Görüntü işlemede eşikleme nedir?

Bu makalede ele alınan kavramların görsel bir anlatımı için aşağıdaki videoyu izle.

İnsanlar olarak, görüntüleri tutarlı ve anlamlı resimler olarak görürüz; bilgisayarlar ise bunları dijital bir görüntünün en küçük bileşenleri olan minik piksel ızgaraları olarak algılar. image processing adı verilen bir süreçte, görüntüyü iyileştirmek ve yararlı bilgileri ayıklamak için bu pikseller ayarlanabilir veya analiz edilebilir.

Yaygın bir görüntü işleme tekniğine görüntü eşikleme denir. Bu yöntem, gri tonlamalı görüntüleri (her pikselin bir gri tonunu temsil ettiği) her bir pikseli belirlenen bir değerle karşılaştırarak siyah beyaz görüntülere dönüştürür. Önemli bölgeler ile arka plan arasında net bir ayrım yaratır.

Eşikleme, bir görüntüyü analiz etmeyi kolaylaştırmak için anlamlı bölgelere ayıran image segmentation işleminde sıklıkla kullanılır. Genellikle makinelerin görsel verileri yorumlamasına yardımcı olan ilk adımlardan biridir. Bu makalede eşiklemenin ne olduğuna, nasıl çalıştığına ve gerçek dünya senaryolarında nerede uygulandığına bakacağız. Hadi başlayalım!

Görüntü eşiklemede temel terminoloji#

Eşiklemenin nasıl çalıştığına girmeden önce, arkasındaki temel fikirlere ve görüntü işlemede nasıl kullanıldığına daha yakından bakalım.

İkili (binary) görüntü eşiği#

Diyelim ki bir görüntü üzerinde çalışıyorsun ve görüntüdeki nesneleri arka plandan ayırmak istiyorsun. Bunu yapmanın bir yolu eşiklemedir. Görüntüyü basitleştirerek her pikselin tamamen siyah veya tamamen beyaz olmasını sağlar. Sonuç, her pikselin 0 (siyah) veya 255 (beyaz) değerine sahip olduğu ikili bir görüntüdür. Bu adım, görüntünün önemli kısımlarının net bir şekilde öne çıkmasını sağladığı için görüntü işlemede sıklıkla yararlıdır.

Şekil 1. Gri tonlamalı bir görüntü ve eşiklemeden sonraki ikili çıktısı. (Kaynak: blog.devops.dev)

Histogram#

Benzer şekilde, parlaklık değerlerinin bir görüntüye nasıl dağıldığını anlamak istiyorsan, histogram yardımcı olabilir. Bu, siyahtan (0) beyaza (255) kadar her piksel yoğunluğunun ne sıklıkla göründüğünü gösteren bir grafiktir.

Histograma bakarak görüntünün karanlık mı, parlak mı yoksa ikisinin arasında bir yerde mi olduğunu görebilirsin. Bu, görüntüyü siyah beyaza dönüştürürken iyi bir eşik değeri seçmeyi kolaylaştırır, çünkü desenleri ve kontrast seviyelerini bir bakışta fark edebilirsin.

Ön plan ve arka plan#

Bir görüntü eşiklendikten sonra iki bölüme ayrılır: ön plan ve arka plan. Genellikle beyaz renkte gösterilen ön plan, metin, şekiller veya tespit etmek istediğin nesneler gibi önemli öğeleri vurgular. Siyah renkte gösterilen arka plan ise diğer her şeydir. Bu ayrım, makinelerin görüntüde önemli olan şeye odaklanmasına yardımcı olur.

Segmentasyon#

Daha önce bahsedildiği gibi, segmentasyon bir görüntüyü parlaklık veya doku gibi özelliklere dayalı olarak anlamlı bölgelere böler. Eşikleme bunu yapmanın basit bir yoludur ve genellikle bir bilgisayarlı görü hattındaki ilk adımlardan biridir.

Computer vision, makinelerin görsel verileri tıpkı insanların yaptığı gibi işleyip yorumlamasını sağlayan bir yapay zeka dalıdır. Sürecin erken aşamalarında eşikleme kullanarak, bilgisayarlı görü sistemleri nesneleri arka planlarından ayırabilir; bu da algılama veya tanıma gibi sonraki adımların daha doğru çalışmasını kolaylaştırır.

Küresel eşikleme#

Artık eşiklemenin ne olduğuna dair daha iyi bir anlayışa sahip olduğumuza göre, bir görüntünün nasıl eşikleneceğine ve görüntü işlemedeki farklı eşikleme türlerine bakalım.

