طبقه بندی دانش مبنای تصاویر پلاریمتری sar با استفاده از اطلاعات فیزیکی
چکیده
طبقه¬بندی پوشش¬های زمین یکی از مهم¬ترین و ابتدایی¬ترین تحلیل¬های داده¬های سنجش-ازدور است. داده پلاریمتری رادار با روزنه¬ی مجازی فرم جدیدی از داده¬های راداری است که در بسیاری از زمینه¬های سنجش¬ازدور به¬عنوان یک ابزار پیشرفته استفاده می¬شود. روش¬های مختلفطبقه¬بندی داده پلاریمتری به طورکلی در سه گروه قرار می¬گیرند. (1) روش¬های آماری، (2) روش¬های برمبنای مکانیسم پراکنش و (3) روش¬های دانش¬مبنا. این روش¬ها به-صورت نظارت¬شده یا نظارت¬نشده به¬کار می¬روند. روش های طبقه بندی داده پلاریمتری که تاکنون ارائه شده است تنها از اطلاعات یک پایه پلاریزاسیون مشخص استفاده می کنند. در این تحقیق روشی جدید برای طبقه بندی داده پلاریمتری برمبنای امضای پلاریمتری ارائه می شود که می تواند اطلاعات پلاریمتری را در پایه پلاریزاسیون های بیشتری به کار گیرد. در روش پیشنهادی علاوه بر امضای پلاریمتری توان، امضای پلاریمتری برای ویژگی های مختلف داده پلاریمتری معرفی می شود. همانند سایر روش های دانش مبنا روش پیشنهادی شامل دو مرحله است. استخراج دانش مرجع و استفاده از دانش مرجع برای طبقه بندی. مرحله اول به کمک استخراج امضای پلاریمتری برای کلاس¬های مورد نظر و مرحله دوم به کمک روش های مطابقت انجام می شود. برای پایداری بیشتر محاسبه امضای پلاریمتری روش پیشنهادی به صورت شیءمبنا پیاده¬سازی شده¬است. داده پلاریمتری سنجنده رادارست-2 از منطقه ی جنگلی پتاواوا کانادا برای این تحقیق انتخاب شد. مطابق نتایج دقت کلی روش پیشنهادی 12/82 و روش ویشارت 34/76 است. استفاده از مجموعه ی کامل تری از ویژگی های پلاریمتری و همچنین افزایش سطح اطلاعات ویژگی های مختلف با استفاده از امضای پلاریمتری، باعث دقت مناسب کلاس های گونه های جنگلی در روش پیشنهادی شد. هدف روش پیشنهادی دیگر این تحقیق ارائه ی روشی دانش مبنا و شیءمبنا برای طبقه بندی داده ی پلاریمتری است که در آن بتوان دانش را در سه بخش دانش اولیه، دانش حاصل از داده پلاریمتری و دانش خبره به کار گرفت. روش طبقه بندی svm-dt (suport vector machine-decision tree) برای تلفیق دانش های مختلف ارائه شده است. دانش حاصل از داده (آماری، فیزیکی و مکانی) در مراحل تعیین طرح درختی، ویژگی برای طبقه بندی کننده svm و همچنین در انتخاب ویژگی های بهینه به کار گرفته می شود. دانش اولیه برای توازن تعداد داده های آموزشی در طبقه بندی کننده svm استفاده می شود. درنهایت دانش خبره نیز در دو مرحله ایجاد طرح درختی و همچنین انتخاب ویژگی های بهینه درروش پیشنهادی استفاده می شود. برای بررسی تاثیر دانش¬های مختلف در روش پیشنهادی 6 طبقه بندی کننده در آزمایش ها مقایسه گردید: طبقه بندی کننده ویشارت، svm با تمام ویژگی ها، svm-dt با تمام ویژگی ها، svm-dt شیءمبنا با تمام ویژگی ها، svm-dt شیءمبنا همراه با انتخاب ویژگی و svm-dt شیءمبنا با انتخاب ویژگی و دانش اولیه. نتایج نشان داد اضافه شدن دانش های مختلف به طبقه بندی تأثیر مثبت و خوبی بر روی کلاس های جنگل دارد اگرچه برخی از این دانش ها در کلاس های دیگر بی تأثیر و یا حتی تأثیر منفی دارند. درنهایت دقت کلی روش پیشنهادی حدود 87 درصد حاصل شد که در مقایسه با روش ویشارت 15 درصد و در مقایسه با طبقه بندی کننده svm، 9 درصد بهبود داشته است