Çok sınıflı çekirdek fukunaga-koontz dönüşümü kullanarak hiperspektral görüntülerde hedef tanıma

Abstract

Gelişen sayısal görüntüleme teknolojisi, günümüzde birçok alanda hayatı kolaylaştırmasının yanında, bir ihtiyaç haline gelmiştir. Özellikle hedef tanıma problemi, başta askeriye olmak üzere güvenlik ile ilgili sektörlerin ilgisini çekmektedir. Farklı türlerde görüntülerde otomatik hedef tanıma yapılabilmekle birlikte, görüntü yüzeyindeki materyalin cinsine duyarlı olması, daha kesin sonuçlar vereceğinden hiperspektral görüntüler (HSG), diğer görüntülere göre bir adım öne çıkmaktadır. Bu tezde, HSG üzerinde, çok sınıflı Çekirdek Fukunaga-Koontz Dönüşümü (Ç-FKD) kullanılarak hedef tanıma yapılmıştır. Temelde İstatistiksel bir yöntem olan ve iki sınıflı doğrusal sınıflandırma problemlerinde kullanılan klasik FKD, çekirdek dönüşümü ve çok sınıflı yapı kullanılarak iyileştirilmiş ve hedef tanıma problemine uygulanmıştır. Yönteme göre, eğitim aşamasında çekirdek dönüşümünden geçirilen veriler kullanılarak dönüşüm operatörü elde edilir ve ardından test aşamasında, bu dönüşüm operatörü kullanılarak, yine çekirdek dönüşümünden geçirilen test verisi sınıflandırılmıştır. Çok sınıflı yapı sayesinde veri seti üzerindeki bütün sınıflar tek bir eğitim aşaması ile sınıflandırılabilmektedir. Yapılan deneylerde, önerilen yöntem çok sınıflı Ç-FKD, öncelikle klasik FKD ile kıyaslanarak %10-20 oranlarında performans artışı olduğu görülmüştür. Ardından Destek Vektör Makinaları (DVM) gibi yüksek performanslı bir yöntemle karşılaştırılarak DVM'nin doğrusal ve polinom tabanlı modellerinin üzerinde performans gösterdiği tespit edilmiştir. Bununla birlikte radyal tabanlı DVM modeli ile benzer oranda sonuçlar ürettiği görülmüştür. Son olarak, çok sınıflı Ç-FKD ikinci veri setinde piksel seviyesinde küçük boyutlu hedeflere uygulanmış ve bu tür hedeflerde de yüksek doğruluk oranında sonuçlar ürettiği görülmüştür.