<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Aleyna on Medium]]></title>
        <description><![CDATA[Stories by Aleyna on Medium]]></description>
        <link>https://medium.com/@aleynacif5?source=rss-4c7982e6ffcf------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*4k7LCFBGBv-hbkZJ</url>
            <title>Stories by Aleyna on Medium</title>
            <link>https://medium.com/@aleynacif5?source=rss-4c7982e6ffcf------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 19:42:08 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@aleynacif5/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Sihirli Matris: Kernel ve Konvolüsyon ile Bulanıklaştırma, Keskinleştirme (Bilgisayarla Görme…]]></title>
            <link>https://medium.com/@aleynacif5/sihirli-matris-kernel-ve-konvol%C3%BCsyon-ile-bulan%C4%B1kla%C5%9Ft%C4%B1rma-keskinle%C5%9Ftirme-bilgisayarla-g%C3%B6rme-3b5dd6b8adac?source=rss-4c7982e6ffcf------2</link>
            <guid isPermaLink="false">https://medium.com/p/3b5dd6b8adac</guid>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[kernel]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[konvolüsyon]]></category>
            <dc:creator><![CDATA[Aleyna]]></dc:creator>
            <pubDate>Mon, 16 Nov 2026 14:41:20 GMT</pubDate>
            <atom:updated>2026-11-16T14:41:20.268Z</atom:updated>
            <content:encoded><![CDATA[<h3>Sihirli Matris: Kernel ve Konvolüsyon ile Bulanıklaştırma, Keskinleştirme (Bilgisayarla Görme Serisi #6)</h3><h3>Giriş</h3><p>Geçen hafta bitwise işlemleri, görüntü karıştırmayı ve histogram ile görüntü iyileştirmeyi görmüştük. Son kısımda “kernel ve konvolüsyon gelecek hafta” demiştim. O hafta bu hafta.</p><p>Bu yazıda kernel nedir, konvolüsyon nasıl çalışır, aynı mekanizmadan bulanıklaştırma, keskinleştirme ve kenar tespiti nasıl çıkar, bunları göreceğiz. Her zamanki gibi bu yazıyı bir uzman olarak değil, aynı yolda ilerleyen bir öğrenci olarak yazıyorum.</p><h3>Üç Kavram, Üç Rol</h3><p>Geçen hafta bu üçünü kısaca ayırmıştık:</p><ul><li><strong>İyileştirme ve filtreleme:</strong> Elde etmek istediğimiz <strong>sonuç</strong> (gürültüyü temizlemek, keskinleştirmek vb.)</li><li><strong>Konvolüsyon:</strong> Bu sonuçlara ulaşmak için kullandığımız <strong>yöntem</strong></li><li><strong>Kernel:</strong> Bu yöntemin kullandığı <strong>araç</strong>, küçük bir sayı matrisi</li></ul><h3>Kernel Nedir?</h3><p>Kernel (çekirdek), görüntü üzerinde gezdirdiğimiz küçük bir sayı matrisidir. İçindeki sayıları değiştirdikçe aynı işlem tamamen farklı bir etki yaratır. Ben buna “sihirli matris” diyorum: sayılar bulanıklaştırma da yapabilir, keskinleştirme de, kenar bulma da.</p><p>Genelde 3×3, 5×5 ya da 7×7 gibi <strong>tek sayılı</strong> boyutlar kullanılır. Sebebi basit: matrisin tam ortasında bir merkez piksel olması gerekir.</p><h3>Konvolüsyon Nasıl Çalışır? (5 Adım)</h3><ol><li><strong>Yerleştir:</strong> Kernel’i görüntünün sol üst köşesine oturt.</li><li><strong>Çarp:</strong> Kernel’deki her sayıyı altındaki piksel değeriyle çarp.</li><li><strong>Topla:</strong> Çıkan tüm sonuçları tek bir sayıda topla.</li><li><strong>Yaz:</strong> Bu sayıyı çıktı görüntüsünün merkez pikseline yaz.</li><li><strong>Kaydır ve tekrarla:</strong> Bir piksel sağa geç, satır bitince alt satıra in, tüm görüntü bitene kadar devam et.</li></ol><p>Yani her piksel yalnız başına değil, komşularıyla birlikte değerlendirilir. Bu, geçen haftaki histogram eşitlemeden temel bir farktır: orada her piksel sadece kendi değerine göre değişiyordu.</p><h3>Elle Hesaplayalım</h3><p>Kodu yazmadan önce 3×3&#39;lük küçük bir örneği elle çözelim. Ortası parlak, çevresi koyu bir bölge olsun:</p><pre>10  10  10<br>10  50  10<br>10  10  10</pre><p><strong>Ortalama (bulanıklaştırma) kernel’i:</strong> Tüm değerler 1/9.</p><pre>sonuç = (10+10+10+10+50+10+10+10+10) / 9 = 130 / 9 ≈ 14</pre><p>Parlak merkez (50) komşularına karışıp 14&#39;e düştü. Yani pürüz yumuşadı.</p><p><strong>Keskinleştirme kernel’i:</strong></p><pre>0  -1   0<br>-1   5  -1<br> 0  -1   0</pre><pre>sonuç = 5×50 − (10 + 10 + 10 + 10) = 250 − 40 = 210</pre><p>Bu sefer merkez, komşularından ne kadar farklıysa o kadar öne çıktı: 50&#39;den 210&#39;a fırladı. Keskinleştirme budur: <strong>merkezi güçlendir, komşuları çıkar.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5a7nx2G7fpNBvOn1rKfVAQ.png" /></figure><h3>Kernel’in İçindeki Sayılar Karakteri Belirler</h3><p>Aynı mekanizma, farklı sayılar:</p><ul><li><strong>Sayılar birbirine yakın ve toplamı 1:</strong> Bulanıklaştırma. Pürüzleri yok eder.</li><li><strong>Ortadaki sayı yüksek, kenarlar negatif:</strong> Keskinleştirme. Detayları ve sınırları belirginleştirir.</li><li><strong>Sayıların toplamı sıfır ya da sıfıra yakın:</strong> Genellikle kenar tespiti. Düz bölgelerde sonuç 0 olur, parlaklığın değiştiği yerlerde 0&#39;dan uzaklaşır.</li></ul><p>Küçük bir not: Toplamın sıfır olması tek başına kenar bulmaya yetmez, kernel’in parlaklık <strong>değişimini</strong> yakalayacak biçimde tasarlanması gerekir (Sobel gibi). Bu konuya kenar tespiti yazısında döneceğim.</p><h3>Kodla Deneyelim: filter2D</h3><p>OpenCV’de kendi kernel’imizi yazıp uygulamak için cv2.filter2D var:</p><pre>import cv2<br>import numpy as np<br><br>img = cv2.imread(&quot;kedi.jpg&quot;)<br><br># 5x5 ortalama kernel&#39;i (bulanıklaştırma)<br>bulanik_kernel = np.ones((5, 5), np.float32) / 25<br>bulanik = cv2.filter2D(img, -1, bulanik_kernel)<br><br># Keskinleştirme kernel&#39;i<br>keskin_kernel = np.array([[ 0, -1,  0],<br>                          [-1,  5, -1],<br>                          [ 0, -1,  0]], dtype=np.float32)<br>keskin = cv2.filter2D(img, -1, keskin_kernel)</pre><ul><li>-1: Çıktının veri tipi girdiyle aynı kalsın demek (uint8).</li><li>Ortalama kernel’i 25&#39;e böldük, çünkü toplamın 1 olması parlaklığı korur. Bölmeseydik görüntü fazla parlak çıkardı.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*e2RsoKzzE3fB9Mmkgh3cFQ.png" /></figure><h3>Hazır Bulanıklaştırma Fonksiyonları</h3><p>Her seferinde kernel yazmak zorunda değiliz:</p><pre>ortalama = cv2.blur(img, (5, 5))<br>gauss = cv2.GaussianBlur(img, (5, 5), 0)<br>medyan = cv2.medianBlur(img, 5)</pre><ul><li><strong>blur:</strong> Tüm komşulara eşit ağırlık verir.