"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 kılavuz ile görüntü işlemede eşiklemeyi keşfedin. Eşiklemenin ne olduğunu, Otsu 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 süreçte, bu pikseller görüntüyü iyileştirmek ve faydalı bilgileri çıkarmak için ayarlanabilir veya analiz edilebilir.
Yaygın bir görüntü işleme tekniğine görüntü eşikleme denir. Bu yöntem, her pikseli belirli bir değerle karşılaştırarak gri tonlamalı görüntüleri (her pikselin bir gri tonunu temsil ettiği) siyah-beyaz olanlara dönüştürür. Önemli bölgeler ile 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 olan ilk adımlardan biridir. Bu makalede, eşiklemenin ne olduğuna, nasıl çalıştığına ve gerçek dünya senaryolarında nerelerde uygulandığına bakacağız. Hadi başlayalım!
Görüntü eşiklemede temel terminoloji
Eşiklemenin nasıl çalıştığına geçmeden önce, arkasındaki temel fikirlere ve görüntü işlemede nasıl kullanıldığına daha yakından bakalım.
İkili görüntü eşiği
Diyelim ki bir görüntü üzerinde çalışıyorsunuz ve görüntüdeki nesneleri arka plandan ayırmak istiyorsunuz. Bunu yapmanın bir yolu eşikleme yapmaktır. Her piksel ya tamamen siyah ya da tamamen beyaz olacak şekilde görüntüyü basitleştirir. Sonuç, her pikselin 0 (siyah) veya 255 (beyaz) değerine sahip olduğu ikili bir görüntüdür. Bu adım genellikle görüntü işlemede kullanışlıdır çünkü görüntünün önemli kısımlarının net bir şekilde öne çıkmasını sağlar.
Şekil 1. Gri tonlamalı bir görüntü ve eşikleme sonrası ikili çıktısı. (Kaynak)
Histogram
Benzer şekilde, parlaklık değerlerinin bir görüntüde nasıl dağıldığını anlamak istiyorsanız, bir histogram size yardımcı olabilir. Bu, siyahtan (0) beyaza (255) kadar her bir piksel yoğunluğunun ne sıklıkta göründüğünü gösteren bir grafiktir.
Histograma bakarak görüntünün karanlık mı, parlak mı yoksa ikisinin arasında bir yerde mi olduğunu görebilirsiniz. Bu, görüntüyü siyah beyaza dönüştürürken iyi bir eşik değeri seçmeyi kolaylaştırır, çünkü desenleri ve kontrast seviyelerini bir bakışta görebilirsiniz.
Ön plan ve arka plan
Bir görüntü eşiklendikten sonra iki kısma ayrılır: ön plan ve arka plan. Genellikle beyaz renkle gösterilen ön plan, tespit etmek istediğiniz metin, şekil veya nesneler gibi önemli unsurları vurgular. Siyah renkle 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 dayalı olarak anlamlı bölgelere ayırır. Eşikleme bunu yapmanın basit bir yoludur ve genellikle bir bilgisayarla görme işlem hattındaki ilk adımlardan biridir.
Bilgisayarla görme, makinelerin tıpkı insanlar gibi görsel verileri işlemesini ve yorumlamasını sağlayan bir yapay zeka dalıdır. Bilgisayarlı görü sistemleri, sürecin başlarında eşikleme kullanarak nesneleri arka planlarından ayırabilir, böylece algılama veya tanıma gibi sonraki adımların doğru şekilde çalışmasını kolaylaştırır.
Global eşikleme
Artık eşiklemenin ne olduğunu daha iyi anladığımıza göre, bir görüntünün nasıl eşikleneceğini 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 siyaha döner. Bu, nesneyi arka plandan ayırmaya yardımcı olur.
Görüntü eşit aydınlatmaya ve güçlü kontrasta sahip olduğunda en iyi sonucu verir. Ancak eşit olmayan ışıkta veya düşük kontrastlı alanlarda, tek bir eşik ayrıntıları kaçırabilir veya kenarları bulanıklaştırabilir.
Bunun üstesinden gelmek için Otsu'nun eşikleme yöntemi gibi yöntemler kullanılır. Manuel olarak bir değer belirlemek 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. Satürn'ün Otsu eşiklemesi uygulanmadan önceki ve sonraki görüntüsü. (Kaynak)
Yerel (uyarlanabilir) eşikleme
Global eşiklemenin aksine, uyarlanabilir veya yerel eşikleme eşik değerini görüntünün farklı kısımları için ayrı ayrı hesaplar. Bu, gölgeli veya dokulu yüzeylere sahip taranmış belgeler gibi eşit olmayan aydınlatmaya sahip görüntüler için daha etkili olmasını sağlar.
Görüntüyü küçük bölgelere ayırarak ve her blok için ön plan ile arka plan arasındaki kontrastı korumaya yardımcı olan yerel bir eşik hesaplayarak çalışır. Bu yaklaşım, aydınlatmanın görüntü boyunca değiştiği metin tanıma, tıbbi görüntüleme ve yüzey denetimi gibi görevlerde yaygın olarak kullanılmaktadır.
Görüntü işlemede uyarlanabilir eşiklemeye yönelik bazı yaygın yaklaşımlar arasında uyarlanabilir ortalama eşikleme ve uyarlanabilir Gauss eşikleme yer alır. Uyarlanabilir ortalama eşiklemede, yerel bir komşuluktaki ortalama piksel yoğunluğu merkez piksel için eşik olarak kullanılır. Öte yandan uyarlanabilir Gauss eşikleme, merkeze daha yakın piksellere daha fazla önem vererek Gauss pencereli ağırlıklı bir ortalama kullanır.
