s04 Taslak

Görüntü İşleme
İkili Görüntülerde Analiz İşlemleri

Görüntü Bölütleme
MÜH4002 Görüntü İşleme

Kırıkkale Üniversitesi
Elektrik – Elektronik Mühendisliği
Dr. Hüseyin AYDİLEK

Kırıkkale, Mart 2023
İkili görüntülerde analiz
Bağlantılı Bileşenler (Connected Component)
ve Etiketleme (Labeling)
İkili (siyah/beyaz) görüntüler birçok görüntü analiz

algoritmasının temelini teşkil eden görüntülerdir
ve analiz işlemi bu seviyeden başlar.
Örneğin
MRI görüntülerinde beyin tümörlerinin

alanlarının/hacimlerinin ve konumlarının otomatik
bir şekilde hesaplanabilmesi için görüntünün
bölütlenmesi ve ikili görüntü bazında ele alınarak
tümörün işlenmesi gerekir.
Hareket eden bir cismin kamera tarafından

otomatik takip edilmesi düşünüldüğünde:
Görüntüdeki hareketli (değişen) piksellerin

belirlenmesi için bölütleme yöntemi ve ardından
Hareketli alana ait centroid (ağırlık merkezi)

hesabının yapılabilmesi için ilgili bölüm ikili
görüntü olarak işlenmelidir.
Bu tür analiz işlemlerinin yapılabilmesi için ikili

görüntülerde
• Bağlantılı Bileşenler (Connected Components)

• Konum (Centroid)
• Alan (Area)
• Oryantasyon
hesaplamaları yapılmaktadır.
Bağlantılı Bileşenler (Connected Component)
ve Etiketleme (Labeling)
Bağlantılı Bileşenler ve Etiketleme
• Herhangi bir piksel kümesi eğer bir sınır tarafından

ayrılmıyorsa bitişik olarak isimlendirilir.
•Bitişik piksellerin her bir en büyük bölgesi bağlantılı
bileşen (connected component) olarak isimlendirilir.
• Bağlantılı bileşenlerin kümesi imajı bölgelere

(segmentlere) ayırır.
• Imaj bölütleme birçok görüntü işleme

uygulamasında yararlı bir işlemdir.
Piksel kümesinin b.b. Olup olmaması tamamen komşuluk
ilişkisi ile tanımlanır. Aşağıdaki ikili görüntüyü
incelediğimizde: (1: ön plan nesneleri 0: arka plan
nesnelerini ifade etsin)
bb1 bb2
bb3 bb4
N4 için 2 adet ön plan bb, 2 adet arka plan bb vardır

N8 için 1 adet ön plan bb, 1 adet arka plan bb vardır
ön plan bb
arka plan bb
Bağlantılı bileşenlerin analizi için etiketlenmesi

gerekmektedir. (connected component extraction)
Bu işlem için
• Görüntüdeki tüm pikseller incelenir
• Bağlantılı bileşene rastlandığında etiketlenmemiş
piksellere aynı etiket değeri atanır
Algoritma
Etiket= 1
Eğer piksel etiketi=0
Eğer piksel bağlantılı bileşene ait ise onunla aynı
etiketi ata değilse
Etiket=Etiket+1
piksele Etiketi ata
Algoritmayı aşağıdaki bw imgede inceleyelim

Etiket = 1 Etiketlenmiş görüntü
1 1
1 1
1 1
1
2 2 2 2
2 2 2
2 2
2 2
2 2
3
4
Başka bir etiketleme örneği

Geometrik Özellikler
Alan, Konum, Oryantasyon
• Görüntü satır ve sütunlarını düşünürsek
Pixel a[i, j]
Görüntü üzerinde piksellere ait bölümlerin

• Alan (Area)
• Konum (Centroid)
• Oryantasyon (Orientation)
Özelliklerini satır ve sütun bilgilerini kullanarak

hesaplamak mümkündür
m x n boyutunda ikili görüntü için :
• Alan (area) A : zero-order moment

Total size is number of
black dots
• Konum : the center of area
Average in x
Average in y
Örnek :
1 2 3 4 5 6 7 8 9 10 11 12 13
1 2 3 4 5 6 7 8 9 10 11 12 13
Oryantasyon
Adım 1: a,b,c katsayılarını hesapla
• Dağılımın (B(i,j)) merkezi:
• Olmak üzere
• Çizgi uydurmak için,
Adım 2: açıyı ve çizgi oryantasyonunu hesapla.

