خوشه بندی تصاویر پلاریمتری-اینترفرومتری راداری با استفاده از آنتروپی شانون و الگوریتم میدان تصادفی مارکوف

داده های پلاریمتری-اینترفرومتری راداری، با فراهم کردن اطلاعاتی از نوع شدت، دارا بودن اطلاعات پلاریمتری دو تصویر و اطلاعات ارتفاعی حاصل از اینترفرومتری، توانایی زیادی در طبقه بندی پوشش های زمین دارند که این ویژگی های سه­گانه در آنتروپی شانون حاصل از این داده ها، به تفکیک قابل مشاهده هستند. استفاده همزمان این پارامترها، نقش تکمیل کننده ای در طبقه بندی ارائه می کنند، به طوریکه حضور اطلاعات اینترفرومتری، باعث افزایش دقت طبقه بندی می شود. همچنین داده های اخذ شده از دنیای واقعی، دارای پیوستگی مکانی هستند. بنابراین در این تحقیق، از الگوریتم میدان تصادفی مارکوف به منظور در نظر­گرفتن همسایگی های پیکسلی و مجموعه پارامترهای آنتروپی شانون داده های پلاریمتری-اینترفرومتری راداری برای طبقه بندی استفاده می شود. الگوریتم میدان تصادفی مارکوف برای شروع، نیاز به یک نقشه طبقه بندی شده اولیه دارد. نقشه طبقه بندی شده اولیه با استفاده از بی نظمی و ناهمسانگردی پلاریمتری و پلاریمتری-اینترفرومتری و ادغام کلاس های حاصل، براساس شباهت ماتریس همدوسی پلاریمتری-اینترفرومتری مراکز کلاس ها، تهیه می شود. بررسی کارآیی الگوریتم پیشنهادی با استفاده از داده پلاریمتری-اینترفرومتری اخذ شده توسط سازمان فضایی آلمان(DLR) انجام می شود. در تحقیق حاضر، از شاخص درجه خلوص خوشه ها برای ارزیابی عملکرد الگوریتم پیشنهادی و چند الگوریتم دیگر استفاده می شود. درجه خلوص کل حاصل از الگوریتم پیشنهادی در مقایسه با درجه خلوص حاصل از الگوریتم های -ویشارت( )، االگوریتم پیشنهادی –ویشارت( )،  -FCM ویشارت( ) و طبقه­بندی با کمک سه پارامتر آنتروپی شانون و الگوریتم خوشه بندی FCM به ترتیب به مقدار ۲۸.۴۸%،  ۱۱.۳۸%،  ۱۶.۶۰% و۱۹.۶۰%  افزایش پیدا کرده است.

Keywords:

پلاریمتری , اینترفرومتری راداری , بی نظمی و ناهمسانگردی , آنتروپی شانون , میدان تصادفی مارکوف