Matlab ile Görüntü İşlemeye Giriş Eğitimi

Görüntü Temelleri ve MATLAB Görüntü İşleme

1. Dijital Görüntü İşlemeye Giriş

• Dijital görüntüleri ve pikselleri anlama
• Görüntü boyutları, çözünürlük ve veri türleri
• MATLAB Image Processing Toolbox'a giriş
• Temel görüntü işleme iş akışını anlama

2. Görüntüleri İçe Aktarma ve Görselleştirme

• Görüntüleri MATLAB'a yükleme
• Görüntüleri görüntüleme ve özellikleri inceleme
• Görüntü boyutları ve veri türleriyle çalışma
• Farklı görüntü temsillerini karşılaştırma

3. Renkli Görüntülerle Çalışma

• RGB renkli görüntüleri anlama
• Bireysel kırmızı, yeşil ve mavi kanallarına erişim
• Renk kanallarını birleştirme ve manipüle etme
• Renk temsilleri arasında dönüştürme

4. Grayscale ve İkili (Binary) Görüntüler

• RGB görüntüleri grayscale'e dönüştürme
• Yoğunluk değerlerini anlama
• İkili görüntüler oluşturma
• Eşik (threshold) temel bilgileri
• Grayscale ve ikili temsilleri karşılaştırma

5. Görüntü Maskeleri ve İlgi Alanları

• Görüntü maskelerini anlama
• Mantik maskeleri oluşturma
• Maskeleri görüntülere uygulama
• İlgi alanlarını seçme ve analiz etme

6. Görüntüleri Kaydetme ve Dışa Aktarma

• İşlenmiş görüntüleri kaydetme
• Görüntü formatlarını yönetme
• Sonuçları daha ileri analiz için dışa aktarma

Pratik alıştırmalar: Bir görüntüyü yüklemek, incelemek, manipüle etmek, maskelemek ve kaydetmek için temel bir MATLAB iş akışı oluşturun.

Görüntü İyileştirme, Gürültü Azaltma, Kayıt (Registration) ve Özellik Algılama

1. Etkileşimli Görüntü Analizi

• Görüntüleri etkileşimli olarak keşfetme
• Piksel değerleri ve görüntü bölgelerini inceleme
• İlgi alanlarını seçme
• Orijinal ve işlenmiş görüntüleri karşılaştırma

2. Görüntü İyileştirme

• Görüntü görünürlüğünü artırma
• Görüntü yoğunluğunu ayarlama
• Kontrast iyileştirme
• Görüntüleri sonraki analizler için hazırlama

3. Gürültü ve Görüntü Onarımı

• Ortak görüntü gürültüsünü anlama
• Görüntülerde gürültüyü belirleme
• Düzeltme tekniklerini uygulama
• Farklı gürültü azaltma yaklaşımlarını karşılaştırma
• Gürültü azaltma ile görüntü detayının korunması arasında denge kurma

4. Görüntü Hizalama ve Kaydı (Registration)

• Görüntü kaydını (registration) anlama
• Farklı bakış açıları veya konumlarda olan görüntüleri hizalama
• Uygun kayıt yaklaşımlarını seçme
• Hizalama doğruluğunu değerlendirme

5. Panoramik Görüntü Oluşturma

• Birbirini örtünen görüntüleri birleştirme
• İlgili görüntü özelliklerini algılama
• Görüntüleri hizalama ve karıştırma (blending)
• Panoramik bir sahne oluşturma

6. Geometrik Özelliklerin Algılanması

• Düz çizgileri algılama
• Daireleri algılama
• Hough dönüşümü kavramını anlama
• Çizgi ve daire algılama tekniklerini pratik görüntülerde uygulama

Pratik alıştırmalar: Bir görüntüden gürültüyü kaldırın, birden fazla görüntüyü hizalayın, bir panorama oluşturun ve geometrik özellikleri algılayın.