MATLAB da bağlantılı bileşen analizi
İlgili fonksiyonlar:
Bwlabel : ikili görüntüde b.b. etiketleme işlemi

Label2rgb : Etiketleri görselleştirme amacıyla
renklendirme işlemi.
Bwselect : İkili görüntüde obje seçme işlemi

Bwconncomp: ikili görüntüde b.b. Analizi işlemi
Regionprops: Geometrik ve istatistiksel özellikler
Bwconncomp fonksiyonu ile görüntüdeki bağlantılı

bileşenler bulunabilmektedir.
CC = bwconncomp(BW)
CC = bwconncomp(BW,conn)
BW : SB görüntü
Conn: 4 veya 8 komşuluk türü
Bwlabel fonksiyonu:
İkili görüntüde b.b. etiketleme işlemi yaparak etiketli
görüntüyü döndürür.
L = bwlabel(BW)
L = bwlabel(BW,n)
[L,num] = bwlabel(___)
BW:İkili görüntü
N: komşuluk 4, 8 (default)
Num : bulunan b.b. Sayısı
Label2rgb fonksiyonu:
Etiketleri görselleştirme amacıyla renklendirme işlemi
yapar.
RGB = label2rgb(L)
RGB = label2rgb(L, map)
RGB = label2rgb(L, map, zerocolor)
RGB = label2rgb(L, map, zerocolor, order)
L: etiketlenmiş imge matrisi

Map: renk haritası (jet vs)
Zerocolor: etiketi 0 olan alanın rengini seçer
Order: renkler numaraya göre atanır veya atanmaz
Bwselect fonksiyonu
İkili görüntüde obje seçme işlemi yapar ve seçilen
objeleri içeren görüntüyü döndürür.
BW2 = bwselect(BW,c,r,n)
BW2 = bwselect(BW,n)
[BW2, idx] = bwselect(___)
BW2 = bwselect(x,y,BW,xi,yi,n)
[x,y,BW2,idx,xi,yi] = bwselect(___)
Bw: ikili görüntü.

C: Sütun
R: satır
Regionprops: B.B lerin geometrik ve istatistiksel

özelliklerini sunar
stats = regionprops(BW,properties)
stats = regionprops(CC,properties)
stats = regionprops(L,properties)
stats = regionprops(___,I,properties)
stats = regionprops(output,___)
Bw: ikili görüntü

CC: b.b. Görüntüsü (bwconcomp çıktısı)
L: etiketli görüntü
Regionprops: B.B lerin geometrik ve istatistiksel

özelliklerini sunar
Properties: Aşağıdaki değerler olabilir:
'Area'
'BoundingBox'
'Centroid'
'Eccentricity'
'EulerNumber'
'Orientation'
....
Örnekler
im=[0 0 1 1 1 0 0 0 0 0;
0 0 0 1 0 0 0 1 1 1;
0 0 1 1 1 1 0 0 1 1;
0 0 1 1 1 0 0 1 1 1;
0 0 1 1 0 0 0 1 1 0;
0 0 0 0 0 0 0 0 0 0;
0 0 0 1 1 1 1 1 0 0;
0 0 0 0 1 1 1 1 0 0;
0 0 0 0 1 1 1 1 0 0;
0 0 0 0 0 1 1 1 0 0];
concomp=bwconncomp(im);
concomp =
Connectivity: 8
ImageSize: [10 10]
NumObjects: 3
PixelIdxList: {1x3 cell}
im=[0 0 1 1 1 0 0 0 0 0;
0 0 0 1 0 0 0 1 1 1;
0 0 1 1 1 1 0 0 1 1;
0 0 1 1 1 0 0 1 1 1;
0 0 1 1 0 0 0 1 1 0;
0 0 0 0 0 0 0 0 0 0;
0 0 0 1 1 1 1 1 0 0;
0 0 0 0 1 1 1 1 0 0;
0 0 0 0 1 1 1 1 0 0;
0 0 0 0 0 1 1 1 0 0];
concomp=bwconncomp(im,4);
concomp =
Connectivity: 4
ImageSize: [10 10]
NumObjects: 3
PixelIdxList: {1x3 cell}
etiket_im=bwlabel(im,4);
analiz=regionprops(concomp,'Area','Centroid');
analiz.Area
analiz.Centroid
%Alanı 11 pikselden küçük olanları sil
etiket = find([analiz.Area] < 11);
im(etiket_im==etiket)=0
im =
0 0 1 1 1 0 0 0 0 0
0 0 0 1 0 0 0 0 0 0
0 0 1 1 1 1 0 0 0 0
0 0 1 1 1 0 0 0 0 0
0 0 1 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 1 1 1 1 1 0 0
0 0 0 0 1 1 1 1 0 0
0 0 0 0 1 1 1 1 0 0
0 0 0 0 0 1 1 1 0 0
Örnek uygulama olarak aşağıdaki görüntüdeki

