GÖRÜNTÜ İŞLEME

Görüntü İşleme Nedir?
 Dijital bir resim haline getirilmiş olan
gerçek yaşamdaki görüntülerin, bir
girdi resim olarak işlenerek, o resmin
özelliklerinin ve görüntüsünün
değiştirilmesi sonucunda yeni bir
resmin oluşturulmasıdır.
Görüntü İşleme Nedir?
Görüntü İşlemenin
Faydaları
 Resimler genellikle analog ortamlardan
dijital ortamlara geçirildiği için bozukluk
(noise) içerir. Görüntü işleme bu hataları
düzeltmek için kullanılabilir.
Görüntü İşlemenin
Faydaları
 Resimler faydalı işler için işlenir.

 Bir görüntüdeki kan sayımını yapmak,

 Zarfların üzerinden posta kodunun okunması,
 Plaka tanıma sistemleri gibi.
Görüntü İşlemek İçin Neler
Yapılır?

 “Gürültü” Temizlemek
 Parlaklığı Ayarlamak
 Koyuluk Ayarlamak
 Görüntü keskinleştirmek ve bulanıklaştırmak
 Doğru renk ayarlamak
Görüntü Nedir?
 Gerçek yaşamda, bir görüntü veya resim
basit 2 değişkenin bir fonksiyonu olarak
tanımlanır.
 A(x,y) gibi bir fonksiyonlar ifade edilen bir
resimde a bir şiddet birimi (örneğin
parlaklık) ve x veya değişkenleri ise resmin
gerçek koordinatlarıdır.
Dijital Görüntü Tanımlamaları

 Dijital görüntü sayısal değerlerden oluşur.

 1 ve 0’lardan oluşan sayısal görüntü
yapımız a[m,n], 2 boyutlu dünyadan elde
edilen a(x,y) fonksiyonundan örnekleme
tekniği kullanılarak oluşturulur.
Dijital Görüntü Tanımlamaları

Gerçek Resim Sayısal Resim

Dijital Görüntü Tanımlamaları

 Sayısal görüntümüz M ve N sayılarında

satır ve sütunlardan oluşur.
 Satır ve sütünların kesiştiği her bölgeye
piksel denir.
 O pikseldeki değer ise derinlik (z), Renk (λ)
ve zamanın (t) bir fonksiyonudur.
Dijital Görüntü Tanımlamaları
Görüntü Tanımlama Örneği

 Yukarıdaki resimde N=16 ve M=16 ‘dır. Her pixele

atanan değer ise o pikselin parlaklık değerinin en
yakın tamsayıya yuvarlatılmış halidir. [m=10, n=3]
‘teki değer L=110’dur.
Niteliklendirme
 Görüntünün piksel değerlerinin belirli aralıklarda
olması, meydana gelen görüntünün niteliğini
değiştirir.
 Örneğin 0 beyazı ve n1 de siyahı temsil ederse ve bu
değerler arası gri tonlarını ifade eder.
 Burada n= 2^b olmak üzere, b değeri görüntünün 1
pikselini ifade etme
 Örneğin b=8 ise 256 adet gri tonu bulunmaktadır.

 B=1 ise resim sadece 0 ve 1 ‘lerden oluşur ve buna

İkili resim(Binary Image) denir.
Niteliklendirme
Uzaysal Çözünürlük
 Bir resmin uzaysal çözünürlüğü (Spatial
Resolution) , o resmin 1 pikselinin
fiziksel büyüklüğüne eşittir.
 Kısaca, bir resmin detaylanabilir en
küçük parçasıdır.
Uzaysal Çözünürlük
Koyuluk (Contrast)
 Göz lokal etkilere göre görüntüyü farklı
algılar.
 Kontrast görüntü oluşumunda ve gözün
algılamasında önemli bir etkidir.
Koyuluk (Contrast)
 Aşağıda merkezdeki kare aynı olmasına
rağmen
 göz onu farklı kareler gibi algılamaktadır.
 Aşağıda her bir dikdörtgensel bölge aynı
renkte olmasına rağmen göz farkıl renklerde
gibi algılamaktadır.
 Aşağıda göz aslında olmayan hayalet kareler
 görmektedir. (Ghost Squares)
İndekslenmiş Görüntüler
 Resimleri daha iyi ve verimli saklamak için
diğer bir yöntem ise indekslemedir.
 İndekslenmiş resimlerin bir renk paleti
vardır.
 Bu palet 3 tane kolonu olan ve her satırın
o bir rengin RGB değerini içerdiği bir
matristir.
 Dolayısıyla her piksel , bu tabloya bir
indeks değeri içerir.
 Değişik renk paletleri kullanılarak
aynı resim değişik şekillerde ifade
edilir.
 Renkli resimlerde ayrı ayrı RGB
değerlerinin tutulması yerine palet
tutulması , bu bakımdan daha
avantajlıdır.
RGB > Gri tonları
 RGB değerleri, gri tonlarına şu formülle
dönüştürülür:
Gri Tonları > İkili Resimler
 Gri tonları ise ikili resimlere şu formülle
dönüştürülür:

