T.C.

MARMARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

SAYISAL GÖRÜNTÜ İŞLEMEYE DAYALI PROSES

KONTROLÜ İÇİN BİR SİSTEM TASARIMI

Hasan AKAN (Teknik Öğretmen)

YÜKSEK LİSANS TEZİ

ELEKTRONİK-BİLGİSAYAR EĞİTİMİ ANABİLİM DALI

ELEKTRONİK-HABERLEŞME EĞİTİMİ PROGRAMI

DANIŞMAN

Doç. Dr. Ahmet AKBAŞ

İSTANBUL 2007

T.C.

MARMARA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

SAYISAL GÖRÜNTÜ İŞLEMEYE DAYALI PROSES

KONTROLÜ İÇİN BİR SİSTEM TASARIMI

Hasan AKAN (Teknik Öğretmen) (141101020040062)

YÜKSEK LİSANS TEZİ

ELEKTRONİK-BİLGİSAYAR EĞİTİMİ ANABİLİM DALI

ELEKTRONİK-HABERLEŞME EĞİTİMİ PROGRAMI

DANIŞMAN

Doç. Dr. Ahmet AKBAŞ

İSTANBUL 2007

i

TEŞEKKÜR

Tez çalışmam süresince her türlü maddi ve manevi desteklerinden dolayı

danışmanım sayın Doç.Dr. Ahmet AKBAŞ’a teşekkürlerimi sunarım. Tezimin yazım

aşamasındaki yardımlarından dolayı Arş. Gör. Volkan Yusuf Şenyürek’ e teşekkür

ederim. Bugüne kadar hiçbir şeyi esirgemeyen anne ve babama da teşekkürü bir borç

bilirim.

ii

İÇİNDEKİLER

SAYFA

TEŞEKKÜR.............................................................................................. i İÇİNDEKİLER .......................................................................................ii ÖZET....................................................................................................... iv

ABSTRACT ............................................................................................. v

SEMBOL LİSTESİ ................................................................................vi KISALTMALAR..................................................................................viii ŞEKİL LİSTESİ ..................................................................................... ix

TABLO LİSTESİ ...................................................................................xi BÖLÜM I GİRİŞ VE AMAÇ............................................................... 1

I.1. GİRİŞ................................................................................................................ 1 I.1.1. Sayısal Görüntü İşlemeye Dayalı Sistem Emülasyonu .............................. 3 I.1.2. MATLAB ................................................................................................... 4

I.2. AMAÇ............................................................................................................... 5 I.3. BÖLÜMLERİN ÖZETİ.................................................................................. 6

BÖLÜM II BİLGİSAYARLI GÖRME .............................................. 8

II.1. GÖRME SİSTEMLERİ ................................................................................ 8 II.1.1. Görme Sistemlerinin Bileşenleri ............................................................... 8 II.1.2. Kamera ve Göz........................................................................................ 10 II.1.3. Bilginin Rolü ........................................................................................... 14 II.1.4. İlgi Alanları ve Görev Sınıfları................................................................ 14

II.2. GÖRÜNTÜ BİÇİMLENDİRME................................................................ 17 II.2.1. Görüntünün Oluşumu .............................................................................. 17 II.2.2. Veri Yapıları ............................................................................................ 18

II.3. GÖRÜNTÜ İŞLEME................................................................................... 21 II.3.1. Düşük Seviyeli İşlemler .......................................................................... 21 II.3.1.1. Parlaklık ve Kontrast Ayarı ....................................................... 22 II.3.1.2. Gri Ton Ölçekleme Dönüşümü ................................................. 24 II.3.1.3. Filtreleme................................................................................... 26 II.3.1.4. Eşikleme: GT-SB Görüntü Dönüşümü...................................... 29 II.3.1.5. Morfolojik İşlemler ................................................................... 30 II.3.1.6. Komşuluklar .............................................................................. 31

iii

II.3.2. Orta Seviyeli İşlemler.............................................................................. 32 II.3.2.1. Temel Tanımlar ......................................................................... 33 II.3.2.2. Görüntü Analizinde Kullanılan Tanımlayıcılar......................... 34 II.3.3. Yüksek Seviyeli İşlemler......................................................................... 40

II.4. ALGORİTMALARIN PERFORMANSI .................................................. 41

BÖLÜM III EMÜLASYON SİSTEMİ ............................................. 43

III.1. KULLANICI ARAYÜZLERİ ................................................................... 43 III.1.1. Ana Menü............................................................................................... 43 III.1.2. Düşük Seviyeli İşlemler Arayüzü .......................................................... 44 III.1.3. Orta Seviyeli İşlemler Arayüzü ............................................................. 49 III.1.4. Yüksek Seviyeli İşlemler Arayüzü......................................................... 54 III.1.4.1. Plaka Tanıma Uygulama Arayüzü ............................................ 55 III.1.4.2. Karakter Tanıma Uygulama Arayüzü ....................................... 59 III.1.5. Donanım Test Arayüzü .......................................................................... 62

III.2. EMÜLASYON UYGULAMASI ............................................................... 63

III.2.1. Plaka Tanıma Sistemine Genel Bakış .................................................... 63 III.2.2. Uygulamanın Gerçekleştirilme Aşamaları ............................................. 64 III.2.2.1. Karakter Veri tabanının Oluşturulması .................................... 65 III.2.2.2. Referans Değerler ve Kural Tabanının Oluşturulması............. 66

BÖLÜM IV SİSTEMİN TESTİ VE DEĞERLENDİRİLMESİ..... 68

IV.1. SİSTEMİN TESTİ ...................................................................................... 68 IV.2. DEĞERLENDİRMELER.......................................................................... 69

BÖLÜM V SONUÇ VE ÖNERİLER................................................ 70

KAYNAKLAR....................................................................................... 72 EK A ....................................................................................................... 74 EK B ....................................................................................................... 78

EK C ....................................................................................................... 81

ÖZGEÇMİŞ...............................................................................................

iv

ÖZET SAYISAL GÖRÜNTÜ İŞLEMEYE DAYALI PROSES

KONTROLÜ İÇİN BİR SİSTEM TASARIMI

Sayısal görüntüleme teknolojilerindeki hızlı gelişmelerin bir sonucu olarak,

görüntü işleme ile ilgili konularda araştırma yapmak yüksek maliyetli ve zaman alıcı

bir uğraş haline gelmiştir. Bu nedenle, son yıllarda MATLAB tabanlı simülasyon

çalışmaları önem kazanmış ve bu tür uygulamalar giderek yaygınlaşmıştır. Öyle ki,

bu yönelişin çok önemli boyutlarda zaman ve para tasarrufu sağladığı görülmüştür.

Bununla beraber, simülatörler genellikle klavyeden girilen verilere ve önceden

tanımlanmış parametrelere göre hesaplamalar yaptığından, gerçek zamanlı

sistemlerin denenmesinde sınırlamalar getirmektedir. Bu durumda, bilgisayarlı

sistemlerin dış dünyadan sürekli olarak girilen verileri alan, onları bir kontrolör gibi

işleyen ve gerçek zamanlı çıkışlar üreterek dış dünyaya aktaran bir emülasyon

yapısına kavuşturulması ile, bu sınırlamaların üstesinden gelinebilir. Böyle bir sistem

gerçek zamanlı sistem olarak değerlendirilebilir.

Bu tez çalışmasında sayısal görüntü analizine dayanan bir kontrol sisteminin

emülasyonu için MATLAB tabanlı böyle bir sistem geliştirilmiştir. Bu sistem, gerçek

zamanlı görüntü girişlerini bilgisayarın USB portu üzerinden, kontrol sürecine ilişkin

gerçek zamanlı veri giriş/çıkışlarını da paralel portu üzeriden desteklemektedir.

Sistem ayni zamanda, düşük ve orta seviyeli görüntü işleme algoritmalarının eğitimi

için bir araç olacak şekilde uyarlanmıştır.

Geliştirilen sistem, taşıt plakalarının tanınmasına göre çalışan bir otopark

bariyer kontrol sisteminin emülasyonu için kullanıldı. Bu amaçla geliştirilen bir kural

tabanlı taşıt tanıma algoritmasının testleri bu sistem üzerinde yapıldı ve sonuçların

tatmin edici olduğu gözlendi.

Haziran, 2007 Hasan AKAN

v

ABSTRACT

A SYSTEM DESIGN FOR CONTROL OF THE PROCESSES

BASED ON DIGITAL IMAGE ANALYSIS

As a consequence of rapid developments in digital imaging technologies, it has

been a difficult task to research all kinds of subjects which are related to image

processing. Because of this, MATLAB based simulations have gained great

importance and they have reached wide using capacity in recent years. So that,

simulations have proven very useful for saving both time and money.

However, simulators usually involve entering a data file from the keyboard into

the computer and having it calculate results on predefined parameters. Because of

that, simulations have limitations and not being able to operate in real time systems.

In this point, system emulation is a simple variation on the theme of simulation

where the computer system operates as a real time system receiving data continually,

processing it as if the computer is a controller and outputting results immeddiately.

Such a system can be evaluated as a real time system.

In this thesis a MATLAB based emulation system has been developed for

controlling processes including digital image analysis. This system supports a real

time camera input and a microcontroller input/output connections via the USB port

and parallel port of personal computer, respectively. This system has also been

adapted as a training tool for some low-level and medium-level image processing

algorithms.

This system has been used to emulate a parking barrier control system based on

vehicle plate recognizing. A high-level image processing algorithm developed for

this aim has been tested in the emulation environment. The test results has been

satisfied.

June, 2007 Hasan AKAN

vi

SEMBOL LİSTESİ

a : x Eksesnindeki Öteleme

b : y Eksenindeki Öteleme

B : Parlaklık

BI : İkilik Biçimdeki Görüntü

C : Karşıtlık (Contrast)

e : Dağınım, Görüntüdeki Dokusundaki Rasgeleliğin Ölçüsü

F : Fourier Tanımlayıcı Dizisi.

g : Tek Boyutlu Kontur Fonksiyon Eşdeğeri

h : Görüntü İşleme Sisteminin Birim İmpuls Cevabı

Io : Görüntü İşleme Sistemi Çıkışı

I : Görüntüde (m,n) Koordinatındaki Pikselin GT değeri.

K : Görüntüdeki Piksel Sayısı.

M : Görüntüdeki Satır Sayısı

m : Ortalama Gri Ton Yoğunluğu

mpq : Geometrik Moment.

mr : Moment Hesaplama için Referans Alınan Ortalama Değer

N : Görüntüdeki Sütun Sayısı

µpq : Merkezi Moment

µin : İstatistiksel Moment

ηpq : Normalize Merkezi Moment.

p(z) : GT Görüntünün Histogramı

Ф1-7 : Hu' nun Tanımladığı Sabit Momentler

θ : Resmin Dönme Açısı.

r : Rastgele Bir Değişken

S : k. Pikselin Tanımlı Koordinat Değişkeni

T : Gri ton Eşik Değeri

vii

u : Fourier Tanımlayıcı Numarası

z : Rasgele Yoğunluk Değişkeni 2σ : GT Görüntüdeki Kontrastın Variansı

viii

KISALTMALAR

BT : Bilgisayarlı Tomografik Görüntüleme

CCD : Yük Birleştirmeli Görüntü Sensörü (Charge Coupled Device)

DFT : Ayrık Foruier Dönüşümü

FFT : Hızlı Fourier Dönüşümü

GT : Gri Ton

GUI : Grafiksel Kullanıcı Arayüz

IPT : Görüntü İşleme Araç Kutusu

IR : Kızıl Ötesi

Krktr : Karakter

MR : Manyetik Rezonans Görüntüleme

PSF : Nokta Yayma Fonksiyonu (Point Spread Function)

RGB : Renkli Görüntü (temel renk bileşenleri, kırmızı, yeşil, mavi)

SNR : İşaret Gürültü Oranı

SB : Siyah Beyaz

USB : Genel Maksatlı Seri Port

YZ : Yapay Zeka

ix

ŞEKİL LİSTESİ

SAYFA NO

Şekil I.1 Görüntü Elde Etmek için Kullanılan Bir Geometrik Yapı Örneği .…....2 Şekil I.2 Görmeye Dayalı Proses kontrolü için Kullanılan Emülasyon Sisteminin

Blok Şeması ............................................................................................ 6 Şekil II.1 Bir Elektronik Kameranın Yapısı.......................................................... 10 Şekil II.2 İnsan Gözünün Yapısı ........................................................................... 11 Şekil II.3 Retinanın Yapsı..................................................................................... 12 Şekil II.4 Işığın Spektral Bileşenlerine Göre Gözün Bağıl Hassasiyet

Karakteristiği......................................................................................... 12 Şekil II.5 CCD Kameranın Mimari Yapısı . ......................................................... 13 Şekil II.6 Bir Sayısal Görüntünün Biçimlendirilme Sürecinde Nesne Özelliklerini

Ölçülen İşarete Bağlayan Adımlar Zinciri ............................................ 18 Şekil II.7 Piksel Koordinat Sistemine Göre Biçimlendirilmiş bir Görüntü Matrisi

Gösterimi............................................................................................... 19 Şekil II.8 Venüs Gezegeninin Mikrodalga Radarı ile Elde Edilmiş bir Sayısal

Görüntüsü.............................................................................................. 20 Şekil II.9 Parlaklık ve Kontrast Testi İçin Kullanılan Görüntü ........................... 22 Şekil II.10 Parlaklık ve Kontrast Ayarlama Örnekleri ............................................ 23 Şekil II.11 Gri Ton Ölçekleme Dönüşümü ............................................................. 25 Şekil II.12 Gri Ton Ölçekleme Dönüşümünün Geliştirilmesine İlişkin Bir

Uygulama Örneği ................................................................................. 25 Şekil II.13 2-boyutlu Delta (Birim İmpuls) Fonksiyonu ve Gözün Birim İmpuls

Cevabı ................................................................................................... 27 Şekil II.14 Yaygın Olarak Kullanılan PSF’ler......................................................... 28 Şekil II.15 Morfolojik İşlem Örnekleri ................................................................... 30 Şekil II.16 Komşuluk Kodlamaları ve Olası Komşuluk İlişkileri........................... 32 Şekil II.17 Nesne Konturunun 1-D Fonksiyon Olarak Temsili Gösterimi.............. 35 Şekil II.18 Araç plakasının görüntü içersindeki konumunun histogram yardımı ile

belirlenmesi ve karakterlerin histogram ile segmantasyonu ................. 40 Şekil III.1 Kullanıcı Ana Menüsü .......................................................................... 44 Şekil III.2 Düşük Seviyeli İşlemler Arayüzü ......................................................... 46 Şekil III.3 Görüntü Formatı Dönüşüm Alt Menüsü ............................................... 46 Şekil III.4 Düşük Seviyeli İşlemler Arayüzünde bir Çalışma Örneği.................... 49 Şekil III.5 Orta Seviyeli İşlemler Arayüzü ............................................................ 50 Şekil III.6 Bir Plaka Görüntüsündeki “3” Rakamı için Üretilen Tanımlayıcı

Histogramlar.......................................................................................... 53 Şekil III.7. Orta Seviyeli İşlemler Arayüzünde bir Çalışma Örneği ....................... 54

x

Şekil III.8 Plaka Tanıma Kullanıcı Arayüzü .......................................................... 56 Şekil III.9 Gerçek Zamanlı Görüntü İzleme Penceresinin Yapılan Deneyler

Sırasındaki Görünüş Şekli..................................................................... 57 Şekil III.10 Sisteme Plaka Tanımlamada ve Tanımlı Plakaları İptal Etmede

Kullanılan Arayüzler............................................................................. 57 Şekil III.11 Plaka Tanıma Arayüzünün Çalışmasını Gösteren bir Örnek ................ 58 Şekil III.12 Karakter Tanıma Kullanıcı Arayüzü..................................................... 59 Şekil III.13 Karakter Tanıma Arayüzü ile Tanınabilecek Karakter Seti.................. 60 Şekil III.14 Karakter Tanıma Arayüzünde Gerçekleştirilen Örnek Çalışma-1…….61 Şekil III.15 Karakter Tanıma Arayüzünde Gerçekleştirilen Örnek Çalışma-2 ……61 Şekil III.16 Donanım Test Kullanıcı Arayüzü ......................................................... 62 Şekil III.17 Plaka Tanıma ve Bariyer Kontrol Sistemine Genel Bakış ................... 63 Şekil III.18 Referans Değerleri Üretmek için Kullanılan Plakalardan Bazıları ...... .65 Şekil III.19 Referans Değerlerin Üretilmesi için Üzerinde Çalışılan Plakalardan

Elde Edilen 550 Adet Karakterden Örnekler ........................................ 66 Şekil III.20 Bir Plaka Görüntüsündeki “4” Rakamı için Üretilen Tanımlayıcı

Histogramlar.......................................................................................... 67

xi

TABLO LİSTESİ

SAYFA NO

Tablo II.1 İnsan Görmesi ve Bilgisayarlı Görmenin İşlevsel Bileşenleri ................ 9 Tablo II.2 Bilgisayarlı Görmede Karşılaşılan Görev Sınıfları. .............................. 15

1

BÖLÜM I GİRİŞ VE AMAÇ

I.1. GİRİŞ

Görüntü (imaj, I), bir nesnenin veya nesnelerden oluşan 3-boyutlu gerçek bir

sahnenin bir düzlem (görüntü düzlemi) üzerindeki izdüşümüdür, Şekil I.1. Sayısal

görüntü, görüntünün uzaysal koordinatları ile, (x,y), görüntü fonksiyonunun, I (x,y),

bu noktalarda aldığı değerlerin (renk veya gri ton), sonlu, ayrık büyüklükler olarak

dikkate alınan halidir: I (m,n).

Görme (vizyon), görüntünün elde edildiği geometrik yapı, ve görüntü üzerinden

yapılan ölçümlerden yararlanarak nesne modellerinin oluşturulması sürecidir:

Görme = Görüntü geometrisi + Ölçme + Yorum

Bu amaçla kullanılan sistemlere görme sistemleri denir. Görme literatürde iki ana

başlık altında yer almaktadır: insan görmesi ve bilgisayarlı görme. Literatürde

bilgisayarlı görme yerine bazen makine görmesi kavramı da kullanılabilmektedir [1].

Görüntü, 3-boyutlu gerçek dünyanın iki boyutlu bir izdüşümü olduğundan,

görüntülenen sahne veya nesnelerin gerçek dünyadaki özellikleri görüntüden

doğrudan elde edilemez. Bu amaçla, görüntüden nesne özelliklerini yansıtan

karakteristik bilgilerin çıkarılması veya nesne özelliklerinin tahmin edilmesi için

çeşitli seviyelerde işlemler yapılması gerekir. Bu işlemler, literatürde görüntü işleme,

ve görüntü analizi gibi kavramlarla tanımlanmaktadır.

Bununla beraber, bu kavramlarla belirtilen bilimsel çalışma alanlarının sınırları

ve ilgi sahaları hakkında, konu ile ilgili araştırmacıların üzerinde ittifak ettiği, genel

2

kabul görmüş bir tanımlama yoktur. Örneğin, görüntü işleme bazı araştırmacılara

göre, işlem giriş ve çıkışlarının her ikisinin de görüntü olduğu bir disiplin olarak

tanımlanır. Bu tanıma göre, bir görüntünün ortalama yoğunluğunu (gri seviyesi)

hesaplama gibi basit bir görev bile, bir görüntü işleme operasyonu olarak kabul

edilmeyebilir. Dolayısıyla bu tanım, görüntü işleme için gerçekte sınırlı ve sanal bir

çerçeve çizmektedir.

terslenmişgörüntü düzlemi y'

x'

z'

y

x

nesne noktası(x',y',z')

(x,y)iz düşümnoktası

z

odak uzaklığır'

r

Şekil I.1. Görüntü Elde Etmek için Kullanılan Bir Geometrik Yapı Örneği [2]

Buna göre, görüntü işleme ve görüntü analizi kavramlarının her ikisi de benzer

uygulamaları çağrıştırabilir. Bununla beraber, görüntü işlemenin daha çok

görüntülenen nesnelerin karakteristik özelliklerine ilişkin ölçüm sonuçları üretmeyi

amaçlayan çalışmaları kapsadığı, buna karşılık görüntü analizinin ise, daha çok

görüntüyü anlama ve yorumlama gibi çalışmaları kapsadığı söylenebilir [3].

Diğer taraftan, nihai amacı öğrenme ve görsel girişlere bağlı olarak etkileşimler

(hareket gibi) oluşturmak olan insan görmesi, bilgisayarların yazılım ve donanım

özeliklerinden yararlanarak bilgisayarlı görme sistemlerinin geliştirilmesine ilham

kaynağı oluşturur. Bu kapsamda, amacı insan zekasını taklit etmek olan yapay zeka

(YZ) uygulamaları, bilgisayarlı görme araştırmalarında da önemli bir yer tutar.

Bu tespitler ışığında, bir tarafında görüntü işlemenin, diğer tarafında görüntü

analizinin bulunduğu bir yapılanmada, bilgisayarla yapılabilecek işlemlerin

özelliklerine göre sınıflandırılması daha faydalı bir paradigma sağlar. Buna göre,

görme sistemlerinde, bilgisayarla yapılabilecek işlemler üç sınıfa ayrılabilir:

• Düşük-seviyeli işlemler,

• Orta seviyeli işlemler,

• Yüksek seviyeli işlemler.

3

Düşük seviyeli işlemler, görüntünün gürültüden arındırılması, kontrast artırma

ve görüntü keskinleştirme gibi basit işlemleri içerir.

