SUN’IY YO‘LDOSH TASVIRLARI SIFATINI OPTIMALLASHTIRISH VA BAHOLASH: ZAMONAVIY YONDASHUVLAR VA METRIKALAR

Аннотация

В статье рассматриваются современные методы оценки и оптимизации качества спутниковых снимков. Проанализированы объективные метрики оценки качества цифровых изображений (PSNR, SSIM, MTF, ERGAS) и их адаптация к спутниковым снимкам. Также будут изучаться инновационные методы повышения качества на основе искусственного интеллекта и глубокого обучения. Результаты исследования демонстрируют потенциал оптимизации спутниковых снимков с точки зрения точности, детализации и емкости данных. Ключевые слова: спутниковые снимки, оценка качества изображений, объективные метрики, PSNR, SSIM, глубокое обучение, спектральная оптимизация. Kirish. Sun’iy yo‘ldosh tasvirlari geologiya, qishloq xo‘jaligi, harbiy strategiya, shaharsozlik va ekologik monitoring kabi sohalarda keng qo‘llanilmoqda. Ushbu tasvirlarning sifati tahlil natijalari va ma’lumotlarning ishonchliligiga bevosita ta’sir ko‘rsatadi. Biroq, atmosferadagi shovqinlar, optik buzilishlar, sensorlarning cheklangan qobiliyatlari va siqilgan formatdagi yo‘qotishlar sun’iy yo‘ldosh tasvirlarining sifatini pasaytirishi mumkin. Shu sababli, ushbu tasvirlarni baholash va optimallashtirish muhim ilmiy muammolardan biridir. Maqolada sun’iy yo‘ldosh tasvirlari sifatini obyektiv va subyektiv metrikalar orqali baholashning zamonaviy usullari va ularni Deep Learning asosida optimallashtirish yondashuvlari tahlil qilinadi. Tadqiqot metodologiyasi. Tadqiqotda turli metrikalar, optimallashtirish usullari va Deep Learning modellarining samaradorligi o‘rganildi.  Tasvir sifatini baholash metrikalari: PSNR, SSIM, MTF, ERGAS va QNR indekslari yordamida tahlil qilindi.  Dasturiy vositalar: MATLAB, Python (OpenCV, TensorFlow) hamda IDL (Interactive Data Language) dan foydalanildi.  Tadqiqot obyektlari: Landsat-8, Sentinel-2 va WorldView-3 sun’iy yo‘ldosh tasvirlari baholandi. 29 RAQAMLI DUNYO: MATEMATIK VA INFORMATIK 2025 -Yil YONDASHUVLAR 13-Fevral Respublika ilmiy-uslubiy konferensiyasi  Optimallashtirish usullari: Super-resolution GAN (SR-GAN), CNN va to‘lqinli transformatsiyalar yordamida yaxshilash tajribadan o‘tkazildi. Ushbu metodlarni taqqoslash uchun 40 sun’iy yo‘ldosh tasvirlari bo‘yicha tadqiqot olib borildi va ularning sifat parametrlari baholandi. Sun’iy yo‘ldosh tasvirlari sifatini baholash metrikalari  PSNR (Peak Signal-to-Noise Ratio) PSNR ko‘rsatkichi tasvirdagi shovqin darajasini baholash uchun ishlatiladi. Bu metrika yuqori bo‘lsa, tasvir sifati yaxshiroq hisoblanadi. Natijalar: PSNR qiymati klassik filtratsiya (Gaussian, Median) bilan 30-35 dB oralig‘ida bo‘lsa, Deep Learning asosidagi modelda 40-45 dB gacha yaxshilanish kuzatildi.  SSIM (Structural Similarity Index Measure) SSIM tasvir tuzilishini baholashda ishlatiladi va 1 ga yaqin bo‘lsa, tasvir sifati yuqori hisoblanadi. Natijalar: Obyektiv va spektral optimallashtirish asosida SSIM ko‘rsatkichi 0.85 dan 0.92 gacha yaxshilandi.  MTF (Modulation Transfer Function) MTF tasvirning fazoviy aniqligini baholash uchun qo‘llaniladi. Natijalar: Deep Learning algoritmlari yordamida tasvirlarning fazoviy aniqligi 1.5 baravarga oshdi.  ERGAS va QNR indekslari ERGAS va QNR indekslari piksellar darajasida ma’lumot yo‘qolishini baholaydi. Pastroq ERGAS va yuqori QNR qiymati yaxshiroq natija beradi. Natijalar: Super-resolution GAN modeli asosida ERGAS ko‘rsatkichi 15% pasaytirildi, bu esa yaxshilanishni ko‘rsatadi. Sun’iy yo‘ldosh tasvirlari sifatini optimallashtirish yondashuvlari  Super-resolution GAN (SR-GAN) SR-GAN modeli tasvirlarni sun’iy yo‘l bilan yuqori aniqlikka olib chiqishda ishlatiladi. Natijalar: SR-GAN yordamida fazoviy aniqlik 20-30% gacha oshirildi, bu esa tahlil jarayonini ancha samarali qiladi.  CNN (Convolutional Neural Networks) CNN orqali tasvirlarni shovqindan tozalash va optimallashtirish samarali amalga oshirildi. Natijalar: CNN yordamida shovqin kamaytirilib, PSNR 35 dB dan 42 dB gacha oshdi.  To‘lqinli transformatsiyalar To‘lqinli transformatsiyalar yordamida tasvir sifatining buzilishlari minimallashtirildi. Natijalar: Bu usul SSIM qiymatini 0.88 dan 0.93 gacha yaxshiladi. Tadqiqot natijalari va xulosa. Tadqiqot natijalari shuni ko‘rsatadiki, Deep Learning va GAN modellaridan foydalanish sun’iy yo‘ldosh tasvirlari sifatini sezilarli darajada yaxshilaydi.  PSNR, SSIM va MTF natijalari optimallashtirilgan usullar bilan sezilarli darajada yaxshilandi.  SR-GAN va CNN modellarining qo‘llanilishi orqali fazoviy aniqlik oshdi va shovqin pasaytirildi.  Tasvirlarni optimallashtirish natijasida ERGAS kamaydi va ma’lumot sifati oshdi. 30 RAQAMLI DUNYO: MATEMATIK VA INFORMATIK 2025 -Yil YONDASHUVLAR 13-Fevral Respublika ilmiy-uslubiy konferensiyasi Kelajakda kvant hisoblash texnologiyalari va gibrid Deep Learning yondashuvlari orqali sun’iy yo‘ldosh tasvirlarini optimallashtirish yanada rivojlantirilishi mumkin. Foydalanilgan adabiyotlar 1. Zhang, Y., & Wang, X. (2023). Deep Learning-Based Super-Resolution for Remote Sensing Images. IEEE Transactions on Geoscience and Remote Sensing. 2. Liu, H., &