<?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 M. Galib Uludag on Medium]]></title>
        <description><![CDATA[Stories by M. Galib Uludag on Medium]]></description>
        <link>https://medium.com/@mguludag?source=rss-b0c2237bddbb------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*HRFUk2xsOpGY6lJi.</url>
            <title>Stories by M. Galib Uludag on Medium</title>
            <link>https://medium.com/@mguludag?source=rss-b0c2237bddbb------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 12:00:54 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@mguludag/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[OpenCV DNN ile Daha Iyi Kenar Belirleme]]></title>
            <link>https://medium.com/@mguludag/opencv-dnn-ile-daha-iyi-kenar-belirleme-2a368bd9e18a?source=rss-b0c2237bddbb------2</link>
            <guid isPermaLink="false">https://medium.com/p/2a368bd9e18a</guid>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[cpp]]></category>
            <category><![CDATA[edge-detection]]></category>
            <dc:creator><![CDATA[M. Galib Uludag]]></dc:creator>
            <pubDate>Fri, 17 Jul 2020 15:43:29 GMT</pubDate>
            <atom:updated>2020-07-17T15:59:29.567Z</atom:updated>
            <content:encoded><![CDATA[<p>OpenCV ile kenar belirleme için çoğunlukla <strong>Canny</strong> kenar belirleme yöntemi tercih ediliyor. Canny yönteminin yetersiz kaldığı durumlarda artık <strong>dnn</strong> ile daha gerçekçi kenar belirleme sonucu göreceğiz.</p><p>Canny algoritması John F. Canny tarafından 1986’da geliştirildi. 4 aşamalı bir algoritmadır.</p><ul><li><strong>Noise removal:</strong> Resimdeki istenmeyen gürültüyü <em>Gaussian Filter</em> ile azaltarak Canny algoritmasının kenar olarak algılaması engellenir.</li><li><strong>Gradient Calculation:</strong> Her piksel için <em>Sobel, Prewitt ya da Robert</em> operatörleriyle gradyan (görüntü yoğunluk derecesi) hesaplanır.OpenCV ile kenar belirleme için çoğunlukla <strong>Canny</strong> kenar belirleme yöntemi tercih ediliyor. Canny yönteminin yetersiz kaldığı durumlarda artık <strong>dnn</strong> ile daha gerçekçi kenar belirleme sonucu göreceğiz.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/306/0*8g2sxfGUMAClQ0D0.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/214/0*WJ7Q5H7FcY9iPwP3.png" /></figure><ul><li><strong>Non-Maximal Suppression:</strong> Kenarlarda olmayan pikseller kaldırılır. En yüksek gradyan değeri olan pikseller kenar olarak kabul edilir. Gerçekte gradyan hesabı tek pikselde değilde komşu piksellerle birlikte yapılır.</li><li><strong>Hysteresis Thresholding:</strong> Min ve Max threshold değerine bakılarak eldeki piksellerin kenar mı değil mi olduğuna dair son karar verilir. Gradyan değeri Max değerden yüksekse kenar kabul edilir, Min değerden düşükse kenar kabul edilmez. Max ile Min arasında kalıyorsa bağlantılı olduğu kenar var mı diye bakılır eğer varsa kenar olarak kabul edilir.<br>Bu aşamalardan sonra Canny yöntemi bitmiş ve kenar belirlenmiş olur.</li></ul><h3>Canny Yönteminin Sorunları</h3><p>Canny yöntemi yerel değişimlere odaklanarak kenar bulmaya çalışır, resmin içeriğine göre karar vermez. Bu sebeple her durumda güzel ve istenen sonuçlar alınmaz.<br>İçeriğe bakarak kenar bulma derin öğrenme ya da makine öğrenmesi tabanlı yöntemler ile mümkün hale gelmiştir.</p><h3>OpenCV ile Derin Öğrenme Tabanlı Kenar Bulma</h3><p>OpenCV 3.4.3 ve üst sürümlerde kendi içinde entegre DNN modülü barındırmaya başladı. Bu DNN tabanlı kenar bulma yöntemi <em>Holistically Nested Edge Detection</em> ya da <em>HED</em> olarak bilinmeye başladı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/659/1*SpVB8siZBjCrUfla4cXEkQ.png" /><figcaption>architecture of hed</figcaption></figure><p>HED, ara katmanların yan çıktılarını kullanır. Önceki katmanların çıktılarına yan çıktı denmektedir ve 5 convolutional katmanın çıktısı asıl tahmini oluşturmak için birleştirilir. Her katmanda oluşturulan özellik haritaları farklı boyutta olduğundan, görüntüye farklı ölçeklerde etkili bir şekilde bakıyor.