Professional Documents
Culture Documents
Temel Kavramlar
Görüntü işleme
• Daha iyi bir görüntü elde etmek,
• Görüntüden faydalı bilgi çıkarmak amaçları ile görüntü üzerinde
yapılan birçok farklı işlemi içerir.
• Girdi olarak bir görüntü, çıktı olarak yeni bir görüntü veya görüntü ile
ilgili özellikler elde edilir.
• Savaş teknolojileri, güvenlik, tıp, fizik, sanayi, kişisel bilgisayara kadar
birçok alanda kullanılmaktadır.
•
Sinyal
• Sinyal, fiziksel değişkenlerin
durumu hakkında bilgi taşıyan
ve matematiksel olarak bir f
fonksiyonu ile gösterilen
kavramdır. 1, 2, …, n boyutlu
olabilir.
• Dalgalar şeklinde yayılan ses
• Görüntü bilgisinin mekânsal
zamansal değişimi
• Bir haberleşme uydusunun
dünyaya gönderdiği
elektromanyetik dalgalar,
• Bir fotoğraf karesindeki
parlaklığın x ve y değişkenleri
biçiminde ifadesi örnektir.
Analog ve Dijital Sinyal
• Analog sinyal: Taşıdıkları bilgiyi mekan ve zamana bağlı sürekli bir fonksiyon olarak
ifade ederler.
• Hava basıncı, herhangi bir t anında sürekli değer alabilen bir değişkendir.
• Analog sinyal sonsuz sayıda değere sahip olabilir.
• Genellikle sinüs dalgasıyla temsil edilir.
• Mühendislikte karşılaşılan birçok sinyal analogdur.
• Dijital sinyal: Analog sinyalin bir alt kümesidir, sürekli formdaki analog sinyallerin
belirli zaman aralıklarında örneklenmesinden oluşan sürekli olmayan ayrık
zamanlı bir sinyaldir.
• Genliği( bir dalga tepesi ile dalga çukuru arasındaki mesafenin yarısı) 0 veya 1 olan kare
formundaki dalgalar şeklinde gösterilir.
Dijital Görüntü
Piksel
• Dijital bir görüntünün 2-boyutlu dizi şeklindeki her bir elemanına bir
piksel denir. Aşağıdaki şekilde aynı resmin farklı piksellerle
gösterilmiştir.
Görüntü İşlemenin kullanıldığı Uygulamalar
• Resim video çekme uygulamaları: Doğru diyafram ayarları ile uygun renk ve ışık kalitesini ayarlamak için kullanılır.
• Ekran görüntülemeleri ve Yazdırma işlemleri: Bu uygulamalarda görüntü boyutu, renk, tonlama ayarları için
kullanılır.
• Resim saklama ve iletimini kolaylaştırmak: Görüntüyü verimli bir şekilde depolama ve aktarmak için kullanılır.
• Güvenlik uygulamaları: Güvenlik taramaları için renkleri zenginleştirme, netliği artırma vs uygulamaları için kullanılır.
• Bilgi çıkarma: Barkod okuma, plaka okuma, yazı karakterini metne dönüştürme gibi uygulamalar için kullanılır.
• Mosaik Resim oluşturma: Yüksek çözünürlüklü (GByte resimler) resimler, panoramik (geniş açılı) resimler yada 360
derece (heryönde resimler oluşturmak için bir çok görüntünün çakıştırılarak büyük resimler haline getirilmesi
gerekir.
• Yüz tanıma: Gerek güvenlik için gerekse insan sayma, otomatik yüz gizleme yada diyafram ayarı gibi hususlar için
yüz tanımaya ihtiyaç vardır.
• Otonom görüş yeteneği: Robotların ve otonom araçların etrafındaki dünyayı tanıyabilmesi için görüntü işlemeye
ihtiyaç vardır.
• Sanal gerçeklik uygulamaları: 3 boyutlu görüntülerin hazırlanması, gerçek dünya ile sanal dünya görüntülerinin
birleştirilmesi gibi bir çok uygulama görüntü işleme ile yapılmaktadır.
Işık
• 8 bit = 1byte, 1024 byte = 1Kbyte, 1024 Kbyte = 1Mbyte olarak hesaplanır.
• Örneğin her pikseli 8 bitle temsil edilen Gri bir resim NxM=1000x600 piksel boyutlarında ise
• Aynı resmi 24 bitlik bir kodlama ile (renkli resim) depolarsak (her bir pikseli
RGB=28+28+28=224=16.777.216 milyon renkle gösterilir)
Çözünürlük
• Bir görüntünün çözünürlüğü, görüntü içerisindeki ayrıntıların fark
edilebilme derecesidir.
• Bu kavram hem Alan çözünürlüğünü hem de Parlaklık çözünürlüğünü içinde
barındırır.
• Alan çözünürlüğü yüzeyden alınan örnek sayısı (N x M) ile Parlaklık
çözünürlüğü ise piksel üzerindeki rengin gri seviye karşılığı olarak
parlaklığını belirtir.
• Bu parametrelerin değerlerindeki artış ne kadar fazla olursa
sayısallaştırılmış görüntü orijinaline o oranda yaklaşır.
• Bununla birlikte, görüntünün kapladığı bellek alanı hızlı bir şekilde artar.
Alan Hassaslığı (Piksel çözünürlüğü)
• Alan hassaslığı, sayısal görüntüyü elde
etmek amacıyla analog görüntünün
yatay/dikey taranması esnasında
toplanan örnek sayısı ile ilgilidir.
• Sayısal görüntüyü oluşturan
piksellerin sayısı (N × M) ne kadar
fazla olursa orijinal (analog)
görüntüye o kadar fazla yaklaşılır.
• Piksellerin sayısı azaltılırsa bu
durumda görüntünün uzaysal
çözünürlüğü düşer ve görüntü
içerisindeki ayrıntılar kaybolmaya
başlar.
Parlaklık hassaslığı-renk derinliği
(gri-seviye renk çözünürlüğü)
• Parlaklık hassaslığı, her bir pikselin
parlaklığının karşılığı olan gri seviye
skalasındaki sayısını gösterir.
