<?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 Helin İnceoğlu on Medium]]></title>
        <description><![CDATA[Stories by Helin İnceoğlu on Medium]]></description>
        <link>https://medium.com/@helinozgur?source=rss-9828d4177163------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*AJjJ3c1GwO3ZQUkUJk7LeQ.jpeg</url>
            <title>Stories by Helin İnceoğlu on Medium</title>
            <link>https://medium.com/@helinozgur?source=rss-9828d4177163------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 01:33:27 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@helinozgur/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[AWS Rekognition ile Görüntü ve Video Analizi]]></title>
            <link>https://helinozgur.medium.com/aws-rekognition-ile-g%C3%B6r%C3%BCnt%C3%BC-ve-video-analizi-1a230f8d3409?source=rss-9828d4177163------2</link>
            <guid isPermaLink="false">https://medium.com/p/1a230f8d3409</guid>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[aws-rekognition]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Helin İnceoğlu]]></dc:creator>
            <pubDate>Mon, 25 Nov 2024 20:14:13 GMT</pubDate>
            <atom:updated>2024-11-25T20:14:13.172Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/600/0*Ar4fJoWkuFC_a5vs.png" /></figure><p>AWS Rekognition, görüntü veya video verilerini analiz edebilen bir bulut tabanlı hizmettir. Bu hizmet, görüntü ve video analizi konusunda güçlü yapay zeka özellikleri sunar. Özellikle güvenlik, medya ve eğlence, e-ticaret gibi birçok farklı endüstri için önemlidir.</p><p>Bu yazımda, AWS Rekognition’ın temel işlevlerini, kullanım senaryolarını bir örnek uygulama ile nasıl kullanılacağınızı ayrıntılı olarak açıklayacağım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oyvmn3--WkZVFKcEjp_d4Q.png" /><figcaption>Şekil 1 — Aws Arayüzünde Rekognition Servisi</figcaption></figure><h3>AWS Kimlik Bilgilerini Ayarlama</h3><p>Şekil 1&#39;de gösterildiği gibi AWS Management Console’a giriş yapın ve AWS Rekognition hizmetine erişim sağlayın. Amazon Rekognition’a python ile erişebilmek için AWS kimlik bilgilerinizi ayarlamanız gerekmektedir. Bu işlemi bir IAM kullanıcısı oluşturarak ve bir erişim anahtarı ile gizli anahtar alarak gerçekleştirebilirsiniz.</p><ol><li>AWS Yönetim Konsolu’na giriş yapın.</li><li>IAM paneline gidin.</li><li>Programlı erişimle yeni bir IAM kullanıcısı oluşturun.</li><li>IAM kullanıcısı için access key ve secret key bilgilerini not edin.</li></ol><h3>Gerekli Kütüphanelerin Kurulumu</h3><p>Başlamak için gereken kütüphaneleri kurmanız gerekecektir:</p><pre>pip install boto3 pillow</pre><h3>Yüz Analizi Yapma</h3><pre>import boto3<br>from PIL import Image<br>import io<br><br># AWS&#39;den aldığınız bilgileri buradaki &#39;your_region&#39;, &#39;your_access_key&#39; ve &#39;your_secret_key&#39; bilgileri ile değiştirin.<br>rekognition_client = boto3.client(&#39;rekognition&#39;, region_name=&#39;your_region&#39;, aws_access_key_id=&#39;your_access_key&#39;, aws_secret_access_key=&#39;your_secret_key&#39;)<br><br>image_file_path = &#39;path_to_your_image.jpg&#39;<br><br># Dosyadan resmi okuyun<br>with open(image_file_path, &#39;rb&#39;) as image_file:<br>    image_bytes = image_file.read()<br><br><br># rekognition servisine resmi gönderin<br>response = rekognition_client.detect_faces(<br>    Image={<br>        &#39;Bytes&#39;: image_bytes<br>    },<br>    Attributes=[&#39;ALL&#39;]  # Resim üzerinde nelerin bulunacağını spesifik olarak belirtebilirsiniz.(&#39;ALL&#39;, &#39;DEFAULT&#39;, &#39;AGE&#39;, &#39;GENDER&#39;, &#39;EMOTION&#39;)<br>)<br><br># Sonuç çıktılarının gösterilmesi<br>for face_detail in response.get(&#39;FaceDetails&#39;, []):<br>    print(f&quot;Age: {face_detail.get(&#39;AgeRange&#39;, {}).get(&#39;Low&#39;)} - {face_detail.get(&#39;AgeRange&#39;, {}).get(&#39;High&#39;)}&quot;)<br>    print(f&quot;Gender: {face_detail.get(&#39;Gender&#39;, {}).get(&#39;Value&#39;)}&quot;)<br>    print(f&quot;Emotions:&quot;)<br>    for emotion in face_detail.get(&#39;Emotions&#39;, []):<br>        print(f&quot;{emotion.get(&#39;Type&#39;)}: {emotion.get(&#39;Confidence&#39;)}%&quot;)<br>    print(&quot;----------------------&quot;)</pre><p>Bu kodumuzu bir de Şekil 2&#39;deki örnek resim üzerinde gösterelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*wkse7wcSJejR5tHtqtqSYQ.jpeg" /><figcaption>Şekil 2-Örnek Resim</figcaption></figure><p>‘ALL’ Seçeneğini seçtiğimiz için rekognition bize resim ile ilgili aşağıdaki gibi tüm bilgileri dönmektedir.</p><pre>Age: 37 - 45<br>Gender: Male<br>Emotions:<br>HAPPY: 99.01817321777344%      <br>SURPRISED: 6.309852123260498%  <br>FEAR: 5.911846160888672%       <br>SAD: 2.1603987216949463%       <br>CONFUSED: 0.2645522952079773%  <br>DISGUSTED: 0.22894439101219177%<br>ANGRY: 0.1428459733724594%     <br>CALM: 0.08611113578081131%     <br>----------------------</pre><h3>AWS Rekognition Özelleştirilmiş Etiketler</h3><p>Özelleştirilmiş etiketler kullanıcılara özel kullanım durumlarına uygun nesneleri veya sahneleri tanımlama yeteneği verir ve önceden eğitilmiş modeller yerine kendi modellerinizi oluşturabilirsiniz.</p><p>Bu bölümde, AWS’nin Şekil 3&#39;de gösterilen örnek projelerinden resim sınıflandırma projesi olan rooms projesi üzerinden bir örnek yapacağız. Öncelikli olarak dataseti ve modelin kayıt olabilimesi için bir s3 bucket alanı oluşturuyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AgzBZmWJgAp0eHrTvA-jmw.png" /><figcaption>Şekil 3- Örnek Projeler</figcaption></figure><p>Etiketli olmayan resimleri etiketlemek için öncelikle etiketlemek istediğimiz resmi seçiyoruz ve draw bounding boxes seçeneğine basıyoruz. Şekil 4&#39;de etiketleme editörümüzü görmekteyiz. Bu editörde daha önce tanımladığımız etiketleri seçerek resim üzerinde belirli bir alana çerçeve çizerek tanımlıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*U3Lk_q_EX8QNaDZXZSnXNA.png" /><figcaption>Şekil4- Etiket Editörü</figcaption></figure><p>Son olarak train model diyerek modelimizin eğitimini başlatıyoruz. Eğitilen modelimiz s3 bucket içerisine kaydolmaktadır. Eğitim süresi 30 dakika ile 24 saat arasında değişebilmektedir. Amazon Rekognition servisinin fiyatlandırma bilgisine <a href="https://aws.amazon.com/tr/rekognition/pricing/">link</a> üzerinden ulaşabilirsiniz.</p><h3>AWS Rekognition Demoları</h3><p>AWS Rekognition’ın belgelerinde ve konsolunda çeşitli demo uygulamaları ve örnek kodlar sunulmaktadır. Deneyebileceğiniz bazı demolar şunlardır:</p><ul><li><a href="https://aws.amazon.com/rekognition/getting-started/">Rekognition ile İmge Analizi</a>: Bu demo, bir resmi yüklemenize olanak tanır ve resim içinde algılanan etiketleri, yüzleri ve metni görüntüler.</li><li><a href="https://aws.amazon.com/rekognition/getting-started/">Yüz Karşılaştırma ve Tanıma</a>: İki resimdeki yüzleri karşılaştırabilir ve eşleşip eşleşmediğini belirleyebilirsiniz. Bu, kimlik doğrulama ve güvenlik uygulamalarında kullanılır.</li><li><a href="https://aws.amazon.com/rekognition/getting-started/">Özel Etiketler</a>: Kendi özel nesnelerinizi tanıtmak için Rekognition’ı eğitebilirsiniz, bu da belirli bir nesne tanıma göreviniz için faydalıdır.</li></ul><p>Amazon Rekognition, Python uygulamalarınızda yüz analizi yapmayı kolaylaştırır. Bu rehberde, AWS kimlik bilgilerinizi ayarlamaktan gerekli kütüphaneleri kurmaya ve bir resimde yüz analizi yapmaya kadar temelleri ele aldık. Bu kodu kendi özel kullanım durumunuza uyarlayabilirsiniz.</p><p>Daha fazla gelişmiş özellikler ve seçenekler için <a href="https://aws.amazon.com/tr/rekognition/">Amazon Rekognition belgelerini</a> inceleyebilirsiniz.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1a230f8d3409" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Docker’da MySQL Kurulumu ve Python’da MySQL Bağlantılarının Yapılması]]></title>
            <link>https://helinozgur.medium.com/dockerda-mysql-kurulumu-ve-python-da-mysql-ba%C4%9Flant%C4%B1lar%C4%B1n%C4%B1n-yap%C4%B1lmas%C4%B1-16e930e6ec23?source=rss-9828d4177163------2</link>
            <guid isPermaLink="false">https://medium.com/p/16e930e6ec23</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[dbeaver]]></category>
            <category><![CDATA[docker]]></category>
            <category><![CDATA[database]]></category>
            <category><![CDATA[mysql]]></category>
            <dc:creator><![CDATA[Helin İnceoğlu]]></dc:creator>
            <pubDate>Thu, 16 Dec 2021 09:10:36 GMT</pubDate>
            <atom:updated>2021-12-16T09:10:36.530Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*2RqlV5zAonTjCGUE.jpeg" /></figure><p>Bu yazımda Docker Hub üzerinden MySQL image dosyasını indirip terminal ekranından örnek bir veri tabanı oluşturmaktan, Python ile bu veri tabanına nasıl bağlanıldığından ve son olarak SQL istemcisi ve veritabanı yönetim aracı olan DBeaver’dan bahsedeceğim.</p><p><strong>Anahtar Kelimeler: </strong>Python, Docker, MySQL ,DBeaver</p><p><strong>Yazıdaki Kodlar:</strong> <a href="https://github.com/helinozgur/Python_MySQL">https://github.com/helinozgur/Python_MySQL</a></p><p><strong>Docker Hub Üzerinden MySQL Kurulumu:</strong></p><p>Öncelikle terminal ekranımızı açıp Docker Hub web sitesinden MySQL image dosyasını<strong> docker pull mysql </strong>komutu ile aşağıdaki görselde gösterilen biçimde indiriyoruz.[1]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/978/1*unYlVSL_gEg9yqXMgThEpw.png" /><figcaption>Terminal Ekranı</figcaption></figure><p>MySQL image dosyamızı indirdikten sonra docker ile image dosyasını çalıştırırken container adı( — name), port numarası(-p), ortam değişkeni(-e) parameterelerini ekleyerek mysql:latest image dosyasını aşağıdaki gibi çalıştırıyoruz.</p><pre>docker run -d --name container_adi -p 3306:3306 -e MYSQL_ROOT_PASSWORD=sifre mysql:latest</pre><p>Docker run komutu ile çalıştırdığımız container’ın terminal ekranına erişmek için aşağıdaki komutu windows terminal ekranına yazıyoruz.</p><pre>docker exec -it container_adi bash</pre><p>Terminal ekranına girdiğimizde MySQL bağlantısını kurmak için aşağıdaki komutu yazıyoruz.</p><pre>mysql -u root -psifre</pre><p>Aşağıdaki görselde görüldüğü gibi bağlantı komutunun ardından MySQL terminal arayüzüne erişimimiz tamamlanacaktır. Bu aşamanın ardından SQL komutları ile veritabanı ve tabloları oluşturmaya başlayabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/979/1*Cq_5seyFehIdNTmIJ4NylQ.png" /><figcaption>MySQL Terminal Arayüzü</figcaption></figure><p><strong>Örnek Database ve Tablo Oluşturma:</strong></p><p>Örnek veritabanımızı oluşturmadan önce SQL komutlarının bir kısmını tekrar hatırlayalım.