بخشی از مقاله
چکیده :
دادههای پلاریمتریک SAR به دلیل دارا بودن اطلاعات غنی از محیط، در چند دهه اخیر به یکی از پر استفادهترین دادههای سنجش از دوری تبدیل شدهاند که میتوان از این دادهها با استفاده از روشهای طبقه بندی جهت استخراج اطلاعات برای تهیه نقشه پوششی مناطق مختلف از جمله منابع طبیعی استفاده کرد. اخذ داده پلاریمتریک در این تحقیق، ابتدا استخراج ویژگی در سه گروه، ابتدا ویژگی-های داده اصلی که روشهای مختلف مورداستفاده برای تئوری تجزیه هدف و تفکیک کنندههای SAR است، در مرحله دوم مروی بر انتخاب ویژگیهای پلاریمتری که هدف از انتخاب ویژگی فراهم کردن حداقل تعداد ویژگیهای مناسب برای رسیدن به عملکرد مشابه یا حتی بهتر در مقایسه با بهکارگیری تمام ویژگیها میباشد و در نهایت طبقهبندی دادههای پلاریمتری ارائه میشود.
در واقع طبقهبندی یک تصویر یک روش اجرائی برای شناسایی کلاسهای طیفی مختلف و ارتباط بین انواع پوشش زمینی خاص است. در این مقاله الگوریتم بهینه سازی کلونی مورچه - ACO - برای انتخاب ویژگی ارائه شده است، که دو هدف را مینیمم میکند: 1؛تعداد ویژگی ها 2؛ خطای طبقه بندی. الگوریتم بهینهسازی کلونی مورچگان - ACO - به عنوان ابزار جستجو است و طبقهبندی سیستم استنتاج عصبی؛ فازی - ANFIS - که ساختار آن شامل قابلیتهای استنتاج سیستم فازی و انطباقپذیری شبکه عصبی میباشد، در مرحله ارزیابی استفاده شده است. در این مقاله چگونگی طبقهبندی پوشش زمین بر روی تصویر رادارست 2 منطقه سانفراسیسکو با استفاده از الگوریتم پیشنهادی در بهبود طبقهبندی بیان میشود. نتایج نشان میدهد که روش ارائه شده توسط ANFIS، به دقت بالای 92 درصد میرسد.
واژههای کلیدی : دادههای پلاریمتری، طبقهبندی، بهینهسازی کلونی مورچگان، سیستم استنتاج عصبی؛ فازی تطبیقی
-1 مقدمه
داده های پلاریمتریک SAR به دلیل دارا بودن اطلاعات غنی از محیط، در چند دهه اخیر به یکی از پر کاربردترین داده های سنجش از دور تبدیل شده اند که می توان از این داده ها با استفاده از روش های طبقه بندی جهت استخراج اطلاعات برای تهیه نقشه پوششی مناطق مختلف از جمله منابع طبیعی استفاده کرد. درگاهی و همکاران [1] ، طبقه بندی تصاویر پلاریمتریک SAR را با استفاده از میدان های تصادفی مارکوف انجام دادند، که در این تحقیق برای بهبود روش های طبقه بندی پیکسل مبنا و همچنین بهبود نتایج طبقهبندی نقشه پوششی علاوه بر توزیع ویشارت از اطلاعات موجود در همسایگی پیکسل ها نیز با روش های میدان تصادفی مارکوف استفاده شد که نتایج حاصل از این تحقیق بهبود نتایج طبقهبندی را در کلاسهای مختلف نشان میدهند. Qi و همکاران [2] در آنالیزی شیءگرا 66 ویژگی از تصاویر پلاریمتری رادارست2 را برای طبقه بندی پوشش و کاربری زمین به کار گرفتند .
نتایج آنها افزایش دقت طبقهبندی را به ویژه در مناطق ساخته شده نسبت به طبقهبندی کننده بر مبنای توزیع ویشارت [3] و روشهای رایج طبقهبندی مانند نزدیکترین همسایه نشان داد.مقصودی و همکاران در سال [4] 2012 ، از روشهایNFS و CBFS برای انتخاب ویژگی از 58 پارامتر اولیه تصاویر رادارست2 در طبقه بندی جنگل استفاده کردند. آن ها استفاده از یک طرح طبقه بندی کننده تک و چندگانه را برای بهره برداری از یک تعریف غیر پارامتریک از اندازه گیری تفکیکپذیری در انتخاب ویژگی پیشنهاد کرده اند. نتایج تجربی نشان داد که با استفاده از روش انتخاب ویژگی غیر پارامتریک دقت طبقهبندی نسبت به طبقه ویشارت بهبود یافته است. باند مورد استفاده C میباشد. با توجه به جنگلی بودن منطقه مورد مطالعه استفاده از باند L به دلیل نفوذپذیری بیشتر میتوانست نتایج بهتری حاصل کند.
