Genel Bakış, Gradyanlar ve Laplacian ile Kenar Tespiti

• 1. Giriş ve Kenar Kavramı (What is an Edge?)
  • 1.1. Kenarın Tanımı ve Bilgi Teorisi Açısından Önemi
  • 1.2. Kenarların Fiziksel Nedenleri
  • 1.3. Kenar Profil Tipleri ve Gerçek Dünya Sorunları
  • 1.4. İdeal Bir Kenar Operatörünün Kriterleri
• 2. Gradiyent Kullanarak Kenar Tespiti (Edge Detection Using Gradients)
  • 2.1. 1 Boyutlu Sinyal Analizi
  • 2.2. 2 Boyutlu Gradiyent Vektörü ($\nabla I$)
  • 2.3. Ayrık Görüntülerde Sonlu Farklar (Finite Differences)
  • 2.4. Klasik Gradiyent Filtrelerinin Karşılaştırılması
  • 2.5. Eşikleme (Thresholding) ve Histerezis
• 3. Laplacian Kullanarak Kenar Tespiti (Edge Detection Using Laplacian)
  • 3.1. İkinci Türev ve Sıfır Geçişleri (Zero-Crossings)
  • 3.2. 2 Boyutlu Laplacian Operatörü ($\nabla^2 I$)
  • 3.3. Ayrık Laplacian Çekirdekleri ve Köşegen Düzeltmesi
  • 3.4. Gürültü Problemi ve Çözüm: Gaussian Yumuşatma (LoG ve DoG)
• 4. Gradiyent ve Laplacian Operatörlerinin Karşılaştırılması

Bu teknik ders notu, bilgisayarlı görünün en temel bilgi teorisi konularından biri olan Kenar Tespiti (Edge Detection) konusunu; fiziksel kökenleri, birinci türev (Gradiyent) ve ikinci türev (Laplacian) tabanlı matematiksel yaklaşımları çerçevesinde detaylı ve kapsamlı bir şekilde ele almaktadır.

1. Giriş ve Kenar Kavramı (What is an Edge?)

1.1. Kenarın Tanımı ve Bilgi Teorisi Açısından Önemi

Bilgisayarlı görüde bir kenar (edge), en basit tanımıyla, lokal bir piksel komşuluğunda görüntü yoğunluğunun (parlaklığının) ani, hızlı ve yönlü bir değişim gösterdiği pikseller kümesidir.

flowchart LR
    A["Ham Görüntü\n(Yüksek Veri Fazlalığı)"] --> B["Kenar Çıkarımı\n(Gradiyent / Laplacian)"]
    B --> C["Seyrek Kontur Haritası\n(Yüksek Bilgi Yoğunluğu)"]
    style A fill:#1a1a2e,stroke:#16213e,color:#fff
    style B fill:#0f3460,stroke:#e94560,color:#fff
    style C fill:#16213e,stroke:#4cc9f0,color:#fff

Bilgi teorisi (information theory) açısından kenarlar kritik bir öneme sahiptir:

• Veri Seyrekliği (Data Sparsity): Görüntünün tamamı yerine sadece kenar piksellerinin tutulması, veri temsilini son derece “seyrek” (sparse) hale getirir ve gereksiz homojen alanları eler.
• Algısal Yeterlilik: Vic Nalwa’nın klasik eserinde sunduğu Henry Moore heykel örneğinde görüldüğü üzere; detaylı bir 3B heykel fotoğrafı ile bir sanatçının sadece birkaç çizgiyle çizdiği eskiz karşılaştırıldığında, insan görsel sisteminin sadece bu seyrek kenar çizgilerinden 3B yapıyı, yüzey eğriliklerini ve parlaklık noktalarını kusursuzca ayırt edebildiği gözlenir.

Temel Çıkarım: Kenarlar, aydınlatma değişimlerini ve homojen arka plan verilerini eleyerek nesne geometrisini ve sınırlarını en yüksek bilgi yoğunluğuyla temsil eder.

