1.

Özet
2. Özet
Histogram
Karanlık bir görselde gri değerler histogramın alt ucunda (0)
Aydınlık bir görselde gri değerler histogramın üst ucunda (255)
İyi kontrastta homojen dağılır (0-255)

Kontrast:
En parlak ile en karanlık arasındaki farkın büyüklüğü, karşıtlık

Histogram Germe:
Lineer bir şekilde kontrast artırma işlemi
i pikselin orijinal değeri, j ise dönüşüm sonrası değeri olmak üzere;
𝑌𝑒𝑛𝑖𝑚𝑎𝑥 − 𝑌𝑒𝑛𝑖𝑚𝑖𝑛
𝑗= (𝑖 − 𝐸𝑠𝑘𝑖𝑚𝑖𝑛 ) + 𝑌𝑒𝑛𝑖𝑚𝑖𝑛
𝐸𝑠𝑘𝑖𝑚𝑎𝑥 − 𝐸𝑠𝑘𝑖𝑚𝑖𝑛
Histogram Eşitleme:
Germe’nin aksine kullanıcı girdisiyle değil otomatik olarak kontrast artırma.

• Her renk değerinde kaç piksel var bul.

• Her değerin piksel sayısını bir öncekine ekleyerek kümülatif histogramı bul.
Örn: 0’da 5 adet ve 1’de 5 adet varsa; 1’de kümülatif hostogram değeri 5+5=10’dur. 2’de de 5 olsun,
kümülatif histogram değeri 10+5=15 olur.
• Her değerin kümülatif histogram değerini resimde olmasını istediğimiz maksimum değer ile çarpıp toplam
piksel sayısına böl.
Resmin belli bir bölgesine uygulanırsa: Lokal Histogram Eşitleme
Resmin tamanına uygulanırsa: Global Histogram Eşitleme

Boyut Hesaplama:
Görüntünün boyutu = Düşey Nokta Sayısı * Yatay Nokta Sayısı * Renk Derinliği
Örn: 1024x768 çözünürlükte 16bit renk derinliğine sahip bir görüntümüz olmak üzere;
Boyut = 1024 * 768 * 16 = 12.582.192 bit = 1.572.864 Byte = 1536 kB = 1,5 MB

Bit Düzlem Dilimleme:

8 bitlik bir görüntüyü düşünecek olursak;

• 0 : Least Significant Bit (LSB)

• 7: Most Significant Bit (MSB)

FİLTRELER
Odak pikselin değeri + Komşu piksellerin değerleri
Pikseller arası geçiş net ise Yüksek Frekans Bileşeni, değilse Alçak Frekans Bileşeni.

Alçak Frekans Geçiren Filtreler (~Bulanıklaştırma):

Ortalama Filtresi / Kutu Filtresi / Yumuşatma (Averaging Filter, Box Filter, Smoothing):
3x3 vb. bir mahalde bütün piksellerin dikey ve yatay değerleri toplanır ve bütün toplam 9’a bölünür.

𝑰(𝒖 − 𝟏, 𝒗 − 𝟏) 𝑰(𝒖, 𝒗 − 𝟏) 𝑰(𝒖 + 𝟏, 𝒗 − 𝟏)

′ (𝒖,
𝟏
𝑰 𝒗) = ∑ [ 𝑰(𝒖 − 𝟏, 𝒗) 𝑰(𝒖, 𝒗) 𝑰(𝒖 + 𝟏, 𝒗) ]
𝟗
𝑰(𝒖 − 𝟏, 𝒗 + 𝟏) 𝑰(𝒖, 𝒗 + 𝟏) 𝑰(𝒖 + 𝟏, 𝒗 + 𝟏)
Doğrusal Olmayan (Non-Lineer) Filtreleme:
Herhangi bir merkez nokta pikselinin değerini komşu piksellerdeki herhangi bir piksel değerine eşitleme işlemi bir
non-lineer filtreleme işlemidir.

Minimum Filtre:
Odak pikselin 3x3 vb. mahalindeki en düşük değer odak pikselin değeri olur.
Karanlık bölgelerdeki gürülütüleri temizler ama aydınlık bölgelerde gürültüler artar.

Maksimum Filtre:
Odak pikselin 3x3 vb. mahalindeki en yüksek değer odak pikselin değeri olur.
Aydınlık bölgelerdeki gürültüleri temizler ama karanlık bölgelerde gürültüler artar.

Medyan (Orta-Değer) Filtre:

Odak pikselin 3x3 vb. mahalindeki piksellerin değerleri sıralanır ve tam ortadaki değer odak pikselinin yeni değeri
olur. Bir nevi ortalaması alınır.
Bu sayede görseldeki bütün gürültüler temizlenir.
𝟓 𝟒 𝟓
[𝟓 𝟓 𝟏𝟎] => [𝟓, 𝟒, 𝟓, 𝟓, 𝟓, 𝟏𝟎, 𝟑, 𝟒, 𝟓] => [𝟑, 𝟒, 𝟒, 𝟓, 〈𝟓〉, 𝟓, 𝟓, 𝟓, 𝟏𝟎] => [𝟓]
𝟑 𝟒 𝟓

K-En Yakın Komşu Filtresi:

Öncelikle mahaldeki toplam piksel sayısını geçmeyecek şekilde bir “k” sayısı belirlenir. Odak pikselin 3x3 vb. etrafında
pikselin değerine en yakın (k-1) adet daha değer seçilir ve bu k adet pikselin değerlerin ortalaması odak pikselin yeni
değeri olur.

Gauss Ağırlıklı Ortalama (Gaussian Smoothing):

Diğer düşük frekans geçiren filtrelere nazaran odak piksel ve mahalinin ağırlıklı ortalamasını çıkartarak köşe ve
kenarları daha fazla koruyarak görselde gürültüyü azaltan, bulanıklaştıran filtrelemedir.

Yüksek Frekans Geçiren Filtreler (~Netleştirme):

Sobel Filtre ile Kenar Bulma: Öncelikle görüntü siyah beyaza çevrilir ve aşağıdaki çekirdek matrisler görüntüye
uygulanır. Bu sayede görüntü içerisinde dikey, yatay ve köşegen kenarları keskinleştirerek ortaya çıkarır.
−𝟏 𝟎 +𝟏 +𝟏 +𝟐 +𝟏
𝑮𝒙 = [−𝟐 𝟎 +𝟐] 𝑮𝒚 = [ 𝟎 𝟎 𝟎]
−𝟏 𝟎 +𝟏 −𝟏 −𝟐 −𝟏

Bu çekirdek matrisleri yatay ve dikey için ayrı ayrı düzenlenmiştir, bu sebeple birbirinden bağımısız ikisi de
uygulanabilir.
Çapraz duran kenarlar için bu değerler aşağıdaki formülle birleştirilerek kullanılabilir:
|𝑮| = √𝑮𝒙𝟐 + 𝑮𝒚𝟐

Prewitt Filtre ile Kenar Bulma: Mantık Sobel filtre ile aynı ancak çekirdek matrisler farklıdır.
−𝟏 𝟎 +𝟏 +𝟏 +𝟏 +𝟏
𝑮𝒙 = [−𝟏 𝟎 +𝟏] 𝑮𝒚 = [ 𝟎 𝟎 𝟎]
−𝟏 𝟎 +𝟏 −𝟏 −𝟏 −𝟏

Roberts Filtre ile Kenar Bulma: Basit, hızlı ve 2x2 çekirdek matris kullanan filtreleme yöntemidir. Gri resim üzerinde
işlem yapar ve çok bulanık resimlerde işe yaramaz. Keskin kenarları bulur ve çok ince olarak ortaya çıkarır.
+𝟏 𝟎 𝟎 +𝟏
𝑮𝒙 = [ ] 𝑮𝒚 = [ ]
𝟎 −𝟏 −𝟏 𝟎
Canny Algoritması ile Kenar Bulma: John F. Canny tarafından geliştirilen ve oldukça başarılı olan bu kenar bulma
algoritmasının aşamaları şöyledir:

• Gaussian çekirdek ile konvolüsyon alınarak görüntüde gürültü azaltılır.

o Gaussian yerine Mean ya da Medyan da kullanılabilir.
• Gradyan operatörü kullanılarak gradyan büyüklüğü ve yönü hesaplanır.
o Bu işlem için en yaygın filtre Sobel filtresidir.
o Prewitt ve Robert filtreleri de kullanılabilir.
• Non Maxima baskılama kullanılarak kenarlar incelemeye alınır.
• İkili Eşikleme uygulanılarak görüntü istenmeyen ayrıntılardan arındırılır.
• Güçlü-Zayıf ayrımı yapıp baskılama yapılarak görüntüye son hali verilir.

Bölgesel İşlemler:

Korelasyon (Correlation):
Bir çekirdek şablonun resim üzerindeki piksellerle “kaydırma ve çarpma” işlemidir.

Konvolüsyon (Convolution):
Çekirdek şablonun 180 ° döndürülerek Korelasyon işleminin yapılmasıdır.

Şablonun büyüklüğü ve şekli, işlemin özelliklerini belirler.

Ortalama Şablonu / Çekirdek Matrisi (Mean Core Matrix):

𝟏⁄ 𝟏⁄ 𝟏⁄
𝟗 𝟗 𝟗
𝟏⁄ 𝟏⁄ 𝟏⁄
𝟗 𝟗 𝟗
𝟏⁄ 𝟏⁄ 𝟏⁄
[ 𝟗 𝟗 𝟗]
Laplace Şablonu / Çekirdek Matrisi (Laplacian Core Matrix):
𝟎 −𝟏 𝟎
[−𝟏 𝟒 −𝟏]
𝟎 −𝟏 𝟎

Matlab & Octave Komutları:

I = imread(‘gorsel.tif’);
//Görseli okur.

imshow(I);
//Görseli görüntüler.

I2 = im2bw(I);
//Görseli siyah beyaza çevirir.

I2 = im2gray();
//Görseli RGB’den Grayscale’e çevirir.

I2 = im2double(I);
//Görselin değerlerini binary (ikili) hale getirir.

h = fspecial(‘average’, hsize);
I2 = imfilter(I.h);
//Görsele ortalama filtresi uygular, hsize filtre büyüklüğüdür.
h = fspecial('gaussian',hsize,sigma);
I2 = imfilter(I.h);
//Görsele gaussian filtresi uygular, hsize filtre büyüklüğü, sigma değeri etkiyi arttırır.

h = fspecial('laplacian',alpha);
I2 = imfilter(I.h);
//Görsele 3x3 boyutlarında laplacian uygular, alpha 0.0-1.0 aralığında değer alabilir. Standart değeri 0.2’dir.

h = fspecial(‘sobel’);
I2 = imfilter(I.h);
//Görsele yatay olarak sobel filtresi uygular.

h’ = fspecial(‘sobel’);
I2 = imfilter(I.h);
//Görsele dikey olarak sobel filtresi uygular.

h = fspecial(‘prewitt’);
I2 = imfilter(I.h);
//Görsele yatay olarak prewitt filtresi uygular.

h’ = fspecial(‘prewitt’);
I2 = imfilter(I.h);
//Görsele dikey olarak prewitt filtresi uygular.

h = fspecial(‘disk’,radius);
I2 = imfilter(I.h);
//Görsele dairesel bir ortalama filtresi uygular. Radius default değeri 5’tir.

h = fspecial(‘unsharp’);
I2 = imfilter(I.h);
//Görsele unsharp filtresi uygular.

Frekans Uzayı

• Zaman yerine frekanstan bahseder.

• Görüntü uzayında görün(e)meyen işlemler yapılabilir.
• Konvolüsyon hesaplama yükünden dolayı yapılmaz.
• Çarpma işlemi yapılır, çok daha hızlıdır.
• Frekans Uzayı’na geçiş için genellikle Fourier Dönüşümü kullanılır.

Fourier Dönüşümü

Görüntüyü oluşturan frekans bileşenlerini birbirinden ayırt edebildiği için değişik derecelerden alçak ya da yüksek
geçiren filtreleme işlemleri kolaylıkla başarılabilir.

Tek Boyutlu Ayrık Fourier Dönüşümü (DFT)

𝑓 = [𝑓0 , 𝑓1 , 𝑓2 … 𝑓𝑁−1 ] => 𝐹[𝐹0 , 𝐹1 , 𝐹2 … 𝐹𝑁−1 ]
𝐹0 sinyalle ilgili en fazla bilgiyi taşıyan katsayıdır.

İki Boyutlu (2D) Fourier Dönüşümü (2DFT)

𝑓(𝑥, 𝑦) = (𝑥 = 0,1,2 … 𝑀 − 1 & 𝑦 = 0,1,2 … 𝑁 − 1
=> 𝐹[𝑢, 𝑣] = [(𝑢 = 0,1,2 … 𝑀 − 1)& (𝑣 = 0,1,2 … 𝑁 − 1)]
DC Katsayısı
• F(0,0) değeridir.
• DC katsayısının değeri, görüntü matrisindeki tüm eleman değerlerinin toplamıdır.
• Matrisin en sol üst köşesindedir.
Kaydırma
DC kaysayısının görüntüleme amacıyla matrisin orta nokta elemanı olmasıdır.
Dönüşümden önce matrisin tüm elemanlarının (−1)𝑥+𝑦 ile çarpılmasıyla olur.