Orta seviyeli işlemler, görüntünün bölgelere veya nesnelere ayrılması

(segmentasyon), nesnelerin bilgisayarda işlenmesi için uygun biçimlere

indirgenmesi, tanımlanması, ve sınıflandırılması gibi görevleri içerir.

Yüksek seviyeli işlemler, görüntü analizinin hedeflenen nihai amacını oluşturan

ve normalde insan görmesi ile ilgili algılama ve tanıma fonksiyonlarından ilham alan

işlemleri içerir. Nesneleri karakterize eden özellikleri ortaya çıkarmak için

matematiksel modellerin veya YZ modellerinin oluşturulması, birer yüksek seviyeli

işlem örneğidir. [3]

Diğer taraftan, yukarıda sayılan çeşitli seviyelerdeki işlemlerin kullanıldığı bir

sayısal görüntü işleme sürecinde, problemlerin çözümü için genellikle çok sayıda

görüntü örneği üzerinde simülasyon tabanlı testler yapılır. Bu süreçte, algoritmalar

çok kere yeni revizyonlar ile geliştirilip çözümler test edilir ve karşılaştırmalar

yapılır.

Benzer şekilde, sayısal görüntü işlemeye dayalı bir proses kontrol sürecinde,

kabul edilebilir ve uygulanabilir bir sistem çözümüne ulaşmak için de, içinde çeşitli

görüntü işleme yöntemlerinin kullanılacağı yoğun deneysel çalışmalara ihtiyaç

duyulur. Bu nedenle, bu süreçte aday çözümlerin denenmesi ve prototiplerin hızlı bir

şekilde gerçekleştirilmesini kolaylaştıracak yaklaşımların formüle edilmesi önemli

yararlar sağlar.

I.1.1. Sayısal Görüntü İşlemeye Dayalı Sistem Emülasyonu

Sayısal görüntü işlemeye dayalı bir kontrol sürecini geliştirebilmenin en kolay

ve en ucuz yolu, bir kişisel bilgisayar (PC) çevresinde, gelişen donanım ve yazılım

imkanlarından yararlanarak, bir simülasyon ve/veya emülasyon sistemi

oluşturmaktır. Özellikle emülatörler, gerçek sistem davranışlarının oluşturulduğu

sanal ortamları başarıyla hazırlama fırsatı verir. Öyle ki, simülatörlerde bütün giriş ve

çıkışların doğrudan PC üzerinden yapılması nedeniyle, verilerin gerçek zamanlı

işlenmesi ve analizi açısından karşılaşılan sınırlamalar, emülatörlerde basit yazılım

ve donanım ilaveleri ile kolayca aşılabilir.

Bu nedenle, emülatörler, gerek sayısal görüntü işleme problemlerinin çözümü

ve gerekse görüntü işlemeye dayalı proses kontrol sistemlerinin tasarım sürecinde, bu

4

işlemlerin denenmesi ve prototiplerin hızlı bir şekilde gerçeklenmesine imkan

sağladıklarından, zaman kaybını önler ve maliyetin azaltılması açısından çok önemli

yararlar sağlar.

Bu amaçla kullanılabilecek esnek ve kapsamlı bir yazılım geliştirme ortamı,

yukarıda belirtilen yararlarının yanı sıra, görüntü işleme çözümlerinin

taşınabilirliğini sağlama açısından kilit bir rol oynar. MATLAB yazılım paketi,

özellikle görüntü işleme araç kutusu (IPT) ve kullanıcı ara yüzü (GUI) oluşturma

destekleri ile, yukarıda sayılan görüntü işleme ve görüntü işlemeye dayalı proses

kontrol süreci ile ilgili ihtiyaçlara cevap vermektedir [4,5].

I.1.2. MATLAB

MATLAB teknik hesaplamalar için kullanılan yüksek performanslı bir dildir.

Problemler ve çözümlerinin bilinen matematiksel sembollerle ifade edildiği,

hesaplama, görselleştirme ve programlama süreçlerini kullanımı kolay bir çerçevede

entegre eder. Tipik kullanım amaçları aşağıda sıralanmıştır:

• Matematiksel hesaplamalar,

• Algoritma geliştirme,

• Veri elde etme,

• Modelleme, simülasyon ve prototip oluşturma,

• Veri analizi ve görselleştirme,

• Bilimsel ve mühendislik grafiklerinin çizimi,

• Kullanıcı ara yüzü oluşturmayı da içeren uygulama geliştirme.

MATLAB, matrix laboratory sözcüklerinin kısaltılmış şeklidir. Bu

isimlendirmenin de çağrıştırdığı üzere, MATLAB temel veri elemanı olarak dizileri

kullanır. Böylece, özellikle matris biçiminde verilen pek çok teknik hesaplama

probleminin kısa sürede çözümünü kolaylaştırır.

MATLAB, üniversite ve sanayide analiz, araştırma ve geliştirme çalışmalarını

kolaylaştıran çok sayıda araç kutusunu içermektedir. IPT bunlardan birisidir ve

görüntü işlemeye ilişkin çok sayıda MATLAB fonksiyonunu (M-fonksiyonları veya

M-dosyaları) içermektedir. Bunun yanında, MATLAB’ın GUI desteği, görüntü

işleme uygulamalarının gerçekleştirilmesinde kolaylıklar sağlamasının yanı sıra,

proses kontrol sürecinin emülasyonunu da kolaylaştırmaktadır.

5

I.2. AMAÇ

Yukarıdaki izahlar ışığında, bu tez çalışmasında, MATLAB yazılım paketin den

faydalanarak, PC üzerinde sayısal görüntü işlemeye dayalı kontrol süreçlerine ilişkin

prototiplerin kolay, ucuz ve hızlı bir şekilde tasarlanabileceği bir emülasyon

sisteminin geliştirilmesi amaçlanmıştır.

Sistemde, görmeye dayalı süreç kontrolü için simülasyonların, MATLAB

yazılım paketinin GUI desteği ile hazırlanan çeşitli kullanıcı ara yüzleri vasıtasıyla

yapılması planlanmıştır. PC dışında kurulacak kontrol sisteminin bir mikrokontrolör

çevresinde gerçekleştirilmesi, mikrokontrolör ile GUI arasındaki gerçek zamanlı veri

giriş çıkışlarının PC paralel portu üzerinden yapılması, görüntü bilgilerinin GUI’ye

PC USB portu üzerinden bağlanan bir kamera ile aktarılması tasarlanmıştır.

Sistem bu konfigürasyonla çeşitli kontrol süreçlerini emüle edebilecek şekilde

düzenlenebilir. Bununla beraber, bu tez çalışmasında, biri karakter tanıma, diğeri de

taşıt plakalarının tespiti için kural tabanlı bir nesne tanıma sisteminin geliştirilmesi

olmak üzere, iki ayrı amaca hizmet edecek şekilde düzenlenmiştir.

Taşıt plakalarının tespiti amacıyla geliştirilen sistemde, 87 adet plaka görüntüsü

üzerinde yapılan düşük ve orta seviyeli işaret işleme çalışmaları sonucunda, toplam

550 karakterin her birini temsil histogram tabanlı tanımlayıcı parametreler

üretilmiştir. Daha sonra, elde edilen bu verilere dayanarak, plaka karakterlerini

tanımlayan bir kural tabanı oluşturulmuştur. Oluşturulan kural tabanlı sistemin test

edilmesi için 25 ayrı plaka görüntüsü kullanılmıştır.

Bu şekilde oluşturulan kural tabanlı plaka tanıma sistemi, uygulama için

oluşturulan GUI’ye gömülerek, tanınan plakanın kullanıcı veri tabanında bulunup

bulunmadığına ilişkin kararların oluşturulması, buna bağlı olarak da, paralel port

üzerinden bir otopark giriş çıkış kontrol sisteminin gerçekleştirilmesi sağlanmıştır.

PC üzerinde bir kontrol sürecinin emülasyonunu gerçekleştirmede kullanılacak

ara yüzlere ilave olarak, başka bir kısım kullanıcı ara yüzleri de hazırlanarak, bunlar

üzerinden düşük, ve orta seviyeli çeşitli görüntü işleme algoritmalarının denenmesine

imkan sağlayan bir alt yapı da kurulmuştur. Böylece tez çalışmasında, görüntü işleme

eğitimi için kolay kullanılabilir bir eğitim aracının hazırlanması da amaçlanmıştır.

6

Geliştirilen görüntü işlemeye dayalı, kural tabanlı plaka tanıma ve otopark

kontrol sisteminin emülasyon sürecini temsil eden blok şema Şekil I.2’de verilmiştir.

Şekil I.2. Görmeye Dayalı Proses Kontrolü için Kullanılan Emülasyon Sisteminin Blok Şeması

Geliştirilen sistemde görüntü işleme ve görüntü analizi çalışmaları kamera

görüntülerinin yanı sıra, çeşitli kaynaklardan alınan resim dosyaları üzerinde de

yapılabilmektedir. Böylece sistem, akademik anlamda yenilikler içeren görüntü

işleme ve/veya görüntü analizi algoritmalarının geliştirilmesi ve test edilmesi için

pratik bir test ortamı sağlamaktadır. Sistemin bu özelliğinden yararlanarak ileride

görüntü işleme ve/veya analizi üzerine çeşitli algoritma geliştirilme çalışmaları

planlanabilecektir.

I.3. BÖLÜMLERİN ÖZETİ

Bölüm II’de bilgisayarlı görme ile ilgili temel konular incelenmiştir. Bu

kapsamda, görme sistemleri, görüntü biçimlendirme, görüntü işleme, nesne tanıma

ve görüntü işleme algoritmalarının performans değerlendirmesi için kullanılan

kriterler ile ilgili temel bilgiler özet olarak derlenmiştir. Bu bölümde ayrıca, görme

sistemleri ve görüntü işleme üzerine yapılan bilimsel çalışmalara ilişkin bir literatür

taramasının sonuçları da kısaca verilmiştir.

Bölüm III’de görüntü işleme üzerine düşük ve orta seviyeli işlemlerin

gerçekleştirildiği kullanıcı ara yüzleri ile, görmeye dayalı sistem emülasyonu için

kullanılan ara yüzler tanıtılmıştır. Bu bölümde ayrıca, görmeye dayalı kural tabanlı

7

plaka tanıma sisteminin gerçekleştirilme sürecinde yapılan işaret işleme ve test

çalışmaları tanıtılmıştır.

Bölüm IV’de uygulama sonuçları verilerek değerlendirmeler yapılmıştır.

Bölüm V’de ileriye dönük çalışmalar için öneriler geliştirilmiştir.

8

BÖLÜM II BİLGİSAYARLI GÖRME

II.1. GÖRME SİSTEMLERİ

Görüntüleme, 3-boyutlu nesnelerin gerçek özelliklerini 2-boyutlu bir düzlemsel

uzayda temsil etme olgusudur. Görüntülenen nesnelerin 3-boyutlu dünyadaki gerçek

özellikleri, ancak çeşitli görüntü işleme ve analiz yöntemleri kullanılarak

belirlenebilir veya tahmin edilebilir. Görme sistemleri, bu amaçlarla görüntünün elde

edilmesi, biçimlendirilmesi, saklanması, işlenmesi ve işlem ya da analiz sonuçlarına

göre yeni verilerin üretilmesine ilişkin bütün süreçleri içerir.

II.1.1. Görme Sistemlerinin Bileşenleri

Görme sistemleri, yukarıda belirtilen bütün işlevleriyle birlikte düşünüldüğünde

karmaşık sistemlerdir. Bu nedenle, görme sistemlerini aşağıdaki gibi işlevsel

bileşenlere ayırarak incelemek kolaylıklar sağlar [1]:

• Radyasyon (ışık) kaynağı,

• Kamera,

• Sensör,

• İşlem birimi,

• Aktörler.

Radyasyon kaynağı, görüntülenmek istenen sahne ya da nesnelerle etkileşime

girecek olan radyasyon (ışıma) enerjisini üreten birimdir.

9

Kamera, nesnelerin yaydığı ışıma enerjisini toplayan birimdir.

Sensör, alınan enerjiyi genellikle elektriksel boyuttaki uygun bir işarete

dönüştüren eleman veya elemanlar dizisidir.

İşlem birimi, elde edilen işareti işleyerek görüntüyü biçimlendiren, diğer bir

deyişle görüntü matrisini oluşturan birimdir. İşlem biriminde ayrıca, nesnelerin

sınıflandırılması, özelliklerinin çıkarılması gibi yoğun hesaplamalar gerektiren

işlemler yapılır.

Aktörler, aktif görme ya da hareketli bir nesnenin takip edilmesi örneğinde

olduğu gibi, görme sisteminin gözleme aktif olarak cevap vereceği durumlarda

kullanılan ve görme sistemine yardımcı olan kişiler veya sistemlerdir.

Tablo II.1’de insan görmesi ve bilgisayarlı görmenin işlevsel bileşenleri

karşılaştırmalı olarak verilmiştir.

Tablo II.1. İnsan Görmesi ve Bilgisayarlı Görmenin İşlevsel Bileşenleri [1]

Görev İnsan görmesi Bilgisayarlı görme

Görüntü eldeetme

Iışığın opak yüzeylerdenyansıması özelliğindenyararlanarak (pasif)

Enerjinin elektromanyetik,partiküler, veya akustik yayılımözelliklerinden yararlanarak(aktif veya pasif)

Görüntübiçimlendirme

Iışığın kırılması özelliğindenyararlanan optik sistemaracılığıyla

Çeşitli sistemler aracılığıyla

Radyasyon (ışık)seviyesininkontrolü

Göz merceğinin açıklığının(iris çapı) göz kaslarıaracılığıyla değiştirilmesi ile

Akort edilebilen filtreler, filtreçarkları ve motorlu aparatlararacılığıyla

Odaklama Odak uzaklığının göz kaslarıaracılığıyla değiştirilmesi ile

Çeşitli uzaklık ölçmeprensibine dayanan otomatikodaklama sistemleri ile

Radyasyon (ışık)seviyesininçözünürlüğü

Logaritmik ölçekli Lineer veya logaritmik ölçekli.Lineer ölçekte çözünürlük 8-16bit aralığında

Nesne izleme Göz küresinin yüksekhareketlilik kabiliyeti ile

Tarayıcılar ve robot kameralarile

İşleme ve analiz Hiyerarşik olarak organizeedilmiş biyolojik sinir ağları ile(paralel işleme)

Seri ve paralel işleme (yoğunolarak seri, nadiren paralelişleme)

10

II.1.2. Kamera ve Göz

Gözün yapısı ve çalışması elektronik kameralara çok benzer. Her ikisi de iki

temel bileşenden oluşur: ışık toplayan mercek ve görüntüleme sensörü. Mercek,

nesneden gelen ışığın bir kısmını yakalar ve görüntüleme sensörünün üzerinde

odaklar. Işıma enerjisi burada görüntü işaretine dönüştürülür.

Şekil II.1 ve Şekil II.2’de sırasıyla bir kamera ve insan gözünün iç yapısı

gösterilmiştir. Her ikisinde de mercekten kırılarak geçen ışık çevreden sızan ışıkla

girişim yapmaması için, ışığa karşı sıkı bir şekilde yalıtılmış kapalı bir ortamda

sensör üzerine düşürülür.

Şekil II.1. Bir Elektronik Kameranın Yapısı [6]

Kamera içi hava ile, gözün içi saydam bir sıvı ile doludur. Her iki mercek sisteminin

de ayarlanabilir iki değişkeni vardır: odak uzaklığı ve iris çapı.

Kamerada odaklama, merceğin görüntü sensöründen uzağa veya ona doğru

fiziksel hareketi ile sağlanır. Buna karşılık göz iki mercek içerir. Bunlar kornea

olarak adlandırılan göz küresinin ön kısmındaki bir çıkıntı ve göz içinde

ayarlanabilen diğer bir mercektir. Işığın çoğu korneada kırılır, fakat şekli ve yeri

değiştirilemez. Odak ayarı iç mercek ile sağlanır [6,14].

Her iki sistemde de, merceğin ne kadar ışığa maruz kalacağını, ve bundan

dolayı görüntü algılayıcısının üzerinde oluşan görüntü iz düşümünün parlaklığını

kontrol etmek, irisin görevidir. Gözün iris tabakası saydam olmayan kas dokusu ile,

11

göz bebeğini (ışığın göze giriş yeri) genişletebilir yada daraltabilir. Kameralarda

kullanılan iris, mekanik olarak benzer işlevi yerine getirir.

Şekil II.2. İnsan Gözünün Yapısı [6]

Tipik olarak bir kamerada ışık giriş açıklığını değiştirme oranı, en küçük

açıklığın yaklaşık olarak 300 katına kadar, gözde ise 20 katına kadar arttırılabilir. Bu

yapısı dolayısıyla tipik bir kamera göze nazaran daha büyük bir dinamik görüş aralığı

sağlayabilir. Bununla beraber, parlak bir gün ışığında kullanılan bir kamera ve

mercek kurulumu karanlık bir gecede ayni etkinlikte çalışamaz.

Buna karşılık, insan gözü geniş çevresel değişimlere uyum sağlayan büyük bir

dinamik görme aralığı sağlar. Bu dinamik aralık sadece iris ile sağlanmaz. Buna asıl

katkıyı, sinir hücrelerinin ışığa karşı duyarlılıklarının dinamik aralıkta kalacak

şekilde kademeli olarak ayarlanması sağlar. Örneğin, karanlık bir salona girdikten

sonra göz düşük ışık seviyesine bir kaç dakika içinde uyum sağlayabilir.

Gözün arka kısmını örten ışık algılayıcı iç yüzey retina olarak adlandırılır. Şekil

II.3’de gösterildiği gibi, retina, biri ışığı sinirsel işarete dönüştüren, biri görüntü

işleyen ve diğeri de optik sinir uçlarından beyne bilgileri aktaran üç ana sinir hücresi

katmanına ayrılır.

Işığı dönüştüren hücreler, mikroskop altında gözlenen fiziksel yapılarına bağlı

olarak, çubuk ve koni hücreleri olmak üzere iki ana sınıfa ayrılır.

Çubuk hücreleri çok düşük ışık seviyelerinde çalışabilir. Bu hücreler renk

ayrımı yapamaz, üstüne gelen ışık seviyesi az dahi olsa, görüntüyü siyah-beyaz (SB)

görüntü olarak algılar.

12

Şekil II.3. Retinanın Yapısı [6]

Koni hücreleri renk ayırt etme kabiliyetine sahiptir. Üç tip koni hücresi vardır.

Bunlar, kırmızı, yeşil ve mavi renk algılayıcı hücrelerdir (RGB kodlayıcılar).

Bunların her biri, içerdikleri farklı ışık pigmentlerinden dolayı ışığın değişik dalga

boylarına duyarlıdır. Şekil II.4’de ışığın değişik dalga boylarının bu üç alıcı hücreyi

uyarabilme karakteristiği gösterilmiştir.

Şekil II.4. Işığın Spektral Bileşenlerine Göre Gözün Bağıl Hassasiyet Karakteristiği [6]

Çubuk ve koni hücreleri kabaca 3um genişliğindedir. Bunların tümü, retinanın

3*3 cm boyutuna sığan toplam yüzeyi üstünde sıkıca paketlenmiştir. Böylece retina

kabaca 100 milyon alıcı hücre dizisinin birleşiminden oluşmuştur. Buna karşılık,

13

bağlantı katmanındaki optik sinir hücrelerinin sayısı yaklaşık olarak bir milyondur.

Böylece, her bir optik sinir hücresi bağlantı katmanı boyunca ortalama 100 ışık alıcı

çubuk ve koni hücresine bağlanır.

Retinanın tam ortasında sarı benek olarak adlandırılan küçük bir bölge, yüksek

çözünürlüklü görüş için kullanılır. Sarı benek içinde sadece koni hücreleri yer alır.

Nesnelere doğrudan bakmak yerine, kenarlarına bakıldığında neden daha iyi bir gece

görüşü sağlandığı, burada çubuk hücrelerinin yokluğu ile izah edilmektedir.

İnsan görüşünde sarsıntının görüntüye yansıtılmaması olgusu da sarı beneğin

küçük boyutları sayesinde sağlanmaktadır. Öyle ki, görüş alanı ani hızlanma ve

hareketler esnasında sarı beneğin yüksek çözünürlüğü sayesinde hızlı bir şekilde

taranarak uygun görüş bilgileri oluşturulur.

Elektronik kameralarda görüntü algılama için yaygın olarak elektriksel yük

bağlamalı elemanlar (CCD) kullanılır. CCD kameralar, tipik olarak birkaç mm

boyutlarındaki silikon plaka üzerinde gerçekleştirilir. Bu sistemde görüntü, kuyu

olarak adlandırılan yük depolayıcılarda biriktirilen elektronların çıkış yükseltecine

doğru birbirini takip eden paralel ve seri iletimlerle itilmesi suretiyle okunur. Şekil

II.5’de CCD kamerada iki boyutlu görüntünün nasıl okunduğu resimlenmiştir.

Şekil II.5. CCD Kameranın Mimari Yapısı [6]

Buna göre, CCD mimarisinde iki boyutlu bir alan içindeki görüntü verisi özel

bir sıra içinde seri veriye dönüştürülür. Bir görüntü çerçevesi alınarak bütün

satırlardaki yüklerin depolanması tamamlandıktan sonra, satırların tümü aynı anda

bir üst satıra paralel kaydırılarak ilk satırdan seri yolla okuma yapılır. Böylece,

14

satırların tümü 1 numaralı satırdaki yatay kaydedici içine sırasıyla transfer edilir.