• Gri seviyelerin sayısı azaldığında,
görüntü içerisinde yapay çizgisel hatlar
ortaya çıkmaya başlar
• Şekilde 256 renk (8 bit), 128 renk (7
bit), 64 renk (6 bit), 32 renk (5 bit), 16
renk (4 bit), 8 renk (3 bit), 4 renk (2 bit)
ve 2 renk (1 bit) olan aynı alan
çözünürlüğüne sahip (NxM=256x256)
gri-ton görüntüler verilmiştir.
2-Boyutlu sayısal görüntülerin matris olarak gösterimi
• (N × M) piksele sahip 2-B sayısal bir görüntü, N satır ve M sütundan
oluşan bir matris gibi düşünülebilir.
• Matrisin bileşenleri, satır ve sütunların kesiştiği her bir noktada –ki bu
noktalar sayısal görüntünün en küçük parçası olan pikseli temsil eder –
pozitif tamsayı değerlerine sahiptir.
• Örneğin, 256 adet gri seviye içeren görüntüler için bu değer 0 – 255
aralığındaki tamsayılardan oluşur.
• Sayısal bir görüntüyü temsil eden matrisin bileşenleri hiçbir zaman
negatif ve tamsayı dışındaki değerlerden oluşamaz.
• Ancak, görüntü üzerinde işlemler yapıldıktan sonra elde edilen yeni
görüntü içerisinde bu gibi sonuçlarla karşılaşmak olasıdır.
• Böyle durumlarda, yeni görüntüyü bilgisayar ekranında doğru bir
biçimde görüntüleyebilmek için matris değerleri üzerinde uygun
ölçeklendirme ve yuvarlama işlemleri yapılmalıdır.
Bölüm 2 - Noktasal İşlemleri
• Herhangi bir görüntü işleme uygulaması piksel gri
değerleri üzerinde dönüşüm yapar. Bu dönüşümü
yapmak için gerektirdiği bilgiye bağlı olarak görüntü
işleme uygulamaları 3 sınıfta incelenebilir:
• 1. Dönüşümler: Piksel değerleri başka bir domende ifade
edilir. Fourier dönüşümü gibi. Tüm görüntü tek bir büyük
blok gibi düşünülür.
• 2. Bölgesel İşlemler: Bir pikselin gri değerini değiştirmek
için komşu piksellerden faydalanılır.
• 3. Noktasal İşlemler: Piksel yeni gri değeri için sadece
eski değerinden faydalanılır. Basit işlemlerdir. Genellikle
ön işleme için gereklidir.
02.03.2015
Tamamlayıcı Not
*** Dikkat Burada T yapılan işlemi belirtir. Yani her piksele; komşuluk ilişkisine göre gezilerek
T’nin belirttiği işlem yapılır.
Kontrast Nedir?
• Kontrast görüntüdeki en parlak bölüm ile
en karanlık bölüm arasındaki farka denir.
• Siyah ve beyaz arasındaki kontrast aralığı
genişledikçe, iki uç arasındaki gri tonlar ya
da ara seviyeler daha rahat görülür.
• Aradaki değer ne kadar fazla olursa
görüntünün canlılığı o kadar iyi olur.
02.03.2015
Aritmetik İşlemler
• Her bir piksele sabit bir değer eklenebilir
veya çıkarılabilir .
• Pikseller bir sabitle çarpılabilir.
02.03.2015
Aritmetik İşlemler
02.03.2015
Aritmetik İşlemler
02.03.2015
Aritmetik İşlemler
02.03.2015
Aritmetik İşlemler
02.03.2015
Negatif Alma
02.03.2015
Negatif Alma
Görüntünün sadece bir kısmının negatifi alınabilir. Örneğin gri değeri 128 ve
üstü olanların veya tam tersi bir durumda olabilir.
02.03.2015
Histogram
• Bir gri değerin görüntüde kaç tane olduğunu
gösteren grafiktir. Görüntü hakkında bilgi
vermesi açısından önemlidir.
• Karanlık bir görüntüde gri değerler histogramın
alt ucunda,
• Aydınlık bir görüntüde gri değerler histogramın
üst ucunda,
• İyi kontrastlı bir görüntüde ise, gri değerler
aralıkta düzgün şekilde dağılır.
02.03.2015
Histogramdan elde edilen bilgiler
• Bir görüntünün histogramı, o görüntü hakkında
önemli bilgiler verir. Önemlileri aşağıdadır.
• Koyu (Karanlık) bir görüntünün histogram grafiğinin
düşük gri seviye bölgesine yığılacağı açıktır.
• Parlak (Açık renk) düzgün bir görüntünün histogram
grafiğinin büyük gri seviye bölgesine yığılacağı açıktır.
• Eğer histogram bir bölgeye yığılmış ise ( yani gri sviye
ekseninin belirli bir bölgesine) bu görüntünün
kontrastı kötüdür denir.
• İyi kontraslı bir resmin histogram grafiği tüm gri
seviye değerlerine eşit yayılmış olduğunu açıklar.
• Genelde küçük yayılım gösteren histogramların
kontrastı düşüktür, daha geniş alana yayılmış olan
histogramların kontrastı daha yüksektir.
Karşıtlığı yüksek
Histogram Germe
02.03.2015
Histogram Germe
02.03.2015
Histogram Germe
•5-9 aralığındaki gri değerleri 2-14 aralığına
çekmek için aşağıdaki lineer fonksiyon
kullanılabilir.
•Burada i pikselin orijinal değeri j ise dönüşüm
sonrasındaki değeridir.
YENİ mak − YENİ min
j= (i − ESKİ min ) + YENİ min
ESKİ mak − ESKİ min
02.03.2015
Histogram Germe
İşlem Sonucu Yeni Histogram
02.03.2015
Histogram Eşitleme
• Historam germenin; bir kullanıcı girişine ihtiyaç duyma gibi bir
dezevantajı vardır. Histogram eşitleme ise otomatik bir
presedürdür. (Aslında histogram eşitleme genel anlamada histogram germe kapsamına sokulabilir. Fakat germede parça-
parça linerer veya değişik fonksiyonlar kullanmak gerekirken , eşitlemde otomatik işlem yapılır.)
