در این مقاله یک روش نوین طبقهبندی متنی به منظور طبقهبندی تصاویر پلاریمتری رادار با روزنه مجازی ارائه شده است. روش پیشنهادی با تلفیق ماشین بردار پشتیبان (SVM) و طبقهبندیکننده ویشارت عمل میکند. بدین ترتیب این روش از مزایای هر دو نوع روشهای پارامتریک و غیر پارامتریک بهره میبرد. در این روش، ابتدا تابع انرژی اولیه میدانهای تصادفی مارکوف (MRF) در یک همسایگی از هر پیکسل محاسبه میگردد. سپس با استفاده از ماتریس کوواریانس دادههای پلاریمتری برای هر پیکسل و در نظر گرفتن توزیع ویشارت برای آن، تابع انرژی تفاضلی MRF محاسبه گردیده و در طبقهبندیکننده SVM وارد میشود. بنابراین روش پیشنهادی علاوه بر اطلاعات پراکنش مختلف، از اطلاعات همسایگی نیز بهره میبرد و این باعث کاهش نویز نمک فلفلی در نتیجه طبقهبندی میگردد. به منظور انتخاب ویژگیهای مناسب و تعیین پارامترهای بهینه برای طبقهبندیکننده SVM، از الگوریتم ژنتیک استفاده شده است. در این مقاله از دو تصویر پلاریمتری رادارست 2 مربوط به فصل زمستان و تابستان از یک منطقه جنگلی دارای گونههای مختلف استفاده شده است. به منظور بررسی عملکرد روش پیشنهادی، نتایج بدست آمده از این روش با نتایج تعدادی از روشهای پایه در طبقهبندی تصاویر پلاریمتری مقایسه شد. در نهایت طبقهبندی به این روش نسبت به روشهای ویشارت، ویشارت-مارکوف و SVM، به ترتیب 16، 11 و 7 درصد افزایش دقت را نشان میدهد.
A. Masjedi, Y. Maghsoudi, M. J. Valadanzoej. A New Method for Contextual Classification of Polarimetric SAR Data Based on Combining SVM and MRF. JGST 2015; 5 (2) :1-16 URL: http://jgst.issgeac.ir/article-1-218-fa.html
مسجدی علی، مقصودی یاسر، ولدان زوج محمدجواد. ارائه یک روش جدید برای طبقه بندی تصاویر پلاریمتری رادار با روزنه مجازی براساس تلفیق ماشین بردار پشتیبان و میدان های تصادفی مارکوف. علوم و فنون نقشه برداری. 1394; 5 (2) :1-16