Muharrem DOĞANCI

5 Ağustos 2026 Çarşamba

🎬 İngiliz Kemal Lawrens'e Karşı (1952)

İngiliz Kemal Lawrens'e Karşı (1952)

İngiliz Kemal Lawrense Karşı, Ömer Lütfü Akad'ın yönettiği 1952 yapımı Türk filmidir. Film, 1919'da işgal altındaki İstanbul'da Türk casusu İngiliz Kemal'in (Ayhan Işık) başından geçen olayları işlemektedir.

Director

· Lütfi Ömer Akad

Writer

(in alphabetical order)

producer

(in credits order)

(as Mümtaz Alparslan)

· Muhip Arciman

· Nana Aslanoglu

Belly dancer in the bar

(as Nuri Ergün)

· Turgut Kuzu

· Sami Pandir

Second Unit or Assistant Director

· Sirri Gültekin

assistant director

Sound Department

· Yorgo Ilyadis

sound editor

Camera and Electrical Department

· Orhan Akdemir

chief lighting technician

· Feyzi Erolca

lighting technician

· Kenan Kurt

assistant camera

Süleymaniye camii güney-batı (Vezneciler'e bakan) avlusu

https://youtu.be/-MSmPGeDqtk?t=0h27m19s

4 Ağustos 2026 Salı

🐍 Python ile Bir Görseli Bir Video İçinde Aramak

Python'u kurduktan sonra kütüphaneyi CMD üzerinden indir:

pip install opencv-python numpy yt-dlp

Videoyu Python üzerinden indirmek için:

python -m yt_dlp -f "bestvideo[ext=mp4]+bestaudio[ext=m4a]/best[ext=mp4]" "https://www.youtube.com/watch?v=t_AfcayiGwI" -o video.mp4

Çalışmakta olan kodu CMD içindeyken "CTRL+C" ile durdurabiliriz.

CMD içinde biriken veriyi silmek için CLS komutunu yazmak yeterli.

"find_frame_v1_1.py" dosyasını bu şekilde çağırmak yeterli:

python find_frame_v1_1.py

import cv2
import numpy as np

def find_frame_by_template(video_path, template_path, step=1):
    # 1. Kırpılmış referans görseli (template) yükle
    # (Gri tonlamalı yüklüyoruz, hem daha hızlı hem daha kararlıdır)
    template = cv2.imread(template_path, cv2.IMREAD_GRAYSCALE)
    if template is None:
        print(f"Hata: Şablon görsel bulunamadı: {template_path}")
        return

    temp_h, temp_w = template.shape

    # 2. Videoyu aç
    cap = cv2.VideoCapture(video_path)
    if not cap.isOpened():
        print(f"Hata: Video dosyası açılamadı: {video_path}")
        return

    fps = cap.get(cv2.CAP_PROP_FPS)
    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    print(f"Video yüklendi: {total_frames} kare, FPS: {fps:.2f}")
    print(f"Şablon boyutu: {temp_w}x{temp_h}")

    max_val = -1 # En iyi eşleşme skoru (-1 ile 1 arasıdır, 1 mükemmeldir)
    best_frame_idx = -1
    best_time_sec = 0
    
    frame_count = 0

    print("Kırpılmış şablon ile tarama başlatıldı (Template Matching)...")
    while True:
        ret, frame = cap.read()
        if not ret:
            break

        # Belirlenen adım aralığında kontrol et
        if frame_count % step == 0:
            # Video karesini gri tonlamaya çevir (sadece içerik arıyoruz, renk değil)
            gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

            # --- TEMPLATE MATCHING CORE ---
            # Eşleştirme yap. TM_CCOORR_NORMED mükemmel eşleşmede 1'e yaklaşır.
            result = cv2.matchTemplate(gray_frame, template, cv2.TM_CCORR_NORMED)
            
            # En iyi eşleşme lokasyonunu ve skorunu bul
            _, current_max_val, _, _ = cv2.minMaxLoc(result)

            # Eğer şu ana kadarki en iyi skoru bulduysak, kaydet
            if current_max_val > max_val:
                max_val = current_max_val
                best_frame_idx = frame_count
                best_time_sec = frame_count / fps

        frame_count += 1
        # Her 500 karede bir durumu bildir (Template matching daha yavaştır)
        if frame_count % 500 == 0:
            print(f"İşlenen kare: {frame_count} / {total_frames} (Mevcut en iyi skor: {max_val:.4f})")

    cap.release()

    # Zamanı HH:MM:SS.mmm biçimine dönüştür
    hrs = int(best_time_sec // 3600)
    mins = int((best_time_sec % 3600) // 60)
    secs = int(best_time_sec % 60)
    millis = int((best_time_sec - int(best_time_sec)) * 1000)

    print("\n" + "="*40)
    print(f"TARAMA TAMAMLANDI!")
    print(f"En yüksek eşleşme skoru : {max_val:.4f} (1.0000 mükemmel eştir)")
    
    if best_frame_idx != -1 and max_val > 0.8: # Skor 0.8'den büyükse genellikle doğrudur
        print(f"Bulunan Zaman Damgası    : {hrs:02d}:{mins:02d}:{secs:02d}.{millis:03d}")
        print(f"Bulunan Kare No         : {best_frame_idx}")
    else:
        print("Uyarı: Mükemmel bir eşleşme bulunamadı, ancak en iyi ihtimal yukarıdadır.")
    print("="*40)

