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

طبقه بندی پوشش زمین یکی از کاربردهای مهم استفاده از داده های سنجش از دوری است. از میان تصاویر و داده های مورد استفاده در این مورد، داده های پلاریمتری راداری به خاطر امکان استخراج ویژگی های زیاد و متنوع میتوانند برای طبقه بندی گزینه مناسبی باشند. در این مقاله یک روش عارضه مبنا برای طبقه بندی مناطق شهری با استفاده از داده های پلاریمتری راداری به صورت تلفیق نتایج پیکسل مبنای طبقه بندی SVM و قطعات تصویری ارائه می گردد. در این تحقیق برای رسیدن به دقت مناسب طبقه بندی از مجموعه ویژگی های بهینه استفاده شده است. بدین منظور، از روش طبقه بندی کننده های چندگانه SVM استفاده شده است. برای نیل به این هدف، معیار دقت کلاس در طبقه بندی SVM، جهت انتخاب ویژگی به صورت کلاس مبنا و همچنین انتخاب ویژگی به صورت تصادفی مورد استفاده قرار گرفته شده است. در تصاویر پلاریمتری به خاطر نویز ضربه ای، گاها نتایج طبقه بندی پیکسل مبنا ممکن است راضی کننده نباشد. لذا در این تحقیق از ویژگی های مربوط به فضای تصویر یا قطعات تصویری استفاده شده است. بطور کلی روش ارائه شده سه گام اصلی دارد: انتخاب ویژگی، طبقه بندی پیکسل مبنا و تلفیق نتایج پیکسل مبنا و قطعات تصویری. بهبود دقت طبقه بندی بعنوان دستاورد مهم این تحقیق معرفی شده اند. نتایج نشان میدهد که دقت کلی روش ارائه شده %90.07 نسبت به نتایج پیکسل مبنای طبقه بندی کننده های چندگانه (%83.61) SVM بهبود داشته است.

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

افزایش ابعاد فضای ویژگی ورودی موجب تمایز بیش تر کلاس های پوششی در طبقه بندی تصاویر سنجش از دور می شود اما تعداد کم نمونه های آموزشی مانع از بروز این عملکرد مثبت می شود. استفاده از روش های گروهی به جای طبقه بندی کننده های منفرد راه حل مناسبی برای برخورد با این مشکل است. در این مقاله روشی با عنوان «ماشین های تصادفی بردار پشتیبان (SVRMs)» برای جمعی کردن روش SVM پیشنهاد می شود. روش پیشنهادی نسبت به روش های قبلی در جمعی کردن SVM مزایای موثری دارد. اعمال هم زمان روش بگینگ در داده های آموزشی و فضای ویژگی و روش بوستینگ موجب بهبود صحت، استقلال و تنوع طبقه بندی کننده های پایه می شود. ادغام طبقه بندی کننده ها در روش پیشنهادی در سطح احتمال و به صورت غیرخطی با استفاده از یک تلفیق SVM انجام کمی شود. عملکرد روش پیشنهادی بر روی داده های فراطیفی و پلاریمتریک رادار با روزنه مصنوعی ارزیابی شده است. آزمایش ها از سه دیدگاه: ارزیابی در برابر سایر روش های دسته جمعی SVM، ارزیابی در برابر روش های انتخاب ویژگی و در نهایت سایر روش های طبقه بندی طراحی و تحلیل شده است. در داده فراطیفی روش پیشنهادی حدود 16 درصد و در داده پلاریمتریک حدود 10 درصد نسبت به روش منفرد SVM بهبود نشان می دهد. روش پیشنهادی در هر دو منبع داده عملکرد بهتری در بیشتر کلاس های مورد بررسی خصوصا کلاس های نزدیک نسبت سایر روش های جمعی نشان می دهد. نتایج نشان می دهد روش پیشنهادی ضمن حفظ هزینه محاسباتی مطلوب عملکرد بهتری نسبت به روش های انتخاب ویژگی همچون ژنتیک دارد. مطابق نتایج صحت و دقت مطلوب روش پیشنهادی نیز در برابر روش های پایه طبقه بندی در دو منبع داده (بیشترین شباهت و ویشارت) و همچنین روش های قدرتمند (جنگل تصادفی و شبکه عصبی) تصدیق می شود.

هدف از این پژوهش ارائه یک روش بهینه بهه ­ منظور طبقه­ بندی تصاویر رادار پلاریمتری است. روش پیشنهادی تلفیقی از ماشین بردار پشتیبان و الگوریتم بهینه­ سازی جستجوی گرانشی دودویی است. در این راستا، ابتدا مجموعه ­ ای از ویژگی­ های پلاریمتریک شامل مقادیر داده اصلی، ویژگی­ های تجزیه هدف و تفکیک کننده های SAR از تصاویر استخراج می­ شوند؛ سپس به منظور انتخاب ویژگی­ های مناسب و تعیین پارامترهای بهینه برای طبقه ­ بندی کننده ماشین بردار پشتیبان از الگوریتم جستجوی گرانشی دودویی استفاده شده است. به منظور دست یابی به یک سامانه طبقه ­ بندی با دقت طبقه­ بندی بالا، انتخاب مقادیر بهینه پارامترهای مدل و زیرمجموعه ­ ای از ویژگی های بهینه، به طور هم زمان انجام می ­ پذیرد. نتایج پیاده­ سازی الگوریتم پیشنهادی با دو حالت، در نظر گرفتن تمام ویژگی ­ های انتخاب شده، و الگوریتم ژنتیک، قیاس شده که نتایج حاصل از تفکیک نواحی برای سه ناحیه مورد بررسی قرار گرفته است. تفکیک نواحی برای مناطق سانفرانسیسکو و مانیل، و تشخیص لکه نفتی سطح اقیانوس منطقه فیلیپین مورد ارزیابی قرار گرفته که به ترتیب با بهبود دقت کلی تقریبی 12، 7 و 5/6 درصد در قیاس با الگوریتم ژنتیک بهبود داشته است.