bileşenlerden en büyük alana sahip olanı belirleyelim ve
diğerlerini resimden silelim ve kalan bileşenin alanını ve
oryantasyon açısını belirleyelim.
im=imread('artilar.gif');
imshow(im,[]);
concomp=bwconncomp(im,4) % izole piksele dikkat
pause
concomp=bwconncomp(im,8)
pause
etiket_im=bwlabel(im,4);
rgbetiket=label2rgb(etiket_im);
imshow(im,[]);
figure,
imshow(etiket_im,[]);
figure,
imshow(rgbetiket,[]);
analiz=regionprops(concomp,'Area','Centroid');
analiz.Area
analiz.Centroid;
close all
centroids=cat(1,analiz.Centroid);
imshow(im,[]);
hold on
plot(centroids(:,1),centroids(:,2), 'b*');
hold off
%en büyük alana sahip olanları filtrele
alanlar=cat(1,analiz.Area);
max_alan=max(alanlar)
index=find(max_alan==alanlar)
im(etiket_im~=index)=0;
imshow(im,[]);
analiz=regionprops(im,'Orientation','Area')
A=analiz.Area;
B=analiz.Orientation;
title(sprintf('Alan: %d Oryantasyon : %d',A,B));
Görüntü bölütleme, görüntü analizi ile ilgili bir

problem olup görüntü işlemenin gösterim ve tanılama
aşamalarına görüntüyü hazırlama işlemidir.
Bu anlamda görüntü bölütleme, bir görüntüyü her biri

içerisinde farklı özelliklerin tutulduğu anlamlı bölgelere
ayırmak olarak tarif edilebilir.
Bu özellikler örneğin, görüntü içerisindeki benzer

parlaklıklar olabilir ve bu parlaklıklar ilgili
görüntünün farklı bölgelerindeki nesneleri temsil
edebilir.
Görüntü içerisinde aynı parlaklıklara sahip nesne

parçacıklarının belirlenmesi, sınıflandırma ve tanılama
amacı için kullanılabilir.
Tüm görüntülere uygulanabilecek genel (universal) bir

bölütleme yöntemi yoktur ve hiçbir bölütleme yöntemi
mükemmel değildir.
Başka bir deyişle, görüntü iyileştirme ve onarma

problemlerinde olduğu gibi görüntü bölütleme için
tasarlanan yöntemler ve bu yöntemlerin başarımları,
görüntüden görüntüye ve uygulamaya dayalı olarak
değişiklik arz eder.
Görüntü bölütleme teknikleri çok olmakla birlikte en sık

kullanılan yöntemler aşağıdakilerdir:
1. Bölge bölütleme
• Eşikleme (Thresholding)
• Bölge Büyütme (Region Growing)
• Bölge ayırma ve birleştirme (Region splitting and
merging)
• Öbekleme (Clustering)
2. Ayrıt bölütleme (Edge detection)

3. Bunlar dışında doku bölütleme (texture
segmentation), hareket bölütleme (motion
segmentation) vb.. gibi özel yöntemler de vardır.
Bölge bölütleme
Eşikleme (Thresholding)
Eşikleme, görüntü bölütleme amacıyla kullanılan en