</li><li><strong>GaussianBlur:</strong> Merkeze yakın piksellere daha fazla ağırlık verir, daha doğal bir bulanıklık üretir. Gürültü azaltmada en sık kullanılanlardan biridir.</li><li><strong>medianBlur:</strong> Komşuların ortalamasını değil ortancasını alır. Karıncalanma gibi &quot;tuz-biber&quot; gürültüsünde çok etkilidir. Not: Bu konvolüsyon değildir, kernel ile çarpıp toplamaz, komşuları sıralayıp ortadakini seçer.</li></ul><h3>Kenar Tespiti Kernel’i</h3><p>Yatay yöndeki parlaklık değişimini yakalayan Sobel kernel’i toplamı sıfır olan bir örnektir:</p><pre>sobel_x = np.array([[-1, 0, 1],<br>                    [-2, 0, 2],<br>                    [-1, 0, 1]], dtype=np.float32)<br>gri = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)<br>kenar = cv2.filter2D(gri, cv2.CV_32F, sobel_x)<br>kenar = cv2.convertScaleAbs(kenar)</pre><p>Burada cv2.CV_32F kullandık, çünkü sonuç negatif çıkabilir ve uint8 negatifleri tutamaz. Sonra convertScaleAbs ile mutlak değer alıp tekrar 0-255&#39;e getirdik. Düz bölgeler siyah, dikey kenarlar parlak görünür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NHvphrmc_q9JtYeWl6txvg.png" /></figure><h3>Neden Küçük Kernel Kullanılır?</h3><p>Notlarımda bu soru vardı, cevabı şöyle:</p><ul><li><strong>Hız:</strong> Her pikselde kernel boyutunun karesi kadar çarpma yapılır. 3×3 için 9, 7×7 için 49 işlem. Büyük kernel çok daha yavaştır.</li><li><strong>Yerel detay:</strong> Küçük kernel yakın komşulara bakar, ince detayları korur. Büyük kernel görüntüyü fazla yumuşatır.</li><li><strong>Üst üste kullanım:</strong> İki tane 3×3 kernel arka arkaya uygulandığında 5×5&#39;lik bir alana bakmış olur ama daha az parametre kullanır (2×9=18 yerine 25). Derin öğrenmedeki evrişim ağlarının (CNN) küçük kernel kullanmasının nedeni de budur.</li></ul><h3>Sınırlar Ne Olur?</h3><p>Kernel görüntünün kenarına geldiğinde dışarıda kalan komşular olmaz. OpenCV bu sorunu varsayılan olarak kenardaki pikselleri yansıtarak (padding) çözer, bu yüzden çıktı görüntüsü giriş ile aynı boyutta kalır.</p><h3>Bugün Ne Öğrendik?</h3><ul><li>Kernel’in küçük bir sayı matrisi olduğunu ve içindeki sayıların filtrenin karakterini belirlediğini</li><li>Konvolüsyonun 5 adımını: yerleştir, çarp, topla, yaz, kaydır</li><li>3×3&#39;lük bir örneği elle hesaplamayı</li><li>filter2D ile kendi kernel&#39;imizi uygulamayı</li><li>blur, GaussianBlur ve medianBlur farkını</li><li>Kenar tespiti kernel’inin (Sobel) mantığını</li><li>Neden küçük kernel kullandığımızı</li></ul><p>Bir sonraki yazıda eşikleme ve morfolojik işlemlere geçeceğiz: Otsu yöntemi, erozyon, genişleme, açma ve kapama.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3b5dd6b8adac" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Maskeleme, Görüntü Karıştırma ve Histogram: Görüntüyü İyileştirmek (Bilgisayarla Görme Serisi #5)]]></title>
            <link>https://medium.com/@aleynacif5/maskeleme-g%C3%B6r%C3%BCnt%C3%BC-kar%C4%B1%C5%9Ft%C4%B1rma-ve-histogram-g%C3%B6r%C3%BCnt%C3%BCy%C3%BC-i%CC%87yile%C5%9Ftirmek-bilgisayarla-g%C3%B6rme-serisi-5-fb78f10ff356?source=rss-4c7982e6ffcf------2</link>
            <guid isPermaLink="false">https://medium.com/p/fb78f10ff356</guid>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[histogram-equalization]]></category>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[image-processing]]></category>
            <dc:creator><![CDATA[Aleyna]]></dc:creator>
            <pubDate>Thu, 12 Nov 2026 13:36:51 GMT</pubDate>
            <atom:updated>2026-11-12T13:36:51.035Z</atom:updated>
            <content:encoded><![CDATA[<h3>Giriş</h3><p>Geçen hafta ROI ile görüntüyü kesmeyi, kanalları ayırmayı, yeniden boyutlandırmayı, çizim yapmayı ve kameradan canlı görüntü almayı görmüştük. Bu hafta iki ayrı konuyu bir araya getiriyorum. İlk yarıda iki görüntüyü mantıksal işlemlerle birleştirmeyi ve karıştırmayı, ikinci yarıda histogram ile görüntü kalitesini anlamayı ve iyileştirmeyi göreceğiz. Her zamanki gibi bu yazıyı bir uzman olarak değil, aynı yolda ilerleyen bir öğrenci olarak yazıyorum.</p><h3>Bitwise İşlemler</h3><p>Bitwise işlemler, iki görüntünün piksellerini mantıksal olarak karşılaştırır. Hepsinde en çok kullanılan fikir <strong>maskeleme</strong>dir: siyah-beyaz bir şablonla görüntünün sadece istediğimiz kısmını ayırmak.</p><p>Önce örnekler için iki basit şekil hazırlayalım:</p><pre>import cv2<br>import numpy as np<br><br>kare = np.zeros((300, 300), dtype=&quot;uint8&quot;)<br>cv2.rectangle(kare, (50, 50), (200, 200), 255, -1)<br><br>daire = np.zeros((300, 300), dtype=&quot;uint8&quot;)<br>cv2.circle(daire, (200, 150), 100, 255, -1)</pre><p>np.zeros siyah bir zemin oluşturur, 255 ise beyaz çizim yapar. Bu yüzden şekiller beyaz, arka plan siyahtır.</p><pre>ve = cv2.bitwise_and(kare, daire)<br>veya = cv2.bitwise_or(kare, daire)<br>degil = cv2.bitwise_not(kare)<br>xor = cv2.bitwise_xor(kare, daire)</pre><ul><li><strong>AND (VE):</strong> İki görüntüde de beyaz olan, yani kesişen yerleri korur. Gerisi siyah olur.</li><li><strong>OR (VEYA):</strong> Herhangi birinde beyaz olan yerler beyaz kalır. İki şekli tek sahnede birleştirir.</li><li><strong>NOT (DEĞİL):</strong> Beyazı siyah, siyahı beyaz yapar. Maskeyi ters çevirmek için kullanılır.</li><li><strong>XOR (ÖZEL VEYA):</strong> Sadece birinde beyaz olan yerleri bırakır, ortak kısımlar silinir. İki görüntü arasındaki farkı gösterir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AhyH2x-gvvY-J0-5guqVNQ.png" /></figure><h3>Gerçek Bir Görüntüde Maskeleme</h3><p>AND işleminin asıl gücü, bir fotoğrafın sadece belirli bir şekil içindeki kısmını almaktır:</p><pre>img = cv2.imread(&quot;kedi.jpg&quot;)<br><br>maske = np.zeros(img.shape[:2], dtype=&quot;uint8&quot;)<br>cv2.circle(maske, (200, 150), 100, 255, -1)<br><br>sonuc = cv2.bitwise_and(img, img, mask=maske)</pre><p>Burada img.shape[:2] ile maskeyi görüntünün boyutuyla aynı yapıyoruz. mask=maske parametresi, işlemin sadece maskenin beyaz olduğu yerlerde yapılmasını sağlar. Dairenin dışı siyah olur.