بهبود الگوريتم خوشه‌بندي K-Means با استفاده از الگوريتم ژنتيك به منظور تحليل مكاني شناسايي لكه‌هاي نفتي در تصاوير پلاريمتري SAR

وجود لكه‌هاي نفتي در بستر درياها و اقيانوس‌ها، يكي از نگراني‌ها و دغدغه‌هاي اصلي محققان در زمينه اكوسيستم دريايي مي‌باشد. در اين تحقيق از روش‌ خوشه‌بندي K-Means مبتني بر الگوريتم ژنتيك (GA) جهت شناسايي لكه‌هاي نفتي در سطح دريا استفاده شده است. هدف اصلي ارائه الگوريتم K-Means بهبوديافته با الگوريتم GA، ايجاد يك جستجوي هوشمند و نه صرفا تصادفي در انتخاب مراكز دسته‌هاي اوليه مي‌باشد تا الگوريتم به خوشه‌هاي بهينه مسئله دست پيدا كند. براي اين منظور ابتدا الگوريتم‌هاي كاهش نويز اسپكل و استخراج ويژگي، به منظور پيش‌پردازش تصاوير رادار دهانه مصنوعي (SAR) اعمال شده‌اند. سپس مركز خوشه‌هاي بهينه، با هدف بيشترين فاصله بيرون خوشه‌اي، توسط الگوريتم GA تعيين شده‌اند. در نهايت براي تعيين خوشه‌هاي نهايي، از الگوريتم K-Means با هدف بيشترين شباهت درون خوشه‌اي، استفاده شده است. به منظور ارزيابي روش‌هاي خوشه‌بندي، از داده واقعيت زميني رقومي‌شده استفاده شده است. همچنين جهت ارزيابي الگوريتم K-Means بهبوديافته با GA از الگوريتم‌هاي بهينه‌سازي ازدحام ذرات (PSO)، بهينه‌سازي مبتني بر جغرافياي زيستي (BBO)، الگوريتم كلوني زنبور مصنوعي (ABC) و روش خوشه‌بندي K-Means استاندارد استفاده شده است.  نتايج حاصل از الگوريتم K-Means بهبوديافته توسط GA داراي صحت بيشتري نسبت به ساير الگوريتم‌ها مي‌باشد. ويژگي آنتروپي توانسته است دقت كلي 83.24 را حاصل كند كه در قياس با ساير ويژگي‌ها از دقت كلي كمتري برخوردار است، اما داراي قطعيت و صحت بالاتري مي‌باشد. ويژگي‌هاي ياماگوچي، فريمن و مولفه C11، علارغم اينكه دقت كلي 90 درصدي را حاصل كرده‌اند، اما به ترتيب با خطاي نوع دوم برابر با 18، 11 و 12 درصدي، صحت كمتري را نسبت به دو ويژگي ديگر نشان داده‌اند. نتايج حاصل از اين تحقيق نشان مي‌دهد كه رويكرد پيشنهادي يادگيري ماشين در مقايسه با معماري‌هاي سنتي، عملكرد بسيار خوبي در مجموعه داده‌هاي خوشه‌بندي دارد.