TU Darmstadt / ULB / TUprints

ADAC System Design and Its Application to Mine Hunting Using SAS Imagery

Fandos, Raquel (2012)
ADAC System Design and Its Application to Mine Hunting Using SAS Imagery.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
PDF
Doktorarbeit_Fandos_v1.pdf
Copyright Information: CC BY-NC-ND 2.5 Generic - Creative Commons, Attribution, NonCommercial, NoDerivs .

Download (5MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: ADAC System Design and Its Application to Mine Hunting Using SAS Imagery
Language: English
Referees: Zoubir, Prof. Abdelhak ; Bouzerdoum, Prof. Salim
Date: 14 March 2012
Place of Publication: Darmstadt
Collation: XI, 163 p.
Date of oral examination: 27 January 2012
Abstract:

This PhD thesis considers the problem of automatic detection and classification. On the one hand, a set of application independent design issues for classification is tackled. On the other hand, the specific application of underwater mine hunting using synthetic aperture sonar imagery is considered. A novel resampling method is proposed in order to solve two fundamental issues involved in the design of classification systems, namely, the selection of the classifier and the estimation of the optimal feature set dimensionality. The method estimates both the probability distribution of the misclassification rate (or any other figure of merit of the classification system) subject to the size of the feature set and the probability distribution of the optimal dimensionality given a misclassification rate. The latter allows for the estimation of confidence intervals for the optimal feature set size. Unlike previous methods, no assumption for the features distribution is required. Based on the probability distribution of the figure of merit, a quality assessment for classifier performance is proposed. By contrast with previous works, the proposed algorithm allows to compare different classifiers without bonds to a specific feature set. In addition, the problem of determining the optimal feature subset is considered. In this respect, novel extensions of the Sequential Forward Selection and Sequential Forward Floating Selection methods are proposed. It alleviates the limitations of the methods, yielding a better performance. A system for automatic detection and classification of underwater objects using synthetic aperture sonar imagery is developed within this design framework. It consists of three steps: detection, feature extraction and classification. In order to detect the objects in the sonar images, three segmentation algorithms are compared: iterative conditional modes, min-cut/max-flow and active contours. Novel initialization schemes addressing the application at hand are proposed, since they significantly influences the final result. An extensive set of features is extracted for each object, both geometrical and statistical. They are designed to remain invariant to changes in the object position and also in poor segmentation scenarios. The selection of the optimal feature subset is accomplished by the extended feature selection algorithms, only after the resampling method has determined the best out of four classifier candidates (k-nearest neighbor, Mahalanobis’, linear discriminant analysis and support vector machines). The proposed methods have been applied to two databases of real sonar images containing over 57,000 m2 of underwater images and 600 mines of different types.

Alternative Abstract:
Alternative AbstractLanguage

Die vorliegende Dissertation behandelt Systeme zur automatischen Detektion und Klassifizierung. Es wird einerseits eine Reihe von anwendungsunabhängigen Aspekten des Entwurfs derartiger Systeme behandelt, andererseits wird die spezifische Anwendung der Unterwasserminensuche mittels der Auswertung von Synthetic Aperture Sonar (SAS) Bildern betrachtet. Ein neuartiges Resampling-Verfahren wird vorgeschlagen, welches die Lösung zweier fundamentaler Probleme des Entwurfs von Klassifizierungssystemen erlaubt: die Auswahl des Klassifikators und die Abschätzung der optimalen Dimension der Merkmalmenge. Das Verfahren schätzt sowohl die Wahrscheinlichkeitsverteilung der Missklassifikationsrate (oder eines anderen Gütemaßes des Klassifizierungssystems) in Abhängigkeit der Dimension der Merkmalmenge als auch die Wahrscheinlichkeitsverteilung der optimalen Dimension bei Vorgabe einer Missklassifikationsrate. Letzters erlaubt insbesondere die Abschätzung von Konfidenzintervallen hinsichtlich der optimalen Dimension der Merkmalmenge. Im Gegensatz zu bereits bekannten Verfahren wird keine Annahme hinsichtlich der Verteilungsfunktion der Merkmale benötigt. Basierend auf der Wahrscheinlichkeitsverteilung des Gütemaßes wird eine Methode zur Bewertung der Qualit¨at des Klassifikators vorgeschlagen. Das Verfahren erlaubt somit den Vergleich verschiedener Klassifikatoren ohne an eine vorgegebene Merkmalmenge gebunden zu sein. Es hebt sich hiermit von existierenden Verfahren ab. Desweiteren wird die Bestimmung der Merkmale, welche in der optimalen Menge enthaltenen sind betrachtet. Hierzu wird eine Erweiterung des Sequential Forward - sowie des Sequential Forward Floating-Auswahlverfahren vorgeschlagen, welches deren Limitierungen abschw¨acht und zu besseren Ergebnissen führt. Basierend auf den neuentwickelten Methoden wurde ein Verfahren zur automatischen Detektion und Klassifizierung von Unterwasserobjekten in SAS Bildern entwickelt. Es beinhaltet drei Schritte: Detektion, Merkmalextraktion und Klassifizierung. Zur Detektion von Objekten in Sonarbildern werden drei Segmentierungsalgorithmen verglichen: iterative conditional modes, min-cut/max-flow und active contours. Die Initialisierung der Segmentierungsalgorithmen hat signifikanten Einfluss auf das Ergebnis. Es werden daher neue Initialisierungsschemata, spezialisiert auf die vorliegende Anwendung, vorgeschlagen. Anschließend wird zu jedem Objekt eine umfangreiche Merkmalmenge extrahiert, welche sowohl geometrische als auch statistische Elemente beinhaltet. Diese werden derart gewählt, dass sie invariant unter ¨ Anderungen der Objektposition als auch unempfindlich gegen schlechte Segmentierungsergebnisse sind. Der Bestimmung der optimalen Merkmalmenge mittels der erweiterten Auswahlverfahren geht die Ermittlung des besten Klassifikators anhand des vorgeschlagenen Resampling- Verfahrens voraus. Hierbei stehen die Klassifikatoren k-nearest neighbor, Mahalanobis, lineare Diskriminantenanalyse und support vector machines zur Auswahl. Die vorgeschlagenen Methoden werden auf zwei Datenbanken realer SAS Bilder angewendet, welche eine Fläche von 57.000 Quadratmetern Meeresgrund mit mehr als 600 Minen unterschiedlichen Typs abbilden.

German
URN: urn:nbn:de:tuda-tuprints-29236
Classification DDC: 000 Generalities, computers, information > 004 Computer science
600 Technology, medicine, applied sciences > 600 Technology
Divisions: 18 Department of Electrical Engineering and Information Technology
Date Deposited: 26 Mar 2012 10:21
Last Modified: 09 Jul 2020 00:02
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/2923
PPN: 386255482
Export:
Actions (login required)
View Item View Item