[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 3، شماره 4 - ( 12-1394 ) ::
جلد 3 شماره 4 صفحات 18-1 برگشت به فهرست نسخه ها
طبقه‌بندی تصاویر پلاریمتری رادار با روزنه مجازی بر اساس تلفیق طبقه‌بندی کننده ماشین بردار پشتیبان و میدان‌های تصادفی مارکوف
علی مسجدی*، یاسر مقصودی، محمدجواد ولدان زوج
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (3375 مشاهده)

تحقیقات اخیر نشان داده است که طبقه بندی تصاویر سنجش ازدور با کمک روش‌هایی که از اطلاعات مکانی در کنار اطلاعات طیفی استفاده می‌کند، نسبت به روش‌های مبتنی بر فقط اطلاعات طیفی، دقیق‌تر می‌باشد. اگرچه طبقه‌بندی به روش ماشین بردار پشتیبان دارای نتایج دقیق در بیشتر تصاویر سنجش‌ ازدور می‌باشد ولی این طبقه‌بندی کننده ذاتا بر مبنای فقط اطلاعات تک پیکسل عمل 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 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 aMRF و MSVC مقایسه شد. در نهایت طبقه‌بندی به این روش نسبت به روش‌های ویشارت، ویشارت-مارکوف، SVM، aMRF و MSVC به ترتیب 19، 14، 11، 5 و 3 درصد افزایش دقت را نشان می‌دهد.

