طبقه بندی تصاویر SAR پلاریمتریک با استخراج ویژگی های مکانی و پراکندگی و نمونه های آموزشی محدود

امروزه طبقه بندی تصاویر ماهواره ای یکی از اصلی ترین موضوعات مورد بحث و مطالعه در مباحث سنجش از دور می باشد. تصاویر POLSAR یکی از انواع تصاویر SAR می باشد که به خاطر استفاده از پلاریزاسیونهای مختلف (افقی و عمودی )، قابلیت استخراج اطلاعات دقیق تری از مکانیزم پراکندگی محیط مورد مطالعه ایجاد می کند، ولی همین موضوع در عین حال می تواند عملیات استخراج ویژگی و طبقه بندی را پیچیدهتر کند. در این مقاله از شبکه های عصبی کانولوشنی (CNN) جهت استخراج ویژگی و طبقه بندی تصاویر استفاده می شود. علاوه بر آن سعی می شود با استفاده از پروفایل های ریخت شناسی و یکی از روشهای تجزیه هدف تحت عنوان H/A/alpha decomposition به ترتیب ویژگی های مکانی و پراکندگی را به صورت جداگانه استخراج کرده و به همراه دیتای اصلی POLSAR به عنوان ورودی به شبکه کانولوشنی داده شوند. همچنین به کمک طبقه بند SVM به تعداد نمونه های آموزشی (برچسب دار) محدودی که در اختیار داریم اضافه می کنیم و به بهبود آموزش در شبکه CNN کمک می کنیم که در نهایت باعث افزایش راندمان ساختار نهایی و بهبود عملکرد آن در طبقه بندی می شود.

کلیدواژه ها:

رادار دهانه مصنوعی ، شبکه عصبی کانولوشنی ، پروفایل های ریخت شناسی ، فیلترهای تجزیه هدف ، استخراج ویژگی ، ماشین بردار پشتیبان