استفاده از سيستم‌هاي طبقه‌بندي چندگانه به‌منظور بهبود دقت طبقه‌بندي تصاوير تمام پلاريمتريك راداري با فضاي ويژگي ابعاد بالا

The Use of Multiple Classifier Systems For Improving the Classification Accuracy of High–Dimensional Fully Polarimetric SAR Images

يك تصوير تمام پلاريمتريك راداري (POLSAR) قابليت فراهم‌كردن يك داده با فضاي ويژگي ابعاد بالا را دارد. اين حجم بالاي اطلاعاتي مي‌تواند دقت كلي طبقه‌بندي پوشش زميني را افزايش دهد. اما افزايش ابعاد داده در صورت ناكافي بودن تعداد نمونه هاي آموزشي ممكن است باعث پيچيده تر شدن طبقه بندي و رخ دادن پديده نفرين ابعاد شود. يكي از راهكارهاي حل اين مشكل، استفاده از سيستم هاي طبقه-بندي چندگانه (MCS) است كه توانايي تقسيم و غلبه بر حجم بالاي داده در مقايسه با طبقه بندي‌كننده هاي تكي را داراست. حتي برخي از روش هاي MCS مي توانند با به كارگيري طبقه بندي كننده هاي ضعيف و ناپايدار همچون درخت تصميم (DT) و شبكه عصبي (NN) به دقت بالايي در طبقه بندي ابعاد بالا دست يابند. هدف اين مقاله نيز استفاده از چند روش مشهور MCS همچون آدابوست، بگينگ و جنگل‌هاي تصادفي به‌منظور بهبود دقت طبقه بندي پوشش زميني از تصاوير POLSAR با ابعاد بالا است. داده هاي استفاده شده در اين مقاله، تصاوير راداري رادارست-2 از منطقه سانفرانسيسكو و تصوير ايرسار از منطقه فلوولند است. براي طبقه‌بندي اين دو تصوير، 69 ويژگي پلاريمتريك از آن ها استخراج شد. دو جداساز NN و DT به عنوان طبقه‌بندي كننده پايه روش‌هاي آدابوست و بگينگ انتخاب شد. در ادامه، روش‌هاي MCS با طبقه بندي كننده هاي تكي NN و DT مقايسه شد. نتايج، نشان از دقت كلي بيشتر روش هاي MCS بين 5%-8% براي طبقه بندي تصوير اول و 9% تا 16% براي طبقه بندي تصوير دوم داشت. حتي دقت توليد كننده و دقت كاربر روش هاي MCS در تمام كلاس ها نسبت به طبقه‌بندي كننده‌هاي تكي بيشتر بود. به گونه اي كه در برخي كلاس ها اين اختلاف بين 20% تا حتي نزديك به 50% شد. اين نتايج نشان داد كه روش هاي MCS در مقايسه با طبقه‌بندي كننده هاي تكي نه تنها قادر به توليد دقت كلي بيشتر در طبقه بندي پوشش زميني است، بلكه حتي كارايي و اعتمادپذيري نسبي بالاتري در تفكيك تك تك كلاس ها دارد.

A fully polarimetric synthetic aperture radar (POLSAR) image can provide a high-dimensional data. This large amount of information can increase the overall accuracy of land-cover classification. But increasing the data dimensions if inadequately number of training samples may increase the complexity and cause the curse of dimensionality phenomenon. One of the strategies for solving this problem is the use of multiple classifier systems (MCS) that has the capability of divide and conquer to the large data as compared to the individual classifiers. In addition, some of MCS methods using the weak and unstable classifiers such as decision tree (DT) and neural network (NN) can obtain the high accuracy in high-dimensional data. The objective of this paper is also to use several popular MCS methods such as adaboost, bagging and random forests in order to improve the accuracy of land-cover classification from high-dimensional PolSAR images. The data used in this paper are Radarsat-2 image from San Francisco Bay and AIRSAR image of Flevoland. For classifying two these images, 69 polarimetric features were extracted from them. Two classifiers of DT and NN were chosen as the base classifiers of adaboost and bagging methods. In the next, the MCS methods were compared with the individual classifiers of DT and NN. The results indicated the higher overall accuracy of MCS methods between 5%–8% for classifying first image and 9%–16% for classifying second image. Even, the producerʹs accuracy and userʹs accuracy of MCS methods at all classes were more than the those of individual classifiers. So that at some classes, the difference was between 20% to even near 50%. These results confirmed that the MCS methods not only can produce higher overall accuracy at land-cover classification, but also they have the higher efficiency and reliability at discriminate individual classes.