NESNELER ARASINDAKİ UZAYSAL İLİŞKİLER ÜZERİNE BİR UYGULAMA Cem TAŞKIN Nurşen SUÇSUZ Deniz TAŞKIN

Önceki Çalışmalar Multimedya Dosyalarında Index Yapısı (TV Tree) Çokluortam Veritabanlarında Genişletilmiş Hashing Kullanımı Çoklu ortam veri tabanlarında R Tree kullanımı Histogram Tabanlı Nesne Çıkarımı

Çalışmalarımız Nesneler Arasındaki Uzaysal İlişkiler Üzerine Bir Uygulama Sıkıştırılmış Ortamda Çerçeve Tipine Dayalı Gerçek Zamanlı Sahne Değişimi Belirleme TUVDBS Video Veritabanı Yönetim Sistemi

NESNELER ARASINDAKİ UZAYSAL İLİŞKİLER ÜZERİNE BİR UYGULAMA

GİRİŞ Günümüzde birçok bilgisayar uygulamasında resim depolama, işleme ve sorgulama işlemleri önemli bir yer tutmaktadır. Depolanan ve işlenen resim sayısındaki artış, bu alanda daha etkin çalışan sistemlerin geliştirilmesini zorunlu kılmıştır. Resimlerin içeriği hakkında bilgi veren, resimlerin içersindeki nesneler arasındaki uzaysal ilişkileri tespit ederek bu bilgiler üzerinden sorgulama yapabilen sistemlerin hızlı bir şekilde çalışması için, resim indeksleme yöntemleri geliştirilmiştir.

Resim Veritabanı Sistemleri Resim veritabanı sistemleri çok sayıda resim verisi depolayan sistemlerdir. Sistem fiziksel ve mantıksal resim veritabanı olmak üzere 2 ana kısma ayrılmaktadır. Fiziksel veritabanında, işlenmemiş ham resim depolanmaktadır. Resim Veritabanı Sistemi Fiziksel Veritabanı Mantıksal Veritabanı Fiziksel Resim Mantıksal Bilgi Mantıksal veritabanındaki bilgiler, fiziksel veritabanına kaydedilmiş olan ham resim üzerinden elde edilmektedir.

Mantıksal Veriye İhtiyaç ? Resim veritabanı sisteminde mantıksal veriye ihtiyaç duyulmasının en önemli nedeni, sorgulama işlemlerinin daha etkin ve hızlı yapılma ihtiyacıdır. Fiziksel resim üzerinde sorgulama işlemleri, resmi oluşturan her bir pikselin kontrol edilmesi gereğini doğurmaktadır. Resim 2 Resim 1 Resim 2´nin Resim 1 içersindeki nesneleri içerip içermediğini kontrol etmek için, resimler 640x480 piksel ise en az 307200 adet karşılaştırma işlemi yapmak gerekir.

İndeks Yöntemleri Mantıksal nitelikleri oluşturan bilgiyi elde etmek için birçok yöntem geliştirilmiştir. 2D string yöntemi 2D G-string yöntemi 2D C-string yöntemi 9DLT matris yöntemi U-ID matris yöntemi PN matris yöntemi GPN matris yöntemi BP matris yöntemi

String Tabanlı Yöntemler 2D string, 2D G-string ve 2D C-string yöntemleri, resim içersindeki nesnelerin birbirleriyle ilgili konum bilgilerini, x ve y eksenlerine göre iki farklı metin dizisi olarak üretmektedir. Bu yöntemlerin birbirleriden farkları, yöntemler içersinde tanımlanmış olan operatörlerdir. 2D C-string yönteminde tanımlanmış olan 169 ilişki birçok yöntem için referans kabul edilmektedir. Tüm string tabanlı yöntemlerde, x ve y eksenlerine göre konum olarak önce gelen nesne ile ondan bir sonra gelen nesne arasındaki ilişki ifade edilmektedir.

