طبقه بندی تصاویر پلاریمتری رادار با روزنه مجازی بر اساس تلفیق طبقه بندی کننده ماشین بردار پشتیبان و میدان های تصادفی مارکوف

تحقیقات اخیر نشان داده است که طبقه بندی تصاویر سنجش ازدور با کمک روش هایی که از اطلاعات مکانی در کنار اطلاعات طیفی استفاده می کند، نسبت به روش های مبتنی بر فقط اطلاعات طیفی، دقیق تر می باشد. اگرچه طبقه بندی به روش ماشین بردار پشتیبان دارای نتایج دقیق در بیشتر تصاویر سنجش ازدور می باشد ولی این طبقه بندی کننده ذاتا بر مبنای فقط اطلاعات تک پیکسل عمل می کند، که این یک محدودیت برای استفاده از آن می باشد. در این مقاله، تلفیق ماشین بردار پشتیبان با میدان های تصادفی مارکوف به منظور طبقه بندی داده های پلاریمتری رادار با روزنه مجازی از یک منطقه شامل گونه های مختلف جنگلی، پوشش گیاهی و آب براساس افزودن اطلاعات مکانی انجام می شود. به منظور انتخاب ویژگی های پلاریمتری مناسب و همچنین برآورد خودکار پارامترهای بهینه مورد نیاز، از الگوریتم ژنتیک استفاده می شود. به منظور بررسی عملکرد روش پیشنهادی، نتایج بدست آمده از این روش با نتایج تعدادی از روش های پایه در طبقه بندی تصاویر پلاریمتری و دو روش جدید به نام های amrf و msvc مقایسه شد. در نهایت طبقه بندی به این روش نسبت به روش های ویشارت، ویشارت-مارکوف، svm، amrf و msvc به ترتیب 19، 14، 11، 5 و 3 درصد افزایش دقت را نشان می دهد.