Classification of airplane images for automatic target dedection

Abstract

Bu çalışmada geliştirilmekte olan bir Otomatik Hedef Tanıma sistemi için uçak imgelerinin sınıflandırılması konusu incelenmiştir. İmgelerin önceden önişlemden geçirilmiş, bölütlenmiş ve nitelik vektörlerinin çıkarılmış olduğu varsayılmıştır. Bu aşamalardan sonra çıkartılan nitelik vektörlerinin sınıflandırılması birkaç değişik algoritma kullanılarak yapılmış ve verilen eğitim seti için hangisinin daha iyi olduğu incelenmiştir. Sınıflandırma adımından önce detaylı bir hata analizi yapılmış ve sınıfların Bayes a posteriori olasılıkları Parzen ve k-enyakın-komşu (kNN) yöntemleri kullanılarak kestirilmiştir. Daha sonra, kNN, enyakın komşu, Euclid ve dönüştürülmüş veri uzayında doğrusal ayrım işlevi yöntemleri eğitim kümesi üzerinde denenerek her biri için yanlış sınıflandırma olasılığı (PMC) hesaplanmıştır. Ayrıca her algoritmanın gerektirdiği matematiksel işlem sayısı da türetilmiş ve algoritmaların çalışma zamanları ölçülmüştür. Nitelik vektörlerindeki gürültüye karşı kullanılan algoritmaların başarımları da ölçülmüştür. kNN algoritması elimizdeki eğitim kümesi için en düşük PMC'yi vermiştir ancak en uzun hesap zamanına sahiptir.

This thesis considers the classification of airplane images for the purpose of developing an Automatic Target Recognition (ATR) system. It is assumed that the images are preprocessed, segmented and a set of features is extracted. The classification of feature vectors so acquired are then done by using a number of algorithms to find out which is the most appropriate one for the situation at hand. Before the classification process, a posteriori probabilities of the classes are estimated using the Parzen and k-nearest-neighbor (kNN) methods and different methods for error estimation are discussed in detail. A number of different classification methods, namely the kNN, nearest neighbor (NN), a linear discriminant function algorithm with sample space transform and the Euclidean algorithms were then tried on the training set and the probability of misclassification (PMC) for each of them were calculated. Since time is also an important factor in ATR applications, number of operations for the algorithms were derived theoretically and execution times were also measured. Also the performance of the algorithms are investigated. The kNN algorithm had the highest rate of detection but also the longest execution period.