Bilgisayarlı Görüntü İşleme: Görsel Bilginin Modellemesi ve Çözümlenmesi
Abstract views: 35
/ 
PDF downloads: 38
Keywords:
Bilgisayarlı Görüntü İşleme, Dijital Görüntü Modelleme, Özellik Çıkarımı, Segmentasyon, Nesne Tanıma, Derin Öğrenme, Konvolüsyonel Sinir Ağları (CNN)Abstract
Bilgisayarlı görüntü işleme, sayısal olarak temsil edilen görsel verilerin modellenmesi, işlenmesi
ve semantik açıdan anlamlandırılmasını amaçlayan matematiksel, istatistiksel ve yapay öğrenme tabanlı
yöntemleri kapsayan geniş ve disiplinlerarası bir araştırma alanıdır. Günümüzde bu alan, özellikle derin
öğrenme tekniklerinin katkısıyla hem düşük seviyeli görüntü işleme görevlerinde (gürültü giderme, kenar
tespiti, filtreleme ve iyileştirme) hem de yüksek seviyeli kavramsal çıkarımlarda (nesne tanıma, sahne
analizi, anomali tespiti ve görüntü sınıflandırma) kayda değer ilerlemeler kaydetmiştir. Bu çalışmada,
dijital görüntü modelleme yaklaşımları, özellik çıkarımı yöntemleri, segmentasyon teknikleri ve nesne
tanıma süreçleri ayrıntılı bir biçimde incelenmiş, özellikle konvolüsyonel sinir ağları, dikkat
mekanizmaları ve transfer öğrenmeye dayalı derin öğrenme yöntemlerinin görüntü analizi üzerindeki
etkileri vurgulanmıştır. Ayrıca, bilgisayarlı görüntü işlemenin sağlık görüntüleme, otonom sistemler,
güvenlik ve gözetim, endüstriyel kalite kontrol gibi çeşitli uygulama alanlarındaki önemi ve potansiyeli
ele alınmıştır. Çalışmada mevcut yöntemlerin karşılaştığı başlıca zorluklar, veri çeşitliliği, büyük veri
gereksinimi, model açıklanabilirliği, hesaplama maliyetleri ve gerçek zamanlı uygulamalardaki
sınırlamalar bağlamında tartışılmıştır. Sunulan kapsamlı değerlendirme, geleneksel görüntü işleme
yöntemlerinin temel matematiksel ve algoritmik yapısını ve modern yapay zekâ destekli tekniklerin
sağladığı dönüşümü bütüncül bir çerçevede ele almakta, gelecekteki araştırmalar ve uygulamalar için
hibrit modellerin entegrasyonu, çok modlu veri analizi ve gerçek zamanlı sistemler gibi olası gelişim
yönelimlerine ışık tutmaktadır.
Downloads
References
R. C. Gonzalez and R. E. Woods, Digital Image Processing, 4th ed., Pearson, 2018.
A. K. Jain, Fundamentals of Digital Image Processing, Englewood Cliffs, NJ: Prentice-Hall, 1989.
Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, pp. 436–444, 2015.
https://doi.org/10.1038/nature14539.
S. Z. Li, Markov Random Field Modeling in Image Analysis, Springer, 2009.
https://doi.org/10.1007/978-1-84800-279-1.
T. F. Chan and L. A. Vese, “Active contours without edges,” IEEE Trans. Image Process., vol. 10, no. 2, pp. 266–277, 2001.
https://doi.org/10.1109/83.902291.
J. Shi and C. Tomasi, “Good features to track,” in Proc. IEEE CVPR, 1994, pp. 593–600.
O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional networks for biomedical image segmentation,” in MICCAI 2015, pp. 234–241.
Y. LeCun and Y. Bengio, “Convolutional networks for images, speech, and time series,” in The Handbook of Brain Theory and Neural Networks, MIT Press, 1998.
K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv:1409.1556, 2014.
N. Carion et al., “End-to-end object detection with transformers,” in ECCV 2020.
I. Goodfellow et al., “Generative adversarial nets,” in NeurIPS 2014.
G. Litjens et al., “A survey on deep learning in medical image analysis,” Medical Image Analysis, vol. 42, pp. 60–88, 2017.
https://doi.org/10.1016/j.media.2017.07.005.
A. Geiger, P. Lenz, and R. Urtasun, “The KITTI vision benchmark suite,” in Proc. CVPR, 2012.
H.-T. Duong, V.-T. Le ve V. T. Hoang, “Deep Learning Based Anomaly Detection in Video Surveillance: A Survey,” Sensors, vol. 23, no. 15, pp. 5024, 2023.
W. Ullah ve ark., “Industrial defective chips detection using deep convolutional neural network with inverse feature matching mechanism,” J. Comput. Des. Eng., vol. 11, no. 3, pp. 326–338, 2024.
https://doi.org/10.1093/jcde/qwae019.
Z. Zhang, “A flexible new technique for camera calibration,” IEEE Trans. PAMI, vol. 22, no. 11, pp. 1330–1334, 2000.
