Tez No	İndirme	Tez Künye	Durumu
143680	Bu tezin, veri tabanı üzerinden yayınlanma izni bulunmamaktadır. Yayınlanma izni olmayan tezlerin basılı kopyalarına Üniversite kütüphaneniz aracılığıyla (TÜBESS üzerinden) erişebilirsiniz.	Texture descriptors for content-based image retrieval / İçerik tabanlı görüntü erişimi için doku tanımlayıcıları Yazar:ABDURRAHMAN ÇARKACIOĞLU Danışman: PROF. DR. FATOŞ YARMAN VURAL Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2003 168 s.
İçerik-Tabanlı Görüntü Erişim (İTGE) sistemleri, veri tabanındaki görüntüleri renk, doku ve şekil bilgileri ile temsil ederler. Bu tezde, biz doku öznitelikleri üzerinde yoğunlaştık ve ismi Yapısal Bilginin İstatistiksel Analizi (YBİA) olan yeni bir genel doku tanımlayıcısı duyurduk. Ayrıca, bir İTGE sisteminin erişim oranlarının artırılması amacıyla, sistemim mevcut öznitelik çıkartma mekaniz masını ve benzerlik fonsiyonunu değiştirmeksizin, görüntü erişim sistemini ayar lanabilir duruma uyarlayan yeni bir yöntem önerdik. YBİA, yapısal pencereler üzerinde hesaplanan otokorelasyon katsayılarının istatistiklerine dayalıdır. YBİA dokudaki çeşitli yapısal bilgilerin, çoklu çözünür lük yöntemiyle çıkartılması ve ölçülmesi amacıyla bir küme çubuk penceresi tanımlar. Farklı görüntü veri tabanları üzerinde yapılan deneysel sonuçlar, sert köşeler ve ani değişiklikler gibi küçük toplulaşmaları ve kesiklilikleri tespit et mekte YBİA'nm Gabor filtrelerinden daha başarılı olduğunu göstermiştir. Çu buk pencerelerinin tasarımındaki esneklik, YBİA'nm Gabor filtrelerine göre daha yüksek ortalama erişim oranlarına ulaşmasını sağlamaktadır. Fakat, böyle bir performans artışının bedeli artan hesap karmaşıklığıdır. Verilen sorgu resmine benzer resimlere erişilmesi, sübjektif bir iş olması se bebiyle, erişim mekanizmasının kullanıcı tarafından ayarlanılabilmesi istenir. Önerdiğimiz yeni yöntemde, basit olarak, bir içerik-tabanlı görüntü sistemi nin öznitelik uzayı, öznitelik vektörlerinin birbirlerine uzaklıkları öğrenilerek ayarlanılabildiği, yeni bir uzaya doğrusal olmayan bir biçimde dönüştürülmekte dir. Bu dönüşüm Yapay Sinir Ağlan yapısı ile gerçekleştirilmektedir. Öğrenme için bir paha fonksiyonu tanımlanmakta ve simule edilmiş tavlama yöntemiyle eniyilenmektedir. Deneyler, YBİA ve Gabor filtreleri kullanan doku görüntü sü erişim sistemi üzerinde yapılmıştır. Sonuçlar ayarlanmış görüntü sisteminin orijinal sistemden oldukça iyi olduğunu göstermiştir.Anahtar Kelimeler: Doku, Benzerlik, Öznitelik, Tanımlayıcı, Çubuk, Otokore- lasyon, İçerik-tabanlı erişim.
Content Based Image Retrieval (CBIR) systems represent images in the database by color, texture, and shape information. In this thesis, we concentrate on tex ture features and introduce a new generic texture descriptor, namely, Statistical Analysis of Structural Information (SASI). Moreover, in order to increase the re trieval rates of a CBIR system, we propose a new method that can also adapt an image retrieval system into a configurable one without changing the underlying feature extraction mechanism and the similarity function. SASI is based on statistics of clique autocorrelation coefficients, calculated over structuring windows. SASI defines a set of clique windows to extract and measure various structural properties of texture by using a spatial multi- resolution method. Experimental results, performed on various image databases, indicate that SASI is more successful then the Gabor Filter descriptors in cap turing small granularities and discontinuities such as sharp corners and abrupt changes. Due to the flexibility in designing the clique windows, SASI reaches higher average retrieval rates compared to Gabor Filter descriptors. However, the price of this performance is increased computational complexity. Since, retrieving of similar images of a given query image is a subjective task, it is desirable that retrieval mechanism should be configurable by the user. In the proposed method, basically, original feature space of a content-based retrieval system is nonlinearly transformed into a new space, where the distance between the feature vectors is adjusted by learning. The transformation is realized by Artificial Neural Network architecture. A cost function is defined for learning and optimized by simulated annealing method. Experiments are done on the texture image retrieval system, which use SASI and Gabor Filter features. The results indicate that configured image retrieval system is significantly better than the original system. Keywords: Texture, Similarity, Feature, Descriptor, Clique, Autocorrelation, Content-based retrieval.