Alçak Geçiren Filtre

Kaydırma yapılınca düşük frekanslı bileşen katsayıları da merkeze kayar.
c: Alçak geçiren filtre matrisi, F: Dönüşüm matrisi olmak üzere;

𝑐 = 𝑠𝑞𝑟𝑡(𝑥 2 + 𝑦 2 ) < "𝑇𝑜𝑝𝑙𝑎𝑚 𝑦𝑎𝑟𝚤ç𝑎𝑝𝑡𝑎𝑛 𝑘üçü𝑘 ℎ𝑒𝑟ℎ𝑎𝑛𝑔𝑖 𝑏𝑖𝑟 𝑑𝑒ğ𝑒𝑟)

(Elementer Çarpım İşlemi * (F * c)) yapıldığında merkeze yakın düşük frekanslı bileşenler korunurken merkezden uzak
kalan yüksel frekanslı bileşenler ya küçülür ya yok olur.
Bu filtrelenmiş matrisin tersi alınarak uzaysal domain’e dönülmüş olur.
Filtrenin yarıçapı ne kadar küçükse yok olan yüksek frekanslı bileşenler o kadar büyük olur, yani resim bulanıklaşır.

Yüksek Geçiren Filtre

Neredeyse bütün işlemler alçak geçiren filtre ile aynıdır. Yalnızca genlik spektrumunda oluşturulan çemberin içindeki
frekanslar değil, dışındaki frekanslar kullanılır.

𝑐 = 𝑠𝑞𝑟𝑡(𝑥 2 + 𝑦 2 ) > "𝑇𝑜𝑝𝑙𝑎𝑚 𝑦𝑎𝑟𝚤ç𝑎𝑝𝑡𝑎𝑛 𝑘üçü𝑘 ℎ𝑒𝑟ℎ𝑎𝑛𝑔𝑖 𝑏𝑖𝑟 𝑑𝑒ğ𝑒𝑟)

Bu sayede merkezdeki düşük frekanslı bileşenler yok olurken merkeze uzak yüksek frekanslı bileşenler korunur.

Alçak Geçiren Filtre Yüksek Geçiren Filtre

>> cm = imread(‘gorsel.tif’);
>> [x,y] meshgrid(-128:127,-128,127));
>> z = sqrt(x.^2+y.^2);
>> c (z<15);
>> cf = fftshift(fft2(cm));
>> cfh = cf.*c;
>> imshow(mat2gray(log(1+abs(cfh))));
>> cfhi = ifft2(cfh);
>> imshow(uint8(abs(cghi)));
>> cm = imread(‘gorsel.tif’);
>> [x,y] meshgrid(-128:127,-128,127));
>> z = sqrt(x.^2+y.^2);
>> c (z>15);
>> cf = fftshift(fft2(cm));
>> cfh = cf.*c;
>> imshow(mat2gray(log(1+abs(cfh))));
>> cfhi = ifft2(cfh);
>> imshow(uint8(abs(cghi)));

Morfolojik Görüntü İşleme

Morfoloji; şekil biçim demektir. Spesifik bir görselde yapısal elemanları kullanarak sayma, çıkarma, alan hesaplama,
iskelet çıkarma, segmentation (gruplama / bölütleme) işlemleri için kullanılır.
Matematiksel morfoloji iki temel operasyon içerir; Dilation & Erosion
Ayrıca Opening, Closing, Conditional Dilation vb.

Erosion (Aşınma)
Görsel üzerinde yapısal elemanı gezdirerek AND işlemi uygulanır ve görselde yapısal elemana denk gelen her eleman
1 olursa yapısal elemanın merkezine denk gelen görselin pikselinin değeri 1 olur. Eğer yapısal elemana denk düşen
görsel elemanlarından herhangi biri dahi 0 ise seçili pikselin değeri 0 olur.
Bu sayede görselde incelme, küçülme ve bağlı alanlarda kopma olur.
 Görsel piksellerinin ikili değerleri: 1 1 0 0 1 1 1 0 1 1
Elemanlardan bir tanesi 0 V
Yapısal eleman: 1 1 1
V
Çıktı (Yeni Değer): 0

Görsel piksellerinin ikili değerleri: 1 1 0 0 1 1 1 0 1 1

Elemanlardan hepsi 1 V
Yapısal eleman: 1 1 1
V
Çıktı (Yeni Değer): 1

Dilation (Yayma)
Görsel üzerinde yapısal elemanı gezdirerek OR işlemi uygulanır ve görselde yapısal elemana denk gelen herhangi bir
eleman 1 olursa yapısal elemanın merkezine denk gelen görselin pikselinin değeri 1 olur. Eğer yapısal elemana denk
düşen görsel elemanlarından hiçbiri 1 değil ise seçili pikselin değeri 0 olur.
Bu sayede görselde kalınlaşma, büyüme ve ayrı alanlarda birleşme olur.

Görsel piksellerinin ikili değerleri: 1 0 0 0 1 1 1 0 1 1

Elemanlardan bir tanesi 1 V
Yapısal eleman: 1 1 1
V
Çıktı (Yeni Değer): 1

Görsel piksellerinin ikili değerleri: 1 1 0 0 0 0 0 0 1 1

Elemanlardan hepsi 0 V
Yapısal eleman: 1 1 1
V
Çıktı (Yeni Değer): 0
Opening (Açılma)
Görsel üzerinde yapısal elemanı gezdirerek önce erosion (aşınma) yani AND işlemi, ardından da dilation (yayma) yani
OR işlemi yapılır.
Bu sayede görsel üzerinde birbirine bağlı nesneler yapılarına fazla zarar vermeden ayrışmış olur.

Closing (Kapanma)
Görsel üzerinde yapısal elemanı gezdirerek önce dilation (yayma) yani OR işlemi, ardından da erosion (aşınma) yani
AND işlemi yapılır.
Bu sayede görsel üzerinde birbirinden ayrı nesneler yapılarına fazla zarar vermeden birleşmiş olur.

Matlab & Octave Morfolojik İşlemler:

SE = strel(‘disk’, R)
//Yapısal filtre elemanını R yarıçaplı bir çember olarak ayarlar.

SE = strel(‘square’, L)
//Yapısal filtre elemanını L kenar uzunluklu bir kare olarak ayarlar.

imerode
//Aşınma işlemini yapar.
imdilate
//Yayma işlemini yapar.

imopen
//Açma işlemini yapar.

imclose
//Kapama işlemini yapar.

imfill
//Greyscale (gri) yada binary (siyah-beyaz) modda açıklıkları doldurur.

bwarea
//Binary modda alan hesaplar.

bwareaopen
//Aşındırma işlemine benzer, yalnızca açık alandaki küçük nesneleri yok eder.

BW = bwmorph(BW,’işlem’);
//Görseldeki morfolojik işlem yaptırır.

Görüntü Bölütme

Nesneleri birbirinden ayırma, bir görüntüyü anlamlı, türdeş kümelere parçalama.

Segmentasyon

Görüntüyü aynı cinsten obje ve bölgelere ayırma.

K-Means

Kümeleme algoritmasıdır. Otomatik olarak daha küçük kümelere ayırır. Benzer nitelikteki kayıtları aynı gruba sokar.
Bir eleman yalnız bir kümeye ait olur. Küme merkezi kümeyi temsil eden değerdir. K harfi küme sayısını belirler.

Çıkmış Sorulardan Notlar

• Uydurma (Fitting) için kullanılan ölçütün gürültüye karşı hassas olmasına gerek yoktur.
• Bölütlemenin (Segmentasyon) yapıldığı seviye orta seviye temsildir.
• SIFT, HoG veya kenar gibi özniteliklerin çıkarıldığı ve görüntülerin bu öznitelikler ile temsil edildiği seviye
düşük seviye temsildir.
• Kelime Kümesi (Bag of Words), Kayan Pencere (Sliding Windows) gibi tekniklerin örnek olarak verildiği
görüntülerin temsil edilmesi orta seviye temsildir.
• Örnek olarak yüz görüntüsünde ağız, burun ve gözler arasındaki bağımlılığı ortaya çıkaran temsil yüksek
seviye temsildir.
• SIFT (Scale Invariant Feature Transform), ölçek ve rotasyona bağımlı değildir.
• SIFT, kapatmalar (Occlusion), ışıklandırma ve kamera görüş açısından kısmi olarak bağımsızdır.
• SIFT , görüntülerden dairesel pencereler alır ve her bir pencere için yerel eğitim yönlerini kullanarak
histogram oluşturur.
• İğne deliği kamera modelinde iğne deliği küçüldüğünde daha az ışık görüntü düzlemine ulaşarak görüntü
duyarlılığı ve keskinliğini azaltır.
• Örüntü eşleme, bir maskenin verilen bir girdi görüntüsü üzerinde gezdirilerek iki kısım arasındaki piksel
benzerliklerini bulmaya bir örnektir.
• Öznitelik çıkarım ve eşleme adımları:
o Görüntülerdeki ayırıcı öznitelikleri bul
o Her bir özniteliğin etrafında bir bölge belirle
o Bölge içeriğini çıkar ve normalize et
 o Normalize edilmiş bölgeden yerel tanımlayıcı (local descriptor) hesapla
o Yerel tanımlayıcıları eşle
• 32 parlaklık seviyesi (intensity level) olan bir görüntü 2x=32 => x=5 bitliktir.
• Vidola-Jones algoritması yüz tespiti probleminin çözümü için kullanılır.
• Gözün odak uzaklığı 17mm, gözün baktığı ağaç 30m, göz ve ağaç arasında 100m var ise ağacın gözdeki retinal
görüntüdeki uzunluğu (17*30/100 )= 5.1mm’dir.
• Bilgisayarlı görüde karşılaşılan zorluklar:
o Işık farklılığı
o Nesnelerin görüntülerde farklı pozlarda bulunması
o Görüntüde çok farklı arka plan yapılarının bulunması
o Kapanma (occlusion) problemi
o Aynı sınıfa ait nesnelerin farklı şekilleri ve bakış açısı farklılıkları
• Histogram, piksellerin parlaklık değerlerine göre dağılımının diyagram olarak gösterilmesidir.
• Eğiticisiz öğrenme için şunlar söylenebilir:
o Eğitim kümesi veya herhangi bir sınıflandırma kullanmaz.
o Gruplandırma (öbekleme, clustering) algoritmaları bu sınıfa girer.
o K-en yakın komşuluk ve segmantasyon (bölütleme) örnekleri arasındadır.
• 3 bitlik bir görüntüde 23 = 8 farklı parlaklık seviyesi (intensity level) bulunur.
• 2B Taşıma (Translation) dönüşümünün amacı noktaları bir pozisyondan başka bir pozisyona taşımaktır.
• Kenar tespitindeki temel amaç görüntüdeki ani parlaklık değişimlerini bulmaktır.
• Her bir pikselin en yakın komşuluklarındaki piksellere bakarak bu piksellerin ortalamasını hesaplayan, yani
komşu piksellerin ortalamasını çıktı görüntüsüne yansıtan bir maske ile filtreleme işlemi görüntüdeki
keskinliği azaltarak görüntüyü yumuşatır.
• Kenarları tespit etmek için kullanılan türev hesaplarında bir dezavantaj olan gürültüye karşı hassasiyet, türev
alınmadan önce görüntünün yumuşatılmasıyla azaltılır.
• 32x32 boyutlarında 3 bitlik bir görüntünün depolanması için 32*32*3 = 3072 bit gerekir.
• Dünya koordinatları, dışsal dönüşümdeki girdilerden biridir.
• 32x32 boyutlarında ikili (binary) bir görüntü, 32*32 = 1024 bit = 128 byte’dır.
• Fokal uzunluk, içsel bir parametredir.
• Taşıma ve Rotasyon, Ecludian dönüşümdür.
• Makaslama ve Ölçekleme, Affine dönüşümdür.
• Kenar bulma ve Filtreleme, noktasal işlemdir.
• A=(50,40) noktasını saat yönünün tersine 90 derece çevirirsek yeni koordinat (-40,50) olur.
• Nesne boyunun mesafe ile değişmediği izdüşüm Ortografiktir.
• Örnekleme koordinatların, niceleme parlaklığın sayısallaştırılmasıdır.
• RGB, Red-Green-Blue, Kırmızı-Mavi-Yeşil kombinasyonu elektronik sistemlerde bütün rekleri elde eder.
• 16 bitlik siyah-beyaz görüntüde 216 = 65536 farklı parlaklık değeri vardır.
• Sayısal medya, bir bilgisayarla görü alanı değildir.
• Yapay sinir ağları, ilk olarak 1980’lerde ortaya çıkmıştır.
• İğne deliği kamera modelinde ufuk noktası, paralel doğruların izdüşümünün kesişme noktasıdır.
• Ölçeklendirilmiş ortografik izdüşümde yakın nesnelerin boyu aynı olur.
• Bir kamera sisteminde, dünyada yer alan bir noktanın görüntü üzerindeki koordinatlarının bulunmasında
İçsel ve Dışsal Parametlere ihtiyaç vardır.
• Bir görüntüde yer alan en küçük birim pikseldir.
1 0 5
• A=(20,30) koordinatlarına taşıma(translation) matrisinin uygulanması sonucu yeni koordinat (25,36)
0 1 6
olur.
• 64x64’lük RGB formatında renkli ve parlaklık değerlerinin 8 bit olduğu bir görüntünün saklanması için
(64*64*8)*3 = 98304 bitlik bit alan gerekir.
• A=(15,25,45,5) homojen koordinatlarının Kartezyen koordinatlara dönüştürülmüş hali (15/5,25/5,45/5) =
(3,5,9)’dur.
3. Özet
1. Eşikleme (thresholding) işlemi : verilen görüntüyü ikili görüntüye çevirmek için kullanılan bir yöntemdir.
İkili görüntü (binary), görüntünün siyah ve beyaz olarak tanımlanmasıdır.
o Her bir piksel teker teker belirli bir eşik değeri ile karşılaştırılır. Eğer pikselin parlaklığı eşik
değerinden küçükse 0, büyükse 1 yapılır.
o Çıktı görüntüsü iki-renkli (veya siyah-beyaz) olur.
o Çıktı görüntüsündeki pikseller sadece O veya 1 değerine sahiptir.
o Görüntüdeki parlak nesnelerin arka plandan ayrılmasını sağlamak için kullanılabilir.
2. Histogram –
o Piksellerin parlaklık değerlerine göre dağılımının diyagram olarak gösterilmesidir.
o Bir gri değerin görüntüde kaç tane olduğunu gösteren grafiktir.
o Koyu (Karanlık) bir görüntünün histogram grafiğinin düşük gri seviye bölgesine yığılacağı açıktır.
o Parlak (Açık renk) düzgün bir görüntünün histogram grafiğinin büyük gri seviye bölgesine yığılacağı
açıktır.
o Eğer histogram bir bölgeye yığılmış ise ( yani gri seviye ekseninin belirli bir bölgesine) bu
görüntünün kontrastı kötüdür denir.
o İyi kontraslı bir resmin histogram grafiği tüm gri seviye değerlerine eşit yayılmış olduğunu açıklar.

