Görüntü İşleme Nedir? Piksellerden Anlama Giden Süreç

Piksel matrisi bir makine için ne ifade eder?

Dijital görüntü, piksellerden oluşan sayısal bir matris olarak ele alınır. Her piksel, görüntünün belirli bir konumundaki renk veya parlaklık bilgisini taşır. İnsan gözü için bir masa üzerindeki nesne bütünsel bir anlam ifade ederken makine ilk aşamada yalnızca farklı konumlardaki sayısal değerleri alır.

Bu ayrım, görüntü işlemenin neden gerekli olduğunu açıklar: Algoritma önce sayısal verideki düzenleri arar. Bir bölgedeki parlaklık farkı kenara, benzer renk alanları bir nesneye, tekrarlanan şekiller ise belirli bir desene işaret edebilir. Ancak tek bir piksel çoğu zaman yeterli bilgi vermez; anlam, komşu piksellerin oluşturduğu biçim ve görüntünün tamamındaki ilişkiler üzerinden kurulmaya çalışılır.

Görüntü işlemenin iki ana hedefi vardır:

1. Görüntü kalitesini artırmak: Gürültüyü azaltmak, bulanıklığı gidermeye çalışmak, parlaklık ve kontrastı düzenlemek veya görüntüyü uygun boyuta getirmek.
2. Bilgi ayıklamak: Nesne, yüz, metin, renk, şekil, kenar veya doku gibi ayırt edici unsurları belirlemek.

Bu iki hedef birbirinden tamamen kopuk değildir. Kalitesi düşük bir görüntüde nesne ayırmak zorlaşabilir; bu yüzden analizden önce yapılan iyileştirmeler sonraki tanıma adımının girdisini etkileyebilir. Bununla birlikte, görüntüyü daha güzel göstermek ile görüntüden doğru bilgi çıkarmak aynı başarı ölçütü değildir. Görsel olarak etkileyici bir düzenleme, analiz için gerekli ayrıntıyı azaltabilir.

Kameradan karara: beş aşamalı görüntü işleme akışı

Mevcut açıklamadaki süreç beş bağlantılı aşamayla anlaşılabilir:

1. Görüntü edinme: Kamera, tarayıcı veya başka bir sensör gerçek dünyadaki görsel bilgiyi dijital veriye dönüştürür. Bu aşamada elde edilen veri fotoğraf, video karesi ya da başka bir görsel kayıt olabilir. Sensörün konumu, ışık ve görüntünün netliği sonraki adımların zorluğunu etkileyebilir.

2. Ön işleme: Amaç görüntüyü sonraki analiz için daha uygun hâle getirmektir. Gürültü azaltma, parlaklık ve kontrast ayarı, boyutlandırma veya bulanıklığı azaltmaya yönelik işlemler bu gruptadır. Ön işleme, görüntünün içeriğini anlamaz; verinin belirli ayrıntılarını daha görünür veya daha düzenli kılmaya çalışır.

3. Segmentasyon: Görüntü anlamlı bölgelere ayrılır. Örneğin portre fotoğrafında kişi ile arka planın ayrılması veya üretim hattındaki bir ürünün arka plandan seçilmesi segmentasyon problemidir. Segmentasyon, görüntüyü bölgelere veya nesne örneklerine ayırır; kullanılan yönteme göre bu bölgelere sınıf etiketleri de atanabilir. Bu nedenle segmentasyon bazı durumlarda tanıma bilgisi içerir, ancak her segmentasyon yöntemi nesnenin kimliğini belirlemez.

4. Özellik çıkarma: Ayrılan bölgeden renk, şekil, kenar ve doku gibi ayırt edici özellikler belirlenir. Bir özelliğin yararlı sayılabilmesi, farklı nesneleri veya durumları birbirinden ayırmaya katkı sağlamasına bağlıdır. Örneğin yalnızca renk, benzer renkteki iki nesneyi ayırmaya yetmeyebilir; şekil ve kenar bilgisi de gerekebilir.

