Gaussian Blur

Gaussian blur, her pikseli yakındaki piksellerin ağırlıklı ortalamasıyla değiştirerek yakın komşulara daha fazla etki veren bir görüntü yumuşatma tekniğidir. Ağırlıklar çan eğrisi şeklindeki Gauss dağılımını izleyerek gürültüyü ve ince ayrıntıları azaltan yumuşak bir bulanıklık oluşturur. Gaussian yumuşatma olarak da bilinen bu yöntem, görüntüleri analize hazırlamak için bilgisayarlı görü ve veri ön işleme alanlarında yaygın olarak kullanılır.

Gaussian Blur Nasıl Çalışır#

Filtre, kernel adı verilen küçük bir ağırlık ızgarasını görüntü üzerinde hareket ettirir. Her konumda komşu piksel değerlerini kendi ağırlıklarıyla çarpar ve sonuçları toplar. Bu işlem konvolüsyondur. Ağırlıkların toplamı bir olduğundan, kernel tarafından örneklenen tüm değerlerin parlaklığı aynıysa piksel değişmeden kalır. Gaussian blur, gürültü, doku ve keskin sınırlar dahil olmak üzere pikselden piksele hızlı değişimleri bastıran bir alçak geçiren filtre işlevi görür.

Sonucu iki ayar belirler. Sigma, Gauss dağılımının standart sapmasıdır ve ağırlıkların ne kadar yayıldığını kontrol eder; sigma değerini artırmak daha güçlü bir yumuşatma sağlar. Kernel boyutu, çevredeki görüntünün ne kadarının işleme dahil edileceğini belirler. Daha büyük bir kernel daha geniş bir Gauss dağılımına yer açarken, gereğinden küçük bir kernel dağılımın kuyruklarını keser. Kernel yarıçapı, merkez ile kernel kenarı arasındaki mesafeyi ifade eder: üç piksellik yarıçap, yedi piksel genişliğinde bir kernel oluşturur.

Görüntü kenarlarında kernelin bir kısmı mevcut piksellerin dışına taşar. Görüntüyü yansıtmak yakındaki içeriği genişletir; eksik alanı sıfırlarla doldurmak ise kenarı koyulaştırabilecek karanlık değerler ekler. Bu nedenle sınır işleme, görüntü kenarlarının yakınındaki filtrelenmiş çıktıyı değiştirir.

Bilgisayarlı Görü ve Makine Öğrenmesindeki Uygulamalar#

Gaussian yumuşatma, görüntü yapısının hangi uzamsal ölçekte analiz edileceğini kontrol ederek özellik çıkarımını destekler. Bu yöntemin çok ölçekli kullanımı, görüntüleri farklı bulanıklık düzeylerinde temsil etmenin temellerini oluşturan Taizo Iijima'nın 1959–1962 yıllarındaki Gauss ölçek uzayı çalışmalarına dayanır.

scikit-image'ın Canny kenar algılama uygulamasında Gaussian yumuşatma, Sobel operatörü ile gradyan hesaplanmadan önce gürültüyü azaltır. Yumuşatma uygulanmadığında gürültü, nesne sınırlarıyla yarışan ek yoğunluk değişimleri oluşturur. Yumuşatma ölçeğinin artırılması ince kenarları da ortadan kaldırarak algılamadan hangi konturların geriye kalacağını değiştirir.

Belge görüntü segmentasyonu için Gauss ağırlıklı yerel ortalamalar, uyarlamalı eşiklemeyi destekler. Her piksele, komşuluğundaki ağırlıklı ortalamadan bir ofset çıkarılarak hesaplanan bir eşik atanır. Bu yöntem, taranmış bir sayfada yerel eşikleme örneğinde olduğu gibi, eşit olmayan aydınlatmaya sahip arka planlardan metni ayırır.

Bir veri artırma tekniği olarak Gauss bulanıklığı, eğitim görüntülerinin yumuşatılmış sürümlerini oluştururken sınırlayıcı kutular ve anahtar noktalar için koordinatları korur. Ultralytics YOLO, A.GaussianBlur desteğini özel Albumentations dönüşümleri aracılığıyla sunarak YOLO26 eğitiminde kontrollü bulanıklık varyasyonuna olanak tanır.

Gaussian Blur'un Diğer Filtrelerle Karşılaştırması#

Yumuşatma yöntemi seçimi, görüntüde hangi bilgilerin korunacağını değiştirir:

• Ortalama bulanıklaştırma, kutu bulanıklaştırma olarak da bilinir ve penceresindeki her piksele eşit ağırlık verir. Gaussian blur, yakındaki piksellere daha fazla ağırlık vererek daha kademeli ağırlıklandırılmış bir ortalama oluşturur.
• Medyan bulanıklaştırma, bir pikseli komşuluğundaki medyan değerle değiştirir. Tek tük görülen parlak ve koyu piksellerden oluşan tuz-biber gürültüsüne karşı özellikle etkilidir.
• İkili filtreleme, keskin sınırları korurken gürültüyü azaltmak için hem uzamsal mesafeyi hem de yoğunluk benzerliğini kullanır. Gaussian blur piksellere yalnızca konumlarına göre ağırlık verdiğinden kenarları da yumuşatır.

Python'da Gaussian Blur Uygulama#

OpenCV, Gaussian yumuşatma için cv2.GaussianBlur sağlar. Python paketini pip install opencv-python ile yükle, ardından yan yana bir karşılaştırma kaydet:

from urllib.request import urlopen

import cv2
import numpy as np

with urlopen("https://ultralytics.com/images/bus.jpg") as response:
    image_bytes = np.frombuffer(response.read(), dtype=np.uint8)
image = cv2.imdecode(image_bytes, cv2.IMREAD_COLOR)

blurred = cv2.GaussianBlur(image, (15, 15), sigmaX=3)
comparison = cv2.hconcat([image, blurred])
cv2.imwrite("gaussian_blur_comparison.jpg", comparison)

Kaydedilen görüntü, özgün görüntüyü sola ve yumuşatılmış sonucu sağa yerleştirir. 15 x 15 kernel, her iki yönde de üç piksellik sigma kullanır; çünkü atlanan sigmaY, sigmaX değerini alır.

Gaussian kernel'ler ayrılabilir: yatay ve dikey tek boyutlu filtreler, karşılık gelen iki boyutlu bulanıklığı oluşturur. 7 x 7 kernel için bu, piksel başına kernel ağırlığı katkılarını 49'dan 14'e düşürür.