YOLO'yu lisansla
Ultralytics Sözlüğüne dön

Image Stitching

Görüntü birleştirme, özellik eşleştirme, geometrik dönüştürme ve dikiş yeri harmanlama yöntemleriyle örtüşen görüntüleri hizalayıp kesintisiz bir panorama veya mozaik oluşturur.

Görüntü birleştirme veya fotoğraf birleştirme, örtüşen iki ya da daha fazla görüntüyü hizalayıp tek ve kesintisiz bir görünümde birleştirir. Örtüşme, yazılıma görüntülerin nasıl birleştiğini gösterir: Bir fotoğrafın sağ kenarına yakın bir nirengi noktası, sonraki fotoğrafın ortalarına yakın bir yerde görünebilir. Bu iki görünümü hizalamak, bileşik görüntünün sahnenin tamamını tek başına her iki fotoğraftan daha geniş bir alanda kapsamasını sağlar. Bazı fotoğraf düzenleyicilerinde "fotoğraf birleştirme" terimi, ayrı görüntüleri bir kolajda yan yana dizmek anlamına da gelir.

Görüntü Birleştirme Nasıl Çalışır#

Görüntü eşleştirme, her görüntünün ortak bir koordinat sisteminde nereye ait olduğunu tahmin eder. Bu işlem genellikle görüntü eşleme ile başlar. Ölçekten Bağımsız Özellik Dönüşümü (SIFT) gibi bir yöntem, ayırt edici noktaları bulur ve aynı ayrıntıların başka bir görünümde tanınabilmesi için bu noktaların çevresindeki pikselleri tanımlar. Matthew Brown ve David Lowe'un 2007 tarihli otomatik panorama yönteminde, rastgele örnek konsensüsü (RANSAC) küçük eşleşme alt kümelerinden olası dönüşümler elde eder ve geometrik açıdan en tutarlı eşleşmeleri içeren dönüşümü arar. Klasik birleştirme için model eğitimi gerekmez. LoFTR gibi öğrenilmiş bir eşleştirici, geleneksel anahtar nokta algılayıcılarının çok az nokta bulduğu bölgelerde de eşleşmeleri bulabilir.

Bir homografi, düz bir yüzeyin görünümlerini veya optik merkezi etrafında döndürülen bir kamerayla çekilmiş görünümleri hizalayabilir. Bir afin dönüşüm, düz taramalar arasındaki kayma ve dönme gibi daha basit değişiklikleri ele alabilir. Çok sayıda görünüm olduğunda demet dengeleme, hizalamalarını birlikte iyileştirerek her görüntünün yalnızca komşusuna hizalanmasıyla birikebilecek sapmayı azaltır. Geometrik dönüştürme, görüntüleri ortak bir tuvale yerleştirmek için tahmin edilen hizalamayı uygular.

Birleştirme, eşlemeden sonra da devam eder. Poz telafisi parlaklık farklılıklarını azaltır, dikiş yeri seçimi bir görünümün nerede bitip diğerinin nerede başlayacağını belirler ve harmanlama geçişi yumuşatır. Çok bantlı harmanlama, tondaki kademeli değişiklikler için daha geniş, ince ayrıntılar içinse daha dar geçişler kullanır.

İki Görüntüyü Birleştirme#

Tanımlanabilir sahne ayrıntılarını paylaşan iki görüntüyle başla. Photoshop'ta File > Automate > Photomerge, örtüşen fotoğrafları hizalar ve harmanlamak için katman maskeleri kullanır. Python'da OpenCV Stitcher hizalamayı tahmin eder ve sonucu birleştirir. opencv-python yüklüyken aşağıdaki örnek, bir otobüs fotoğrafının örtüşen iki kırpımını birleştirir. SCANS modu, kırpımlar arasındaki yatay kaymaya uygun olan afin bir model kullanır.

from urllib.request import urlretrieve

import cv2

path, _ = urlretrieve("https://ultralytics.com/images/bus.jpg", "bus.jpg")
image = cv2.imread(path)
width = image.shape[1]

# Create two views with a shared center region.
left = image[:, : 4 * width // 5].copy()
right = image[:, width // 5 :].copy()

stitcher = cv2.Stitcher_create(cv2.Stitcher_SCANS)
status, stitched = stitcher.stitch([left, right])
if status != cv2.Stitcher_OK:
    raise RuntimeError(f"Stitching failed with status {status}")
cv2.imwrite("stitched_bus.jpg", stitched)

Çıktı olan stitched_bus.jpg, her iki kırpımın dış kısımlarını tek bir tuvalde birleştirir. Ortak merkez, kırpımlar yan yana yerleştirilseydi olacağı gibi iki kez değil, bir kez görünür.

Görüntü Birleştirme Neden Başarısız Olur#

Evrensel bir örtüşme yüzdesi yoktur. Doku ve eşleşen noktaların dağılımı önemlidir: Boş gökyüzü şeridi çok az nirengi noktası sunarken, tekrarlanan pencereler birleştiricinin cephenin yanlış kısımlarını hizalamasına neden olabilir. Kamera yana doğru hareket ettiğinde yakındaki nesneler arka plana göre yer değiştirir. Paralaks adı verilen, derinliğe bağlı bu kayma, arka plan hizalansa bile ön plandaki bir kenarın çift görünmesine yol açabilir. Hareketli bir konu da pozlamalar arasındaki örtüşme alanından geçerken iki kez görünebilir. Aksi hâlde hizalanmış bir birleşim boyunca oluşan parlaklık basamağı, poz telafisi veya harmanlama sorununa işaret eder. Bu kusurlar aynı anda ortaya çıkabilir.

