510
-118.2510
145
0.15
24.5
62%
0.70
105
34.0520
-118.2520
148
0.12
24.8
61%
0.68
102
...
...
...
...
...
...
...
...
Ushbu ma’lumotlar CSV formatida yoki Excel kabi elektron jadvallarga kiritilishi mumkin
va keyin atmosfera buzilishlarini to‘g‘rilash, yorqinlikni normallashtirish, ob’yektlarni tasniflash
va boshqalar kabi tasvirni oldindan qayta ishlash algoritmlarida ishlatiladi.
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
152
Quyida taklif qilinayotgan algoritm ushbu masalani hal qilishga qaratilgan. Shuni ta’kidlash
kerakki, bu masala ushbu kontekstda asosiy hisoblanadi, chunki chuqur soyalarning katta
maydonlari bilan yuqori kontrastli relyeflar uchun algoritmdan foydalanish har doim ham o‘zini
oqlamaydi [1].
Ishlab chiqilgan algoritmning asosi har bir o‘rtacha bosqichning gistogrammasini qayta
ishlash, so‘ngra asl va normallashtirilgan gistogrammalar orasidagi farqlarni normallashtirish va
tahlil qilishdan iborat.
Diskret gistogramma modelining funksiyasi quyidagicha ifodalanadi:
𝑠
𝑘
= 𝑇(𝑟
𝑘
) = ∑ 𝜌
𝑟
(𝑟
𝑗
) = ∑
𝑛
𝑗
𝑛
𝑘 = 0,1, … , 𝐿 − 1
𝑘
𝑗=0
𝑘
𝑗=0
(5)
bu yerda,
𝑛
– tasvirdagi piksellarning umumiy soni;
𝑛
𝑗
– yorqinlik nuqtalari soni;
𝐿
-
yorqinlik darajalari soni.
Bu funksiya manba tasviridagi yorqinlik qiymati
𝑟
𝑘
bo‘lgan har bir pikselni chiqish
tasviridagi element qiymati
𝑠
𝑘
bo‘lgan mos keladigan element bilan taqqoslaydi.
Normallashtirilgan gistogramma berilgan
𝜌
𝑧
(𝑧)
dan
𝑖 = 0,1, … , 𝐿 − 1
to‘plamda olinadi va
quyidagi ko‘rinishga ega bo‘ladi:
𝜂
𝑘
= 𝐺(𝑧
𝑘
) = ∑ 𝜌
𝑧
(𝑧
𝑗
) = 𝑠
𝑘
𝑘
𝑗=0
𝑘 = 0.1, … , 𝐿 − 1. (6)
bu yerda,
𝑧
– normallashtirish shartini qanoatlantiruvchi o‘zgaruvchi,
𝜂
𝑘
– esa yangi
funksiya fazosidagi diskret qiymat. Algoritmning uni qo‘llash sohasidagi samaradorligi va uning
muhim darajasi foydali materialning sifati va o‘ziga xosligi bilan belgilanadi(1-rasm). Xususan,
masofaning turi va darajasi, shuningdek, kadrning gradatsiyasi va fazoviy o‘lchamlari, kuzatilgan
narxning minimal muhim elementlari bilan bog‘liq [4]. Masofadan zondlash tasvirlarini dastlabki
ishlash algoritmlari uchun sonli ma’lumotlarni kiritish algoritm va ishlov berish maqsadlariga
qarab har xil turdagi ma’lumotlarni o‘z ichiga oladi. Koordinatalar (X, Y): Rasm piksellarining
geografik koordinatalari, yorqinlik qiymati, atmosfera parametrlari, sirt harorati, namlik NDVI
(Normallashtirilgan vegetatsiya indeksi), balandlik.
