Применение алгоритма кластеризации K-средних для идентификации динамических объектов

Аннотация

This article examines the implementation of the k-means clustering algorithm for the detection of dynamic objects. Since k-means is one of the unsupervised learning methods, it is widely used in tasks that involve the real-time detection, tracking, and classification of moving objects. The essence of the method, its implementation, and its disadvantages indicate the need for approaches related to deep learning techniques. Keywords: dynamic object, clustering, k-means, segmentation. Bugungi kunda kompyuterli nigoh va sun’iy intellekt sohasining keskin rivojlanishi natijasida ular olib boradigan yo‘nalishlar tobora kengayib bormoqda. Ushbu masalalar sirasiga dinamik obyektlarni aniqlash kiradi. Dinamik obyektlarni aniqlash masalasi qo‘llaniladigan sohalar sirasiga avtonom transport vositalari, videokuzatuv tizimlari, robotexnika, masofadan zondlash kabi ko‘plab sohalarni keltirish mumkin [1]. Dinamik obyektlarni aniqlashda segmentlash usullar keng qo‘llaniladi. Tasvirni segmentlash – bu raqamli tasvirni bir nechta mantiqiy va mazmunli sohalarga ajratish jarayoni bo‘lib, u ko‘plab qaror qabul qilishga yo‘naltirilgan tizimlarda muhim ahamiyatga ega. Umuman 239 Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г. olganda segmentlash masalasi quyidagicha qo‘yiladi. Faraz qilaylik, I butun tasvir va uni segmentlash quyidagi shartlarni qanoatlantiruvchi 240 l ta T = T 1 , T 2 , ..., T sohalariga ajratgan boʼlsin: 1. I = l i= 1 T i ; 2. i, j =1,l:i  j,T T =; i j ( ) 3. i =1,l,P T = chin; i 4.  i , j = 1 , l , P ( T i  T j ) = y o lg 'o n ; bu yerda P soha piksellarida aniqlangan mantiqiy predikat [2]. 1-shart I tasvirni l ta, ya’ni T = T 1 , T 2 , ..., T sohalar birlashmasidan iborat ekanligini anglatadi. 2-shart bu l ta sohalarni oʼzaro kesishmasligini bildiradi. 3-shart esa piksel yagona sohada joylashishi zarurligini taʼminlaydi. 4-shart ixtiyoriy ikkita T i va T j sohalar P predikat maʼnosida ajralishini bildiradi. Segmentlash natijasida tasvirdagi bir xil belgilarga ega piksellar bir guruhga birlashtiriladi, sohalar o‘rtasida esa yaqqol kontrast hosil qilinadi, bu esa tahlil qilishni ancha osonlashtiradi. Segmentlash uchun turli usullar mavjud bo‘lib, ular orasida klasterlash asosidagi yondashuvlar ayniqsa keng tarqalgan. Bu yondashuvlar orasida k-means, noravshan C-means, subtraktiv klasterlash kabi usullari mavjud bo‘lib, ushbu usullar ma’lumotlar orasidagi o‘xshashlikka asoslangan holda sohalarni aniqlaydi. Ushbu usullardan k-means usuli bajarilish jihatdan soddaligi, tezkorligi va katta o‘lchamli tasvirlar bilan samarali ishlashi tufayli keng qo‘llaniladi. Biroq, k-means algoritmidan samarali foydalanish uchun klasterlar soni – ya’ni qiymatini oldindan to‘g‘ri belgilash va boshlang‘ich markaz (sentroid) larni mos ravishda tanlash muhimdir, chunki bu omillar yakuniy segmentlash natijasiga bevosita ta’sir ko‘rsatadi [3]. k-means klasterlash algoritmi ma’lumotlar to‘plamini oldindan belgilangan k ta klasterga ajratishga asoslangan mashhur usullardan biridir. Ushbu algoritm iterativ tarzda ishlaydi va har bir obyektni o‘ziga eng yaqin klaster markaziga (sentroidga) tayinlash orqali klasterlararo masofa yig‘indisini minimallashtirishni maqsad qiladi. Jarayon dastlabki k ta markazni belgilash bilan boshlanadi. Har bir nuqta Yevklid masofasi asosida eng yaqin markazga tayinlanadi [4]. Shundan so‘ng, klasterlarning yangi markazlari o‘z a’zolari bo‘yicha qayta hisoblanadi va bu jarayon yaqinlashuv yuz berguncha takrorlanadi. Har bir markaz klasterdagi barcha nuqtalarga bo‘lgan masofalar yig‘indisini minimallashtiruvchi nuqta bo‘lib xizmat qiladi. Agar x  y o‘lchamdagi tasvirni k ta klasterga bo‘lish kerak bo‘lsa, kiruvchi piksel to‘plami p ( x , y ) , klaster markazlari esa c k ko‘rinishida belgilanadi. k-means algoritmi bu piksellarni quyidagilarga muvofiq holda guruhlashni amalga oshiradi: 1. Klasterlar soni “k” ni va markazlarni dastlabki sozlash. 2. Tasvirning har bir pikseli uchun markaz va har bir piksel oʻrtasidagi Yevklid masofasi d ni quyidagi munosabat yordamida hisoblash. d = || p ( x , y ) − c k 3. Barcha piksellarni d asosida eng yaqin markazga tayinlash. 4. Barcha piksellar tayinlangandan soʻng, quyidagi munosabat yordamida markazning yangi pozitsiyasini qayta hisoblash. 1 c =  p(x,y) k k yc xc k k Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г. 5. Jarayonni tolerantlik yoki xatolik qiymatiga mos kelguncha takrorlash. 6. Klaster piksellarini tasvir shaklida qayta shakllantirish. Garchi k-o‘rtacha klasterlash algoritmi soddaligi va amaliy qulayligi bilan ajralib tursa- da, u ba’zi cheklovlarga ega. Natijalar sifati dastlabki markazlarning tasodifiy tanlanishiga sezgir bo‘lib, bu har xil boshlang‘ich holatlarda turli segmentlashga olib keladi. Shuning uchun markazlar ehtiyotkorlik bilan tanlanishi lozim. Shuningdek, algoritmning hisoblash murakkabl