önemli yaklaşımlardan birisidir.
Eşikleme işleminde amaç, görüntü içerisindeki nesneleri

görüntü arka planından ayırmaktır.
Eşikleme için, görüntüdeki gri seviye dağılımlarını

gösteren görüntü histogramından faydalanılır.
Örneğin,koyu bir arka plan üzerinde açık renkli

nesnelerden oluşan f(i, j) görüntüsüne ilişkin gri seviye
histogramı şekildeki gibi olacaktır.
Bu histograma göre, nesnelere ve arka plana ait pikseller

olmak üzere, görüntüyü iki ana grupta değerlendirmek
mümkündür.
Bu durumda nesneleri arka plandan ayırmak için en

kolay yol, histogramdan göreceli olarak belirlenen bir T
eşik değeri ile görüntüdeki piksel değerlerini
karşılaştırmak olacaktır.
Buna göre, görüntüdeki herhangi bir (i, j) pikseli için; f(i,

j) > T ise (i, j) pikseli nesneye ait bir nokta, f(i,j) ≤ T ise
(i, j) pikseli arka plana ait bir nokta olacaktır.
Diğer taraftan, görüntüye ilişkin histogram şekildeki

gibi ikisi nesneye biri de arka plana ait olmak üzere üç gri
seviye grubundan oluşabilir.
Eşiklenmiş bir g(x,y) görüntüsü aşağıdaki gibi tanımlanır:

Buna göre, 1 ile etiketlenen pikseller nesneye, 0 ile

etiketlenenler ise arka plana karşı düşer.
Eğer ki T sadece f(x,y)’ye bağlı ise bu durumda eşik

değeri bütünsel (global) eşik olarak adlandırılır.
Eğer T hem f(x,y) hem de p(x,y)’ye bağlı ise bu

durumda belirlenen eşik değeri bölgesel (local) eşik
olarak adlandırılır.
Buna ek olarak, Eğer T, x ve y uzaysal koordinatlarına

bağlı ise bu durumda belirlenen eşik değeri dinamik eşik
olarak adlandırılır.
İmaj üzerinde eşikleme işlemi: T=100 olsun

123>T olduğundan sonuç 1
123 122 78 85 1 1 0 0
128 132 135 76 1 1 1 0
133 129 122 79
1 1 1 0
120 60 85 83
1 0 0 0
Orijinal görüntü Eşikleme yoluyla bölütlenmiş görüntü
Eşik değerinin belirlenmesi önemlidir ve hatalı sonuçlara

yol açabilir. Altta iyi bir eşikleme örneği görülmektedir.
Original Image Thresholded Image

• Eşiğin gereğinden düşük veya yüksek olması
Threshold Too Low Threshold Too High

Global eşikleme yönteminde optimal T değeri şu şekilde

belirlenir:
1. T için başlangıç değeri seçilir (tipik olarak imajın

ortalama gri ton seviyesi)
2. Histogram bu T değeri ile eşiklenir (2 ye ayrılır) :G1
eşik üzeri piksellerin grubu ( >T) G2 eşik altındaki
piksellerin grubu (≤ T)
3. G1 ve G2 nin ortalama gri ton değerlerini hesapla (μ1
ve μ2)
4. Yeni bir eşik değeri belirle µ +µ
T= 1 2
2
5. Ardışık T değerleri arasındaki fark belirli bir değerden

küçük olana kadar 2-4 adımlarını tekrar et
Bu yöntem uygun histogramlara uygulandığında oldukça

iyi sonuç vermektedir.
Optimal eşikleme yöntemi olarak da bilinir.

Bu yöntemin gelişmiş versiyonu, sınıf içi varyans

değerlerinin minimizasyonu tekniğine dayanan OTSU
yöntemidir.
Global eşikleme 2 adet baskın dağılımın olduğu

(bimodal) histograma sahip görüntülerde iyi sonuç
vermektedir.
Diğer türlü görüntüler (multimodal) ise daha fazla eşik

değerine ihtiyaç duyarlar.
Adaptif Eşikleme: Özellikle ışıklandırmadan kaynaklanan
bozulmalar global eşikleme için oldukça büyük problem
çıkarır.
Adaptif Eşikleme görüntünün küçük bölgelere ayrılarak

eşik değerinin lokal olarak seçilmesi yöntemine
dayanmaktadır.
Piksel değerleri, belirli bir komşuluk içinde değerlendirilir

ve eğer komşuluğun ortalama gri seviyesi üzerinde ise 1,
değilse 0 olarak atanır. 3x3 lokal pencere (kernel) için:
Yerel ort= (123+122+78+128+132+85+133+129+122)/9 = 116.8
123 122 78 85
128 132 85 76 1
133 129 122 79
120 60 85 83
132 > 116.8 olduğundan sonuç 1

