Tez No	İndirme	Tez Künye	Durumu
444780		Fukunaga-Koontz dönüşümü tabanlı algoritmaların geliştirilmesi ve hedef tespiti-sınıflandırma uygulamaları / Development of Fukunaga-Koontz transform based algorithms and target detection-classification applications Yazar:HAMİDULLAH BİNOL Danışman: PROF. DR. HERMAN SEDEF Yer Bilgisi: Yıldız Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:	Onaylandı Doktora Türkçe 2016 113 s.
Teknolojinin gelişmesiyle, sayısal görüntüleme sistemleri günümüzde birçok alanda uygulanmasının yanında, bir ihtiyaç haline gelmiştir. Hedef tespiti ve sınıflandırma problemleri, başta askeri alanlar olmak üzere sağlıktan uzay araştırmalarına kadar birçok sektörün ilgisini çekmektedir. Farklı tür görüntülerde hedef tespiti ve sınıflandırma yapılabilmekle birlikte, sağladığı materyale özgü yüksek spektral bilgi nedeniyle hiperspektral görüntüleme sistemleri, askeri ve sivil uygulamalarda artan bir eğilimle kullanılmaktadır. Bu tezde, hiperspektral görüntüler üzerinde hedef tespiti ve sınıflandırma görevlerinin etkin bir şekilde başarımı için Fukunaga-Koontz Dönüşümü (FKD) ve çekirdek FKD (ÇFKD) tabanlı algoritmaların geliştirilmesi üzerinde durulmuştur. Geliştirilen algoritmalar ayrıca literatürde sıkça kullanılan makine öğrenmesi karşılaştırma verileri üzerinde de test edilmiştir. Çekirdek-tabanlı yöntemlerin avantajları kullanılarak, literatürde mevcut olan sabit çekirdekli ÇFKD yaklaşımının kompozisyonel çekirdek birleşimi, bileşik çekirdekler ve çoklu-çekirdek öğrenmesi stratejileri ile genişletilmesi çalışmaları gerçekleştirilmiştir. Bunun yanında, yine literatürde ÇFKD için çalışılmamış olan, çekirdek parametresi seçimi problemi için bir yöntem önerilmiştir. Yapılan deneyler, bileşik çekirdekler hariç diğer yaklaşımların, klasik ÇFKD performansını geliştirdiğini göstermiştir. Bileşik çekirdekler yaklaşımı ile istenen başarının sağlanamamasında, kullanılan veri ve çekirdek yapılarının etkisinin olduğu düşünülmektedir. Tez kapsamında geliştirilen ÇFKD için çekirdek parametresi seçimi yönteminin de, araştırmacıların sıklıkla tercih ettiği çapraz-doğrulama tabanlı yönteme göre özellikle işlem hızı açısından üstün olduğu görülmüştür. Hiperspektral görüntülerin sağladığı yüksek çözünürlükte spektral bilginin, verinin saklanması, işlenmesi ve iletilmesi aşamalarında ortaya çıkardığı bazı dezavantajlar da bulunmaktadır. Yüksek boyutluluk kaynaklı bu dezavantajların giderilmesi için boyut azaltma başlığı altında çalışmalar yapılmaktadır. Eğiticili ve eğiticisiz olarak kategorilendirilebilecek bu çalışmalar ile yüksek boyutlu veri, bilgi içeriğinin olabildiğince korunduğu bir formda temsil edilir. Literatürde eğiticisiz yapıda işleyen yöntemlerin, veride mevcut sınıf ve/veya hedef bilgisinin korunmasında yetersiz kalabildiği bilinmektedir. FKD-tabanlı ayırma yönteminin hedef sınıf odaklı olması ve öznitelik çıkarmadaki başarısı, hedef yönelimli bir boyut azaltma tekniğinin geliştirilmesi için itici güç olmuştur. FKD-tabanlı boyut azaltma yönteminin temel bileşen analizi (TBA) ile karşılaştırmasında, istenen sınıflandırma performansı artışının alınamadığı anlaşılmıştır. Buradan hareketle, çekirdek-tabanlı öğrenmenin de avantajını kullanmak amacıyla, bir ÇFKD-tabanlı hedef yönelimli boyut azaltma algoritması tez kapsamında geliştirilmiştir. Gerçek hiperspektral sahnelerde hedef-arka plan ayrımı amacıyla yürütülen deneyler, önerilen algoritmanın FKD ve TBA özniteliklerine göre daha gürbüz öznitelikler çıkardığını göstermiştir. FKD algoritmasının temelde iki-sınıflı işlemesi, yalnız hedef sınıf eğitim örneklerinin toplanabildiği uygulamalarda kullanılamamasına neden olmaktadır. Bu dezavantajı ortadan kaldırmak ve eğiticili hedef tespiti problemlerinde kullanılabilecek bir tek-sınıflı yöntem elde etmek için, tezin son aşamasında FKD-tabanlı tek-sınıflı sınıflandırma algoritmaları önerilmiştir. Yöntemin ana fikri, mevcut belirli bir hedef veya sınıfa ait öznitelikleri kullanarak, bu özniteliklerin oluşturduğu vektör zarfının dışında yapay örnekler oluşturmaya dayanmaktadır. Bu yöntemin, veri-içinden daha çok bilgi toplayan klasik FKD yaklaşımına göre uygun koşullar altında daha yüksek ve kararlı performans gösterebileceği yapılan deneylerle doğrulanmıştır. Tek-sınıflı FKD (TS-FKD) olarak adlandırılan bu yöntemin, çekirdek (TS-ÇFKD), çoklu-çekirdek (TS-ÇÇFKD) ve seçici çoklu-çekirdek (TS-SÇÇFKD) versiyonları da geliştirilmiş ve literatürdeki bilinen tek-sınıflı sınıflandırma yöntemleri ile karşılaştırılmıştır. Karşılaştırmalı testler, önerilen algoritmaların, popüler tek-sınıflı yöntemlere güçlü birer alternatif olabilecekleri sonucunu üretmiştir.
