Görüntü işlemede eşikleme nedir?
Bu kılavuzla görüntü işlemede eşiklemeyi keşfet. Eşiklemenin ne olduğunu ve Otsu eşiklemesi dahil farklı görüntü eşikleme tekniklerini öğren.
Bu makalede ele alınan kavramları görsel olarak adım adım incelemek için aşağıdaki videoyu izle.
İnsanlar olarak görüntüleri tutarlı ve anlamlı resimler olarak görürüz; bilgisayarlar ise onları dijital bir görüntünün en küçük bileşenleri olan küçük piksel ızgaraları olarak algılar. Görüntü işleme adı verilen bir süreçte bu pikseller, görüntüyü iyileştirmek ve yararlı bilgiler 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 görüntüler) siyah-beyaz görüntülere dönüştürür. Önemli bölgeler ile arka plan arasında net bir ayrım oluşturur.
Eşikleme, 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 makalede eşiklemenin ne olduğuna, nasıl çalıştığına ve gerçek dünyadaki hangi senaryolarda uygulandığına bakacağız. Hadi başlayalım!
Görüntü eşiklemede temel terminoloji#
Eşiklemenin nasıl çalıştığını incelemeden önce, arkasındaki temel kavramlara ve görüntü işlemede nasıl kullanıldığına daha yakından bakalım.
İkili görüntü eşiklemesi#
Bir görüntüyle çalıştığını ve içindeki nesneleri arka plandan ayırmak istediğini varsayalım. Bunu yapmanın bir yolu eşikleme kullanmaktır. 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 kısımlarını net biçimde öne çıkardığı için görüntü işlemede sıklıkla yararlıdır.
Şekil 1. Eşikleme sonrasında gri tonlamalı bir görüntü ve ikili çıktısı. (Kaynak: blog.devops.dev)
Histogram#
Benzer şekilde, parlaklık değerlerinin bir görüntü boyunca nasıl dağıldığını anlamak istiyorsan histogram yardımcı olabilir. Histogram, siyahtan (0) beyaza (255) kadar her piksel yoğunluğunun ne sıklıkta göründüğünü gösteren bir grafiktir.
Histogramı inceleyerek görüntünün karanlık, aydınlık veya ikisinin arasında bir yerde olup olmadığını görebilirsin. Bu, görüntüyü siyah-beyaza dönüştürürken iyi bir eşik değeri seçmeyi kolaylaştırır; çünkü desenleri ve kontrast düzeylerini bir bakışta fark edebilirsin.
Ön plan ve arka plan#
Bir görüntü eşiklendikten sonra iki kısma ayrılır: ön plan ve arka plan. Genellikle beyaz gösterilen ön plan; metin, şekil veya tespit etmek istediğin nesneler gibi önemli ögeleri öne çıkarır. Siyah gösterilen arka plan ise geri kalan her şeydir. Bu ayrım, makinelerin görüntüde önemli olan unsurlara odaklanmasına yardımcı olur.
Segmentasyon#
Daha önce belirtildiği gibi segmentasyon, bir görüntüyü parlaklık veya doku gibi özelliklere göre anlamlı bölgelere ayırır. Eşikleme bunu yapmanın basit bir yoludur ve bilgisayarlı görü işlem hattındaki ilk adımlardan biri olarak sıklıkla kullanılır.
Bilgisayarlı görü, makinelerin insanlar gibi görsel verileri işlemesini ve yorumlamasını sağlayan bir AI dalıdır. Bilgisayarlı görü sistemleri, sürecin başlarında eşikleme kullanarak nesneleri arka plandan ayırabilir ve algılama veya tanıma gibi sonraki adımların doğru çalışmasını kolaylaştırabilir.
Global eşikleme#
Artık eşiklemenin ne olduğunu daha iyi anladığımıza göre, bir görüntünün nasıl eşiklendiğini ve görüntü işlemedeki farklı eşikleme türlerini inceleyelim.
Örneğin global eşikleme, ikili bir görüntü oluşturmanın en kolay yollarından biridir. Tüm görüntü boyunca tek bir yoğunluk değeri uygular. Bu eşikten daha parlak pikseller beyaza, daha koyu pikseller ise siyaha dönüşür. Bu, nesneyi arka plandan ayırmaya yardımcı olur.
