**Smoothing Images** olarak geçer. [TOC] ## Hedefler - Çeşitli düşük geçişli filtrelerle görüntüleri bulanıklaştırma - Görüntülere özel filitreler uygulamak (2B kıvrım) ## 2D Kıvrım ( Resim Filtreleme ) Tek boyutlu sinyaller olarak, çeşitli düşük geçişli **(LPF)** filtreler ile resimler ayrıca filtrelenebilir, yüksek geçişli filtreler **(HPF)** vs. Bir LPF gürültünün giderilmesinde yardım eder veya resmi bulanıklaştırmada. HPF ise resimlerdeki kenarları bulmada yardım eder. Bir resim ile çekirdeği ( kernel ) çevirmek, evirmek vs için OpenCV kütüphanesinde `cv2.filter2D()` fonksiyonunu vardır. Örnekte görüldüğü gibi, biz resim üzerinde ortalama filtre deniyoruz. 5x5 ortalama bir filtre çekirdeği bu şekilde tanımlanabilir. ![](http://opencv-python-tutroals.readthedocs.io/en/latest/_images/math/220e403e44b16ea8e05d350c4ce69e9aedff5bd1.png) Yukarıdaki çekirdek ile filtreleme, aşağıdakilerin gerçekleştirilmesine neden olur. Her bir pixel, 5x5 bu pixel'in üzerinde ekran ordalıdır, bu pencerenin içine giren bütün pixel'ler toplanır ve bunun sonucunda 25'e bölünür.Bu, o pencere içindeki piksel değerlerinin ortalamasının hesaplanmasına denktir. Bu işlem çıktı filtrelenmiş görüntüyü üretmek için görüntünün tüm pikselleri için gerçekleştirilir. Bu kodu deneyin ve sonucunu kontrol edin: ```python import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('opencv_logo.png') kernel = np.ones((5,5),np.float32)/25 dst = cv2.filter2D(img,-1,kernel) plt.subplot(121),plt.imshow(img),plt.title('Original') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(dst),plt.title('Averaging') plt.xticks([]), plt.yticks([]) plt.show() ``` sonuç ![](http://opencv-python-tutroals.readthedocs.io/en/latest/_images/filter.jpg) ## Görüntü Yumuşatma Görüntü bulanıklaştırma düşük geçişli filtreler ile resmi evriştirilerek yapılır.Bu görüntü kirliliğini kaldırmak için iyi bir yöntemdir.Aslında yüksek frekanslı içeriği (ör. Gürültü, kenar) görüntüden kaldırır ve böylece filtre uygulandığında kenarları bulanık hale getirir.OpenCV, esas olarak dört tür bulanıklaştırma tekniği sunar. ### 1. Averaging ( Ortalama ) Bu normalize edilmiş kutu filtresi ile resmin evriştirilmesi sonuçu yapılır. Çekirdek alanı altındaki tüm piksellerin ortalamasını alır ve merkezi öğeyi bu ortalama ile değiştirir. Bu olay OpenCV de ki `cv2.blur()` ve `cv2.boxFilter()` fonksiyonları ile yapılır.Çekirdek hakkında daha fazla bilgi edinmek için, çekirdeğin genişlik ve yüksekliğini belirlemeliyiz 3x3 normalize edilmiş bir kutu filtresi şuna benzer: ![](http://opencv-python-tutroals.readthedocs.io/en/latest/_images/math/42f61cdcb41615a23af32b0fd95e674090afdc8d.png) >NOT; Eğer normalize edilmesin istiyorsanız cv2.boxFilter(normalize = False ) demeniz yeterli oluyor. ```python import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('opencv_logo.png') # resmi okuduk blur = cv2.blur(img,(5,5)) # blur filtresi uyguladık # ve oluşan orjinal ve yeni görüntüyü matplotlib kullanarak ekrana verdik plt.subplot(121),plt.imshow(img),plt.title('Original') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(blur),plt.title('Blurred') plt.xticks([]), plt.yticks([]) plt.show() ``` Sonuç; ![](http://opencv-python-tutroals.readthedocs.io/en/latest/_images/blur.jpg) ### 2. Gauss Filtreleme Bu yaklaşım eşit filtre katsayılarından oluşan bir kutu filtresi yerine, bir gauss çekirdeği kullanır bu işlem `cv2.GaussianBlur()` fonksiyonu kullanılarak yapılır.Tek ve pozitif olan çekirdeğin yükseklik ve genişliğini belirlemeliyiz. Standart sapmayı da sırasıyla X ve Y yönlerinde, sigmaX ve sigmaY olarak belirtmeliyiz. Yalnızca sigmaX belirtilirse, sigmaY sigmaX'e eşit olarak alınır. Her ikisi de sıfır olarak verilirse, bunlar çekirdek boyutundan hesaplanır. Gauss filtrelemesi, görüntüdeki Gauss gürültüsünü