Piksel değerleri, belirli bir komşuluk içinde değerlendirilir

ve eğer komşuluğun ortalama gri seviyesi üzerinde ise 1,
değilse 0 olarak atanır. 3x3 lokal pencere (kernel) için:
Yerel ort= (122+78+85+132+85+76+129+122+79)/9 = 100.8
123 122 78 85
128 132 85 76 1 0
133 129 122 79
120 60 85 83
85 > 100.8 olduğundan sonuç 0

Çoklu Eşikleme: 3 veya daha fazla dağılıma sahip

multimodal görüntülerde bölütleme yapmak amacı ile
kullanılır. İki veya daha fazla eşik değeri seçilir.
Örneğin aşağıdaki görüntüde şişelerin içindeki sıvının

bölütlenmesi için iki eşik değeri seçilmelidir.
Çoklu Eşikleme 2 eşik değeri için aşağıdaki gibi ifade

edilebilir.
0 𝑒ğ𝑒𝑟 𝑓 𝑥, 𝑦 > 𝑇!
𝑔 𝑥, 𝑦 = 1 𝑒ğ𝑒𝑟 𝑇" ≤ 𝑓 𝑥, 𝑦 ≤ 𝑇!
0 𝑒ğ𝑒𝑟 𝑓 𝑥, 𝑦 < 𝑇"
MATLAB ile bölgesel bölütleme işlemleri
Eşikleme
MATLAB da eşikleme işlemleri için özel fonksiyonların

yanı sıra basit karşılaştırma operatörleri ile de eşikleme
işlemleri yapılabilmektedir. Bu fonksiyonlar:
graythresh Global eşikleme için eşik bulma

multithresh Çoklu eşikleme için eşik bulma
otsuthresh Global eşikleme için eşik bulma
adaptthresh Adaptif eşikleme için eşik bulma
im2bw Global eşik değeri ile eşikleme işlemi
imquantize Çoklu eşik değeri ile eşikleme işlemi
İlk üçü Otsu yöntemini kullanmaktadır.

Matlab da görüntü histogramını oluşturmak için imhist

fonksiyonu kullanılır.
imhist(I) : İmajın histogramını görüntüler

imhist(I, n) : İmajın histogramını n adet bölgeye (bin)
bölerek görüntüler
[counts,x] = imhist(...): Histogram serisi counts
değişkenine de kopyalanabilir.
I = imread('coins.png');
imhist(I);
imhist(I,50)
histo=imhist(I);
plot(histo);
Özel fonksiyon kullanmadan eşikleme işlemi aşağıdaki

gibi yapılabilir.
Örnek:
imhist(I);
im2=(I>100);
imshow(im2,[]);
Bu görüntüye tek eşikleme yapılırsa
i=imread('siseler.png')
i=rgb2gray(i);
imshow(i)
figure
imhist(i)
im2=((i>50));
imshow(im2,[]);
Çoklu eşikleme işlemi:
i=rgb2gray(i);
imshow(i)
figure
imhist(i)
im2=((i>50)&(i<160));
imshow(im2,[]);
Çoklu eşikleme işlemi:
i=rgb2gray(i);
imshow(i)
figure
imhist(i)
im2=((i>50)&(i<190));
imshow(im2,[]);
Graythresh fonksiyonu : Gri görüntüyü parametre olarak

alır ve optimal eşik değerini döndürür. Döndürülen
değer im2bw fonksiyonu kullanılarak veya karşılaştırma
yöntemleri kullanılarak eşikleme işlemi tamamlanır. Not:
burada optimal eşik değeri [0-1] arasına normalize
edilmiş değerdir.
level = graythresh(I)
I: gri tonlu görüntü

Level: [0-1] arasına normalize edilmiş eşik değeri
İm2bw fonksiyonu: Gri tonlu veya rgb görüntüyü

parametre olarak verilen eşik değerine göre eşikleyerek
ikili görüntü haline getirir.
Kullanımı :
BW = im2bw(I, level): Gri tonlu görüntüyü eşikleme

