---
title: Odev Trajektori Analizi
emoji: 🔥
colorFrom: yellow
colorTo: gray
sdk: gradio
sdk_version: 5.10.0
app_file: app.py
pinned: false
---

# Kırmızı Topun Trajektori Analizi

## Proje Konusu
Bu proje, kırmızı topun yuvarlanırken izlediği yolu analiz etmeyi amaçlamaktadır. Video işleme teknikleri kullanılarak, topun yolunun doğruluğu belirlenir ve "ok" veya "not ok" şeklinde raporlanır.

## Kullanılan Yöntemler ve Teknikler

### HSV Renk Maskesi Oluşturma
Videodan gelen her bir çerçeve, HSV renk uzayına dönüştürülür ve kırmızı renklerin maskesi oluşturulur.

```python
def create_mask(frame):
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    mask1 = cv2.inRange(hsv, (0, 120, 70), (10, 255, 255))
    mask2 = cv2.inRange(hsv, (170, 120, 70), (180, 255, 255))
    mask = mask1 | mask2
    return mask
```

### Morfolojik İşlemler
Kırmızı renk maskesi üzerine uygulanan morfolojik işlemlerle, gürültü ve küçük istenmeyen nesneler temizlenir.

```python
def apply_morphology(mask, kernel_size=15):
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (kernel_size, kernel_size))
    morph = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
    return morph
```

### En Büyük Bileşeni Bulma
Morfolojik işlemler sonrası en büyük bağlı bileşenin merkezi bulunur.

```python
def find_largest_component(morph):
    num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(morph, connectivity=8)
    if num_labels > 1:
        largest_label = 1 + np.argmax(stats[1:, cv2.CC_STAT_AREA])
        cX = int(centroids[largest_label][0])
        cY = int(centroids[largest_label][1])
        return cX, cY
    else:
        return None
```

### Topun İzlediği Yolu Çizme
Kırmızı topun izlediği yolu çizen fonksiyon.

```python
def draw_trajectory(frame, trajectory):
    if len(trajectory) > 1:
        pts = np.array(trajectory, np.int32)
        pts = pts.reshape((-1, 1, 2))
        cv2.polylines(frame, [pts], False, (0, 255, 0), 2)
```

### Yolu Analiz Etme
Trajektori analizini yaparak topun yolunun düzgün mü yoksa yalpalamalı mı olduğunu değerlendirir.

```python
def analyze_trajectory(trajectory, std_threshold=10):
    if len(trajectory) < 2:
        return "Yolu belirlemek için yeterli veri yok."
    else:
        x_coords = np.array(trajectory)[:, 0]
        std_x = np.std(x_coords)
        return "ok" if std_x < std_threshold else "not ok"
```

### Video İşleme ve Çıktı Alma
Videodaki kırmızı topun yolunu analiz eden ve çıktı üreten ana fonksiyon.

```python
def process_video(video, kernel_size=15, std_threshold=10):
    try:
        cap = cv2.VideoCapture(video)
        fps = cap.get(cv2.CAP_PROP_FPS)
        _, frame = cap.read()
        if frame is None:
            return "Videodan çerçeve okunamadı!", None, None
        fourcc = cv2.VideoWriter_fourcc(*'XVID')
        height, width = frame.shape[:2]
        try:
            out_mask = cv2.VideoWriter('mask_output.avi', fourcc, fps, (width, height), False)
            out_final = cv2.VideoWriter('output.avi', fourcc, fps, (width, height))
        except:
            return "Video dosyaları oluşturulamadı!", None, None
        trajectory = []
        while cap.isOpened():
            ret, frame = cap.read()
            if not ret:
                break
            mask = create_mask(frame)
            out_mask.write(mask)
            morph = apply_morphology(mask, kernel_size)
            center = find_largest_component(morph)
            if center:
                cX, cY = center
                trajectory.append((cX, cY))
                cv2.circle(frame, (cX, cY), 5, (0, 255, 0), -1)
            draw_trajectory(frame, trajectory)
            out_final.write(frame)
        cap.release()
        out_mask.release()
        out_final.release()
        result_text = analyze_trajectory(trajectory, std_threshold)
        return result_text, 'mask_output.avi', 'output.avi'
    except:
        return "Video işlenirken bir hata oluştu!", None, None
```

### Kullanıcı Arayüzü
Gradio kullanılarak oluşturulan kullanıcı dostu arayüz, işlem parametrelerinin ayarlanmasını sağlar.

```python
demo = gr.Interface(
    fn=process_video,
    inputs=[
        gr.Video(label="Girdi Video"),
        gr.Slider(1, 50, value=15, step=1, label="Kernel Boyutu"),
        gr.Slider(1, 100, value=10, step=1, label="Standart Sapma Eşiği")
    ],
    outputs=[
        gr.Textbox(label="Yol Analiz Sonucu"),
        gr.Video(label="Maske Video"),
        gr.Video(label="Çıktı Video")
    ],
    examples=[
        ["ok.mp4", 15, 10],
        ["not_ok1.mp4", 15, 10],
        ["not_ok2.mp4", 15, 10]
    ]
)

if __name__ == "__main__":
    demo.launch(show_error=True)
```

## Sonuçlar ve Yorumlar
- **Maske Video**: Kırmızı topun tespit edildiği maskeli video.
- **Çıktı Video**: Kırmızı topun izlediği yolun ve merkezinin işaretlendiği video.
- **Yol Analiz Sonucu**: Standart sapmaya bağlı olarak yolun düz mü (ok) yoksa eğri mi (not ok) olduğu tespit edilir.

## Olası Alternatif Durumlarda Kullanılabilecek Yöntemler
1. **Klasik Eşik Değerleme**: HSV renk uzayında sabit eşik değerleri yerine, histogram eşik değerleme gibi yöntemlerle daha dinamik bir maske oluşturulabilir.
2. **Adaptif Eşikleme**: Aydınlatma koşullarında değişikliklere karşı daha dayanıklı olabilmesi için yerel donanım koşullarını dikkate alan adaptif eşikleme yöntemleri kullanılabilir.
3. **Kalman Filtresi**: Kırmızı topun hareket tahminini iyileştirmek için Kalman filtresi gibi yöntemler kullanılabilir.
4. **Morfolojik Açma (Opening)**: Kapama (closing) yerine açma (opening) işlemi de denenerek küçük gürültü noktalarının temizlenmesi ve topun daha belirgin hale getirilmesi sağlanabilir.