Histogramlar, Filtreleme ve Görüntü Segmentasyonu

1. Görüntü Histogramları

• Görüntü yoğunluk dağılımlarını anlama
• Histogram oluşturma ve yorumlama
• Histogram tabanlı görüntü analizi
• Eşik seçimini desteklemek için histogram kullanma
• Histogramlar kullanarak görüntü özelliklerini karşılaştırma

2. 2B Görüntü Filtreleme

• Mekânsal filtrelemeyi anlama
• Görüntü konvolüsyonu temel bilgileri
• 2B filtre çekirdekleri tasarımı
• Filtreleri görüntülere uygulama
• Düzeltme (smoothing) ve keskinleştirme (sharpening)
• Farklı filtre yanıtlarını karşılaştırma

3. Kenar Algılama

• Görüntü kenarlarını anlama
• Gradyan tabanlı kenar algılama
• Nesne sınırlarını algılama
• Uygun kenar algılama yöntemlerini seçme
• Önişleme yoluyla kenar algılamayı iyileştirme

4. Nesne Segmentasyonu

• Görüntü segmentasyonuna giriş
• Ön plandaki nesneleri arka planlardan ayırma
• Eşik tabanlı segmentasyon
• Yoğunluk tabanlı segmentasyon
• Segmentasyon sonuçlarını değerlendirme

5. Renk Tabanlı Segmentasyon

• Renk uzaylarını anlama
• Kullanışlı renk bilgilerini seçme
• Renk bazlı nesne segmentasyonu
• Aydınlatma değişimlerini ele alma

6. Doku Tabanlı Segmentasyon

• Doku bilgisini anlama
• Doku özelliklerini kullanarak nesneleri belirleme
• Doku bilgisini diğer segmentasyon teknikleriyle birleştirme

Pratik alıştırmalar: Filtreleme, kenar algılama, yoğunluk, renk ve doku bilgisi kullanarak eksiksiz bir segmentasyon iş akışı geliştirin.

Otomatik Görüntü Analizi, Morfoloji ve Nesne Ölçümleri

1. Toplu Görüntü İşleme

• Otomatik görüntü işleme iş akışlarını anlama
• Bir klasörden birden fazla görüntü okuma
• Görüntü koleksiyonlarına aynı işleme adımlarını uygulama
• Analiz sonuçlarını kaydetme ve düzenleme
• Görüntü analizi için yeniden kullanılabilir MATLAB betikleri oluşturma

2. Morfolojik Görüntü İşleme

• Matematiksel morfolojiye giriş
• Yapılandırıcı elemanlar (structuring elements)
• Erozyon ve dilasyon
• Açma (opening) ve kapama (closing)
• Delikleri doldurma ve istenmeyen bölgeleri kaldırma
• İkili segmentasyon sonuçlarını rafine etme

3. Şekil Tabanlı Nesne Segmentasyonu

• Şekle dayalı nesneleri belirleme
• Bağlantılı nesneleri ayırma
• Küçük veya istenmeyen nesneleri kaldırma
• Nesne sınırlarını rafine etme
• Segmentasyon ve morfoloji tekniklerini birleştirme

4. Nesne Özelliklerinin Ölçülmesi

• Bireysel nesneleri algılama
• Nesne alanı ve çevre uzunluğunu ölçme
• Sınır kutuları (bounding boxes) ve ağırlık merkezleri (centroids)
• Şekil ve geometrik ölçümler
• Daha ileri analiz için nesne özelliklerini çıkarma

5. Kuantitatif Görüntü Analizi

• Görüntü işleme sonuçlarını sayısal verilere dönüştürme
• Ölçüm tabloları oluşturma
• Nesneleri karşılaştırma
• Ölçülen özelliklere dayalı nesneleri belirleme
• Analiz sonuçlarını dışa aktarma

6. Uçtan Uca Görüntü İşleme İş Akışı

Katılımcılar, kurs boyunca öğrenilen teknikleri birleştirerek eksiksiz bir görüntü analizi iş akışı geliştirecektir:

Görüntü edinimi → önişleme → iyileştirme → filtreleme → segmentasyon → morfolojik işleme → nesne algılama → ölçüm → raporlama

Pratik alıştırmalar: Bir görüntü koleksiyonunu işleyen, nesneleri segmente eden, şekil özelliklerini çıkaran ve kuantitatif sonuçlar üreten otomatik bir MATLAB uygulaması geliştirin.

Pratik Alıştırmalar

Kurs boyunca katılımcılar, aşağıdakileri içeren pratik örnekler üzerinde çalışacaklardır:

• Görüntü iyileştirme ve görselleştirme
• RGB ve grayscale görüntü analizi
• Gürültü azaltma
• Görüntü filtreleme
• Panorama oluşturma
• Çizgi ve daire algılama
• Kenar algılama
• Renk ve doku segmentasyonu
• Morfolojik işleme
• Şekil tabanlı nesne algılama
• Nesne ölçümleri
• Otomatik toplu işleme