2D String Yöntemi 2D string yöntemi resim içersindeki nesnelerin birbirlerine göre sol-sağ, yukarı-aşağı, aynı hizada yada aynı konumda olup olmadığını belirleyebilen basit bir uzaysal ilişki çıkarım yöntemidir. Bu yöntemde 3 operatör tanımlanmıştır. < sol,sağ yada yukarı-aşağı = aynı uzaysal konumda : aynı yerde x eksenine göre A < B y eksenine göre A < B x eksenine göre A = B x eksenine göre A : B

2D G-string yönteminde kullanılan genel operatörler

2D G-string yönteminde kullanılan yerel operatörler

2D G-string Yöntemi 2D G-string yönteminde nesnelerin birbiri üzerine binmesi kesme algoritması kullanılarak ayırt edilir. Kısmen yada birbiri üzerine tamamen binmiş nesneler için kesme algoritması kullanıldığında, nesne parçaları oluşmakta ve çok uzun stringler elde edilmektedir. Yukarıdaki şekil için kesme algoritması kullanılarak elde edilen stringler 2D G-x string : A | A = B | A = B = D | A = D | D | C = D | D 2D G-y string : D < B | B = C | A = B = C | A = C | A olmaktadır. Görüldüğü gibi elde edilen stringler çok uzun olduğundan veritabanında daha fazla yer kaplamakta ve sorgulama işleminin uzun sürmesine neden olmaktadır.

2D C-string yöntemi

Matris Tabanlı Yöntemler 9DLT, U-ID, PN, GPN ve BP matris yöntemlerinin hepsinde, resim içersindeki tüm nesnelerin birbiri ile olan ilişkileri ayrı ayrı kaydedilmektedir. Oluşturulacak olan matrisin boyutunu resim içersindeki nesne sayısı belirler. N adet nesne içeren bir resim için, n x n boyutunda bir matris kullanılmaktadır. Sorgulama bir matris üzerinde ve sayısal hesaplamalar kullanılarak yapıldığı için daha hızlı yapılmaktadır.

9DLT Matris Yöntemi Yukarıdaki şekilde, örnek resim, resmin sembolik gösterimi ve 9DLT matris yöntemi kullanılarak elde edilmiş matris görülmektedir. Yöntem tanımlanan ilişki sayısı bakımından yetersiz olmasına karşın, sorgulama esnasında metin dizisi yerine matris karşılaştırılması yapıldığı için hızlı çalışmaktadır.

U-ID Matris Yöntemi Yukarıdaki şekilde, örnek resim, resmin sembolik gösterimi ve U-ID matris görülmektedir. U-ID matris oluşturulurken şu adımlar izlenmektedir.Örnek resim 3 nesne içerdiği için matris 3 x 3 boyutunda olmaktadır. Matrisin (0,0), (1,1) ve (2,2) elemanları, her nesnenin kendisiyle olan ilişkisini gösterdiği için, 0 değerini almaktadır. (0,1) elemanı A nesnesinin B nesnesi ile x eksenine göre olan uzaysal ilişkisini göstermektedir. A nesnesi B nesnesi ile x eksenine göre bitişik durumdadır ve bu ilişki U-ID yönteminde 3 değerine karşılık gelir.

PN Matris Yöntemi Yukarıdaki şekilde, örnek resim, resmin sembolik gösterimi ve PN matrisi görülmektedir. PN matris yöntemi U-ID matris yöntemine nazaran, kategori sınıfları benzerliği sorgulaması yapılırken daha etkin olmaktadır.

GPN matris yönteminde operatörler atanan değerler GPN matris yöntemi PN matris yöntemine çok benzemektedir. GPN matris yönteminde, kullanılan asal sayı sayısı azaltılarak, veritabanın daha az yer kaplaması amaçlanmaktadır. PN matristen farklı olarak 17 yerine 11 adet asal sayı kullanılması sağlanmıştır. GPN matris yönteminde operatörler atanan değerler

BP Matris Yöntemi Yukarıdaki şekilde, örnek resim, resmin sembolik gösterimi ve BP matrisi görülmektedir. BP matris yönteminde bit dizilerinin kullanılması, daha hızlı sorgulama imkanı sağlamaktadır.

Nesneler Arasındaki Benzerlikler Resim veritabanı sistemleri, sorgulama açısından, mantıksal veritabanı içersine kaydedilmiş olan mantıksal bilgi çeşitlerine göre sınıflandırılmaktadır. Genel olarak bir nesne için, ilkel nitelikler ve mantıksal nitelikler olmak üzere iki temel özellik grubu vardır. İlkel nitelikler, nesnenin rengi, dokusu, şekli gibi resim işlenerek elde edilen görsel nitelikleri kapsamaktadır. Mantıksal nitelikler ise nesnelerin birbirlerine göre konumları, nesneler arasındaki uzaysal ilişkiler gibi resimlerin içeriğiyle ilgili bilgileri içermektedir Bir sorgulama yapılırken, hem ilkel hem de mantıksal özelliklerin karşılaştırılması gerekiyorsa, öncelikli olarak mantıksal özellikleri sorgulama kriterine göre tutan resimler tespit edildikten sonra, bu tespit edilen resimler üzerinde ilkel özellik sorgulaması yapılmalıdır. Dolayısıyla, sorgulama açısından mantıksal nitelikler, ilkel niteliklere göre daha baskındır.

