Upload
emre-delibas
View
761
Download
10
Embed Size (px)
Citation preview
GÖRÜNTÜ İŞLEME
Görüntü İşleme Nedir?
Dijital bir resim haline getirilmiş olan gerçek yaşamdaki görüntülerin, bir girdi resim olarak işlenerek, o resmin özelliklerinin ve görüntüsünün değiştirilmesi sonucunda yeni bir resmin oluşturulmasıdır.
Görüntü İşleme Nedir?
Görüntü İşlemenin Faydaları
Resimler genellikle analog ortamlardan dijital ortamlara geçirildiği için bozukluk (noise) içerir. Görüntü işleme bu hataları düzeltmek için kullanılabilir.
Görüntü İşlemenin Faydaları
Resimler faydalı işler için işlenir.
Bir görüntüdeki kan sayımını yapmak, Zarfların üzerinden posta kodunun
okunması, Plaka tanıma sistemleri gibi.
Görüntü İşlemek İçin Neler Yapılır?
“Gürültü” Temizlemek Parlaklığı Ayarlamak Koyuluk Ayarlamak Görüntü keskinleştirmek ve bulanıklaştır
mak Doğru renk ayarlamak
Görüntü Nedir?
Gerçek yaşamda, bir görüntü veya resim basit 2 değişkenin bir fonksiyonu olarak tanımlanır.
A(x,y) gibi bir fonksiyonlar ifade edilen bir resimde a bir şiddet birimi (örneğin parlaklık) ve x veya değişkenleri ise resmin gerçek koordinatlarıdır.
Dijital Görüntü Tanımlamaları
Dijital görüntü sayısal değerlerden oluşur.
1 ve 0’lardan oluşan sayısal görüntü yapımız a[m,n], 2 boyutlu dünyadan elde edilen a(x,y) fonksiyonundan örnekleme tekniği kullanılarak oluşturulur.
Dijital Görüntü Tanımlamaları
Gerçek Resim Sayısal Resim
Dijital Görüntü Tanımlamaları
Sayısal görüntümüz M ve N sayılarında satır ve sütunlardan oluşur.
Satır ve sütünların kesiştiği her bölgeye piksel denir.
O pikseldeki değer ise derinlik (z), Renk (λ) ve zamanın (t) bir fonksiyonudur.
Dijital Görüntü Tanımlamaları
Görüntü Tanımlama Örneği
Yukarıdaki resimde N=16 ve M=16 ‘dır. Her pixele atanan değer ise o pikselin parlaklık değerinin en yakın tamsayıya yuvarlatılmış halidir. [m=10, n=3] ‘teki değer L=110’dur.
Niteliklendirme Görüntünün piksel değerlerinin belirli aralıklarda
olması, meydana gelen görüntünün niteliğini değiştirir.
Örneğin 0 beyazı ve n1 de siyahı temsil ederse ve bu değerler arası gri tonlarını ifade eder.
Burada n= 2^b olmak üzere, b değeri görüntünün 1 pikselini ifade etme
Örneğin b=8 ise 256 adet gri tonu bulunmaktadır.
B=1 ise resim sadece 0 ve 1 ‘lerden oluşur ve buna İkili resim(Binary Image) denir.
Niteliklendirme
Uzaysal Çözünürlük
Bir resmin uzaysal çözünürlüğü (Spatial Resolution) , o resmin 1 pikselinin fiziksel büyüklüğüne eşittir.
Kısaca, bir resmin detaylanabilir en küçük parçasıdır.
Uzaysal Çözünürlük
Koyuluk (Contrast)
Göz lokal etkilere göre görüntüyü farklı algılar.
Kontrast görüntü oluşumunda ve gözün algılamasında önemli bir etkidir.
Koyuluk (Contrast)
Aşağıda merkezdeki kare aynı olmasına rağmen
göz onu farklı kareler gibi algılamaktadır.
Aşağıda her bir dikdörtgensel bölge aynı renkte olmasına rağmen göz farkıl renklerde gibi algılamaktadır.
Aşağıda göz aslında olmayan hayalet kareler görmektedir. (Ghost Squares)
İndekslenmiş Görüntüler
Resimleri daha iyi ve verimli saklamak için diğer bir yöntem ise indekslemedir.
İndekslenmiş resimlerin bir renk paleti vardır.
