Bölüm 2 - Görüntü işleme temelleri

Dijital resim gösterimi

 Görüntüler, gerçek sayıların iki boyutlu (2D) matrisi olarak gösterilebilir.
 M × N büyüklüğündeki tek renkli görüntülere başvurmak için f (x, y) kuralını
kabul ediyoruz, burada x satır sayısını (0'dan M −1'e) ve y sütun sayısını
temsil eder (0 ve N-1 arasında). Resim koordinat kuralı (MATLAB için geçerli değil!)
Matematiksel gösterim

MATLAB temsili

İkili (1 bit) görüntüler

 2D dizi, piksel başına bir bit, 0 genellikle siyah anlamına gelir ve 1 beyaz
anlamına gelir. MATLAB'da: ikili görüntüler, 0 ve 1'lik mantıksal bir dizi
kullanarak gösterilir.

Gri-seviyeli (8-bit) görüntüler

 2D dizi, piksel başına 8 bit, 0 genellikle siyah ve 255 beyaz anlamına gelir.
 MATLAB'da: yoğunluk görüntüleri, farklı veri türleri (veya sınıflar)
kullanılarak gösterilebilir: uint8, uint16 veya çift.

1
Renkli resimler
▰ RGB gösterimi: her piksel genellikle Kırmızı (R), Yeşil (G) ve Mavi (B)
bileşenlerin miktarını içeren 24 bitlik bir sayı ile temsil edilir
▰ İndeksli gösterim: 2D bir dizi, bir renk paletinin (veya LUT'nin arama
tablosu) indislerini içerir.
Sıkıştırma
▰ Görüntü sıkıştırma, dijital görüntülerde veri sıkıştırma uygulamasıdır. Amaç,
verileri verimli bir biçimde depolayabilmek veya iletebilmek için görüntü
verilerinin fazlalığını azaltmaktır. Çoğu resim dosyası biçimi bir miktar
sıkıştırma uygular. Sıkıştırma yöntemleri şunlar olabilir: Kayıplı: Görüntü,
görsel kalitesinde makul bir bozulma derecesi ile kodlanır. Kayıpsız: Görüntü
tam kalitede kodlanır.
▰ Genel amaçlı fotoğraf görüntüleri için kayıplı sıkıştırma kullanılmalıdır. çizgi
sanatında, çizimlerde, fakslarda veya detay kaybının kabul edilemeyeceği
görüntülerde (örn., boşluk görüntüleri ve tıbbi görüntüler) kayıpsız sıkıştırma
kullanılmalıdır.
Resim dosyası biçimleri
 En yaygın dosya türleri: BIN, PPM, PBM, PGM, PNM, BMP, JPEG, GIF,
TIFF, PNG. MATLAB için düşünürsek dosya türü çok önemli değil
Temel terminoloji
 Görüntü topolojisi : Belirli bir nesnenin oluşma sayısı, ayrı (bağlı olmayan)
bölge sayısı, delik sayısı gibi temel görüntü özelliklerinin incelenmesi
(genellikle ikili görüntülerde ve morfolojik operatörlerin yardımı ile yapılır).

 Komşuluk: Belirli bir pikseli çevreleyen pikseller. Görüntü işleme

algoritmalarında kullanılan çoğu mahalle, tek sayıda pikselli küçük kare
dizilerdir. Görüntü topolojisi bağlamında komşular farklı bir anlam taşır: 4-
komşular, Diyagonal komşular ve 8- komşular

