27 12 2022

Görüntü İşleme 2022-2023 Video İşlemleri

OPENCV Video İşlemleri

OpenCV’de video okuma, bilgisayarla görme ve görüntü işlemenin çok önemli bir yönüdür. OpenCV, bilgisayarla görme görevleri için çok çeşitli işlevler ve algoritmalar sağlayan açık kaynaklı bir kütüphanedir.

OpenCV’de video okuma, bir kameradan veya bir dosyadan video yakalama ve analiz ve işleme için videonun karelerini yorumlama işlemidir. Bu, gözetim, nesne izleme ve video düzenleme gibi bilgisayarla görme uygulamalarında yaygın bir görevdir.

OpenCV’de bir videoyu okumak için ilk adım cv2.VideoCapture() fonksiyonunu kullanarak bir video yakalama nesnesi oluşturmaktır. Bu fonksiyon, video dosyasının veya video akışının yolunu bir argüman olarak alır.

Video yakalama nesnesi oluşturulduktan sonra, videodan tek tek kareleri okumak için nesnenin read() yöntemini kullanabiliriz. Bu yöntem, okuma işleminin durumunu ve karenin kendisini içeren bir tuple döndürür.

Burada “ret” mantıksal değişkenini (True or False) kullanarak video okumanın başarılı olup olmadığını test edebiliriz.

Kareleri görüntülemek için, pencere adını ve kareyi argüman olarak alan cv2.imshow() fonksiyonunu kullanabiliriz. Çerçevelerin düzgün görüntülenmesi için imshow() fonksiyonundan sonra cv2.waitKey() fonksiyonunun kullanılması önemlidir.

OpenCV, kareleri okuma ve görüntülemeye ek olarak, kareleri yeniden boyutlandırma, döndürme ve çevirme gibi temel video manipülasyonu için işlevler de sağlar. Bu işlevler, daha fazla işlem veya analiz gerçekleştirmeden önce kareleri önceden işlemek için kullanılabilir.

cv2.VideoWriter() fonksiyonunu kullanarak kareleri yeni bir videoya yazmak da mümkündür. Bu fonksiyon çıkış video dosyası adını, fourcc kodunu, kare hızını ve kare boyutunu argüman olarak alır. Fourcc kodu, video codec bileşenini belirtmek için kullanılan 4 baytlık bir koddur.

Genel olarak, OpenCV’de video okuma, bilgisayarla görme uygulamaları için güçlü ve çok yönlü bir araçtır. Video verilerinin analizine ve manipülasyonuna izin vererek gözetim, video düzenleme ve nesne izleme gibi alanlarda çok çeşitli uygulamalara olanak tanır.

Çerçeveler Üzerinde İşlemler:

BLOB Analizi:

BLOB (Binary Large Object) ikili büyük nesne anlamına gelir ve bir ikili görüntüde bağlı piksellerin bir grubunu ifade etmektedir. Büyük terimi belirli boyuttaki nesne olarak adlandırılır. Dolayısıyla büyük boyutun dışında kalan küçük nesneler gürültü olarak değerlendirilir. Görüntü işlemede nesne tespit etme konusunda özellikle yaygın kullanılır. Bir görüntüde odaklandığımız nesneleri genellikle önce ikilik görüntüye çevirip BLOB haline getiririz.

BLOB analizinin amacı: Bilgisayar görmesi, insan bilgisayar etkileşimi veya örüntü tanıma için nesnelerin etiketlenmesini ya da başka bir ifade ile ikili görüntüdeki büyük nesneleri diğerlerinden (gürültüden) ayırıp etiketleyip öznitelik verileri üretmektir.

Aşağıda bir görüntüdeki BLOB’ları tespit eden ve kapsayıcı kutu içine alan program verilmiştir.

Orijinal Görüntü:

İşlenmiş görüntü:

Renk tespiti ve kutu içine alınması:

Bir görüntüdeki renkleri tespit etmek için öncelikle görüntüyü HSV (Hue-Saturation-Value) renk modeline dönüştürmemiz gerekmektedir. HSV renk modeli, renkleri “renk tonu” (hue), “doygunluk” (saturation) ve “parlaklık” (value) gibi üç temel özelliğe ayırarak temsil eder. Bu model, renkleri ayırt etmek ve renkler arasındaki benzerlikleri kolayca analiz etmek için idealdir. Ancak BGR görüntülerde de renk tespit etmek mümkündür. Ana renkler ve ara renkler farklı yöntemlerle tespit edilebilir.

Video Görüntülerinde Nesne Tespiti

Görüntü işlemede nesne tespiti, bir görüntünün içindeki nesneleri tanımak ve konumlarını belirlemek için kullanılan bir tekniktir. Bu işlem genellikle bir görüntünün içindeki nesneleri sınıflandırmak için kullanılır ve bu sınıflandırma birçok farklı amaç için kullanılabilir. Örneğin, bir güvenlik kamerasında nesne tespiti kullanılarak insanların ve araçların hareketleri takip edilebilir veya bir alışveriş merkezinde insanların nerelerde daha fazla zaman geçirdiği belirlenebilir.

Örnek çalışmamızda video görüntüsündeki belirli bir renge odaklanacağız ve o renkteki nesneleri kapsayıcı kutu içine almaya çalışacağız.