"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Çerez Ayarları
"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Bu kılavuzla görüntü işlemede eşiklemeyi keşfedin. Eşiklemenin ne olduğunu, Otsu'nun eşiklemesi de dahil olmak üzere farklı görüntü eşikleme tekniklerini öğrenin.
İnsanlar olarak, görüntüleri tutarlı, anlamlı resimler olarak görürken, bilgisayarlar onları dijital bir görüntünün en küçük bileşenleri olan küçük piksellerden oluşan ızgaralar olarak görür. Görüntü işleme adı verilen bir işlemde, görüntüyü iyileştirmek ve faydalı bilgiler elde etmek 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 pikseli bir dizi değerle karşılaştırarak siyah beyaz olanlara dönüştürür. Önemli bölgeler ve arka plan arasında net bir ayrım yaratır.
Eşikleme genellikle, bir görüntüyü analiz etmeyi kolaylaştırmak için anlamlı bölgelere ayıran bir teknik olan görüntü segmentasyonunda kullanılır. Genellikle makinelerin görsel verileri yorumlamasına yardımcı olmada ilk adımlardan biridir. Bu makalede, eşiklemenin ne olduğuna, nasıl çalıştığına ve gerçek dünya senaryolarında nerede uygulandığına bakacağız. Hadi başlayalım!
Görüntü eşikleme (thresholding) konusunda temel terminoloji
Eşiklemenin nasıl çalıştığına dalmadan önce, öncelikle arkasındaki temel fikirlere ve görüntü işlemede nasıl kullanıldığına daha yakından bakalım.
İkili görüntü eşiği
Bir görüntüyle çalıştığınızı ve içindeki nesneleri arka plandan ayırmak istediğinizi varsayalım. Bunu yapmanın bir yolu eşikleme yapmaktır. Her pikselin tamamen siyah veya tamamen beyaz olacak şekilde görüntüyü basitleştirir. Sonuç, her pikselin 0 (siyah) veya 255 (beyaz) değerine sahip olduğu ikili bir görüntüdür. Bu adım, görüntünün önemli kısımlarını net bir şekilde öne çıkardığı için genellikle görüntü işlemede faydalıdır.
Şekil 1. Bir gri tonlamalı görüntü ve eşikleme sonrası ikili çıktısı. (Kaynak)
Histogram
Benzer şekilde, bir görüntünün parlaklık değerlerinin nasıl dağıldığını anlamak istiyorsanız, bir histogram yardımcı olabilir. Siyah (0) ile beyaz (255) arasında her piksel yoğunluğunun ne sıklıkta göründüğünü gösteren bir grafiktir.
Histograma bakarak, görüntünün karanlık, parlak veya ikisinin arasında bir yerde olup olmadığını görebilirsiniz. Bu, görüntüyü siyah beyaza çevirirken iyi bir eşik değeri seçmeyi kolaylaştırır, çünkü desenleri ve kontrast seviyelerini bir bakışta tespit edebilirsiniz.
Ön plan ve arka plan
Bir görüntü eşiklendikten sonra, iki bölüme ayrılır: ön plan ve arka plan. Genellikle beyaz renkte gösterilen ön plan, metin, şekil veya algılamak istediğiniz nesneler gibi önemli öğeleri vurgular. Siyah renkte gösterilen arka plan ise diğer her şeydir. Bu ayrım, makinelerin görüntüde önemli olan şeylere odaklanmasına yardımcı olur.
Segmentasyon
Daha önce de belirtildiği gibi, segmentasyon bir görüntüyü parlaklık veya doku gibi özelliklere göre anlamlı bölgelere ayırır. Eşikleme, bunu yapmanın basit bir yoludur ve genellikle bir bilgisayarlı görü ardışık düzenindeki ilk adımlardan biridir.
Bilgisayarlı görü, makinelerin görsel verileri insanlar gibi işlemesini ve yorumlamasını sağlayan bir yapay zeka dalıdır. Bilgisayarlı görü sistemleri, sürecin başlarında eşikleme kullanarak nesneleri arka planlarından ayırabilir ve bu da algılama veya tanıma gibi sonraki adımların doğru bir şekilde çalışmasını kolaylaştırır.
Global eşikleme
Eşiklemenin ne olduğunu daha iyi anladığımıza göre, bir görüntüyü nasıl eşikleyeceğimizi ve görüntü işlemede farklı eşikleme türlerini inceleyelim.
