Görüntü işlemede kenar tespitini anlama

İnsanlar olarak bir görüntüye baktığımızda nesnelerin kenarlarını doğal biçimde tanır, kıvrımlarını izler ve yüzeylerindeki dokuları fark ederiz. Bilgisayar içinse anlama süreci tek tek pikseller düzeyinde başlar.

Dijital bir görüntünün en küçük birimi olan piksel, tek bir noktadaki rengi ve parlaklığı saklar. Bir görüntüdeki bu piksel değerlerinin değişimini izleyen bilgisayar, önemli ayrıntıları ortaya çıkaran desenleri algılayabilir.

Özellikle görüntü işleme, önemli özellikleri vurgulamak ve dikkat dağıtıcı unsurları ortadan kaldırmak için piksel verilerinden yararlanır. Yaygın görüntü işleme tekniklerinden biri olan kenar algılama, nesnelerin dış hatlarını belirlemek, sınırları işaretlemek ve yapıyı ortaya çıkarmak için parlaklığın veya rengin keskin biçimde değiştiği noktaları tespit eder.

Bu, bilgisayarların şekilleri ayırmasını, boyutları ölçmesini ve bir sahnedeki parçaların nasıl bağlantılı olduğunu yorumlamasını sağlar. Kenar tespiti, gelişmiş görüntü analizinde çoğu zaman ilk adımdır.

Şekil 1. Farklı kenar algılama yöntemlerinin çıktılarıyla yan yana gösterilen özgün görüntü örneği. (Kaynak)

Bu makalede kenar tespitinin ne olduğunu, nasıl çalıştığını ve gerçek dünyadaki uygulamalarını inceleyeceğiz.

Kenar algılama kavramları#

Kenar algılama, bir görüntüde parlaklığın veya rengin bir noktadan diğerine belirgin biçimde değiştiği yerleri bulmaya odaklanır. Değişim küçükse alan pürüzsüz görünür. Değişim keskinse çoğu zaman iki farklı bölge arasındaki sınırı belirtir.

Piksel değişimlerinin bazı nedenleri şunlardır:

• Yüzey normali süreksizlikleri: Duvarın köşesi veya kutunun kenarı gibi iki yüzey bir açıyla birleştiğinde, yönelimdeki bu keskin değişim görüntüde belirgin bir sınır oluşturur.
• Derinlik süreksizlikleri: Nesnelerin kameraya farklı uzaklıklarda bulunduğu yerlerde ortaya çıkar ve sistemin nesneleri birbirinden ayırt etmesine yardımcı olan görünür bir ayrım oluşturur.
• Yüzey rengi veya doku değişimleri: Bir bölgenin rengi veya dokusu bitişiğindeki bölgeden farklı olduğunda meydana gelir ve görünür bir ayrım oluşturur.
• Aydınlatma değişimleri: Gölgeler veya yüzeylerdeki parlak noktalar dâhil olmak üzere ışık değişimlerinden kaynaklanır ve yüzeyler pürüzsüz ya da kesintisiz olsa bile görünür ayrımlar oluşturur.

Şekil 2. Görüntülerdeki farklı kenar süreksizliği türleri. (Kaynak)

Kenar algılama nasıl çalışır?#

Kenar algılama genellikle renkli görüntüyü gri tonlamalı görüntüye dönüştürerek başlar; böylece her nokta yalnızca parlaklığı gösterir. Bu, algoritmanın renk yerine açık ve koyu alanlar arasındaki farklara odaklanmasını kolaylaştırır.

Ardından özel filtreler görüntüyü tarayarak parlaklığın aniden değiştiği yerleri bulabilir. Bu filtreler, gradyan adı verilen parlaklık değişiminin ne kadar hızlı gerçekleştiğini hesaplar. Gradyanın yüksek olması yakındaki noktalar arasındaki farkın büyük olduğunu gösterir ve çoğu zaman bir kenara işaret eder.

Algoritma daha sonra küçük ayrıntıları kaldırıp yalnızca en önemli çizgi ve şekilleri bırakarak görüntüyü iyileştirmeye devam eder. Ortaya, daha ileri analizlerde kullanılabilecek net bir dış hat ve çıktı görüntüsü çıkar.

