Görüntü işlemede kenar tespitini anlama

İnsanlar olarak bir görüntüye baktığımızda nesnelerin kenarlarını doğal olarak tanır, kıvrımlarını takip eder ve yüzeylerindeki dokuları fark ederiz. Ancak bilgisayar için anlama, tek tek pikseller düzeyinde başlar.

Dijital görüntünün en küçük birimi olan piksel, tek bir noktadaki rengi ve parlaklığı depolar. Bilgisayar, bu piksel değerlerindeki değişimleri görüntü boyunca izleyerek önemli ayrıntıları ortaya çıkaran desenleri algılayabilir.

Özellikle görüntü işleme, temel özellikleri vurgulamak ve dikkat dağıtıcı unsurları kaldırmak için piksel verilerini kullanır. Yaygın görüntü işleme tekniklerinden biri olan kenar algılama, nesnelerin ana hatlarını belirlemek, sınırları işaretlemek ve yapı eklemek üzere parlaklığın veya rengin keskin biçimde değiştiği noktaları tespit eder.

Bu sayede bilgisayarlar şekilleri ayırabilir, boyutları ölçebilir ve bir sahnedeki parçaların birbiriyle nasıl bağlantılı olduğunu yorumlayabilir. Kenar algılama, gelişmiş görüntü analizinin genellikle ilk adımıdır.

Şekil 1. Farklı kenar algılama yöntemlerinden elde edilen çıktılarla yan yana gösterilen özgün görüntü örneği. (Kaynak)

Bu makalede kenar algılamanın ne olduğuna, nasıl çalıştığına ve gerçek dünyadaki uygulamalarına göz atacağız. Hadi başlayalım!

Kenar algılama kavramları#

Kenar algılama, bir görüntüde parlaklığın veya rengin bir noktadan sonraki noktaya belirgin biçimde değiştiği yerleri aramaya odaklanır. Değişim küçükse bölge pürüzsüz görünür. Değişim keskinse bu genellikle iki farklı bölge arasındaki sınırı belirtir.

Piksel değişimlerinin meydana gelmesinin bazı nedenleri şunlardır:

• Yüzey normali süreksizlikleri: Duvar köşesi veya kutu kenarı gibi iki yüzey bir açıyla birleştiğinde, yönelimdeki bu keskin değişim görüntüde belirgin bir sınır oluşturur.
• Derinlik süreksizlikleri: Nesneler kameraya farklı uzaklıklarda bulunduğunda ortaya çıkar ve sistemin nesneleri ayırt etmesine yardımcı olan görünür bir ayrım oluşturur.
• Yüzey rengi veya doku değişiklikleri: Bir bölgenin bitişik bölgeden farklı bir renge veya dokuya sahip olmasıyla ortaya çıkar ve görünür bir ayrım oluşturur.
• Aydınlatma değişiklikleri: Yüzeylerdeki gölgeler veya parlak vurgular dahil olmak üzere ışık değişimlerinden kaynaklanır ve yüzeyler pürüzsüz veya sürekli olsa bile görünür ayrımlar oluşturur.

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

Kenar algılama tanıma işlemi nasıl çalışır#

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

Ardından özel filtreler, parlaklığın aniden değiştiği yerleri bulmak için görüntüyü tarayabilir. Bu filtreler, gradyan olarak adlandırılan parlaklık değişiminin ne kadar dik olduğunu hesaplar. Daha yüksek bir gradyan, yakındaki noktalar arasındaki daha büyük bir farktan kaynaklanır ve bu genellikle bir kenara işaret eder.

Algoritma daha sonra küçük ayrıntıları kaldırıp yalnızca en önemli çizgileri ve şekilleri koruyarak görüntüyü geliştirmeye devam eder. Sonuç, daha ileri analizlerde kullanılabilecek net bir ana hat ve çıktı görüntüsüdür.

Kenar algılama ve görüntü işlemenin evrimi#

Kenar algılamayı daha ayrıntılı incelemeden önce, zaman içinde nasıl geliştiğini ele alalım.