Örneğin, global eşikleme, ikili bir görüntü oluşturmanın en kolay yollarından biridir. Görüntünün tamamına tek bir yoğunluk değeri uygular. Bu eşikten daha parlak pikseller beyaz olurken, daha koyu olanlar siyah olur. Bu, nesneyi arka plandan ayırmaya yardımcı olur.
Görüntüde eşit aydınlatma ve güçlü kontrast olduğunda en iyi sonucu verir. Ancak düzensiz aydınlatma veya düşük kontrastlı alanlarda, tek bir eşik ayrıntıları kaçırabilir veya kenarları bulanıklaştırabilir.
Bununla başa çıkmak için, Otsu'nun eşikleme gibi yöntemleri kullanılır. Bir değeri manuel olarak ayarlamak yerine, Otsu'nun 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 eşikleme uygulanmadan önce ve sonra Satürn'ün bir görüntüsü. (Kaynak)
Yerel (uyarlanabilir) eşikleme
Global eşiklemenin aksine, uyarlanabilir veya yerel eşikleme, eşik değerini görüntünün farklı bölümleri için ayrı ayrı hesaplar. Bu, gölgeli taranmış belgeler veya dokulu yüzeyler gibi eşit olmayan aydınlatmaya sahip görüntüler için daha etkili olmasını sağlar.
Görüntüyü küçük bölgelere ayırarak ve her blok için yerel bir eşik hesaplayarak çalışır, bu da ön plan ve arka plan arasındaki kontrastı korumaya yardımcı olur. Bu yaklaşım, aydınlatmanın görüntü boyunca değiştiği metin tanıma, tıbbi görüntüleme ve yüzey incelemesi gibi görevlerde yaygın olarak kullanılır.
Görüntü işlemede uyarlanabilir eşiklemeye yönelik bazı yaygın yaklaşımlar, uyarlanabilir ortalama eşikleme ve uyarlanabilir Gauss eşiklemesini içerir. Uyarlanabilir ortalama eşiklemede, yerel bir komşulukteki ortalama piksel yoğunluğu, merkez piksel için eşik olarak kullanılır. Öte yandan, uyarlanabilir Gauss eşikleme, merkeze daha yakın piksellere daha fazla önem vererek Gauss penceresiyle ağırlıklı bir ortalama kullanır.
Görüntü işlemede eşiklemenin gerçek dünya uygulamaları
Şimdi de görüntü eşiklemenin gerçek dünya uygulamalarında nerede kullanıldığını inceleyelim.
Belge ikilileştirme ve OCR için görüntü eşikleme
Eski kitaplar ve el yazısıyla yazılmış mektuplar, genellikle onları korumak veya basılı veya el yazısı karakterleri okuyan bir teknoloji olan OCR (Optik Karakter Tanıma) kullanılarak dijital metne dönüştürmek için taranır. Metin çıkarılmadan önce, belgenin genellikle temizlenmesi veya ön işlenmesi gerekir. Taranan görüntülerde genellikle gölgeler, solmuş mürekkep veya düzensiz aydınlatma bulunur, bu da karakter tanımayı zorlaştırabilir.
Netliği artırmak için, gri tonlamalı görüntüleri ikili formata dönüştürmek için eşikleme kullanılır ve metnin arka plandan yalıtılmasına yardımcı olur. Harfler gibi daha koyu alanlar siyah olurken, daha açık arka plan beyaz olur - bu da OCR sistemlerinin metni okumasını çok daha kolay hale getirir.
Şekil 3. Tarihi bir belge ve eşiklenmiş görüntüsünün bir örneği. (Kaynak)
Tıbbi görüntü işlemede eşikleme kullanma
Benzer şekilde, tıbbi görüntülemede, eşikleme genellikle X-ışını görüntülerinde kemikler veya akciğerler gibi taramalardaki belirli yapıları izole etmek için kullanılır. Gri tonlamalı görüntüleri ikili formata dönüştürerek, ilgi alanlarını çevreleyen dokudan ayırmak ve görüntüyü daha fazla analize hazırlamak kolaylaşır. Daha karmaşık durumlarda, görüntüyü birkaç farklı bölgeye ayırmak için çok seviyeli eşikleme uygulanabilir ve aynı anda farklı türde dokuların veya yapıların tanımlanmasına olanak tanır.