Kenar algılama ve görüntü işlemenin gelişimi#

Kenar tespitini daha ayrıntılı ele almadan önce, zaman içinde nasıl geliştiğine göz atalım.

Görüntü işleme, görüntüleri temizlemek ve iyileştirmek için eşikleme ve filtreleme gibi basit, kural tabanlı yöntemlerle başladı. Analog dönemde bu, ayrıntıları belirginleştirmek için fotoğraf veya film üzerinde optik filtreler, büyüteçler ya da kimyasal işlemler kullanmak anlamına geliyordu.

Kontrast ayarlama, gürültü azaltma, görüntü yoğunluğunu ayarlama ve temel kenar algılama gibi teknikler, girdi görüntülerini netleştirmeye ve şekilleri ve dokuları vurgulamaya yardımcı oldu. 1960'lı ve 70'li yıllarda analog işlemeden dijital işlemeye geçiş; astronomi, tıbbi görüntüleme ve uydu izleme gibi alanlarda modern analizin önünü açtı.

1980'ler ve 90'lara gelindiğinde daha hızlı bilgisayarlar; özellik çıkarımı, şekil tespiti ve temel nesne tanıma gibi daha karmaşık görevlerin ele alınmasını mümkün kıldı. Sobel operatörü ve Canny kenar algılayıcısı gibi algoritmalar daha hassas kenar tespiti sunarken örüntü tanıma, endüstriyel otomasyondan optik karakter tanıma yoluyla basılı metinleri okumaya kadar pek çok alanda uygulama buldu.

21. yüzyılda kenar tespiti ve bilgisayarlı görü#

Günümüzde teknolojideki istikrarlı ilerlemeler, bilgisayarlı görü alanının gelişmesini sağladı. Görsel yapay zekâ veya bilgisayarlı görü, makinelere görsel bilgileri yorumlamayı ve anlamayı öğretmeye odaklanan bir yapay zekâ dalıdır.

Geleneksel görüntü işleme yöntemleri (görüntüleri güçlü kenarları koruyup zayıf olanları kaldırarak netleştiren çift eşikleme ve kenar algılama gibi) sabit kuralları izler ve yalnızca belirli görevleri yerine getirebilirken, bilgisayarlı görü örneklerden öğrenebilen ve yeni durumlara uyum sağlayabilen, veriye dayalı modeller kullanır.

Günümüzde görüntüleme sistemleri, görüntüleri iyileştirmenin veya kenarları algılamanın çok ötesine geçiyor. Nesneleri tanıyabiliyor, hareketleri izleyebiliyor ve tüm bir sahnenin bağlamını anlayabiliyorlar.

Bunu mümkün kılan temel tekniklerden biri evrişimdir. Evrişim işlemi, küçük filtrelerin (çekirdekler olarak da adlandırılır) kenarlar, köşeler ve dokular gibi önemli örüntüleri bulmak için bir görüntüyü taraması sürecidir. Bu örüntüler, bilgisayarlı görü modellerinin nesneleri tanıyıp anlamak için kullandığı temel yapı taşlarına dönüşür.

Örneğin, Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, örnek segmentasyonu gibi ileri düzey görevleri gerçekleştirmek için bu evrişim tabanlı özelliklerden yararlanır. Örnek segmentasyonu, görüntüdeki her nesnenin sınırlarının doğru biçimde çizilmesini gerektirdiğinden kenar algılamayla yakından ilişkilidir.

Kenar algılama, nesne kenarlarını işaretlemek için kenar piksellerindeki yoğunluk değişimlerini bulmaya odaklanırken örnek segmentasyonu bu fikri temel alarak kenarları algılar, nesneleri sınıflandırır ve her nesneyi kendine ait bir bölgeye ayırır.

Şekil 3. Ultralytics YOLO11 ve örnek segmentasyon kullanımına bakış. (Kaynak)

Kenar algılama algoritmaları ve yaklaşımları#

Bilgisayarlı görü gelişse de görüntü işleme birçok uygulamanın önemli bir parçası olmaya devam ediyor. Bunun nedeni, bilgisayarlı görünün genellikle temel görüntü ön işleme adımlarını temel almasıdır.