<br><em>Mevcut veritabanlarını görmek için:</em></p><ul><li>show databases;</li></ul><p><em>Yeni veritabanı oluşturmak için:</em></p><ul><li>create database database_adi;</li></ul><p><em>Veritabanı silmek için:</em></p><ul><li>drop database database_adi;</li></ul><p><em>Veritabanına erişim için:</em></p><ul><li>use database_adi;</li></ul><p><em>Yeni tablo oluşturma için:</em></p><ul><li>create table tablo_adi(sütun_adlari ve değişken türleri ,primary key (sütunların biri));</li></ul><p><em>Mevcut tabloları görmek için:</em></p><ul><li>show tables;</li></ul><p><em>Tabloya veri girmek için:</em></p><ul><li>insert into tablo_adi(id,img_name) values(1,’Civata1&#39;);</li></ul><p><em>Tabloda izin verilen maksimum veri boyutunu değiştirmek için(Aşağıdaki ifade maksimum izin verilen veri boyutunu 1GB olarak belirler.):</em></p><ul><li>set global max_allowed_packet=1024*1024*1024*8;</li></ul><p>Örnek veritabanımızı aşağıdaki görseldeki adımlarla oluşturmaya başlayalım. Öncelikle var olan veritabanlarını <strong>show databases;</strong> komutu ile inceleyelim, ardından <strong>create database</strong> komutu ile oluşturmak istediğimiz veritabanının adını tanımlayarak veritabanını oluşturalım. Örnekte kullanmak üzere veritabanına <strong>yeni_veritabani</strong> adını tanımlayalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/759/1*PODmvGAOySX0h3LAtg-c2A.png" /><figcaption>Database oluşturma</figcaption></figure><p>Veritabanımız oluştuktan sonra aşağıdaki görseldeki gibi <strong>show databases;</strong> komutunu çalıştırdığımızda mevcut veritabanları içerisinde oluştuğunu göreceğiz. Yeni oluşturduğumuz veritabanını kullanabilmek için <strong>use yeni_veritabani;</strong> komutu ile bağlantı oluşturalım. Bu komutun ardından artık oluşturduğumuz veritabanının içerisinde bulunan tabloları görebilir, düzenleyebilir veya yeni bir tablo ekleyebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/881/1*bX0Ad-dqhxZ_Ex8dkrK_IQ.png" /><figcaption>Veritabanına Erişim</figcaption></figure><p><strong>show tables;</strong> komutu ile var olan tabloları görüntüleyebiliriz. Aşağıdaki görselde show tables komutunun çıktısını incelediğimizde , veritabanını yeni oluşturduğumuz için içerisinde bir tablo bulunmadığını görmekteyiz. <strong>create table tablo(Id int not null, isim text,primary key(Id)); </strong>komutu ile sadece isim ve id tutan basit bir tablo oluşturalım. <strong>show tables;</strong> komutunu tekrar çalıştırdığımızda oluşturduğumuz tabloyu listede görebilmekteyiz. Oluşturduğumuz tabloya veri eklemek istediğimizde ise i<strong>nsert into tablo(Id,isim)values(1,’Helin’);</strong> komutu ile ekleme yapabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/729/1*wgQQYofD0eMYdFU2SccaEw.png" /><figcaption>Tablo Oluşturma</figcaption></figure><p><strong>DBeaver Kurulumu:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/352/0*zqNPn6znVjiijoeF.png" /><figcaption>DBeaver.io[2]</figcaption></figure><p>DBeaver , geliştiriciler, veritabanı yöneticileri, analistler ve veritabanlarıyla çalışması gereken tüm kişiler için ücretsiz çoklu platform veritabanı aracıdır.[2]</p><p>DBeaver’ın kurulumu için programın web sitesinde bulunan setup dosyasını indirip kurmak yeterli olmaktadır.[2]</p><p>Kurulumun ardından veritabanı bağlantımızı oluşturmak için yeni bağlantı açıyoruz. Ardından aşağıdaki görseldeki gibi MySQL veritabanını seçip sonraki diyoruz. Connection settings ekranında gerekli alanları doldurduktan sonra bitir diyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MqyMqba_B60m8Kuq8_FP9Q.png" /><figcaption>Veritabanı Bağlantısı Oluşturma</figcaption></figure><p>Bağlantı tamamlandıktan sonra veritabanımız ve tablolarımıza DBeaver üzerinden aşağıdaki görseldeki şekilde rahatlıkla erişebilmekteyiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/959/1*DrE1sZBaVC_j9hqFv05mKw.png" /><figcaption>DBeaver Veritabanı Arayüzü</figcaption></figure><p><strong>Python’da MySQL Bağlantısı Oluşturma:</strong></p><p>Python’da MySQL veritabanına bağlanabilmemiz için öncelikle mysql-connector-python kütüphanesini indirmemiz gerekmektedir. Kütüphane kurulumunun ardından kodumuza kütüphanelerimizi ekliyoruz.</p><pre>import mysql.connector<br>import cv2<br>from datetime import datetime</pre><p>Kütüphaneleri eklememizin ardından veritabanı bağlatımız için konfigürasyonları giriyoruz ve cursor() fonksiyonu ile bağlantıyı oluşturuyoruz.</p><pre>mydb = mysql.connector.connect(<br>    host=&quot;localhost&quot;,<br>    port=3306,<br>    user=&quot;root&quot;,<br>    password=&quot;password&quot;,<br>    database=&quot;optikdb&quot;<br>)<br><br>mycursor = mydb.cursor()</pre><p>Ardından içerisinde görsel tutan bir tablo oluşturalım. Örnek görsel olarak aşağıda bulunan görseli kullanalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zEEjatVs0HRHnGuAiXTu0g.jpeg" /><figcaption><strong>Photo by </strong><a href="https://unsplash.com/@aaronburden?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText"><strong>Aaron Burden</strong></a><strong> on </strong><a href="https://unsplash.com/images/nature/flower?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText"><strong>Unsplash</strong></a></figcaption></figure><pre>mycursor.execute(&quot;CREATE TABLE image_bilgi (id INT AUTO_INCREMENT PRIMARY KEY,&quot;<br>                 &quot; tarih datetime NOT NULL,&quot;<br>                 &quot; resim LONGBLOB)&quot;)</pre><p>Görseli dosya yolundan okuyoruz ve tarih-saat bilgisini datetime() fonksiyonu ile alıyoruz. Oluşturduğumuz tablonun içerisinde cv2.imencode() fonksiyonu ile görseli encode ediyoruz ve veritabanına INSERT komutu ile ekliyoruz. Son olarak commit() fonksiyonu ile yaptığımız işlemleri veritabanına kaydediyoruz.</p><pre>image=cv2.imread(&quot;cicek.jpg&quot;)<br>date_time = datetime.now()<br>img=cv2.imencode(&#39;.jpg&#39;,image)[1].tobytes()<br>mycursor.execute(&quot;INSERT INTO image_bilgi (tarih,resim) VALUES(%s,%s)&quot;,(date_time,img))<br>mydb.commit()</pre><p>DBeaver ile oluşturduğumuz tablo içerisindeki veriye baktığımızda eklediğimiz resmi veritabanında aşağıdaki görseldeki gibi görebilmekteyiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dvHzGnVrby9mi_sWCeCwtg.png" /><figcaption>DBeaver ile Görseli İnceleme</figcaption></figure><p>KAYNAKÇA:</p><p>[1] <strong>Docker Hub MySQL</strong> -<a href="https://hub.docker.com/_/mysql">https://hub.docker.com/_/mysql</a></p><p>[2] <strong>DBeaver</strong> - <a href="https://dbeaver.io/">https://dbeaver.io/</a></p><p>[3] <strong>Photo by </strong><a href="https://unsplash.com/@aaronburden?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText"><strong>Aaron Burden</strong></a><strong> on </strong><a href="https://unsplash.com/images/nature/flower?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText"><strong>Unsplash</strong></a><strong> </strong>- <a href="https://unsplash.com/photos/2IzoIHBgYAo?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditShareLink">https://unsplash.com/photos/2IzoIHBgYAo?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditShareLink</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=16e930e6ec23" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Docker Windows’ta Qt Uygulamalarının Çalıştırılması]]></title>
            <link>https://helinozgur.medium.com/docker-windowsta-qt-uygulamalar%C4%B1n%C4%B1n-%C3%A7al%C4%B1%C5%9Ft%C4%B1r%C4%B1lmas%C4%B1-ba3ff37837f6?source=rss-9828d4177163------2</link>
            <guid isPermaLink="false">https://medium.com/p/ba3ff37837f6</guid>
            <category><![CDATA[x-server]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[docker]]></category>
            <category><![CDATA[gui]]></category>
            <category><![CDATA[pyqt]]></category>
            <dc:creator><![CDATA[Helin İnceoğlu]]></dc:creator>
            <pubDate>Mon, 13 Dec 2021 11:11:24 GMT</pubDate>
            <atom:updated>2021-12-13T11:11:24.196Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zHTXn6vz_sVOeIQlUYBE_w.png" /></figure><p>Bu yazımda Windows İçin Docker Desktop Kurulumundan, Qt uygulamalarının Windows Docker Desktop ile çalıştırılabilmesi için gerekli olan Xserver yapısından ufak bir Qt uygulaması üzerinden bahsedeceğim.</p><p><strong>Anahtar Kelimeler: </strong>Python, Docker, Qt, Xserver</p><p><strong>Yazıdaki Kodlar:</strong><a href="https://github.com/helinozgur/Docker_Windows_Qt_App">https://github.com/helinozgur/Docker_Windows_Qt_App</a></p><p><strong>Windows İçin Docker Desktop Kurulumu:</strong></p><p>Bu yazımızda WSL2 backend olan versiyonunu kullanacağız. Öncelikle WSL2 kurulumunu yapıp ardından Docker Desktop’un kurulumunu yapacağız.</p><p>WSL 2 Sistem Gereksinimleri:</p><ul><li>64 bit Windows 10 veya Windows 11</li><li>4GB RAM</li><li>BIOS ayarlarından BIOS-level donanım sanallaştırma özelliğinin açık olması</li><li>WSL2 özelliklerinin Windows ortamında etkinleştirilmesi</li><li>Linux Kernel Update paketinin indirilmesi gerekmektedir.</li></ul><p>WSL kurulumu için Microsoft Store’a giriyoruz ve Ubuntu 20.04 LTS versiyonunu aşağıdaki görselde gördüğümüz şekilde indiriyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ahbh6o599c-knR7yymPrdQ.png" /><figcaption>Ubuntu 20.04 LTS</figcaption></figure><p>Ardından Microsoft’un sitesinde WSL 2 nin kurulumu için gerekli olan Kernel Update işlemini yapıyoruz ve varsayılan WSL versiyonunu WSL 2 olarak tanımlıyoruz.[1] Bu işlemleri yaparken önemli kısımlar PowerShell’i yönetici olarak çalıştırmak ve adımları dikkatli takip etmek.</p><p>WSL 2 kurulumunun ardından Docker’ın kendi sitesinden Windows için olan Docker Desktop’ı indiriyoruz.[2] İndirdiğimiz .exe dosyasını çalıştırıp kurulum adımlarını takip ederek Docker Destktop kurulumunu aşağıdaki görseldeki gibi tamamlıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/698/1*wDP9WMPOCKAnRnB-iPqm-w.png" /><figcaption>Docker Desktop Setup</figcaption></figure><p><strong>Xserver Nedir? Xserver Kurulumu:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/377/1*IjVq2PK-YJ-5Sz2MydznsA.png" /><figcaption>X.Org Foundation[3]</figcaption></figure><p>X.Org Foundation tarafından yönetilen X Windows Sistemlerinde görüntüleme sunucusunun genel adıdır. Qt arayüzlerini Windows Docker Desktop üzerinden çalıştırabilmemiz için Xserver sürümlerinden birinin kurulumuna ihtiyacımız olmaktadır. Xserver sürümlerinin en günceli VcXsrv’ı kurulması tavsiye edilmektedir.[4]</p><p>VcXsrv’ı indirdikten sonra .exe dosyasını çalıştırıp kurulumları yaptıktan sonra aşağıdaki görseldeki gibi XLaunch programı çalıştırılıp ekranda hiçbir değişiklik yapılmadan sonraki denilerek bağlantı tamamlanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/989/1*hq5uJDE4rlcHWWQ9zdC_gw.png" /><figcaption>XLaunch-VcXsrv</figcaption></figure><p><strong>Qt Uygulamaları İçin Dockerfile Oluşturulması:</strong></p><p>Önce örnek küçük bir Qt uygulaması yazalım. Bu uygulama dosya yolundan resim okusun ve ekranda göstersin.