</p><p>Maskeyi ters çevirirsek tam tersini, yani daire dışındaki kısmı alırız:</p><pre>ters_maske = cv2.bitwise_not(maske)<br>dis = cv2.bitwise_and(img, img, mask=ters_maske)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*a0kLUJPEQh6oLyiD2Ou4Hg.png" /></figure><p>Not: XOR ile hareket tespiti de anlatılır. Ama pratikte iki kare arasındaki farkı bulmak için çoğunlukla cv2.absdiff kullanılır, çünkü gri tonlu görüntülerde farkın miktarını da verir. XOR&#39;u daha çok iki ikili (siyah-beyaz) şeklin farkını görmek için düşünebilirsin.</p><h3>İki Görüntüyü Karıştırmak</h3><p>İki görüntüyü şeffaflık oranlarıyla üst üste bindirmek için addWeighted kullanılır:</p><pre>img1 = cv2.imread(&quot;kedi.jpg&quot;)<br>img2 = cv2.imread(&quot;manzara.jpg&quot;)<br><br># İki görüntü aynı boyutta olmalı<br>img2 = cv2.resize(img2, (img1.shape[1], img1.shape[0]))<br><br>karisim = cv2.addWeighted(img1, 0.7, img2, 0.3, 0)</pre><p>Formül şöyle: sonuç = img1 × 0.7 + img2 × 0.3 + 0. Parametreler sırasıyla birinci görüntü, ağırlığı, ikinci görüntü, ağırlığı ve eklenecek sabit değerdir (gamma). Ağırlıkların toplamı genelde 1 olur, yoksa görüntü fazla parlak ya da karanlık çıkar.</p><p>Dikkat: Geçen haftaki tuzak burada da var. resize boyutu (genişlik, yükseklik) ister, shape ise (yükseklik, genişlik) verir. Bu yüzden indeksleri shape[1], shape[0] diye ters yazdık.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UQbXYd95TDn7DEIcL5B9sQ.png" /></figure><h3>Görüntü İyileştirme, Filtreleme ve Konvolüsyon</h3><p>Bu üç kavram sık karıştırılıyor, o yüzden kısaca ayıralım:</p><ul><li><strong>Görüntü iyileştirme (enhancement):</strong> Görüntüyü insan gözü ya da sonraki algoritmalar için daha anlaşılır hale getirmektir. Parlaklık, kontrast ve renk doygunluğu ayarı buna girer. Karanlık çekilmiş bir gece fotoğrafını aydınlatmak güzel bir örnektir.</li><li><strong>Görüntü filtreleme:</strong> Piksel değerlerini bir kurala göre değiştirerek gürültüyü temizlemek, bulanıklaştırmak, keskinleştirmek ya da kenarları çıkarmaktır.</li><li><strong>Konvolüsyon:</strong> Filtrelemenin arkasında çalışan matematiksel yöntemdir. Bu yazının konusu değil, gelecek haftaya bıraktım.</li></ul><p>Bu yazıda iyileştirme tarafındayız ve işe önce görüntünün durumunu ölçmekle başlayacağız.</p><h3>Histogram Analizi</h3><p>Histogram, bir görüntüdeki parlaklık değerlerinin dağılımını gösteren grafiktir. Bir fotoğrafın “ışık röntgeni” gibi düşünebilirsin.</p><ul><li><strong>Yatay eksen (x):</strong> Parlaklık değeri. 0 tam siyah, 255 tam beyazdır.</li><li><strong>Dikey eksen (y):</strong> O parlaklıkta kaç piksel olduğu.</li></ul><pre>import matplotlib.pyplot as plt<br><br>gri = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)<br><br>hist = cv2.calcHist([gri], [0], None, [256], [0, 256])<br><br>plt.plot(hist)<br>plt.title(&quot;Gri Görüntü Histogramı&quot;)<br>plt.xlabel(&quot;Parlaklık (0-255)&quot;)<br>plt.ylabel(&quot;Piksel sayısı&quot;)<br>plt.show()</pre><p>calcHist parametreleri sırasıyla görüntü listesi, kanal numarası, maske (yok), kutu sayısı (256) ve değer aralığıdır.</p><p>Histograma bakarak görüntüyü dört şekilde yorumlayabiliriz:</p><ul><li><strong>Karanlık görüntü:</strong> Veriler grafiğin soluna yığılmıştır.</li><li><strong>Parlak görüntü:</strong> Veriler grafiğin sağına yığılmıştır.</li><li><strong>Düşük kontrast:</strong> Veriler ortada sıkışmıştır, fotoğraf soluk görünür.</li><li><strong>Yüksek kontrast:</strong> Veriler iki uçtadır, siyahlar ve beyazlar keskindir.</li></ul><p>Ayrıca uçlarda aşırı yığılma varsa karanlıkta ya da parlak yerlerde detay kaybı olmuş demektir. Daha önce anlattığım kameranın dinamik aralığı sorunu burada kendini gösteriyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BwzKLQrsQBpfN8N5hBzJyA.png" /></figure><h3>Histogram Eşitleme ve Kontrast İyileştirme</h3><p>Düşük kontrastlı bir görüntüde pikseller dar bir aralığa sıkışmıştır. <strong>Histogram eşitleme</strong>, bu değerleri 0–255 aralığına yayarak kontrastı artırır.</p><pre>esit = cv2.equalizeHist(gri)<br><br>plt.figure(figsize=(10, 4))<br><br>plt.subplot(1, 2, 1)<br>plt.hist(gri.ravel(), 256, [0, 256])<br>plt.title(&quot;Önce&quot;)<br><br>plt.subplot(1, 2, 2)<br>plt.hist(esit.ravel(), 256, [0, 256])<br>plt.title(&quot;Sonra&quot;)<br><br>plt.show()</pre><p>equalizeHist sadece <strong>tek kanallı (gri)</strong> 8 bitlik görüntülerle çalışır. Renkli görüntüye doğrudan uygulayamazsın. Rengi bozmadan yapmak için parlaklık kanalına uygulamak gerekir:</p><pre>ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb)<br>y, cr, cb = cv2.split(ycrcb)<br><br>y = cv2.equalizeHist(y)<br><br>ycrcb = cv2.merge((y, cr, cb))<br>renkli_esit = cv2.cvtColor(ycrcb, cv2.COLOR_YCrCb2BGR)</pre><p>Burada geçen haftaki split ve merge bilgimizi kullandık. Parlaklığı (Y) ayırıp eşitledik, renk bilgisini (Cr, Cb) olduğu gibi bırakıp geri birleştirdik. Seri #1&#39;de HSV&#39;nin renk ile parlaklığı ayırmasından bahsetmiştik, YCrCb de benzer bir mantıkla çalışır.</p><p>Küçük bir uyarı: Klasik histogram eşitleme tüm görüntüye aynı kuralı uyguladığı için bazen gürültüyü de şişirir. Bunun için yerel bölgelerde çalışan <strong>CLAHE</strong> yöntemi var:</p><pre>clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))<br>clahe_sonuc = clahe.apply(gri)</pre><p>Detayına girmiyorum ama sonuç eşitlemeden memnun kalmadığında denenecek ikinci seçenek olarak aklında olsun.</p><h3>Parlaklık ve Kontrastı Elle Ayarlamak</h3><p>Basit bir iyileştirme için doğrudan şu formülü de kullanabilirsin:</p><pre># yeni = img × alpha + beta<br>parlak = cv2.convertScaleAbs(img, alpha=1.0, beta=50)    # parlaklığı artır<br>kontrast = cv2.convertScaleAbs(img, alpha=1.5, beta=0)   # kontrastı artır</pre><p>alpha kontrastı, beta parlaklığı belirler. convertScaleAbs sonucu 0-255 aralığında tutar, taşan değerleri 255&#39;te keser.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0Mv-5J-sP3BgOTJ3gIXEYA.png" /></figure><h3>Bugün Ne Öğrendik?</h3><ul><li>AND, OR, NOT ve XOR işlemlerinin ne yaptığını</li><li>Maske oluşturup bitwise_and ile görüntünün sadece istenen bölgesini almayı</li><li>addWeighted ile iki görüntüyü ağırlıklı karıştırmayı</li><li>İyileştirme, filtreleme ve konvolüsyon arasındaki farkı</li><li>Histogramın parlaklık dağılımını gösterdiğini ve karanlık, parlak, düşük ve yüksek kontrastlı görüntüleri nasıl ayırt ettiğimizi</li><li>equalizeHist ile kontrastı artırmayı ve renkli görüntülerde bunu nasıl yaptığımızı</li></ul><p>Bir sonraki yazıda bu serinin en önemli konularından birine geçiyoruz: kernel (“sihirli matris”) ve konvolüsyon. Aynı mekanizmanın içindeki sayılar değişince bulanıklaştırma, keskinleştirme ve kenar tespitinin nasıl ortaya çıktığını göreceğiz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fb78f10ff356" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Görüntüyü Kesmek, Bölmek ve Üzerine Çizmek: ROI, Kanallar, Resize ve Canlı Video (Bilgisayarla…]]></title>