# Dosya adlarınızı buraya yazın
# Not: Hızlandırmak için 'step' değerini yükseltebilirsiniz (örn: step=5)
find_frame_by_template("leylaklar_altinda_1954.mp4", "hugnen_evi.png", step=1)

"find_frame_v1_1.py" sonuçlarını TM_CCORR_NORMED yöntemiyle okumak:

Doğruluk Skoru: Sonuçta artık "Fark" (MSE) değil, "Eşleşme Skoru" (Max Val) göreceksiniz. Bu değer 0.0 ile 1.0 arasındadır.

1.0000: Şablon, videonun o karesinin bir bölümüyle %100 birebir örtüşüyor.

0.9000 - 0.9999: YouTube sıkıştırması nedeniyle küçük piksel farkları var ama görsel kesinlikle doğru karedir.

0.8000'in altı: Eşleşme zayıf, yanlış kare olabilir.

import cv2
import numpy as np

def find_frame_by_template(video_path, template_path, step=1):
    # 1. Kırpılmış referans görseli (template) yükle
    # (Gri tonlamalı yüklüyoruz, hem daha hızlı hem daha kararlıdır)
    template = cv2.imread(template_path, cv2.IMREAD_GRAYSCALE)
    if template is None:
        print(f"Hata: Şablon görsel bulunamadı: {template_path}")
        return

    temp_h, temp_w = template.shape

    # 2. Videoyu aç
    cap = cv2.VideoCapture(video_path)
    if not cap.isOpened():
        print(f"Hata: Video dosyası açılamadı: {video_path}")
        return

    fps = cap.get(cv2.CAP_PROP_FPS)
    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    print(f"Video yüklendi: {total_frames} kare, FPS: {fps:.2f}")
    print(f"Şablon boyutu: {temp_w}x{temp_h}")

    max_val = -1 # En iyi eşleşme skoru (-1 ile 1 arasıdır, 1 mükemmeldir)
    best_frame_idx = -1
    best_time_sec = 0
    
    frame_count = 0

    print("Kırpılmış şablon ile tarama başlatıldı (Template Matching)...")
    while True:
        ret, frame = cap.read()
        if not ret:
            break

        # Belirlenen adım aralığında kontrol et
        if frame_count % step == 0:
            # Video karesini gri tonlamaya çevir (sadece içerik arıyoruz, renk değil)
            gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

            # --- TEMPLATE MATCHING CORE ---
            # Eşleştirme yap. TM_CCOORR_NORMED mükemmel eşleşmede 1'e yaklaşır.
            result = cv2.matchTemplate(gray_frame, template, cv2.TM_CCOEFF_NORMED)
            
            # En iyi eşleşme lokasyonunu ve skorunu bul
            _, current_max_val, _, _ = cv2.minMaxLoc(result)

            # Eğer şu ana kadarki en iyi skoru bulduysak, kaydet
            if current_max_val > max_val:
                max_val = current_max_val
                best_frame_idx = frame_count
                best_time_sec = frame_count / fps

        frame_count += 1
        # Her 500 karede bir durumu bildir (Template matching daha yavaştır)
        if frame_count % 500 == 0:
            print(f"İşlenen kare: {frame_count} / {total_frames} (Mevcut en iyi skor: {max_val:.4f})")

    cap.release()

    # Zamanı HH:MM:SS.mmm biçimine dönüştür
    hrs = int(best_time_sec // 3600)
    mins = int((best_time_sec % 3600) // 60)
    secs = int(best_time_sec % 60)
    millis = int((best_time_sec - int(best_time_sec)) * 1000)

    print("\n" + "="*40)
    print(f"TARAMA TAMAMLANDI!")
    print(f"En yüksek eşleşme skoru : {max_val:.4f} (1.0000 mükemmel eştir)")
    
    if best_frame_idx != -1 and max_val > 0.8: # Skor 0.8'den büyükse genellikle doğrudur
        print(f"Bulunan Zaman Damgası    : {hrs:02d}:{mins:02d}:{secs:02d}.{millis:03d}")
        print(f"Bulunan Kare No         : {best_frame_idx}")
    else:
        print("Uyarı: Mükemmel bir eşleşme bulunamadı, ancak en iyi ihtimal yukarıdadır.")
    print("="*40)

# Dosya adlarınızı buraya yazın
# Not: Hızlandırmak için 'step' değerini yükseltebilirsiniz (örn: step=5)
find_frame_by_template("leylaklar_altinda_1954.mp4", "hugnen_evi.png", step=1)

"find_frame_v1_2.py" sonuçlarını TM_CCOEFF_NORMED yöntemiyle okumak:

