روش های طبقه بندی داده پلاریمتری که در تحقیقات مختلف ارائه شده است، تنها از اطلاعات یک پایه پلاریزاسیون مشخص استفاده می کنند. در این مقاله، روشی جدید برای طبقه بندی داده پلاریمتری ارائه می شود که می تواند اطلاعات پلاریمتری را در پایه پلاریزاسیون های بیشتری به کار گیرد. مبنای روش پیشنهادی، امضای پلاریمتری است. علاوه بر امضای پلاریمتری که برای توان ارائه شده است در این تحقیق امضای پلاریمتری برای ویژگی های مختلف معرفی می شود. همانند سایر روش های دانش مبنا، روش پیشنهادی شامل دو مرحله است. استخراج دانش مرجع و طبقه بندی با استفاده از این دانش مرجع. روش مورد نظر برای استخراج دانش مرجع، امضای پلاریمتری ویژگی های مختلف است. همچنین برای طبقه بندی به کمک این دانش مرجع از روش های مطابقت استفاده می شود. علاوه براین برای جلوگیری از خروجی نویزی و پایداری امضای پلاریمتری در یک قطعه، روش شیءمبنا انتخاب گردید. داده پلاریمتری سنجنده رادارست-2 از منطقه جنگلی پتاواوا کانادا برای این تحقیق انتخاب شد. مطابق نتایج، دقت کلی روش پیشنهادی 82.12 و روش ویشارت 76.34 است. استفاده از مجموعه کامل تری از ویژگی های پلاریمتری و همچنین افزایش سطح اطلاعات ویژگی های مختلف با استفاده از امضای پلاریمتری، دقت کلاس های گونه های جنگلی، بهبود قابل توجهی در روش پیشنهادی داشتند.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

پارامترهای آلفا و انتروپی دو پارامتر اساسی و پرکاربرد برای تفسیر اطلاعات پلاریمتری حالت کامل می باشند که به ترتیب نشان دهنده نوع مکانیسم بازپراکنش و درجه تصادفی بودن پلاریزاسیون موج دریافتی هستند. در سال های اخیر پلاریمتری فشرده به دلیل مزیت هایی که بر پلاریمتری کامل دارد بسیار مورد توجه قرار گرفته است و بدلیل اینکه اطلاعات داده حالت فشرده کمتر از اطلاعات حالت کامل می باشد، سعی بر این است که تا حد ممکن بتوان اطلاعات حالت کامل را از روی آن بازسازی نمود. در این مقاله با بهره گیری از روابط همبستگی آلفا و انتروپی در دو حالت پلاریمتری فشرده و کامل، روشی نوین جهت بازسازی این پارامترها ارائه شده است که نسبت به روش پیشین سرعت بازسازی را بالا برده و حجم محاسباتی را کاهش داده است و همچنین ضریب تطبیق برای انتروپی و آلفا به ترتیب %7.74 و %0.6 افزایش و خطای تخمین به ترتیب %4 و %0.5 کاهش یافته است.

در این مقاله، یک روش نظارت نشده برای آشکارسازی تغییرات با استفاده از تصاویر پلاریمتری رادار با روزنه ترکیبی ارائه گردیده است. آماره آزمون ویشارت تصحیح یافته متقارن، به منظور ارزیابی برابری دو ماتریس کواریانس چندمنظر مربوط به دو تصویر پلاریمتری SAR در دو زمان مختلف بکار گرفته شده تا تصویر تک باندی خروجی آن در یک الگوریتم نظارت نشده حد آستانه گذاری قرار گیرد و در نهایت نقشه تغییر/عدم تغییر بدست آید. به طور خاص، الگوریتم حد آستانه گذاری کمینه خطای کیتلر و ایلینگورس، در یک حالت تعمیم یافته استفاده شده تا توزیع غیر گاوسین هیستوگرام های دو کلاس تغییر و عدم تغییر را مدل نماید. نتایج ارزیابی روش ارائه شده روی مجموعه داده های چندزمانه شبیه سازی شده پلاریمتری SAR و همچنین داده های پلاریمتری کامل باند C ماهواره رادارست-2 قابلیت الگوریتم ارائه شده را تایید می کند. نتایج داده های واقعی نشان می دهد که با داشتن اطلاعات هر چه بیشتر از باندهای پلاریزاسیون مقادیر دقت آشکارسازی و نرخ خطای کلی الگوریتم بهبود می یابد.

تحقیقات اخیر نشان داده است که طبقه بندی تصاویر سنجش ازدور با کمک روش هایی که از اطلاعات مکانی در کنار اطلاعات طیفی استفاده می کند، نسبت به روش های مبتنی بر فقط اطلاعات طیفی، دقیق تر می باشد. اگرچه طبقه بندی به روش ماشین بردار پشتیبان دارای نتایج دقیق در بیشتر تصاویر سنجش ازدور می باشد ولی این طبقه بندی کننده ذاتا بر مبنای فقط اطلاعات تک پیکسل عمل می کند، که این یک محدودیت برای استفاده از آن می باشد. در این مقاله، تلفیق ماشین بردار پشتیبان با میدان های تصادفی مارکوف به منظور طبقه بندی داده های پلاریمتری رادار با روزنه مجازی از یک منطقه شامل گونه های مختلف جنگلی، پوشش گیاهی و آب بر اساس افزودن اطلاعات مکانی انجام می شود. به منظور انتخاب ویژگی های پلاریمتری مناسب و همچنین برآورد خودکار پارامترهای بهینه مورد نیاز، از الگوریتم ژنتیک استفاده می شود. به منظور بررسی عملکرد روش پیشنهادی، نتایج بدست آمده از این روش با نتایج تعدادی از روش های پایه در طبقه بندی تصاویر پلاریمتری و دو روش جدید به نام های aMRF و MSVC مقایسه شد. در نهایت طبقه بندی به این روش نسبت به روش های ویشارت، ویشارت-مارکوف، SVM، aMRF و MSVC به ترتیب 19، 14، 11، 5 و 3 درصد افزایش دقت را نشان می دهد.