Bu palet 3 tane kolonu olan ve her satırın o bir rengin RGB değerini içerdiği bir matristir.
Dolayısıyla her piksel , bu tabloya bir indeks değeri içerir.
Değişik renk paletleri kullanılarak aynı resim değişik şekillerde ifade edilir.
Renkli resimlerde ayrı ayrı RGB değerlerinin tutulması yerine palet tutulması , bu bakımdan daha avantajlıdır.
RGB > Gri tonları
RGB değerleri, gri tonlarına şu formülle dönüştürülür:
Gri Tonları > İkili Resimler
Gri tonları ise ikili resimlere şu formülle dönüştürülür:
Burada d belirli bir eşik değeridir ve bu değer, çevirim için ana noktadır. (Threshold)
Eşik noktalarının kullanılması hesaplama işlemini kolaylaştırırken bilgiyi yeterli kullanmaması ve genellikle elle girilen bir değer oluşturması bir dezavantajdır.
Görüntü Operasyonları
Görüntü operasyonları , a[m,n] gibi bir girdi görüntüsünü, b[m,n] gibi bir çıktı görüntüsüne çevirir.
Operasyonlar, Nokta Yerel Global
olmak üzere 3 sınıfta toplanırlar.
Komşuluk İlişkileri
Sayısal görüntü işlemede komşuluk ilişkileri çok önemlidir.
Komşuluk ilişkileri ise ancak görüntü örnekleme yapılarak elde edilebilir. Temel örnekleme yöntemleri şunlardır:
Dikdörtgensel örneklemede resmin üzerinde dikdörtgensel bir ızgara olduğu düşünülür.
Altıgensel örneklemede ise resmin altıgenlerden oluşmuş parçalar içerdiği düşünülür.
FİLTRELEME
Filtreler resmin içerisindeki bazı ayrıntıları ortaya çıkartmak veya resim içerisindeki istenmeyen gürültülerin yok edilmesini sağlamak için kullanılmaktadır.
Özellikle; resimleri sayısal olarak kaydeden cihazların görüntüyü hatalı bir şekilde elde etmeleri ve aydınlatma gibi çevre koşullarının yetersizliğinden kaynaklanan bir çok kayıp yada pürüz görüntü işleme filtreleri kullanılarak en aza indirilebilmektedir. Genelde filtreler 3x3 matris olarak ifade edilirler.
FİLTRELEME
Farklı amaçlar için farklı filtreleme operatörleri vardır. Bunlara: Görüntü yumuşatma, Kenar keskinleştirme, Kenar belirleme gibi daha bir çok amaçla
kullanılan filtreler örnek verilebilir.
Bilindiği gibi görüntüyü oluşturan pikseller konumları ve gri değerleri ile tanımlanabilmektedir. Daha doğrusu bir görüntü matris formuna sahiptir.
FİLTRELEME
Aşağıdaki şekilde 8x8 lik bir görüntüyü oluşturan piksellerin gri değerleri verilmiştir.
FİLTRELEME
Filtreler çekirdek matris formundadır ve boyutları 3x3, 5x5, 7x7, 9x9, 11x11 şeklinde olabilir. Filtre matrisi tanımlandığı amaca yönelik olarak görüntüde işleme sokulur.
Örneğin yukarıdaki filtre matrisi ile görüntüyü filtrelediğimizde bu matrisi tüm görüntü üzerinde 3x3 lük pikseller şeklinde uygularız.
0 -1 0
-1 5 -1
0 -1 0
FİLTRELEME
Bir görüntüde i,j pikselin komşuluk ilişkisi yukarıda verilmiştir. Buna göre yukarıdaki örnek filtre matrisini uygulayacak olursak:
g´(i,j)=(-1*gi,j-1)+(-1* gi-1,j)+(5* gi,j)+(-1* gi+1,j)+(-1* gi,j+1)
olur.
i-1,,j-1 i,,j-1 i+1,j-1
i-1,,j i,,j i+1,,j
i-1,j+1 i,,j+1 i+1,,j+1
0 -1 0
-1 5 -1
0 -1 0
FİLTRELEME
Örneğin 1,1 koordinatlı pikselin filtrelenmiş değerini bulmak istersek: g´1,1=-97-93+5*96-98-96=96
Benzer şekilde g´4,5 : g´4,5=-116-116+5*117-110-107=136
Tüm pikseller bu şekilde işleme sokularak filtreleme gerçekleştirilir.