Şekil 4. Göğüs röntgenlerinde çok seviyeli eşikleme yöntemlerinin kullanılması. (Kaynak)
Görüntü işlemede eşiklemenin (thresholding) artıları ve eksileri
Görüntü işlemede eşikleme kullanmanın temel faydalarından bazıları şunlardır:
Kaynaklar açısından hafif: 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, eşikleme çıktılarını anlamayı ve hatalarını ayıklamayı kolaylaştırır; bu da sağlık hizmetleri veya şeffaflığın önemli olduğu belge işleme gibi alanlarda çok önemlidir.
Hızlı test: Eşikleme, ekiplerin daha karmaşık modellere geçmeden önce erken aşamadaki projelerde segmentasyon fikirlerini hızla keşfetmelerini sağlar.
Görüntü eşikleme birçok senaryoda faydalı olsa da, bazı sınırlamaları da vardır. İşte eşikleme ile ilgili dikkate alınması gereken bazı zorluklar:
Uyarlanabilirlik eksikliği: Eşikleme, sabit kuralları izler ve manuel ayarlama olmadan yeni aydınlatma koşullarına veya verilerdeki değişikliklere uyum sağlamaz.
Sensitive to noise (Gürültüye duyarlı): Gölgelerden veya yansımalardan kaynaklanan parlaklıktaki küçük değişiklikler, özellikle ayrıntılı veya dokulu görüntülerle çalışırken sonuçları bozabilir.
Statik ve kural tabanlı: AI modellerinin aksine, eşikleme verilerden öğrenmez veya zamanla gelişmez. Yalnızca tasarlandığı dar koşullar içinde çalışır.
Görüntü eşiklemenin ötesinde: Bilgisayar görüşü ne zaman doğru araçtır
Eşikleme, kontrollü ortamlarda 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 esnekliğe sahip değildir.
Bu sınırların ötesine geçmek için, birçok son teknoloji sistem artık bilgisayar görüşünü kullanıyor. Eşiklemenin aksine, Görüntü İşleme Yapay Zeka modelleri karmaşık desenleri ve özellikleri algılamak için eğitilir, bu da onları çok daha doğru ve uyarlanabilir hale getirir.
Örneğin, Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, nesneleri gerçek zamanlı olarak algılayabilir ve görüntüleri segmentlere ayırabilir. Bu, onları otonom araçlarda trafik sinyallerini tespit etmek veya tarımda mahsul sorunlarını belirlemek gibi görevler için ideal hale getirir.
Özellikle YOLO11, bir görüntüdeki her nesnenin ayrı ayrı bölümlere ayrıldığı örnek segmentasyonu gibi çeşitli bilgisayarlı görü görevlerini destekler. Ayrıca poz tahmini (bir nesnenin konumunu veya duruşunu belirleme) ve nesne takibi (bir nesneyi video kareleri boyunca hareket ederken takip etme) dahil olmak üzere diğer görüntü tabanlı görevleri de gerçekleştirebilir.
Şekil 5. YOLO11, nesneleri tespit etmeyi ve bölümlere ayırmayı kolaylaştırır. (Kaynak)
Eşikleme basit görevler veya erken fikirleri test etmek için iyi çalışsa da, hız, doğruluk ve esneklik gerektiren uygulamalar genellikle bilgisayar görüşü ile daha iyi işlenir.
Önemli çıkarımlar
Eşikleme, nesneleri arka plandan ayırmak için hızlı ve kolay bir yol olduğu için görüntü işlemede çok önemli bir araçtır. Taranmış belgeler, tıbbi görüntüler ve fabrikalarda ürün kusurlarını kontrol etmek için iyi çalışır.
Ancak, görüntüler ve videolar daha karmaşık hale geldikçe, görüntü eşikleme (image thresholding) gibi temel görüntü işleme yöntemleri zorlanabilir. İşte bu noktada gelişmiş bilgisayarlı görü modelleri devreye girebilir. YOLO11 gibi modeller daha fazla görevi anlayabilir ve gerçekleştirebilir, aynı anda birçok nesneyi tespit edebilir ve gerçek zamanlı olarak çalışabilir, bu da onları birçok kullanım durumu için faydalı kılar.
