Bilgisayarlı görü ve görüntü işleme: Temel farklar

Kameralar akıllanıyor mu, yoksa sadece görüntüleri iyileştirmede mi daha iyi hale geliyorlar? Her şey, görsel verileri nasıl işleyip geliştirdikleriyle ilgili.

Bu evrimin merkezinde iki temel teknoloji yer alıyor: görüntü işleme ve computer vision. Genellikle birlikte anılsalar da farklı amaçlara hizmet ederler. Image processing, içindekileri mutlaka anlamadan görüntüleri iyileştirmeye, parlaklığı ayarlamaya, ayrıntıları netleştirmeye ve gürültüyü azaltmaya odaklanır.

Bilgisayarlı görü ise makinelerin görüntüleri ve videoları insanlar gibi tanımasını ve yorumlamasını sağlayarak işleri bir adım öteye taşır. Bu sayede yüz tanıma, nesne tespiti ve gerçek zamanlı sahne analizi gibi görevler mümkün hale gelir.

Her iki teknoloji de çeşitli endüstrilerde vazgeçilmez hale geliyor. Akıllı telefon fotoğraflarını geliştirmekten otonom araçlara güç vermeye kadar etkileri oldukça yaygındır. 2033 yılına kadar bilgisayarlı görü pazarının 111,43 milyar dolara ulaşması beklenirken, dijital görüntü işleme pazarının 2034 yılına kadar 378,71 milyar dolara çıkması muhtemeldir.

Bu makalede, görüntü işleme ve bilgisayarlı görünün nasıl çalıştığını, gerçek dünyadaki uygulamalarını ve nasıl örtüştüklerini inceleyeceğiz. Hadi başlayalım!

Genel bakış: bilgisayarlı görü ve görüntü işleme#

Bilgisayarlı görü ve görüntü işleme ikisi de görüntülerle uğraşır, ancak farklı hedefleri vardır. Bilgisayarlı görü, makinelerin görüntülere veya videolara dayanarak anlamasına ve karar vermesine yardımcı olur. Buna karşılık görüntü işleme, içeriği yorumlamadan bir görüntüyü daha net veya görsel olarak daha çekici hale getirmek için iyileştirmeye veya değiştirmeye odaklanır.

Buna ek olarak, bilgisayarlı görü çözümleri, bir görüntünün içeriğini analiz etmek ve anlamak için Ultralytics YOLO11 gibi modellerden yararlanır. Yaygın bilgisayarlı görü görevleri arasında nesne tespiti, görüntü sınıflandırma, örnek bölütleme ve nesne izleme yer alır. Bilgisayarlı görü, güvenli sürüşü sağlamak için yayaları, trafik işaretlerini ve diğer araçları gerçek zamanlı olarak tanımaya yardımcı olduğu otonom arabalar gibi uygulamalarda yaygın olarak kullanılmaktadır.

Öte yandan görüntü işleme, görüntüyü bir bütün olarak anlamadan, piksel değerlerini ayarlayan matematiksel fonksiyonlar kullanarak görüntüleri değiştirmeye odaklanır. Parazit azaltma, keskinleştirme ve kontrast iyileştirme gibi teknikler, görüntü kalitesini artırmak için tek tek piksellerin renklerini ve yoğunluğunu değiştirerek çalışır, ancak görüntüdeki nesneleri, şekilleri veya anlamı tanımazlar. Bu anlayış düzeyi bilgisayarlı görü tarafından ele alınır.

Şekil 1. Bilgisayarlı görü ve görüntü işlemenin karşılaştırılması. Görsel yazara aittir.

Görüntü işlemeyi, görüntüyü iyileştiren, daha net veya görsel olarak daha çekici hale getiren araç seti olarak düşünebilirsin. Bir görüntü işlendikten sonra bilgisayarlı görü, görüntüleri analiz ederek farklı görevleri yerine getiren beyin gibi davranabilir.

Görüntü işleme nasıl çalışır#

Görüntü işleme, bilgisayarlı görünün gelişimi için temel oluşturan bir kavramdır. Fotoğraf ve video gibi görsel verileri iyileştirmek, analiz etmek veya değiştirmek için algoritmaların kullanılmasını içerir. Parlaklık, kontrast, renk dengesi gibi parametreleri ayarlayarak veya paraziti filtreleyerek dijital görüntüleri değiştirebilir ve geliştirebilir. Bu yöntemler, görüntüleri bilgisayarlı görü modelleri tarafından yapılacak daha ileri düzey analizler için hazırlar.

Görüntü işleme, görüntüleri tek tek piksellere ayırarak ve ardından istenen efektleri elde etmek için her birini değiştirerek çalışır. Örneğin, kenarları algılamak için algoritmalar, piksel değerlerindeki ani değişimler için pikselleri kontrol eder. Bu, yapay zeka sistemlerinin nesneleri veya desenleri doğru bir şekilde tanımasını kolaylaştırır. Akıllı telefon fotoğraflarını iyileştirmekten güvenlik kamerası görüntülerini geliştirmeye ve belgeleri daha iyi okunabilirlik için taramaya kadar görüntü işleme, görsel kalitenin önemli olduğu günlük uygulamalarda yaygın olarak kullanılır.

