طبقه بندی تصاویر پلاریمتری راداری

از آنجا که پلاریمتری راداری زمینه¬ای به نسبت نوظهور در سنجش از دور می¬باشد، تحقیقات محدودی در مورد طبقه¬بندی این تصاویر صورت گرفته است. ویژگی¬های خاص تصاویر پلاریمتری مانند مستقل بودن از شرایط آب و هوایی، قابلیت اخذ تصویر در هر زمان از شبانه¬روز، حساسیت به ساختار هندسی و فیزیکی اشیا همچنین ظهور سنجنده¬های پلاریمتریک راداری خصوصا سنجنده های فضابرد در دهه¬های اخیر، سبب شده که پلاریمتری راداری به عنوان زمینه¬ای نوید¬بخش در سنجش از دور مطرح گردد. به علت ماهیت همدوس تصاویر پلاریمتری تعداد قابل توجهی ویژگی از این تصاویر قابل تولید است که می-تواند در تشخیص نوع پوشش¬های زمینی موثر واقع شود. در کنار این امتیازات تصاویر پلاریمتری دارای مشکلاتی در آنالیز و استخراج اطلاعات نیز می¬باشند که اعوجاجات هندسی و رادیومتریکی و مشکلات ویژه داده با ابعاد بالا از جمله آنها است. در این پایان¬نامه ضمن بررسی مبانی تئوری پلاریمتری و روش¬های تجزیه تارگت سعی در تولید تعداد قابل توجهی ویژگی جهت تشخیص هرچه بهتر پوشش¬های زمینی از این تصاویر شده است. علاوه بر این با استفاده از انتخاب ویژگی و ترکیب طبقه بندی¬کننده¬ها سعی در ارائه راه¬حل¬هایی جهت حل مشکلات داده با ابعاد بالا در تصاویر پلاریمتری شده است. دو مجموعه داده alos-palsar از شهر شیراز وradarsat2 از منطقه felevoland با قدرت¬ تفکیک مکانی متفاوت به منظور پیاده¬سازی روش¬ها و ارزیابی نتایج مورد استفاده قرار گرفت. با انجام 6 آزمایش بر روی هر دو مجموعه داده روش¬های wfs، wcbfs، fcbfs، ssnfs، sscbfs، rsce مورد ارزیابی قرار گرفت که نتایج حاصل بیانگر افزایش قابل توجه صحت طبقه بندی در روش های کلاس مبنا نسبت به روش های غیر کلاس مبنا بود (7/2% برای داده radarsat در طبقه بندی کننده svm-rbf در روش¬های نظارت شده و 93/1% برای داده alos) که سهم عمده این افزایش مربوط به افزایش صحت در کلاس¬های سخت می¬باشد (01/3% در داده radarsat و 11/3% برای داده alos). همچنین دو روش سریع نیمه نظارت شده با معیارهای غیر¬پارامتریک در این پایان نامه ارائه گردید. طبقه¬بندی¬کننده svm نسبت به تمامی طبقه¬بندی¬کننده¬ها به ویژه شبکه عصبی دارای صحت بالاتری بود (01/8% در داده alos و 85/4% در داده radarsat). انتخاب پر¬تعداد برخی از ویژگی¬ها مانند ویژگی¬های مارپیچ و ارتفاع پدستال بیانگر کارایی این ویژگی¬ها در افزایش تفکیک پذیری بین کلاس¬های مختلف و انتخاب پر¬تعداد ویژگی¬های ناشی از تجزیه تارگت¬های همدوس در داده radarsat2 بیانگر کارایی این ویژگی¬ها در قدرت تفکیک مکانی بالا می¬باشد.