1.2. Kenarların Fiziksel Nedenleri

Görüntü düzleminde ani parlaklık değişimleri yaratarak kenar oluşumuna sebep olan dört temel fiziksel olgu vardır:

flowchart TD
    E["Kenarların Fiziksel Nedenleri"] --> D1["1. Derinlik Süreksizliği"]
    E --> D2["2. Yüzey Normali Süreksizliği"]
    E --> D3["3. Yüzey Yansıtma Süreksizliği"]
    E --> D4["4. Aydınlatma / Gölgelenme Süreksizliği"]

    D1 --> C1["Nesnenin arka planı kapatması\n(Mesafe adımı)"]
    D2 --> C2["Köşe / yüz birleşimi\n(Yönelim değişimi)"]
    D3 --> C3["Albedo / malzeme değişimi\n(Boya, etiket, doku)"]
    D4 --> C4["Kesen gölge sınırları\n(Işık şiddeti değişimi)"]

    style E fill:#1a1a2e,stroke:#e94560,color:#fff
    style D1 fill:#16213e,stroke:#4cc9f0,color:#fff
    style D2 fill:#16213e,stroke:#4cc9f0,color:#fff
    style D3 fill:#16213e,stroke:#4cc9f0,color:#fff
    style D4 fill:#16213e,stroke:#4cc9f0,color:#fff

1. Derinlik Süreksizliği (Depth Discontinuity): Bir nesnenin diğer bir nesnenin veya arka planın önünde yer alması durumunda, nesne sınırları boyunca oluşan ani derinlik ve mesafe adımı (örneğin, bir şişenin sınırları ile arkasındaki fon arasındaki geçiş).
2. Yüzey Normali Süreksizliği (Surface Normal Discontinuity): Aynı malzemeden yapılmış olsalar dahi, iki yüzeyin birleştiği sınırlarda yüzeylerin 3B yönelimleri farklı olduğu için ışık kaynağından farklı miktarlarda ışık almaları sonucu oluşan parlaklık farkı (örneğin bir küpün kesişen kenarları).
3. Yüzey Yansıtma Süreksizliği (Surface Reflectance Discontinuity): Nesne üzerindeki pigment, boya veya malzeme (albedo) değişimleri (örneğin bir etiket üzerindeki koyu renkli yazılar ile açık renkli kağıt yüzey arasındaki yansıtıcılık farkı).
4. Aydınlatma / Gölgelenme Süreksizliği (Illumination / Shadow Discontinuity): Sahnede nesnelerin oluşturduğu keskin gölge sınırları veya speküler yansımalar. Işık miktarının gölge sınırının içinde ve dışında dramatik olarak değişmesiyle ortaya çıkar.

1.3. Kenar Profil Tipleri ve Gerçek Dünya Sorunları

Matematiksel modeller oluşturmak için kenarlar farklı 1D profillerle tanımlanır:

• Adım Kenar (Step Edge): Yoğunluğun $I_0$ seviyesinden $I_1$ seviyesine aniden sıçradığı ideal geçiş modeli.
• Eğimli Adım Kenar (Ramp / Step Edge with Gradient): Geçiş bölgesinde hafif bir eğimin (gradyanın) olduğu pratik model.
• Çatı Kenar (Roof Edge) ve Çizgi Kenarlar (Line Edges): İnce çizgiler aslında yan yana duran bir yükselen ve bir düşen eğimin (çatı yapısı) birleşimidir.

$$\begin{aligned} \text{Adım Kenar:} \quad & f(x) = \begin{cases} I_0, & x < 0 \ I_1, & x \ge 0 \end{cases} \ \text{Çatı Kenar:} \quad & f(x) = \begin{cases} I_0 + k x, & x < 0 \ I_0 - k x, & x \ge 0 \end{cases} \end{aligned}$$

Gerçek dünyada görüntüler hiçbir zaman ideal birer adım fonksiyonu (step function) değildir. Şu fiziksel bozunma etkenleri sebebiyle gerçek kenarlar pürüzlü ve bulanıktır:

• Sensör gürültüleri (shot noise, termal gürültü)
• Optik bulanıklık ve Nokta Yayılım Fonksiyonu (Point Spread Function - PSF) sınırları
• Izgara örnekleme (sampling) ve kuantizasyon (quantization) hataları
• Odak dışı kalma (defocus blur)

1.4. İdeal Bir Kenar Operatörünün Kriterleri

İyi bir kenar tespit operatörünün (edge operator) piksel düzeyinde üretmesi gereken üç temel çıktı mevcuttur:

1. Kenar Konumu (Edge Position): Kenarın geçtiği hassas koordinat $(x, y)$.
2. Kenar Gücü (Edge Magnitude / Strength): Kenarın kontrast belirginlik derecesi.
3. Kenar Yönelimi (Edge Orientation): Kenarın yatay eksenle yaptığı yön açısı $\theta$.

