12-LEKCIYA_MDQI

Lokal detallardı saqlay otırıp, kontrast jaqsılanadı

Jaqtılıq diapazonı keńeyedi

Tómen kontrastlı súwretlerdiń sapası jaqsılanadı

Sheklewler:

Parametrlerdi durıs tańlaw kerek, bolmasa "shuw" (shawqım) payda bolıwı múmkin

Esaplaw jaqtan quramalı bolıwı múmkin, ásireses úlken súwretler ushın

Kórinisti qayta tiklew

Kórinisti qayta tiklew - bul buzılǵan yamasa sapası tómenlegennen keyingi súwretlerdi dáslepki halına qaytarıwǵa baǵdarlanǵan process. Bul process kóbinese eki basqıshtan ibarat: buzılıwdı modellestiriw hám qayta tiklew.

Buzılıw túrleri

a)Additivlik shuw: I = O + n

b)Multiplicativlik shuw: I = O * n

c)Impulstik shuw ("duz hám burısh" shuwı)

d)Fokustıń buzılıwı

e)Qozǵalıstan payda bolǵan buzılıw

Bunda I - buzılǵan súwret, O - dáslepki súwret, n - shuw.

Qayta tiklew usılları

a)Sızǵısh filtrlew

Ortasha filtrlew

Gauss filtri

Wiener filtri

b)Sızıqlı bolmaǵan filtrlew

Median filtr

Bilateral filtr

c)Regularizaciya tiykarındaǵı usıllar

Tikhonov regularizaciyası

Total Variation (TV) regularizaciyası

d)Iterativlik usıllar

Lucy-Richardson deconvolution

Blind deconvolution

e)Terén úyreniw usılları

Convolutional Neural Networks (CNN)

Generative Adversarial Networks (GAN)

Qayta tiklew processiniń qádemleri

a)Buzılıw túrin hám dárejesin anıqlaw

b)Buzılıw modelin dúziw

c)Qayta tiklew usılın tańlaw

d)Qayta tiklew algoritmin qollanıw

e)Nátiyjelerin bahalaw hám optimizaciyalaw

Nátiyjelerin bahalaw

Qayta tiklewdiń sapasın bahalaw ushın tómendegi ólshemler qollanıladı:

Peak Signal-to-Noise Ratio (PSNR)

Structural Similarity Index (SSIM)

Mean Squared Error (MSE)

Visual Information Fidelity (VIF)

Qollanıw tarawları

Lokal kontrasttı sızıqlı bolmaǵan asırıw

Medicinada: rentgen, MRT hám CT súwretlerin jaqsılaw

Kosmos izertlewlerinde: planetalar hám juldızlardıń súwretlerin analizlew

Cirlı fotografiyada: súwret sapasın arttırıw

Baqlaw kameraları: túngi kórinisler sapasın jaqsılaw

Kórinisti qayta tiklew

Eski fotografiyalardı qayta tiklew

Medicinada: diagnostikalıq súwretlerdi jaqsılaw

Kosmos izertlewlerinde: uzaq aralıqtan alınǵan súwretlerdi qayta tiklew

Kriminalistikada: buzılǵan videolardı hám súwretlerdi qayta tiklew

Suwastı súwret túsiriwde: suwdıń tásirinen buzılǵan súwretlerdi qayta tiklew

Keleshektegi rawajlanıw baǵdarları

Terén úyreniw usılların qollanıw arqalı algoritmlerdi jetilistiriw

Real-time qayta islew sistemalarin jaratıw

3D súwretlerge usılardı qollanıwdı rawajlandırıw

Kóp spektrli súwretlerge arnalǵan usılardı islep shıǵıw

Lokal kontrasttı sızıqlı bolmaǵan asırıw algoritmi hám kórinisti qayta tiklew usılları - bul súwret qayta islew tarawındaǵı áhmiyetli qurallar. Olar súwret sapasın jaqsılaw, joǵalǵan maǵlıwmatlardı qayta tiklew hám detallardı anıqlaw ushın keń qollanıladı. Bul usıllar úzliksiz rawajlanıp atır hám keleshekte de súwret qayta islew tarawında áhmiyetli orın iyeleydi.

Lokal kontrasttı sızıqlı bolmaǵan asırıw algoritmi hám kórinisti qayta tiklew usılların kórsetiw ushın Python tilinde ámeliy mısal usınıs etemiz. Bul mısalda eki bólim bar: birinshisi - lokal kontrasttı asırıw, ekinshisi - súwretti qayta tiklew.

python

import numpy as np import cv2

import matplotlib.pyplot as plt

from skimage.restoration import denoise_tv_chambolle from skimage.util import random_noise

def local_contrast_enhancement(image, kernel_size=15, clip_limit=3.0, alpha=1.5):

# Sur reńli formatqa aylandırıw

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# CLAHE (Contrast Limited Adaptive Histogram Equalization) qollanıw clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=(kernel_size,

kernel_size))

clahe_image = clahe.apply(gray)

# Kontrasttı kúsheytiriw

enhanced = cv2.addWeighted(gray, alpha, clahe_image, 1.0 - alpha, 0) return enhanced

def add_noise_and_restore(image, noise_type='gaussian', noise_var=0.01):

