طبقه‌بندی تصاویر پلاریمتری رادار مبتنی بر ماشین بردار پشتیبان و الگوریتم جستجوی گرانشی دودویی

هدف از این پژوهش ارائه یک روش بهینه بهه‌ منظور طبقه ‌بندی تصاویر رادار پلاریمتری است. روش پیشنهادی تلفیقی از ماشین بردار پشتیبان و الگوریتم بهینه ‌سازی جستجوی گرانشی دودویی است. در این راستا، ابتدا مجموعه‌ ای از ویژگی ‌های پلاریمتریک شامل مقادیر داده اصلی، ویژگی ‌های تجزیه هدف و تفکیک‌کننده‌های sar از تصاویر استخراج می ‌شوند؛ سپس به‌منظور انتخاب ویژگی ‌های مناسب و تعیین پارامترهای بهینه برای طبقه‌ بندی‌کننده ماشین بردار پشتیبان از الگوریتم جستجوی گرانشی دودویی استفاده شده است. به‌منظور دست‌یابی به یک سامانه طبقه‌ بندی با دقت طبقه ‌بندی بالا، انتخاب مقادیر بهینه پارامترهای مدل و زیرمجموعه‌ ای از ویژگی‌های بهینه، به‌طور هم‌زمان انجام می‌ پذیرد. نتایج پیاده ‌سازی الگوریتم پیشنهادی با دو حالت، در‌نظر‌گرفتن تمام ویژگی‌ های انتخاب‌شده، و الگوریتم ژنتیک، قیاس شده که نتایج حاصل از تفکیک نواحی برای سه ناحیه مورد بررسی قرار گرفته است. تفکیک نواحی برای مناطق سانفرانسیسکو و مانیل، و تشخیص لکه نفتی سطح اقیانوس منطقه فیلیپین مورد ارزیابی قرار گرفته که به‌ترتیب با بهبود دقت کلی تقریبی 12، 7 و 6.5 درصد در قیاس با الگوریتم ژنتیک بهبود داشته است.

Classification of polarimetric radar images based on SVM and BGSA

Classification of land cover is one of the most important applications of radar polarimetry images. The purpose of image classification is to classify image pixels into different classes based on vector properties of the extractor. Radar imaging systems provide useful information about ground cover by using a wide range of electromagnetic waves to image the Earthchr('39')s surface. The purpose of this study is to present an optimal method for classifying polarimetric radar images. The proposed method is a combination of support vector machine and binary gravitational search optimization algorithm. In this regard, first a set of polarimetric features including original data values, target parsing features, and SAR separators are extracted from the images. Then, in order to select the appropriate features and determine the optimal parameters for the support vector machine classifier, the binary gravitational search algorithm is used. In order to achieve a classification system with high classification accuracy, the optimal values of the model parameters and a subset of the optimal properties are selected simultaneously. The results of the implementation of the proposed algorithm are compared with two states, taking into account all the selected features, and the genetic algorithm, the results of zoning for the three regions are examined. The separation of areas for the San Francisco and Manila regions, and the detection of oil slicks in the ocean surface of the Philippines, have been evaluated. The comparison with the genetic algorithm was approximately between 6% to 12% and the comparison with the presence of all features was between 13% and 20%. For the San Francisco area, the number of extraction properties was 101, which was selected using the proposed 47 optimal properties algorithm. For the city of Manila, after applying the algorithm, 31 optimal features have been selected from 65 features. For the oil slick of the city of the Philippines, we have reached the stated accuracy by selecting 33 features from 69 features, for the first two regions the number of initial population is 50 and the repetition period is 30, and for the third region with 30 initial population and the repetition period is 10.