John Canny, ideal bir kenar tespit operatörünün başarısını üç temel matematiksel performansa bağlamıştır:

Canny’nin İdeal Kenar Tespiti Kriterleri:

1. Yüksek Algılama Oranı (Düşük Hata Oranı): Gerçek kenarları kaçırmamalı (düşük false negative) ve gürültülü bölgelerde sahte kenarlar üretmemelidir (düşük false positive).
2. İyi Konumlandırma (Good Localization): Tespit edilen kenar konumu, fiziksel kenarın gerçek merkez noktasına olabildiğince yakın olmalıdır.
3. Tekil Yanıt Zorunluluğu (Single Response): Tek bir kenar geçişi için yalnızca tek piksel genişliğinde tek bir yanıt üretilmelidir.

2. Gradiyent Kullanarak Kenar Tespiti (Edge Detection Using Gradients)

Gradiyent tabanlı yaklaşım, kenarları saptamak için görüntü fonksiyonunun birinci türevini esas alır.

2.1. 1 Boyutlu Sinyal Analizi

Tek boyutlu sürekli bir $f(x)$ sinyalinde:

• Parlaklığın aniden arttığı (yükselen kenar) yerde birinci türev $\frac{df}{dx}$ pozitif yönde bir yerel maksimum (tepe/peak) yapar.
• Düşen kenarda ise aynı genlikte ancak negatif yönde aşağı doğru sarkan bir yerel minimum (vadi) oluşur.
• Birinci türevin mutlak değeri $\left| \frac{df}{dx} \right|$ alındığında, her iki geçiş de pozitif tepe noktalarına dönüşür. Tepelerin konumu kenarın yerini, tepelerin yüksekliği ise kenarın kontrast gücünü verir.

$$\frac{df}{dx} = \lim_{\Delta x \to 0} \frac{f(x + \Delta x) - f(x)}{\Delta x}$$

2.2. 2 Boyutlu Gradiyent Vektörü ($\nabla I$)

İki boyutlu sürekli bir $I(x,y)$ görüntüsünde gradyan, en hızlı yoğunluk artışının olduğu yönü gösteren vektörel bir büyüklüktür:

$$\nabla I = \begin{bmatrix} \frac{\partial I}{\partial x} \[6pt] \frac{\partial I}{\partial y} \end{bmatrix} = \begin{bmatrix} I_x \[6pt] I_y \end{bmatrix}$$

Bu kısmi türev bileşenlerinden ($I_x, I_y$) yararlanılarak her piksel için iki temel değer hesaplanır:

1. Gradiyent Büyüklüğü (Kenar Gücü): $$|\nabla I| = \sqrt{I_x^2 + I_y^2} \approx |I_x| + |I_y|$$

2. Gradiyent Yönelimi (Normal Açısı): $$\theta = \tan^{-1} \left( \frac{I_y}{I_x} \right)$$

flowchart TD
    Img["2D Görüntü I(x,y)"] --> Ix["Kısmi Türev Hesaplama Ix"]
    Img --> Iy["Kısmi Türev Hesaplama Iy"]
    Ix --> Mag["Gradiyent Büyüklüğü\n|∇I| = √(Ix² + Iy²)"]
    Iy --> Mag
    Ix --> Ang["Gradiyent Yönü\nθ = arctan(Iy / Ix)"]
    Iy --> Ang
    style Img fill:#1a1a2e,stroke:#16213e,color:#fff
    style Ix fill:#16213e,stroke:#4cc9f0,color:#fff
    style Iy fill:#16213e,stroke:#4cc9f0,color:#fff
    style Mag fill:#0f3460,stroke:#e94560,color:#fff
    style Ang fill:#0f3460,stroke:#e94560,color:#fff

Not: Gradiyent açısı $\theta$, kenarın teğet çizgisine dik (normal) olan açıyı gösterir. Kenar çizgisinin kendi teğet açısı ise $\theta + \frac{\pi}{2}$ olur.