Görüntü Birleştirme Nerelerde Kullanılır#

  • Panoramik fotoğrafçılık: Ardışık görünümler, tek bir pozlamadan daha geniş bir açıyı yakalar. Silindirik veya küresel projeksiyonlar, düz projeksiyonda kenarlarda uzayacak geniş görüş alanlarını yansıtmaya uygundur.
  • Mikroskopi: Fiji'nin birleştirme eklentisi, numuneyi daha düşük büyütmede görüntülemek zorunda kalmadan örtüşen mikroskop döşemelerini hizalayarak numunenin daha geniş bir görünümünü oluşturur.
  • Hava haritalama: OpenDroneMap, örtüşen hava fotoğraflarını ortomozaikte birleştirir. Tamamlanan mozaikte, Ultralytics YOLO yüksek çözünürlüklü döşemeleme, nesne algılama işlemini konumları bilinen kırpımlar üzerinde gerçekleştirerek tüm görüntüyü yeniden boyutlandırmanın kaybettirebileceği küçük nesne ayrıntılarını korur. Ortomozaidin geometrisi kamera eğimi ve arazi yüksekliği farklarına göre düzeltildiğinden harita ölçeği her yerde aynıdır; bu da yer mesafelerinin ölçülmesini sağlar.

Çözümleri keşfet

Sporda bilgisayarlı görü

Sporda bilgisayarlı görü

Ultralytics YOLO'nun oyuncu ve top takibi, performans analitiği, antrenörlük içgörüleri ve sporcu rehabilitasyonuyla spor alanında görsel yapay zekâyı nasıl güçlendirdiğini keşfet.
Daha fazla bilgi edin
Hava görüntüleri için bilgisayarlı görü

Hava görüntüleri için bilgisayarlı görü

İHA ve hava görüntülerini Ultralytics YOLO ile tarım, su ürünleri yetiştiriciliği, koruma çalışmaları ve jeo-uzamsal analiz için gerçek zamanlı içgörülere dönüştür.
Daha fazla bilgi edin
Havacılıkta bilgisayarlı görü

Havacılıkta bilgisayarlı görü

Uçak denetimi, pistteki yabancı madde tespiti, havaalanı yer operasyonları ve kompozit malzeme kusurlarının tespiti için Ultralytics YOLO ile havacılık ve uzay sektöründe bilgisayarlı görü uygula.
Daha fazla bilgi edin
Güvenlikte bilgisayarlı görü

Güvenlikte bilgisayarlı görü

Ultralytics YOLO modelleriyle her sahayı koru. Görsel yapay zekâ; çevre izleme, tehdit tespiti, plaka tanıma ve iş yeri güvenliğini destekler.
Daha fazla bilgi edin
Robotikte bilgisayarlı görü

Robotikte bilgisayarlı görü

Ultralytics YOLO modelleriyle daha akıllı makinelere güç ver. Robotikte görsel yapay zekâ; otonom navigasyonu, algılamayı, nesne takibini ve gerçek zamanlı kontrolü destekler.
Daha fazla bilgi edin
Lojistikte bilgisayarlı görü

Lojistikte bilgisayarlı görü

Ultralytics YOLO modelleriyle lojistiği kolaylaştır. Görüntü yapay zekâsı; paket denetimini, ayrıştırmayı, araç takibini ve gerçek zamanlı depo güvenliği izlemeyi mümkün kılar.
Daha fazla bilgi edin
Perakendede bilgisayarlı görü

Perakendede bilgisayarlı görü

Ultralytics YOLO modelleriyle perakendeyi yeniden tasarla. Görüntü yapay zekâsı; envanter takibini, raf izlemeyi, kuyruk yönetimini ve daha kapsamlı müşteri analizlerini mümkün kılar.
Daha fazla bilgi edin
Sağlık hizmetlerinde bilgisayarlı görü

Sağlık hizmetlerinde bilgisayarlı görü

Ultralytics YOLO modelleriyle sağlık çözümleri geliştir. Sağlık hizmetlerinde görüntü yapay zekâsı; daha hızlı tıbbi görüntüleme, daha akıllı tanı ve hasta takibini mümkün kılar.
Daha fazla bilgi edin
Üretimde bilgisayarlı görü

Üretimde bilgisayarlı görü

Ultralytics YOLO modelleriyle üretimi optimize et. Görsel yapay zekâ; kalite kontrolünü, kusur tespitini, kişisel koruyucu donanım uyumunu ve montaj hattı otomasyonunu destekler.
Daha fazla bilgi edin
Otomotivde bilgisayarlı görü

Otomotivde bilgisayarlı görü

Ultralytics YOLO modelleriyle otomotivde bilgisayarlı görüden yararlan. Görsel yapay zekâ; daha akıllı yollar için yol güvenliğini, sürüş desteğini ve araç otomasyonunu ileri taşır.
Daha fazla bilgi edin
Tarımda bilgisayarlı görü

Tarımda bilgisayarlı görü

Ultralytics YOLO modelleriyle akıllı tarıma görüntü yapay zekâsı kazandır. Daha yüksek ve akıllı verim için mahsul izleme, hayvan takibi ve hassas tarımı destekle.
Daha fazla bilgi edin

Geleceğin yapay zekasını birlikte inşa edelim!

Makine öğreniminin geleceğine yolculuğuna başla