Ўзбекистон республикаси ахборот технологиялари ва коммуникацияларини ривожлантириш вазирлиги муҳаммад ал-хоразмий номидаги

 
 
 
 
 
 
 
 
 
 
 
 
6-ШЎЪБА
 
 
 
 
РАҚАМЛИ ТЕЛЕВИДЕНИЯ ВА КИНО 
ИНДУСТРИЯСИ МУАММОЛАРИ 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

---

192 
RANGLI TASVIRLARNI SEGMENTLARGA AJRATISH USULLARI 
TAHLILI 
Yu.Yu. Abdullayev (magistr, Muhammad al-Xorazmiy nomidagi TATU)

Segmentatsiya - bu bir-biriga to'g'ri kelmaydigan va bir jinsli sohalarni 

aniqlash yoki ekvivalent sifatidada qirralarni yoki chegaralarni topish orqali 
tasvirlarni ajratish bilan bog'liq bo'lgan past daraja (низкий уровень). Tasvirdagi 
bir jinsli sohalar yoki qirralar tasvirlar ichidagi haqiqiy obektlarga yoki ularning 
qismlariga mos kelishi kerak. Shunday qilib, segmentatsiya tasvirni qayta ishlash 
va kompyuterni ko'rish sohasidagi dasturlarining katta qismida tanib olish, 
semantik talqin qilish va tasvirlash kabi yuqori darajadagi operatsiyalarni 
qo’llashdan oldin birinchi qadam sifatida asosiy rol o'ynaydi. Yaqin vaqtgacha 
kulrang tasvirlarni segmentatsiyalashga e'tibor qaratilgandi, chunki bu ma'lumotlar 
olish moslamalari va kompyuter resurslarini boshqarish imkoniyatiga ega bo'lgan 
yagona tur bo’lgan. Hozirgi kunda rangli tasvirlar monoxromatik ma'lumotlarning 
o'rnini. Shunga ko’ra, so'nggi yillarda rangli tasvirlarni segmentlash algoritmlariga 
e'tibor qaratildi va ko'plab turli xil metodlarni ishlab chiqilgan va ular ko’pincha 
kulrang tasvir segmentatsiyasi fonidan foydalanishgan. 
Fazoviy xususiyatga asoslangan usullar. Agar biz rangni tasvir ichidagi har 
bir ob'ekt sirtining doimiy xususiyati deb hisoblasak va rangli tasvirning har bir 
pikselini ma'lum bir rang oralig'iga tushiradigan bo'lsak, unda rasmda mavjud 
bo'lgan turli xil narsalar o'zlarini klaster yoki nuqta sifatida namoyon qilishi 
ehtimoldan yiroq emas. Ushbu nuqtalarning har bir klaster ichida taqsimlanishi 
asosan ma'lumotlar yig'uvchidan soya tushishi va shovqin ta'siri tufayli ranglarning 
o'zgarishi bilan belgilanadi. Boshqa tomondan, agar piksellarni rang oralig'iga 
joylashtirish o'rniga, rang xususiyatlari kabi ba'zi bir vaqtinchalik gistogramlarni 
tuzadigan bo'lsak, obektlar ushbu gistogrammalar ichida eng yuqori darajalarda 
paydo bo'ladi. Shuning uchun, tasvir ob'ektlarini segmentlarga ajratish muammo-
sini yuqorida aytib o'tilgan birinchi strategiyaga muvofiq ba'zi klasterlarni topish 
yoki ikkinchi strategiyaga ko'ra ba'zi bir qulay histogramlarning eng yuqori 
nuqtalarini topish kabi aniqlash mumkin.
Klastrlash. Klasterlash oldindan hech qanday ma'lumotga ega bo'lmagan 
holda, sinflar yoki bo'limlar yaratish kerak bo'lgan ob'ektlarning nazoratsiz tasnifi 
hisoblanadi. Analitik sifatida klasterlash masalasini quyidagicha shakllantirish 
mumkin: Ma'lum bir S bo'shliq doirasi ichida M nusxalari x
1
,….,x
M
bor deb taxmin 
qilaylik; bizning holimizda S bo'shliq oldindan tanlangan rang maydoni bo'lib, xm 
naqshlar S ichidagi tasvir piksellarining aksidir. bizning holatimizda S maydoni 
oldindan tanlangan rang maydoni bo'lib, xm namunalari S ichidagi tasvir 
piksellarining aksidir. Klasterlash jarayoni har bir x
m
, m = 1,…,M shu sohalardan 
biriga tegishli bo'lishi uchun S
1
,…,S
K
sohalarini belgilashdan iborat va x
m
bir 
vaqtning o'zida ikkita sohaga tegishli emas, ya'ni. , 
U
k=1
K
S
k
= S va S
i
∩
S
j 
=
∅
∀
i 
≠
j. Shablonlarni sinflarga tasniflash har bir sinf ichidagi ob'ektlarning o'xshashligi 
yuqori bo'lishi, shu bilan birga turli sinflarda yaqinligi juda past bo'lishi kerak 
degan umumiy aniq fikr printsipiga amal qiladi. 