            <link>https://medium.com/@aleynacif5/g%C3%B6r%C3%BCnt%C3%BCy%C3%BC-kesmek-b%C3%B6lmek-ve-%C3%BCzerine-%C3%A7izmek-roi-kanallar-resize-ve-canl%C4%B1-video-bilgisayarla-27d6eab189c6?source=rss-4c7982e6ffcf------2</link>
            <guid isPermaLink="false">https://medium.com/p/27d6eab189c6</guid>
            <category><![CDATA[turkish]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[bilgisayarla-görme]]></category>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[computer-vision]]></category>
            <dc:creator><![CDATA[Aleyna]]></dc:creator>
            <pubDate>Thu, 08 Oct 2026 16:34:35 GMT</pubDate>
            <atom:updated>2026-10-08T16:34:35.796Z</atom:updated>
            <content:encoded><![CDATA[<h3>Görüntüyü Kesmek, Bölmek ve Üzerine Çizmek: ROI, Kanallar, Resize ve Canlı Video (Bilgisayarla Görme Serisi #4)</h3><p>Giriş</p><p>Geçen hafta OpenCV ile görüntü okumayı, renk uzaylarını ve piksellere erişmeyi görmüştük. Görüntünün bir matris olduğunu ve [y, x] ile dilimlenebildiğini hatırlayalım, bu hafta hep bunu kullanacağız.</p><p>Bu yazıda görüntünün sadece ilgilendiğimiz bölgesini kesmeyi (ROI), renk kanallarını ayırmayı, yeniden boyutlandırmayı, üzerine şekil çizmeyi ve kameradan canlı görüntü almayı deneyeceğiz. Her zamanki gibi bu yazıyı bir uzman olarak değil, aynı yolda ilerleyen bir öğrenci olarak yazıyorum.</p><h4>ROI (İlgi Alanı Bölgesi)</h4><p>ROI (Region of Interest), görüntünün tamamı yerine sadece ilgilendiğimiz bölgeyle çalışmaktır. Mantığı üç adımdan oluşur:</p><ol><li><strong>Bölgeyi belirle:</strong> Nesnenin piksel koordinatlarını tespit et.</li><li><strong>Kırp:</strong> O koordinatlarla ana görüntüden parçayı ayır.</li><li><strong>İşle:</strong> Filtreleme, analiz ya da yapay zekâ işlemlerini sadece bu küçük parçaya uygula.</li></ol><p>Neden önemli? Bir fotoğrafta sadece yüzle ilgileniyorsak tüm resmi işlemek hem yavaştır hem de gereksizdir.</p><pre>import cv2<br><br>img = cv2.imread(&quot;kedi.jpg&quot;)<br># img[y_başlangıç:y_bitiş, x_başlangıç:x_bitiş]<br>roi = img[100:300, 150:400]<br><br>cv2.imshow(&quot;ROI&quot;, roi)<br>cv2.waitKey(0)<br>cv2.destroyAllWindows()</pre><p>Burada da aynı kural geçerli: önce satır (y), sonra sütun (x). Kesilen parçayı bağımsız kullanmak istersen roi = img[100:300, 150:400].copy() yazmalısın. Aksi halde roi orijinal görüntüyle aynı belleği paylaşır ve roi&#39;yi değiştirdiğinde ana görüntü de değişir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OReenI4hrUCdR_-QmxzE9g.png" /></figure><h4>Kanalları Ayırmak ve Birleştirmek</h4><p>Renkli bir görüntü, üst üste binmiş üç katmandan oluşur: Mavi, Yeşil ve Kırmızı. Kanalları ayırmak bu katmanları birbirinden söküp tek tek incelemektir. Her kanal tek başına gri tonlamalı bir görüntü gibi görünür ve o rengin yoğunluğunu gösterir.</p><pre>b, g, r = cv2.split(img)<br><br>cv2.imshow(&quot;Mavi&quot;, b)<br>cv2.imshow(&quot;Yesil&quot;, g)<br>cv2.imshow(&quot;Kirmizi&quot;, r)<br>cv2.waitKey(0)</pre><p>Sıra yine <strong>B, G, R</strong>. Kırmızı bir nesne kırmızı kanalda parlak (beyaza yakın), diğer kanallarda koyu görünür. Bu yüzden belirli bir rengi arka plandan ayırmak için kanallara bakmak işe yarar.</p><p>Ayrılan kanalları tekrar birleştirmek için:</p><pre>birlesmis = cv2.merge((b, g, r))</pre><p>Kanalları değiştirerek ilginç sonuçlar da alabilirsin. Örneğin mavi ve kırmızıyı yer değiştirip birleştirirsen, geçen haftaki BGR tuzağını bilerek yaratmış olursun:</p><pre>ters = cv2.merge((r, g, b))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*l4nbG-p4Rv255V0R93ok9A.png" /></figure><h4>Yeniden Boyutlandırma (Resize)</h4><p>Resize, görüntünün genişlik ve yüksekliğini piksel bazında büyütmek ya da küçültmektir. İki önemli sebebi var:</p><ul><li><strong>Hız:</strong> Büyük görüntüler çok piksel içerir, işlem yavaşlar. Küçültmek algoritmayı hızlandırır.</li><li><strong>Model standardı:</strong> Derin öğrenme modelleri genelde sabit boyutlu girdi bekler (örneğin 224×224). Farklı boyutlardaki tüm görüntüler aynı ölçüye getirilmelidir.</li></ul><pre># Kesin bir boyut vererek (genişlik, yükseklik)<br>kucuk = cv2.resize(img, (224, 224))<br># Oran vererek: yarıya indir<br>yari = cv2.resize(img, None, fx=0.5, fy=0.5)</pre><p>Burada <strong>dikkat edilmesi gereken bir tuzak</strong> var: resize boyutu (genişlik, yükseklik) olarak ister, yani shape&#39;in verdiği (yükseklik, genişlik) sırasının tersi. İlk başta herkesin karıştırdığı yerlerden biri.</p><p>Ayrıca interpolasyon (ara değer hesaplama) yöntemi seçebilirsin: küçültürken cv2.INTER_AREA, büyütürken cv2.INTER_CUBIC genelde daha iyi sonuç verir.</p><pre>buyuk = cv2.resize(img, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)</pre><h3>OpenCV ile Geometrik Çizimler</h3><p>Görüntü üzerine çizgi, dikdörtgen, daire ve yazı çizebiliriz. Nesne tespitinde kutu çizmek tam olarak bu fonksiyonlarla yapılır.</p><p>İki önemli kural:</p><ul><li>Renkler yine <strong>BGR</strong> sırasıyla verilir.</li><li>Kalınlık yerine -1 yazarsan şeklin içi tamamen dolar.