 Burada d belirli bir eşik değeridir ve bu değer,

çevirim için ana noktadır. (Threshold)
 Eşik noktalarının kullanılması hesaplama
işlemini kolaylaştırırken bilgiyi yeterli
kullanmaması ve genellikle elle girilen bir
değer oluşturması bir dezavantajdır.
Görüntü Operasyonları
 Görüntü operasyonları , a[m,n] gibi bir girdi
görüntüsünü, b[m,n] gibi bir çıktı görüntüsüne
çevirir.
 Operasyonlar,
 Nokta
 Yerel
 Global
olmak üzere 3 sınıfta toplanırlar.
Komşuluk İlişkileri
 Sayısal görüntü işlemede komşuluk ilişkileri
çok önemlidir.
 Komşuluk ilişkileri ise ancak görüntü
örnekleme yapılarak elde edilebilir. Temel
örnekleme yöntemleri şunlardır:
 Dikdörtgensel örneklemede resmin üzerinde
dikdörtgensel bir ızgara olduğu düşünülür.
 Altıgensel örneklemede ise resmin
altıgenlerden oluşmuş parçalar içerdiği
düşünülür.
FİLTRELEME
 Filtreler resmin içerisindeki bazı ayrıntıları ortaya
çıkartmak veya resim içerisindeki istenmeyen
gürültülerin yok edilmesini sağlamak için
kullanılmaktadır.
 Özellikle; resimleri sayısal olarak kaydeden cihazların
görüntüyü hatalı bir şekilde elde etmeleri ve
aydınlatma gibi çevre koşullarının yetersizliğinden
kaynaklanan bir çok kayıp yada pürüz görüntü işleme
filtreleri kullanılarak en aza indirilebilmektedir.
Genelde filtreler 3x3 matris olarak ifade edilirler.
FİLTRELEME
Farklı amaçlar için farklı filtreleme operatörleri
vardır. Bunlara:
 Görüntü yumuşatma,  
 Kenar keskinleştirme,  
 Kenar belirleme gibi daha bir çok amaçla
kullanılan filtreler örnek verilebilir. 

Bilindiği gibi görüntüyü oluşturan pikseller

konumları ve gri değerleri ile
tanımlanabilmektedir. Daha doğrusu bir
görüntü matris formuna sahiptir.
FİLTRELEME
Aşağıdaki şekilde 8x8 lik bir görüntüyü oluşturan
piksellerin gri değerleri verilmiştir.
FİLTRELEME
Filtreler çekirdek matris formundadır ve boyutları
3x3, 5x5, 7x7, 9x9, 11x11 şeklinde olabilir. Filtre
matrisi tanımlandığı amaca yönelik olarak
görüntüde işleme sokulur.
0 -1 0
-1 5 -1
0 -1 0

Örneğin yukarıdaki filtre matrisi ile görüntüyü

filtrelediğimizde bu matrisi tüm görüntü üzerinde
3x3 lük pikseller şeklinde uygularız.
 FİLTRELEME
i-1,,j-1 i,,j-1 i+1,j-1 0 -1 0
-1 5 -1
i-1,,j i,,j i+1,,j
0 -1 0
i-1,j+1 i,,j+1 i+1,,j+1