</p><pre>from PyQt5 import QtWidgets, QtGui, QtCore<br>from PyQt5.QtWidgets import QWidget, QApplication, QLabel, QVBoxLayout, QHBoxLayout<br>from PyQt5.QtGui import QPixmap, QImage, QColor<br>from PyQt5.QtCore import pyqtSignal, pyqtSlot, Qt, QObject<br>import sys<br>import cv2<br><br><br>class App(QWidget):<br>    def __init__(self):<br>        super().__init__()<br>        self.setWindowTitle(&quot;Qt OpenCV Uygulamasi&quot;)<br>        self.disply_width = 640<br>        self.display_height = 480<br>        self.image_label = QLabel(self)<br>        vbox = QVBoxLayout()<br>        vbox.addWidget(self.image_label)<br>        self.setLayout(vbox)<br><br>        cv_img = cv2.imread(&#39;image.png&#39;)<br><br>        qt_img = self.convert_cv_qt(cv_img)<br>        self.image_label.setPixmap(qt_img)<br><br>    def convert_cv_qt(self, cv_img):<br>        rgb_image = cv2.cvtColor(cv_img, cv2.COLOR_BGR2RGB)<br>        h, w, ch = rgb_image.shape<br>        bytes_per_line = ch * w<br>        convert_to_Qt_format = QtGui.QImage(rgb_image.data, w, h, bytes_per_line, QtGui.QImage.Format_RGB888)<br>        p = convert_to_Qt_format.scaled(self.disply_width, self.display_height, Qt.KeepAspectRatio)<br>        return QPixmap.fromImage(p)<br><br><br>if __name__ == &quot;__main__&quot;:<br>    app = QApplication(sys.argv)<br>    a = App()<br>    a.show()<br>    sys.exit(app.exec_())</pre><p>Ardından bu kod için bir Dockerfile oluşturalım. Dockerfile içerisinde yazan DISPLAY=host.docker.internal:0.0 komutu Windows arayüzünü görüntüleme ekranı olarak tanımlamamızı sağlamaktadır.</p><pre>FROM python:3.8<br>ENV QT_QPA_PLATFORM=xcb<br>ENV QT_QPA_PLATFORM_PLUGIN_PATH=/opt/Qt/${QT_VERSION}/gcc_64/plugins<br>ENV QT_PLUGIN_PATH=/opt/Qt/${QT_VERSION}/gcc_64/plugins<br>ENV DISPLAY=host.docker.internal:0.0<br>RUN apt-get update<br>RUN apt-get install -y libdbus-glib-1-dev<br>RUN apt-get install -y libxkbcommon-x11-0<br>RUN apt install -y libgl1-mesa-glx<br>RUN apt-get install -y libxcb-xinerama0<br>RUN apt-get install -y -qq libglu1-mesa-dev libx11-xcb-dev &#39;^libxcb*&#39;<br><br>COPY app/requirements.txt /requirements.txt<br>RUN pip install -r /requirements.txt<br><br>RUN mkdir /app<br>WORKDIR /app<br>COPY ./app /app<br>COPY run.sh /app/run.sh<br>RUN chmod a+x run.sh<br>CMD [&quot;./run.sh&quot;]</pre><p>Qt uygulamanızın gereksinimlerine göre çeşitli kütüphaneleri de Dockerfile dosyanızın içine eklemeniz gerekmektedir. Qt uygulamanız için gerekli olan kütüphaneleri Docker image’ı çalıştırırken debug ederek bulabilirsiniz. Son olarak Qt uygulaması için bir requirements.txt dosyası oluşturduktan sonra Docker image’ımızı oluşturup image’ı çalıştırabiliriz. Container çalışmaya başladığında aşağıdaki gibi bir çıktı almaktayız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/504/1*P6txBzyXelK4__RQxUvB4w.png" /><figcaption>Container Çıktısı</figcaption></figure><p>XServer ile image’ı çalıştırdığımız için container id bilgiside pencere başlığında yazı olarak bulunmaktadır. Bu bilgiyi tamamen kaldıramamaktayız ancak bu bilgiyi kendi istediğimiz bir ifade ile değiştirebilmekteyiz. Bunu yapmak içinse docker image’ını çalıştırırken hostname parametresi ile aşağıdaki gibi ekleyebiliriz.</p><pre>--hostanme=başlıkta_yazmak_istediğiniz_ifade</pre><p>Örneğin hostname parametresine ornek_qt_uygulamasi yazdığımızda pencere başlığına container id bilgisi yerine aşağıdaki gibi verdiğimiz değer yazılacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/503/1*rPR0hOtp55hvGx52bKdslA.png" /><figcaption>hostname Parametresi Değiştirildikten Sonra</figcaption></figure><p>Bu kısımdaki en önemli husus Xserver bağlantımızın yapılmış olmasıdır eğer bağlantı yapılmamışsa image çalışmayacaktır ve aşağıdaki hatayı bize verecektir.</p><pre>qt.qpa.plugin: Could not find the Qt platform plugin &quot;xcb&quot; in &quot;&quot;<br>This application failed to start because no Qt platform plugin could be initialized. Reinstalling the application may fix this problem.</pre><p><strong>KAYNAKÇA:</strong></p><p>[1] <strong>WSL 2 -</strong><a href="https://docs.microsoft.com/tr-tr/windows/wsl/install-manual#step-4---download-the-linux-kernel-update-package">https://docs.microsoft.com/tr-tr/windows/wsl/install-manual#step-4---download-the-linux-kernel-update-package</a></p><p>[2] <strong>Docker Desktop for Windows-</strong><a href="https://docs.docker.com/desktop/windows/install/">https://docs.docker.com/desktop/windows/install/</a></p><p>[3] <strong>X.Org Foundation-</strong><a href="https://www.x.org/releases/X11R7.7/doc/man/man1/Xserver.1.xhtml">https://www.x.org/releases/X11R7.7/doc/man/man1/Xserver.1.xhtml</a></p><p>[4] <strong>VcXsrv-</strong><a href="https://sourceforge.net/projects/vcxsrv/">https://sourceforge.net/projects/vcxsrv/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ba3ff37837f6" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[OpenCV’de Çoklu İş Parçacıkları(Multithreads) ile Kodun Çalışmasını Hızlandırma]]></title>
            <link>https://helinozgur.medium.com/opencvde-%C3%A7oklu-i%CC%87%C5%9F-par%C3%A7ac%C4%B1klar%C4%B1-multithreads-ile-kodun-%C3%A7al%C4%B1%C5%9Fmas%C4%B1n%C4%B1-h%C4%B1zland%C4%B1rma-83aed171f496?source=rss-9828d4177163------2</link>
            <guid isPermaLink="false">https://medium.com/p/83aed171f496</guid>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[multiprocessing]]></category>
            <category><![CDATA[multithreading]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Helin İnceoğlu]]></dc:creator>
            <pubDate>Fri, 17 Sep 2021 14:36:17 GMT</pubDate>
            <atom:updated>2021-09-17T14:39:31.933Z</atom:updated>
            <content:encoded><![CDATA[<h3>OpenCV ’de Çoklu İş Parçacıkları(Multithreads) Kullanımı</h3><h4><strong>İş Parçacıkları ve İş Süreçleri Nelerdir?</strong></h4><p>İş parçacıkları(Threads) kısaca bir dizi talimatlardan oluşan akışlardır. Bunlar işletim sistemi tarafından çalıştırılmak üzere programlanabilir ve birden çok çekirdekte paralel olarak veya tek bir çekirdekte aynı anda çalıştırılabilir. İş parçacıkları bir iş sürecinin birden fazla işi aynı anda yapmasına olanak sağlar. Çoklu iş parçacıkları(Multithreads) ise bir iş sürecinin birden fazla iş parçacığı içerdiği duruma verilen isimdir.</p><p>İş süreci(Process) CPU üzerinde yürütülmekte olan program demektir. İş süreçleri temel olarak bir iş parçacığı ile başlarlar. Bu iş parçacığına ana iş parçacığı anlamına gelen main thread denir. Çoklu iş süreçleri ise birden fazla iş sürecine sahip olan iş süreçleri topluluğuna denir. Aşağıdaki görseli incelersek;</p><ul><li>(A) Bir adet iş parçacığı içeren bir iş sürecini,</li><li>(B) Birden fazla iş parçacığı içeren bir iş sürecini,</li><li>(C) Birer adet iş parçacığı içeren birden fazla iş sürecini,</li><li>(D) Birden fazla iş parçacığı içeren birden fazla iş sürecini temsil etmektedir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/686/1*uUlyyoSHJojTx4-vyc3mDQ.png" /><figcaption>Çoklu İş parçacığı(Multithreading) ve Çoklu İş Süreci(Multiprocessing)[1]</figcaption></figure><p>Python’da iş parçacıkları Python’ın kendi modülü olan threading[2] modülü tarafından oluşturulmaktadır. Bu yazımda çoklu iş parçacıklarını (multithreading) kodumuzun çalışmasını hızlandırmada nasıl kullanabileceğimizden bahsedeceğim.</p><p><strong>Anahtar Kelimeler: </strong>Python, Threads, Multithreading, OpenCV</p><h4><strong>İş Parçacıklı ve İş Parçacığı Olmadan Süre Karşılaştırılması</strong></h4><p>Bu bölümümüzde önce iş parçacığı olmadan kod bloğumuzun çalışma hızına bakacağız. Ardından kod bloğumuzu 3 farklı iş parçacığına böleceğiz bu iş parçacıklarından birincisi dosyadan videoyu okuyacak, ikincisi okunan videoya bulanıklaştırma işlemi yapacak ve üçüncü iş parçacığı ise bulanıklaştırma işlemi yapılan görüntüyü OpenCV fonksiyonu yardımı ile ekrana yansıtacak. Bu yöntemle görüntünün işlenme süresi iş parçacığı içermeyen halinden daha hızlı çalışacaktır.</p><p>Önce iş parçacığı içermeyen kodumuz ile başlayalım. Her iki örneğimizde de 1920x1080 çözünürlüğe sahip 10 saniyelik aşağıdaki gifteki gibi bir video kullanacağız[3].</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*TrkQuU4pA_2aSVldQTVd7Q.gif" /><figcaption>Video by Mikhail Nilov from Pexels[3]</figcaption></figure><h4><strong>İş Parçacığı Olmadan Kod Bloğu:</strong></h4><p>Kodumuza başlarken ilk önce kütüphanelerimizi ekliyoruz.</p><pre>import cv2<br>import time</pre><p>Ardından fonksiyon sınıfımızı oluşturuyoruz ve temel değişkenlerimizi tanımlıyoruz.</p><pre>class Funcitons():<br>    def __init__(self):<br>        self.cap = cv2.VideoCapture(&#39;findik.mp4&#39;)</pre><p>main() adında fonksiyonumuzu oluşturuyoruz. Bu fonksiyon bizim ana fonksiyonumuz olacaktır. Fonksiyon içerisinde VideoCapture fonksiyonu ile aldığımız videoyu kare kare okuyup ardından bulanıklaştırma işlemini yapıp OpenCV fonksiyonlarından imshow ile ekranda bulanıklaştırılmış görüntüleri göstermekteyiz. Videoyu dosyadan okuduğumuz için OpenCV’nin read() fonksiyonu canlı görüntüde çalıştığından daha hızlı çalışmaktadır. Videonun okuma hızını kameradan alınan canlı görüntünün okunma hızına eşitlemek için time.sleep() fonksiyonu ile okuma hızını düşürdük.</p><pre>def main(self):<br>    while True:<br>        t = time.time()<br>        res, frame = self.cap.read()<br>        t2 = time.time() - t<br>        time.sleep(1 / 30 - t2)<br>        if res:<br>            frame = cv2.medianBlur(frame, 301)<br>            cv2.imshow(&quot;frame&quot;, frame)<br>            if cv2.waitKey(27) &amp; 0xFF == ord(&#39;q&#39;):</pre><pre>                break<br>        else:<br>            print(&quot;GECEN SURE:&quot;, time.time() - start)<br>            break</pre><p>Son olarak da main fonksiyonumuzu çağırıyoruz ve süreyi başlatıyoruz.</p><pre>if __name__ == &#39;__main__&#39;:<br>    function_class = Funcitons()<br>    start = time.time()<br>    function_class.main()</pre><p>Kod bloğumuzu çalıştığında videonun tamamı işlenip bittiği zaman bize toplam ne kadar süre geçtiğini aşağıdaki gibi gösterecektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/320/1*-yfKfYhKwIUkDuaHsHd9gg.png" /></figure><h4><strong>İş Parçacığı Eklenmiş Halde Kod Bloğu:</strong></h4><p>Şimdi bir de eğer bu kod bloğumuzu iş parçacıklarına bölersek ne kadar sürede işlendiğine bakalım. Yine öncelikle kütüphanelerimizi ekliyoruz.</p><pre>import sys<br>import cv2<br>from queue import Queue<br>from threading import Thread<br>import time</pre><p>Kütüphanelerimizi ekledikten sonra iş parçacıklarını ve iş parçacıklarının yönlendirileceği fonksiyonlarımızı tutan sınıfımızı oluşturuyoruz ve temel değişkenlerimizi ve iş parçacıklarımızı tanımlıyoruz. Bu örneğimizde daha öncede bahsettiğimiz gibi üç adet iş parçacığımızı tanımladık.