Signal and Data Processing

fa طبقه‌بندی تصاویر پلاریمتری رادار مبتنی بر ماشین بردار پشتیبان و الگوریتم جستجوی گرانشی دودویی Classification of polarimetric radar images based on SVM and BGSA مقالات پردازش تصویر Paper پژوهشي Research <div style="text-align: justify;">هدف از این پژوهش ارائه یک روش بهینه بهه‌منظور طبقه‌بندی تصاویر رادار پلاریمتری است. روش پیشنهادی تلفیقی از ماشین بردار پشتیبان و الگوریتم بهینه‌سازی جستجوی گرانشی دودویی است. در این راستا، ابتدا مجموعه‌ای از ویژگی‌های پلاریمتریک شامل مقادیر داده اصلی، ویژگی‌های تجزیه هدف و تفکیک‌کننده‌های SAR از تصاویر استخراج می‌شوند؛ سپس به‌منظور انتخاب ویژگی‌های مناسب و تعیین پارامترهای بهینه برای طبقه‌بندی‌کننده ماشین بردار پشتیبان از الگوریتم جستجوی گرانشی دودویی استفاده شده است. به‌منظور دست‌یابی به یک سامانه طبقه‌بندی با دقت طبقه‌بندی بالا، انتخاب مقادیر بهینه پارامترهای مدل و زیرمجموعه‌ای از ویژگی‌های بهینه، به‌طور هم‌زمان انجام می‌پذیرد. نتایج پیاده‌سازی الگوریتم پیشنهادی با دو حالت، در‌نظر‌گرفتن تمام ویژگی‌های انتخاب‌شده، و الگوریتم ژنتیک، قیاس شده که نتایج حاصل از تفکیک نواحی برای سه ناحیه مورد بررسی قرار گرفته است. تفکیک نواحی برای مناطق سانفرانسیسکو و مانیل، و تشخیص لکه نفتی سطح اقیانوس منطقه فیلیپین مورد ارزیابی قرار گرفته که به‌ترتیب با بهبود دقت کلی تقریبی 12، 7 و 5/6 درصد در قیاس با الگوریتم ژنتیک بهبود داشته است.</div> <div style="text-align: justify;">Classification of land cover is one of the most important applications of radar polarimetry images. The purpose of image classification is to classify image pixels into different classes based on vector properties of the extractor. Radar imaging systems provide useful information about ground cover by using a wide range of electromagnetic waves to image the Earth's surface. The purpose of this study is to present an optimal method for classifying polarimetric radar images. The proposed method is a combination of support vector machine and binary gravitational search optimization algorithm. In this regard, first a set of polarimetric features including original data values, target parsing features, and SAR separators are extracted from the images. Then, in order to select the appropriate features and determine the optimal parameters for the support vector machine classifier, the binary gravitational search algorithm is used. In order to achieve a classification system with high classification accuracy, the optimal values of the model parameters and a subset of the optimal properties are selected simultaneously. The results of the implementation of the proposed algorithm are compared with two states, taking into account all the selected features, and the genetic algorithm, the results of zoning for the three regions are examined. The separation of areas for the San Francisco and Manila regions, and the detection of oil slicks in the ocean surface of the Philippines, have been evaluated. The comparison with the genetic algorithm was approximately between 6% to 12% and the comparison with the presence of all features was between 13% and 20%. For the San Francisco area, the number of extraction properties was 101, which was selected using the proposed 47 optimal properties algorithm. For the city of Manila, after applying the algorithm, 31 optimal features have been selected from 65 features. For the oil slick of the city of the Philippines, we have reached the stated accuracy by selecting 33 features from 69 features, for the first two regions the number of initial population is 50 and the repetition period is 30, and for the third region with 30 initial population and the repetition period is 10.</div> انتخاب ویژگی, طبقه‌بندی تصویر, ماشین بردار پشتیبان, بهینه‌سازی, الگوریتم جستجوی گرانشی دودویی, پلاریمتری رادار Feature Selection, Image classification, support vector machine, optimization, binary gravitational search algorithm, polarimetric radar 102 87 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1212-2&slc_lang=fa&sid=1 yaser rezaei یاسر رضائی rezaei.yaser@ut.ac.ir 10031947532846009892 10031947532846009892 No Faculty of New Science and Technology, University of Tehran دانشکده علوم و فنون نوین، دانشگاه تهران alirezae rezaee علیرضا رضائی arezaee@ut.ac.ir 10031947532846009893 10031947532846009893 Yes nterdisciplinary Technology and Mechatronics, Faculty of New Science and Technology, University of Tehran گروه مهندسی سیستم و مکاترونیک دانشکده علوم و فنون نوین، دانشگاه تهران fateme darakeh فاطمه درکه f_darake@yahoo.com 10031947532846009894 10031947532846009894 No Faculty of Computer and electrical engineering, Iranian Research Organization for Science and Technology پژوهشکده برق و فناوری اطلاعات zeynab azarakhsh زینب آذرخش zi.azarakhsh@Gmail.com 10031947532846009895 10031947532846009895 No Department of Remote Sensing and GIS, Shahid Beheshti University دانشکده علوم زمین، دانشگاه شهید بهشتی