Görüntü işlemede eşikleme nedir?

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

İnsanlar olarak görüntüleri tutarlı ve anlamlı resimler olarak görürken, bilgisayarlar bunları 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 bilgiler çıkarmak için 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 genellikle, analizini kolaylaştırmak için bir görüntüyü anlamlı bölgelere ayıran bir teknik olan görüntü segmentasyonu içinde 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!

Link to this sectionGörüntü eşiklemede temel terminoloji#

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

Link to this sectionİkili (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)

Link to this sectionHistogram#

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.

Link to this sectionÖn 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.

Link to this sectionSegmentasyon#

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.

Bilgisayarlı görü, makinelerin tıpkı insanlar gibi görsel verileri işlemesini ve yorumlamasını sağlayan bir yapay zeka dalıdır. Eşiklemeyi sürecin başlarında kullanarak, bilgisayarlı görü sistemleri nesneleri arka planlarından ayırabilir, bu da algılama veya tanıma gibi sonraki adımların doğru bir şekilde çalışmasını kolaylaştırır.

Link to this sectionKüresel 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. Satürn'ün Otsu eşiklemesi uygulanmadan önceki ve sonraki hali. (Kaynak)

Link to this sectionYerel (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 kontrastı korumaya yardımcı olur. Bu yaklaşım, aydınlatmanın görüntü genelinde değiştiği metin tanıma, tıbbi görüntüleme ve yüzey inceleme 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.

Link to this sectionGörüntü işlemede eşiklemenin gerçek dünya uygulamaları#

Şimdi, görüntü eşiklemenin gerçek dünya uygulamalarında nerede kullanıldığını keşfedelim.

Link to this sectionBelge ikilileştirme ve OCR için görüntü eşikleme#

Eski kitaplar ve el yazısı mektuplar genellikle korunmaları veya basılı ya da el yazısı karakterleri okuyan bir teknoloji olan OCR (Optik Karakter Tanıma) kullanılarak dijital metne dönüştürülmeleri için taranır. Metin çıkarılmadan önce, belgenin genellikle temizlenmesi veya ön işleme tabi tutulması gerekir. Taranmış görüntülerde genellikle karakter tanımayı zorlaştırabilecek gölgeler, solmuş mürekkep veya düzensiz aydınlatma bulunur.

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 görüntüsüne bir örnek. (Kaynak)

Link to this sectionTıbbi 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)

Link to this sectionGörüntü 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 kolaydır: Basit mantığı, eşikleme çıktılarını anlamayı ve hata ayıklamayı kolaylaştırır; bu, şeffaflığın önemli olduğu sağlık hizmetleri veya belge işleme gibi alanlarda çok önemlidir.
• 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.

Link to this sectionGörüntü 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, günümüzde birçok gelişmiş sistem bilgisayarlı görü kullanmaktadır. Eşiklemenin aksine, görü görme yapay zeka modelleri karmaşık desenleri ve özellikleri tespit etmek üzere eğitilir, bu da onları çok daha doğru ve uyarlanabilir hale getirir.

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

Özellikle YOLO11, bir görüntüdeki her nesnenin ayrı ayrı segmentlere ayrıldığı örnek segmentasyonu gibi bir dizi bilgisayarlı görü görevini destekler. Ayrıca, poz tahmini (bir nesnenin konumunu veya duruşunu belirleme) ve nesne takibi (bir nesne video karelerinde hareket ederken onu takip etme) dahil olmak üzere diğer görü tabanlı görevleri de gerçekleştirebilir.

Şekil 5. YOLO11, nesneleri tespit etmeyi ve segmentlere ayırmayı kolaylaştırır. (Kaynak)

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.

Link to this sectionÖne 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 karmaşıklaştıkça, görüntü eşikleme gibi temel görüntü işleme yöntemleri zorlanabilir. Gelişmiş bilgisayarlı görü modelleri işte bu noktada devreye girebilir. YOLO11 gibi modeller, daha fazla görevi anlayıp gerçekleştirebilir, aynı anda birçok nesneyi fark edebilir ve gerçek zamanlı çalışabilir, bu da onları birçok kullanım durumu için faydalı kılar.

AI hakkında daha fazla şey öğrenmek mi istiyorsun? Topluluğumuza ve GitHub depomuza göz at. Robotikte AI ve tarımda bilgisayarlı görü hakkında bilgi edinmek için çözüm sayfalarımızı keşfet. Lisanslama seçeneklerimizi keşfet ve bugün bilgisayarlı görü ile bir şeyler oluşturmaya başla!