3. Histogram Germe : 5-9 aralığındaki gri değerleri 2-14 aralığına çekmek için aşağıdaki lineer fonksiyon
kullanılabilir .

4. Histogram Eşitleme : Bir resimdeki renk değerlerinin belli bir yerde kümelenmiş olmasından kaynaklanan
renk dağılımı bozukluğunu gidermek için kullanılan bir yöntemdir. Görüntülerdeki kontrastı iyileştirmek
için kullanılan bir bilgisayar görüntü işleme tekniğidir.
5. İğne Deliği (Pinhole) kamera modelinde yaşanan görüntüdeki bulanıklaşma sorununu - Lens kullanımı
6. iğne deliği kamera modelin de iğne deliği gerekenden fazla büyütüldüğünde - Görüntü düzleminde oluşan
görüntü bulanıklaşır
7. İğne deliği kamera modelinde iğne deliği küçültüldüğünde - Daha az ışık görüntü düzlemine ulaşarak
görüntü duyarlılığı ve keskinliğini azaltır
8. İğne deliği kamera modelinde ufuk noktası izdüşümünün kesişme noktası - Paralel doğrular
9. Kenar bağlama {edge linking)
10. Bir görüntüdeki kenarları tespit etmek için - Görüntüdeki ani parlaklık değişimlerine
11. Bir kamera sisteminde, kamera parametreleri matematiksel olarak belirlenip görüntü koordinatları {u, v) ve
nesne uzay koordinatları {X, Y, Z) arasında anal iti k bir ilişkin in modellenmesi ve dönüşüm (transformasyon)
yapılmasına ne ad verilir? - Kamera kalibrasyonu
12. Pikseli tanım - Sayısal bir görüntünün her bir elemanıdır - Bir görüntüde yer alan en küçük birim.
13. 32*32 boyutlarında 2 bitlik bir görüntünün bilgisayarda depolanması için kaç bit – 1024 = 32*32
14. 32x32 boyutlarında 3 bitlik bir görüntünün bilgisayarda depolanması için kaç bit – 3072 = 32*32*3
15. 32x32 boyutlarında ikili (binary) bir görüntü'nün boyutu kaç byte – 128 32*32/8
16. 64x64 lük RGB formatında renkli ve parlaklık değerlerinin 8 bit olduğu bir görüntünün saklanması için kaç
bit'lik – 98304 = 64*64*8*8*8
17. Maskeleme de tam ortada kalan pikselin hesaplanan değeri nasıl bulunur
18. maske ile filtreleme işlemi
19. Analog (sürekli) bir görüntü üzerinde alınan A ve B noktaları arasındaki doğrudaki parlaklık değerleri sayı
sayısallaştırılırken yapılan Niceleme (quantization) işlemi
20. Nokta operatörleri (point operators) ve uzaysal filtreleme Gri ton karşılığı (parlaklık seviyesi/intensity level)
değeri
21. Siyah ve beyaz piksellerin görüntü üzerinde rasgele oluşması - Tuz-biber gürültüsü
22. Filtre : Bulunduğu pikselin komşu piksellerin değerleri ile birleştirilmesi. Özetle; filtreleme görüntü üzerinde
netleştirme, belirli ayrıntıları ortaya çıkarma, görüntüyü yumuşatma, kenar keskinleştirme veya kenar bulma
 gibi işlemler gerçekleştirilir. Görüntü üzerinde belirli bir alanda hücre değerleri arasındaki farklılık az ise bu
alan düşük frekanslı, fark çok fazla gözleniyorsa yüksek frekanslı alan olarak tanımlanır.
23. Alçak Geçiren Filtreler: "Alçak Geçirgen (Low Pass) Filtreler", yüksek frekanslara sahip hücrelerin bastırılarak
görüntünün yumuşatılmasında kullanılan filtrelerdir. Alçak geçirgen filtreler benzer tondaki homojen alanları
belirginleştirmek ve çok küçük detayları azaltarak sadeleştirmek amacıyla kullanılırlar.
24. Yüksek Geçirgen Filtreler : "Yüksek Geçirgen (High Pass) Filtreler" görüntü üzerindeki yüksek frekansları
vurgulayan ve düşük frekansları bastıran filtrelerdir. Yüksek geçirgen filtreler, açık ve koyu tonlu detaylar
arasındaki farkları belirginleştirirler; bu filtreler küçük detayları keskinleştirmek ve mümkün olduğu kadar çok
detayı ortaya çıkarmak için kullanılırlar.
25. nonlineer filtreleme : herhangi bir merkez nokta pikselini komşu piksellerdeki en büyük piksel değerine
eşitleme işlemi
26. Doğrusal Olmayan Filtreler : m × n boyutlu filtre matrisinin merkez noktasının kaydırılması işlemi
27. Orta-Değer (Medyan) Filtre : bir resimdeki gürültüyü azaltmak için kullanılır.
o maske içerisindeki gritonları değerlerine göre sıralamaktır. Bu sıralamada ortada bulunan değer sonuç
resmin ilgilenilen pikseli için kullanılır.
o Orta-değer operatörünün dezavantajı; komşu piksel gritonlarının sıralamasından dolayı hesaplama
zamanın yüksek olmasıdır.
o Orta-değer operatörünün resim üzerindeki etkisi, gürültülü resim tamamen onarılmıştır.
28. medyan filtresinin kullanım amacına örnek - Görüntüdeki gürültüleri azaltmak
29. Medyan filtresi hesaplanması : 150 sayısı çevresindeki pikselleri iyi bir şekilde temsil etmediğini görebiliriz.
Bu pikselin değerini değiştirirken öncelikle çevresindeki piksellerin değerini bir sıraya dizelim. Bunlar (115,
119, 120, 123, 124, 125, 126, 127,150) değerlkenerinden oluşur. Bu değerlerin en ortasında ise 124 sayısı
vardır. Buna göre 150 rakamı 124 sayısı ile değiştirilir. Burada 124 sayısı medyan sayısı (orta değer) olmuş
olur.
30. Minimum Filtre : Minimum değer alınır.
o Karanlık bölgeyi temizler.
o Aydınlık bölgedeki gürültüyü güçlendirir, yani bozulmalara neden olur.
o Griton basamaklarını koruyan çok basit düzgünleştirme operatörü “min operatörü” dür.
o min operatörü maske içerisindeki minimum gritonu yeni griton olarak verir.
31. Maksimum Filtre : En büyük değer alınır.
o maske içerisindeki en yüksek griton değeri, yeni griton değeri olarak sonuç resimde ilgilenilen noktaya
atanır
o Dolayısıyla sonuç resimde aydınlık bölge temizlenir, fakat karanlık bölgede bozulmalar meydana gelir.
32. k-en yakın komşu filtresi: En yakın iki değer ile toplanır ve ortalaması alınır.
o Sadece gritonları ilgilenilen pikselin gritonuna en yakın k tane piksel üzerine uygulanır. 3x3
En yakın-komşu operatörünün k = 3 ile (ilgilenilen piksel dahil) kaynak resme uygulanması ile elde edilen
sonucu göstermektedir.
o Ortalamanın sadece 3 griton kullanılarak hesaplanmasından dolayı, düzgünleştirme etkisi “orta- değer”
operatöründen azdır.
o Genellikle k, maskedeki piksel sayısının yarısından fazla olmalıdır.
33. Laplacian filtre: Görüntü üzerinde nesnelerin sınır çizgilerini belirlemek için kullanılır. Piksellerin renk
farklılıklarından yararlanır ve bu sayede nesnelerin sınır çizgileri tespit edilmiş olur.
34. Sobel Filtre ile Kenar Bulma :
o Görüntüyü siyah beyaza çevirdikten sonra kullanılır.
o Çekirdek matrisler (konvolüsyon matrisleri) dikey, yatay ve köşegen şeklindeki kenarları bulmak için
kullanılır.
o Sobel operatörü bir resmin kenarlarına karşılık gelen alansal yüksek frekans bölgelerini (keskin kenarları)
ortaya çıkarır.
o Bu matrisler, yatay ve dikey olarak görünen kenarlar için ayrı ayrı olacak şekilde düzenlenmiştir.
o Matrisler giriş görüntüsüne birbirinden bağımsız uygulanabilir. Böylece her bir yön için pikselin değeri
ayrı ayrı ölçülmüş olur.
o Daha sonra çapraz duran kenarların mutlak değerini bulmak ve yönünü(açısını) bulmak için bu değerler
formülü ile bulunur.
 35. Roberts Filtre ile KenarBulma:
o Basit ve hızlı bir algoritmadır.
o Resim üzerindeki 2 boyutlu geçişleri ölçer.
o Keskin kenarları ortaya çıkarır.
o Gri resim üzerinde işlem yapar. 2x2 lik matris kullandığından çok bulanık resimlerde kenarları
bulamaz.
o Bulmuş olduğu kenarları da çok ince olarak gösterir.
o Aşağıdaki 2x2 lik aralarında 90 açı bulunan iki matrisle işlemleri yürütür. Kullanım olarak Sobel’e
benzer.
36. Doğruların tespit edilmesinde kullanılan yöntemlerden uydurma (fitting)
37. Tanımada önemli olan unsurlardan temsil seviyeleri
33. SIFT (Scale lnvariant Feature Transform) tanımlayıcısı
34. Bir maskenin verilen bir girdi görüntüsü üzerinde gezdirilerek iki kısım arasındaki piksel benzerliklerini
bulması - Örüntü eşleme
35. öznitelik çıkarım ve eşleme adımları verilmiştir. Bu adımlarda izlenmesi gereken sıra –
o Görüntülerdeki ayırıcı öznitelikleri bul
o Her bir özniteliğin etrafında bir bölge belirle
o Bölge içeriğini çıkar ve normal ize et
o Normalize edilmiş bölgeden yerel tanımlayıcı (local descriptor) hesapla
o Yerel tanımlay ıcıları eşle
36. Parlaklık seviyesi (intensity level)

37. Viola-Jones algoritması hangi problemin çözümü- Yüz tespiti

38. Gözün baktığı nesnenin retinal görüntüdeki uzunluğu:

Bakılan cismin boyu / uzaklık = gözün odak uzaklığı / oluşan cismin boyu

39. Bilgisayarlı görü ile nesne sınıflandırmada karşılaşılan zorluklara örnek

o Işık farklılığı
o Nesnelerin görüntülerde farklı pozlarda bulunması
o Görüntüde çok farklı arka-plan yapılarının bulunması
o Kapanma (occlusion) problemi
o Aynı-sınıfa ait nesnelerin farklı şekilleri ve bakış açısı farklılıklar

40. Eğiticisiz öğrenme –

o Eğitim kümesi veya herhangi bir sınıflandırma kullanmaz.
o Gruplandırma (öbekleme, clustering) algoritmaları bu sınıfa girmektedir.
o k-en yakın komşuluk (k-means) örnekleri arasındadır.
o V. Segmentasyon (bölütleme) örnekleri arasındadır.

41. Analog (sürekli) bir görüntü üzerinde alınan A ve B noktaları arasındaki doğrudaki parlaklık değerleri
sayısallaştırılırken yapılan örnekleme (sampling) işlemi - A ve B noktaları arasındaki noktalardan belirli
aralıklarda örnek noktalar alınır.

