طبقه بندی نظارت نشده تصاویر پلاریمتریک SAR با استفاده از مکانیسم پراکندگی و میدان های تصادفی مارکوف

در این مقاله، یک روش طبقه بندی نظارت نشده به کمک اطلاعات همسایگی، برای طبقه بندی تصاویر پلاریمتریک SAR ارائه شده است. ابتدا با استفاده از الگوریتم تجزیه هدف Cloude & Pottier یک طبقه بندی نظارت نشده بر مبنای فضای H/▁α صورت پذیرفت. خروجی این طبقه بندی را، به منظور همگرایی سریع الگوریتم، برای محاسبه مقادیر اولیه مراکز خوشه ها در الگوریتم اصلی در نظر گرفتیم. سپس، با استفاده از تابع تمایز استخراج شده از تئوری بیز، طبقه بندی را با معیار MAP انجام دادیم. در معیار MAP، از توزیع ویشارت به عنوان توزیع داده های PolSAR و مدل سازی اطلاعات همسایگی با الگوریتم میدان های تصادفی مارکوف، برای محاسبه احتمال اولیه کلاس ها، استفاده شد. برای افزایش قدرت تفکیک پذیری کلاس ها، به طور همزمان از اطلاعات دو تصویر مربوط به دو فصل مختلف، استفاده کردیم. دقت کلی طبقه بندی برای دو روش ویشارت و روش پیشنهادی بر مبنای معیار Purity به ترتیب برابر با 70% و 82% حاصل شد. تصاویر استفاده شده مربوط به ماهواره RADARSAT-2 از یک منطقه جنگلی به نام Petawawa در کشور کانادا، بودند.