طبقه‌بندي تصاوير پلاريمتري رادار با روزنه مجازي بر اساس تلفيق طبقه‌بندي كننده ماشين بردار پشتيبان و ميدان‌هاي تصادفي ماركوف

Classification of Polarimetric SAR Images Based on Combining Support Vector Machine Classifier and Markov Random Fields

تحقيقات اخير نشان داده است كه طبقه بندي تصاوير سنجش ازدور با كمك روش‌هايي كه از اطلاعات مكاني در كنار اطلاعات طيفي استفاده مي‌كند، نسبت به روش‌هاي مبتني بر فقط اطلاعات طيفي، دقيق‌تر مي‌باشد. اگرچه طبقه‌بندي به روش ماشين بردار پشتيبان داراي نتايج دقيق در بيشتر تصاوير سنجش‌ ازدور مي‌باشد ولي اين طبقه‌بندي كننده ذاتا بر مبناي فقط اطلاعات تك پيكسل عمل مي‌كند، كه اين يك محدوديت براي استفاده از آن مي‌باشد. در اين مقاله، تلفيق ماشين بردار پشتيبان با ميدان‌هاي تصادفي ماركوف به منظور طبقه‌بندي داده‌هاي پلاريمتري رادار با روزنه مجازي از يك منطقه شامل گونه‌هاي مختلف جنگلي، پوشش گياهي و آب براساس افزودن اطلاعات مكاني انجام مي‌شود. به‌منظور انتخاب ويژگي‌هاي پلاريمتري مناسب و همچنين برآورد خودكار پارامترهاي بهينه مورد نياز، از الگوريتم ژنتيك استفاده مي‌شود. به‌منظور بررسي عملكرد روش پيشنهادي، نتايج بدست آمده از اين روش با نتايج تعدادي از روش‌هاي پايه در طبقه‌بندي تصاوير پلاريمتري و دو روش جديد به نام‌هاي aMRF و MSVC مقايسه شد. در نهايت طبقه‌بندي به اين روش نسبت به روش‌هاي ويشارت، ويشارت-ماركوف، SVM، aMRF و MSVC به ترتيب 19، 14، 11، 5 و 3 درصد افزايش دقت را نشان مي‌دهد.

Recent studies show that image classification techniques which use both spectral and spatial information are more suitable, effective, and robust than those that use only spectral information. Although late model support vector machines (SVMs) have been providing accurate results in the studies, this method is intrinsically non-contextual, which represents significant limitation in image classification. In this paper, we propose a rigorous framework which integrates SVMs and Markov random field models in a unique formulation for spatial contextual classification of various species of forest trees, ground vegetation, and water using polar metric synthetic aperture radar data. Genetic algorithm is employed for selecting appropriate features and automatic estimation of optimal parameters. Comparison of the accuracy of the proposed method with baseline methods was performed. Comparison of the accuracy of the proposed method with some other methods was carried out. The results show that this algorithm allowed approximately 19%, 14%, 11%, 5% and 3% increase in overall accuracy with respect to the Wishart, WMRF, SVM, aMRF and MSVC methods, respectively.