Şekil 2. Kenar tespiti için görüntü işleme kullanımına bir örnek.

Görüntü işleme tekniklerini keşfetme#

İşte bazı temel görüntü işleme tekniklerinden örnekler:

• Şablon eşleştirme (Template matching): Belirli desenleri veya nesneleri bulmak için bir görüntünün bölümlerini önceden tanımlanmış bir şablonla karşılaştırır.

• Bulanıklaştırma (yumuşatma): Daha ileri analizler için ön işlemede yaygın olarak kullanılan, piksel değerlerinin ortalamasını alarak görüntüdeki paraziti ve ayrıntıyı azaltır.

• Morfolojik işlemler: Dilation (nesneleri büyütme), erosion (nesneleri küçültme), opening (küçük parazitleri giderme) ve closing (küçük boşlukları doldurma) gibi teknikleri kullanarak bir görüntüdeki nesnelerin şeklini ayarlar.

• Eşikleme (Thresholding): Bölümleme ve özellik çıkarımını kolaylaştırarak, nesneleri piksel yoğunluğuna göre arka plandan ayırır.

Geliştiriciler, görüntüler üzerinde görüntü işleme tekniklerini kolayca uygulamak için sıklıkla OpenCV, Pillow, Scikit-image, TensorFlow ve PyTorch gibi özel araçlar kullanır. Bu kütüphaneler, sıfırdan karmaşık kod yazma ihtiyacını ortadan kaldırarak yerleşik fonksiyonlar ve optimize edilmiş algoritmalar sağlar.

Ayrıca birden fazla programlama dilini desteklerler, diğer araçlarla iyi entegre olurlar ve kapsamlı dokümantasyon sunarlar; bu da görüntü işlemeyi daha hızlı, daha verimli ve alanda derin uzmanlığı olmayanlar için bile erişilebilir kılar.

Bilgisayarlı görü nasıl çalışır#

Günümüzdeki en gelişmiş bilgisayarlı görü modellerinden bazıları YOLO (You Only Look Once) serisinden gelmektedir. Yıllar içinde, her biri doğruluk ve verimliliği artıran yeni sürümler yayınlanmıştır. En son sürüm olan Ultralytics YOLO11,, daha da iyi hassasiyet ve performans sunar.

Ultralytics YOLO11 gibi modeller belirli nesneleri tanımak için özel olarak eğitilebilir ve nesne tespiti, örnek bölütleme ve gerçek zamanlı nesne takibi dahil olmak üzere birden fazla bilgisayarlı görü görevini gerçekleştirebilir.

İşte Ultralytics YOLO11 tarafından desteklenen bilgisayarlı görü görevlerine hızlı bir bakış:

• Nesne algılama: Otonom araçlar için yayaları tespit etmek gibi bir görüntü içindeki nesneleri tanımlar ve konumlandırır.

• Görüntü sınıflandırma: Bu, görüntünün bir köpek mi yoksa kedi mi içerdiğini belirlemek gibi tüm görüntülere etiketler atar.

• Örnek bölümleme (Instance segmentation): Tıbbi taramalardaki bireysel organları izole etmek gibi bir görüntüyü anlamlı parçalara veya bölgelere ayırır.

• Poz tahmini (Pose estimation): Jestleri veya duruş düzeltmelerini algılamak gibi nesnelerin hareketini ve konumunu izler. İnsanlara uygulandığında, vücut hareketlerini gerçek zamanlı olarak analiz edebilir ve bu da onu fitness takibi ve rehabilitasyon gibi uygulamalar için yararlı kılar.

Fig 3. Ultralytics YOLO11 tarafından desteklenen bilgisayarlı görü görevleri.

Bilgisayarlı görü ve görüntü işlemenin uygulamaları#

Artık bilgisayarlı görü ve görüntü işlemenin nasıl çalıştığını tartıştığımıza göre, gerçek dünya uygulamalarına ve nerede örtüştüklerine bakalım.

Bilgisayarlı görü kullanarak hayvancılık izleme#

Büyük çiftliklerin hayvanlarını nasıl takip ettiğini hiç merak ettin mi? Yüzlerce hayvanı manuel olarak izlemek zaman alıcıdır, ancak YOLO11 gibi bilgisayarlı görü modelleri ile hayvan izleme süreci otomatize edilebilir.

Ultralytics YOLO11, hayvanları gerçek zamanlı olarak tespit edebilir, takip edebilir ve analiz edebilir; böylece çiftçilerin hayvanlarını verimli bir şekilde yönetmesine yardımcı olur. Bu tür analizlerden elde edilen içgörüler, topallık gibi sağlık sorunlarının erken belirtilerini tespit etmeye yardımcı olarak daha hızlı müdahaleye ve daha iyi genel hayvan bakımına olanak tanır.