Nesneler Arasındaki Benzerlikler Mantıksal nitelikler bakımından nesneler arasındaki ilişkiler 4 çeşittir. Nesne Benzerliği tip - 0 benzerliği tip - 1 benzerliği tip – 2 benzerliği Nesne Benzerliği – Sadece aynı nesneleri içeriyor Tip-0 benzerliği – aynı nesneler ve aynı kategori sınıfı (ayrık, bitişik, v.s.) Tip-1 benzerliği- tip – 0 artı aynı yönsel ilişki (kuzey,guney,doğu,batı) Tip-2 benzerliği – aynı 169 ilişki

Nesne Benzerliği Nesne benzerliği, karşılaştırma yapılan iki resmin, aynı nesneleri içerip içermediğinin kontrolü yapılarak karar verilen mantıksal bir sorgudur. İki resim aynı nesneleri içeriyorsa, birbirinin nesne benzeridir denir. Veritabanı sisteminde, “Hangi resimler içersinde kamyon ve kutu vardır?” sorgusuna cevap nesne benzerliği kullanılarak verilebilir.

tip-0 Benzerliği tip-0 benzerliğinde, resimlerin nesne benzeri olmalarının dışında, nesnelerin uzaysal kategorilerinin aynı olup olmadığı kontrol edilmektedir. Nesnelerin birbirleri ile olan ilişkilerinin uzaysal kategori ayrımı, kesişim işlemine göre açıklanmaktadır.

tip-0 Benzerliği Resim içersindeki, tüm nesneler arasındaki ilişkilerin aynı uzaysal kategoride olup olmadığı kontrol edilmektedir. Sadece iki nesne çifti arasındaki ilişki farklı bile olsa, tip-0 benzerliği şartı sağlanmamış olur.

tip-1 Benzerliği tip-1 benzerliği resimleri oluşturan nesnelerin arasında tip-0 benzerliğinin yanında, aynı yön ilişkilerinin bulunup bulunmadığını kontrol etmektedir. Kontrol edilen yön ilişkileri pusulada kullanılan doğu, batı, kuzey ve güney yönleridir. İki resmin tip-1 benzeri olabilmesi için, resmin içersindeki nesneler arasında aynı yön ilişkilerine sahip olması gerekmektedir. tip-1 benzerliğine karar verme mekanizmasında kullanılan yön ilişkileri, resim içersindeki nesnelerin birbirleri ile olan yön ilişkilerini de sorgulama sırasında kullanır. “A nesnesin kuzey doğusunda hangi nesneler vardır ?” sorgusunun cevabı, tip-1 benzerliği için belirlenen, yön ilişkisi belirleme kurallarına bakılarak oluşturulur. Bu tip sorgulara dikey yön nesne sorguları adı verilir

tip-2 Benzerliği Tip-2 benzerliği nesnelerin tip-1 benzerliğinin yanında, birbirleri arasında aynı uzaysal ilişkileriler bulunup bulunmadığını da kontrol etmektedir. 2D C-string yönteminde tanımlanan 169 ilişki tanımlanmaktadır. tip-2 benzerliğinin tespitinde bu operatörler kontrol edilmekte, şayet resim içersindeki her bir nesne çifti arasındaki ilişkiyi tanımlamak için kullanılan operatörler, birbirinin aynısı ise bu iki resim birbirinin tip-2 benzeridir denmektedir.

tip-2 Benzerliği

Uygulama Yazılımı Geliştirilen program, Visual Studio .Net kullanılarak yazılmıştır. Program, resim içersindeki nesnelerin birbiri arasındaki uzaysal ilişkileri 7 farklı indeks yöntemine göre kaydetmekte, gerektiğinde nesne benzerliği, tip-0 benzerliği, tip-1 benzerliği ve tip-2 benzerliği olmak üzere 4 farklı şekilde benzerlik sorgulama imkanı sağlamaktadır. Program içersinde, kullanıcı 5 farklı nesneyi kullanarak sembolik resimler yaratmakta, bu resimleri kaydetmektedir. İstediği anda, oluşturulan resimlerin seçilen indeks yöntemine göre oluşturulmuş string yada matrisini görebilmektedir.

Uygulama Yazılımı Program anlatılacak..

Teşekkürler