استفاده از سیستم های طبقه بندی چندگانه به منظور بهبود دقت طبقه بندی تصاویر تمام پلاریمتریک راداری با فضای ویژگی ابعاد بالا
چکیده
یک تصویر تمام پلاریمتریک راداری (polsar) قابلیت فراهم کردن یک داده با فضای ویژگی ابعاد بالا را دارد. این حجم بالای اطلاعاتی می تواند دقت کلی طبقه بندی پوشش زمینی را افزایش دهد. اما افزایش ابعاد داده در صورت ناکافی بودن تعداد نمونههای آموزشی ممکن است باعث پیچیدهتر شدن طبقهبندی و رخ دادن پدیده نفرین ابعاد شود. یکی از راهکارهای حل این مشکل، استفاده از سیستمهای طبقهبندی چندگانه (mcs) است که توانایی تقسیم و غلبه بر حجم بالای داده در مقایسه با طبقهبندی کنندههای تکی را داراست. حتی برخی از روشهای mcs میتوانند با بهکارگیری طبقهبندیکنندههای ضعیف و ناپایدار همچون درخت تصمیم (dt) و شبکه عصبی (nn) به دقت بالایی در طبقهبندی ابعاد بالا دست یابند. هدف این مقاله نیز استفاده از چند روش مشهور mcs همچون آدابوست، بگینگ و جنگل های تصادفی به منظور بهبود دقت طبقهبندی پوشش زمینی از تصاویر polsar با ابعاد بالا است. دادههای استفاده شده در این مقاله، تصاویر راداری رادارست-2 از منطقه سانفرانسیسکو و تصویر ایرسار از منطقه فلوولند است. برای طبقه بندی این دو تصویر، 69 ویژگی پلاریمتریک از آنها استخراج شد. دو جداساز nn و dt بهعنوان طبقه بندی کننده پایه روش های آدابوست و بگینگ انتخاب شد. در ادامه، روش های mcs با طبقهبندیکنندههای تکی nn و dt مقایسه شد. نتایج، نشان از دقت کلی بیشتر روشهای mcs بین 5%-8% برای طبقهبندی تصویر اول و 9% تا 16% برای طبقهبندی تصویر دوم داشت. حتی دقت تولید کننده و دقت کاربر روشهای mcs در تمام کلاسها نسبت به طبقه بندی کننده های تکی بیشتر بود. بهگونهای که در برخی کلاسها این اختلاف بین 20% تا حتی نزدیک به 50% شد. این نتایج نشان داد که روشهای mcs در مقایسه با طبقه بندیکنندههای تکی نهتنها قادر به تولید دقت کلی بیشتر در طبقهبندی پوشش زمینی است، بلکه حتی کارایی و اعتمادپذیری نسبی بالاتری در تفکیک تکتک کلاسها دارد.