• Uygulanışı:
1-Resmin histogramı bulunur (her gri seviye için piksel sayısı grafiği).
2-Histogramdan yararlanılarak kümülatif histogram bulunur. Kümülatif
histogram, histogramın her değerinin kendisinden öncekiler ve kendisinin toplamı ile
elde edilen değerleri içeren büyüklüktür.
3-Kümülatif histogram değerleri normalize edilip (toplam piksel
sayısına bölünerek), yeni resimde olmasını istediğimiz max. renk değerleri ile çarpılır,
çıkan değer tam sayıya yuvarlatılır. Böylelikle yeni gri seviye değerleri elde edilmiş olur.
4- Eski (Orijinal) gri seviye değerleri ile; 3.adımda elde
edilen gri seviye değerleri biribirine karşılık düşürülür ve yeni histogram grafiği çizilir.
Yukarıda, renk derinliği 4 bit olan gri seviyeli bir görüntünün histogram
tablosu görülmektedir. Bunun histogram grafiği ise aşağıdaki şekildedir.
(Toplam piksel sayısı n=360, istenen gri seviye L=16)
Buna göre aşağıdaki denklemden; gri seviye değerlerini tek tek hesaplarsak;
Histogram Eşitleme
• Amaç: İmgedeki düşük görünürlüğü iyileştirmek.
• Olasılık dağılımına bağlı olarak doğrusal olmayan dönüşüm
gerçekleştirilir.
• Bu sayede, bulunma olasılığı yüksek pikseller arası fazlaca
açılırken, düşük olasılıklı seviyeler birbirine daha yakın hale gelir.
02.03.2015
Örnek:
Görüntü
bloğu
cdf
Sayısal İşaret ve Görüntü İşleme
4. Hafta
Matlab Uygulama‐ Eşikleme
(thresholding) ve
Bit Düzlem Dilimleme
Yrd. Doç. Dr. Tuba KURBAN
09.03.2015
Görüntü Eşikleme
• Bu fonksiyon genellikle gri tonlu bir
görüntüden, ikili görüntü oluşturmak için
kullanılır.
• Renkli görüntülerle de kullanılabilir.
• Kaynak görüntünün piksel değerlerini çok
büyük ya da çok küçük değerlere filtreler.
Gri Görüntüler Üzerinde Eşikleme
• Test için gri seviye görüntü alınmaktadır.
• imge = imread(‘cameraman.tif');
• imshow(imge);
im2bw Fonksiyonu ile Eşikleme
• im2bw fonksiyonu parametre olarak bir
eşikleme sınır değeri alır.
• Sınır değerini ister deneme yanılma ile,
istersek histogram inceleme ile bulunabilir.
• Optimum bir eşik değeri için görüntünün
histogramını incelemek daha faydalı olacaktır.
im2bw ile Eşikleme
• Önce elimizdeki gri görüntüye 0.5 sınır değeri
ile eşikleme yapalım.
• imge2 = im2bw(imge,0.5);
imshow(imge2),title('Eşiklenmiş Görüntü')
Graythresh Fonksiyonu ile Eşik Değerinin
Alınması
• Şimdi Matlabda tanımlı graythresh
fonksiyonunu çağırarak elimizdeki görüntü için
otomatik olarak ideal bir eşik sınırı elde
etmeye çalışalım.
• Graytrash histogram bazlı bir yöntemdir. Bu
yöntemde algoritma önce görüntünün
histogramını hesaplar, ardından otomatik bir
threshold değeri döner.
Graythresh Fonksiyonu ile Eşik
Değerinin Alınması
• Esikdegeri=graythresh(imge)
• Esikdegeri=0.3451 belirlenir. (Daha önce
alınan ‘cameraman.tif’ görüntüsü için)
• Buradan çıkar değer bizim belirlediğimiz
yaklaşık 0.29 değer uzaklığında.
• Otomatik bulunan bu değerle eşikleme
yapılırsa.
im2bw ile Eşikleme
• imge2 = im2bw(imge,esikdegeri);
• Figure, imshow(imge2)
İlişkisel Operatörler ile Manuel
Eşikleme
• imge = im2double(imge);
• imshow(imge>0.5)
• % Ekrana sadece 0.5 değerinden yüksek
pikselleri getirir, diğerlerini 0’ a eşitler.
Döngü ile Matlab de Eşikleme
I=imread('cameraman.tif');
for i=1:size(I,1)
for j=1:size(I,2)
if I(i,j)>120
I2(i,j)=255;
else I2(i,j)=0;
end
end
end
imshow(I), figure(), imshow(I2)
Bit Düzlem Dilimleme
• 8 bitlik bir gri r
• esmi alarak bu resmin her değerli bitinin
etkisini görmek amacıyla kullanılır.
• Eğer seçilen değerdeki bit 1 ise 255 renk
değeri 0 (sıfır) ise 0 (sıfır) renk değeri verilerek
her bit için yeni bir Siyah‐Beyaz resim elde
edilecektir.
• Böylece her bit değerinin resme yaptığı etki
belirlenmiş olur.
Bit Düzlem Dilimleme
• Burada amaç gri seviye görüntüyü değil, her bir
bitin görüntüye olan katkısını vurgulamaktır.
• 8 bitlik bir görüntüyü düşünecek olursak bit
düzlemleri 0 (en az öneme sahip bit‐ LSB (least
signitificant bit))‐7 (en fazla öneme sahip bit‐
MSB) arasında değişir.
• 0. bit düzlemi görüntüdeki tüm LSB bitlerini içerir.
• 7. bit düzlemi ile görüntüdeki tüm MSB bitlerini
içerir.
Bit Düzlem Dilimleme
• Bir sayısal görüntüyü bit düzlemlerine ayırma
işlemi her bir bitin önemini analiz etmek için
önemlidir.
• LSB gibi görüntüye daha az etkisi olan bitler
görüntü sıkıştırma, veri gizleme gibi
uygulamalar için kullanılabilir.