Görüntü işlemede eşiklemenin gerçek dünya uygulamaları
Daha sonra, görüntü eşiklemenin gerçek dünya uygulamalarında nerelerde kullanıldığını inceleyelim.
Belge ikileştirme ve OCR için görüntü eşikleme
Eski kitaplar ve el yazısı 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 işleme tabi tutulması gerekir. Taranan görüntülerde genellikle karakter tanımayı zorlaştırabilecek gölgeler, soluk mürekkep veya düzensiz aydınlatma bulunur.
Netliği artırmak için, gri tonlamalı görüntüleri ikili formata dönüştürmek için eşikleme kullanılır ve metnin arka plandan izole edilmesine yardımcı olur. Harfler gibi daha koyu alanlar siyah olurken, daha açık arka plan beyaza dönüşerek OCR sistemlerinin metni okumasını çok daha kolay hale getirir.
Şekil 3. Tarihi bir belge örneği ve eşiklenmiş görüntüsü. (Kaynak)
Tıbbi görüntü işlemede eşikleme kullanımı
Benzer şekilde, tıbbi görüntülemede eşikleme, X-ışını görüntülerinde kemikler veya akciğerler gibi taramalardaki belirli yapıları izole etmek için yaygın olarak kullanılır. Gri tonlamalı görüntüleri ikili formata dönüştürerek, ilgilenilen bölgeleri çevreleyen dokudan ayırmak ve görüntüyü daha fazla analiz için hazırlamak daha kolay hale gelir. Daha karmaşık durumlarda, görüntüyü birkaç farklı bölgeye ayırmak için çok seviyeli eşikleme uygulanabilir ve bu da farklı doku türlerinin veya yapıların aynı anda tanımlanmasına olanak tanır.
Şekil 4. Göğüs röntgenlerinde çok seviyeli eşikleme yöntemlerinin kullanılması. (Kaynak)
Görüntü işlemede eşiklemenin artıları ve eksileri
Görüntü işlemede eşikleme kullanmanın bazı temel faydaları şunlardır:
Kaynaklar üzerinde 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 çıktılarının anlaşılmasını ve hata ayıklamasını kolaylaştırır; bu da şeffaflığın önemli olduğu sağlık hizmetleri veya belge işleme gibi alanlarda çok önemlidir.
Hızlı test: Eşikleme, ekiplerin daha karmaşık modellere geçmeden önce erken aşamadaki projelerde segmentasyon fikirlerini hızlı bir şekilde keşfetmelerini sağlar.
Görüntü eşikleme birçok senaryoda faydalı olsa da bazı sınırlamaları da beraberinde getirir. İşte eşikleme ile ilgili dikkate alınması gereken bazı zorluklar:
Uyarlanabilirlikten yoksundur: Eşikleme sabit kuralları takip eder ve manuel ayarlama yapmadan yeni aydınlatma koşullarına veya verilerdeki değişikliklere uyum sağlamaz.
Gürültüye karşı hassastır: Gölgelerden veya yansımalardan kaynaklanan parlaklıktaki küçük değişiklikler, özellikle ayrıntılı veya dokulu görüntülerle çalışırken sonuçları bozabilir.
Statik ve kural tabanlı: Yapay zeka modellerinin aksine eşikleme, verilerden öğrenmez veya zaman içinde gelişmez. Yalnızca tasarlandığı dar koşullar içinde çalışır.
Görüntü eşiklemenin ötesinde: Bilgisayarlı görü doğru araç olduğunda
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 dayandığından, eşikleme çoğu gerçek dünya uygulaması için gereken esneklikten yoksundur.
Bu sınırların ötesine geçmek için, birçok ileri teknoloji sistem artık bilgisayarla görmeyi kullanıyor. Eşiklemenin aksine, Görme Yapay Zeka modelleri karmaşık desenleri ve özellikleri tespit etmek için eğitilir, bu da onları çok daha doğru ve uyarlanabilir hale getirir.
Örneğin, Ultralytics YOLO11 gibi bilgisayarla görme modelleri nesneleri algılayabilir ve görüntüleri gerçek zamanlı olarak bölümlere ayırabilir. Bu da 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 segmente edildiği örnek segmentasyonu gibi bir dizi bilgisayarla görme görevini 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 görüş tabanlı görevleri de gerçekleştirebilir.
Şekil 5. YOLO11 nesneleri tespit etmeyi ve segmentlere ayırmayı kolaylaştırır(Kaynak)
Eşikleme basit görevler veya ilk fikirlerin test edilmesi için iyi çalışsa da, hız, doğruluk ve esneklik gerektiren uygulamalar genellikle bilgisayarla görme ile daha iyi ele alınır.
Önemli çıkarımlar
Eşikleme, görüntü işlemede çok önemli bir araçtır çünkü nesneleri arka plandan ayırmak için kullanımı hızlı ve kolaydır. Taranmış belgelerde, tıbbi görüntülerde ve fabrikalarda ürün kusurlarını kontrol etmede işe yarar.
Ancak görüntüler ve videolar daha karmaşık hale geldikçe, görüntü eşikleme gibi temel görüntü işleme yöntemleri zorlanabilir. İşte bu noktada gelişmiş bilgisayarla görme 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 kullanışlı hale getirir.