BW = im2bw(X, map, level): İndeksli görüntüyü eşikleme
BW = im2bw(RGB, level): RGB görüntüyü eşikleme (önce
gri tonluya çevirir)
BW: döndürülen ikili görüntü (eşiklenmiş)
I: gri tonlu görüntü
level : [0-1] arası normalize edilmiş eşik değeri
Örnek:
level = graythresh(I);
BW = im2bw(I,level);
imshow(BW);
%level= 0.4941
Gerçek eşik değerini elde etmek için
esik= level*255;
%esik=126;
BW2=(I>esik);
figure
imshow(BW2);
Multithresh fonksiyonu Otsu yöntemine göre çoklu

eşikleme için eşik belirler. Bu fonksiyon çoklu eşikleme
için imquantize ile kullanılabilir.
Kullanımı şu şekildedir.
thresh = multithresh(A) : tek eşik seviyesi döndürür

thresh = multithresh(A,N) : n adet eşik seviyesi döndürür
[thresh,metric] = multithresh(___) : [0-1] arası etkinlik
değerinin metric göstergesini de döndürür.
A: gri ton görüntü

imquantize fonksiyonu quantizasyon değerlerine göre

görüntüyü eşikler (etiketleme yapar) ve etiketlenmiş
değeri döndürür.
Kullanımı şu şekildedir
quant_A = imquantize(A,levels)
Levels: eşik değerleri

Quant_A: eşiklere göre etiketlenmiş görüntü
A: orijinal gri tonlu görüntü
i=imread('siseler.png');
i=rgb2gray(i);
imshow(i)
figure, imhist(i)
esik=multithresh(i);
% imquantize ile bölütleme
BW1=imquantize(i,esik);
esik2=multithresh(i,2);
BW2=imquantize(i,esik2);
imshow(BW1,[]);
figure, imshow(BW2,[]);
% klasik yoldan
BW3=(i>esik2(1))&(i<esik2(2));
% BW2 yi renkli olarak görelim

BWrgb=label2rgb(BW2);
imshow(BWrgb);
Otsuthresh fonksiyonu (MATLAB R2016 ve sonrası) otsu

yöntemi ile global eşikleme değerini belirler.
T = otsuthresh(counts)
[T EM] = otsuthresh(counts)
Burada counts görüntünün histogramı, T belirlenen [0-1]

arası normalize edilmiş eşik değeridir.
[counts,x] = imhist(I,16);
stem(x,counts)
T = otsuthresh(counts);
BW = im2bw(I,T);
figure
imshow(BW)
Adaptthresh fonksiyonu: Belirli bir hassasiyet

parametresi ile gri tonlu görüntüyü lokal olarak eşikleme
işlemine tâbi tutar. Piksel değerleri lokal ortalama gri ton
değerinin üstünde ise 1, altında ise 0 olarak eşikler.
T = adaptthresh(I)
T = adaptthresh(I,sensitivity)
I = imread('rice.png');
T = adaptthresh(I, 0.4);
BW = imbinarize(I,T);
figure
imshowpair(I, BW, 'montage')
MATLAB ile kendi adaptif eşikleme
kodumuzu yazalım
Adaptif eşiklemede genellikle birinci mertebeden

istatistiksel bilgi (first order statistic) olan ortalama
değer kriter olarak kullanılmaktadır.
Biz de adaptif eşikleme kodunu oluştururken lokal

bölgelerin ortalama değerlerini kullanacağız.
Pencereye dayalı bir işlem yapacağımız için orijinal

görüntüye pencere boyutu kadar piksel ilave etmemiz
gerekir.
Bu amaçla padarray komutundan faydalanacağız.

Padarray komutu herhangi bir matrise istenen satır ve

sütun sayısınca piksel ekler. Bu işleme padding
denilmektedir. Piksel değerleri 3 mantıkla
eklenebilmektedir.
B = padarray(A,padsize) : sıfır ekler (zero padding)

B = padarray(A,padsize,padval): padval değerlerine göre
ekleme yapar.
B = padarray(A,padsize,padval,direction): ilave olarak
yön seçilir.
A: orijinal girdi matrisi.

B: padding yapılmış matris
A: orijinal girdi matrisi.

