[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 2، شماره 3 - ( 9-1393 ) ::
جلد 2 شماره 3 صفحات 69-84 برگشت به فهرست نسخه ها
استفاده از سیستم‌های طبقه‌بندی چندگانه به‌منظور بهبود دقت طبقه‌بندی تصاویر تمام پلاریمتریک راداری با فضای ویژگی ابعاد بالا
ایمان خسروی*، مهدی آخوندزاده
دانشگاه تهران
چکیده:   (3077 مشاهده)

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.

واژه‌های کلیدی: سیستم طبقه بندی چندگانه، تصاویر تمام پلاریمتریک، رادار، فضای ویژگی ابعاد بالا
متن کامل [PDF 975 kb]   (893 دریافت)    
نوع مطالعه: پژوهشي |
دریافت: 1394/9/1 | پذیرش: 1394/9/1 | انتشار: 1394/9/1
فهرست منابع
1. [1] C. Lardeux, P-L. Frison, C. Tison, J-C. Souyris, B. Stoll, B. Fruneau, and J-P. Rudant, "Support vector machine for multifrequency SAR polarimetric data classification," IEEE Trans. Geosci. Remote Sens., vol. 47, no. 12, pp. 4143–4152, 2009. [DOI:10.1109/TGRS.2009.2023908]
2. [2] M. Salehi, M. R. Sahebi, and Y. Maghsoudi, "Improving the accuracy of urban land cover classification using Radarsat-2 PolSAR data," IEEE J. Selected Topics in Appl. Earth Observ. Remote Sens., vol. 7, no. 4, pp. 1394–1401, 2014. [DOI:10.1109/JSTARS.2013.2273074]
3. [3] I. Khosravi, and M. Mohammad-Beigi, "Multiple classifier systems for hyperspectral remote sensing data classification," J. the Indian Society of Remote Sens., 42(2), pp. 423–428, 2014. [DOI:10.1007/s12524-013-0327-7]
4. [4] Y. Maghsoudi, M. J. Collins, and D. G. Leckie, "Radarsat-2 polarimetric SAR data for Boreal forest classification using SVM and a wrapper feature selector," IEEE J. Selected Topics in Appl. Earth Observ. Remote Sens., vol. 6, no. 3, pp. 1531–1538, 2013. [DOI:10.1109/JSTARS.2013.2259219]
5. [5] Y. Maghsoudi, M. J. Collins, and D. G. Leckie, "Polarimetric classification of Boreal forest using nonparametric feature selection and multiple classifiers," Int. J. Appl. Earth Observ. Geoinf., vol. 19, pp. 139–150, 2012. [DOI:10.1016/j.jag.2012.04.015]
6. [6] S. Khalid, T. Khalil, and S. Nasreen, "A survey of feature selection and feature extraction techniques in machine learning," IEEE Science and Information Conference (SAI), pp. 372–378, 2014. [DOI:10.1109/SAI.2014.6918213]
7. [7] R. Polikar, "Ensemble based systems in decision making," IEEE Circuits and Systems Mag., pp. 21–24, 2006. [DOI:10.1109/MCAS.2006.1688199]
8. [8] J. A. Benediktsson, and I. Kanellopoulos, "Classification of multi-source and hyperspectral data based on decision fusion," IEEE Trans. Geosci. Remote Sens., vol. 37, no. 3, pp. 1367–1377, 1999. [DOI:10.1109/36.763301]
9. [9] J. Ham, Y. Chen, M. M. Crawford, and J. Gosh, "Investigation of the random forest framework for classification of hyperspectral data," IEEE Trans. Geosci. Remote Sens., vol. 43, no. 3, pp. 492–501, 2005. [DOI:10.1109/TGRS.2004.842481]
10. [10] B. Waske, and J. A. Benediktsson, "Fusion of support vector machines for classification of multisensor data," IEEE Trans. Geosci. Remote Sens., vol. 45, no. 12, pp. 3858–3866, 2007. [DOI:10.1109/TGRS.2007.898446]
11. [11] X. Ceamanos, B. Waske, J. A. Benediktsson, J. Chanussot, M. Fauvel, and J. R. Sveinsson, "A classifier ensemble based on fusion of support vector machines for classifying hyperspectral data," Int. J. Image and Data Fusion, 1(4), pp. 293–307, 2010. [DOI:10.1080/19479832.2010.485935]
12. [12] T. C. Malleswara Rao, G. Jai Sankar, and T. Roopesh Kumar, "A hierarchical hybrid SVM method for classification of remotely sensed data," J. the Indian Society of Remote Sens., 40(2), pp. 191–200, 2012. [DOI:10.1007/s12524-011-0149-4]
13. [13] B. Bigdeli, F. Samadzadegan, and P. Reinartz, "A decision fusion method based on multiple support vector machine system for fusion of hyperspectral and LIDAR data," Int. J. Image and Data Fusion, 5(3), pp. 196–209, 2014. [DOI:10.1080/19479832.2014.919964]
