Ne yalan söyleyeyim, Geçen ay İstanbul’da bir e-ticaret ekibiyle oturmuş ürün görsellerine bakıyorduk — o sırada aklıma takıldı: “Bu kumaş neden böyle titreşiyor?” Ekranda sapasağlam duran fotoğraf, biraz küçültünce aniden dalgalı bir hal alıyordu. İşin aslı şu ki, sorun fotoğrafın kendisinde değil; görüntüyü yakalayan sensörle fotoğraftaki tekrar eden desenin birbirine girmesinde, adeta birlikte dans etmesinde yatıyor.
Bu tuhaf görünümün adı moiré. İlk duyduğunuzda Fransızca bir tatlı gibi geliyor, değil mi? Ama teknoloji tarafında bayağı baş ağrıtan bir şey bu. Mesela web uygulaması yazıyorsanız — görsel yükleme, tarama, OCR, video işleme gibi alanlarda — bu problem eninde sonunda karşınıza çıkıyor. Kaçış yok gibi. Ama panik de yok.
Moiré Tam Olarak Ne?
En basit haliyle moiré, üst üste binen iki düzenli desenin birbirini bozmasıyla oluşan sahte bir desen. Yani kamera piksel ızgarası ile monitör çizgileri çakışıyor… ya da tarayıcıdaki örnekleme yapısı baskıdaki yarım ton noktalarıyla kavga ediyor. Sonuç? Göze hoş gelmeyen dalgalar, şeritler ve bazen gökkuşağına benzeyen lekeler.
Bunu geçen yıl Kadıköy’de eski dergi arşivlerini dijitale taşırken birebir gördüm. Tarayıcıya attığımız bazı sayfalarda, metnin çevresinde ince ince kıvrılan çizgiler belirdi. İlk bakışta donanım arızası sandık; meğer kâğıttaki baskı deseni ile tarama çözünürlüğü çarpışıyormuş. Mesele “kötü fotoğraf” falan değildi — iki sistemin aynı dili konuşamamasıydı.
Yani, Bir de şu var: moiré sadece statik görsellerde çıkmıyor. Video kaydında çizgili gömlekler titriyor, ekran çekimlerinde renkli halkalar beliriyor, tekstil ürünlerinde kumaş olduğundan çok daha bozuk görünüyor. Açık konuşayım — kullanıcı bunu teknik bir terimle açıklamanızı beklemiyor. O sadece “bu site neden amatör duruyor?” diye düşünüyor.
Kısa bir not düşeyim buraya.
Nerelerde Karşımıza Çıkıyor?
Bak şimdi, bu iş sadece akademik bir merak konusu değil. Web uygulamalarında kullanıcılar her gün binlerce farklı görsel yüklüyor — ekran fotoğrafı da var, fatura taraması da var, tişört katalogu da var. Hepsi ayrı dert.
OCR kullanan sistemlerde moiré özellikle can sıkıyor, çünkü karakter tanıma motoru kontrast yerine sahte çizgilere odaklanabiliyor. 2023 sonbaharında bir startup’ta buna benzer bir akışı test etmiştim; taranan belgelerin güven skoru düşmüştü, manuel kontrol oranı yükselmişti. Küçük fark gibi duruyor ama operasyon tarafında maliyet hemen hissediliyor. Ciddi fark var.
Evet, doğru duydunuz.
E-ticaret tarafında ise konu biraz daha sert vuruyor. Kumaş dokusu olan ürünlerde moiré varsa müşteri ürünü kusurlu sanabiliyor — hatta bazen iade sebebi bile oluyor; üründe sorun yokken algıda sorun oluşuyor. Bu kısmı hiç hafife almayın.
Tipik kullanım senaryoları
- Ekran fotoğrafı yükleme — bunu es geçmeyin
- Baskılı belge tarama
- Kumaş ve örgü yüzeyleri gösterme
- Sosyal medya video önizlemeleri
- Saha ekiplerinin telefonla çektiği kurumsal evraklar
Ha, bu arada küçük ekiplerle büyük kurumların yaşadığı dert aynı değil. Küçük startup’ta mesele genelde “kaliteyi biraz toparlayalım” seviyesinde kalırken, enterprise tarafta araya veri kalitesi SLA’si giriyor, sonra destek talepleri büyüyor… işler uzuyor yani.
Neden Oluyor? Kısaca Matematik Ama Korkutmadan
Moiré’nin kökü aliasing denen olaya dayanıyor. Çok düz anlatayım: bir sinyali yeterince sık örnekleyemezseniz beyin ya da sensör onu yanlış okuyor. Fotoğrafta da durum bu kadar sade aslında — kamera sensörü belli aralıklarla bilgi topluyor, nesnedeki tekrar eden yapı da buna yakınsa sahte desen doğuyor (ciddiyim)
Kısa bir not düşeyim buraya.
Moiré’yi anlamanın en iyi yolu şudur: İki düzgün ritim tam tutmazsa kulağınızda nasıl falsolu bir ses hissi oluşuyorsa, gözünüz de görüntüde benzer bir “vuruntu” görüyor.
İşin garibi, Matematik kısmına fazla dalmadan şunu söyleyeyim: örnekleme frekansı yetersiz kaldığında sistem detayları doğru yakalayamıyor ve ortaya düşük frekanslı hayalet desenler çıkıyor. Bu yüzden kamera ile ekran pikselleri — ya da baskı noktaları — birbirine yakın ölçeklerdeyse problem büyüyor.
| Durum | Ne olur? | Risk |
|---|---|---|
| Ekranı telefondan çekmek | Piksel grid’i çakışır | Renkli dalgalar |
Size bir şey söyleyeyim, Neyse, tabloyu uzatmayayım; hangi cihazla çekerseniz çekin, örnekleme düzeni ne kadar zayıfsa moiré ihtimali o kadar artıyor.
Bunu Nasıl Azaltırsınız?
Klasik yaklaşım Gaussian blur kullanmak. Ama dikkat — bulanıklık çözüm bir düşüneyim… gibi görünürken ayrıntıları da ölduruyor. Geçen hafta Beşiktaş’taki küçük bir SaaS ekibiyle yaptığım görüşmede tam bunu konuştuk; onlar önce agresif blur denemişti, sonra ürün kartlarının hepsi sabun köpüğü gibi olmuştu. Gerçekten öyle. Tanınamaz hale gelmişti. Bu konuyla ilgili neden konusundaki yazımız yazımıza da göz atmanızı tavsiye ederim.
Daha iyi yöntemler neler?
- Düşük geçiren filtreyi kontrollü kullanmak
- Descreening algoritmaları denemek
- Çözünürlüğe göre yeniden örnekleme yapmak — bunu es geçmeyin
- Kenar korumalı filtrelerle detay kaybını azaltmak
import cv2
import numpy as np
def remove_moire_blur(image, kernel_size=5):
"""
Basit ama sert yöntem:
Moiré'yi azaltır ama detayı da törpüler.
"""
return cv2.GaussianBlur(image, (kernel_size, kernel_size), 0)
import cv2
import numpy as np
def remove_moire_blur(image, kernel_size=5):
"""
Basit ama sert yöntem:
Moiré'yi azaltır ama detayı da törpüler.
"""
return cv2.GaussianBlur(image, (kernel_size, kernel_size), 0)Bir bakıma, açık konuşayım — yukarıdaki yöntem üretimde tek başına yetmiyor. Sadece hızlı prototip için iş görüyor. E peki, sonuç ne oldu? Kurumsal projede daha akıllı filtreleme gerekiyor; mesela bölgesel işlem yapmak ya da yalnızca sorunlu alanları hedeflemek çok daha mantıklı bir yaklaşım. 2026’da Hangi LMS’yi Önce Desteklemeli? Akıllı Seçim Rehberi yazımızda bu konuya da değinmiştik. Hong Kong’da Stablecoin Hamlesi: Bankalar Sahneye Çıkıyor yazımızda bu konuya da değinmiştik.
Küçük startup için ne mantıklı?
Ekip küçükse önce basit çözümlerle başlayın derim. Geliştirici zamanı pahalıdır ve çoğu zaman %80 faydayı %20 çabayla almak istersiniz. Kullanıcının yüklediği dosyaya minik bir blur uygulamak ya da otomatik kalite uyarısı vermek bazen fazlasıyla yeterli — gerçekten, yeterli (ben de ilk duyduğumda şaşırmıştım)
Büyük ölçek için ne değişiyor?
Hani, Enterprise seviyede durum başka. Burada batch processing, OCR pipeline, veri saklama politikası ve hata sınıflandırması devreye giriyor (yanlış duymadınız). Bir bankanın doküman akışında çalışırken bunun etkisini net gördüm: moiré yüzünden yanlış okunan alanlar insan onayına düşüyor, orada kuyruk uzuyor, sonra bütün operasyon hantal hissettiriyor. Küçük bir görsel sorunu büyük bir iş akışı sorununa dönüşüyor yani.
Tasarım ve Ürün Tarafında Ne Yapmalı?
Şunu fark ettim: Meseleyi sadece mühendislik gözüyle okumayın. Ürün tasarımcısıysanız kullanıcıya geri bildirim vermek çok önemli. “Yüklediğiniz görselde baskı deseni nedeniyle kalite düşebilir” gibi bir uyarı göstermek hem beklentiyi yönetiyor hem destek taleplerini azaltıyor. İki taraf da kazanıyor.
Bir de capture yönergeleri işe yarıyor — yani kullanıcıya nasıl çekeceğini söylemek. Telefon kamerasıyla ekran çekilecekse mümkünse açı değiştirilsin, yakınlaştırma yapılmasın, parlaklık aşırı yükseltilmesin. Basit tavsiyeler gibi duruyor ama etkisi bayağı iyi. Statik Kod Analizi Nedir? 2026’da Kaçırmamanız Gereken Rehber yazımızda da bu konuya değinmiştik. Windows 11’de Copilot Dönemi Bitiyor mu? İşte Asıl Mesaj yazımızda da bu konuya değinmiştik.
Ben kendi notlarımı hazırlarken hep şuna bakıyorum: bu sorun kullanıcı hatası mı, cihaz sorunu mu, yoksa bizim pipeline eksikliğimiz mi? Cevap çoğu zaman üçünün tam ortasında bir yerde… Evet, tam da öyle.
Peki Hangi Yaklaşım Daha Mantıklı?
Doğrusu, Hız istiyorsanız blur tabanlı çözümlerle başlayabilirsiniz. Ama kalite sizin için kritikse — gerçekten kritikse — frequency-aware işlemler, descreening ya da görüntünün bağlamına göre karar veren modeller çok daha doğru olur. Sihir yok burada; hangi problemi ne kadar çözdüğünüz önemli.
Kendi deneyimime göre en iyi sonuç genelde katmanlı yaklaşımla geliyor. İlk adımda input’u analiz edin, ikinci adımda risk puanı çıkarın, üçüncü adımda yalnızca gerekliyse müdahale edin. Yani her görsele sopayla dalmayın — bazısına nazik davranmak gerekiyor.
Bazen de dürüst olmak lazım: moiré tamamen giderilemeyebilir. Böyle durumlarda amaç mükemmel temizlik değil, kabul edilebilir çıktı üretmek olmalı. Kullanıcının gözüne batmayan seviye çoğu üründe zaten yeterlidir; fazlasını kovalamak süreci uzatır, ekibi yorar.
Sıkça Sorulan Sorular
Moiré pattern nedir?
Moiré pattern, iki düzenli desen üst üste geldiğinde oluşan sahte dalga ya da çizgi efektidir. En sık ekran fotoğrafında, taramalarda. Kumaş yüzeylerinde görülür. Gerçek detay değil, görüntüleme kaynaklıdır.
Moiré neden özellikle ekran fotoğraflarında çıkar?
Ekrandaki piksel dizilimi ile kameranın sensör yapısı birbirine yakın ölçeğe gelince çakışma olur. Bu yüzden renkli dalgalar ya da grid benzeri artefaktlar belirginleşebilir. En çok da düşük kaliteli zoom veya açı hatalarında daha kötü görünür.
Moiré tamamen silinebilir mi?
Bazen evet,çoğu zaman hayır.Agresif filtrelerle azaltabilirsiniz ama detay kaybı yaşarsınız: En iyi sonuç genelde dengeli ön işleme ve bağlama göre karar veren algoritmalarla gelir.
Taramalarda moiré’yi azaltmanın en kolay yolu nedir?
Daha uygun çözünürlük seçmek ve descreening uygulamak iyi başlangıçtır. Eğer elinizdeki araç basitse kontrollü blur denenebilir ama fazla kaçarsa metin okunabilirliği düşer. Pratikte küçük testler yapmak şarttır.
Kullanabileceğiniz İç Bağlantılar
Eğer görüntü işleme konuları ilginizi çekiyorsa şu yazıya da göz atmanız iyi olur:Attention Is All You Need — Transformer Devrimi Neden Önemlu?: . Yapay zekâ tarafındaki örneklerin image pipeline’a nasıl dokunduğunu görmek açısından güzel tamamlayıcı içerik oluyor (evet, doğru duydunuz)
I/O yoğunluğu yüksek sistemlerde kalite problemi bazen modelden önce veri girişinde başlıyor — moirè bunun tipik örneği.
“””“””
܁
>## Kaynaklar ve İleri Okuma
OpenCV Resmi Sitesi
SciPy Gaussian Filter Dokümantasyonu
Aliasing and Moire — Cambridge in Colour
20+ yıl deneyimli Azure Solutions Architect. Microsoft sertifikalı bulut mimari ve DevOps danışmanı. Azure, yapay zekâ ve bulut teknolojileri üzerine Türkçe teknik içerikler üretiyor.
İlgili Yazılar
Bu içerik işinize yaradı mı?
Benzer içerikleri kaçırmamak için beni sosyal medyada takip edin.
