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.

در سال­های اخیر مدل­ های مبتنی بر یادگیری عمیق به منظور طبقه ­بندی طیفی-مکانی تصاویر ابرطیفی بسیار مورد توجه قرار گرفته ­اند. یکی از مهم ترین ویژگی ­های روش­های عمیق در نظر گرفتن همزمان اطلاعات مکانی و طیفی در فرایند طبقه ­بندی تصاویر ابرطیفی است. این مدل­ ها علی رغم تولید نقشه­ های طبقه ­بندی­ شده با دقت ­های بالا، از نظر محاسباتی بسیار پیچیده هستند و تنظیم دقیق پارامترهای آن­ها نیازمند تعداد زیادی نمونه آموزشی است. برای حل این مشکلات، نیاز به ارائه روشی با ساختار ساده ­تر که بتواند به طور مؤثری اطلاعات طیفی-مکانی موجود در تصویر ابرطیفی را استخراج کند، احساس می ­شود. در این راستا، در تحقیق حاضر روش جدیدی به منظور تولید ویژگی طیفی-مکانی از تصاویر ابرطیفی توسعه داده شده است. در روش ارائه شده از دو تکنیک نمایش محلی ماتریس کرنل وزن­دار و تبدیل کسر نویز کمینه به صورت پشت سر هم و تکراری به منظور تولید ویژگی های طیفی-مکانی عمیق استفاده می ­شود. ویژگی های طیفی-مکانی تولید شده از شبکه پیشنهادی که بیانگر رابطه غیرخطی محلی میان ویژگی های استخراج شده از مؤلفه های تبدیل کسر نویز کمینه در عمق ­های مختلف است، در نهایت به یکدیگر الحاق شده و سپس به منظور طبقه بندی به الگوریتم ماشین بردار پشتیبان داده می ­شود. الگوریتم پیشنهادی بر روی دو تصویر ابرطیفی ایندین پاین و دانشگاه پاویا پیاده سازی شده است. عملکرد روش پیشنهادی این مقاله با روش طبقه ­بندی طیفی و چهار روش طبقه­ بندی طیفی-مکانی دیگر که در سال­های اخیر پیشنهاد شده ­اند، مقایسه شده است. مقایسه ­های صورت گرفته نشان می ­دهد که در تصویر ایندین پاین دقت روش پیشنهادی بیش از 20% و دانشگاه پاویا بیش از 10% بهتر از دقت طبقه ­بندی تصویر با ویژگی ­های طیفی است. همچنین در مقایسه با چهار روش دیگر طبقه ­بندی طیفی-مکانی، دقت روش پیشنهادی به طور متوسط 1% بهتر است.

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.

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