</p><pre>class Thread_Funcitons():<br>    def __init__(self):<br>        self.cap = cv2.VideoCapture(&#39;findik.mp4&#39;)<br>        self.frameQueue = Queue()<br>        self.resultQueue = Queue()<br>        self.res=True<br>        self.Thread_addFrame = Thread(name=&#39;addFrametoQueue&#39;, target=self.addFrametoQueue)<br>        self.Thread_ShowImg = Thread(name=&#39;ShowImage&#39;, target=self.showImage)<br>        self.Thread_BlurImg = Thread(name=&#39;BlurImage&#39;, target=self.blurImg)</pre><p>Ardından ilk fonksiyonumuz olan OpenCV’nin read fonksiyonu ile videoyu kare kare okuyup teker teker bu kareleri bir kuyruğa atan addFrametoQueue fonksiyonumuzu oluşturuyoruz. Kuyruğumuzun boyutunu takip edebilmek için de kuyruğun boyutunu her görüntü eklendikten sonra ekranda basıtırıyoruz.</p><pre>def addFrametoQueue(self):<br>    while True:<br>        # frame=self.cap<br>        t=time.time()<br>        self.res, frame = self.cap.read()<br>        t2=time.time()-t<br>        time.sleep(1/30-t2)<br>        if self.res:<br>            try:<br>                self.frameQueue.put(frame, block=False)<br>            except:<br>                print(&quot;Frame eklenmedi!&quot;)<br>            # print(&quot;Queue Boyutu:&quot;, self.frameQueue.qsize())<br>            if not self.Thread_ShowImg.is_alive():<br>                sys.exit()<br>        else:<br>            break</pre><p>İkinci fonksiyonumuz addFrametoQueue fonksiyonumuzun kuyruğa attığı görüntüleri sırasıyla kuyruktan alıp bulanıklaştırma işlemini yapmakta ve işlenen görüntüleri bir sonraki fonksiyonun kullanması için başka bir kuyruğa eklemektedir.</p><pre>def blurImg(self):<br>    while True:<br>        frame=self.frameQueue.get()<br>        result=cv2.medianBlur(frame,301)<br>        self.resultQueue.put(result, block=False)<br>        self.frameQueue.task_done()<br>        if not self.Thread_ShowImg.is_alive():<br>            sys.exit()</pre><p>Bir sonraki fonksiyonumuz olan showImage fonksiyonu blurImg fonksiyonunun kuyruğa eklediği görüntüleri alarak onları ekranda yansıtmaktadır.</p><pre>def showImage(self):<br>    while True:<br>        if self.res:<br>            frame = self.resultQueue.get()<br>            # frame = cv2.resize(frame, None, None, .20, .20)<br>            cv2.imshow(&quot;frame&quot;, frame)<br>            if cv2.waitKey(27) &amp; 0xFF == ord(&#39;q&#39;):<br>                sys.exit()<br>        else:<br>            print(&quot;\nGECEN SURE:&quot;, time.time() - start)<br>            break</pre><p>Son olarak da en başta tanımladığımız iş parçacıklarının hepsinin eş zamanlı çalıştıran StartThreads fonksiyonumuzu oluşturuyoruz.</p><pre>def StartThreads(self):<br>    self.Thread_addFrame.start()<br>    self.Thread_ShowImg.start()<br>    self.Thread_BlurImg.start()</pre><p>Fonksiyonlarımızı oluşturduktan sonra sıra geldi onları çalıştırıp geçen süreyi hesaplamaya. Bunu yapmak için iş parçacıklarımızı çalıştırıyoruz.</p><pre>if __name__ == &#39;__main__&#39;:<br>    Thread_Class = Thread_Funcitons()<br>    start = time.time()<br>    Thread_Class.StartThreads()<br>    print(&quot;\nThread_ShowImg:&quot;, Thread_Class.Thread_ShowImg.is_alive())<br>    print(&quot;Thread_start:&quot;, Thread_Class.Thread_addFrame.is_alive())<br>    Thread_Class.Thread_addFrame.join()<br>    Thread_Class.Thread_ShowImg.join()<br>    Thread_Class.Thread_BlurImg.join()</pre><p>Toplam geçen süre aşağıda gördüğümüz gibi iş parçacıkları olmadan geçen süreden yaklaşık olarak 6 kat daha hızlı çalışmakta. Bunun nedeni iş parçacıklarının hepsinin aynı anda çalışması ve birbirlerini beklemek zorunda olmamalarıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/312/1*aGZha2tOGmKG_TzywpMDsw.png" /><figcaption>İş Parçacığı Eklendiğinde Geçen Süre</figcaption></figure><p>Bu konuyu biraz daha açmamız gerekirse bir iş parçacığı dosyadan sürekli görüntü okuyup bir kuyruğa atmakta, bir diğer iş parçacığı bu kuyruktan görüntüleri alıp işlemekte, bir diğeri ise işlenen görüntüleri yansıtmakta. Standart bir kod bloğunda bu işlemlerin sırası ile yapılması gerekir önce görüntü okunur ardından görüntü üzerinde işlem yapılır ve görüntü yansıtılır ve bu durumda görüntü yansıtılana kadar görüntüyü okuyan fonksiyon beklemektedir. İş parçacığı kullanarak bu beklemeleri ortadan kaldırmış ve işlemimizin daha hızlı yapılmasını sağlamış olduk. Peki ya bulanıklaştırma işlemini yapan birden fazla iş parçacığı eklersek süre daha da kısalır mı?</p><p>Bu sorunun cevabını kuyruklarımızın boyutuna bakarak beraber inceleyelim. Kod bloğumuz çalışırken bir yandan da ekrana kuyruk boyutunu bastıralım, kuyruk boyutumuzdan ufak bir kesit aşağıda gösterilmiştir. Bu kesiti incelediğimizde kuyruk boyutunda bazı yerlerde tekrarlar bazı yerlerde artışlar gözlemlemekteyiz. Tekrar eden kısımların olması kuyruktaki görüntülerin kuyruğa yeni bir görüntü eklenmeden işlenmesi anlamına gelmektedir. kuyruğa eklenen görüntüler ile işlenen görüntülerin eş zamanlı olması durumunda kuyruk boyutu hep 1 olarak yazılacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/229/1*sNRocm7Thsrpt0LsLTDlhg.png" /><figcaption>1 adet bulanıklaştırma işlemi yapan iş parçacığı kuyruk sonucu</figcaption></figure><p>Kuyruktaki görüntülerin daha hızlı işlenmesi ve videonun işlenme süresinin videonun orijinal süresine biraz daha yaklaşması için aşağıdaki gibi iki tane daha bulanıklaştırma işlemi yapan iş parçacığını kodumuza ekleyelim.</p><pre>self.Thread_BlurImg2 = Thread(name=&#39;BlurImage&#39;, target=self.blurImg)<br>self.Thread_BlurImg3 = Thread(name=&#39;BlurImage&#39;, target=self.blurImg)</pre><p>Kod parçacığımızın eklenmesi sonucunda kod bloğunu tekrar çalıştırdığımız zaman kuyruk boyutumuzdaki tekrar eden sayılar aşağıdaki gibi artmaktadır. Bu da bize kuyruğa eklenen görüntülerin çok daha hızlı işlendiğini göstermektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/179/1*xZcIRMwXiw_xy_Lar8-1Kw.png" /><figcaption>3 adet bulanıklaştırma işlemi yapan iş parçacığı kuyruk sonucu</figcaption></figure><p>Geçen süreye de baktığımız zaman sürede çok büyük bir değişim olmamasına karşın videonun gerçek süresi olan 10 saniyeye yaklaşmış olduğunu görmekteyiz. Bu da bize her bir karenin işlenme hızının çok hızlı olduğunu göstermektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/311/1*_9_ItDHDgDZmgX_mNPP8KQ.png" /><figcaption>İki Tane Daha İş Parçacığı Eklendiğinde Geçen Süre</figcaption></figure><p>Son olarak da kod bloğumuza 2 adet daha totalde 5 adet bulanıklaştırma işlemini yapan iş parçacığı ekleyelim ve kuyruk boyutunun nasıl değiştiğini daha ayrıntılı görelim.</p><pre>self.Thread_BlurImg4 = Thread(name=&#39;BlurImage&#39;, target=self.blurImg)<br>self.Thread_BlurImg5 = Thread(name=&#39;BlurImage&#39;, target=self.blurImg)</pre><p>Geçen süreye baktığımız zaman sürede ufak da bir azalma görmekteyiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/318/1*fvFYngDNZlKzBiCVy0zU0w.png" /><figcaption>Üç Tane Daha İş Parçacığı Eklendiğinde Geçen Süre</figcaption></figure><p>Kuyruk boyutunu bir önceki kuyruk boyutu ile karşılaştırdığımız zaman aşağıdaki görselde de gördüğümüz üzere kuyruk içerisinde eklenen kareler daha hızlı işlenmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/181/1*MKCRiQ0wRSuZB7pXJ8n3SA.png" /><figcaption>5 adet bulanıklaştırma işlemi yapan iş parçacığı kuyruk sonucu</figcaption></figure><h4><strong>Peki Birden Fazla İş Parçacığının Aynı Kuyruğa Erişmesinin Dezavantajları Nelerdir?</strong></h4><p>Aynı anda birden fazla iş parçacığının aynı kuyruğa erişmesi bize bazı sorunlar yaratabilir. İki farklı iş parçacığı düşünelim bunlar aynı kuyruğa aynı anda erişmiş olsunlar ve kuyruktaki aynı veriyi işlemeye çalışsınlar. Bu olay yarış durumu dediğimiz durumu ortaya çıkarır. Bu sorunu çözmek için kilit(Lock) metodu kullanılmaktadır. Kilitler genellikle iş parçacıklarının senkronizasyonlarını sağlamak için kullanılırlar. Yukarıdaki örneğimizden devam edersek iki iş parçacığını kilit metodu ile sıraya koyarak çakışmaları engelleyebiliriz.</p><p>Gelin ufak bir örnek ile kilit mantığını daha iyi anlayalım.</p><pre>import threading<br>import time<br>from queue import Queue<br>from threading import Thread<br><br><br><br>class Threads():<br>    def __init__(self):<br>        self.numbersQueue = Queue()<br>        self.sum=0<br>        self.Thread_addNumber = Thread(name=&#39;addFrametoQueue&#39;, target=self.addNumber)<br>        self.Thread_sumNumber = Thread(name=&#39;ShowImage&#39;, target=self.sumNumber)<br>        self.Thread_sumNumber2 = Thread(name=&#39;BlurImage&#39;, target=self.sumNumber)<br><br>    def addNumber(self):<br>        for i in range(10):<br>            self.numbersQueue.put(i)<br>            print(&quot;Queue Boyutu:&quot;,self.numbersQueue.qsize())<br><br>    def sumNumber(self):<br>        while True:<br>            if self.numbersQueue.qsize()!=0:<br>                number=self.numbersQueue.get()<br>                self.sum=self.sum+number<br>                print(&quot;\nToplam:&quot;,self.sum)<br>            else:<br>                break<br><br>    def start(self):<br>        self.Thread_addNumber.start()<br>        self.Thread_sumNumber.start()<br>        self.Thread_sumNumber2.start()<br><br><br>if __name__ == &#39;__main__&#39;:<br>    tClass=Threads()<br>    tClass.start()<br>    tClass.Thread_addNumber.join()<br>    tClass.Thread_sumNumber.join()<br>    tClass.Thread_sumNumber2.join()</pre><p>Yukarıdaki örnekte 3 adet iş parçacığı bulunmaktadır. Bunlardan birisi bir kuyruğa veri eklerken öbür ikisi de o verileri alıp bir önceki toplam ile toplamaktadırlar. Burada karşımıza çıkan sorun toplama yapan iki iş parçacığının da aynı veriyi işlemeye çalışması ve sonuçların yanlış çıkmasıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/205/1*4IPVuqKl8AR7CMSY9iL4SQ.png" /><figcaption>Senkronize Edilmemiş İş Parçacıkları Sonucu</figcaption></figure><p>Bu sorunu çözmek için toplama yapan fonksiyonumuza bir kilit eklememiz uygun olacaktır. Öncelikle init fonksiyonumuza self.threadLock = threading.Lock() satırını ekleyerek threading modülünden lock() metodunu çağırıyoruz. Ardından acquire() fonksiyonu ile kilitleme işlemini yapıyoruz. Bu fonksiyon çalıştığı anda diğer iş parçacığının bu fonksiyona erişimi engellenir. İşlem yapıldıktan sonra release() fonksiyonu ile de kilidi kaldırıp öbür iş parçacığının bu fonksiyona erişimi sağlanır. Bu döngü kuyrukta veri kalmayana kadar sırayla devam eder.</p><pre>def sumNumber(self):<br>    while True:<br>        if self.numbersQueue.qsize()!=0:<br>            self.threadLock.acquire()<br>            number=self.numbersQueue.get()<br>            self.sum=self.sum+number<br>            print(&quot;\nToplam:&quot;,self.sum)<br>            self.threadLock.release()<br>        else:<br>            break</pre><p>Böylelikle iş parçacıkları aşağıda görüldüğü gibi senkronize edilmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/138/1*Dhbyr-Sp_L080OsZoMq_ZQ.png" /><figcaption>Senkronize İş Parçacıkları Sonucu</figcaption></figure><h4>KAYNAKÇA:</h4><p><strong>[1]Multithreading-</strong><a href="https://kerteriz.net/python-multithreading-programlama/">https://kerteriz.net/python-multithreading-programlama/</a></p><p><strong>[2]Python Threading Module-</strong><a href="https://docs.python.org/3/library/threading.html">https://docs.python.org/3/library/threading.html</a></p><p><strong>[3]Video by Mikhail Nilov from Pexels-</strong><a href="https://www.pexels.com/tr-tr/video/gida-saglikli-doga-soyut-7677701/">https://www.pexels.com/tr-tr/video/gida-saglikli-doga-soyut-7677701/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=83aed171f496" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Raspberry Pi HQ Kamera Modülü ve Kamera Parametrelerinin Ayarlanması]]></title>