42. 2B Taşıma (Translation) dönüşümünün amacı - Noktaları bir pozisyondan başka bir pozisyona taşımaktır
43. Kenar tespitinde temel amaç - Görüntüdeki ani parlaklık değişimlerini bulmaktır
44. Kenarları tespit etmek için parlaklık değişimlerini türev hesabı ile buluruz. Türevlerin kenar tespiti için
kullanımında önemli dezavantajı türevlerin gürültüye karşı hassas olmasıdır. Bu hassaslığı azaltmak için ne yapılır
- Türev alınmadan önce görüntü yumuşatılır.
45. Nesne boyunun mesafe ile değişmediği izdüşüm – Ortografik
46. örnekleme ve niceleme sırasıyla aşağıdaki hangi değerlerin sayısallaştırılmasıdır - Koordinatlar ve parlaklık
47. renk kombinasyonlarının hangileri ile elektronik sistemlerde bütün renkler elde edilebilir - Yeşil - Kırmızı - Mavi
48. 16 bitlik siyah beyaz görüntüde kaç farklı parlaklık değeri vardır –
 216 = 65536
49. Affine dönüşümler – Makaslama ve Ölçekleme
o Euclidian dönüşümler: Uzunluklar ve açılar korunur. uzaysal dönüşüm
• Taşıma (translation)
• Rotasyon (rotation)
o Affine dönüşümler: Uzunluk ve açıların oranları korunur.
▪ Ölçekleme (scale) : Uzunluklar korunmaz
▪ Makaslama (shear) : Açılar korunmaz

50. Yapay sinir ağları ilk olarak hangi yıllarda ortaya çıkmıştır - 1980'ler
51. Verilen koordinatlara taşıma (translation) matrisinin uygulanması :
A=(20,30) koordinatlarına 1 0 5 taşıma matirisi uygulanırsa : 20 + 5 , 30 + 6 = (25,36)

0 1 6

52. Homojen koordinatların Kartezyen koordinatlara dönüştürülmesi : Homojen koordinatlardan kartezyen

koordinatlara dönüş için tüm koordinatları son koordinat değerine bölüp son koordinatı elimine etmek
yeterlidir. A=(15,25,45,5) (15/5,/25/5,45,5) = (3,5,9)

53. Kontrast görüntüdeki en parlak bölüm ile en karanlık bölüm arasındaki farktır.
• Bit Düzlem Dilimleme
• Genellikle bir görüntüdeki piksel değerlerinin belirli bitlerini izole ederek o görüntünün ilginç yönlerini
vurgulayabiliriz
• Yüksek dereceli bitler genellikle önemli görsel bilgilerin çoğunu içerir
• Düşük dereceli bitler ince ayrıntılar içerir,
• Morfoloji :
o Görüntü biçimi ve yapısı olarak tarif edilebilir.
o Görüntüdeki sınırlar, iskelet gibi yapıların tanınması ve çıkarılması, gürültü giderimi, bölütleme gibi
uygulamalar için gerekli bir araçtır.
• Morfolojik İşlemler (Morphological Operations): Görüntüler üzerinde yapılan genişletme, aşındırma, sınır
belirleme, iskelet ve dışbükey kabuk bulma gibi, temeli küme teorisine dayalı işlemlerdir.

• Erosion(Aşınma) :
o ikili imgedeki nesneyi küçültmeye ya da inceltmeye yarayan morfolojik işlemdir.
o imge içerisindeki nesneler ufalır, delik varsa genişler, bağlı nesneler ayrılma eğilimi gösterir.
o Merkez ortada ise her taraftan biraz küçülür.
o Dairesel eleman ise köşeler dairesel olur.
o Merkez sağ alt taraf ise sol ve üst kısımdan küçülür.

o 3 nünde bir olduğu durumlarda bir dir.

• Dilation(Yayma) :
o ikili imgedeki nesneyi büyütmeye ya da kalınlaştırmaya yarayan morfolojik işlemdir.
o Sayısal bir imgeyi genişletmek imgeyi yapısal elemanla kesiştiği bölümler kadar büyütmektir.
o Yayma işlemi uygulanmış bir imgede, imge içerisindeki deliklerin ve boşlukların doldurulması ve köşe
noktasının yumuşaması gözlenir.
o bir tanesinin bir olduğu durumlarda bir dir.

• Opening(Açma) :
o imge üzerinde aşınma işleminin hemen ardından genleşme işlemi uygulanması sonucu açma işlemi
elde edilir.
o imge içerisindeki nesneler ve nesneler arasındaki boşluklar yapısal elemanın büyüklüğüne göre
temizlenir.
o imge üzerinde kalan nesneler orijinal imgedeki şekillerinden biraz daha küçük hale gelir.
o Açma işlemi ile birbirine yakın iki nesne imgede fazla değişime sebebiyet vermeden ayrılmış
olurlar.
o Kenarlar yuvarlaklaşır.
• Closing(Kapama):
o imge üzerinde genleşme işleminin hemen ardından aşınma işleminin uygulanması sonucu kapama
işlemi elde edilir.
o Dolayısıyla birbirine yakın iki nesne imgede fazla değişiklik yapılmadan birbirine bağlanmış olur.
o Kapama işlemi sonunda imge içerisindeki noktalar birbirlerini kapatırlar, imgedeki ana hatlar daha
da dolgunlaşır.
o Genleşme işlemine benzer bir şekilde kapama işleminde de birbirine yakın olan noktalar arasındaki
bopluklar dolar ve noktalar birleşir.
• Strel: morfolojik işlemlerde kullanılan yapısal filtre elemanıdır. Morfolojik işlemleri hangi sekil ve
parametrelerle uygulayacağımızı strel ile belirleriz.
o Kullanım şekli SE = strel (filtreleme şekli, parametre)
o Örnek; SE =strel('disk', R) R: yariçap
o SE = strel("'square', L) L: karenin bir kenarinin uzunlugu
o imdilate: açma işlemini yapar.
o imerode: aşındırma işlemi yapar.
• imclose, impen: imdilate ve imerode işlemlerinin birlikte kullanılması ile oluşan filtrelerdir. Uygulama
mantıkları benzerdir.
• imfill: gri seviyede veya binary modda açıklıkları doldurur.
• bwarea: binary modda alan nesnelerin alanını hesaplar.
• bwareaopen: binary modda küçük parçaları(bağlı olmayan) yok eder.
aşındırma işleminin benzeridir.
• bwconncomp: bağlı komponentleri buldurur.
• bwmorph: binary modda morfolojik işlemler yapılır. Birçok
maskeleme çeşidi vardır.

• Görüntü Bölütleme:
o Nesneleri birbirinden ayırma (parçalama) işlemi.
o Parçalanmış her bölümdeki pikseller, nitelikleri veya özelikleri ayni olan türdeş bir kümelere ayrılırlar.
o Bölütlemenin sonucu, her biri tek etikete sahip olan türdeş bölümlerin bir sayısıdır.
o Medikal, uydu görüntüleri, yüz tanıma, parmak izi , trafik kontrol vb.

• Görüntü Segmentasyonu : Yapılması gereken bölgeler arasındaki benzerliğin

tanımlanması ve uygulanmasıdır.
• Örnek yaklaşımlar:
• Histogram tabanlı (Histogram-based)
• Kümeleme tabanlı (Clustering-based)
 • Bölge büyütme (Region growing)
• Ayırma ve birleştirme (Split-and-merge)
• Morfolojik (Morphological)
• K-means ile segmentasyon:
o K-means algoritması bir kümeleme algoritmasıdır.
o Kümeleme algoritmaları otomatik olarak verileri daha küçük kümelere
yada alt kümelere ayırmaya yarayan algoritmalardır.
o Algoritma istatistiksel olarak benzer nitelikteki kayıtları ayni gruba
sokar.
o Bir elemanın yalnızca bir kümeye ait olmasına izin verilir.
o Küme merkezi kümeyi temsil eden değerdir.
o Algoritmanın isminde yer alan "k" harfi, küme sayısını belirtir.
o Algoritma, hata hesaplamada yaygın olarak kullanılan Karasel Hata
Fonksiyonunu en aza indirgeyecek "k" küme sayısını da arar.
o Verilen "n" sayıdaki veri seti "k" tane kümeye bu hata fonksiyonunu
en aza indirgeyecek şekilde yerleştirilir.
o Bu nedenle küme benzerliği kümedeki değerlerin ortalamaya
Yakınlıkları ile ölçülür. Bu da kümenin ağırlık merkezidir. Kümenin
merkezinde yer alan değer kümenin temsilci değeridir ve medoid
olarak adlandırılır.

• K-means algoritma adımları:

o Sınıf merkezlerinin belirlenmesi
o Örneklerin mesafelere göre sınıflandırılması
o Yapılan sınıflandırma sonrasında yeni merkezlerin belirlenmesi
o İstenilen hale gelinceye kadar 2. ve 3. adımların algoritmik olarak
tekrarlanmasi.

• Frakans Uzayı :
o imge uzayında yapılabilecek işlemlerin yanında, frekans düzlemindeki bilgi de imge islemede sıkça
kullanılmaktadır.
o imge uzayında yapılan bu işlem her bir piksel için tekrarlanmakla birlikte, çekirdek elemanına bağlı
olarak hesapsal yükü oldukça fazla olabilmektedir.
o Frekans uzayına geçildiğinde konvolüsyon işlemi çarpma işlemine dönüşeceğinden, bu uzayda yapılacak
süzgeçlime işlemlerinde frekans uzayına geçiş ve geri dönüş işlemleri için hesapsal yükten bahsedilebilir.
o Ayrica frekans uzayında imgedeki piksellerin dağılımına ilişkin bilgileri gözlemlemek de mümkündür.
o Frekans uzayına geçiş için genellikle Fourier dönüşümü kullanılmaktadır.
Bilgisayarla Görü X Yılı Soruları
CEVAP : C 2048
Bilgisayarla Görü X Yılı Soruları
Doğru Cevap B Şıkkı
Bilgisayarla Görü X Yılı Soruları
Bilgisayarla Görü X Yılı Soruları
Sorunun Cevabı III ve IV
Bilgisayarla Görü 2020 Final Soruları
 Cevap 256
512x512x8/8/1024=256
Bilgisayarla Görü 2020 Final Soruları’nın aynısı şıkları görmek açısından ekledim.
Bilgisayarla Görü 2022 Vize Soruları
Bilgisayarla Görü 2022 Yılı Olası Final Soruları
1. Görüntü işlemenin ingilizce karşılığı nedir? (Cevap:D)
a) Picture validation
b) Image doing
c) Picture processing
d) Image Processing
e) Visual processing
f) Hiçbiri
2. Analog bir görüntüye ne kadar yakından bakarsak bakalım görüntü yine doldur, boşluk yoktur.
(Cevap:A)
a) Doğru
b) Yanlış
3. "Pel" kelimesi hangi ifade ile aynı anlamda kullanılır? (Cevap:A)
a) Piksel
b) Görüntü
c) Piksel
d) Görüntü
e) Matris
f) Çözünürlük
g) Hiçbiri
4. Görebildiğimiz ışığın dalga boyu (λ) hangi aralıktadır? (Cevap:A)
a) 370-760 nm
b) 50-150 μ
c) 200-450 nm
d) 70-210 μ
e) Hiçbiri
5. Çok küçük dalga boyuna sahip olması nedeniyle hücre çekirdeğine kadar inebilen kızılötesi ışınlar
son derece sağlığa zararlıdır. (Cevap:B)
a) Doğru
b) Yanlış
6. Işığın frekansı dalga boyunun tersidir (f=1/ λ ) (Cevap:B)
a) Doğru
b) Yanlış
7. Analog bir görüntü dijitale çevrilirken, hangi iki işlemin yapılması gerekir? (İkisini de işaretleyin).
(Cevap:A ve B)
a) Örnekleme (Sampling)
b) Nicemleme (Quantization)
c) Çözümleme (resoluation)
d) Sayısallaştırma (digitization)
8. 8 bit bir gri resimde renk derinliği 256 adettir. (Cevap:A)
a) Doğru
b) Yanlış
9. RGB ile ifade edilen üç kanallı renkli bir görüntü 24 bit renk derinliğinde saklanacaktır. Bu
görüntüdeki her bir piksel kaç farklı renkle gösterilir? (Cevap:B)
a) 4,294 milyar
b) 16,777 milyon
c) 1.048.576
d) 65.536
e) 4.096
f) 256
g) 16
h) Hiçbiri
10. RGB kodu (255,255,0) olan bir renk değeri sizce hangi renktir? (Cevap:E)
a) Turkuaz
b) Mor (eflatun)
c) Gri
d) Turuncu
e) Sarı
11. Bir resmin çözünürlüğünü ifade etmek için o resimdeki piksel sayısınının verilmesi (boyutlarının
verilmesi) yeterlidir. (Cevap:B)
a) Doğru
b) Yanlış
12. Şu formüllerden hangisi insan gözünün daha iyi algıladığı bir Gri resim dönüşümü verir? (Cevap:A)
a) Gri = 0.2 x R + 0.7 x G + 0.1 x B
b) Gri = 0.33 x R + 0.33 x G + 0.33 x B
c) Gri = 0.5 x R + 0.2 x G + 0.3 x B
d) Hiçbiri
13. Şu formüllerden hangisi resmin negatifini alır? (Cevap:D)
a) f[x; y] = 0 - GirisDegeri[x; y]
b) f[x; y] = GirisDegeri[x; y]-0
c) f[x; y] = GirisDegeri[x; y]* 255
d) f[x; y] = 255 - GirisDegeri[x; y]
e) f[x; y] = GirisDegeri[x; y]/3
14. Resim üzerindeki belli renk bölgelerini ortaya çıkarmak için hangi işlemi uygularsınız? (Cevap:B)
a) Tersini alma (Negatif)
b) Eşikleme (Thresholding)
c) Gri tona dönüştürme (Graying)
d) Parlaklığını artırma (Brightness)
e) Karşıtlık uygulama (Contrast)

15. Aşağıda verilen resimlerle Histogramlardan hangisi doğru eşleşleştirilmiştir (grafikler 0-255 arası
çizdirilmiştir)? (Cevap:D)
a) (1-a) (2-b) (3-c)
b) (1-b) (2-a) (3-c)
c) (1-c) (2-b) (3-a)
d) (1-c) (2-a) (3-b)