Bir görüntüde i,j pikselin komşuluk ilişkisi yukarıda

verilmiştir. Buna göre yukarıdaki örnek filtre matrisini
uygulayacak olursak:

 g´(i,j)=(-1*gi,j-1)+(-1* gi-1,j)+(5* gi,j)+(-1* gi+1,j)+(-1* gi,j+1)

olur.
 FİLTRELEME

92 97 101 0 -1 0

93 96 98 -1 5 -1

92 96 101 0 -1 0

G 1,1Matrisi Filtre Matrisi

Örneğin 1,1 koordinatlı pikselin filtrelenmiş değerini bulmak istersek:  g´1,1=-

97-93+5*96-98-96=96

116 116 110 0 -1 0

116 117 110 -1 5 -1

104 107 107 0 -1 0

G4,5 Matrisi Filtre Matrisi
Benzer şekilde g´4,5 : g´4,5=-116-116+5*117-110-107=136
Tüm pikseller bu şekilde işleme sokularak filtreleme gerçekleştirilir.
FİLTRELEME
Açıkça görüldüğü gibi filtrelenen görüntüde iki satır ve iki
sütunluk veri kaybı söz konusudur.
Yani g0,0, ...... g0,7satırı,
g0,0, ...... g7,0sütunu,
g0,7, ...... g7,7sütunu,
g7,0, ...... g0,7satırı

Filtreleme işlemine tabi tutulamaz. Çünkü g0,0-1 pikseli veya

g0-1,0 pikseli söz konusu değildir. Bu piksellerin de filtrelemeye
katılması için çevre piksellerden yararlanılır. Örneğin g0,0 ve
g7,7 pikselinin komşuları aşağıdaki şekilde oluşturulur:
FİLTRELEME

Aşağıda örnek görüntünün filtrelenmiş sonucu görülmektedir.

Orijinal Görüntü Filtrelenmiş Görüntü

Filtreleme
1. Averaj (Mean) Operatörü
Çekirdek görüntü üzerinde boş bir 3x3, 5x5 gibi filtrelerin
gezdirilerek ortalama değerin yeni piksel değeri olması
prensibine göre çalışır.
a1 a2 a3

a4 a5 a6

a7 a8 a9

Filtrelenen Piksel r = (a1 + a2 +....+ a9) / 9

Yeni a5’ = (a1 + a2 +....+ a9) / 9
Filtreleme
1. Averaj (Mean) Operatörü

Orjinal Resim Gürültü eklenmiş Resim

Mean Filtre
 Filtreleme
2. Medyan Operatörü
Çekirdek görüntü üzerinde boş bir 3x3, 5x5 gibi filtrelerin
gezdirilerek ortanca değerin yeni piksel değeri olması
prensibine göre çalışır.
22 77 48
87 93 28
102 132 120

 Filtrede yer alan değerlerin dizilimi : 22, 28, 48, 77, [87],
93, 102, 120, 132
 Yukarıdaki duruma göre işaretli pikselin yeni değeri 87 dir.
Filtreleme
2. Medyan Operatörü

Orjinal Resim Gürültü eklenmiş Resim

Medyan Filtre
 Filtreleme
3. Gaussian Filtre
 Gaussian filtreleme aynı zamanda bir fourier dönüşümüdür. Gauss
filtre ile sonsuz bir transfer fonksiyonuna karşılık mekansal alanda
sonlu bir pencerede (tarama penceresi) filtreleme yapılabilmektedir.

 Tek Boyutlu formu :

 İki boyutlu formu :

G(x) = sqrt(1.0 / (sqrt(2.0 * pi * sigma)))*exp(-(x*x)/(2*sigma*sigma)))

Burada sigma değeri standart sapma hesaplanarak tespit edilir.

Ancak 1.00 ile 3.00 arasında bir değerde verilebilir.
Filtreleme
3. Gaussian Filtre

Orijinal Resim Gaussian sigma = 3 Gaussian sigma = 1

Gürültülü Resim Gaussian sigma = 3 Gaussian sigma = 1

Filtreleme
4.Katlama(Convolution Filtering)
Katlama filtreleme bir görüntünün mekansal frekans karakteristiğinin
değiştirilmesinde kullanılır. Katlamanın genel formülü aşağıda
verilmiştir:

Burada
fij ; filtre matrisinin katsayısıdır,
gij ; piksel gri değeridir,
n  ; filtreleme matrisinin boyutlarıdır(örn 3x3,5x5,7x7),
F ; filtreleme matrisinin elemanları toplamıdır. Eğer toplam sıfırsa 1
dir.
 Filtreleme
4.Katlama(Convolution Filtering)

Aşağıda çeşitli katlama filtreleri verilmiştir:

 Bulanıklaştırma:

1 1 1 1 2 1
1 1 1 2 4 2
1 1 1 1 2 1

 Kenar Pekiştirme :
0 0 0 0 -1 0 -1 0 0
-1 1 0 0 1 0 0 1 0
0 0 0 0 0 0 0 0 0

 Kenar Belirleme :
0 1 0 -1 -1 -1 1 -2 1
1 -4 1 -1 8 -1 -2 4 -2
0 1 0 -1 -1 -1 1 -2 1
 Filtreleme
4.Katlama(Convolution Filtering)
Keskinleştirme:
-1 -1 -1 0 -1 0
-1 9 -1 -1 5 -1
-1 -1 -1 0 -1 0

