Bilgisayarlı görü ve görüntü işleme: Temel farklar

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

Bu dönüşümün merkezinde iki temel teknoloji yer alır: görüntü işleme ve bilgisayarlı görü. Sıklıkla birlikte anılsalar da farklı amaçlara hizmet ederler. Görüntü işleme, içeriğini anlaması gerekmeksizin görüntüleri iyileştirmeye, parlaklığı ayarlamaya, ayrıntıları keskinleştirmeye ve gürültüyü azaltmaya odaklanır.

Öte yandan bilgisayarlı görü, makinelerin görüntü ve videoları insanlar gibi tanımasını ve yorumlamasını sağlayarak işleri daha ileri taşır. Bu sayede yüz tanıma, nesne algılama ve gerçek zamanlı sahne analizi gibi görevler mümkün olur.

Her iki teknoloji de çeşitli sektörlerde giderek vazgeçilmez hale geliyor. Akıllı telefon fotoğraflarını iyileştirmekten otonom araçlara güç vermeye kadar etkileri oldukça geniş. Bilgisayarlı görü pazarı 2033'e kadar 111,43 milyar dolara ulaşırken dijital görüntü işleme pazarının 2034'e kadar 378,71 milyar dolara büyümesi bekleniyor.

Bu makalede görüntü işlemenin 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 her ikisi de görüntülerle ilgilenir, ancak amaçları farklıdır. Bilgisayarlı görü, makinelerin görüntü veya videolara dayanarak bunları anlamasına ve karar vermesine yardımcı olur. Buna karşılık görüntü işleme, içeriğini yorumlamadan bir görüntüyü daha net veya görsel olarak daha çekici hale getirmek için iyileştirmeye ya da değiştirmeye odaklanır.

Bunun yanı sıra bilgisayarlı görü çözümleri, bir görüntünün içeriğini analiz etmek ve anlamak için Ultralytics YOLO11 gibi modellerden yararlanır. Yaygın bilgisayarlı görü görevleri arasında nesne algılama, görüntü sınıflandırma, örnek bölütleme ve nesne takibi bulunur. Bilgisayarlı görü, güvenli sürüşü sağlamak amacıyla 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 geliştirme gibi teknikler, görüntü kalitesini artırmak için tek tek piksellerin renklerini ve yoğunluğunu değiştirir; ancak görüntüdeki nesneleri, şekilleri veya anlamı tanımaz. Bu düzeydeki anlama bilgisayarlı görü tarafından gerçekleştirilir.

Şekil 1. Bilgisayarlı görü ve görüntü işlemenin karşılaştırılması. Görsel: yazar.

Görüntü işlemeyi, görüntüyü daha net veya görsel olarak daha çekici hale getiren bir araç seti olarak düşünebilirsin. Bir görüntü işlendiğinde bilgisayarlı görü, farklı görevleri gerçekleştirmek üzere görüntüleri analiz eden beyin gibi çalışabilir.

Görüntü işleme nasıl çalışır?#

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

Görüntü işleme, görüntüleri tek tek piksellere ayırıp istenen etkileri elde etmek için her birini değiştirerek çalışır. Örneğin kenarları algılamak için algoritmalar, piksel değerlerindeki ani değişimleri bulmak üzere pikselleri kontrol eder. Bu, yapay zeka sistemlerinin nesneleri veya örüntüleri doğru biçimde tanımasını kolaylaştırır. Akıllı telefon fotoğraflarını iyileştirmekten güvenlik kamerası görüntülerini geliştirmeye ve belgeleri daha okunaklı hale getirmek için taramaya kadar görüntü işleme, görsel kalitenin önemli olduğu günlük uygulamalarda yaygın olarak kullanılır.

Şekil 2. Kenar algılama için görüntü işlemeye bir örnek.

Görüntü işleme tekniklerini inceleme#

Aşağıda temel görüntü işleme tekniklerinden bazı örnekler yer alır:

• Şablon eşleme: 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 teknikleri kullanarak görüntüdeki nesnelerin şeklini ayarlar.

• Eşikleme: Nesneleri piksel yoğunluğuna göre arka plandan ayırarak bölütleme ve özellik çıkarımını kolaylaştırır.

Geliştiriciler, görüntülere görüntü işleme tekniklerini kolayca uygulamak için genellikle OpenCV, Pillow, Scikit-image, TensorFlow ve PyTorch gibi özel araçları kullanır. Bu kütüphaneler, önceden oluşturulmuş işlevler ve optimize edilmiş algoritmalar sağlayarak karmaşık kodu sıfırdan yazma gereğini ortadan kaldırır.

Ayrıca birden çok programlama dilini destekler, diğer araçlarla iyi bir şekilde entegre olur ve kapsamlı belgeler sunarlar. Bu da görüntü işlemeyi daha hızlı, verimli ve alanda derin uzmanlığı olmayan kişiler için bile erişilebilir hale getirir.

Bilgisayarlı görü nasıl çalışır?#

Günümüzdeki en gelişmiş bilgisayarlı görü modellerinden bazıları YOLO (Yalnızca Bir Kez Bak) serisinden gelir. Yıllar içinde yeni sürümler yayımlandı ve her biri doğruluğu ve verimliliği geliştirdi. En yeni sürüm olan Ultralytics YOLO11, daha iyi hassasiyet ve performans sunar.

Ultralytics YOLO11 gibi modeller, belirli nesneleri tanıyacak şekilde özel olarak eğitilebilir ve nesne algılama, örnek bölütleme ve gerçek zamanlı nesne takibi dahil olmak üzere birden çok bilgisayarlı görü görevini gerçekleştirebilir.

