ارايه يك روش انتخاب ويژگي براساس الگوريتم ژنتيك و درخت تصميم به‌منظور طبقه‌بندي تصاوير تمام پلاريمتريك راداري

Presenting A Feature Selection Method Based On Genetic Algorithm and Decision Tree For Classifying Fully Polarimetric SAR Images

يك تصوير تمام پلاريمتريك راداري (POLSAR) قادر است ويژگي هاي پلاريمتريك مهمي براي طبقه بندي پوشش زميني فراهم كند. اين ويژگي ها مي‌توانند پارامترهاي مستخرج از ماتريس پراكنش، كواريانس و همدوسي يا پارامترهاي مستخرج از روش هاي تجزيه هدف يا هر دو دسته باشد. در اين مقاله، ويژگي هاي پلاريمتريك فراواني از يك تصوير POLSAR استخراج مي شود. سپس با استفاده از الگوريتم ژنتيك (GA) و درخت تصميم (DT)، يك روش انتخاب ويژگي مبتني بر طبقه بندي ارايه مي شود. پس از آن، طبقه‌بندي كننده DT با ويژگي هاي انتخابي از روش پيشنهادي با طبقه بندي كننده DT با تمام ويژگي ها مقايسه مي شود. علاوه بر اين، روش پيشنهادي با روش انتخاب ويژگي GA و ماشين بردار پشتيبان (SVM) نيز مقايسه مي شود. نتايج نشان داد كه دقت روش پيشنهادي (DT با ويژگي هاي منتخب از GA-DT) حدوداً 3 درصد بيشتر از دقت روش DT با تمام ويژگي ها و تقريباً نزديك به دقت روش DT با ويژگي هاي منتخب از GA-SVM شد. اين درحالي است، كه سرعت عملكرد روش پيشنهادي تقريباً 5 برابر بيشتر از سرعت عملكرد روش DT با ويژگي هاي منتخب از GA-SVM شد. به عنوان يك نتيجه ي ديگر، ويژگي هاي منتخب از روش پيشنهادي موفقيت بيشتري در تفكيك كلاس هاي شهري و پوشش گياهي نسبت به ويژگي هاي دو روش ديگر داشتند.

A fully polarimetric synthetic aperture radar (POLSAR) image can provide important polarimetric features for land cover classification. These features can be the parameters obtained from scatering, covariance and coherency matrices, parameters extracted from target decomposition methods or both of them. In this paper, many polarimetric features are extracted from a POLSAR image. Then, with the use of Genetic Algorithm (GA) and Decision Tree (DT), a feature selection method based on the classification is presented. Afterwards, a comparative analysis is accomplished between DT classification with features selected from the proposed method and DT classification with all features. Moreover, the proposed method should be compared with the feature selection method of GA and Support Vector Machine (SVM). The results indicated that the accuracy of the proposed method (DT classification with the features selected from GA-DT algorithm) is nearly 3% higher than the ones of the DT classification with all features and it is approximately equal with the ones of the DT classification with the features selected from GA-SVM algorithm. However, the performance speed of the proposed method is approximately 5 times more than the ones of DT classification with the features selected from GA-SVM algorithm. As an another result, the features selected from the proposed method have a more success than the ones of two other methods at classifying the urban areas and vegetation classes.