Bit Düzlem Dilimleme
c=imread('cameraman.tif'); %görüntüyü oku
imshow(c);
cd=double(cd);
c0=mod(cd,2); %lsb bit %bit düzlemleri hesapla
c1=mod(floor(cd/2),2);
c2=mod(floor(cd/4),2);
c3=mod(floor(cd/8),2);
c4=mod(floor(cd/16),2);
c5=mod(floor(cd/32),2);
c6=mod(floor(cd/64),2);
c7=mod(floor(cd/128),2);
figure, imshow(c0); % bit düzlemleri göster
figure, imshow(c1);
figure, imshow(c2);
figure, imshow(c3);
figure, imshow(c4);
figure, imshow(c5);
figure, imshow(c6);
figure, imshow(c7);
cc=2*(2*(2*(2*(2*(2*(2*c7+c6)+c5)+c4)+c3)+c2)+c1)+c0; %orjinal görüntü bit düzlemlerden elde edilebilir.
imshow(uint8(cc));
0. bit düzlemi 1. bit düzlemi 2. bit düzlemi 3. bit düzlemi
2
Bölgesel işlemlerin amacı komşu piksellerin gri tonlarını vurgulamak veya
“görünmesine engel olmaktır. Bu işlem şekilde görülmektedir.
Merkezi piksel etrafında tanımlanan komşuluğa “maske” veya “ pencere” denir.
Bütün resmin işlenmesi için, maskenin adım adım kaydırılarak resmin tamamını
taraması gerekir ( Bu işlem Merkez noktayı kaydırma işlemidir. Yani bir görüntüdeki
herbir piksel için bir tane olacak şekilde yeni komşuluklar oluşturma işlemidir.). Bu
işlem resmin sol üst köşesinden başlar . Yeni griton hesaplandıktan sonra maske
(pencere) bir piksel sağ tarafa kaldırılır. Yeniden hesaplanır ve aynı işlemlere devam
edilir. Satırın sonuna gelince, işlemleri bir sonraki satırın başından devam edilir.
Komşuluk ilişkili işlemler için en uygun yol; uygun bir maske (filtre
maskesi-pencere ) oluşturup bu maskeyi tüm görüntü üzerinde hareket
ettirerek y=f(x) fonksiyonunu uygulamaktır. (Bu maske genellikle, kenarları
tek sayıda piksellerden oluşturulmuş dikdörtgen şekildir.)
4
LİNEER UZAYSAL FİLTRENİN YAPISI
3x3’lük bir maske ve onunla ilgili komşuluk ilişkili bölge altındaki pikseller
resimde görülmektedir. Lineer uzaysal filtrelemenin daha iyi
açıklanabilmesi için iki önemli kavram vardır. Korelasyon ve Konvolüsyon.
• Korelasyon; maske w’nin f görüntü dizisinden geçirilme işlemidir.
• Konvolusyon ; maskenin 180 ◦ döndürülüp aynı işlemin yapılma sürecidir.
5
İMAGE FİLTRELEME
Filtreleme resmin üzerinde bir filtre varmış gibi düşünüp her piksel değerinin yeniden
hesaplanmasıdır. Filtreler sayesinde girdi resminden yeni resim değişik efektler verilerek
elde edilir.
Filtreleme işlemi aşağıdaki formülle elde edilir. Burada m (s,t) filtre matrisidir (ağırlıklar
matrisi-Kernel - Maske) . P (i,j) filtrelenecek görüntünün matrisidir. Y(i,j) elde edilecek yeni
görüntünün matrisidir ( Bu formül 2 boyutlu korelasyon formülü gibi yorumlanabilir ).
Burada filtre matrisimzi 3 x5 boyutunda bir matris olup, merkez pikseli, yeni değeri
hesaplanacak pikselin üzerine gelecek şekilde konumlandırılıp, denkleme göre yeni
değerler hesaplanır. Maske p(i,j) matrisinin tüm elemanlarını kapsayacak şekilde
gezdirilerek, yeni piksel değeri kendisinin ve komşu elemanların oluşturacağı ağırlıklar
toplamı şeklinde bulunur.
11
Uzaysal Filtre işlemini gerçekleştirmek için 3 adım gerekir.
1-Maskeyi (Filtreyi) , çalışılacak piksel merkeze gelecek şekilde konumlamak.
2- Maskenin tüm elemanları ile ilgili pikselle komşuluk ilişkisi olan piksellerin
çarpılması
3-çarpımların toplanması işlemi.
Bu işlem tüm imgedeki tüm pikseller için gerçekleştirilir.
12
Aşağıdaki denklem iki boyutlu konvolüsyonu ifade ederler. Buna
göre f(x,y) orijinal image, h(i,j) ağırlık (filtre-Maske-İmpulse yanıtı)
matrisidir. f’ (x,y) ise elde edilen yeni imagedir.
14
Konvolüsyon; yumuşatma, keskinleştirme, kenar belirleme gibi
görüntü işleme fonksiyonlarını gerçekleştirmede çok sık
kullanılmaktadır.
Konvolüsyonda bir pikselin yeni değeri kendisinin ve
çevresindeki piksellerin ağırlıklı ortalaması ile bulunmaktadır.
Konvolüsyon şablonu (Filtre matrisi-kernel) uygulamaya göre
farklı boyutlarda olabilmekle beraber genelde 3x3 lük bir
matristir.
15
Örnek: A giriş görüntüsünün h kerneli ile konvolüsyonu sonucu oluşan çıkış
görüntüsünün (2,4) pikselinin değerini hesaplayalım:
Çözüm:
1. h kernelini yatay ve düşey eksende 180 derece döndür.
2. h’ın merkez elemanı A(2,4) noktasına çakışacak şekilde kerneli kaydır.
3. A ve h’daki karşılıklı elemanları çarp ve hepsini toplayarak (2,4) pikselindeki
çıkış değerini bul.
16
ÖRNEK DEVAM
17
BAZI ÖNEMLİ LİNEER UZAYSAL FİLTRELER
Gaussian Blur, bulanıklaştırma derecesini ayarlamamıza olanak vererek görüntünün
hafifçe yumuşatılmasından tüm görüntüyü kalın bir sisle kaplamaya kadar değişen
efektler yaratır. Adını, renk değerlerinin değişimini gaussian çanı denilen eğriyle
eşleştirmesinden alır.
