Machine learning, image classification, video analysis, speech recognition and naturallanguage processing are widely used by data scientisits in both industrial and academic worldfor various purposes. The manuel extraction of the features requires a certain expertiseduring the image classification stage. Thus, the feature extraction phase is considered to bethe most important step in pattern recognition for image classification. Deep learningalgorithms have become an active research area to remove the manuel feature extraction stepof images. However, image processing take considerable long execution times as it operatesat the pixel level. The salient characteristics of images are determined by perceptual hashfunctions which give a certain hash value. Therefore, the feature data obtained by theperceptual hash function can also be called the fingerprint of the image.In this thesis, salient features are obtained directly from raw images by using perceptualhash function which does not distort image structure. Comparisons have been made byconsidering some parameters as BER, MSE, PSNR to evaluate the performance of theproposed perceptual hash function. Liver disease images obtained from Elazig UniversityHospital Radiology Laboratory, and Caltech-101 (publicly available database) images wereused as a database. The Convolutional Neural Network (CNN) algorithm, one of the deeplearning architectures, was used with the Discrete Wavelet Transform (DWT) - SingularValue Decomposition (SVD) based perceptual hash function.The aim of this doctorate thesis is to reduce the classification time of the high-dimensionalimages and their sizes on hard disk while maintaining the classification performance abovean acceptable threshold by using perceptual hash based CNN. It is intended to extract thefeatures by using both DWT - SVD based perceptual hash function and the CNN for thefirst time together. The results obtained by applying the our proposed method to the liverand the Caltech-101 image database were evaluated by considering some known classifierssuch as Artificial Neural Networks (ANN), Support Vector Machines (SVM), K-nearestNeighbor (KNN). The proposed method not only improves the classification performancebut also provides a positive impact on the excessive runtime problem.

Endüstri ve akademik çevredeki veri bilimcileri; makine öğrenmesini, imgesınıflandırmasını, video analizini, konuşma tanıma ve doğal dil işleme süreçlerini pek çokalanda kullanmaktadırlar. İmge sınıflandırma aşamasında, özniteliklerin manuel olarakçıkartılması uzmanlık gerektiren bir alandır. Bu nedenle, öznitelik çıkarma aşaması imgesınıflandırılması için örüntü tanımada en önemli adım olarak kabul edilmektedir. Derinöğrenme algoritmaları, imgelerin manuel öznitelik çıkarma özelliğini ortadan kaldırmak içinaktif bir araştırma alanı haline gelmiştir. Ancak imgelerde piksel seviyesinde işlemyapılması nedeniyle çalışma zamanını arttırmaktadır. Algısal özet fonksiyonları, imgelerinbelirgin özniteliklerini tespit ederek özet değeri oluşturmaktadır. Dolayısıyla algısal özetfonksiyonu ile elde edilen öznitelik verilerine imgenin parmak izi de denilebilir.Bu tez çalışmasında imge yapısını bozmayan algısal özet fonksiyonu kullanılarak direktham imgelerden belirgin öznitelikler elde edilmiştir. Seçilen algısal özet fonksiyonununperformansını değerlendirmek için Bit Hata Oranı (BHO), Ortalama Karesel Hata (OKH),Tepe Sinyal Görüntü Oranı (TSGO) gibi parametreler ile karşılaştırılarak başarımları testedilmiştir. Veri tabanı olarak Fırat Üniversitesi hastanesinden alınan karaciğer tümör verilerive halka açık veri tabanı olan Caltech-101 verileri kullanılmıştır. Derin öğrenmemimarilerinden Evrişimsel Sinir Ağ (ESA) algoritması, Ayrık Dalgacık Dönüşümü (ADD)– Tekil Değer Ayrışımı (TDA) tabanlı algısal özet fonksiyonu ile birlikte kullanılmıştır.Bu doktora tez çalışmasının amacı, algısal özet fonksiyonu tabanlı ESA kullanarakyüksek boyutlu imgelerin sabit diskteki kapladığı boyutu azaltan, sınıflandırma sürelerinikısaltıp sınıflandırma performansını kabul edilebilir bir eşiğin üzerinde tutmaktadır. ADDTDA tabanlı Algısal Özet Fonksiyonu (AÖT) ile ESA birlikte ilk defa kullanılaraközniteliklerin çıkarılması amaçlanmıştır. Karaciğer ve Caltech-101 veri tabanında bulunançeşitli imgelere uygulanan AÖT-ESA yöntemi ile çıkartılan öznitelikler önerilen yönteminbaşarımını test etmek için Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (DVM), Ken Yakın Komşu (KNN) gibi sınıflandırıcılara verilmiştir. AÖT-ESA yöntemi, bir taraftansınıflandırma performansının gelişimine katkı sunarken diğer taraftan da uzun süren çalışmazamanı probleminin çözümüne katkıda bulunmuştur.