Görüntü işlemenin özgür yazılımlarla nasıl yapılabileceğine dair Akademik Bilişim 2013'te bilgilendirme amaçlı yaptığım sunum.

1. ÖZGÜR YAZILIMLARLA
GÖRÜNTÜ İŞLEME
Enes Ateş
enes@enesates.com
Akademik Bilişim 2013, Antalya

2. 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

3. Görüntü
İki boyutlu bir sahneyi temsil eden veri
(resim, video vb.)
http://www.gnu.org/graphics/meditate.html

4. 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 ...
…
…

5. 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)

6. Sayısal Görüntü Çeşitleri
İkili (Binary) Görüntü
Gri Ölçekli (Grayscale) Görüntü
Renkli (Colour) Görüntü

7. 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)

8. Gri Ölçekli (Grayscale) Görüntü
Her pikselin, renk bilgisi için aynı değeri aldığı
sayısal görüntüler
Gri = (R + G + B) / 3

9. 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.

10. Görüntü İşleme
Sayısal olarak elde edilmiş görüntülerin
bilgisayar yardımı ile
analiz edilmesi ve işlenmesi

11. Görüntü İşleme
Kaynak [2]'den düzenlenmiştir.

12. Görüntü İşleme Kullanım Amaçları
Görüntü İyileştirme
Görüntü Onarma
Görüntü Sıkıştırma
Görüntü Analiz Etme
Görüntü Tanıma
vb.

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

14. Görüntü İşleme İçin
Özgür Kütüphaneler
OpenCV (Open Source Computer Vision)
Python (PIL, NumPy, SciPy)
SimpleCV
GNU Octave
Aforge.NET
VTK, FIJI
...

15. Diğer Yaygın
Özgür Kütüphane ve Araçlar
OpenGL
GIMP (GNU Image Manipulation Program)
Inkscape
Blender
...

16. OpenCV
(Open Source Computer Vision)
GNU/Linux, Android, Windows ve Mac OS destekli
BSD Lisanslı
2500'den fazla eniyilenmiş algoritma

17. 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

18. OpenCV Kullanım Alanları
Görüntü işleme
Yüz, yüz ifadesi, nesne tanıma
Hareket, nesne belirleme, izleme
Hareket anlama
Robot bilim, insan bilgisayar etkileşimi
...

19. Python – Python Imaging Library
Python yorumlayıcısı için görüntü işleme kütüphanesi
Temel, kullanışlı görüntü işlemleri

20. Python - NumPy
Python için bilimsel hesaplama aracı
n-boyutlu dizi nesneleri
(vektör, matris, görüntü vb.)
Lineer Cebir fonksiyonları
Fourier dönüşümleri

21. Python - SciPy
Python için NumPy tabanlı hesaplama kütüphanesi
Eniyileme, istatistik, sinyal işleme,
görüntü işleme

22. 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

23. Görüntü İşlemleri
Nokta Yerel
Global
Kaynak [2]'den düzenlenmiştir.

24. Görüntü İşleme Algoritmaları
Görüntü Histogramlarına Bağlı Algoritmalar
Matematik Temelli Algoritmalar
Convolution (Evrişim) Algoritmaları
Filtreler

25. Yoğunluk Histogramları
Piksel yoğunluk sayılarını tutan histogramlardır.
http://en.wikipedia.org/wiki/Histogram_equalization

26. Histogram Eşitleme
Görüntünün belli bir gri seviyesinde yoğunlaşmış
histogramını tüm gri seviyesi aralığına yaymak
http://en.wikipedia.org/wiki/Histogram_equalization

27. 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

28. Matematik Temelli Algoritmalar
İkili İşlemler:
NOT, OR, AND, XOR
Aritmetik İşlemler:
+, -, *, /, LOG, EXP, SQRT

29. Matematik Temelli Algoritmalar
a b
NOT b a OR b a AND b a XOR b a-b

30. Matematik Temelli Algoritmalar
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])

31. Filtreleme
Görüntü üzerinde bir filtre var gibi her pikselin değerinin
yeniden hesaplanması
Görüntülerdeki gürültüleri azaltma, görüntüleri
bölütleme gibi işlemlerde kullanılır

32. Filtreler
Doğrusal (Linear) Filtreler:
uniform, üçgen, yumuşatma, kenar belirleme
Doğrusal Olmayan (Non-linear) Filtreler:
median, min, max, percentile

33. Ortanca (Median) Filtre
Seçilen pikselin etrafındaki piksellerin ortalamalarına
göre değer alması
Bulanıklığı azaltır
Görüntü üzerindeki gürültüleri yok eder

34. Ortanca (Median) Filtre
1 1 5 5 30 5 5 1 10 1
1 1 5
Sırala
1 1 5
Sonuç 1

35. Ortanca (Median) Filtre
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

36. Düşük Frekanslı Filtreler
Görüntüyü yumuşatır
Detayları ve gürültüyü yok eder

37. Yüksek Frekanslı Filtreler
Bulanık görüntüleri keskinleştirir
Piksellerin göreceli zıtlığını artırır
= -

38. Kenar Belirleme (Edge Detection)
Görüntü içindeki nesne ya da farklılıkların
elde edilmesi
Görüntüdeki renk geçişleri keskinleştirilir

39. Sobel Filtresi
Görüntünün ilk türevidir
Kenar belirleme amacıyla kullanılır
Yatay Sobel Dikey Sobel

40. 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)

41. Filtreler (Python ile OpenCV)
OpenCV kütüphanesini
Python arayüzü ile kullanabiliriz
from opencv import cv

42. 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

43. Örnek Uygulamalar
Catch Me If You Can
OpenCV, Python
https://github.com/nsates/catch_me_if_you_can

44. Örnek Uygulamalar
Kedi Bölütleme
OpenCV, Python
http://www.youtube.com/watch?v=Cb_J91u89HU#!

45. Örnek Uygulamalar
Gerçek Zamanlı Nesne Takibi
OpenCV, cvBlob
http://www.youtube.com/watch?v=LNaL58GRou4

46. 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

47. 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.

48. 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

49. DİNLEDİĞİNİZ
İÇİN
TEŞEKKÜRLER...