--- title: Dark Channel Prior Algoritması slug: dark-channel-prior-algoritmasi url: /detay/dark-channel-prior-algoritmasi type: article language: Türkçe entity: primary: Dark Channel Prior Algoritması type: article disambiguation: Dark Channel Prior (DCP) algoritmasıyla sisli fotoğrafları netleştirin. Sis azaltma için etkili bir tek görüntü çözümü. categories: - name: Yazılım Ve Yapay Zekâ slug: yazilim-ve-yapay-zeka url: /kategori/yazilim-ve-yapay-zeka - name: Mühendislik slug: muhendislik url: /kategori/muhendislik tags: - Karanlık Kanal - Dark Channel Prior - Sis author: Beyza Nur Türkü created_at: 2025-03-16T02:03:31.617425+03:00 updated_at: 2025-04-17T11:04:14.053127+03:00 --- # Dark Channel Prior Algoritması ## Article Content Sis, dış mekan fotoğraflarında sıkça karşılaşılan bir sorundur. Atmosferdeki [toz](/tr/detay/toz-691209/llms.txt), [nem](/tr/detay/nem-2/llms.txt) ve diğer partiküller, ışığın dağılmasına ve emilmesine neden olarak görüntüdeki kontrastı ve [renk](/tr/detay/renk-3/llms.txt) doğruluğunu azaltır. Bu [durum](/tr/detay/durum-5/llms.txt), özellikle uzak mesafedeki nesnelerin detaylarının kaybolmasına [yol](/tr/detay/yol-3/llms.txt) açar. Geleneksel yöntemler, birden fazla görüntü veya ek donanım gerektirirken, tek görüntü sis kaldırma teknikleri bu sorunu çözmek için yenilikçi bir yaklaşım sunmaktadır. Dark Channel Prior ([Karanlık](/tr/detay/karanlik-c342d/llms.txt) Kanal Öncelikli) algoritması, ilk olarak Kaiming He ve ekibi tarafından sisli görüntülerden net görüntüler elde etme amacıyla geliştirilmiştir. ### **Dark Channel Prior (DCP)** DCP, sisli olmayan dış mekan görüntülerinde gözlemlenen istatistiksel bir özelliğe dayanır. He ve arkadaşları (2009), 5.000'den fazla sisli olmayan görüntü üzerinde yaptıkları analizde, [gökyüzü](/tr/detay/gokyuzu-2/llms.txt) [gibi](/tr/detay/gibi-749510/llms.txt) parlak alanlar hariç, çoğu yerel yamada (local patch) en az bir renk kanalında (kırmızı, [yeşil](/tr/detay/yesil-f37b9/llms.txt) veya mavi) piksel yoğunluğunun çok düşük olduğunu bulmuşlardır. Bu düşük yoğunluk, genellikle gölgeler, [koyu](/tr/detay/koyu/llms.txt) [renkli](/tr/detay/renkli-47aad/llms.txt) nesneler veya parlak olmayan yüzeylerden kaynaklanır. Matematiksel olarak, karanlık kanal şu şekilde tanımlanır: $J_dark(x) = min_{c ∈ {r,g,b}} (min_{y ∈ Ω(x)} J^c(y))$ Burada, J(x) sisli olmayan görüntü, c renk kanallarını (R, G, B), Ω(x) ise x merkezli yerel yamayı temsil eder. Sisli görüntülerde, bu karanlık kanal yoğunluğu atmosferik ışık tarafından artırılır ve bu artış, sis yoğunluğunu tahmin etmek için kullanılır. ### **Sis Modeli ve Matematiksel Temel** Sisli görüntülerin oluşumu, atmosferik dağılma modeline dayanır. Bu model, şu formülle ifade edilir: $I(x) = J(x) * t(x) + A * (1 - t(x))$ - **I(x):** Sisli görüntü - **J(x):** Sisli olmayan (net) görüntü - **t(x):** İletim haritası (transmission map), yani ışığın sahneden kameraya ulaşma oranı - **A:** Atmosferik ışık (genellikle en parlak piksel) İletim haritası, t(x) = e^(-β d(x)) formülüyle hesaplanır; burada β dağılma katsayısı, d(x) ise [sahne](/tr/detay/sahne-3/llms.txt) derinliğidir. Sis yoğunluğu arttıkça t(x) azalır ve görüntüdeki kontrast kaybolur. Karanlık kanal öncelikli [algoritma](/tr/detay/algoritma-6/llms.txt), bu modeli tersine çevirerek J(x)’i geri kazanmayı amaçlar. ### **Orijinal Karanlık Kanal Öncelikli Algoritmasının Adımları** He ve arkadaşları (2009) tarafından geliştirilen orijinal algoritma, sis kaldırma işlemini beş temel adımda gerçekleştirir. #### **1- Atmosferik Işığın Tahmini** Atmosferik ışık (A), genellikle görüntünün en parlak bölgesinden tahmin edilir. He ve ekibi, karanlık kanalın en parlak %0,1’lik pikselini seçer ve bu piksellerin ortalamasını alarak A’yı hesaplar. Bu [yöntem](/tr/detay/yontem-2/llms.txt), doğrudan en parlak pikseli seçmekten daha robust bir sonuç verir, çünkü gürültü veya parlak nesnelerden kaynaklanan hataları azaltır. #### **2- Karanlık Kanalın Hesaplanması** Görüntü, yerel yamalara (örneğin 15x15 piksel) bölünür. Her yamada, her renk kanalındaki minimum yoğunluk bulunur ve bu minimumlar arasında en düşük olanı karanlık kanal olarak seçilir: $I_dark(x) = min_{c ∈ {r,g,b}} (min_{y ∈ Ω(x)} I^c(y))$ Bu işlem, Marcel [van](/tr/detay/van-2/llms.txt) Herk’in [hızlı](/tr/detay/hizli/llms.txt) minimum filtresi ile [etkin](/tr/detay/etkin/llms.txt) bir şekilde gerçekleştirilir ve hesaplama karmaşıklığı görüntü boyutuna lineer olarak ölçeklenir. #### **3- İletim Haritasının İlk Tahmini** Karanlık kanal kullanılarak iletim haritası şu formülle hesaplanır: $t(x) = 1 - ω * (min_{c} (min_{y ∈ Ω(x)} I^c(y) / A^c))$ Burada ω, sis miktarını kontrol eden bir parametredir ve genellikle 0.95 olarak alınır. Bu [değer](/tr/detay/deger-2/llms.txt), tamamen sis kaldırmak yerine hafif bir sis kalıntısı bırakarak doğal bir görünüm sağlar. #### **4- İletim Haritasının Rafine Edilmesi** İlk tahmin edilen iletim haritası, genellikle gürültülü ve kenarları bulanık olabilir. Bu nedenle, yumuşak matlama (soft matting) veya yönlendirilmiş filtreleme (guided filtering) gibi tekniklerle rafine edilir. Yumuşak matlama, şu maliyet fonksiyonunu minimize eder: $E(t) = t^T L t + λ (t - t_hat)^T (t - t_hat)$ Burada L Laplacian matrisi, λ ise düzenleme parametresidir (örneğin, 10^-4). Bu [adım](/tr/detay/adim-2/llms.txt), kenarları korurken gürültüyü azaltır. #### **5- Net Görüntünün Geri Kazanımı** Son adımda, sisli görüntüden net görüntü şu formülle elde edilir: $J(x) = (I(x) - A) / max(t(x), t_0) + A$ Burada t\_0 (örneğin 0.1), sıfıra bölünmeyi önlemek için kullanılan bir alt sınırdır. Bu formül, sis etkisini tersine çevirerek net bir görüntü üretir. ### **Algoritmanın Avantajları ve Sınırlamaları** Karanlık kanal öncelikli algoritma, tek bir görüntüden sis kaldırmada etkileyici sonuçlar sunar ve ek donanım gerektirmez. Ancak, bazı sınırlamaları da vardır: - **Parlak Alanlar:** Gökyüzü gibi homojen ve parlak bölgelerde, karanlık kanal varsayımı geçerli olmayabilir. Bu alanlarda piksel yoğunluğu sıfıra yakın değildir, bu da renk bozulmasına veya gürültüye neden olabilir. - **Benzer Renk Sorunu:** Sahnedeki nesnelerin renkleri atmosferik ışığa yakınsa (örneğin, beyaz bir bina), algoritma yanlış tahminler yapabilir. - **Hesaplama Karmaşıklığı:** Yumuşak matlama gibi rafinasyon adımları, hesaplama açısından yoğun olabilir. ### **Uygulama Alanları** Karanlık kanal öncelikli algoritma, birçok alanda kullanılabilir: - **Fotoğrafçılık:** Sisli dış mekan fotoğraflarını iyileştirme. - **Otonom Araçlar:** Kamera tabanlı sistemlerin sisli havalarda görüşünü artırma. - **Uydu Görüntüleme:** Bulutlu veya sisli görüntülerin netleştirilmesi. - **Güvenlik Sistemleri:** Sisli ortamlarda güvenlik kameralarının etkinliğini artırma. ### **DCP Algoritma Uygulama Kodu** **Örnek Çıktı:** ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/03/15/zubq0TRu36bRcFfaIkR58afryi3UhVuS.png) *Dark Channel Prior algoritmasının uygulaması (Hazırlayan ve düzenleyen: Beyza Nur Türkü)* ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/03/15/p0hH1NnSWqjArboSlNaywvF0AKPo0DIk.png) *Dark Channel Prior algoritmasının uygulaması (Hazırlayan ve düzenleyen: Beyza Nur Türkü)* ## Academic Sources and References 1. He, K., Sun, J., & Tang, X. (2010). Single image haze removal using dark channel prior. IEEE transactions on pattern analysis and machine intelligence, 33(12), 2341-2353. 2. He, K., Sun, J., & Tang, X. (2010). Single image haze removal using dark channel prior. IEEE transactions on pattern analysis and machine intelligence, 33(12), 2341-2353. 3. Lee, S., Yun, S., Nam, J. H., Won, C. S., & Jung, S. W. (2016). A review on dark channel prior based image dehazing algorithms. EURASIP Journal on Image and Video Processing, 2016, 1-23. 4. Liang, Q., Zhu, B., & Ngo, C. W. (2021). Pyramid fusion dark channel prior for single image dehazing. arXiv preprint arXiv:2105.10192. 5. Pan, J., Sun, D., Pfister, H., & Yang, M. H. (2016). Blind image deblurring using dark channel prior. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1628-1636). 6. Zhou, X., Bai, L., & Wang, C. (2017). Single image dehazing algorithm based on dark channel prior and Inverse Image.