Seam carvıng yöntemi ile görüntü yeniden hedefleme algoritmalarının karşılaştırılması

Sosyal medyanın yükselişi, kişisel ve pazarlama amaçları için fotoğraf ve resim paylaşımını daha da önemli hale getirdi. Bu durum aynı zamanda, kamera ile çekilen ve genişliği yüksekliğinden daha fazla olan fotoğrafların kare formata dönüştürülmesi sorununu da beraberinde getirdi. Bu ihtiyacı karşılamak için son zamanlarda bir çalışma, resimleri özgün parçalarını koruyarak kare formata dönüştürmek için Seam Carving yönteminin kullanımını inceledi. Bu çalışmada, süpervize edilmiş bir görüntü üzerinde hem işlem süresi hem de tutarlılık açısından Greedy yaklaşım ve Dijkstra algoritması olmak üzere iki algoritma karşılaştırdı. Bu araştırmadaki tutarlılık karşılaştırmasında beş görüntü kullanıldı; üç tanesi NRID'den elde edilen ve iki tanesi bu çalışma için özel olarak oluşturulan beş görüntü üzerinde yapıldı. Beş görüntü, Dijkstra algoritmasının ortalama tutarlılığını hesaplamak için kullanıldı. Bunun yanı sıra, NRID'den 23 tane daha görüntü, Greedy algoritmasının ortalama tutarlılığını hesaplamak için kullanıldı. Bu araştırmanın analizinde toplamda 28 görüntü kullanıldı. Sonuçlar, beş farklı görüntüye dayanarak Greedy algoritmasının ortalama tutarlılığının Dijkstra algoritmasından %6,55 daha yüksek olduğunu gösterdi. Bunun yanı sıra, Dijkstra algoritmasına ait işlem süresinin Greedy algoritmasından %2.347 daha uzun sürdüğü ortaya çıktı. Bu bulguların sosyal medya kullanıcıları ve pazarlamacılar için önemli sonuçları vardır. Greedy algoritması, bir görüntünün temel öğelerini koruyarak farklı sosyal medya platformlarına uygun hale getirmeye yardımcı olabilir. Bu çalışma, görüntü yeniden boyutlandırma yöntemlerinden olan Seam Carving yönteminde algoritma seçiminde işlem süresinin dikkate alınmasının önemini vurgulamaktadır. Genel olarak, bu araştırma, Seam Carving yönteminin potansiyelini göstermektedir ve görüntü manipülasyonu için algoritma seçimi konusunda değerli bilgiler sağlamaktadır.