18
GRİTON DÜZGÜNLEŞTİRME (GREY LEVEL SMOOTHING) LİNEER FİLTRELERİ
NORMAL ORTALAMA (TEMEL BLURRİNG (BULANIKLAŞTIRMA)) FİLTRE
Aşağıdaki kaynak resim iki bölgeden oluşmaktadır: Karanlık kısım (griton 1)
ve aydınlık kısım (griton 10). Diğer gritonlar gürültü olarak yorumlanırsa
yapılacak iş ya onları yok etmek veya diğer bir deyişle iki bölgeyi elde etmektir.
En basit düzgünleştirme metodu ortalama işlemidir. kaynak resme ortalama
işlemi uygulanarak elde edilen sonuç resmi yanda görülmektedir.
Uygulanan maskenin boyutları 3x3’tür. Maske içerisindeki piksellerin
gritonları toplanıp 9’a bölünür. Açıkça görüleceği üzere gürültü pikselleri
gritonları arzulanan griton değerlerine yaklaştırıldı. Buna rağmen kaynak
resimdeki bölgeler arasındaki dik olan geçişi yassılaştı (bulanıklaştı). Pozitif veya
negatif etki olarak bunun kıymeti uygulamaya bağlıdır.
19
GAUSSİAN BLURRİNG FİLTRE (AĞIRLIKLI ORTALAMA)
Bu durumda, maske içerisinde ki gri tonlar belirli ağırlıklarla (coefficients (kat sayısı) )
çarpılır. Şekilde “Gausian alçak geçiren filtre” ve normal ortalamanın ağırlıklarını
gösterilmektedir. Normal ortalama operatörü (3x3 maske) durumunda, maske
içerisindeki gritonlar eşit ağırlıklıdır (yani ağırlıklar 1 değerine eşittir). Maskenin
şeklinden dolayı bu maskeyi kullanan filitreye kutu filitre denir.
Gaussian alçak geçirenin düzgünleştirme etkisi kutu filtreninkinden biraz daha iyidir.
Fakat griton basamaklarının yassılaştırma problemi bunda da mevcuttur.
20
LİNEEER UZAYSAL FİLTRELER İÇİN MATLAB
FONKSİYONLARI
Burada f giriş görüntüsü, w filtre maskesi(kernel), g filtrelenmiş
sonuçtur. Diğer parametreler ise tabloda gösterilmektedir.
21
ÖRNEK: ORTALAMA FİLTRE
>> X=[ZEROS(256,256) ONES(256,256);ONES(256,256) ZEROS(256,256)];
>> Z=DOUBLE(X);
>> İMSHOW(Z)
22
ÖNEMLİ NOT-1
2 boyutlu görüntülerin filtrelenmesi için diğer bir fonksiyon
ise filter2 fonksiyonudur. Bu fonksiyon aşağıdaki gibi
kullanılır. Sonuç matrisinın veri tipi double’dır.
>> c = filter2(filter, image, shape)
26
MAX OPERATÖRÜ: (BASİT BİR NONLİNEER FİLTRELEMEDİR)
27
Max Filtre: Aşağıdaki imgeye 3x3 pencere boyutunda max filtre
uygulayarak ikinci imgeyi elde eden matlab kodlarını yazalım.
28
ORTA-DEĞER (MEDİAN) OPERATÖRÜ (NONLİNEER FİLTRELEMEDİR)
• min ve max operatörlerinin fonksiyonlarını birleştiren ve onların yukarıda bahsedilen
dezavantajlarına sahip olmayan bir operatöre ihtiyaç vardır. Şekil bu çözümü
göstermektedir.
• Orta-değer operatöründeki fikir, maske içerisindeki gritonları değerlerine göre sıralamaktır.
Bu sıralamada ortada bulunan değer sonuç resmin ilgilenilen pikseli için kullanılır. Bu strateji
yüksek ve alçak gritonların piklerini, griton bölgeleri ayıran griton basamaklarını
yassılaştırmadan yok eder. Orta-değer operatörünün dezavantajı; komşu piksel gritonlarının
sıralamasından dolayı hesaplama zamanın yüksek olmasıdır.
• Orta-değer operatörünün resim üzerindeki etkisini göstermektedir. Resimden de görüleceği
üzere, gürültülü resim tamamen onarılmıştır.
5 4 5
5 5 10 5 4 5 5 5 10 3 4 5
3 4 5 sıralama
3 4 4 5 5 5 5 5 10
orta değer
30
K-ENYAKIN-KOMŞU (NONLİNEER FİLTRELEMEDİR:)
Diğer bir kenar korumalı düzgünleştirme metodu “k-enyakın-komşu” metodudur. Bu,
maskenin bütün pikselleri üzerinde kullanılmayan bir normal ortalama operatörüdür (kutu filtre).
Sadece gritonları ilgilenilen pikselin gritonuna en yakın k tane piksel üzerine uygulanır.
Şekilde 3x3 enyakın-komşu operatörünün k = 3 ile (ilgilenilen piksel dahil) kaynak resme
uygulanması ile elde edilen sonucu göstermektedir. Ortalamanın sadece 3 griton kullanılarak
hesaplanmasından dolayı, düzgünleştirme etkisi “orta-değer” operatöründen azdır.
Genellikle k, maskedeki piksel sayısının yarısından fazla olmalıdır. Şekil, k-enyakın-komşu
operatörünün resim üzerindeki uygulamasını göstermektedir.
31
NONLİNEER UZAYSAL FİLTRE
FONKSİYONLARI
32
m ve n filtre boyutudur.
’sliding’, f giriş görüntüsünde pikselden piksele
mxn’lik filtrenin kaydırma işlemini belirtir.
@fun; references a function, which we denote
arbitrarily as fun,
parameters indicates parameters (separated by
commas) that may be required by function fun.
The symbol @ is called a function handle, a MATLAB
data type that contains information used in
referencing a function.
33
Lineer filtrelerde söylendiği gibi, görüntünün kenarlarınada filtrenin
uygulanabilmesi için görüntü datasına genellikle 0’lar eklenmeliydi.