Buradan yükler seri yolla hızlı bir şekilde yük algılama yükseltecine taşınır [6,14].

II.1.3. Bilginin Rolü

Bir bilgisayarlı görme sistemi oluşturulurken esas beklenti, her kademedeki

işlemlerin en üst seviyede otomatikleştirilmesidir. Bunu yerine getirmek için, karar

oluşturma sürecinde her zaman uygulama ile ilgili bilgiye sahip olunmalı ve

uygulamanın amacı bilinmelidir.

Bu kapsamda sistem tarafından kullanılan bilgi, nesne özelliklerine ilişkin

modeller, görüntü biçimlendirme yöntemi, nesne modelleri ve nesneler arasındaki

ilişkileri belirleyen modelleri içerir. Bu bilgiler kullanılmadan, bilgisayarlı görme

sistemleri ancak sınırlı uygulama için ve sadece çok sınırlı bir çevrede çalışmak

üzere tasarlanabilirler.

Diğer taraftan, nesne özelliklerinin ne olduğuna ilişkin elde edilecek bir bilginin

türü, görme sisteminin amacına bağlıdır. Cevap ya öznel (kalitatif) veya nesnel

(kantitatif) karakterde olabilir. Bazı uygulamalar için ‘orda bir otomobil var’ gibi

öznel bir cevap yeterli olabilir. Bununla beraber, ‘ne’ ve ‘nerede’ sorularının cevabı,

örnekteki ‘bir şey var’ gibi nesnenin her hangi bir sınıfa aidiyetini belli eden temel

bir özelliğinden, ilgilenilen nesnelerin çeşitli özelliklerinin detaylı bir tanımlamasına

kadar geniş bir alanı kapsar [1].

II.1.4. İlgi Alanları ve Görev Sınıfları

Günümüzde bilgisayarlı görme uygulamaları hemen her bilimsel ve teknik

alanla ilgilidir. Dolayısıyla, çeşitli bilimsel ve teknik alanlar için ayrı uygulama

listeleri hazırlamak yerine, bir uygulamadan elde edilen tecrübeyi bir başkasına

aktarmak için, çözülmek zorunda olan problemleri belirlemek ve onları farklı

sınıflara ayırmak daha yararlı olabilir.

Bu yaklaşıma göre oluşturulan bir görev sınıflandırması Tablo II.2’de

verilmiştir. Bu tabloda hem 2-boyutlu görüntüleme, hem de 3-boyutlu sanal

görüntüleme ile ilgili görevler verilmiştir. Bu görevlerle ilgili uygulamalar arasında,

bilgisayarlı görüntü işleme, grafik tasarım, tanıma, ve YZ uygulamaları yer alır.

15

Görüntü işleme uygulamaları; görüntüyü zenginleştirme, sıkıştırma, düzeltme,

gürültüden arındırma, keskinleştirme veya kontrast artırma gibi düşük seviyeli

işlemlerle; görüntünün bölgelere veya nesnelere ayrılması, nesnelerin uygun

biçimlere indirgenmesi, tanımlanması, ve sınıflandırılması gibi orta seviyeli

işlemleri; ve nesnelerin algılanması ve tanınması gibi yüksek seviyeli işlemleri

kapsar.

Bilgisayarlı grafik uygulamaları, doğru ve daire gibi temel geometrik

şekillerden yararlanarak görüntüler üretme konularını kapsar. Buna göre, bilgisayarlı

görme ve bilgisayarlı grafik uygulamalarında biri diğerinin tersi olan amaçlar

güdülür. İlkinde görüntünün analizi amaçlanırken, diğerinde görüntünün

sentezlenmesi amaçlanır. Bilgisayarla grafik oluşturma yöntemleri, canlandırmada ve

sanal gerçeklikte çok önemli bir rol oynar [1].

Tablo II.2. Bilgisayarlı Görmede Karşılaşılan Görev Sınıfları [1]

Görevin ilgi sahası Görev

2-boyutlu ve3-boyutlunesnegeometrisi

2-boyutlu nesnelerin konum, mesafe, büyüklük ve alan ölçümü

Uzaktanölçme

Hareket

Uzaysalyapıve doku

Yüksekdüzeyligörevler

3-boyutlumodelleme

3-boyutlu nesnelerin derinlik ve optik parametrelerinin ölçümü

2-boyutlu nesnelerin biçimi ve şeklinin belirlenmesi

3-boyutlu nesnelerin şeklinin belirlenmesi

Nesnelerin yansıtma ve floresan özelliklerinin ölçümü

Renk ölçümü

Sıcaklık ölçümü

Hiperspektral görüntüleme

2-boyutlu hareket alanının (yörünge) belirlenmesi

3-boyutlu hareket alanının (yörünge) belirlenmesi

Kenarlar ve doğrular

Yerel dalga numarası, ölçek

Yerel yönelme (oryantasyan)

Doku

Parçalara ayırma (segmentasyon)

Nesne tanımlama (identifikasyon)

Nesne sınıflandırma

Model ve bilgi tabanlı tanıma ve hatırlama

3-boyutlu nesne tanıma

3-boyutlu nesne sentezleme

Nesne izleme

16

İki ve üç boyutlu nesne geometrisine dair görüntü işlemeye dayalı bilgi edinme

görevlerine ilişkin literatürden, M. Kert ve E. Özdemir’in nesne üzerindeki bölgenin

renk sayımına dayalı olarak tek kamera ile dairesel nesnelerin derinlik bilgisini elde

ettikleri çalışma ve V.T. Pham ve W.M. A. Smeulders’ın belirsiz geometrik şekiller

içeren görüntülere dair çalışmaları verilebilir [15,16].

İki ve üç boyutlu hareket kontrolünü içeren, görüntü işleme görevlerinin

uygulamalarına gelişen teknoloji ile birlikte mekatronik ve robotik alanlarında sıkça

rastlamak mümkün olmuştur. Özellikle sanayideki esnek üretim sistemlerinde fazlaca

uygulaması yapılmıştır. W. Zhenzhong, Z. Guangjun ve L. Xin 2 boyutlu bir hareket

sisteminin konumlandırma doğruluğunu makine görüş sistemi ile denetledikleri

çalışma bu sınıfta sayılabilecek türden görevler içermektedir [17].

İki boyutlu bir düzlem de oluşturulan nesne izdüşümlerimden (görüntü)

faydalanarak ilgilenilen nesnenin üç boyutlu modelini oluşturmak hem tıbbi hem de

endüstriyel uygulamalarda oldukça önemlidir. Tıbbi anlamda teşhisi kolaylaştırması,

endüstriyel anlamda ise tam bir üretim denetimi sağlanması açısından önem

taşımaktadır. Bizimde tez çalışmamız sırasında kullandığımız, Hu’nun tanımladığı

sabit momentler ile 3 boyutlu nesne modeli oluşturan J.A.M. Rodrigueza, A. Asundi

ve R. Rodrigueza-Vera’nın yapmış oldukları çalışma bu tip görev tanımlarına iyi bir

örnektir [12,19].

Uzaysal yapı ve doku analizi türünden görevlere daha çok yüzey analiz

sistemleri ve tıbbi uygulamalarda rastlanır. Tıbbi uygulamalarda hastalıklı dokuların

iki boyutlu görüntü (röntgen, mamografi, ve BT görüntüleri gibi) analizi ile tespit

edilmesi buna bir örnektir. S. Özekes’in tıbbi görüntülemede bilgisayar destekli

tespit çalışması görüntü işlemeye dayalı olarak hastalık teşhisinin kolaylaştırılmasını

sağlayan ve belirtilen türden görevleri içeren bir çalışmadır [20].

Nesne tanıma uygulamaları, gerçekte bir kısım istatistiksel yöntemler gibi,

çeşitli düşük ya da orta seviyeli bilgisayarlı görme yöntemlerinin belirli bir

algoritmik yapı içerisinde kullanıldığı yüksek seviyeli görüntü işleme

uygulamalarıdır. Çoğu endüstriyel uygulamalarda, bu türden uygulama örneklerine

rastlanır.

YZ uygulamaları, görüntü analizi veya görüntü işlemeye dayalı sistemlerin

tasarımında kullanılır. Bilgisayarlı görmede önemli bir yere sahip olan bu

uygulamalar, üç aşamalı bir süreç olarak görünebilir [1]:

17

• Algılama,

• Tanıma,

• Aksiyon.

Algılama, işaretleri sembollere çevirme; tanıma, sembolleri işleme; aksiyon da

sembolleri, dış dünyayı etkiyecek uygun çıkış işaretlerine dönüştürme aşamalarıdır.

II.2. GÖRÜNTÜ BİÇİMLENDİRME

Görüntü biçimlendirme, bir nesneyi temsil eden işareti, onun geometrik

konumunu, ne olduğunu veya özelliklerini yansıtacak şekilde oluşturma sürecidir.

Görüntüleme sistemleri, görüntünün biçimlendirilme sürecinde kullanılan donanım

birimleri ile, bu süreçte yapılan bütün işlemleri kapsar.

II.2.1. Görüntünün Oluşumu

Görüntüler, nesnelerin özelliklerini belirleyen bir veya birden çok parametrenin

değişimine göre oluşturulur. Örneğin, standart görüntüler nesnelerin yüzeylerinden

yansıyan ışık yoğunluğuna göre belirlenir. Ancak, ışık, görüntüleme için kullanılan

tek parametre değildir.

Örnek olarak, bir entegre devrenin sıcaklığının, bir hastanın atardamarındaki

kan akış hızının, deprem sırasındaki yer hareketlerinin uzaysal boyutlara göre

değişimini yansıtan ve farklı türden uyarma sistemleri ile üretilen fiziksel

büyüklükler de görüntüleme için kullanılan birer parametre olabilir.

Bütün bu farklı parametrelerin uzaysal koordinatlara göre değişimini belirleyen

görüntüler, genellikle insan gözünün değerlendirebileceği resimler halinde

biçimlendirilir. Görüntü biçimlendirme sürecinde nesne özelliklerini görüntüleme

sistemi tarafından ölçülen işarete bağlayan adımlar zinciri, Şekil II.6’daki blok

diyagramda özetlenmiştir [1].

Buna göre, radyasyonun nesne ile etkileşim şekli, nesnenin görüntülenme

prensibini belirler. Örneğin bir kamera görüntüsü cismin üzerine gönderilen ışının

nesneden yansıması prensibine göre, bir sayısal röntgen görüntüsü ise, nesneye

gönderilen x-ışını radyasyonunun nesne tarafından soğrulma miktarının belirlenmesi

prensibine dayanır. Bu çalışmada kullanılan görüntüleme sisteminde, nesneden

18

yansıyan ışıma enerjisinin bir kısmı optik sistem vasıtasıyla toplanır ve yayılan

enerjinin yoğunluğu ile orantılı bir seviyede algılanır. Bir sensör (veya sensörler

dizisi) alınan ışımayı elektriksel işarete çevirir. Daha sonra, işaret örneklenip sayısal

hale getirilerek, iki boyutlu bir sayı dizisi halindeki görüntü verisine dönüştürülür.

Bununla beraber, görüntüleme sistemleri, nesnelerin 3-boyutlu dünyada ve

görüntü düzlemindeki karşılıkları arasında ilişkiyi oluştururken iki farklı yaklaşım

kullanabilir:

• Doğrudan görüntüleme,

• Dolaylı görüntüleme.

Doğrudan görüntüleme sistemleri nesnelerin 3-boyutlu dünyada ve görüntü

düzlemindeki karşılıkları arasında noktadan noktaya doğrudan bir ilişki sağlar.

Dolaylı görüntüleme sistemleri ise, nesne ile görüntü arasında, yayımlanan

ışıma enerjinin uzaysal olarak dağıtılmış yoğunluğuna bağlı bir ilişki sağlar. Ancak

bu doğrudan görüntüleme sistemlerinde olduğu gibi noktadan noktaya bire bir ilişki

değildir.

NesneninRadyasyonla

Etkileşimi

GörüntülemeSistemi

Radyasyon(ışık)

Sensörü

A/D Çevrimi,Örnekleme

Işımaenerjisi

yoğunluğu

Işımaenerjisi

Nesneözelliği

Elektrkselişaret

Sayısalgörüntü

S(x',y',z') R(x',y',z') E(x,y) G(x,y) I(m,n)

Şekil II.6. Bir Sayısal Görüntünün Biçimlendirilme Sürecinde Nesne Özelliklerini Ölçülen

İşarete Bağlayan Adımlar Zinciri [1]

Dolaylı görüntüleme sistemlerinde bir görüntünün biçimlendirmesi için,

algılanan enerji yoğunluğu esas alınarak, nesnenin görüntü düzlemi üzerindeki iz

düşümü yeniden oluşturulur. Böyle görüntüleme örnekleri arasında, radarla

görüntüleme, akustik görüntüleme, bilgisayarlı tomografik görüntüleme (BT) ve

manyetik rezonanslı görüntüleme (MR) sayılabilir.

II.2.2. Veri Yapıları

Bir sayısal görüntü, biçimlendirme ve kodlama için kullanılan şemaya

bakılmaksızın daima 2-boyutlu bir I (m,n) dizisi ile temsil edilebilir. Buna göre, 3-

boyutlu görüntüler, birden çok 2-boyutlu dizi ile temsil edilir. Görüntüyü temsil eden

19

bir I (m,n) dizisinin indekslenmesinde kullanılan en uygun protokol, genellikle yatay

piksel koordinatının soldan sağa doğru ve ikinci parametre (n) ile, dikey piksel

koordinatının yukarıdan aşağıya doğru ve birinci parametre (m) ile temsil edildiği

geleneksel matris notasyonunu takip eder. MATLAB’da bu indeksleme protokolü

piksel koordinatları şeklinde isimlendirilir. Şekil II.7’de satır sayısı M, sütun sayısı

N olan ve piksel koordinat sistemine göre biçimlendirilmiş bir sayısal görüntü matrisi

verilmiştir [4,7].

I (m,n) =

I (1,1) I (1,2) I (1,3) I (1,N)

I (2,1) I (2,2) I (2,3) . . . . . I (2,N)

I (3,1) I (3,2) I (3,3) . . . . . I (3,N)

I (M,1) I (M,2) . . . . . I (M,N)

. . . . . .

. .

. . .

. . .

. . .. .

.

I (M,3)

Şekil II.7. Piksel Koordinat Sistemine Göre Biçimlendirilmiş bir Görüntü Matrisi Gösterimi

Şekil II.8’de, Venüs gezegeninin bir uzay araştırma uydusundan mikrodalga

radarı ile elde edilen görüntüsü ve sayısal görüntü matrisinin bir parçası verilmiştir.

Bu görüntüdeki satır ve sütun indeksleri, 0-199 aralığındaki tam sayılarla

kodlanmıştır. Görüntünün çözünürlüğü M*N = 200*200 = 40000 pikseldir.

Şekil II.8’de verilen GT görüntüde piksel verileri 8 bitlik tam sayılar

kullanılarak 0-255 arası sayılarla gösterilmiştir. Burada 0 siyah, 255 beyaz tonu, ara

değerler de diğer gri tonları temsil eder. Her pikselin sayısal değeri, gezegen

yüzeyinin karşılık gelen bölgesinden yansıyan mikrodalga enerjisinin yoğunluğuna

göre belirlenmiştir.

Bununla beraber, MATLAB ve diğer bir çok görüntü işleme programlarınca

desteklenen ve sayısal görüntünün biçimlendirilmesinde kullanılan veri sınıfları

(kodlama şemaları) 4 ana grup halinde sıralanabilir:

• İndeksli,

• Renkli (RGB),

• Gri ton (GT),

• Siyah-beyaz (SB) kodlama.

İndeksli ve RGB sınıfı kodlamalar nesnelerin renkli görüntülenmesinde kullanılır.

RGB sınıfı kodlamada, görüntüyü temsil eden her pikselin kırmızı, yeşil ve mavi

20

temel renklerine ilişkin tonlar ayrı veri dizilerinde saklanır. GT ve SB sınıfı

kodlamalarda ise siyah beyaz veya gri ton görüntü bilgileri tek bir veri dizisinde

saklanır.

Şekil II.8. Venüs Gezegeninin Mikrodalga Radarı ile Elde Edilmiş bir Sayısal Görüntüsü [6]

Piksel verileri bu sınıfların her birinde 8 bitlik tam sayı, 16 bitlik tam sayı veya

32 bitlik gerçek sayı gibi farklı biçimlerde saklanabilir. Bununla beraber, GT

görüntüde veriler genellikle 8 bitlik tam sayılarla kodlanır. SB görüntüde her pikselin

alabileceği renk siyah veya beyazdır, ve sırasıyla ikili tabandaki 0 ve 1 sayıları ile

kodlanır. Bu tez çalışmasının ilerideki aşamalarında yalnız GT ve SB görüntülerle

ilgilenilmiştir.

Bilimsel araştırmalarda, kişisel bilgisayar uygulamalarında ve TV alıcılarında

kullanılan tipik bir sayısal görüntünün çözünürlüğü 512*512 pikseldir. Bununla

beraber, teknolojik gelişmeler çözünürlüğü daha iyi olan sayısal görüntüleri elde

etmeye fırsat verdiğinden, sayısal röntgen, uzay fotoğrafları ve reklam gibi

uygulamalarda ihtiyaç duyulan görüntü kalitesi de giderek daha kolay bir şekilde

elde edilebilmektedir.

21

Görüntü işlemede en önemli zorluk, işlenecek veri miktarının çok yüksek

olması ve bu miktardaki verinin yönetimi sorunudur. Örneğin, bir saniyelik bir

sayısal ses kaydı yaklaşık 8 KB, görüntü kaydı ise yaklaşık 8 MB boyutunda bir

hafızaya kaydedilebilir. 512*512 piksel çözünürlüklü bir görüntünün, 33.6 Kbps

hızındaki modem ile iletimi için yaklaşık bir dakikalık bir süre gerekir. Görüntü

çözünürlüğünün 2 katına çıkması halinde (1024*1024), bu süre 4 katına çıkar. Bu

nedenle, yeterli olan en düşük çözünürlüklü görüntü kullanmak kolaylıklar sağlar [6].

II.3. GÖRÜNTÜ İŞLEME

Bilgisayarlı görmede görüntü analizi ve görüntü işleme için yapılabilecek

işlemler, daha önce de belirtildiği gibi, üç ana sınıfa ayrılabilir: düşük-seviyeli, orta

seviyeli, ve yüksek seviyeli işlemler. Düşük seviyeli işlemler, parlaklık ve kontrast

ayarı, görüntünün gürültüden arındırılması, ve görüntü keskinleştirme gibi basit

dönüştürme ve filtreleme işlemlerini kapsar. Düşük seviyeli bir işlem, hem girişinin

ve hem de çıkışının görüntü olması ile karakterize olur [3].

Orta seviyeli işlemler, görüntünün bölgelere veya nesnelere ayrılması,

nesnelerin tanımlanması ve sınıflandırılması gibi işlemleri içerir. Orta seviyeli bir

işlem, genellikle girişlerinin görüntüler, çıkışlarının bu görüntülerden üretilen alan,

boyut, kenar, kontur gibi nesnelerin kimliklerini belirlemeye yardım eden çeşitli

ölçüler veya özellikler olması ile karakterize olur [3].

Yüksek seviyeli işlemler, görüntü analizinin hedeflenen nihai amacını oluşturan

ve normalde insan görmesi ile ilgili algılama ve tanıma fonksiyonlarından ilham alan

işlemleri içerir. Bu bölümde, yukarıda sıralanan düşük ve orta seviyeli işlemlerin bir

kısmı tanıtılmaktadır.

II.3.1. Düşük Seviyeli İşlemler

Düşük seviyeli görüntü işleme uygulamaları kapsamında, GT veri yapısına

sahip görüntülerin parlaklık ve kontrast ayarı, gri ton ölçekleme dönüşümü,

filtreleme ve GT görüntüden SB görüntüye dönüşüm için kullanılan eşikleme

yöntemi, SB görüntü üzerinde uygulanan morfolojik işlemler; nesneleri çevreleyen

22

konturu belirleme, iskelet çıkarma gibi amaçlarla kullanılan ve pikseller arasındaki

geçişleri düzenleyen komşuluk ilişkileri aşağıda açıklanmıştır.

II.3.1.1. Parlaklık ve Kontrast Ayarı

Parlaklık, görüntünün tümünü ilgilendiren aydınlık seviyesi ile ilgili bir

kavramdır. Kontrast ise, görüntüdeki nesne veya bölgeler arasındaki parlaklık farkını

belirtmek için kullanılır. Bir görüntü, kolay seyredilebilmesi için uygun bir parlaklık

ve kontrasta sahip olmalıdır.

Şekil II.9’da parlaklık testi için kullanılan bir görüntü verilmiştir. Bu görüntü

80*32 piksel boyutundadır ve her bir piksel 0-255 arası bir gri ton değerine sahiptir.

Resimde 6 farklı parlaklık ve kontrast seviyesi kullanılmıştır. Test görüntüsünün arka

planı rasgele gürültü ile doldurulmuştur. Soldan sağa üç kare kutunun piksel

değerleri sırası ile 75, 150 ve 225’dir. Her bir kare piksel değerleri arka planlarından

çok az farklı iki üçgen içerir.

Şekil II.9. Parlaklık ve Kontrast Testi İçin Kullanılan Görüntü [6]

Bu test görüntüsü üzerinde parlaklık ve kontrast ayarlarının nasıl yapıldığı Şekil

II.10’da gösterilmiştir. Buna göre, Şekil II.10a’daki uygulamada parlaklık ve kontrast

normal düzeye ayarlanmıştır.

