Ölçekten Bağımsız Özellik Dönüşümü (SURF)

Ölçekten bağımsız özellik dönüşümü (Speeded-Up Robust Features - SURF), bilgisayarlı görü ve görüntü işleme alanında sıklıkla kullanılan bir özellik çıkarım yöntemidir. SURF, özellikle nesne tanıma, görüntü eşleme ve 3B rekonstrüksiyon gibi uygulamalarda etkili bir şekilde kullanılır. Bu yöntem, ölçek değişimlerine karşı dayanıklı olması ve hızlı çalışması nedeniyle tercih edilir. 

SURF'ün Gelişimi

SURF’ün geliştirilmesinden önce, özellik çıkarımı alanında en yaygın kullanılan yöntemlerden biri SIFT (Scale-Invariant Feature Transform) idi. SIFT, David Lowe tarafından 1999 yılında geliştirilmiş ve 2004 yılında detaylı bir şekilde yayınlanmıştır. SIFT, ölçek değişimlerine karşı dayanıklı olması ve rotasyon invaryantı özellikleri nedeniyle büyük bir başarı elde etmiştir.

Ancak, SIFT’in bazı sınırlamaları bulunmaktaydı:

1. Hesaplama Karmaşıklığı: SIFT, özellik çıkarımı sürecinde karmaşık matematiksel işlemler kullanır. Bu, özellikle gerçek zamanlı uygulamalarda performans sorunlarına neden olabilir.
2. Hesaplama Kaynakları: SIFT, yüksek hesaplama kaynakları gerektirir. Bu, düşük performanslı sistemlerde kullanımını sınırlar.
3. Gürültüye Duyarlılık: SIFT, görüntülerdeki gürültüye karşı duyarlı olabilir. Bu, özellikle düşük kaliteli görüntülerde performansın düşmesine neden olabilir.

Bu gibi nedenlerden dolayı 2006 yılında Herbert Bay, Tinne Tuytelaars ve Luc Van Gool tarafından SURF geliştirilmiştir. SURF’ün geliştirilmesindeki temel amaç, SIFT’in avantajlarını korurken, hesaplama hızını artırmak ve daha az hesaplama kaynağı gerektiren bir yöntem oluşturmaktı.

SURF’ün Temel Hedefleri

1. Hızlı Çalışma: SURF, integral görüntüler ve Hessian matrisi gibi teknikler kullanarak hesaplama hızını önemli ölçüde artırmayı hedeflemiştir.
2. Ölçek ve Rotasyon Değişimlerine Karşı Dayanıklılık: SURF, SIFT gibi ölçek ve rotasyon değişimlerine karşı dayanıklı olmayı hedeflemiştir.
3. Güçlü Özellik Çıkarımı: SURF, ilgi noktaları etrafındaki bölgelerden güçlü özellik vektörleri çıkararak, bu noktaların benzersiz bir şekilde tanımlanmasını sağlamayı hedeflemiştir.

SURF’ün Geliştirilme Süreci

SURF’ün geliştirilme süreci, SIFT’in sınırlamalarını aşmak için yapılan çeşitli iyileştirmeleri içerir. Bu süreçte, aşağıdaki adımlar takip edilmiştir:

1. Integral Görüntülerin Kullanımı: SURF, integral görüntüler kullanarak, görüntü üzerinde hızlı bir şekilde filtreleme işlemleri yapmayı sağlar. Bu, hesaplama hızını önemli ölçüde artırır.
2. Hessian Matrisi ile İlgi Noktalarının Belirlenmesi: SURF, Hessian matrisini kullanarak, görüntüdeki ilgi noktalarını belirler. Hessian matrisi, görüntünün ikinci dereceden türevlerini içerir ve bu türevler, görüntüdeki kenarları ve köşeleri belirlemek için kullanılır.
3. Rotasyon İnvaryantı için Yönelim Ataması: SURF, ilgi noktalarının yönelimlerini belirleyerek, rotasyon değişimlerine karşı dayanıklı hale getirir. Bu, ilgi noktaları etrafındaki gradyan yönelimlerinin hesaplanmasıyla yapılır.
4. Özellik Vektörlerinin Çıkarılması: SURF, ilgi noktaları etrafındaki bölgelerden özellik vektörleri çıkarır. Bu vektörler, ilgi noktalarının benzersiz bir şekilde tanımlanmasını sağlar.

SURF’ün Yayınlanması ve Etkisi

SURF, 2006 yılında Herbert Bay, Tinne Tuytelaars ve Luc Van Gool tarafından "SURF: Speeded Up Robust Features" başlıklı bir makalede yayınlanmıştır. Bu makale, bilgisayarlı görü alanında büyük bir ilgi görmüş ve SURF, kısa sürede yaygın bir şekilde kullanılmaya başlanmıştır.

