Bilgisayarlı görü ve görüntü işleme: Temel farklar

Kameralar daha mı akıllı hâle geliyor, yoksa yalnızca görüntüleri iyileştirmede mi daha iyi oluyor? Her şey, görsel verileri nasıl işlediklerine ve iyileştirdiklerine bağlı.

Bu dönüşümün temelinde iki önemli teknoloji var: görüntü işleme ve bilgisayarlı görü. Sık sık birlikte anılsalar da farklı amaçlara hizmet ederler. Görüntü işleme, görüntüleri iyileştirmeye, parlaklığı ayarlamaya, ayrıntıları keskinleştirmeye ve gürültüyü azaltmaya odaklanır; bunu yaparken görüntülerin içeriğini anlaması gerekmez.

Bilgisayarlı görü ise makinelerin insanlarda olduğu gibi görüntüleri ve videoları tanıyıp yorumlamasını sağlayarak bir adım öteye geçer. Böylece yüz tanıma, nesne algılama ve gerçek zamanlı sahne analizi gibi görevler mümkün hâle gelir.

Her iki teknoloji de çeşitli sektörlerde giderek vazgeçilmez hâle geliyor. Akıllı telefon fotoğraflarını iyileştirmekten otonom araçlara güç sağlamaya kadar etkileri geniş bir alana yayılıyor. Bilgisayarlı görü pazarının 2033'e kadar 111,43 milyar dolara ulaşması beklenirken dijital görüntü işleme pazarının 2034'e kadar muhtemelen 378,71 milyar dolara çıkacağı öngörülüyor.

Bu makalede, görüntü işlemenin ve bilgisayarlı görünün nasıl çalıştığını, gerçek dünyadaki uygulamalarını ve bu alanların nasıl kesiştiğini inceleyeceğiz.

Genel bakış: bilgisayarlı görü ve görüntü işleme karşılaştırması#

Bilgisayarlı görü ve görüntü işleme ikisi de görüntülerle ilgilenir, ancak farklı amaçları vardır. Bilgisayarlı görü, makinelerin görüntülere veya videolara dayanarak anlam çıkarmasına ve karar vermesine yardımcı olur. Buna karşılık görüntü işleme, içeriğini yorumlamadan bir görüntüyü daha net veya görsel açıdan daha çekici hâle getirmek için iyileştirmeye ya da değiştirmeye odaklanır.

Bunun yanı sıra bilgisayarlı görü çözümleri, görüntü içeriğini analiz edip anlamak için Ultralytics YOLO11 gibi modellerden yararlanır. Yaygın bilgisayarlı görü görevleri arasında nesne algılama, örnek segmentasyonu, görüntü sınıflandırma ve nesne takibi bulunur. Bilgisayarlı görü, güvenli sürüşü sağlamak üzere yayaları, trafik işaretlerini ve diğer araçları gerçek zamanlı olarak tanımaya yardımcı olduğu otonom araçlar gibi uygulamalarda yaygın biçimde kullanılır.

Öte yandan görüntü işleme, görüntüyü bir bütün olarak gerçekten anlamadan piksel değerlerini ayarlayan matematiksel işlevler kullanarak görüntüleri değiştirmeye odaklanır. Gürültü azaltma, keskinleştirme ve kontrast iyileştirme gibi teknikler görüntü kalitesini artırmak için tek tek piksellerin renklerini ve yoğunluklarını değiştirir; ancak görüntüdeki nesneleri, şekilleri veya anlamı tanımaz. Bu düzeyde anlama işini bilgisayarlı görü üstlenir.

Şekil 1. Bilgisayarlı görü ve görüntü işleminin karşılaştırması. Görsel yazara aittir.

Görüntü işlemeyi, görüntüyü daha net veya görsel açıdan daha çekici hâle getiren bir araç seti olarak düşünebilirsin. Görüntü işlendikten sonra bilgisayarlı görü, farklı görevleri gerçekleştirmek üzere görüntüleri analiz eden beyin işlevini görebilir.

Görüntü işleme nasıl çalışır#

Görüntü işleme, bilgisayarlı görünün geliştirilmesine zemin hazırlayan temel bir kavramdır. Fotoğraf ve video gibi görsel verileri iyileştirmek, analiz etmek veya değiştirmek için algoritmalar kullanmayı içerir. Parlaklık, kontrast ve renk dengesi gibi parametreleri ayarlayarak veya gürültüyü filtreleyerek dijital görüntüleri değiştirebilir ve iyileştirebilir. Bu yöntemler, görüntüleri bilgisayarlı görü modellerinin daha ileri düzeyde analiz etmesi için hazırlar.

Görüntü işleme, görüntüleri tek tek piksellere ayırıp istenen sonucu elde etmek için bu pikselleri değiştirme yöntemiyle çalışır. Örneğin kenarları algılamak için algoritmalar, piksel değerlerindeki ani değişimleri inceler. Böylece yapay zekâ sistemleri nesneleri veya örüntüleri daha doğru tanıyabilir. Akıllı telefon fotoğraflarını iyileştirmekten güvenlik kamerası görüntülerini geliştirmeye ve daha okunaklı olmaları için belgeleri taramaya kadar görüntü işleme, görsel kalitenin iyileştirilmesinin önemli olduğu gündelik uygulamalarda yaygın olarak kullanılır.