Şekil II.10b ve Şekil II.10c’de parlaklık değişiminin etkisi gösterilmiştir.

Parlaklığın artırılması görüntüdeki her bir pikselin daha aydınlık görünmesini

sağlamıştır. Tersine, parlaklığın azaltılması görüntüdeki her bir pikselin daha

karanlık görünmesini sağlar. Bu uygulamalarda üçgenlerin hiçbiri, Şekil

II.10a’dakinden daha iyi görülemez. Bu uygulamada olduğu gibi, düşük kontrastlı

nesnelerin çevresinden ayrıt edilebilmesine parlaklık değişimleri çok az katkı sağlar.

23

Şekil II.10d’de yapılan kontrast ayarına göre, sayısal değeri 75’e yakın olan

piksellerin en iyi şekilde görüntülendiğini görülmektedir.

Şekil II.10. Parlaklık ve Kontrast Ayarlama Örnekleri [6]

Bu ayar sonucunda, örneğin, gri ton değerleri 71-75 aralığında olan pikseller 100-116

değerleriyle görüntülenir. Kontrastı artırmak sol taraftaki karenin içindeki üçgenlerin

görülebilmesine imkan sağlamıştır. Buna karşılık, ortadaki ve sağdaki kareler

doyuma gitmiştir.

Kontrast ayarlamanın başka bir yolu da, Şekil II.10e’de görüldüğü gibi piksel

değerlerinin küçük bir aralığı üzerinde büyütme işlemi yapmaktır. Buna göre,

ilgilenilen piksel değerlerinin bulunduğu bölümün merkezinde bir büyütme yapılarak

parlaklık kontrolü yapılır. Bu ayar sonucunda, 256 seviyenin sadece 16 tanesi

24

doymamış olarak görüntülenir. Ortadaki karenin ayrıntıları daha iyi görülebilir.

Ancak, bunun haricindeki her şey doyuma gitmiştir.

II.3.1.2. Gri Ton Ölçekleme Dönüşümü

Şekil II.10’da verilen bütün parlaklık ayarları gerçekte birer düşük seviyeli

görüntü işleme uygulamasıdır. Bununla beraber, Şekil II.10f’deki görüntünün

parlaklık ve kontrast ayarı için yapılan işlemler, düşük seviyeli görüntü işleme

tanımlamasına daha uygundur.

Burada görüntü işleme sistemi, giriş görüntüsünden çıkış görüntüsünü üretirken

daha dinamik bir yol izlemektedir. Sistemin bir örneği Şekil II.10f’de verilen

giriş/çıkış karakteristiği (gri ton ölçeği dönüşüm karakteristiği), amaca bağlı olarak

çeşitli şekillerde tanımlanabilir. Örneğin Şekil II.10f’deki uygulamanın amacı, test

görüntüsünün iki uçta bulunan karelerinin içindeki üçgenlerin çıkış görüntüsünde

daha net görülebilmesini sağlamaktır.

Bu yaklaşım, görüntülerin görünüşlerini geliştirmek için güçlü bir yöntem olan

gri ton ölçekleme dönüşümünü (gri skala dönüşümü) ortaya çıkarmıştır. Buradaki

temel fikir, piksel değerlerinde kontrastı arttırmaktır. Buna ilişkin bir örnek Şekil

II.11’de verilmiştir. Bu şekildeki görüntü, tam karanlık ortamda kızılötesi ışığa

duyarlı bir CCD kamera kullanılarak elde edilmiştir.

Bu görüntülemede kullanılan radyasyon değişkeni ısıdır. Sıcak nesneler daha

fazla kızıl ötesi enerji yayar ve görüntüde bunlar daha parlak görünür. Görüntüde,

arka plan çok karanlık (soğuk), vücut gri (sıcak), ve kamyonun ızgaraları beyaz (çok

sıcak) tonlarda biçimlendirilmiştir. Şekil II.11a’daki orijinal görüntüde (giriş

görüntüsü) görüş zordur, çünkü piksel değerleri düzensiz dağılmıştır. Görüntünün

çoğunda karanlıktan dolayı sahnenin ayrıntıları görülemez. Izgaralar beyaza yakın ve

doyumdadır.

25

Şekil II.11. Gri Ton Ölçekleme Dönüşümü [6]

Bu görüntünün histogramı Şekil II.12a'da gösterilmiştir. Burada orijinal

görüntüdeki arka plan, insan ve ızgaralar fark edilebilir ayrı değerlere sahiptir. Bu

örnekte, arka plan ve ızgaraların kontrastı artırılmak istendiğinde, Şekil II.12b'de bu

amaçla takip edilecek bir yöntem resimlenmiştir.

Şekil II.12. Gri Ton Ölçekleme Dönüşümünün Geliştirilmesine İlişkin Bir Uygulama Örneği [6]

Buna göre, arka plan 12 değerinde, ızgaralar 6 değerinde, insan vücudu da 1

değerinde bir bağıl kontrasta sahip olacak, ve bölgeler arasında geçiş bir merdiven

şeklinde olacak şekilde gri ölçek dönüşümünün tanımlaması yapılmıştır. Tüm bu

değerler deneme yanılma yolu ile belirlenmiştir.

26

Bu tanımlamaya göre oluşan gri ton ölçekleme dönüşüm karakteristiği Şekil

II.12c'de gösterilmiştir. Bu dönüşüm karakteristiği, Şekil II.12b'de bağıl

tanımlamanın integrali alınıp normalleştirilmesi suretiyle (256 sayısına göre) elde

edilmiştir. Başka bir deyişle, Şekil II.12b, Şekil II.12c’de verilen karakteristiğin

türevidir. Bu yöntem literatürde histogram eşleme yöntemi olarak anılır.

Şekil II.11b’deki görüntü, Şekil II.11a’daki görüntünün bu dönüşüm

karakteristiğine göre gri ton ölçekleme dönüşümünden geçirilmesi sonucunda

üretilmiştir. Sonuçta arka plan daha aydınlık, ızgaralar daha koyu yapılıp, her ikisi de

daha iyi bir kontrasta sahip olmuştur. Buna karşılık vücut kontrastı azalmıştır,

hırsızın görüntüsü az bir detay ile üretilmiştir.

Yukarıdaki örnekte olduğu gibi, gri ton ölçekleme dönüşümlerinde göstergede

arzu edilen kontrast değeri bir görüntünün görülebilirliğini geliştirmede önemli

olabilir. Bunu sağlamak çok sayıda deneme gerektirebilir. Histogram eşlemenin bir

yolu da otomatik yöntemdir. Buna göre, çıkış dönüşümü elle eğri üretmek yerine,

histogram integrasyonu ve normalizasyonu ile bulunur. Piksellerin en büyük değere

sahip olanlarına verilen bu değerler sonuçta en büyük kontrasta neden olur.

Şekil II.11’de kamyon ızgaraları ve hırsız göze en çok çarpan nesnelerdir. Buna

rağmen, histogram eşlemede bu nesneler de bağıl olarak bir kaç piksel içermektedir.

Histogram eşleme kolay ve hızlıdır. Yinede, histogram eşlemenin çok başarılı

olmadığı yerlerde, elle üretilmiş bir eğri muhtemelen daha iyi sonuçlar verebilir [6].

II.3.1.3. Filtreleme

Geleneksel sayısal işaret işlemede olduğu gibi, lineer görüntü işleme yöntemleri

de esas olarak iki farklı filtreleme yaklaşımı kullanır: konvolüsyon ve hızlı Fourier

dönüşümü (FFT). Bununla beraber, görüntü işlemede konvolüsyon daha önemlidir.

Çünkü görüntüler esas olarak frekans domeninde kodlanmış verilerden çok, uzaysal

domende kodlanmış verileri içermektedir.

Ayrıca konvolüsyon yöntemi ile yapılan hesaplamalar, FFT yöntemi ile yapılan

hesaplamalara göre daha az işlemci gücü gerektirmektedir. Bu nedenle, bu bölümde

lineer görüntü filtreleme yöntemlerinden yalnız konvolüsyon yöntemi açıklanmıştır.

Lineer görüntü filtreleme ile, görüntüdeki nesnelerin kenarlarının

keskinleştirilmesi, rasgele gürültülerin azaltılması, dengesiz aydınlanmanın

27

giderilmesi gibi, görüntüleri bir çok yönden geliştiren uygulamalar yapılabilir. Bu

sonuçlar, asıl görüntüye uygun bir filtre çekirdeği (kernel) ile konvolüsyon

uygulanması sonucunda elde edilir.

Buna göre, her görüntü, ölçeklenmiş ve kaydırılmış 2-boyutlu impulsların (delta

fonksiyonu) toplamı olarak düşünülebilir. Burada 2-boyutlu delta fonksiyonu, satır

ve sütun indekslerinin pozitif ve negatif değerlere sahip olabileceği varsayımı ile,

(0,0) konumuna karşılık gelen piksel hariç, tüm piksellerin sıfır değerini aldığı bir

görüntüdür. Şekil II.13’de 2-boyutlu delta fonksiyonu ve insan gözünün buna karşı

ürettiği cevap gösterilmiştir.

Şekil II.13. 2-boyutlu Delta (Birim İmpuls) Fonksiyonu ve Gözün Birim İmpuls Cevabı [6]

Bu cevap literatürde nokta genişletme fonksiyonu nitelemesiyle ve onun orijinal

isminin kısaltılmış şekli olan PSF (Point Spread Function) kısaltmasıyla

kullanılmaktadır. PSF bir filtreyi temsil ettiğinde bazen filtre kerneli veya filtre

çekirdeği nitelemesiyle de anılabilmektedir [6,13]. Şekil II.14’de yaygın olarak

kullanılan PSF örnekleri verilmiştir.

28

Şekil II.14. Yaygın Olarak Kullanılan PSF’ler [6]

Lineer işaret işleme teorisine göre, bir sistemin giriş işaretine karşı ürettiği

cevap, giriş işareti ile sistem birim impuls cevabının konvolüsyonudur. Buna göre,

görüntüyü 2-boyutlu N*N piksellik bir Iin (m,n) dizisi ile, görüntü işleme sistemini de

M*M piksellik bir h(k,j) birim impuls cevabı dizisi ile temsil ettiğimizde, çıkış

görüntüsünü temsil eden 2-boyutlu Io(m,n) dizisi aşağıdaki gibi 2-boyutlu

konvolüsyonla hesaplanır [7]:

∑ ∑ −−=−

=

−

=

1

0

1

0),( ),(),(

M

k

M

jino jnkmIjkhnmI (II.1)

Benzer şekilde, filtreleme için konvolüsyon yerine korelasyon da

kullanılabilmektedir. Bu durumda çıkış görüntüsünü temsil eden 2-boyutlu Io(m,n)

dizisi (II.1) eşitliğine benzer aşağıdaki eşitlikle hesaplanır:

29

∑ ∑ ++=−

=

−

=

1

0

1

0),( ),(),(

M

k

M

jino jnkmIjkhnmI (II.2)

Şekil II.14a,b,c‘de gösterilen filtre çekirdekleri ile yapılan filtrelemede çıkış

görüntüsü daha bulanık ve kenarlar daha az belirgindir. Bununla beraber, rasgele

gürültüler azalmıştır. Bu filtreler alt geçiren (smoothing) filtrelerdir. Buna karşılık,

Şekil II.14d,e‘de gösterilen filtreler yüksek geçiren filtrelerdir.

Görüntü konvolüsyonunda en önemli sorun, çok sayıda hesaplama

gerektirmesidir. Örneğin, 512*512 piksel boyutundaki bir görüntünün 64*64 piksel

boyutundaki bir PSF ile konvolüsyonu için bir milyondan fazla çarpma ve toplama

gerekir. Bu nedenle hızı yükseltmek için üç yaklaşım kullanılır:

• Küçük boyutlu bir PSF kullanmak (çoğunlukla 3*3 boyutunda)

• Yatay ve düşey izdüşümlerine ayrılabilir bir filtre kerneli kullanmak,

• FFT konvolüsyonu.

Bunlardan 3*3 piksellik filtre çekirdeği ile yapılan konvolüsyon ve korelasyon

uygulamalarından şaşırtıcı bir şekilde yeterli filtre cevapları üretilebilmektedir [6].

II.3.1.4. Eşikleme: GT-SB Görüntü Dönüşümü

Bilgisayarlı görüntü işlemede en önemli sorun, nesneleri temsil eden alt

görüntüleri belirlemektir. İnsanlar için çok doğal ve çok kolay olan bu işlem,

bilgisayar için sürpriz bir şekilde zordur. Bir görüntünün bölgelere ayrılmasına

segmentasyon denir. İdeal olarak, her bir parça bir nesneyi veya nesnenin bir

parçasını temsil eder.

Eşikleme, ilgilenilen nesnelerin arka plandan (zeminden) ayrılmasını

sağlayacak şekilde bir gri ton (GT) görüntünün siyah-beyaz (SB) görüntüye

dönüştürülmesidir. Nesnelerin arka zeminden etkin bir eşikleme ile ayrılabilmesi

için, arka zeminle aralarında yeterli bir kontrast olmalı, ve nesne ile arka zeminin gri

ton seviyesi hakkında bilgimiz olmalıdır. Bu amaçla görüntünün gri ton yoğunluk

dağılımı fonksiyonundan (histogram) yararlanılır.

I(m,n) GT görüntü dizisi, T eşik gri ton değeri olmak üzere, eşikleme

sonucunda oluşan BI (m,n) SB görüntü dizisi aşağıdaki gibi belirlenir [2,13]:

30

⎩⎨⎧

>≤

=TnmITnmI

nmBI),( ,0),( ,1

),( (II.3)

Bilgisayarlı görme sistemlerinde görüntülerin eşiklemesi genellikle gri ton eşik

değerinin amaca bağlı olarak dinamik bir şekilde değiştirilmesi ile yapılır.

II.3.1.5. Morfolojik İşlemler

SB görüntü üzerinde yapılan düşük seviyeli görüntü işleme uygulamalarının en

önemlilerinden birisi, morfolojik görüntü işlemedir. Morfolojik işlemler oldukça

basit bir matematiksel alt yapıya dayanır.

Şekil II.15a’da GT görüntüden eşikleme ile oluşturulan bir SB görüntü örneği

verilmiştir. Görüntüdeki nesne, kızıl ötesi görüntüleme ile elde edilmiş bir düşman

tankı, uzay görüntüleme sistemi ile elde edilmiş bir gök taşı, veya röntgen

görüntüsünden elde edilmiş bir tümörü temsil edebilir. Morfolojik işlemler, bu

örnekte olduğu gibi nesne tanımadaki belirsizlikleri gidermede yardımcı olur. Bu

amaçla kullanılan temel morfolojik işlemlerden aşındırma, genişletme, açma ve

kapama uygulamaları Şekil II.15’deki örnek üzerinde gösterilmiştir.

Şekil II.15. Morfolojik İşlem Örnekleri [6]

Şekil II.15b ve Şekil II.15c’de bu görüntünün aşındırma ve genişletme

morfolojik işlemleri ile nasıl değiştirildiğini göstermektedir. Aşındırmada, nesnenin

31

arka plana yakın konumdaki ya da nesneye teması az olan bütün pikseller arka plan

pikseline dönüştürülür. Genişletmede ise, nesnenin piksellerine temas eden bütün

arka plan pikselleri nesne pikseline dönüştürülür. Dolayısıyla, aşındırma nesneleri

daha küçültürken, toplu halde bulunan nesneler içinden bir nesneyi koparabilir.

Genişletme nesneleri daha büyütür ve toplu halde bulunan farklı nesneleri tek bir

nesne halinde birleştirebilir.

Şekil II.15d ve Şekil II.15e sırasıyla açma ve kapama morfolojik işlemlerini

göstermektedir. Açma, bir aşındırmayı takiben bir genişletme yolu ile gerçekleştirilir.

Kapama, bir genişletmenin ardından yapılan aşındırma işlemi ile gerçekleştirilir. Bu

örnekte, nesnedeki küçük piksel grupları ve ince piksel uzantıları açılarak ortadan

kaldırılmıştır. Aynı şekilde, arka plandaki adacıklar ve ince piksel grupları

kapatılarak ortadan kaldırılmıştır. Bu işlemler, istenmeyen bazı piksellerin

oluşturduğu gürültüyü gidermek için yararlıdır.

II.3.1.6. Komşuluklar

Şekil II.16a’da gösterildiği gibi, bir görüntünün [m, n] uzaysal konumunda

bulunan pikselin sekiz komşusu vardır. Bunlar yatay ve düşey doğrultularda 2,4,6,8

numaraları ile kodlanan yakın komşular ile, pikselin köşegenleri doğrultusunda

1,3,5,7 numaraları ile kodlanan ve uzak komşular olarak adlandırılan piksellerdir.

Bu komşuluk tanımlamaları görüntü işleme uygulamalarında önemli bir yer

tutar. Örneğin, bir nesnenin çevresini belirleyen en küçük uzunluklu diziyi

belirlemek, bir nesnenin iskeletini çıkarmak gibi uygulamalarda (parmak izi tanıma

gibi) bu komşuluk kodlamasına göre işlenerek oluşturulan SB görüntüler, nesnelerin

özelliklerini çıkarmaya yönelik orta seviyeli görüntü işleme algoritmaları için esas

alınan görüntülerdir.

Komşuların bağlantılı veya bağlantısız olduğunu belirlemek için kullanılan

algoritmalar, bitişik komşu pikseller arasında siyah-beyaz geçişlerini sayma

prensibine dayanır. Bununla beraber, uygulamada Şekil II.16’da gösterilen sekizli

komşuluk ilişkisine dayanan uygulamaların yanı sıra, yalnız yakın komşulukların

dikkate alındığı dörtlü komşuluk ilişkileri de kullanılabilmektedir. Örneğin, bir

nesnenin çevresini oluşturan poligonun çıkarılması uygulamasında, sekizli komşuluk

ilişkisine dayanan 8-yönlü zincir kodu kullanılabileceği gibi, dörtlü komşuluk

ilişkisine dayanan 4-yönlü zincir kodu da kullanılabilir.

32

Şekil II.16. Komşuluk Kodlamaları ve Olası Komşuluk İlişkileri [6]

Sekizli komşulukta bir piksel ile bütün komşuları arasında siyah-beyaz geçişi

oluşabilir. Bu ilişkiler Şekil II.16b ve Şekil II.16c’deki bağlantılı ve bağlantısız

komşuluk örneklerinde siyah-beyaza geçişlerini temsil eden bir * işareti ile

belirtilmiştir.

II.3.2. Orta Seviyeli İşlemler

Orta seviyeli işlemler, GT bir görüntünün SB görüntüye dönüştürülmesi için

kullanılan eşikleme işlemi ile başlar. GT-SB dönüşümü için seçilen eşik değere ve

oluşan SB görüntü üzerinde bundan sonra yapılan bir takım morfolojik işlemlere

bağlı olarak, SB görüntü üzerinde çeşitli bölgeler (segment) oluşur. Bu aşamadan

sonraki süreç, her biri sınırları bir piksel dizisi ile belirlenen ve ayrı bir nesne olarak

kabul edilen bu bölgeleri diğerlerinden ayırt edecek özellikleri tanımlamaktır. Orta

seviyeli işlemler, bu amaçla yapılan görüntü işleme uygulamalarını kapsar.

Buna göre, orta seviyeli işlemler, nesnelerin tanımlanması için yapılabilecek iki

temel tercihe bağlı olarak belirlenir:

33

• Nesneleri çevresel (harici) özelliklerine göre tanımlamak,

• Nesneleri bölgesel (dahili) özelliklerine göre tanımlamak.

Bununla beraber, SB görüntüdeki nesnelerin (bölgelerin) yukarıda verilen

yaklaşımlardan hangisine göre temsil edileceğinin tercihi, nesneleri tanımlama için

yerine getirilmesi gereken ilk görevdir. Bundan sonraki görev, seçilen yaklaşım

tercihine göre nesneleri tanımlayacak parametreleri üretmektir. Örneğin, bir nesnenin

çevresel özelliklerine göre tanımlanması tercih edildiğinde, bu amaçla nesneyi

çevreleyen konturun uzunluğu, içerdiği konkavlık sayısı gibi özellikler bu nesneyi

tanımlayan parametreler olarak seçilebilir [3].

Nesneleri çevresel özelliklerine göre temsil etme yaklaşımı, nesnenin şekli ile

ilgilenildiği durumlarda; bölgesel özelliklerine göre temsil etme yaklaşımı ise,

nesnenin renk ve doku özellikleri gibi dahili özelliklerine odaklanıldığında seçilir.

Bazı uygulamalarda, nesnelerin temsili için kullanılan her iki yaklaşım, bir

problemin çözümü amacıyla ayni anda kullanılabilir. Her iki durumda da nesne

tanımlayıcı olarak seçilen parametreler, mümkün olduğu kadar nesnenin (bölgenin)

büyüklüğü (alanı, size), yer değiştirmesi ve dönmesi gibi çeşitli fiziksel durumlarda

özelliklerinde meydana gelen değişimleri en iyi yansıtan parametreler olmalıdır. Bu

bölümde, anılan amaçlarla en sık kullanılan parametrelerden bir kısmı tanıtılmıştır.

II.3.2.1. Temel Tanımlar

Bir SB görüntü içerisinde bir biri ile bağlantılı piksellerin oluşturduğu her küme

bir bölge (nesne); bölgede bulunan, ancak bir veya daha çok sayıda komşusu bölge

içinde olmayan piksellerin oluşturduğu küme ise, çevre (bölgenin çevresi) olarak

tanımlanır. Bölge veya çevre üzerinde olmayan pikseller arka plan pikselleridir.

