علی رضا صفدری نژاد؛ محمودرضا صاحبی؛ میلاد نیرومند جدیدی
دوره 4، شماره 1 ، خرداد 1391
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 ...
بیشتر
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.
مجید رحیم زادگان؛ محمدرضا مباشری؛ محمدجواد ولدان زوج؛ یاسر مقصودی مهرانی
دوره 1، شماره 1 ، تیر 1388
چکیده
یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظرو طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابر طیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باند ها)، احتمال یکتا شده ماتریس های برآورد شده و با کاهش دقت طبقه ...
بیشتر
یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظرو طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابر طیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باند ها)، احتمال یکتا شده ماتریس های برآورد شده و با کاهش دقت طبقه بندی وجود دارد. به منظور حل این مشکل از روش های مختلفی همچون کاهش تعداد ویژگی ها (کاهش تعداد باندهای استفاده شده) و یا ترکیب طبقه بندی کننده ها استفاده می گردد. در این پژوهش ازتلفیق این دو روش استفاده شده است، بدن تربیت که برای کاهش ابعاد، روش استخراج ویژگی غیرپارامتریک وزن دار به علت مزایای متعدد آن به کار رفته است؛ و در مورد ترکیب طبقه بندی کننده ها برای ایجاد ترکیبات مناسب از طبقه بندی کننده ها، از روش تغییر ویژگی های ورودی و روش استخراج ویژگی بر مبنای کلاس افتاده شده است. همچنین در ترکیب خروجی طبقه بندی کننده ها، از روش سطح اندازه گیری استفاده شده است. تصویر ابرطیفی مورد استفاده در این پژوهشت، تصویر سنجیده AVIRIS مربوط به منطقه ای جنگلی / کشاورزی در شمال ایالت ایندیانا در آمریکاست. پس از پیاده سازی روش استخراج ویژگی غیر پارامتریک وزن دار، دقت طبقه بندی کلی 67/85 درصد حاصل گردید. در ترکیب طبقه بندی کننده ها، دقت طبقه بندی کلی 26/89 در صد و در روش پیشنهای دقیت طبقه بندی کلی 34/89 درصد به دست آمد، که در قیاس با دو روش تشکیل دهنده آن، دقت طبقه بندی بهبود یافته است. به رغم کم بودن میزان بهبود دقت، به علت پیچیدگی محاسبات و همچنین امکان انجام محاسبات موازی، روش پیشنهاید در این پژوهش مناسب تر به نظر می رسد.