Görüntü işleme nedir? Kısa bir giriş

Bir alışveriş merkezinde veya kalabalık bir caddede yürürken girişlerin ve yürüyüş yollarının üzerine yerleştirilmiş kameralar etkinlikleri kaydeder. Bu kameralar her saniye görsel veri üretir ve çoğu zaman bunu fark bile etmeyiz.

Bu sürekli veri akışı, akıllı güvenlik sistemlerinden otonom araçlara kadar modern yapay zekâ destekli sistemleri besler. Bu yeniliklerin arkasında; bilgisayar bilimini, matematiği ve fiziği bir araya getiren çok yönlü bir alan olan görüntü bilişimi vardır.

Görüntü bilişimi, makinelerin bir görüntüde ne gördüklerini anlamasına yardımcı olur. Sistemlerin bir sahnede neler olduğunu fark etmesini ve nasıl çalışacağına veya tepki vereceğine karar vermesini sağlar; örneğin bir engel belirdiğinde otonom aracın durmasına olanak tanır.

Bu makalede, görüntü işlemenin ne olduğunu ve modern yapay zekâ (AI) sistemlerinde nasıl kullanıldığını inceleyeceğiz.

Görüntü bilişimini anlamak#

Görüntü bilişimi, gelişmiş algoritmalar kullanarak görüntüleri yakalama, işleme ve analiz etme sürecidir. Görüntüleri, makinelerin anlayabileceği ve üzerinde çalışabileceği veriler olarak ele alır.

Başka bir deyişle, her görüntü bir sayı ızgarası olarak işlenir. Bu işlemde, görüntünün en küçük birimleri olan pikseller, satır ve sütunlardan oluşan bir matrise dönüştürülür. Her piksel, makineye görüntünün belirli bir alanının ne kadar aydınlık veya karanlık olduğunu bildiren sayısal bir değere sahiptir.

Bu değerlerin düzenlenme biçimi, görüntünün gri tonlamalı mı yoksa renkli mi olduğuna bağlıdır. Gri tonlamalı görüntülerde piksel değerleri genellikle 0 (siyah) ile 255 (beyaz) arasında değişir. Renkli görüntülerde Kırmızı, Yeşil ve Mavi (RGB) veya Ton, Doygunluk ve Değer (HSV) gibi farklı renk kanallarını temsil etmek için birden fazla matris kullanılır.

Şekil 1. Görüntülerin matris gösterimleri (Kaynak)

Piksel matrislerine ek olarak, bir görüntü genellikle meta veri olarak bilinen gizli bağlamsal bilgiler de içerir. Meta veriler; görüntü çözünürlüğü, bit derinliği, kamera veya sensör ayarları ve görüntünün çekildiği tam zaman gibi önemli ayrıntıları sağlar. Görüntüler, hem görsel verileri hem de meta verileri korumak için belirli dosya biçimlerinde saklanır.

Örneğin biyomedikal görüntü bilişiminde görüntüler genellikle Tıpta Dijital Görüntüleme ve İletişim (DICOM) biçiminde saklanır. DICOM, görsel görüntü verilerini kimlik bilgileri ve ekipman ayarları gibi hasta bilgileriyle birleştirerek tıbbi görüntü analizinin doğru, tutarlı ve güvenli olmasını sağlar.

Görüntü bilişimi nasıl çalışır?#

Görüntü bilişiminin ne olduğunu artık daha iyi anladığımıza göre, kamera akışını faydalı içgörülere dönüştürmek için kullanılan adımlara göz atalım.

İş akışı uygulamaya göre değişse de görüntü bilişim sistemlerinin çoğu şu temel aşamaları izler:

• Görüntü edinimi: İlk olarak görsel veriler kameralar ve sensörler kullanılarak yakalanır veya açık kaynaklı görüntü veri kümelerinden alınır.
• Görüntü ön işleme: Ardından, edinilen görüntüler yeniden boyutlandırılır, gürültüleri giderilir, iyileştirilir ve girdileri standartlaştırmak için belirli bir renk uzayına dönüştürülür.
• Özellik çıkarımı: Görüntüdeki kenarlar, şekiller ve dokular gibi önemli örüntüleri öğrenmek için derin öğrenme algoritmaları kullanılır.
• Yorumlama: Çıkarılan özellikler; nesne algılama, görüntü segmentasyonu ve nesne takibi gibi görevleri gerçekleştirmek için analiz edilir.
• Çıktı: Son olarak sistem, sınıf etiketleri veya sınırlayıcı kutular gibi yapılandırılmış çıktılar oluşturur ve bunları insanların ya da diğer sistemlerin görselleştirme amacıyla kolayca anlayıp kullanabileceği şekilde sunar.