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

Kontrast ayarlama, gürültü azaltma, görüntü yoğunluğunu ayarlama ve temel kenar algılama gibi teknikler, giriş görüntülerini daha net hale getirip şekilleri ve dokuları vurgulamaya yardımcı oldu. 1960'lar ve 70'lerde analogdan 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 çıkarma, şekil algılama ve temel nesne tanıma gibi daha karmaşık görevlerin ele alınmasını mümkün kıldı. Sobel operatörü ve Canny gibi algoritmalar daha hassas kenar algılama sağlarken, örüntü tanıma endüstriyel otomasyondan basılı metinleri optik karakter tanıma yoluyla okumaya kadar pek çok alanda uygulama buldu.

yüzyılda kenar algılama ve bilgisayarlı görü#

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

Görüntüleri güçlü kenarları koruyup zayıf olanları kaldırarak netleştiren çift eşikleme ve kenar algılama gibi geleneksel görüntü işleme yöntemleri sabit kuralları izleyip yalnızca belirli görevleri yerine getirebilirken, bilgisayarlı görü örneklerden öğrenebilen ve yeni durumlara uyum sağlayabilen veri odaklı modeller kullanır.

Günümüzde görüntüleme sistemleri yalnızca görüntüleri iyileştirmenin veya kenarları algılamanın çok ötesine geçiyor. Nesneleri tanıyabilir, hareketleri izleyebilir ve bir sahnenin tamamının bağlamını anlayabilirler.

Bunu mümkün kılan temel tekniklerden biri evrişimdir. Evrişim işlemi, kenarlar, köşeler ve dokular gibi önemli desenleri bulmak için küçük filtrelerin (çekirdek olarak da adlandırılır) bir görüntüyü taradığı süreçtir. Bu desenler, bilgisayarlı görü modellerinin nesneleri tanımak ve anlamak için kullandığı yapı taşlarına dönüşür.

Örneğin Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, örnek segmentasyonu gibi gelişmiş görevleri gerçekleştirmek için bu evrişim tabanlı özellikleri kullanır. Bu, örnek segmentasyonunun görüntüdeki her nesnenin sınırlarını doğru biçimde ana hatlarıyla belirlemeyi gerektirmesi nedeniyle kenar algılamayla yakından ilişkilidir.

Kenar algılama, nesne kenarlarını işaretlemek için kenar piksellerindeki yoğunluk değişikliklerini bulmaya odaklanırken örnek segmentasyonu bu fikri temel alarak kenarları algılar, her nesneyi sınıflandırır ve kendi bölgesine ayırır.

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

Kenar algılama algoritmaları ve yaklaşımları#

Bilgisayarlı görünün gelişmesine rağmen görüntü işleme, birçok uygulamanın hâlâ önemli bir parçasıdır. 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, gelişmiş modelleri daha doğru ve verimli hale getirir.

Şimdi kenarları algılamak için kullanılan en yaygın görüntü işleme algoritmalarından bazılarını ve bunların nasıl çalıştığını inceleyelim.

Sobel kenar algılama#

Sobel kenar algılama, görüntüdeki nesnelerin ana hatlarını bulmak için kullanılan temel bir yöntemdir. Tüm ayrıntıları aynı anda analiz etmek yerine, parlaklığın bir pikselden komşu piksele keskin biçimde değiştiği bölgelere odaklanır.

Bu ani değişimler genellikle bir nesnenin bittiği ve diğerinin başladığı noktayı veya bir nesnenin arka planla buluştuğu yeri işaret eder. Sobel, bu kenarları ayırarak karmaşık bir görüntüyü hareket izleme, şekil algılama veya nesne tanıma gibi görevlerde diğer sistemlerin daha kolay işleyebileceği daha temiz bir ana hatta dönüştürür.

Sobel kenar algılamayı, yoğunluğun görüntü boyunca nasıl değiştiğini ölçen bir gradyan algılayıcı olarak düşünebilirsin. Bunun temelinde bir evrişim işlemi bulunur: çekirdek adı verilen küçük matrisler görüntü üzerinde kaydırılır ve komşu piksel değerlerinin ağırlıklı toplamları hesaplanır.

Bu çekirdekler, yatay ve dikey yönlerdeki parlaklık değişimlerini vurgulamak üzere tasarlanmıştır. Çekirdeklerin verilerden öğrenildiği derin öğrenme modellerinin aksine 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 yöntemde filtre adı verilen iki küçük 3×3 ızgara kullanılır. Bunları, görüntü üzerinde yatay (x yönü) ve dikey (y yönü) olarak kayan şablonlar gibi düşünebilirsin. Izgaralardan biri yatay kenarları, diğeri ise dikey kenarları bulmak üzere tasarlanmıştır.
• Gradyanı hesaplama: Her filtre, parlaklığın ne kadar hızlı değiştiğini ve gradyanın yönünü bulur. Büyük bir değişim, olası bir kenar anlamına gelir.
• Sonuçları birleştirme: Yatay ve dikey sonuçlar, her pikseldeki genel kenar gücünü ve yönünü belirlemek üzere birleştirilir.
• Kenarları algılama: Gradyan büyüklüğü yüksek olan pikseller güçlü kenarlar olarak işaretlenir.
• Sınırları ana hatlarıyla belirleme: Bu kenarlar, nesne şekillerini tanımlamaya ve görüntüdeki farklı bölgeleri ayırmaya yardımcı olur.

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

Canny kenar algılama#

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

Canny kenar algılayıcının nasıl çalıştığına dair kısa bir genel bakış:

• Görüntüyü yumuşatma: Görüntü, kenarlarla karıştırılabilecek gürültüyü ve küçük ayrıntıları azaltan bir yumuşatma tekniği olan Gauss filtresiyle önce bulanıklaştırılır.
• Parlaklık değişikliklerini algılama: Algoritma daha sonra bu değişikliklerin gücünü ve yönünü ölçmek için gradyan hesaplamalarını kullanarak parlaklıktaki keskin değişimleri tarar.
• Kenarları inceltme: Algılanan her çizgi boyunca yalnızca en güçlü noktalar korunur, daha zayıf noktalar kaldırılır ve bunun sonucunda net, temiz kenarlar elde edilir.
• Kenarları sınıflandırma: Her piksel, parlaklık değişiminin eşik değerlerine göre güçlü, zayıf veya kenar değil olarak etiketlenir.
• Son temizleme: Güçlü kenarlara bağlı zayıf kenarlar korunur; diğerlerinin tümü atılır ve yalnızca net, bağlantılı sınırlar bırakılır.

Şekil 5. Canny kenar algılayıcı kullanıldıktan sonraki özgün görüntü ve buna karşılık gelen çıktı görüntüsü. (Kaynak)

Canny kenar algılama, gürültüyü filtrelerken doğru sonuçlar verdiği için 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 Sobel ve Canny olmak üzere iki kenar algılama örneğini inceledik. Her ikisi de kenarları bulmayı amaçlasa da probleme farklı biçimlerde yaklaşır.

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

Gauss tabanlı yöntemler (Canny veya Gauss Laplasyeni gibi) bu sorunu ele almak için ek bir adım uygular: önce görüntüyü bulanıklaştırmak. Genellikle Gauss filtresiyle yapılan bu yumuşatma, yanlış kenarlar oluşturabilecek küçük değişimleri azaltır. Yumuşatmadan sonra bu yöntemler hâlâ keskin parlaklık değişimlerini arar, ancak gürültülü veya düşük kaliteli görüntülerde sonuçlar daha temiz ve doğru olur.

Şekil 6. Gradyan tabanlı ve Gauss tabanlı kenar algılama. Görüntü yazara aittir.

Kenar algılamanın gerçek dünyadaki uygulamaları#

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

Çatlakları belirlemek için kenar algılamayı kullanma#

Köprüler ve yüksek binalar gibi büyük beton yapıların incelenmesi genellikle zorlu ve tehlikeli bir görevdir. Bu yapılar uzun mesafelere yayılabilir veya yüksek seviyelere ulaşabilir; bu da geleneksel denetimleri yavaş, pahalı ve riskli hale getirir. Bu denetimler genellikle iskele, halat erişimi, manuel yakından ölçüm veya fotoğraf çekimi de gerektirir.

2019'da araştırmacıların beton yüzeylerin ayrıntılı giriş görüntülerini yakalamak için yüksek çözünürlüklü kameralarla donatılmış dronları kullanan daha güvenli ve hızlı bir yöntemi test etmesiyle ilginç bir yaklaşım araştırıldı. Bu görüntüler daha sonra çatlakları otomatik olarak belirlemek için çeşitli kenar algılama teknikleriyle işlendi.

Çalışma, bu yöntemin tehlikeli bölgelere doğrudan insan erişimi ihtiyacını önemli ölçüde azalttığını ve denetimleri hızlandırdığını gösterdi. Ancak doğruluğu hâlâ aydınlatma koşulları, görüntü netliği ve dronun kararlı çalışması gibi etkenlere bağlıydı. Bazı durumlarda yanlış pozitifleri elemek için insan incelemesine yine ihtiyaç duyuldu.

Tıbbi görüntülemede kenar algılamayı uygulama#

X ışınları ve MRI'lar genellikle gürültü olarak bilinen ve ince ayrıntıların görülmesini zorlaştırabilen görsel bozulmalar içerir. Bu durum, doktorların tümörün kenarlarını fark etmeye, bir organın ana hatlarını izlemeye veya zaman içindeki ince değişimleri takip etmeye çalışırken karşılaştığı bir zorluk oluşturur.

Yakın tarihli bir tıbbi görüntüleme çalışması, Sobel, Canny, Prewitt ve Laplasyen gibi yaygın kenar algılama yöntemlerinin gürültülü görüntülerle ne kadar iyi başa çıktığını test etti. Araştırmacılar görüntülere farklı tür ve düzeylerde gürültü ekledi ve her yöntemin önemli özelliklerin ana hatlarını ne kadar doğru belirleyebildiğini kontrol etti.

Canny, gürültü yoğun olduğunda bile genellikle en temiz kenarları üretti, ancak her durumda en iyi yöntem değildi. Bazı yöntemler belirli gürültü desenlerinde daha iyi çalıştı; dolayısıyla tek bir kusursuz çözüm yoktur.

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 gösterir. Gelişmiş algoritmaları ve görsel yapay zekâ modellerini 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 faydaları şunlardır:

• Daha iyi veri sıkıştırma: Kenar algılama, görüntülerin yalnızca temel özellikler kullanılarak temsil edilmesini sağlar; böylece önemli bilgiler korunurken dosya boyutu azalır. Bu, depolama ve aktarımı daha verimli hale getirir.
• Daha hassas nesne konumlandırma: Kenar algılama, nesne sınırlarını doğru biçimde belirleyerek sistemlerin nesneleri bulma ve izleme becerisini geliştirir; bu da görsel robotikte yapay zekâ ve otonom araçlar gibi uygulamalara fayda 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 çeşitli görevlerde kullanışlıdır.

Kenar algılamada görüntü işlemenin sınırlamaları#

Görüntü işlemede kenar algılamanın birçok faydası olsa da bazı zorlukları da vardır. Dikkate alman gereken temel sınırlamalardan bazıları şunlardır:

• Karmaşık dokularla ilgili sorunlar: Karmaşık veya tekrarlayan desenler içeren görüntülerde kenar algılama, çoğu zaman birçok yanlış ya da ilgisiz kenar üretir; bu da sonraki analizi zorlaştırır ve güvenilirliği azaltır.
• Aydınlatmaya duyarlılık: Parlaklık değişimleri, gölgeler ve yansımalar, kenar algılayıcıların aydınlatmadaki değişimleri nesne sınırları olarak yanlış yorumlamasına neden olabilir ve tutarsız sonuçlara yol açabilir.
• Nesne tanımlama yoktur: Kenarlar nesnelerin nerede başlayıp bittiğini vurgulasa da nesnelerin ne olduğunu göstermez. Algılanan kenarlara anlam veya etiket atamak için ek işlem gerekir.