صالحی و همکاران [5] به منظور انتخاب ویژگی بهینه و همزمان افزایش دقت طبقهبندی از دو روش چندهدفه MOGA-SVM و MOGA ANFIS استفاده کرده است که دقت متوسط طبقهبندی با استفاده از روشهای چندهدفه به بالای 95 درصد رسید. الگوریتم چندهدفه ویژگیهای مناسبی را برای طبقهبندی انتخاب میکند، به نحوی که با تعداد ویژگیهای کمتر میتوان به دقت بالاتری در مقایسه با سایر روشها رسید.بنابراین میتوان ویژگیهای موجود در فضای ویژگی را به تعدادی بهینه کاهش داد، به نحوی که در ضمن کاهش هزینه محاسباتی اطلاعات مفید و مهم پراکنشهای فضای تصویر را حفظ کرد.
Huang و همکاران [6] یک مدل ترکیبی براساس ACO که ترکیب الگوریتم کلونی مورچه با ماشین بردار پشتیبان - SVM - برای حفظ دقت طبقهبندی با زیر مجموعه از کوچک و مناسب از ویژگیها مورد بررسی قرار گرفته که نتایج نشان داد که دقت طبقهبندی کلی و اطلاعات در مورد ویژگی مهم توسط طبقه بندی ارائه شد.یک روش انتخاب ویژگی جدید بر اساس الگوریتم فراابتکاری مورچگان و آنالیز ویژگی ردیابی گرا - - TOFA ارائه کرد. الگوریتم پیشنهادی با بهره گیری، هم از اهمیت منحصر به فرد از ویژگی های اندازه گیری شده توسط TOFA و عملکرد زیر مجموعه های تعیین شده توسط دقت طبقه بندی برای جستجو از فضای ویژگی می پردازد. Alghamdi و همکاران یک روش انتخاب ویژگی جدید با ترکیب دو مدل از ACO بر اساس الگوریتم مورچگان - ACO - ارائه کرد .[7] الگوریتم پیشنهادی قابلیت جستجوی قوی در فضای مسئله را دارد و به طور موثر می توانید حداقل زیر مجموعه از ویژگیها را پیدا کند . [8 ]
-2 تئوری هدف
ویژگی های پلاریمتریک به سه دسته تقسیم می شوند: ویژگی های به طور مستقیم از دادههای اصلی به دست آمده، ویژگیهای که با استفاده از روشهای تجزیه شناخته شده استخراج میشوند و تفکیک کننده های.SAR ویژگیهای دادههای اصلی یعنی ماتریس پراکندگی - جونز - ، ماتریس کوواریانس و ماتریس همبستگی میباشد. رادار پلاریمتریک ماتریس پراکندگی مختلط با چهارپلاریزاسیون اندازهگیری میکند. بدین ترتیب ماتریس مختلط نرمالیزه جونز که به ماتریس پراکندگی نیز معروف است با رابطه زیر تعریف میشود:این ماتریس ابزار اصلی در تئوری تجزیه هدف در رادارهای پلاریمتری میباشد.
در این ماتریس قطبش همدوس1 و S hv و Svh مؤلفههای قطبش غیرهمدوس ماتریس پراکندگی است.مؤلفههای در سیستم رادارهای منواستاتیک شرط، برقرار بوده و مؤلفههای غیرهمدوس برابرند - . - Svh =S hv ماتریس پراکندگی یک ماتریس با 4 عنصر میباشد که اطلاعات جامعی را در مورد عارضه هدف در اختیار کاربران قرار می دهد که با آنالیز آن می توان ویژگیهای مختلفی را استخراج نمود ویژگی های حاصل از دو ماتریس کوواریانس - - [C] و همبستگی - [T] - که بر اساس آنالیز آماری مرتبه دوم ماتریس پراکندگی حاصل میشود نیز به عنوان ویژگیهای اصلی استفاده میشود.بردارهدف K L به صورت رابطه زیر با فرض رادار منواستاتیک از ماتریس پراکندگی استخراج و از روی آن ماتریس کوواریانس حساب میشود:که برای توصیف خواص پراکندگی در مقیاس توان، مناسب است و بردار معادله - - 12-2 را در خودش ضرب کرده تاماتریس کوواریانس Cحاصل شود.
این ماتریس، ابزار مناسبی برای توصیف خواص پراکندگی هدف میباشد:مهم ترین مشاهده اندازهگیری شده توسط سیستم های راداری مانند ماتریس همبستگی - - 3 × 3 یا معادل آن ماتریس مولر - 4 × 4 - است .[2] مشابه فرم ماتریس کوواریانس برای حالت برگشت پذیری داریم:یکی دیگر از مجموعه ای از الگوریتم ها در نوعی از نظریه تجزیه هدف - TD - است. ایده اصلی این روش این است که به تجزیه دادهها را به اجزای مستقل که نشان دهنده مکانیزمهای مختلف پراکندگی فیزیکی است .[4] هدف اصلی از روش های تجزیه هدف - TD - ،تجزیه یا بیان ماتریس متوسط به مجموعه ای از ماتریس های مستقل نشانگر عناصر مستقل و جهت ارتباط مکانیسم فیزیکی با هر عنصر است. این تجزیه تفسیر فرآیند پراکندگی تسهیل میکند . [9 ] براساس نوع ماتریس است که برای تجزیه استفاده میشود،