            <link>https://helinozgur.medium.com/raspberry-pi-hq-kamera-mod%C3%BCl%C3%BC-ve-kamera-parametrelerinin-ayarlanmas%C4%B1-68d803791b49?source=rss-9828d4177163------2</link>
            <guid isPermaLink="false">https://medium.com/p/68d803791b49</guid>
            <category><![CDATA[raspberry-pi]]></category>
            <category><![CDATA[v4l2]]></category>
            <category><![CDATA[raspberry-pi-camera]]></category>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[linux]]></category>
            <dc:creator><![CDATA[Helin İnceoğlu]]></dc:creator>
            <pubDate>Wed, 11 Aug 2021 07:19:09 GMT</pubDate>
            <atom:updated>2021-08-11T07:19:09.230Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu yazımda Raspberry Pi kameralarından biri olan yüksek çözünürlüklü HQ kameranın kurulumundan, kameranın özelliklerinden, önemli kamera parametrelerinden ve bu parametrelerin konfigürasyonundan bahsedeceğim.</p><p><strong>Anahtar Kelimeler:</strong> HQ Kamera, Raspberry Pi Kamera Modülü, OpenCV, V4L2 Test Ekranı, Kamera Parametreleri, GPU Bellek Alanı</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/989/1*YU47jnhTPIQlQkUz5kCqmQ.png" /><figcaption>Raspberry Pi YÇ(HQ) Kamera[1]</figcaption></figure><p><strong>Raspberry Pi YÇ(Raspberry Pi HQ Camera) Kamera:</strong></p><p>Raspberry Pi Yüksek Çözünürlüklü Kamera(Raspberry Pi High Quality Camera) bir önceki kamera modülü v2&#39;den daha yüksek çözünürlük(12mp) ve yüksek bir hassasiyet(düşük ışık ortamında %50 iyileştirilmiş görüntü) sunar ve hem C hem de CS yuvalı lenslerle çalışmak üzere tasarlanmıştır. Aşağıdaki Tablo 1&#39;de Raspberry Pi Yüksek Çözünürlüklü Kamera hakkında daha detaylı bilgi bulabilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/735/1*j2pcD33HFonljLHtDjBwcg.png" /><figcaption>Tablo 1-Detaylı Kamera Bilgileri[1]</figcaption></figure><p><strong>Raspberry Pi YÇ(HQ) Kamera Kurulumu:</strong></p><p>Kamera kartı Raspberry Pi&#39;ye 15 yollu bir şerit kablo ile bağlanır. Yapılması gereken yalnızca şerit kablonun bir ucunu kamera PCB&#39;sine öbür ucunu da Raspberry Pi&#39;nin kendisine bağlamaktır. Kameranın düzgün çalışabilmesi için öncelikle Raspberry Pi’nin en son yazılım güncellemelerini yapmamız gerekir.</p><pre>sudo apt update<br>sudo apt full-upgrade</pre><p>Ardından kameramızı Şekil 1&#39;deki Raspberry Pi Konfigürasyon Ekranı’ndan etkinleştirmemiz gerekmektedir. Aşağıdaki komut ile konfigürasyon ekranına giriş yaptıktan sonra Interface Options sekmesine gelip oradan Camera seçeneğinden kamerayı etkinleştirebilirsiniz.</p><pre>sudo raspi-config</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MCYuUGJDZxAk0QFD7xaSmw.png" /><figcaption>Şekil 1-Kamera Etkinleştirme Ekranı</figcaption></figure><p>Önemli bir detay olarak belirtmek isterim ki eğer kameradan yüksek çözünürlükte bir görüntü almak istiyorsak Raspberry Pi’nin varsayılan GPU alanı yetersiz kalacaktır ve bu nedenle de kameraya erişim problemleri yaşanabilmektedir. Bu sorunu çözmek içinse Raspberry Pi modelimizi de göz önünde bulundurularak GPU bellek alanını arttırmamız gerekmektedir. Kullandığınız Pi modeline uygun olabilecek maksimum GPU bellek alanı kapasitesi ile ilgili detaylı bilgiye Raspberry Pi’nin dokümantasyonunda[2] <strong>gpu_mem </strong>başlığı altından erişebilirsiniz. GPU bellek alanını ise aşağıda Şekil 2&#39;de görünen Raspberry Pi Konfigürasyon Ekranı’na gelip, Performance Options sekmesinin altında GPU Memory seçeneğinden değiştirebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/916/1*_KhB-fb9xaaLsHsgZgLsyg.png" /><figcaption>Şekil 2-Raspberry Pi Konfigürasyon Ekranı</figcaption></figure><p><strong>Raspberry Pi Kamera Parametreleri:</strong></p><p>Kameranın kurulumundan sonra çeşitli parametreler ile kameradan aldığımız görüntü üzerinde oynamalar yapabiliriz. Örneğin kontrast değerini arttırıp azaltabiliriz veya kameradan alınan görüntünün parlaklığı ile oynayabiliriz.</p><p>Raspberry’nin kendi kamera fonksiyonlarını kullanıyorsak kamera parametrelerini komut istemi üzerinden görüntü alırken değiştirebiliriz. Örneğin resimdeki beyazlık dengesini değiştirmek için AWB(Automatic White Balance) ayarı ile oynamamız gerekir. Bunun için de eğer görüntüyü tek bir resim olarak almak istiyorsak aşağıdaki komutla bir awb modu seçerek görüntü üzerinde değişiklik yapıp kaydedebiliriz. Bir dosya yolu belirtilmediği takdirde görüntü otomatik olarak /home/pi dosya yoluna kaydedilecektir.</p><p>Aşağıda bulunan örnek kod parçası ile Raspberry Pi üzerinden aldığımız görüntülerin üzerinde awb parametresini değiştirerek Şekil 3&#39;deki gibi çeşitli görüntüler elde edebiliriz.</p><pre>raspistill - awb kullanmak_istediginiz_awb_modu - o goruntunun_ismi.jpg</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2a7flt3C7yVqp80GVsrYDw.png" /><figcaption>Şekil 3-Sol yukarıdan itibaren orjinal görüntü(1), awb off modu(2), awb incandescent modu(3), awb fluorescent modu(4)</figcaption></figure><p>Raspberry’nin kendi kamera parametreleri komutları hakkında daha detaylı bilgiyi Raspberr Pi’nin dokumantasonunda [3]<strong> Common command line options </strong>başlığı altında bulabilirsiniz.</p><p>Peki görüntüleri OpenCV kütüphanesinin fonksiyonları ile alıyorsak o zaman ne yapacağız? Böyle bir durumda raspberry’nin kendi komutlarını kullanarak görüntü üzerinde değişiklik yapamayız çünkü komutlar raspberrynin kendi kütüphanesi ile bağlantılıdır ve komut satırından yapılan değişiklikler kamera konfigürasyonlarını kalıcı olarak değiştirmemektedir.</p><p>OpenCV ile aldığımız görüntülerde değişiklik yapmak istediğimizde ise OpenCV kütüphanesinin kendi içinde bulunan kamera parametrelerini kullanabiliriz. Ancak OpenCV kütüphanesindeki tüm parametreler tüm kameralar için desteklenememektedir.</p><p>OpenCV ile aldığımız görüntünün parlaklığı ile oynamak istersek OpenCV kütüphanesinin CAP_PROP_BRIGHTNESS parametresini değiştirmemiz gerekir. Kullandığımız kamerada varsayılan değer olarak parlaklık değeri 50 gelmektedir. Aşağıdaki kod bloğu ile siz de kendi kameranızda deneme yapabilirsiniz.</p><pre>import cv2<br>cap = cv2.VideoCapture(0)<br><strong>## Kameranızın varsayılan parlaklık değerini öğrenmek için aşağıdaki kodu yorum satırından çıkarınız.</strong><br><strong>## print(&quot;Varsayilan Parlaklik Degeri:&quot;,cap.get(cv2.CAP_PROP_BRIGHTNESS))</strong><br>sayac = 50<br>while True:<br>    ret, frame = cap.read()<strong><br>    ## Klavyeden &#39;a&#39; karakterine bastığımız zaman parlaklık değeri 5 artar &#39;d&#39; karakterine bastığımız zaman ise 5 azalır.</strong><br>    if cv2.waitKey(25) &amp; 0xFF == ord(&#39;a&#39;):<br>        sayac += 5<br>    elif cv2.waitKey(25) &amp; 0xFF == ord(&#39;d&#39;):<br>        sayac -= 5<br>    cap.set(cv2.CAP_PROP_BRIGHTNESS, sayac)<br>    print(&quot;Suanki Parlaklik Degeri:&quot;,cap.get(cv2.CAP_PROP_BRIGHTNESS))<br>    cv2.imshow(&quot;frame&quot;, frame)<br>    if cv2.waitKey(1) &amp; 0xFF == ord(&#39;q&#39;):<br>        break<br>cap.release()<br>cv2.destroyAllWindows()<br></pre><p>Aşağıdaki Şekil 4&#39;de ise canlı görüntü üzerinde parlaklık parametresini arttırıp azalttığımızda olan değişimleri görmekteyiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*PPkeSIz94I9PkoL6iz69Aw.gif" /><figcaption>Şekil 4-Parlaklık parametresinin değişimi</figcaption></figure><p>OpenCV kütüphanesinin kamera parametrelerinin neler olduğunu ve parametreler hakkında detaylı bilgiye OpenCV kütüphanesinin GitHub sayfasından[4] ulaşabilirsiniz.</p><p><strong>V4L2 Test Ekranı:</strong></p><p>Raspberry’de kamera parametrelerini OpenCV kütüphanesini kullanmadan kalıcı olarak değiştirmek veya kameramızın düzgün çalışıp çalışmadığını gözlemlemek için Linux tarafından kamera sürücüleri için geliştirilen test ekranını kullanabiliriz.V4L2(Video For Linux v.2) Linux sistemlerinde kameraya erişim sağlamamıza yarayan API ve aygıt sürücülerinden oluşan bir yapıdır. Raspberry Pi’de de kameraya erişebilmek için V4L2 sürücüsünün yüklü olması gerekmektedir. Bu sürücü Raspberry Pi’de otomatik olarak inmekte ve VCHIQ(VideoCore Host Interface Queue) sürücüsünün altında yer almaktadır. V4L2 sürücüsü hakkında detaylı bilgiye Linux Kernel Dokümantasyonu’ndan[5] ulaşabiliriz.</p><p>V4L2 test ekranı bize kamera üzerinde çeşitli ayarlamaları yapmamızı ve kameramızı test edebilmemizi sağlar. Test ekranını kullanmak için öncelikle Raspberry Pi’nin terminal ekranına gelip V4L2 test ekranının en son güncellemelerini yapmamız gerekmektedir.</p><pre>sudo apt-get install qv4l2</pre><p>Güncellemenin ardından test ekranımızı açıyoruz.</p><pre>qv4l2</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7H8kPsCasRsVehoqQq_UUw.png" /><figcaption>Şekil 5-V4L2 Test Ekranı</figcaption></figure><p>Şekil 5&#39;deki ekran üzerinde kameramızın hangi isimle kayıtlı olduğunu görüntü formatı gibi çeşitli özelliklerini görebilmekteyiz. Ayrıca yukarıda bulunan görüntü yakalamayı başlat butonu ile eş zamanlı görüntü üzerinde de yaptığımız değişiklikleri görme imkanımız bulunmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WR5OzPgXsYKKOAfeGl44Cw.png" /><figcaption>Şekil 6-User Controls Sekmesi</figcaption></figure><p>Şekil 6&#39;de gösterilen User Controls sekmesine geldiğimizde ise çeşitli kamera parametreleri karşımıza çıkmaktadır. Bu parametrelerdeki değişimleri de eş zamanlı görüntüde görmemiz mümkündür.</p><p>Test ekranında bu işlemlerden farklı olarak başka işlemler de yapmak mümkündür. Örneğin Camera Controls sekmesinden ISO ayarlarını değiştirmek veya Jpeg formatında kaydedilen görüntülerde sıkıştıma miktarını ayarlamak gibi işlemler de yapmak mümkündür.</p><p>KAYNAKÇA:</p><p>[1]<strong>Raspberry Pi HQ Camera Product Brief</strong>-<a href="https://datasheets.raspberrypi.org/hq-camera/hq-camera-product-brief.pdf">https://datasheets.raspberrypi.org/hq-camera/hq-camera-product-brief.pdf</a></p><p>[2]<strong>Raspberry Pi Memory.md</strong>-<a href="https://www.raspberrypi.org/documentation/configuration/config-txt/memory.md">https://www.raspberrypi.org/documentation/configuration/config-txt/memory.md</a></p><p>[3]<strong>Raspberry Pi Camera.md</strong>-<a href="https://www.raspberrypi.org/documentation/raspbian/applications/camera.md">https://www.raspberrypi.org/documentation/raspbian/applications/camera.md</a></p><p>[4]<strong>OpenCV GitHub</strong>- <a href="https://github.com/opencv/opencv/blob/master/modules/videoio/include/opencv2/videoio.hpp#L147">https://github.com/opencv/opencv/blob/master/modules/videoio/include/opencv2/videoio.hpp#L147</a></p><p>[5]<strong>V4L2</strong>-<a href="https://www.kernel.org/doc/html/v4.14/media/kapi/v4l2-intro.html">https://www.kernel.org/doc/html/v4.14/media/kapi/v4l2-intro.html</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=68d803791b49" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[OpenCV ile Nesnelerin Profillerini Çıkarma]]></title>
