خوشه‌بندی تصاویر پلاریمتری- اینترفرومتری راداری با استفاده از آنتروپی شانون و الگوریتم میدان تصادفی مارکوف

داده‌های پلاریمتری- اینترفرومتری راداری، با فراهم‌کردن اطلاعاتی از نوع شدت، دارا‌بودن اطلاعات پلاریمتری دو تصویر و اطلاعات ارتفاعی حاصل از اینترفرومتری، توانایی زیادی در طبقه‌بندی پوشش‌های زمین دارند که این ویژگی‌های سه گانه در آنتروپی شانون حاصل از این داده‌ها، به تفکیک قابل مشاهده هستند. استفاده همزمان این پارامترها، نقش تکمیل‌کننده‌ای در طبقه‌بندی ارائه می‌کنند، به‌طوریکه حضور اطلاعات اینترفرومتری، باعث افزایش دقت طبقه‌بندی می‌شود. همچنین داده‌های اخذ‌شده از دنیای واقعی، دارای پیوستگی مکانی هستند. بنابراین در این تحقیق، از الگوریتم میدان تصادفی مارکوف به منظور در نظر گرفتن همسایگی‌های پیکسلی و مجموعه پارامترهای آنتروپی شانون داده‌های پلاریمتریاینترفرومتری راداری برای طبقه‌بندی استفاده می‌شود. الگوریتم میدان تصادفی مارکوف برای شروع، نیاز به یک نقشه طبقه‌بندی شده اولیه دارد. نقشه طبقه‌بندی شده اولیه با استفاده از بی نظمی و ناهمسانگردی پلاریمتری و پلاریمتری اینترفرومتری و ادغام کلاس‌های حاصل، براساس شباهت ماتریس همدوسی پلاریمتریاینترفرومتری مراکز کلاس‌ها، تهیه می‌شود. بررسی کارآیی الگوریتم‌پیشنهادی با استفاده از داده پلاریمتری اینترفرومتری اخذ‌شده توسط سازمان فضایی آلمان(dlr) انجام می‌شود. در تحقیق حاضر، از شاخص درجه خلوص خوشه‌ها برای ارزیابی عملکرد الگوریتم پیشنهادی و چند الگوریتم دیگر استفاده می‌شود. درجه خلوص کل حاصل از الگوریتم‌پیشنهادی در مقایسه با درجه خلوص حاصل از الگوریتم‌های ویشارت، االگوریتم پیشنهادی ویشارت،  fcm ویشارت و طبقه بندی با کمک سه پارامتر آنتروپی شانون و الگوریتم خوشه‌بندی fcm به ترتیب به مقدار 28.48%،  11.38%،  16.60% و19.60افزایش پیدا کرده است.