Benzerlik Ölçüsü – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Benzerlik Ölçüsü

Kesin olmayan izomorfizm tespiti için benzerlik ölçüsü olarak kullanılabilecek iki mesafe ölçüsü vardır: düzenleme mesafesi ve en büyük ortak alt çizge. Ancak, uzamsal ilişki bilgisine dayalı olarak hatalı eşbiçimlilik tespiti için bu benzerlik ölçümlerinden herhangi birini kullanan algoritmalar hesaplama açısından karmaşıktır.

Multimedya veritabanları için alma işleminin genellikle aşamalı iyileştirme ile göz atma işlemi olduğu göz önüne alındığında, veritabanı öğelerinin boyutunda üstel karmaşıklığa sahip algoritmaların kullanılması avantajlı değildir.

Grafik izomorfizm algoritmalarına yeni bir yaklaşım geliştirilmiştir. Bu yaklaşım, çevrimdışı verimli bir dizin yapısı oluşturmak için bir model grafik veritabanına ilişkin önsel bilgiden yararlanır.

Modeller arasındaki ortak yapıdan yararlanan bu yeni yaklaşım, çevrimiçi eşbiçimlilik saptama süresini önemli ölçüde azaltabilmektedir.

Önerilen algoritmalar, kesin alt çizge izomorfizmi problemini çözebilir ve esnek bir düzenleme mesafesi ölçüsü kullanarak kesin olmayan alt çizge izomorfizmlerini saptayabilir. Ancak, düzenleme mesafesi ölçüsü, görüntü ve video veritabanları için benzerlik elde etme için uygun değildir.

Görüntü ve video benzerliğine düzenleme mesafesi ölçüsünün uygulanmasındaki en önemli sorun, grafik düzenleme işlemlerinin uygun bir fiziksel yorumu olmamasıdır.

Köşe silinmesi, bir nesnenin iki grafiğin ortak kısmından çıkarılması anlamına gelir ve sabit bir maliyet uygulanabilirken, bir nesnenin bir başkasıyla ikame edilmesini temsil edecek olan bir tepe noktasının etiketini değiştirmek, bariz bir maliyet ataması taşımaz.

Ayrıca, bir kenar etiketini değiştirmek başka bir sorunu da beraberinde getirir: İki nesnenin farklı uzamsal ilişkileri arasındaki mesafe için uygun bir ölçü nedir? Ayrıca, tepe noktası ikamesi ile kenar etiketi değişiklikleri arasında anlamlı bir karşılaştırma yoktur.

Uzaklığa dayalı eşbiçimlilik düzenleme algoritmaları da, bir girdiyi birden çok model grafiğiyle karşılaştırmak için kullanıldığında yanlılıktan muzdariptir. Düzenleme mesafesi algoritmalarının doğası gereği, girdi grafiği modellerden daha küçükse, daha küçük model grafiklerinin benzer olarak seçilmesi daha olasıdır ve bunun tersi de geçerlidir.

Görüntü ve video benzerliği için daha uygun bir ölçü, görüntüleri temsil eden grafikler arasındaki en büyük ortak alt çizgedir (LCSG) (veya maksimal ortak alt çizge).

İki görüntü, I1 ve I2, anahtar nesneler arasındaki uzamsal ilişkileri kodlayan iki grafik, G1 ve G2 olarak temsil edildiğinde, G1 ve G2 arasındaki en büyük ortak alt grafik, I1 ve I2’de bulunan ve aynı ilişkileri sergileyen en büyük nesne koleksiyonunu temsil eder. (seçilen eşleştirme türü altında) her iki görüntüde birbirine. Bu nedenle LCSG, görüntü ve video veritabanlarında benzerlik elde etmek için sezgisel ve kolayca yorumlanabilen bir ölçümdür.

LCSG’nin belirlenmesinde genellikle kullanılan algoritma, önerilen maksimal klik algılama yöntemidir. Ne yazık ki, maksimal klik algılama algoritması, en kötü durum performansı O((nm)n) zaman gerektiren, burada n giriş grafiğindeki köşe sayısı ve m köşe sayısı olan hesaplama açısından karmaşık bir yöntem olabilir. 

Bu en kötü durum performansı, tüm köşeleri aynı etikete sahip olan eksiksiz bir grafik tarafından üretilir. Uzamsal ilişkilere dayalı indeksleri büyük veritabanlarına uygulama için uygun olmayan yapan bu yüksek hesaplama karmaşıklığıdır.