Bu tanımlara göre, kontur bir biri ile bağlı piksellerin oluşturduğu bir kümedir.

Bir kontur üzerindeki pikseller bir birine hep ayni yönde (saat yelkovanı yönünde

veya saat yelkovanının tersi yönde) bağlanan bir dizi halinde biçimlenirse, bunlara

sıralı pikseller denir. Bir bölge içinde bulunan ancak bölgeyi çevreleyen kontur

üzerinde bulunmayan piksellere iç piksel denir.

34

II.3.2.2 Görüntü Analizinde Kullanılan Tanımlayıcılar

Literatürde çok kullanılan tanımlayıcıların bir kısmı aşağıda açıklanmıştır.

Çevre Uzunluğu: Nesneyi çevreleyen konturun uzunluğudur. Buna göre, bir

nesnenin çevre uzunluğu hesaplanırken, kontur üzerindeki bir pikselden başlayıp

tekrar ayni piksele gelinceye kadar yapılan her piksel geçişinin yakın komşuluk (4-

yönlü kodlama şeması) olması halinde 1 birim, uzak komşuluk (8-yönlü kodlama

şeması) olması halinde 1.41 birim değeri ile toplama ilave edildiği bir algoritmik

yapıya göre hesaplanır.

Çap: Nesneyi çevreleyen konturun üzerinde bir birine en uzak konumdaki iki

piksel arasındaki Euclidyen mesafesi şeklinde tanımlanan uzaklık ‘çap’tır. Çap

hesaplaması için tespit edilen piksellerden geçen doğru, nesnenin ana (büyük) ekseni

olarak tanımlanır. Buna göre nesnenin küçük ekseni, ana eksene dik olan doğrudur.

Şekil Numarası (Zincir Kodları): Zincir kodları, daha önce Bölüm II.3.1.6’da

açıklandığı gibi, SB görüntü üzerindeki bir pikselin yatay ve düşey doğrultularda

2,4,6,8, köşegenleri doğrultusundaki 1,3,5,7 numaralı komşuları ile arasındaki siyah-

beyaz geçişlerinin Freeman zincir koduna göre değerlendirilmesi ile oluşturulan ve

nesnelerin çevrelerinin tanımlanması için esas alınan kontur ve nesne kabuğu gibi

yapıları temsil eden ikili kod dizileridir [3,9].

Şekil numarası ise, 4-yönlü veya 8-yönlü Freeman zincir koduna göre

hesaplanan en küçük genliğin birinci fark dizisi (türev) ile belirlenir. Şekil

numarasının büyüklüğü, bu fark dizisindeki basamak sayısıdır.

Fourier Tanımlayıcıları: K elemanlı kapalı bir kontur çizgisini oluşturan

noktalar dizisi, periyodik bir fonksiyon olarak ele alınabilir [2]. Bu kapalı kontur

çizgisi üzerindeki her bir piksel için tanımlanmış, [ ])(),()( kykxks = şeklindeki

uzaysal koordinatlar yerine, bu uzaysal koordinatlardan türetilen, )()()( kjykxks +=

gibi bir kompleks koordinat ifadesi kullanılabilir. Nesne konturunu tanımlayan bu

kompleks ifadelere ayrık Fourier dönüşümü uygulanarak nesnenin konturuna ait

Fourier tanımlayıcıları hesaplanabilir [2,3,9,13]. Bu işlemin matematiksel ifadesi II.4

eşitliğinde verilmiştir.

[ ] )()()()(),()( kjykxkskykxks +=⇒= 1,...,2,1,0 −= Kk

35

∑−

=

−=1

0

/2)()(K

k

KukjeksuF π 1,...,2,1,0 −= Ku (II.4)

Burada F(u), kontur üzerindeki u. piksel için hesaplanan Fourier tanımlayıcısı; K,

konturun içerdiği piksel sayısını göstermektedir. Nesneler kontur özelliklerine göre

sınıflandırılarak, karakter tanıma veya bir yoldan geçen insanların ve araçların ayrı

ayrı tespit edilmesi ve sayılması gibi istenilen herhangi bir görev yerine getirilebilir.

Böyle bir uygulamaya örnek olarak Toth D.’nin çalışması verilebilir [25].

İstatistiksel Moment: Bir boyutlu fonksiyon olarak temsil edilebilen şekiller,

ortalama, varyans ve yüksek dereceli momentler gibi istatistiksel momentler

kullanılarak nicel olarak tanımlanabilirler [3]. Bu noktada, bir görüntü için elde

edilen histogram tek boyutlu bir fonksiyon gibi düşünülerek istatistiksel momentler

ile değerlendirilip görüntü hakkında tanımlayıcı değerler üretilebilir. Yine benzer

şekilde parçalara ayrılmış bir nesne konturu üzerinde de bu değerler hesaplanarak

nesneye ait konturun tanımlaması yapılabilir. Bu amaç ile nesneye ait bir kontur

parçası Şekil II.17b deki gibi bir eksen takımına yerleştirilerek alanı normalize edilir.

Bu durumda, kontur parçasını temsil eden g(r) fonksiyonu, rasgele değişken ri‘nin

ortaya çıkma olasılığını gösteren bir olasılık fonksiyonu, ya da bir histogram gibi

değerlendirilebilir. Bu fonksiyon için II.5 eşitliğinde tanımlanan istatistiksel

momentler (µn) kolaylıkla hesaplanabilir [3].

∑−

=

−=1

0

)()(K

ii

nin rgmrrµ (II.5)

∑−

=

=1

0)(

K

iii rgrmr

Burada n, moment derecesi; µn, n. dereceden istatistiksel momenti; mr, moment

hesaplama için referans alınan ortalama değerdir.

Şekil II.17. Nesne Konturunun 1-D Fonksiyon Olarak Temsili Gösterimi [3]

36

Geometrik Momentler: Nesnelerin doku yapısı ile ilgili tanımlamalar yapmak

için kullanılan en önemli parametrelerden biri geometrik momentlerdir. Geometrik

momentler tanımlanırken, öteleme, ölçekleme ve döndürme gibi geometrik süreçler

sonucunda değişen parametrelerin yanı sıra, bu tür değişimlerden etkilenmeyen

parametrelerin de elde edilmesi amaçlanır. Bu tür parametreler, sırasıyla merkezi

momentler ve normalize momentler olarak anılır [3,11].

Normalize momentler öteleme ve ölçekleme ile değişmez. Bu nedenle değişmez

momentler olarak da adlandırılırlar. Geometrik momentler ve bu kapsamda yedi adet

normalize moment (Hu tarafından tanımlanan) aşağıda kısaca tanıtılmıştır.

I(x,y) bir sürekli görüntü fonksiyonu olsun. Bu görüntünün (p+q) dereceden

geometrik momenti aşağıdaki gibi tanımlanır [2,11,12]:

, (II.6)

(II.6) eşitliğiyle tanımlanan momentler, nesnelerin görüntü içinde bulunduğu

koordinatlara ve büyüklüğüne bağımlıdır ve değişmezlik özelliği göstermezler. Bu

kapsamda SB görüntüdeki bir nesnenin alanı, onun sıfırıncı dereceden momentine;

konumu (ağırlık merkezi), birinci dereceden momentine; yönü (ana eksenin yatay

doğrultuya göre açısı) de, ikinci dereceden momentine karşılık gelir.

Görüntü içindeki bir nesnenin momentlerinin koordinatlarına ve büyüklüğüne

bağımlı olması sorunu, hesaplanan momentlerin normalize edilmiş şekillerinin uygun

kombinasyonları tanımlanarak giderilir. Bu amaçla kullanılan parametrelerin

oluşturulması için kullanılan uzaysal koordinatlara ilişkin öteleme, ölçekleme, ve

döndürme işlemleri aşağıda tanımlanmıştır:

Öteleme: (II.7)

Ölçekleme: (II.8)

Döndürme: (II.9)

37

a-) Merkezi Momentler: Merkezi momentler aşağıdaki gibi tanımlanır:

∫∫ −−= dxdyyyxxyxI qppq )())(,(µ (II.10)

Burada 00

01

00

10 ,mmy

mmx == nesnenin ağırlık merkezinin koordinatlarıdır.

b-) Normalize Momentler: 2

2++=

qpy olmak üzere, normalize

momentler aşağıdaki gibi tanımlanır:

ypq

pq00µ

µη = (II.11)

Bu momentler nesnelerin dönme ve ötelenmelerinden etkilenmez ve değişmez

[11,12].

Hu’nun 7-Momenti: 1962’ de Hu’nun tanımladığı öteleme, ölçekleme ve döndürme

ile değişmeyen yedi adet normalize moment kombinasyonu aşağıda verilen formüller

ile tanımlanırlar [12]:

02201 ηη +=Φ (II.12)

211

202202 4)( ηηη +−=Φ (II.13)

20321

212303 )3()3( ηηηη −+−=Φ (II.14)

20321

212304 )()3( ηηηη +++=Φ (II.15)

])(3))[()(3( 20321

21230123012305 ηηηηηηηη +−++−=Φ

])()(3)[)(3( 20321

2123003210321 ηηηηηηηη +−++−+ (II.16)

))((4])())[(( 03211230112

03212

123002206 ηηηηηηηηηηη ++++−+−=Φ (II.17)

])(3))[()(3( 20321

21230123030217 ηηηηηηηη +−++−=Φ

])()(3)[)(3( 20321

2123003213012 ηηηηηηηη +−++−+ (II.18)

38

Bu momentlerin ilk altısı aynı zamanda görüntünün çevrilmesi (aynalama) ile

de değişmez. Görüntü çevirme durumunda yedinci momentin mutlak değeri

değişmez, işareti değişir. Pratikte doğruluk sorunlarından kaçınmak ve değişim

aralığını kısıtlamak için momentler logaritmalarının mutlak değerleri alınarak

kullanılır [3]. Burada verilen geometrik momentler ve Hu’nun moment sabitlerinin

yanı sıra, literatürde görüntü işleme, nesne tanıma ve karakter tanıma amaçlı olarak

kullanılan Affine sabit momenti, Tsirikolias-Mertzios momentleri ve Zernike

momentleri de tanımlanmıştır [10,11,12,13]. Günümüzde bu geometrik momentlerin

hesaplama hızlarının ve doğruluklarının geliştirilmesi için yeni hesaplama yöntemleri

de önerilmiştir [21].

Hu momentleri karakter tanımada kullanılabildiği gibi özel olarak hazırlanmış

düzenekler ile alınan görüntülerden üç boyutlu nesne modellerinin oluşturulması ve

bu şekilde nesne tanıma ve denetleme sistemlerinin tasarlanmasında da

kullanılabilmektedir. Rodriguez J.A.M’ nin yapmış olduğu çalışma bu türden bir

uygulamadır [19].

Doku Özellikleri: Momentler dışında, istatistiksel yaklaşımlarla bölgesel

tanımlayıcı olarak kullanılabilecek başka parametrelerde hesaplanabilmektedir. Bu

parametreler GT görüntünün histogramı esas alınarak elde edilirler [3,11]. Bu

istatistiksel parametrelerin bazıları şunlardır;

Ortalama Parlaklık(m): GT görüntüde ortalama parlaklığı veya gri ton

yoğunluğunu ifade eder. Tümüyle beyaz görüntü için 8 bitlik kodlama türünde 255

değerini, tümüyle siyah görüntü için ise 0 değerini alır. Hesaplaması II.9 eşitliğinde

verildiği gibidir.

∑−

=

=1

0)(

L

iii zpzm (II.9)

Burada; m ortalama parlaklık, L bir pikselin alabileceği gri ton seviye değerlerinin

sayısı, z rasgele bir yoğunluk değişkeni, p(z) bölgenin yoğunluk seviyelerinin

histogramıdır.

Standart Sapma (σ ): GT görüntüdeki ortalama kontrastın bir ölçüsüdür.

Hesaplaması aşağıda verilen II.10 eşitliğindeki gibidir.

22 )( σµσ == z (II.10)

39

Burada; µ2 ikinci istatistiksel momenttir ve varyansın ( 2σ ) karşılığıdır.

Dağınım(Entropi): Görüntü dokusundaki rasgeleliğin bir ölçüsüdür (e) ve

eşitlik II.11 ile hesaplanır.

∑−

=

−=1

02 )(log)(

L

iii zpzpe (II.11)

Pürüzsüzlük: GT görüntüde gri tonların dağılımının bağıl bir ölçüsüdür. GT

görüntünün genelinde aynı değerli sabit bir gri ton var ise pürüzsüzlük değeri 0’a

yaklaşır. Gri ton değeri resim genelinde çok değişken ise pürüzsüzlük değeri 1’e

yaklaşır. Hesaplaması ise eşitlik II.12’deki gibidir.

)1/(11 2σ+−=R (II.12)

Burada; σ , GT görüntünün standart sapması yada ortalama kontrast dır.

Histogramlar: Yukarıdaki tanımlayıcıların açıklamalarından da görüleceği

gibi, histogramların doğrudan bir tanımlayıcı olarak değil, farklı tanımlayıcıların

hesaplanması için bir veri kaynağı olarak kullanılması yaygındır. Ancak literatürde

histogramların doğrudan tanımlayıcı veya kesit analizi için kullanıldığı uygulamalara

rastlamak mümkündür. Özellikle yaptığımız çalışmaya da konu olan plaka tanıma

sistemlerinde histogram tabanlı segmantasyon oldukça yaygındır. Buna örnek olarak

Lee E. R., Barroso J. ve Lee H. ile Rahman C. A.’ nın yaptığı plaka tanıma ve trafik

gözetleme sistemi çalışmaları verilebilir [18,22,23,24]. Lee E.R. çalışmasını renkli

resimler üzerinden yaparken, karakterleri yatay ve düşey histogramları kullanarak

segmente etmiştir [18]. Barroso J. ise yaptığı çalışmada, hem alınan görüntü

içersinde araç plakasının konumunu belirlemek, hem de plaka karakterlerini

segmente edebilmek için görüntünün yatay kesit histogramlarını kullanmıştır [22].

Lee H. GT resim üzerinde histogram analizi ile karakterlerin segmantasyonunu

gerçekleştirmiştir [23]. Her üç çalışmada da karakter tanımlama işlemi şablon eşleme

yöntemi ile gerçekleştirilmiştir. Bunlarla birlikte Rahman C.A. yaptığı çalışmada

segmantasyon ve karakterleri tanımlama işlemlerinin her ikisinde de histogramları

kullanmıştır [24]. Şekil II.18 ve Şekil II.19’da yapılan çalışmalarda araç plakasının

görüntü içersindeki konumunun histogram yardımı ile belirlenmesi ve plaka

karakterlerinin histogramlar yardımı ile segmente edilmesine ilişkin örnek resimler

görülmektedir.

40

Şekil II.18. Araç Plakasının Görüntü İçersindeki Konumunun Histogram Yardımı ile

Belirlenmesi ve Karakterlerin Histogram ile Segmantasyonu [22].

Tez çalışmamızda gerçekleştirdiğimiz plaka tanıma emülasyon sisteminde,

karakterlerin tanımlanması işlemi Rahman C.A.’nın kullanmış olduğu ve şablon

eşleme yönteminin bir türevi sayılabilecek histogram eşleme yöntemi kullanılmıştır.

Farklı olarak bu çalışmada, araç plakalarının alınan giriş görüntüsü içerisinde

320*250 piksellik bir merkez alan içersinde yer aldığı varsayılmaktadır. Karakter

segmantasyonu ise geliştirilen görüntü işleme algoritması ile gerçekleştirilerek,

karakterler tanımlama işlemine hazırlanmıştır. Karakter tanımlama işlemi, her bir

karakter için ayrı ayrı hazırlanan, birbirinden farklı onar adet ağırlıklandırılmış

normalize konum histogramı kullanılarak gerçekleştirilmiştir.

II.3.3. Yüksek Seviyeli İşlemler

Bilgisayarlı görmede görüntü analizi ve görüntü işleme amacıyla yapılabilecek

yüksek seviyeli işlemler, görüntü işleme ve görüntü analizinin hedeflenen nihai

amacını oluşturan ve normalde insan görmesi ile ilgili algılama ve tanıma

fonksiyonlarından ilham alan işlemlerdir. Bu amaçla çeşitli model veya bilgi tabanlı

tanıma yöntemleri ile sınıflandırma yöntemlerini konu alan algoritmalar kullanılır.

Bu algoritmalar, genellikle düşük ve orta seviyeli çeşitli işaret işleme

yöntemlerinin birleştirilmesi suretiyle oluşturulur. Yüksek seviyeli görüntü işleme

amacıyla kullanılan algoritmik yapılar çok çeşitli şekillerde geliştirilebilir. Bu

nedenle, bu tür uygulama örnekleri, tez çalışmasının çatısını oluşturan uygulama

41

örnekleri olarak üçüncü bölümde verilmiştir. Bu bölümde, nesne tanıma ile ilgili

literatürde karşılaşılan çalışmalara ilişkin özet bir derleme yapılmıştır.

II.4. ALGORİTMALARIN PERFORMANSI

Bilgisayarlı görme için geliştirilen algoritmaların sistematik olarak

değerlendirilmesi yakın zamana kadar büyük oranda ihmal edilmiştir. Bu durum,

doğal bilimler veya teknolojik bilimler ile ilgili eğitim alt yapısından gelenler için

şaşırtıcıdır.

Bunun nedeni, bilgisayarlı görme ile ilgili bir kısım problemlerin zor

olmasından, dolayısıyla bu problemlerle ilgili karmaşık bir hata analizi yapmanın

zorluğundan kaynaklanmaktadır. Bununla beraber, bilgisayarlı görme üzerine

araştırma yapanların büyük çoğunluğu, bir algoritmanın ancak amacı doğrultusunda

kesin olarak değerlendirilebildiği ve doğrulanabildiği ölçüde başarılı olabileceği

gerçeğini görmezden gelirler.

Neyse ki, bu yanlış anlayışın çok geç olmadan farkına varıldı ve bilgisayarlı

görme algoritmalarının performans analizleri için genel olarak kabul gören kuralları

tespit etme yolunda ciddi adımlar atıldı [8]. Buna göre, bilgisayarlı görme

algoritmalarının performansını değerlendirmek üzere 3 ana kriter belirlendi. Bunlar:

• Görevin yerine getirilmesindeki başarı,

• Hassasiyet,

• Hızdır.

İşin pratiği ile ilgilenenler, görevin yerine getirilmesindeki başarıya en üst

önceliği verir. Bununla beraber bir tasarımcı açısından bakıldığında, algoritmanın

hangi görev için uygun olduğu ve sınırlarının ne olduğunu hassas bir şekilde

tanımlamak daha önemlidir.

Hassasiyet, işaret/gürültü (SNR) oranı gibi bir parametreyi esas alarak

istatistiksel ve sistematik hataların analizinin yapılmasını içerir.

Hız ise, algoritmanın uygulanabilirliği için önemli bir kriterdir.

Algoritmaların önceden belirlenmiş bir kritere göre değerlendirilmesi için farklı

yollar vardır. Bu, ideal olarak üç sınıf çalışmayı içerir:

42

• Analitik çalışmalar,

• Bilgisayarca üretilen (bilgisayar destekli) görüntüler ile performans testleri,

• Gerçek-dünya görüntüleri ile performans testleri.

Analitik çalışmalar, matematiksel olarak hatanın yayılımını kontrol etmek ve

yıkıcı krizleri önceden kestirmek için çok ciddi bir yoldur.

Bilgisayarca üretilen görüntüler ile yapılan performans testleri, onların dikkatli

bir şekilde kontrol edilen şartlar altında yürütülebilmeleri gibi faydalıdır.

Gerçek-dünya görüntüleri ile yapılan performans testleri, pratik uygulamalar

için son aşamadır.

43

BÖLÜM III

EMÜLASYON SİSTEMİ

Geliştirilen emülasyon sistemi, iki kısımdan oluşmaktadır:

• Kullanıcıların tüm emülasyon ve simülasyon işlemlerini yapabilmesine

imkan sağlayan arayüzler,

• Simülasyon ortamının dış dünya ile etkileşimini sağlayan donanım

birimleri.

Bu bölümde sırası ile bu iki kısım tanıtılmıştır.

III.1. KULLANICI ARAYÜZLERİ Emülasyon sisteminde kullanılan tüm kullanıcı arayüzleri MATLAB-GUI

araç kutusu tabanlı olarak geliştirilmiştir. Bu bölümde geliştirilen bu kullanıcı

arayüzleri tanıtılmaktadır.

III.1.1. Ana Menü

Emülasyon ve simülasyon işlemlerinin tümü kendilerine tahsis edilmiş olan

arayüzler üzerinden gerçekleştirilir. Bu arayüzlerin her birine Şekil III.1’de

gösterilen bir ana menü üzerinden ulaşılır. Ana menü üzerinde bulunan düğmeler ve

işlevleri sırası ile şöyledir;

Plaka Tanıma: Bu buton aktif hale getirildiğinde gerçekleştirilmiş olan araç

plakası tanıma ve bariyer kontrol emülasyonuna ait kullanıcı arayüzüne ulaşılır.

44

Karakter Tanıma: Bu buton aktif hale getirildiğinde plaka tanıma sürecinin bir

ön hazırlığı olarak planlanmış olan karakter tanıma ve metin okuma simülasyonuna

ait arayüze ulaşılır.

Orta Seviye: Bu seçenekte, daha önceden Bölüm II’de tanımlanmış olan

görüntü işleme görevlerinden, orta seviye işlemlerin gerçekleştirilebileceği, ve daha

çok görüntü analizine yönelik işlemleri içeren kullanıcı arayüzüne ulaşılır.