</li></ul><pre>cizim = img.copy()<br><br># Çizgi: başlangıç noktası, bitiş noktası, renk, kalınlık<br>cv2.line(cizim, (0, 0), (200, 200), (0, 255, 0), 3)<br><br># Dikdörtgen: sol üst köşe, sağ alt köşe, renk, kalınlık<br>cv2.rectangle(cizim, (50, 50), (250, 200), (255, 0, 0), 2)<br><br># Daire: merkez, yarıçap, renk, kalınlık (-1 = içi dolu)<br>cv2.circle(cizim, (300, 150), 40, (0, 0, 255), -1)<br><br># Yazı: metin, sol alt başlangıç noktası, font, ölçek, renk, kalınlık<br>cv2.putText(cizim, &quot;Merhaba&quot;, (50, 300),<br>            cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)<br><br>cv2.imshow(&quot;Cizim&quot;, cizim)<br>cv2.waitKey(0)<br></pre><p>Koordinatlar (x, y) sırasıyla verilir. Bu, NumPy&#39;ın [y, x] sırasının tersidir, ikisini birbirine karıştırmamak gerekiyor. Orijinal görüntüyü bozmamak için img.copy() üzerinde çizdim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FQTq9aI_LXj9q5q0DnFbYA.png" /></figure><h3>Kameradan Gerçek Zamanlı Video</h3><p>Video aslında hızlıca art arda gelen görüntülerdir (kareler, frame). Yani şimdiye kadar yaptığımız her şeyi her kareye uygulayarak canlı görüntü işleyebiliriz.</p><pre>cap = cv2.VideoCapture(0)   # 0: bilgisayarın varsayılan kamerası<br><br>while True:<br>    ret, frame = cap.read()   # ret: kare başarıyla okundu mu?<br>    if not ret:<br>        break<br><br>    cv2.imshow(&quot;Kamera&quot;, frame)<br><br>    # 1 ms bekle, &#39;q&#39; tuşuna basılırsa çık<br>    if cv2.waitKey(1) &amp; 0xFF == ord(&quot;q&quot;):<br>        break<br><br>cap.release()<br>cv2.destroyAllWindows()</pre><ul><li>VideoCapture(0): Kamerayı açar. Video dosyası okumak istersen 0 yerine dosya yolunu yazarsın.</li><li>cap.read(): Bir kare okur ve (başarılı_mı, kare) döndürür.</li><li>waitKey(1): Her karede 1 ms bekler. 0 yazsaydık her karede tuş beklerdi ve video donardı.</li><li>cap.release(): Kamerayı serbest bırakır. Unutursan kamera başka programlarda açılmayabilir.</li></ul><p>Döngünün içine cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) ekleyerek canlı gri görüntü de alabilirsin.</p><p><em>(Not: </em><em>imshow gibi bu kod da Jupyter veya Colab&#39;da çalışmaz, yerel bir Python ortamında dene.)</em></p><h3>Bugün Ne Öğrendik?</h3><ul><li>ROI mantığını: bölgeyi belirle, kırp, işle</li><li>cv2.split ve cv2.merge ile kanalları ayırıp birleştirmeyi</li><li>cv2.resize&#39;ın boyutu (genişlik, yükseklik) istediğini ve interpolasyon seçimini</li><li>line, rectangle, circle ve putText ile görüntü üzerine çizim yapmayı</li><li>VideoCapture ile kameradan canlı video almayı</li></ul><p>Bir sonraki yazıda bitwise işlemlere (AND, OR, NOT, XOR), iki görüntüyü karıştırmaya, histogram analizine ve görüntü iyileştirmeye geçeceğiz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=27d6eab189c6" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[OpenCV ile İlk Adımlar: Görüntü Okuma, Renk Uzayları ve Piksel Erişimi (Bilgisayarla Görme Serisi…]]></title>
            <link>https://medium.com/@aleynacif5/opencv-ile-i%CC%87lk-ad%C4%B1mlar-g%C3%B6r%C3%BCnt%C3%BC-okuma-renk-uzaylar%C4%B1-ve-piksel-eri%C5%9Fimi-bilgisayarla-g%C3%B6rme-serisi-b8385bf33833?source=rss-4c7982e6ffcf------2</link>
            <guid isPermaLink="false">https://medium.com/p/b8385bf33833</guid>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[turkish]]></category>
            <category><![CDATA[bilgisayarla-görme]]></category>
            <dc:creator><![CDATA[Aleyna]]></dc:creator>
            <pubDate>Wed, 07 Oct 2026 16:23:54 GMT</pubDate>
            <atom:updated>2026-10-07T16:23:54.453Z</atom:updated>
            <content:encoded><![CDATA[<h3>OpenCV ile İlk Adımlar: Görüntü Okuma, Renk Uzayları ve Piksel Erişimi (Bilgisayarla Görme Serisi #3)</h3><h3>Giriş</h3><p>Geçen hafta kod yazmadan önce görüntü formatlarını, bilgisayarlı görmenin neden zor olduğunu ve görüntünün işlenme sürecini konuşmuştuk. Bu hafta sonunda kodlamaya geçiyoruz.</p><p>Bu yazıda OpenCV ile bir görüntüyü okumayı, ekranda göstermeyi, renk uzaylarını dönüştürmeyi ve tek tek piksellere erişmeyi deneyeceğiz. Her zamanki gibi bu yazıyı bir uzman olarak değil, aynı yolda ilerleyen bir öğrenci olarak yazıyorum.</p><h3>OpenCV Nedir?</h3><p>OpenCV (Open Source Computer Vision Library), bilgisayarlı görme için en yaygın kullanılan açık kaynaklı kütüphanedir. Python’da cv2 adıyla kullanıyoruz. Başlıca yetenekleri:</p><ul><li>Görüntü okuma ve yazma</li><li>Matris manipülasyonu (görüntü zaten bir sayı matrisi olduğu için)</li><li>Filtreleme</li><li>Derin öğrenme modülü (DNN)</li></ul><p>Kurulum için tek satır yeterli:</p><pre>pip install opencv-python matplotlib</pre><h4>Görüntüyü Okuma ve Gösterme</h4><p>Geçen haftaki bilgiyi hatırlayalım: bilgisayar için görüntü bir sayı matrisi. Şimdi bu matrisi dosyadan okuyup ekranda gösterelim.</p><p>python</p><pre>import cv2<br><br>img = cv2.imread(&quot;kedi.jpg&quot;)<br>cv2.imshow(&quot;Kedi&quot;, img)<br>cv2.waitKey(0)<br>cv2.destroyAllWindows()</pre><ul><li>cv2.imread: Görüntüyü matris olarak belleğe yükler. Dosya yolu yanlışsa hata vermez, sessizce None döner.</li><li>cv2.imshow: Görüntüyü bir pencerede gösterir.</li><li>cv2.waitKey(0): Bir tuşa basılana kadar bekler. Bu satır olmazsa pencere açılıp anında kapanır.</li></ul><h4>Matplotlib ile Karşılaştırma: BGR Tuzağı</h4><p>Görüntüyü matplotlib ile de gösterebiliriz. Ama burada küçük bir tuzak var. Seri #1&#39;de RGB’den bahsetmiştik, oysa <strong>OpenCV renkleri BGR (Mavi, Yeşil, Kırmızı) sırasıyla tutar</strong>. Matplotlib ise RGB bekler. Dönüştürmeden çizdirirsen mavi ile kırmızı yer değiştirir ve kedin tuhaf renklere bürünür.</p><pre>import matplotlib.pyplot as plt<br>plt.imshow(img)                                    # renkler ters<br>plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))   # doğru<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SpIzpc9dglS1lL3Lk1tKIQ.png" /></figure><h3>Renk Uzayı Dönüşümleri</h3><p>Seri #1&#39;de RGB ve HSV farkını konuşmuştuk. Şimdi bunları kodla görelim:</p><pre>gri = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)<br>hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)</pre><ul><li><strong>GRAY:</strong> Üç kanalı tek kanala indirir. Daha hızlıdır ve birçok algoritma renge ihtiyaç duymaz.</li><li><strong>HSV:</strong> Rengi (Hue), doygunluğu (Saturation) ve parlaklığı (Value) ayırır. “Kırmızı trafik lambasını bul” gibi renk tabanlı işlerde ışık değişimine karşı çok daha dayanıklıdır.</li></ul><p>Küçük bir hatırlatma: OpenCV’de Hue değeri 0–179 arasındadır, 360 değil.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kehrjpTfNIpLHty8wSTXYA.png" /></figure><h4>Görüntü Bir Matristir</h4><pre>print(img.shape)   # (480, 640, 3)<br>print(img.dtype)   # uint8</pre><ul><li>shape: (yükseklik, genişlik, kanal sayısı). Gri görüntüde kanal sayısı olmaz, sadece (yükseklik, genişlik) gelir.</li><li>dtype: uint8 her değerin 0-255 arasında olduğunu söyler.</li></ul><h4>Piksele Erişmek ve Rengini Değiştirmek</h4><p>Matris olduğuna göre bir piksele satır ve sütun numarasıyla ulaşabiliriz:</p><pre>piksel = img[100, 150]<br>print(piksel)                   # örn. [34 87 210] -&gt; B, G, R<br>img[100, 150] = [0, 0, 255]     # tek pikseli kırmızı yap<br>img[50:100, 50:100] = [255, 255, 255]   # bir bölgeyi beyaza boya</pre><p>Dikkat edilmesi gereken nokta: indeks sırası [y, x], yani <strong>önce satır, sonra sütun</strong>. Başlangıçta en çok karışan yer burası. Ayrıca çıkan değerin sırası B, G, R&#39;dir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*E0oucGQpNjCrs31AhdzFPw.png" /></figure><h3>Bugün Ne Öğrendik?</h3><ul><li>OpenCV’nin ne olduğunu ve neler yapabildiğini</li><li>imread, imshow ve waitKey ile görüntü okuyup göstermeyi</li><li>OpenCV’nin BGR, matplotlib’in RGB kullandığını ve bunun yol açtığı renk tuzağını</li><li>GRAY ve HSV dönüşümlerini</li><li>Görüntünün shape ve dtype ile bir matris olarak okunabildiğini</li><li>Piksele [y, x] ile erişip rengini değiştirmeyi</li></ul><p>Bir sonraki yazıda ilgi alanı bölgesi (ROI), kanal ayırma ve birleştirme, yeniden boyutlandırma, geometrik çizimler ve kameradan canlı videoya geçeceğiz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b8385bf33833" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kod Yazmadan Önce: Görüntü Formatları, Zorluklar ve Bilgisayarlı Görme Süreci (Bilgisayarla Görme…]]></title>
            <link>https://medium.com/@aleynacif5/kod-yazmadan-%C3%B6nce-g%C3%B6r%C3%BCnt%C3%BC-formatlar%C4%B1-zorluklar-ve-bilgisayarl%C4%B1-g%C3%B6rme-s%C3%BCreci-bilgisayarla-g%C3%B6rme-d18e0c37c05d?source=rss-4c7982e6ffcf------2</link>
            <guid isPermaLink="false">https://medium.com/p/d18e0c37c05d</guid>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[bilgisayarla-görme]]></category>
            <category><![CDATA[görüntü-i̇şleme]]></category>
            <category><![CDATA[turkish]]></category>
            <dc:creator><![CDATA[Aleyna]]></dc:creator>
            <pubDate>Sun, 04 Oct 2026 12:17:55 GMT</pubDate>
            <atom:updated>2026-10-04T12:17:55.919Z</atom:updated>
            <content:encoded><![CDATA[<h3>Kod Yazmadan Önce: Görüntü Formatları, Zorluklar ve Bilgisayarlı Görme Süreci (Bilgisayarla Görme Serisi #2)</h3><h3>Giriş</h3><p>Geçen hafta bilgisayarın bir görüntüyü nasıl “gördüğünü” konuştuk. Görüntünün aslında bir sayı matrisi olduğunu, pikselin parça, dijital görüntünün bütün olduğunu, RGB ile HSV farkını ve kameranın gözü olan CCD ve CMOS sensörleri ele almıştık.</p><p>Bu hafta OpenCV ile kod yazmaya geçmeden önce birkaç temel konuyu oturtmak istiyorum. Görüntüler dosyalarda nasıl saklanıyor? Bilgisayarlı görme insan için bu kadar kolay görünürken makine için neden bu kadar zor? Bir görüntü işlenirken hangi adımlardan geçiyor? Her zamanki gibi bu yazıyı bir uzman olarak değil, aynı yolda ilerleyen bir öğrenci olarak yazıyorum.</p><h4>Görüntü Dosya Formatları</h4><p>Kameradan çıkan görüntüyü bir dosyaya kaydederken farklı formatlar kullanılır. Dört tanesi karşımıza en sık çıkıyor: BMP, JPEG, PNG ve TIFF. Aralarındaki temel fark, görüntüyü nasıl sıkıştırdıkları.</p><ul><li><strong>BMP</strong>, piksel değerlerini matris olarak olduğu gibi kaydeder. Hiç veri kaybı yoktur ama dosyalar devasa olur.</li><li><strong>JPEG</strong>, insan gözünün fark edemeyeceği ince detayları atarak boyutu ciddi şekilde küçültür. Sıkıştırmayı artırdıkça görselde bozulmalar (artefakt) belirmeye başlar.</li><li><strong>PNG</strong>, kalite kaybı olmadan sıkıştırır ve arka planı şeffaf yapabilir. Keskin kenarlı metin ve grafiklerde en iyi tercihtir.</li><li><strong>TIFF</strong>, yüksek renk derinliği, katman ve çok sayfalı belge desteğiyle profesyonel iş akışlarının formatıdır. Günlük kullanım için fazla ağırdır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3ifb2hlWwVV_JV-66iYzRg.jpeg" /></figure><h4>Bilgisayarlı Görme Neden Zor?</h4><p>İnsan için bir arabayı tanımak zahmetsizdir. Ama bilgisayar için durum çok farklı. Biz çevremizi üç boyutlu, anlamlı ve bağlamıyla algılıyoruz. Bilgisayar ise sadece devasa bir sayı matrisi görüyor. Üstelik 3 boyutlu gerçek dünya, 2 boyutlu bir sensöre sıkıştırılıyor. Zorluğun dört ana kaynağı var.</p><ol><li><strong>Aydınlatma</strong></li></ol><p>Işık görüntünün temelidir ama aynı zamanda en büyük yanıltıcıdır. Güneş ışığı, gölge, loş ortam ya da yapay ışık, aynı nesnenin piksel değerlerini tamamen değiştirebilir. Parlak yüzeylerdeki yansımalar sensörde aşırı pozlanmaya yol açar ve detaylar tamamen kaybolur.</p><p>Bilgisayar için ışık değişince renk matrisi de değişir. Sonuç olarak algoritma, farklı ışıkta duran aynı nesneyi “farklı bir nesne” sanabilir.</p><p><strong>2. Bakış Açısı</strong></p><p>Bir nesneye önden, yukarıdan ya da yandan bakmak çok farklı görüntüler üretir. Yukarıdan çekilmiş bir araba fotoğrafı ile profilden çekilmiş olanın piksel dizilimleri tamamen farklıdır. Bilgisayarın bu 2 boyutlu görüntülerin aslında aynı 3 boyutlu nesneye ait olduğunu anlayabilmesi için rotasyon, ölçekleme ve perspektif düzeltmeleri gerekir.</p><p><strong>3. Kapanma</strong></p><p>Gerçek dünya sahneleri nadiren tek bir nesneden oluşur. Bir direk yayanın önünde durabilir, bir sandalye masanın arkasında kalabilir. Kamera yalnızca o an görünen pikselleri kaydeder. Bilgisayarın görünmeyen kısmı bağlamdan tahmin etmesi gerekir ki bu da yüksek düzeyde anlamsal çıkarım gücü ister.</p><p><strong>4. Deformasyon</strong></p><p>Her nesne bina ya da masa gibi katı değildir. İnsan vücudu, hayvanlar, kumaşlar, bitkiler sürekli şekil değiştirir. Yürüyen birinin kolları ve bacakları her adımda farklı konumdadır, rüzgârda dalgalanan bir bayrak sürekli form değiştirir. Sabit şablonlar bu tür esnek nesneleri yakalamakta yetersiz kalır, bu yüzden sistemlerin daha dinamik modeller kullanması gerekir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eSdfboLGhtp-A_B61m88xg.png" /></figure><h4>Bilgisayarlı Görme Süreci</h4><p>Geçen hafta “algıla → anla → karar ver” zincirinden bahsetmiştik. Bu zincirin biraz daha ayrıntılı hali şöyle:</p><p><strong>Görüntü yakalama → Önişleme → Özellik çıkarma → Karar verme</strong></p><ul><li><strong>Görüntü yakalama:</strong> Sensör (CCD veya CMOS) ışığı toplar ve dijital görüntüyü üretir. Bu adım “algıla” kısmına karşılık gelir.</li><li><strong>Önişleme:</strong> Ham görüntüdeki gürültü temizlenir, görüntü iyileştirilir. Sonraki adımlar böylece daha sağlıklı çalışır.</li><li><strong>Özellik çıkarma:</strong> Görüntüden anlamlı bilgiler (kenarlar, renkler, şekiller vb.) çıkarılır.</li><li><strong>Karar verme:</strong> Çıkarılan özelliklere bakılarak sonuca varılır: “Bu bir yaya, fren yap” ya da “Bu yüz sahibine ait, kilidi aç.”</li></ul><p>Son iki adım “anla” ve “karar ver” kısımlarını oluşturuyor. Önişleme ise görüntü işlemenin devreye girdiği yer. Geçen hafta anlattığım gibi görüntü işleme çoğu zaman bilgisayarlı görmenin ilk adımıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VUHGAn9shnbyeEkf5X-VGw.png" /></figure><h4>Klasik Yaklaşım ve Derin Öğrenme</h4><p>Bu sürecin “özellik çıkarma” adımını iki farklı felsefeyle yapmak mümkün.</p><p><strong>Klasik yaklaşımda</strong> özellikleri insan tasarlar. Mühendis “kenarlara bak”, “şu renk aralığını ara”, “şu şekli eşle” diye algoritmaya ne arayacağını tek tek söyler. Kontrollü ortamlarda hızlı ve açıklanabilirdir, ama aydınlatma, bakış açısı gibi yukarıda saydığımız zorluklar karşısında kolayca zorlanır.</p><p><strong>Derin öğrenmede</strong> ise model, özellikleri verilerden kendisi öğrenir. Elle kural yazmak yerine binlerce örnek verilir, sistem neye bakması gerektiğini kendi bulur. Bu sayede çeşitli koşullara çok daha iyi uyum sağlar, karşılığında çok veri ve işlem gücü ister.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*caqfyErNWP_z4FPrL6vuZQ.png" /></figure><h3>2026&#39;da Uygulama Alanları</h3><p>Bilgisayarlı görme artık laboratuvarlardan çıkıp hayatın her yerine girdi:</p><ul><li><strong>Sağlık:</strong> Röntgen, MR ve tomografi görüntülerinde hastalık tespitine yardımcı olmak.</li><li><strong>Otonom araçlar:</strong> Yayaları, şeritleri ve trafik işaretlerini algılayıp fren ya da direksiyon kararı vermek.</li><li><strong>Güvenlik ve kimlik doğrulama:</strong> Telefonlardaki yüz tanıma, güvenlik kameralarında olay tespiti.</li><li><strong>Tarım:</strong> Drone görüntülerinden ürün sağlığını ve hastalıkları izlemek.</li><li><strong>Endüstri:</strong> Üretim hattında hatalı ürünleri otomatik ayıklamak.</li></ul><p>Bu alanların çoğunda CMOS sensörler, düşük maliyet ve hızlarıyla işin temelini oluşturuyor.</p><h4>Bugün Ne Öğrendik?</h4><ul><li>BMP, JPEG, PNG ve TIFF formatlarının sıkıştırma ve kullanım farklarını</li><li>Bilgisayarlı görmenin aydınlatma, bakış açısı, kapanma ve deformasyon yüzünden neden zor olduğunu</li><li>Görüntü yakalama → önişleme → özellik çıkarma → karar verme sürecini</li><li>Klasik yaklaşım ile derin öğrenmenin temel farkını</li><li>Bilgisayarlı görmenin günlük hayattaki uygulama alanlarını</li></ul><p>Bir sonraki yazıda artık kodlamaya geçiyoruz. Python ve OpenCV ile bir görüntüyü okumayı, ekranda göstermeyi, renk uzaylarını dönüştürmeyi ve piksellere erişmeyi deneyeceğiz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d18e0c37c05d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Bilgisayar Bir Görüntüyü Nasıl Görür? (Bilgisayarla Görme Serisi #1)]]></title>
            <link>https://medium.com/@aleynacif5/bilgisayar-bir-g%C3%B6r%C3%BCnt%C3%BCy%C3%BC-nas%C4%B1l-g%C3%B6r%C3%BCr-bilgisayarla-g%C3%B6rme-serisi-1-1004212e5503?source=rss-4c7982e6ffcf------2</link>
            <guid isPermaLink="false">https://medium.com/p/1004212e5503</guid>
            <category><![CDATA[görüntü-i̇şleme]]></category>
            <category><![CDATA[bilgisayarla-görme]]></category>
            <category><![CDATA[turkish]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Aleyna]]></dc:creator>
            <pubDate>Wed, 30 Sep 2026 13:25:22 GMT</pubDate>
            <atom:updated>2026-09-30T13:25:22.282Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Giriş</strong></h3><p>Bu dönem bilgisayarla görme (computer vision) dersi alıyorum. Öğrendiklerimi pekiştirmek ve aynı yolda olan başkalarına faydalı olmak için her dersin ardından buraya bir yazı bırakmaya karar verdim. Bu seriyi bir uzman olarak değil, aynı süreçten geçen bir öğrenci olarak yazıyorum.</p><h3>Bilgisayarla Görme Nedir?</h3><p>Bilgisayarla görme, makinelerin görüntülerden <strong>anlam çıkarmasını</strong> sağlayan alandır.</p><p><strong>Algıla → Anla → Karar Ver</strong></p><p>Kritik nokta şu: iş sadece görüntüyü yakalamak değil, gördüğünü yorumlayıp bir eyleme dönüştürmek. Telefonunun kilidini açan yüz tanıma sistemi bunu yapar: yüzünü algılar, senin yüzün olup olmadığını anlar ve kilidi açıp açmayacağına karar verir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Bn82UuNA-tf3VDvdiKIFCg.png" /></figure><h4>Bilgisayar Görüntüyü Nasıl “Görür”?</h4><p>Bir fotoğrafa baktığında saniyeler içinde bir kedi, bir arkadaşın ya da bir gün batımı görürsün. Bilgisayar aynı fotoğrafa baktığında ise <strong>hiçbir şey görmez.</strong> Onun için görüntü, sayılardan oluşan devasa bir tablodur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ita1epyaJ2v0fhFapyRSrQ.png" /></figure><h3><strong>Piksel</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ci0Dkju4IDeZpKeWbaFmLg.png" /></figure><p>Her dijital görüntü, piksel adı verilen çok küçük karelerden oluşur. Görüntüyü yeterince yakınlaştırırsan bu kareleri bir mozaik gibi görebilirsin. <strong>Piksel</strong>, görüntüyü oluşturan en küçük bağımsız renk ve parlaklık yapı taşıdır.</p><h3><strong>Dijital Görüntü</strong></h3><p>Dijital görüntü ise bu piksellerin yan yana gelmesiyle oluşan bütündür. Bilgisayar açısından bakarsak bu, M × N boyutunda bir sayı matrisidir (M satır, N sütun). Kısacası piksel parçadır, dijital görüntü o parçaların oluşturduğu bütündür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jyWcttTzgdx1q0GiFsMnmg.png" /></figure><p>Renkli görüntülerde her piksel üç sayıyla temsil edilir: <strong>Kırmızı (R), Yeşil (G) ve Mavi (B)</strong> yoğunlukları. Bu değerler genellikle 0 ile 255 arasındadır:</p><ul><li>(255, 0, 0) → saf kırmızı</li><li>(0, 0, 0) → siyah</li><li>(255, 255, 255) → beyaz (fotoğraf)</li></ul><p>Buradan çarpıcı bir sonuç çıkıyor: 1920×1080 çözünürlüklü bir fotoğraf yaklaşık<strong> </strong>6,2 milyon sayıdan<strong> </strong>oluşuyor. Sen bir gün batımı görüyorsun, bilgisayar ise bu sayı yığınını. Bilgisayarla görmeyi zor ve ilginç yapan da bu fark. Makine, bizim anlık yaptığımız anlamlandırma işini adım adım ve matematiksel olarak yapmak zorunda.</p><p><strong>Renk Uzayları: RGB ve HSV</strong></p><p>RGB, ekranların çalışma mantığına uygun olduğu için çok yaygındır. Ama her iş için ideal değildir. RGB’de renk bilgisi ile parlaklık bilgisi iç içe geçmiştir. Ortamdaki ışık azaldığında ya da arttığında nesnenin rengi aynı kalsa bile R, G ve B değerlerinin hepsi birden dramatik şekilde değişir. Bu yüzden “kırmızı bir trafik lambasını bul” gibi bir görevi RGB ile çözmek zorlaşır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zdeFD_sMMxrMebQZRY3BmA.png" /></figure><p>Burada <strong>HSV (Hue, Saturation, Value)</strong> devreye girer. HSV, renkleri insan gözünün algılama biçimine daha yakın temsil eder ve üç bileşenden oluşur:</p><ul><li><strong>Hue (Renk Tonu):</strong> Rengin ait olduğu aileyi belirler (kırmızı, yeşil, mavi, sarı…). Renk çemberi üzerinde 0° ile 360° arasında bir açı olarak düşünülür. Örneğin 0° kırmızıya, 120° yeşile, 240° maviye karşılık gelir. (OpenCV gibi kütüphaneler bu değeri 0–179 arasına ölçekler.)</li><li><strong>Saturation (Doygunluk):</strong> Rengin ne kadar saf ya da soluk olduğunu gösterir. Doygunluk düştükçe renk grileşir, arttıkça canlılaşır.</li><li><strong>Value (Parlaklık):</strong> Rengin ne kadar aydınlık ya da karanlık olduğunu belirler. 0 tamamen siyahtır.</li></ul><p>HSV’nin avantajı şu: renk bilgisi (Hue) aydınlık değişimlerinden büyük ölçüde bağımsızdır. Işık artsa, azalsa ya da gölge düşse bile bir nesnenin Hue değeri büyük oranda sabit kalır. Bu sayede:</p><ul><li><strong>Renk tabanlı nesne takibi</strong> çok daha kararlı olur (sarı bir topu, turuncu bir koniyi ya da insan cildini farklı ışıklarda yakalamak gibi).</li><li><strong>Eşikleme</strong> kolaylaşır. RGB’de renk aralığı tanımlamak zordur, HSV’de ise sadece Hue’ya bir aralık vermek yeterlidir (“şu tonlardan şu tonlara kadar olan yeşiller” gibi).</li></ul><p><strong>Görüntü İşleme mi, Bilgisayarla Görme mi?</strong></p><p>Bu iki kavram sık karıştırılır ama aralarında net bir fark var:</p><p><strong>Görüntü işleme (image processing)</strong>, bir görüntüyü değiştirmek ya da iyileştirmektir. Girdi de çıktı da görüntüdür. Örneğin bir fotoğrafı siyah-beyaz yapmak, parlaklığını ayarlamak ya da gürültüsünü azaltmak.</p><p><strong>Bilgisayarla görme (computer vision)</strong> ise görüntüden anlam çıkarıp karar üretmektir. Çıktı artık bir görüntü değil, bir bilgi ya da eylemdir. Örneğin:</p><ul><li><strong>Face ID:</strong> Karşımdaki yüz sahibin mi, kilit açılsın mı?</li><li><strong>Otonom araç:</strong> Önümdeki şey bir yaya mı, fren yapmalı mıyım?</li></ul><p>Görüntü işleme genellikle bilgisayarla görmenin ilk adımıdır. Ham veriyi, anlam çıkaran algoritmaların daha rahat işleyebileceği hale getirir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EsugebX6_WG2zjFX9xmK9Q.png" /></figure><p><strong>İnsan Gözü ve Kamera</strong></p><p>İnsan gözü de kamera da aynı temel prensibe dayanır: ışığı algılayıp işlemek. Ama bunu farklı mekanizmalarla yaparlar. İnsan gözü ışığı retinadaki çubuk ve koni hücreleriyle algılar ve merceğinin şeklini değiştirerek odaklanır. Kameralar ise CCD ya da CMOS sensörlerle ışığı yakalar ve odaklanmak için merceği mekanik ya da elektronik olarak hareket ettirir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vRZp-vNzRk31sW1ca7Cv6g.png" /></figure><p>Bir fark daha var: dinamik aralık. Göz, karanlık ve aydınlık arasındaki geçişleri çok daha geniş bir aralıkta yönetebilir. Karanlık bir odadan dışarı çıktığında birkaç saniye içinde uyum sağlaman bunun bir örneği. Kameralarda bu aralık daha dardır. Bu yüzden bazı fotoğraflarda gökyüzü yanmış gibi bembeyaz çıkar, yerdeki detaylar ise kararır.</p><p><strong>Kameranın Gözü: CCD ve CMOS Sensörler</strong></p><p>Kameranın “retinası” sensördür. Günümüzde iki ana tür var.</p><p><strong>CCD (Charge-Coupled Device)</strong></p><ul><li>Yüksek maliyetli ama düşük gürültülü, temiz görüntü üretir.</li><li>Enerji tüketimi yüksektir.</li><li>Tıp ve astronomi gibi hassasiyetin kritik olduğu alanlarda tercih edilir.</li><li>Eski ama güvenilir bir teknolojidir.</li></ul><p><strong>CMOS (Complementary Metal Oxide Semiconductor)</strong></p><ul><li>Modern endüstrinin standardıdır.</li><li>Düşük enerji tüketimi, yüksek hız ve düşük maliyet sunar.</li><li>Cep telefonlarından otonom araçlara kadar hemen her yerde kullanılır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bneJPK0ImGl0SdnmOS5NEw.png" /></figure><p>2026 itibarıyla maliyet ve performans dengesi sayesinde CMOS, günlük hayattaki görüntüleme cihazlarının büyük çoğunluğunda karşımıza çıkıyor.</p><p><strong>Bugün Ne Öğrendik?</strong></p><ul><li>Bilgisayarla görmenin algıla → anla → karar ver zinciri olduğunu</li><li>Bir görüntünün bilgisayar için sadece bir sayı matrisi olduğunu</li><li>Piksel ile dijital görüntü arasındaki parça-bütün ilişkisini</li><li>RGB ve HSV farkını ve HSV’nin ışık değişimlerinde neden avantajlı olduğunu</li><li>Görüntü işleme ile bilgisayarla görme arasındaki farkı</li><li>İnsan gözü ile kameranın çalışma prensibindeki farkı</li><li>CCD ve CMOS sensörlerin avantaj ve dezavantajlarını</li></ul><p>Bu yazıda görüntünün bilgisayar için ne anlama geldiğini ve bu görüntünün bir sensör aracılığıyla nasıl yakalandığını konuştuk. Bir sonraki yazıda, yakalanan bu görüntüden bilgisayarın nasıl anlam çıkardığına, yani klasik görüntü işleme yöntemlerinden derin öğrenmeye geçişe bakacağız.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1004212e5503" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>