5. Tanıma ve anlama: Çıkarılan özellikler kullanılarak nesne, yüz, metin veya belirli bir durum tanımlanmaya çalışılır. Bu aşamada yapay zekâ, makine öğrenmesi ve özellikle derin öğrenme yöntemleri kullanılabilir. Derin öğrenme modelleri, çok sayıda örnek görüntü üzerinde belirli desenleri öğrenerek yeni görüntüler hakkında tahmin üretir. Ancak bir modelin tahmin üretmesi, sonucu her koşulda doğru yaptığı anlamına gelmez; görüntünün eğitim verisine benzerliği ve görüntü kalitesi önemlidir.

Bu zincirdeki bir hata sonraki aşamaları da etkileyebilir. Örneğin kişi ile arka plan doğru ayrılmazsa özellik çıkarma işlemi arka planın renk ve dokusunu da hesaba katabilir. Bu nedenle görüntü işleme tek bir filtre değil, girdiden çıktıya uzanan bir süreç olarak değerlendirilmelidir.

Görüntü işleme ile bilgisayar görüşü ve yapay zekâ arasındaki sınır

Görüntü işleme, bilgisayar görüşü, makine öğrenmesi ve yapay zekâ birbiriyle ilişkili olsa da eş anlamlı değildir.

• Görüntü işleme, görsel veriyi iyileştirme, dönüştürme, bölgelere ayırma ve özelliklerini belirleme işlemlerini kapsar.
• Bilgisayar görüşü, görüntü veya videodan anlam çıkarma ve çevre hakkında yorum üretme hedefi daha geniş olan alandır.
• Makine öğrenmesi, sistemin kuralların tamamının elle yazılması yerine örneklerden ilişki öğrenmesini sağlayan yaklaşımdır.
• Derin öğrenme, çok katmanlı yapay sinir ağlarıyla özellikle karmaşık görsel örüntüleri öğrenmeye yönelik makine öğrenmesi yaklaşımıdır.
• Yapay zekâ, bu tür yöntemleri de içerebilen daha geniş problem çözme ve karar verme alanıdır.

Örneğin bir görüntünün parlaklığını değiştirmek, görüntü işleme işlemidir. Bir fotoğraftaki kişinin yüz olduğunu belirlemek bilgisayar görüşü görevidir. Bu belirlemeyi örnek görüntülerden öğrenen model makine öğrenmesi kullanır; model çok katmanlı yapay sinir ağına dayanıyorsa derin öğrenme söz konusu olabilir.

Sınır her projede keskin değildir. Bir uygulama, önce klasik görüntü işleme yöntemleriyle görüntüyü hazırlayıp ardından makine öğrenmesi modeliyle sınıflandırma yapabilir. Bu yüzden 'görüntü işleme yapılıyorsa mutlaka derin öğrenme vardır' veya 'görüntüdeki her işlem yapay zekâdır' demek doğru bir genelleme değildir.

Portre modu ve şerit takibi aynı zinciri nasıl kullanır?

Görüntü işleme, yalnızca laboratuvar veya sanayi sistemlerinde değil, gündelik cihazlarda da görünür. Ancak her uygulamanın hedefi farklıdır. Portre modunda amaç estetik bir ayrım ve bulanıklaştırma etkisi oluşturmakken, şerit takip sisteminde amaç yol görüntüsündeki belirli işaretleri analiz ederek sürüş sistemine yardımcı olacak bilgi üretmektir.

Portre modu için süreç: Telefon kamerası görüntüyü edinir. Sistem görüntüdeki kişiyi veya ana nesneyi arka plandan ayırmaya çalışır. Bu ayrım bir maske ya da bölge bilgisi olarak kullanılabilir. Ardından arka plan bölgesine bulanıklık uygulanırken kişi bölgesinin daha belirgin kalması sağlanır. Buradaki temel görüntü işleme görevi, nesneyi tanımlamaktan önce ön plan ile arka plan arasında ayrım yapmaktır.

Şerit takibi için süreç: Kamera yol görüntüsünü alır. Ön işleme ile görüntünün analiz edilecek hâle getirilmesine çalışılır. Yol işaretleri veya şerit çizgileri, çevredeki diğer bölgelerden ayrıştırılır. Bu bölgelerin kenar ve şekil özellikleri çıkarılır. Sistem, elde edilen örüntünün bir şerit işaretine karşılık gelip gelmediğini değerlendirir. Görüntüdeki yağmur, düşük ışık, örtülmüş çizgi veya karmaşık yol yapısı ayrımı zorlaştırabilir.

