IMPACT OF POLARIMETRIC SAR SPECKLE REDUCTION ON CLASSIFICATION OF AGRICULTURE LANDS
Notice bibliographique
Résumé
Abstract. Presence of speckle in the Polarimetric Synthetic Aperture Radar (PolSAR) images could decrease the performance of information extraction applications such as classification, segmentation, change detection, etc. Hence, an essential pre-processing step named de-speckling is needed to suppress this granular noise-like phenomenon from the PolSAR images. In this paper, a comparison study is conducted between several new PolSAR speckle reduction methods such as POSSC, PNGF, and ANLM. For this comparison, a 4-look L-band AIRSAR NASA/JPL PolSAR dataset that obtained over an agriculture land from Flevoland, Netherlands, was employed. The de-speckling assessment was completed based on some no-reference quantitative indicators. All the de-speckling methods were evaluated in terms of speckle reduction form homogeneous areas, details, and radiometric preservation, and retaining the polarimetric information. Furthermore, the impact of PolSAR de-speckling on classification was evaluated. For this purpose, Support Vector Machine (SVM) classifier was used to classify H/A/Alpha decomposition. Experimental results showed that the ANLM method was better to suppress the speckle, followed by the PNGF method. Also, the classification results showed that a proper PolSAR de-speckling could effectively increase the classification accuracy. The improvement of the Overall Accuracy based on de-speckling using the ANLM method was approximately 22% and 13% higher than the POSSC and PNGF methods, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».