واژه‌های کلیدی: میدان تصادفی مارکوف، ماشین بردار پشتیبان، طبقه‌بندی متنی تصاویر، اطلاعات مکانی، سنجش ازدور
متن کامل [PDF 2063 kb]   (1140 دریافت)    
نوع مطالعه: پژوهشي |
دریافت: 1395/4/13 | پذیرش: 1395/4/13 | انتشار: 1395/4/13
فهرست منابع
1. [1] J.S. Lee, M.R. Grunes, and R. Kwok, "Classification of multi-look polarimetric SAR imagery based on complex Wishart distribution," International Journal of Remote Sensing, 15(11), 2299–2311, 1994. [DOI:10.1080/01431169408954244]
2. [2] Maghsoudi, Y., "Analysis of Radarsat-2 Full Polarimetric Data for Forest Mapping," Ph.D. dissertation, Calgary University, Calgary, The Canada, 2011.
3. [3] Alberga, V., "Comparison of polarimetric methods in image classification and SAR interferometry applications," PhD thesis, Fakultat fiir Elektrotechnik und Informationstechnik der technischen Universitat Chemnitz genehmigte, 2003.
4. [4] B. E. Boser, I. M. Guyon, and V. N. Vapnik, "A training algorithm for optimal margin classifiers," in Proceedings of the fifth annual workshop on Computational learning theory, pp. 144 -152, 1992. [DOI:10.1145/130385.130401]
5. [5] J. Benediktsson, P. H. Swain, and O. K. Ersoy, "Neural network approaches versus statistical methods in classification of multisource remote sensi ng data," IEEE Transactions on geoscience and remote sensing, vol. 28, pp. 540-552, 1990. [DOI:10.1109/TGRS.1990.572944]
6. [6] Zhang, B. Zou, J. Zhang and Y. Zhang, "Classification of polarimetric SAR image based on support vector machine using multiple-component scattering model and texture features," EURASIP Journal on Advances in Signal Processing, vol. 2010, p. 1, 2010.
7. [7] D. Gleich, "Markov random field models for non-quadratic regularization of complex SAR images," Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, vol. 5, pp. 952-961, 2012. [DOI:10.1109/JSTARS.2011.2179524]
8. [8] Y. Tarabalka, M. Fauvel, J. Chanussot, and J. A. Benediktsson, "SVM-and MRF-based method for accurate classification of hyperspectral images," Geoscience and Remote Sensing Letters, IEEE, vol. 7, pp. 736-740, 2010. [DOI:10.1109/LGRS.2010.2047711]
9. [9] Y. Wu, K. Ji, W. Yu, and Y. Su, "Region-based classification of polarimetric SAR images using Wishart MRF," Geoscience and Remote Sensing Letters, IEEE, vol. 5, pp. 668-672, 2008. [DOI:10.1109/LGRS.2008.2002263]
10. [10] A. Dargahi, Y. Maghsoudi, and A. Abkar, "Unsupervised Classification of Polarimetric SAR Imagery Using Scattering Mechnism and Markove Random Fields," Journal of Radar, vol. 1, pp. 15-25, 2013.
11. [11] A. Dargahi, Y. Maghsoudi, and A. Abkar, "Supervised Classification of Polarimetric SAR Imagery Using Temporal and Contextual Information," ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. 1, pp. 107-110, 2013. [DOI:10.5194/isprsarchives-XL-1-W3-107-2013]
12. [12] Z. Wu, Q. Ouyang, "SVM- and MRF-Based Method for Contextual Classification of Polarimetric SAR Images," Remote Sensing, Environment and Transportation Engineering (RSETE), International Conference on Digital Object Identifier, IEEE, pp. 818 - 821, 2011.
13. [13] Zhang, B., Li, S., Jia, X., Gao, L., Peng, M. Adaptive Markov random field approach for classification of hyperspectral imagery. Geoscience and Remote Sensing Letters, IEEE 8, pp. 973-977, 2011. [DOI:10.1109/LGRS.2011.2145353]
14. [14] G. Moser, and S. B. Serpico, "Combining Support Vector Machines and Markov Random Fields in an Integrated Framework for Contextual Image Classification," IEEE Trans. Geosci. Remote Sensing, vol. 51, no. 5, pp. 2734–2752, May. 2013.
15. [15] V. N. Vapnik, Statistical Learning Theory. Hoboken, NJ: Wiley, 1998.
16. [16] S. Geman and D. Geman, "Stochastic relaxation, Gibbs distributions, and the Bayesian restoration," IEEE Trans. Pattern Anal. Mach. Intell., vol. PAMI-6, no. 6, pp. 721–741, Nov. 1984. [DOI:10.1109/TPAMI.1984.4767596]
17. [17] S. Li, Markov Random Field Modeling in Image Analysis. Berlin, Germany: Springer-Verlag, 2009.
18. [18] Q. Jackson and D. Landgrebe, "Adaptive Bayesian contextual classification based on Markov random fields," IEEE Trans. Geosci. Remote Sensing, vol. 40, no. 11, pp. 2454–2463, Nov. 2002. [DOI:10.1109/TGRS.2002.805087]
19. [19] A. H. S. Solberg, T. Taxt, and A. K. Jain, "A Markov random field model for classification of multisource satellite imagery," IEEE Trans. Geosci. Remote Sens., vol. 34, no. 1, pp. 100–113, Jan. 1996. [DOI:10.1109/36.481897]
20. [20] T. Zhang, F. Hu, and R. Yang, "Polarimetric SAR image segmentation by an adaptive neighborhood Markov random field," J. Test Meas. Technol., vol. 23, no. 5, pp. 462–465, 2009.
21. [21] P. Zhong and R. Wang, "Image segmentation based on Markov random fields with adaptive neighborhood systems," Opt. Eng., vol. 45, no. 9, pp. 462–465, 2009.
22. [22] A. Garzelli, "Classification of polarimetric SAR images using adaptive neighborhood structures," Int. J. Remote Sens., vol. 20, no. 8, pp. 1669–1675, 1999. [DOI:10.1080/014311699212678]
23. [23] X., Niu, Y., Ban, "An Adaptive Contextual SEM Algorithm for Urban Land Cover Mapping Using Multitemporal High-Resolution Polarimetric SAR Data", Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, vol. 5, no. 4, pp. 1129-1139, 2012. [DOI:10.1109/JSTARS.2012.2201448]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Masjedi A, Maghsoudi Y, Valadan Zoej M J. Classification of Polarimetric SAR Images Based on Combining Support Vector Machine Classifier and Markov Random Fields. jgit. 2016; 3 (4) :1-18
URL: http://jgit.kntu.ac.ir/article-1-303-fa.html

مسجدی علی، مقصودی یاسر، ولدان زوج محمدجواد. طبقه‌بندی تصاویر پلاریمتری رادار با روزنه مجازی بر اساس تلفیق طبقه‌بندی کننده ماشین بردار پشتیبان و میدان‌های تصادفی مارکوف. مهندسی فناوری اطلاعات مکانی. 1394; 3 (4) :18-1

URL: http://jgit.kntu.ac.ir/article-1-303-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 3، شماره 4 - ( 12-1394 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.04 seconds with 28 queries by YEKTAWEB 4343