16. Aşağıda verilen Histogram Grafiklerinden en fazla piksel sayısına sahip olan C grafiğidir.
(grafiklerin y eksenleri maksimum piksel sayısına göre ölçeklenerek çizilmiştir) (Cevap:B)
a) Doğru
b) Yanlış

17. Histogram sorusundaki 3 numaralı Resimdeki Taç yaprakları resimden ayırmak için hangi aralıkta
Eşik uygulanması doğru olacaktır. (Bu resme ait doğru grafiği görebilmeniz lazım. Klavuz çizgiler 50
şerlik adımları göstermektedir). (Cevap:C)
a) 0-130 arası
b) 130-255 arası
c) 0-50 arası
d) 30-230 arası
e) Hiçbiri

18. Renkli bir resmin parlaklığını artırmak için, insan gözünün en fazla algıladığı Yeşil kanalın değerini
artırmak gerekir. (Cevap:B)
a) Doğru
b) Yanlış
19. Bir resim döndürülürken ya da büyütüldüğünde, bazı piksellerin koordinatları hesaplanamaz. Bu
kısımlar resimde boşluk oluşturur. Bu olay hangi kelime ile ifade edilir? (Cevap:A)
a) Aliasing
b) Pixelling
c) Affining
d) Filling
e) Hiçbiri

20. Aşağıda verilen Formüllerden hangisi Ölçekleme Formülüdür? (Cevap:F)

a)

b)

c)

d)

e)

f) Hiçbiri

21. Aşağıda verilen Formüllerden hangisi Ölçekleme Formülüdür? (Cevap:A)

a)

b)

c)

d)

e)

f) Hiçbiri
22. Konvolüsyon Nedir? (Cevap:B)
a) Resmin kenarlarını yumuşatmak için, renk farkı yüksek olan komşu piksellerin ortalamasını almaktır
b) Bir çekirdek şablon kullanarak resmi filtrelemektir
c) Resmin perspektifini düzeltirken taşıma, döndürme, aynalama gibi işlemleri tek bir matrisle yapma
işlemidir.
d) Hiçbiri

23. Aşağıda 5x5 piksel boyutlarında, 3 bit renk derinliğine sahip bir resim verilmiştir. Bu resmin (2,2)
koordinatındaki piksel MEAN (Ortalama) filtresinden geçirilirse değeri ne olur? (Cevap:C)
a) 1
b) 2
c) 3
d) 4
e) 5
f) 6
g) 7

24. 5x5 piksel boyutlarında, 3 bit renk derinliğine sahip bir resim verilmiştir. Bu resmin (2,2)
koordinatındaki piksel MEDIAN (Orta) filtresinden geçirilirse değeri ne olur? (Cevap:C)
a) 1
b) 2
c) 3
d) 4
e) 5
f) 6
g) 7

25. 5x5 piksel boyutlarında, 3 bit renk derinliğine sahip bir resim verilmiştir. Bu resmin (2,2)
koordinatındaki piksel GAUSS filtresinden geçirilirse değeri ne olur ?(küsüratlı çıkan sonuçları en
yakın tam sayıya yuvarlayın) (Cevap:C)
a) 1
b) 2
c) 3
d) 4
e) 5
f) 6
g) 7
26. Aşağıda verilen tek hücreli bir YSA hücresi şekil üzerinde verilen giriş ve ağırlık değerlerine göre
hangi çıktıyı üretir? (Cevap:B)
a) 0.10
b) 0.15
c) 0.20
d) 0.25
e) 0.30
f) 0.35
g) 0.40

27. Resimler üzerindeki Tuz-Biber gürültüsünü en iyi yok eden filtre hangisidir? (Cevap:C)
a) Mean
b) Sobel
c) Median
d) Gauss
28. Bir resme Aşındırma ya da Genişletme uygulanırsa, ardından orijinal resimden çıkarılırsa hangi
sonuç elde edilir? (Cevap:B)
a) Resim üzerindeki gürültü kalkar
b) Bölgelerin kenar çizgileri ortaya çıkar
c) Dar boğaz kısımlar açılır, bölgeler genişler
d) Dar boğaz kısımları kapanır, bölgeler daralır.
29. Her pikseli 8 bitle temsil edilen gri bir resim NxM=600x400 piksel boyutlarında ise kapladığı bellek
alanı ne kadardır? (Cevap:B)
a) 0,48 Mbyte
600*400*8/8=240000=0,24
b) 0,24 Mbyte
Mbyte
c) 0,12 Mbyte
d) 0,1 Mbyte
30.
1. İçerisinde belli noktalarda konum bilgisi ve renk bilgisi bulunan verilere ............. denir. (Cevap:A)
a) Dijital resim
b) Analog resim
c) Resim
d) Hiçbiri
2. Dijital görüntülerde resme yaklaştıkça insan gözü boşluğu görmeye başlar. (Cevap:A)
a) Doğru
b) Yanlış
3. Görüntü işleme ile direk bağlantısı olmayan disiplin hangisidir? (Cevap:A)
a) Yapay Zeka
b) Bilgisayarlı Görme
c) Makine ile görme
d) Sinyal İşleme
e) Bilgisayar Grafiği
f) Hiçbiri
4. Işığın ilerleyebilmesi için ortamda bir maddenin olması gerekir. (Cevap:B)
a) Doğru
b) Yanlış
5. Etrafımızdaki Işık kaynaklarının en fazla % .... sini insan gözü algılayabilir? (Cevap:B)
a) %1
b) %2
c) %10
d) %30
e) %50
f) %80
g) %90
h) %100
6. Hangisi gözümüzün görebildiği bir ışık dalga boyudur? (Cevap:A)
a) 0,5 μm
b) 50 nm
c) 1,5 mm
d) 0,05 m
e) Hiçbiri
7. Işığın özelliğini tarif ederken frekans yerine dalgaboyu kullanılmalıdır. (Cevap:B)
a) Doğru
b) Yanlış
8. Çok büyük dalga boyuna sahip olması nedeniyle infrared ışınlar son derece sağlığa zararlıdır.
(Cevap:B)
a) Doğru
b) Yanlış
9. 100 ...üzerinden yayın yapan bir FM radyo istasyonun sinyalinin bir dalgasının boyu kaç metredir?
(Işık hızını genel bilinen değer alın) (Cevap:B)
a) 0.3 m
b) 3 m
c) 0.33 m
d) 33 m
e) 300 m
f) 333 m
10. Bir resme Aşındırma yada Genişletme uygulanırsa, ardından orjinal resimden çıkarılırsa hangi
sonuç elde edilir? (Cevap:B)
a) Resim üzerindeki gürültü kalkar
b) Bölgelerin kenar çizgileri ortaya çıkar
c) Dar boğaz kısımlar açılır, bölgeler genişler
d) Dar boğaz kısımları kapanır, bölgeler daralır.

11. Her pikseli 8 bitle temsil edilen gri bir resim NxM=600x400 piksel boyutlarında ise kapladığı bellek
alanı ne kadardır? (Cevap:B)
a) 0,48 Mbyte
b) 0,24 Mbyte
c) 0,12 Mbyte
d) 0,1 Mbyte
12. 1 saniyedeki titreşim sayısı ..... birimi ile ifade edilir. (Cevap:C)
a) Paskal,
b) Frekans
c) Hertz
d) PalNTSC
13. Kızıl ötesi kameraların algıladığı dalga boyu hangi sayıdan sonraki değerler içindir? (Cevap:B)
a) 380 nm altında
b) 760nm üstünde
c) 380-760nm arasında
d) Hiçbiri
14. Gözü resimleri her mesafede bulanık gören bir kişinin göz kusuru hangisidir? (Cevap:D)
a) Miyop
b) Hipermetrop
c) Prespitlik
d) Astigmat
e) Katarak
f) Hiçbiri
15. Analog bir görüntü dijitale çevrilirken, hangi iki işlemin yapılması gerekir? (İkisini de işaretleyin).
(Cevap:A ve C)
a) Örnekleme (Sampling)
b) Çözümleme (resoluation)
c) Nicemleme (Quantization)
d) Sayısallaştırma (digitization)
16. RGB ile ifade edilen üç kanallı renkli bir görüntü her kanalı 8 bit renk derinliğinde saklanacaktır.
Resmin tamamı kaç çeşit renk ile ifade edilebilir? (Cevap:B)
a) 4,294 milyar
b) 16,777 milyon
c) 1.048.576
d) 65.536
e) 4.096
f) 256
g) 16
h) Hiçbiri
17. RGB kodu (255,0,255) olan bir renk değeri sizce hangi renktir? (Cevap:B)
a) Turkuaz
b) Mor (eflatun)
c) Gri
d) Turuncu
e) Sarı
18.Bir resmin çözünürlüğü o resimdeki her pikselin kaç adet renkle ifade edilebildiğini gösterir.
(Cevap:B)
a) Doğru
b) Yanlış
19. Konvolüsyon kullanımı resmin üzerinde (Cevap:B)
a) Noktasal işlemdir
b) Yerel işlemdir
c) Bütünsel işlemdir.

20. X = (R + G + B) /3 formülü ile elde edilen değer resim üzerinde tüm kanallara uygulanırsa nasıl
bir görüntü çıkar? (Cevap:C)
a) Renkler tahmin edilemeyen başka bir renge dönüşür
b) Üç rengin ortalamasında bir renkli resim olur.
c) Gri tonda bir resim görüntüsü olur
d) Resim koyulaşmış olarak görünür.
21. Bir resmin parlaklığını artırma onun Alfa değerini artırmak ile olur. (Cevap:B)
a) Doğru
b) Yanlış
22. Bir resim döndürülürken yada büyütüldüğünde, bazı piksellerin koordinatları hesaplanamaz. Bu
kısımlar resimde boşluk oluşturur. Bu olay hangi kelime ile ifade edilir? (Cevap:A)
a) Aliasing
b) Pixelling
c) Affining
d) Filling
e) Hiçbiri
23. Resimler üzerindeki Tuz-Biber gürültüsünü en iyi yok eden filtre hangisidir? (Cevap:C)
a) Mean,
b) Sobel,
c) Median
d) Gauss
24. Aşağıda verilen Formüllerden hangisi Ölçekleme Formülüdür? (Cevap:E)
a)

b)

c)

d)

e) Hiçbiri
25. Aşağıda verilen Formüllerden hangisi Y eksenine göre Aynalama yapar? (Cevap:B)
a)

b)

c)

d)

e) Hiçbiri

26. Aşağıda 5x5 piksel boyutlarında, 3 bit renk derinliğine sahip bir resim verilmiştir. Bu resmin (2,2)
koordinatındaki piksel MEAN (Ortalama) filtresinden geçirilirse değeri ne olur? (Cevap:E)
a) 1
b) 2
c) 3
d) 4
e) 5
f) 6
g) 7
h) Hiçbiri
27. Aşağıda 5x5 piksel boyutlarında, 3 bit renk derinliğine sahip bir resim verilmiştir. Bu resmin (2,2)
koordinatındaki piksel MEDIAN (Orta) filtresinden geçirilirse değeri ne olur? (Cevap:F)
a) 1
b) 2
c) 3
d) 4
e) 5
f) 6
g) 7
h) Hiçbiri

28. Aşağıda 5x5 piksel boyutlarında, 3 bit renk derinliğine sahip bir resim verilmiştir. Bu resmin (2,2)
koordinatındaki piksel GAUSS filtresinden geçirilirse değeri ne olur ?(küsüratlı çıkan sonuçları en
yakın tam sayıya yuvarlayın) (Cevap:D)
a) 1
b) 2
c) 3
d) 4
e) 5
f) 6
g) 7
h) Hiçbiri
29.

30.

31.
32. YSA Sorusu Aşağıda Ağyapısı hangi çıktıyı üretir.

Toplam fonksiyonu olarak

Aktivasyon fonksiyonu olarak da formülü kullanın. A sayısı herkesin

numarasının son rakamı olarak alınacak. Karalamalarınızı kağıdın arkasına yapabilirsiniz ve orada
dursun.
1. Bölüm Sonu Değerlendirme Soruları

2. Bölüm Sonu Değerlendirme Soruları

3. Bölüm Sonu Değerlendirme Soruları

4. Bölüm Sonu Değerlendirme Soruları

5. Bölüm Sonu Değerlendirme Soruları

6. Bölüm Sonu Değerlendirme Soruları

7. Bölüm Sonu Değerlendirme Soruları
8. Bölüm Sonu Değerlendirme Soruları

9. Bölüm Sonu Değerlendirme Soruları

10. Bölüm Sonu Değerlendirme Soruları
11. Bölüm Sonu Değerlendirme Soruları

12. Bölüm Sonu Değerlendirme Soruları

13. Bölüm Sonu Değerlendirme Soruları

14. Bölüm Sonu Değerlendirme Soruları

15. Bölüm Sonu Değerlendirme Soruları
 Bilgisayarla Görü

Dr. Öğr. Üyesi Tuba ÇAĞLIKANTAR

Gazi Üniversitesi Bilgisayar Müh. Bölümü
(tubakurban@gazi.edu.tr)
Ders Konuları
•Parlaklıkların yorumlanması
• Bir pikselin parlaklığını ve rengini ne belirler?
• Görüntüden anlamlı bilgileri görüntü filtreleri kullanarak nasıl çıkarabiliriz?
•Görüntü oluşumu ve kamera modelleri
• Bir görüntü nasıl oluşur ?
• Görüntü yakalamak için kullanılan farklı kamera modelleri nelerdir?
• Kamera parametreleri nedir ve kamera kalibrasyonu nasıl yapılır?
•Temel görüntü işleme
• Bir görüntünün işlenmesi ne demektir?
• Görüntü işleme için kullanılan yöntemler nelerdir ve bu yöntemlerin kullanılması nasıldır?
•Denklik (correspondence) ve hizalama (alignment)
• Nesnelerdeki veya görüntülerdeki birbirine denk gelen öznitelik noktaları nasıl bulunur?
• Bu noktalar arasındaki dönüşüm (transformation) nasıl hesaplanır?
• En yaygın kullanılan öznitelik noktaları nelerdir?
•Gruplama ve bölütleme (segmentasyon)
• Pikselleri anlamlı bölgelere nasıl ayırabiliriz?
• Makine öğrenme teknikleri nedir ve burada nasıl kullanılır?
•Sınıflandırma ve nesne tanıma
• Görüntüleri nasıl temsil ederiz ve nasıl sınıflandırırız?
• Nesne sınıfları nasıl tanınır?
•Yüz tespiti
• Bir görüntüde yüz nasıl tespit edilir?
• Bunun için kullanılan yaygın teknikler nelerdir?
•Diğer konular: Lensler, çeşitli nesne tanıma metotları, gruplandırma yöntemleri, otomatik ölçek seçimi.

