Bilgisayarlı görü uygulamalarında renk algılamadan yararlanma

Renkler, insanların dünyayı deneyimleme biçiminde hayati bir rol oynar; çevremizi tanımamıza, anlamamıza ve onunla bağ kurmamıza yardımcı olur. Ancak makineler, bizim aksimize renkleri görmez; renkleri veri olarak işler ve tonları sayısal değerlere dönüştürür.

Otonom bir araç yalnızca kırmızı bir trafik ışığı görmez; rengi durma sinyali olarak işler. Renkleri tanıma ve yorumlama becerisi, insan görüşü ile bilgisayarlı görü arasındaki boşluğu kapatmaya yardımcı olur.

Bilgisayarlı görü, makinelerin görsel verileri analiz etmesini ve anlamasını sağlayan bir yapay zekâ dalıdır. Bunun önemli bir yönü, makinelerin nesneleri renklerine göre tanımlamasını ve ayırt etmesini sağlayan renk algılamadır. Farklı renk uzaylarındaki piksel değerlerini analiz ederek renk algılama; nesne takibi, tıbbi görüntüleme ve otomasyon gibi uygulamalarda kullanılabilir.

Bu makalede renk algılamanın nasıl çalıştığına, neden önemli olduğuna ve bilgisayarlı görü uygulamalarında nasıl kullanıldığına daha yakından bakacağız. Hadi başlayalım!

Renk algılama nedir?#

Renk algılama, makinelerin nesneleri tanımlamasına ve sahneleri renge göre anlamasına yardımcı olur. Diğer bilgisayarlı görü görevleri ile birleştirildiğinde doğruluğu artırır ve gerçek dünya uygulamalarını geliştirir. Renk algılamanın nasıl çalıştığına geçmeden önce renklerin dijital olarak nasıl temsil edildiğini anlamak faydalıdır.

Dijital görüntüler, her biri renk bilgisi taşıyan piksel adı verilen küçük karelerden oluşur. Örneğin RGB (Kırmızı, Yeşil, Mavi) renk modelinde renkler; kırmızı, yeşil ve mavinin farklı yoğunluklarının karıştırılmasıyla oluşturulur.

Her renk, 0 ile 255 arasında değişen üç değerle tanımlanır; 0 renk olmadığını, 255 ise tam yoğunluğu ifade eder. Örneğin saf kırmızı (255, 0, 0) şeklindedir; çünkü kırmızı değeri en yüksekken yeşil ve mavi yoktur. Beyaz (255, 255, 255) şeklindedir; çünkü üç rengin de yoğunluğu tamdır.

Şekil 1. Bir bilgisayarın elmanın renklerini görme biçimine örnek.

Ultralytics YOLO11 gibi bilgisayarlı görü modellerine aşinaysan renk algılamanın neden nesne algılamadan ayrı bir teknik olduğunu merak edebilirsin. Her ikisi de görüntüleri analiz etse de farklı amaçlara hizmet eder.

Renk algılama, bir görüntüdeki belirli renkleri tanımlamaya odaklanırken nesne algılama, nesneleri renklerinden bağımsız olarak tanır ve sınıflandırır. Otonom araç senaryosunda renk algılama, trafik ışığındaki kırmızıyı algılarken nesne algılama trafik ışığının kendisini tanımlar ve aracın güvenli sürüş kararları almasına yardımcı olur.

Renk uzaylarına giriş#

Renk modeli veya renk uzayı, dijital görüntülerde renkleri temsil etmek için kullanılan bir sistemdir ve renk algılamanın kritik bir parçasıdır. Bilgisayarların renkleri farklı cihazlarda tutarlı biçimde yorumlamasını sağlayarak renklere sayısal değerler atar. Renk uzayları, dijital sistemlerde renkleri depolamak, ayarlamak ve görüntülemek için yapılandırılmış bir yol sunar.

Yaygın olarak kullanılan renk uzayları arasında dijital ekranlar için RGB, görüntü işleme için HSV (Ton, Doygunluk, Değer) ve baskı için CMYK (Camgöbeği, Macenta, Sarı, Siyah) bulunur. RGB ve HSV, renk algılamada en sık kullanılan renk uzaylarıdır. Nasıl çalıştıklarına bakalım.

RGB renk uzayına genel bakış#

RGB renk uzayı dijital görüntülemede yaygın olarak kullanılır; ekranlarda, kameralarda ve görüntüleme cihazlarında bulunur. Çeşitli renkleri oluşturmak için kırmızı, yeşil ve mavi ışığın farklı düzeylerini birleştirir. Üç rengin de yoğunluğu tam olduğunda sonuç beyaz, hiçbiri olmadığında ise siyah görünür.

Bu renk uzayı genellikle her eksenin ana renklerden birini temsil ettiği bir renk küpü olarak görselleştirilir. Küpün köşeleri saf kırmızı, yeşil ve maviyi ve bunların birleşimlerini gösterirken iç kısmı mümkün olan tüm tonları barındırır.