Colfilt kullanılacaksa, filtrelemeden önce muhakkak giriş datasına yeterli
miktarda ekleme yapılmalıdır. Bunun için padarray fonksiyonu kullanılır.
Burada f giriş görüntüsü, fp paddlenmiş(eklenmiş) görüntü,[r c], f’ye
eklenecek pad’in boyutunu verir.
method ve direction yeni tablodaki yerleşimi bildirir.
34
>> A=[1 2 3; 4 5 6]
A= >> B=padarray(A,[2 3],0,'post')
1 2 3 B=
4 5 6 1 2 3 0 0 0
>> B=padarray(A,[2 3],0,'both') 4 5 6 0 0 0
B= 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 >> B=padarray(A,[2 3],0,'pre')
0 0 0 1 2 3 0 0 0 B=
0 0 0 4 5 6 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 1 2 3
0 0 0 4 5 6
35
A = [ 1 2; 3 4];
a = [ 1 2 3 4 ];
B = [ 5 6; 7 8];
b = padarray(a,[0
C = cat(3,A,B)
3],'symmetric','pre')
C(:,:,1) =
b=
1 2
3 4
C(:,:,2) = >>A = [1 2; 3 4];
5 6 >>B = padarray(A,[3
7 8 2],'replicate','post')
D = padarray(C,[3 3]) B=
D(:,:,1) ==
36
ÖNEMLİ NOT: FREKANS BİLEŞENİ KAVRAMI
Bir görüntüdeki filtrenin etkisini standart bir formda ifade edebilmek için en
önemli kriterlerden birisi görüntünün frekans bileşenleridir.
Kabaca bir görüntünün frekans bileşenleri; mesafeye göre gri seviye
değişiminin miktarı olarak ifade edilir.
Görüntünün Yüksek frekanslı bileşenleri; küçük mesafelerde piksellerin gri
değerlerin büyük miktarda değişikliklerini karakterize eder. Yüksek frekans
bileşenlerine örnek olarak; resmin kenarları (en büyük gri seviye değişimleri
kenarlarda olur) ve gürültüler verilebilir.
Görüntününün Düşük frekanslı bileşenleri: Resimdeki piksellerin gri
değerlerinin mesafeye göre pek az değiştiği görüntü parçaları ile
karakterize edilir. Bunlara örnek arka planlar (gri seviyeleri çok az değişen
yüzeyler), cilt dokuları verilebilir.
Bu tanımlamalar göre filtreleri;
Yüksek geçiren Filtreler: Yüksek frekanslı bileşenleri geçirir. Düşük frekanslı
bileşenleri yok eder. Örnek kenar çıkarma işlemleri.
Alçak geçiren Filtreler: Görüntüdeki Alçak frekans bileşenlerini geçirir veya
kuvvetlendirir. Yüksek frekans bileşenlerin yok eder. Örneğin 3x3Lük
average filtresi bir alçak geçiren filtredir. Çünkü resmin kısa mesafede
değişen (Özellikle kenarlar - Gürültüler) piksellerini yok eder. Belirli
mesafede az değişen piksellerini muhafaza eder. Dolayısıyla resim
bulanıklaşır (Blurring).
37
FSPECİAL FONKSİYONU
39
ÇOK KULLANILAN BAZI ÖZEL LİNEER FİLTRELERİN FSPECİAL İLE
TANIMI (2)
Previt ve sobel Filtreleri yüksek geçiren basit tip filtrelerdir.
Görüntüde kenar çıkarma, kenar iyileştirme işlemlerinde
kullanılabilirler.
40
41
ÇOK KULLANILAN ÖZEL NONLİNEER UZAYSAL
FİLTRELER
43
MAKS.FİLTRELEME ÖRNEĞİ
G=ORDFİLT2(F,M*N,DOMAİN)
44
MEDİAN FİLTRELEMEYE ÖRNEK
G=ORDFİLTER2(F, MEDİAN (1:M*N), ONES(M,N))
Median Filtre maske altındaki piksel gri seviye değerlerini azdan çoğa
doğru bu değerlerin ortadakini almaktı. Yukarıdaki fonksiyonda order
yerine (1:m*n) değerleri arasında %50 büyüklükteki değerin alınmasıdır.
Median filtreler görüntüdeki salt-pepper(tuz-Biber) gürültülerini filtreler.
45
MEDİAN FİLTREYE ÖRNEK
46
Burada mxn uzunlukta bir komşuluk ilişkisi tanımlanır
ve onun piksel değerlerinin ortancası ile hesaplar
yapılır.
Padopt üç olası sınır padding seçeneklerden birini
belirtir:
Sıfır (varsayılan-default): kenarlara 0 dolgusu yapılır.
Simetrik: kenarlar ayna-yansımalı simetriklik özelliği
ile doldurulur.
'endeksleme‘ ise, veri double ise kenarlar 1 ile değil
ise 0’la doldurulur.
Örnek default fonksiyon
g = medfilt2 (f)
3x3 maske ile medyan hesaplar. Kenarlar 0 ile
doldurulur.
48
Frekans domain’inde İşlemler
Domain Dönüşümü
Dönüşüm, bir sinyalin, başka parametrelerle ifade
edilmesi şeklinde düşünülebilir.
Ters dönüşüm ise , sinyalin ilk halindeki parametrelerle
ifade edilebilir şekle geri döndürülme işlemidir.
Fourier transformasyonları (dönüştürücüleri) bir sinyalin
frekans domanine dönüşümünü sağlar.
Frekans uzayı
• İmge uzayında yapılabilecek işlemlerin yanında, frekans
düzlemindeki bilgi de imge işlemede sıkça kullanılmaktadır.
• Daha önce imge süzgeçleme için konvülüsyondan bahsedilmişti.
İmge uzayında yapılan bu işlem her bir piksel için tekrarlanmakla
birlikte, çekirdek elemanına bağlı olarak hesapsal yükü oldukça
fazla olabilmektedir.