92 97 101
93 96 98
92 96 101
0 -1 0
-1 5 -1
0 -1 0
116 116 110
116 117 110
104 107 107
G 1,1Matrisi Filtre Matrisi
G4,5 Matrisi
0 -1 0
-1 5 -1
0 -1 0
Filtre Matrisi
FİLTRELEME
Açıkça görüldüğü gibi filtrelenen görüntüde iki satır ve iki sütunluk veri kaybı söz konusudur.
Yani g0,0, ...... g0,7satırı,
g0,0, ...... g7,0sütunu,
g0,7, ...... g7,7sütunu,
g7,0, ...... g0,7satırı
Filtreleme işlemine tabi tutulamaz. Çünkü g0,0-1 pikseli veya
g0-1,0 pikseli söz konusu değildir. Bu piksellerin de filtrelemeye
katılması için çevre piksellerden yararlanılır. Örneğin g0,0 ve
g7,7 pikselinin komşuları aşağıdaki şekilde oluşturulur:
FİLTRELEME
Aşağıda örnek görüntünün filtrelenmiş sonucu görülmektedir.
Orijinal Görüntü Filtrelenmiş Görüntü
Filtreleme
1. Averaj (Mean) Operatörü
Çekirdek görüntü üzerinde boş bir 3x3, 5x5 gibi filtrelerin
gezdirilerek ortalama değerin yeni piksel değeri olması
prensibine göre çalışır.
Filtrelenen Piksel r = (a1 + a2 +....+ a9) / 9
Yeni a5’ = (a1 + a2 +....+ a9) / 9
a1 a2 a3
a4 a5 a6
a7 a8 a9
Filtreleme
1. Averaj (Mean) Operatörü
Orjinal Resim
Gürültü eklenmiş Resim
Mean Filtre
Filtreleme
2. Medyan Operatörü
Çekirdek görüntü üzerinde boş bir 3x3, 5x5 gibi filtrelerin
gezdirilerek ortanca değerin yeni piksel değeri olması
prensibine göre çalışır.
Filtrede yer alan değerlerin dizilimi : 22, 28, 48, 77, [87], 93, 102, 120, 132
Yukarıdaki duruma göre işaretli pikselin yeni değeri 87 dir.
22 77 48
87 93 28
102 132 120
Filtreleme
2. Medyan Operatörü
Orjinal Resim
Gürültü eklenmiş Resim
Medyan Filtre
Filtreleme
3. Gaussian Filtre Gaussian filtreleme aynı zamanda bir fourier dönüşümüdür. Gauss
filtre ile sonsuz bir transfer fonksiyonuna karşılık mekansal alanda sonlu bir pencerede (tarama penceresi) filtreleme yapılabilmektedir.
Tek Boyutlu formu :
İki boyutlu formu :
G(x) = sqrt(1.0 / (sqrt(2.0 * pi * sigma)))*exp(-(x*x)/(2*sigma*sigma)))
Burada sigma değeri standart sapma hesaplanarak tespit edilir. Ancak 1.00 ile 3.00 arasında bir değerde verilebilir.
Filtreleme
3. Gaussian Filtre
Orijinal Resim Gaussian sigma = 3 Gaussian sigma = 1
Gürültülü Resim Gaussian sigma = 3 Gaussian sigma = 1
Filtreleme
4.Katlama(Convolution Filtering) Katlama filtreleme bir görüntünün mekansal frekans karakteristiğinin
değiştirilmesinde kullanılır. Katlamanın genel formülü aşağıda verilmiştir:
Burada
fij ; filtre matrisinin katsayısıdır,
gij ; piksel gri değeridir,
n ; filtreleme matrisinin boyutlarıdır(örn 3x3,5x5,7x7),
F ; filtreleme matrisinin elemanları toplamıdır. Eğer toplam sıfırsa 1 dir.