<br>HED yöntemi en yüksek doğrulukta sonuç üretmese de DNN tabanlı çözümler içinde en hızlısı sayılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*mR3Ks0qhYx2Ux4J9q5MLXA.png" /><figcaption>dnn edge detection comparison</figcaption></figure><h3>C++ ile OpenCV DNN Tabanlı Kenar Bulma Yöntemi</h3><p>Koda geçmeden önce Caffe ile eğitilmiş <a href="https://raw.githubusercontent.com/mguludag/OpenCV_HED_Example/master/hed_pretrained_bsds.caffemodel">model</a> ve <a href="https://raw.githubusercontent.com/mguludag/OpenCV_HED_Example/master/deploy.prototxt">prototxt</a> dosyalarını edinmek gerekiyor.<br>OpenCV dnn::Layer sınıfından kalıtım yoluyla MyCropLayer adlı sınıf oluşturup kendi implementasyonumuzu yapacağız.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/7b47dc2f54ff60fc66b40ef4dd59c1aa/href">https://medium.com/media/7b47dc2f54ff60fc66b40ef4dd59c1aa/href</a></iframe><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/22bb5aeb6eab663c506069ee5f3e7a2a/href">https://medium.com/media/22bb5aeb6eab663c506069ee5f3e7a2a/href</a></iframe><p>MyCropLayer sınıfımızı implement ettikten sonra main.cpp dosyasında ilgili hpp dosyasını çağırdıktan sonra</p><pre>CV_DNN_REGISTER_LAYER_CLASS(Crop, MyCropLayer);</pre><p>bildirimi ile reimplement ettiğimiz sınıfı OpenCV Layer sınıfına kaydediyoruz. Böylelikle OpenCV, Crop sınıfı yerine implement ettiğimiz MyCropLayer sınıfını kullanacaktır.<br>main.cpp dosyası:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/94316ad609ff8f1a58fc0b93fa8b95ec/href">https://medium.com/media/94316ad609ff8f1a58fc0b93fa8b95ec/href</a></iframe><p>hedEdgeDetectDNN fonksiyon parametrelerinde &amp;image değişkeni kaynak/hedef resmimizi gösterir. prototxt ve caffemodel değişkenleri ise prototxt ve caffemodel dosya yolunu gösterecektir. Son olarak size değişkeni ise resmin DNN ile işleme girmeden önceki ölçekleneceği boyutu ayarlamak için kullanılacaktır. Boyutun arttırılması kaliteyi arttırırken işlem süresini önemli ölçüde arttırmaktadır.<br>Fonksiyon içeriğinde ise readNet ile model dosyası okunur. Daha sonra giriş resmi belirlenen bir boyuta ölçeklenir. Ardından blobFromImage ile görüntüden blob oluşturulup sinir ağına giriş olarak verilir.<br>Tekrar blob’dan görüntü elde etmek için imagesFromBlob fonksiyonu çağırılır. Tek resim gönderildiği için vectorOfImagesFromBlob[0] konumundaki görüntüyü tekrar eski boyutuna getirip giriş resmine atayarak fonksiyonu bitirir.</p><h3>Çeşitli Resimler ve Sonuçları</h3><ul><li>Orijinal <em>(Üst)</em> Canny <em>(Sol alt)</em> HED <em>(Sağ alt)</em></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/965/0*FoNwA2Kq3E0KJ3Xm.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*9lMBEXAUepGTmLFc.png" /></figure><h3>İleri okuma ve kaynaklar</h3><ul><li><a href="https://github.com/mguludag/OpenCV_HED_Example">Tam kaynak kodu</a></li><li><a href="https://arxiv.org/pdf/1504.06375.pdf">Paper — Arxiv.org</a></li><li><a href="https://cv-tricks.com/opencv-dnn/edge-detection-hed/">Deep Learning based Edge Detection in OpenCV</a></li><li><a href="https://answers.opencv.org/question/219737/opencv-c-holistically-nested-edge-detection/">Opencv C++ Holistically-Nested Edge Detection</a></li><li><a href="https://www.pyimagesearch.com/2019/03/04/holistically-nested-edge-detection-with-opencv-and-deep-learning/">Holistically-Nested Edge Detection with OpenCV and Deep Learning</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2a368bd9e18a" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>