            <link>https://helinozgur.medium.com/opencv-ile-nesnelerin-profillerini-%C3%A7%C4%B1karma-513bc38be541?source=rss-9828d4177163------2</link>
            <guid isPermaLink="false">https://medium.com/p/513bc38be541</guid>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[character-analysis]]></category>
            <category><![CDATA[image-processing]]></category>
            <dc:creator><![CDATA[Helin İnceoğlu]]></dc:creator>
            <pubDate>Sun, 11 Jul 2021 20:00:24 GMT</pubDate>
            <atom:updated>2021-07-11T20:00:24.740Z</atom:updated>
            <content:encoded><![CDATA[<p>Geçtiğimiz yazımda OpenCV ile cisimlerin uzunluklarını bulma konusundan bahsetmiştim[3]. Bu yazımızda ise PCA yönteminden elde ettiğimiz simetri çizgimiz ile nesnelerin kritik noktalarını çıkarmaya odaklanacağız. Bir öznitelik çıkarım yöntemi olan profil çıkarma nesnelerin şekilleri hakkında daha fazla bilgi sahibi olmamızı sağlar. Örneğin şekil olarak birden fazla çeşit anahtarı sınıflandırmak istiyorsak anahtarların yapıları ile ilgili daha fazla bilgiye ihtiyacımız olacaktır. Bu durumda anahtarların profillerini çıkarmak oldukça işimize yarayacaktır. Başka bir örnek olarak da karakter analizi konularında profil çıkarma yöntemi ile el yazılarını analiz edebilir ve sınıflandırabiliriz. Bu yazımızda profil çıkarma yönteminden nesnelerin kritik noktaları arasında kalan bölgenin yaklaşık uzunluğunu bulmak için yararlanacağız.</p><p><strong>Yazıda Verilen Kodlar: </strong><a href="https://github.com/helinozgur/Measurements-With-OpenCV-PCA">https://github.com/helinozgur/Measurements-With-OpenCV-PCA</a></p><p><strong>Anahtar Kelimeler: </strong>OpenCV, OCR, Görüntü İşleme, Bilgisayar Görüsü, Profil Çıkarma, Karakter Analizi</p><p><strong>Profil Çıkarma Nedir?</strong></p><p>Profil çıkarma konturü çizilmiş cismin veya karakterin dış şeklini tanımlamak için belirli noktalar arası mesafeyi hesaplar. Bu mesafe, cismin veya karakterin orta noktasından x veya y koordinatı doğrultusunda çizilmiş bir simetri çizgisinden başlayıp konturün kenar noktalarına kadar olan piksel uzunluğudur.</p><p>Profil çıkarma yöntemi karakter analizi yapmada karakterin özniteliklerini çıkarmak için kullanılan bir yöntemdir ve genelde iki adımdan oluşur. 1.Üst-Alt Profil Çıkarma, 2.Sağ-Sol Profil Çıkarma.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6OAgpycLLgwxwsgbjE_56Q.png" /><figcaption>Üst ve Alt Profil Sonucuna Göre Bir Karakterin Öznitelikleri[1]</figcaption></figure><p>Üst-alt profil çıkarma yönteminde öncelikle yatay doğrultuda karakter görüntüsünü ikiye bölecek ve görüntünün ağırlık merkezinden geçecek şekilde bir çizgi(y=yt) çizilir. Çizilen çizgi ile görüntü sınırına(karakterin dış sınırları) yakın piksellerin arasındaki uzaklık hesaplanır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*u_9JX8Xrc5IDeTpdAv6Psg.png" /><figcaption>Sağ ve Sol Profil Sonucuna Göre Bir Karakterin Öznitelikleri[1]</figcaption></figure><p>Sağ-sol profil çıkarma yönteminde ise dikey doğrultuda görüntüyü ikiye bölecek ve görüntünün ağırlık merkezinden geçecek bir çizgi(x=xt) çizilir. Ardından Üst-alt profil çıkarma yönteminde yaptığımız gibi çizilen çizgi ile görüntü sınırına yakın piksellerin arasındaki uzaklık hesaplanır.</p><p>Biz ise profil çıkarma yöntemini nesnelerin kritik noktalarının arasında kalan kısmın uzunluklarını belirleyebilmek için kullanacağız. Önce cismin konturunun kenar noktalarını çıkaracağız. Ardından konturün kritik noktalarını hesaplayacağız bu kritik noktalar arasında kalan çizgilerin uzunluklarının kendinden önce gelen çizginin uzunluğundan maksimum belirli bir miktar uzun veyahut kısa olan çizgileri gruplayıp ortancasını alacağız ve böylelikle cismin şekli ile ilgili bilgi edinmiş olacağız. Cismin genişliğinin değiştiği yerlerdeki uzunluk bilgilerini de nesne tanıtırken kullanabiliriz. Nesne tanıma yöntemindeki amacımız ise tanıttığımız bir nesne ile aynı özelliklere sahip başka bir nesne koyduğumuz zaman tanıttığımız nesnenin etiketini bize döndürmesidir. Bu işlemleri yapabilmek için de Üst-alt profil çıkarma yönteminden yararlanacağız.</p><p><strong>Profil Çıkarma:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*giKww0ZlBWDpUfeexb6UHg.png" /><figcaption>Orijinal görüntü</figcaption></figure><p>Öncelikle OpenCV cv2.imread fonksiyonu ile girdi görüntümüzü alıyoruz. Ardından aldığımız girdi görüntümüzü bir önceki yazımızda anlattığımız simetri çizgimizi bulmak için PCA hesaplamasını yaptığımız fonksiyonumuza gönderiyoruz. Ancak önceki yaptıklarımızdan farklı olarak CalculateWidthHeight fonksiyonumuza aşağıdaki satırları ekledik.</p><pre>angle_line_dgree = (180 / np.pi) * angle_line<br>result = 180 + angle_line_dgree<br>(h, w) = img1.shape[:2]<br>(cX, cY) = (w // 2, h // 2)<br>M = cv.getRotationMatrix2D((cX, cY),result, 1.0)<br>rotated = cv.warpAffine(img1, M, (w, h))</pre><p>getOrientation fonksiyonundan aldığımız açıyı kullanarak maske halindeki görselimizi döndürdük. Ardından döndürdüğümüz görüntüyü ve açımızı fonksiyon çıktılarımıza ekledik. createProfile isminde bir fonksiyon oluşturduk, bu fonksiyon girdi olarak CalculateWidthHeight fonksiyonundan aldığımız açıyı ve döndürülmüş görseli verdik.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cJNx8GA42fOdk19g_pZnzw.png" /><figcaption>X Eksenine Paralel Hale Getirilmiş Görüntü</figcaption></figure><pre>def createProfile(self, image,angle):<br>    global line_points, contour_edge<br>    _, bw = cv.threshold(image, self.th_min, self.th_max,  cv.THRESH_BINARY)<br>    contours, _ = cv.findContours(bw, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)<br>    area_max = max(contours, key=cv.contourArea)</pre><p>Global değişkenlerimizi tanımladık ve eşikleme fonksiyonumuzdan geçirdik. Eşikleme sonucunda aldığımız görüntüdeki konturleri bulduk ve maksimum alanlı konturu hesapladık.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*l9aXLvR0GKFmInhMxv1whA.png" /><figcaption>Kontur Sınırları</figcaption></figure><pre>for indx, i in enumerate(contours):<br>    if cv.contourArea(i) &lt; cv.contourArea(area_max):<br>        continue<br>    mask = np.zeros(image.shape, np.uint8)<br>    contour_edge = cv.drawContours(mask, [i], -1, self.beyaz, 3)<br>    _, _, h, cntr, _ = self.getOrientation(i, contour_edge)<br>    co_h_1, co_h_2, _, contour_image, line = self.getCoordinates(contour_edge, h)<br>    line_points = np.where(line == 255)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pap0a4jguVMfdayDMqhQnQ.png" /><figcaption>Simetri Çizgisi</figcaption></figure><p>Konturleri bir döngü içine aldıktan sonra maksimum kontur büyüklüğünden küçük olan konturleri eliyoruz. Boş bir maske tanımlıyoruz ve bu maskenin içine konturü çiziyoruz. Kontur çizili maskeyi sadece simetri çizgisini çizdirmek için getOrientation fonksiyonuna girdi olarak veriyoruz. getCoordinates fonksiyonu ile simetri çizgisinin kontur sınırları içerisindeki bölümünü ve koordinatlarını alıyoruz. Numpy kütüphanesinin np.where fonksiyonu ile simetri çizgimiz üzerindeki noktaları bir demet(tuple) içine aktarıyoruz.</p><pre>maske = np.zeros(image.shape, np.uint8)<br>#extreme olmayan noktalar<br>koordinat_array = []<br>#extreme noktalar<br>koordinat_array_extreme = []<br>mesafe_uzunluk = 0</pre><p>İşlem yapmak için boş bir maske tanımlıyoruz ve nesne üzerindeki extreme olan ve olmayan noktalar için birer liste tanımlıyoruz.</p><pre>for i in range(0, len(line_points[0]), len(line_points[0]) // 100):<br>    koordinat = (line_points[1][i], image.shape[1])<br>    koordinat_2 = (line_points[1][i], 0)<br>    maske_line = np.zeros(image.shape, np.uint8)<br>    cv.line(maske_line, koordinat, koordinat_2, (255, 255, 255), 1)<br>    line_intersect = np.where(maske_line &amp; contour_edge == 255)</pre><p>Sıfırdan başlayıp simetri çizgimizin üzerindeki noktaların bulunduğu demet uzunluğunda yine aynı demetin %1&#39;i kadar nokta atlayarak giden bir döngü tanımladık. y ekseni doğrultusunda simetri çizgisindeki nokta başlangıç noktası kabul edilerek çizdireceğimiz çizgilerin koordinatlarını tanımladık. Kesişim noktalarını almak için çizgileri teker teker çizdirdik çizgileri simetri çizgisinin üstüne ve altına ayrı ayrı çizdirdik. Çizgi ile cismin kenar noktalarının kesişimlerini np.where fonksiyonu yardımı ile bir demete attık.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8AVcmmJqrI5nECTy6cu9ew.png" /><figcaption>Maske Üzerinde y Ekseni Doğrultusunda Çizilen Çizgiler</figcaption></figure><pre>kesisim_koordinat_ust = (line_intersect[1][0], line_intersect[0][0])<br>kesisim_koordinat_alt = (line_intersect[1][-1], line_intersect[0][-1])<br>kesisim_koordinat_h=(line_points[1][i],line_points[0][i])<br>mesafe = cv.norm(np.array(kesisim_koordinat_alt) - np.array(kesisim_koordinat_ust))<br>cv.line(maske, kesisim_koordinat_alt, kesisim_koordinat_ust, (255, 255, 255), 1)</pre><p>Kesişim koordinatlarını aldık ve çizginin cismin kenar noktası ile kesişen kısmının uzunluğunu bulduk. cv2.line fonksiyonu ile boş olarak tanımladığımız maskemizin içine kesişim koordinatları baz alınarak çizgileri çizdirdik.