Görüntü İşleme (Image Processing)— Bilgisayarlı Görü (Computer Vision) Konusunda Uzmanlaşmak için Yol Haritası 😎

Üniversitede okuyan veya yeni mezun arkadaşlar Görüntü İşleme ve Bilgisayarlı Görü alanlarında çalışmak ve uzman olabilmek için ne öğrenmesi ve ne yapması gerektiğini soruyorlar. Görüntü işleme, bilgisayarlı görü (computer vision), makine öğrenmesi (machine learning), Python, C++, OpenCV, Keras, derin öğrenme (deep learning), Linux, Ubuntu, CNN,…. bir sürü kavram içerisinde kendilerine bir yol çizmek istiyorlar. Genelde kafaları karışmış görünüyorlar. Bu çok doğal 😊 Bir de birine ne yapmaları gerektiklerini sorduklarında “bu, ne iş yapmak istediğine bağlı” gibi sinir bozucu bir cevap gelince kafa karışıklığına bir de sinir bozukluğu ekleniyor. 😅

Bu konuda yaklaşık 8 yıldır çalışan biri olarak ben de bu aşamalardan geçtiğim için bu yazıyı yazdım. Umarım faydalı olur.

Önce şu kavramları kısaca netleştirelim ki nerede olduğumuzu bilelim.

Algoritma: Bir problemin çözümü veya bir işi gerçekleştirmek için tasarlanan sıralı işlemlerdir. Bunu bilmeyeni dövüyorlar zaten 😛

Determinist Algoritmalar: Aynı veriler (burada görüntü diyoruz) üzerine aynı işlemleri uyguladığımızda hep aynı sonuçları veren algoritmalardır. Örneğin: sıralama algoritmaları. Bir sıralama algoritmasına belli bir sayı kümesini verirsiniz sayıları sıralar. Siz sayıların yerini değiştirseniz bile o hep aynı sonucu verir. Hatta sayıları değiştirseniz bile o yine sıralama işlemini yerine getirir. İşte bu nedenle sıralama algoritmaları determinist algoritmalardır. Matematikteki kesinleşmiş formüller gibidir. Öyle kafasına göre rastgele sonuçlar üretmezler, tutarlıdır.

Stokastik Algoritmalar: Determinist algoritmaların aksine, rastgelelik içerir. Daha çok istatistiki algoritmalardır diyebiliriz. İşte bu algoritmalarda evreni/uzayı temsil eden veriler içinden bir örnek (sample/dataset) alırız ve onunla geneli anlamlandırmaya çalışırız. Samle dediğimiz veriler algoritmaların yaptığı işi doğrudan etkiler. Örneğin: makine öğrenmesi algoritmaları…

Makine Öğrenmesi (Machine Learning): Belli bir veri kümesi üzerinde (dataset) matematiksel ve istatistiki yöntemleri kullanarak ihtiyaca özgü bir model üretmektir. Buradaki modeli, bir matematiksel fonksiyon olarak düşünebilirsiniz. Yani bir problem var ve biz bu problemi çözen bir fonksiyon üretmek istiyoruz. Örneğin: bir fotoğraftaki yemeğin sosisli olup olmadığını anlayan bir algoritma geliştiriyoru. Elimizde bir sürü sosisli görüntüsü ve sosisli-olmayan yemek görüntüsü var. Bu veriler yardımıyla genel geçer bir fonksiyon üretip onu kullanmak istiyoruz.

Görüntü İşleme (Digital Image Processing): “Gülümseee” deyip deklansöre bastınız. Sevdiklerinizin üzerinden gelen ışık hüzmesi önce kameranın lenslerinden kırıldıktan sonra dijital sensörle kavuşur. Sensör, bu ışığı elektrik sinyallerine dönüştürür ve bizim görüntü dediğimiz dosya oluşur. Sonra biz bu dijital görüntü üzerinde analizler yaparak ihtiyaca uygun bilgiler çıkarırız. İşte bu sürece görüntü işleme denir. Buradaki sensör tabii ki kamera sensörüdür.

Bilgisayarlı Görü (Computer Vision)

İnsan gözünün yaptığını bilgisayara yaptırma uğraşıdır.

Aslında çok disiplinli bir iştir. Sinyal işlemeden fiziğe, matematikten görüntü işlemeye kadar birçok konudaki bilgiyi birlikte kullanan bir disiplindir.

Not: Makine öğrenmesi yapay zekanın bir alt koludur.

Edge — Bulut (Cloud) Çözümler: Bilgisayarlı görü problemleri kimi zaman üzerinde işlemcisi olan lokal bir cihazda çözülür, buna edge çözümler denir. Kimi cihazlar ise yalnızca görüntüyü elde eder, asıl işlemi gerçekleştirecek işleri buluttaki bir sunucuya görüntüyü gönderir ve algoritmanın sonucu lokaldeki cihaza gönderilir buna da bulut çözümü denir. Bir problemin lokalde mi bulutta mı çözüleceği önemli bir sorudur. Kullanılacak algoritmalardan seçilecek lense kadar birçok şeyi değiştirebilir.

Bu kadar gevezelik yeter. Şimdi gelelim bilgisayarlı görü konusunda uzmanlaşmak için ne bilmek gerekiyor sorusuna.

1. Programlama Dili

Her yiğidin bir yoğurt yiyişi vardır. Ben bilgisayarlı görü algoritmaların hızlı tasarlanması, geliştirilmesi ve algoritmanını düzgün çalışıp çalışmadığının doğrulanması için Python programlama dilini kullanıyorum. Hız ve esneklik sağlıyor. Ancak iş ürüne döndüğünde C++ dili çoğu zaman kaçınılmaz oluyor.

Eğer mobil bir uygulama üzerinde görüntü işleme yapılacaksa platformuna göre Objective-C / Swift (iOS) ve Java / Kotlin (Android) da kullanılıyor. Ancak onlar da gerek Objective-C Bridge gerekse Android JNI ile C++ kütüphanelerine erişebiliyor.

Endüstriyel görüntü işleme uygulamalarında ise Türkiye’de Microsoft ürünlerinin büyük bir ağırlığı var. En azından bilgisayarlı görü uygulamasının çalışacağı sistem çoğunlukla Windows işletim sisteminde çalışmak zorunda kalıyor. Bu nedenle eğer endüstriyel işlerle uğraşılacaksa C# diline de aşina olmak gerekir.

2. Temel Görüntü İşleme Terimleri ve Algoritmaları

İşimiz görüntü olacaksa bununla ilgili kavramları bilmemiz gerekir. Piksel nedir? Görüntü nedir, nasıl elde edilir? Çözünürlük nedir? DPI nedir? Bu megapiksel çok önemli bir şey midir? gibi soruları yanıtlıyor olmanız gerekir.

Temel görüntü işleme algoritmaları vardır. Unutmayın! Makine Öğrenme algoritmaları çağımızda ne kadar kolay uygulanabilse de bazen çok maliyetli çözümler üretiyor. İşte bu noktada temel görüntü işleme algoritmalar adeta bir can simiti görevi görüyor.

Piksel işlemleri (komşuluk işlemleri, dönüştürme, vs.), görüntü iyileştirme, görüntü düzeltme, renkli görüntü işleme metodları, morfolojik operasyonlar, görüntü sıkıştırma yöntemleri gibi yöntemleri bilmek gerekiyor. Her ne kadar internette çok kaynak olsa da ben şu iki kitabı okumanızı tavsiye ediyorum:

• Digital Image Processing, Rafael C Gonzalez, Richard E Woods
• Digital Image Processsing, S. Sridhar

3. Bilgisayarlı Görü Yazılım Kütüphaneleri

Çoğunlukla görüntüleri hamal gibi salt programlama dilinin yöntemleriyle işlemeyiz, kütüphaneler kullanırız. Tabii ki alet çantamızın en güzel yerini OpenCV’ye ayırıyoruz. 😁

