ارائه روشي جديد جهت بهبود نتايج طبقه‌بندي حاصل از مدهاي پلاريمتري فشرده

A New Method to Improve the Results of Classification Obtained from Compact Polarimetry Data

اخيرا مد جديدي در سيستم هاي تصويربرداري پلاريمتري دوتايي (DP) رادار با روزنه مجازي (SAR) ارائه شده است كه پلاريمتري فشرده (CP) ناميده مي شود. اين مد چندين مزيت مهم را نسبت به مد تمام پلاريمتري (FP) دارا مي باشد كه ازجمله آن ها مي توان به افزايش در پهناي نوار و نيز كاهش در پيچيدگي، هزينه و نرخ دادهاي يك سيستم تصويربرداري SAR اشاره كرد. علي رغم اين مزايا، اين مد اطلاعات كمتري از اهداف را نسبت به مد FP اخذ مي كند. بنابراين دقت نتايج طبقه بندي با استفاده از اين مد، به مراتب كمتر از دقت نتايج حاصل از به كارگيري مد FP خواهد بود. اين تحقيق، روشي را جهت بهبود نتايج حاصل از طبقه بندي با استفاده از داده هاي CP پيشنهاد مي دهد. براي اين منظور، دو روش درنظر گرفته شده است. در روش اول، مدهاي CP شبيه سازي شده از مد FP ماهواره رادارست-2، و در روش دوم، مدهاي FP بازسازي شده از اين مدهاي CP (كه شبه پلاريمتري چهارتايي (PQ) ناميده مي شوند) در سطح ويژگي با يكديگر تركيب مي شوند. نتايج اين پژوهش نشان مي دهد كه تركيب مدهاي CP در سطح ويژگي دقت كلي طبقه بندي را به %79.76، و تركيب مدهاي PQ دقت كلي طبقه بندي را به %85.01 بهبود داده و گاهي بهتر از دقت كلي طبقه بندي حاصل از به كارگيري مد FP خواهد كرد.

Recently, a new mode is proposed in Dual Polarimetry (DP) imaging systems that is called Compact Polarimetry (CP) which has several important advantages in comparison with Full Polarimetry (FP) such as reduction ability in complexity, cost, mass, and data rate of a Synthetic Aperture RADAR (SAR) system. Despite these advantages, the CP mode, compared to the FP mode, still achieves less information to be extracted from targets. Therefore, accuracies of classification obtained from CP data are lower than those obtained from FP data. In this paper, a new method is proposed to improve the results of classification obtaind by using CP data. For this propose, two ways are considered. First, the CP modes simulated by RADARSAT-2 FP mode, and second, Pseudo Quad Polarimetry (PQ) modes reconstructed by exploited CP modes are combine in the extracted polarimetric feature level. Results of this study show that this combination can be increase the classification accuracies.