عنوان پایان‌نامه
طبقه بندی نظارت شده ی تصا ویر پلاریمتریک راداری با استفاده از ماشین های بردار مبنا
- رشته تحصیلی
- مهندسی عمران - نقشه برداری - فتوگرامتری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 2255;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 56466
- تاریخ دفاع
- ۰۲ اسفند ۱۳۹۰
- دانشجو
- الهه فردوسی
- استاد راهنما
- فرهاد صمدزادگان
- چکیده
- در سال¬های اخیر، با توجه به رشد و توسعه¬ی سنجنده¬های سنجش از دور، تصاویر پلاریمتریک راداری به عنوان ابزاری قدرتمند و کارا، مورد توجه قرارگرفته است. این تصاویر با بکارگیری پلاریزاسیون¬های مختلف امواج الکترومغناطیسی، منابع اطلاعاتی غنی در ارتباط با جنبه¬های مختلف تارگت¬های زمینی را فراهم می¬آورند. این درحالیست که استخراج این اطلاعات، فاکتوری اساسی در طبقه¬بندی این تصاویر محسوب می¬شود. باید توجه داشت که دقت طبقه¬بندی تصاویر، علاوه بر ویژگی¬های استخراج شده به خصوصیات طبقه¬بندی کننده¬ی انتخابی نیز وابسته می¬باشد. از میان طبقه¬بندی کننده¬های بسیاری که در زمینه¬ی طبقه¬بندی تصاویر پلاریمتریک راداری موجود می¬باشند، ماشین¬های بردار پشتیبان به سبب عملکردشان بر مبنای ویژگی¬های هندسی و قابلیت تعمیم بالا به طور ویژه¬ای مورد توجه قرار گرفته اند. اگرچه طبقه¬بندی کننده¬ی ماشین¬های بردار پشتیبان از عملکردی مناسب در فضاهای جستجو با ابعاد بالا برخوردار می¬باشد، اما تنظیم مقادیر پارامترهای آن و انتخاب ویژگی¬ها موثر و کارآمد، دقت طبقه¬بندی و سرعت همگرایی را به طور قابل توجهی تحت تاثیر قرار می¬دهند. بنابراین، به منظور طراحی به یک سیستم طبقه¬بندی بهینه، تعیین مقادیر بهینه¬ی پارامترهای ماشین¬های بردار پشتیبان و انتخاب زیرمجموعه¬ای بهینه از ویژگی¬¬ها، از مسائل چالش ¬برانگیز، در این زمینه می¬باشند. روش¬های بهینه¬سازی سنتی متداول به سبب مواجه شدن با پیچیدگی¬های محاسباتی، در فضاهای جستجوی بزرگ اغلب به بهینه¬های محلی همگرا می¬شوند. بنابراین در این تحقیق الگوریتم-های بهینه¬سازی فراابتکاری که از جستجوی سراسری گسترده همراه با جستجوی محلی بهره می¬گیرند، به منظور رسیدن به بهترین دقت طبقه¬بندی مورد استفاده قرار گرفته ¬اند. رویکرد¬های پیشنهادی در این تحقیق انتخاب مدل، اتخاب ویژگی و حل همزمان انتخاب مدل و ویژگی می¬باشند. بدین ترتیب، در این تحقیق، توانایی الگوریتم¬های فراابتکاری جمعیت¬مبناء و مسیرمبناء به عنوان تکنیک¬های قدرتمند بهینه¬سازی مورد ارزیابی قرار داده شده است. مقایسه¬ی نتایج بدست آمده، نه تنها عملکرد برتر الگوریتم¬های فراابتکاری را از لحاظ دقت طبقه¬بندی و سرعت همگرایی در مقایسه با روش¬های سنتی اثبات می¬کند، بلکه دقت بالاتر الگوریتم¬های فراابتکاری جمعیت¬مبناء را در رویکرد تعیین همزمان اتخاب مدل و ویژگی تائید می¬کند.
- Abstract
- Considering the development of Remote Sensing sensors, Polarimetric images have been the matter of interest as powerful and efficient tools. They provide highly informative sources of terrain targets utilizing different polarizations of electromagnetic waves. However, Classification of an image is the key factor to extract such information. Accuracy of classification is relevant not only to the extracted features, but also to the properties of selected classifier. Among several classifiers, Support Vector Machines (SVMs), because of their operations based on geometrical characteristics and high generalization abilitiy, are particularly more applicable for Polarimetric image classification. Although SVMs classifier has superior performance in high dimensional search spaces, their parameters assignment and input features have significant effect on the classification accuracy and the speed of convergence. Consequently, determination of optimum SVMs parameters and features to achieve an accurate SVMs classifier is an important challenge. Astraditional optimization techniques usually have computational complexities and trap in local optimum in a large search space, Metaheuristic Algorithms which perform exploration and exploitation to obtain global optimum are applied in this research. The potentiality of Population-based and Trajectory-based Metaheuristic Algorithms as powerful optimization techniques in determining the optimum SVMs classifier is also evaluated. In this research, Applied strategies can be summarized as: classification based on Model Selection, classification based on Feature Selection, classification based on Model and Feature Selection simultaneously. The results not only demonstrate the superior performance of Metaheuristic Algorithms in terms of classification accuracy and speed of convergence in comparison with other traditional optimization techniques, but also approve Population-based Algorithms as more accurated and generalized algorithms when model and feature selection are carried out simultaneously.