With advances in technology, digital imaging systems have become a necessity and are being used in varied areas of daily life. Target detection and classification problems have especially been in the forefront as they are used in fields as diverse as medicine and space research and hold special importance for military systems. Although target detection and classification can be carried out on different types of images, due to the material-specific high spectral information provided by them, hyperspectral imaging systems are being used increasingly in military and civilian applications. In this thesis, in order to effectively implement target detection and classification tasks on hyperspectral images, the focus is on the development of Fukunaga-Koontz Transform (FKT) and kernel FKT (KFKT) based algorithms. The developed algorithms have also been tested on low-dimensional benchmark data sets which are commonly used in literature in this discipline. Using the advantages of kernel-based learning methods, KFKT with a single kernel (studies on which are available in the literature) has been expanded employing compositional kernel combination, composite kernels, and multiple-kernel learning strategies. Besides these strategies, a new technique for the selection of a kernel parameter is also proposed; this method has not been discussed in existing literature on KFKT. The experiments demonstrate that all the techniques except composite kernels improve the performance of classical KFKT. It is thought to be the effect of utilized data and kernel structures that collectively fail to provide the desired outcomes via composite kernels. Experiments also indicate that the suggested kernel parameter selection method is superior to well-known cross-validation based techniques, particularly in terms of processing speed. High-resolution spectral information of hyperspectral images, however, has some disadvantages that can occur in the storage, processing, and transmission of data. Dimensionality reduction (DR) techniques are performed to eliminate these drawbacks caused by their high dimensionality. The high-dimensional data is represented by supervised or unsupervised DR methods in a more condensed form, while preserving the information content in the data as much as possible. Unsupervised methods are known to be inadequate in protecting the information of the target and/or class inherent in the data. Feature extraction capability and class-focused characteristic of the FKD-based discrimination method have been important driving forces for the development of a target-oriented DR technique. When compared with PCA, it is found that the classification performance for FKT features is lower than that of PCA. Therefore, taking advantage of kernel-based learners, a KFKT-based target-oriented DR algorithm has been developed in this thesis. Target-background separation experiments conducted on real hyperspectral images have shown that the proposed algorithm can extract more robust features than FKT and PCA can. An important disadvantage of the two-class characteristic of classical FKT algorithm is that it is unusable in applications where only the training samples of target class are used. To eliminate this disadvantage and obtain a one-class classification technique which can be employed in supervised target detection problems, FKT-based one-class classification algorithms have been suggested in the final stage of the thesis. The main idea behind this technique is based on construction of synthetic samples that are out of the positive class (target class) with their boundaries delineated by using features that belong to the existing target or class. It has been confirmed by experiments that this method, under appropriate conditions, can show a better and more stable performance than classical FKT. Kernel OC-FKT (OC-KFKT), multiple-kernel OC-FKT (OC-MKFKT), and selective multiple-kernel OC-FKT (OC-SMKFKT) versions of this method, called one-class FKT (OC-FKT), have also been developed and compared with a few one-class classification methods known in the literature in this field. Results of comparative experiments show that the proposed algorithms are apt alternatives to commonly used one-class methods.