fa طبقه‌بندی عارضه مبنای تصاویر پلاریمتری سار با استفاده از طبقه‌بندی‌کننده‌های چندگانه ماشین بردار پشتیبان فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <p>طبقه بندی پوشش زمین یکی از کاربرد های مهم استفاده از داده های سنجش از دوری است. از میان تصاویر و داده&shy;های مورد استفاده در این مورد، داده های پلاریمتری راداری به خاطر امکان استخراج ویژگی های زیاد و متنوع میتوانند برای طبقه بندی گزینه مناسبی باشند. در این مقاله یک روش عارضه مبنا برای طبقه بندی مناطق شهری با استفاده از داده های پلاریمتری راداری به صورت تلفیق نتایج پیکسل مبنای طبقه بندی <span dir="LTR">SVM</span> و قطعات تصویری ارائه می&shy;گردد. در این تحقیق &nbsp;برای رسیدن به دقت مناسب طبقه بندی از مجموعه ویژگی های بهینه استفاده&nbsp; شده است. بدین منظور، از روش طبقه بندی کننده های چندگانه <span dir="LTR">SVM</span> استفاده شده است. برای&nbsp; نیل به این هدف، معیار دقت کلاس در طبقه بندی <span dir="LTR">SVM</span>, جهت انتخاب ویژگی به صورت کلاس مبنا و همچنین انتخاب ویژگی به صورت تصادفی مورد استفاده قرار گرفته شده است. در تصاویر پلاریمتری به خاطر نویز ضربه ای، گاها نتایج طبقه بندی پیکسل مبنا ممکن است راضی کننده نباشد. لذا در این تحقیق از ویژگی های مربوط به فضای تصویر یا قطعات تصویری استفاده شده است.&nbsp; بطور کلی روش ارائه شده سه گام اصلی دارد: انتخاب ویژگی , طبقه بندی پیکسل مبنا و تلفیق نتایج پیکسل مبنا و قطعات تصویری. بهبود دقت طبقه بندی بعنوان دستاورد مهم این تحقیق معرفی شده اند.&nbsp; نتایج نشان میدهد که دقت کلی روش ارائه شده 07/90 % نسبت به نتایج پیکسل مبنای طبقه بندی کننده های چندگانه <span dir="LTR">SVM</span> (61/83 % ) بهبود داشته است.</p> <div> <p>In this study, we used an object-oriented&nbsp; method for merging pixel-based classification and image segments to get an optimal classification result. Urban land-cover classification is one of the important applications in polarimetric SAR remote-sensing images. Because of the nature of PolSAR images, many features can be extracted and used for classification. To achieve classification accuracy, optimal subset of features should be used. For this purpose, we used a class-based multiple classifier with SVM as a pixel-based classifier with class accuracy as a criterion in feature selection.Also we&nbsp; used&nbsp; random feature selection for create multi-classifiers. In addition, because of speckle noise in PolSAR images, pixel-based classification result may not be satisfactory. Thematic features used in image segmentation can be helpful to solve this problem. In general, the proposed method has three steps: feature selection, pixel-based classification, and polarimetric spatial classification. The pixel-based classification result is merged with a set of segments that are obtained from multi-resolution segmentation and the results are evaluated with overall accuracy and test pixels. The objectives of the study were to improve the accuracy of classification.</p> <p>Flowchart of the proposed algorithm presented as follows:</p> </div> <p></p> <div> <table border="0" cellpadding="0" cellspacing="0"> <tbody> <tr> <td style="width:619px;"> <p></p> </td> </tr> </tbody> </table> <p></p> </div> <p></p> <p>The distinctive characteristic of synthetic aperture radar (SAR) sensors is the ability to provide a day-or-night, all-weather means of remote sensing. Recent SAR systems can produce high-resolution images of the land under the illumination of radar beams. SAR polarimetry is a technique that employs different polarization waves during transmission toward and reception from the Earth&#39s surface and the resultant PolSAR images can be used in identification of different classes based on analyzing different polarization backscattering coefficients; by assigning pixels into different classes using a classification technique, the information contained in the SAR/PolSAR images can be interpreted.</p> <p>Classifier ensembles or multiple classifier systems (MCS) are methods in pattern recognition that are used for image classification; by combining different independent classifiers, MCS can improve classification accuracy in comparison with a single classifier. There are different methods for creating such an ensemble. These methods include modifying the training samples (e.g. bagging [<a href="#_ENREF_1" title="Breiman, 1996 #6">1</a>] and boosting [<a href="#_ENREF_2" title="Freund, 1996 #7">2</a>]), manipulating the input features (the input feature space is divided into multiple subspaces [<a href="#_ENREF_3" title="Ho, 1998 #8">3</a>]), and manipulating the output classes (multi-class problem is decomposed into two multiple class problems, e.g. the error correcting output code [<a href="#_ENREF_3" title="Ho, 1998 #8">3</a>]). After creating an ensemble of classifiers, a decision fusion is used to combine the outputs of the classifiers. Several fusion algorithms have been developed and employed in the literature like majority voting, fuzzy integral, weighted summation, consensus, mixed neural network, and hierarchical classifier system [<a href="#_ENREF_4" title="Steele, 2000 #24">4</a>], [<a href="#_ENREF_5" title="Briem, 2002 #25">5</a>]. Class-based feature selection (CBFS) is a method that chooses features for each class separately to create a multiple classifier with manipulating input features. We used this method for pixel-based classification, and then fused single classifiers in two different ways described in the next section.</p> <p>Experimental results showed that the overall accuracy of the proposed method (90.07%) has improved compared with the single SVM classifier and pixel-based multiple SVM classifiers (83.61%).</p> طبقه بندی کننده چندگانه ,تصویر پلاریمتری , عارضه مبنا ,انتخاب ویژگی , کلاس مبنا Ensemble Classifier, Polarimetric Image, Object Based, Feature Selection, Class Based 181 191 http://jgst.issgeac.ir/browse.php?a_code=A-10-129-1&slc_lang=fa&sid=1 M. Habibi مسعود حبیبی masoudhabibi@kntu.com 10031947532846002504 10031947532846002504 No K. N. ToosiUniversity of Technology دانشگاه خواجه نصیر الدین طوسی M. R. Sahebi محمود رضا صاحبی sahebi@kntu.com 10031947532846002505 10031947532846002505 Yes K. N. ToosiUniversity of Technology دانشگاه خواجه نصیر الدین طوسی Y. Maghsoudi یاسر مقصودی ymaghsoudi@kntu.ac.ir 10031947532846002506 10031947532846002506 No K. N. ToosiUniversity of Technology دانشگاه خواجه نصیر الدین طوسی