3×3 LOKAL KONFIGURATSIYALARGA ASOSLANGAN 16 O'LCHAMLI KONTUR-DESKRIPTOR VA MSE YORDAMIDA TASVIRLARNI METRIK IDENTIFIKATSIYA QILISH MODELI

SCIENCE AND PEDAGOGY IN THE MODERN WORLD: PROBLEMS AND SOLUTIONS Vol. 3. Issue 9. 171 3×3 LOKAL KONFIGURATSIYALARGA ASOSLANGAN 16 O‘LCHAMLI KONTUR-DESKRIPTOR VA MSE YORDAMIDA TASVIRLARNI METRIK IDENTIFIKATSIYA QILISH MODELI Samandarov Ilxomjon Rasulovich¹, Miratoyev Zoxidjon Mirvaliyevich² ¹Olmaliq davlat texnika instituti, Matematika va tabiiy fanlar kafedrasi dotsenti ²Olmaliq davlat texnika instituti, Matematika va tabiiy fanlar kafedrasi katta o’qituvchisi Annotatsiya Ushbu tezisda kontur silliqlashdan so‘ng 3×3 lokal strukturalarni kodlovchi 16 ta shablon asosidagi deskriptor yordamida tasvirlarni aniqlash usuli taklif etiladi. Deskriptor kontur pikselining lokal konfiguratsiyasini og‘irliklangan statistik vektor sifatida ifodalaydi. Original va tiklangan tasvirlar orasidagi o‘xshashlik MSE mezoni yordamida baholanadi. Eksperimental natijalar modelning yuqori aniqlik, barqarorlik va o‘lchovsiz invariantlik xususiyatlariga ega ekanligini ko‘rsatdi. 1. Kirish Konturga asoslangan lokal morfologik deskriptorlar tasvirlarni tanib olish va strukturaviy tahlilda eng yengil, tezkor va interpretatsiya qilinadigan metodlardan biridir. Ushbu ishda taklif etilayotgan 16 ta 3×3 morfologik shablonli konturdeskriptor tasvir konturining lokal geometriyasini aniqlash va uni 16 o‘lchamli vektor ko‘rinishida ifodalashga asoslanadi. Shuningdek, konturning silliqligi natijalarning barqarorligi uchun muhim bo‘lib, bunda sodda morfologik opening–closing amallari qo‘llanadi. Bu metod SCIENCE AND PEDAGOGY IN THE MODERN WORLD: PROBLEMS AND SOLUTIONS Vol. 3. Issue 9. 172 Gonzales & Woods [1] va Sonka & Hlavac [2] tomonidan tavsiya etilgan konturni barqarorlashtirish tamoyillariga mos keladi. 2. Metodika 2.1. Konturni silliqlash va ekstraksiya qilish Binarizatsiya (Otsu): () b I Otsu I Morfologik silliqlash (opening–closing):   sb I I B Bo Kontur ajratish (Canny): () S C Canny I Bu yerda B — 3×3 struktura elementi. Bu bosqichlar kontur uzluksizligi va topologik yaxlitligini ta’minlaydi. 2.2. 16 ta shablon asosida kontur-deskriptorni qurish Har bir kontur pikseli uchun 3×3 local qo‘shnichilik oynasi olinadi:     1: 1, 1: 1N p I p p p p     va 16 ta oldindan belgilangan shablondan biriga moslashtiriladi. Kontur pikselining qo‘shnilariga asoslangan lokal shablonlar:   1 2 16 , ,...,T t t t Har bir shablonning uchrash chastotasi:   3jj pC v N p t      , 1,...,16j Bu yerda:  C — kontur piksel to‘plami,    3 Np — markaziy piksel atrofidagi 3×3 oyna. Segment uzunligi og‘irliklari: 1, ' ' 2, k gorizontal yoki vertikal qo shni wdiagonal qo shni      SCIENCE AND PEDAGOGY IN THE MODERN WORLD: PROBLEMS AND SOLUTIONS Vol. 3. Issue 9. 173 Shablonlar bo‘yicha yakuniy kontur vektori:   1 1 2 2 16 16 , ,...,F wv w v w v 2.3 O‘xshashlik mezoni Tiklangan tasvirlarni original bilan solishtirish uchun MSE ishlatiladi:         16 2 ( ) ( ) 1 1 ,16 or or jj j MSE F F F F    MSE qancha kichik bo‘lsa, tasvirlar shuncha yaqin bo‘ladi. 2.4. Algoritm Algorithm Local16Descriptor(I): 1. I_b = Otsu(I) 2. I_s = MorphOpenClose(I_b) 3. C = Canny(I_s) 4. Initialize c[1..16] = 0 5. For each contour pixel p in C: N = 3×3 neighborhood of p k = TemplateIndex(N) c[k]++ 6. Normalize v[k] = c[k] / sum(c) 7. return v 3. Eksperimental natijalar Histogram: total_matches 200–750 oralig‘ida, ko‘p hollarda 300–450. Papka bo‘yicha mosliklar: barcha tiklangan papkalarda ~350 atrofida → model balansli. Confusion matritsa: diagonal qiymatlar juda kuchli (360, 359, 335, 324...). Dominant moslik: 10 ta original tasvirning barchasi to‘g‘ri aniqlangan → Accuracy = 100%. SCIENCE AND PEDAGOGY IN THE MODERN WORLD: PROBLEMS AND SOLUTIONS Vol. 3. Issue 9. 174 4. Xulosa 16 ta shablonli model kontur geometrik tuzilishining lokal variantlarini samarali ushlab qoladi. U tezkor, yengil, shovqinga chidamli bo‘lib, ayniqsa real vaqt sanoat tizimlarida qo‘llash uchun mos. Barqaror diagonal natijalar va 100% to‘g‘rilik ushbu modelni bazaviy, lekin yuqori samarali descriptor sifatida tavsiya qiladi. 5. Adabiyotlar [1] R. C. Gonzalez, R. Woods — Digital Image Processing. [2] M. Sonka, V. Hlavac, R. Boyle — Image Processing, Analysis, and Machine Vision. [3] J. Serra — Image Analysis and Mathematical Morphology. [4] P. Soille — Morphological Image Analysis.