İki örnek arasındaki önemli fark şudur: Portre modunda çıktı bir görsel efekt olabilir; otomotiv uygulamasında ise çıktı bir algılama veya karar destek bilgisine dönüşebilir. Bu nedenle doğruluk beklentisi ve hata durumlarının sonuçları uygulamaya göre değerlendirilmelidir.

Çözümlü örnekler: girdiden sonuca iki uygulama

Örnek 1 — Portre fotoğrafında arka planı bulanıklaştırma

Verilenler: Bir telefon kamerasından alınmış, kadrajda bir kişinin ve arka plandaki çevrenin bulunduğu renkli bir fotoğraf. Hedef, kişinin belirgin kalması ve arka planın bulanıklaştırılmasıdır.

Çözüm adımları:

1. Görüntü edinme: Kamera sahneyi dijital görüntüye dönüştürür. Artık sistem fotoğrafı insan gibi değil, piksel konumları ve değerleri olarak işler.
2. Ön işleme: Görüntünün ışık ve netlik bakımından analiz edilebilir olması için gerekli düzenlemeler yapılır. Amaç, kişiyi arka plandan ayırmayı kolaylaştırmaktır.
3. Segmentasyon: Kişinin bulunduğu bölge ile arka plan bölgesi ayrılmaya çalışılır. Bu adımın çıktısı, hangi piksellerin ön plana, hangilerinin arka plana ait olduğuna ilişkin bir ayrımdır.
4. Bölgesel işlem: Arka plan bölgesine bulanıklık uygulanır; kişi bölgesi mümkün olduğunca korunur. Aynı filtre görüntünün tamamına uygulanırsa portre etkisi oluşmaz.
5. Sonuç kontrolü: Saç kenarı, omuz çizgisi veya kişi ile arka planın benzer renkte olduğu bölgeler incelenir. Ayrım hatalıysa bulanıklık kişinin kenarlarına taşabilir.

Sonuç: Buradaki temel başarı, bulanıklık filtresinden çok ön planın doğru ayrılmasıdır. Bu nedenle portre modu, görüntüyü sadece değiştiren bir filtre değil, önce görsel bölgeleri analiz eden bir uygulamadır.

Örnek 2 — Üretim hattında kusurlu ürünü ayırma

Verilenler: Üretim hattından geçen ürünlerin kamera görüntüleri ve kontrol edilmesi istenen kusurlar: çatlak, renk farklılığı veya eksik parça. Hedef, kusur görülen ürünleri belirlemeye yardımcı olmaktır.

Çözüm adımları:

1. Kamera ürünün görüntüsünü edinir. Ürün kadrajda sabit bir konumda değilse önce incelenecek bölgenin belirlenmesi gerekebilir.
2. Ön işleme ile gürültü azaltma, parlaklık veya kontrast düzenleme yapılabilir. Aydınlatma değişirse kusur ile normal yüzey arasındaki fark daha zor görülebilir.
3. Segmentasyon ile ürün arka plandan ayrılır. Böylece arka plan dokusunun kusur sanılma ihtimali azaltılmaya çalışılır.
4. Ürünün renk, şekil, kenar ve doku özellikleri çıkarılır. Çatlak için kenar veya çizgi benzeri yapı, renk farklılığı için bölgesel renk değişimi, eksik parça için beklenen şeklin bozulması incelenebilir.
5. Tanıma aşamasında görüntü, normal veya kusurlu örüntülerle karşılaştırılır. Makine öğrenmesi ya da derin öğrenme kullanılıyorsa model, örnek görüntülerden öğrendiği örüntülere göre tahmin üretir.
6. Sonuç, ilgili ürünün ayrıca incelenmesi veya hat üzerinde ayrılması için kullanılabilir. Bu çıktı bir tespit bilgisidir; fiziksel kusurun nedenini tek başına açıklamayabilir.

Sonuç: Bu örnekte görüntü işleme kusuru 'üretmez' veya kusurun nedenini otomatik olarak açıklamaz; görüntüdeki ayırt edici görsel belirtileri bulup sınıflandırmaya yardımcı olur. Farklı ışık, kamera açısı veya ürün yüzeyi sonucu etkileyebileceğinden uygulama koşulları önemlidir.

Sağlık, otomotiv ve tarımda çıktı ne işe yarar?