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JJJqq5EjqUJNRFdlmndu0A.png" /><figcaption>Kontur İçinde Kalan Çizgiler</figcaption></figure><pre>if abs(int(mesafe) - mesafe_uzunluk)&gt;20:<br>    koordinat_array_extreme.append([kesisim_koordinat_ust, kesisim_koordinat_alt])<br>else:<br>    koordinat_array.append([kesisim_koordinat_ust, kesisim_koordinat_alt, mesafe])<br>mesafe_uzunluk = int(mesafe)</pre><p>Eğer çizgiler arası mesafe belirli bir oranı geçmediği takdirde extreme olmayan listeye eğer belirlenen oranın üzerinde ise extreme noktalar listesine eklenmektedir. Uzunluk değişimini takip edebilmek için de mesafe uzunluk değişkenimize en son bulunan uzunluk değerini atadık.</p><pre>koordinat_array = np.asarray(koordinat_array)<br>var = koordinat_array[0][2]<br>mesafe_array = []<br>maske_result = np.zeros(image.shape, np.uint8)</pre><p>Başlangıç koordinatını simetri çizgisinde bulunan ilk koordinat olarak tanımladık. Boş bir liste tanımladık ve sonuçları çizdirebilmek için boş bir maske tanımladık.</p><pre>for i in range(len(koordinat_array)):<br>    mesafe_array.append(koordinat_array[i])<br>    if abs(int(var) - koordinat_array[i][2]) &gt; 30 or i == (len(koordinat_array) - 1):<br>        koordinat_x_y = mesafe_array[(len(mesafe_array) // 2) - 1]<br>        x = koordinat_x_y[0]<br>        y = koordinat_x_y[1]<br>        cv.line(maske_result, x, y, (255, 0, 0), 5)<br>        mesafe_array = []<br>    var = koordinat_array[i][2]</pre><p>Koordinat array uzunluğunda bir for döngüsü tanımladık ve i. değeri meafe_array listesine ekledik. Ardından yaklaşık olarak aynı uzunlukta olan çizgileri karşılaştırdık ve uzunlukları aynı olan çizgileri gruplayarak orta noktalarının koordinatlarını bulup o koordinatlara çizgimizi maske_result maskemize çizdirdik. mesafe_array listemizin içini temizleyip yeni var değerimizi tanımladık.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cFc0Xi5rzfdTq2GHxJei9g.png" /><figcaption>Uzunluğu Yaklaşık Aynı Olan Çizgilerin Ortancası</figcaption></figure><pre>result=180 - angle<br>(h, w) = contour_edge.shape[:2]<br>(cX, cY) = (w // 2, h // 2)<br>M = cv.getRotationMatrix2D((cX, cY), result, 1.0)<br>rotated = cv.warpAffine(maske_result, M, (w, h))</pre><p>Fonksiyona girdi olarak verdiğimiz görüntümüz orijinal görüntünün döndürülmüş biçimiydi. Orijinal görüntü üzerinde sonuçları gösterebilmek için sonuç maskemizi orijinal görüntü ile aynı biçimde olacak şekilde döndürdük. Son olarak da createProfile fonksiyonumuz bize rotated isimli görüntümüzü döndürdü.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*e65echjzQ_Se84TxjI0lJw.png" /><figcaption>Orijinal Görüntüye Uygun Döndürülmüş Çıktı Görüntüsü</figcaption></figure><pre>import cv2<br>import matplotlib.pyplot as plt<br>from live_functions import Functions<br>image=cv2.imread(&#39;./images/gorsel3.png&#39;)<br>detector = Functions()<br>_,_,rotated_img,angle=detector.calculateWidhtHeight(image)<br>result = detector.createProfile(rotated_img,angle)<br>result=cv2.cvtColor(result,cv2.COLOR_GRAY2BGR)<br>btw= cv2.bitwise_or(result,image)<br>cv2.imshow(&quot;Profil&quot;,cv2.resize(btw,None,None,.25,.25))</pre><p>Tekrardan ana kodumuza geldiğimizde createProfile fonksiyonundan aldığımız çıktı görüntüsünü MYK(mavi-yeşil-kırmızı) renk dönüşümünü yaptık ve orijinal girdi görüntümüz ile cv2.bitwise_or fonksiyonunun da yardımı ile birleştirdik.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EGRQDKOBXaXGRiukIX2Ceg.png" /><figcaption>Orijinal Görüntü ile Birleştirilmiş Maske Görüntüsü</figcaption></figure><p>Cıvatalar Üzerinde Sonuçlar:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eA2fgiBRlG02fdMCys4FMg.png" /><figcaption>Cıvata1</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*C4BbAeRBbFD15ZlEQ8wlkQ.png" /><figcaption>Cıvata2</figcaption></figure><p><strong>Kaynakça:</strong></p><p>[1]<strong>Hybrid off-line OCR for isolated handwritten Greek characters-</strong><a href="https://www.researchgate.net/publication/234803723_Hybrid_off-line_OCR_for_isolated_handwritten_Greek_characters">https://www.researchgate.net/publication/234803723_Hybrid_off-line_OCR_for_isolated_handwritten_Greek_characters</a></p><p>[2]<strong>Improved statistical features for cursive character recognition-</strong><a href="https://www.researchgate.net/publication/267845216_Improved_statistical_features_for_cursive_character_recognition">https://www.researchgate.net/publication/267845216_Improved_statistical_features_for_cursive_character_recognition</a></p><p>[3]<strong>OpenCV ile Simetrik Cisimlerin Uzunluklarını Bulma-</strong><a href="https://helinozgur.medium.com/opencv-ile-simetrik-cisimlerin-uzunluklar%C4%B1n%C4%B1-bulma-841f377e8f33">https://helinozgur.medium.com/opencv-ile-simetrik-cisimlerin-uzunluklar%C4%B1n%C4%B1-bulma-841f377e8f33</a>)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=513bc38be541" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[OpenCV ile Simetrik Cisimlerin Uzunluklarını Bulma]]></title>
            <link>https://helinozgur.medium.com/opencv-ile-simetrik-cisimlerin-uzunluklar%C4%B1n%C4%B1-bulma-841f377e8f33?source=rss-9828d4177163------2</link>
            <guid isPermaLink="false">https://medium.com/p/841f377e8f33</guid>
            <category><![CDATA[camera-calibration]]></category>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[principal-component]]></category>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[computer-vision]]></category>
            <dc:creator><![CDATA[Helin İnceoğlu]]></dc:creator>
            <pubDate>Mon, 14 Jun 2021 08:48:11 GMT</pubDate>
            <atom:updated>2021-06-14T08:48:11.281Z</atom:updated>
            <content:encoded><![CDATA[<p>Görüntü işleme alanında simetrik cisimlerin en, boy uzunluklarını bulmak için çeşitli yöntemler vardır. Bunlardan en çok bilineni OpenCV kütüphanesi yardımı ile bir cismin etrafına döndürülmüş bounding-box çizerek, çizilen bounding-box’ın kısa ve uzun kenarlarının orta noktalarını birleştirip, çizilen çizgilerin uzunluğunu hesaplayarak cismin en, boy uzunluğunu piksel olarak hesaplamaktır.[2] Ancak bounding-box yönteminde karşımıza çeşitli sorunlar çıkmaktadır. Bu sorunlardan biri , simetrik cismimizin geometrik bir şeklinin olmaması sebebi ile cismin en, boy uzunluğunun istenilen uzunluktan daha uzun veya daha kısa bir uzunluk olarak ölçülmesidir. Başka bir sorun da cisimlerin yönelim açısının yanlış bulunması ve dolayısıyla en boy uzunluklarının yanlış hesaplanmasıdır. Bu gibi çeşitli sorunları ortadan kaldırmak ve en, boy uzunluklarını daha doğru bulabilmek için bu yazımızda OpenCV kütüphanesinin bir fonksiyonu da olan PCA (Temel Bileşenler Analizi) konusundan bahsedeceğiz. Kısaca yaptığımız işlemden bahsetmek gerekirse, cisimlerin orta noktalarından PCA fonksiyonunun yardımı ile yönelim çizgilerini çiziyoruz ve cisimlerin konturleri ile kesişim noktalarını bulup kontur sınırları içerisinde kalan çizgilerin piksel uzunluklarını hesaplıyoruz.</p><p><strong>Yazıda Verilen Kodlar: </strong><a href="https://github.com/helinozgur/Measurements-With-OpenCV-PCA">https://github.com/helinozgur/Measurements-With-OpenCV-PCA</a></p><p><strong>Anahtar Kelimeler: </strong>OpenCV, PCA, Görüntü İşleme, Bilgisayar Görüsü, Yönelim Hesaplama</p><p><strong>OpenCV Nedir?</strong></p><p>OpenCV (Open Source Computer Vision Library) orijinal olarak Intel tarafından geliştirilen açık kaynak kodlu bir bilgisayar görüsü (Computer Vision) ve makine öğrenmesi (Machine Learning) kütüphanesidir. OpenCV, 2500&#39;den fazla farklı algoritma içerir. Bu algoritmalar, yüzleri algılamak ve tanımak, nesneleri tanımlamak, videolarda insan eylemlerini sınıflandırmak, kamera hareketlerini izlemek, hareketli nesneleri izlemek, nesnelerin 3B modellerini çıkarmak, yüksek çözünürlük elde etmek için görüntüleri bir araya getirmek gibi birçok konuda kullanılabilir. OpenCV; C++, Python, Java ve MATLAB arayüzlerine sahiptir ve Windows, Linux, Android ve Mac OS’u destekler.</p><p><strong>OpenCV PCA Nedir?</strong></p><p>PCA (Principal Component Analysis) yani Türkçesiyle “Temel Bileşenler Analizi” , bir veri kümesinin temel özelliklerini çıkaran istatistiksel bir prosedürdür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/925/1*lwafLe_tyBhVnm6VamyEbQ.png" /></figure><p>Yukarıdaki Şekil 1 [1]’de gösterildiği gibi bir dizi 2B noktamız olduğunu varsayalım. Her boyut, bir özelliğe karşılık gelir. PCA’in temel amacı, büyük veri kümelerinin boyutsallığını azaltmaktır. Boyutsallık azaltma işlemi, verilen veri kümesinin boyutlarının sayısını azaltma işlemidir. Örneğin, yukarıdaki Şekil 1[1]’deki durumda, noktalar kümesini tek bir çizgiye yaklaştırarak belirli bir noktanın boyutunu 2B’den 1B’ye küçültebiliriz.[1]</p><p>PCA, verilerimizin en çok değiştiği yönü bulmamızı da sağlar. Şekil 2[1]’deki noktalar kümesi üzerinde PCA işlemi sonucunda, veri kümesinin temel bileşenlerini oluşturan özvektör ve özdeğer adı verilen 2 vektör oluşur. Her özvektörün büyüklüğü, özdeğeriyle kodlanır ve verilerin ana bileşen boyunca ne kadar değiştiğini gösterir.[1]</p><p>Bu yazımızda PCA yöntemini, konturlerini bulduğumuz cisimlerin yönelimlerini bulmak ve bu yönelimler doğrultusunda çizgi çizerek cisimlerin uzunluklarını bulmak için kullandık. OpenCV’nin PCA fonksiyonun bize çıktı olarak verdiği özvektör ve özdeğer dizilerini alıp temel bileşen vektörlerinin bitiş noktalarını hesaplamak için kullandık. Orta noktasından, hesapladığımız bitiş noktasına doğru çizdiğimiz çizgi de bize cismin yönelim çizgisini verdi. Ardından bu çizgiyi kullanarak cisimlerin piksel uzunluklarını hesapladık.</p><p><strong>PCA Uygulaması:</strong></p><p>Yazımızda kullandığımız algoritmadan kısaca bahsetmek gerekirse önce girdi görselimizi alıyoruz ve görselimiz üzerinde gri tonlama dönüşümü, bulanıklaştırma işlemi ve görüntü eşikleme işlemi uyguluyoruz. Ardından eşikleme sonucumuzdaki konturleri buluyoruz. Bulduğumuz konturleri döngü içine alıyoruz ve getOrientation fonksiyonu ile yönelim çizgilerini buluyoruz. Bulduğumuz yönelim çizgileri ile konturun kesişim noktalarını ve yönelim çizgilerinin kontur içinde kalan uzunluklarını hesaplıyoruz. Son olarak kesişim çizgilerimiz ile orijinal görüntümüzü bitwise_or fonksiyonundan geçirip sonuçları çıktı görüntümüzün üzerine yazıyoruz. Aşağıdaki şemada algoritmanın sadeleştirilmiş akış şemasını görebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/638/1*-xg6Dp2ZdiqTa38NgKaL8w.png" /><figcaption>Sadeleştirilmiş algoritma akış şeması</figcaption></figure><p>Algoritmamızın kodlarına geçersek, öncelikle kullanacağımız kütüphanelerimizi ekliyoruz. Ardından OpenCV’nin cv2.imread fonksiyonu ile girdi görüntümüzü alıyoruz.