Şekil 2. Kenar algılama için görüntü işlemenin kullanılmasına bir örnek.

Görüntü işleme tekniklerini keşfetme#

Temel görüntü işleme tekniklerinden bazı örnekler:

• Şablon eşleştirme: Belirli örüntüleri veya nesneleri bulmak için görüntünün bölümlerini önceden tanımlanmış bir şablonla karşılaştırır.
• Bulanıklaştırma (yumuşatma): Piksel değerlerinin ortalamasını alarak görüntü gürültüsünü ve ayrıntıları azaltır; daha ileri analizler için ön işleme aşamasında yaygın olarak kullanılır.
• Morfolojik işlemler: Genişletme (nesneleri büyütme), aşındırma (nesneleri küçültme), açma (küçük gürültüleri giderme) ve kapama (küçük boşlukları doldurma) gibi tekniklerle görüntüdeki nesnelerin şeklini ayarlar.
• Eşikleme: Piksel yoğunluğuna göre nesneleri arka plandan ayırarak segmentasyonu ve öznitelik çıkarımını kolaylaştırır.

Geliştiriciler, görüntülere görüntü işleme tekniklerini kolayca uygulamak için OpenCV, Pillow, scikit-image, TensorFlow ve PyTorch gibi özel araçları sıkça kullanır. Bu kitaplıklar, karmaşık kodları sıfırdan yazma ihtiyacını ortadan kaldıran, önceden oluşturulmuş işlevler ve optimize edilmiş algoritmalar sunar.

Ayrıca birden fazla programlama dilini destekler, diğer araçlarla iyi bütünleşir ve kapsamlı belgeler sunarlar. Böylece görüntü işleme daha hızlı, daha verimli ve alanda derin uzmanlığı olmayanlar için bile erişilebilir hâle gelir.

Bilgisayarlı görü nasıl çalışır#

Günümüzdeki en gelişmiş bilgisayarlı görü modellerinden bazıları YOLO (Tek Bakışta Gör) serisinden gelir. Yıllar içinde her biri doğruluğu ve verimliliği artıran yeni sürümler yayımlandı. Bu yazı yazılırken en güncel sürüm olan Ultralytics YOLO11, daha da yüksek hassasiyet ve performans sunuyor (daha sonra yerini Ultralytics YOLO26 aldı).

Ultralytics YOLO11 gibi modeller, belirli nesneleri tanımak üzere özel olarak eğitilebilir ve nesne algılama, örnek segmentasyonu ve gerçek zamanlı nesne takibi dâhil olmak üzere birden fazla bilgisayarlı görü görevini yerine getirebilir.

Ultralytics YOLO11'in desteklediği bilgisayarlı görü görevlerine kısaca göz atalım:

• Nesne algılama: Görüntüdeki nesneleri tanımlar ve konumlarını belirler; örneğin otonom araçlar için yayaları algılar.
• Örnek segmentasyonu: Tıbbi taramalarda tek tek organları ayırmak gibi, bir görüntüyü anlamlı parçalara veya bölgelere ayırır.
• Görüntü sınıflandırma: Bir görüntünün köpek mi yoksa kedi mi içerdiğini belirlemek gibi, görüntünün tamamına etiketler atar.
• Poz tahmini: Jestleri veya duruş değişikliklerini algılamak gibi amaçlarla nesnelerin hareketini ve konumunu izler. İnsanlara uygulandığında vücut hareketlerini gerçek zamanlı olarak analiz edebilir; bu da onu fitness takibi ve rehabilitasyon gibi uygulamalarda yararlı kılar.

Şekil 3. Ultralytics YOLO11'in desteklediği bilgisayarlı görü görevleri.

Bilgisayarlı görü ve görüntü işlemenin uygulamaları#

Bilgisayarlı görü ve görüntü işlemenin nasıl çalıştığını ele aldığımıza göre, şimdi bunların gerçek dünyadaki uygulamalarına ve kesiştikleri noktalara göz atalım.

Bilgisayarlı görüyle hayvan varlığını izleme#

Büyük çiftliklerin hayvan varlığını nasıl takip ettiğini hiç merak ettin mi? Yüzlerce hayvanı elle izlemek zaman alır; ancak YOLO11 gibi bilgisayarlı görü modelleriyle hayvan izleme otomatikleştirilebilir.

Ultralytics YOLO11 hayvanları gerçek zamanlı olarak algılayabilir, takip edebilir ve analiz edebilir; böylece çiftçilerin çiftlik hayvanlarını verimli biçimde yönetmesine yardımcı olur. Bu tür analizlerden elde edilen bilgiler, topallık gibi sağlık sorunlarının erken belirtilerini algılamaya yardımcı olarak daha hızlı müdahale edilmesini ve hayvan bakımının genel olarak iyileştirilmesini sağlayabilir.