Filtreleme
4.Katlama(Convolution Filtering)
Aşağıda çeşitli katlama filtreleri verilmiştir: Bulanıklaştırma:
Kenar Pekiştirme :
Kenar Belirleme :
1 1 1 1 2 1 1 1 1 2 4 2 1 1 1 1 2 1
0 1 0 -1 -1 -1 1 -2 1 1 -4 1 -1 8 -1 -2 4 -2 0 1 0 -1 -1 -1 1 -2 1
0 0 0 0 -1 0 -1 0 0 -1 1 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0
Filtreleme
4.Katlama(Convolution Filtering)
Orijinal Resim Keskinleştirilmiş Resim
Keskinleştirme:-1 -1 -1 0 -1 0 -1 9 -1 -1 5 -1 -1 -1 -1 0 -1 0
Filtreleme
4.Katlama(Convolution Filtering)
Örnek Uygulama : 10x10 ‘luk gri tonda örnek görüntü matrisimiz
34 22 77 48 237 205 29 212 107 41
50 150 77 158 233 251 112 165 47 229
93 0 77 219 43 56 42 113 140 94
32 19 44 30 36 94 151 101 28 84
10 90 48 73 63 148 159 183 99 22
192 70 27 88 20 230 53 34 38 106
239 202 196 205 50 123 192 88 41 37
230 174 14 22 127 100 189 186 214 187
227 86 195 6 53 168 46 166 36 249
215 165 237 110 125 191 191 94 123 8
Örnek görüntümüze uygulayacağımız kenar belirleme filtremiz;
Filtremizi uygulayacağımız görüntü parçamız;
Eğer katlama filtremizi görüntü matrisimizin ilk bloğuna uygularsak matris yerleşimi aşağıdaki gibi olacaktır.
Bütün değerleri toplarsak; (-34)+(-22)+(-77) + (-50)+(1200)+(-77) + (-93)+(0)+(-77)
= 770
Filtreleme
4.Katlama(Convolution Filtering)
-1 -1 -1
-1 8 -1
-1 -1 -1
-1*34 -1*22 -1*77
-1*50 8*150 -1*77
-1*93 -1*0 -1*77
34 22 77
50 150 77
93 0 77
Filtreleme
4.Katlama(Convolution Filtering) İstersek çıkan değerimizi bir sabitle bölüp ve bias(sapma sabiti)
uygulayabiliriz. (770 / divisor) + bias = (Örnek değerler divisor=1, bias=0)
O Halde : piksel = 770 / 1 + 0 = 770 olur. Eğer piksel değeri > 255 yeni değer 255
Eğer piksel değeri < 0 yeni değer 0 olur. O halde uygulanan filtre sonucunda yeni piksel değeri 255’dir.
Filtremizi bütün görüntü matrisimiz boyunca uygulamaya devam edersek bir sonraki filtrelenecek matris olarak karşımıza aşağıdaki veriler çıkacaktır;
34 22 77
50 255 77
93 0 77
22 77 48
150 77 158
0 77 219
Filtreleme
5. Sobel Operatörü
Kenar belirlemede kullanılan operatör dikey ve yatay filtreleri uygulandıktan sonra
P1 p2 p3
P4 P5 p6
P7 P8 p9
X = (p1+(p2+p2)+p3-p7-(p8+p8)-p9)
Y = (p3+(p6+p6)+p9-p1-(p4+p4)-p7)
P5 = SQRT((X*X)+(Y*Y)) şeklinde bulunur.
Filtreleme
5. Sobel Operatörü
Orijinal Resim Sobel
Filtreleme
6. Laplace OperatörüSobel operatörü yatay ve düşey yönde keskinlikleri yakalamaya yarıyordu. Oysa Laplace operatörü her yöndeki keskinleştirme yapmaya yarar.
yukarıda laplace operatörünün matematiksel tanımı verilmiştir. Buradan laplace maskı ya da filtre matrisi:
dört farklı filtre şeklinde uygulanabilmektedir.
Filtreleme
6. Laplace Operatörü
Orijinal Resim Laplacian
Filtreleme
7. Roberts Operatörü Robert kenar belirleme operatörü dikey ve yatay olarak art arda aşağıda
belirtilen formlarda uygulandığında temel kenar belirleme işlevini yerine getirir.
P1 pikselinin yeni değeri için;
X = abs(p1-p4) ve Y = abs(p2-p3)
piksel = SQRT((X*X)+(Y*Y))
Filtreleme
7. Roberts Operatörü
Orijinal Resim Roberts
Multimedya İşleme İçin Resim İşleme Teknikleri Multimedyadaki tüm gelişimler ve tüketici
tercihleri, yenilikçi şirketler için iş imkânları içeren hizmetler ve birçok ürünü yaratacaktır. Fakat bu olasılıkların yanında birtakım teknolojik problemler de ortaya çıkacaktır.
