طبقه‌بندی دانش ‌مبنای داده‌های پلاریمتری رادار با روزنه مصنوعی با استفاده از روش Support Vector Machine-Decision Tree (Svm-Dt)

روش های مختلف طبقه بندی داده پلاریمتری به طورکلی در سه گروه قرار می گیرند. (1) روش های آماری، (2) روش های برمبنای مکانیسم پراکنش و (3) روش های دانش مبنا. در این مقاله روشی دانش مبنا و شیءمبنا برای طبقه بندی داده ی پلاریمتری مطرح شده است که در آن روش طبقه بندی svmdt برای تلفیق دانش در سه بخش دانش اولیه، دانش حاصل از داده پلاریمتری و دانش خبره توسعه داده شده است. دانش حاصل از داده (آماری، فیزیکی و مکانی) در مراحل تعیین طرح درختی، ویژگی برای طبقه بندی کننده svm و همچنین در انتخاب ویژگی های بهینه به کار گرفته می شود. دانش اولیه برای توازن تعداد داده های آموزشی در طبقه بندی کننده svm استفاده می شود. درنهایت دانش خبره نیز در دو مرحله ایجاد طرح درختی و همچنین انتخاب ویژگی های بهینه درروش پیشنهادی استفاده می شود. داده پلاریمتری سنجنده رادارست2 از منطقه ی جنگلی petawawa کانادا با شش کلاس بلوط قرمز (or)، کاج سفید (pw)، صنوبر سیاه (sb)، آب (wa)، منطقه ی شهری (ur) و پوشش گیاهی (gv) برای پیاده سازی این تحقیق انتخاب شده است. برای بررسی تاثیر دانش های مختلف درروش پیشنهادی 6 طبقه بندی کننده در آزمایش ها مقایسه شده است: طبقه بندی کننده ویشارت، svm با تمام ویژگی ها، svmdt با تمام ویژگی ها، svmdt شیءمبنا با تمام ویژگی ها، svmdt شیءمبنا همراه با انتخاب ویژگی و svmdt شیءمبنا با انتخاب ویژگی و دانش اولیه. نتایج نشان داد اضافه شدن دانش های مختلف به طبقه بندی تاثیر مثبت و خوبی بر روی کلاس های جنگل دارد اگرچه برخی از این دانش ها در کلاس های دیگر بی تاثیر و یا حتی تاثیر منفی دارند. درنهایت دقت کلی روش پیشنهادی حدود 87 درصد حاصل شد که در مقایسه با روش ویشارت 15 درصد و در مقایسه با طبقه بندی کننده svm، 9 درصد بهبود داشته است.

Knowledge-based Classification of Polarimetric SAR data using Support Vector Machine-Decision Tree (SVM-DT)

A number of classification algorithms have been proposed for PolSAR data. There are basically three approaches: (1) algorithms based on a statistical model, (2) algorithms based on the scattering mechanism of electromagnetic waves, and (3) knowledgebased algorithms. In the first category, classification is done based on the specified probability density function. The second approaches, the classification of PolSAR images are based on some form of target decomposition theories. Third approaches included two steps. First, extraction of knowledge from PolSAR data, and second application of this knowledge to the classification of other pixels. In these approaches it is possible to include scattering model results and common knowledge about the targets.The main purpose of the proposed method is the knowledgebased and objectbased classification of PolSAR data. To improve the classification results, the contextual information should be considered for incorporation into the classifiers. For this, the objectoriented package eCognition was used to implement the objectoriented image analysis of PolSAR images. The multiresolution segmentation module was used to perform object delineation in this study. Proposed method can apply prior knowledge, expert knowledge and data knowledge in the process of classification. A combination of Support Vector Machine and Decision Tree (SVMDT) was presented for fusion of three level knowledge. The SVM based binary decision tree architecture takes advantage of both the efficient computation of the decision tree architecture and the high classification accuracy of SVMs. The SVMDT architecture was designed to provide superior multiclass classification performance. Utilizing this architecture, N1 SVMs needed to be trained for an N class problem, this can lead to a dramatic improvement in recognition speed when addressing problems with big number of classes. Since DTs are often constructed using a portion of the training patterns to accomplish individual classifications at each node, the node classifiers should be robust in the presence of amp;ldquo;badamp;rdquo; samples or outliers. The SVMamp;rsquo;s remarkable performance with regard to sparse and noisy data makes them suitable for binary classification trees.The incorporation of prior knowledge into SVMs is the key element that allows to increase the performance in many applications. In this paper the prior knowledge was used for compensating the unbalanced data in SVM classification. Furthermore, the expert knowledge provides information for designing a decision tree and a feature selection for classification algorithm. Also, the data knowledge was used in various classification steps e.g. features for SVM classification and feature selection. A Radarsat2 image of the Petawawa forest area including six land cover classes: red oak (Or), white pine (Pw), black spruce (Sb), urban (Ur), water (Wa), and ground vegetation (GV) was chosen for this study. In this research, six experiments were provided for evaluating three level knowledge effect: Wishart, SVM, SVMDT, objectbased SVMDT, objectbased SVMDT and feature selection, adding prior knowledge to objectbased SVMDT and feature selection. The results show the positive effect to forest classes for adding various knowledge to the classification. Although, the effect of some knowledge on other classes is nonpositive. Eventually, the overall accuracy of the proposed method is 87.36. The proposed algorithm outperformed the Wishart classifier by 15% and SVM classifier by 9%.