Orijinal Resim Keskinleştirilmiş Resim

 Filtreleme
4.Katlama(Convolution Filtering)
 Örnek Uygulama : 10x10 ‘luk gri tonda örnek görüntü matrisimiz
34 22 77 48 237 205 29 212 107 41
50 150 77 158 233 251 112 165 47 229
93 0 77 219 43 56 42 113 140 94
32 19 44 30 36 94 151 101 28 84
10 90 48 73 63 148 159 183 99 22
192 70 27 88 20 230 53 34 38 106
239 202 196 205 50 123 192 88 41 37
230 174 14 22 127 100 189 186 214 187
227 86 195 6 53 168 46 166 36 249
215 165 237 110 125 191 191 94 123 8
 Filtreleme
4.Katlama(Convolution Filtering)
 Örnek görüntümüze uygulayacağımız kenar belirleme filtremiz;
-1 -1 -1

-1 8 -1

-1 -1 -1

 Filtremizi uygulayacağımız görüntü parçamız;

34 22 77

50 150 77

93 0 77

 Eğer katlama filtremizi görüntü matrisimizin ilk bloğuna uygularsak

matris yerleşimi aşağıdaki gibi olacaktır.
-1*34 -1*22 -1*77
Bütün değerleri toplarsak;
-1*50 8*150 -1*77
(-34)+(-22)+(-77) + (-50)+(1200)+(-77) + (-93)+(0)+(-77)

-1*93 -1*0 -1*77

= 770
Filtreleme
4.Katlama(Convolution Filtering)
 İstersek çıkan değerimizi bir sabitle bölüp ve bias(sapma sabiti)
uygulayabiliriz.
 (770 / divisor) + bias = (Örnek değerler divisor=1, bias=0)
O Halde : piksel = 770 / 1 + 0 = 770 olur.
 Eğer piksel değeri > 255 yeni değer 255
Eğer piksel değeri < 0 yeni değer 0 olur.
 O halde uygulanan filtre sonucunda yeni piksel değeri 255’dir.

34 22 77

50 255 77

93 0 77

 Filtremizi bütün görüntü matrisimiz boyunca uygulamaya devam edersek

bir sonraki filtrelenecek matris olarak karşımıza aşağıdaki veriler
çıkacaktır; 22 77 48

150 77 158

0 77 219
Filtreleme
5. Sobel Operatörü

Kenar belirlemede kullanılan operatör dikey ve yatay filtreleri

uygulandıktan sonra
P1 p2 p3

P4 P5 p6

P7 P8 p9

X = (p1+(p2+p2)+p3-p7-(p8+p8)-p9)
Y = (p3+(p6+p6)+p9-p1-(p4+p4)-p7)
P5 = SQRT((X*X)+(Y*Y)) şeklinde bulunur.
Filtreleme
5. Sobel Operatörü

Orijinal Resim Sobel

Filtreleme
6. Laplace Operatörü
Sobel operatörü yatay ve düşey yönde keskinlikleri
yakalamaya yarıyordu. Oysa Laplace operatörü her
yöndeki keskinleştirme yapmaya yarar.

yukarıda laplace operatörünün matematiksel tanımı

verilmiştir. Buradan laplace maskı ya da filtre matrisi:

dört farklı filtre şeklinde uygulanabilmektedir.

Filtreleme
6. Laplace Operatörü

Orijinal Resim Laplacian

 Filtreleme
7. Roberts Operatörü
 Robert kenar belirleme operatörü dikey ve yatay olarak art arda aşağıda
belirtilen formlarda uygulandığında temel kenar belirleme işlevini yerine getirir.

