روشی نو برای انتخاب ویژگی‌های بهینه و افزایش قدرت تفکیک مکانی در نتایج طبقه‌بندی تصاویر پلاریمتری راداری

استفاده از داده‌های پلاریمتری راداری نقش تعیین‌کننده‌ای در شناسایی اهداف زمینی دارد و اطلاعات جامعی در مورد ویژگی‌های هندسی و همچنین ماهیت اهداف، با بهره‌گیری از این نوع داده‌ها استخراج‌شدنی است. از جمله مشکلات موجود در زمینه طبقه‌بندی این نوع داده‌ها، انتخاب ویژگی‌های بهینه است. با توجه به اهمیت این موضوع، در تحقیق حاضر روشی نو براساس نگاشت ویژگی‌های استخراج شده به فضای پدیده ارایه شده است. به عنوان یکی از نتایج تحقیق، شاخص بهینگی در فضای پدیده برای انتخاب ویژگی‌های بهینه تصاویر پلاریمتری راداری ارایه گردید. از طرف دیگر، یکی از محدودیت‌های موجود در زمینه استخراج اطلاعات دقیق مکانی، اختلاط مکانیسم‌های بازپراکنش در سطح پیکسل است. بنابراین، استفاده از طبقه‌بندی‌کننده‌های نرم به منظور تجزیه این نوع اختلاط‌ها ضروری است. اینکه تضمینی برای منفی نشدن سهم کلاس‌ها و همچنین واحد شدن مجموع سهم کلاس‌ها در هر پیکسل وجود ندارد، خود از چالش‌های طبقه‌بندی‌کننده‌های نرم است، که در این تحقیق با تلفیق طبقه‌بندی‌کننده نرم و الگوریتم نظارت‌نشده استخراج عناصر خالص مرتفع گردید. طبقه‌بندی کننده‌های نرم به‌رغم افزایش اطلاعات ماهیتی در نتایج طبقه‌بندی، توان جانمایی کلاس‌ها را در سطح زیرپیکسل ندارند و فقط سهم تعلق کلاس‌ها را در هر پیکسل تعیین می‌کنند. بدین منظور الگوریتم‌های (srm) super resolution mapping برای افزایش قدرت تفکیک مکانی در سطح نتایج طبقه‌بندی نرم شکل گرفته و پرورده شده‌اند. در این تحقیق نیز از روش جابه‌جایی پیکسلی به منظور تهیه نقشه در سطح زیرپیکسل استفاده شده و فرایندی غیرتصادفی برای جانمایی اولیه زیرپیکسل‌ها ارایه گردیده است. براساس نتایج تحقیق، روش پیشنهادی برای انتخاب ویژگی‌های بهینه در مقایسه با روش مبتنی بر الگوریتم ژنتیک نتایج بهتری را به دست داد. در ادامه با استفاده از ویژگی‌های به‌دست‌آمده، سه الگوریتم تجزیه اختلاط طیفی خطی (lsu)، شبکه عصبی چندلایه (mlp)) و ماشین بردار پشتیبان (svm) برای طبقه‌بندی نرم منطقه مطالعاتی در سه کلاس مسکونی، پوشش گیاهی و زمین بایر اعمال گردید. با ارزیابی آنها، svm به عنوان طبقه‌بندی‌کننده بهینه شناسایی شد و نتایج آن در فرایند جانمایی کلاس‌ها در سطح زیرپیکسل به کار رفت. در نهایت با پیاده‌سازی الگوریتم جابه‌جایی پیکسلی، تصاویر پلاریمتری راداری در سطح زیرپیکسل طبقه‌بندی شدند و قدرت تفکیک مکانی نتایج طبقه‌بندی نرم بهبود یافت. کلید‌واژه‌ها: تصاویر پلاریمتری راداری، استخراج ویژگی، فضای پدیده، انتخاب ویژگی، طبقه‌بندی نرم، srm، جابه‌جایی پیکسلی.