SURF’ün yayınlanması, özellikle gerçek zamanlı uygulamalarda büyük bir etki yaratmıştır. SURF’ün hızlı çalışması ve düşük hesaplama kaynakları gerektirmesi, video işleme, nesne tanıma ve görüntü eşleme gibi uygulamalarda kullanılabilirliğini artırmıştır.

SURF’ün Günümüzdeki Yeri

Günümüzde, SURF hala bilgisayarlı görü ve görüntü işleme alanında yaygın bir şekilde kullanılmaktadır. Ancak, son yıllarda derin öğrenme tabanlı yöntemlerin gelişmesiyle birlikte, SURF gibi geleneksel özellik çıkarım yöntemlerinin kullanımı azalmıştır. Derin öğrenme tabanlı yöntemler, özellikle büyük veri setleri üzerinde daha yüksek performans sağlamaktadır.

Ancak, SURF’ün hala bazı avantajları bulunmaktadır. Özellikle, düşük hesaplama kaynaklarına sahip sistemlerde ve gerçek zamanlı uygulamalarda, SURF hala etkili bir şekilde kullanılabilir. Ayrıca, SURF’ün basit ve anlaşılır olması, özellikle eğitim ve araştırma amaçlı kullanımını yaygınlaştırmaktadır.

SURF’ün Temel Prensipleri

Ölçekten bağımsız özellik dönüşümü (Speeded-Up Robust Features - SURF), bilgisayarlı görü ve görüntü işleme alanında kullanılan güçlü bir özellik çıkarım yöntemidir. SURF’ün başarısı, temel prensiplerinin sağlam bir matematiksel ve algoritmik temele dayanmasından kaynaklanır.

Ölçekten Bağımsızlık

Ölçekten bağımsızlık, SURF’ün en önemli özelliklerinden biridir. Bu özellik, farklı boyutlardaki nesnelerin veya farklı uzaklıklardan çekilmiş görüntülerin aynı özelliklerle tanımlanabilmesini sağlar. SURF, bu özelliği sayesinde, görüntülerdeki nesnelerin boyutları değişse bile, doğru bir şekilde eşleştirme yapabilir.

Ölçek Uzayı

Ölçekten bağımsızlık, ölçek uzayı kavramına dayanır. Ölçek uzayı, bir görüntünün farklı ölçeklerde temsil edilmesi anlamına gelir. Bu, görüntünün farklı boyutlarda Gauss filtreleri ile konvolüsyonu yapılarak gerçekleştirilir. Gauss filtreleri, görüntüyü yumuşatır ve ölçek uzayında farklı seviyelerde temsil eder.

Gauss Filtreleri

Gauss filtreleri, görüntüyü yumuşatmak ve gürültüyü azaltmak için kullanılır. Gauss filtresi, bir çan eğrisi şeklinde bir dağılıma sahiptir ve bu dağılım, filtrenin standart sapması (σ) ile kontrol edilir. Farklı σ değerleri, farklı ölçeklerdeki görüntü temsillerini oluşturur.

Rotasyon İnvaryantı

Rotasyon invaryantı, SURF’ün bir diğer önemli özelliğidir. Bu özellik, görüntülerdeki nesnelerin döndürülmüş olması durumunda bile, özelliklerin doğru bir şekilde tanımlanabilmesini sağlar. Rotasyon invaryantı, özellikle nesne tanıma ve görüntü eşleme uygulamalarında büyük bir avantaj sağlar.

Yönelim Ataması

Rotasyon invaryantı, ilgi noktalarının yönelimlerinin belirlenmesiyle sağlanır. SURF, ilgi noktaları etrafındaki gradyan yönelimlerini hesaplayarak, bu noktaların yönelimlerini belirler. Gradyan yönelimleri, ilgi noktalarının döndürülmüş olması durumunda bile, doğru bir şekilde tanımlanabilmesini sağlar.

Gradyan Hesaplama

Gradyan, bir görüntünün yoğunluk değişimlerini ifade eder. Gradyan hesaplama, görüntünün x ve y yönlerindeki türevlerinin alınmasıyla yapılır. SURF, ilgi noktaları etrafındaki bölgelerdeki gradyanları hesaplayarak, bu noktaların yönelimlerini belirler.

Hızlı Hesaplama

SURF, integral görüntüler ve Hessian matrisi gibi teknikler kullanarak hesaplama hızını önemli ölçüde artırır. Bu, gerçek zamanlı uygulamalarda SURF’ün kullanılabilirliğini artırır. Özellikle, video işleme ve gerçek zamanlı nesne tanıma gibi uygulamalarda, SURF’ün hızlı çalışması büyük bir avantaj sağlar.

