Преобразование изображений в квантовое представление на основе модели NEQR

Боковая панель статьи

PDF
Опубликован: Mar 2, 2026
DOI: https://doi.org/10.62132/ijdt.v9i1.323
Ключевые слова:
изображение, квантовое изображение, пиксель, NEQR, FRQI, вентиль CNOT, суперпозиция, кубит, машинное обучение, интенсивность

Основное содержимое статьи

Р.А. Собиров
Национальный исследовательский университет “Ташкентский институт инженеров ирригации и механизации сельского хозяйства”, Ташкент, Узбекистан
Д.Т. Мухамедиева
Национальный исследовательский университет “Ташкентский институт инженеров ирригации и механизации сельского хозяйства”, Ташкент, Узбекистан
О.Ж. Бобомуродов
Казанский федеральный университет

Аннотация

В данной статье подробно рассматривается модель NEQR (Novel Enhanced Quantum Representation), разработанная для обработки классических изображений на квантовых компьютерах. NEQR кодирует пиксели изображения не по амплитуде, а непосредственно в виде двоичных значений кубитов (бит к биту). Такой подход очень удобен для таких задач, как определение изображения, разделение контуров, усреднение и построение гистограмм, и многократно ускоряет вычислительный процесс за счет квантового параллелизма. В статье рассматриваются математические основы NEQR, алгоритмическая структура, адресация кубитов и этапы формирования формата NEQR на примере реального изображения.

Информация о статье

Как цитировать
Собиров, Р., Мухамедиева, Д., & Бобомуродов, О. (2026). Преобразование изображений в квантовое представление на основе модели NEQR. Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий, 9(1), 57–63. https://doi.org/10.62132/ijdt.v9i1.323
Выпуск
Том 9 № 1 (2026): Международный журнал теоретических и прикладных вопросов цифровых технологий
Раздел
Articles
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Библиографические ссылки

Yue Ruan, Xiling Xue, and Yuanxia Shen. Quantum image processing: Opportunities and challenges. Mathematical Problems in Engineering, Vol. 2021, Issue 1. –2021.

Fei Yan, Abdullah M Iliyasu, and Salvador E Venegas-Andraca. A survey of quantum image representations. Quantum Information Processing, 15(1):1–35, 2016. https://doi.org/10.1007/s11128-015-1195-6.

Salvador E Venegas-Andraca and Sougato Bose. Storing, processing, and retrieving an image using quantum mechanics. In Eric Donkor, Andrew R. Pirich, and Howard E. Brandt, editors, Quantum Information and Computation, volume 5105, pages 137 – 147. International Society for Optics and Photonics, SPIE, 2003.

Phuc Q Le, Fangyan Dong, and Kaoru Hirota. A flexible representation of quantum images for polynomial preparation, image compression, and processing operations. Quantum Information Processing, 10(1):63–84, 2011.

Yi Zhang Kai Lu Yinghui Gao Mo Wang. NEQR: a novel enhanced quantum representation of digital images. Quantum Inf Process (2013) 12:2833–2860 DOI 10.1007/s11128-013-0567-z.

Venegas-Andraca, S.E., Bose, S. Storing, processing and retrieving an image using quantum mechanics. Proceeding of the SPIE Conference Quantum Information and Computation, pp. 137–147.

Venegas-Andraca, S.E., Ball, J.L., Burnett, K., Bose, S: Processing images in entangled quantum systems. Quantum Inform. Process. 9, 1–11 (2010).

Latorre, J.I. Image compression and entanglement. Journal of Quantum Information Science, Vol.2 No.3, September 28, 2012 DOI:10.48550/arXiv.quant-ph/0510031.

Le, P.Q., Dong, F., Hirota, K.: A flexible representation of quantum images for polynomial preparation, image compression, and processing operations. Quantum Inform. Process. Volume 10, pages 63-84. 2011.

Tseng, C.-C., Hwang, T.-M.: Quantum digital image processing algorithms. 16th IPPR Conference on Computer Vision, Graphics and Image Processing, Kinmen, 17-19 August 2003, 827-834.

J. Biamonte, P. Wittek, N. Pancotti, P. Rebentrost, N. Wiebe,and S. Lloyd. “Quantum machine learning,” Nature, vol. 549,no. 7671, pp. 195–202, 2017.

Le, P.Q., Dong, F., Hirota, K. A flexible representation of quantum images for polynomial preparation, image compression and processing operations. Quantum Inform. Process. 10(1), 63–84.

Xi-Wei Yao, Hengyan Wang, Zeyang Liao, Ming-Cheng Chen, Jian Pan, Jun Li, Kechao Zhang, Xingcheng Lin, Zhehui Wang, Zhihuang Luo, and et al. Quantum image processing and its application to edge detection: Theory and experiment. Physical Review X, 7(3), Sep 2017.

Sysoev S.S. Introduction to Quantum Computing. Quantum algorithms: textbook. allowance. – St. Petersburg.: Publishing house St. Petersburg. University, – 144 p. 2019.

Get started with IBM Quantum Experience [Электронный ресурс]. – URL: https://quantum-computing.ibm.com/docs (дата обращения 10.10/2020).

D T Mukhamedieva and R A Sobirov. Application of quantum computing in image processing for recognition of infectious diseases of wheat. BIO Web of Conferences 95, 01003 (2024). https://doi.org/10.1051/bioconf/20249501003.