Düşük Seviye: Bu seçenekte ise yine Bölüm II’de tanımlanan görüntü işleme

görevlerinden, düşük seviyeli işlemlerin gerçekleştirilebileceği ve ağırlıklı olarak

görüntü iyileştirme ve işleme gibi işlemleri kapsayan kullanıcı ara yüzüne ulaşılır.

Donanım Test: Bu buton emülasyon sistemi kapsamında kullanılan kamera ve

paralel portun işlevsellik testinin yapılabilmesi için hazırlanmış olan donanım test

arayüzüne ulaşılmasını sağlar.

Çıkış: Bu buton geliştirilen yazılım programından çıkışı sağlar.

Şekil III.1. Kullanıcı Ana Menüsü

III.1.2. Düşük Seviye İşlemler Arayüzü

Bu arayüz, Bölüm II’de tanımlanan görüntü işleme görevlerinden, düşük

seviyeli görevlerin simülasyon ortamında gerçekleştirilmesini sağlayan bir yapıdadır.

Bu arayüzün görünümü Şekil III.2’de verilmiştir. Bu arayüzde renkli, ikilik ve gri ton

ölçekli resimler üzerinde düşük seviyeli işlemler gerçekleştirilebilir. Ayrıca işlenmiş

resim görüntülenerek kayıt edilebilir. Arayüzde yapılabilecek işlemler beş grup

45

altında toplanmıştır. Bunlardan birinci gruptaki işlemler, giriş resmi üzerinde

ölçekleme, döndürme ve format dönüşümü, ikinci gruptakiler ise değişik filtre

uygulamalarını, üçüncü gruptakiler ise erozyon ve iskelet çıkarma gibi morfolojik

işlemleri, dördüncü grup işlemler değişik yöntemlerle kontur/kenar elde etme

uygulamalarını ve son olarak beşinci grup işlemler ise giriş ve çıkış görüntülerinin

histogramlarının elde edilmesini sağlayan işlemleri kapsamakta dır.

Arayüzde ki düğmeler ve görevleri sırası ile şöyledir;

Resim Oku: Arar yüzdeki çalışma sırasında kullanılmak üzere, rgb, gri ton

ölçekli, ikilik, ve indeksli formatlardan her hangi birinde oluşturulmuş ham giriş

görüntüsünün arayüze getirilmesini sağlayan, veri giriş düğmesidir.

Resmi Kayıdet: Ham giriş görüntüsünün, arayüzde tanımlanan işlemlerden

geçirildikten sonra elde edilen sonuç görüntünün kayıt edilmesini sağlayan işlem

düğmesidir.

Giriş Görüntüsü ve İşlenmiş Görüntü Alanları: Ara yüzde kullanılan ham giriş

resminin ve işlenmiş sonuç resmin görüntülendiği alanlardır. İşlenmiş görüntü

başlığına sağ tıklandığında işlenmiş görüntü gerçek boyutları ile yeni bir figür

penceresinde görüntülenir.

Format dönüşümü: Düşük seviye işlemler arayüzünde tanımlanan işlemler GT

veya SB görüntüleri desteklemektedir. Bu sebeple işlem yapmaya başlamadan önce

giriş görüntüsü GT veya SB formatlardan herhangi birine dönüştürülerek işlenmiş

görüntü alanına aktarılmalıdır. Dönüşüm işlemleri format dönüşüm alt menüsünden

gerçekleştirilebilir. Format dönüşüm düğmesine tıklandığında bu alt menü ekrana

gelir. Menüde tanımlanmış olan, “RGB2IND” ve “RGB2GRAY” seçenekleri giriş

görüntüsü üzerinde çalışırlar. Diğer dört seçenek ise arayüzündeki işlenmiş görüntü

alanında yer alan görüntü üzerinde çalışırlar.Bu alt menünün görünüşü Şekil III.3 de

verilmiştir. Bu menü ile yapılabilecek görüntü format dönüşümleri şunlardır;

• Rgb görüntüden İndeksli görüntüye,

• Rgb görüntüden GT görüntüye,

• GT görüntü den SB görüntüye,

• İndeksli görüntüden Rgb görüntüye,

• İndeksli görüntüden GT görüntüye,

• GT görüntüden İndeksli görüntüye.

46

Şekil III.2. Düşük Seviyeli İşlemler Arayüzü

Şekil III.3. Görüntü Formatı Dönüşüm Alt Menüsü

47

Ölçeklendir: Giriş resminin 0.1 ile 2 kat arasında yeniden ölçeklenmesini

sağlar. Ölçek değeri ölçek düğmesinin yanındaki kutucuğa girilerek verilir. Bu

değere göre resim, %90 küçültülüp, %100 büyütülebilir. Tekrardan boyutlandırılmış

resim ara yüzde görüntülenirken görüntü alanına uygunlaştırılarak gösterileceğinden

bu boyut değişimi fark edilemeyebilir. Ancak histogramlara ve işlenmiş görüntü

başlığına bakıldığında resimdeki piksel sayısının ölçekleme ile birlikte değiştiği

kolaylıkla görülebilir.

Döndür: Üzerinde çalışılan resmin belirtilen açı değeri kadar döndürülmesini

sağlar. Açı değeri düğmenin yanındaki kutucuğa “1o” ile “360o” arasında bir değer

girilerek belirtilebilir.

Median: Orta değer filtresinin işlenmiş görüntü alanındaki görüntüye

uygulanmasını sağlayan düğmedir. Kullanılacak olan filtre çekirdeğinin boyutları

“maske” kutucuğuna değer girilerek belirtilebilir. En büyük çekirdek boyutu “10”

olarak girilebilir. Belirtilmemiş ise bu değere dahili olarak “3” değeri atanır. Bu

durumda filtre çekirdeğinin boyutları 3*3 olarak belirlenir. İndeksli ve rgb tipi

işlenmiş görüntüler haricinde bütün işlenmiş görüntülere uygulanabilir.

Average: Ortalama değer filtresini çalıştırır. Kullanım özellikleri median filtre

ile aynıdır.

Sharp: Kontrast artırma filtresinin işlenmiş görüntü alanındaki resme

uygulanmasını sağlar. Kullanılabilmesi için sigma kutucuğuna [0.1 1] aralığında bir

keskinleştirme katsayısı girilmelidir. Eğer belirtilmemiş ise dahili olarak “0.2” atanır.

İşlenmiş görüntü SB veya indeksli değilse uygulanabilir.

Gaussian: Alçak geçiren gaussian filtresinin işlenmiş görüntü alanındaki

resme uygulanmasını sağlar. Kullanımı median filtre gibi olmakla beraber, bu

filtrenin uygulanması için birde sigma (σ) değeri girilmesi gerekir. Belirtilmemiş ise

bu değer dahili 0.5 olarak atanır.

Erozyon: İkilik formattaki resimler üzerinde şekilsel (morfolojik) erozyon

işlemini gerçekleştirir. Bunun için bir maske boyutu belirtilmesi gerekir. Belirtilmez

ise bu değer dahili olarak 3 atanır. En büyük değeri de “10” olabilir.

İskelet: İkilik formattaki resimlerde yer alan nesne alanlarının çatı özelliklerinin

elde edilmesini sağlar. Bu işlem belli bir döngü sayısı ile uygulanır. Bu sayı

belirtilmez ize dahili olarak “Inf (sonsuz)” atanır.

Spur: İskelet çıkartma işlemi sonrasında elde edilen nesne iskeletleri üzerinde

küçük çıkıntılar (mahmuzlar) oluşabilir. Bunlardan kurtulmak için görüntüye spur

48

filtresi uygulanır. Bu işlemin uygulanması için bir döngü sayısı belirtilmelidir.

Belirtilmemiş ise dahili olarak bu değeri 1 atanır.

Sobel: GT resimlerde kenar özelliklerini belirlemek için kullanılan sobel

filtresinin işlenmiş görüntü alanındaki resme uygulanmasını sağlar. Sonuç tekrar

işlenmiş görüntü alanında gösterilir.

Canny: GT resimlerde kenar özelliklerini belirlemek için kullanılan canny

filtresinin işlenmiş görüntü alanındaki resme uygulanmasını sağlar. Sonuç tekrar

işlenmiş görüntü alanında gösterilir.

Robert: GT resimlerde kenar özelliklerini belirlemek için kullanılan robert

filtresinin işlenmiş görüntü alanındaki resme uygulanmasını sağlar. Sonuç tekrar

işlenmiş görüntü alanında gösterilir.

Prewitt: GT resimlerde kenar özelliklerini belirlemek için kullanılan prewitt

filtresinin işlenmiş görüntü alanındaki resme uygulanmasını sağlar. Sonuç tekrar

işlenmiş görüntü alanında gösterilir.

H_Giriş: Giriş resminin histogramının üretilerek görüntülenmesini sağlayan

düğmedir. Giriş resminin formatına göre kırmızı, yeşil ve mavi çerçeveler için ayrı

ayrı histogram üretilerek görüntülenir.

H_İşlenmiş: Yapılan işlemler sonucu oluşan işlenmiş resminin histogramının

üretilerek görüntülenmesini sağlayan düğmedir. İşlenmiş resmin formatına göre,

renkli görüntülerde kırmızı, yeşil ve mavi çerçeveler için ayrı ayrı, gri ölçekli

görüntüler de ise tek bir parlaklık histogramı üretilerek görüntülenir.

Bu arayüzün kullanımına ilişkin örnek bir çalışma ekranı görüntüsü Şekil III.4

de verilmiştir. Bu örnekte ilk olarak ham giriş görüntüsü arayüze alınmış, öncelikle

“H_Giriş” butonu kullanılarak rgb formatındaki giriş görüntüsünün her bir renk

bileşeni için histogram üretilmiş, sonra“Format Dönüşüm” butonu kullanılarak giriş

görüntüsü rgb formatından ikilik formata dönüştürülmüştür. Daha sonra, 3*3 maske

boyutunda median filtresi “Median” butonu kullanılarak peş peşe 5 kez uygulanmış

ve ikilik görüntüdeki küçük gürültü alanları yok edilmiştir. Gürültülerden

arındırılmış olarak elde edilen sonuç görüntüye “İskelet” butonu kullanılarak iskelet

çıkarma işlemi ardından da peş peşe 3 kere spur işlemi uygulanmıştır. Sonuç olarak

ham giriş görüntüsünde yer alan plaka karakterleri ve diğer bölgelerin iskelet yapıları

elde edilerek görüntülenmiştir.

Bu arayüzün kullanımına ilişkin değişik örnekler ve bunların ekran görüntüleri

Ek-A’ da verilmiştir.

49

Şekil III.4. Düşük Seviyeli İşlemler Arayüzünde bir Çalışma Örneği

III.1.3. Orta Seviye İşlemler Arayüzü

Bu arayüz, Bölüm II’de tanımlanan görüntü işleme görevlerinden, orta seviyeli,

görüntü analiz görevlerinin simülasyon ortamında gerçekleştirilmesini sağlayan bir

yapıdadır. Bu arayüzün görünüşü Şekil III.5’de verilmiştir. Bu arayüzde gri ton

ölçekli ve ikilik görüntüler üzerinde orta seviyeli işlemler gerçekleştirilerek, çeşitli

tanımlayıcı değerler üretilmektedir.

Bu tanımlayıcılar bölgesel ve şekilsel olmak üzere iki ana gruba ayrılabilirler.

Bölgesel tanımlayıcılar, resimdeki bir bölgenin çeşitli özelliklerini kullanarak o

bölgenin tanımlanmasını sağlarlar. Bunlardan, bölge özellikleri (bölgenin alanı, çapı,

yönelimi, merkezi, büyük ekseni, vs.), doku özellikleri (ortalama parlaklık, ortalama

kontrast, parlaklığın düzgünlüğü, ve dağınım gibi istatistiksel özellikler) ve o

bölgeye ait değişmez momentler bu arayüz kullanılarak hesaplanabilmektedir. Bu

50

kapsamda bölgesel özellikler, tüm bir resim için hesaplanabildiği gibi, “Maus Seçimi

Aktif” düğmesi kullanılarak, maus ile resim üzerinde seçilen bir bölge için de

hesaplanabilir. Ek olarak, işlem hedeflerinden belli bir işlem hedefi seçilerek, o

hedefe yönelik olarak görüntü içinde aralarında komşuluk ilişkileri bulunan

piksellerin oluşturduğu tüm bölgeler belirlenip her bir bölge için bu tanımlayıcılar

tek tek hesaplanabilir.

Şekilsel tanımlayıcılar ise daha çok kontur bilgisi içeren resimlerde nesneyi

kontur özelliklerine göre tanımlamayan parametrelerdir. Bunlardan, şekil numarası

ve fourier tanımlayıcıları bu arayüzde hesaplanabilen şekilsel tanımlayıcılardır.

Şekil III.5. Orta Seviyeli İşlemler Arayüzü

Arayüzdeki düğmeler, bölmeler ve görevleri şöyledir;

Resim Oku: Düşük seviye kullanıcı ara yüzünde açıklandığı gibidir.

Resmi Kayıt Et: Üç farklı kayıt seçeneği mevcuttur. Bunlar sırası ile; ham giriş

görüntüsünün, seçilen işlem hedefi doğrultusunda işlenmesi sonucu elde edilen

“işlenmiş görüntüyü” kayıt seçeneği, işlenmiş görüntü de tespit edilen bölgelerden

51

seçilen herhangi birisi için hesaplanan “tanımlayıcı değeri” kayıt seçeneği, veya

seçilen bölge ve o bölge için en son hesaplanan tanımlayıcı değerin birlikte kayıt

edilmesi seçenekleridir. Kayıt türü seçme işlemi girilen kayıt ismi ile yapılmaktadır.

Sırası ile “resim”, “taiımlayici” ve “bölge” kayıt isimleri bu tercihleri belirtmektedir.

Giriş Görüntü Başlığı: Giriş görüntüsünün boyutlarının görüntülendiği bilgi

alanıdır.

İşlenmiş Görüntü Başlığı: Seçilen işlem hedefi doğrultusunda gerçekleştirilen

görüntü işleme algoritmalarının sonuç görüntüsünün boyut bilgilerinin

görüntülendiği bilgi alanıdır. Bu başlığa sağ tıklama yapılırsa işlenmiş olan görüntü

gerçek boyutunda yeni bir figür penceresinde görüntülenir.

Maus Seçimi Aktif: Üzerinde çalışılan giriş görüntüsünde tüm resim bölgesi

yerine istenilen belirli bir bölge üzerinde çalışabilmek için, maus ile etkileşimli

olarak resim üzerinde işaretleme yapmaya imkan veren seçeneği aktifleştirir. Bu

seçenek aktifleştirildikten sonraki işlemler maus ile işaretlenen bölge üzerinden

devam eder, ve hesaplamalar bu bölge için yapılır.

İşlem Hedefi: Bir görüntü analizinin yapılabilmesi için ham giriş görüntüsünün

uygun biçimde işlenmesi, ilgilenilen özelliklerin resim de belirginleştirilerek resmin

hesaplamalara uygun hale getirilmesi gereklidir. Bu nedenle ne tür tanımlayıcıların

hesaplaması yapılacak ise bu menüden ona uygun seçenek tercih edilir. Bu menüden

yapılabilecek tercihler şunlardır;

• Karakter Tanıma

• Plaka Tanıma

• Doku Analizi

• Şekil Tanımlama

Görüntüyü İşle: İşlem hedeflerinde yapılan tercihe göre ham giriş görüntüsünün

işlenerek tanımlayıcıların hesaplanmasına uygun hale getirilmesini sağlar.

Bölge Özellikleri: Giriş görüntüsünün tümü veya maus ile etkileşimli olarak

işaretlenen bölge içinde tespit edilen ve aralarında komşuluk ilişkisi bulunan

piksellerin oluşturduğu bölgelere ait aşağıdaki tanımlayıcı değerlerin hesaplanmasını

sağlayan düğmedir. Plaka tanıma ve şekil tanıma hedef işlemleri ile kullanılabilir.

Hesaplanabilen bölge özellikleri;

• Bölgenin kapsadığı piksel sayısı (alan),

• Bölgeyi tamamı ile kapsayan en küçük dörtgenin boyutları,

52

• Bölgenin merkezi,

• Bölgenin çapı,

• Bölgenin büyük (majör) ve küçük (minör) eksenleri,

• Bölgenin yönelimi.

Doku özellikleri: Giriş görüntüsünün tümü veya maus ile etkileşimli olarak

işaretlenen bölge için, istatistiksel bir yaklaşım ile bölgenin dokusunu tanımlayan

parametrelerin hesaplanmasını sağlar. Doku analizi hedef işlemi ile kullanılabilir.

Hesaplanabilen doku özellikleri;

• Ortalama (ortalama parlaklık ölçüsü),

• Standart sapma (ortalama kontrastın bir ölçüsü),

• Pürüzsüzlük (bölgedeki parlaklığın düzgün dağılımının bir ölçüsü),

• Tekdüzelik (Gri ton seviyelerinin tekdüzelik/benzerlik ölçüsü),

• Dağınım.

İnvariant Moment: Giriş görüntüsünün tümü veya maus ile etkileşimli olarak

işaretlenen bölge için, Bölüm II.3.2.2’de açıklanan ve ölçek değişimlerine, ayna

görüntüleme durumlarına, açısal dönüşlere karşı bağışık olan yedi değişmez

momentin hesaplanmasını sağlar. Karakter tanıma, plaka tanıma, doku analizi ve

şekil tanıma hedef işlemleri ile kullanılabilir.

Şekil Numarası: Giriş görüntüsünün tümü veya maus ile etkileşimli olarak

işaretlenen bölge içersinde tespit edilen ve kontur bilgisi elde edilmiş olan nesneler

için Bölüm II.3.2.2’de açıklanan şekil numarası ve zincir kodlarının belirlenmesini

sağlayan düğmedir. Karakter tanıma, plaka tanıma ve şekil tanıma hedef işlemleri ile

kullanılabilir.

Fourier: Giriş görüntüsünün tümü veya maus ile etkileşimli olarak işaretlenen

bölge içinde yer alan, konturu türetilmiş nesne yada nesne grupları için Fourier

tanımlayıcılarının hesaplanmasını sağlayan düğmedir. Karakter tanıma, plaka tanıma

ve şekil tanıma hedef işlemleri ile kullanılabilir.

Histogramlar: Giriş görüntüsünün tümü veya maus ile etkileşimli olarak

işaretlenen bölge içersinde tespit edilen nesne yada nesne grupları için, daha önce

Bölüm II.3.2.2’de açıklanan ve çalışmamızdaki emülasyon uygulamasında da

kullandığımız histogramların üretilerek görüntülenmesini sağlayan düğmedir. Burada

her bir karakter için önceden bizim tanımladığımız 10 farklı histogram üretilmekte ve

53

yeni bir figür penceresinde görüntülenmektedir. Şekil III.6’da işlenmiş bir plaka

resminden elde edilen “3” karakteri için bu seçeneğin kullanılması ile elde edilen

histogramlar örnek olarak verilmiştir. Bu düğme karakter tanıma ve plaka tanıma

hedef işlemleri ile kullanılabilir.

Şekil III.6. Bir Plaka Görüntüsündeki “3” Rakamı için Üretilen Tanımlayıcı Histogramlar

Bölge Sayısı: Giriş görüntüsünün tümü veya maus ile etkileşimli olarak seçilen

görüntü içersinde belirlenen bir birinden bağımsız piksel gruplarının (bölgelerin)

sayısını gösterir.

BS: İşlenmiş görüntü içersinde tespit edilen bölgelerin tek tek seçilerek bu

bölgeler için istenilen tanımlayıcıların hesaplanmasını sağlayan düğmedir.

Orta seviye işlemler arayüzünün kullanımı ve çalışması ile ilgili bir ekran

görüntüsü Şekil III.7’da verilmiştir. Çalışma ekranında öncelikle bir resim dosyası

arayüze alınmış ve “Maus Seçimi Aktif” düğmesi kullanılarak giriş resmi üzerinde

bir çalışma bölgesi seçilmiştir. İşlem hedefi olarak “Karakter Tanıma” seçilmiş ve

seçilen çalışma bölgesi bu hedef için işlemlerden geçirilmiştir. Seçilen çalışma

bölgesindeki tüm karakterler bu işlemler sonucunda birer bölge olarak tespit edilerek

sayıları arayüz üzerindeki “Bölge Sayısı” göstergesinde görüntülenmiştir. “BS”

düğmesi kullanılarak bir numaralı bölge seçilmiş ve bu bölge için yedili “İnvariant

54

Momenet” seti hesap edilerek görüntülenmiştir. Tüm bu aşamalar şekil üzerinde de

gösterilmiştir.

Şekil III.7. Orta Seviyeli İşlemler Arayüzünde bir Çalışma Örneği

III.1.4. Yüksek Seviye İşlem Arayüzleri Bu seviyedeki işlemler için tez çalışmamız sırasında “karakter tanıma” ve

“plak tanıma” uygulamaları gerçekleştirilmiş ve bu uygulamalar için iki farklı arayüz

hazırlanmıştır. Karakter tanıma çalışması asıl itibari ile plaka tanıma uygulamasının

bir ön çalışması niteliğinde olup, sadece simülasyon ortamında gerçekleştirilmiştir.

