Görüntü işlemede eşikleme nedir?

Bu makalede ele alınan kavramları görsel olarak adım adım görmek için aşağıdaki videoyu izle.

İnsanlar olarak görüntüleri tutarlı ve anlamlı resimler şeklinde görürüz; bilgisayarlar ise görüntüleri dijital bir görüntünün en küçük bileşenleri olan minik piksel ızgaraları olarak algılar. Görüntü işleme adı verilen bir süreçte bu pikseller, görüntüyü iyileştirmek ve yararlı bilgiler çıkarmak için ayarlanabilir veya analiz edilebilir.

Kenar algılama gibi yöntemlerin yanı sıra sık kullanılan görüntü işleme tekniklerinden biri eşik değerlemedir. Bu yöntem, her pikseli belirli bir değerle karşılaştırarak gri tonlamalı görüntüleri (her pikselin bir gri tonunu temsil ettiği görüntüler) siyah beyaz görüntülere dönüştürür. Böylece önemli bölgelerle arka plan birbirinden net biçimde ayrılır.

Eşik değerleme, bir görüntüyü analiz etmeyi kolaylaştırmak için anlamlı bölgelere ayıran bir teknik olan görüntü segmentasyonunda sıkça kullanılır. Genellikle makinelerin görsel verileri yorumlamasına yardımcı olan ilk adımlardan biridir. Bu yazıda eşik değerlemenin ne olduğunu, nasıl çalıştığını ve gerçek dünyada nerelerde uygulandığını inceleyeceğiz.

Görüntü eşiklemede temel terimler#

Eşiklemenin nasıl çalıştığına geçmeden önce, temelindeki fikirlere ve görüntü işlemede nasıl kullanıldığına daha yakından bakalım.

İkili görüntü eşiği#

Bir görüntü üzerinde çalıştığını ve görüntüdeki nesneleri arka plandan ayırmak istediğini varsayalım. Bunu yapmanın bir yolu eşikleme kullanmaktır. Eşikleme, her pikselin tamamen siyah veya tamamen beyaz olmasını sağlayarak görüntüyü basitleştirir. Sonuç, her pikselin 0 (siyah) veya 255 (beyaz) değerini aldığı ikili bir görüntüdür. Bu adım, görüntünün önemli bölümlerini belirgin biçimde öne çıkardığı için görüntü işlemede sıklıkla yararlıdır.

Şekil 1. Gri tonlamalı bir görüntü ve eşikleme sonrası elde edilen ikili görüntü. (Kaynak: blog.devops.dev)

Histogram#

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

Histogramı inceleyerek görüntünün karanlık mı, parlak mı yoksa ikisinin arasında mı olduğunu görebilirsin. Bu sayede, görüntüyü siyah beyaza dönüştürürken uygun bir eşik değeri seçmek kolaylaşır; çünkü örüntüleri 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 olarak gösterilen ön plan; algılamak istediğin metin, şekil veya nesne gibi önemli öğeleri vurgular. Siyah gösterilen arka plan ise geri kalan her şeydir. Bu ayrım, makinelerin görüntüdeki önemli unsurlara odaklanmasına yardımcı olur.

Segmentasyon#

Daha önce belirtildiği gibi segmentasyon, parlaklık veya doku gibi özelliklere göre bir görüntüyü anlamlı bölgelere ayırır. Eşikleme bunu yapmanın basit bir yoludur ve bilgisayarlı görü işlem hattındaki ilk adımlardan biri olarak sıklıkla kullanılır.

Bilgisayarlı görü, makinelerin görsel verileri insanlar gibi işlemesini ve yorumlamasını sağlayan bir yapay zekâ dalıdır. Bilgisayarlı görü sistemleri, süreçte erken aşamada eşikleme kullanarak nesneleri arka planlarından ayırabilir; böylece algılama veya tanıma gibi sonraki adımların doğru çalışması kolaylaşır.

Küresel eşikleme#

Eşik değerlemenin ne olduğunu artık daha iyi anladığımıza göre, bir görüntüye eşik değeri uygulamayı ve görüntü işlemedeki farklı eşik değerleme türlerini ele alalım.

Örneğin küresel eşikleme, ikili görüntü oluşturmanın en kolay yollarından biridir. Tüm görüntüye tek bir yoğunluk değeri uygular. Bu eşik değerinden daha parlak pikseller beyaza, daha koyu olanlar ise siyaha dönüşür. Bu, nesneyi arka plandan ayırmaya yardımcı olur.

