طبقه بندی تصاویر SAR پلاریمتریک با استخراج ویژگی های مکانی و پراکندگی و نمونه های آموزشی محدود
عنوان دوره: بیستمین کنفرانس ژئوفیزیک ایران
کد مقاله : 1942-NIGS
نویسندگان
1گروه آموزشی مخابرات سیستم ، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس ، تهران ، ایران
2گروه آموزشی مخابرات سیستم، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران
چکیده
امروزه طبقه بندی تصاویر ماهواره ای یکی از اصلی ترین موضوعات مورد بحث و مطالعه در مباحث سنجش از دور میباشد. تصاویر POLSAR یکی از انواع تصاویر SAR میباشد که به خاطر استفاده از پلاریزاسیون های مختلف (افقی و عمودی)، قابلیت استخراج اطلاعات دقیق تری از مکانیزم پراکندگی محیط مورد مطالعه ایجاد میکند، ولی همین موضوع در عین حال میتواند عملیات استخراج ویژگی و طبقه بندی را پیچیده تر کند. در این مقاله از شبکه های عصبی کانولوشنی (CNN) جهت استخراج ویژگی و طبقه بندی تصاویر استفاده میشود. علاوه بر آن سعی میشود با استفاده از پروفایل های ریخت شناسی و یکی از روش های تجزیه هدف تحت عنوان H/A/alpha decomposition به ترتیب ویژگی های مکانی و پراکندگی را به صورت جداگانه استخراج کرده و به همراه دیتای اصلی POLSAR به عنوان ورودی به شبکه کانولوشنی داده شوند. همچنین به کمک طبقه بند SVM به تعداد نمونه های آموزشی(برچسب دار) محدودی که در اختیار داریم اضافه میکنیم و به بهبود آموزش در شبکه CNN کمک میکنیم که در نهایت باعث افزایش راندمان ساختار نهایی و بهبود عملکرد آن در طبقه بندی میشود.
کلیدواژه ها
رادار دهانه مصنوعی؛ شبکه عصبی کانولوشنی؛ پروفایل های ریخت شناسی؛ فیلترهای تجزیه هدف؛ استخراج ویژگی؛ ماشین بردار پشتیبان
Title
Polarimetric SAR Image Classification Using Spatial and Scattering Features Extraction with Limited Training Samples
Authors
amirhosein ghazvinizadeh, maryam imani, Hassan ghasemian
Abstract
Nowadays, classification of satellite images is one of the main subjects discussed and studied in remote sensing topics. POLSAR images are one of the types of SAR images that due to the use of different polarizations (horizontal and vertical), these images have potential to extract more accurate information from the scattering mechanism of the desired environment. However, this can also make feature extraction and classification operations more complicated. In this paper, convolutional neural networks (CNNs) are used to extract features and classify images. In addition, by using morphological profiles and one of target decomposition methods called H / A / alpha decomposition, we try to extract the spatial and scattering features separately and stack them with the main POLSAR data, to use as input to the convolutional network. Also we use the SVM classifier to increase the limited training samples through obtaining an initial classification map. The result is improvement of classification.
Keywords
Synthetic Aperture Radar (SAR), Convolutional Neural Network (CNN), Morphological Profiles, Target decomposition, feature extraction, Support Vector Machine