ارتقای دقت طبقه‌بندی عوارض شهری با استفاده از تلفیق تصاویر اپتیکی و راداری با قدرت تفکیک مکانی بالا

رشد جمعیت و توسعه محیط ‌های شهری، برای محققان انگیزه زیادی را در زمینه اطلاعات مکانی برای ارائه روش‌هایی جهت استخراج عوارض ایجاد کرده است. تکنولوژی سنجش از دور و تصاویر ماهواره‌ای به ابزار مهمی جهت کسب اطلاعات مورد نیاز به منظور استخراج عوارض تبدیل شده است. وجود برخی موانع در تصاویر نوری ماهواره‌ای مانند شرایط آب و هوایی و وجود ابر و سایه، مانع از کسب اطلاعات از سطح زمین می‌شود. برای حل این مشکل، به بررسی توانایی عملکرد تصاویر راداری جهت کمک به استخراج عوارض شهری توسط تصاویر نوری به ویژه تشخیص پیکسل‌های واقع شده در مناطق سایه و ابر پرداخته شد. در این مقاله تصاویر وردویو-3 و الوس-2 به صورت تک پلاریزاسیون و چهار پلاریزاسیون در نظر گرفته شد تا به کمک ویژگی‌های بهینه استخراج شده از آن‌ها، به طبقه‌بندی گیاه، ساختمان، راه و خاک با استفاده از تلفیق در سطح ویژگی و تصمیم‌گیری پرداخته شود. ویژگی‌های مستخرج از تصویر نوری شامل پارامترهای بافت حاصل از ماتریس هم‌رخداد و ویژگی‌های راداری شامل پارامترهای بافت برای تصویر تک‌پلاریزاسیون، پارامتر‌های حاصل از روش‌های تجزیه هدف، ویژگی‌های تفکیک‌کننده و ویژگی‌های اصلی برای تصویر با چهارپلاریزاسیون است. در طبقه‌بندی به کمک ویژگی‌های نوری و راداری با استفاده از تلفیق در سطح ویژگی، دقت کلی 83.96 درصد بدست آمد و تا حدودی قادر به شناسایی درست پیکسل‌ها در مناطق سایه و ابر است؛ درحالیکه در طبقه‌بندی به کمک ویژگی‌های نوری، دقت کلی 81.2درصد بدست آمد. نتایج حاصل شده از طبقه‌بندی با استفاده از تلفیق در سطح تصمیم‌گیری، بسیار پایین و غیرقابل قبول است. نتایج در این مقاله نشان دادند که استفاده از تصاویر راداری در کنار تصاویر نوری در طبقه‌بندی عوارض با استفاده از تلفیق در سطح ویژگی تا حدودی باعث بهبود دقت شد و بسته به شرایط مختلف ممکن است نتایج متفاوتی از تلفیق تصاویر نوری و راداری بدست آید.

improving the urban features classification accuracy by fusion of optical and radar high spatial resolution images

the population growth and the development of the urban environments have created a lot of incentives for researchers in the field of spatial information to provide methods for extracting features. remote sensing technology and satellite imagery have become an important tool for obtaining information in order to extract features. the presence of some obstacles such as weather conditions and the presence of clouds and shadows in satellite imagery prevents us from getting information from the surface of the earth. to solve this problem, we examined the ability of the radar images in helping to extract  the urban features by optical images, especially detecting the pixels located in shadow and cloud areas. in this paper, the images of worldview-3, alos-2 with single polarization and four polarization were taken into consideration and  the optimally extracted features were used to classify the vegetation, building, road and soil using feature and decision level fusion. the optical features include the gray-level co-occurrence matrix (glcm) and the radar features include glcm for the image of single polarization, the features of the target decomposition, the separation characteristics and the main characteristics for the image with full polarization. in the classification by optical and radar features using feature level fusion, the combined accuracy of 83.96 percent was obtained and somewhat it was able to correctly identify the pixels in the shadow and cloud areas, while the classification with  the optical features obtained a total accuracy of 81.02 percent. the obtained results of the decision level fusion are very low and unacceptable. the results in this paper showed that the use of the radar images along with the optical images in the feature classification using the feature level fusion improved the accuracy to some extent;  and depending on the different conditions the  result may be different.