روشي نو براي انتخاب ويژگي‌هاي بهينه و افزايش قدرت تفكيك مكاني در نتايج طبقه‌بندي تصاوير پلاريمتري راداري

A Novel Approach for Optimal Feature Selection and Sub-Pixel Mapping in Polarimetric Radar Images

استفاده از داده‌هاي پلاريمتري راداري نقش تعيين‌كننده‌اي در شناسايي اهداف زميني دارد و اطلاعات جامعي در مورد ويژگي‌هاي هندسي و همچنين ماهيت اهداف، با بهره‌گيري از اين نوع داده‌ها استخراج‌شدني است. از جمله مشكلات موجود در زمينه طبقه‌بندي اين نوع داده‌ها، انتخاب ويژگي‌هاي بهينه است. با توجه به اهميت اين موضوع، در تحقيق حاضر روشي نو براساس نگاشت ويژگي‌هاي استخراج شده به فضاي پديده ارايه شده است. به عنوان يكي از نتايج تحقيق، شاخص بهينگي در فضاي پديده براي انتخاب ويژگي‌هاي بهينه تصاوير پلاريمتري راداري ارايه گرديد. از طرف ديگر، يكي از محدوديت‌هاي موجود در زمينه استخراج اطلاعات دقيق مكاني، اختلاط مكانيسم‌هاي بازپراكنش در سطح پيكسل است. بنابراين، استفاده از طبقه‌بندي‌كننده‌هاي نرم به منظور تجزيه اين نوع اختلاط‌ها ضروري است. اينكه تضميني براي منفي نشدن سهم كلاس‌ها و همچنين واحد شدن مجموع سهم كلاس‌ها در هر پيكسل وجود ندارد، خود از چالش‌هاي طبقه‌بندي‌كننده‌هاي نرم است، كه در اين تحقيق با تلفيق طبقه‌بندي‌كننده نرم و الگوريتم نظارت‌نشده استخراج عناصر خالص مرتفع گرديد. طبقه‌بندي كننده‌هاي نرم به‌رغم افزايش اطلاعات ماهيتي در نتايج طبقه‌بندي، توان جانمايي كلاس‌ها را در سطح زيرپيكسل ندارند و فقط سهم تعلق كلاس‌ها را در هر پيكسل تعيين مي‌كنند. بدين منظور الگوريتم‌هاي (SRM) Super Resolution Mapping براي افزايش قدرت تفكيك مكاني در سطح نتايج طبقه‌بندي نرم شكل گرفته و پرورده شده‌اند. در اين تحقيق نيز از روش جابه‌جايي پيكسلي به منظور تهيه نقشه در سطح زيرپيكسل استفاده شده و فرايندي غيرتصادفي براي جانمايي اوليه زيرپيكسل‌ها ارايه گرديده است. براساس نتايج تحقيق، روش پيشنهادي براي انتخاب ويژگي‌هاي بهينه در مقايسه با روش مبتني بر الگوريتم ژنتيك نتايج بهتري را به دست داد. در ادامه با استفاده از ويژگي‌هاي به‌دست‌آمده، سه الگوريتم تجزيه اختلاط طيفي خطي (LSU)، شبكه عصبي چندلايه (MLP)) و ماشين بردار پشتيبان (SVM) براي طبقه‌بندي نرم منطقه مطالعاتي در سه كلاس مسكوني، پوشش گياهي و زمين باير اعمال گرديد. با ارزيابي آنها، SVM به عنوان طبقه‌بندي‌كننده بهينه شناسايي شد و نتايج آن در فرايند جانمايي كلاس‌ها در سطح زيرپيكسل به كار رفت. در نهايت با پياده‌سازي الگوريتم جابه‌جايي پيكسلي، تصاوير پلاريمتري راداري در سطح زيرپيكسل طبقه‌بندي شدند و قدرت تفكيك مكاني نتايج طبقه‌بندي نرم بهبود يافت. كليد‌واژه‌ها: تصاوير پلاريمتري راداري، استخراج ويژگي، فضاي پديده، انتخاب ويژگي، طبقه‌بندي نرم، SRM، جابه‌جايي پيكسلي.

Taking the advantages of polarimetric radar data has a decisive role in target detection purposes. In this way, comprehensive geometric and descriptive information could be derived through processing this kind of data. However, the selection of optimal features could be considered as a major challenge in order to classification of the polarimetric radar imagery. In this paper, a novel approach is proposed for optimal feature selection based on mapping the extracted features to the prototype space. As a key result of the paper, fitness index is introduced to facilitate the optimal feature selection in polarimetric radar images. On the other hand, the mixture of backscattering mechanisms in a pixel level is another limitation to obtain precise spatial information. Thus, utilizing soft classifiers is indispensible to acquire the sub-pixel information. Positivity and sum to unity of the fractions within each pixel are major challenges in results of the soft classifiers. In this paper, integration of the soft classifiers and unsupervised algorithms of end-member extraction is proposed to solve this problem. Likewise, soft classifiers just provide fractional maps and the spatial arrangement of sub-pixels remains unknown. In this regard, Super Resolution Mapping (SRM) techniques are developed to enhance the spatial resolution of the results of soft classifiers. This research attempts to provide a sub-pixel classification of polarimetric radar images using the pixel swapping technique. Towards this end, a non-random procedure is suggested for initial arrangement of the sub-pixels. According to the results, the proposed method for optimal feature selection is demonstrated more accurate results than genetic algorithm. Next, three algorithms including Linear Spectral Unmixing (LSU), Multi-Layer Perceptron (MLP) and Support Vector Machines (SVM) are performed to soft classifying of the polarimetric radar image into three classes (residential, vegetation and bare earth). SVM present accurate results in comparison to others; its resulted fractional maps are used in SRM procedure. Finally, pixel swapping technique is performed based on the results of SVM classification and the land cover map of the study area is produced in a finer spatial resolution. Keywords: Polarimetric Radar Images, Feature extraction, Prototype space, Feature selection, Soft classification, SRM, Pixel swapping.