Integral Görüntüler

Integral görüntüler, görüntü üzerinde hızlı bir şekilde filtreleme işlemleri yapmayı sağlar. Bir integral görüntü, her pikselde, o piksele kadar olan tüm piksellerin toplamını içerir. Bu, görüntü üzerinde herhangi bir dikdörtgen bölgenin toplam yoğunluğunun hızlı bir şekilde hesaplanmasını sağlar.

Hessian Matrisi

Hessian matrisi, görüntünün ikinci dereceden türevlerini içerir ve bu türevler, görüntüdeki kenarları ve köşeleri belirlemek için kullanılır. Hessian matrisinin determinantı, ilgi noktalarının belirlenmesinde kullanılır. SURF, Hessian matrisini kullanarak, görüntüdeki ilgi noktalarını hızlı bir şekilde belirler.

Güçlü Özellik Çıkarımı

SURF, ilgi noktaları etrafındaki bölgelerden güçlü özellik vektörleri çıkarır. Bu vektörler, ilgi noktalarının benzersiz bir şekilde tanımlanmasını sağlar. Özellik vektörleri, ilgi noktaları etrafındaki gradyanların histogramları kullanılarak oluşturulur. Bu histogramlar, ilgi noktalarının yönelimlerini ve şiddetlerini içerir.

Özellik Vektörleri

Özellik vektörleri, ilgi noktalarının benzersiz bir şekilde tanımlanmasını sağlar. SURF, ilgi noktaları etrafındaki bölgelerden özellik vektörleri çıkarır. Bu vektörler, ilgi noktalarının yönelimlerini ve şiddetlerini içerir. Özellik vektörleri, görüntülerdeki nesnelerin doğru bir şekilde eşleştirilmesini sağlar.

Histogramlar

Histogramlar, ilgi noktaları etrafındaki gradyanların dağılımını gösterir. SURF, bu histogramları kullanarak, ilgi noktalarının yönelimlerini ve şiddetlerini belirler. Histogramlar, özellik vektörlerinin oluşturulmasında kullanılır.

İlgi Noktalarının Belirlenmesi

SURF, görüntüdeki ilgi noktalarını belirlemek için Hessian matrisini kullanır. Hessian matrisi, görüntünün ikinci dereceden türevlerini içerir ve bu türevler, görüntüdeki kenarları ve köşeleri belirlemek için kullanılır. Hessian matrisinin determinantı, ilgi noktalarının belirlenmesinde kullanılır.

Hessian Matrisi

Hessian matrisi, bir fonksiyonun ikinci dereceden türevlerini içeren bir matristir. SURF, Hessian matrisini kullanarak, görüntüdeki ilgi noktalarını belirler. Hessian matrisinin determinantı, ilgi noktalarının belirlenmesinde kullanılır.

Determinant Hesaplama

Hessian matrisinin determinantı, ilgi noktalarının belirlenmesinde kullanılır. Determinant, matrisin özelliklerini ifade eder ve bu özellikler, ilgi noktalarının belirlenmesinde kullanılır. SURF, Hessian matrisinin determinantını kullanarak, görüntüdeki ilgi noktalarını hızlı bir şekilde belirler.

SURF Algoritmasının Adımları

1. Görüntünün Ölçek Uzayında Temsili: SURF, görüntüyü farklı ölçeklerde temsil ederek, ölçek değişimlerine karşı dayanıklı hale getirir. Bu, görüntünün farklı boyutlarda Gauss filtreleri ile konvolüsyonu yapılarak gerçekleştirilir. Gauss filtreleri, görüntüyü yumuşatır ve ölçek uzayında farklı seviyelerde temsil eder.
2. Hessian Matrisi ile İlgi Noktalarının Belirlenmesi: SURF, Hessian matrisini kullanarak, görüntüdeki ilgi noktalarını belirler. Hessian matrisi, görüntünün ikinci dereceden türevlerini içerir ve bu türevler, görüntüdeki kenarları ve köşeleri belirlemek için kullanılır. Hessian matrisinin determinantı, ilgi noktalarının belirlenmesinde kullanılır.
3. İlgi Noktalarının Yerelizasyonu: Hessian matrisi ile belirlenen ilgi noktaları, yerel maksimumların bulunmasıyla yerelleştirilir. Bu, ilgi noktalarının tam konumlarının belirlenmesini sağlar. Yerelleştirme işlemi, ölçek uzayında yapılır ve bu sayede, farklı ölçeklerdeki ilgi noktaları doğru bir şekilde belirlenir.
4. Rotasyon İnvaryantı için Yönelim Ataması: SURF, ilgi noktalarının yönelimlerini belirleyerek, rotasyon değişimlerine karşı dayanıklı hale getirir. Bu, ilgi noktaları etrafındaki gradyan yönelimlerinin hesaplanmasıyla yapılır. Gradyan yönelimleri, ilgi noktalarının döndürülmüş olması durumunda bile, doğru bir şekilde tanımlanabilmesini sağlar.
5. Özellik Vektörlerinin Çıkarılması: SURF, ilgi noktaları etrafındaki bölgelerden özellik vektörleri çıkarır. Bu vektörler, ilgi noktalarının benzersiz bir şekilde tanımlanmasını sağlar. Özellik vektörleri, ilgi noktaları etrafındaki gradyanların histogramları kullanılarak oluşturulur. Bu histogramlar, ilgi noktalarının yönelimlerini ve şiddetlerini içerir.

