Görüntü işleme, günümüzde dijital dönüşümün en güçlü ayaklarından biri olarak öne çıkmaktadır. İnsan gözünün algılayabildiği sınırlı bilgiyi daha derin, detaylı ve hesaplanabilir bir formata dönüştürerek hem insan hem de makine zekâsının birlikte kullanıldığı alanlarda kritik rol oynamaktadır.
Görüntü işleme; kameralar, sensörler veya tarayıcılar gibi araçlar yardımıyla elde edilen görsellerin dijital ortama aktarılması, işlenmesi ve bu görüntülerden anlamlı bilgi çıkarılması sürecidir. Görüntü, piksellerden oluşan bir veri kümesi olarak değerlendirilir ve her piksel belirli bir renk, konum ve yoğunluk bilgisine sahiptir. Bu bilgilerin işlenmesiyle, görüntü üzerindeki nesneler tanınabilir, ayrıştırılabilir veya ölçülebilir hâle gelir.
Görüntü İşleme Nasıl Çalışır?
Görüntü işleme süreci, belirli adımların sırasıyla takip edildiği sistematik bir yaklaşıma dayanır. Süreç, bir kamera ya da başka bir cihazdan görüntü alınmasıyla başlar. Elde edilen bu ham görüntü, işlenmeden önce çeşitli iyileştirme işlemlerine tabi tutulur. Bu ön işleme aşamasında görüntüdeki gürültü azaltılır, kontrast artırılır ve görüntü kalitesi iyileştirilir. Ardından, görüntüdeki anlamlı bölgelerin belirlenebilmesi için özellik çıkarma adımına geçilir. Bu adımda, görüntüdeki kenarlar, köşeler gibi belirgin yapılar tespit edilir. Özellikler çıkarıldıktan sonra, görüntünün analizi gerçekleştirilir ve segmentasyon ya da sınıflandırma gibi tekniklerle anlamlı sonuçlar elde edilir. Son olarak, işleme sonucunda ortaya çıkan veriler, grafikler veya işlenmiş görüntüler şeklinde kullanıcıya sunulur. Bu şekilde, görüntü işleme süreci tamamlanır ve elde edilen bilgiler pratik uygulamalarda kullanılabilir hale gelir.
Temel Görüntü işleme Adımları
Görüntü işleme süreci, belirli bir sıralama içinde yürütülen temel adımlar üzerinden şekillenir. Bu adımlar, görüntüden anlamlı ve kullanılabilir bilgi elde edebilmek için büyük önem taşır:
1. Görüntü Yakalama ve Sayısallaştırma
Görüntü işleme sürecinin ilk adımı, fiziksel bir ortamdan dijital bir görüntü elde etmektir. Bu işlem, kameralar, tarayıcılar ya da uydu gibi görüntüleme sistemleriyle yapılır.
Aşağıdaki kod bloğun Elde edilen analog görüntü, sayısal formata çevrilerek her bir piksel belirli bir renk ve yoğunluk değeriyle ifade edilir. Bu sayısal gösterim, bilgisayar tarafından işlenebilir bir formdur ve sonraki tüm adımların temelini oluşturur.
Aşağıdaki Python Kodu, OpenCV (cv2) ve NumPy kullanarak canlı kamera görüntüsünü ekrana getiren basit bir görüntü işleme uygulamasıdır.
import cv2
import numpy as np
kamera = cv2.VideoCapture(0) # 0: varsayılan kamera
while True:
ret, frame = kamera.read()
cv2.imshow("Canlı Görüntü", frame)
if cv2.waitKey(1) & 0xFF == ord("q"):
break
kamera.release()
cv2.destroyAllWindows()
2. Ön İşleme (Preprocessing)
Sayısallaştırılan görüntü üzerinde çeşitli düzeltmeler yapılır. Bu adımda görüntüdeki gürültü giderilir, görüntü gri tonlamaya çevrilir ve kontrastı artırmak için histogram eşitleme gibi teknikler uygulanır. Ön işleme, görüntüdeki temel öğelerin daha net ortaya çıkmasını sağlar ve sonraki işlemler için güçlü bir temel oluşturur.
Aşağıdaki çıktı, OpenCV’nin Median Filter yöntemini ile gürültüyü görüntüyü azaltma uygulamasıdır.
3. Bölütleme (Segmentation)
Görüntü, anlamlı bölgelere ayrılır. Örneğin bir yüz görüntüsünde göz, burun, ağız gibi bölgeler farklı segmentler olarak ayrıştırılabilir. Bölütleme, görüntüdeki nesneleri tanımlamak veya analiz etmek için oldukça kritik bir adımdır.
Aşağıdaki çıktı, OpenCV’nin Canny kenar algılma yöntemi ile nesne kenarlarını tespit etme uygulamasıdır.
4. Öznitelik Çıkarımı (Feature Extraction)
Görüntüdeki önemli yapısal bilgiler bu aşamada elde edilir. Kenar tespiti, şekil belirleme, doku analizi, renk histogramları gibi yöntemler bu adımda kullanılır. Bu öznitelikler, nesne tanıma ve sınıflandırma gibi işlemlerde kullanılacak veri setini oluşturur.
Aşağıdaki çıktı, OpenCV’nin Harris köşe tespiti yöntemi ile nesne köşelerini tespit etme uygulamasıdır.
5. Sınıflandırma ve Tanıma (Classification & Recognition)
Elde edilen öznitelikler, makine öğrenmesi modelleri ya da yapay sinir ağları gibi algoritmalarla analiz edilerek görüntüdeki nesnelerin ne olduğu belirlenir. Bu süreçte veritabanı karşılaştırmaları da kullanılarak bir yüzün hangi kişiye ait olduğu, bir hücrenin kanserli olup olmadığı gibi analizler yapılabilir.
6. Sonuçların Yorumlanması ve Görselleştirme
Görüntü işleme sürecinin çıktıları kullanıcıya grafiksel ya da sayısal formatlarda sunulur. Bu çıktılar, karar destek sistemlerinde ya da otomatik kontrol mekanizmalarında kullanılabilir.
Kullanım Alanları
Görüntü işleme teknikleri, günümüzde hem araştırma hem de endüstriyel uygulamalarda geniş bir kullanım yelpazesine sahiptir:
- Tıbbi Görüntüleme: MRI, BT, röntgen ve ultrason görüntülerinde hastalık teşhisi ve izleme süreçlerinde önemli rol oynar. Tümör tespiti, damar yolu analizi ve kemik yapısı ölçümü gibi uygulamalar bu alandadır.
- Güvenlik Sistemleri: Yüz tanıma, parmak izi ve iris tanıma gibi biyometrik sistemlerin temelinde görüntü işleme teknikleri yer alır. Bu sistemler, kamusal alanlarda, havaalanlarında, cep telefonlarında ve akıllı ev sistemlerinde kullanılmaktadır.
- Sanayi ve Üretim: Kalite kontrol sistemlerinde, ürünlerin hatalarını tespit etmek için görüntü işleme sistemlerinden faydalanılır. Otomasyon sistemlerinin gözleri olarak görev yapan bu yapılar üretim hatlarını daha güvenli ve hızlı hâle getirir.
- Uydu ve Coğrafi Bilgi Sistemleri (GIS): Uzaktan algılama sistemleriyle elde edilen uydu görüntüleri üzerinde toprak yapısı, su kaynakları, kentleşme gibi analizler yapılabilir.
- Yapay Zekâ ve Robotik: Görüntüden öğrenme, nesne tanıma, görüntü içinde görüntü arama gibi alanlarda derin öğrenme ve yapay zekâ teknikleriyle entegre çalışır