Görüntü eşit aydınlatmaya ve güçlü kontrasta sahip olduğunda en iyi sonucu verir. Ancak aydınlatmanın eşit olmadığı veya kontrastın düşük olduğu bölgelerde tek bir eşik, ayrıntıları kaçırabilir veya kenarları bulanıklaştırabilir.

Bu sorunu çözmek için Otsu eşiklemesi gibi yöntemler kullanılır. Otsu'nun eşikleme yöntemi, değeri elle belirlemek yerine görüntünün histogramını analiz eder ve piksel yoğunluklarını ön plan ile arka plana en iyi biçimde ayıran eşiği seçer.

Şekil 2. Otsu eşiklemesi uygulanmadan önceki ve sonraki Satürn görüntüsü. (Kaynak)

Yerel (uyarlamalı) eşikleme#

Küresel eşiklemeden farklı olarak uyarlamalı veya yerel eşikleme, eşik değerini görüntünün farklı bölümleri için ayrı ayrı hesaplar. Bu özellik, gölgeli taranmış belgeler veya dokulu yüzeyler gibi eşit aydınlatılmamış görüntülerde yöntemi daha etkili kılar.

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

Görüntü işlemede uyarlamalı eşiklemenin yaygın yöntemlerinden bazıları uyarlamalı ortalama eşikleme ve uyarlamalı Gauss eşiklemesidir. Uyarlamalı ortalama eşiklemede, yerel bir komşuluk içindeki ortalama piksel yoğunluğu merkez pikselin eşiği olarak kullanılır. Öte yandan uyarlamalı Gauss eşiklemesi, Gauss penceresiyle ağırlıklı ortalama kullanır ve merkeze daha yakın piksellere daha fazla önem verir.

Görüntü işlemede eşiklemenin gerçek dünyadaki uygulamaları#

Şimdi görüntü eşiklemenin gerçek dünyadaki uygulamalarda nerelerde kullanıldığını inceleyelim.

Belge ikilileştirme ve OCR için görüntü eşikleme#

Eski kitaplar ve el yazısıyla yazılmış mektuplar, korumak veya basılı ya da el yazısı karakterleri okuyan bir teknoloji olan OCR (Optik Karakter Tanıma) kullanarak dijital metne dönüştürmek amacıyla sıklıkla taranır. Metin çıkarılmadan önce belgenin genellikle temizlenmesi veya ön işlemden geçirilmesi gerekir. Taranmış görüntülerde çoğu zaman gölgeler, solmuş mürekkep veya eşit olmayan aydınlatma bulunur; bunlar karakter tanımayı zorlaştırabilir.

Netliği artırmak için gri tonlamalı görüntüler ikili biçime dönüştürülerek metnin arka plandan ayrılması sağlanır. Harfler gibi daha koyu bölgeler siyaha, daha açık arka plan ise beyaza dönüşür; böylece OCR sistemlerinin metni okuması çok daha kolaylaşır.

Şekil 3. Tarihî bir belge ve eşiklenmiş görüntüsüne örnek. (Kaynak)

Tıbbi görüntü işlemede eşikleme kullanımı#

Benzer şekilde, tıbbi görüntülemede eşikleme kemik veya akciğer gibi belirli yapıları röntgen görüntülerinden ayırmak için yaygın olarak kullanılır. Gri tonlamalı görüntüleri ikili biçime dönüştürmek, ilgi alanlarını çevre dokulardan ayırmayı ve görüntüyü ileri analiz için hazırlamayı kolaylaştırır. Daha karmaşık durumlarda, görüntüyü birbirinden farklı birkaç bölgeye ayırmak için çok seviyeli eşikleme uygulanabilir; böylece farklı doku veya yapı türleri aynı anda belirlenebilir.

Şekil 4. Göğüs röntgenlerinde çok seviyeli eşikleme yöntemlerinin kullanımı. (Kaynak: sciencedirect.com)

Görüntü işlemede eşiklemenin artıları ve eksileri#

Görüntü işlemede eşikleme kullanmanın başlıca faydalarından bazıları şunlardır:

• Düşük kaynak gereksinimi: Eşikleme, düşük güçlü cihazlarda iyi çalışır ve bulut erişimi veya üst düzey donanım gerektirmez. Bu özellik, onu gömülü sistemler ve çevrimdışı kurulumlar için uygun hâle getirir.
• Kolay yorumlanır: Basit mantığı sayesinde eşikleme çıktılarının anlaşılması ve hata ayıklaması kolaydır. Bu, şeffaflığın önemli olduğu sağlık hizmetleri veya belge işleme gibi alanlarda kritik önem taşır.
• Hızlı test: Eşikleme, ekiplerin daha karmaşık modellere geçmeden önce erken aşamadaki projelerde segmentasyon fikirlerini hızla denemesini sağlar.