2.3. Ayrık Görüntülerde Sonlu Farklar (Finite Differences)

Dijital (ayrık) piksellerde sürekli türev işlemi sonlu farklar ile simüle edilir. Merkezi farklar yaklaşımıyla türev maskeleri şu şekilde ifade edilir:

$$\frac{\partial I}{\partial x} \approx \frac{I(x+1, y) - I(x-1, y)}{2\Delta x}, \quad \frac{\partial I}{\partial y} \approx \frac{I(x, y+1) - I(x, y-1)}{2\Delta y}$$

Piksel mesafesinin $\epsilon = 1$ kabul edildiği sonlu fark konvolüsyon çekirdekleri (kernels):

$$M_x = \frac{1}{2} \begin{bmatrix} -1 & 1 \ -1 & 1 \end{bmatrix}, \quad M_y = \frac{1}{2} \begin{bmatrix} 1 & 1 \ -1 & -1 \end{bmatrix}$$

2.4. Klasik Gradiyent Filtrelerinin Karşılaştırılması

Yüksek frekanslı gürültüleri filtrelemek adına türev operatörleri bir alçak geçiren pürüzsüzleştirme (smoothing) filtresi ile birleştirilir:

2.5. Eşikleme (Thresholding) ve Histerezis

Gradiyent büyüklük haritası $|\nabla I|$ elde edildikten sonra kenar kararı için iki yaklaşım mevcuttur:

1. Tekli Eşikleme (Single Threshold): $$E(x,y) = \begin{cases} 1, & |\nabla I(x,y)| \ge T \ 0, & |\nabla I(x,y)| < T \end{cases}$$

   • Sorun: Yüksek $T$ kenarları koparırken, düşük $T$ gürültüleri sahte kenar olarak işaretler.

2. Histerezis Eşikleme (Çift Eşikli Yöntem): Biri düşük $T_{low}$, diğeri yüksek $T_{high}$ olmak üzere iki sınır belirlenir.

   • Güçlü Kenarlar: $|\nabla I| \ge T_{high} \rightarrow$ Doğrudan kenar kabul edilir.
   • Zayıf Kenarlar: $T_{low} \le |\nabla I| < T_{high} \rightarrow$ Yalnızca güçlü bir kenarla bağlantısı varsa kabul edilir.
   • Gürültü: $|\nabla I| < T_{low} \rightarrow$ Reddedilir.

3. Laplacian Kullanarak Kenar Tespiti (Edge Detection Using Laplacian)

Laplacian yaklaşımı kenarları saptamak için görüntünün ikinci türevini esas alır.

3.1. İkinci Türev ve Sıfır Geçişleri (Zero-Crossings)

Birinci türevin tepe noktasına ulaştığı (kenar merkezi) konumda, ikinci türev $\frac{d^2f}{dx^2}$ tam olarak sıfır değerini alır:

• İkinci türev sinyali, pozitif bir tepeden negatif bir vadiye geçerken dik bir açıyla sıfır çizgisini keser. Bu noktaya Sıfır Geçişi (Zero-Crossing) denir.

$$\frac{d^2f}{dx^2} = \lim_{\Delta x \to 0} \frac{f(x+\Delta x) - 2f(x) + f(x-\Delta x)}{\Delta x^2}$$

flowchart TD
    Signal["Yoğunluk Sinyali f(x)"] --> FirstDev["Birinci Türev df/dx\n(Tepe/Peak Noktası)"]
    FirstDev --> SecDev["İkinci Türev d²f/dx²\n(Sıfır Geçişi / Zero-Crossing)"]
    SecDev --> EdgeLoc["Sıfır Geçişini Saptama\n(Hassas Kenar Konumu)"]
    style Signal fill:#1a1a2e,stroke:#16213e,color:#fff
    style FirstDev fill:#16213e,stroke:#4cc9f0,color:#fff
    style SecDev fill:#0f3460,stroke:#e94560,color:#fff
    style EdgeLoc fill:#0f3460,stroke:#e94560,color:#fff

Avantaj: Birinci türev tepelerini eşiklemek matematiksel hassasiyet kaybına yol açarken, ikinci türevdeki sıfır geçişleri kapalı ve kesintisiz kenar sınırlarını tespit etmeyi kolaylaştırır.

3.2. 2 Boyutlu Laplacian Operatörü ($\nabla^2 I$)

İki boyutlu Laplacian operatörü, yön bağımsız (izotropik) bir skaler operatördür:

$$\nabla^2 I = \frac{\partial^2 I}{\partial x^2} + \frac{\partial^2 I}{\partial y^2}$$

Temel Özellikleri:

• İzotropiktir: Kenarın geliş açısına bakmaksızın her yöndeki değişime eşit yanıt verir.
• Skalerdir: Gradiyent gibi bir yön vektörü değil, tek bir skaler değer üretir.
• Yön Bilgisi Vermez: Kenarın teğet veya normal açısını ($\theta$) hesaplayamaz.

3.3. Ayrık Laplacian Çekirdekleri ve Köşegen Düzeltmesi

1. Standart 4-Komşulu Laplacian Çekirdeği: $$L_4 = \begin{bmatrix} 0 & 1 & 0 \ 1 & -4 & 1 \ 0 & 1 & 0 \end{bmatrix}$$

2. Köşegen Düzeltmeli 8-Komşulu Laplacian Çekirdeği: $45^\circ$ eğik kenarlardaki mesafe farkını ($\sqrt{2}\epsilon$) dengelemek için 8 komşulu çekirdek tercih edilir: $$L_8 = \begin{bmatrix} 1 & 4 & 1 \ 4 & -20 & 4 \ 1 & 4 & 1 \end{bmatrix}$$

3.4. Gürültü Problemi ve Çözüm: Gaussian Yumuşatma (LoG ve DoG)

İkinci türev, yüksek frekanslı görüntü gürültüsünü aşırı derecede büyütür.

Bu sebeple görüntü önce bir Gauss filtresi $G_\sigma(x,y)$ ile yumuşatılmalıdır:

$$G_\sigma(x,y) = \frac{1}{2\pi \sigma^2} e^{-\frac{x^2+y^2}{2\sigma^2}}$$

Doğrusal konvolüsyonun değişim özelliğinden faydalanılarak:

$$\nabla^2 \left( G_\sigma * I \right) = \left( \nabla^2 G_\sigma \right) * I$$

Bu işlem Laplacian of Gaussian (LoG) operatörünü (3B görünümünden ötürü Meksika Şapkası / Sombrero filtresi) üretir:

$$\text{LoG}(x,y) = -\frac{1}{\pi \sigma^4} \left[ 1 - \frac{x^2+y^2}{2\sigma^2} \right] e^{-\frac{x^2+y^2}{2\sigma^2}}$$

flowchart LR
    Gaussian["Gauss Filtresi G_σ"] --> LaplacianOp["Laplacian ∇² Uygulama"]
    LaplacianOp --> LoGKernel["LoG Çekirdeği (Meksika Şapkası)"]
    LoGKernel --> Conv["Görüntü I ile Konvolüsyon"]
    Conv --> ZeroCross["Sıfır Geçişi (Zero-Crossing) Tespiti"]
    style Gaussian fill:#1a1a2e,stroke:#16213e,color:#fff
    style LaplacianOp fill:#16213e,stroke:#4cc9f0,color:#fff
    style LoGKernel fill:#0f3460,stroke:#e94560,color:#fff
    style Conv fill:#0f3460,stroke:#e94560,color:#fff
    style ZeroCross fill:#16213e,stroke:#4cc9f0,color:#fff

Difference of Gaussians (DoG) ise farklı ölçeklerdeki ($\sigma_1, \sigma_2$) iki Gauss filtresinin farkını alarak LoG filtresini hızlıca simüle eder:

$$\text{DoG}(x,y) = G_{\sigma_1}(x,y) - G_{\sigma_2}(x,y) \approx (\sigma_1 - \sigma_2) \nabla^2 G_\sigma$$

4. Gradiyent ve Laplacian Operatörlerinin Karşılaştırılması

Gradiyent ve Laplacian operatörleri arasındaki temel farklar ve başarım kriterleri aşağıdaki tabloda özetlenmiştir:

Sonuç: Gradiyent operatörleri yön ve büyüklük bilgisi sağladığı için özellik çıkarımı ve vektör alanı hesaplarında vazgeçilmezdir. Laplacian operatörleri ise matematiksel olarak kapalı ve kesintisiz sıfır geçişi sınırları sunar. Bu iki yöntemin üstün yönlerinin birleştirilmesi sonucunda modern Canny Kenar Algılama Algoritması geliştirilmiştir.