14. [14] C. Jiong, C. Yilun, and J. Yang, "A novel supervised classification scheme based on Adaboost for Polarimetric SAR," 9th International Conference on Signal Processing, 2008. ICSP 2008, pp. 2400–2403.
15. [15] R. Min, X. Yang, and Z. Zhao, "Application of AdaBoost in polarimetric SAR image classification," 2009 IEEE Radar Conference, pp. 1–4.
16. [16] B. Waske, and M. Braun, "Classifier ensemble for land cover mapping using multi-temporal SAR imagery," ISPRS J. Photogrammetry and Remote Sens., vol. 65, no. 5, pp. 450–457, 2009. [DOI:10.1016/j.isprsjprs.2009.01.003]
17. [17] L. Zhang, X. Wang, M. Li, and W. M. Moon, "Classification of fully polarimetric SAR images based on ensemble learning and feature integration," Geoscience and Remote Sensing Symposium (IGARSS), 2014 IEEE International, pp. 2758–2761, 2014.
18. [18] Y. Wang, Y, Zhang, T. Zhuoc, and M. Liao, "Ensemble learning based on multi-features fusion and selection for polarimetric SAR image classification," Signal Processing (ICSP), 2014 12th International Conference on, pp. 734–737, 2014.
19. [19] S. Uhlmann and S. Kiranyaz, "Evaluation of classifiers for polarimetric SAR classification," Geoscience and Remote Sensing Symposium (IGARSS), 2013 IEEE International, pp. 775–778, 2013. [DOI:10.1109/IGARSS.2013.6721272]
20. [20] L. Xu, J. Li, and A. Brenning, "A comparative study of different classification techniques for marine oil spill identification using RADARSAT-1 imagery," Remote Sens. Environ., 141, pp. 14–23, 2014. [DOI:10.1016/j.rse.2013.10.012]
21. [21] P. Du, A. Samata, P. Gamba, X. Xiea, "Polarimetric SAR image classification by Boosted Multiple-Kernel Extreme Learning Machines with polarimetric and spatial features," Int. J. Remote Sens., 35:23, pp. 7978–7990. [DOI:10.1080/2150704X.2014.978952]
22. [22] G. J. Briem, J. A. Benediktsson, and J. R. Sveinsson, "Multiple classifiers applied to multisource remote sensing data," IEEE Trans. Geosci. Remote Sens., vol. 40, no. 10, pp. 2291–2292, 2002. [DOI:10.1109/TGRS.2002.802476]
23. [23] L. Breiman, "Random Forests," Machine Learning, vol. 45, no. 1, pp. 5–32, 2001. [DOI:10.1023/A:1010933404324]
24. [24] J. A. Benediktsson, J. Chanussot, and M. Fauvel, "Multiple classifier systems in remote sensing: from basics to recent developments," MCS'07 Proceedings of the 7th international conference on multiple classifier systems. Heidelberg, Germany: Springer. [DOI:10.1007/978-3-540-72523-7_50]
25. [25] J. S. Lee, M. R. Grunes, and G. de Grandi, "Polarimetric SAR speckle filtering and its implication for classification," IEEE Trans. Geosci. Remote Sens., vol. 37, no. 5, pp. 2363–2373, 1999. [DOI:10.1109/36.789635]
26. [26] RG. Congalton, and K. Green, "Assessing the accuracy of remotely sensed data principles and practices," 2nd edition, Taylor & Francis Group, 2009.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


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

Khosravi I, Mehdi A. The Use of Multiple Classifier Systems For Improving the Classification Accuracy of High–Dimensional Fully Polarimetric SAR Images. jgit. 2014; 2 (3) :69-84
URL: http://jgit.kntu.ac.ir/article-1-162-fa.html

خسروی ایمان، آخوندزاده مهدی. استفاده از سیستم‌های طبقه‌بندی چندگانه به‌منظور بهبود دقت طبقه‌بندی تصاویر تمام پلاریمتریک راداری با فضای ویژگی ابعاد بالا. مهندسی فناوری اطلاعات مکانی. 1393; 2 (3) :69-84

URL: http://jgit.kntu.ac.ir/article-1-162-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 2، شماره 3 - ( 9-1393 ) 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 0.07 seconds with 28 queries by YEKTAWEB 4341