B: padding yapılmış matris
Padval: aşağıdaki değerlerden seçilebilir:
'circular' Dairesel tekrarını ekler

'replicate' Sınır elemanlarının tekrarını ekler
'symmetric' Simetrik ekleme yapar
Direction: aşağıdaki değerleri alabilir.

'both' Matrisin hem önüne hem sonuna ekler
'post' Matrisin bitiminden ekler
'pre' Matrisin başlangıcından ekler
Örneğimizde ortalama değerlerin padding işlemi

sonucunda değişmemesi için symmetric ve both
seçenekleri kullanılmıştır. Original ve padding yapılan
görüntü aşağıdaki gibi olacaktır.
Ipad=padarray(I,[win_size win_size],'symmetric');
Örnek kod: Kendi adaptif eşikleme kodumuzu yazalım
I = imread('rice.png');
[m n]=size(I);
BW2=zeros(m,n);
win_size=2*floor(m/16)+1;
Ipad=padarray(I,[win_size win_size],'symmetric');
i2=1;
for i=1:m
j2=1;
for j=1:n
wind=Ipad(i:i+2*win_size,j:j+2*win_size);
ort=mean(mean(wind));
if (I(i,j)>=ort) BW2(i2,j2)=1;
end
j2=j2+1;
end
i2=i2+1;
end
Not: Aslında bu tür görüntülerde morfolojik tophat –

bottom hat dönüşümleri kullanılarak orijinal görüntü
iyileştirilip, ardından eşikleme yapılabilirdi.
Eşikleme tabanlı bölütleme ile şişe dolum
kontrolü uygulaması
Şişe dolumlarının yapıldığı bir otomasyon sisteminde

dolum seviyelerinin kameralı bir sistem aracılığı ile
kontrolünün yapılması istenmektedir.
Bunun için görüntü işleme algoritmasını geliştirmeye

çalışalım.
Burada ilk aşamada alınan gri tonlu görüntü uygun eşik

değerlerden geçirilerek sadece sıvının ön plana çıkması
sağlanacaktır.
Ardından morfolojik işlemlerle önemsiz alanlar yok edilerek daha

büyük ve homojen olan sıvı alanları korunacaktır.
Etiketleme işlemi ve bağlantılı bileşen analizi ile sıvı seviyelerinin

alanları hesaplanarak en miktarı olması gereken
seviyeden az olan şişe farklı renkle belirtilecektir.
Şişe dolumlarının yapıldığı bir otomasyon sisteminde

dolum seviyelerinin kameralı bir sistem aracılığı ile
kontrolünün yapılması istenmektedir.
Bunun için görüntü işleme algoritmasını geliştirmeye

çalışalım.
Kodlar:
close all
clear all
Clc
dolum_sivi_miktari=36000;
i=imread('siseler2.png');
i=rgb2gray(i);
figure, imshow(i,[]);
i=padarray(i,[3 0],'post');
Kodlar – devam:
esik=multithresh(i,2);
% klasik yoldan
BW=(i>esik(1))&(i<esik(2));
figure, imshow(BW,[]);
ye=strel('disk',3);
BW_opened=imopen(BW,ye);
BW_closed=imclose(BW_opened,ye);
BW_closed = imclearborder(BW_closed, 4);
figure, imshow(BW_closed,[]);
Kodlar – devam:
BW_etiket=bwlabel(BW_closed);
concomp=bwconncomp(BW_closed);
Analiz=regionprops(concomp,'Area');
Alanlar=cat(1,Analiz.Area);
index=find(Alanlar<dolum_sivi_miktari);
template=uint8(zeros(size(BW_closed)));
Kodlar – devam:
if (sum(index)>0)
[in_count c]=size(index);
for j=1:in_count
template(BW_etiket==index(j))=1;
end
i2=i.*template;
irgb=i-i2;
irgb(:,:,2)=i-i2;
irgb(:,:,3)=i2;
figure, imshow(irgb,[]);
title(sprintf('%d adet hatalı şişe var',in_count));
else
title('hatalı şişe yok');
end
Renkli Görüntülerde Eşikleme
Renkli görüntüler de gri tonlu görüntülere benzer şekilde, her
kanal ayrı ayrı eşiklenerek istenilen ön plan nesneleri
bölütlenebilir.
i=imread('peppers.png');
imshow(i);
ir=i(:,:,1);
ig=i(:,:,2);
ib=i(:,:,3);
ir((ir>40)&(ir<148))=0;
ig((ig>15)&(ig<99))=0;
ib((ib>30)&(ib<175))=0;
i(:,:,1)=ir;
i(:,:,2)=ig;
i(:,:,3)=ib;
imshow(i);

s04 Taslak

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

s04 Taslak

Uploaded by

Copyright:

Available Formats

Görüntü İşleme

İkili Görüntülerde Analiz İşlemleri

MÜH4002 Görüntü İşleme

Dr. Hüseyin AYDİLEK

İkili (siyah/beyaz) görüntüler birçok görüntü analiz

MRI görüntülerinde beyin tümörlerinin

Hareket eden bir cismin kamera tarafından

Görüntüdeki hareketli (değişen) piksellerin

Hareketli alana ait centroid (ağırlık merkezi)

Bu tür analiz işlemlerinin yapılabilmesi için ikili

• Bağlantılı Bileşenler (Connected Components)

• Herhangi bir piksel kümesi eğer bir sınır tarafından

• Bağlantılı bileşenlerin kümesi imajı bölgelere

• Imaj bölütleme birçok görüntü işleme

N4 için 2 adet ön plan bb, 2 adet arka plan bb vardır

N8 için 1 adet ön plan bb, 1 adet arka plan bb vardır

Bağlantılı bileşenlerin analizi için etiketlenmesi

Algoritmayı aşağıdaki bw imgede inceleyelim

Etiket = 1 Etiketlenmiş görüntü

Etiket = 2 Etiketlenmiş görüntü

Etiket = 3 Etiketlenmiş görüntü

Etiket = 4 Etiketlenmiş görüntü

Başka bir etiketleme örneği

• Görüntü satır ve sütunlarını düşünürsek

Görüntü üzerinde piksellere ait bölümlerin

Özelliklerini satır ve sütun bilgilerini kullanarak

m x n boyutunda ikili görüntü için :

• Alan (area) A : zero-order moment

• Konum : the center of area

• Çizgi uydurmak için,

Adım 2: açıyı ve çizgi oryantasyonunu hesapla.

Bwlabel : ikili görüntüde b.b. etiketleme işlemi

Bwselect : İkili görüntüde obje seçme işlemi

Bwconncomp fonksiyonu ile görüntüdeki bağlantılı

L: etiketlenmiş imge matrisi

Bw: ikili görüntü.

Regionprops: B.B lerin geometrik ve istatistiksel

Bw: ikili görüntü

Regionprops: B.B lerin geometrik ve istatistiksel

Örnek uygulama olarak aşağıdaki görüntüdeki

%en büyük alana sahip olanları filtrele

Görüntü bölütleme, görüntü analizi ile ilgili bir

Bu anlamda görüntü bölütleme, bir görüntüyü her biri

Bu özellikler örneğin, görüntü içerisindeki benzer

Görüntü içerisinde aynı parlaklıklara sahip nesne

Tüm görüntülere uygulanabilecek genel (universal) bir

Başka bir deyişle, görüntü iyileştirme ve onarma

Görüntü bölütleme teknikleri çok olmakla birlikte en sık

2. Ayrıt bölütleme (Edge detection)

Eşikleme, görüntü bölütleme amacıyla kullanılan en

Eşikleme işleminde amaç, görüntü içerisindeki nesneleri

Eşikleme için, görüntüdeki gri seviye dağılımlarını

Örneğin,koyu bir arka plan üzerinde açık renkli

Bu histograma göre, nesnelere ve arka plana ait pikseller

Bu durumda nesneleri arka plandan ayırmak için en

Buna göre, görüntüdeki herhangi bir (i, j) pikseli için; f(i,

Diğer taraftan, görüntüye ilişkin histogram şekildeki

Eşiklenmiş bir g(x,y) görüntüsü aşağıdaki gibi tanımlanır:

Buna göre, 1 ile etiketlenen pikseller nesneye, 0 ile

Eğer ki T sadece f(x,y)’ye bağlı ise bu durumda eşik

Eğer T hem f(x,y) hem de p(x,y)’ye bağlı ise bu

Buna ek olarak, Eğer T, x ve y uzaysal koordinatlarına

İmaj üzerinde eşikleme işlemi: T=100 olsun