OpenCV açık kaynak kodlu bir kütüphanedir. Gerek piyasada gerekse akademide çoğunlukla tercih ediliyor. Tabii OpenCV yalnız değil. İşin rengine göre farklı kütüphaneler de devreye girebiliyor. Örneğin endüstriyel görüntü işlemede Halcon kütüphanesi yaygın bir biçimde kullanılmaktadır. Ancak OpenCV’yi iyi bilirseniz diğerlerine hızlıca adapte olabilirsiniz. 😉

Şunu da dile getireyim. Görüntü işlemeyle ilgili problemleri çözmeye başladıkça ister istemez makine öğrenmesi tabanlı çözümleri de merak edeceksiniz. O aşamada farklı kütüphanelerle karşılaşacaksınız. Ona sonra değineceğim.

4. İşletim Sistemi

Türkiye’de Windows’la büyüdük. Windows’ta da görüntü işleme yapılabilir tabii😜 Ama Linux’u öğreniniz, öğretiniz. Genellikle edge computing uygulamalarında Linux tabanlı işletim sistemleri kullanılıyor. Belki hiç kullanmayacaksınız ama öğrenin. Bir işletim sisteminin nasıl çalıştığını bir yazılımcı olarak daha iyi hissedersiniz.

5. Kamera Bilgisi

Görüntü işleme kamerada başlar.

Bu sözü hiç unutmayın. Bizim malzememiz görüntü. Görüntünün elde edilmesi, görüntü işlemenin en kritik adımıdır. Bazen öyle net bir görüntü elde edersiniz ki, algoritma tarafına çok az iş düşer. Bazen flu bir görüntü avantaj da sağlayabilir. Probleme bağlı. İşte bu nedenle problemi iyi anlamanız ve kullanacağınız kamera sensörünün seçimi çok önemli.

Bir kere kullacağınız görüntü ne görüntüsü olacak? Termal görüntü mü, yoksa hiperspektral bir görüntü mü? Yoksa düz RGB türünde bir görüntü mü? Bu sensör seçiminin en ilkel ama en temel kriteridir. Sensörün ürettiği görüntünün boyutu, çözünürlüğü ve görüntüyü elde etme hızı da önemli diğer kriterlerdir.

Bu arada temel fotoğrafçılık konusunda da bilgi sahibi olmanızda yarar var. Diyafram (aperture), deklanşör hızı (enstantane- shutter speed) and iso terimlerini öğrenip tecrübe ediniz.

Bir arkadaşım iyi bir fotoğrafçıydı. Ben kod tarafında bir nesneyi temel görüntü işleme yöntemleriyle tespit etmeye çalışırken herif kamerayı öyle bir ayarlamıştı ki nesne kabak gibi ortaya çıkmıştı. Sonra 3 satır kod yazıp nesneyi tespit edebilmişti. 😁

Tabii iş sadece kamerayla bitmiyor…

6. Lens ve Bilgisi

Gözünüzü düşün. Gözünüze gelen ışık korneanın arkadasındaki lensten geçerek ışık demetini retinaya odaklar. Retina da beyne iletir. İşte kamerada da lensler ışık demetini sensöre odaklar.

Bir projede kimi zaman geniş açı görüntü elde etmek isteriz. İşte o an geniş açılı bir lens kullanırız ki etraftaki daha fazla ışığı sensöre iletsin. Bazen de hiç lens kullanmadan kamera sensörünü bir mikroskop gibi de kullanabiliriz.

Kimi zaman güneş ışığı parlak bir görüntü oluşmasına neden olabilir. İşte bu durumda polarize filtre dediğimiz bir filtreyi lensin önüne yerleştirip istediğimiz görüntüyü elde edebiliriz.

Lens konusunda paniklemeyin. Zamanla projelerde deneye yanıla en uygun lensi seçmeyi öğreneceksiniz.

7. Işık Bilgisi

Işık, temel görüntülerin oluşmasındaki en önemli faktördür. Işık olmasa görüntü olmaz diyebiliriz. Termal görüntülerde bu enerji halini de alabilir. Sonuç olarak nesneler bir enerji yayar ve kamera sensörü bu enerjiyi/ışığı toplar ve işler.