Nesneleri algılamadan veya bir sahneyi anlamadan önce sistemler genellikle görüntüyü temizler, gürültüyü azaltır ve önemli ayrıntıları öne çıkarmak için kenarları bulur. Bu adımlar, ileri düzey modellerin daha doğru ve verimli çalışmasını sağlar.

Şimdi, kenarları algılamak için kullanılan en yaygın görüntü işleme algoritmalarından bazılarını ve nasıl çalıştıklarını inceleyelim.

Sobel kenar algılama#

Sobel kenar algılama, bir görüntüdeki nesnelerin dış hatlarını bulmak için kullanılan temel bir yöntemdir. Her ayrıntıyı aynı anda incelemek yerine, parlaklığın bir pikselden komşu piksele keskin biçimde değiştiği bölgelere odaklanır.

Bu ani değişimler genellikle bir nesnenin bittiği ve diğerinin başladığı noktayı ya da bir nesnenin arka planla birleştiği yeri gösterir. Sobel, bu kenarları ayırarak karmaşık bir görüntüyü hareket izleme, şekil algılama veya nesne tanıma gibi görevlerde diğer sistemlerin daha kolay işleyebileceği daha sade bir dış hat hâline getirir.

Sobel kenar algılamayı, yoğunluğun görüntü boyunca nasıl değiştiğini ölçen bir gradyan algılayıcı olarak düşünebilirsin. Temelinde bu işlem bir evrişim işlemiyle çalışır: çekirdek adı verilen küçük matrisler görüntü üzerinde kaydırılır ve komşu piksel değerlerinin ağırlıklı toplamları hesaplanır.

Bu çekirdekler, yatay ve dikey yönlerdeki parlaklık değişimlerini vurgulayacak şekilde tasarlanmıştır. Çekirdeklerin verilerden öğrenildiği derin öğrenme modellerinden farklı olarak Sobel, eğitim gerektirmeden kenarları verimli biçimde vurgulamak için sabit çekirdekler kullanır.

Sobel kenar algılama yönteminin nasıl çalıştığına daha yakından bakalım:

• İki adet 3×3 filtre kullanma: Bu yöntem, filtre adı verilen iki küçük 3×3 ızgara kullanır. Bunları, görüntü üzerinde yatay (x yönü) ve dikey (y yönü) doğrultularda kayan şablonlar gibi düşünebilirsin. Izgaralardan biri yatay kenarları, diğeri ise dikey kenarları bulmak için tasarlanmıştır.
• Gradyanı hesaplama: Her filtre, parlaklığın kendi yönü boyunca ne kadar hızlı değiştiğini ölçer. Büyük bir değişim, olası bir kenara işaret eder.
• Sonuçları birleştirme: Yatay ve dikey sonuçlar, her pikseldeki genel kenar gücünü ve yönünü belirlemek için birleştirilir.
• Kenarları algılama: Gradyan büyüklüğü yüksek olan pikseller güçlü kenarlar olarak işaretlenir.
• Sınırların dış hatlarını belirleme: Bu kenarlar, nesnelerin şekillerini tanımlamaya ve görüntüdeki farklı bölgeleri birbirinden ayırmaya yardımcı olur.

Şekil 4. Sobel kenar algılama, giriş görüntüsünün ana hatlarını vurgulayabilir ve bir kenar haritası oluşturabilir. (Kaynak)

Canny kenar algılama#

Canny kenar algılama, görüntüdeki kenarları bulmak için kullanılan bir diğer popüler yöntemdir. Temiz ve hassas dış hatlar oluşturmasıyla bilinir. Temel kenar algılama tekniklerinden farklı olarak gürültüyü filtrelemek, sınırları belirginleştirmek ve en önemli kenarlara odaklanmak için dikkatle tasarlanmış bir dizi adımı izler.

