Sayısal Görüntü İşleme

SAYISAL GÖRÜNTÜ İŞLEME

Sayısal Görüntü İşlemeye Giriş

Sayısal görüntü işleme, bilgisayar algoritmaları kullanarak sayısal resimler üzerinde görüntü işlemenin gerçekleştirilmesidir. Sayısal sinyal işlemenin bir alt konusu olarak kabul edilen sayısal görüntü işleme, analog görüntü işlemeye göre birçok avantaja sahiptir. Sayısal görüntü işlemede giriş verilerine uygulanabilecek algoritmalar daha fazladır ve analog görüntü işlemeye göre işlem sırasında ortaya çıkabilecek gürültü artışı ya da sinyal bozulması gibi problemler önlenebilir. Görüntüler iki boyuttan daha fazla boyutta tanımlanabildiğinden beri sayısal görüntü işleme çok boyutlu sistemler şekline modellenebilmektedir.

Kullanım Alanları

Sayısal görüntü işleme oldukça karmaşık algoritmaların uygulanmasına olanak verir, bu sayede basit konularda ileri teknoloji içeren performans sağlar ve analog için imkânsız olan gerçekleştirimleri sunar.

Sayısal sinyal işlemenin kullanım alanları şu şekildedir:

·         Sınıflandırma

·         Özellik çıkarımı

·         Örüntü tanıma

·         Projeksiyon

·         Çok ölçekli sinyal analizi

Sayısal sinyal işleme aşağıda belirtilen konularda da kullanılmaktadır:

·         Görüntü sayısallaştırma

·         Doğrusal süzgeçleme

·         Temel bileşenler analizi

·         Bağımsız bileşen analizi

·         Saklı Markov modelleri

·         Yön bağımlı dağılım

·         Kısmi diferansiyel denklemler

·         Öz örgütlemeli haritalar

·         Sinir ağları

·         Wavelet

Görüntü Restorasyonu

Görüntü restorasyonu konusu, bir görüntünün oluşumu esnasında oluşabilen veri kayıplarını veya bozulmaları azaltma veya tamamen yok etme konularını kapsayan; önemli konulardan birisidir. Görüntüdeki verim kaybı gürültülerden kaynaklanır. Gürültü pikselin gerçek değerindeki sapmadır. Gürültü; hareket veya atmosferik kararsızlık nedeniyle meydana gelen bulanıklaşma veya resmi çekerken yanlış ışık etkisinden dolayı focus bulanıklaşması, kusursuz olmayan lenslerden kaynaklanan geometrik bozulma ve elektronik kaynaklardan gelen hatalar olarak verilebilir. Bu etkileri yok etmek için kullanılan görüntü iyileştirme yöntemlerini göreceğiz. Bu teknikler uzaysal domainde komşuluk ilişkili yöntemler veya frekans domainde yapılan işlemlerdir. Görüntü iyileştirme yöntemleri bir görüntünün görünüşünü, görüntü derecesini aşağıya düşüren bir matematik model kullanan görüntü iyileştirme süreci kullanarak geliştirme işlemidir.

Görüntü Segmentasyonu

Segmentasyon genellikle görüntü analizinin ilk aşamasıdır. Görüntü bölütleme, bir görüntüyü her biri içerisinde farklı özelliklerin tutulduğu anlamlı bölgelere ayırmak olarak tarif edilebilir. Örneğin, görüntü içerisindeki benzer parlaklıklar olabilir ve bu parlaklıklar ilgili görüntünün farklı bölgelerindeki nesneleri temsil edebilir. Uygulamaya bağlı olarak değişebilen bu segmentlere (bölütler-elemanlar) başka bir örnek olarak; hava-yer fotoğrafında, yolda hareket eden araçları ve çevreyi yoldan ayırt edebilmek için bir segmentleme yapılabilir. (Yolu çevreden ayırabilen bir segmentleme) Unutulmamalıdır ki, 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. Otomatik görüntü segmentasyonu görüntü işlemenin en zor işlemlerinden biridir.

Renkli Görüntü İşleme

Görüntü işleme isim ölçülmüş veya kaydedilmiş olan elektronik (dijital) görüntü verilerini, elektronik ortamda (bilgisayar ve yazılımlar yardımı ile) amaca uygun şekilde değiştirmeye yönelik yapılan bilgisayar çalışması. Görüntü işleme, verilerin, yakalanıp ölçme ve değerlendirme işleminden sonra, başka bir aygıtta okunabilir bir biçime dönüştürülmesi ya da bir elektronik ortamdan başka bir elektronik ortama aktarmasına yönelik bir çalışma olan "Sinyal işlemeden" farklı bir işlemdir. Görüntü işleme, daha çok, kaydedilmiş olan, mevcut görüntüleri işlemek, yani mevcut resim ve grafikleri, değiştirmek, yabancılaştırmak ya da iyileştirmek için kullanılır. Daha çok fotoğrafçılık ve grafik-Tasarım alanlarında kullanılır.

Görüntü Sıkıştırma

Bir veya birden fazla dosyayı kullanılan algoritmayla birlikte daha küçük boyuta indirgeme işlemine sıkıştırma denir. Sıkıştırma sayesinde dosyaların disk üzerinde kapladığı boyutu düşürülür. Olduğundan daha küçük boyuta indirgenen dosyalar daha kolay indirilebilir, paylaşılabilir ve gönderilebilir  hale gelirler. Böylece kullanıcılar hem zamandan hem internet kaynaklarından hem de depolama alanından tasarruf edebilirler. Sıkıştırmayı iki farklı şekilde açıklayabiliriz.

Kayıplı Sıkıştırma: Kayıplı sıkıştırma yöntemlerinin tümünde orijinal dosya üzerinde değişiklikler meydana getirilir. Örneğin bir görsel dosyası kayıplı olarak sıkıştırıldığında boyutunda büyük bir küçülme meydana gelmesine karşın görüntünün kalitesinde de aynı oranda bozulmalar veya netlik kaybı yaşanır.

Kayıpsız Sıkıştırma: Bu sıkıştırma biçimindeyse dosyaların orijinali üzerinde kalite açısından bir değişiklik meydana gelmez. Şimdi masaüstünde yeni bir klasör oluşturup, içerisine bir metin belgesi yerleştirip sıkıştırılırsa bu arşiv dosyası açıldığında da aynı dosyalar aynı kalitede dışarıya çıkacaktır.

Özellik Çıkarımı

Makine öğrenimi, örüntü tanıma ve görüntü işleme alanlarında kullanılan öznitelik çıkarımı (özellik çıkarımı), girdi olarak verilen ölçülmüş verileri kullanarak türetilmiş değerler (öznitelikler) oluşturur. Türetilen değerlerin bilgilendirici ve artıksız olması, öğrenme sürecini kolaylaştırıcı olması ve bazı durumlarda insan uzmanlar tarafından daha iyi anlaşılabilir (yorumlanabilir) olması amaçlanır. Özellik çıkarımı, boyut indirgeme konusuyla ilişkilidir. Özellik çıkarımı büyük bir veri kümesini açıklamak için gereken kaynak miktarını azaltmayı içerir. Karmaşık bir veri üzerinde analiz yapılırken ortaya çıkan ana problemlerden biri de kullanılan değişken sayısının artmasıdır. Çok fazla değişken içeren analizler genellikle büyük bir bellek alanına ve işlemci gücüne gereksinim duyar, ayrıca sınıflandırma algoritmalarının eğitim kümesine aşırı uymasına sebep olarak tahmin performansını düşürür. Özellik çıkarımı, değişkenlerin kombinasyonlarını oluşturarak bu sorunları aşmayı ve veriyi yeterli bir doğrulukla açıklayabilir olmayı sağlayan yöntemleri tanımlayan genel bir terimdir.

Görüntü Eşleme

Görüntü eşleme yöntemleri stereo görüntülerde eşlenik noktaların bulunmasını amaçlar. Bunun için bir eleme operasyonu tanımlanarak iki ya da daha fazla görüntü setinde uygulanır. İç Yöneltme için resim çerçeve işaretlerinin otomatik olarak ölçümünde. Karşılıklı yöneltme ve fotogrametrik nirengi amacıyla görüntü bağlama noktalarının belirlenmesinde. Mutlak yöneltmede küçük görüntü alanları yer kontrol noktası tanımları veya işaretler yardımıyla karşılaştırılır. SAM oluşturmada: Eşlenik noktalar bulunur. Görüntü eşleme işleminde temel işlem, “eşleşme birimi” seçimidir. Eşleşme birimi, her bir görüntüde farklı birimlerle karşılaştırılacak olan detaylar grubudur. Bir diğer temel işlem ise, benzerlik ölçümüdür. Benzerlik ölçümü ile eşleştirilen birimlerin eşleşme durumları ölçülür. Bir görüntünün tamamı için piksel bir eşleştirme işlemi uygulamak hem çok zaman alıcı bir işlem olacaktır, hem de beraberinde bazı sorunlar getirecektir. Görüntü içerisinde tekrarlı olarak görülen piksel gri değerleri anlam karmaşasına yol açar. Görüntünün sahip olduğu gürültünün benzerlik gösterildiği pikseller anlam karmaşasına yol açar. Bu nedenlerle eşleştirme işlemi belirli “birimler” bazında yapılmaktadır.