• Frekans uzayına geçildiğinde konvülüsyon işlemi çarpma işlemine
dönüşeceğinden, bu uzayda yapılacak süzgeçleme işlemlerinde
frekans uzayına geçiş ve geri dönüş işlemleri için hesapsal yükten
bahsedilebilir.
• Ayrıca frekans uzayında imgedeki piksellerin dağılımına ilişkin
bilgileri gözlemlemek de mümkündür.
• Frekans uzayına geçiş için genellikle Fourier dönüşümü
kullanılmaktadır.
Fourier Dönüşümü
• Bu dönüşüm, görüntü işlemenin çok önemli
konularından biridir. Uzaysal domainde
başarılması zor işlemleri, frekans domain’inde
başaracak yapıda olan bu dönüşüm,
“görüntüyü oluşturan frekans bileşenlerini biribirinden
ayırt edebildiği için değişik derecelerden alçak ve
yüksek geçiren filtreleme işlemleri”
kolaylıkla başarılabilir.
• Önce tek boyutlu sonra iki boyutlu Fourier
dönüşümünü kısaca hatırlayalım;
Temel Bilgi notu(Fourier analizi)
Periodik ve sonlu değer alabilen her fonksiyon, değişik frekanslarda
titreşen sinüs veya cosinüslü bileşenlerin toplamından oluşur.
Tek boyutlu ayrık Fourier
dönüşümü (DFT) Herhangi bir fonksiyon ayrıklaştırıldığında sonlu
sayıda elemanlı bir dizi şeklinde ifade edilir. Örneğn
bir kare dalganın ayrık zamanlı dizi şeklinde ifadesi;
1 1 1 1 -1 -1 -1 -1 şeklinde olabilir.
Frekans Uzayı – Ayrık Fourier Dönüşümü
Frekans Uzayı – Ayrık Fourier Dönüşümü
Frekans Uzayı – Ayrık Fourier Dönüşümü
Tek boyutlu DFT işlemiyle ilgili….
F(n) =(1,1,1,1,0,0,0,0)
Fast Fourier Dönüşümü
• DFT, ayrık fonksiyonların fourier dönüşümünü
yapmak için çok önemli bir yapı olmakla
beraber, dizi eleman sayısının çok fazla olduğu
dönüşümler için uzun zaman harcamaktadır.
Özellikle resim işleme gibi data sayısı fazla olan
işlemler için yavaştır.
• Bunun yerine FFT( Hızlı fourier dönüşümü) ile
bileşen katsayıları bulunur. Burada dikkat
edilecek konunun dizinin 2’nin kuvveleri
sayısında elemandan oluşturulmasıdır.
2-D (2 Boyutlu) DFT
2 boyutlu DFT; Matris şeklinde bir diziyi giriş kabul edip, yine matris şeklinde
bir çıkış elde eder. Farz edelim ki;
f(x, y), x = 0, 1, 2, . . ,M − 1 ve y = 0, 1, 2, . . ,N − 1,
M × N boyutunda bir görüntü olsun. Bu f görüntüsünün 2-D
DFT’sindeki F(u,v) katsayıları aşağıdaki formülden hesaplanır. F’nin Fourier
dönüşümü;
F =F ( f )
Ters fourier dönüşümü ise;
f = F -1 (F)
2-D DFT
Eğer; f(x, y) dizisi reel ise, bunun fourier dönüşümü genellikle kompleks sayılardır. Dönüştürülmüş
bir resmi frekans uzayında görmek (görsel analizi) onun spetrumunu ifade etmektir.
R(u, v) ve I(u, v) sırasıyla; F(u, v)’nin reel ve imajiner kısmını gösteriyorsa; Fourier ve güç
spektrumu aşağıdaki gibi tarif edilir. Artık frekans uzayında bir görüntüyü, fourier spektrumu veya
güç spektrumu ile ifade edebiliriz.
Orijinal
Genlik spk.
Faz spk.
Görüntünün tekrar orijinaline dönüştürülmesi
için, hem genlik hem de faz bilgisine ihtiyaç
vardır.
Frekans Uzayı – İmge İşleme Aşamaları
DC katsayısı ve kaydırma (shifting)
DFT’deki DC katsayısı F(0,0) değeridir. Aşağıdaki denklemde v=u=0 konulduğunda
bulunur. Buna göre Dc katsayısının değeri orijinal görüntü matrisindeki tüm eleman
değerlerinin toplamı olarak ortaya çıkar. Bu değer yeni matrisin en üst sol
köşesindedir.
Kaydırma: Görüntüleme amacı için; DC katsayısının matrisin orta nokta elemanı olarak
oluşması uygundur. Bunun için kaydırma yapılabilir.
Kaydırma işlemi , dönüşümden önce f(x,y) matrisinin tüm elemanlarının (-1) x+y ile
çarpılacağı anlamındadır.
2-D DFT’nin bazı özellikleri
>> s=ifft2(cf1);
>> imshow(mat2gray((1+abs(s))));
> c=(z<50);
>> cf1=cf.*c;
>> imshow(mat2gray(log(1+abs(cf1))));
>> s=ifft2(cf1);
>> imshow(mat2gray((abs(s))));
Frekans domaininde yüksek geçiren filtre
–Yüksek geçiren filtre ise, DC değeri merkeze kaydırılmış F
matrisinin merkez veya merkeze yakın eleman değerlerini
(Alçak bileşenleri) yok etmek veya zayıflatmak, merkezden
uzak eleman değerlerini ise korumak şeklindedir. Filtre matrisi
oluşturma işlemi alçak geçiren filtredeki gibidir. Tek fark
aşağıdaki deyimdedir. Buradaki 15 örnek olarak verilmiştir.
Reference point
Temel Mantıksal İşlemler
Binary Görüntülerde Mantıksal İşlemler
Matematiksel Morfoloji
• Matematiksel morfoloji iki temel operasyonu içerir:
• dilation
• erosion
• ayrıca birkaç komposit ilişkiyi içerir:
• Opening
• closing
• conditional dilation
• …
• Morfolojik operatörlerin iki girişi vardır:
• Görüntü
• Yapısal eleman (structure element).
