�ݺ�ߣ

ÖZGÜR YAZILIMLARLA
GÖRÜNTÜ İŞLEME

Enes Ateş
enes@enesates.com

Akademik Bilişim 2013, Antalya

İçerik
● Görüntü, Sayısal Görüntü
● Görüntü İşleme
● Görüntü İşleme İçin Özgür Kütüphaneler:
– OpenCV (Open Source Computer Vision)
– Python (PIL, NumPy, SciPy)
● Görüntü İşlemleri
● Görüntü İşleme Algoritmaları:
– Histogram Eşitleme
– Matematik Temelli Algoritmalar
– Filtreler
● Örnek Uygulamalar ve Sonuç

Görüntü

İki boyutlu bir sahneyi temsil eden veri

(resim, video vb.)

http://www.gnu.org/graphics/meditate.html

Sayısal Görüntü

Sayısal değerlerden oluşan görüntü

Pikseller matrisi – RGB (hsv, cmyk vb.)

94, 55, 50, 255, 61, 19, 241, 43 …

151, 2, 26, 255, 186, 93, 15, 24 …

80, 46, 42, 255, 146, 62, 129, 4 …

247, 48, 46, 255, 34, 1, 51, 231 ...
…
…

Piksel Değerleri

Piksel değeri aralığı görüntünün niteliğini değiştirir.

0 genelde siyahı temsil ederken n-1 beyazı temsil eder.

n = 2b 'dir.
b = 8 için; n = 256 olur.
Bu değerler için 0 siyahı, 255 beyazı temsil eder.

(b: Görüntünün 1 pikselini ifade etmek için gereken bit sayısı)

Sayısal Görüntü Çeşitleri

İkili (Binary) Görüntü

Gri Ölçekli (Grayscale) Görüntü

Renkli (Colour) Görüntü

İkili (Binary Görüntü)

Her pikselin, renk bilgisi için sadece iki değerden birini
alabileceği sayısal görüntüler

Düşük renk değerleri → 0 (siyah)

Yüksek renk değerleri → 1 (beyaz)

Gri Ölçekli (Grayscale) Görüntü

Her pikselin, renk bilgisi için aynı değeri aldığı
sayısal görüntüler

Gri = (R + G + B) / 3

Renkli (Colour) Görüntü
Her pikselin, renk bilgisi için farklı değerleri alabildiği
sayısal görüntüler

Piksellerin renk değerleri bir renk uzayındaki genellikle
üç kanalın karışımıyla elde edilir.

RGB için kırmızı, yeşil ve mavi kanallarının farklı
tonlarından ortak bir renk ortaya çıkar.

Görüntü İşleme

Sayısal olarak elde edilmiş görüntülerin
bilgisayar yardımı ile
analiz edilmesi ve işlenmesi

Görüntü İşleme

Kaynak [2]'den düzenlenmiştir.

Görüntü İşleme Kullanım Amaçları

Görüntü İyileştirme

Görüntü Onarma

Görüntü Sıkıştırma

Görüntü Analiz Etme

Görüntü Tanıma

vb.

Görüntü İşleme Uygulama Alanları

Tıp
Astronomi
Coğrafya
Biyoloji
Endüstriyel Uygulamalar
Mühendislik
Belge İşleme
Güvenlik, Savunma ve Hukuk
Parmak İzi, Plaka, İris, Yüz Tanıma

Görüntü İşleme İçin
Özgür Kütüphaneler
OpenCV (Open Source Computer Vision)

Python (PIL, NumPy, SciPy)

SimpleCV

GNU Octave

Aforge.NET

VTK, FIJI
...

Diğer Yaygın
Özgür Kütüphane ve Araçlar

OpenGL

GIMP (GNU Image Manipulation Program)

Inkscape

Blender
...

OpenCV
(Open Source Computer Vision)

GNU/Linux, Android, Windows ve Mac OS destekli

BSD Lisanslı

2500'den fazla eniyilenmiş algoritma

OpenCV
(Open Source Computer Vision)

Gerçek zamanlı bilgisayarlı görü ve
makine öğrenmesi kütüphanesi

Intel, Willow Garage, Itseez tarafından geliştiriliyor

Python, C, C++ ve Java arayüzlerine sahip

OpenCV Kullanım Alanları

Görüntü işleme

Yüz, yüz ifadesi, nesne tanıma

Hareket, nesne belirleme, izleme

Hareket anlama

Robot bilim, insan bilgisayar etkileşimi
...

Python – Python Imaging Library

Python yorumlayıcısı için görüntü işleme kütüphanesi

Temel, kullanışlı görüntü işlemleri

Python - NumPy

Python için bilimsel hesaplama aracı

n-boyutlu dizi nesneleri
(vektör, matris, görüntü vb.)

Lineer Cebir fonksiyonları

Fourier dönüşümleri

Python - SciPy

Python için NumPy tabanlı hesaplama kütüphanesi

Eniyileme, istatistik, sinyal işleme,
görüntü işleme

Görüntü İşlemleri

a[m,n] gibi bir girdi görüntüsünü,
b[m,n] gibi bir çıktı görüntüsüne çevirir.

Nokta : Çıktı, alınan noktanın değerine bağlı

Yerel : Çıktı, alınan nokta ve komşularına bağlı

Global : Çıktı, tüm görüntünün değerlerine bağlı

Görüntü İşlemleri

Nokta Yerel

Global

Kaynak [2]'den düzenlenmiştir.

Görüntü İşleme Algoritmaları

Görüntü Histogramlarına Bağlı Algoritmalar

Matematik Temelli Algoritmalar

Convolution (Evrişim) Algoritmaları

Filtreler

Yoğunluk Histogramları

Piksel yoğunluk sayılarını tutan histogramlardır.

http://en.wikipedia.org/wiki/Histogram_equalization

Histogram Eşitleme

Görüntünün belli bir gri seviyesinde yoğunlaşmış
histogramını tüm gri seviyesi aralığına yaymak

http://en.wikipedia.org/wiki/Histogram_equalization

Histogram Eşitleme
image = cv.LoadImage(file_name, cv.CV_LOAD_IMAGE_COLOR)
gray_image = cv.CreateImage(cv.GetSize(image), image.depth, 1)
cv.CvtColor(image, gray_image, cv.CV_BGR2GRAY)
image = gray_image
cv.EqualizeHist(image, image)
---------------------------------------------------------------------------------------------------------------------------------------
def histeq(im, nbr_bins=256):
Imhist, bins = histogram(im.flatten(),nbr_bins,normed=True)
cdf = imhist.cumsum() # cumulative distribution function
cdf = 255 * cdf / cdf[-1] # normalize
im2 = interp(im.flatten(),bins[:-1],cdf) # use linear interpolation of cdf to find new pixel values
return im2.reshape(im.shape), cdf


İkili İşlemler:
NOT, OR, AND, XOR

Aritmetik İşlemler:
+, -, *, /, LOG, EXP, SQRT


a b

NOT b a OR b a AND b a XOR b a-b

cv.Not(src, dst)
cv.Or(src1, src2, dst, mask=NULL)
cv.And(src1, src2, dst, mask=NULL)
cv.Add(src1, src2, dst, mask=NULL)
cv.AbsDiff(src1, src2, dst)
--------------------------------------------------------------------------------------------------------------------
X ve Y görüntü bilgilerinin bulunduğu matrisler ise:
Add → X + Y
Diff → X - Y
XOR → numpy.logical_xor(x1, x2[, out])

Filtreleme

Görüntü üzerinde bir filtre var gibi her pikselin değerinin
yeniden hesaplanması

Görüntülerdeki gürültüleri azaltma, görüntüleri
bölütleme gibi işlemlerde kullanılır

Filtreler

Doğrusal (Linear) Filtreler:
uniform, üçgen, yumuşatma, kenar belirleme

Doğrusal Olmayan (Non-linear) Filtreler:
median, min, max, percentile

Ortanca (Median) Filtre

Seçilen pikselin etrafındaki piksellerin ortalamalarına
göre değer alması

Bulanıklığı azaltır

Görüntü üzerindeki gürültüleri yok eder


1 1 5 5 30 5 5 1 10 1
1 1 5
Sırala
1 1 5

Sonuç 1


1 1 5 5 30 5 5 1 10 1
1 10 1
Sırala
1 1 10

Sonuç 1 5 5 5 5 5 5 1

Düşük Frekanslı Filtreler

Görüntüyü yumuşatır

Detayları ve gürültüyü yok eder

Yüksek Frekanslı Filtreler

Bulanık görüntüleri keskinleştirir

Piksellerin göreceli zıtlığını artırır

= -

Kenar Belirleme (Edge Detection)

Görüntü içindeki nesne ya da farklılıkların
elde edilmesi

Görüntüdeki renk geçişleri keskinleştirilir

Sobel Filtresi

Görüntünün ilk türevidir

Kenar belirleme amacıyla kullanılır
Yatay Sobel Dikey Sobel

Filtreler
cv.Smooth(src, dst, smoothtype = CV_GAUSSIAN, param1=3, p2=0, p3=0, p4=0)
cv.Smooth(src, dst, smoothtype = CV_MEDIAN, param1=3, p2=0, p3=0, p4=0)
cv.Smooth(src, dst, smoothtype = CV_BLUR, param1=3, p2=0, p3=0, p4=0)
cv.Sobel(src, dst, xorder, yorder, apertureSize = 3) # xorder → dikey, yorder → yatay
--------------------------------------------------------------------------------------------------------------------
scipy.ndimage.filters.median_filter(input, size=None, footprint=None, output=None,
mode='reflect', cval=0.0, origin=0)
scipy.ndimage.filters.gaussian_filter(input, sigma, order=0, output=None, mode='reflect',
cval=0.0)
scipy.ndimage.filters.sobel(input, axis=-1, output=None, mode='reflect', cval=0.0)

Filtreler (Python ile OpenCV)

OpenCV kütüphanesini
Python arayüzü ile kullanabiliriz

from opencv import cv

Filtreler (Python ile OpenCV)
from opencv import cv
def gaussianBlur ( image ) :
result = cv . cvCreateMat ( image . rows , image . cols , image . type )
filterSize = 43
cv . cvSmooth ( image , result , cv . CV_GAUSSIAN , filterSize )
return result

Gaussian Blur

Örnek Uygulamalar

Catch Me If You Can
OpenCV, Python

https://github.com/nsates/catch_me_if_you_can

Örnek Uygulamalar

Kedi Bölütleme
OpenCV, Python

http://www.youtube.com/watch?v=Cb_J91u89HU#!

Örnek Uygulamalar

Gerçek Zamanlı Nesne Takibi
OpenCV, cvBlob

http://www.youtube.com/watch?v=LNaL58GRou4

Sonuçlar

Görüntü işlemede özgür yazılımları kullanmak;

Sizi özgür kılar

Farklı ortam (işletim sistemleri) ve farklı programlama
dillerinde geliştirme yapmanızı sağlar

Yüksek miktarlarda yazılım ücreti ödemekten kurtarır

Güçlü kütüphanelerle çalışma olanağı sağlar

Sonuçlar

OpenCV, Python gibi özgür yazılımlar için basılı ya da
web üzerinden paylaşılan bir sürü belgeye, kaynak koda
ve eğitim videolarına erişebilirsiniz.

Ayrıca siz de çalışmalarınızı özgür yazılım lisansları ile
lisanslayarak özgürce paylaşabilir, böylece başkalarının
da sizin bilgilerinizden yararlanmasını sağlayabilirsiniz.

Kaynaklar
● [1] “Görüntü İşleme (Image Processing)” Ders Notu, Doç. Dr. Aybars Uğur, İzmir
● [2] “Görüntü İşleme” Sunumu, K.Sinan Yıldırım, Cenk İnce, Tahir Emre Kalaycı, 2003, İzmir
●
[3] Introduction to Computer Vision in Python, Brian Thorne, University of Cantenbury, 2009
●
[4] Programming Computer Vision with Python, Jan Erik Solem, 2012
● [5] http://opencv.org/
● [6] http://python.org/
● [7] http://www.pythonware.com/products/pil/
● [8] http://www.numpy.org/
● [9] http://www.scipy.org/
● [10] http://tux.crystalxp.net/en.id.1871-rap-tux.html
● [11] http://www.gnu.org/graphics/
● [12] http://en.wikipedia.org/wiki/Histogram_equalization

��İ��İĞİ��İ��
İÇİN

TEŞEKKÜRLER...

�ݺ�ߣ

Özgür Yazılımlarla Görüntü İşleme

More Related Content

Özgür Yazılımlarla Görüntü İşleme