# Sur reńli formatqa aylandırıw

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Shuw qosıw

noisy = random_noise(gray, mode=noise_type, var=noise_var) noisy = np.array(255 * noisy, dtype='uint8')

# Total Variation denoising qollanıw

restored = denoise_tv_chambolle(noisy, weight=0.1, multichannel=False) restored = np.array(255 * restored, dtype='uint8')

return noisy, restored

def plot_results(original, enhanced, noisy, restored): fig, axes = plt.subplots(2, 2, figsize=(12, 10)) ax = axes.ravel()

ax[0].imshow(original, cmap='gray') ax[0].set_title("Dáslepki súwret")

ax[1].imshow(enhanced, cmap='gray') ax[1].set_title("Lokal kontrast asırılǵan")

ax[2].imshow(noisy, cmap='gray') ax[2].set_title("Shuw qosılǵan")

ax[3].imshow(restored, cmap='gray')

ax[3].set_title("Qayta tiklengen")

for a in ax: a.axis('off')

plt.tight_layout() plt.show()

# Súwretti oqıw

image = cv2.imread('input_image.jpg')

# Lokal kontrasttı asırıw

enhanced = local_contrast_enhancement(image)

# Shuw qosıw hám qayta tiklew

noisy, restored = add_noise_and_restore(image)

# Nátiyjelerin kórsetiw

plot_results(cv2.cvtColor(image, cv2.COLOR_BGR2GRAY), enhanced, noisy, restored)

Bul kodta tómendegi processler ámelge asırıladı:

1. Lokal kontrasttı asırıw:

oCLAHE (Contrast Limited Adaptive Histogram Equalization) usılı qollanıladı

oKontrasttı qosımsha kúsheytiriw ushın cv2.addWeighted funkciyası qollanıladı

2.Kórinisti qayta tiklew:

oSúwretke Gauss shuwı qosıladı

oTotal Variation denoising usılı arqalı súwret qayta tiklenedi

3.Nátiyjelerin kórsetiw:

oDáslepki súwret, kontrast asırılǵan súwret, shuw qosılǵan súwret hám qayta tiklengen súwret bir grafike jaylastırıladı

Bul kodtı iske túsiriw ushın, siz tómendegi kitapxanalardı ornatıwıńız kerek:

numpy

opencv-python (cv2)

matplotlib

scikit-image

Hám 'input_image.jpg' atı menen bir súwretti tayarlap qoyıwıńız kerek.

Bul kod lokal kontrasttı asırıw hám kórinisti qayta tiklew processleriniń tiykarǵı principlerin kórsetedi. Ámeliy jumıslarda parametrlerdi optimizaciyalaw hám quramalıraq usılardı qollanıw arqalı jaqsıraq nátiyjelege erisiwge boladı.

Úy tapsırması

1.Lokal kontrasttı sızıqlı bolmaǵan asırıw algoritmin Python tilinde ámelge asırıń.

2.Hár qıylı buzılıw túrlerine ushıraǵan súwretlerdi jaratıń hám olardı qayta tiklew ushın hár qıylı usılardı qollanıp kóriń.

3.Qayta tiklewdiń sapasın bahalaw ushın PSNR hám SSIM ólshemleriniń esaplaw algoritmleriniń Python kodın jazıń.

4.Terén úyreniw tiykarındaǵı súwret qayta tiklew usılı haqqında izertlew jumısın tayarlań.

Bul lokal kontrasttı sızıqlı bolmaǵan asırıw algoritmi hám kórinisti qayta tiklew usıllarınıń tiykarǵı túsiniklerin qamtıp aladı.

Baqlaw sorawları:

1.Lokal kontrasttı sızıqlı bolmaǵan asırıw algoritminiń tiykarǵı formulasın jazıń hám oǵan kiriwshi komponentlerdi túsindirip beriń.

2.CLAHE (Contrast Limited Adaptive Histogram Equalization) usılı ádettegi gistogramma teńlestiriw usılınan qanday artıqmashılıqlarǵa iye?

3.Kórinisti qayta tiklew procesindegi "buzılıw modeli" degendi qalay túsinesiz? Buzılıwdıń qanday túrlerin bilesiz?

4.Additivlik hám multiplicativlik shuw modelleriniń ayırmashılıǵın túsindirip beriń.

5.Kórinisti qayta tiklew ushın qollanılatuǵın sızıqlı hám sızıqlı bolmaǵan filtrlerge mısallar keltirip, olardıń artıqmashılıqların túsindiriń.

6.Total Variation (TV) regularizaciyası usılınıń tiykarǵı ideyası neden ibarat hám ol qanday máselelerdi sheshiwde qollanıladı?

7.Terén úyreniw usılların kórinisti qayta tiklew máselesinde qalay qollanıwǵa boladı? Qanday artıqmashılıqları bar?

8.Qayta tiklewdiń sapasın bahalaw ushın qollanılatuǵın PSNR (Peak Signal- to-Noise Ratio) hám SSIM (Structural Similarity Index) ólshemleriniń mánisi nede?

9.Lokal kontrasttı sızıqlı bolmaǵan asırıw algoritmi medicinada qalay qollanıladı? Mısal keltirip túsindiriń.