2
Faydalanılabilecek Kaynaklar

•Computer Vision: Algorithms and Applications, Richard Szeliski, Springer, 2010

•Digital Image Processing, R. C. Gonzalez, R. E. Woods, 3rd Edition, Prentice
Hall, 2008

•Ders Notları

3
Görüntü işleme Nedir

•Daha iyi bir görüntü elde etmek,

•Görüntüden faydalı bilgi çıkarmak amaçları ile görüntü üzerinde
yapılan birçok farklı işlemi içerir.
•Girdi olarak bir görüntü, çıktı olarak yeni bir görüntü veya görüntü
ile ilgili özellikler elde edilir.
•Savaş teknolojileri, güvenlik, tıp, fizik, sanayi, kişisel bilgisayara
kadar birçok alanda kullanılmaktadır.

4
Görüntü İşlemenin kullanıldığı Uygulamalar

•Resim video çekme uygulamaları: Doğru diyafram ayarları ile uygun renk ve ışık kalitesini ayarlamak için kullanılır.
•Ekran görüntülemeleri ve Yazdırma işlemleri: Bu uygulamalarda görüntü boyutu, renk, tonlama ayarları için kullanılır.
•Resim saklama ve iletimini kolaylaştırmak: Görüntüyü verimli bir şekilde depolama ve aktarmak için kullanılır.
•Güvenlik uygulamaları: Güvenlik taramaları için renkleri zenginleştirme, netliği artırma vs uygulamaları için kullanılır.
•Bilgi çıkarma: Barkod okuma, plaka okuma, yazı karakterini metne dönüştürme gibi uygulamalar için kullanılır.
•Mosaik Resim oluşturma: Yüksek çözünürlüklü (GByte resimler) resimler, panoramik (geniş açılı) resimler yada 360 derece
(heryönde resimler oluşturmak için bir çok görüntünün çakıştırılarak büyük resimler haline getirilmesi gerekir.
•Yüz tanıma: Gerek güvenlik için gerekse insan sayma, otomatik yüz gizleme yada diyafram ayarı gibi hususlar için yüz
tanımaya ihtiyaç vardır.
•Otonom görüş yeteneği: Robotların ve otonom araçların etrafındaki dünyayı tanıyabilmesi için görüntü işlemeye ihtiyaç
vardır.
•Sanal gerçeklik uygulamaları: 3 boyutlu görüntülerin hazırlanması, gerçek dünya ile sanal dünya görüntülerinin
birleştirilmesi gibi bir çok uygulama görüntü işleme ile yapılmaktadır.

5
Görüntü İşleme

6
Işık
•Işık kaynağı tarafından yayılan küçük dalgacıklardır.
•Bu dalgacıklar radyasyon enerjisi şeklindedir (elektromanyetik
radyasyon).
•Görünen ışık elektro manyetik spektrumda çok küçük bir aralıkta
bulunur (%2 civarı).
•Bu aralığın dışındaki ışık dalgalarını çıplak gözle göremeyiz.
•Görünen ışık bölgesindeki her rengin bir dalga boyu vardır.
•Genel olarak gözlerimizle gördüğümüz ışığın dalga boyu 0,380-0,760
mikron (370 -760 nanometre) aralığındadır.
•Işığın hızını saniyede 300 bin km alırsak aşağıdaki bağlantıdan
frekansını da bulabiliriz.
•Bu bağlantıya göre ışık, hem frekans (ν) hem da dalga boyu (λ) ile
ifade edilebilir.
•Işık hızı boşlukta 299.792.458 m/s dir (300.000 km/s). Dalga boyu
(λ) birimi metre (m) , frekans (f) birimi ise Hertz (Hz) dir
7
Elektromanyetik Spektrum
•Radyo dalgalarından gama ışınlarına kadar, evrende bulunan tüm elektromanyetik dalgalar, elektromanyetik spektrumda
sınıflandırılır.
•Elektromanyetik spektrum, var olan tüm ışık aralığını barındıran bir ölçektir.
•Dalga boyu arttıkça (büyüdükçe) E kuantum enerjisi azalır.
•Kuantum enerjisi azalınca nesnelerin ışını yansıtma yetenekleri azalır.

8
Uygulama Alanları

•Tıp Alanında
a. Gama ışınları
• Dalga boyu en kısa olan ışınlardır.
• Kanserli hücrelerin tedavisinde.
• Böbrek, akciğer, tiroid, karaciğer ve beyin gibi iç organların
görüntülenmesinde
• X ışınları
• Vücuttaki doku ve yapıların görüntülenmesinde.
• Onkoloji alanında tedavide.
a. Mor ötesi ışınlar
• Bakterilere ve virüslere karşı yüksek sterilizasyon
verimliliği nedeniyle antiseptik olarak.
• Kimyasallar kullanılmadan dezenfeksiyon ve sterilizasyon.
b. Radyo dalgaları
• Ağrı tedavilerinde

9
Uygulama Alanları

•Uzaktan Algılama Alanında

• Bitkilerdeki klorofil görünür dalga boylarından
mavi ve kırmızı dalga boyunu yeşil dalga
boyuna göre daha fazla absorbe ettiği
(soğurduğu) için bitkilerin renklerini yeşil
olarak görürüz.
• Yakın kızılötesi dalga boyunu ise bitkiler daha
fazla yansıtırlar. Ancak bu dalga boyları
insanın görebildiği aralığın dışında olduğu için
bitkileri kırmız renkte görmeyiz.
• Sonbahar ve kış aylarında ise bitkilerdeki
klorofil miktarında azalma meydana geldiği
için kırmızı dalga boylarını daha fazla
yansıtırlar. Bundan dolayı bitkiler sarımsı
kırmızı renkte görülür.

10
Sayısal Görüntü İşleme Adımları
• Elde Etme: Görüntü işlemedeki ilk adım, sayısal görüntünün sayısal kamera
ile elde etme işlemidir.
• Ön İşleme: Görüntünün elde edilmesi ve ön işlemeye tabi tutulması düşük
seviyeli görüntü işleme olarak adlandırılır.
• görüntü iyileştirme (image enhancement),
• görüntü onarma (image restoration) ve
• görüntü sıkıştırma (image compression)
• Bölümleme: (bölütleme, parçalara ayırma, segmentasyon denir) aşamasına
geçilir. Bölümleme, görüntü işlemenin en zor uygulaması olup bir
görüntüdeki nesne ve arka planın veya görüntü içerisindeki ilgilenilen değişik
özelliklere sahip bölgelerin birbirinden ayrıştırılması işlemidir. Bölümleme;
bir görüntüdeki nesnenin sınırları ve alanlarını tespit ederek şekli üzerinde
ham bilgiler üretir. Diğer taraftan görüntü içerisindeki nesnelerin yüzey
kaplaması, alanı, renkleri, iskeleti gibi iç özellikleriyle ilgileniliyorsa bölgesel
bölümleme yapılmalıdır. Karakter veya genel olarak örüntü (pattern) tanıma
gibi oldukça karmaşık problemlerin çözümü için her iki bölümleme
yönteminin (sınırlar ve alanlar) bir arada kullanılması gerekebilir.
• Çıkarım: Görüntüden elde edilen ham bilgilerin, ilgilenilen ayrıntıların ön
plana çıkarılmasıdır. Yani aranan özellikli alanların arka plandan ve
birbirinden ayrıştırılmasıdır.
• Yorumlama: Yüksek seviyeli görüntü işleme grubuna giren bu aşamada,
çeşitli karar verme mekanizmaları (yapay zeka algoritmaları gibi) ile
görüntüdeki arka plandan çıkarılmış nesnelerin veya bölgelerin
etiketlendirilmesi, sınıflandırılması yapılır.

11
Sinyal Nedir

•Sinyal, fiziksel değişkenlerin

durumu hakkında bilgi taşıyan
ve matematiksel olarak bir f
fonksiyonu ile gösterilen
kavramdır.
• 1, 2, …, n boyutlu olabilir.
• Dalgalar şeklinde yayılan ses,
• Görüntü bilgisinin mekânsal zamansal
değişimi,
• Bir haberleşme uydusunun dünyaya
gönderdiği elektromanyetik dalgalar,
• Bir fotoğraf karesindeki parlaklığın x ve
y değişkenleri biçiminde ifadesi
örnektir.

12
Analog ve Dijital Sinyal

•Analog sinyal: Taşıdıkları bilgiyi mekan ve zamana bağlı sürekli bir fonksiyon olarak ifade
ederler.
• Hava basıncı, herhangi bir t anında sürekli değer alabilen bir değişkendir.
• Analog sinyal sonsuz sayıda değere sahip olabilir.
• Genellikle sinüs dalgasıyla temsil edilir.
• Mühendislikte karşılaşılan birçok sinyal analogdur.
•Dijital sinyal: Analog sinyalin bir alt kümesidir, sürekli formdaki analog sinyallerin belirli
zaman aralıklarında örneklenmesinden oluşan sürekli olmayan ayrık zamanlı bir sinyaldir.
• Genliği (bir dalga tepesi ile dalga çukuru arasındaki mesafenin yarısı) 0 veya 1 olan kare formundaki
dalgalar şeklinde gösterilir.

13
Dijital Görüntü

14
Piksel

•Dijital bir görüntünün 2-boyutlu dizi şeklindeki her bir elemanına bir piksel denir. Aşağıdaki
şekilde aynı resmin farklı piksellerle gösterilmiştir.

15
Analog Görüntünün Sayısallaştırılması

•Analog görüntülerin bilgisayar ortamında işlenebilmesi için sayısallaştırılmaları gerekir.

•Sayısallaştırmada resim üzerinde konumsal olarak örnekleme (sampling) ve renk derinliği için ise nicemleme
(quantization/kuantalama) yapılır.
•Görüntü fonksiyonuna ilişkin koordinatlarının sayısallaştırılması, görüntü örnekleme olarak adlandırılırken;
genlik değerlerinin sayısallaştırılmasına görüntü nicemleme adı verilir.

16
Görüntü Örnekleme (Sampling)

•Sayısal bir görüntü, sürekli bir görüntü fonksiyonu

üzerinden eşit aralıklarla x-ekseni boyunca N adet örnek
ve yekseni boyunca M adet örnek alınarak oluşturulabilir.
•Böylece, sürekli-zamanlı görüntü fonksiyonundan ayrık
zamanlı görüntü fonksiyonuna geçiş gerçekleşmiş olur.
•2-B ayrık-zamanda yatayda N ve düşeyde M örnekten
oluşan toplam N × M sonlu örnek değeri ile analog bir
görüntü yaklaşık olarak ifade edilebilir.
• Bu işlemde, analog görüntü fonksiyonu düzgün
örneklenmiş olur.
•Oluşan dijital (sayısal) görüntü aslında N satır ve M
sütundan oluşan bir matrisdir.
•Bu işlemde bilgi kaybı vardır.

17
Görüntü Nicemleme (Quantization)

•Görüntünün her bir elemanın (pikselin) parlaklık

şiddetini gösteren pozitif tamsayı değeri,
nicemleme ile belirlenir.
•Görüntü elemanının en küçük ve en büyük genlik
değerleri aralığı basamaklara ayrılarak, ilgili
basamak değerine en yakın olan görüntü değerini
almasıdır. Yani analog renk değerinin, geçerli en
yakın dijital renk değerine dönüştürülmesidir.
•Örnekleme ve nicemleme işleminden sonra elde
edilen sayısal görüntü, bileşenleri pozitif tamsayı
değerlerinden oluşmuş iki-boyutlu matris
yapısındadır.

18
Görüntü Türleri

•Sayısallaştırma işleminde, görüntü boyutlarının ve her bir

pikselin sahip olabileceği parlaklık değerinin belirlenmesi
gerekir. Sayısal görüntünün her bir pikselinin sahip olduğu
parlaklık değeri gri seviyeler olarak adlandırılır. Her bir
pikseldeki parlaklık değerinin kodlandığı bit sayısına göre gri
seviye aralığı belirlenir.
•Gri seviye sınırlarında iki renk vardır, siyah ve beyaz. Bu ikisi
arasında kodlanan görüntülere ise gri-ton (gray scale,
monochromatic) görüntüler adı verilir.
•Uygulamada yaygın olarak kullanılan her bir piksel 8 bit ile
kodlanmıştır. Bu tip görüntülerde her bir piksel 28 = 256 farklı
gri ton karşılığı (parlaklık seviyesi) değerlerinden oluşur ve gri
değer aralığı G = {0, 1, 2,…, 255} biçiminde ifade edilir. Kural
olarak; 0 gri seviyesi siyah renge, 255 gri seviyesi ise beyaz
renge ve bu değerler arasındaki gri seviyeler ise gri tonlara
karşılık gelir. Şekil de N × M = 16 × 16 ‘lık bir ızgara üzerinde
256 farklı gri seviyenin gösterimi verilmiştir.