---

193 
Klaster tahliliga oid adabiyotlarda ko'plab usullar taklif qilingan. Rangli 
tasvirlarni segmentatsiyalashning klassik usuli bu k-usul algoritmi bo'lib, u 
vektorlarni kvantlash va ma'lumotlarni siqish uchun ham keng qo'llaniladi. Ushbu 
algoritmni RGB koordinatalari bilan ifodalangan tasvir sohalarida qo’llashadi, 
boshqa bir taqqiqotchilar esa HIS sohalarida qo'llaydilar. K-usullari algoritmi 
asosan uning noravshan usulida ishlatilgan (noravshan k-usullari algoritmi); k-
usullari va noravshan klasterlar o'rtasidagi taqqoslashda keltirilgan. Klasterlashda 
mumkin bo'lgan ehtimoliy yondashuv asoslangan klasterlash usuli bu noravshan 
usullar bilan chambarchas bog'liq. 
Ikki tomonlama klasterlash usuli. Ushbu usul tasvirning uchta xususiyatining 
kombinatsiyasidir: 
gistogramma tahliliga asoslangan 
rasmning bo'linishi 
klasterlarning (ob'ektlarning) yuqori ixchamligi va ularning chegaralarining yuqori 
gradiyentlari bilan tekshiriladi. Buning uchun ikkita bo'sh joy kiritilishi kerak: bitta 
bo'shliq - bu H = H (B) nashrida o'lchovli gistogrammasi; ikkinchi bo'shliq - bu asl 
tasvirning o'zi ikki tomonlama 3 o'lchovli bo'shliq B = B (x, y). Birinchi bo'shliq 
minimal klasterli kminni hisoblash orqali tasvir yorqinligining qanchalik ixcham 
taqsimlanishini o'lchashga imkon beradi. 
Gistogrammalar usuli. Gistogramma chegarasi (bo’sag’asi) - bu kulrang 
rangdagi tasvirlarni segmentlarga ajratishning eng mashhur usullaridan biri bo'lib, 
uni amalga oshirish uchun bir nechta g’oyalar taklif qilingan. 
Gistogrammalarga asoslangan chegara usullari mavjud. Ushbu usullarni keng 
ravishda ikkita toifaga ajratish mumkin. Birinchi toifaga ma'lum bir maqsad 
funktsiyasini optimallashtirish orqali maqbul chegaralarni belgilaydigan chegara 
usullari kiradi. Ushbu cheklash usuli orasida entropiyaga asoslangan yondashuvlar 
eng mashhur bo'lib, ushbu yo'nalishda ko'plab algoritmlar taklif qilingan. Biroq, 
ushbu algoritmlar bilan bog'liq asosiy muammo ularning uzoq vaqt davomiyligi 
hisoblanadi. Ikkinchi toifada berilgan rasm gistogrammasining shakl ma'lumot-
laridan foydalangan holda maqbul chegaralarni belgilaydigan yondashuvlar kiradi. 
Bo’sag’aviy (chegara) aniqlashning mantiqiy asoslari piksellarning intensivligi 
yoki umumiy holatdagi ma'lumotlar bir xil ob'ektlar ichida o'xshash bo'lishi va turli 
xil ob'ektlar o'rtasida har xil bo'lishi kerak degan taxminlarga asoslanadi. Shu 
tarzda, har bir ob'ektning intensivlik darajasidagi gistogramma qiymatlari 
qo'ng'iroq (tovush tarqalishi) shaklidagi rejim sifatida ko'rinadi. 
Adabiyotlar 
1.
Guo, Dazhou; Pei, Yanting; Zheng, Kang; Yu, Hongkai; Lu, Yuhang; Wang, Song 
(2020). "Degraded Image Semantic Segmentation With Dense-Gram Networks". IEEE 
Transactions on Image Processing.
2.
R.M. Haralick, L.G. Shapiro, \Image Segmentation Techniques," Computer Vision, 
Graphics, and Image Processing,Vol. 29 , No. 1, pp. 100-132, Jan. 1985 
3.
W. Skarbek and A. Koschan, \Colour Image Segmentation - A Survey," Technical Report 
94-32, Technical University Berlin, Oct. 1994. 
4.
A.R. Weeks and G.E. Hague, \Color Segmentation in the HSI Color Space Using the k-
means Algorithm," Proc. of the SPIE - Nonlinear Image Processing VIII, San Jose, CA, 10-11 
Feb. 1997, pp. 143-154. 
5.
P. Schmid, \Segmentation of Digitized Dermatoscopic Images by Two-dimensional Color 
Clustering," IEEE Trans. on Medical Imaging, Vol. MI-18, No. 2, pp. 164-171, Feb. 1999. 

---

194