--- title: Yönlendirilmiş Gradyanların Histogramı (HOG) slug: yonlendirilmis-gradyanlarin-histogrami-hog url: /detay/yonlendirilmis-gradyanlarin-histogrami-hog type: article language: Türkçe entity: primary: Yönlendirilmiş Gradyanların Histogramı (HOG) type: article disambiguation: Yönlendirilmiş Gradyanların Histogramı (HOG): Görüntü işlemede nesne tespiti için güçlü bir özellik çıkarma yöntemi. categories: - name: Yazılım Ve Yapay Zekâ slug: yazilim-ve-yapay-zeka url: /kategori/yazilim-ve-yapay-zeka tags: - Özellik Çıkarma - HOG Algoritması - Bilgisayarla Görü - Nesne Tespiti - Makine Öğrenmesi author: Beyza Nur Türkü created_at: 2025-02-10T14:05:16.748261+03:00 updated_at: 2025-04-17T12:12:33.572055+03:00 --- # Yönlendirilmiş Gradyanların Histogramı (HOG) ## Article Content Bilgisayarla görü algılama ve görü tabanlı nesne tespiti, son yıllarda giderek daha fazla [önem](/tr/detay/onem/llms.txt) kazanmaktadır. Bu alanda çok sayıda [algoritma](/tr/detay/algoritma-6/llms.txt) geliştirilmiş olup, bu algoritmalar özellikle; nesne sınıflandırma, nesne tanıma ve [hareket](/tr/detay/hareket-3/llms.txt) analizi [gibi](/tr/detay/gibi-749510/llms.txt) görevlerde kullanılmaktadır. Yönlendirilmiş Gradyanların Histogramı (Histogram of Oriented Gradients, HOG) algoritması, bu bağlamda sıkça kullanılan ve etkinliği kanıtlanmış bir [özellik](/tr/detay/ozellik/llms.txt) çıkarma yöntemidir. ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/10/dgFeyZlRT8egstpQa32lni7BWxRwyI8X.png) *HOG Algoritması örneği (Kaynak: *[Batuhan Daz](https://batuhandaz.medium.com/y%C3%B6nlendirilmi%C5%9F-gradyanlar%C4%B1n-histogram%C4%B1-hog-machine-learning-66cdd10092f1)*)* #### **HOG Algoritmasının Temelleri** HOG algoritması, bir görüntüdaki nesneleri tanımlamak için gradyan yön bilgilerini kullanan bir özellik çıkarma yöntemidir. Algoritma temel olarak şu adımlardan oluşmaktadır: **1. Gri Tonlamaya Dönüştürme**: [Renkli](/tr/detay/renkli-47aad/llms.txt) görüntüler genellikle gri tonlamaya dönüştürülür. Bu, hesaplama yükünü azaltarak gradyan hesaplamalarını daha verimli hale getirir. **2. Gradyan Hesaplama**: Görüntünün yatay (x) ve [dikey](/tr/detay/dikey/llms.txt) (y) yönlerinde parlaklık farklarını hesaplamak için Sobel filtresi gibi kenar tespit operatörleri kullanılır. Bu farklar, görüntünün kenar bilgilerini çıkarmaya yardımcı olur. **3. Hücre Tabanlı Histogram Oluşturma**: Görüntü belirli bölgelere (hücrelere) bölünür ve her hücrede bulunan piksellerin gradyan yönleri belirlenir. Her hücrede, gradyan yönü ve büyüklüğü [baz](/tr/detay/baz-3/llms.txt) alınarak bir histogram oluşturulur. **4. Blok Normalizasyonu**: HOG algoritmasında bloklar, belirli sayıda hücrenin birleştirilmesiyle oluşur. Blok normalizasyonu, ışık değişkenliklerinden etkilenmeyi azaltmak için histogram değerlerinin normalize edilmesini sağlar. **5. Özellik Vektörünün Oluşturulması**: Elde edilen [hücre](/tr/detay/hucre-2/llms.txt) histogramları birleştirilerek bir özellik vektörü oluşturulur. Bu vektör, [makine öğrenmesi](/tr/detay/makine-ogrenmesi-748491/llms.txt) algoritmalarında veya nesne tanıma sistemlerinde kullanılabilir. Bu adımlar, bir görüntüde nesne sınıflandırma veya tespit için güçlü ve kararlı özellikler oluşturur. #### **HOG Algoritmasının Çalışma Prensibi** **1. Gradyan Hesaplama: **Gradyan hesaplama, Sobel filtresi gibi kenar tespit operatörleri kullanarak görüntünün yatay ve dikey parlaklık farklarını belirlemeyi içerir. Bu [adım](/tr/detay/adim-2/llms.txt), görüntünün kenar bilgilerini belirleyerek sonraki analiz için temel oluşturur. **2. Histogram Oluşturma: **Her pikselin gradyan yönü ve büyüklüğü hesaplanarak hücreler içinde histogramlar oluşturulur. Her hücrede belirlenen histogram, piksellerin gradyan yönlerine göre düzenlenir. **3. Blok Normalizasyonu: **Histogramlar belirli bölgeler halinde (bloklar) gruplanarak normalize edilir. Bu işlem, ışık ve kontrast farklılıklarından etkilenmeyi azaltarak daha tutarlı bir özellik vektörü oluşturulmasını sağlar. **4. Özellik Vektörünün Oluşturulması: **Son aşamada, elde edilen histogram değerleri düz bir vektöre dönüştürülerek, nesne tanıma veya sınıflandırma için kullanılabilir hale getirilir. Bu vektör, makine öğrenmesi algoritmalarıyla nesne saptama ve sınıflandırma görevlerinde kullanılabilir. #### **Python ile HOG Algoritması Hesaplama Adımları** Çıktı: ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/10/Q1dHN9BgTLCv7HVc320qWBrQ6zLBzOLr.png) Çıktı: ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/10/6M0aoUEKelQXykO1yQ5ohZL43VAVJPfT.png) Çıktı: ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/02/10/0PdCJGQo0j8z3nqx19Q13y1Czhs17pcZ.png) #### **HOG Algoritmasının Avantajları ve Dezavantajları** ##### **Avantajlar** - Işık ve kontrast değişimlerine dayanıklıdır. - Kenar ve doku bilgisini etkin bir şekilde çıkarır. - Ölçeklenebilir ve esnek bir yöntemdir. - Gerçek zamanlı uygulamalarda yüksek performans sunar. - ##### **Dezavantajlar** - Hesaplama maliyeti düşüktür. - Döndürme ve ölçek değişikliklerine duyarlı olabilir. - Derin öğrenme tabanlı yöntemlere kıyasla daha düşük doğruluk oranına sahiptir. #### **HOG Algoritmasının Kullanım Alanları** - İnsan tespiti (Güvenlik kameraları, otonom araçlar) - Araç ve trafik analizi - Tıbbi görüntü analizi - Robotik ve otonom sistemler - Yüz tanıma ve jest analizi ## Academic Sources and References 1. Dalal, Navneet., & Triggs, Bill. "Histograms of oriented gradients for human detection." In 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR'05) , Vol. 1, (2005, June): 886-893.Tomasi, C. "Histograms of oriented gradients." Computer Vision Sampler, (2012): 1-6.Surasak, Thattapon., Takahiro, Ito., Cheng, Cheng-hsuan., Wang, Chi-en., & Sheng, Po-yo. "Histogram of oriented gradients for human detection in video." In 2018 5th International conference on business and industrial research (ICBIR), (2018, May): 172-176.Soler, J. D., Beuther, H., Rugel, M., Wang, Y., Clark, P. C., Glover, S. C., ... & Schilke, P. "Histogram of oriented gradients: a technique for the study of molecular cloud formation." Astronomy & Astrophysics,(2019): 622, A166.Tyagi, M. "Histogram of Oriented Gradients: An Overview" (2024). Erişim Adresi.Mallick, S. "Histogram of Oriented Gradients explained using OpenCV" (2016). Erişim Adresi.