Bazı projelerde ışık kaynağını doğru seçmek önemli bir avantaj yağlar. Örneğin: bir nesneyi veya bir nesnenin üzerindeki deformasyonu tespit etmek istiyoruz. Kameramızı uygun konuma yerleştirdik. Uygun lensleri seçtik. Ancak yine de görüntü istenilen düzeyde düzgün elde edilemeyebilir. Bu durumda amaca uygun bir ışık kaynağı tercih edilmelidir.
Tespit edilecek durum veya nesne hangi dalga boylarındaki ışığı yansıtır?
Yüzey hangi dalga boylarındaki ışığı absorbe eder?
Bu sorulara cevap vererek, çoğunlukla da deneme yanıma yöntemiyle, nesnenin veya deformasyonun tabiri caizse kapak gibi meydana çıkmasını sağlayabiliriz.

Deneme yanılma bizim işin doğasında var.

Ayrıca ışık kaynağının maliyeti de önem arzetmektedir. Ancak bu konuya girmeyeceğim.

8. Makine Öğrenmesi

Makine Öğrenmesi (veya Yapay Öğrenme) stokastik algoritmalar sınıfına girer. 80'lerden beri var olsalar da son yıllarda hesaplama gücü yüksek bilgisayarların çoğalmasıyla bu algoritmalar uygulanabilir hale gelmiştir. Temel olarak üç farklı türü vardır denilebilir: supervised learning (gözetimli öğrenme), unsupervised learning (gözetimsiz öğrenme) ve reinforcement learning (pekiştirmeli öğrenme).

Bu yazının amacı bu konuyu açıklamak olmadığı başka yerlerden bunula ilgili araştırmalar yapabilirsiniz. Zaman içerisinde ben de bu konuda yazılar paylaşmayı umuyorum.

Bir bilgisayarlı görü mühendisi, makine öğrenmesi temellerini bilmelidir. Teorik altyapısını öğrenmek belki zaman alacaktır. Anlamak yetmeyecek, içselleştirmek gerekecektir. Çok fazla emek vermek gerekecektir. Bununla birlikte olasılık, istatistik, lineer cebir gibi okulda “bunlar gerçek hayatta ne işe yarayacak” sorularının cevabını bulacağınız bir konudur.

9. Derin Öğrenme

Derin öğrenme, makine öğrenmesinin evrim sürecinin son basamağıdır. Son yıllarda oldukça popülerdir. Büyük görüntü/video verileriyle birçok zor problem daha etkili bir biçimde çözülebilmiştir. Convolutional Neural Network (CNN), derin öğrenmeyle ilgilidir. Temel olarak daha geniş ve katmanlı yapay sinir ağlarıyla problemlere daha optimum çözümler üretebilmektedir. Burada bu büyük mimarileri tasarlamak için Tensorflow, PyThorch, Keras gibi kütüphaneler yaygın olarak kullanılıyor.

Derin öğrenme bilmeyeni dövüyorlar.

Baştan uyarayım! Piyasada YALNIZCA derin öğrenme konusundaki tecrübenizle bir iş bulabilirsiniz. Ancak bu tek başına sizi iyi bir bilgisayarlı mühendisi yapmaz. Ancak bu kasınızı da güçlendirmeniz sizi çağdaş bir mühendis yapar.

Kimi projelerde derin öğrenme kullanamazsınız. Özellikle de algoritmaların koşacağı donanım çok kısıklı kaynağa sahipse. Kimi mühendisler derin öğrenme bildiği için bu yöntemi kullanmadan duramıyor. “Elinizde çekiç varsa her şeyi çivi gibi görebilirsiniz.” Bu yanılgıya düşmemek lazım.

SONUÇ

Yukarıda saydığım tüm konularda bilgi sahibi olmanız sizi iyi bir bilgisayarlı görü mühendisi yapar. Ancak bu hemen olamaz. Mümkün olduğunca bir çok projede yer almak, problemleri anlamaya ve kısıtları daha iyi analiz etmenize yardımcı olacaktır. Bu da doğal olarak kariyerinizde zaman alabilir.

