OPENCV АЛГОРИТМЛАРИ ЁРДАМИДА МАСОФАДАН ЗОНДЛАШ ОРҚАЛИ ОЛИНГАН ТАСВИРЛАРНИ СЕГМЕНТАЦИЯ ҚИЛИШ

Anvar Ravshanov

Authors

Равшанов Анвар Асатиллоевич Рақамли технологиялар ва сунъий интеллектни ривожлантириш илмий-тадқиқот институти

Keywords:

масофадан зондлаш, алгоритм, коррекция, машинали ўқитиш, чуқур ўқитиш, масштаблаш, пиксел, фильтр

Abstract

Ушбу мақолада масофадан зондлаш орқали олинган тасвирлардаги объектларни таниб олиш алгоритмларини ишлаб чиқишнинг асосий тамойиллари ва усуллари, шу жумладан, маълумотларни дастлабки ишлаш, нейрон тармоқлар архитектурасини танлаш ва таниб олиш аниқлигини ошириш усуллари муҳокама қилинган. Компьютер кўриш масалаларини ҳал қилишда самарадорлигини исботлаган конволюцион нейрон тармоқлардан фойдаланишга алоҳида эътибор қаратилмоқда. Шунингдек, ишлаб чиқилган алгоритмларни реал иловаларга татбиқ этишнинг амалий жиҳатлари ва ушбу усулларни янада ривожлантириш ва такомиллаштириш имкониятлари кўриб чиқилган. Ушбу ишнинг мақсади OpenCV алгоритмлари ёрдамида масофадан зондлаш орқали олинган тасвирларни сегментация қилиш ҳамда объектларни таниб олиш алгоритмини ишлаб чиқиш ва ўрганишдан иборат бўлиб, бу замонавий масофадан зондлаш воситаларидан фойдаланган ҳолда олинган маълумотларни рақамли таҳлил қилишнинг аниқлиги ва самарадорлигини оширишдан иборат.

References

Кашкин В.Б., Сухинин А.И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений. М.: Логос, 2001. 264 с.

Вудс Р., Гонсалес Р. Цифровая обработка изображений. М.: Изд-во Техносфера, 2005. 1072 с.

Иванько А.Ф., Иванько М.А., Сизова Ю.А. Нейронные сети: общие технологические характеристики // Научное обозрение. Технические науки. – 2019. – № 2. – С. 17-23.

Анализ данных аэрофотосъемки / Хабрахабр. URL: http://habrahabr.ru/post/139408/ (дата обращения: 06.03.2013).

Визильтер Ю.В. Применение метода анализа морфологических свидетельств в задачах машинного зрения // Вестн. комп. и информ. технологий. 2007. № 9. 118 c.

Ю.И. Кантемиров, А. Петернье. «Результаты тестирования кластерной версии SARscape, предназначенной для обработки больших объемов данных радарных космических съемок», Геоматика, 2016.

Камилов М.М., Равшанов А.А. Ерни масофадан зондлаш орқали олинган тасвирларга дастлабки ишлов бериш алгоритмлари дастурий таъминотларни функцинол тестлаш масаласи // Современное состояние и перспективы развития цифровых технологий и искусственного интеллекта : сборник докладов международной научно-технической конференции, г. Бухара, 27-28 сентября 2024 г. Часть 1. 122-130 б.

W. Sun, G. Xu, P. Gong, S. Liang. “Fractal analysis of remotely sensed images: A review of methods and applications”, International Journal of Remote Sensing, 27:22 (2007).

Bengio Y. Learning deep architectures for AI // Foundations and Trends in Machine Learning. 2009. V. 2. P. 1-127.

Лагунов Н. А. Применение сверточных нейронных сетей в задачах распознавания многопараметрических объектов // Пространство и время. 2013. № 3 (13). С. 194-197.

Пестунов И.А., Рылов С.А. Алгоритмы спектрально-текстурной сегментации спутниковых изображений высокого пространственного разрешения // Вестник Кемеровского гос. ун-та. 2012. № 4(52). Т. 2. С. 104–109.

Романов А.А. Сверточные нейронные сети // 21-я Международная научно-практич. конф. «Научные исследования: ключевые проблемы ИИИ тысячелетия»: сб. тр. конф. 2018. С. 5–9.

Хлопков Ю.И. Применение искусственных нейронных сетей в гиперзвуковой аэродинамике // Международный журн. прикладных и фундаментальных исследований. 2015. № 4-1. С. 45–49.

Kamilov M.M., A.A. Ravshanov. 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-qism 29-35 b.