Görüntü eşikleme birçok senaryoda yararlı olsa da bazı kısıtlamaları vardır. Eşiklemeyle ilgili göz önünde bulundurman gereken zorluklardan bazıları şunlardır:

• Uyarlanabilirlikten yoksun: Eşikleme sabit kuralları izler ve elle ayarlama yapılmadıkça yeni aydınlatma koşullarına veya verideki değişikliklere uyum sağlamaz.
• Gürültüye duyarlı: Gölgelerden veya yansımalardan kaynaklanan küçük parlaklık değişiklikleri, özellikle ayrıntılı veya dokulu görüntülerle çalışırken sonuçları olumsuz etkileyebilir.
• Statik ve kural tabanlı: Yapay zekâ modellerinin aksine eşikleme verilerden öğrenmez veya zamanla gelişmez. Yalnızca tasarlandığı dar koşullar kapsamında çalışır.

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

Eşikleme, kontrollü ortamlardaki basit segmentasyon görevlerinde iyi çalışır. Ancak birden fazla nesne veya arka plan gürültüsü içeren karmaşık görüntülerde çoğu zaman zorlanır. Sabit kurallara dayanması nedeniyle eşikleme, gerçek dünyadaki uygulamaların çoğunda gereken esneklikten yoksundur.

Bu sınırların ötesine geçmek için birçok modern sistem artık bilgisayarlı görü kullanıyor. Eşik değerlemenin aksine görsel yapay zekâ modelleri, karmaşık örüntüleri ve özellikleri tespit etmek üzere eğitilir; bu da onları çok daha doğru ve uyarlanabilir kılar.

Örneğin Ultralytics YOLO11 gibi bilgisayarlı görü modelleri nesneleri tespit edebilir ve görüntüleri gerçek zamanlı olarak segmente edebilir. Bu özellik, onları otonom araçlarda trafik işaretlerini algılama veya tarımda mahsul sorunlarını belirleme gibi görevler için son derece uygun kılar.

Özellikle Ultralytics YOLO11, her nesnenin bir görüntüde ayrı ayrı segmentlere ayrıldığı örnek segmentasyonu gibi çeşitli bilgisayarlı görü görevlerini destekler. Ayrıca poz tahmini (bir nesnenin konumunu veya duruşunu belirleme) ve nesne takibi (bir nesne video karelerinde hareket ederken onu izleme) dâhil olmak üzere görüntü tabanlı başka görevleri de gerçekleştirebilir.

Şekil 5. YOLO11, nesnelerin algılanmasını ve segmentasyonunu kolaylaştırır. (Kaynak)

Eşikleme basit görevlerde veya ilk fikirleri test ederken iyi sonuç verse de hız, doğruluk ve esneklik gerektiren uygulamalar genellikle bilgisayarlı görüyle daha iyi ele alınır.

Önemli çıkarımlar#

Eşik değerleme, nesneleri arka plandan ayırmak için hızlı ve kolay bir yöntem olduğundan görüntü işlemede kullanışlı bir araçtır. Taranmış belgelerde, tıbbi görüntülerde ve fabrikalarda ürün kusurlarını denetlemede iyi sonuç verir.

Ancak görüntüler ve videolar karmaşıklaştıkça görüntü eşikleme gibi temel görüntü işleme yöntemleri zorlanabilir. Bu noktada gelişmiş bilgisayarlı görü modelleri devreye girebilir. Ultralytics YOLO11 gibi modeller daha fazla görevi anlayıp gerçekleştirebilir, aynı anda çok sayıda nesneyi algılayabilir ve gerçek zamanlı çalışabilir; bu da onları birçok kullanım alanı için yararlı kılar.

Yapay zekâ hakkında daha fazla bilgi edinmek ister misin? Topluluğumuza ve GitHub depomuza göz at. Robotikte yapay zekâ ve tarımda bilgisayarlı görü hakkında bilgi edinmek için çözüm sayfalarımızı keşfet. Lisanslama seçeneklerimizi incele ve bugün bilgisayarlı görüyle geliştirmeye başla!