روشی نو برای انتخاب ویژگی های بهینه و افزایش قدرت تفکیک مکانی در نتایج طبقه بندی تصاویر پلاریمتری راداری

نوع مقاله : علمی - پژوهشی

نویسندگان

دانشگاه خواجه نصیرالدین طوسی

چکیده

استفاده از داده های پلاریمتری راداری نقش تعیین کننده ای در شناسایی اهداف زمینی دارد و اطلاعات جامعی در مورد ویژگی های هندسی و همچنین ماهیت اهداف، با بهره گیری از این نوع داده ها استخراج شدنی است. از جمله مشکلات موجود در زمینه طبقه بندی این نوع داده ها، انتخاب ویژ"ی های بهینه است. با توجه به اهمیت این موضوع، در تحقیق حاضر روشی نو بر اساس نگاشت ویژگی های استخراج شده به فضای پدیده ارائه شده است. به عنوان یکی از نتایج تحقیق، شاخص بهینگی در فضای پدیده برای انتخاب ویژگی های بهینه تصاویر پلاریمتری راداری ارائه گردید. از طرف دیگر، یکی از محدودیت های موجود در زمینه استخراج اطلاعات دقیق مکانی، اختلاط مکانیسم های بازپراکنش در سطح پیکسل است. بنابراین، استفاده از طبقه بندی کننده های نرم به منظور تجزیه این نوع اختلاط ها ضروری است. اینکه تضمینی برای منفی نشدن سهم کلاس ها و همچنین واحد شدن مجموع سهم کلاس ها در هر پیکسل وجود ندارد، خود از چالش های طبقه بندی کننده های نرم است، که در این تحقیق با تلفیق طبقه بندی کننده نرم و الگوریتم نظارت نشده استخراج عناصر خالص مرتفع گردید. طبقه بندی کننده های نرم به رغم افزایش اطلاعات ماهیتی در نتایج طبقه بندی، توان جانمایی کلاس ها را در سطح زیرپیکسل ندارند و فقط سهم تعلق کلاس ها را در هر پیکسل تعیین می کنند. بدین منظور الگوریتم های (SRM) Super Resolution Mapping برای افزایش قدرت تفکیک مکانی در سطح نتایج طبقه بندی نرم شکل گرفته و پرورده شده اند. در این تحقیق نیز از روش جابه جایی پیکسلی به منظور تهیه نقشه در سطح زیرپیکسل استفاده شده و فرایندی غیرتصادفی برای جانمایی اولیه زیرپیکسل ها ارائه گردیده است. بر اساس نتایج تحقیق، روش پیشنهادی برای انتخاب ویژگی های بهینه در مقایسه با روش مبتنی بر الگوریتم ژنتیک نتایج بهتری را به دست داد. در ادامه با استفاده از ویژگی های به دست آمده، سه الگوریتم تجزیه اختلاط طیفی خطی (LSU)، شبکه عصبی چندلایه (MLP) و ماشین بردار پشتیبان (SVM) برای طبقه بندی نرم منطقه مطالعاتی در سه کلاس مسکونی، پوشش گیاهی و زمین بایر اعمال گردید. با ارزیابی آنها، SVM به عنوان طبقه بندی کننده بهینه شناسایی شد و نتایج آن در فرایند جانمایی کلاس ها در سطح زیر پیکسل به کار رفت. در نهایت با پیاده سازی الگوریتم جابه جایی پیکسلی، تصاویر پلاریمتری راداری در سطح زیرپیکسل طبقه بندی شدند و قدرت تفکیک مکانی نتایج طبقه بندی نرم بهبود یافت.

کلیدواژه‌ها


عنوان مقاله [English]

A Novel Approach for Optimal Feature Selection and Sub-Pixel Mapping in Polarimetric Radar Images

چکیده [English]

Taking the advantages of polarimetric radar data has a decisive role in target detection purposes. In this way, comprehensive geometric and descriptive information could be derived through processing this kind of data.  However, the selection of optimal features could be considered as a major challenge in order to classification of the polarimetric radar imagery. In this paper, a novel approach is proposed for optimal feature selection based on mapping the extracted features to the prototype space. As a key result of the paper, fitness index is introduced to facilitate the optimal feature selection in polarimetric radar images. On the other hand, the mixture of backscattering mechanisms in a pixel level is another limitation to obtain precise spatial information. Thus, utilizing soft classifiers is indispensible to acquire the sub-pixel information. Positivity and sum to unity of the fractions within each pixel are major challenges in results of the soft classifiers. In this paper, integration of the soft classifiers and unsupervised algorithms of end-member extraction is proposed to solve this problem. Likewise, soft classifiers just provide fractional maps and the spatial arrangement of sub-pixels remains unknown. In this regard, Super Resolution Mapping (SRM) techniques are developed to enhance the spatial resolution of the results of soft classifiers. This research attempts to provide a sub-pixel classification of polarimetric radar images using the pixel swapping technique. Towards this end, a non-random procedure is suggested for initial arrangement of the sub-pixels. According to the results, the proposed method for optimal feature selection is demonstrated more accurate results than genetic algorithm. Next, three algorithms including Linear Spectral Unmixing (LSU), Multi-Layer Perceptron (MLP) and Support Vector Machines (SVM) are performed to soft classifying of the polarimetric radar image into three classes (residential, vegetation and bare earth). SVM present accurate results in comparison to others; its resulted fractional maps are used in SRM procedure. Finally, pixel swapping technique is performed based on the results of SVM classification and the land cover map of the study area is produced in a finer spatial resolution.

کلیدواژه‌ها [English]

  • Polarimetric Radar Images
  • Feature extraction
  • Prototype space
  • Feature selection
  • Soft classification
  • SRM
  • Pixel swapping