بهبود طبقه بندی منطقه شهری با استفاده از داده پلاریمتری راداری و روش های بهینه سازی چندهدفه

طبقه بندی پوشش زمین بویژه در مناطق شهری یکی از مهمترین کاربردهای تصاویر پلاریمتری راداری محسوب می شود. به منظور استفاده از پتانسیل بالای اطلاعاتی این تصاویر ویژگی های متعددی را می توان از آن ها استخراج کرد، بنابراین انتخاب ویژگی نقش مهمی در طبقه بندی این تصاویر ایفا می کند. در این تحقیق، سه گام اساسی در بهبود طبقه بندی اتخاذ شده است: 1) استخراج ویژگی در قالب سه گروه ویژگی های داده اصلی، ویژگی های تجزیه هدف، و تفکیک کننده های SAR؛ 2) انتخاب حداقل تعداد ویژگی ها برای رسیدن به دقت طبقه بندی بالا ؛ و 3) طبقه بندی با استفاده از ویژگی های انتخابی بهینه. در روش های پیشنهادی الگوریتم بهینه سازی چندهدفه NSGA-II به عنوان ابزار جستجو و دو طبقه بندی کننده ماشین بردار پشتیبان (SVM) و سیستم استنتاج عصبی- فازی تطبیقی (ANFIS) در مرحله ارزیابی استفاده شده است. نتایج پیاده سازی بر روی تصویر رادارست2 منطقه سانفرانسیسکو حاکی از کارایی برتر ا لگوریتم های پیشنهادی در بهبود طبقه بندی نسبت به سایر روش های مورد استفاده در این تحقیق می باشد.

کلیدواژه ها:

داده پلاریمتری ، انتخاب ویژگی ، طبقه بندی ، بهینه سازی چندهدفه ، ماشین بردار پشتیبان ، سیستم استنتاج عصبی- فازی تطبیقی