Plaka tanıma uygulamasının ise hem simülasyonu hem de gerçek zamanlı olarak

emülasyonu hazırlanan arayüz ile yapılabilmektedir. Buradaki her iki uygulama

kendi içinde düşük ve orta seviyeli görüntü işleme görevlerini, kendi amaçlarına göre

düzenlenmiş bir şekilde ihtiva etmektedir. Bu bölümde bu iki uygulamaya ait

arayüzler tanıtılmıştır.

55

III.1.4.1. Plaka Tanıma Uygulama Arayüzü

Bu arayüz, Bölüm II’de tanımlanan görüntü işleme görevlerinden, düşük

seviyeli işlemler ile orta seviyeli işlemleri de kapsayan, yüksek seviyeli bir görüntü

işleme görevinin (araç plakalarının tanınması) uygulama arayüzüdür. Arayüzün

görünüşü Şekil.III.8’de verilmiştir. Arayüz üzerinden, araç plaka tanıma sisteminin

hem simülasyonu hem de emülasyonu gerçekleştirilebilmektedir.

Arayüz üzerindeki simülasyon işlemi için, önceden dijital fotoğraf makinesi ile

çekilmiş araç plaka resimleri “Resim Oku” düğmesi ile okutularak arayüze alınır.

Alınan bu görüntü üzerine tüm görüntü işleme seviyelerinde (düşük ve orta seviye)

işlemler uygulanarak araç plakasındaki karakterler ortaya çıkartılır. Sonrasında,

plaka karakterleri geliştirilen histogram eşleme tabanlı karakter tanıma algoritması

ile sonuç görüntü üzerinden tanımlanmaya çalışılır. Böylelikle, PC de kayıtlı resimler

üzerinden plaka tanıma sistemi simülasyonu gerçekleştirilmiş olur.

Emülasyon işlemi ise, arayüz üzerinde bulunan “Emülasyon” düğmesi ile

başlatılır. Emülasyonun başlaması ile birlikte gerçek zamanlı görüntü takibi için

arayüzden ayrı olarak bir izleme penceresi açılır. İzleme penceresinden görüntü

alınmaya başlandıktan sonra, arayüze iki şekilde görüntü alınabilir. İlk yöntem,

“Resim işle” düğmesini kullanmak ve kullanıcı kontrolü ile görüntüleri arayüze

aktarmaktır. İkinci yöntem ise, PC paralel portuna bağlanmış olan bir işaret kaynağı

ile bariyer sistemi önüne bir aracın geldiği durumu simüle etmek ve arayüzün

otomatik olarak görüntü almasını sağlamaktır. Her iki durumda da izleme

penceresindeki görüntüden alınan resim çerçevesi arayüz üzerindeki giriş görüntü

alanına aktarılır. Alınan görüntü geliştirilen görüntü işleme algoritması ile analiz

edilerek plakadaki karakter aday bölgeleri belirlenip segmente edilir. Aday bölgeler,

histogram eşeleme tabanlı geliştirilen karakter tanıma algoritması ile analiz edilerek

araç plakasındaki karakterler tanımlanır. Çözümlenen araç plaka numarası “Okunan

Plaka Numarası” alanında görüntülenir. Okunan plaka, daha önceden sisteme

tanıtılan plaka numaralarından bir tanesi ile eşleşmiş ise ilgili kayıt bilgisi “Kayıt

Bilgisi” alanında görüntülenir ve giriş bariyerini açmak için paralel porta bir sinyal

gönderilir. Herhangi bir kayıt bulunamamış ise “Kayıt Bulunamadı” uyarısı verilir.

Böylelikle plaka tanıma sisteminin emülasyonu görevi arayüz üzerinden gerçek

zamanlı görüntüler ile yerine getirilir.

56

Şekil III.8. Plaka Tanıma Kullanıcı Arayüzü

Arayüzdeki düğme ve alanların görevleri şöyledir;

Resim Oku: Düşük seviye kullanıcı ara yüzünde açıklandığı gibidir.

Resmi İşle: Simülasyon uygulaması sırasında arayüze alınan görüntünün

geliştirilen plaka tanıma algoritmasına göre işlenmesini ve analiz edilerek plaka

tanımanın gerçekleştirilmesini sağlar. Emülasyon uygulaması sırasında ise görüntü

izleme penceresinden resim çerçevesi alınması ve plaka tanınma algoritmasının

uygulanması süreçlerinin kullanıcı kontrollü olarak gerçekleştirilmesini sağlar.

Emülasyon / Simülasyon: Arayüzün başlangıç çalışma durumu simülasyon

modudur. Emülasyon moduna geçmek için bu düğme kullanılır. Emülasyon moduna

geçildiğinde Şekil III.9’da örnek bir resmi verilen gerçek zamanlı görüntü izleme

penceresi açılır ve düğme üzerindeki yazı “Simülasyon” olarak değişir.

Okunan Plaka Numarası: Giriş görüntüsünden belirlenen plaka numarasının

görüntülendiği alandır.

57

Şekil III.9. Gerçek Zamanlı Görüntü İzleme Penceresinin Yapılan Deneyler Sırasındaki

Görünüş Şekli.

Kayıt Bilgileri: Giriş görüntüsünden tespit edilen plaka numarasının sistemdeki

kayıt durumunun görüntülendiği alandır. Belirlenen plaka numarası için sistem de

her hangi bir kayıt var ise ilgili kayıt bilgisi bu alanda görüntülenir.

Kayıt Et: Sisteme yeni plaka tanımlarının girilmesini sağlayan düğmedir. Şekil

III.10’ da bu işlemin gerçekleştirildiği arayüz görülmektedir.

Kayıt Sil: Sistemde kayıtlı bulunan bir plakanın sistemden çıkartılmasını

sağlayan düğmedir.Şekil III.10’da bu işlemin gerçekleştirildiği arayüz görülmektedir.

Şekil III.10. Sisteme Plaka Tanımlamada ve Tanımlı Plakaları İptal Etmede Kullanılan

Arayüzler.

Bariyer Aç: Bariyer sistemine arayüz üzerinden müdahale etmeyi sağlayan

düğmedir.

58

Çıkış: Uygulamayı ve arayüzü kapatarak sistemden çıkışı sağlar.

Şekil III.11’de bu arayüzün kullanımını gösteren örnek bir çalışma ekranı

gösterilmiştir. Örnekte, bir araç plaka resmi arayüze okutularak alınmış ve üzerinde

işlemler gerçekleştirilerek karakter bölgeleri belirlenmiştir. Belirlenen bölgeler için

konum histogramları hesaplanarak gürültü alanları ile karakterler bir birinden ayırt

edilir. Tanımlanan plaka karakterleri x eksenindeki konumlarına göre sıralanarak

sistemdeki kayıt bilgileri ile karşılaştırılır. Karşılaştırma sonucu bir eşleşme sağlanır

ise ilgili kayıt bilgisi arayüzde görüntülenir ve bariyer sistemine bir sinyal gönderilir.

Eşleşme sağlanamaz ise kayıt bulunamadı mesajı görüntülenir.

Emülasyon uygulamasında ise, bariyer sistemi araç algılama sensörü ile

herhangi bir aracı tespit ettiğinde otomatik olarak resim çekilir ve işlenerek plaka

tespit edilir. Histogram eşlemesini referans alan kural tabanlı kontrolörün

oluşturduğu sonuca bağlı olarak paralel porta gönderilecek çıkış işareti kontrol edilir.

Şekil III.11. Plaka Tanıma Arayüzünün Çalışmasını Gösteren bir Örnek

59

III.1.4.2. Karakter Tanıma Uygulama Arayüzü

Bu arayüz, Bölüm II’de tanımlanan görüntü işleme görevlerinden, düşük ve

orta seviyeli işlemleri kapsayan, yüksek seviyeli bir görüntü işleme uygulamasına

ilişkin arayüzdür. Bu arayüzün görünümü Şekil III.12’de verilmiştir. Bu arayüz ile

karakter tanımaya ilişkin sadece simülasyon işlemleri gerçekleştirilebilir. Bu amaçla

bilgisayarda 12 punto büyüklüğünde, “Times New Roman” karakter tipinde, büyük

harflerle yazılmış, araç plakalarında kullanılan karakterleri ve rakamları içeren

225*250 piksel boyutlarında, BMP veya JPEG uzantılı, RGB formatında resim

dosyaları oluşturularak, arayüz ile yapılacak simülasyonlar da kullanılabilir.

Karakterlerin tanınması işlemi invariant momentler kullanılarak yapılmaktadır. Şekil

III.13’da bu arayüzde tanınabilecek karakterler (toplam 33 adet) ve belirtilen

özelliklerde örnek bir resim gösterilmiştir.

Şekil III.12. Karakter Tanıma Kullanıcı Arayüzü

60

Arayüzdeki düğme ve alanların görevleri şöyledir;

Resim Oku: Bu buton kullanılarak belirtilen özelliklerde daha önceden

hazırlanmış bir resim arayüze getirtilir.

Metni Oku: Arayüze alınan resmin, karakter tanıma ve metin okuma

uygulaması için hazırlanan, görüntü işleme ve analiz etme algoritmasına göre

işlenmesini ve karakterlerin tanımlanarak resmin içerdiği metnin okunmasını

sağlayan buton dur.

Metni Kayıt Et: Resimden okunan metnin kayıt edilmesini sağlayan buton dur.

Okunan Metin Alanı: Resimden okunan metnin görüntülendiği alandır.

Karakter tanıma arayüzü üzerindeki simülasyon işlemi için, önceden belirtilen

özelliklerde hazırlanmış bir görüntü “Resim Oku” düğmesi ile okutularak giriş

görüntü alanına getirilir. Ardından “Metni Oku” düğmesi kullanılarak tüm işlemler

bu resim üzerinde gerçekleştirilip karakterler tanımlanır ve resim üzerinden okunan

metin arayüzdeki “Okunan Metin” alanında görüntülenir.

Şekil III.13. Karakter Tanıma Arayüz ile Tanınabilecek Karakter Seti

Şekil III.14 ve Şekil III.15’de tarif edilen özelliklerde karakterleri içeren

resimler ile bu arayüzde yapılan çalışma örnekleri ve sonuçları verilmiştir.

61

Şekil III.14. Karakter Tanıma Arayüzünde Gerçekleştirilen Örnek Çalışma-1

Şekil III.15. Karakter Tanıma Arayüzünde Gerçekleştirilen Örnek Çalışma-2

62

III.1.5. Donanım Test Arayüzü

Bu arayüz emülasyon işleminden önce sistemde kullanılan kamera ve paralel

portun çalışma testlerinin yapılması amacı ile hazırlanmıştır. Arayüz üzerinde iki ana

bölüm bulunmakta dır. Birinci kısım kamera testi için, ikinci kısım paralel portun

testi için düzenlenmiştir. Paralel port bu uygulama için 8 bitlik veri çıkış ve 5 bitlik

veri girişine izin verecek şekilde düzenlenmiştir. Arayüz üzerinde veri giriş ve çıkış

işlemleri için ayrı ayrı test yapılabilmesini sağlayan bölümler vardır. Donanım test

arayüzünün görünümü Şekil III.16 de verilmiştir.

Arayüz deki düğme ve alanların görevleri şöyledir;

Kamera Aç: Bu düğme ile bilgisayara bir kamera bağlantısın olup olmadığı

kontrol edilir. Bağlantılı bir kamera var ise gerçek zamanlı görüntü alınır ve

arayüzdeki görüntü alanında gösterilir. Böylece emülasyon sistemi için kamera görüş

kontrolünün yapılması sağlanır. Herhangi bir şekilde kamera bağlantısı sökülür yada

MATLAB programı çalıştırıldıkdan sonra PC ye bağlantısı yapılır ise bu cihazın

MATLAB tarafından algılanabilmesi için programın açılıp kapatılması gerektiği

unutulmamalıdır.

Şekil III.16. Donanım Test Kullanıcı Arayüzü

D0-7: Bu düğmelerin her hangi birine tıklanırsa paralel port üzerinde kendisine

karşılık gelen veri çıkış bitine “1” bilgisi gönderilir. Aynı düğme tekrar tıklanırsa bu

defa aynı bite “0” bilgisi gönderilir. Butonlar üzerindeki numaralar bir baytlık veri

içindeki bit numaralarına karşılık gelmektedir.

63

Oku: Bu düğme paralel porttan veriş girişi için kullanılan 5 bitlik giriş

üzerinden veri okunmasını sağlar. Okunan veri d4-d0 etiketinin altında ikilik veri

olarak görüntülenir.Paralel portta hiçbir bağlantı yok ise “01111” bilgisi okunur. D4

giriş bitinin terslenik okunduğu gözden kaçırılmamalıdır.

III.2. EMÜLASYON UYGULAMASI Bu bölümde, Bölüm III.1’de verilen arayüzler kullanılarak gerçekleştirilen bir

emülasyon uygulaması ve uygulamanın gerçekleştirilme süreci tanıtılmaktadır.

III.2.1. Plaka Tanıma Sistemine Genel Bakış

Taşıt tanıma ve bariyer kontrol sisteminin uygulanmasına ilişkin genel bir bakış

şeması Şekil III.17’de verilmiştir.

SD

Professional Workstation 6000

PRO

Şekil III.17. Plaka Tanıma ve Bariyer Kontrol Sistemine Genel Bakış

Şekildeki sistemin bileşenleri, MATLAB programının yüklü olduğu bir masa

üstü bilgisayar, bir kamera, bir aydınlatma lambası, bir bariyer sistemi, ve ayrıca

bariyer sistemi ile bilgisayar arasında bağlantıyı sağlayan ek olarak bir araç algılayıcı

sensörü kontrol eden mikro kontrolör kartıdır.

64

Sistem bileşenlerinden masa üstü bilgisayar, emülasyon sistemi için geliştirilen

MATLAB-GUI tabanlı yazılımın yürütülmesini sağlar. Kamera, sistem için gerekli

gerçek zamanlı görüntülerin bilgisayara aktarılmasını sağlar. Aydınlatma lambaları

kamera ile alınan görüntüde aydınlanma sorununun yaşanmaması için asgari

aydınlatmayı sağlamak üzere kullanılmıştır. Araç algılayıcı ise sistemin sürekli

olarak görüntü alıp çalışmasını önlemek ve gelen aracı fark ederek plaka tanıma

sürecinin başlatılmasını sağlamada kullanılmıştır. Mikrokontrolör kartı hem araç

algılayıcının hem de bariyer sisteminin GUI yazılımı tarafından kontrolünün

sağlanması için paralel port üzerinden bilgisayar ile haberleşebilen bir yapıdadır.

Emülasyon sistemimizde gerçek uygulamadan farklı olarak bir araç sensörü ve

bir bariyer sistemi yoktur. Ancak, bu birimler ile emülasyon yazılımının iletişimini

sağlayan paralel port haberleşme rutini yazılıma gömülü olarak vardır. Bu sayede

gerçek sensörden alınan araç algılama bilgisi yerine bir işaret kaynağından alınan

sinyal kullanılarak bu bilgi simüle edilmektedir.Bariyer sistemine gönderilen kontrol

bilgisi ise paralel portta ilgili çıkış bitlerine bağlanmış olan bir led diyot üzerinden

gözlemlenmektedir. Görüntü alma işlemi için bir webcam kullanılmıştır. Gerçek

plakalar yerine ise önceden dijital makine ile çekilip ½A4 boyutunda bastırılmış olan

plaka resimleri kullanıldı. Plaka resimleri webcam aracılığı ile görüntülenerek gerçek

sistem olmadan plaka tanıma ve bariyer kontrol sisteminin emülasyonu yapılmıştır.

III.2.2. Uygulamanın Gerçekleştirilme Aşamaları

Uygulama iki aşama da gerçekleştirilmiştir. Birinci aşamada, plaka

karakterlerinin tanımlanabilmesi için karakter veri tabanı oluşturulmuştur. İkinci

aşamada ise karakter veri tabanı kullanılarak tanımlayıcı sabit moment setleri ve

konum histogram setleri üretilmiş. Moment setleri ilk olarak yazı karakterlerinin

tanınmasında ve daha sonra plaka karakterlerinin tanınmasında kullanılmak üzere bir

kural tabanlı kontrolörün kural tabanına yerleştirilmiştir. Yapılan denemeler

sonucunda momentlerin genelleme yeteneğinin çok sınırlı olduğunu belirledik ve

plaka karakterlerinin tanınması için alternatif olarak histogram eşleme yönteminin

kullanılmasına karar verdik. Literatürde yapılan çalışmalara bakıldığında bu maksatla

kullanılan histogramların klasik yöntemle GT veya SB resimler üzerinden ve

resimdeki piksellerin sayısı temel alınarak üretildiği görülmüştür. Bizim

uygulamamızda ise segmente edilmiş karakterler iskelet çıkartma işlemine tabi

65

tutulduğundan karakterin kapsadığı piksel sayısı en aza indirgenmiştir. Bu sebepten

çalışmamızda kullandığımız histogramları piksellerin sayısına bakarak değil,

piksellerin konumlarını değerlendirerek farklı bir mantık ile oluşturduk. Böylece

ürettiğimiz histogramlara piksellerin konum bilgilerini de içeren bir özellik

kazandırdık.

III.2.2.1. Karakter Veri tabanının Oluşturulması

Araç plakalarında kullanılan toplam 23 farklı karakter ve 10 farklı rakamın

görüntüden tanımlanabilmesi için, öncelikle Bölüm II.3.2.2 de açıklanan nesne

tanımlayıcı türlerinden amacımız için uygun olanlar seçilmelidir. Tez çalışmamızda

bölge tanımlayıcılardan Hu’nun tanımladığı yedili sabit moment setini yazı metni

karakterlerini ve histogramlarıda plaka karakterlerini tanımlamak için seçtik ve

kullandık. Bir sonraki aşamada, 33 adet farklı karakteri tanıyan kural tabanlı

kontrolörde kullanılmak üzere, tanımlayıcı değerlerin üretilebilmesi için karakter veri

tabanına ihtiyaç vardır. Bu amaçla toplam 87 adet araç plakasının fotoğrafı dijital bir

fotoğraf makinesi ile çekilmiştir. Şekil III.18’de çekilen plaka resimlerinden örnekler

görülmektedir. Elde edilen resimler Bölüm II.3.1 de tanımlanan düşük seviyeli

görüntü işleme görevlerini ihtiva eden bir MATLAB m-fonksiyon yazılımı ile

işlenmiştir. İşlemler sonucu 87 adet plaka resminden toplam 550 adet karakter içeren

bir veri tabanı elde edilmiştir. Şekil III.19’da elde edilen karakter veri tabanından

örnekler verilmiştir. Karakter veri tabanından daha fazla örnek Ek-B de verilmiştir.

Şekil III.18. Referans Değerleri Üretmek için Kullanılan Plakalardan Bazıları

66

Şekil III.19. Referans Değerlerin Üretilmesi için Üzerinde Çalışılan Plakalardan Elde Edilen 550

Adet Karakterden Örnekler

III.2.2.2. Referans Değerler ve Kural Tabanının Oluşturulması

Araç plakalarında kullanılan her bir karakteri tanımlayabilmek için Bölüm

II.3.2.2’de açıkladığımız histogram tiplerini içeren karakter tanımlama vektörleri

hazırlanmıştır. Metin karakterlerini tanımak için hazırladığımız yüksek seviyeli

görüntü işleme uygulaması için yine Bölüm II.3.2.2’de açıkladığımız yedili moment

setleri (Hu’nun momentleri) kullanılarak karakter tanımlama vektörleri

oluşturulmuştur.

Histogram tabanlı karakter tanımlama vektörleri veri tabanındaki 550 adet

karakter kullanılarak, araç plakalarında kullanılan 33 karakterin her birisi için onar

adet tanımlayıcı histogram vektörü üretilmiştir. Her bir karakter için tanımlanan bu

histogramlar sırası ile şöyledir; yatay tam boyut, düşey tam boyut, yatay üst yarı,

yatay alt yarı, düşey sol yarı, düşey sağ yarı, yatay alt 2/3’lük kısım, yatay üst 1/3’lük

kısım, yatay üst 1/4’lük kısmın ve düşey sol yarının alt 1/2’lik kısmının düşey

histogramıdır. Aynı zamanda bu histogramlardaki değerler normalize edilerek [0-1]

67

aralığına indirgenmiştir. Şekil III.20 de orta seviye işlemler arayüzü yardımı ile “4”

rakamı için üretilen tanımlayıcı histogramlar görülmektedir.

Şekil III.20. Bir Plaka Görüntüsündeki “4” Rakamı için Üretilen Tanımlayıcı Histogramlar

Tüm karakterler için üretilen bu histogram setleri bir kural tabanına gömülerek

33 adetlik karakter setindeki her bir karakteri tanıyabilen bir kontrolör geliştirilmiştir.

Hu momentleri ile metin karakterlerinin tanımlanması çalışmasında, Şekil

III.13 da verilen karakterler için Bölüm II.3.2.2’de açıklanan sabit momentler

hesaplanıp kural tabanlı kontrolörün kural tabanına gömülmüştür.

68

BÖLÜM IV

SİSTEMİN TESTİ VE DEĞERLENDİRME

IV.1. SİSTEMİN TESTİ

Sistemin test edilmesi aşamasında referans değerlerin oluşturulması için

kullanılan 87 adet araç plaka görüntüsünden farklı olarak 25 adet test amaçlı plaka

resmi kullanılmıştır. Bu test görüntülerinde toplam 180 adet karakter bulunmaktadır.

Sistemin aydınlatmadaki değişimlere karşı nasıl tepki verdiğini belirleyebilmek için,

test işlemleri farklı aydınlanma koşullarında tekrarlanmıştır.

