Filtreleme, kenar algılama ve segmentasyon teknikleri ele alınır. Görüntü iyileştirme ve morfolojik işlemler üzerinde durulur.
Uygulama odaklı çalışmalar ile dijital görüntü verisinin işlenmesi ve farklı iş senaryolarına uyarlanması hedeflenir.
Eğitim Süresi: 3 Gün
1.Gün: Görüntü İşlemeye Giriş ve Temel Kavramlar
Tanım ve Amaçlar:
-Görüntü işleme süreçlerinin tanıtımı.
-Veri analizi ve iyileştirme amaçları.
Uygulama Alanları:
-Tıbbi görüntüleme (MR, CT).
-Güvenlik ve izleme sistemleri.
-Otomotiv ve otonom araçlar.
- Görüntü Temelleri
- Görüntü Formatları:
-RGB, CMYK, HSV, YCbCr gibi renk uzayları.
-Yaygın görüntü formatları (JPEG, PNG, BMP).
- Görüntü Çözünürlüğü ve Boyutları:
-Piksel ve çözünürlük tanımları.
-Görüntü boyutlarının performansa etkisi.
- Görüntü İşleme Araçları ve Kütüphaneleri
Python’da Görüntü İşleme:
-OpenCV, Pillow, scikit-image ve NumPy kütüphanelerinin tanıtımı.
-Kütüphanelerin kurulumu ve başlangıç adımları.
-Görüntü okuma, yazma ve gösterme işlemleri.
-Görüntü verisi ile temel manipülasyonlar.
-Kırpma ve ölçekleme
-Dönme ve ayna görüntüsü alma
-Renk düzenlemeleri (parlaklık, kontrast, doygunluk)
-OpenCV kullanarak basit bir görüntü okuma ve gösterme uygulaması.
-Farklı görüntü formatlarıyla çalışarak temel manipülasyonlar.
2.Gün: Görüntü Dönüşümleri ve Filtreleme Teknikleri
Geometrik Dönüşümler:
-Döndürme, ölçekleme, çevirme, kırpma.
-Uygulama örnekleri ile dönüşüm matrisleri.
Renk Uzayları Dönüşümü:
-Renk dönüşüm algoritmaları.
-Histogram eşitleme ve görüntü iyileştirme.
- Histogram ve Görüntü Eşitleme:
-Histogramın tanımı ve analizi.
-Görüntü eşitleme yöntemleri ile kontrast artırma.
- Filtreleme Teknikleri
Uzamsal Filtreleme:
-Konvolüsyon ve temel filtre türleri (kenar bulma, bulanıklaştırma).
-Farklı filtrelerin uygulanması ve sonuçları.
Frekans Alanı Filtreleme:
- Fourier dönüşümü ile frekans alanına geçiş.
- Yüksek ve düşük geçiren filtreler.
- Görüntü Gürültüsünü Azaltma
-Gürültü türleri ve etkileri
-Gürültü azaltma yöntemleri (Median filtresi, Bilateral filtresi)
- Uygulamalı Çalışma:
-Farklı filtrelerin (Gaussian, Median, Sobel) uygulanması ve sonuç analizi.
-Kenar tespiti uygulaması ile görüntüdeki detayların belirlenmesi.
3.Gün: Görüntü Analizi ve Uygulama Projeleri
- Görüntü Analizi Teknikleri
-Nesne Tanıma ve Segmentasyon:
-Segmentasyon algoritmaları (thresholding, region growing).
Nesne tespiti yöntemleri (Haar cascades, HOG).
-Kontur Tespiti ve Özellik Çıkarımı:
- Kontur bulma ve analiz yöntemleri.
- Görüntüden özellik çıkarımı (bölge özellikleri, kenar özellikleri).
Hareket Tespiti
- Video akışında nesne takibi
- Optik akış yöntemleri
- Makine Öğrenimi ile Görüntü İşleme
- Makine öğrenimi temelleri
- Görüntü Sınıflandırma:
- Makine öğrenimi algoritmaları ile görüntü sınıflandırma.
- Derin öğrenme yöntemlerinin tanıtımı.
- Derin Öğrenme ile Görüntü İşleme
-Derin Öğrenmeye Giriş
-Derin öğrenmenin temelleri
-Sinir ağları ve mimarileri
- Konvolüsyonel Sinir Ağları (CNN):
-CNN mimarisi ve temel bileşenleri.
-Görüntü işleme uygulamalarında CNN kullanımı
- Konvolüsyonel Sinir Ağları (CNN)
-CNN yapısı ve bileşenleri
-CNN uygulamaları ve örnekler
-Önceden eğitilmiş modellerin kullanımı
-Transfer öğrenmenin avantajları
-Python ortamında görüntü işleme
