خوشه‌بندي تصاوير پلاريمتري-اينترفرومتري راداري با استفاده از آنتروپي شانون و الگوريتم ميدان تصادفي ماركوف

Segmentation of Polarimetric Interferometric Radar Images using Shannon Entropies and Markov Random Field Algorithm

داده‌هاي پلاريمتري-اينترفرومتري راداري، با فراهم‌كردن اطلاعاتي از نوع شدت، دارا‌بودن اطلاعات پلاريمتري دو تصوير و اطلاعات ارتفاعي حاصل از اينترفرومتري، توانايي زيادي در طبقه‌بندي پوشش‌هاي زمين دارند كه اين ويژگي‌هاي سه­گانه در آنتروپي شانون حاصل از اين داده‌ها، به تفكيك قابل مشاهده هستند. استفاده همزمان اين پارامترها، نقش تكميل‌كننده‌اي در طبقه‌بندي ارائه مي‌كنند، به‌طوريكه حضور اطلاعات اينترفرومتري، باعث افزايش دقت طبقه‌بندي مي‌شود. همچنين داده‌هاي اخذ‌شده از دنياي واقعي، داراي پيوستگي مكاني هستند. بنابراين در اين تحقيق، از الگوريتم ميدان تصادفي ماركوف به منظور در نظر­گرفتن همسايگي‌هاي پيكسلي و مجموعه پارامترهاي آنتروپي شانون داده‌هاي پلاريمتري-اينترفرومتري راداري براي طبقه‌بندي استفاده مي‌شود. الگوريتم ميدان تصادفي ماركوف براي شروع، نياز به يك نقشه طبقه‌بندي شده اوليه دارد. نقشه طبقه‌بندي شده اوليه با استفاده از بي نظمي و ناهمسانگردي پلاريمتري و پلاريمتري-اينترفرومتري و ادغام كلاس‌هاي حاصل، براساس شباهت ماتريس همدوسي پلاريمتري-اينترفرومتري مراكز كلاس‌ها، تهيه مي‌شود. بررسي كارآيي الگوريتم‌پيشنهادي با استفاده از داده پلاريمتري-اينترفرومتري اخذ‌شده توسط سازمان فضايي آلمان(DLR) انجام مي‌شود. در تحقيق حاضر، از شاخص درجه خلوص خوشه‌ها براي ارزيابي عملكرد الگوريتم پيشنهادي و چند الگوريتم ديگر استفاده مي‌شود. درجه خلوص كل حاصل از الگوريتم‌پيشنهادي در مقايسه با درجه خلوص حاصل از الگوريتم‌هاي -ويشارت( )، االگوريتم پيشنهادي –ويشارت( )، -FCM ويشارت( ) و طبقه­بندي با كمك سه پارامتر آنتروپي شانون و الگوريتم خوشه‌بندي FCM به ترتيب به مقدار 28.48%، 11.38%، 16.60% و19.60% افزايش پيدا كرده است.

Polarimetric Interferometric SAR (POLINSAR) data by providing wealth of information containing intensity, polarimetric and interferometric measurements, have shown many capability of mentioned data in the land cover classification. These three componentes of POLINSAR data could be found independently in the Shannon entropy of POLINSAR data. These components play a complementary role in the classification where the presence of interferometric information improves the classification results. As well as the data acquired form the real world has spatial connectivity so considering the neighboring and spatial connectivity in the classification process is essential and useful. So in this paper Markov Random Field segmentation algorithm has been used for classification of Shannon Entropies of POLINSAR data. In order to provide a Markovian field for the MRF classification, an initialization method has been proposed where classifies the image into 16 classes according to the polarimetric and interferometric entropy and anisotropy and merges the clusters obtained to 8 clusters using equality test of coherency matrices. The purity indices (PI) of the clusters obtained over the POLINSAR data acquired by DLR (German Aerospace center) E-SAR have been used to evaluate the effectiveness of the Entropy based MRF classification. The proposed method has been compared with the –Wishart (), -Wishart (, -FCM ( and FCM clustering using Shannon Entropy parameters where this comparisons show approximately 28%, 11%, 17% and 20% increasing in the Purity Indices respectively.