Visual quality assessment of interior space through colors
Is this your thesis?
This record came from a bulk archive import. If it’s yours, link it to your profile.
Abstract (TR)
Bu çalışmada rengin iç mekân görsel kalitesi üzerindeki etkilerini incelemek için karma yöntem yaklaşımı kullanılmıştır. Spesifik olarak, nicel renk baskınlığı analizi ve nitel kullanıcı girişi birleştirilir. Öne çıkan renkleri belirlemek ve çeşitli renkleri için seçilen 100 görüntüden oluşan her bir oturma odası görüntü koleksiyonundaki dağılımlarını değerlendirmek için K-means kümeleme analizi kullanıldı. Aynı zamanda, estetik çekicilik, rahatlık, işlevsellik ve renklerden genel memnuniyet açısından renkler hakkında ne hissettiklerini öğrenmek için 87 kişiye bir değerlendirme yapılır. Renk analizinin sonuçları, tasarım seçimlerini yönlendiren eğilimleri tespit etmek için kullanıcı girdileriyle karşılaştırılır. Çalışma, renk baskınlığı ve uyumunun iç mekanların estetik ve işlevsel dinamikleri üzerindeki etkisine dair incelikli bir anlayış sunarak, mimari ve iç tasarım alanlarındaki tasarım uygulamalarını geliştirmek için değerli bilgiler sağlar.
Author
Huda Awad Shehan Shehan
Institution
How to Cite
Huda Awad Shehan Shehan (Yüksek Lisans Tezi). Visual quality assessment of interior space through colors, 2024, Altınbaş University.
Keywords
License
Tüm Hakları Saklıdır
This work is shared under the specified license terms.
More theses from Altınbaş University
- Samuel P. Huntington'ın Medeniyetler Çatışması' ve Immanuel Wallerstein'ın Dünya Sistemleri Analizi'nin karşılaştırılması(2024)
- Olumsuz çocukluk deneyimlerinin ebeveyn tutumları üzerindeki etkisinde öz yeterliğin moderatör etkisi(2025)
- The conscious impact of fractal dimension in hospital architecture: Enhancing warmth and comfort(2024)
- Kablosuz sensör ağında optimize edilmış özellik seçimi ile hibrit makine öğrenmesi tekniğine dayalı gelişmiş anomali tespit sistemi tasarımı(2025)
- Synthesis and evaluation of nano particles for anticancer application(2025)
- An optimized malware detection technique using subspace learning- based one-class classification(2023)
