Journal of Geospatial Information Technology

fa ارائه یک روش انتخاب ویژگی براساس الگوریتم ژنتیک و درخت تصمیم به‌منظور طبقه‌بندی تصاویر تمام پلاریمتریک راداری Presenting A Feature Selection Method Based On Genetic Algorithm and Decision Tree For Classifying Fully Polarimetric SAR Images پژوهشي Research یک تصویر تمام پلاریمتریک راداری (POLSAR) قادر است ویژگیهای پلاریمتریک مهمی برای طبقهبندی پوشش زمینی فراهم کند. این ویژگیها می‌توانند پارامترهای مستخرج از ماتریس پراکنش، کواریانس و همدوسی یا پارامترهای مستخرج از روشهای تجزیه هدف یا هر دو دسته باشد. در این مقاله، ویژگیهای پلاریمتریک فراوانی از یک تصویر POLSAR استخراج میشود. سپس با استفاده از الگوریتم ژنتیک (GA) و درخت تصمیم (DT)، یک روش انتخاب ویژگی مبتنی بر طبقهبندی ارائه میشود. پس از آن، <a name="OLE_LINK13">طبقه‌بندی</a> کننده DT با ویژگیهای انتخابی از روش پیشنهادی با طبقهبندیکننده DT با تمام ویژگیها مقایسه میشود. علاوه بر این، روش پیشنهادی با روش انتخاب ویژگی GA و ماشین بردار پشتیبان (SVM) نیز مقایسه میشود. نتایج نشان داد که دقت روش پیشنهادی (DT با ویژگیهای منتخب از GA-DT) حدوداً 3 درصد بیشتر از دقت روش DT با تمام ویژگیها و تقریباً نزدیک به دقت روش DT  با ویژگیهای منتخب از GA-SVM شد. این درحالیاست، که سرعت عملکرد روش پیشنهادی تقریباً 5 برابر بیشتر از سرعت عملکرد روش DT با ویژگیهای منتخب از GA-SVM شد. بهعنوان یک نتیجهی دیگر، ویژگیهای منتخب از روش پیشنهادی موفقیت بیشتری در تفکیک کلاسهای شهری و پوشش گیاهی نسبت به ویژگیهای دو روش دیگر داشتند. A fully polarimetric synthetic aperture radar (POLSAR) image can provide important polarimetric features for land cover classification. These features can be the parameters obtained from scatering, covariance and coherency matrices, parameters extracted from target decomposition methods or both of them. In this paper, many polarimetric features are extracted from a POLSAR image. Then, with the use of Genetic Algorithm (GA) and Decision Tree (DT), a feature selection method based on the classification is presented. Afterwards, a comparative analysis is accomplished between DT classification with features selected from the proposed method and DT classification with all features. Moreover, the proposed method should be compared with the feature selection method of GA and Support Vector Machine (SVM). The results indicated that the accuracy of the proposed method (DT classification with the features selected from GA-DT algorithm) is nearly 3% higher than the ones of the DT classification with all features and it is approximately equal with the ones of the DT classification with the features selected from GA-SVM algorithm. However, the performance speed of the proposed method is approximately 5 times more than the ones of DT classification with the features selected from GA-SVM algorithm. As an another result, the features selected from the proposed method have a more success than the ones of two other methods at classifying the urban areas and vegetation classes. انتخاب ویژگی, الگوریتم ژنتیک (GA), درخت تصمیم (DT), طبقه‌بندی, تصاویر تمام پلاریمتریک, رادار Regional gravity field modeling, Spherical Radial Basis Functions, Genetic algorithm, Tikhonov algorithm 75 88 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-56&slc_lang=fa&sid=1 Iman Khosravi ایمان خسروی iman.khosravi@ut.ac.ir 10031947532846004619 10031947532846004619 Yes University of Tehran دانشگاه تهران Mir Majid Mousavi میرمجید موسوی 10031947532846004620 10031947532846004620 No University of Tehran دانشگاه تهران Jalal Amini جلال امینی 10031947532846004621 10031947532846004621 No University of Tehran دانشگاه تهران