مقاله

ارائه یک روش جدید برای طبقه بندی تصاویر پلاریمتری رادار با روزنه مجازی براساس تلفیق ماشین بردار پشتیبان و میدان های تصادفی مارکوف

علی مسجدی، a. masjedi 470 mirdamad ave. west, 19697, tehran, iranتهران، خیابان ولیعصر، تقاطع میرداماد، دانشگاه خواجه نصیرالدین طوسی. تلفن 09138669858 یاسر مقصودی، y. maghsoudi 470 mirdamad ave. west, 19697, tehran, iranتهران، خیابان ولیعصر، تقاطع میرداماد، دانشگاه خواجه نصیرالدین طوسی محمدجواد ولدان زوج، m. j. valadanzoej 470 mirdamad ave. west, 19697, tehran, iranتهران، خیابان ولیعصر، تقاطع میرداماد، دانشگاه خواجه نصیرالدین طوسی

چکیده

در این مقاله یک روش نوین طبقه­بندی متنی به منظور طبقه­بندی تصاویر پلاریمتری رادار با روزنه مجازی ارائه شده است. روش پیشنهادی با تلفیق ماشین بردار پشتیبان (svm) و طبقه­بندی­کننده ویشارت عمل می­کند. بدین ترتیب این روش از مزایای هر دو نوع روش­های پارامتریک و غیر پارامتریک بهره می­برد. در این روش، ابتدا تابع انرژی اولیه میدان­های تصادفی مارکوف (mrf) در یک همسایگی از هر پیکسل محاسبه می­گردد. سپس با استفاده از ماتریس کوواریانس داده­های پلاریمتری برای هر پیکسل و در نظر گرفتن توزیع ویشارت برای آن، تابع انرژی تفاضلی mrf محاسبه گردیده و در طبقه­بندی­کننده svm وارد می­شود. بنابراین روش پیشنهادی علاوه بر اطلاعات پراکنش مختلف، از اطلاعات همسایگی نیز بهره می­برد و این باعث کاهش نویز نمک فلفلی در نتیجه طبقه­بندی می­گردد. به منظور انتخاب ویژگی­های مناسب و تعیین پارامترهای بهینه برای طبقه­بندی­کننده svm، از الگوریتم ژنتیک استفاده شده است. در این مقاله از دو تصویر پلاریمتری رادارست 2 مربوط به فصل زمستان و تابستان از یک منطقه جنگلی دارای گونه­های مختلف استفاده شده است. به منظور بررسی عملکرد روش پیشنهادی، نتایج بدست آمده از این روش با نتایج تعدادی از روش­های پایه در طبقه­بندی تصاویر پلاریمتری مقایسه شد. در نهایت طبقه­بندی به این روش نسبت به روش­های ویشارت، ویشارت-مارکوف و svm، به ترتیب 16، 11 و 7 درصد افزایش دقت را نشان می­دهد.

اسناد مشابه