DEVELOPMENT OF PEDAGOGICAL SKILLS OF FUTURE HISTORY TEACHERS THROUGH THE APPLICATION OF ACMEOLOGY APPROACH TECHNOLOGY

SCIENCE AND PEDAGOGY IN THE MODERN WORLD: PROBLEMS AND SOLUTIONS Vol. 3. Issue 9. 175 3×3 SHABLONLARGA ASOSLANGAN 32-O‘LCHAMLI KONTURDESKRIPTOR YORDAMIDA TASVIRLARNI UCH DARAJALI SIFAT INDEKSI (0/1/2) BILAN BAHOLASH 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 Mazkur ishda tasvirlarning kontur-topologik xususiyatlarini tavsiflovchi 32 ta 3×3 lokallashtirilgan shablon asosida o‘lchamsiz deskriptor qurish va tiklangan tasvirlar bilan original tasvirlar orasidagi o‘xshashlikni MSE (Mean Squared Error) mezoni orqali baholash metodikasi taklif etiladi. Eksperimental natijalar kontur uzunligi modeliga va 16 shablonli konfiguratsiyaga nisbatan 32 shablonli modelning diskriminativ quvvati sezilarli yuqoriligini, confusion-matritsaning esa to‘liq diagonal-dominant shaklga ega ekanligini tasdiqlaydi (aniqlik — 100%). 1. Kirish Kontur asosidagi invariant deskriptorlar tasvirlarda shakl va topologiyaning barqaror tasvirlanishini ta’minlaydi. 3×3 qo‘shnichilik strukturalarida lokal konfiguratsiyalar yordamida kontur tavsiflarini kodlash Sonka–Hlavac [1], Gonzalez–Woods [2], Serra [3] va Soille [4] ishlarida o‘z ilmiy asosini topgan. Shu ilmiy asosga tayanib, ishda 32 ta morfologik-konfiguratsion shablon asosida o‘lchamsiz kontur deskriptori quriladi va tasvirlar o‘rtasidagi o‘xshashlik MSE orqali baholanadi. Sifatni yanada intuitiv baholash uchun uch darajali 0/1/2 sifat indeksi joriy etiladi, bu esa Latecki tomonidan kiritilgan topologik farqlanish mezonlariga [5] mos keladi. SCIENCE AND PEDAGOGY IN THE MODERN WORLD: PROBLEMS AND SOLUTIONS Vol. 3. Issue 9. 176 2. Metodika 2.1. Kontur ajratish va silliqlash Otsu binarizatsiyasi[2]: () b I Otsu I Matematik morfologiya silliqlashi[3]-[4]:   sb I I B Bo Bu bosqich kontur uzilishlarini bartaraf etadi. Canny kontur ekstraksiyasi [2]: () S C Canny I Bu bosqichlar kontur uzluksizligi va topologik yaxlitligini ta’minlaydi. 2.2. 32 ta 3×3 shablon asosida kontur konfiguratsiyalarini kodlash Har bir kontur pikseli uchun 3×3 qo‘shnichilik matritsasi olinadi:     1: 1, 1: 1 s N p I p p p p     Ushbu lokal struktura 32 shablondan qaysi biriga mos kelishi aniqlanadi: ): , 1 2{ , ,3(} kk c p C N p T k    ∣∣ Har bir konfiguratsiya og‘irligi: 1, ' ' 2, k gorizontal yoki vertikal qo shni wdiagonal qo shni      Shablonlar bo‘yicha yakuniy kontur vektori:   1 1 2 2 32 32 , ,...,F wv w v w v Normallashtirilgan deskriptor [2]: 32 1 k k i i F v F   2.3. O‘xshashlik mezoni: MSE       2 32 1 1 32 or kk k MSE v v    Bu qiymat pasaysa — tasvirlar o‘xshash. SCIENCE AND PEDAGOGY IN THE MODERN WORLD: PROBLEMS AND SOLUTIONS Vol. 3. Issue 9. 177 2.4. Uch darajali sifat indeksi (0/1/2) MSE moslikni aniq baholaydi, biroq interpretatsiya qilish qiyin. Shuning uchun qo‘shimcha sifat indeksi kiritiladi [5]:   0,1,2 i q Thresholdlar: 12   Ta’rif: 1 1 1 2 2 2, agar dominantpapka to'g'riva 1, agar dominantpapka to'g'ri 0, agar dominantpapka noto'g'ri i i i MSE q va MSE va MSE             Mazmuni: Indeks Ma’no Mazmuniy tavsif 2 Yuqori sifat Kontur aynan bir xil, MSE juda kichik 1 Qoniqarli sifat Kontur o‘xshash, lekin ba’zi farqlar bor 0 Qoniqarsiz sifat Noto‘g‘ri moslik yoki katta kontur farqlari Statistik ko‘rsatkichlar:   : ii N i q j , j i N pn  3. Eksperimental natijalar 3.1. Yaqinlik histogrammasi  total_matches qiymatlari 330–410 oralig‘ida.  Variatsiya juda kichik — bu modelning stabil ekanidan darak.  16 shablonli modelga qaraganda tarqalish sezilarli tor. 3.2. Papkalar bo‘yicha mosliklar Barcha papkalar deyarli bir xil diapazonda (350–380 oralig‘i). Bu izchillik, balans va bir xil sezgirlikni ko‘rsatadi. 3.3. Confusion matritsa  Barcha diagonal elementlar eng katta qiymatga ega. SCIENCE AND PEDAGOGY IN THE MODERN WORLD: PROBLEMS AND SOLUTIONS Vol. 3. Issue 9. 178  Off-diagonal elementlar nolga yaqin. Bu 100% to‘g‘ri tasniflashni anglatadi. 3.4. Dominant mosliklar (0/1/2 ko‘rsatkich) Grafikga ko‘ra:  barcha nuqtalar to‘g‘ri restored papkaga tushgan  MSE qiymatlari past diapazonda  thresholdlar bo‘yicha: 2 i qi Demak: Indeks Soni Ulushi 2 (yuqori sifat) 100% p₂ = 1.0 1 (qoniqarli) 0% — 0 (yomon) 0% — Bu 32 shablonli modelning nafaqat aniqlik, balki sifat bo‘yicha ham eng yuqori samaradorligini ko‘rsatadi. 4. Xulosa 32-shablonli kontur-deskriptor modeli quyidagi ustunliklarga ega: 1. 100% aniqlik SCIENCE AND PEDAGOGY IN THE MODERN WORLD: PROBLEMS AND SOLUTIONS Vol. 3. Issue 9. 179 Confusion-matritsa to‘liq diagonal-dominant. 2. Yuqori sifat (q_i = 2 barcha rasmlar uchun) MSE juda past, o‘xshashlik mukammal. 3. Izchil va barqaror ishlash Papkalar bo‘yicha mosliklar bir xil diapazonda. 4. Kuchli diskriminativlik 32 shablon kontur-topologik konfiguratsiyalarning to‘liq qamrovini beradi. 5. Amaliy jihatdan yengil Vektor o‘lchami 32 ta bo‘lib, hisoblash juda tez. 5. Adabiyotlar [1] Sonka M., Hlavac V., Boyle R. Image Processing, Analysis, and Machine Vision. [2] Gonzalez R., Woods R. Digital Image Processing. [3] Serra J. Image Analysis and Mathematical Morphology. [4] Soille P. Morphological Image Analysis. [5] Latecki L. Shape Similarity Measures.