P1 pikselinin yeni değeri için;

X = abs(p1-p4) ve Y = abs(p2-p3)
piksel = SQRT((X*X)+(Y*Y))
Filtreleme
7. Roberts Operatörü

Orijinal Resim Roberts

Multimedya İşleme İçin Resim
İşleme Teknikleri
 Multimedyadaki tüm gelişimler ve tüketici
tercihleri, yenilikçi şirketler için iş imkânları
içeren hizmetler ve birçok ürünü yaratacaktır.
Fakat bu olasılıkların yanında birtakım
teknolojik problemler de ortaya çıkacaktır.
 Bunlardan bazıları şöyledir:
 Multimedya sinyallerini işlemek için hizmet kalitesi
konusundaki gereklilikleri karşılamak üzere yeni
metotlar geliştirilmelidir.
 Multimedya uygulamalarının ekseriyetinde cihazlar
oldukça fazla bilgiyi yakalar ve gösterirdi. Optik,
elektro-optik veya elektronik cihazlarla elde edilen
veriler hassas ortamlarda dönüştürülmektedir.
 Görüntüdeki gürültü kayıt esnasında kalitenin
düşürülmesi sonucu ortaya çıkar. Filtreleme ve sinyal
artışı gibi dijital işleme tekniklerinin kullanımı sistemin
performansını artıracaktır.
 Multimedya sinyallerinin etkin bir şekilde sıkıştırılması
ve kodlanması, özellikle kalite düşüncesiyle vurgulu
görsel sinyaller, dikkate alınmalıdır.
 Dijital resimler ve video sinyalleri gibi zengin veri türleri
büyük depolama ve bant genişliğine ihtiyaç duyar. Bu
durumda da resimleri daha kompak formatlara
dönüştüren ve depolayan teknikler büyük önem arz
etmektedir.
 Multimedya uygulamaları yüksek resim kalitesi ve
sıkıştırma oranlarına ulaşmayı gerektirir. Dijital
kütüphanelerde DVD sürücülerde ve HDTV gibi
teknolojilerde kalite birinci sırayı alır. Mevcut teknolojiler
makul resim kaliteleriyle 10:1 ile 15:1 düzeylerinde
sıkıştırmayı gerçekleştirebilmektedir.
 Multimedya verileri arama ve indexleme için
yeni teknikler geliştirilmelidir.
 Multimedya bilginin, geri getirme ve işleme için
gerekli araç kıtlığı ve boyut konularında ele
alınması zordur. Temel sorun bu verinin farklı
disiplinlerden özel eğitimi olmaksızın
insanların ele alınması ve kurtarılmasıdır.
Alfanumerik verinin aksine Multimedya bilgi
mantıksal yapı içermemektedir. Bu yüzden,
geleneksel bilgi yönetim sistemleri Multimedya
veriyi doğrudan yönetmek için kullanamaz.
Multimedya İşlemede Renk
 Işık, maddenin fiziksel yapısındaki atomik etkileşim
sonucunda meydana gelen ışıma ile doğrusal dalgalar
halinde yayılan elektromanyetik dalgalara verilen addır.
 Tayf, renklerin, seslerin, elektromanyetik dalgaların ya da
diğer fiziksel gerçeklerin, belli bir değer kümesi ile
sınırlanmadan birbiri ardına süreklilik içinde sonsuz
değişmesi durumudur.
 Tayf, spektrum (İng:’spectrum’) olarak da
kullanılabilmektedir.
 Elektromanyetik tayf çok geniş bir dalga boyu aralığına
sahiptir ancak insan gözü sadece 380-740nm aralığındaki
dalga boylarını görebilir, bu nedenle 380-740nm
aralığındaki ışık için görülebilir ışık denilmektedir.
Multimedya İşlemede Renk
 Işık diğer elektromanyetik dalgalarla aynı 3 temel
özelliği paylaşır:
 Dalga boyu: Renk olarak algıladığımız bu özellik
frekans ile ters orantılıdır.
 Şiddet: Bu özelliği parlaklık olarak algılarız.
 Polarite: Titreşim açısıdır ve cisimlerden yansıma
sırasında ışığın farklı karakterler almasına neden olur
ve polarizer filtrelerin kullanım alanını doğuran ışık
özelliğidir diyebiliriz.
 Renk, ışığın değişik dalga boylarının gözün
retinasına ulaşması ile ortaya çıkan bir algılamadır.
Multimedya İşlemede Renk
 Nesneleri görülebilir kılan şey ya doğrudan
ışık kaynağı olmaları ya da üzerine düşen
ışığın belli bir dalga boyunu geçirirken diğer
dalga boylarını yansıtmasıdır. Eğer söz
konusu nesne ışık kaynağı konumundaysa
(ampül, LCD ekran gibi) renkleri toplamsal
RGB renkleri ile, değilse çıkarımsal CMYk
renkleri ile tanımlarız.
Multimedya İşlemede Renk
 Koni Tipi İsim Aralık Tavan Dalga boyu
S (kısa) β 400–500 nm 420–440 nm
M (orta) γ 450–630 nm 534–545 nm
L (uzun) ρ 500–700 nm 564–580 nm
Multimedya İşlemede Renk
 Renk modeli, renklerin üçlü ya da dörtlü sayısal
değerlerle (renk bileşenleri) tanımlanmasında kullanılan
soyut bir matematiksel modeldir.
 Renk modelleri toplamsal ve çıkarımsal renk sistemleri
olarak iki ayrı prensibe dayanır.