19
Renkli Görüntü

•Renkli görüntüler, R(Kırmızı), G(Yeşil), B (Mavi)

kodlanmış aynı cisme ait üç adet gri düzeyli
görüntünün üst üste ekranda gösterilmesi ile
oluşur. Renkli görüntüyü oluşturan bu üç renk bant
olarak isimlendirilir.
•Renkli görüntülerin her bir pikseli bilgisayar
ekranlarında 24 bit’lik veri olarak görüntülenir.
Şöyle ki, her bir renk 8 bit (2.2.2.2.2.2.2.2=28=256)
ile kodlanacağına göre üç renk (RGB) 3x8 = 24 bit
ile kodlanacaktır. Bu durumda, RGB görüntülerin
her bir pikseli 28. 28. 28= 224 = 16.777.216
(yaklaşık 17 milyon) farklı renk değerine sahip
olabilir ve bu üç rengin birleşiminin değer aralığı
RGB = (0, 0, 0),…, (255, 255, 255) biçiminde
gösterilir

20
Renkli Görüntü

•Matris anlamında düşünüldüğünde doğal

renkli 2 Boyutlu bir RGB görüntü, her biri (N ×
M) büyüklüklüğünde üç matrisin (ızgaranın)
bileşiminden oluşur ve matris gösteriminde
• {I(i, j, k) | i = 1, 2,…, N; j = 1, 2,…, M; k = 1, 2, 3}
biçiminde temsil edilir.
•Genel olarak bu matrislerin her biri, pikselleri
256 seviyeden birine sahip görüntüyü temsil
eder.

21
22
Renkli Görüntüye Ait Bantlar

• Renkli görüntünün yeşil ve mavi bantlarına ilişkin

görüntülerin sıfır alınmasıyla sadece kırmızı bandın görüntüsü
elde edilir.
• RGB = R00 = (0, 0, 0),…, (255, 0, 0)
• Benzer şekilde, yeşil ve mavi bantların görüntüsü de sırasıyla
• RGB = 0G0 = (0, 0, 0),…, (0, 255, 0)
• RGB = 00B = (0, 0, 0),…, (0, 0, 255).
• RGB formatında doğal renklerden oluşmuş renkli bir görüntü
için bantların doğru birleşimi 1-2-3 (Red, Green, Blue)
sırasıyla olmalıdır.

23
Yapay Renkli Görüntüler

•RGB bantlarının farklı şekilde birleşimi ile yapay renkli görüntüler elde edilebilir.

24
Sayısal Görüntünün Kapladığı Bellek Alanı

•N satır ve M sütundan oluşan ve her bir pikseli m bit ile temsil edilen (N × M) büyüklüklü sayısal bir
görüntüyü depolamak için gerekli bit sayısı aşağıdaki gibi hesaplanır:

•Örneğin her pikseli 8 bitle temsil edilen Gri bir resim NxM=1000x600 piksel boyutlarında ise

•Aynı resmi 24 bitlik bir kodlama ile (renkli resim) depolarsak (her bir piksel
RGB=28+28+28=224=16.777.216 milyon renkle gösterilir)

25
Çözünürlük

•Bir görüntünün çözünürlüğü, görüntü içerisindeki ayrıntıların fark edilebilme derecesidir.

•Bu kavram hem alan çözünürlüğünü hem de parlaklık çözünürlüğünü içinde barındırır.
•Alan çözünürlüğü yüzeyden alınan örnek sayısı (N x M) ile parlaklık çözünürlüğü ise piksel
üzerindeki rengin gri seviye karşılığı olarak parlaklığını belirtir.
•Bu parametrelerin değerlerindeki artış ne kadar fazla olursa sayısallaştırılmış görüntü
orijinaline o oranda yaklaşır.
•Bununla birlikte, görüntünün kapladığı bellek alanı hızlı bir şekilde artar.

26
Alan Hassaslığı (Piksel çözünürlüğü)

•Alan hassaslığı, sayısal görüntüyü elde etmek

amacıyla analog görüntünün yatay/dikey
taranması esnasında toplanan örnek sayısı ile
ilgilidir.
•Sayısal görüntüyü oluşturan piksellerin sayısı (N
× M) ne kadar fazla olursa orijinal (analog)
görüntüye o kadar fazla yaklaşılır.
•Piksellerin sayısı azaltılırsa bu durumda
görüntünün uzaysal çözünürlüğü düşer ve
görüntü içerisindeki ayrıntılar kaybolmaya başlar

27
Parlaklık hassaslığı-renk derinliği
(gri-seviye renk çözünürlüğü)

•Parlaklık hassaslığı, her bir pikselin parlaklığının

karşılığı olan gri seviye skalasındaki sayısını gösterir.
•Gri seviyelerin sayısı azaldığında, görüntü içerisinde
yapay çizgisel hatlar ortaya çıkmaya başlar
•Şekilde 256 renk (8 bit), 128 renk (7 bit), 64 renk (6
bit), 32 renk (5 bit), 16 renk (4 bit), 8 renk (3 bit), 4
renk (2 bit) ve 2 renk (1 bit) olan aynı alan
çözünürlüğüne sahip (NxM=256x256) gri-ton
görüntüler verilmiştir

28
2-Boyutlu sayısal görüntülerin matris olarak gösterimi

•(N × M) piksele sahip 2-B sayısal bir görüntü, N satır ve M

sütundan oluşan bir matris gibi düşünülebilir.
•Matrisin bileşenleri, satır ve sütunların kesiştiği her bir
noktada –ki bu noktalar sayısal görüntünün en küçük parçası
olan pikseli temsil eder – pozitif tamsayı değerlerine sahiptir.
•Örneğin, 256 adet gri seviye içeren görüntüler için bu değer 0
– 255 aralığındaki tamsayılardan oluşur.
•Sayısal bir görüntüyü temsil eden matrisin bileşenleri hiçbir
zaman negatif ve tamsayı dışındaki değerlerden oluşamaz.
•Ancak, görüntü üzerinde işlemler yapıldıktan sonra elde edilen
yeni görüntü içerisinde bu gibi sonuçlarla karşılaşmak olasıdır.
•Böyle durumlarda, yeni görüntüyü bilgisayar ekranında doğru
bir biçimde görüntüleyebilmek için matris değerleri üzerinde
uygun ölçeklendirme ve yuvarlama işlemleri yapılmalıdır.

29
Piksel üzerinde yapılan işlemler

•Noktasal İşlemleri: Çıkış resminin bir pikselini oluşturmak için, giriş resminin bir pikseli üzerinde yapılan
işlemlerdir.
•Yerel (Local) İşlemler: Burada çıkış resmini oluşturacak bir noktanın rengi, giriş resminde bu noktanın
komşularının renk özelliklerine de bağlıdır.
•Bütünsel (global) İşlemler: Çıktı görüntüsündeki bir pikselin değeri girdi görüntüsündeki tüm piksellerin
değerlerine bağlıdır.

30
Bilgisayarla Görü –
Hafta 2
Dijital Görüntü
Görüntü Üzerinde İşlemler
Uzaysal domain ve Frekans domain

•Uzaysal domain (Spatial Domain): Günlük hayatta

kullandığımız sayısal resimlerin oluşturulduğu domaindir. Bu
domaindeki resimlerin pikselleri doğrudan işlenebilir.
•Frekans domain(Frequency domain ): Görüntünün birçok
farklı frekanslı bileşenden oluştuğu kabul edilir. Uzaysal
domaindeki görüntü fourier v.b dönüşümü ile frekans
domanine çevrilir. Burada işlenip ters dönüşüm yapılır ve
uzaysal domain’ e geri dönülür.
Uzaysal Domain’de görüntü işlemleri

•Uzaysal domain teknikleri doğrudan piksel değerleri

üzerinde işlem yapar0.
•Bu domain’deki işlemler aşağıdaki denklemle ifade edilir.

•Burada f(x, y) giriş görüntüsüdür. g(x, y) ise çıkış

görüntüsüdür. T ise f’de belirli bir (x,y) komşuluk ilişkisi
bölgesinde işlem yapan bir operatördür.
•Örneğin T operatörü; K görüntülerinde gürültü azaltmak için,
bir görüntü seti işlemi olarak da çalışabilir.
Görüntü orijini ve komşulukları
•Bir piksel (x,y)’in komşuluk bölgesi veya komşuluk ilişkisi
için; merkezi (x,y) olan kare, dikdörtgen tanımlama işlemi
yapılır.
•Bu bölgenin merkezi,pikselden piksele hareket ettirilerek
(Her yöne), etrafındaki farklı komşuları içine alır. T
operatörü herbir lokasyona (x,y) uygulanarak lokasyonda
işlenmiş g(x,y) çıkışı elde edilir.
•En küçük lokasyon (komşuluk ilişkisi-bölgesel) resim
içindeki 1x1’lik bölgedir. Bu bölge içinde yapılan işlemlerde
(çalışılan pikselde) diğer piksellerin hiçbir etkisi olamaz. Yani
o tek piksele yapılan işlemde komşu piksellerin rolü olamaz.
Bu tür işlemlere Noktasal işlemler denir.
•Burada T yapılan işlemi belirtir. Yani her piksele; komşuluk
ilişkisine göre gezilerek T’nin belirttiği işlem yapılır
Kontrast

•Kontrast görüntüdeki en parlak bölüm ile en karanlık bölüm

arasındaki farktır.
•Siyah ve beyaz arasındaki kontrast aralığı genişledikçe, iki uç
arasındaki gri tonlar ya da ara seviyeler daha rahat görülür.
•Aradaki değer ne kadar fazla olursa görüntünün canlılığı o
kadar iyi olur.
Histogram

•Bir gri değerin görüntüde kaç tane olduğunu gösteren

grafiktir. Görüntü hakkında bilgi vermesi açısından önemlidir.
•Karanlık bir görüntüde gri değerler histogramın alt ucunda,
•Aydınlık bir görüntüde gri değerler histogramın üst ucunda,
•İyi kontrastlı bir görüntüde ise, gri değerler aralıkta düzgün
şekilde dağılır.
Kontrast Histogram İlişkisi
Histogramdan elde edilen bilgiler

•Bir görüntünün histogramı, o görüntü hakkında önemli

bilgiler verir. Önemlileri aşağıdadır.
•Koyu (Karanlık) bir görüntünün histogram grafiğinin düşük
gri seviye bölgesine yığılacağı açıktır.
•Parlak (Açık renk) düzgün bir görüntünün histogram
grafiğinin büyük gri seviye bölgesine yığılacağı açıktır.
•Eğer histogram bir bölgeye yığılmış ise ( yani gri sviye
ekseninin belirli bir bölgesine) bu görüntünün kontrastı
kötüdür denir.
• İyi kontraslı bir resmin histogram grafiği tüm gri seviye
değerlerine eşit yayılmış olduğunu açıklar.
Kontrast Histogram İlişkisi
Histogramdan elde edilen bilgiler

•Genelde küçük yayılım gösteren histogramların kontrastı

düşüktür, daha geniş alana yayılmış olan histogramların
kontrastı daha yüksektir.
•Aralığın aşağı sonunda sıkışmış olan histogram koyu bir
görüntüye ait olurken, aynı aralığın yukarı sonunda
gruplanmış olan histogram parlak bir görüntüye aittir.
•Histogram aynı zamanda, daraltma, genişletme veya
kaydırma işlemleri için bir karşılık düşürme fonksiyonu ile de
değiştirilebilir.
•Histogram genişletme ve daraltma gri seviyesi değişimleri
biçimindedir ve bazen histogram boyutlandırma olarakta
Kontrast Histogram İlişkisi
Histogram Germe
Histogram Germe
Histogram Germe

•5-9 aralığındaki gri değerleri 2-14 aralığına çekmek için

aşağıdaki lineer fonksiyon kullanılabilir.
•Burada i pikselin orijinal değeri j ise dönüşüm sonrasındaki
değeridir.
Histogram Germe
Histogram Eşitleme

• Historam germenin; bir kullanıcı girişine ihtiyaç duyma gibi bir dezevantajı vardır.
• Histogram eşitleme ise otomatik bir presedürdür. (Aslında histogram eşitleme genel
anlamada histogram germe kapsamına sokulabilir. Fakat germede parçaparça linerer veya
değişik fonksiyonlar kullanmak gerekirken , eşitlemde otomatik işlem yapılır.)
• İdeal olarak Histogram eşitleme; Giriş histogramını, her gri seviyesinde eşit piksel sayısına
sahip bir histograma dönüştürme işlemi gibi düşünülebilir. Bu pratikte mümkün değildir.
• Bu yöntem histogramı dar olan resimler ya da resim içindeki bölgeler için daha iyi sonuç
verir. Yani Histogram eşitleme renk değerleri düzgün dağılımlı olmayan resimler için
uygun bir görüntü iyileştirme metodudur. Resmin tümüne uygulanabileceği gibi sadece
belli bir bölgesine de uygulanabilir. Tüm resme uygulanırsa global histogram eşitleme,
resmin belli bir bölgesine uygulandığında ise lokal histogram eşitleme adını alır.
Histogram Eşitleme Adımları
1. Resmin histogramı bulunur (her gri seviye için piksel sayısı grafiği).
2. Histogramdan yararlanılarak kümülatif histogram bulunur. Kümülatif histogram, histogramın her değerinin
kendisinden öncekiler ve kendisinin toplamı ile elde edilen değerleri içeren büyüklüktür.
3. Kümülatif histogram değerleri normalize edilip (toplam piksel sayısına bölünerek), yeni resimde olmasını istediğimiz
max. renk değerleri ile çarpılır, çıkan değer tam sayıya yuvarlatılır. Böylelikle yeni gri seviye değerleri elde edilmiş olur.
4. Eski (Orijinal) gri seviye değerleri ile; 3.adımda elde edilen gri seviye değerleri biribirine karşılık düşürülür ve yeni
histogram grafiği çizilir.
Örnek

•Yukarıda, renk derinliği 4 bit olan gri

seviyeli bir görüntünün histogram
tablosu görülmektedir. Bunun
histogram grafiği ise aşağıdaki
şekildedir.
•(Toplam piksel sayısı n=360, istenen
gri seviye L=16)
Örnek
Histogram Eşitleme

•Amaç: İmgedeki düşük görünürlüğü iyileştirmek.

