طبقه بندی تصاویر polsar بوسیله روش تجزیه و تحلیل عناصر توان

مشخص کردن تعداد کلاسهای مختلف در یک ناحیه تصویر برداری شده، یکی از مهم ترین کاربردهای تصاویر polsar می باشد که به این عمل طبقه بندی تصویر می گویند. فرآیند طبقه بندی کردن یک تصویر polsar را می توان با سه قسمت سنجنده، تجزیه و تحلیل عناصر توان و طبقه بندی کننده مدل کرد.سنجنده مبدلی است که پالس های ماکروویو را به زمین ارسال کرده و تصاویر راداری را به وسیله اندازه گیری انرژی بازگشتی از صحنه تشکیل می دهد.در چند ساله اخیر با پیشرفتهایی که در سیستمهای راداری قطبش سنجی به وجود آمده، امکان اندازه گیری یک تصویر در چهار حالت قطبیدگی ارسالی و دریافتی مختلف-کانال های hh , hv, vv&vh- فراهم شده است که به این تصاویر، تصاویر قطبش سنجی می گویند. از آنجایی که این چهار کانال به تنهایی نمی توانند توصیف هندسی از صحنه را ارائه دهند، در بخش تجزیه و تحلیل با استفاده از الگوریتم های تجزیه و تحلیل عناصر پراکندگی توان، مشخصات فیزیکی و نوع و چگونگی جهت گیری اجزاء صحنه نسبت به بیم ارسالی مورد بررسی قرار می گیرد.در این بخش مدل های تجزیه بسیاری مطرح شده است که از آن جمله مدل پائولی، فریمن و یاماگوچی را می توان ذکر کرد. کامل ترین این مدل های مدل یاماگوچی می باشد که صحنه مورد نظر به چهار دسته پراکندگی توان تقسیم بندی می کند: پراکندگی سطحی و پراکندگی حجمی و پراکندگی با جهش دوگانه و پراکندگی چرخشی. این پارامتر ها فقط به توصیف هندسی و جهت گیری هدف می پردازد و لذا در بخش طبقه بندی با استفاده از الگوریتم های طبقه بندی ماهیت اجسام شناسایی می شود. از آنجایی که الگوریتم های طبقه بندی بر اساس خصوصیات آماری تصویر می باشند و ویژگی های پراکندگی(قطبیدگی) و شکل هندسی اجزاء صحنه در آنها استفاده نشده است، در این پایان نامه با استفاده از بلوک تجزیه و تحلیل، عناصر پراکندگی توان استخراج شده و سپس این عناصر را به الگوریتم های رایج طبقه بندی اعمال کرده و بدین صورت هر دو ویژگی پراکندگی(قطبیدگی) و آماری با یکدیگر در فرآیند طبقه بندی استفاده شده و دقت طبقه بندی به مراتب بهبود می یابد.با بررسی های انجام شده، مشخص شد که تاکنون تصاویر polsar را با استفاده از الگوریتم های مختلف تجزیه عناصر توان از قبیل روش های همدوس- مانند روش پائولی- و روش های غیر همدوس- مانند روش فریمن- خوشه بندی کرده اند که روش فریمن نسبت به روش پائولی کامل تر بوده و در سال 2004 توسط lee مورد بررسی قرار گرفته بود. لذا در این تحقیق ابتدا مروری بر کارهای گذشته داشته و تأثیر استفاده از مدل فریمن در خوشه بندی تصویر نسبت به حالت استفاده از ماتریس پراکندگی مورد بررسی قرار داده می شود و سپس در ادامه با استفاده از الگوریتم پیشنهادی- استفاده از عناصر مدل یاماگوچی(به جای مدل فریمن)برای خوشه بندی تصویر- بهبود در نتیجه نهایی خوشه بندی نسبت به روش های گذشته ملاحظه خواهد شد،