طبقه‌بندی تصاویر پلاریمتری رادار با روزنه مجازی بر اساس تلفیق طبقه‌بندی کننده ماشین بردار پشتیبان و میدان‌های تصادفی مارکوف

تحقیقات اخیر نشان داده است که طبقه بندی تصاویر سنجش ازدور با کمک روش‌هایی که از اطلاعات مکانی در کنار اطلاعات طیفی استفاده می‌کند، نسبت به روش‌های مبتنی بر فقط اطلاعات طیفی، دقیق‌تر می‌باشد. اگرچه طبقه‌بندی به روش ماشین بردار پشتیبان دارای نتایج دقیق در بیشتر تصاویر سنجش‌ ازدور می‌باشد ولی این طبقه‌بندی کننده ذاتا بر مبنای فقط اطلاعات تک پیکسل عمل می‌کند، که این یک محدودیت برای استفاده از آن می‌باشد. در این مقاله، تلفیق ماشین بردار پشتیبان با میدان‌های تصادفی مارکوف به منظور طبقه‌بندی داده‌های پلاریمتری رادار با روزنه مجازی از یک منطقه شامل گونه‌های مختلف جنگلی، پوشش گیاهی و آب براساس افزودن اطلاعات مکانی انجام می‌شود. به‌منظور انتخاب ویژگی‌های پلاریمتری مناسب و همچنین برآورد خودکار پارامترهای بهینه مورد نیاز، از الگوریتم ژنتیک استفاده می‌شود. به‌منظور بررسی عملکرد روش پیشنهادی، نتایج بدست آمده از این روش با نتایج تعدادی از روش‌های پایه در طبقه‌بندی تصاویر پلاریمتری و دو روش جدید به نام‌های aMRF و MSVC مقایسه شد. در نهایت طبقه‌بندی به این روش نسبت به روش‌های ویشارت، ویشارت-مارکوف، SVM، aMRF و MSVC به ترتیب 19، 14، 11، 5 و 3 درصد افزایش دقت را نشان می‌دهد.