انتخاب ويژگي برمبناي تركيب روش حداقل افزونگي-حداكثر ارتباط و الگوريتم ژنتيك جهت طبقه بندي تصوير تلفيقي اپتيكي و رادار با روزنه مجازي

Feature Selection Based on Combination of Minimal Redundancy-Maximal Relevance and Genetic Algorithm for Alassification of Fused Optical and SAR Images

استفاده از داده­هاي چند منبعي، به‌ويژه استفاده تركيبي از تصاوير اپتيكي و راداري، روشي موفق در بهبود سطح تفسيرپذيري داده­هاي سنجش‌ازدور است. در اين راستا، توليد و انتخاب ويژگي­هاي مناسب از اين داده­ها، چالشي جدي در حوزه تحقيقات اخير مي­باشد. در تحقيق حاضر، با هدف كاهش زمان دستيابي به ويژگي‌هاي بهينه، روشي جديد جهت انتخاب ويژگي از تصاوير تلفيقي اپتيكي و راداري ارائه‌شده است. در روش پيشنهادي، با تركيب روش حداقل افزونگي-حداكثر ارتباط و الگوريتم ژنتيك، ويژگي‌هاي بهينه انتخاب مي‌شوند. در اين راستا، ابتدا ويژگي‌هاي مختلفي از تصوير استخراج‌شده و از طريق دو روش الگوريتم ژنتيك و روش حداقل افزونگي-حداكثر ارتباط- ژنتيك ويژگي­هاي بهينه انتخاب مي­شوند. پس از آن تصوير توسط SVM طبقه‌بندي مي‌شود. در نهايت نتايج نشان مي­دهد كه دقت روش پيشنهادي با حصول دقت كلي 97.25، در حدود 3 درصد بيشتر از دقت روش SVM با استفاده از تمام ويژگي‌ها است. همچنين دقت كلي روش پيشنهادي و روش ژنتيك نزديك به يكديگر مي‌باشد. درحالي­كه سرعت عملكرد روش پيشنهادي تقريباً 2.5 برابر سرعت عملكرد انتخاب ويژگي توسط روش ژنتيك است. بنابراين نتايج حاصل مؤيد كارايي روش پيشنهادي است.

The use of multi-source data, especially the fusion of optical and radar images, is a promising way for improving the level of interpretability of the remote sensing data which leads to a significant performance improvement. In most practical situations, there are two important challenges in the image classification methods: feature space generation and choosing the appropriate method for feature selection. This paper aims at reducing the time required for achieving the optimal features. To realize this objective, a new feature selection method is suggested based on the fusion of optical and radar images. In the proposed method, Minimal Redundancy-Maximal Relevance (MRMR) and Genetic Algorithms (GA) are combined and the optimal features are seeked to improve the classification accuracy based on the SAR and optic data. In doing so, at first the SAR data and the optical image are fused together using wavelet procedure. Afterward, several features are extracted from the fused image. In the next stage, the feature selection step is carried out based on the GA method and the combination of the MRMR and GA which is termed MRMR-GA algorithm. Lastly, the fused image is classified using the support vector machine classifier. For the performance analysis of the proposed approach, the TerraSAR and the Ikonos images which are acquired over Shiraz in Iran, are employed. The suggested method leads to the overall accuracy of 97.25 percent, which indicates the accuracy of the MRMR-GA method is 3% higher than that of the SVM classification with inclusion of the entire feature set. Moreover, the overall accuracy of the proposed approach and GA is approximately equal, while the performance of the MRMR-GA method is approximately 2.5 times faster than the GA. Therefore, the obtained results confirm the efficiency of the proposed method in feature selection for the purpose of the image classification.