fa طبقه‌بندی تصاویر پلاریمتری رادار با روزنه مجازی بر اساس تلفیق طبقه‌بندی کننده ماشین بردار پشتیبان و میدان‌های تصادفی مارکوف پژوهشي Research <p dir="RTL" style="margin-right:7.05pt;">تحقیقات اخیر نشان داده است که طبقه بندی تصاویر سنجش ازدور با کمک روش‌هایی که از اطلاعات مکانی در کنار اطلاعات طیفی استفاده&nbsp;می‌کند، نسبت به روش‌های مبتنی بر فقط اطلاعات طیفی، دقیق‌تر می‌باشد. اگرچه طبقه‌بندی به روش ماشین بردار پشتیبان دارای&nbsp;نتایج دقیق در بیشتر تصاویر سنجش‌ ازدور می‌باشد ولی این طبقه‌بندی کننده ذاتا بر مبنای فقط اطلاعات تک پیکسل عمل&nbsp;می‌کند، که این یک محدودیت برای استفاده از آن می‌باشد. در این مقاله، تلفیق ماشین بردار پشتیبان با میدان‌های تصادفی مارکوف به منظور طبقه‌بندی داده‌های پلاریمتری رادار با روزنه مجازی از یک منطقه شامل گونه‌های مختلف جنگلی، پوشش گیاهی و آب براساس افزودن اطلاعات مکانی انجام می‌شود. به‌منظور انتخاب ویژگی‌های پلاریمتری مناسب و همچنین برآورد خودکار پارامترهای بهینه مورد&nbsp;نیاز، از الگوریتم ژنتیک استفاده می‌شود. به‌منظور بررسی عملکرد روش پیشنهادی، نتایج بدست آمده از این روش با نتایج تعدادی از روش‌های پایه در طبقه‌بندی تصاویر پلاریمتری و دو روش جدید به نام‌های <span dir="LTR">aMRF</span> و <span dir="LTR">MSVC</span> مقایسه شد. در نهایت طبقه‌بندی به این&nbsp;روش نسبت به روش‌های ویشارت، ویشارت-مارکوف، <span dir="LTR">SVM</span>، <span dir="LTR">aMRF</span> و <span dir="LTR">MSVC</span> به ترتیب 19، 14، 11، 5 و 3 درصد افزایش دقت را نشان&nbsp;می‌دهد.</p> <p>Recent studies show that image classification techniques which use both spectral and spatial information are more suitable, effective, and robust than those that use only spectral information. Although late model support vector machines (SVMs) have been providing accurate results in the studies, this method is intrinsically non-contextual, which represents significant limitation in image classification. In this paper, we propose a rigorous framework which integrates SVMs and Markov random field models in a unique formulation for spatial contextual classification of various species of forest trees, ground vegetation, and water using polar metric synthetic aperture radar data. Genetic algorithm is employed for selecting appropriate features and automatic estimation of optimal parameters. Comparison of the accuracy of the proposed method with baseline methods was performed. Comparison of the accuracy of the proposed method with some other methods was carried out. The results show that this algorithm allowed approximately 19%, 14%, 11%, 5% and 3% increase in overall accuracy with respect to the Wishart, WMRF, SVM, aMRF and MSVC methods, respectively.</p> میدان تصادفی مارکوف, ماشین بردار پشتیبان, طبقه‌بندی متنی تصاویر, اطلاعات مکانی, سنجش ازدور Markov Random Fields, Support Vector Machine, Contextual Image Classification, Spatial Information. 1 18 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-64&slc_lang=fa&sid=1 Ali Masjedi علی مسجدی amasjedi@mail.kntu.ac.ir 10031947532846004808 10031947532846004808 Yes K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Yasser Maghsoudi یاسر مقصودی 10031947532846004809 10031947532846004809 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mohamad Javad Valadan Zoej محمدجواد ولدان زوج 10031947532846004810 10031947532846004810 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی