Finding the Edges (Sobel Operator) - Computerphile Computerphile English Turkish

Finding the Edges (Sobel Operator) - ComputerphileYouTube↗ IA↗(long shot)
Education 359.3K views 6.9K likes 50 dislikes 04 Nov 2015 Show Contributors 1

Computerphile 2.6M subscribers N/A YouTube↗

Contributed subtitles

English sahil verma

Click to Play Video

An image filter is something that takes an image proaches it in some way and outputs an image in response

Bir görüntü filtresi, bir görüntüyü bir şekilde iten ve yanıt olarak bir görüntü çıkaran bir şeydir.

So last time we talked about Kernel convolution

En son Kernel evrişimi hakkında konuştuk.

Gaussian Blur and mean Blur as a couple of examples of a sort of thing you can convey over an image today

Gauss Bulanıklığı ve Ortalama Bulanıklık, bugün bir görüntü üzerinde aktarabileceğiniz bir tür şeyin birkaç örneği olarak

We're going to talk a little bit about a different type of Kernel convolution that is the edge detection

Biraz da kenar tespiti olan farklı bir Çekirdek evrişimi hakkında konuşacağız.

The process will be using in this video is still Kernel convolution like we used in the last video

Bu videoda kullanılacak olan süreç, son videoda kullandığımız gibi hala Çekirdek evrişimi.

So if you haven't seen that video you might want to go back just to sort of make sure you absolutely know what's going on

Bu videoyu görmediyseniz, sadece neler olduğunu kesinlikle bildiğinizden emin olmak için geri dönmek isteyebilirsiniz.

Edge Detection is simply a case of trying to find the regions in an image where we have a sharp change in intensity or a

Kenar Tespiti, görüntü yoğunluğunu veya yoğunluğunu keskin bir şekilde değiştirdiğimiz bölgeleri bulmaya çalışan bir durumdur.

Sharp change in color a high value indicates a steep change and a low value indicates a shallow change

Renkteki keskin değişim, yüksek bir değer, dik bir değişimi, düşük bir değer ise sığ değişimi belirtir.

A

Very common operator for doing this is a sobel operator what it is is an approximation to a derivative of an image

Bunu yapmak için çok yaygın işleç bir sobel işlecidir, bunun ne olduğu bir görüntünün türevine bir yaklaşımdır.

So there's its separate in the y and the

Yani y ve ayrı ayrı var

so if we look at the x direction then

öyleyse eğer x yönüne bakarsak

The gradient of an image in the x direction is equal to this operator here

Bir görüntünün x yönündeki gradyanı buradaki operatöre eşittir.

This is our Kernel 3 by 3 which is nice and small, so it's quite quick

Bu bizim Kernel 3'e 3 olan güzel ve küçük, yani oldukça hızlı

So we have minus numbers on the left hand side and positive numbers on the right hand side and we're sort of

Yani sol tarafta eksi sayılara ve sağ tarafta eksi sayılara sahibiz ve biz de

Preserving a little bit the center pixels because we've got these two values here

Merkez pikselleri biraz koruyalım çünkü bu iki değeri burada elde ettik

Which is slightly higher waited for these ones?

Bunlardan hangisi biraz daha yüksek bekledi?

So what we're doing here

Peki burada ne yapıyoruz

Essentially is trying to find out the amount of difference between this region of our image and this region of our image here

Esasen, imajımızın bu bölgesi ile imajımızın bu bölgesi arasındaki farkın miktarını bulmaya çalışıyor.

by simply taking one away from the other so we'll pass this just like before will pass this over every pixel of our image and

sadece birini diğerinden uzağa götürerek, bunu daha önce olduğu gibi geçeceğiz; bunu, imgemizin her pikselinin üzerinden geçecek ve

It will give us a response for this location here

Bize bu yer için bir cevap verecek

Bearing in mind of pixels around it so because you've got zero down the middle

Etrafındaki pikselleri göz önünde bulundurarak, çünkü ortada sıfır var

It's not going to do anything up and down

Aşağı yukarı hiçbir şey yapmayacak

It's just looking yet to see if there is a if you like a vertical line with that view yeah

Sadece bu manzaraya sahip dikey bir çizgiden hoşlanıyor mu diye görmek için henüz bakıyor.

This is symmetrical if vertically okay, so it's not going to do anything to do with Edges

Bu, dikey olarak tamamsa simetriktir, bu yüzden Edges ile ilgili hiçbir şey yapmayacaktır.

But orientated horizontally in the image, so if you've got a bit of image say, but looks a bit like this

Ancak görüntüde yatay olarak yönlendirilmiş, yani eğer bir parça görüntünüz varsa, ama bunun gibi görünüyor

Let's draw a bit of image. These are my pixels

Biraz resim çizelim. Bunlar benim piksellerim

They will not all the same size in the last video we use an image that had 50 in these

Son videoda aynı boyutta değiller, bunlarda 50 tane olan bir resim kullanıyoruz

values and a hundred over here

değerler ve burada yüzlerce

So it was an edge right if this is our image right here is an edge

Yani bu tam bir kenardı, eğer buradaki imgemiz tam bir kenar ise

Fairly obviously we can see that, but a computer can't, so if we put our sobel operator here

Açıkçası bunu görebiliriz, ancak bir bilgisayar göremez, bu yüzden sobel operatörümüzü buraya koyarsak

Then what we essentially doing is doing 100 times 1 plus

O zaman esasen yaptığımız şey 100 kere artı 1 yapmak.

100 x 2 plus 100

100 x 2 artı 100

1 plus 50 x minus 1 plus 50 x minus 2 plus 50 x minus one and get gives us an output of

1 artı 50 x eksi 1 artı 50 x eksi 2 artı 50 x eksi bir ve bize bir çıktı verir

Reasonable ok and you can imagine if all of these values [are] the same, so if they were all 50 throughout

Makul bir tamam ve bu değerlerin hepsinin aynı olup olmadığını hayal edebiliyorsunuz, yani bunların tümü 50 ise

Then you just get 0 so this will provide a big response

O zaman sadece 0 alırsın, bu büyük bir cevap verir.

Where one side is bright or dark of any other side and yes?

Bir taraf diğer tarafın aydınlık ya da karanlık ve evet nerede?

It's orientated light- left or left [is] right, but we'll get rid of that later at the actual Direction

Işık yönelimli - sola veya sola [doğru], ama daha sonra gerçek Yönden kurtulacağız

And we'll just so so the if you like the sign of the output it doesn't matter no for this. It doesn't ok

Üstelik çıktığımızın işaretini seviyorsanız bunun önemi yok. Tamam değil

This is only half the battle right so we've only calculated the x direction we want to calculate the y direction

Bu savaşın sadece yarısıdır, bu yüzden sadece y yönünü hesaplamak istediğimiz x yönünü hesapladık.

You know people already managed to guess what the kernel for this is so g of y?

Biliyorsunuz, insanlar bunun için çekirdeğin ne olduğunu tahmin etmeyi çoktan başardılar.

Ok and it's minus 1 minus 2 minus 1 1 to

Tamam ve eksi 1 eksi 2 eksi 11

100 there we go ok so exactly the same

100 orada gidiyoruz tamam aynı

But you have all tension ok so this will produce a response of 0 on this edge

Fakat tüm gerginliğiniz tamam, bu yüzden bu kenarda 0 cevabı üretecek

Because this row is the same as this rope so big in a cancel each other out in normal photographs

Çünkü bu sıra, normal fotoğraflarda birbirini iptal edecek kadar büyük iple aynıdır.

This is never going to come up. There's going to be something going on right? It's that's interesting

Bu asla ortaya çıkmayacak. Doğru giden bir şey mi olacak? Bu ilginç

Which direction it is we don't know the output of either of these filters?

Bu filtrelerden herhangi birinin çıkışını hangi yönden bilmiyoruz?

Individually could be negative if one side is much bigger than the other

Bir taraf diğerinden çok daha büyükse, ayrı ayrı negatif olabilir.

Ok so what we're going to get if we put tourneys into an image. Let's imagine

Tamam, turnuvaya bir görüntü koyarsak ne alacağız. Hayal edelim

We stretch those negative and positive values to between or 255 and just out put it into a grayscale image

Bu negatif ve pozitif değerleri 255'e kadar uzatırız ve gri tonlamalı bir görüntüye koyarız.

Then what we'll have is an image of it's mostly gray

O zaman sahip olacağımız şey çoğunlukla gri olan bir görüntü.

with black on one side of each Edge and white on the other side

Kenarların bir tarafında siyah, diğer tarafında beyaz

Depending on the orientation of the Edge and the same for the y

Kenar yönüne bağlı olarak ve y için aynı

But what we really want to do is take both of those values and turn them into one

Ama asıl yapmak istediğimiz, bu iki değeri de almak ve bir taneye dönüştürmek.

How big is this Edge?

Bu Edge ne kadar büyük?

So when you say about the black and the white that's because you get in a plus and a minus. Yes

Öyleyse siyah ve beyazdan bahsettiğinizde bunun sebebi artı ve eksi. Evet

so if you take if you take let's say a value of minus 1 to plus 1 and you scale if naught to

öyleyse eğer alırsanız alırsak, eksi 1 ile artı 1 arasında bir değer söyleyelim

255 and all the minus values are going to be the blacks and all the positive values of in a bid the whites up above

255 ve tüm eksi değerler siyah olacak ve yukarıdaki beyazların bir teklifindeki tüm pozitif değerler olacak

128 so at the moment what we have is a set of values that represents

128 şu anda elimizde olan, temsil eden bir değerler kümesi.

How strong our gradient is vertically in how strong it is horizontally and what we really want is the total of those things?

Gradyanımız dikey olarak yatay olarak ne kadar güçlü olduğu ve gerçekte istediğimiz bu şeylerin toplamıdır?

Ok so just like with a stand and kind of hypotenuse of a triangle

Tamam, tıpkı bir stant ve üçgenin hipotenüsü gibi.

We can basically square both these values add them together and square root it and that will give you the general magnitude

Temel olarak hem bu değerleri bir araya getirip, hem de karekökü ekleyebiliriz ve bu size genel büyüklüğü verecektir.

So I'll write that down and then remove more sending

Bu yüzden bunu yazacağım ve daha sonra göndermeyi kaldıracağım.

so we've got a value of a gradient in the x-Direction and

bu yüzden x-Yönünde bir degrade değerine sahibiz ve

We've got a value of the gradient in the [y] [direction] and the total gradient the

[Y] [yönünde] degradenin değeri ve toplam degradedeki değeri var.

magnitude of a gradient is given by the square root of

degradenin büyüklüğü karekökü

G x squared plus g y squared ok you'll see but what this does by squaring a man n

G x karesi artı gy karesi tamam göreceksiniz ama bu bir erkeğin karesini alarak ne yapar?

Square Routine and we also remove a sign have you got an eye on the spot on numberphile?

Kare Rutin ve biz de bir işareti kaldırırız size numberphile yerinde bir göz var mı?

Is this is this why we're doing equation though?

Bu yüzden mi yine de denklem yapıyoruz?

What don't put me on there because my maths is it looks good at but it falls down quick

Beni oraya sokmayan şey çünkü matematiğim iyi görünüyor ama çabuk düşüyor

So you can see is from if we're squaring them at square rooting them then that removes the sign?

Öyleyse görebiliyorsunuz, onları kareye sıkıştırıp kareye sürüklüyorsak, o zaman işareti kaldıracak mı?

So this magnitude is now positive all the time ok and a value of zero will be an absolutely consistent color

Bu yüzden bu büyüklük şimdi her zaman pozitifdir ve sıfır değeri kesinlikle tutarlı bir renk olur

so this is this is a

Function to get rid of the sign and show the time yeah and now if the gradient in the x direction is big

Işaretten kurtulma ve saati gösterme işlevi evet ve şimdi x yönündeki degrade büyükse

But a gradient in the y direction is small, you'll get to moderately large gradient if the gradient both directions is big

Ancak y yönündeki bir degrade küçüktür, eğer degrade iki yönlü de büyükse, orta derecede degrade elde edersiniz.

You'll get a pretty large gradient

Oldukça geniş bir gradyan elde edersiniz

And so it will basically be how big is the edge at this location?

Ve bu temelde, bu konumdaki sınır ne kadar büyük olacak?

Ok and it will be a black and white image if we scale it up

Tamam, ölçeklendirirsek siyah beyaz bir resim olacak.

Another interesting thing is because we know the signed

Başka ilginç bir şey de imzayı bilmemiz.

Gradient in the x and the y directions we can calculate the angle of the of the edge as well

X ve y yönlerindeki degrade, kenarın açısını da hesaplayabiliriz.

so the orientation of the edge is given by

bu yüzden kenarın yönü,

inverse tan Arc tan of

ters tan ark tan

Gui over g x so essentially if you take the gradient result from your gy and a great result from of Gx

GX üzerinden Gui bu yüzden aslında Gy'nizin gradyan sonucunu ve Gx'in harika bir sonucunu alırsanız

You divide them and then you calculate the inverse tan of that

Onları bölüyorsun ve sonra bunun tersini hesaplıyorsun

It will give you a value in Radians or degrees that says what orientation in the image is

Görüntüdeki yönün ne olduğunu söyleyen Radyan veya derece cinsinden bir değer verecektir.

That particular pixel and that can be really useful for finding structures or finding objects and things like that

Bu belirli piksel ve yapıları bulmak veya nesneler ve bunun gibi şeyler bulmak için gerçekten yararlı olabilir

It's unusual for so bell if ever to be run on color ok this is a grayscale operator

Bu kadar zil için alışılmadık bir durum varsa, bu renkte çalıştırılmayacaksa, bu gri tonlamalı bir operatördür.

So obviously you'll need to convert your image. If it's in color to greyscale first so that we're talking just about change in intensity

Açıkçası, resminizi dönüştürmeniz gerekir. Eğer ilk önce gri tonlamaya renkliyse, yoğunluktaki değişiklikten söz ediyoruz.

Also sobel is very very it's not with her could you run it on color out of interest?

Ayrıca sobel çok onunla değil ilgi çekici renk üzerinde koşabilir misin?

Will it give you a wacky output it would get well you'd have three values of Edge Detection for the different color channels on what?

Size ne kadar tuhaf bir çıktı verir ki, neyin farklı renk kanalları için üç değerine sahip Kenar Tespiti'ne sahip olursunuz?

entire short that would mean

bütün bu kısa anlamına gelir

So but yes, you're suppose you could I don't tend to so

Öyleyse evet, sanırım yapamayacağım.

The other thing is that so bills very

Başka bir şey de çok faturaları.

It's been be noisy. Okay. We're using a small Kernel and

Gürültülü oldu. Tamam. Küçük bir Çekirdek kullanıyoruz ve

images change a lot

görüntüler çok değişiyor

so you're going to see a [lot] of

bu yüzden bir sürü göreceksiniz

edges where it's not actually really an edge in our sense of the word another thing would be if you had a camera with a

Bir kamerayla bir fotoğraf makineniz olsaydı, aslında bizim kelimenin anlamında gerçekten bir kenar olmadığı kenarları başka bir şey olurdu.

Fairly high iso settings you had a lot of Grainy noise

Oldukça yüksek iso ayarları ile çok fazla Grainy gürültüsünüz oldu

that's going to produce the thought of

Bu düşünceyi üretecek

Low-level Edge over everything which is not all we want so it's very common to use a gaussian Blur first

İstediğimiz her şeyde düşük seviyeli Kenar, bu nedenle ilk önce Gauss Bulanıklığı kullanmak çok yaygın

Over sober , before sobel edge detector just to get rid of the low the high frequency stuff and keep the low frequency big Walls

Ayık üzerinde, sadece düşük frekanslı maddeden kurtulmak ve düşük frekanslı büyük duvarları saklamak için sobel kenarı detektöründen önce

That we're looking for you would do color to greyscale conversion, then you would use a gaussian filter

Sizin için aradığımız şey gri tonlamalı dönüşüm için renk yapar, sonra bir gauss filtresi kullanırsınız

To blow it a small one not too big and then you would use a sober Edge detector

Küçük bir şişirmek için çok büyük değil ve o zaman ayık bir Kenar dedektörü kullanmak

And that will produce your nice black and white image where big white bright edges and dark everything else

Ve bu, büyük beyaz parlak kenarların ve diğer her şeyin karanlık olduğu güzel siyah beyaz görüntünüzü üretecek

Written some quite cool code which has got loads of comments in so everyone who?

Çok güzel bir kod yazmış, bu yüzden herkesin içinde bir sürü yorum var.

Even if you don't code, you should better follow it along

Kod yazmasanız bile, daha iyi takip etmelisiniz.

There'll be people who complain this in C-sharp. I don't care about those people okay, if you want we can record a nice

Bunu C-sharp ile şikayet eden insanlar olacak. Bu insanları umursamıyorum tamam, istersen hoş bir kayıt yapabiliriz.

Why I see Sharp rocks, rant, and you can provide no mushy

Neden keskin kayaları görüyorum, rant ve sen hiç duygusallık sağlayamıyorsun.

Similar videos:

Password Cracking - Computerphile
Computerphile
3M views 60.3K likes 1K dislikes 13 Jul 201663% match

Maze Solving - Computerphile
Computerphile
1M views 21.8K likes 295 dislikes 24 Feb 201741% match

How to Choose a Password - Computerphile
Computerphile
1M views 21.1K likes 235 dislikes 20 Jul 201639% match

Dijkstra's Algorithm - Computerphile
Computerphile
1.1M views 23.1K likes 392 dislikes 04 Jan 201736% match

Onion Routing - Computerphile
Computerphile
1.1M views 24.4K likes 255 dislikes 31 May 201736% match

Resizing Images - Computerphile
Computerphile
360.9K views 8.5K likes 115 dislikes 02 Sep 201635% match

Buffer Overflow Attack - Computerphile
Computerphile
1.5M views 32.2K likes 320 dislikes 02 Mar 201634% match

PDF, What is it FOR? - Computerphile
Computerphile
409K views 12K likes 144 dislikes 16 Sep 201634% match

Why C is so Influential - Computerphile
Computerphile
1.6M views 22.5K likes 1.6K dislikes 25 Aug 201734% match

How Password Managers Work - Computerphile
Computerphile
368.2K views 11.1K likes 107 dislikes 01 May 201934% match

A* (A Star) Search Algorithm - Computerphile
Computerphile
864.5K views 17.4K likes 426 dislikes 15 Feb 201734% match

Deep Dream (Google) - Computerphile
Computerphile
618.9K views 13K likes 127 dislikes 26 Aug 201633% match

SHA: Secure Hashing Algorithm - Computerphile
Computerphile
874.6K views 14.8K likes 394 dislikes 11 Apr 201733% match

Lambda Calculus - Computerphile
Computerphile
803.9K views 19.5K likes 567 dislikes 27 Jan 201733% match

End to End Encryption (E2EE) - Computerphile
Computerphile
450.6K views 11.2K likes 168 dislikes 30 Mar 201732% match

Computing Limit - Computerphile
Computerphile
358.4K views 11.3K likes 443 dislikes 03 Nov 201732% match

Where GREP Came From - Computerphile
Computerphile
644.1K views 23.4K likes 152 dislikes 06 Jul 201832% match

Parsing Explained - Computerphile
Computerphile
134.2K views 3.6K likes 45 dislikes 13 Nov 201931% match

How Blurs & Filters Work - Computerphile
Computerphile
423.4K views 8.8K likes 120 dislikes 02 Oct 201531% match

Have You Been Pwned? - Computerphile
Computerphile
430.1K views 13.4K likes 125 dislikes 12 Mar 201931% match

Deep Learning - Computerphile
Computerphile
392.2K views 6.1K likes 280 dislikes 19 Apr 201631% match

ALGOL 60 at 60 - Computerphile
Computerphile
73.7K views 3.1K likes 20 dislikes 04 Jun 202031% match

Mac or PC? - Computerphile
Computerphile
587.9K views 9.7K likes 314 dislikes 21 May 201430% match

Slow Loris Attack - Computerphile
Computerphile
962.6K views 31.1K likes 265 dislikes 09 Nov 201630% match

Wana Decrypt0r (Wanacry Ransomware) - Computerphile
Computerphile
1.4M views 30.1K likes 640 dislikes 15 May 201729% match

TOR Hidden Services - Computerphile
Computerphile
859.3K views 16.2K likes 242 dislikes 09 Jun 201729% match

What is Bootstrapping? - Computerphile
Computerphile
375.1K views 5.5K likes 287 dislikes 19 Mar 201429% match

Cookie Stealing - Computerphile
Computerphile
992.7K views 17.2K likes 210 dislikes 01 Jun 201629% match

Physics of Computer Chips - Computerphile
Computerphile
552.2K views 13.7K likes 207 dislikes 19 Aug 201629% match

50 Years of Computer Science: Professor Brailsford Q&A - Computerphile
Computerphile
81.3K views 3K likes 17 dislikes 22 Apr 202029% match

Settings Privacy About Contact Donate