Bilgisayarlı görü uygulamalarında renk algılamadan yararlanma

Renkler, dünyayı deneyimleme biçimimizde hayati bir rol oynar; çevremizi tanımamıza, anlamamıza ve çevremizle bağ kurmamıza yardımcı olur. Ancak makineler, bizim gibi 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 görüşüyle bilgisayarlı görü arasındaki boşluğu kapatmaya yardımcı olur.

Bilgisayarlı görü, makinelerin görsel verileri analiz edip anlamasını sağlayan bir AI dalıdır. Bunun temel unsurlarından biri, makinelerin nesneleri renge göre tanımlamasına ve ayırt etmesine olanak tanıyan renk algılamadır. Farklı renk uzaylarındaki piksel değerlerini analiz eden renk algılama; nesne takibi, tıbbi görüntüleme ve otomasyon gibi uygulamalarda kullanılabilir.

Bu yazıda renk algılamanın nasıl çalıştığına, neden önemli olduğuna ve bilgisayarlı görü uygulamalarında nasıl kullanıldığına daha yakından bakacağız.

Renk algılama nedir?#

Renk algılama, makinelerin nesneleri tanımlamasına ve sahneleri renge göre anlamasına yardımcı olur. Diğer bilgisayarlı görü görevleriyle birlikte kullanıldığında doğruluğu artırır ve gerçek dünya uygulamalarını geliştirir. Renk algılamanın nasıl çalıştığına geçmeden önce renklerin dijital ortamda nasıl temsil edildiğini anlamak faydalı olur.

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

Her renk, 0 ile 255 arasında değişen üç değerle tanımlanır; 0 hiç renk olmadığını, 255 ise en yüksek yoğunluğu ifade eder. Örneğin saf kırmızı (255, 0, 0) şeklindedir; çünkü kırmızı değeri en yüksek, yeşil ve mavi değerleri ise sıfırdır. Beyaz (255, 255, 255) şeklindedir; çünkü üç rengin de yoğunluğu en yüksek düzeydedir.

Şekil 1. Bilgisayarın bir elmanın renklerini nasıl gördüğüne dair bir örnek.

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

Renk algılama, görüntüdeki belirli renkleri tanımaya odaklanırken nesne tespiti, renklerinden bağımsız olarak nesneleri tanır ve sınıflandırır. Otonom araç örneğinde renk algılama trafik ışığındaki kırmızı rengi tespit ederken nesne tespiti 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 önemli bir parçasıdır. Bilgisayarların renkleri farklı cihazlarda tutarlı biçimde yorumlamasını sağlamak için renkleri sayısal değerlerle ifade eder. Renk uzayları, dijital sistemlerde renkleri depolamak, ayarlamak ve görüntülemek için yapılandırılmış bir yöntem 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 aygıtlarında bulunur. Çeşitli renkler oluşturmak için kırmızı, yeşil ve mavi ışığı farklı düzeylerde birleştirir. Üç rengin de yoğunluğu en yüksek olduğunda sonuç beyaz, hiçbiri olmadığında ise siyah olur.

Bu renk uzayı genellikle her eksenin ana renklerden birini temsil ettiği bir renk küpü olarak görselleştirilir. Küpün köşelerinde saf kırmızı, yeşil ve mavi ile bunların birleşimleri yer alırken iç kısmında tüm olası tonlar bulunur.

RGB basit ve yaygın olsa da bazı kısıtlamaları vardır. RGB, renk farklılıklarını algılama biçimimizle eşit olarak örtüşmediğinden renkler insan gözüne her zaman aynı görünmeyebilir. Ayrıca aydınlatma koşullarından da etkilenir; bu nedenle renkler parlaklığa ve ortama göre 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 kullanışlıdır.

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

İlginç bir şekilde HSV renk uzayı genellikle koni biçiminde görselleştirilir: ton koninin kenarında döner, doygunluk dışa doğru artar ve parlaklık alttan üste doğru yükselir. Rengi parlaklıktan ayırdığı için HSV, bilgisayarlı görü uygulamalarında yaygın olarak kullanılır.

Şekil 3. HSV konisi.

RGB ve HSV renk uzaylarının karşılaştırması#

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

HSV'de turuncu farklı tanımlanır. Tonu yaklaşık 39°'dir ve bu, renk çemberindeki konumunu belirler. Doygunluğu %100'e yakındır; yani canlı ve saf bir renktir. Değeri de %100'dür, bu da tam parlaklıkta olduğunu gösterir. HSV, rengi parlaklıktan ayırdığı için aydınlatma koşullarının değişebildiği renk algılama uygulamalarında genellikle daha kullanışlıdır.