•Olasılık dağılımına bağlı olarak doğrusal olmayan dönüşüm gerçekleştirilir.

•Bu sayede, bulunma olasılığı yüksek pikseller arası fazlaca açılırken, düşük olasılıklı seviyeler
birbirine daha yakın hale gelir.
Ödev – Aşağıda verilen görüntü bloğuna
histogram eşitleme yöntemini uygulayınız.
Bölgesel İşlemler
(Komşuluk İşlemleri-
Filtreleme)
Filtre Nedir?
Mekansal filtre - Spatial Filter
Komşuluk İşlemleri
Örnek: Ortalama (Ortalama) 3x3 Komşuluk
Ortalama Değer ile Görüntü Yumuşatma
Ortalama Değer ile Görüntü Yumuşatma
Filtre Matrisi
Filtre Matrisinin Boyutu
Doğrusal Olmayan Filtreler

•Komşuluk ilşikili Doğrusal olmayan filtreleme operasyonları m × n boyutlu filtre matrisinin merkez noktasının
kaydırılması işlemidir.
• Bu haliyle komşuluk ilişkili doğrusal uzaysal filtreleme ile aynıdır.
• Doğrusal olmamanın anlamı her merkez nokta pikseline aynı işlemin uygulanmamasından kaynaklanır.
•Örneğin; herhangi bir merkez nokta pikselini komşu piksellerdeki en büyük piksel değerine eşitleme işlemi bir
nonlineer filtreleme işlemidir.
•Daha az kullanılan bir tarif ise; maskenin nonlineer olmasıdır.
• Esas olan merkez piksellerin yeni değerlerinin bulunması için nonlineer işlemlerin yapılmasıdır.
Minimum Filtre

•Griton basamaklarını koruyan çok basit düzgünleştirme

operatörü “min operatörü” dür.

•min operatörü maske içerisindeki minimum gritonu yeni

griton olarak verir.

•Şekillerden de görüleceği üzere resmin karanlık bölgesi

(griton 1) temizlenir, fakat önceki aydınlık bölgede
bozulmalar meydana gelir.
Maksimum Filtre

•Min operatörünü tamamlayıcı “max operatörü“dür; yani maske içerisindeki en yüksek griton değeri,
yeni griton değeri olarak sonuç resimde ilgilenilen noktaya atanır.

•Dolayısıyla sonuç resimde aydınlık bölge temizlenir, fakat karanlık bölgede bozulmalar meydana gelir.

•Şekilde Max operatörünün resim üzerindeki etkisini göstermektedir.

Orta-Değer (Medyan) Filtre
•min ve max operatörlerinin fonksiyonlarını birleştiren ve onların yukarıda bahsedilen dezavantajlarına sahip olmayan bir
operatöre ihtiyaç vardır. Şekil bu çözümü göstermektedir.
•Orta-değer operatöründeki fikir, maske içerisindeki gritonları değerlerine göre sıralamaktır. Bu sıralamada ortada bulunan
değer sonuç resmin ilgilenilen pikseli için kullanılır.

•Bu strateji yüksek ve alçak gritonların piklerini, griton bölgeleri ayıran griton basamaklarını yassılaştırmadan yok eder.
Orta-değer operatörünün dezavantajı; komşu piksel gritonlarının sıralamasından dolayı hesaplama zamanın yüksek
olmasıdır.
•Orta-değer operatörünün resim üzerindeki etkisini göstermektedir. Resimden de görüleceği üzere, gürültülü resim
tamamen onarılmıştır.
 k-en yakın komşu filtresi
•Diğer bir kenar korumalı düzgünleştirme metodu “k-enyakın-komşu” metodudur.
•Bu, maskenin bütün pikselleri üzerinde kullanılmayan bir normal ortalama operatörüdür (kutu
filtre).
•Sadece gritonları ilgilenilen pikselin gritonuna en yakın k tane piksel üzerine uygulanır. Şekilde 3x3
enyakın-komşu operatörünün k = 3 ile (ilgilenilen piksel dahil) kaynak resme uygulanması ile elde
edilen sonucu göstermektedir.
•Ortalamanın sadece 3 griton kullanılarak hesaplanmasından dolayı, düzgünleştirme etkisi “orta-
değer” operatöründen azdır.
•Genellikle k, maskedeki piksel sayısının yarısından fazla olmalıdır.
•Şekil, k-enyakın-komşu operatörünün resim üzerindeki uygulamasını göstermektedir.
Görüntüde Frekans Bileşeni Kavramı
•Bir görüntüdeki filtrenin etkisini standart bir formda ifade edebilmek için en önemli kriterlerden birisi görüntünün frekans bileşenleridir.
•Kabaca bir görüntünün frekans bileşenleri; mesafeye göre gri seviye değişiminin miktarı olarak ifade edilir.
•Görüntünün Yüksek frekanslı bileşenleri; küçük mesafelerde piksellerin gri değerlerin büyük miktarda değişikliklerini karakterize eder.
Yüksek frekans bileşenlerine örnek olarak; resmin kenarları (en büyük gri seviye değişimleri kenarlarda olur) ve gürültüler verilebilir.
•Görüntününün Düşük frekanslı bileşenleri: Resimdeki piksellerin gri değerlerinin mesafeye göre pek az değiştiği görüntü parçaları ile
karakterize edilir. Bunlara örnek arka planlar (gri seviyeleri çok az değişen yüzeyler), cilt dokuları verilebilir. 
•Bu tanımlamalar göre filtreleri;
•Yüksek geçiren Filtreler: Yüksek frekanslı bileşenleri geçirir. Düşük frekanslı bileşenleri yok eder.
• Örnek kenar çıkarma işlemleri.
•Alçak geçiren Filtreler: Görüntüdeki Alçak frekans bileşenlerini geçirir veya kuvvetlendirir. Yüksek frekans bileşenlerin yok eder.
• Örneğin 3x3Lük average filtresi bir alçak geçiren filtredir. Çünkü resmin kısa mesafede değişen (Özellikle kenarlar - Gürültüler) piksellerini yok eder.
Belirli mesafede az değişen piksellerini muhafaza eder. Dolayısıyla resim bulanıklaşır (Blurring).
Örnek

1.04.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 16
Bölgesel İşlemler
(Filtreleme işlemleri)
Konvolüsyon
•Konvolüsyon işlemi; bir çekirdek şablonun (matrisin/kernel) resim üzerindeki piksellerle
'kaydırma ve çarpma' işlemi olarak tanımlanabilir.
•Bu işlemde çekirdek şablon resim üzerinde kaydırılır ve değeri resim üzerindeki uygun
piksellerle çarpılır.
•Belli özel uygulamalar için çeşitli standart şablonlar vardır.
•Burada şablonun büyüklüğü ve şekli, işlemin özelliklerini belirler. Örneğin, ortalama
(mean) ve Laplace operatörünün şablonları (çekirdek matrisleri) aşağıdaki gibidir.
Korelasyon ve Konvolüsyon

22.04.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 3
Korelasyon ve Konvolüsyon

22.04.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 4
Korelasyon ve Konvolüsyon

22.04.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 5
Korelasyon ve Konvolüsyon

22.04.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 6
Korelasyon ve Konvolüsyon

22.04.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 7
Korelasyon ve Konvolüsyon

22.04.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 8
Korelasyon ve Konvolüsyon

22.04.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 9
Korelasyon ve Konvolüsyon

22.04.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 10
Korelasyon ve Konvolüsyon

22.04.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 11
Korelasyon ve Konvolüsyon

22.04.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 12
Korelasyon ve Konvolüsyon

22.04.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 13
Sobel Filtre ile Kenar Bulma

•Görüntüyü siyah beyaza çevirdikten sonra kullanılır.

•Aşağıdaki çekirdek matrisler (konvolüsyon matrisleri) dikey,
yatay ve köşegen şeklindeki kenarları bulmak için kullanılır.
•Sobel operatörü bir resmin kenarlarına karşılık gelen alansal
yüksek frekans bölgelerini (keskin kenarları) ortaya çıkarır. T
•eorik olarak, operatör aşağıda gösterildiği gibi 3×3
konvolüsyon matrisinden oluşur.
Sobel Filtre ile Kenar Bulma

•Bu matrisler, yatay ve dikey olarak görünen kenarlar için ayrı

ayrı olacak şekilde düzenlenmiştir.
•Matrisler giriş görüntüsüne birbirinden bağımsız
uygulanabilir. Böylece her bir yön için pikselin değeri ayrı ayrı
ölçülmüş olur.
•Daha sonra çapraz duran kenarların mutlak değerini bulmak
ve yönünü (açısını) bulmak için bu değerler aşağıdaki
formüllerle birleştirilebilir.
•Piksel mutlak değeri şu şekilde hesaplanabilir.
Prewitt Filtre ile Kenar Bulma

•Sobel'e benzer ve aşağıdaki gibi biraz farklı çekirdek matris

kullanır.
Roberts Filtre ile Kenar Bulma

• Basit ve hızlı bir algoritmadır.

• Resim üzerindeki 2 boyutlu geçişleri ölçer.
• Keskin kenarları ortaya çıkarır.
• Gri resim üzerinde işlem yapar. 2x2 lik matris kullandığından çok bulanık resimlerde
kenarları bulamaz.
• Bulmuş olduğu kenarları da çok ince olarak gösterir.
• Aşağıdaki 2x2 lik aralarında 90 açı bulunan iki matrisle işlemleri yürütür. Kullanım
olarak Sobel’e benzer.
Canny Filtre ile Kenar Bulma

•Canny kenar belirleme algoritması; görüntüde keskin olarak

belirlenmiş kenarları bulmak için John F. Canny tarafından geliştirilmiş
ve aşamaları olan bir algoritmadır.
•Kenar bulmada son derece etkin olarak kullanılan bir algoritmadır.
•Aşamaları maddeleyecek olursa;
• Görüntünün gürültülerini azaltmak amacıyla Gaussian çekirdekle konvolüsyon alınarak azaltılır.
• Gaussian filtre dışında Mean ya da Medyan filtrede kullanılabilir.
• Gradyan operatörü uygulanır. Bu şekilde görüntünün Gradyan büyüklüğü ve yönü hesaplanır.
• Bu işlem için Sobel filtresi en çok kullanılan yöntemdir.
• Bunun dışında Prewitt ve Robert kenar bulma metotları da mevcuttur.
• Kenarlar Non Maxima baskılama kullanılarak incelemeye alınır.
• İkili eşikleme uygulanır bu şekilde istenmeyen ayrıntılardan arındırılma işlemi gerçekleştirilir.
• Güçlü-zayıf ayrımı yapıldıktan sonra baskılama uygulanır ve asıl kenarlarla görüntüye son hali verilir.
Ders Kodu: Bilgisayarla Görü
Morfolojik Görüntü İşleme
Dr. Öğr. Üyesi Tuba ÇAĞLIKANTAR
Morfoloji

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 2
Morfoloji

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 3
Yansıma ve Öteleme

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 4
Temel Mantıksal İşlemler

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 5
Binary Görüntülerde Mantıksal İşlemler

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 6
Matematiksel Morfoloji

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 7
Yapısal Eleman Örnekleri

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 8
Erosion (Aşınma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 9
Erosion (Aşınma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 10
Erosion (Aşınma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 11
Erosion (Aşınma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 12
Erosion (Aşınma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 13
Erosion (Aşınma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 14
Erosion (Aşınma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 15
Erosion (Aşınma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 16
Erosion (Aşınma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 17
Erosion (Aşınma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 18
Erosion (Aşınma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 19
Erosion (Aşınma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 20
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 21
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 22
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 23
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 24
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 25
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 26
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 27
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 28
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 29
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 30
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 31
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 32
Dilation (Yayma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 33
Opening (Açma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 34
Opening (Açma)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 35
Closing (Kapama)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 36
Closing (Kapama)

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 37
Matlab’de Morfolojik İşlemler 1

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 38
Matlab’de Morfolojik İşlemler 2

13.05.2022 İlgili sunu Ahmet Yesevi Üniversitesi için "Ders Öğretim Elemanı" tarafından hazırlanmıştır. 39