Yapısal Eleman Örnekleri
Morfolojik işlemler ‘yapısal elemanlar’ a bağlı olarak tanımlanmaktadır. Bir yapısal eleman, görüntü
yapısını araştırmak için kullanılan bir alt kümedir.
Erosion (Aşınma)
Örnekte;; rice.png görüntüsü sonucun daha anlaşılır gözükmesi için binary moda
çevrildi. İşlemler gri seviyede de yapılabilir. se ve se1 olarak iki tane maske
belirlendi. Maskelerin parametreleri isteğe göre değiştirilebilir. Mesela; açma
işleminin daha belirgin olması için se maskesinin parametreleri artırılmalı. se1
maskesinde 8 sayısı 12 yapıldığında beyaz noktaların tamamen kaybolduğu görülür.
Örnek 2
BW = imread('circles.png');
mshow(BW);
BW2 = bwmorph(BW,'remove');
igure
BW3 = bwmorph(BW,'skel',Inf);
igure
mshow(BW3)
igure
mshow(BW2)
Örnek 3
• BW4 = im2bw(imread('coins.png'));
• BW5 = imfill(BW4,'holes');
• imshow(BW4), figure, imshow(BW5)
Görüntü Bölütleme
Bölütleme nedir?
• Bölütleme,, bir görüntüyü anlamlı ve türdeş bölümlerden oluşan kümelere
parçalamayı içerir
• Parçalanmış her bölümdeki pikseller, nitelikleri veya özellikleri aynı olan türdeş bir
kümeye sahiptirler.
• Görüntü özelliklerinin bu kümeleri; piksel grilik seviyesi, piksel RGB rengi, pikselin
kameradaki sırası, pikselin yeri, bölgesel es-değişirlik
es matrisi, gri seviyeler, zıtlık,
spektral degerler veya niteliksel özellikleri içerebilir.
• Bölütlemenin sonucu, her biri tek etikete sahip olan türdes bölümlerin bir
sayısıdır.
• Böylece bir görüntü, birbirine baglı ve üst üste binmeyen bölümlerin bir kümesi
olarak tanımlanır, bu durumda görüntüdeki her piksel ait oldugu bölümü gösteren
tek bir bölüm etiketine sahip olur. Görüntü bölütlemenin sonuçları genellikle daha
yüksek seviyeli sayısal görüntü isleme islemlerinin ilk parametreleri olarak
kullanılırlar.
Orijinal Görüntü ve Böllütlenmiş Görüntü
Görüntü Bölütleme
Görüntü Segmentasyonu
Görüntü Bölütleme Kullanım Alanları
➢ Medikal görüntülerde;
• Tümörlerin yerlerinin tespitinde ve diğer patolojik bulgularda,
• Doku hacimlerinin ölçülmesinde,
• Bilgisayar güdümlü cerrahi operasyonlarda,
• Teşhis koyulmasında,
• Tedavi planlamasında,
• Anatomik yapı çalışmalarında;
➢ Uydu görüntüleri aracılığıyla nesnelerin belirlenmesi (yollar,ormanlar
( vb.);
➢ Yüz tanımlama sistemleri;
➢ Parmak izi tanımlama sistemleri;
➢ Trafik kontrol sistemleri vb….
K-means ile segmentasyon
• K-means algoritması bir kümeleme algoritmasıdır.
• Kümeleme algoritmaları otomatik olarak verileri daha küçük kümelere
yada alt kümelere ayırmaya yarayan algoritmalardır.
• Algoritma istatistiksel olarak benzer nitelikteki kayıtları aynı gruba
sokar.
• Bir elemanın yalnızca bir kümeye ait olmasına izin verilir.
• Küme merkezi kümeyi temsil eden değerdir.
K-means ile segmentasyon
• Alogritmanın isminde yer alan “k” harfi, küme sayısını belirtir
• Algoritma,, hata hesaplamada yaygın olarak kullanılan Karasel Hata
Fonksiyonunu en aza indirgiyecek “k” küme sayısını da arar.
• Verilen “n” sayıdaki veri seti “k” tane kümeye bu hata fonksiyonunu
en aza indirgeyecek şekilde yerleştirilir.
• Bu nedenle küme benzerliği kümedeki değerlerin ortalamaya
yakınlıkları ile ölçülür. Bu da kümenin ağırlık merkezidir. Kümenin
merkezinde yer alan değer kümenin temsilci değeridir ve medoid
olarak adlandırılır.
K means algoritması
• Burada en önemli iki amaç şudur:
• 1- Küme içindeki değerler birbirlerine en çok benzemeli,
benzemeli
• 2- Kümeler birbirine mümkün olduğunca benzememeli
K means algoritması adımları
• Bu istekleri gerçekleştirmek için algoritma tarafında sırasıyla şu
adımlar gerçekleştirilmelidir:
• 1- Sınıf merkezlerinin belirlenmesi
• 2- Örneklerin mesafelere göre sınıflandırılması
• 3- Yapılan sınıflandırma sonrasında yeni merkezlerin belirlenmesi
• 4- İstenilen hale gelinceye kadar 2. ve 3. adımların algoritmik olarak
tekrarlanması.
X = [randn(100,2)*0.75+ones(100,2);
randn(100,2)*0.5-ones(100,2)];
figure;
plot(X(:,1),X(:,2),'.');
title 'Randomly Generated Data';
opts = statset('Display','final');
[idx,C] = kmeans(X,2,'Distance','cityblock',...
'Replicates',5,'Options',opts);
figure;
plot(X(idx==1,1),X(idx==1,2),'r.','MarkerSize',12)
hold on
plot(X(idx==2,1),X(idx==2,2),'b.','MarkerSize',12)
plot(C(:,1),C(:,2),'kx', 'MarkerSize',15,'LineWidth',3)
legend('Cluster 1','Cluster 2','Centroids','Location','NW')
','NW')
title 'Cluster Assignments and Centroids'
hold off
K means örnek
Randomly Generated Data Cluster Assignments and Centroids
4 4
Cluster 1
Cluster 2
3 3
Centroids
2 2
1 1
0 0
-1 -1
-2 -2
-3 -3
-3 -2 -1 0 1 2 3 4 -3 -2 -1 0 1 2 3 4