طبقه بندی تصاویر پلاریمتری رادار با روزنه مجازی با استفاده از الگوریتم Bag of Visual Words

پوشش زمین و تغییرات آن از چنان اهمیتی در زندگی ما برخوردار است که سالانه هزینه سنگینی صرف بررسی و مدیریت آن می شود. از این رو، انواع روش های موثر در این زمینه همواره موردتوجه محققین بوده است. روش های مبتنی بر سنجش ازدور با توجه به قابلیت های بیشمار آن ها، با اقبال خوبی در سال های اخیر مواجه شده اند. در این میان الگوریتم های طبقه بندی به عنوان یکی از اساسی ترین ابزارها در آنالیز تصاویر سنجش ازدوری به شمار می آیند. تصاویر رادار با روزنه مجازی[1] نیز با توجه به داده های غنی و قابلیت اخذ داده در روز و شب و در شرایط مختلف آب و هوایی، پتانسیل بالایی در مطالعه و بررسی پوشش زمینی دارند. پیشرفت های اخیر سنجنده های رادار با روزنه مجازی در اخذ داده با قدرت تفکیک مکانی بسیار بالا و به صورت تمام پلاریمتری، علاوه بر ایجاد امکان مطالعه دقیق پوشش زمینی، استفاده از الگوریتم های قدرتمند جهت پردازش آن ها را اجتناب ناپذیر و لازم کرده است. در این مقاله از مدل BOVW[2] با رویکردی جدید، به منظور طبقه بندی تصویر تمام پلاریمتری رادار با روزنه مجازی استفاده شده است و نتایج حاصل ازنظر کمی و کیفی با نتیجه حاصل از طبقه بندی تصویر مورد نظر با استفاده از الگوریتم های ماشین بردار پشتیبان[3]، شبکه عصبی مصنوعی[4] و ویشارت[5]، مقایسه شده است. تصویر مورد مطالعه تصویر اخذ شده توسط سنجنده رادارست2 از منطقه سانفرانسیسکو می باشد که در باند C و به صورت تمام پلاریمتری اخذ شده است. دقت کلی 90.1% به دست آمده از طبقه بندی تصویر مورد نظر، نشانگر پتانسیل بالای این مدل در طبقه بندی تصاویر رادار با روزنه مجازی می باشد. همچنین عدم تاثیر اسپکل در نتایج نهایی روش پیشنهاد شده، دیگر مزیت این روش به شمار می آید.