Takip Etmenizi Önerdiğim Site ve Bloglar

1. https://opencv.org/
2. https://learnopencv.com/
3. https://www.pyimagesearch.com/
4. https://viso.ai/blog/
5. https://ai.googleblog.com/search/label/Computer%20Vision
6. https://research.fb.com/category/computer-vision/
7. https://medium.com/deep-learning-turkiye

Bir bilgisayarlı görü projesinin aşamalarını öğrenmek istiyorsanız Bir Bilgisayarlı Görü Projesinin Anatomisi yazısını okumanızı tavsiye ederim. 😉

Soru ve önerileriniz için yorum yapabilirsiniz. Linkedin’den yazabilirsiniz.

Tamamen kendimin uydurduğu bir kavramdır. İnsanın kendi söylem ve eylemlerini sürekli olumsuz eleştirme halidir. Kendini sürekli olumlu eleştirme veya kendine aşık olma halinin tersidir. “Şöyle söylesem daha iyi olabilirdi” veya “böyle davransaydım daha anlamlı olurdu” gibi sözleri kişinin kendi içinde çokça kullanmasıdır. Özgüven eksikliğiyle veya pişmanlıkla karıştırılmamalıdır. Çünkü bu kişiler ne eyleme geçmekten korkarlar ne de geçmişe takılı kalırlar. Bu hastalık çoğunlukla gizli, içten ve yorucu bir mükemmeliyetçililikle birlikte görülür. “Her ne ararsan kendinde ara kudüste mekkede hacda değildir*” diyerek okları önce kendine doğrultma halidir. Hasta kişi, “suçu toplum hazırlar suçlu işler**” sözüne de inanır. Suçu işleyen kolay kolay suçlu demez; toplumda ve kendinde de suçtan biraz pay bulur. Suçu işleyeni hor görmez, ötekileştirmez.

Birçok insana göre erdemli bir davranış gibi gelebilir ama esasen bir derttir, acı verir. Çünkü çoğunlukla toplumla aynı düzlemde uyuşamaz bu tür insanlar. Topluma göre normal olmama halidir. Bunu bir örnekle açıklayayım: ayakları olmadığı için yollarda yürüyemeyen kişiye nasıl “engelli” deniliyorsa, topluma göre merceği biraz daha kısan ve detayları gören bu aşırı özeleştiri hali de bir toplumla bütünleşmede bir “engeldir”.

Tedavi

Tedavi 1: Önce empati yalanını bir kenara bırakmalı bu hastalığa tutulan kişi. Kimse kimsenin acısını değil tam anlamak, yakınından bile geçemez. Sonsuzda bile bir araya gelmez hissedilenler.

Tedavi 2: Şunu bil: her zaman karşındaki kişiye konuyu yanlış anlatmamışsındır. Bazen karşındaki yanlış anlamıştır veya kötü niyetlidir. Ayık iki insanın aynı şeyleri konuşup kavga ettiğini görebildiğimiz gibi sürekli farklı konuları konuşup sonunda yine anlaşıp birbirlerine sarılan sarhoşları da görebiliriz. Ya da yanlış ifade etmemize rağmen bizi anlayan güzel insanlar olduğu gibi en ince kelimelerine kadar özene bezene kurduğumuz cümlelere rağmen bizleri yanlış anlayan veya anlayamayan(!) hesapları olan insanlar da vardır.

Tedavi 3: Yakın arkadaşlarınıza içinizi dökün. Hiç yakın arkadaşınız yoksa özeleştiri yapmaya devam edebilirsiniz. Tedavinin Yan Etkileri Bazı hastalar zamanla tüm sorumluluğu ve hataları karşıya atabiliyor. Bunun için Tedavi 2'ye çok kaptırmamak gerekir.

* Hacı Bektaş-ı Veli
**Henry Thomas Buckle