Journal of Geospatial Information Technology

fa استفاده از سیستم‌های طبقه‌بندی چندگانه به‌منظور بهبود دقت طبقه‌بندی تصاویر تمام پلاریمتریک راداری با فضای ویژگی ابعاد بالا The Use of Multiple Classifier Systems For Improving the Classification Accuracy of High–Dimensional Fully Polarimetric SAR Images پژوهشي Research یک تصویر تمام پلاریمتریک راداری (POLSAR) قابلیت فراهم‌کردن یک داده با فضای ویژگی ابعاد بالا را دارد. این حجم بالای اطلاعاتی می‌تواند دقت کلی طبقه‌بندی پوشش زمینی را افزایش دهد. اما افزایش ابعاد داده در صورت ناکافی بودن تعداد نمونههای آموزشی ممکن است باعث پیچیدهتر شدن طبقهبندی و رخ دادن پدیده نفرین ابعاد شود. یکی از راهکارهای حل این مشکل، استفاده از سیستمهای طبقهبندی چندگانه (MCS) است که توانایی تقسیم و غلبه بر حجم بالای داده در مقایسه با طبقهبندی‌کنندههای تکی را داراست. حتی برخی از روشهای MCS میتوانند با بهکارگیری طبقهبندیکنندههای ضعیف و ناپایدار همچون درخت تصمیم (DT) و شبکه عصبی (NN) به دقت بالایی در طبقهبندی ابعاد بالا دست یابند. هدف این مقاله نیز استفاده از چند روش مشهور MCS همچون آدابوست، بگینگ و جنگل‌های تصادفی به‌منظور بهبود دقت طبقهبندی پوشش زمینی از تصاویر POLSAR با ابعاد بالا است. دادههای استفاده شده در این مقاله، تصاویر راداری رادارست-2 از منطقه سانفرانسیسکو و تصویر ایرسار از منطقه فلوولند است. برای طبقه‌بندی این دو تصویر، 69 ویژگی پلاریمتریک از آنها استخراج شد. دو جداساز NN و DT بهعنوان طبقه‌بندی کننده پایه روش‌های آدابوست و بگینگ انتخاب شد. در ادامه، روش‌های MCS با طبقهبندیکنندههای تکی NN و DT مقایسه شد. نتایج، نشان از دقت کلی بیشتر روشهای MCS بین 5%-8% برای طبقهبندی تصویر اول و 9% تا 16% برای طبقهبندی تصویر دوم داشت. حتی دقت تولید کننده و دقت کاربر روشهای MCS در تمام کلاسها نسبت به طبقه‌بندی کننده‌های تکی بیشتر بود. بهگونهای که در برخی کلاسها این اختلاف بین 20% تا حتی نزدیک به 50% شد. این نتایج نشان داد که روشهای MCS در مقایسه با طبقه‌بندیکنندههای تکی نهتنها قادر به تولید دقت کلی بیشتر در طبقهبندی پوشش زمینی است، بلکه حتی کارایی و اعتمادپذیری نسبی بالاتری در تفکیک تکتک کلاسها دارد. A fully polarimetric synthetic aperture radar (POLSAR) image can provide a high-dimensional data. This large amount of information can increase the overall accuracy of land-cover classification. But increasing the data dimensions if inadequately number of training samples may increase the complexity and cause the curse of dimensionality phenomenon. One of the strategies for solving this problem is the use of multiple classifier systems (MCS) that has the capability of divide and conquer to the large data as compared to the individual classifiers. In addition, some of MCS methods using the weak and unstable classifiers such as decision tree (DT) and neural network (NN) can obtain the high accuracy in high-dimensional data. The objective of this paper is also to use several popular MCS methods such as adaboost, bagging and random forests in order to improve the accuracy of land-cover classification from high-dimensional PolSAR images. The data used in this paper are Radarsat-2 image from San Francisco Bay and AIRSAR image of Flevoland. For classifying two these images, 69 polarimetric features were extracted from them. Two classifiers of DT and NN were chosen as the base classifiers of adaboost and bagging methods. In the next, the MCS methods were compared with the individual classifiers of DT and NN. The results indicated the higher overall accuracy of MCS methods between 5%–8% for classifying first image and 9%–16% for classifying second image. Even, the producer's accuracy and user's accuracy of MCS methods at all classes were more than the those of individual classifiers. So that at some classes, the difference was between 20% to even near 50%. These results confirmed that the MCS methods not only can produce higher overall accuracy at land-cover classification, but also they have the higher efficiency and reliability at discriminate individual classes. سیستم طبقه بندی چندگانه, تصاویر تمام پلاریمتریک, رادار, فضای ویژگی ابعاد بالا multiple classifier system, fully polarimetric image, radar, SAR, high-dimensional 69 84 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-38&slc_lang=fa&sid=1 Iman Khosravi ایمان خسروی iman.khosravi@ut.ac.ir 10031947532846004676 10031947532846004676 Yes University of Tehran دانشگاه تهران Akhondzadeh Mehdi مهدی آخوندزاده 10031947532846004677 10031947532846004677 No University of Tehran دانشگاه تهران