خوشه بندی تصاویر پلاریمتری-اینترفرومتری راداری با استفاده از آنتروپی شانون و الگوریتم میدان تصادفی مارکوف(مقاله علمی وزارت علوم)
حوزه‌های تخصصی:
داده های پلاریمتری-اینترفرومتری راداری با فراهم نمودن اطلاعاتی از نوع شدت، دارا بودن اطلاعات پلاریمتری دو تصویر و اطلاعات ارتفاعی حاصل از اینترفرومتری، توانایی زیادی در طبقه بندی پوشش های زمین نشان می دهند که این ویژگی های سه گانه در آنتروپی شانون حاصل از این داده ها به تفکیک قابل مشاهده می باشند. استفاده همزمان این پارامترها نقش تکمیل کننده ای در طبقه بندی ارائه می کنند به طوری که حضور اطلاعات اینترفرومتری باعث افزایش دقت طبقه بندی می شود. همچنین داده های اخذ شده از دنیای واقعی دارای پیوستگی مکانی می باشند. بنابراین دراین تحقیق از الگوریتم میدان تصادفی مارکوف به منظور در نظر گرفتن 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 الگورتیم 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 طبقه بندی با کمک سه پارامترآنتروپی شانون و الگورتیم خوشه بندی FCM به ترتیب به مقدار 28.48%، 11.38%، 16.60% و19.60% افزایش پیدا کرده است.