Bilgisayarlı görü kenar algılama için ne zaman kullanılabilir?#

Kenar algılama, dünyayı anlamlandırmak için gözlerimizin ve beynimizin birlikte çalışma biçiminden ilham alır. İnsan görüşü söz konusu olduğunda görsel korteksteki özelleşmiş nöronlar kenarlara, çizgilere ve sınırlara karşı oldukça duyarlıdır.

Bu görsel ipuçları, bir nesnenin nerede bitip diğerinin nerede başladığını hızlıca belirlememize yardımcı olur. Bu nedenle basit bir çizgi çizimi bile anında tanınabilir; beynimiz şekilleri ve nesneleri tanımlamak için büyük ölçüde kenarlara güvenir.

Bilgisayarlı görü bu yeteneği taklit etmeyi amaçlar, ancak bir adım daha ileri gider. Ultralytics YOLO11 gibi modeller temel kenar vurgulamanın ve görüntü iyileştirmenin ötesine geçer. Nesneleri algılayabilir, ana hatlarını hassas biçimde belirleyebilir ve hareketleri gerçek zamanlı olarak izleyebilirler. Bu daha derin anlama düzeyi, yalnızca kenar algılamanın yeterli olmadığı senaryolarda onları vazgeçilmez kılar.

Kenarları daha doğru algılamak için Ultralytics YOLO11'i kullanma#

Ultralytics YOLO11 tarafından desteklenen ve kenar algılamayı temel alıp onun ötesine geçen bazı temel bilgisayarlı görü görevleri şunlardır:

• Nesne algılama: Görüntüde veya videoda bulunan birden çok nesneyi, her birinin çevresine sınırlayıcı kutular çizerek tanımlar ve konumlandırır; böylece neyin bulunduğunu ve her nesnenin nerede konumlandığını net biçimde gösterir.
• Örnek segmentasyonu: Nesneleri piksel düzeyine kadar ayırmayı ve nesneler üst üste geldiğinde veya düzensiz şekillere sahip olduğunda bile temiz, hassas ana hatlar oluşturmayı içerir.
• Poz tahmini: Buradaki amaç, bir nesnenin veya kişinin konumunu, yönelimini ya da duruşunu belirlemektir; bu da hareketin izlenmesine veya zaman içindeki yapısal değişikliklerin tespit edilmesine yardımcı olur.
• Nesne takibi: Bu görev, bir nesnenin video kareleri boyunca hareketini izleyerek doğru ve uzun vadeli gözlem için tutarlı biçimde tanımlanmasını sağlar.
• Görüntü sınıflandırma: Görsel özelliklerine göre nesnelere veya görüntülerin tamamına etiketler atayarak büyük veri kümelerini düzenlemeyi ve yorumlamayı kolaylaştırır.

Bilgisayarlı görüyle altyapılardaki çatlakları tespit etme#

Geleneksel olarak kenar tespitine dayanan bir uygulamayı bilgisayarlı görüyle geliştirmeye iyi bir örnek, altyapı ve endüstriyel varlıklardaki çatlakların tespitidir. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri; yollardaki, köprülerdeki ve boru hatlarındaki çatlakları doğru şekilde tespit etmek üzere eğitilebilir. Aynı teknik uçak bakımında, bina denetimlerinde ve üretimde kalite kontrolünde de uygulanabilir; denetimleri hızlandırmaya ve güvenliği artırmaya yardımcı olur.

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

Önemli çıkarımlar#

Kenar tespiti, basit ilk yöntemlerden karmaşık görüntülerdeki en ince sınırları bile belirleyebilen gelişmiş tekniklere uzanan uzun bir yol kat etti. Önemli ayrıntıları ortaya çıkarmaya, kilit bölgeleri vurgulamaya ve görüntüleri daha derin analiz için hazırlamaya yardımcı olarak görüntü işlemenin temel bir parçası hâline geldi.

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

Topluluğumuza katıl ve yapay zekâ hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfet. Kendi görüntü yapay zekâ projenle başlamak istiyorsan lisans seçeneklerimize göz at. Çözümler sayfalarımızı ziyaret ederek sağlık hizmetlerinde yapay zekâ ve perakendede görüntü yapay zekâsı gibi uygulamalar hakkında daha fazla bilgi edin.