Şekil 4. YOLO11 ile hayvan davranışlarının izlenmesine bir örnek.

Görüntü işleme ile hayvan sayımı#

Benzer şekilde, kontrollü ortamlar olan ağıllar veya ahırlar gibi yerlerde hayvanları sayarak çiftlik hayvanlarını izlemek için görüntü işlemeden yararlanılabilir. Arka planın tekdüze olduğu görüntülerde, hayvanları algılayıp saymak için eşikleme ve nesne sınırlarını belirleyebilen kontur algılama gibi görüntü işleme teknikleri kullanılabilir. Bu yöntemlerde, çiftlik hayvanlarının şekillerini belirlemek için arka planı kaldırma, kenarları algılama ve segmentasyon gibi tekniklerden yararlanılır.

Şekil 5. Hayvanları algılamak için görüntü işlemenin kullanılmasına bir örnek.

Bunun bilgisayarlı görüyle aynı şey olduğunu düşünüyor olabilirsin. Peki aradaki fark ne?

Temel fark, görüntü işlemenin gördüğünü gerçekten anlamadan piksel değerlerini ve örüntüleri analiz etmesidir. Hayvanları tek tek saymak için kenarları ve şekilleri algılar; bazı teknikler görüntülerde birbirine yakın duran hayvanları ayırmaya bile yardımcı olabilir.

Ancak bilgisayarlı görünün aksine görüntü işleme, tek tek hayvanları tanımaz veya birbirinden ayırt etmez; yalnızca şekil ve boyuta göre sayar. Bu, hayvan sayımı ve izlemede yararlıdır ancak bazı sınırlamaları vardır. Hayvanlar üst üste binerse, konumlarını değiştirirse veya ışık koşulları farklılık gösterirse doğruluk etkilenebilir. Ayrıca hayvanları zaman içinde takip edemez veya davranışları hakkında bilgi sunamaz; bunlar bilgisayarlı görünün önemli avantajlarıdır.

Bilgisayarlı görü ve görüntü işleme birlikte çalışabilir#

Görüntü işleme ve bilgisayarlı görü birbiriyle yakından bağlantılı alanlardır ve görsel veri analizinin doğruluğunu ve verimliliğini artırmak için çoğu zaman birlikte kullanılabilir. Görüntü işleme; kaliteyi iyileştirerek, gürültüyü gidererek ve temel özellikleri vurgulayarak ham verileri iyileştirebilir, böylece bilgisayarlı görü modellerinin anlamlı bilgiler çıkarmasını sağlar.

Örneğin adli analizde görüntü işleme ve bilgisayarlı görü, suç mahallerinde bulunan ayakkabı izlerini analiz etmek için birlikte çalışabilir. Kontrast iyileştirme ve kenar algılama gibi görüntü işleme teknikleri, izlerin netliğini artırarak değerlendirmeyi kolaylaştırabilir. Kontrast iyileştirme ayrıntıları daha görünür kılmak için parlaklığı ve keskinliği ayarlarken kenar algılama, daha iyi belirginlik için ana hatları keskinleştirir.

Bu tekniklerle görüntüler işlendikten sonra bilgisayarlı görü modelleri, izleri adli veri tabanlarıyla karşılaştırmak için örüntü eşleştirme tekniklerinden yararlanabilir ve böylece kimlik tespitini daha doğru hâle getirebilir. Bu teknolojilerin birleşimi, araştırmacıların adli delilleri işlemesini ve yorumlamasını kolaylaştırır.

Şekil 6. Ayakkabı izlerini algılamak için görüntü işleme ve bilgisayarlı görü kullanımı.

Önemli çıkarımlar#

Bilgisayarlı görü ve görüntü işleme el ele çalışarak görsel verilerin iyileştirilmesine, analiz edilmesine ve yorumlanmasına yardımcı olur. Görüntü işleme, görüntü kalitesini artırır ve önemli öznitelikleri çıkarırken bilgisayarlı görü, içgörü sağlayarak bunu bir adım öteye taşır.

Görsel yapay zekâ gelişmeye devam ettikçe bilgisayarlı görü ve görüntü işleme, çeşitli alanlarda otomasyonu, gerçek zamanlı analizi ve karar verme süreçlerini iyileştirecek. Görüntü tanımayı geliştirmekten örüntü algılamayı iyileştirmeye kadar bu teknolojiler, görsel yapay zekâ sistemlerini daha doğru, verimli ve gerçek dünyadaki uygulamalarda görsel verileri anlayabilecek hâle getirecek.

Yapay zekâyı merak mı ediyorsun? Topluluğumuza katıl ve GitHub depomuzu keşfet. Sağlık hizmetlerinde bilgisayarlı görünün ve üretimde yapay zekânın geleceği nasıl yeniden şekillendirdiğini öğren. Görsel yapay zekâ projelerine başlamak için lisanslama seçeneklerimizi keşfet!