عنوان مقاله :
بهبود طبقه‌بندي منطقه شهري با استفاده از داده پلاريمتري راداري و روش هاي بهينه سازي چندهدفه
عنوان فرعي :
Improving the Urban Area Classification Using Radar Polarimetric Data and multiobjective optimization methods
پديد آورندگان :
صالحي، مريم نويسنده دانـشجوي كارشناسي ارشد، دانـشكده مهندسي ژيـودزي و ژيـوماتـيك، دانـشگاه صنـعتـي خواجه نصيرالدين طوسي salehi, maryam , مقصودي ، ياسر نويسنده , , صاحبي، محمود رضا نويسنده گروه GIS، دانشكده مهندسي ژيودزي و ژيوماتيك، دانشگاه صنعتي خواجه نصيرالدين طوسي، تهران، ايران Sahebi, M. R
اطلاعات موجودي :
دوفصلنامه سال 1392 شماره 2
كليدواژه :
Polarimetric Data , Multiobjective Optimization , انتخاب ويژگي , Classification , بهينه سازي چندهدفه , feature selection , سيستم استنتاج عصبي- فازي تطبيقي , طبقه‌بندي , Support vector machine (SVM) , Adaptive Neuro Fuzzy, Inference System(ANFIS) , ماشين بردار پشتيبان , داده پلاريمتري
چكيده فارسي :
طبقه‌بندي پوشش زمين به ويژه در مناطق شهري يكي از مهم ترين كاربردهاي تصاوير پلاريمتري راداري محسوب مي شود. به منظور استفاده از پتانسيل بالاي اطلاعاتي اين تصاوير، ويژگي هاي متعددي را مي توان از آنها استخراج كرد، بنابراين، انتخاب ويژگي نقش مهمي در طبقه‌بندي اين تصاوير ايفا مي‌كند. در اين تحقيق، سه گام اساسي در بهبود طبقه‌بندي اتخاذ شده است: 1- استخراج ويژگي در قالب سه گروه ويژگي هاي داده اصلي، ويژگي هاي تجزيه هدف، و تفكيككننده هاي SAR؛ 2- انتخاب حداقل تعداد ويژگي ها براي رسيدن به دقت طبقه‌بندي بالا و 3- طبقه‌بندي با استفاده از ويژگي هاي انتخابي بهينه. در روش هاي پيشنهادي الگوريتم بهينه سازي چندهدفهNSGA-II به عنوان ابزار جستجو و دو طبقه‌بندي‌كننده ماشين بردار پشتيبان ((SVM و سيستم استنتاج عصبي- فازي تطبيقي (ANFIS) در مرحله ارزيابي استفاده شده‌اند. نتايج پياده سازي بر روي تصوير رادارست 2 منطقه سانفرانسيسكو حاكي از كارايي برتر الگوريتم هاي پيشنهادي در بهبود طبقه‌بندي نسبت به ساير روش هاي مورد استفاده در اين تحقيق مي باشد.
چكيده لاتين :
Land cover classification is one of the most important applications of polarimetric radar
images, especially in urban areas. There are numerous features that can be extracted from
these images for the use of their high potential, hence feature selection plays an important
role in PolSAR image classification. In this study, three main steps are used to improve
the classification: 1) feature extraction in the form of three categories, namely original
data features, target decomposition features, and SAR discriminators; 2) selection of
minimum number of features to achieve the high classification accuracy; and 3)
classification using the best subset of features. In the proposed methods, NSGA-II
multiobjective optimization algorithm is employed as the search tool and Support Vector
Machine (SVM) or Adaptive Neuro Fuzzy Inference System (ANFIS) is used in the
evaluation step. The implementation results on the Radarsat-2 San Francisco Bay image
showed that the proposed methods outperform the other approaches tested against them.
اطلاعات موجودي :
دوفصلنامه با شماره پیاپی 2 سال 1392
كلمات كليدي :
#تست#آزمون###امتحان