gidermede oldukça etkilidir. Bu işlemi yapmak için `cv2.getGaussianKernel()`. fonksiyonunu kullanmalısınız. Yukarda verdiğimiz kodun ilgili yerini sadece bununla değiştirerek yapılabilir `blur = cv2.GaussianBlur(img,(5,5),0)` ![](http://opencv-python-tutroals.readthedocs.io/en/latest/_images/gaussian.jpg) ### 3. Medyan ( Ortanca ) Filtreleme Burada, `cv2.medianBlur()` fonksiyonu çekirdek penceresinin altındaki tüm piksellerin ortanca değerini hesaplar ve orta piksel bu orta değerle değiştirilir. Bu, tuz ve biber gürültüsünü gidermede son derece etkilidir. Dikkat çekilmesi gereken ilginç bir nokta, Gauss ve kutu filtrelerinde, merkezi öğe için filtrelenmiş değer, orijinal resimde bulunmayan bir değer olabilir. Bununla birlikte, medyan filtrelemede bu geçerli değildir, çünkü merkezi öğe daima görüntüdeki bazı piksel değerleri ile değiştirilir. Bu, gürültüyü etkili bir şekilde azaltır. Çekirdek boyutu pozitif tek sayıyla olmalıdır. Bu demoda, orijinal resmimize % 50 gürültü ekliyoruz ve bir medyan filtre kullanıyoruz. Sonucu kontrol edin: `median = cv2.medianBlur(img,5)` ![](http://opencv-python-tutroals.readthedocs.io/en/latest/_images/median.jpg) ### 4. Bilateral Filtreleme Not ettiğimiz gibi daha önce gösterdiğimiz filtrelerin kenarlarını bulanıklaştırma olaylarında. Kenarları korurken gürültünün giderilmesinde oldukça etkili olan ikili filtre `cv2.bilateralFilter()` için durum böyle değildir. fakat bu işlem, diğerlerine göre daha yavaş çalışır. Zaten bir Gauss filtresinin pikselin çevresini aldığını ve Gauss ağırlıklı ortalamasını bulduğunu gördük. Bu Gauss filtresi yalnızca alanın bir fonksiyonudur; diğer bir deyişle, filtreleme sırasında yakındaki pikseller dikkate alınır. Piksellerin hemen hemen aynı yoğunluk değerine sahip olup olmadığına bakmaz ve pikselin bir kenar üzerinde olup olmadığını düşünmez. Ortaya çıkan sonuç, Gauss filtrelerinin kenarları bulanıklaştırma eğiliminde olmasıdır, bu istenmeyen bir durumdur. Bilateral filtre aynı zamanda uzay alanında bir Gauss filtresi kullanır, ancak piksel yoğunluğu farklılıklarının bir fonksiyonu olan bir tane daha (çarpımsal) Gauss filtre bileşenini kullanır. Uzayın Gauss fonksiyonu, yoğunluk alanına uygulanan Gauss bileşeni (yoğunluk farklılıklarının bir Gauss fonksiyonu) yalnızca piksellerin 'filtreleme için' uzaysal komşular 'olarak düşünülmesini sağlarken, yoğunluk farklılıklarının bir Gauss fonksiyonu, sadece merkeze benzer yoğunluklara sahip olan piksellerin bulanık yoğunluk değerini hesaplamak için piksel ('yoğunluklu komşular') dahil edilmiştir. Sonuç olarak, bu yöntem kenarları korur, çünkü kenarların yakınında bulunan pikseller için kenarın diğer tarafına yerleştirilen komşu pikseller ve bu nedenle merkez pikselle karşılaştırıldığında büyük yoğunluk değişiklikleri sergilemek bulanıklaştırma için dahil edilmez. Aşağıdaki örnek bilateral filtrelemeyi göstermektedir (argümanlar hakkında ayrıntılı bilgi için OpenCV dokümanlarına bakın). `blur = cv2.bilateralFilter(img,9,75,75)` Sonuç; ![](http://opencv-python-tutroals.readthedocs.io/en/latest/_images/bilateral.jpg) Şimdi bir örnek yapalım kameradan canlı kayıt alalım ve aldığımız görüntüye bu gün öğrendiğimiz filtrelermelerden birini uygulayalım; Benim kodlarım bunlar: ```python import cv2 import numpy as np from matplotlib import pyplot as plt cap = cv2.VideoCapture(0) while(True): ret, frame = cap.read() kernel = np.ones((16,16),np.float32)/25 # baya parlak bir görüntü olacak siz #azaltabilirsiniz ben değişim net görünsün diye arttırdım dst = cv2.filter2D(frame,-1,kernel) cv2.imshow('frame',dst) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` Sonuç; ![](https://cdn.steemitimages.com/DQmZUxbTLHEJWBhoiPtRCUHyPAJ1Yv6aWh2yjJWasztbv89)
Böyle bir şey :D kolay gelsin..

Görüntüyü Yumuşatma - ( Smoothing Images )