Bunlardan bazıları şöyledir:
Multimedya sinyallerini işlemek için hizmet kalitesi konusundaki gereklilikleri karşılamak üzere yeni metotlar geliştirilmelidir. Multimedya uygulamalarının ekseriyetinde cihazlar
oldukça fazla bilgiyi yakalar ve gösterirdi. Optik, elektro-optik veya elektronik cihazlarla elde edilen veriler hassas ortamlarda dönüştürülmektedir.
Görüntüdeki gürültü kayıt esnasında kalitenin düşürülmesi sonucu ortaya çıkar. Filtreleme ve sinyal artışı gibi dijital işleme tekniklerinin kullanımı sistemin performansını artıracaktır.
Multimedya sinyallerinin etkin bir şekilde sıkıştırılması ve kodlanması, özellikle kalite düşüncesiyle vurgulu görsel sinyaller, dikkate alınmalıdır. Dijital resimler ve video sinyalleri gibi zengin veri türleri
büyük depolama ve bant genişliğine ihtiyaç duyar. Bu durumda da resimleri daha kompak formatlara dönüştüren ve depolayan teknikler büyük önem arz etmektedir.
Multimedya uygulamaları yüksek resim kalitesi ve sıkıştırma oranlarına ulaşmayı gerektirir. Dijital kütüphanelerde DVD sürücülerde ve HDTV gibi teknolojilerde kalite birinci sırayı alır. Mevcut teknolojiler makul resim kaliteleriyle 10:1 ile 15:1 düzeylerinde sıkıştırmayı gerçekleştirebilmektedir.
Multimedya verileri arama ve indexleme için yeni teknikler geliştirilmelidir. Multimedya bilginin, geri getirme ve işleme için
gerekli araç kıtlığı ve boyut konularında ele alınması zordur. Temel sorun bu verinin farklı disiplinlerden özel eğitimi olmaksızın insanların ele alınması ve kurtarılmasıdır. Alfanumerik verinin aksine Multimedya bilgi mantıksal yapı içermemektedir. Bu yüzden, geleneksel bilgi yönetim sistemleri Multimedya veriyi doğrudan yönetmek için kullanamaz.
Multimedya İşlemede Renk
Işık, maddenin fiziksel yapısındaki atomik etkileşim sonucunda meydana gelen ışıma ile doğrusal dalgalar halinde yayılan elektromanyetik dalgalara verilen addır.
Tayf, renklerin, seslerin, elektromanyetik dalgaların ya da diğer fiziksel gerçeklerin, belli bir değer kümesi ile sınırlanmadan birbiri ardına süreklilik içinde sonsuz değişmesi durumudur.
Tayf, spektrum (İng:’spectrum’) olarak da kullanılabilmektedir.
Elektromanyetik tayf çok geniş bir dalga boyu aralığına sahiptir ancak insan gözü sadece 380-740nm aralığındaki dalga boylarını görebilir, bu nedenle 380-740nm aralığındaki ışık için görülebilir ışık denilmektedir.
Multimedya İşlemede Renk
Işık diğer elektromanyetik dalgalarla aynı 3 temel özelliği paylaşır:
Dalga boyu: Renk olarak algıladığımız bu özellik frekans ile ters orantılıdır.
Şiddet: Bu özelliği parlaklık olarak algılarız. Polarite: Titreşim açısıdır ve cisimlerden yansıma
sırasında ışığın farklı karakterler almasına neden olur ve polarizer filtrelerin kullanım alanını doğuran ışık özelliğidir diyebiliriz.
Renk, ışığın değişik dalga boylarının gözün retinasına ulaşması ile ortaya çıkan bir algılamadır.
Multimedya İşlemede Renk
Nesneleri görülebilir kılan şey ya doğrudan ışık kaynağı olmaları ya da üzerine düşen ışığın belli bir dalga boyunu geçirirken diğer dalga boylarını yansıtmasıdır. Eğer söz konusu nesne ışık kaynağı konumundaysa (ampül, LCD ekran gibi) renkleri toplamsal RGB renkleri ile, değilse çıkarımsal CMYk renkleri ile tanımlarız.
