طبقه‌بندي عارضه مبناي تصاوير پلاريمتري سار با استفاده از طبقه‌بندي‌كننده‌هاي چندگانه ماشين بردار پشتيبان

Object Based Ensemble Classifier for the Classification of Land Cover Polarimetric SAR Data

طبقه بندی پوشش زمین یكی از كاربرد های مهم استفاده از داده های سنجش از دوری است. از میان تصاویر و داده­های مورد استفاده در این مورد، داده های پلاریمتری راداری به خاطر امكان استخراج ویژگی های زیاد و متنوع میتوانند برای طبقه بندی گزینه مناسبی باشند. در این مقاله یك روش عارضه مبنا برای طبقه بندی مناطق شهری با استفاده از داده های پلاریمتری راداری به صورت تلفیق نتایج پیكسل مبنای طبقه بندی SVM و قطعات تصویری ارائه می­گردد. در این تحقیق  برای رسیدن به دقت مناسب طبقه بندی از مجموعه ویژگی های بهینه استفاده  شده است. بدین منظور، از روش طبقه بندی كننده های چندگانه SVM استفاده شده است. برای  نیل به این هدف، معیار دقت كلاس در طبقه بندی SVM, جهت انتخاب ویژگی به صورت كلاس مبنا و همچنین انتخاب ویژگی به صورت تصادفی مورد استفاده قرار گرفته شده است. در تصاویر پلاریمتری به خاطر نویز ضربه ای، گاها نتایج طبقه بندی پیكسل مبنا ممكن است راضی كننده نباشد. لذا در این تحقیق از ویژگی های مربوط به فضای تصویر یا قطعات تصویری استفاده شده است.  بطور كلی روش ارائه شده سه گام اصلی دارد: انتخاب ویژگی , طبقه بندی پیكسل مبنا و تلفیق نتایج پیكسل مبنا و قطعات تصویری. بهبود دقت طبقه بندی بعنوان دستاورد مهم این تحقیق معرفی شده اند.  نتایج نشان میدهد كه دقت كلی روش ارائه شده 07/90 % نسبت به نتایج پیكسل مبنای طبقه بندی كننده های چندگانه SVM (61/83 % ) بهبود داشته است.

In this study, we used an object-oriented  method for merging pixel-based classification and image segments to get an optimal classification result. Urban land-cover classification is one of the important applications in polarimetric SAR remote-sensing images. Because of the nature of PolSAR images, many features can be extracted and used for classification. To achieve classification accuracy, optimal subset of features should be used. For this purpose, we used a class-based multiple classifier with SVM as a pixel-based classifier with class accuracy as a criterion in feature selection.Also we  used  random feature selection for create multi-classifiers. In addition, because of speckle noise in PolSAR images, pixel-based classification result may not be satisfactory. Thematic features used in image segmentation can be helpful to solve this problem. In general, the proposed method has three steps: feature selection, pixel-based classification, and polarimetric spatial classification. The pixel-based classification result is merged with a set of segments that are obtained from multi-resolution segmentation and the results are evaluated with overall accuracy and test pixels. The objectives of the study were to improve the accuracy of classification. Flowchart of the proposed algorithm presented as follows: The distinctive characteristic of synthetic aperture radar (SAR) sensors is the ability to provide a day-or-night, all-weather means of remote sensing. Recent SAR systems can produce high-resolution images of the land under the illumination of radar beams. SAR polarimetry is a technique that employs different polarization waves during transmission toward and reception from the Earthʹs surface and the resultant PolSAR images can be used in identification of different classes based on analyzing different polarization backscattering coefficients; by assigning pixels into different classes using a classification technique, the information contained in the SAR/PolSAR images can be interpreted. Classifier ensembles or multiple classifier systems (MCS) are methods in pattern recognition that are used for image classification; by combining different independent classifiers, MCS can improve classification accuracy in comparison with a single classifier. There are different methods for creating such an ensemble. These methods include modifying the training samples (e.g. bagging [1] and boosting [2]), manipulating the input features (the input feature space is divided into multiple subspaces [3]), and manipulating the output classes (multi-class problem is decomposed into two multiple class problems, e.g. the error correcting output code [3]). After creating an ensemble of classifiers, a decision fusion is used to combine the outputs of the classifiers. Several fusion algorithms have been developed and employed in the literature like majority voting, fuzzy integral, weighted summation, consensus, mixed neural network, and hierarchical classifier system [4], [5]. Class-based feature selection (CBFS) is a method that chooses features for each class separately to create a multiple classifier with manipulating input features. We used this method for pixel-based classification, and then fused single classifiers in two different ways described in the next section. Experimental results showed that the overall accuracy of the proposed method (90.07%) has improved compared with the single SVM classifier and pixel-based multiple SVM classifiers (83.61%).