Şekil 4. YOLO11 kullanılarak yapılan hayvan davranışı izleme örneği.

Görüntü işleme ile hayvancılık sayımı#

Benzer şekilde, görüntü işleme, ağıl veya ahır gibi kontrollü ortamlardaki hayvanları sayarak hayvancılığı izlemek için kullanılabilir. Tekdüze arka planlara sahip görüntülerde, eşikleme ve kontur algılama (nesne sınırlarını tanımlayabilir) gibi görüntü işleme teknikleri, hayvanları tespit etmek ve saymak için kullanılabilir. Bu yöntemler, arka planı kaldırma, kenarları algılama ve bölümleme gibi teknikleri kullanarak hayvanların şekillerini tanımlar.

Şekil 5. Hayvanları tespit etmek için görüntü işleme kullanımına bir örnek.

Bunun tam olarak bilgisayarlı görü gibi geldiğini düşünüyor olabilirsin. Peki fark nedir?

Temel fark, görüntü işlemenin ne gördüğünü gerçekten anlamadan piksel değerlerini ve desenlerini analiz etmesidir. Hayvanları tek tek saymak için kenarları ve şekilleri algılar ve bazı teknikler hayvanlar görüntülerde birbirine yakın durduğunda ayrılmalarına bile yardımcı olabilir.

Ancak bilgisayarlı görünün aksine, görüntü işleme bireysel hayvanları tanımaz veya ayırt etmez; sadece şekil ve boyuta göre sayım yapar. Bu onu hayvancılık sayımı ve izleme için kullanışlı kılar, ancak sınırlamaları vardır. Hayvanlar üst üste binerse, konum değiştirirse veya aydınlatma koşulları değişirse doğruluk etkilenebilir. Ayrıca, bilgisayarlı görünün en önemli avantajları olan hayvanları zaman içinde takip edemez veya davranışları hakkında içgörü sağlayamaz.

Bilgisayarlı görü ve görüntü işleme birlikte çalışabilir#

Görüntü işleme ve bilgisayarlı görü, görsel veri analizinin doğruluğunu ve verimliliğini artırmak için genellikle entegre edilebilen yakından bağlantılı alanlardır. Görüntü işleme, bilgisayarlı görü modellerinin anlamlı içgörüler çıkarabilmesini sağlamak amacıyla kaliteyi artırarak, gürültüyü gidererek ve temel özellikleri vurgulayarak ham verileri iyileştirebilir.

Örneğin, adli analizde, görüntü işleme ve bilgisayarlı görü olay yerinde bulunan ayakkabı izlerini analiz etmek için birlikte çalışabilir. Kontrast iyileştirme ve kenar algılama gibi görüntü işleme teknikleri, izlerin netliğini artırarak değerlendirilmelerini kolaylaştırabilir. Kontrast iyileştirme, ayrıntıları daha görünür hale getirmek için parlaklığı ve keskinliği ayarlar, kenar algılama ise daha iyi tanımlama için ana hatları keskinleştirir.

Görüntüler bu teknikler kullanılarak işlendikten sonra, bilgisayarlı görü modelleri kalıpları adli tıp veritabanlarıyla karşılaştırmak için örüntü eşleştirme tekniklerini kullanabilir ve böylece kimlik tespitini daha doğru hale getirebilir. Teknolojilerin bu kombinasyonu, müfettişlerin adli delilleri işlemesini ve yorumlamasını kolaylaştırır.

Şekil 6. Ayakkabı izlerini tespit etmek için kullanılan görüntü işleme ve bilgisayarlı görü.

Öne çıkanlar#

Bilgisayarlı görü ve görüntü işleme el ele vererek görsel verileri iyileştirmeye, analiz etmeye ve yorumlamaya yardımcı olur. Görüntü işleme, görüntü kalitesini artırır ve temel özellikleri çıkarırken, bilgisayarlı görü içgörüler sağlayarak bunu bir adım öteye taşır.

Vision AI gelişmeye devam ettikçe, bilgisayarlı görü ve görüntü işleme, çeşitli alanlarda otomasyonu, gerçek zamanlı analizi ve karar vermeyi geliştirecektir. Görüntü tanımayı iyileştirmekten desen algılamayı geliştirmeye kadar, bu teknolojiler vision AI sistemlerini daha doğru, verimli ve görsel verileri pratik uygulamalarda anlama konusunda daha yetenekli hale getirecektir.

Yapay zeka hakkında meraklı mısın? Topluluğumuza katıl ve GitHub deponuzu keşfet. Sağlıkta bilgisayarlı görü ve üretimde yapay zeka alanlarının geleceği nasıl yeniden şekillendirdiğini öğren. Vizyoner yapay zeka projelerine başlamak için lisanslama seçeneklerimizi keşfet!