بخشی از مقاله
چکیده :
دادههای سنجشازدور بهعنوان منبع مهمی از اطلاعات برای پایش سطح زمین میتوانند استفاده شوند و طبقهبندی این دادهها بهمنظور دستیابی به نقشههای کاربری و پوشش زمین از اهمیت بسیار بالایی برخوردار است. روشهای متنوع و بسیاری برای طبقهبندی دادههای پلاریمتری سنجنده های رادار با روزنهی مجازی - SAR - ارائه شدهاند که هرکدام از آنها از پارامترهای گوناگونی بهعنوان ویژگی متمایزکننده در فرآیند طبقه بندی استفاده میکنند.
در این تحقیق چهار طبقهبندی کنندهی مختلف با یکدیگر مقایسه میشوند و درنهایت تأثیر انرژی کل پراکندهشده از عارضه - Span - بهعنوان یک ویژگی وابسته به پایههای پلاریمتری در فرآیند طبقهبندی ماشین بردار پشتیبان به همراه پایههای پلاریمتری چهارگانه مورد بررسی قرار می گیرد. نتایج بدست آمده حاکی از افزایش دقت طبقهبندی به میزان %5 در حالتی هستند که ویژگی Span به سایر ویژگی ها اضافه شده است. همچنین طبقهبندی کننده ویشارت با دقت کلی %90، با اختلاف زیادی بهتر از سایر طبقه بندی کنندهها عمل نموده است. ×
-1 مقدمه
یکی از روش های متداول تهیه نقشه های پوششی از سطح زمین، طبقه بندی تصاویر سنجش از دوری می باشد. از میان داده های مختلف، استفاده از داده های رادار روزنه مجازی به دلیل عدم وابستگی به نور خورشید و شرایط جوی، که آنرا قادر می سازد تا در هر زمان و هر شرایط آب و هوایی اخذ داده انجام دهد، بسیار مورد توجه است. ماهیت تصاویر پلاریمتری برمبنای استفاده از امواج مایکروویو و همچنین اطلاعات پلاریمتری در چهار کانال مختلف، این تصاویر را به هندسه و فیزیک هدف حساس می کند.
به طور کلی روش های طبقه بندی را می توان به دو دسته ی فیزیکی و آماری تقسیم نمود. روش های آماری مثل روش ویشارت[1] 1 یک توزیع آماری خاص برای داده ها در نظر می گیرند و سپس طبقه بندی را انجام می دهند. در مقابل، روش های فیزیکی خصوصیات فیزیکی عارضه و سنجنده را در نظر گرفته و با درک مفهوم تاثیر متقابل سنجنده و عارضه، سعی در شناخت و طبقه بندی تصویر می کنند.
در سنجش از دور راداری، شناخت مکانیزم های مختلف بازپراکنش در سطح تصویر منجر به شناخت ویژگی های فیزیکی عارضه و طبقه بندی آن می شود. از جمله پایه ای ترین روش های طبقه بندی فیزیکی می توان به طبقه بندی نظارت نشده ی +/$/ اشاره نمود که در فضای ویژگی بر مبنای اطلاعات بی نظمی، نوع پراکنش بازگشتی و ناهمسانگردی، تصویر را به 9 ناحیه تقسیم میکند.
در این تحقیق ابتدا می خواهیم چهار طبقه بندی کننده ی +/$/ ، ویشارت، ماشین های بردار پشتیبان - SVM - 2 [3 ,2] و تجزیه پراکنش پایه - SMBD - 3 را با یکدیگر مقایسه کرده و سپس تاثیر انرژی کل موج بازگشتی - Span - را برروی دقت روش SVM در کنار چهار پایه ی پلاریمتری HH، HV، VH و VV ارزیابی و بررسی کنیم.
-2 مواد و روش ها
-1-2 داده ها
داده مورد استفاده تصویر ماهواره رادارست-42 اخذ شده در باند C در آوریل سال 2008، مربوط به شهر سانفرانسیسکو است که به صورت پلاریمتری کامل ارائه شده است. منطقه مورد نظر از سه کلاس عمده جنگل، شهری، و دریا تشکیل شده است. شکل -1 - الف - بخشی از منطقه مطالعاتی را به صورت تصویر کاذب از پلاریمتریهای رادار نشان میدهد.
الف ب شکل -1 الف - تصویر ترکیب کاذب پلاریمتری از منطقه مطالعاتی، ب - تصویر گوگل ارث منطقه مطالعاتی
-2-2 ویژگیهای دادهی پلاریمتری
ویژگی های تصویر پلاریمتری را می توان به سه دسته تقسیم کرد که عبارتند از - 1 ویژگی هایی که به طور مستقیم از داده ی اصلی بهدست می آیند، - 2 ویژگی های حاصل از الگوریتم تجزیه هدف، و - 3 تفکیک کننده های SAR
-1-2-2 ویژگی های اصلی
اساسی ترین منبع اطلاعاتی داده های سنجش از دور راداری ماتریس پراکندگی داده هاست که به ازای هر پیکسل یک ماتریس 2*2 با درایه های مختلط است و به صورت زیر از ترکیب پایه های پلاریمتری تشکیل می شود :
در برخی از کاربرد ها با فرض برابری آنتن های فرستنده و گیرنده ماتریس را متقارن در نظر میگیرند. این ماتریس اطلاعات جامعی را در اختیار قرار می دهد و می توان ویژگی های بسیاری را از آن استخراج نمود. ماتریس های کوواریانس1 و همدوسی2 که به ترتیب با C و T نشان داده می شوند از ویژگیهایی هستند که از ماتریس پراکندگی استخراج می شوند.
از آنجا که در این تحقیق هدف استفاده از پلاریمتری های HH، HV، VH و VV است، از ماتریس C4 استفاده کردهایم که در آن عناصر روی قطر اصلی مستقیما به انرژی ها در هر کدام از پلاریمتری های ذکر شده اشاره می کنند.
-2-2-2 ویژگی های تجزیه ی هدف
الگوریتم های تجزیه هدف به بررسی و تفسیر فرآیند پراکنش و اطلاعات فیزیکی موجود در آن می پردازند و بدین ترتیب برای هر پیکسل تصویر یک مکانیزم بازگشتی غالب مشخص می کنند. برای مثال در شهرها به دلیل وجود ساختمان ها مکانیزم حاصل دو بازگشتی و در جنگل ها به دلیل نفوذ موج در تاج پوشش درختان و بازگشت از کل درخت، مکانیزم غالب حجمی می باشد.
-3-2-2 تفکیک کنندههای SAR4
کمیت های مختلفی از داده های SAR به عنوان شاخص برای تمییز انواع سطوح یا پوشش های زمین استخراج شده است. از جمله این تفکیک کننده ها می توان به توان کل، پلاریزاسیون کسری، حداقل و حداکثر درجه ی پلاریزاسیون و... اشاره کرد.
