RAQAMLI TASVIRLARNI QAYTA ISHLASH: TEXNOLOGIYALARI VA TURLARI.

Authors

  • O’razmatov Tohir Quronbayevich, Quchqorov Azamat Ne’matjon o’g’li (t.f.d) Urganch Ranch texnologiya universiteti “Raqamli texnologiyalar” kafedrasi mudiri, Toshkent davlat transport universiteti “Temir yo'l transportida axborot tizimlari” kafedrasi doktoranti

Keywords:

raqamli tasvirlarni qayta ishlash, kompyuter ko‘rish, konvolyutsion neyron tarmoqlar, CNN, tasvir segmentatsiyasi, tasvirni yaxshilash, kulrang tasvir, RGB tasvir, sun’iy intellekt, chuqur o‘qitish

Abstract

 Ushbu maqolada raqamli tasvirlarni qayta ishlashning asosiy tushunchalari, texnologiyalari va turlari tahlil qilinadi. Raqamli tasvirlarni qayta ishlash zamonaviy kompyuter ko‘rish tizimlarining muhim qismi bo‘lib, vizual ma’lumotlarni tahlil qilish, talqin etish va qayta ishlash imkonini beradi. Maqolada ikkilik, kulrang, RGB va RGBA tasvir turlari hamda tasvirni qayta ishlashning asosiy bosqichlari, jumladan tasvirni olish, yaxshilash, tiklash, segmentatsiya va ob’ektlarni aniqlash jarayonlari yoritilgan. Shuningdek, chuqur o‘qitish texnologiyalari, xususan, konvolyutsion neyron tarmoqlari (CNN) yordamida tasvirlarni qayta ishlash samaradorligi va aniqligini oshirish masalalari ko‘rib chiqilgan. Tibbiy tasvirlar segmentatsiyasi kabi amaliy sohalarda oldindan ishlov berish usullarining ahamiyati ham asoslab berilgan. Tadqiqot natijalari shuni ko‘rsatadiki, raqamli tasvirlarni qayta ishlash va sun’iy intellekt usullarini uyg‘unlashtirish murakkab muammolarni samarali hal etishda muhim ahamiyat kasb etadi.

References

Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing. Pearson.

Canny, J. (1986). A Computational Approach to Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence.

Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics.

Jain, A. K. (1989). Fundamentals of Digital Image Processing. Prentice-Hall, Inc.

Lowe, D. G. (2004). Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision.

Scikit-image Development Team. Scikit-image: Image processing in Python. scikit-image.org.

Sobel, I., & Feldman, G. (1968). A 3x3 Isotropic Gradient Operator for Image Processing. Stanford Artificial Intelligence Project.

Omar Elharrouss, Noor Almaadeed, Somaya Al-Maadeed va Younes Akbari. (2022). A Review of Image Inpainting Techniques and Applications

Hritam Basak, Rohit Kundu , Ram Sarkar. (2022). MFSNet: A Multi Focus Segmentation Network for Skin Lesion Segmentation

Lingzheng Dai, Jundi Ding, Jian Yang. (2015). Inhomogeneity-embedded active contour for natural image segmentation.

Downloads

Published

2026-04-13