Örneğin, küresel eşikleme ikili bir görüntü oluşturmanın en kolay yollarından biridir. Görüntünün tamamına tek bir yoğunluk değeri uygular. Bu eşikten daha parlak olan pikseller beyaz olurken, daha karanlık olanlar siyaha döner. Bu, nesneyi arka plandan ayırmaya yardımcı olur.

Görüntü eşit aydınlatmaya ve güçlü kontrasta sahip olduğunda en iyi sonucu verir. Ancak düzensiz aydınlatma veya düşük kontrastlı alanlarda, tek bir eşik ayrıntıları kaçırabilir veya kenarları bulanıklaştırabilir.

Bunun üstesinden gelmek için Otsu eşiklemesi gibi yöntemler kullanılır. Bir değeri manuel olarak ayarlamak yerine, Otsu eşikleme yöntemi görüntünün histogramını analiz eder ve piksel yoğunluklarını ön plan ve arka plan olarak en iyi şekilde ayıran bir eşik seçer.

Şekil 2. Otsu eşiklemesi uygulanmadan önce ve sonra Satürn'ün bir görüntüsü. (Source)

Yerel (uyarlamalı) eşikleme#

Küresel eşiklemenin aksine, uyarlamalı veya yerel eşikleme, eşik değerini görüntünün farklı bölümleri için ayrı ayrı hesaplar. Bu, gölgeli taranmış belgeler veya dokulu yüzeyler gibi düzensiz aydınlatmaya sahip görüntüler için daha etkilidir.

Görüntüyü küçük bölgelere bölerek ve her blok için yerel bir eşik hesaplayarak çalışır; bu da ön plan ile arka plan arasındaki kontrastın korunmasına yardımcı olur. Bu yaklaşım, aydınlatmanın görüntü boyunca değiştiği metin tanıma, medical imaging ve yüzey denetimi gibi görevlerde yaygın olarak kullanılır.

Görüntü işlemede uyarlamalı eşiklemeye yönelik bazı yaygın yaklaşımlar arasında uyarlamalı ortalama eşikleme ve uyarlamalı Gaussian eşikleme yer alır. Uyarlamalı ortalama eşiklemede, yerel bir komşuluktaki ortalama piksel yoğunluğu merkez piksel için eşik olarak kullanılır. Diğer yandan uyarlamalı Gaussian eşikleme, merkeze daha yakın piksellere daha fazla önem veren Gaussian pencereli ağırlıklı bir ortalama kullanır.

Görüntü işlemede eşiklemenin gerçek dünya uygulamaları#

Şimdi, görüntü eşiklemenin gerçek dünya uygulamalarında nerede kullanıldığını keşfedelim.

Belge ikilileştirme ve OCR için görüntü eşikleme#

Eski kitaplar ve el yazması mektuplar, onları korumak veya basılı ya da el yazısı karakterleri okuyan bir teknoloji olan OCR (Optical Character Recognition) kullanarak dijital metne dönüştürmek için sıklıkla taranır. Metin çıkarılmadan önce belgenin genellikle temizlenmesi veya ön işleme tabi tutulması gerekir. Taranmış görüntüler genellikle karakter tanımayı zorlaştırabilecek gölgelere, solmuş mürekkebe veya düzensiz aydınlatmaya sahiptir.

Netliği artırmak için, gri tonlamalı görüntüleri ikili formata dönüştürmek amacıyla eşikleme kullanılır ve bu, metni arka plandan ayırmaya yardımcı olur. Harfler gibi daha karanlık alanlar siyah olurken, daha açık arka plan beyaza döner; bu da OCR sistemlerinin metni okumasını çok daha kolay hale getirir.

Şekil 3. Tarihi bir belge ve eşiklenmiş görüntüsünün bir örneği. (Source)

Tıbbi görüntü işlemede eşikleme kullanımı#

Benzer şekilde, tıbbi görüntülemede eşikleme, röntgen görüntülerindeki kemikler veya akciğerler gibi taramalardaki belirli yapıları izole etmek için yaygın olarak kullanılır. Gri tonlamalı görüntüleri ikili formata dönüştürerek, ilgi alanlarını çevreleyen dokudan ayırmak ve görüntüyü daha ileri analiz için hazırlamak kolaylaşır. Daha karmaşık durumlarda, görüntüyü birkaç farklı bölgeye ayırmak için çok seviyeli eşikleme uygulanabilir, böylece farklı doku veya yapı türleri aynı anda tanımlanabilir.