Görüntü bilişimi, bilgisayarlı görü ve görüntü işleme karşılaştırması#

Görüntü bilişimiyle karşılaştığında görüntü işleme ve bilgisayarlı görü gibi terimleri de görebilirsin. Bu terimler sıklıkla birbirinin yerine kullanılsa da yapay zekâ sistemlerinin görsel verilerle etkileşim kurma biçimlerini farklı şekilde tanımlar.

Örneğin görüntü işleme, gürültü giderme, yeniden boyutlandırma ve kontrast ayarı gibi temel işlemlerle görüntüleri iyileştirmeye veya girdi görüntülerinin kalitesini artırmaya odaklanır. Yapay zekânın bir dalı olan bilgisayarlı görü ise makinelerin nesneleri tanımasını, sahneleri yorumlamasını ve görüntülerde ya da videolarda neler olduğunu anlamasını sağlayarak görüntü işlemenin üzerine inşa edilir.

Görüntü bilişimi, görsel verileri akıllı sistemler için anlamlı ve kullanılabilir çıktılara dönüştürmek üzere görüntü işlemeyi ve bilgisayarlı görüyü birleştirir.

Şekil 2. Görüntü işleme, bilgisayarlı görü ve görüntü bilişiminin karşılaştırması. Görselin sahibi yazar.

Görüntü bilişimi günümüzde nasıl uygulanıyor?#

Şimdi görüntü bilişiminin günümüzde nasıl uygulandığına göz atalım.

Görüntü bilişiminin ilk dönemlerinde kenarlar, köşeler ve dokular gibi özellikler, kural tabanlı ve el yapımı algoritmalarla elle tanımlanıyordu. Bu yöntemler kontrollü ortamlarda oldukça iyi sonuç verse de ölçeklenmekte ve karmaşık gerçek dünya koşullarına uyum sağlamakta zorlanıyordu.

Modern görüntü işleme sistemleri, derin öğrenme tabanlı yaklaşımlardan yararlanarak bu kısıtlamaları aşar. Evrişimli sinir ağları (CNNs) ve görsel Transformer modelleri gibi modeller, büyük görüntü veri kümelerinden ilgili özellikleri otomatik olarak öğrenir. Böylece nesne algılama, örnek segmentasyonu ve nesne takibi gibi görevleri daha yüksek doğruluk ve sağlamlıkla gerçekleştirebilirler.

Günümüzde görüntü işleme iş akışları çoğunlukla üretim ortamındaki yapay zekâ sistemlerinde kullanılmak üzere tasarlanmış gerçek zamanlı görü modellerine dayanır. Örneğin Ultralytics YOLO26 gibi görsel yapay zekâ modelleri, hem uç cihazlarda hem de bulut ortamlarında nesne algılama ve örnek segmentasyonu gibi hızlı ve verimli bilgisayarlı görü özellikleri sunar.

Şekil 3. Görüntüdeki nesneleri algılamak ve segmentlere ayırmak için Ultralytics YOLO26 kullanımına bir örnek.

Görüntü bilişiminin gerçek dünyadaki uygulamaları#

Görüntü bilişimi, görsel verileri anlamak ve bu verilere göre eyleme geçmek amacıyla gerçek dünyadaki uygulamalarda yaygın olarak kullanılıyor. Görüntü bilişiminin farklı alanlarda nasıl uygulandığını inceleyelim.

Hastalıkları erken tespit etmek için tıbbi görüntü bilişimi#

Görüntü işleme, doktorların ve klinisyenlerin hastalıkları daha erken fark etmesine ve tıbbi taramaları daha verimli analiz etmesine yardımcı olabilir. Bu sistemler, röntgen ve manyetik rezonans görüntüleme (MRI) taramaları gibi tıbbi görüntüleme verilerini hızla işleyebilir ve çoğu zaman manuel incelemeden daha tutarlı sonuçlar sunar.