Görüntü eşit aydınlatmaya ve güçlü kontrasta sahip olduğunda en iyi şekilde çalışır. Ancak eşit olmayan aydınlatmada veya düşük kontrastlı bölgelerde tek bir eşik, ayrıntıları gözden kaçırabilir ya da kenarları bulanıklaştırabilir.
Bunun üstesinden gelmek için Otsu eşiklemesi gibi yöntemler kullanılır. Otsu yöntemi, değeri elle belirlemek yerine görüntünün histogramını analiz eder ve piksel yoğunluklarını ön plan ile arka plana en iyi şekilde ayıran eşiği seçer.
Şekil 2. Otsu eşiklemesi uygulanmadan önce ve uygulandıktan sonra Satürn görüntüsü. (Kaynak)
Yerel (uyarlamalı) eşikleme#
Global eşiklemenin aksine uyarlamalı veya yerel eşikleme, eşik değerini görüntünün farklı kısımları için ayrı ayrı hesaplar. Bu, gölgeli taranmış belgeler veya dokulu yüzeyler gibi eşit olmayan aydınlatmaya sahip görüntülerde daha etkili olmasını sağlar.
Görüntüyü küçük bölgelere ayırarak ve 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 eşikleme için yaygın yaklaşımlar arasında uyarlamalı ortalama eşikleme ve uyarlamalı Gauss eşikleme bulunur. Uyarlamalı ortalama eşiklemede, yerel bir komşuluktaki ortalama piksel yoğunluğu merkez piksel için eşik olarak kullanılır. Uyarlamalı Gauss eşiklemede ise Gauss penceresiyle ağırlıklı ortalama kullanılır ve merkeze daha yakın piksellere daha fazla önem verilir.
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, korunmaları veya basılı ya da el yazısı karakterleri okuyan bir teknoloji olan OCR (Optik Karakter Tanıma) kullanılarak dijital metne dönüştürülmeleri için sıklıkla taranır. Metin çıkarılmadan önce belgenin genellikle temizlenmesi veya ön işlenmesi gerekir. Taranmış görüntülerde çoğu zaman gölgeler, solmuş mürekkep veya eşit olmayan aydınlatma bulunur ve bunlar karakter tanımayı zorlaştırabilir.
Netliği artırmak için gri tonlamalı görüntüleri ikili biçime dönüştürmek ve metni arka plandan ayırmaya yardımcı olmak amacıyla eşikleme kullanılır. Harfler gibi koyu bölgeler siyaha, daha açık arka plan ise beyaza dönüşür; böylece OCR sistemlerinin metni okuması çok daha kolay hale gelir.
Şekil 3. Tarihî bir belge ve eşiklenmiş görüntüsüne örnek. (Kaynak)
Tıbbi görüntü işlemede eşikleme kullanımı#
Benzer şekilde tıbbi görüntülemede eşikleme, X-ray görüntülerindeki kemikler veya akciğerler gibi belirli yapıları taramalardan ayırmak için yaygın olarak kullanılır. Gri tonlamalı görüntüleri ikili biçime dönüştürmek; ilgi bölgelerini çevre dokudan ayırmayı ve görüntüyü daha ileri analizlere hazırlamayı kolaylaştırır. Daha karmaşık durumlarda, görüntüyü birkaç farklı bölgeye ayırmak için çok düzeyli eşikleme uygulanabilir; bu sayede farklı doku veya yapı türleri aynı anda tanımlanabilir.
Şekil 4. Göğüs X-ray görüntülerinde çok düzeyli eşikleme yöntemlerinin kullanımı. (Kaynak: sciencedirect.com)
Görüntü işlemede eşiklemenin artıları ve eksileri#
Görüntü işlemede eşikleme kullanmanın başlıca avantajlarından bazıları şunlardır:
- Kaynakları az kullanır: Eşikleme, düşük güçlü cihazlarda iyi çalışır ve bulut erişimi ya da üst düzey donanım gerektirmez; bu da onu gömülü sistemler ve çevrimdışı kurulumlar için uygun hale getirir.