Benzerlik Nedir kısaca
Benzerlik nedir Sosyal Bilgiler
Benzerlik Kuralları
Benzerlik nedir psikoloji
Üçgenlerde Eşlik ve Benzerlik Ders Notları
Benzerlik oranı
Eşlik ve benzerlik işareti
Jaccard Benzerliği

Bu, bir giriş grafiği ile bir model grafik veritabanı arasındaki LCSG’lerin saptanması için iki algoritmayı açıklamaktadır. Bu algoritmalar, LCSG’leri tespit etmek için önerilen algoritmaları genişletir. Yeni LCSG algoritmalarının iki büyük avantajı, sorguların hızlı çevrimiçi sınıflandırılmasını sağlamak için veritabanı üzerinde bir ön işleme adımı kullanmaları ve veritabanının artımlı olarak genişletilebilmesidir.

Bu bölüm, görüntü ve video benzerliği elde etmeye yönelik bir uygulama olarak LCSG tespitini ele alsa da, yeni algoritmalar, video veritabanlarında beklenen yüksek derecede ortak yapıya sahip olmaları koşuluyla, diğer temsillere uygulanabilir.

Bu bir video, basit bir görüntü dizisi olarak ele alınır. Bu işlemle, bir video bloğunun durumunu tek bir grafikle temsil etme yaklaşımıyla kapsanan, kareler arasında yüksek derecede bir ortak yapı vardır. Bu, çoklu çerçevelerin sınıflandırma yapısının bir elemanı tarafından sınıflandırılmasına yol açacaktır.

Sunulan algoritmalar, etiketlenmiş ve atfedilmiş, yönlendirilmiş veya yönlendirilmemiş grafiklere uygulanabilir. Bu nedenle, görüntü ve video bilgilerinin diğer kodlamaları veya ilişkisel yapıların diğer veri kümeleri de bu algoritmalarda avantaj sağlayabilir.

Giriş bölümünün geri kalanı, bu çalışmada kullanılan temel grafikle ilgili kavramlar için gerekli tanımları sağlayacaktır. Algoritmaları test etmek için kullanılan video kodlaması daha sonra kısaca özetlenecektir.

Daha sonra LCSG algoritmalarının dayandığı algoritmalar açıklanacak ve ardından yeni algoritmaların ayrıntılı bir açıklaması yapılacaktır. Bu bölümün son kısmı, yeni algoritmalarla yapılan deneylerin sonuçlarını ve mevcut diğer algoritmalarla karşılaştırmaları tartışacaktır.

Görüntü İndeksleme ve Alma

Uzamsal ilişkilere dayalı olarak videonun benzerlik bulma algoritmalarını tartışmak için, kullanılan kodlama ve eşleştirme şemasını sunmak gerekir. Bu bölümdeki kodlama, resimsel veritabanları için 2D B dize gösterimine dayanmaktadır.

Nesneler arasındaki niteliksel uzamsal ilişkiler için çok sayıda açıklama mümkündür. Bu tür açıklamalar için en yaygın temel, nitel zamansal muhakeme için önerilen aralık ilişkileridir. Allen, bir boyutta iki aralık arasında meydana gelebilecek 13 olası ilişkiyi belirtir.

İki boyutlu bir resimdeki iki nesne için, ikisi arasındaki niteliksel ilişki, iki eksenin her biri boyunca tek boyutlu bir ilişki ile tanımlanabilir.

Bu, iki boyutta iki nesne arasında toplam 169 olası ilişki verir. Biri yatay diğeri dikey olan iki eksen, u ve v eksenleri veya x ve y eksenleri olarak adlandırılır. Genel kural, u veya x’in yatay eksene, v veya y’nin dikey eksene atıfta bulunmasıdır.

İki nesne arasındaki niteliksel uzamsal ilişkilerin bu açıklaması, genellikle görüntü indeksleme ve almada eşleştirme için temel olarak kullanılır.

İki nesne arasındaki ilişkiler kullanılarak, ilişki kategorileri adı verilen daha az kesin bir tanım türetilmiştir. 169 olası uzamsal ilişki çiftini iki boyutta beş kategoriye ayırdı. Bu kategoriler, benzer görünüm özelliklerine sahip ilişki çiftlerini bir arada gruplandırır. 

Makale Deniz

Biyografinin Tamamını Gör