1-rasm. Qizil va yaqin infraqizil kanallar tasvirning yorqinlik darajalari
Yerning masofadan zondlash tasvirlariga dastlabki ishlov berishda diskret gistogramma
modeli muhim rol o‘ynaydi. Ushbu model tasvirning yorqinlik darajalari bo‘yicha piksel
intensivligini taqsimlashni tahlil qilish uchun qo‘llaniladi. Diskret gistogramma tasvirdagi har bir
yorqinlik darajasiga mos keluvchi piksel sonini ko‘rsatadi, bu esa tasvirning kontrasti, yorqinlik
taqsimoti va umumiy sifatini baholash imkonini beradi. Dastlabki ishlov berish jarayonida
gistogramma yordamida tasvirni normallashtirish, kontrastni yaxshilash yoki shovqinlarni
kamaytirish kabi operatsiyalar amalga oshiriladi. Xulosa qilib aytganda, diskret gistogramma
modeli tasvirlarni qayta ishlashning asosiy vositasi sifatida xizmat qiladi, bu esa ma’lumotlarni
keyingi tahlil qilish va talqin qilish uchun sifatni oshirishga yordam beradi.
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
153
Adabiyotlar ro‘yxati
1.
Gonzalez, R. C., & Woods, R. E. (2018).
Digital Image Processing.
New York: Pearson
Education Limited.
2.
Solomon, C., & Breckon, T. (2011).
Fundamentals of Digital Image Processing A
Practical Approach with Examples in Matlab.
Hoboken, New Jersey: Wiley Blackwell.
3.
Kamilov M.M., Ravshanov A.A. Tasvirlarning chegaralarini ajratishda neyron tarmoq
arxitekturasi//«Sun’iy intellekt nazariyasi va amaliyoti: Tajribalar, muammolar va istiqbollar»
mavzusidagi Respublika ilmiy-amaliy konferensiya to‘plami.– Toshkent, TDIU, 2024 y. 21-22
may, 1-q. 29-35 b.
4.
Р.А.Шовенгердт. (2010).
Дистанционное зондирование. Методы и модели
обработки изображений.
Москва: Техносфера– 560 с.
KVANT HISOBLASHLARDA TASVIR SHOVQININI BARTARAF ETISH
Babomuradov Ozod Jurayevich
Jizzax shahridagi Qozon (Volgabo‘yi) federal universiteti filiali ijrochi direktori, professor
Muhamediyeva Dilnoz Tulkunovna
“TIQXMMI” Milliy tadqiqot universiteti professori
Ametova Gulsara Embergenovna
“TIQXMMI” Milliy tadqiqot universiteti tayanch doktoranti
Valijonov Ilhomjon Xolmatjon o‘g‘li
Namangan davlat universiteti 1-bosqich tayanch doktoranti
Annotatsiya:
Ushbu maqolada kvant hisoblashlarda tasvirga shovqin qo‘shish va shovqinni
bartaraf qilish metodlari ko‘rib chiqilgan. Dasturda shovqinli tasvirlarni simulyatsiya qilish va
kvant tizimida o‘lchovlar xatolarini kamaytirish uchun CompleteMeasFitter metodidan
foydalaniladi.
Kalit so‘zlar:
kvant hisoblash, shovqinli tasvirlar, Gauss shovqini, kvant sxemalari,
Simulyatsiya, o‘lchov xatolari.
УСТРАНЕНИЕ ШУМА ИЗОБРАЖЕНИЯ В КВАНТОВЫХ ВЫЧИСЛЕНИЯХ
Аннотация:
В данной статье рассматриваются методы добавления шума к
изображениям и удаления шума в квантовых вычислениях. Программа использует метод
CompleteMeasFitter для моделирования зашумленных изображений и уменьшения ошибок
измерений в квантовой системе.
Ключевые слова:
квантовые вычисления, зашумленные изображения, Гауссов шум,
квантовые схемы, моделирование, ошибки измерений.
ELIMINATING IMAGE NOISE IN QUANTUM COMPUTATIONS
Abstract:
This article reviews methods for adding noise to images and removing noise in
quantum computing. The program uses the CompleteMeasFitter method to simulate noisy images
and reduce measurement errors in quantum systems.
Keywords:
Quantum computing, noisy images, Gaussian noise, quantum circuits,
Simulation, measurement errors.
Kvant hisoblashning rivojlanishi va uning turli sohalarda, jumladan tasvirni qayta ishlashda
qo‘llanilishi, yangi imkoniyatlar va yondoshuvlarni taqdim etmoqda [1]. Kvant tizimlarining
