KaydedilenlerDerginizi ekleyin

Dergiler / Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi / 2018 / Cilt: 9 - Sayı: 1

Meksika şapkası dalgacık görüntü bölütlemesi ve dalgacık entropisi tabanlı akıllı hedef tanıma

Derya AVCI
Resul ÇÖTELİ
Sayfa
13–26
Yayın Tarihi
2018-04-04
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Üçüncü adımda, Canny kenar tespit yöntemi kullanılarak bu gri seviye ZFG imgelerinin kenarları tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, X-band darbeli radar kullanılarak ölçülen gerçek hedef eko sinyallerinin dalga formlarından özellik çıkarımı ve sınıflandırma yapılmıştır.
📊
Temel Bulgular & Veri:Bu amaçla, radar Hedef Eko (RHE) sinyallerinden elde edilen Zaman-Frekans Gösterimi (ZFG) imgelerinin entropi değerlerini kullanan bir özellik çıkarma mekanizması geliştirilmiştir.
💡
Sonuç & Katkı:Üçüncü adımda, Canny kenar tespit yöntemi kullanılarak bu gri seviye ZFG imgelerinin kenarları tespit edilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Özellik çıkarımı · Bulanık C- Ortalamalar (BCO) · Meksika şapkası dalgacık dönüşümü

Özet

Bu çalışmada, X-band darbeli radar kullanılarak ölçülen gerçek hedef eko sinyallerinin dalga formlarından özellik çıkarımı ve sınıflandırma yapılmıştır. Bu amaçla, radar Hedef Eko (RHE) sinyallerinden elde edilen Zaman-Frekans Gösterimi (ZFG) imgelerinin entropi değerlerini kullanan bir özellik çıkarma mekanizması geliştirilmiştir. Bu özellik çıkarma mekanizması altı adımdan oluşmaktadır. Birinci adımda, yüksek çözünürlüklü radar hedef eko sinyallerinin ZFG imgeleri elde edilmiştir. Bu adımda, yüksek çözünürlüklü radar hedef eko sinyallerinin ZFG imgelerinin elde edilmesi için Meksika şapkası dalgacık skalaogramı kullanılmıştır. Daha sonra bu renkli imgeler gri imgelere dönüştürülmüştür. İkinci adımda, gri ZFG imgeleri Bulanık C-Ortalamalar algoritması kullanılarak bölütlenmiştir. Üçüncü adımda, Canny kenar tespit yöntemi kullanılarak bu gri seviye ZFG imgelerinin kenarları tespit edilmiştir. Dördüncü adımda, merkez kenar değişim yöntemi yardımı ile gri ZFG imgelerinin kenar piksellerinin merkez piksellerine olan uzaklığını temsil eden uzaklık vektörleri elde edilmiştir. Beşinci adımda, elde edilen uzaklık vektörlerinin her biri için bazı entropi değerleri hesaplanmıştır. Bu çalışmanın altıncı adımında, elde edilen özellik vektörünü kullanarak sınıflandırma işlemini gerçekleştirilmiştir. Bu amaçla ilk önce sırasıyla doğrusal sınıflandırıcılar olan K - En yakın Komşuluk (KEK) algoritması ve Bayes Karar Algoritması (BKA) ile sınıflandırma işlemi yapılmıştır ve sırasıyla % 74.92 ve % 79.08’ lik doğru sınıflandırma test başarımları elde edilmiştir. Daha sonra ise sınıflandırıcı olarak Çok Katmanlı ileri beslemeli Yapay Sinir Ağı (YSA) kullanılmıştır. Bu uygulama çalışması sonucunda kullanılan hedef nesneleri için % 88.8’ lik bir doğru sınıflandırma test başarımı elde edilmiştir.

🔖

Bu Makaleye Atıf Yap

AVCI, D., ÇÖTELİ, R. (2018). Meksika şapkası dalgacık görüntü bölütlemesi ve dalgacık entropisi tabanlı akıllı hedef tanıma. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 9 - Sayı: 1, 13–26. https://ajindex.com/articles/656043

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (7)

  1. Addison P. S., Watson J. N., and Feng T., (2002).Low-oscillation complex wavelets, Journal of Sound and Vibration, 254(4), 733-762.
  2. Ahern G. J., Delisle Y., etc., (1989).Radar, Lab-Volt Ltd., vol. 1, p.p. 4-7. Akay M.,, (1997).Wavelet applications in medicine. IEEE Spectrum, 34, 50–56.
  3. Avci E., Turkoglu I., Poyraz M., (2005). Intelligent Target Recognition on Based Wavelet Packet Neural Network, Experts Systems with Applications, 29(1). Avci E. and Coteli R. (2012)."A new automatic target recognition system based on wavelet extreme learning machine." Expert Systems with Applications 39.16, p. 12340-12348. Bishop C.M., (1996). Neural Networks for Pattern Recognition, Clarendon Press, Oxford. Devaney A. J. and Hisconmez B., (1994). Wavelet signal processing for radar target identification a scale sequential approach, in Proc. SPIE Wavelet Applications, vol. 2242, pp. 389–399.
  4. Devaney A. J., Raghavan R., Lev-Ari H., Manolakos E., and Kokar M., (1997). “Automatic Target Detection and Recognition: A Wavelet Based Approach,” Northeastern Univ. Defense Technical Inform. Center, Tech. Rep. AD-A329 696. Etemad K. and Chellapa R., (1998). Separability-Based multiscale basis selection and feature extraction for signal and image classification, IEEE Trans. Image Processing, vol. 7, pp. 1453–1465.
  5. Famili A., Wei-Min S., Weber R., and Simoudis E., (1997). “Data preprocessing and intelligent data analysis,” Intell. Data Anal., vol. 1. Kulkarni A. D., (2001). Computer Vision and Fuzzy-Neural Network Systems, Prentice Hall PTR. Lu J., Weaver J.B., D.M. Healy and Y. Xu, (1992).Noise reduction with multiscale edge representation and perceptual criteria, Proceedings of the IEEE-SP International Symposium on Time-Frequency and Time-Scale analysis, Victoria, BC, October. Lu J., V. Algazi R., and R. Estes R. Jr., (1996). “Comparative study of wavelet image coders,” Opt. Eng., vol. 35, pp. 2605–2619
  6. Mallat, S., (1991). Zero-Crossings of a wavelet transform, IEEE Tran. Inform. Theory, vol. 37, pp. 1019–1033. Mallat S., (1998).A Wavelet Tour of Signal Processing, Academic Press,
  7. San Diego. Misiti M., Nisiti Y., Oppenheim G., and Poggi J., 1996).Wavelet Toolbox User’s Guide. Natick, MA: MathWorks, Inc. Muzy J. F., Bacry E., Arneodo A., (1992).Multifractal formalism for fractal signals: The structure-function approach versus the wavelet-transform modulus-maxima method, Physical Review E, Vol.47(2), 875-884. Newland D.E., (1999).Ridge and Phase Identification in the Frequency Analys