İnternet Tabanlı İmge Arama Sonuçlarının Histogram Tabanlı Baskın Kümeler ile Gruplandırılması

Transkript

1 İnternet Tabanlı İmge Arama onuçlarının Hstogram Tabanlı Baskın Kümeler le Gruplandırılması Evren Ferhat EMEKDAŞ 1,3 Zya TELATAR 2 1,2 Elektronk Mühendslğ Bölümü, Ankara Ünverstes, Ankara 3 Elektrk-Elektronk Mühendslğ Bölümü, Başkent Ünverstes, Ankara 1 e-posta: eemekdas@baskent.edu.tr Özetçe Gün geçtkçe artan çoklu ortam verlernn kullanımı, berabernde muazzam mktarlardak görsel çerk çnden stenlen verlere erşm sorununu da berabernde getrmektedr. Bu sorunu çözmek çn kullanıcılar, nternet tabanlı arama motorlarına yönelmşlerdr. Ne var k sıklıkla kullanılan bu popüler arama motorlarının hç brs çerk tabanlı br arama çözümü sunmamaktadır. Bu çalışmada, vdeo bölütleme çalışmalarında başarıyla uygulanan baskın kümeler yöntemnn çerk tabanlı br ayıklama şlem çn kullanılableceğ ön görüsünden hareketle, nternet tabanlı mge arama motorlarından elde edlen sonuçların gruplandırması gerçekleştrlmştr. 1. Grş Çoklu ortam verlernn kullanımı, masrafları azalan sayısal ortam gereçlernn aşırı kullanımıyla beraber gün geçtkçe artmaktadır [1]. Günümüzde görsel verlern saklanması veya paylaşılması br sorun olmaktan çıkmış ancak berabernde bu muazzam büyüklüktek çerk çnden stenlen verlere erşm sorununu getrmştr. Bu uygulama tabanlı engeller aşmak çn yen eğlm görüntüler gruplandırma ve ndsleme amaçlı algortmalar gelştrlmes yönündedr. Bu çalışmanın amacı, Google ve benzer arama motoru sonuçları üzernde çzge tabanlı br gruplandırma çalışması yapmaktır. Bu nedenle, bu çalışmanın lg alanı yen mgeler aramak yerne arama motorlarının daha önceden bulabldğ mge vertabanları üzernde çalışmalar yapmak olarak tanımlanablr. Başka br deyşle, ver tabanının yenden oluşturulmasından zyade, daha önceden oluşturulmuş ver tabanlarının çndek mgelern gruplandırılması optmzasyonu bu çalışmanın vzyonunu oluşturmaktadır. Bu çalışmanın amaçlarından brs de hesaplama yükünü azaltmak olduğu çn daha az vernn bulunduğu br yöntemn kullanılması daha akıllıca olacaktır. Br mgenn hstogramı büyük br ver kaybına rağmen halen mge hakkında öneml blgler çermekte ve htyaç duyulan daha küçük ver yığınlarını sağlayablmektedr. Ayrıca ver mktarının azalması, problemn kötü koşullu (ll-condtoned) olma olasılığını azaltacak ve hesaplama hatasının getreceğ sorunlar azalacaktır. Baskın kümeler, mge bölütleme problemler gb parçalı (düz) gruplandırma le lşks spatlanmış yen br çzge kuramsal anlayıştır. Bununla brlkte, pek çok blgsayar tabanlı görüntü uygulamasında, örneğn br mge 2 e-posta: Zya.Telatar@eng.ankara.edu.tr vertabanının düzenlenmesnde, vernn hyerarşk br düzenleme le gruplandırılması önemldr ve baskın küme kapsamında bu düzenlemenn nasıl yapılacağı çok açık değldr [2]. Düzenleyc parametre sıfıra eştlendğnde yerel çözümlern baskın kümelerle brebr lşk çnde olduğu blnmektedr. Fakat, parametre poztf olduğunda ortaya lgnç br görüntü çıkmaktadır. Düzenleyc parametre çn sınırlara önceden belrlenmş br eşk değernden daha küçük büyüklüklere sahp grupları çeren yerel çözümlern kümesn çıkarılmasını sağlayacak şeklde karar verlr. Bu durum gruplandırma sürec sırasında düzenleyc parametrenn uygun br şeklde değştrlmes fkr üzerne kurulmuş olan yen (parçalayıcı) hyerarşk br yaklaşımın kullanılmasını ortaya çıkarır. Lteratürde, üç farklı benzerlk matrs (ve vertabanı) le yapılan deneyler olduğu görülmüş ve elde edlen sonuçlar, bu yaklaşımın etknlğn doğrulamıştır. Vernn (ya da gruplandırmanın) katkısız parçalanması blgsayar tabanlı görüntü araştırmalarında yaygınlaşan br problemdr ve yakın zamanlarda gruplandırılacak vernn (pkseller, kenar elemanları, vs.) kenarlarının komşuluk lşklern gösterdğ ve ağırlıkların verler arasındak benzerlğ yansıttığı br benzerlk (kenar ağırlıklı) çzgesnn tepe noktaları olarak belrlendğ çzge tabanlı yaklaşımların [3,4,5,6,7] lg alanına yenden grdğ gözlenmektedr. Çzge kuramsal gruplandırma algortmaları temel olarak en az kapsama ağacı [8] veya en az kesm [6,7,9] gb benzerlk çzges çndek kombnasyonel kesm yapılarının aranmasını çerr ve bu yöntemler arasında klask br yaklaşım (tambağlantı algortması [10,11,12]) clque adındak br tüm alt çzgenn aranmasına ndrger. Grup kavramının kesn ve üzernde çalışılablr br tanımı olmadığından, br parçayı elde etmek çn tek br en y krter yoktur [12]. Bazı yazarlar [13,14] maxmal clque kavramının grup olgusunun en katı tanımı olduğunu dda etmektedr [2,15]. Bu çalışmanın knc bölümünde kuramsal temeller ele alınmıştır. Kuramsal temellerde lk önce mge arama olgusu tartışılmış ve yapılacak çalışmada hstogram kullanımının nedenler açıklanmıştır. Daha sonrak alt bölümlerde sınıflandırma ve gruplandırma kavramlarının temeller açıklanmıştır. Gruplandırma hakkında verlen blglerden sonra, çzge kuramı ve br alt başlık olarak baskın kümeler açıklanmıştır. Bu bölümde son olarak performans değerlendrmes çn kullanılan yöntem belrtlmştr. Üçüncü bölümde, açıklanan kuramsal blgler ışında yapılan uygulama ve sonuçlar hakkında blg verlmştr. on

2 bölümde se önerlen yöntemle ulaşılan sonuçlar tartışılmıştır. 2. Kuramsal Temeller 2.1. İmge Arama ayısal ortam üzernde artan ver mktarıyla beraber, stenen verye ulaşılablmes çn arama motorlarının kullanımı gerekl olmaktadır. Gerek ağ tabanlı, gerekse masaüstü arama motorları arama şlemn yazı tabanlı gerçekleştrmektedr. Pek çok ağ tabanlı arama motoru (Altavsta, Google, Yahoo, vb.) mge arama üzernde farklı çalışmalar gerçekleştrmektedr. Günümüzde, Google arama motoru bu arama yöntemler arasında en başarılılarından brs olarak geçmektedr [16]. Google, resme yakın olan metnler, resm başlıklarını ve resm blglern (HTML tabanlı meta vers gb), boyut ve çözünürlük blgsn, erşm kolaylığını, erşm sayısını tarf edeblecek düznelerce faktörü analz eder. Ayrıca Google, çftler elemek ve en kaltel resmler lk olarak sunmak çn, karmaşık algortmalar kullanır. Google 'ın Resm Aramasını kullanarak, web üzernde 250 mlyon resmden fazlası aranablmektedr. Bununla brlkte nternet üzernde henüz Google 'ın ndeksne eklemedğ daha pek çok resm mevcuttur. [17] Google grafk arama motoru, her ne kadar dğer arama motorlarına göre başarılı sonuçlar vermekte se de arama sonucunda başarım her zaman stenldğ gb olmamakta ve arama sonucunda ulaşılmak stenen mgelerden farklı sonuçlara da ulaşılmaktadır. Buna br örnek oluşturmak çn Google grafk arama motoru kullanılarak ocean kelmes grlerek okyanus mgelerne ulaşılmaya çalışılmıştır. Arama sonucunda okyanus mgeleryle beraber, ocean olarak smlendrlmş mgeler de verlmektedr. Arama şlemnn sonucunda elde edlen bazı mgeler Şekl 1 de gösterlmştr. Şekl 1: Google grafk arama motoruyla yapılan ocean sorgusu sonucunda çıkan bazı mgeler Lteratürde arama motorlarından gelen sonuçların br yöntem çerçevesnde tekrar sıralanmasını öneren çok fazla çalışma bulunmadığı gb sonuçların gruplandırılması üzerne çok daha az çalışma bulunmaktadır [16]. Ben Ham et al. [18] n çalışması bu az sayıda sıralama çalışmalarından brs olarak sayılablr. chroff et al. [19] un yaptığı çalışma da bu alanda yapılan çalışmaların br başka örneğdr. chroff bu çalışmasında, nternet üzernde belrl br konu üzernde yapılan mge araştırmasının sonuçlarını toplayarak kullanılablr br ver tabanı oluşturmaktadır. Bunun çn Google ın ağ tabanlı aramasını ve mge arama sonuçlarını kullanarak önem sırasına göre dzmekte ve öneml resmler ver kümesne eklemektedr. Deselaers et al. [20] ın yaptığı çalışma, bu alanda yapılan br başka çalışma olarak gösterleblr. Farklı br bakış açısı olarak, Deselaers çalışmasında, benzer özntelkler bulmak yerne değşmez özntelklern belrlenmes ve bu özntelkler kullanılarak gruplandırma çalışmalarının yapılmasını amaçlamıştır. Çalışmada Google mge arama sonuçları kullanılarak br ver kümes oluşturulmakta ve bu ver kümesndek mgelern değşmez özntelkler bulunarak bu mgeler gruplandırılmaktadır. Daha önce de belrtldğ üzere, bu çalışmada da Google mge arama sonuçlarından elde edlecek vertabanlarının kullanılması amaçlanmaktadır. Burada krtk olan nokta, mgelern hang özntelklernden faydalanılarak gruplandırma şlemnn yapılacağıdır. İmgelern uzamsal düzlemdek özntelkler kullanılableceğ gb belrl dönüşüm uzaylarındak özntelkler de kullanılablr. Bu noktada unutmamak gerekr k, dönüşüm uzayına geçş sürecnde fazladan br hesaplama yükü le karşılaşılmaktadır. Ne var k başarım arttırımı amaçlanırken, aynı zamanda uygulanablrlğ sağlamak amacıyla hesaplama yükünün en az sevyede tutulması da gerekmektedr. Bu nedenle günümüz teknolojs dahlnde dönüşüm uzayına geçşn kullanılması çok akıllıca gözükmemektedr. Uzamsal düzlemde yapılablecek uygulamaların başında pksel tabanlı benzerlklere bakmanın geldğ söyleneblr. Fakat, bu uygulamada aynı çerğ çeren mgeler arasında mgenn elde edldğ ortam parametrelernn (ışıklandırma, görüntü kaynağı, gürültü, nesnenn dokusundak bozukluklar, vb.) farklılığından dolayı benzer çerğ farklı gruplara ayırmak mümkündür. Bu noktada çerğn fzksel özellklerne bakmak br başka çözüm yolu olablr. Ne yazık k bu yöntemn de belrgn dezavantajları vardır. Bunlar arasında çözünürlük farklılığı, mgenn elde edldğ kaynaktan dolayı oluşan renk ve doku farklılıkları sayılablr. Br başka yöntem de mge bölütlernn benzerlklerne bakmaktır. Fakat mge çndek nesne br mgede farklı açıdan görüntülenrken, başka br mgede çok daha farklı br açıdan görüntülenmş olablr. Örneğn, br nsanın br portre fotoğrafı le br profl fotoğrafı bölütlendğnde brbrne benzer olmayacaktır. Bu noktaya kadar tartışılan yöntemlern br başka kötü yanı da büyük ver bloklarıyla çalışmayı gerektrmesdr. Amaçlardan brs de hesaplama yükünü azaltmak olduğu çn daha az vernn bulunduğu br yöntemn kullanılması daha akıllıca olacaktır. Br mgenn hstogramı büyük br ver kaybına rağmen halen mge hakkında öneml blgler çermektedr ve htyaç duyduğumuz daha küçük ver yığınlarını bze sağlayablmektedr. Ayrıca ver mktarının azalması, problemn kötü koşullu olma olasılığını azaltacak ve hesaplama hatasının getreceğ sorunlar azalacaktır ınıflandırma ve Gruplandırma Jan ve Dubes un [12] tanımına göre grup analz, nesneler belrl br problemn şartları çerçevesnde anlamlı alt kümelere sınıflandırma şlemdr. Bunun sonucu olarak

3 nesneler, çnde bulundukları populasyonu karakterze eden etken gösterm sağlayacak şeklde organze edlr. Gruplandırma, nesnelern sonlu kümelerne uygulanan br sınıflandırma türüdür. Nesneler arasındak lşkler, satır ve sütunların nesnelere karşılık geldğ yakınlık matrsleryle fade edlr [12]. Eğer nesneler; desenler veya d-boyutlu metrk uzaydak noktalar olarak karakterze edlrse, yakınlıklar nokta çftler arasındak uzaklıklar (ör: Ökld uzaklığı) olarak seçleblr [12]. Nesne çftler arasında anlamlı uzaklık ölçümler ya da yakınlıklar oluşturulamazsa, anlamlı br grup analz mümkün olmamaktadır. Yakınlık matrs, gruplandırma algortmasında kullanılablen tek grş olgusudur [12]. Gruplandırma, sınıflandırmanın özel br türüdür [12]. ınıflandırma ve gruplandırma arasındak lşk hakkında tartışma Kendall [21] tarafından verlmştr. Lance ve Wllams [27] tarafından önerlen sınıflandırma problemler ağacı Şekl 2 de gösterlmştr. Bu ağacın her yaprağı, sınıflandırma problemnn farklı türlern fade etmektedr. Dışarlayıcı ve çsel sınıflandırma türler gruplandırma olarak adlandırılır [12]. Bndrmel (Overlappng) 2.3. Çzge Kuramı ınıflandırma Dışsal (Extrnsc) Dışarlayıcı (Exclusve) Hyerarşk (Herarchcal) Şekl 2: ınıflandırma türler ağacı Br grubun evrensel olarak kabul edlmş br tanımı olmamasına rağmen, farklı araştırmacılar [12,13,14] grup kavramını değşk şekllerde açıklamaya çalışmıştır [2,15]. Pelllo ya [22] göre br grubun k koşula uyması gerektğ söyleneblr: Dahl koşul: br grup çndek tüm nesnelern yüksek benzerlk göstermes gerekr. Harc koşul: br grubun dışındak tüm nesnelern çndeklerden yüksek farklılık göstermes gerekr. Çzge kuramı grşte n nesnel br kümenn ve çftl benzerlklerden oluşan nxn br benzerlk matrsnn varlığını kabul ederek, grş nesnelern olablecek en homojen şeklde V 1,2,..., n tepe gruplara ayırmayı amaçlar [22]. Burada noktaları kümesn, E V V kenar kümesn, w : E poztf ağırlık fonksyonunu fade etsn. İçsel (Intrnsc) Parçalı (Parttonal) Gruplanacak olan very ç döngüsü olmayan, yönsüz, kenar ağırlıklı br çzge, G ( V, E, w) olarak göstereblrz. G dek tepe noktaları ver değerlern, kenarlar komşuluk lşklern ve kenar ağırlıkları se bağlı tepe noktası çftlernn benzerlklern yansıtmaktadır. Grşte verlen A a j benzerlk matrs le poztf ağırlık fonksyonlarının lşks aşağıdak gb olacaktır. [22,23] a j, j, eğer (, j) E 0 dğer durumda Burada, benzerlk ağırlıklarının üçgen eştszlğn bozmadığı ve kendne benzerlklern w(, ) tanımlanmadığı varsayılmaktadır [23]. Grup çn yapılan tanıma dayanarak (br grup çndek tüm nesnelern yüksek benzerlk göstermes gerektğ ve br grubun dışındak tüm nesnelern çndeklerden yüksek farklılık göstermes gerektğ) br grubun k temel koşulu sağlaması gerektğ söyleneblr. Bunlar; (a) br grup yüksek ç homojenlğe sahp olmalıdır, (b) grup çnde kalan elemanlar le dışında kalan elemanlar arasında yüksek homojenszlk olmalıdır. Elemanlar kenar ağırlıklı br çzge olarak gösterldğnde bahsedlen k koşul grup çndek kenarlar arasındak ağırlıklar büyük, grup elemanları le dışarıdak elemanlar arasındak ağırlıklar küçük olmalıdır şeklnde yorumlanablr. Br grup çn yapılan tanıma ulaşmak çn, kenar ağırlıklarının atanmasının, tepe noktalarının ağırlıklarının atanmasına gden yolu şaret edeceğ ön görüsel düşüncesyle başlanablr. Bu bakış açısı, kenar ağırlıklarının atanmasını analz etmek çn daha kolay ve terch edleblr br yol gösterecektr. [22,23] olmak üzere V boş olmayan br tepe noktaları kümes olsun. Bu durumda, nn e göre ortalama ağırlıklı dereces (1) 1 awdeg ( ) aj (2) olarak tanımlanablr. j Buna ek olarak, eğer j se (, j) a awdeg ( ) (3) j olarak tanımlanablr. Burada, tüm, j V ve j çn (, j ) a j olduğuna dkkat ednz. Ön görüsel olarak, (, j ), nc düğüm ve dek komşuları arasındak ortalama benzerlğe bağıl olarak nc ve j nc düğümler arasındak benzerlğ ölçmektedr [22,23]. Ayrıca, (, j ) n değer poztf veya negatf olablmektedr. nn ye göre ağırlığı j \ 1 eğer 1 w ( ) \ j, w \ j, dğer durumda (4)

4 olarak hesaplanablr. Burada, tüm, j V ve j çn w ( ) w ( j) aj olduğuna dkkat ednz. Ayrıca,, j, j w ( ) nn bastçe tarafından tetklenen alt çzgenn kenarları üzerndek ağırlıkların br fonksyonu olarak hesaplandığını gözlemleyeblrz. Buna ek olarak nn toplam ağırlığı aşağıdak gb olur [23]. W ( ) w ( ) (5) Ön görüsel olarak, ( ) w, \ tepe noktaları arasındak tüm ortalama benzerlğe bağıl olarak nc tepe noktası le \ tepe noktaları arasındak tüm ortalama benzerlk hakkında br ölçü verr Baskın kümeler Boş olmayan tepe noktaları kümes V çn w( T ) 0 koşulunu sağlayan br boş olmayan T kümes varsa ve aşağıdak koşulları sağlıyorsa bu küme baskındır [22,23]. 1) Her çn, w ( ) 0 (ç homojenlk) 2) Her çn, w ( ) 0 (dış homojenszlk) Burada baskın kümeler aranılan gruplara denk düşmektedr. İklk sstemdek matrsler çn baskın kümeler maxmal clque e denk düşmektedr Performans Değerlendrmes Performans değerlendrmes çn dört ölçüt seçlmştr. İlk ölçüt [24] de kullanılan F-ölçümü (F) dür. Bu ölçüt bulunan grupların kaltesn ölçmektedr. 0-1 aralığında yer alan F değer, F=1 ken mükemmel sonucu fade etmektedr. Bu analz mge bazında gerçekleştrlmştr. Br başka deyşle, mge grupları karşılaştırıldığından dolayı, bu analz detaylı br performans analzdr. GT ve DT, sırasıyla olması beklenen ve tespt edlen grup kümelern fade etmektedr. [1] Burada, 1 F C max { f ( C, C j )} Z (6) C jdt C GT 2 Re( C, C j ) Pr( C, C j ) f ( C, Cj) Re( C, C ) Pr( C, C ) j j (7) Z C (8) C GT Ger çağırma (Re) ve kesnlk (Pr) fonksyonları (Aşağıda kullanılacak ger çağırma ve kesnlk değerler le karıştırılmaması çn ger çağırma ve kesnlk fonksyonları sırasıyla Re ve Pr olarak fade edlmştr) aşağıdak şeklde tanımlanmıştır. C C j Re( C, C j ) (9) C C C j Pr( C, C j ) (10) C j Benzer şeklde, ger çağırma ve kesnlk değerler [25] de performans