Sistemin performans değerlendirme parametresi olarak, test resimlerini hangi

oranda doğru tanıdığına ilişkin yüzdelik değer esas alınmıştır. Buna göre, Bölüm

II’de verilen performans değerlendirme kriterlerinden birincisi kullanılmıştır.

Bununla beraber, sistem farklı aydınlatma şartları gibi çevresel faktörlere bağlı

olarak da test edildiğinden sözü geçen kriterlerden ikincisi de (hassasiyet) dikkate

alınmıştır.

Test işlemi, test görüntülerinin tek tek emülasyon sistemine gösterilerek

sistemin resimlerdeki plaka numaralarını tam tanıyıp tanıyamamasına, tanımlamada

sorun yaşadığı resimlerde kaç adet karakteri tanımlayabildiğine ilişkin verilerin kayıt

edilmesi şeklinde gerçekleştirilmiştir.

69

IV.2. DEĞERLENDİRMELER

Yapılan test işlemlerinde sistem, gösterilen test resimlerinden toplam 17

tanesindeki araç plakalarını tam olarak doğru tespit etti. Sekiz tanesinde plakanın

tümü tanınamadı. Hatalı görüntülerden 3 tanesinde plakayı oluşturan karakterlerden

yalnız birer karakter, diğer beş resimden dört tanesinde ikişer karakter, bir tanesinde

ise 3 karakter tanınamadı. Test işlemi karakterler bazında değerlendirildiğinde,

resimlerin içerdiği 180 adet karakterden 166 adedi tanınmıştır.

Tanımlama sürecinin aydınlatma ile doğrudan etkilendiği, tanımlama sorunu

yaşanan test görüntülerinin tamamının diğerlerine göre daha az/çok aydınlatma

şartlarında elde edildiği, buna karşılık görüntünün elde edilme açısının da önemli

olduğu, geometrik deformasyon olan resimlerde yaşanan sorunlardan anlaşılmıştır.

Ayrıca plakalardaki boyası dökülmüş ve rengi soluk karakterlerde de sorunlar

yaşanmıştır.

70

BÖLÜM V

SONUÇ VE ÖNERİLER

Bu tez çalışmasında bilgisayarlı görme, görüntü işleme, görüntü analiz ve

değerlendirme ilkeleri anlatılmıştır. Görüntü işleme görevleri ve görevlere bağlı

olarak görüntülerin ele alınış biçimleri ve görüntülerden özellik çıkartma yöntemleri

incelenmiştir. Devamında belirlenen özelliklere ait sayısal verilerin üretilme süreçleri

ele alınmış, bu kapsamda değişik özellikleri tanımlayan parametrelerin hesaplamaları

gerçekleştirilmiştir. Bu bilgiler ışığında uygulama olarak araç plakalarını görüntü

işlemeye dayalı kural tabanlı kontrolör mantığı ile tanımlayan bir bariyer kontrol

sisteminin emülasyonu gerçekleştirilmiştir.

Yapılan testlerde emülasyon sistemi, karakter bazında %92,2 plaka bazında

ise %68 başarı sağlamıştır.

Yapılan çalışmada karakter bazında elde edilen başarı tatminkar olurken,

plaka bazında bunu söylemek mümkün değildir. Bunun en büyük sebeplerinden bir

tanesi, resim çekilirken bakış açısının neden olduğu geometrik deformasyondur.

Aynı şekilde bakış açısı düzgün olsa bile plakanın montajından kaynaklanan

bükülmelerden dolayı aynı plaka resmi içinde sadece bir yada birkaç karakterin

uğradığı geometrik deformasyonda önemli bir etkendir.

Plaka bazında yaşanan sorunların değerlendirilmesi sonucu geometrik

deformasyona karşı bir dönüşüm yapılmasının böyle bir sistem için gerekli olduğu

görülmüştür.

Ayrıca testler sırasında aydınlanmaya bağlı olarak da başarımın değiştiği

değerlendirilmiştir.

71

Bu bilgiler ışığında gerçekleştirilen emülasyon sisteminin başarımını artırmak

için şu düzenlemeler yapılabilir:

• Görüntülemede kullanılan kamera, odak mesafesi, hassasiyeti ve mercek

sistemi geliştirilmiş, çalışma özelliği kararlı olan özel bir kamera ile

değiştirilebilir.

• Görüntülenen alanın daha iyi bir aydınlatma alabilmesi için güçlü ve mümkün

olduğunca homojen aydınlatma sağlayan bir sistemi kullanılabilir.

• Bakış açısına ve plakalar üzerindeki bozukluklara karşı yapay zeka teknikleri,

örneğin yapay sinir ağları kullanılarak başarım artırılabilir.

• Plaka yada karakterlerde görülen geometrik şekil bozukluklarına karşı

literatürde kullanılan geometrik transformasyon teoremleri kullanılarak bu

sorun aşılabilir.

Bu çalışma ile elde edilen teorik bilgi, deneyimler ve sonuçlar, görüntü işlemeye

dayalı yeni bilimsel çalışmalar yapma isteğimizi artırmıştır. Bu bağlamda elde edilen

sonuçların geliştirilmesine yönelik söz edilen düzenlemelerin bu çalışmanın

devamında uygulanması planlanmaktadır. Ayrıca özellikle tıbbi görüntü analizi için

yapay zeka tekniklerini konu alan yüksek düzeyli görüntü işleme çalışmaları

planlanmaktadır.

72

KAYNAKLAR [1] Jähne B.; Haußecker H.: “Computer Vision and Applications”, Academic

Press, San Diego, USA, (2000). [2] Jain R.; Kasturi R.; Schunck B.G.: “Machine Vision”, Mc Graw Hill, Boston,

USA, (1995). [3] Gonzalez C. R.; Woods E. R.; Eddins L. S.: “Digital İmage Processing Using

Matlab”, Prentice Hall, New Jersy, USA, (2004). [4] www.mathworks.com (Erişim tarihi: Ekim 2006) [5] Uzunoğlu M.: “Her Yönüyle MATLAB”, Türkmen Yayınevi, İstanbul,

Türkiye, (2004). [6] Smith W.S.: “Digital Signal Processing”, 2 nd Ed., California, USA, (1999). [7] Semmlow L.J.: “Biosignal and Biomedical Image Processing”, Marcel

Dekker Inc., New York, USA, (2004). [8] Courtney P.: “Evaluation and Validation of Computer Vision Algorithms”,

Proceedings of the Theoretical Foundations of Computer Vision-TFCV on Performance Characterization in Computer Vision, Kluwer, Boston, USA, (1998) 17.

[9] Bankman I.N.: “Handbook of Medical Imaging Processing and Analysis”,

Academic Press, San Diego, USA, (2000). [10] Tsirikolias K.; Mertzios B.G.: “Statistical pattern recognition using efficient

two-dimensional moments with applications to character recognition”, Pattern Recognition, Vol 26, June, (1993) 877.

[11] Theodoridis S.; Koutroumbas K.: “Pattern Recogniton”, 2 nd Ed. Elsevier,

San Diego, USA, (2003). [12] Chim Y.C.; Kassim A.A.; Ibrahim Y.: “Character recognition using statistical

moments”, Image and Vision Computing, Vol 17, March, (1999) 299. [13] Acharya T.; Ray K.A.: “Image Processing Principles and Applications”, A

John Willey & Sons, Inc., New Jersey, USA, (2005). [14] Nakamura J.: “Image Sensors and Signal Processing for Digital Still

Cameras”, Taylor & Francis Group, LLC, (2006).

73

[15] Kert M.; Özdemir E.: “Üç boyutlu Sistemde Tek Kamera ile Dairesel kesitli Nesnelerin Konumlarının Belirlenmesi”, 1. Uluslararası Mesleki ve Teknik Eğitim Teknolojileri Kongresi, (2005).

[16] Pham T. V.; Smeulders A.W.M.: “Object recognition with uncertain

geometry and uncertain part detection”, Computer Vision and Image Understanding, Vol. 99, August (2005) 241.

[17] Zhenzhong W.; Guangjun Z.; Xin L.: “The Application of Machine Vision in

Inspecting Position-Control Accuracy of Motor Control Systems”, Electrical Machines and Systems, Fifth International Conference, Shenyang, China, Vol. 2, August (2001) 787.

[18] Lee. E.R.; Kim P.K.; Kim H.J.: “Automatic Recognition of a car license plate

using color image processing”, IEEE International Conference on Image Processing,Vol.2, (1994) 301.

[19] Rodriguez J.A.M.; Asundi A.; Rodriguez-Vera R.: “Recognition of a light

line pattern by Hu moments for 3-D reconstruction of a rotated object”, Optics & Laser Technology, Vol. 37, March (2005) 131 .

[20] Özekes S.: “Tıbbi Görüntülemede Bilgisayar Destekli Tespit”, Doktora Tezi,

Marmara Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Türkiye, (2006). [21] Hosny K. M. : “Exact and fast computation of geometric moments for gray

level images”, Applied Mathematics and Computation, Vol. 189, June (2007) 1214.

[22] Barroso J.; Dagless E.L.; Rafael A.; Bulas-Cruz J.: “Number plate reading

using computer vision”, IEEE International Symposium on Industrial Electronics-ISIE’97, (1997).

[23] Lee H.; Kim D.; Kim D.; Bang S.Y.: “Real-time automatic vehicle

management system using vehicle tracking and car plate number identification”, International Conference on Multimedia and Expo-ICME’03, Vol.1,(2003) 353.

[24] Rahman C.A.; Badawy W.; Radmanesh A.: “A Real Time Vehicle’s License

Plate Recognition System”, IEEE Conference on Advanced Video and Signal Based Surveillance-AVSS’03, (2003) 163.

[25] Toth D.; Aach T.: “Detection and recognition of moving objects using

statistical motion detection and Fourier descriptors”, Proceedings of the 12th International Conference on Image Analysis and Processing-ICIAP’03, September (2003) 430.

74

EK A

DÜŞÜK SEVİYE İŞLEMLER ARAYÜZÜNDE ÇALIŞMA ÖRNEKLERİ

75

Şekil EK-A.1. Düşük Seviye İşlemler Arayüzünde Format Dönüşümü, İşlenmiş Görüntü

Histogramı ve Döndürme İşlemlerine İlişkin Örnek Ekran Görüntüsü.

Şekil EK-A.2. Düşük Seviye İşlemler Arayüzünde Giriş Görüntü Histogramı ,Format

Dönüşümü, Median Filtre ve Canny Kenar Belirleme İşlemlerine İlişkin Örnek Ekran

Görüntüsü.

76

Şekil EK-A.3. Düşük Seviye İşlemler Arayüzünde Giriş Görüntü Histogramı , Format

Dönüşümü, Median Filtre, İskelet Çıkarma ve Spur İşlemlerine İlişkin Örnek Ekran

Görüntüsü.

Şekil EK-A.4. İşlenmiş Görüntünün Ölçekleme yapılmadan Önceki Histogarmı ve Piksel

Sayısına İlişkin Birinci Ekran Görüntüsü.

77

Şekil EK-A.5. İşlenmiş Görüntüye 0.5 Kat Sayısı ile Ölçekleme Yapılması Sonucu

Histogramdaki Piksel Sayısının Azaldığı Görülüyor.

Şekil EK-A.6. İşlenmip Ölçeklenmiş Görüntünün Tekrar 0.5 Kat Sayısı ile Ölçekleme Yapılması

ile Histogramdaki Piksel Sayısının Daha Fazla Azaldığı Görülüyor.

78

EK B

KARAKTER VERİ TABANINDAN ÖRNEKLER

79

Şekil EK-B.1. Karakter Veri Tabanından Örnekler-I

Şekil EK-B.2. Karakter Veri Tabanından Örnekler-2

80

Şekil EK-B.3. Karakter Veri Tabanından Örnekler-3

Şekil EK-B.4. Karakter Veri Tabanından Örnekler-4

81

EK C

GELİŞTİRLEN MOMENT TEMELLİ KURAL TABANINDAN ÖRNEK BİR KISIM

82

%*************************************************% if ((0.66919 <= fii(1,1))&&(fii(1,1)<= 0.88273)&&(0.0057538<=fii(1,2))&& (fii(1,2)<=0.67727)&&(3.074 <= fii(1,3))&&(fii(1,3)<= 7.4699)&& (4.6453<=fii(1,4))&&(fii(1,4)<= 9.2638)&&(9.871 <= fii(1,5))&& (fii(1,5)<=18.02)&&(4.5981 <= fii(1,6))&&(fii(1,6)<= 11.351)&& (10.216 <= fii(1,7))&&(fii(1,7)<= 17.046)) krktr = '0'; %-------------------------------------------------------------------------% if ((0.8903 <= fii(1,1))&&(fii(1,1)<=1.276)&&(1.7752<=fii(1,2))&& (fii(1,2)<=2.531)&&(0.097123 <= fii(1,3))&&(fii(1,3)<= 3.8468)&& (0.34475<=fii(1,4))&&(fii(1,4)<= 5.9925)&&(0.69482<= fii(1,5))&& (fii(1,5)<=11.576)&&(0.036918 <= fii(1,6))&&(fii(1,6)<= 6.1055)&& (3.1884 <= fii(1,7))&&(fii(1,7)<= 11.911) ) krktr = '1'; %-------------------------------------------------------------------------% if ((1.2517 <= fii(1,1))&&(fii(1,1)<=1.4184)&&(2.0684<= fii(1,2))&& (fii(1,2)<=2.4605)&&(0.28152 <= fii(1,3))&&(fii(1,3)<= 1.5279)&& (0.72137<=fii(1,4))&&(fii(1,4)<= 3.598)&&(1.3064 <= fii(1,5))&& (fii(1,5)<=6.972)&&(0.40222 <= fii(1,6))&&(fii(1,6)<= 4.3177)&& (3.257 <= fii(1,7))&&(fii(1,7)<= 6.2709) ) krktr = '2'; %-------------------------------------------------------------------------% if ((0.91129<=fii(1,1))&&(fii(1,1)<=1.3262)&&(1.2779<=fii(1,2))&& (fii(1,2)<=2.2665)&&(0.069079 <= fii(1,3))&&(fii(1,3)<= 1.7479)&& (0.0040658<=fii(1,4))&&(fii(1,4)<= 1.487)&&(0.097984 <= fii(1,5))&& (fii(1,5)<=4.2198)&&(1.3436 <= fii(1,6))&&(fii(1,6)<= 4.1599)&& (0.052087 <= fii(1,7))&&(fii(1,7)<= 6.2607) ) krktr = '3'; %-------------------------------------------------------------------------% if ((0.30138 <= fii(1,1))&&(fii(1,1)<= 1.0685)&&(0.042498<=fii(1,2))&& (fii(1,2)<=1.6892)&&(0.061308 <= fii(1,3))&&(fii(1,3)<= 2.651)&& (0.10575<=fii(1,4))&&(fii(1,4)<= 3.882)&&(0.092003<= fii(1,5))&& (fii(1,5)<=6.2431)&&(0.045071 <= fii(1,6))&&(fii(1,6)<= 4.2227)&& (3.1571<= fii(1,7))&&(fii(1,7)<= 7.9099)) krktr = '4'; %-------------------------------------------------------------------------% if((0.88269 <= fii(1,1))&&(fii(1,1)<= 1.24)&&(1.1384<= fii(1,2))&& (fii(1,2)<=1.9333)&&(0.33479 <= fii(1,3))&&(fii(1,3)<= 2.1945)&& (0.35091<=fii(1,4))&&(fii(1,4)<= 2.7002)&&(0.2924 <= fii(1,5))&& (fii(1,5)<=5.3754)&&(0.16827 <= fii(1,6))&&(fii(1,6)<= 4.4434)&& (1.6341 <= fii(1,7))&&(fii(1,7) <= 7.7298)) krktr = '5'; %-------------------------------------------------------------------------% if ((0.45365 <= fii(1,1))&&(fii(1,1)<=0.93298)&&(0.047565<=fii(1,2))&& (fii(1,2)<=1.0419)&&(0.080919<= fii(1,3))&&(fii(1,3)<=1.9026)&& (0.54642<=fii(1,4))&&(fii(1,4)<= 3.9)&&(0.96792 <= fii(1,5))&& (fii(1,5)<=9.0607)&&(0.81088 <= fii(1,6))&&(fii(1,6)<= 6.9549)&& (3.2698 <= fii(1,7))&&(fii(1,7)<= 8.6146) ) krktr = '6'; %-------------------------------------------------------------------------%

83

if (0.59369<=fii(1,1))&&(fii(1,1)<=0.59985)&&(0.58344<=fii(1,2))&& (fii(1,2)<=0.59146)&&(0.93782<=fii(1,3))&&(fii(1,3)<=0.95199)&& (0.27989<=fii(1,4))&&(fii(1,4)<=0.28267)&&(0.044478<=fii(1,5))&& (fii(1,5)<=0.053121) &&(0.0070386 <= fii(1,6))&& (fii(1,6)<= 0.0081689)&& (3.4839<=fii(1,7))&&(fii(1,7)<= 4.0126) krktr = 'A'; %-------------------------------------------------------------------------% if (0.55688<=fii(1,1))&&(fii(1,1)<=0.6988)&&(0.19368<=fii(1,2))&& (fii(1,2)<=0.5262)&&(3.7887<=fii(1,3))&&(fii(1,3)<=5.5846)&& (6.3756<=fii(1,4))&&(fii(1,4)<=8.6671)&&(12.077<=fii(1,5))&& (fii(1,5)<=17.222)&&(6.2254 <= fii(1,6))&&(fii(1,6)<= 11.669)&& (12.741<= fii(1,7))&&(fii(1,7)<= 16.131) krktr = 'B'; %-------------------------------------------------------------------------% if (1.2644 <= fii(1,1))&&(fii(1,1)<= 1.3254)&&(1.3465 <= fii(1,2))&& (fii(1,2)<=2.0373)&&(1.6273 <= fii(1,3))&&(fii(1,3)<= 2.1201)&& (0.45002<=fii(1,4))&&(fii(1,4) <= 0.67549)&&(3.3924 <= fii(1,5))&& (fii(1,5)<=3.6899)&&(3.283<= fii(1,6))&&(fii(1,6) <=3.4386)&& (1.0135 <= fii(1,7))&&(fii(1,7)<= 3.261) krktr = 'C'; %-------------------------------------------------------------------------% if (0.79576<= fii(1,1))&&(fii(1,1)<= 0.85542)&&( 0.30745<=fii(1,2))&& (fii(1,2)<=0.65831)&&(1.7148 <= fii(1,3))&&(fii(1,3)<= 3.2456)&& (3.9989<=fii(1,4))&&(fii(1,4)<= 7.0182)&&(7.0046 <= fii(1,5))&& (fii(1,5)<=12.886)&&(3.9485 <= fii(1,6))&&(fii(1,6)<= 9.8742)&& (8.6022 <= fii(1,7))&&(fii(1,7)<=13.664) krktr = 'D'; %-------------------------------------------------------------------------% if (1.0406 <= fii(1,1))&&(fii(1,1) <= 1.1683)&& (1.1683 <= fii(1,2))&& (fii(1,2)<=2.0706)&&(0.8779 <= fii(1,3))&&(fii(1,3) <= 1.6646)&& (0.057628<=fii(1,4))&&(fii(1,4)<= 0.79823)&&(0.83588 <= fii(1,5))&& (fii(1,5)<=3.2806)&&(3.1426 <= fii(1,6))&&(fii(1,6)<= 3.9971)&& (0.031587 <= fii(1,7))&&(fii(1,7)<= 3.4412) krktr = 'E'; %-------------------------------------------------------------------------% if ((0.90425 <= fii(1,1))&&(fii(1,1)<= 1.0749)&&(1.2002 <= fii(1,2))&& (fii(1,2)<=1.9211)&&(0.27063 <= fii(1,3))&&(fii(1,3) <= 1.548)&& (0.322<=fii(1,4))&&(fii(1,4) <= 1.32)&&(0.80667 <= fii(1,5))&& (fii(1,5)<=3.6197)&&(0.38278 <= fii(1,6))&&(fii(1,6)<= 3.8518)&& (0.14737 <= fii(1,7))&&(fii(1,7) <= 2.1149) krktr = 'F'; %-------------------------------------------------------------------------% if ((0.83423 <= fii(1,1))&&(fii(1,1)<= 1.0473)&&(0.16987 <=fii(1,2))&& (fii(1,2)<=1.0143)&&(0.13453 <= fii(1,3))&&(fii(1,3)<= 0.80759)&& (0.15448<=fii(1,4))&&(fii(1,4)<= 2.2917)&&(0.16376 <= fii(1,5))&& (fii(1,5)<=3.9795)&&(0.23352 <= fii(1,6))&&(fii(1,6)<= 2.876)&& (3.1471 <= fii(1,7))&&(fii(1,7)<= 5.1888)) krktr = 'G'; %-------------------------------------------------------------------------%

ÖZGEÇMİŞ 1980 da Denizli’de doğdu. İlk ve orta öğretimini Denizli’nin Bekilli ilçesinde tamamladı. 1998 de Denizli Atatürk Teknik Lisesi Elektronik bölümünden mezun oldu. 2001 de Marmara Ünv. Teknik Bilimler Meslek Yüksek Okulu Elektronik bölümünden mezun oldu. Aynı yıl Fırat Ünv. Teknik Eğitim Fak. Elektronik Öğr. Bölümüne dikey geçiş yaparak kaydoldu. 2004 de bölüm birincisi olarak mezun oldu. 2004 yılında M.Ü. Fen Bilimleri Enstitüsünde yüksek lisans eğitimine başladı. Halen bir şirket de Ar-Ge ve teknik destek elamanı olarak çalışmakta dır.