Multimedya İşlemede Renk Koni Tipi İsim Aralık Tavan Dalga boyu
S (kısa) β 400–500 nm 420–440 nm
M (orta) γ 450–630 nm 534–545 nm
L (uzun) ρ 500–700 nm 564–580 nm
Multimedya İşlemede Renk Renk modeli, renklerin üçlü ya da dörtlü sayısal
değerlerle (renk bileşenleri) tanımlanmasında kullanılan soyut bir matematiksel modeldir.
Renk modelleri toplamsal ve çıkarımsal renk sistemleri olarak iki ayrı prensibe dayanır. Toplamsal ile kastedilen değişik ışık frekanslarının
birleşerek gözümüze ulaşması iken, çıkarımsal ile kastedilen gözümüze ulaşana kadar kimi ışık frekanslarının ışıktan ayrılmasıdır.
Bu renk modellerinde renk bileşenlerinin nasıl yorumlanacağı kesin kurallara bağlandıktan sonra elde edilen renk kümesine de renk uzayı denir.
Gamut ise yazıcı ya da bilgisayar ekranı gibi bir çıktı cihazının görüntüleyebileceği ya da yazdırabileceği renk aralığını ifade eder.
Multimedya İşlemede Renk
Toplamsal RGB Renk Modeli RGB, İngilizce ‘red’, ’green’ ve ‘blue’ kelimelerinin ilk
harflerinin kullanılması ile elde edilmiş bir kısaltmadır. Gözümüzdeki koni hücrelerinin kırmızı, yeşil ve mavi
renklere duyarlı olduklarını, diğer tüm renklerin de bu renklerin birleşiminden oluştuğunu söyleyebiliriz. Işık kaynağı olarak çalışan bilgisayar ekranlarımız da mavi ve yeşil ana renklerini birlikte kullanarak sarı rengi gösterir, aşağıdaki şekilde LCD’deki tek bir pikselden yola çıkarak nasıl sarı renk elde edildiğini görebilirsiniz.
Multimedya İşlemede Renk
Toplamsal RGB Renk Modeli
Multimedya İşlemede Renk
Çıkarımsal CMYK Renk Modeli CMYK, İngilizce ‘cyan’, ‘magenta’ ve ‘yellow’
kelimelerinin baş harflerinden oluşmaktadır. ‘K’ siyahı temsil eder. İngilizce ‘black’ kelimesinin ilk harfi olan ‘B’, RGB renk modelinde kullanıldığı için ‘black’ kelimesinin son harfi olan ‘k’ harfi kullanılmıştır.
Doğrudan ışık kaynağı olmayan tüm nesneler, doğrudan ışık yaymayıp, aldıkları ışığın bir kısmını yansıtarak dolaylı yoldan ışık yaymış olurlar. Yazıcınızdan aldığınız renkli bir çıktıdaki sarı renk normalde sarı ışık yaymaz, beyaz ışığın mavisini geçirirken, geriye kalan kırmızı ve yeşil kısımlarını yansıtır. Bu gözümüzde bilgisayar ekranımızın sarı renk yaymasına benzer bir etki bırakır.
Multimedya İşlemede Renk
Çıkarımsal CMYK Renk Modeli
CMYk renkleri çıkarımsal olarak isimlendirilirler çünkü renk birleşiminde beyaz ışıktaki bazı renkleri beyaz ışıktan ‘çıkarıp’ yani emip, bazılarını yansıtırlar.
Multimedya İşlemede Renk
Çıkarımsal CMYK Renk Modeli
Multimedya İşlemede Renk
RGB-CMYk Arasındaki İlişki RGB ve CMYk renk uzayları birbirlerini tamamlayan
bir yapıya sahiptirler. RGB renk modelinin her ana rengi, CMYk renk modelindeki bir ana rengi tamamlar niteliktedir yani bu iki tamamlayıcı rengin birlikte kullanılması ile tekrar beyaz renk elde edilir. CMYk renk modelinde ise sonuçta elde edilecek renk siyah olacaktır.
Cyan, kırmızıyı tamamlar çünkü RGB modelinde cyan zaten yeşil ve mavi rengi içerir
Magenta, yeşili tamamlar Sarı, maviyi tamamlar
Multimedya İşlemede Renk
RGB-CMYk Arasındaki İlişki
Multimedya İşlemede Renk
HSV Renk Modeli HSV: Hue Saturation Value L*A*B şemasının köşeleri saf renkleri
gösterir. Bu şemayı daire haline getirirsek renk tekerini elde ederiz. Şekli biraz daha değiştirerek altıgen şekline de ulaşabiliriz. Altıgenin her köşesi yine 6 ana renkten birini temsil ederken, 0-360 derece arasında her bir değer de bir renk tonuna (Hue) karşılık gelecektir.