Canny kenar algılayıcının nasıl çalıştığına hızlıca göz atalım:

• Görüntüyü yumuşatma: Görüntü önce, kenarlarla karıştırılabilecek gürültüyü ve küçük ayrıntıları azaltan bir yumuşatma tekniği olan Gauss filtresiyle bulanıklaştırılır.
• Parlaklık değişimlerini algılama: Algoritma daha sonra, bu değişimlerin gücünü ve yönünü ölçmek için gradyan hesaplamaları kullanarak keskin parlaklık değişimlerini tarar.
• Kenarları inceltme: Algılanan her çizgi üzerindeki yalnızca en güçlü noktalar tutulur, zayıf noktalar ise kaldırılır; böylece net ve keskin kenarlar elde edilir.
• Kenarları sınıflandırma: Her piksel, parlaklık değişiminin eşik değerlerine göre güçlü, zayıf veya kenar değil şeklinde etiketlenir.
• Son temizleme: Güçlü kenarlara bağlı zayıf kenarlar korunur; diğerlerinin tümü kaldırılarak yalnızca net ve bağlantılı sınırlar bırakılır.

Şekil 5. Canny kenar algılayıcı kullanıldıktan sonra orijinal görüntü ve bunun karşılık gelen çıktı görüntüsü. (Kaynak)

Gürültüyü filtrelerken doğru sonuçlar verdiği için Canny kenar algılama, hassasiyetin önemli olduğu alanlarda yaygın olarak kullanılır. Örneğin tıbbi görüntüleme, uydu haritalama, belge tarama ve robotik görü gibi sektörlerde kullanılır.

Gradyan tabanlı ve Gauss tabanlı kenar algılama#

Şimdiye kadar ele aldığımız iki kenar algılama örneği Sobel ve Canny yöntemleriydi. Her ikisi de kenarları bulmayı amaçlasa da soruna farklı yaklaşımlar getirir.

Gradyan tabanlı yöntemler (Sobel, Prewitt ve Scharr gibi), gradyan olarak bilinen keskin parlaklık değişimlerini arayarak kenarları algılar. Görüntüyü tarar ve bu değişimin en güçlü olduğu yerleri işaretler. Bu yöntemler basittir, hızlıdır ve görüntüler net olduğunda iyi çalışır. Ancak gürültüye duyarlıdırlar; parlaklıktaki küçük değişimler kenar olarak algılanabilir.

Gauss tabanlı yöntemler (Canny veya Gauss Laplasyeni gibi), bu sorunu çözmek için ek bir adım uygular: önce görüntüyü bulanıklaştırır. Genellikle bir Gauss filtresiyle yapılan bu yumuşatma, sahte kenarlar oluşturabilecek küçük değişimleri azaltır. Yumuşatmanın ardından bu yöntemler yine keskin parlaklık değişimlerini arar; ancak gürültülü veya düşük kaliteli görüntülerde daha temiz ve doğru sonuçlar verir.

Şekil 6. Gradyan tabanlı ve Gauss tabanlı kenar algılama. Görselin sahibi: yazar.

Kenar algılamanın gerçek dünyadaki uygulamaları#

Kenar algılamanın nasıl çalıştığını daha iyi anladığımıza göre, gerçek hayattaki durumlarda nasıl uygulandığını inceleyelim.

Çatlakları belirlemek için kenar algılama kullanımı#

Köprüler ve yüksek binalar gibi büyük beton yapıların incelenmesi genellikle zorlu ve tehlikeli bir iştir. Bu yapılar uzun mesafelere yayılabilir veya yüksek noktalara ulaşabilir; bu da geleneksel denetimleri yavaş, pahalı ve riskli hâle getirir. Bu denetimler genellikle iskele, iple erişim, yakından elle ölçüm veya fotoğraf çekimi de gerektirir.

Araştırmacılar, 2019'da beton yüzeylerin ayrıntılı giriş görüntülerini çekmek için yüksek çözünürlüklü kameralarla donatılmış dronları kullanan daha güvenli ve hızlı bir yöntemi test etti. Ardından bu görüntüler, çatlakları otomatik olarak belirlemek için çeşitli kenar algılama teknikleriyle işlendi.

Çalışma, bu yöntemin tehlikeli alanlara doğrudan insan erişimi ihtiyacını önemli ölçüde azalttığını ve denetimleri hızlandırdığını gösterdi. Ancak yöntemin doğruluğu hâlâ aydınlatma koşulları, görüntü netliği ve dronun dengeli çalışması gibi etkenlere bağlıydı. Bazı durumlarda yanlış pozitifleri ayıklamak için insan denetimi yine de gerekiyordu.