TM_CCOEFF_NORMED ortalama parlaklığı çıkartarak kıyaslama yapar. Bu sayede aranılan kare bulunmadığında skor 0.10 - 0.40 civarında gezer, doğru kareye gelindiğinde ise birden 0.90 - 1.00 seviyesine zıplar (yani aradaki farkı çok net görürsünüz).

import cv2
import numpy as np

def find_frame_multiscale(video_path, template_path, step=5):
    # 1. Referans görseli (template) yükle
    template_orig = cv2.imread(template_path, cv2.IMREAD_GRAYSCALE)
    if template_orig is None:
        print(f"Hata: Şablon görsel bulunamadı: {template_path}")
        return

    # 2. Videoyu aç
    cap = cv2.VideoCapture(video_path)
    if not cap.isOpened():
        print(f"Hata: Video dosyası açılamadı: {video_path}")
        return

    fps = cap.get(cv2.CAP_PROP_FPS)
    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    video_w = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    video_h = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
    
    print(f"Video yüklendi: {total_frames} kare, Çözünürlük: {video_w}x{video_h}, FPS: {fps:.2f}")
    print(f"Orijinal Şablon Boyutu: {template_orig.shape[1]}x{template_orig.shape[0]}")

    max_val_global = -1
    best_frame_idx = -1
    best_time_sec = 0
    best_scale = 1.0

    # Şablonu videoya sığacak boyutlara çekmek için olası ölçek oranlarını (scale) oluştur
    # Şablonun videodan büyük olduğu durumları engellemek için maksimum ölçek belirlenir
    max_template_dim = max(template_orig.shape[:2])
    min_video_dim = min(video_w, video_h)
    
    # 0.1 ile 1.0 arasında 30 farklı ölçekleme adımı dener
    scales = np.linspace(0.1, 1.0, 30)[::-1] 

    frame_count = 0
    print("\nÇok ölçekli tarama başlatıldı (Multi-Scale Matching)...")

    while True:
        ret, frame = cap.read()
        if not ret:
            break

        if frame_count % step == 0:
            gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
            
            # Her bir kare için farklı ölçekleri tara
            for scale in scales:
                # Şablonu mevcut ölçeğe göre yeniden boyutlandır
                resized_w = int(template_orig.shape[1] * scale)
                resized_h = int(template_orig.shape[0] * scale)
                
                # Şablon videodan büyükse veya çok küçükse bu ölçeği atla
                if resized_w >= video_w or resized_h >= video_h or resized_w < 20 or resized_h < 20:
                    continue
                
                resized_template = cv2.resize(template_orig, (resized_w, resized_h))

                # Eşleştirme yap
                result = cv2.matchTemplate(gray_frame, resized_template, cv2.TM_CCOEFF_NORMED)
                _, current_max_val, _, _ = cv2.minMaxLoc(result)

                if current_max_val > max_val_global:
                    max_val_global = current_max_val
                    best_frame_idx = frame_count
                    best_time_sec = frame_count / fps
                    best_scale = scale

        frame_count += 1
        if frame_count % 1000 == 0:
            print(f"İşlenen kare: {frame_count} / {total_frames} | Mevcut En İyi Skor: {max_val_global:.4f} (Ölçek: %{best_scale*100:.1f})")

    cap.release()

    hrs = int(best_time_sec // 3600)
    mins = int((best_time_sec % 3600) // 60)
    secs = int(best_time_sec % 60)
    millis = int((best_time_sec - int(best_time_sec)) * 1000)

    print("\n" + "="*40)
    print(f"TARAMA TAMAMLANDI!")
    print(f"En yüksek eşleşme skoru : {max_val_global:.4f}")
    print(f"Uygun Ölçek Oranı      : %{best_scale*100:.1f}")
    
    if best_frame_idx != -1 and max_val_global > 0.65: # Ölçekli aramada 0.65+ çok güçlü bir eşleşmedir
        print(f"Bulunan Zaman Damgası    : {hrs:02d}:{mins:02d}:{secs:02d}.{millis:03d}")
        print(f"Bulunan Kare No         : {best_frame_idx}")
    else:
        print("Uyarı: Mükemmel bir eşleşme bulunamadı, ancak en iyi ihtimal yukarıdadır.")
    print("="*40)

# Dosya adlarınız:
# İpucu: Çok ölçekli tarama daha fazla işlem gerektirdiği için başlangıçta 'step=10' veya 'step=5' kullanmanız önerilir.
find_frame_multiscale("leylaklar_altinda_1954.mp4", "hugnen_evi.png", step=5)

"find_frame_v2.py" sonuçlarını "Multi-Scale Template Matching" yöntemiyle okumak:

Doğru Skor Algılaması: Doğru kareye gelindiğinde skor 0.70 - 0.95 arasına fırlayacaktır.

Performans: Çok boyutlu arama işlemi daha fazla matematiksel hesaplama yaptığı için step=5 veya step=10 parametresi ile çalıştırmanız önerilir. Saati ve dakikayı bulduktan sonra noktayı netleştirebilirsiniz.

Bir test, step=5 ayarı ile yaklaşık 1 saat sürdü.