RGB basit ve yaygın olsa da bazı sınırlamaları vardır. RGB, renk farklılıklarını algılama biçimimizle eşit ölçüde örtüşmediği için renkler insan gözüne her zaman aynı görünmeyebilir. Ayrıca aydınlatma koşullarından etkilenir; bu nedenle renkler parlaklığa ve ortama bağlı olarak farklı görünebilir.

Şekil 2. RGB renk küpü.

HSV renk uzayına genel bakış#

HSV (Ton, Doygunluk, Değer) renk uzayı, renkleri üç bileşene göre temsil eder: ton (rengin türü), doygunluk (yoğunluğu) ve değer (parlaklığı). Işık yoğunluklarını karıştıran RGB'nin aksine HSV, insanların renkleri algılama biçimine daha yakındır ve bu nedenle birçok görüntü işleme görevi için daha pratik bir seçimdir.

Özellikle ton, gerçek rengi temsil eder ve renk çarkında derece cinsinden ölçülür; kırmızı 0°'de, mavi ise 240°'dedir. Doygunluk, bir rengin ne kadar canlı veya soluk göründüğünü belirler; %0 tamamen griyi, %100 ise tamamen canlı rengi ifade eder. Değer ise parlaklığı belirler ve %0 (siyah) ile %100 (tam parlaklık) arasında değişir.

İlginç olarak HSV renk uzayı genellikle tonun kenar çevresinde dolaştığı, doygunluğun dışa doğru ilerlediği ve parlaklığın alttan üste arttığı bir koni olarak görselleştirilir. HSV, rengi parlaklıktan ayırdığı için bilgisayarlı görü uygulamalarında yaygın olarak kullanılır.

Şekil 3. HSV konisi.

RGB ve HSV renk uzaylarının karşılaştırılması#

RGB ve HSV'yi yan yana karşılaştırmak için turuncu rengi örnek alalım. RGB renk uzayında turuncu, kırmızı ve yeşilin belirli yoğunluklarda karıştırılmasıyla oluşturulur ve genellikle (255, 165, 0) olarak gösterilir; bu, tam kırmızı, bir miktar yeşil ve hiç mavi olmadığı anlamına gelir. Ancak RGB, rengi parlaklıktan ayırmadığı için hassas renk düzenlemesi gerektiren görevlerde daha az sezgisel olabilir.

HSV'de turuncu farklı şekilde tanımlanır. Tonu yaklaşık 30°'dir ve bu, renk çarkındaki konumunu belirler. Doygunluğu %100'e yakındır; bu da canlı, saf bir renk olduğu anlamına gelir. Değeri de %100'dür ve tam parlaklığı gösterir. HSV rengi parlaklıktan ayırdığı için aydınlatma koşullarının değişebildiği renk algılama uygulamalarında genellikle daha kullanışlıdır.

Şekil 4. RGB ve HSV değerlerinin karşılaştırması. Görsel, yazar tarafından hazırlanmıştır.

Renk algılama nasıl çalışır?#

Genellikle renk algılama, görüntülerdeki veya videolardaki renkleri tanımlamak ve izole etmek için kullanılan bir görüntü işleme tekniği olarak ele alınır. Görüntü işleme kullanılarak görüntülerde algılanan renkler; belirli tonları, gölgeleri ve yoğunlukları ayırt etmek için renk uzaylarına ve eşikleme tekniklerine dayanır.

Görüntü işleme kullanarak renk algılamada yer alan temel adımlara kısaca bakalım:

• Görüntü edinme: Süreç, bir kamera kullanılarak görüntünün veya video karesinin yakalanmasıyla başlar. Görüntü genellikle piksel matrisi olarak RGB biçiminde depolanır.
• Renk uzayı dönüşümü: RGB renk algılama için her zaman ideal olmadığından görüntü HSV renk uzayına dönüştürülür. Bu, rengi parlaklıktan ayırarak farklı aydınlatma koşullarında algılamayı daha kararlı hâle getirir.
• Renk eşikleme: HSV biçiminde hedef renk için belirli bir aralık tanımlanır. Bu adım, seçilen renk aralığındaki piksellerin beyaz, diğer tüm piksellerin ise siyah göründüğü ikili bir maske oluşturur.
• Maskeleme: İkili maske, algılanan rengi izole etmek ve diğer her şeyi filtrelemek için özgün görüntüye uygulanır. Bu işlem yalnızca istenen renkle eşleşen alanları öne çıkarır.

Renk algılanıp izole edildikten sonra nesne takibi, görüntü segmentasyonu ve robotik, tıbbi görüntüleme ve otonom araçlar gibi uygulamalarda otomatik karar verme dâhil olmak üzere çeşitli bilgisayarlı görü görevlerinde kullanılabilir.

