Makine öğrenmesi ve görüntü işleme yöntemleri ile sar görüntülerinde gemi tespiti
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Sentetik açıklıklı radar (SAR) görüntüleri günümüzde savunma sanayisi, deniz izlemeleri, çevresel atıkların takibi ve afet gibi acil durumlarda yoğun olarak kullanılmaktadırlar. İklim ve hava koşullarından bağımsız olarak her durumda yüksek kalitede görüntüler sunan bu teknoloji ile etkin nesne tanıma ve hedef takibi uygulamaları geliştirilmektedir. Tez çalışmasında SAR görüntülerindeki gemileri tespit edip sınıflandıran iki yöntem geliştirilmiştir. İlk olarak kapsamlı bir SAR gemi görüntüleri içeren bir veri tabanı oluşturulmuştur. Bu veri tabanında dünyanın farklı bölgelerindeki liman, deniz ve okyanuslardan görüntüler alınmıştır. Böylece kapsamlı bir veri tabanı oluşturulmuştur. Görüntülerden anlamlı özellik vektörleri elde etmek için ilk olarak gri seviye eş oluşum matrisinden 4 farklı istatistiksel ölçüm yapılmıştır. Gri seviye eş oluşum matrisinin inşa edilmesinde Gauss türev filtreleri kullanılmıştır elde edilen özellik vektörleri destek vektör makineleri ile sınıflandırılmıştır. Geliştirilen ikinci yöntemde ise görüntülerin Hessian matrisleri hesaplanmıştır. Hessian matrisinin öz değerleri hesaplanarak gradyan büyüklükleri ve gradyan yönelimleri elde edilmiştir. Bu iki bilgi ile etkin histogram etiketlemesi yapılmıştır. Böylece gemi olan ve olmayan bölgelerin piksel verileri etkin şekilde ayırt edilmiştir. Elde edilen özellik vektörleri yapay sinir ağları ile sınıflandırılmıştır. Önerilen yöntem LBP (Local Binary Pattern) yöntemi karşılaştırılmıştır. Deneysel sonuçlar önerilen yöntemlerin gemi sınıflandırmada etkin sonuçlar verdiğini göstermiştir.
Nowadays, Synthetic aperture radar (SAR) images are widely and extensively used in defense industries, ocean surveillance, environmental monitoring, and emergencies such as disasters. The SAR technology provides high-quality images regardless of the climate and weather conditions, and that feature enables the development of effective object recognition and target tracking applications. In this thesis, two methods have been developed to detect and classify ships in SAR images. Firstly, a thorough SAR ship image database was created. This database includes images from ports, seas, and oceans around the world, thus forming a comprehensive dataset. Four different statistical measurements were initially made from the gray-level co-occurrence matrix to extract relevant feature vectors from the images. Gaussian derivative filters were used to construct the gray-level co-occurrence matrix, and the obtained feature vectors were classified using support vector machines. In the second developed method, the Hessian matrices of the images were calculated. By calculating the eigenvalues of the Hessian matrix, gradient magnitude and gradient orientations were obtained. With this information, adequate histogram labeling was performed, effectively distinguishing between pixel data of ship and non-ship areas. The obtained feature vectors were classified using artificial neural networks. The proposed method was compared with the Local Binary Pattern (LBP) method. Experimental results showed that the proposed methods provided effective results in ship classification.
Nowadays, Synthetic aperture radar (SAR) images are widely and extensively used in defense industries, ocean surveillance, environmental monitoring, and emergencies such as disasters. The SAR technology provides high-quality images regardless of the climate and weather conditions, and that feature enables the development of effective object recognition and target tracking applications. In this thesis, two methods have been developed to detect and classify ships in SAR images. Firstly, a thorough SAR ship image database was created. This database includes images from ports, seas, and oceans around the world, thus forming a comprehensive dataset. Four different statistical measurements were initially made from the gray-level co-occurrence matrix to extract relevant feature vectors from the images. Gaussian derivative filters were used to construct the gray-level co-occurrence matrix, and the obtained feature vectors were classified using support vector machines. In the second developed method, the Hessian matrices of the images were calculated. By calculating the eigenvalues of the Hessian matrix, gradient magnitude and gradient orientations were obtained. With this information, adequate histogram labeling was performed, effectively distinguishing between pixel data of ship and non-ship areas. The obtained feature vectors were classified using artificial neural networks. The proposed method was compared with the Local Binary Pattern (LBP) method. Experimental results showed that the proposed methods provided effective results in ship classification.
Açıklama
Fen Bilimleri Enstitüsü, Yazılım Mühendisliği Ana Bilim Dalı, Yazılım Mühendisliği Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