Multimedya İşlemede Renk
HSV Renk Modeli Toplamsal ana renklerin hepsini karıştırırsak
beyaz rengi elde edeceğimizi belirtmiştik. Beyaz renk bilgisi içermediği için altıgenimizin tam merkezini temsil eder ve merkezden köşelere doğru ilerledikçe rengin doygunluğu (Saturation) artar ve altıgenin dış hatlarında saf renk tonu elde edilmiş olur yani merkezde doygunluk %0 iken dış hatlarda %100 değerine ulaşır.
Multimedya İşlemede Renk
HSV Renk Modeli Geriye kalan son renk bilgisi rengin
parlaklığıdır. HSV renk uzayı HSB yada HSV/B olarak da kullanılabilmektedir. Doygunluğun azaltılması renge gri katmak gibi bir etkiye sahipken, parlaklığın azaltılması renklerin siyaha yaklaşmasına neden olur, bu etkiyi şekli inceleyerek daha güzel görebilirsiniz.
Multimedya İşlemede Renk
HSV Renk Modeli
Multimedya İşlemede Renk
L*A*B Renk Uzayı Lab renkleri, insan gözünün görebildiği
renklerden de fazlasını kapsayan bir renk uzayıdır. L, İngilizce ‘lightness’ın’ kısaltmasıdır ve gözümüzdeki koni hücreleri gibi detay bilgisini taşıyan parlaklık değerini taşır; a ve b ise sarıya-mavi ile kırmızıya-yeşil renk dengesi bilgilerini taşır. LAB renk uzayının adı kimi yerlerde CIELAB, CIE 1976 (L*, a* ,b*) renk uzayı olarak da geçebilmektedir.
Multimedya İşlemede Renk
L*A*B Renk Uzayı CIE, ışık, aydınlatma, renk ve renk uzayları üzerine
uluslararası otorite olan Commission Internationale de Léclairage’nin kısaltmasıdır.
RGB ve CMYK’nın aksine LAB renk uzayı insan algısına yaklaşacak şekilde tasarlanmıştır. Photosohop ve PDF’de LAB renk uzayları kullanılabilmektedir. LAB bileşenleri şöyledir: L* : Rengin parlaklığını belirtir, 0 değeri siyahı verirken,
100 değeri dağılmış beyaz rengi verir A* : Kırmızı / magenta ile yeşil arasındaki renk
dengesini belirtir, eksi değerler yeşili gösterirken artı değerler magentayı gösterir.
B* : Sarı-mavi arasındaki renk dengesini belirtir, eksi değerler maviyi gösterirken artı değerler sarıyı gösterir.
Multimedya İşlemede Renk
L*A*B Renk Uzayı Aşağıdaki dönüşüm eşitlikleri bir RGB vektör
değerler kümesini L*a*b* uzayına çevirmede kullanılabilir.
Multimedya İşlemede Renk
L*A*B Renk Uzayı Aşağıdaki formüller RGB koordinat
sistemindeki bir noktanın HSV uzayındaki uygun değere dönüştürülmesinde kullanılabilir.
Yandaki ifadede, Max ve Min operatörleri, her biri ayrı ayrı 0-255 arasında olan R,G ve B sırasıyla maksimum ve minimum değerlerini seçer.
Renkli Resim Filtreleme
Çok kanallı resimlerin filtrelenmesi, renkli resimlerin işlenmesindeki öneminden dolayı üzerindeki ilgiyi artırmıştır. Çok kanallı resim filtrelemede son zamanlarda çok sayıda filtreleme tekniği önerilmektedir. Kenar ve detayların korunması, itici ve Gauss gürültülerin temizlenmesi için Non-Lineer filtrelerin resme uygulanması gerekir. Öte yandan, çok kanallı resimlerin vektör işlemesi filtreleme ve kenar tespitinde kullanılan en etkili metotlardan biridir.
