استفاده از سیستم های طبقه بندی چندگانه به منظور بهبود دقت طبقه بندی تصاویر تمام پلاریمتریک راداری با فضای ویژگی ابعاد بالا

یک تصویر تمام پلاریمتریک راداری (polsar) قابلیت فراهم کردن یک داده با فضای ویژگی ابعاد بالا را دارد. این حجم بالای اطلاعاتی می تواند دقت کلی طبقه بندی پوشش زمینی را افزایش دهد. اما افزایش ابعاد داده در صورت ناکافی بودن تعداد نمونه­های آموزشی ممکن است باعث پیچیده­تر شدن طبقه­بندی و رخ دادن پدیده نفرین ابعاد شود. یکی از راهکارهای حل این مشکل، استفاده از سیستم­های طبقه­بندی چندگانه (mcs) است که توانایی تقسیم و غلبه بر حجم بالای داده در مقایسه با طبقه­بندی کننده­های تکی را داراست. حتی برخی از روش­های mcs می­توانند با به­کارگیری طبقه­بندی­کننده­های ضعیف و ناپایدار همچون درخت تصمیم (dt) و شبکه عصبی (nn) به دقت بالایی در طبقه­بندی ابعاد بالا دست یابند. هدف این مقاله نیز استفاده از چند روش مشهور mcs همچون آدابوست، بگینگ و جنگل های تصادفی به منظور بهبود دقت طبقه­بندی پوشش زمینی از تصاویر polsar با ابعاد بالا است. داده­های استفاده شده در این مقاله، تصاویر راداری رادارست-2 از منطقه سانفرانسیسکو و تصویر ایرسار از منطقه فلوولند است. برای طبقه بندی این دو تصویر، 69 ویژگی پلاریمتریک از آن­ها استخراج شد. دو جداساز nn و dt به­عنوان طبقه بندی کننده پایه روش های آدابوست و بگینگ انتخاب شد. در ادامه، روش های mcs با طبقه­بندی­کننده­های تکی nn و dt مقایسه شد. نتایج، نشان از دقت کلی بیشتر روش­های mcs بین 5%-8% برای طبقه­بندی تصویر اول و 9% تا 16% برای طبقه­بندی تصویر دوم داشت. حتی دقت تولید کننده و دقت کاربر روش­های mcs در تمام کلاس­ها نسبت به طبقه بندی کننده های تکی بیشتر بود. به­گونه­ای که در برخی کلاس­ها این اختلاف بین 20% تا حتی نزدیک به 50% شد. این نتایج نشان داد که روش­های mcs در مقایسه با طبقه بندی­کننده­های تکی نه­تنها قادر به تولید دقت کلی بیشتر در طبقه­بندی پوشش زمینی است، بلکه حتی کارایی و اعتمادپذیری نسبی بالاتری در تفکیک تک­تک کلاس­ها دارد.