Görüntü işleme farklı sektörlerde aynı temel zinciri kullanır, ancak analiz edilen veri ve beklenen çıktı değişir.

Sağlıkta: MR, tomografi ve röntgen gibi tıbbi görüntülerde anormallik veya tümör olabilecek bölgelerin belirlenmesine yardımcı olabilir. Buradaki çıktı, sağlık uzmanının değerlendirmesini destekleyen bir görsel bulgu olabilir; tek başına otomatik bir tanı olarak yorumlanmamalıdır. Görüntünün kalitesi ve uzman değerlendirmesi gibi unsurlar önem taşır.

Otomotivde: Şeritler, yol işaretleri, yayalar ve diğer araçlar algılanabilir. Bu bilgiler şerit takip veya park asistanı gibi sistemlerde kullanılabilir. Fakat kameranın gördüğü sahne ile gerçek çevre aynı koşullarda kalmayabilir; düşük ışık, örtülme veya karmaşık arka plan gibi durumlar algılamayı zorlaştırabilir.

Güvenlikte: Kamera görüntülerinden izinsiz giriş veya belirli bir olayın tespit edilmesine yardımcı olunabilir. Yüz tanıma ve kimlik doğrulama gibi görevlerde yüzün görüntüdeki konumu, ışık ve görüntü koşulları sonucu etkileyebilir.

Tarımda: Bitki hastalıklarının erken belirtileri, zararlılar veya mahsul durumuyla ilgili görsel işaretler incelenebilir. Bu analiz, sulama veya müdahale kararlarını desteklemek için kullanılabilir; görsel belirti ile gerçek neden aynı olmayabileceğinden bağlam bilgisi önemlidir.

Endüstride: Çatlak, renk farkı ve eksik parça gibi kusurların otomatik tespitine yardımcı olur. Bu kullanımın değeri, tekrarlayan görsel kontrolü hızlandırabilmesidir; ancak hangi kusurun aranacağı ve görüntü koşullarının nasıl sabitleneceği uygulamaya göre belirlenmelidir.

Sık yapılan hatalar ve karıştırılan kavramlar

'Görüntü işleme ile bilgisayar görüşü aynıdır.' Aynı değildir. Görüntü işleme veriyi iyileştirme ve dönüştürme işlemlerini kapsarken bilgisayar görüşü görüntüden anlam çıkarma ve karar verme görevlerine odaklanır.

'Her görüntü işleme uygulaması yapay zekâ kullanır.' Doğru değildir. Gürültü azaltma, boyutlandırma, parlaklık ayarı veya bulanıklık gibi bazı işlemler bir öğrenme modeli olmadan da gerçekleştirilebilir. Yapay zekâ, makine öğrenmesi veya derin öğrenme özellikle tanıma ve sınıflandırma aşamalarında kullanılabilir.

'Bir model milyonlarca görüntüyle eğitildiyse sonucu kesin doğrudur.' Örnek sayısı tek başına yeterli bir karar ölçütü değildir. Görüntülerin hedef uygulamayı temsil edip etmediği, görüntü koşulları ve modelin hangi hataları yaptığı da değerlendirilmelidir. Mevcut metinde derin öğrenme modellerinin milyonlarca örnek görüntü üzerinde eğitilebildiği belirtilir; bu ifade belirli bir uygulamanın doğruluk oranını garanti etmez.

'Segmentasyon nesneyi tanır.' Segmentasyon görüntüyü bölgelere ayırır. Bir bölgenin kişi, ürün veya yol çizgisi olduğunu belirlemek ise tanıma ve anlama aşamasıdır.

'Görüntüyü iyileştirmek her zaman doğru bilgiyi artırır.' Yalnızca belirli amaçlar ve görüntü koşulları için geçerlidir. Bir filtre istenmeyen gürültüyü azaltırken önemli bir kenarı da zayıflatabilir. Bu nedenle işlem, görüntüyü estetik olarak değil, hedef analiz açısından değerlendirilmelidir.

'Görüntü işleme yalnızca fotoğraf düzenlemedir.' Fotoğraf filtreleri bunun günlük bir örneğidir; ancak sağlık görüntüleri, otomotiv, güvenlik, tarım, perakende ve endüstriyel kalite kontrol gibi alanlarda analiz ve otomasyon amacıyla da kullanılır.