 Toplamsal ile kastedilen değişik ışık frekanslarının
birleşerek gözümüze ulaşması iken, çıkarımsal ile
kastedilen gözümüze ulaşana kadar kimi ışık
frekanslarının ışıktan ayrılmasıdır.
 Bu renk modellerinde renk bileşenlerinin nasıl
yorumlanacağı kesin kurallara bağlandıktan sonra elde
edilen renk kümesine de renk uzayı denir.
 Gamut ise yazıcı ya da bilgisayar ekranı gibi bir çıktı
cihazının görüntüleyebileceği ya da yazdırabileceği renk
aralığını ifade eder.
Multimedya İşlemede Renk
Toplamsal RGB Renk Modeli
 RGB, İngilizce ‘red’, ’green’ ve ‘blue’ kelimelerinin ilk
harflerinin kullanılması ile elde edilmiş bir kısaltmadır.
 Gözümüzdeki koni hücrelerinin kırmızı, yeşil ve mavi
renklere duyarlı olduklarını, diğer tüm renklerin de bu
renklerin birleşiminden oluştuğunu söyleyebiliriz. Işık
kaynağı olarak çalışan bilgisayar ekranlarımız da
mavi ve yeşil ana renklerini birlikte kullanarak sarı
rengi gösterir, aşağıdaki şekilde LCD’deki tek bir
pikselden yola çıkarak nasıl sarı renk elde edildiğini
görebilirsiniz.
Multimedya İşlemede Renk
Toplamsal RGB Renk Modeli
Multimedya İşlemede Renk
Çıkarımsal CMYK Renk Modeli
 CMYK, İngilizce ‘cyan’, ‘magenta’ ve ‘yellow’
kelimelerinin baş harflerinden oluşmaktadır. ‘K’ siyahı
temsil eder. İngilizce ‘black’ kelimesinin ilk harfi olan
‘B’, RGB renk modelinde kullanıldığı için ‘black’
kelimesinin son harfi olan ‘k’ harfi kullanılmıştır.
 Doğrudan ışık kaynağı olmayan tüm nesneler,
doğrudan ışık yaymayıp, aldıkları ışığın bir kısmını
yansıtarak dolaylı yoldan ışık yaymış olurlar.
Yazıcınızdan aldığınız renkli bir çıktıdaki sarı renk
normalde sarı ışık yaymaz, beyaz ışığın mavisini
geçirirken, geriye kalan kırmızı ve yeşil kısımlarını
yansıtır. Bu gözümüzde bilgisayar ekranımızın sarı
renk yaymasına benzer bir etki bırakır.
Multimedya İşlemede Renk
Çıkarımsal CMYK Renk Modeli
 CMYk renkleri çıkarımsal olarak
isimlendirilirler çünkü renk birleşiminde beyaz
ışıktaki bazı renkleri beyaz ışıktan ‘çıkarıp’
yani emip, bazılarını yansıtırlar.
Multimedya İşlemede Renk
Çıkarımsal CMYK Renk Modeli
Multimedya İşlemede Renk
RGB-CMYk Arasındaki İlişki
 RGB ve CMYk renk uzayları birbirlerini tamamlayan
bir yapıya sahiptirler. RGB renk modelinin her ana
rengi, CMYk renk modelindeki bir ana rengi tamamlar
niteliktedir yani bu iki tamamlayıcı rengin birlikte
kullanılması ile tekrar beyaz renk elde edilir. CMYk
renk modelinde ise sonuçta elde edilecek renk siyah
olacaktır.
 Cyan, kırmızıyı tamamlar çünkü RGB modelinde
cyan zaten yeşil ve mavi rengi içerir
 Magenta, yeşili tamamlar
 Sarı, maviyi tamamlar
Multimedya İşlemede Renk
RGB-CMYk Arasındaki İlişki
Multimedya İşlemede Renk
HSV Renk Modeli
 HSV: Hue Saturation Value
 L*A*B şemasının köşeleri saf renkleri gösterir.
Bu şemayı daire haline getirirsek renk tekerini
elde ederiz. Şekli biraz daha değiştirerek
altıgen şekline de ulaşabiliriz. Altıgenin her
köşesi yine 6 ana renkten birini temsil
ederken, 0-360 derece arasında her bir değer
de bir renk tonuna (Hue) karşılık gelecektir.
Multimedya İşlemede Renk
HSV Renk Modeli
 Toplamsal ana renklerin hepsini karıştırırsak
beyaz rengi elde edeceğimizi belirtmiştik.
Beyaz renk bilgisi içermediği için altıgenimizin
tam merkezini temsil eder ve merkezden
köşelere doğru ilerledikçe rengin doygunluğu
(Saturation) artar ve altıgenin dış hatlarında
saf renk tonu elde edilmiş olur yani merkezde
doygunluk %0 iken dış hatlarda %100
değerine ulaşır.
Multimedya İşlemede Renk
HSV Renk Modeli
 Geriye kalan son renk bilgisi rengin
parlaklığıdır. HSV renk uzayı HSB yada
HSV/B olarak da kullanılabilmektedir.
Doygunluğun azaltılması renge gri katmak
gibi bir etkiye sahipken, parlaklığın
azaltılması renklerin siyaha yaklaşmasına
neden olur, bu etkiyi şekli inceleyerek daha
güzel görebilirsiniz.
Multimedya İşlemede Renk
HSV Renk Modeli
Multimedya İşlemede Renk
L*A*B Renk Uzayı
 Lab renkleri, insan gözünün görebildiği
renklerden de fazlasını kapsayan bir renk
uzayıdır. L, İngilizce ‘lightness’ın’
kısaltmasıdır ve gözümüzdeki koni hücreleri
gibi detay bilgisini taşıyan parlaklık değerini
taşır; a ve b ise sarıya-mavi ile kırmızıya-yeşil