</p><pre>import cv2 as cv<br>import numpy as np<br>from math import atan2, cos, sin, sqrt<br>import matplotlib.pyplot as plt<br>src = cv.imread(&#39;./images/gorsel2.png&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IytQC9X67szDYWAD6tIUZQ.png" /><figcaption>Orijinal görüntü</figcaption></figure><p>Çizgilerin uzunluklarının değerlerini tutmak için bir liste tanımlıyoruz. Global değişkenlerimizi de tanımladıktan sonra orijinal görüntümüzün boyutlarının %1&#39;i kadar bir çekirdek matrisi tanımlayıp OpenCV’nin cv2.blur fonksiyonu ile görüntüye bulanıklaştırma işlemini uyguluyoruz. Bulanıklaştırdığımız görüntümüzü gri tonlu bir görüntüye çevirip, 0–255 olarak tanımladığımız eşikleme fonksiyonuna girdi olarak veriyoruz. Çıkan eşikleme sonucumuzdaki konturleri tespit ediyoruz.</p><pre>result_liste = []<br>global contour_screw, length_w, length_h, angle_line, result<br>blur = cv.blur(src, ((int(src.shape[0] / 100)), (int(src.shape[1] / 100))))<br>gray = cv.cvtColor(blur, cv.COLOR_BGR2GRAY)<br>_, bw = cv.threshold(gray, 0, 255, cv.THRESH_BINARY)<br>contours, _ = cv.findContours(bw, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*N5Hmfds6QWU2B5aE1D9Ozw.png" /><figcaption>Soldaki görsel bulanıklaştırma işlemi sonucu, sağdaki görsel eşikleme işlemi sonucu</figcaption></figure><p>Öncelikle girdi görselimizde cisimlerin konturlerinin kenar noktalarını bir değere atıyoruz ve konturleri boş bir maskeye çiziyoruz.</p><pre>for idx, c in enumerate(contours):<br>    if cv.contourArea(c) &lt; src.shape[0]:<br>        continue<br>    img1 = np.zeros(gray.shape, np.uint8)<br>    contour_screw = cv.drawContours(img1, [c], -1, (255,255,255), -1)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Gf9m_ECa9pb0h5e1wVharQ.png" /><figcaption>Konturleri çizdiğimiz maskemizin sonucu</figcaption></figure><p>Ardından bulduğumuz kenar noktalarını ve girdi görselimizi getOrientation fonksiyonuna girdi olarak veriyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hb4cEF8m_Vy7u1WpRIE36g.png" /><figcaption>Kontur kenar noktalarının görselleştirilmiş hali</figcaption></figure><pre>def getOrientation(self, pts, img):<br>    size = len(pts)<br>    data_pts = np.empty((size, 2), dtype=np.float64)<br>    for i in range(data_pts.shape[0]):<br>          data_pts[i, 0] = pts[i, 0, 0]<br>          data_pts[i, 1] = pts[i, 0, 1]</pre><p>PCA işlemi için kenar noktaları uzunluğunda geçici bir alan oluşturuyoruz.</p><pre>   mean = np.empty(0)<br>   mean, eigenvectors, eigenvalues = cv2.PCACompute2(data_pts, mean)<br>   cntr = (int(mean[0, 0]), int(mean[0, 1]))<br>   h = (cntr[0] + 0.02 * eigenvectors[0, 0] * eigenvalues[0, 0],<br>   cntr[1] + 0.02 * eigenvectors[0, 1] * eigenvalues[0, 0])<br>   w = (cntr[0] - 0.02 * eigenvectors[1, 0] * eigenvalues[1, 0],<br>   cntr[1] - 0.02 * eigenvectors[1, 1] * eigenvalues[1, 0])</pre><p>PCA fonksiyonuna kullanılacak olan alanı ve cismin orta noktası için kullanılacak dizimizi tanımlıyoruz. Ardından mean dizimizi ve kenar noktalarımızı PCA fonksiyonumuza girdi olarak veriyoruz. PCA fonksiyonu bize üç adet değer döndürmektedir. Bunlar cismin orta noktası için kullanacağımız içi artık dolu bir mean dizisi, konturdeki cismin özvektörü ve son olarak da konturdeki cismin özdeğeri. PCA fonksiyonun bize döndürdüğü değerlerden mean değerinin ilk ve ikinci değerini cismin orta noktalarını belirtmek amacıyla bir değere atıyoruz. Ardından özvektör, özdeğer ve orta noktalarımızı kullanarak x ve y koordinatlarında temel bileşen çizgimizin biteceği noktayı tanımlıyoruz.</p><pre>   contour_line_w = np.zeros(img.shape, np.uint8)<br>   contour_line_h = np.zeros(img.shape, np.uint8)<br>   h1, _ = self.drawAxis(contour_line_h, cntr, h, (255), 100)<br>   w1, _ = self.drawAxis(contour_line_w, cntr, w, (255), 100)<br>   h2, _ = self.drawAxis(h1, cntr, h, (255), -100)<br>   w2, angle_w = self.drawAxis(w1, cntr, w, (255), -100)<br>   return angle, w2, h2, cntr, angle_w</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kJ57Pln0kDEXGu48j2JF2w.png" /><figcaption>getOrientation fonksiyonunun maske sonuçları</figcaption></figure><p>Uzunluk ve genişlik çizgilerini çizmek için iki adet boş maske tanımlıyoruz. Contour_line_h maskemizin içine drawAxis fonksiyonu ile cismin orta noktasından h koordinatına kadar olan uzunluk vektörümüzü çiziyoruz. Ardından genişlik için de aynı şekilde contour_line_w maskemizin içine cismin orta noktasından w koordinatına kadar genişlik vektörümüzü çiziyoruz. Çizdiğimiz vektörleri cismin orta noktasından zıt yöne doğru tekrar maskenin üzerine çizdiriyoruz.</p><pre>def drawAxis(self, img, p_, q_, colour, scale):<br>    p = list(p_)<br>    q = list(q_)<br>    angle = atan2(p[1] - q[1], p[0] - q[0])<br>    hypotenuse = sqrt((p[1] - q[1]) * (p[1] - q[1]) + (p[0] - q[0])<br>    *(p[0] - q[0]))<br>    q[0] = p[0] - scale * hypotenuse * cos(angle)<br>    q[1] = p[1] - scale * hypotenuse * sin(angle)<br>    line = cv2.line(img, (int(p[0]), int(p[1])), (int(q[0]),<br>    int(q[1])),  colour, 3, -1)<br>    return line, angle</pre><p>drawAxis fonksiyonuna girdi olarak oluşturduğumuz boş maskeyi, cismin orta noktalarını, temel bileşen noktalarını, rengi ve çizginin ölçeğini veriyoruz. Ardından cismin orta noktalarını ve temel bileşen noktalarını bir listeye atıyoruz. Çizilecek çizginin radyan cinsinden açısını buluyoruz ve hipotenüsünü hesaplıyoruz. Son olarak da çizgimizin başlangıç ve bitiş noktalarını tanımlayıp OpenCV’nin cv2.Line fonksiyonu ile çizdiriyoruz.</p><p>Çizgilerimizi çizdirdikten sonra kontur ile kesişim noktalarını bulup piksel uzunluklarını hesaplamak için getCoordinates fonksiyonumuza gidiyoruz.</p><pre>def getCoordinates(self, contour, w_or_h):<br>       np_where = np.where(contour &amp; w_or_h == [255])<br>       array_0, array_1 = np_where[0], np_where[1]<br>       first_coor = list([int(np.mean(array_1[0])),<br>           int(np.mean(array_0[0]))])<br>       second_coor = list([int(np.mean(array_1[len(array_1) - 1:])),<br>           int(np.mean(array_0[len(array_0) - 1:]))])<br>       length = cv.norm(np.array(second_coor) -<br>           np.array(first_coor))<br>       return second_coor, first_coor, length</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*A6WvO4p06sAeSCyViGiJqQ.png" /><figcaption>getCoordinates Fonksiyonu sonucunda kesişen noktaların sonuçları</figcaption></figure><p>getCoordinates fonksiyonumuz girdi olarak konturü ve getOrientation fonksiyonumuzun döndürdüğü çizgileri almaktadır. Numpy kütüphanesinin np.where fonksionu ile iki derinlikli konturümüzle maskedeki çizgilerimizin kesişim noktalarını bulup ilk ve son elementlerini dizi içine atıyoruz. Ardından OpenCV’nin cv2.norm fonksiyonu ile piksel uzunluklarını buluyoruz.</p><p>Eğer çizdiğimiz çizgileri orijinal görüntü üzerinde göstermek istiyorsak getOrientation fonksiyonunda tüm çizgileri tek bir maske üzerine çizdirip cv2.bitwise_or fonksiyonu ile orijinal görüntü ile çizgileri çizdiğimiz maskeyi birleştirebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vZQjncDPaXOPeK9_T0P-jw.png" /><figcaption>bitwise_or fonksiyonu sonucunda orijinal resim ile birleştirilmiş sonuç</figcaption></figure><p><strong>OpenCV PCA vs Bounding-box Yöntemi:</strong></p><p>Bounding-box yöntemi ile de cisimlerin uzunluklarını bulabiliriz.[2] Ancak cisimlerin geometrik bir şekli olmadığı zaman bu yöntem çok da düzgün çalışmamaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RfKUMiZ70M-dpoapYMDDHA.png" /><figcaption>Sağdaki görsel bounding-box yöntemi[2], soldaki görsel OpenCV PCA yöntemi</figcaption></figure><p>Yukarıdaki görselde de gördüğümüz üzere bounding-box’ın köşe noktaları gerek ışıktan gerekse cismin şeklinden dolayı düzgün çizilememektedir. Ayrıca anahtar örneğimizde gördüğümüz üzere bounding-box yöntemi ile çizilen genişlik çizgisi anahtarın genişliğinden oldukça fazla çizilmiştir. PCA yönteminde ise yönelim çizgilerimiz kontur sınırları içerisinde çizildiği için bu tip sorunlarla karşılaşmamaktayız. Bu nedenle bu tip durumlarda PCA yöntemi bounding-box yönteminden daha yararlı sonuçlar vermektedir.</p><p><strong>Bounding-box ve PCA Yöntemi İçin Farklı Bir Örnek Çıktısı:</strong></p><p>Aşağıda numaralandırılmış cisimlerde bounding-box yönteminin karşımıza çıkardığı başka bir sorunu görmekteyiz. Cıvataların etrafına çizilen bounding-box’ın tam olarak istenilen köşelerden çizmemesi sonucunda uzunluklar yanlış çıkmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iVCZ7WNUcj4sMtGoxvPJAQ.png" /><figcaption>Bounding-box Yöntemi</figcaption></figure><p>OpenCV PCA yönteminde ise bu problem ortadan kalkmaktadır çünkü PCA yönteminde konturun dışından değil içinden bir çizgi çizmekteyiz ve cisimlerin orta noktaları referans alınıp çizildiği için çizgiler cisimlerin tam orta noktasından ikiye ayıracak şekilde çizilir. Bu nedenle de OpenCV PCA yöntemi bounding-box yöntemine oranla daha doğru sonuçlar vermektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*T8DKPyIegNFsHPjOl-xeVQ.png" /><figcaption>OpenCV PCA yöntemi</figcaption></figure><p><strong>Lens Kaynaklı Görüntü Bozuklukları ve Çözülmesi:</strong></p><p>Kullandığımız lensten kaynaklı olarak kameradan aldığımız görüntüde bazı bozulmalar yaşayabiliriz. Bu bozulmaları düzeltmediğimiz durumda görüntü üzerindeki cismin piksel uzunluğunu gerçek uzunluğundan daha uzun veya kısa olarak buluruz.</p><p>Lens kaynaklı bozulmalar temelde üç çeşittir. Dış bükey (Barrel Distortion)bozulmalar, İç bükey (Pincushion Distortion)bozulmalar ve Bıyık şeklinde (Mustache Distortion) bozulmalardır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/0*AA9lVvOCCZ56lKC0.png" /><figcaption>Lens kaynaklı bozulmalar[3]</figcaption></figure><p>Bu bozulmaları OpenCV kütüphanesinin kamera kalibrasyon yöntemi ile ortadan kaldırmak mümkündür. Kamera kalibrasyonu ile ilgili detaylı bilgiye OpenCV’nin kendi dokümantasyonundan[4] ulaşabilirsiniz.</p><p><strong>Kaynakça:</strong></p><p>[1]<strong>Introduction to Principal Component Analysis (PCA)-</strong><a href="https://docs.opencv.org/master/d1/dee/tutorial_introduction_to_pca.html">https://docs.opencv.org/master/d1/dee/tutorial_introduction_to_pca.html</a></p><p>[2]<strong>Measuring Size of Objects in An Image with OpenCV-</strong><a href="https://www.pyimagesearch.com/2016/03/28/measuring-size-of-objects-in-an-image-with-opencv/">https://www.pyimagesearch.com/2016/03/28/measuring-size-of-objects-in-an-image-with-opencv/</a></p><p>[3]<strong>Görüntü Bozulmaları ve Kamera Kalibrasyonu-</strong><a href="https://mesutpiskin.com/blog/goruntu-bozulmalari-ve-kamera-kalibrasyonu.html">https://mesutpiskin.com/blog/goruntu-bozulmalari-ve-kamera-kalibrasyonu.html</a></p><p>[4]<strong>OpenCV Camera Calibration-</strong><a href="https://docs.opencv.org/master/dc/dbb/tutorial_py_calibration.html">https://docs.opencv.org/master/dc/dbb/tutorial_py_calibration.html</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=841f377e8f33" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>