Tıbbi görüntülemede kenar algılama uygulaması#

Röntgen ve MR görüntülerinde genellikle gürültü olarak bilinen görsel bozulmalar bulunur; bunlar ince ayrıntıların görülmesini zorlaştırabilir. Bu durum, tümörün kenarlarını bulmaya, bir organın dış hattını izlemeye veya zaman içindeki küçük değişimleri takip etmeye çalışan doktorlar için bir zorluk oluşturur.

Yakın tarihli bir tıbbi görüntüleme çalışması, Sobel, Canny, Prewitt ve Laplasyen gibi yaygın kenar algılama yöntemlerinin gürültülü görüntülerde ne kadar iyi çalıştığını test etti. Araştırmacılar görüntülere farklı türlerde ve düzeylerde gürültü ekledi, ardından her yöntemin önemli özelliklerin dış hatlarını ne kadar doğru belirleyebildiğini inceledi.

Canny, gürültü yoğun olduğunda bile genellikle en temiz kenarları üretti, ancak her durumda en iyi sonucu vermedi. Bazı yöntemler belirli gürültü örüntülerinde daha iyi çalıştı; dolayısıyla her duruma uygun tek bir kusursuz çözüm yok.

Şekil 7. Gürültü arttıkça Canny (d–f), Sobel'den (g–i) daha net kenarlar sağlar. (Kaynak)

Bu, bilgisayarlı görü gibi teknolojilerin neden bu kadar önemli olduğunu gösteriyor. Gelişmiş algoritmaları görsel yapay zekâ modelleriyle birleştiren bu tür çözümler, temel kenar algılamanın ötesine geçerek zorlu koşullarda bile daha doğru ve güvenilir sonuçlar sunabilir.

Kenar algılamanın avantajları#

Kenar algılama ve görüntü işlemenin bazı avantajları şunlardır:

• Daha iyi veri sıkıştırma: Kenar algılama, görüntülerin yalnızca temel özellikler kullanılarak temsil edilmesini sağlar; böylece önemli bilgiler korunurken dosya boyutu küçülür. Bu da depolama ve aktarımı daha verimli hâle getirir.
• Daha hassas nesne konumlandırma: Kenar tespiti, nesne sınırlarını doğru biçimde belirleyerek sistemlerin nesneleri bulma ve izleme becerisini geliştirir; bu da robotikte görsel yapay zekâ ve otonom araçlar gibi uygulamalara katkı sağlar.
• Çok ölçekli özellik algılama: Kenar algılama teknikleri görüntüleri farklı ölçeklerde analiz ederek hem küçük ayrıntıları hem de büyük şekilleri yakalayabilir. Bu esneklik, doku analizinden sahne anlamaya kadar farklı görevlerde işe yarar.

Kenar algılama için görüntü işlemenin sınırlamaları#

Görüntü işlemede kenar algılamanın birçok avantajı olsa da bazı zorlukları da vardır. Göz önünde bulundurman gereken temel sınırlamalardan bazıları şunlardır:

• Karmaşık dokularla ilgili sorunlar: Karmaşık veya tekrarlayan örüntüler içeren görüntülerde kenar algılama çoğu zaman çok sayıda sahte veya ilgisiz kenar üretir. Bu durum, sonraki analizleri zorlaştırır ve güvenilirliği düşürür.
• Aydınlatmaya duyarlılık: Parlaklık değişimleri, gölgeler ve yansımalar, kenar algılayıcıların aydınlatma değişimlerini nesne sınırları olarak yanlış yorumlamasına ve tutarsız sonuçlar vermesine neden olabilir.
• Nesneleri tanımlayamama: Kenarlar nesnelerin nerede başlayıp nerede bittiğini gösterse de nesnelerin ne olduğunu ortaya koymaz. Algılanan kenarlara anlam veya etiket atamak için ek işleme gerekir.

Bilgisayarlı görünün kenar algılamada kullanılabileceği durumlar#

Kenar algılama, gözlerimizin ve beynimizin dünyayı anlamlandırmak için birlikte çalışma biçiminden esinlenmiştir. İnsan görüşünde, görsel korteksteki özelleşmiş nöronlar kenarlara, çizgilere ve sınırlara karşı son derece duyarlıdır.