renk dengesi bilgilerini taşır. LAB renk
uzayının adı kimi yerlerde CIELAB, CIE 1976
(L*, a* ,b*) renk uzayı olarak da
geçebilmektedir.
Multimedya İşlemede Renk
L*A*B Renk Uzayı
 CIE, ışık, aydınlatma, renk ve renk uzayları üzerine
uluslararası otorite olan Commission Internationale
de Léclairage’nin kısaltmasıdır.
 RGB ve CMYK’nın aksine LAB renk uzayı insan
algısına yaklaşacak şekilde tasarlanmıştır.
Photosohop ve PDF’de LAB renk uzayları
kullanılabilmektedir. LAB bileşenleri şöyledir:
 L* : Rengin parlaklığını belirtir, 0 değeri siyahı verirken,
100 değeri dağılmış beyaz rengi verir
 A* : Kırmızı / magenta ile yeşil arasındaki renk
dengesini belirtir, eksi değerler yeşili gösterirken artı
değerler magentayı gösterir.
 B* : Sarı-mavi arasındaki renk dengesini belirtir, eksi
değerler maviyi gösterirken artı değerler sarıyı gösterir.
Multimedya İşlemede Renk
L*A*B Renk Uzayı
 Aşağıdaki dönüşüm eşitlikleri bir RGB vektör
değerler kümesini L*a*b* uzayına çevirmede
kullanılabilir.
Multimedya İşlemede Renk
L*A*B Renk Uzayı
 Aşağıdaki formüller RGB koordinat
sistemindeki bir noktanın HSV uzayındaki
uygun değere dönüştürülmesinde
kullanılabilir.
Yandaki ifadede,
Max ve Min
operatörleri, her biri
ayrı ayrı 0-255
arasında olan R,G
ve B sırasıyla
maksimum ve
minimum değerlerini
seçer.
Renkli Resim Filtreleme
 Çok kanallı resimlerin filtrelenmesi, renkli
resimlerin işlenmesindeki öneminden dolayı
üzerindeki ilgiyi artırmıştır. Çok kanallı resim
filtrelemede son zamanlarda çok sayıda
filtreleme tekniği önerilmektedir. Kenar ve
detayların korunması, itici ve Gauss
gürültülerin temizlenmesi için Non-Lineer
filtrelerin resme uygulanması gerekir. Öte
yandan, çok kanallı resimlerin vektör işlemesi
filtreleme ve kenar tespitinde kullanılan en
etkili metotlardan biridir.
Renkli Resim Filtreleme
 Non-Lineer filtreler, gürültü yüzünden bozulmuş
resimlerin onarımı ve yumuşatma işlemleri için
geçmişte geniş kullanım alanına sahip olan sıra
istatistiği tabanlıdır. Son günlerde, resim
filtrelemede, uzaklık ölçümleri kullanan çok
değişkenli vektörler arasındaki bağıntıyı kullanan
çok sayıda çok kanallı filtre önerilmiştir. Bunlar
arasında, Vektör medyan filtre (VMF), Vektör
Yönelimli Filtre (Vector Directional Filter – VDF),
Bulanık Vektör Filtre (FVF) ve ağırlıklı ortalama
filtrelerinin farklı versiyonları bulunmaktadır.
Renkli Resim Filtreleme
 Son zamanlarda resim işleme için sıra
istatistiği tabanlı non-lineer çok kanallı filtreler
dışında birçok bulanık operatör geliştirildi.
Verideki yerel bağıntıdan, işlemsel pencere
içinde kalan pikseller üzerine bulanık
kuralların doğrudan uygulanmasıyla
yararlanılır. Bulanık işlemin çıktısı bulanık
kural ve bir çıktı değeri için farklı kuralların
etkisini birleştiren defuzzification işlemi
temeline dayanır.
Renkli Resim Filtreleme
 Ancak, bulanık resim işlemleri için gerekli
bulanık kuralların tipi ve sayısına karar
vermenin optimal bir yolu bulunmamaktadır.
Genellikle çok fazla sayıda kurala ihtiyaç
vardır ve tasarımcı kalite ve kural sayısı
arasında karara varmalıdır, çünkü
yumuşatma işleminde dahi çok büyük
sayılarda kurala ihtiyaç vardır.
Renkli Resim Filtreleme
 Kullanılmış çok sayıda filtre yapısı, spesifik
bir konu için tasarlandığından farklı bir
operasyon senaryosunda kötü performans
sergilemekte ve bu da araştırmacılar
zorlukları beraberinde getirmektedir. Bu
yüzden, geniş bir uygulama alanında eşit
uygulanabilirliği olan bir non-lineer adaptif
filtre büyük öneme sahiptir.
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler
Filtreleme Yapısı
 y(x) : Zl → Zm çok kanallı bir resmi temsil
etsin ve , n boyutunda sınırlı bir pencere
olsun (filtre uzunluğu). W penceresindeki
gürültülü pikseller xj olsun, j = 1,2,…,n. Filtre
sınıfının genel şekli W penceresinin içindeki
girdi vektörlerinin bulanık ağırlıklı bir
ortalaması olarak verilir. Bozulmamış çok
kanallı sinyal işlem penceresindeki vektörlerin
ağırlık merkezinin belirlenmesiyle tahmin
edilir.
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler
 Buna göre, filtrenin pencere merkezindeki
çıktısı şu şekilde olur:

wj
Burada   dır.

n
j 1
wj
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler
 Filtrenin ağırlıkları her resim pozisyonundaki
bir uzaklık kriterinin dönüşümlerini kullanarak
uyarlanabilir bir şekilde belirlenir. Bu ağırlık
katsayıları pencerenin (üzerinde çalışılan)
merkezi ile filtre penceresindeki tüm
örneklerin arasındaki uzaklıkların toplamının
dönüşümüdür.
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler
 Filtrenin ağırlığı, her resim pozisyonuna göre
uyumlu bir mesafe dönüşüm kriteri
kullanılarak hesaplanır. Bu ağırlık katsayıları
pencere ( algılanan, işlem yapılan piksel) ile
filtre penceresi içerisindeki tüm örneklerin
merkezi arasındaki mesafelerin ortalamasının
dönüşümüdür. Böylece, bulanık ağırlıklar filtre
yapısını bağımlı yaparak hangi vektörün
çıktıya yardımcı olacağının derecesini sunar.
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler
 Bunun gibi bir bakış açısından, bulanık
kümeleme yaklaşımı ÇK sinyalin belirsizliğini
göz önüne alarak küme merkezinin
belirlenmesi için tanımlanır. Filtre yapısı
burada, bulanık üyelik fonksiyonlarının ve veri
bağımlı filtreli uzaklık kavramlarının
birleştirilmesini teklif eder. Normalizasyon
prosedürü boyunca, iki sınırlama, çıktının
tarafsız hesaplayıcı olmasının sağlanmasını
garanti etmek için gereklidir
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler

 Bunlar;
 Her ağırlık pozitif bir numaradır , ξ ≥ 0
 Tüm ağırlıkların ortalaması bire eşittir, .


n
j 1
j 1
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler