Yüksek Boyutlu Model Gösterilimi Yöntemi İle Büyük Ölçekli Veri Tabanlarında Görüntü Erişimi

Abstract

Gelişen ve giderek yaygınlaşan teknoloji ile birlikte görüntüleme aygıtlarından elde edilen görüntülerin sayısında meydana gelen dikkate değer artış, ortaya analiz edilmesi ve işlenmesi gereken devasa büyüklükte veri tabanları çıkarmıştır. Görüntü işleme alanında, örnek bir görüntünün var olan bir veri tabanında bulunup bulunmadığının tespit edilmesi ve bu işlemin mümkün olan en kısa sürede ve yüksek doğruluk oranıyla yapılması önemli bir çalışma başlığıdır. Bu alanda öne çıkan ve üzerinde çalışılan veri tabanını daha kolay işlenebilir hale getirmeye çalışan araştırma başlıklarından bir tanesi de boyut indirgeme çalışmalarıdır. Bu çalışmada bir boyut indirgeme yöntemi olarak Yüksek Boyutlu Model Gösterilim Yöntemi'nin (YBMG) görüntü arama alanında nasıl kullanılabileceği ve ne gibi sonuçlar elde edilebileceği üzerinde durulmuştur. YBMG yönteminin özü, işlemesi görece daha zor olan çok değişkenli bir fonksiyonun ya da veri kümesinin böl ve yönet ilkesi temelinde işlemesi daha kolay olan daha az değişkenli fonksiyonların ya da verilerin toplamı şeklinde yeniden ifade edilmesi prensibine dayanır. YBMG yönteminin görüntülerin daha düşük boyutlu olarak yeniden ifade edilmesi konusunda başarılı olduğu daha önce bu konuda yapılan araştırmalar tarafından gösterilmiştir. Gerçekleştirilen deneysel çalışmalar, YBMG yönteminin ele alınan örnek bir görüntünün üzerinde çalışılan bir veri tabanında bulunup bulunmadığının tespit edilmesi, yani birebir eşleme ve bu örnek görüntüye benzer görüntülerin veri tabanından çekilmesi problemlerine bir çözüm olarak uygulanması ele alınan yöntemin gerek doğruluk hassasiyeti gerekse de işlem süresi bakımından dikkate değer avantajlar sağladığını göstermiştir. Deneyler sırasında çeşitli kategorilerde sınıflandırılabilecek ve görüntü işleme çalışmalarında sıkça başvurulan toplamda 30301 adet renkli görüntü içeren COIL, COREL ve LFW veri tabanları kullanılmıştır. Karşılaştırma amacıyla yöntem olarak boyut indirgemeyi kullanan, öne çıkan yöntemlerden biri olan PCA yöntemi ele alınmıştır. YBMG yöntemi, gerçekleştirilen deneysel çalışmalarda kullanılan bütün veri tabanlarında aranan bir görüntünün söz konusu veri tabanında yer alıp almadığını, karşılaştırılan diğer yöntemden 3-5 kat kadar daha kısa sürede ve % 100 doğruluk oranıyla bulurken, örnek görüntüye benzer görüntülerin veri tabanından çekilmesi probleminde de dikkate değer sonuçlar elde etmiştir. Ele alınan yöntemin büyük veri tabanlarında görüntü erişimi alanında göstermiş olduğu bu başarı görüntü işleme araştırmalarının diğer önemli çalışma başlıklarından olan sınıflandırma ve yüz tanıma gibi daha ileri çalışmalar için pozitif motivasyon kaynağı olmaktadır.

This thesis study aims to apply the basic idea of dimension reduction of the HDMR method as a solution to image retrieval from a large-scale database problem. Previous researches on applying the HDMR method on image processing studies showed that this method is succesful in representation of images. During the performed experimental studies the pattern image and all images in the databese work on were subjected to HDMR method to get HDMR terms of images. Then by calculating and comparing the angles between univariate terms of the pattern image and all images in the database the target image was tried to find. The algorithm was setted to retrieval the image of the smallest angle with the pattern image. The HDMR method was used for two purpose in this study. First aim is to retrieve the same images from large scale databases by using a pattern image to determine if the pattern image exists in databases. It is a exact matching. The other purpose is retrieval of the similar images with the pattern image. During the experiments the common databeses for image processing researches of COIL, COREL and LFW were used to test the performance of the HDMR method in image retrieval. For comparison purpose, PCA which is one of the leading dimension reduction methods was used. Since PCA method works with very large matrices on large scale databases, it could not be executed on the databases mentioned above. To overcome this problem, new sub databases are setted from the main databases and for fair comparison the HDMR method was also applied on this new databases. At the end of the experiments it came to sight that the HDMR method is 100 % successful in accuracy for retrievaling the same image with the pattern image (exact matching) for all images from all databases mentioned above. In spite of this, the PCA method reached its highest accuracy with k=0.9 as 100 % in LFW face database, but its accuracy results for COIL and COREL databases are 86.67 % and 86.36 % respectively. Moreover the propopsed method is faster than the PCA method as 3-5 times in terms of the avarage image retrieval time per image. PCA method retrieves images from COIL, COREL and LFW sub databases averagely in 13.83, 21.37 and 34.12 miliseconds respectively when k=0.9 in the case it reaches its highest retrieval accuracy. On the other hand, HDMR method retrieves images from the same databases in 4.33, 5.14 and 6.65 miliseconds respectively. HDMR method reached also remarkable results in the problem of retriving the similar images with the pattern from large-scale databases. This study points up the fact that the HDMR method is a very efficient method in image retrieval from large-scale databases. For advanced researches it can be applied to classificaiton and face recognition problems.