Bu görsel ipuçları, bir nesnenin nerede bitip diğerinin nerede başladığını hızla belirlememize yardımcı olur. Bu nedenle basit bir çizgi çizimi bile hemen tanınabilir; beynimiz şekilleri ve nesneleri tanımak için büyük ölçüde kenarlara dayanır.

Bilgisayarlı görü bu yeteneği taklit etmeyi amaçlar, ancak bunu bir adım öteye taşır. Ultralytics YOLO11 gibi modeller, temel kenar vurgulama ve görüntü iyileştirmenin ötesine geçer. Nesneleri algılayabilir, dış hatlarını hassas biçimde belirleyebilir ve hareketleri gerçek zamanlı izleyebilirler. Bu daha derin anlama düzeyi, yalnızca kenar algılamanın yeterli olmadığı senaryolarda bu modelleri vazgeçilmez kılar.

Kenarları daha doğru algılamak için Ultralytics YOLO11 kullanımı#

Kenar algılamayı temel alan ve onun ötesine geçen, Ultralytics YOLO11 tarafından desteklenen bazı temel bilgisayarlı görü görevleri şunlardır:

• Nesne algılama: Görüntü veya videodaki birden fazla nesneyi tanımlar ve her birinin çevresine sınırlayıcı kutular çizerek nelerin bulunduğunu ve her nesnenin nerede konumlandığını açıkça gösterir.
• Örnek segmentasyonu: Nesneleri piksel düzeyinde parçalara ayırır ve nesneler üst üste gelse veya düzensiz şekillere sahip olsa bile temiz, hassas dış hatlar oluşturur.
• Görüntü sınıflandırma: Görsel özelliklerine göre nesnelere veya görüntülerin tamamına etiketler atayarak büyük veri kümelerini düzenlemeyi ve yorumlamayı kolaylaştırır.
• Poz tahmini: Buradaki amaç, hareketi izlemeye veya zaman içindeki yapısal değişiklikleri tespit etmeye yardımcı olacak şekilde bir nesnenin ya da kişinin konumunu, yönelimini veya duruşunu belirlemektir.
• Nesne takibi: Bu görev, bir nesnenin video kareleri boyunca hareketini izleyerek uzun süreli gözlemde doğruluk sağlamak için nesnenin tutarlı biçimde tanımlanmasını sağlar.

Bilgisayarlı görüyle altyapıdaki kenarları algılama#

Bilgisayarlı görünün geleneksel olarak kenar tespitine dayanan bir uygulamayı geliştirmesine iyi bir örnek, altyapı ve endüstriyel varlıklardaki çatlak tespitidir. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, yollardaki, köprülerdeki ve boru hatlarındaki çatlakları doğru biçimde belirlemek için Crack-Seg gibi veri kümeleriyle eğitilebilir. Aynı teknik uçak bakımında, bina denetimlerinde ve üretimde kalite kontrolünde de uygulanabilir; denetimleri hızlandırmaya ve güvenliği iyileştirmeye yardımcı olur.

Şekil 8. Çatlak segmentasyonu için YOLO11 kullanımına bir örnek. (Kaynak)

Önemli çıkarımlar#

Kenar algılama, ilk basit yöntemlerden karmaşık görüntülerdeki ince sınırları bile belirleyebilen ileri tekniklere kadar uzun bir yol katetti. Önemli ayrıntıları ortaya çıkarmaya, temel bölgeleri vurgulamaya ve görüntüleri daha derin analizlere hazırlamaya yardımcı olur; bu da onu görüntü işlemenin temel bir parçası hâline getirir.

Bilgisayarlı görüde kenar algılama; şekilleri tanımlamada, nesneleri ayırmada ve yararlı bilgileri çıkarmada önemli bir rol oynar. Doğru ve güvenilir bir görsel anlayış sunmak için tıbbi görüntüleme, endüstriyel denetimler, otonom sürüş ve güvenlik gibi birçok alanda kullanılır.

Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu incele. Kendi görsel yapay zekâ projeni başlatmak istiyorsan lisanslama seçeneklerimize göz at. Çözüm sayfalarımızı ziyaret ederek sağlık hizmetlerinde yapay zekâ ve perakendede görsel yapay zekâ gibi uygulamalar hakkında daha fazla bilgi edin.