طبقه‌بندي نظارت نشده تصاوير پلاريمتريك SAR با استفاده از مكانيسم پراكندگي و ميدان‌هاي تصادفي ماركوف

Unsupervised Classification of Polarimetric SAR Images Using Scattering Mechanism and Markov Random Fields

در اين مقاله، يك روش طبقه‌بندي نظارت نشده به كمك اطلاعات همسايگي، براي طبقه‌بندي تصاوير پلاريمتريك SAR ارايه‌شده است. ابتدا با استفاده از الگوريتم تجزيه هدف Cloude & Pottier يك طبقه‌بندي نظارت نشده بر مبناي فضاي H/?? صورت پذيرفت. خروجي اين طبقه‌بندي را، به‌منظور همگرايي سريع الگوريتم، براي محاسبه مقادير اوليه مراكز خوشه‌ها در الگوريتم اصلي در نظر گرفتيم. سپس، با استفاده از تابع تمايز استخراج شده از تيوري بيز، طبقه‌بندي را با معيار MAP انجام داديم. در معيار MAP، از توزيع ويشارت به‌عنوان توزيع داده‌هاي PolSAR و مدل‌سازي اطلاعات همسايگي با الگوريتم ميدان‌هاي تصادفي ماركوف، براي محاسبه احتمال اوليه كلاس‌ها، استفاده شد. براي افزايش قدرت تفكيك ‌پذيري كلاس‌ها، به‌طور همزمان از اطلاعات دو تصوير مربوط به دو فصل مختلف، استفاده كرديم. دقت كلي طبقه‌بندي براي دو روش ويشارت و روش پيشنهادي بر مبناي معيار Purity به ترتيب برابر با 70% و 82% حاصل شد. تصاوير استفاده شده مربوط به ماهواره RADARSAT-2 از يك منطقه جنگلي به نام Petawawa در كشور كانادا، بودند.

In this paper, an unsupervised classification method using spatial contextual information is proposed for polarimetric SAR (PolSAR) image categorization. First, an unsupervised classification based on H/Alpha plane was performed, using Cloude/Pottier target decomposition algorithm. Then, the output of the H/alpha classification have been considered In order to compute the initial values of the cluster centers and hence a rapid convergence of the algorithm. After that, using discriminant function derived from Bayes Theory, the classification was carried out based on MAP criteria. In the MAP criteria, the Wishart distribution was used as the distribution of the PolSAR data. We also employed Markov random field algorithm for modeling the spatial information to calculate prior probability of classes. In order to enhance the classesʹ separability, two image data from two different seasons were utilized simultaneously. The overall accuracy of classification was achieved respectively 70% and 82% for the two methods of Wishart and MAP criteria (WMRF). In this study, the RADARSAT-2 satellite images were gotten from a forested area known as Petawawa, Canada.