Renkli Resim Filtreleme
Non-Lineer filtreler, gürültü yüzünden bozulmuş resimlerin onarımı ve yumuşatma işlemleri için geçmişte geniş kullanım alanına sahip olan sıra istatistiği tabanlıdır. Son günlerde, resim filtrelemede, uzaklık ölçümleri kullanan çok değişkenli vektörler arasındaki bağıntıyı kullanan çok sayıda çok kanallı filtre önerilmiştir. Bunlar arasında, Vektör medyan filtre (VMF), Vektör Yönelimli Filtre (Vector Directional Filter – VDF), Bulanık Vektör Filtre (FVF) ve ağırlıklı ortalama filtrelerinin farklı versiyonları bulunmaktadır.
Renkli Resim Filtreleme
Son zamanlarda resim işleme için sıra istatistiği tabanlı non-lineer çok kanallı filtreler dışında birçok bulanık operatör geliştirildi. Verideki yerel bağıntıdan, işlemsel pencere içinde kalan pikseller üzerine bulanık kuralların doğrudan uygulanmasıyla yararlanılır. Bulanık işlemin çıktısı bulanık kural ve bir çıktı değeri için farklı kuralların etkisini birleştiren defuzzification işlemi temeline dayanır.
Renkli Resim Filtreleme
Ancak, bulanık resim işlemleri için gerekli bulanık kuralların tipi ve sayısına karar vermenin optimal bir yolu bulunmamaktadır. Genellikle çok fazla sayıda kurala ihtiyaç vardır ve tasarımcı kalite ve kural sayısı arasında karara varmalıdır, çünkü yumuşatma işleminde dahi çok büyük sayılarda kurala ihtiyaç vardır.
Renkli Resim Filtreleme
Kullanılmış çok sayıda filtre yapısı, spesifik bir konu için tasarlandığından farklı bir operasyon senaryosunda kötü performans sergilemekte ve bu da araştırmacılar zorlukları beraberinde getirmektedir. Bu yüzden, geniş bir uygulama alanında eşit uygulanabilirliği olan bir non-lineer adaptif filtre büyük öneme sahiptir.
Renkli Resim Filtreleme
Bulanık Çok Kanallı FiltrelerFiltreleme Yapısı
y(x) : Zl → Zm çok kanallı bir resmi temsil etsin ve , n boyutunda sınırlı bir pencere olsun (filtre uzunluğu). W penceresindeki gürültülü pikseller xj olsun, j = 1,2,…,n. Filtre sınıfının genel şekli W penceresinin içindeki girdi vektörlerinin bulanık ağırlıklı bir ortalaması olarak verilir. Bozulmamış çok kanallı sinyal işlem penceresindeki vektörlerin ağırlık merkezinin belirlenmesiyle tahmin edilir.
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler Buna göre, filtrenin pencere merkezindeki
çıktısı şu şekilde olur:
Burada dır.
n
j j
j
w
w
1
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler Filtrenin ağırlıkları her resim pozisyonundaki
bir uzaklık kriterinin dönüşümlerini kullanarak uyarlanabilir bir şekilde belirlenir. Bu ağırlık katsayıları pencerenin (üzerinde çalışılan) merkezi ile filtre penceresindeki tüm örneklerin arasındaki uzaklıkların toplamının dönüşümüdür.
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler Filtrenin ağırlığı, her resim pozisyonuna göre
uyumlu bir mesafe dönüşüm kriteri kullanılarak hesaplanır. Bu ağırlık katsayıları pencere ( algılanan, işlem yapılan piksel) ile filtre penceresi içerisindeki tüm örneklerin merkezi arasındaki mesafelerin ortalamasının dönüşümüdür. Böylece, bulanık ağırlıklar filtre yapısını bağımlı yaparak hangi vektörün çıktıya yardımcı olacağının derecesini sunar.
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler Bunun gibi bir bakış açısından, bulanık
kümeleme yaklaşımı ÇK sinyalin belirsizliğini göz önüne alarak küme merkezinin belirlenmesi için tanımlanır. Filtre yapısı burada, bulanık üyelik fonksiyonlarının ve veri bağımlı filtreli uzaklık kavramlarının birleştirilmesini teklif eder. Normalizasyon prosedürü boyunca, iki sınırlama, çıktının tarafsız hesaplayıcı olmasının sağlanmasını garanti etmek için gereklidir
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler
Bunlar; Her ağırlık pozitif bir numaradır , ξ ≥ 0 Tüm ağırlıkların ortalaması bire eşittir, .
11
n
j j
Renkli Resim Filtreleme
Bulanık Çok Kanallı Filtreler