Şekil 4. RGB ve HSV değerlerinin karşılaştırması. Görselin sahibi: yazar.

Renk algılama nasıl çalışır?#

Renk algılama genellikle görüntülerden veya videolardan renkleri belirlemek ve ayırmak için kullanılan bir görüntü işleme tekniği olarak ele alınır. Görüntü işlemeden yararlanarak görüntülerdeki renkleri algılamak; belirli tonları, renkleri ve yoğunlukları birbirinden ayırmak için renk uzaylarına ve eşikleme tekniklerine dayanır.

Görüntü işleme kullanarak renk algılamada yer alan temel adımlara hızlıca göz atalım:

• Görüntü edinimi: Süreç, kamera kullanılarak bir görüntünün veya video karesinin yakalanmasıyla başlar. Görüntü genellikle piksel matrisi olarak RGB biçiminde saklanır.
• Renk uzayı dönüşümü: RGB renk algılama için her zaman ideal olmadığından görüntü HSV renk uzayına dönüştürülür. Bu işlem rengi parlaklıktan ayırarak farklı aydınlatma koşullarında algılamanın daha kararlı olmasını sağlar.
• 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: Tespit edilen rengi ayırmak ve diğer her şeyi filtrelemek için ikili maske özgün görüntüye uygulanır. Böylece yalnızca istenen renkle eşleşen alanlar vurgulanır.

Renk tespit edilip ayrıştırıldıktan sonra nesne takibi, görüntü segmentasyonu ve robotik, tıbbi görüntüleme ve otonom araçlar gibi uygulamalarda otomatik karar verme dâhil çeşitli bilgisayarlı görü görevlerinde kullanılabilir.

Renk algılamanın bilgisayarlı görüdeki rolü#

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

Bazı durumlarda renk algılama, özellikle nesneleri ayırt etmede rengin temel etken olduğu kontrollü ortamlarda bilgisayarlı görü modellerine göre daha basit bir alternatif olabilir. Büyük bir veri kümesiyle model eğitmek yerine renk algılama, kapsamlı etiketleme veya yüksek hesaplama gücü gerektirmeyen 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 farklılıklarla başa çıkabilmesi için etiketli görüntülerden oluşan bir veri kümesi gerekir.

Daha basit bir yaklaşım, önce nesne tespitiyle elmaları algılamak, ardından olgunluklarını belirlemek için renklerini analiz etmektir. Bu yöntem bir modeli eğitmek yerine önceden belirlenmiş renk eşiklerine dayandığından, aydınlatma ve arka planların büyük ölçüde değişmediği kararlı koşullarda iyi çalışır.

Özel olarak eğitilmiş bir model, daha karmaşık ve değişken ortamlarda daha iyi sonuç verebilir; ancak renk algılama gerçek zamanlı uygulamalar için hızlı, pratik ve erişilebilir bir çözümdür. Ayrıca daha gelişmiş çözümlere geçmeden önce görüntü işleme ve bilgisayarlı görü öğrenenler için harika bir başlangıç noktasıdır.

Renk algılamanın gerçek dünya uygulamaları#

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

Kumaş kalite değerlendirmesinde renk algılama#

Renk algılama, kumaş ve tekstil üretiminde kritik öneme sahiptir. Otomatik kalite kontrol ve kusur tespit sistemlerinde yaygın olarak kullanılır. Zaman alan ve insan hatasına açık elle incelemenin aksine otomatik sistemler, kusurları doğru ve gerçek zamanlı olarak tespit eder.

Özellikle bilgisayarlı görü sistemleri, kumaş görüntülerini analiz ederek boya dağılımındaki düzensizlik, solma ve kirlenme gibi kusurları belirleyebilir. Gelişmiş renk algılama teknikleri, farklı partilerdeki renk tutarlılığını ölçerek daha hassas kalite kontrolü sağlar.

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

Tarımda renk algılamanın kullanımı#

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

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

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

Önemli çıkarımlar#

Renk algılama; tarım, üretim, sağlık ve otomasyon alanlarında uygulamaları bulunan pratik bir bilgisayarlı görü tekniğidir. Makinelerin nesne izleme, kalite kontrolü ve karar verme 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 renk algılama, gerçek dünyadaki uygulamaları iyileştirmede muhtemelen önemli bir rol oynamaya devam edecek.

Topluluğumuzu ve GitHub depomuzu keşfederek yapay zekâyı daha yakından tanı. İmalatta yapay zekâ ve sağlık hizmetlerinde bilgisayarlı görü alanlarındaki yenilikleri öğren ve görüntü yapay zekâsından yararlanmaya nasıl başlayacağını lisans seçeneklerimiz aracılığıyla keşfet.