Şekil 4. Göğüs röntgenlerinde çok seviyeli eşikleme yöntemlerini kullanma. (Kaynak: sciencedirect.com)

Görüntü işlemede eşiklemenin artıları ve eksileri#

Görüntü işlemede eşikleme kullanmanın temel faydalarından bazıları şunlardır:

• Kaynak kullanımı düşüktür: Eşikleme, düşük güçlü cihazlarda iyi çalışır ve bulut erişimine veya üst düzey donanıma ihtiyaç duymaz, bu da onu gömülü sistemler ve çevrimdışı kurulumlar için uygun hale getirir.
• Yorumlaması kolay: Basit mantığı, healthcare veya şeffaflığın önemli olduğu belge işleme gibi alanlarda çok önemli olan eşikleme çıktılarını anlamayı ve hata ayıklamayı kolaylaştırır.
• Hızlı test etme: Eşikleme, ekiplerin daha karmaşık modellere geçmeden önce erken aşama projelerdeki segmentasyon fikirlerini hızlı bir şekilde keşfetmelerini sağlar.

Görüntü eşikleme birçok senaryoda faydalı olsa da, belirli sınırlamaları da vardır. İşte eşikleme ile ilgili dikkate alınması gereken bazı zorluklar:

• Uyarlanabilirlik eksikliği: Eşikleme sabit kuralları takip eder ve manuel ayarlamalar olmadan verideki yeni aydınlatma koşullarına veya değişikliklere uyum sağlamaz.
• Gürültüye duyarlıdır: Gölgelerden veya yansımalardan kaynaklanan küçük parlaklık değişiklikleri, özellikle ayrıntılı veya dokulu görüntülerle çalışırken sonuçları saptırabilir.
• Statik ve kural tabanlıdır: Yapay zeka modellerinin aksine, eşikleme veriden öğrenmez veya zamanla gelişmez. Sadece tasarlandığı dar koşullar altında çalışır.

Görüntü eşiklemenin ötesinde: Bilgisayarlı görü ne zaman doğru araçtır?#

Eşikleme, kontrollü ortamlardaki basit segmentasyon görevleri için iyi çalışır. Ancak, birden fazla nesneye veya arka plan gürültüsüne sahip karmaşık görüntüleri işlerken genellikle zorlanır. Sabit kurallara dayandığı için, eşikleme çoğu gerçek dünya uygulaması için gereken esneklikten yoksundur.

Bu sınırların ötesine geçmek için son teknoloji ürünü birçok sistem artık bilgisayarlı görü kullanmaktadır. Eşiklemeyle kontrast oluşturacak şekilde, vision AI models karmaşık örüntüleri ve özellikleri tespit etmek üzere eğitilir; bu da onları çok daha doğru ve uyarlanabilir hale getirir.

Örneğin, Ultralytics YOLO11 gibi bilgisayarlı görü modelleri gerçek zamanlı olarak nesneleri tespit edebilir ve görüntüleri bölümlere ayırabilir. Bu, onları otonom araçlarda trafik sinyallerini tespit etmek veya tarımda mahsul sorunlarını belirlemek gibi görevler için ideal kılar.

Özellikle Ultralytics YOLO11, bir görüntünün içindeki her nesnenin ayrı ayrı bölütlendiği örnek bölütleme gibi çeşitli computer vision tasks destekler. Ayrıca poz kestirimi (bir nesnenin konumunu veya duruşunu belirleme) ve nesne takibi (bir nesne video kareleri boyunca hareket ederken onu takip etme) dahil olmak üzere diğer görme tabanlı görevleri de gerçekleştirebilir.

Şekil 5. YOLO11, nesneleri tespit etmeyi ve bölümlere ayırmayı kolaylaştırır. (Source)

Eşikleme basit görevler veya ilk fikirleri test etmek için iyi çalışsa da, hız, doğruluk ve esneklik gerektiren uygulamalar genellikle bilgisayarlı görü ile daha iyi yönetilir.

Öne çıkanlar#

Eşikleme, nesneleri arka plandan ayırmak için hızlı ve kullanımı kolay olduğu için görüntü işlemede çok önemli bir araçtır. Taranmış belgeler, tıbbi görüntüler ve fabrikalardaki ürün hatalarını kontrol etme gibi işlemlerde iyi çalışır.

Ancak görüntüler ve videolar daha karmaşık hale geldikçe, görüntü eşikleme gibi temel görüntü işleme yöntemleri zorlanabilir. Gelişmiş bilgisayarlı görü modelleri tam da bu noktada devreye girebilir. Ultralytics YOLO11 gibi modeller daha fazla görevi anlayıp gerçekleştirebilir, aynı anda birçok nesneyi tespit edebilir ve gerçek zamanlı çalışarak onları pek çok kullanım durumu için faydalı hale getirebilir.

Yapay zeka hakkında daha fazla bilgi edinmek ister misin? community ve GitHub repository sayfalarımıza göz at. AI in robotics ve computer vision in agriculture hakkında bilgi edinmek için çözüm sayfalarımızı keşfet. our licensing seçeneklerimizi keşfet ve bugün computer vision ile geliştirmeye başla!