Ultralytics YOLO11 tarafından desteklenen bilgisayarlı görü görevlerine kısaca göz atalım:

• Nesne algılama: Görüntü içindeki nesneleri tanımlar ve konumlarını belirler; örneğin otonom araçlar için yayaları algılar.

• Görüntü sınıflandırma: Görüntünün bir köpek veya kedi içerip içermediğini belirlemek gibi, görüntünün tamamına etiketler atar.

• Örnek bölütleme: Tıbbi taramalarda tek tek organları ayırmak gibi, bir görüntüyü anlamlı parçalara veya bölgelere ayırır.

• Poz tahmini: Jestleri veya duruş değişikliklerini algılamak gibi nesnelerin hareketini ve konumunu takip eder. İnsanlara uygulandığında vücut hareketlerini gerçek zamanlı olarak analiz edebilir; bu da onu fitness takibi ve rehabilitasyon gibi uygulamalar için kullanışlı kılar.

Şekil 3. Ultralytics YOLO11 tarafından desteklenen bilgisayarlı görü görevleri.

Bilgisayarlı görü ve görüntü işleme uygulamaları#

Bilgisayarlı görünün ve görüntü işlemenin nasıl çalıştığını ele aldığımıza göre şimdi gerçek dünyadaki uygulamalarını ve nerelerde örtüştüklerini inceleyelim.

Bilgisayarlı görü kullanarak çiftlik hayvanlarını izleme#

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

Ultralytics YOLO11, hayvanları gerçek zamanlı olarak algılayabilir, takip edebilir ve analiz edebilir; bu da çiftçilerin hayvanlarını verimli biçimde yönetmesine yardımcı olur. Bu tür bir analizden elde edilen içgörüler, topallık gibi sağlık sorunlarının erken belirtilerini tespit etmeye yardımcı olarak daha hızlı müdahale edilmesini ve genel olarak daha iyi hayvan bakımı sağlanmasını mümkün kılar.

Şekil 4. YOLO11 kullanarak hayvan davranışlarını izlemeye bir örnek.

Görüntü işleme ile çiftlik hayvanlarını sayma#

Benzer şekilde görüntü işleme, hayvanları ağıl veya ahır gibi kontrollü ortamlarda sayarak çiftlik hayvanlarını izlemek için kullanılabilir. Tekdüze arka planlara sahip görüntülerde hayvanları algılamak ve saymak için eşikleme ve kontur algılama (nesne sınırlarını belirleyebilir) gibi görüntü işleme teknikleri kullanılabilir. Bu yöntemler, hayvanların şekillerini belirlemek için arka planı kaldırma, kenarları algılama ve bölütleme gibi tekniklerden yararlanır.

Şekil 5. Hayvanları algılamak için görüntü işlemeye bir örnek.

Bunun kulağa bilgisayarlı görüyle tamamen aynı geldiğini düşünüyor olabilirsin. Peki, fark nedir?

Temel fark, görüntü işlemenin gördüğü şeyi 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 durum onu çiftlik hayvanlarını saymak ve izlemek için kullanışlı kılar, ancak sınırlamaları vardır. Hayvanlar üst üste binerse, konum değiştirirse veya aydınlatma koşulları farklılık gösterirse doğruluk etkilenebilir. Ayrıca hayvanları zaman içinde takip edemez veya davranışları hakkında içgörüler sunamaz; bunlar bilgisayarlı görünün kritik avantajlarıdır.

Bilgisayarlı görü ve görüntü işleme birlikte çalışabilir#

Görüntü işleme ve bilgisayarlı görü, görsel veri analizinin doğruluğunu ve verimliliğini artırmak için sıklıkla birlikte entegre edilebilen, birbirine yakından bağlı alanlardır. Görüntü işleme kaliteyi iyileştirerek, gürültüyü gidererek ve temel özellikleri vurgulayarak ham verileri geliştirebilir; böylece bilgisayarlı görü modellerinin anlamlı içgörüler çıkarmasını sağlar.

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

Bu teknikler kullanılarak görüntüler işlendiğinde, bilgisayarlı görü modelleri izleri adli veritabanlarıyla karşılaştırmak için örüntü eşleme tekniklerinden yararlanabilir ve tanımlamayı daha doğru hale getirebilir. Bu teknoloji birleşimi, araştırmacıların adli kanıtları işlemesini ve yorumlamasını kolaylaştırır.

Şekil 6. Ayak izlerini algılamak için görüntü işleme ve bilgisayarlı görünün kullanılması.

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 temel özellikleri çıkarırken bilgisayarlı görü, içgörüler sağlayarak bunu bir adım ileri taşır.

Vision AI gelişmeye devam ederken bilgisayarlı görü ve görüntü işleme, çeşitli alanlarda otomasyonu, gerçek zamanlı analizi ve karar vermeyi geliştirecek. Görüntü tanımayı iyileştirmekten örüntü algılamayı geliştirmeye kadar bu teknolojiler, Vision AI sistemlerini daha doğru, verimli ve pratik uygulamalardaki görsel verileri anlayabilir hale getirecek.

Yapay zekaya mı meraklısın? Topluluğumuza katıl ve GitHub depomuzu keşfet. Sağlık hizmetlerinde bilgisayarlı görünün ve üretimde yapay zekanın geleceği nasıl yeniden şekillendirdiğini öğren. Vision AI projelerine başlamak için lisanslama seçeneklerimizi keşfet!