ارائه یک روش جدید برای طبقه بندی تصاویر پلاریمتری رادار با روزنه مجازی براساس تلفیق ماشین بردار پشتیبان و میدان های تصادفی مارکوف

در این مقاله یک روش نوین طبقه­بندی متنی به منظور طبقه­بندی تصاویر پلاریمتری رادار با روزنه مجازی ارائه شده است. روش پیشنهادی با تلفیق ماشین بردار پشتیبان (SVM) و طبقه­بندی­کننده ویشارت عمل می­کند. بدین ترتیب این روش از مزایای هر دو نوع روش­های پارامتریک و غیر پارامتریک بهره می­برد. در این روش، ابتدا تابع انرژی اولیه میدان­های تصادفی مارکوف (MRF) در یک همسایگی از هر پیکسل محاسبه می­گردد. سپس با استفاده از ماتریس کوواریانس داده­های پلاریمتری برای هر پیکسل و در نظر گرفتن توزیع ویشارت برای آن، تابع انرژی تفاضلی MRF محاسبه گردیده و در طبقه­بندی­کننده SVM وارد می­شود. بنابراین روش پیشنهادی علاوه بر اطلاعات پراکنش مختلف، از اطلاعات همسایگی نیز بهره می­برد و این باعث کاهش نویز نمک فلفلی در نتیجه طبقه­بندی می­گردد. به منظور انتخاب ویژگی­های مناسب و تعیین پارامترهای بهینه برای طبقه­بندی­کننده SVM، از الگوریتم ژنتیک استفاده شده است. در این مقاله از دو تصویر پلاریمتری رادارست 2 مربوط به فصل زمستان و تابستان از یک منطقه جنگلی دارای گونه­های مختلف استفاده شده است. به منظور بررسی عملکرد روش پیشنهادی، نتایج بدست آمده از این روش با نتایج تعدادی از روش­های پایه در طبقه­بندی تصاویر پلاریمتری مقایسه شد. در نهایت طبقه­بندی به این روش نسبت به روش­های ویشارت، ویشارت-مارکوف و SVM، به ترتیب 16، 11 و 7 درصد افزایش دقت را نشان می­دهد.