Görüntü işleme ve Bilgisayarlı Görü Kategorisi


Ağırlıklı Ortalama Öteleme Algoritması (Mean Shift) ile Hareketli Nesne Takibi

Mean Shift farklı maalesef bir çok farklı şekilde Türkçeye çevriliyor, farklı akademik kaynaklara baktığımda “Ortalama Kaydırma”, “ Ağırlıklı Ortalama Kaydırma”vb. gibi bir çok farklı çevirisi var. TÜBA terimler sözlüğüne bakarak bende kendimce mantıklı olduğunu düşündüğüm “Ağırlıklı Ortalama Öteleme Algoritması” başlığını atmaya karar verdim. Bu yazıda ele alacağımız konu hareketli bir nesnenin nasıl nakip edilebileceği olacak.

Derin Öğrenme ve OpenCV – Nesne Tanıma

Derin Öğrenme ve OpenCV OpenCV 2.4 sürümü ile birlikte derin öğrenme tarafındaki birçok gelişmeye yer verilmeye başlanmıştı. Görüntü sınıflandırma için farklı kütüphaneler ile oluşturulmuş modellerin içe aktarılabilmesi, farklı sınıflandırıcı ağların oluşturulabilmesi, model oluşturabilme vb.  OpenCV 3.3 sürümü ile birlikte ise neredeyse nihai bir dağıtım oluşturuldu ve Caffe, TensorFlow, Torch DarkNet gibi framework’ler için destek sağlandı. Popüler;

Görüntü Bozulmaları ve Kamera Kalibrasyonu

Bozuk görüntü, görüntü işleme süreçlerini zorlaştıran bir durumdur bu yüzden çoğu zaman bu bozuklukları düzeltmek gerekir. Düzeltme işlemini lens, kamera, kayıt cihazı değiştirerek düzeltmek çoğu zaman sonuç versede bizim amacımız bunu yazılımsal olarak düzeltmektir. Bu yazıda görüntü bozukluklarını, kamera kalibrasyonu ile gerekli matrisleri hesaplamayı ve bozuk görüntüyü düzeltmeye çalışacağız. Görüntü Bozuklukları Görüntü bozuklukları kullanılan kamera,

Dlib ile Makine Öğrenimi ve Görüntü İşleme – 1 Giriş

Bu yazıda Dlib kütüphanesi hakkında bilgiler verip kütüphanenin nasıl kurulabileceğine ve neler yapılabileceğine bakacağız. Dlib Kütüphanesi Dlib kütüphanesi C++ programlama dili ile geliştirilmiş ve 2002 yılından buyana geliştirilmeye devam eden içerisinde makine öğrenimi, derin öğrenme ve bilgisayarlı görü algoritmalarını barındıran açık kaynak kodlu bir kütüphanedir. C++ ve Python apisi sayesinde de Python programlama dili ile

Nesne Tespiti ve Nesne Tanıma Süreçleri

Giriş Veri Girişi Veri Ön İşleme Öznitelik Tanımlama 1.Giriş  Nesne tespiti ve nesne tanıma uzun zamandır bilgisayarlı görü uygulamaları için vazgeçilmez bir ihtiyaçtı. Yıllardır üzerinde çalışan bu konu için farklı algoritmalar geliştirildi fakat devrim niteliğindeki algoritma 2o01 yılında  Paul Viola ve Michael Jones tarafından geliştirilen Viola Jones algoritması oldu. Bu algoritma “Rapid Object Detection using a Boosted

OpenCV.JS – JavaScript ile Görüntü İşleme

Sık sorulan sorulardan bir tanesi web uygulamalarında OpenCV işlevlerinden nasıl yararlanılabilceğiydi. Bunun farklı çözümler Bildiğiniz üzere OpenCV kütüphanesi  C/C++, Python ve Java programlama dilleri için API sağlamaktadır. Bu popüler kütüphaneye  web uygulamaları içinde ihtiyaç duyulması neticesinde OpenCV.js kütüphanesi yakın bir zamanda release oldu. Bu kütüphane temel olarak web uygulamalarında OpenCV kullanabilmek amacıyla geliştirilmiş açık kaynak

İki Görüntü Arasındaki Benzerlik Oranı

İki görüntüyü karşılaştırmak istediğinizde bunu yapmanın farklı yöntemleri vardır. En kolay yöntemlerden biriside tek tek piksellere bakarak aynı olup olmadığını kontrol etmekttir. RGB (R Kırmızı G Yeşil B Mavi) renk uzayına sahip görüntüler üç katmandan oluşmaktadır. Görüntüyü bir matris olarak ele aldığımızda RGB renk uzayındaki görüntülerin üç katmanlı olduğunu söyleyebiliriz. Siyah beyaz veya gri renk uzayına

Live CV

Live CV Dinu SV tarafından geliştirilen açık kaynak kod bir geliştirme ortamı. Geliştirme ortamı diyorum çünkü farklı bir görüntü işleme kütüphanesi olarak düşünülmemeli. Live CV QML (Qt Meta Language veya Qt Modeling Language) dili ile json benzeri bir yapıda geliştirme yapmayı sağlayan OpenCV wrapperı. QML ile json formatındaki elementler şeklinde OpenCV fonksiyonları kullanılabiliyor. Hızlı prototipleme, yeni başlayanlar için OpenCV’yi kavrama veya

Place2 ve Places2SceneRecognitionAPI

Places2SceneRecognitionAPI Kullanarak Görüntü Analizi Place2  Place2 Massachusetts Teknoloji Enstitüsü (Massachusetts Institute of Technology – MIT) tarafından geliştirilen bir  görüntü işleme servisi. Daha çok derin öğrenme yöntemleri üzerine araştırma yaparak, elde ettikleri sonuçlar ile nesneleri sınıflandırmak ve tanımak üzerine hizmet veren bir yapı. Place2 çalışması kapsamında 30,000 üzerinde görüntü  ile yapılan eğitim süreci sonucunda  400+ kategoride  eğitilmiş veri setine

Microsoft Cognitive Service ile Görüntü Analizi

Microsoft Computer Vision Api ile Görüntü Analizi Gereksinimler: Bir önceki yazının okunması Sebep:Api’nin tanınması, api anahtarı alınması,  gerekli kütüphanenin kurulması Microsoft Cognitive Service, Computer Vision API ile OCR Microsoft bu api ile görüntü analizi de yapabilmektedir. Kaynak görüntü üzerindeki insan yüzleri, yaş tahminleri, ana ve ara renkler, görüntü üzerindeki nesneler, görüntünün yetişkin içerik olup olmama durumu