Feature extraction and selection for classification of air planes

Abstract

Bu çalışmada, uçakların sınıflandırılmaları için çeşitli nitelik çıkarımı yöntemleri ile çıkarılan niteliklerin başarımları araştırılmıştır. Çevre çıkarımı ve çevre doldurumu için ikişer değişik yöntem denenerek zaman ve bellek karmaşıklığına göre karşılaştırılmışım Başarımları incelenen nitelikler arasında geometrik nitelikler, moment tabanlı nitelikler, çevre ve izdüşüm için moment değişmezleri ve kapalı çevre için Fourier tanımlayıcıları bulunmaktadır. Niteliklerin başarı ölçütü olarak, dönme, kayma, ve küçülme gibi iki boyutlu dönüşümler sonucundaki değişimleri kullanılmıştır. Sınıflandırma için çıkarılan nitelik vektörünün boyutunu azaltmada kullanılan nitelik seçimi yöntemi bilişim kuram tabanlı yaklaşımdır. Farklı boyutlu nitelik kümelerinin başarımı, değişik uçak modelleri kullanılarak hazırlanmış üç boyutlu bir tensör üzerinde dönme uygulanarak oluşturulan bir örnek kümesi ile denemiştir. Üç boyut durumunda, tanıma olasılığını artırmak için alt-sınıflar kullanma yöntemi önerilmiş ve sonuçlar alt-sınıflar kullanılmadan bulunanlar ile karşılaştırılmıştır. Farklı boyutlara sahip en iyi nitelik kümeleri verilmiştir.

In this thesis, several feature extraction methods and the performance of extracted features necessary for classification of airplanes are investigated. Two different algorithms for both boundary extraction and boundary filling were implemented and compared with respect to time and memory complexity. Among the features whose performance were examined in detail, there are geometric features, moment based features, moment invariant functions for the boundary and the silhouette, and the Fourier descriptors of the boundary curve. The performance criteria of the features are their variance under transformations in two dimensions like rotation, translation, and scaling. The feature selection technique used to reduce the dimensionality of the feature vector for classification is the information theoretic approach. The performance of feature sets having different dimensions are tested with a sample set formed using three dimensional rotations on a 3D tensor of three different planes. To increase the probability of detection in three dimensional case, the method of sub-classes is proposed and the results are compared with the ones where no sub-classes are used. The best feature sets with different dimensions are given.