değerlendrmes ölçütler olarak tanımlanmıştır ve bu değerler F 1 ölçütünün hesaplanmasında kullanılmaktadır. Tanımsal olarak Ger çağırma, doğru tesptlern toplam olması beklenen grup sayısına oranıdır. Kesnlk se doğru tesptlern toplam tespt edlen grup sayısına oranıdır. Br doğru tespt, tespt edlen grupların üyeler le olması beklenen grupların üyelernn %50 den daha fazla oranda üst üste çakışmasıyla belrlenr. Buna ek olarak, br olması beklenen grup kümes ancak br tespt edlen grup kümes le eşleştrleblr ve br tespt edlen grup kümes de sadece br olması beklenen grup kümes le eşleştrleblr. Ger çağırma ve Kesnlk kullanılarak hesaplanan son ölçüt F 1 şu şeklde fade edlr: 2 Ger Çağırma Kesnlk F1 (11) Ger Çağırma+Kesnlk 3. Deneysel onuçlar Deneme amaçlı olarak Google İmge Arama Motoru üzernden ocean kelmes aratılmış ve çıkan sonuçlardan lk 10 sayfada verlenler kaydedlmştr. Bu 10 sayfa çersnde Google ın güncelleme yapmamasından dolayı ulaşılamayan stelerdek ve mgenn bağlantısının şfre gerektrdğ mgeler kaydedlmemştr. Bu yolla, değşk formatlarda (.jpeg,.png,.gf,.bmp, vd.) 146 adet mge elde edlmştr. Elde edlen mgelern hstogramları hesaplanmış ve bu hstogramlar arasındak Ökld uzaklıkları hesaplanarak elde edlen değerlern ters, benzerlk matrsnn elemanları olarak seçlmştr. Bu noktada hstogramların çözünürlükten bağımsız hale gelmes çn hstogramların altında kalan alan 1 olacak şeklde normalze edlmştr. eçmn Ökld uzaklığı olarak belrlenmesnn neden, denenen 17 farklı çeşt uzaklık ölçütü çersnde en y sonucu vermş olmasıdır. Elde edlen benzerlk matrs, daha sonra baskın kümeler yöntem kullanılarak mgelern gruplandırılmasında kullanılmıştır. Google mge arama motorundan elde edlen 146 mgenn gruplandırma sonuçları üzernde br performans değerlendrmes yapablmek çn, aynı mgelern elle gruplandırılması şlem gerçekleştrlmştr. Bu gruplandırma gerçekleştrlrken algortmanın nasıl şledğn blen br kş (T1) ve algortmanın nasıl şledğn blmeyen br kş (T2) tarafından k ayrı gruplandırma yapılmıştır. T2 nn oluşturduğu gruplara at k örnek Şekl 3 ve Şekl 4 te gösterlmştr. Ayrıca bu 146 mge çersnde sadece.jpeg mgeler ayırarak (125 mge) algortmayı blen k ayrı kş (J1 ve J2) tarafından gruplandırma yapılmıştır. Elle gruplandırma yapan J1 ve T1 kşler aynı kşlerdr. Bu gruplandırmalar, olması beklenen grup kümelern (GT) oluşturmaktadır. adece.jpeg türünde mgelern seçlmesnn neden, dğer türlerdek mgelern çoğunluğunun farklı renk dernlklernde bulunması ve bu farklı renk dernlklernn hstogram

5 üzerndek değerlern belrgn sevyelerde toplanmasına neden olmasıdır. Bu durum hstogramda pek çok renk sevyesnde değerlern sıfır olmasına ve Ökld uzaklığında büyük farkların çıkmasına neden olmaktadır. Başarım sevyesnn düşmesnn ana nedenlernden brs bu farklılıktır. Algortma ve kullanıcılar tarafından elde edlen gruplandırma sonuçları doğrultusunda GT ve DT kümeler belrlenmştr. Yapılan performans değerlendrmes sonucunda Bölüm 2.4 de verlen performans ölçütler hesaplanarak Tablo 1 de verlmştr. Tablo 1: Performans ölçütler Kesnlk Ger Çağırma T1 T2 J1 J F F Tartışma Şekl 3: T2 nn oluşturduğu br gruptak örnek mgeler Şekl 4: T2 nn oluşturduğu br gruptak mgeler Tüm mgelern gruplandırılması şlem sonucunda, kullanılan algortma mgeler 24 farklı grup olarak ayırırken, T1 ve T2 sırasıyla 35 ve 30 gruba ayırmıştır. adece.jpeg türünde mgeler gruplandırıldığında algortma 19, J1 ve J2 se sırasıyla 30 ve 32 grup oluşturmuştur. Algortmanın kullanımı sonucunda oluşturulan gruplara at k örnek Şekl 5 ve Şekl 6 da gösterlmştr. Şekl 5: Algortmanın Şekl 3 de oluşturulan gruba en yakın bulduğu sonuç gruptak örnek mgeler Yapılan bu çalışmada elde edlen performans değerler görece düşük gözükmesne rağmen aslında beklenlenn üstünde başarılar göstermektedr. Olması beklenen grup kümelernn kşye özel olması ve algortmanın bu kşye özellkten uzak olması başarımın bu sevyede olmasının asıl nedendr. Bu tür arama sonuçlarında evrensel br çözümün kolaylıkla elde edlemeyeceğ br gerçektr. Fakat bu çalışma bu tür evrensel br çözüm arayışına atılan lk adımdır. Benzer yapıda br çalışmanın daha önce yapılmamış olması başarımlar konusunda br karşılaştırma yapılmasını olanaksız kılmaktadır. Ek olarak bu çalışmada hstogramlardan benzerlk matrsne geçş aşamasında kullanılan uzaklık ölçütü her ne kadar mantıklı gözüken br çözüm olsa da olması gereken optmum çözüm değldr. Daha uygun br ölçütün bulunması durumunda başarımın artacağı söyleneblr. Yapılan karşılaştırmalarda görülebleceğ gb (.jpeg mgelern aynı bt dernlğnde bulunduğu göz önüne alınarak) aynı bt dernlğndek mgelern ayrı ayrı gruplandırılmasının yapılması, farklı bt dernlğndek mgelern uyarlanarak aynı bt dernlğne getrlmes yoluyla gruplandırılmasından daha başarılı sonuçlar verecektr. Daha başarılı sonuçların elde edleblmes çn kullanılablecek yöntemlerden br de bütün mgelern benzer büyüklükte br çözünürlüğe getrlmes ve gruplandırmanın bu noktadan sonra yapılmasıdır. Bununla brlkte bu tür br şlemn yapılmasının şlemsel malyet oldukça yüksek olacağından, bu yöntem çok terch edleblr değldr. Temelde hstogramların elde edlmes bu çözünürlük farklılığı sorununu br noktaya kadar çözmektedr. Aynı mgenn farklı çözünürlüktek kopyalarının hstogramları çıkartıldığında oldukça benzer br görünüm gösterdkler gözlemlenr. Bu nedenle bu tür br yaklaşım bu çalışmada göz önüne alınmamıştır. 5. Teşekkür Şekl 6: Algortmanın Şekl 4 te oluşturulan gruba en yakın bulduğu sonuç gruptak mgeler Yazarlar hata ayıklama, arama motorlarından elde edlen mge ver tabanlarının oluşturulması ve elle mge gruplama

6 çalışmaları sırasındak katkılarından ötürü Arş. Gör. Levent Özparlak a teşekkür eder. 6. Kaynakça [1] akarya, U., ve Telatar, Z., Graph-based multlevel temporal vdeo segmentaton, Multmeda ystems, prnger Berln / Hedelberg, 14(5): , [2] Pavan, M., ve Pelllo, M., Domnant sets and herarchcal clusterng, Proc. Nnth IEEE Internatonal Conference on Computer Vson (ICCV 03), 1: , [3] Perona, P., ve Freeman, W., A factorzaton approach to groupng, In Computer Vson ECCV 98 (H. Burkhardt and B. Neumann, ed.), prnger-verlag, , Berln, [4] arkar,., ve Boyer, K.L., Quanttatve measures of change based on feature organzaton: Egenvalues and egenvectors, Computer Vson and Image Understandng, 71(1): , [5] Aksoy,., ve Haralck, R.M., Graph-theoretc clusterng for mage groupng and retreval, Proc. IEEE Computer ocety Conference on Computer Vson and Pattern Recognton (CVPR 99), 1: 63-68, [6] h, J., ve Malk, J., Normalzed cuts and mage segmentaton, IEEE Trans. Pattern Analyss and Machne Intellgence, 22(8): , [7] Gdalyahu, Y., Wenshall, D., ve Werman, M., elforganzaton n regon: stochastc clusterng for mage segmentaton, perceptual groupng, and mage database organzaton, IEEE Trans. Pattern Analyss and Machne Intellgence, 23(10): , [8] Zahn, C.T., Graph-theoretcal methods for detectng and descrbng gestalt clusters, IEEE Trans. of Computers, C-20(1): 68-86, [9] Wu, Z., ve Leahy, R., An optmal graph theoretc approach to data clusterng: theory and ts applcaton to mage segmentaton, IEEE Trans. Pattern Analyss and Machne Intellgence, 15(11): , [10] Hubert, L.J., ome applcatons of graph theory to clusterng, Psychometrka, 38: , [11] Matula, D.W., Graph theoretc technques for cluster analyss algorthms, In Classfcaton and Clusterng (J. Van Ryzn, ed.), Academc Press, Inc., , New York, [12] Jan, A.K., ve Dubes, R.C., Algorthms for clusterng data, Prentce Hall, 320 p., Englewood Clffs, New Jersey, [13] Auguston, J.G., ve Mnker, J., An analyss of some graph theoretcal clusterng technques, J. ACM, 17(4): , [14] Raghavan, V.V., ve Yu, C.T., A comparson of the stablty characterstcs of some graph theoretc clusterng methods, IEEE Trans. Pattern Analyss Machne Intellgence, 3: , [15] Pavan, M., ve Pelllo, M., A new graph-theoretc approach to clusterng and segmentaton, Proc. IEEE Computer ocety Conference on Computer Vson and Pattern Recognton (CVPR 03), 1: , [16] evl,., Ztoun, H., İkzler, N., Özkan, D., ve Duygulu, P., Resm arama sonuçlarının çzge tabanlı br yöntemle yenden sıralanması, IEEE 16. nyal İşleme, İletşm ve Uygulamaları Kurultayı (IU 2008), Ddm, Türkye, [17] Görüntü aramaları çn Google sıkça sorulan sorular, Erşm Tarh: [18] Ben Ham, N., Babenko, B., ve Belonge,.J., Improvng web-based mage search va content based clusterng, LAM 06, , [19] chroff, F., Crmns, A., ve Zsserman, A., Harvestng mage databases from the web, Proc. 11th Internatonal Conference on Computer Vson (ICCV 07), 1-8, [20] Deselaers, T., Keysers, D., ve Ney, H., Clusterng vsually smlar mages to mprove mage search engnes, Informatktage der Gesellschaft für Informatk, prnger, , [21] Kendall, M.G., Dscrmnaton and classfcaton, In Multvarate Analyss (P.R. Krshnaah, ed.), Academc Press, Inc., , New York, [22] Pelllo, M., Clusterng and mage segmentaton, Prmo Workshop Annuale del Dpartmento d Informatca Unverstà Ca' Foscar d Veneza, Italy, [23] Pavan, M., A new graph-theoretc approach to clusterng, wth applcatons to computer vson, Ph.D. thess, Unverstà d Bologna, Padova, Veneza, 112 s., Italy, [24] Peng, Y., Ngo, C.W., Clp-based smlarty measure for querydependent clp retreval and vdeo summarzaton, IEEE Trans. Crcuts yst. Vdeo Technol., 16: , [25] Zha, Y., hah,m., Vdeo scene segmentaton usng Markov chan Monte Carlo, IEEE Trans. Multmeda 8, , [26] Hanjalc,A., Towards theoretcal performance lmts of vdeo parsng, IEEE Trans. Crcuts yst. Vdeo Technol., 17: , [27] Lance, G.N., ve Wllams, W.T., A general theory of classfcatory sortng strateges: II, Clusterng systems, Computer Journal, 10: , 1967.