- Yorumlaması kolaydır: Basit mantığı, eşikleme çıktılarını anlamayı ve hatalarını ayıklamayı kolaylaştırır. Bu, şeffaflığın önemli olduğu sağlık hizmetleri veya belge işleme gibi alanlarda kritik öneme sahiptir.
- Hızlı test: Eşikleme, ekiplerin daha karmaşık modellere geçmeden önce erken aşamadaki projelerde segmentasyon fikirlerini hızla keşfetmesini sağlar.
Görüntü eşikleme birçok senaryoda yararlı olsa da bazı sınırlamalara sahiptir. Eşiklemeyle ilgili göz önünde bulundurman gereken bazı zorluklar şunlardır:
- Uyarlanabilirliği yoktur: Eşikleme sabit kuralları izler ve elle ayarlama yapılmadıkça yeni aydınlatma koşullarına veya verilerdeki değişikliklere uyum sağlamaz.
- Gürültüye duyarlıdır: Gölgeler veya yansımaların neden olduğu parlaklıktaki küçük değişiklikler, özellikle ayrıntılı veya dokulu görüntülerle çalışırken sonuçları olumsuz etkileyebilir.
- Statik ve kural tabanlıdır: AI modellerinin aksine eşikleme verilerden öğrenmez veya zaman içinde iyileşmez. Yalnızca tasarlandığı dar koşullar içinde çalışır.
Görüntü eşiklemenin ötesi: Bilgisayarlı görü ne zaman doğru araçtır?#
Eşikleme, kontrollü ortamlardaki basit segmentasyon görevlerinde iyi çalışır. Ancak birden fazla nesne veya arka plan gürültüsü içeren karmaşık görüntüleri işlerken çoğu zaman zorlanır. Sabit kurallara dayandığı için eşikleme, gerçek dünyadaki çoğu uygulama için gereken esnekliğe sahip değildir.
Bu sınırların ötesine geçmek için birçok gelişmiş sistem artık bilgisayarlı görü kullanıyor. Eşiklemenin aksine görsel AI 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 tespit edebilir ve görüntüleri gerçek zamanlı olarak segmente edebilir. Bu özellik, onları otonom araçlarda trafik işaretlerini tespit etmek veya tarımda mahsul sorunlarını belirlemek gibi görevler için ideal hale getirir.
Özellikle Ultralytics YOLO11, her nesnenin görüntüde ayrı ayrı segmente edildiği örnek segmentasyonu gibi çeşitli bilgisayarlı görü görevlerini destekler. Ayrıca poz tahmini (bir nesnenin konumunu veya duruşunu belirleme) ve nesne takibi (bir nesne video kareleri boyunca hareket ederken onu izleme) gibi diğer görsel tabanlı görevleri de gerçekleştirebilir.
Şekil 5. YOLO11, nesneleri tespit etmeyi ve segmentlere ayırmayı kolaylaştırır. (Kaynak)
Eşikleme basit görevlerde veya ilk fikirleri test etmede iyi çalışsa da hız, doğruluk ve esneklik gerektiren uygulamalar genellikle bilgisayarlı görüyle daha iyi ele alınır.
Önemli çıkarımlar#
Eşikleme, nesneleri arka plandan ayırmak için hızlı ve kullanımı kolay olduğundan görüntü işlemede kritik bir araçtır. Taranmış belgeler, tıbbi görüntüler ve fabrikalarda ürün kusurlarını kontrol etme gibi alanlarda iyi çalışır.
Ancak görüntüler ve videolar daha karmaşık hale geldikçe görüntü eşikleme gibi temel görüntü işleme yöntemleri zorlanabilir. İşte gelişmiş bilgisayarlı görü modelleri burada devreye girebilir. Ultralytics YOLO11 gibi modeller daha fazla görevi anlayıp gerçekleştirebilir, aynı anda çok sayıda nesneyi tespit edebilir ve gerçek zamanlı çalışabilir; bu da onları pek çok kullanım alanı için yararlı hale getirir.
AI hakkında daha fazla bilgi edinmek ister misin? Topluluğumuza ve GitHub depomuza göz at. Robotikte AI ve tarımda bilgisayarlı görüntüleme hakkında bilgi edinmek için çözüm sayfalarımızı incele. Lisanslama seçeneklerimizi keşfet ve bugün bilgisayarlı görüntülemeyle geliştirmeye başla!
