O‘zbekiston respublikasi oliy va o‘rta maxsus ta’lim vazirligi n. N. Zaripov

SAVOL VA TOPSHIRIQLAR 
1. Tasvirlarni dastlabki qayta ishlash va kontrastni o`zgartirish. 
2. Past kontrastli tasvirlari haqida tushunchalarni sanab bering. 
3. Matematik modellar haqida ayting? 
 
4.7. Shovqunlarni tekislash.
 
Shovqinni kamaytirish algoritmlari odatda shovqinning muayyan turini 
bostirishga ixtisoslashgan. Har qanday shovqinni aniqlaydigan va bostiradigan 
universal filtrlar mavjud emas. Biroq, ko`plab shovqinlarni oq Gauss shovqin modeli 
bilan juda yaxshi yaqinlashtirish mumkin, shuning uchun aksariyat algoritmlar 
ushbu shovqin turini bostirishga qaratilgan. Shovqinni yo`q qilishning 
eng keng 
tarqalgan usullari
: 

Silliqlash filtrlari 

Wiener filtrlari 

---

76 

Median filtrlari 

Saralash filtrlari 
Gauss shovqinini bostirish uchun ham chiziqli, ham chiziqli bo`lmagan 
filtrlardan foydalaniladi. Chiziqli filtr aniqlanadigan funksiya (filtr yadrosi) 
tomonidan belgilanadi. Filtrni o`zi diskret yig`ish (og`irlik yig`indisi) operatsiyasi 
yordamida amalga oshiriladi. To`g`ri tekislash filtri yordamida har bir nuqtada 
intensivlik darajasi bir tekislash niqobiga nisbatan o`rtacha bo`ladi. Maskalarga 
misollar: 
𝐴
1
=
1
9
(
1 1 1
1 1 1
1 1 1
)
𝐴
2
=
1
10
(
1 1 1
1 2 1
1 1 1
)
𝐴
3
=
1
16
(
1 2 1
2 4 2
1 2 1
)
Birinchi 
holda, 
markaziy 
nuqtada 
intensivlik 
qiymati 
qo`shnilar 
intensivligining o`rtacha qiymati belgilanadi. Boshqa hollarda, koeffitsientlarga 
muvofiq o`rtacha og`irlik. Wiener filtri yordamida tasvirni qayta ishlashning eng 
yaxshi natijalari, xususan filtrlash natijalariga erishish mumkin. Uning qo`llanilishi 
tasvirning statsionarligini taxmin qilish bilan bog`liq. Tasvir qirralarining 
mavjudligi statsionarlikni buzganligi sababli, Wiener filtrlash qat`iyan maqbul 
emas. Biroq, ramka o`lchamlari rasmning korrelyatsiya oralig`idan sezilarli darajada 
oshsa, chegaralarning ta`siri kichik bo`ladi. Texnik jihatdan, Wiener filtri chastota 
sohasidagi diskret Furier transformatsiyasi yordamida amalga oshiriladi. Ammo 
chiziqli filtrlash usullaridan foydalanish bir qator amaliy muammolarning maqbul 
yechimini topishga imkon bermaydi. Axborotni uzatish, kodlash va idrok qilish 
jarayonlarining nochiziqiy tabiati, masalan, axborot sensori, aloqa kanali, insonning 
ko`rish tizimi va boshqalar e`tiborga olinishi kerak. Raqamli tasvirni qayta ishlash 
orqali hal qilinadigan vazifalar doirasini kengaytirish va chiziqli filtrlash usullariga 
xos bo`lgan kamchiliklarni bartaraf etish uchun, hozirgi vaqtda chiziqli bo`lmagan 
(4.6.1)
(4.6.2)
(4.6.3)

---

77 
raqamli filtrlash usullari faol ravishda amalga oshirilmoqda. Chiziqli filtrlash 
nazariyasidan farqli o`laroq, chiziqli bo`lmagan filtrlash nazariyasining qurilishi 
deyarli mumkin emas. Ushbu sinflarning har biri o`zining afzalliklari va qamroviga 
ega. Median filtr, tekislash filtridan farqli o`laroq, shovqinni bostirishning chiziqsiz 
usulini amalga oshiradi. Median filtr - bu toq raqamni qamrab olgan tasvir maydoni 
bo`ylab sirpanchiq oynadir sanaydi Markaziy hisoblash oynaga tushgan barcha 
tasvir elementlarining mediani bilan almashtiriladi. Diskret ketma-ketlikning 
medianasi asl ketma-ketlikni buyurtma qilish orqali olingan ketma-ketlikning o`rta 
darajadagi a`zosi. Silliqlash filtri singari, median filtr suratdagi qo`shimchalar va 
impulsli shovqinlarni bostirish uchun ishlatiladi. 
Median filtrni silliqlashidan ajratib turadigan o`ziga xos xususiyati yorqinlik 
farqlarini (konturlarni) saqlashdir. Bundan tashqari, agar qo`shilgan oq shovqinning 
tarqalishiga nisbatan nashrida farqlari katta bo`lsa, u holda median filtr optimal 
chiziqli filtrga qaraganda yaxshiroq natijalar beradi. Median filtr ayniqsa impulsli 
shovqin holatida samarali bo`ladi. Tartibga solish filtri, silliqlash kabi, tasvirni 
o`zgartirish uchun niqobni ishlatadi. Maskada markaziy piksel bo`lishi mumkin yoki 
bo`lmasligi mumkin. Niqobga tushadigan elementlarning qiymatlari ketma-ket 
joylashtirilgan va ko`tarilgan (yoki kamayib boradigan) tartibda joylashtirilishi 
mumkin va ushbu seriyaning ma`lum daqiqalarini hisoblash mumkin, masalan, 
o`rtacha intensivlik va dispersiyaning qiymati. Markaziy namunani almashtiradigan 
filtrning chiqish qiymati - markaziy pikselning intensivligi va natijada olingan 
seriyaning mediani yig`indisi hisoblanadi.
Sensor darajasida, raqamli kameraning yo`llarida va keyinchalik raqamli ishlov 
berish bilan raqamli shovqinni bostirishning barcha turlari mavjud. Sensor 
darajasida kattaroq piksellar ishlatiladi va mikrolenslar bir-biriga yaqinroq 
joylashgan. Bundan tashqari, yorug`likning katta foizini o`tishga imkon beradigan 
rangli filtrlardan foydalanishingiz mumkin. Ikkinchi usul kameraning rang sifatiga 
salbiy ta`sir ko`rsatishi mumkin. Yuqori sifatli kuchaytirgichlar va yuqori 
aniqlikdagi ADClardan foydalanish shovqinni kamaytiradi. Ba`zan (masalan, 
astrofotografiyada) matritsani sovutish qo`llaniladi. Raqamli stoxastik shovqinni 

---

78 
qayta ishlashdan keyin bostirish algoritm “o`xshash” deb hisoblagan piksellar 
guruhiga nisbatan pikselning yorqinligini oshirish orqali amalga oshiriladi. Odatda, 
tasvir tafsilotlari yomonlashadi, u ko`proq “sovunli” bo`ladi. Bundan tashqari, asl 
sahnada bo`lmagan soxta tafsilotlar paydo bo`lishi mumkin. Masalan, agar algoritm 
“o`xshash” piksellarni qidirishga imkon bermasa, unda nozik satri va o`rta 
darajadagi shovqin bostirilishi mumkin va zaif, ammo baribir sezilarli, g`ayritabiiy 
“katta” shovqin ko`rinib turadi.