Bilgisayarlı görüde renk algılamanın rolü#

Renk algılamanın nasıl çalıştığını öğrendiğimize göre bilgisayarlı görü uygulamalarını nasıl desteklediğini inceleyelim.

Bazı durumlarda renk algılama, özellikle rengin nesneleri ayırt etmedeki temel etken olduğu kontrollü ortamlarda bilgisayarlı görü modellerine daha basit bir alternatif olabilir. Renk algılama, büyük bir veri kümesiyle model eğitmek yerine kapsamlı etiketleme veya yüksek hesaplama gücü gerektirmeden hızlı ve verimli bir çözüm sunar.

Örneğin otomatik bir elma ayıklama sisteminde Ultralytics YOLO11 gibi bir bilgisayarlı görü modeli, elmaları olgunluklarına göre sınıflandırmak üzere eğitilebilir; ancak modelin aydınlatma, doku ve elma türlerindeki farklılıkları ele alabilmesi için etiketlenmiş görüntülerden oluşan bir veri kümesi gerekir.

Daha basit bir yaklaşım, önce elmaları nesne algılama kullanarak algılamak, ardından olgunluğu belirlemek için renklerini analiz etmektir. Bu yöntem bir modeli eğitmek yerine önceden tanımlanmış renk eşiklerine dayandığından, aydınlatmanın ve arka planların büyük ölçüde değişmediği kararlı koşullarda iyi çalışır.

Özel olarak eğitilmiş bir model daha karmaşık ve değişken ortamlar için daha iyi olabilir; ancak renk algılama gerçek zamanlı uygulamalar için hızlı, pratik ve erişilebilir bir çözümdür. Ayrıca görüntü işleme ve bilgisayarlı görü hakkında bilgi edinenlerin daha gelişmiş çözümlere geçmeden önce başlayabileceği harika bir noktadır.

Renk algılamanın gerçek dünya uygulamaları#

Renk algılama, çeşitli uygulamalar için çok çeşitli sektörlerde kullanılır. Gerçek dünyadaki bazı kullanım alanlarına kısaca göz atalım.

Kumaş kalite değerlendirmesinde renk algılama#

Renk algılama, kumaş ve tekstil üretiminde kritik öneme sahiptir. Genellikle otomatik kalite kontrol ve kusur tespit sistemlerinde kullanılır. Zaman alan ve insan hatasına açık olan manuel denetimin aksine otomatik sistemler doğru ve gerçek zamanlı kusur tespiti sağlar.

Özellikle bilgisayarlı görü sistemleri, kumaş görüntülerini analiz ederek boyanın eşit dağılmaması, solma ve kirlenme gibi kusurları tespit edebilir. Gelişmiş renk algılama teknikleri, farklı partiler arasındaki renk tutarlılığını ölçerek daha hassas kalite kontrolü mümkün kılar.

Şekil 5. Renk algılama, renkli kumaş üretiminde önemli bir rol oynar.

Tarımda renk algılamadan yararlanma#

Daha önce belirtildiği gibi renk, olgunluğun önemli bir göstergesidir; renk algılama teknolojisi tarımda mahsul sağlığını izlemek ve hasadı iyileştirmek için kullanılabilir.

Çiftçiler, renk farklılıklarını analiz ederek bitki sağlığını değerlendirebilir, hastalıkları tespit edebilir ve mahsullerin hasada hazır olup olmadığını belirleyebilir. Renk sensörleri ve bilgisayarlı görüyle donatılmış gelişmiş robotlar, yalnızca olgun mahsullerin toplanmasını sağlayarak süreci otomatikleştirmeye yardımcı olur. Bu sistemler, özellikle iş gücü eksikliği yaşanan bölgelerde verimliliği ve üretkenliği artırabilir.

Şekil 6. Farklı olgunluk düzeylerindeki mangolar: (a) çürük, (b) olgun ve (c) ham.

Önemli çıkarımlar#

Renk algılama; tarım, üretim, sağlık hizmetleri ve otomasyonda uygulamaları bulunan yenilikçi bir bilgisayarlı görü tekniğidir. Makinelerin nesne takibi, kalite kontrolü ve karar verme süreçleri için renkleri tanımasına ve yorumlamasına yardımcı olur.

Gelişmiş yapay zekâ modelleri gelişmeye devam ederken renk algılama, özellikle kontrollü ortamlarda basit ve etkili bir çözüm olmayı sürdürüyor. Teknoloji ilerledikçe gerçek dünya uygulamalarının iyileştirilmesinde önemli bir rol oynamaya devam etmesi muhtemeldir.

Topluluğumuzu ve GitHub depomuzu keşfederek yapay zekâ hakkında daha derinlemesine bilgi edin. Üretimde yapay zekâ ve sağlık hizmetlerinde bilgisayarlı görü alanlarındaki yenilikler hakkında bilgi edin ve lisanslama seçeneklerimizle görsel yapay zekâdan yararlanmaya nasıl başlayacağını keşfet.