Örneğin Ultralytics YOLO26 gibi modeller, enfeksiyonlar ve anormalliklerle ilişkili örüntüleri öğrenmek için ZhangLabData Göğüs Röntgeni veri kümesi gibi büyük göğüs röntgeni görüntüsü kümeleri üzerinde eğitilebilir. Eğitildikten sonra bu modeller, bir taramanın normal görünüp görünmediğini veya zatürre ya da COVID-19 gibi durumların belirtilerini gösterip göstermediğini belirlemeye yardımcı olabilir.

Otonom sürüş için görüntü bilişimi#

Otonom araçlar, çevrelerinde neler olduğunu anlamak ve sürüş kararları almak için görüntü bilişiminden yararlanır. Bu teknoloji, ham kamera görüntülerini aracın güvenli ve akıcı biçimde ilerlemesine yardımcı olan gerçek zamanlı bilgilere dönüştürür.

Görüntü işleme, gelişmiş sürücü destek sistemlerinde (ADAS) yaygın olarak kullanılır. Bu modüller yalnızca video kaydetmek yerine her kareyi analiz ederek şerit çizgilerini, diğer araçları, yayaları ve engelleri tespit eder. Böylece otomobil, çok az insan müdahalesiyle değişen yol koşullarına tepki verebilir.

Bir diğer yaygın kullanım alanı, aracın çevresinin 360 derecelik görüntüsünü oluşturmak için birden fazla kameradan alınan görüntüleri birleştirmektir. Görüntü bilişimi, mercek bozulmalarını düzeltmeye, görüntü netliğini artırmaya ve tüm kamera akışlarında parlaklık ile renk dengesini sağlamaya yardımcı olur. Sonuç, aracın kötü hava veya düşük ışık koşullarında bile güvenle yol almasını sağlayan net ve kesintisiz bir görüntüdür.

Şekil 4. Derin öğrenmeyle görüntü birleştirme (Kaynak)

Görüntü bilişiminin artıları ve eksileri#

Görüntü bilişiminin bazı avantajları şunlardır:

• Ölçeklenebilirlik: Görüntü bilişim sistemleri eğitildikten sonra büyük miktarda görsel veriyi sürekli ve geniş ölçekte analiz edebilir.
• Karar verme: Otonom sürüş, tıbbi tarama ve endüstriyel izleme gibi zamana duyarlı uygulamaları destekler.
• Zaman içinde maliyet verimliliği: İlk kurulum maliyetli olsa da otomatik görsel analiz, uzun vadeli işletme maliyetlerini azaltabilir.

Görüntü bilişiminin pek çok avantajı olsa da bazı sınırlamaları da vardır. Dikkate alman gereken bazı etkenler şunlardır:

• Veri kalitesi: Görüntü işleme yöntemleri doğru etiketlemeye ve yüksek kaliteli veri kümelerine büyük ölçüde bağlıdır; bunları oluşturmak maliyetli ve zaman alıcı olabilir.
• Koşullara duyarlılık: Aydınlatma, örtülme, hareket bulanıklığı, hava durumu veya kamera açılarındaki değişiklikler model performansını olumsuz etkileyebilir.
• Sınırlı açıklanabilirlik: Derin öğrenme tabanlı görüntü modelleri kara kutu gibi davranabilir; bu da kararların nasıl alındığını açıklamayı zorlaştırır.

Önemli çıkarımlar#

Görüntü işleme, temel görüntü işlemeden yapay zekâ sistemlerinin gerçek dünyayı gerçek zamanlı olarak algılayıp anlamasını sağlayan bir teknolojiye dönüştü. Derin öğrenme gelişmeye devam ettikçe görüntü işleme, daha akıllı ve kullanışlı araç setleri ile uygulamalar oluşturmanın temel bir parçası hâline geliyor.

Yapay zekâ hakkında bilgi edinmek için topluluğumuza katıl ve GitHub depomuza göz at. Tarımda yapay zekâ ve lojistikte bilgisayarlı görü uygulamaları hakkında bilgi edinmek için çözümler sayfalarımızı incele. Lisans seçeneklerimizi keşfet ve görsel yapay zekâ modelleri geliştirmeye başla.