2
 Yakınlık - bitişik (Adjacency): 2 piksel p ve q birbirlerinin 4-komşularsa 4 -
Yakınlık olarak söylenir. Ayrıca, 2 piksel p ve q, birbirlerinin 8-komşuluğunda 8-
Yakınlık olduğu söylenir. 8-komşu kullanıldığında ortaya çıkabilecek
belirsizlikleri ortadan kaldırmak için genellikle bir üçüncü tip komşu (M- Yakınlık
) kullanılır.
 Yollar (Paths): İki piksel p ve q arasındaki 4 yol, p ile başlayan ve sekanstaki
her pikselin, dizideki selefine 4 komşu olacak şekilde biten bir piksel dizisidir.
Benzer şekilde, bir 8-yolu, sekanstaki her bir pikselin selefine 8-komşu olduğunu
gösterir.
 Bağlantı (Connectivity ): p ve q pikselleri arasında 4 yol varsa, 4'e bağlı
oldukları söylenir. Benzer şekilde, aralarında bir 8 yolun varlığı, 8 bağlantılı
olduklarını gösterir.
 Bileşenler (Components ): Birbirine bağlı olan bir piksel kümesine bir
bileşen denir. Pikseller 4'e bağlıysa, 4 bileşenli ifade kullanılır; pikseller 8'e
bağlıysa, set 8 bileşenli olarak adlandırılır. Bileşenler genellikle benzersiz bir
şekilde etiketlenir, bu da piksel değerleri seçilen bir alfabenin sembolleri olan
etiketli bir görüntü olan L (x, y) ile sonuçlanır.
 Pikseller arasındaki mesafeler : Pikseller arasında ölçüm mesafeleri
gerektiren birçok görüntü işleme uygulaması vardır. Sırasıyla, iki piksel p ve q
arasındaki koordinatların (x0, y0) ve (x1, y1) arasındaki en yaygın mesafe
ölçümleri şunlardır:

3
GÖRÜNTÜ İŞLEME OPERASYONLARINA GENEL BAKIŞ
▰ Görüntü işleme operasyonlarının ana kategorilerine bir ön bakış atıyoruz.
Alan için tek bir evrensel yol olmamasına rağmen. onları aşağıdaki gibi
düzenleyeceğiz:
▰ Uzamsal alan - Spatial domain 1. Küresel (nokta) operasyonlar. 2.
Komşuluk odaklı (yerel, bölge) operasyonlar. 3. Birden çok görüntüyü
birleştiren işlemler
Dönüştürme alanındaki işlemler
Küresel (Point) Operasyonlar
▰ Nokta işlemleri, görüntüdeki konumlarını veya komşularının değerlerini
dikkate almadan tüm piksellere aynı matematiksel işlevi (genellikle
dönüştürme işlevi olarak adlandırılır) uygular. Uzamsal alandaki dönüşüm
fonksiyonları şu şekilde ifade edilebilir:

▰ g (x, y) işlenen görüntüdür. f (x, y) orijinal görüntüdür. T, f (x, y) üzerinde

bir operatördür. r, orijinal gri seviye ve s, işlendikten sonra ortaya çıkan gri
düzeydir.

▰ ŞEKİL 2.9 Bir dönüşüm fonksiyonunu kullanarak yoğunluk azaltma örneği:

(a) orijinal görüntü; (b) çıktı görüntüsü. s = r / 2
Komşuluk odaklı operasyonlar
▰ Komşuluk odaklı işlemler, orijinal değerinin bir fonksiyonu olarak
koordinatlarda (x, y) elde edilen piksel değerinin ve komşularının (bazıları)
bir konvolüsyon işlemi kullanılarak belirlenmesini içerir. Bir kaynak
görüntünün küçük bir 2D dizisi (maske veya çekirdek) ile çevrimi, her piksel

4
 değerinin orijinal değerine ve komşularının (bazılarının) değerine bağlı olduğu
bir hedef görüntü üretir. Konvolüsyon maskesi hangi komşuların
kullanıldığını ve bunların orijinal değerlerinin nispi ağırlığını belirler.

▰ Maskeler genelde 3 × 3. Her maske katsayısı, ağırlık olarak yorumlanabilir

W1, ...,W9..
Birden çok görüntüyü birleştiren operasyonlar
▰ Iki görüntü, piksel-piksel, aritmetik veya mantıksal bir operatör kullanarak
birleştiren birçok görüntü işleme uygulaması vardır, sonuç üçüncü bir
görüntü, Z’dir:

Dönüşüm alanındaki operasyonlar

▰ Bir dönüşüm, bir değerler kümesinin başka bir değerler kümesine
dönüştürülmesini sağlayan matematiksel bir araçtır ve bu nedenle aynı bilgiyi
temsil etmenin yeni bir yolunu oluşturur.