SURF’ün Avantajları

• Hızlı Çalışma: SURF, integral görüntüler ve Hessian matrisi gibi teknikler kullanarak, hesaplama hızını önemli ölçüde artırır. Bu, gerçek zamanlı uygulamalarda SURF’ün kullanılabilirliğini artırır. Özellikle, video işleme ve gerçek zamanlı nesne tanıma gibi uygulamalarda, SURF’ün hızlı çalışması büyük bir avantaj sağlar.

• Ölçek ve Rotasyon Değişimlerine Karşı Dayanıklılık: SURF, ölçek ve rotasyon değişimlerine karşı dayanıklı olması nedeniyle, farklı boyutlardaki ve döndürülmüş nesnelerin doğru bir şekilde tanımlanabilmesini sağlar. Bu, nesne tanıma ve görüntü eşleme uygulamalarında büyük bir avantaj sağlar.

• Güçlü Özellik Çıkarımı: SURF, ilgi noktaları etrafındaki bölgelerden güçlü özellik vektörleri çıkarır. Bu vektörler, ilgi noktalarının benzersiz bir şekilde tanımlanmasını sağlar. Özellik vektörleri, ilgi noktaları etrafındaki gradyanların histogramları kullanılarak oluşturulur. Bu histogramlar, ilgi noktalarının yönelimlerini ve şiddetlerini içerir.

SURF’ün Uygulama Alanları

• Nesne Tanıma: SURF, nesne tanıma uygulamalarında sıklıkla kullanılır. Özellikle, farklı boyutlardaki ve döndürülmüş nesnelerin doğru bir şekilde tanımlanabilmesini sağlar. Nesne tanıma uygulamalarında, SURF’ün ölçek ve rotasyon değişimlerine karşı dayanıklı olması büyük bir avantaj sağlar.

• Görüntü Eşleme: SURF, görüntü eşleme uygulamalarında da sıklıkla kullanılır. Görüntü eşleme, iki farklı görüntüdeki benzer nesnelerin veya bölgelerin bulunması işlemidir. SURF, bu işlemde, görüntülerdeki ilgi noktalarını doğru bir şekilde eşleştirir.

• 3B Rekonstrüksiyon: SURF, 3B rekonstrüksiyon uygulamalarında da kullanılır. 3B rekonstrüksiyon, iki boyutlu görüntülerden üç boyutlu modeller oluşturma işlemidir. SURF, bu işlemde, görüntülerdeki ilgi noktalarını doğru bir şekilde eşleştirerek, 3B modellerin oluşturulmasını sağlar.

• Video İzleme: SURF, video izleme uygulamalarında da kullanılır. Video izleme, bir video akışındaki nesnelerin takip edilmesi işlemidir. SURF, bu işlemde, video akışındaki nesnelerin doğru bir şekilde tanımlanabilmesini sağlar.

SURF’ün Sınırlamaları

• Gürültüye Duyarlılık: SURF, görüntülerdeki gürültüye karşı duyarlı olabilir. Gürültü, görüntülerdeki ilgi noktalarının doğru bir şekilde belirlenmesini engelleyebilir. Bu nedenle, SURF’ün gürültülü görüntülerdeki performansı düşük olabilir.

• Hesaplama Kaynakları: SURF, integral görüntüler ve Hessian matrisi gibi teknikler kullanarak, hesaplama hızını artırır. Ancak, bu teknikler, hesaplama kaynaklarını önemli ölçüde tüketebilir. Bu nedenle, SURF’ün düşük hesaplama kaynaklarına sahip sistemlerdeki performansı düşük olabilir.

Orijinal görüntü:

OpenCV ile kullanımının ardından görüntüde tespit edilen SURF noktaları: