Cơ sở viễn thám-Chương 8 potx

Rất nhiều tr†ờng hợp cùng một dấu hiệu ảnh, song ở vị trí khác nhau lại lμ các đối t†ợng khác nhau đặc biệt lμ khi giải đoán bằng mắt, mắt ng†ời không phân biệt đ†ợc rõ các mức khác nhau

Ch‡ơng 8 Các ph |ơng pháp xử lý thông tin viễn thám

Nh† phần trên đã giới thiệu, viễn thám có hai dạng t† liệu chủ yếu lμ dạng hình

ảnh (photograph) chụp theo nguyên tác khung vμ hình ảnh tạo nên bằng ph†ơng pháp quét (image) Cả hai ph†ơng pháp đều có thể thực hiện trên máy bay hoặc vệ

tinh

Xử lý thông tin viễn thám cũng có hai ph†ơng pháp cơ bản: phân tích bằng mắt

vμ xử lý số Giải đoán bằng mắt (Visual Interpretation) có thể áp dụng cho cả hai

dạng t† liệu, song xử lý số (Digital image Processing) thì chỉ áp dụng cho ảnh số

8.1 Phân tích ảnh bằng mắt (Visual Interpretation)

8.1.1 Khái niệm chung

Giải đoán bằng mắt lμ sử dụng mắt ng†ời cùng với trí tuệ để tách chiết các thông tin từ t† liệu viễn thám dạng hình ảnh Trong viӋc xӱ lý thụng tin viӉn thỏm thỡ giҧi ÿoỏn bҵng mҳt (visual interpretaion) là cụng viӋc ÿҫu tiờn, phә biӃn nhҩt và

cú thӇ ỏp dөng trong mӑi ÿiӅu kiӋn cú trang thiӃt bӏ tӯ ÿѫn giҧn ÿӃn phӭc tҥp Việcphân tích ảnh bằng mắt có thể đ†ợc trợ giúp bằng một số thiết bị quang học Phân tích hay giҧi ÿoỏn bҵng mҳt lμ sӱ dөng mҳt thѭӡng hoһc cú sӵ trӧ giỳp cӫa cỏc dөng cө quang hӑc tӯ ÿѫn giҧn ÿӃn phӭc tҥp nhѭ: kớnh lỳp, kớnh lұp thӇ, kớnh phúng ÿҥi, mỏy tәng hӧp màu, nhằm nâng cao khả năng phân tích của mắt ng†ời Phân tích ảnh bằng mắt lμ công việc có thể áp dụng một cách dễ dμng trong mọi điều kiện

vμ có thể phục vụ cho nhiều nội dung nghiên cứu khác nhau: nghiên cứu lớp phủ mặt đất, nghiên cứu rừng, thổ nh†ỡng, địa chất, địa mạo, thuỷ văn, sinh thái, môi tr†ờng

Cѫ sӣ ÿӇ giҧi ÿoỏn bҵng mҳt là ÿѭa vào cỏc dҩu hiӋu giҧi ÿoỏn trӵc tiӃp hoһcgiỏn tiӃp và chỡa khoỏ giҧi ÿoỏn

Phân tích ảnh bằng mắt lμ công việc tổng hợp, kết hợp nhiều thông số của ảnh, bản đồ, tμi liệu thực địa vμ kiễn thức chuyên môn D†ới đây lμ tổng hợp một số nguyên tắc giải đoán ảnh

8.1.2 Các dấu hiệu giải đoán ảnh

VӅ nguyờn tҳc chung, cỏc dҩu hiӋu giҧi ÿoỏn ÿѭӧc xӃp theo hai nhúm Chớnh

là cỏc y͇u t͙ ̫nh và cỏc y͇u t͙ địa kͿ thu̵t.

8.1 2.1.Cỏc yӃu tӕ ҧnh (photo elements)

- Tone ̫nh: là tәng hӧp lѭӧng ỏnh sỏng ÿѭӧc phҧn xҥ từ vӅ mһt ÿӕi tѭӧng,

là dҩu hiӋu hӃt sӭc quan trӑng ÿӇ xỏc ÿӏnh ÿӕi tѭӧng Tone ҧnh ÿѭӧc chia ra nhiӅucҩp khỏc nhau, trong giҧi ÿoỏn bҵng mҳt thѭӡng cú 10-12 cҩp Sӵ khỏc biӋt cӫatoneҧnh phө thuӝc vào nhiӅu tớnh chҩt khỏc nhau cӫa ÿӕi tѭӧng (hỡnh 8.1)

Hình 8.1: Thang độ sáng (hay độ xám) của ảnh đen trắng (10 cấp)

- C̭u trỳc ̫nh (texture): Cҩu trỳc ҧnh ÿѭӧc hiӇu là tҫn sӕ lұp lҥi cӫa sӵ thay

ÿәi tone ҧnh, gõy ra bӣi tұp hӧp cӫa nhiӅu ÿһc tớnh rҩt rừ ràng cӫa nhiӅu cỏ thӇ riờng biӋt

- Hình dạng (Shape): lμ hình ảnh bên ngoμi của đối t†ợng, thông th†ờng đó

lμ hình ảnh 2 chiều Đối với ảnh lập thể các thể nhìn thấy cả chiều cao của đối t†ợng Hình dáng lμ yếu tố đầu tiên giúp cho ng†ời phân tích có thể phân biệt các

đối t†ợng khác nhau

- Kích th†ớc (Size): lμ thông số về độ lớn,độ dμi, độ rộng của đối t†ợng Kích

th†ớc liên quan đến tỉ lệ của ảnh Về hình dạng có thể giống nhau nh†ng kích th†ớckhác nhau thì có thể lμ hai đối t†ợng khác nhau

- Mẫu (Pattern): lμ sự sắp xếp trong không gian của các đối t†ợng Một dạng

địa hình đặc tr†ng sẽ bao gồm sự sắp xếp theo một quy luật đặc tr†ng của các đối t†ợng tự nhiên, lμ hợp phần của dạng địa hình đó Ví dụ: Khu đô thị lμ tập trung của nhμ xây, đ†ờng phố, cây xanh tạo nên một mẫu đặc tr†ng của cấu trúc đô thị Ruộng trồng lúa có hình mẫu ô thửa đặc tr†ng khác với v†ờn cây ăn quả, có cấu trúc dạng

đốm

- Kiến trúc (Texture): lμ tần số thay đổi của độ sáng (tone) trên ảnh Đó lμ sự

tập hợp các đặc điểm của hình ảnh nh† hình dạng, kích th†ớc, mẫu để tạo nên một

đăc điểm riêng biệt của đối t†ợng hay nhóm đối t†ợng Cấu trúc lμ đặc điểm t†ơng

đối khái quát song lại rất đặc tr†ng, giúp cho ng†ời phân tích có thể nhận diện vμ phân biệt một cách nhanh chóng từng đối t†ợng tập hợp thμnh một dạng địa hình

đặc tr†ng Về cấu trúc có các khái niệm: thô, mịn, đồng tâm, toả tia, vòm, phân nhánh

Vớ dͭ: Cҩu trỳc mӏn ÿһc trѭng cho trҫm tớch bӣ rӡi, cҩu trỳc thụ cho ÿһc trѭng

ÿỏ macma; cҩu trỳc dҥng dҧi ÿһc trѭng cho ÿỏ trҫm tớch biӃn chҩt cao, tӯ ÿó có thӇphân biӋt ÿѭӧc các loại đá khác nhau

- Bóng (Shadow): lμ phần bị che lấp, không có ánh sáng mặt trời chiếu tới

(hoặc từ nguồn chủ động), do đó không có ánh sáng phản hồi tới thiết bị thu Bóng th†ờng đ†ợc thể hiện bằng tone ảnh đen trên ảnh đen trắng vμ mμu xẫm đến đen trên

ảnh mμu Bóng có thể phản ánh lên độ cao của đối t†ợng Bóng lμ yếu tố quan trọng tạo nên cấu trúc đặc tr†ng cho các đối t†ợng Tuy nhiên bóng cũng lμ phần mμ thông tin về đối t†ợng không có hoặc rất ít, vì vậy phải bổ xung l†ợng thông tin ở vùng bóng

- Vị trí (Site): vị trí của đối t†ợng trong không gian địa lý của vùng nghiên

cứu lμ thông số rất quan trọng giúp cho ng†ời giải đoán có thể phân biệt đối t†ợng Rất nhiều tr†ờng hợp cùng một dấu hiệu ảnh, song ở vị trí khác nhau lại lμ các đối t†ợng khác nhau (đặc biệt lμ khi giải đoán bằng mắt, mắt ng†ời không phân biệt

đ†ợc rõ các mức khác nhau của yếu tố ảnh)

Vớ dͭ: bói bӗi khụng thӇ cú ӣ sѭӡn nỳi mһc dự vài ÿһc ÿiӇm trờn ҧnh trụng rҩt

giӕng dҩu hiӋu cӫa nú Cỏc bói bӗi chӍ phõn bӕ ӣ hai bờn bӡ sụng suӕi, cú màu sỏng; cũn ӣ bờn sѭӡn nỳi, cỏc mảng màu sỏng lҥi là cỏc nún phúng vұt, cỏc ÿӟi trѭӧt

lở hoһc vựng canh tỏc nѭѫng rҭy

- Màu (colour): màu cӫa ÿӕi tѭӧng trờn ҧnh màu giҧ (FCC) giỳp cho ngѭӡi

giҧi ÿoỏn cú thӇ phõn biӋt ÿѭӧc nhiӅu ÿӕi tѭӧng cú ÿһc ÿiӇm tone ҧnh tѭѫng tӵ nhѭnhau trờn ҧnh ÿen trҳng Tә hӧp màu giҧ thụng dөng trong ҧnh Landsat là xanh lѫ(blue), xanh lөc(green) và ÿӓ (red), thӇ hiӋn cỏc nhúm yӃu tӕ cѫ bҧn là : thӵc vұt tӯmàu hӗng ÿӃn màu ÿӓ,nѭӟc xanh lѫ nhҥt ÿӃn xanh lѫ xҭm, ÿҩt trӗng, ÿỏ lӝ cú màu trҳng Ngoài ra mӝt sӕ ÿӕi tѭӧng khỏc cNJng cú màu ÿһc biӋt: ÿụ thӏ màu xanh lѫ,rӯng ngұp mһn: màu ÿӓ xүm ÿӃn màu nõu xҭm, ÿҩt trӗng màu cõy vө đụng cỏc loҥi

cú màu hӗng ÿӃn màu vàng, ngoài ba tә hӧp màu giҧ ÿó nờu trờn, ngѭӡi ta cú thӇtҥo nờn rҩt nhiӅu tә hӧp ҧnh màu giҧ khỏc bҵng phѭѫng phỏp quang hӑc (dựng cỏc tҩm lӑc màu) hoһc bҵng kӹ thuұt xӱ lý ҧnh sӕ Vỡ vұy khi giҧi ÿoỏn cỏc ÿӕi tѭӧngtrờn ҧnh màu giҧ phҧi cú nhӳng ÿӏnh hѭӟng ngay tӯ ÿҫu vӅ tә hӧp màu giҧ, tӯ ÿúmӟi trỏnh ÿѭӧc nhӳng sӵ nhҫm lүn ngay tӯ ÿҫu

8.1.2.2 Cỏc yӃu tӕ ÿӏa kӹ thuұt (Geotechnical elements)

a Ĉ͓a hỡnh: ÿӏa hỡnh cho phộp phõn biӋt sѫ bӝ cỏc yӃu tӕ trờn ҧnh, tӯ ÿú ÿӏnh

hѭӟng rҩt rӓ trong phõn tớch

Vớ dͭ:

- D̩ng ÿ͓a hỡnh: nỳi ÿỏ vụi, ÿӗi sút, ÿӗng bҵng, dóy ven biӇn, cỏc cӗn cỏt

ven biӇn, lũng sụng cổ,

- Ki͋u ÿ͓a hỡnh: dóy nỳi thҩp cҩu tҥo bӣi nỳi ÿỏ vụi, ÿӗng bҵng ÿӗi, ÿӗng

bҵng phự sa sụng, ÿӗng bҵng tớch tө sụng biӇn, ÿӗng bҵng tớch tө do biӇn, ÿӗngbҵng bãi triӅu

b Th͹c v̵t: sӵ phõn bӕ cӫa mӝt kiӇu thҧm và ÿһc ÿiӇm cӫa nú (nhѭ mұt ÿӝ

tỏn che, sinh khӕi, ) lμ mӝt dҩu hiӋu hӃt sӭc quan trӑng ÿӇ phõn biӋt ÿӕi tѭӧngkhác nh† các dạng địa hình

Vớ dͭ: Rӯng thѭӡng xanh (thѭӡng cú ӣ nhӳng vựng nỳi cao hoһc vựng nỳi

trung bỡnh)

c Hi ͏n tr̩ng s͵ dͭng ÿ̭t: Ĉõy vӯa là mөc tiờu vӯa là dҩu hiӋu trong giҧiÿoỏn bҵng mҳt HiӋn trҥng sӱ dөng ÿҩt cung cҩp nhӳng thụng tin gián tiếp vμ quan trӑng ÿӇ xỏc ÿӏnh cỏc ÿӕi tѭӧng khác

Vớ dͭ: Lỳa mӝt vө- vựng ÿӗng bằng cao Lỳa hai vө - vựng thҩp thѭӡng xuyờn

vӯa ÿӫ nѭӟc, ÿú là cỏc ÿӗng bҵng phự sa Hoặc đất thổ c† nông thôn đ†ợc xác định nhờ dấu hiệu của cây trồng xung quanh nhμ ở ( th†ờng có mμu đỏ trên ảnh tổ hợp BGR)

d M̩ng l˱ͣi thuỷ văn -sụng su͙i: cNJng là mӝt dҩu hiӋu quan trӑng hàng ÿҫutrong phõn tớch ҧnh Mҥng lѭӟi sụng suӕi cú quan hӋ rҩt mұt thiӃt vӟi dҥng ÿӏa hỡnh,

ÿӝ dӕc lӟp vӓ phong hoỏ, nӅn thҥch hӑc, mạng l†ới thỷ văn lμ sản phẩm quá trình tác động của dòng n†ớc chảy trên mặt vơí vật chất nền,.đӗng thӡi nú cNJng cho biӃtÿһc ÿiӇm cҩu trỳc ÿӏa chҩt cӫa khu vӵc.Thông qua hình ảnh của mạng l†ới thuỷ văn,

có thể xác định đ†ợc thμnh phần vμ cấu tạo của vật chất Trên ảnh viễn thám , có thể phân tích rõ các kiểu mạng l†ơí thuỷ văn Ngoμi ra, cần phân tích cả mật độ mạng l†ới thuỷ văn, giá trị nμy đ†ợc sử dụng để xem xét mức độ chia cắt ngang của địa hình (hình 8.2)

Hình 8.2: Các kiểu mạng l‡ới thuỷ văn đặc tr‡ng phân tích từ t‡ liệu viễn thám

Cú cỏc dҥng mҥng lѭӟi thuӹ văn cѫ bҧn là:

KiӇu ụ mҥng KiӇu vuụng gúc

KiӇu bӏ khӕng chӃ KiӇu ҭn

Ngoài cỏc dҥng cѫ bҧn ÿú ngѭӡi ta cũn chia ra cỏc dҥng trung gian: ỏ song song, ỏ phõn nhỏnh; hoһc cũn chia theo mұt ÿӝ: phõn nhỏnh mұt ÿӝ cao, mҥng mұt

ÿӝ cao

e H͏ th͙ng cỏc khe nͱt và cỏc y͇u t͙ d̩ng tuy͇n(lineament):

Nhӳng thụng sӕ cӫa hӋ thӕng khe nӭt cҫn ÿѭӧc xem xột ÿӃn là: hѭӟng mұt ÿӝ,hỡnh dҥng, ÿӝ lӟn HӋ thӕng lineamemt cú thӇ liờn quan ÿӃn cỏc kiӇu ÿӭt góy, khe nӭt lӟn cӫa ÿỏ cӭng Ĉõy là mӝt yӃu tӕ rҩt quan trӑng ÿӇ xỏc ÿӏnh và phõn biӋtnhiӅu bӣi ÿӕi tѭӧng ÿӗng thӡi cNJng là thụng sӕ ÿӇ ÿỏnh giỏ ÿӕi tѭӧng Cũng cần phân biệt các yếu tố dạng tuyến nhân tạo vμ các yếu tố dạng tuyến tự nhiên

Ví dụ về các yếu tố dạng tuyến tự nhiên: Các thung lũng hẹp chạy dμi, các

đảo xếp thẳng hμng, các sông, đoạn sông thẳng, các đoạn bờ biển thẳng, dμi 8.1.2.3 Chìa khoá giải đoán ảnh- tổ hӧp các yӃu tӕ giҧi ÿoán

8.1.2.3 Chìa khoá giải đoán ảnh( interprated key ) :

Tập hợp các yếu tố giải đoán đ†ợc gọi lμ chìa khoá giải đoán ảnh Lμ khái niệm thể hiện sự sắp xếp của các yếu tố ảnh, các đặc điểm chi tiết của đối t†ợgn tạo thμnh một tổng thể trong không gian vĩ mô Từ thông tin về tổ hợp, ng†ời giải đoán

có thể phân vùng, kiểm chứng vμ khẳng định để nhận dạng các đối t†ợng hoặc nhóm

đối t†ợng, từ đó có thể phân biệt các đơn vị địa hình, các đơn vị cảnh quan địa lý, các hệ sinh thái

Trong quá trình giҧi ÿoán, ngoμi viӋc phân tích các yӃu tӕ riêng lҿ cũng xem xétÿӃn sӵ tұp hӧp trong không gian cӫa tӯng nhóm yӃu tӕ Sӵ tұp hӧp ÿó có thӇ tҥonên mӝt dҥng hay mӝt kiӇu ÿӏa hình, tӯ ÿó giúp cho ngѭӡi giҧi ÿoán có thӇ hiӋuchӍnh, loҥi bӓ nhӳng sai sót vμ nâng cao ÿӝ chính xác Nhѭ vұy, trong giҧi ÿoỏn bҵng mҳt phҧi nҳm bҳt và phõn biӋt ÿѭӧc dҩu hiӋu giҧi ÿoỏn vμ chìa khoá giải đoán Cụng viӋc ÿú yờu cҫu ngѭӡi giҧi ÿoỏn phҧi cú kiӃn thӭc chuyờn mụn vӳng ÿӇ cú thӇ

kӃt hӧp nhuҫn nhuyӉn cỏc kiӃn thӭc trong quỏ trỡnh giҧi ÿoỏn ҧnh và chӍ cú nhѭ vұymӟi ÿѭa ra kӃt quҧ chớnh xỏc

Tiờu chuҭn ÿӇ phõn biӋt mӝt ÿӕi tѭӧng vӟi cỏc yӃu tӕ giҧi ÿoỏn vӅ ÿӕi tѭӧng

ÿú thỡ ÿѭӧc gӑi là chià khúa giҧi ÿoỏn (interpretation key) Cỏc chià khúa giҧi ÿoỏndӵa vào kinh nghiӋm và kiӃn thӭc ÿѭӧc thiӋt lұp cựng nhӳng nghiờn cӭu trờn mӝttҩm ҧnh cө thӇ cӫa ngѭӡi phõn tớch Thụng thѭӡng, 8 yӃu tӕ giҧi ÿoỏn (kớch thѭӟc,hỡnh dҥng, búng, tone, màu, cҩu trỳc, mүu và tә hӧp mӕi quan hӋ) cNJng nhѭ thӡigian chөp ҧnh, mựa, kiӇu phim, tӹ lӋ ҧnh, sӁ ÿѭӧc xem xột kӹ ÿӇ thiӃt lұp nờn chỡa khúa giảiÿoỏn Chỡa khúa thụng thѭӡng bao gӗm cҧ phҫn mụ tҧ và cỏc thành phҫncӫa hỡnh ҧnh Thụng qua viӋc hiӇu rừ cỏc chỡa khúa giҧi ÿoỏn, ngѭӡi phõn tớch cú thӇ liờn hӋ mӣ rӝng ÿӇ phõn tớch cỏc vựng khỏc Thụng thѭӡng, chỡa khúa ÿѭӧcdựng cho mӝt bӭc ҧnh hoһc cho mӝt vựng cú thӡi gian chөp ҧnh, cụng nghӋ tҥo ҧnhgiӕng nhau Vớ dͭ: Chỡa khúa giҧi ÿoỏn cӫa mӝt sӕ ÿӕi tѭӧng trờn ҧnh LANDSAT (trờn cỏc band và trờn ҧnh tәng hӧp màu giҧ FCC) ÿѭӧc nờu trong bҧng 8.1

Bảng 8.1: Chìa khoá giải đoán của một số đối t‡ợng trên ảnh Landsat

ảnh màu giҧ

4

Band 5

Band 6

Band 7

BGR ( 4,5,7)

RGB ( 4,5,7) Mõy

W W BL DG W W W BL BL

W - W W W GR GR BL BL

W - W W W DGR DGR BL BL

W W R P W LB LB B BL

W W G BY W RP RP BP BL

Bảng 8.2: Chìa khoá giải đoán ảnh theo đấu hiệu của đối t‡ợng trên ảnh

Cấutrúc

Kiếntrúc

2

8.1.2.4 quy trình giải đoán ảnh thanh lập bản đồ chuyên đề

Theo nhӳng kinh nghiӋm cӫa nhiӅu ngѭӡi, cỏc cụng ÿӑan cҫn thӵc hiӋn ÿӇthành lұp bҧn ÿӗ chuyờn ÿӅ tӯ ҧnh ÿѭӧc hӋ thӕng trong sơ đồ sau ( hình 8.3)

Theo s˯ ÿ͛ nμy, cỏc cụng vi͏c bao g͛m cỏc b˱ͣc cͭ th͋ nh˱ sau :

- Chu̱n b͓ ảnh: xem cỏc khỏi quỏt hỡnh ҧnh vӅ định h†ớng ảnh theo vị trí địa

lý, tӹ lӋ, màu sҳc, ÿӝ phõn giҧi, tѭ liӋu., thời gian thu ảnh

-Cỏc cụng vi͏c c˯ cͧ: ÿӑc cỏc chӍ dүn, tạo bản đồ cơ sở,ÿӏnh hѭӟng ҧnh theo

bҧn ÿӗ cѫ sӣ

- Ĉ͕c ̫nh: ÿӑc cỏc sӕ liӋu phõn tớch ÿӇ xõy dӵng chỡa khúa giҧi ÿoỏn

-Ĉo ÿ̩c ̫nh: ÿo ÿҥc chiӅu dài, chiӅu cao giӳa cỏc ÿӕi tѭӧng (vӟi ҧnh mỏy

bay,ÿo ÿҥc mұt ÿӝ ҧnh )

- Phõn tớch ̫nh: khai thỏc cỏc ÿӕi tѭӧng hoһc phõn tớch cỏc hiӋn tѭӧng cú trờn

ҧnh (phõn loҥi, khai thỏc,chỉnh lý )

- Thành l̵p b̫n ÿ͛ chuyờn ÿ͉ : chuyӇn kӃt quҧ phõn tớch lờn bҧn ÿӗ cơ sở,

- Cụng viӋc phõn tớch ҧnh bҵng mҳt cú thӇ ỏp dөng cho nhiӅu chuyờn ngành khỏc nhau, trong nhӳng nhӳng ÿiӅu kiӋn trang thiӃt bӏ khỏc nhau (tӯ ÿѫn giҧn ÿӃnhiӋn ÿҥi)

Hình 8.3: Quy trình phân tích ảnh bằng mắt thμnh lập bản đồ chuyên đề

- Phõn tớch bҵng mҳt cú thӇ coi là mӝt phѭѫng phỏp phә biӃn nhҩt và vүn cú thӇ ÿỏp ӭng và vүn cú thӇ ÿỏp ӭng mӭc ÿӝ chớnh xỏc cҫn thiӃt, cụng viӋc ÿú phөthuӝc rҩt nhiӅu vào ngѭӡi phõn tớch ҧnh, kӇ cҧ kinh nghiӋm chuyờn mụn , kiӃn thӭcҧnh, kiӃn thӭc bҧn ÿӗ

* Những vấn đề về kỹ thuật

x Tiếp cận hệ thống trong phân tích ảnh bằng mắt

- Các dấu hiệu phân tích đ†ợc phát hiện trực tiếp (direct signatures):

Trên t† liệu ảnh viễn thám trong nhiều tr†ờng hợp có thể giúp phân biệt đ†ợc trực tiếp các đối t†ợng, đặc biệt lμ đối với ảnh tỷ lệ lớn (ảnh máy bay, ảnh vệ tinh tỉ

lệ lớn) hay với những cảnh quan địa lý mμ ở đó đối t†ợng có kích th†ớc vμ quy mô lớn (nh† vùng đô thị của các n†ớc phát triển, đất nông nghiệp ở nhiều n†ớc châu

Âu, ) Tuy nhiên, trong phần lớn các t† liệu viễn thám, việc phân biệt các đối t†ợng cần thiết phải có sự tiếp cận hệ thống Khi đã phân tích đ†ợc các dấu hiệu trên ảnh, ng†ời giải đoán phải kết hợp với các kiến thức chuyên môn vμ các kiến thức khác để suy luận, nội suy, lý giải để tìm ra cách trả lời đúng các câu hỏi: tại sao nh† vây? Đó

lμ cái gì? Ví dụ: sự xắp xếp thẳng hμng của 2 hμng cây độc lập, các đặc điểm dân c†trên khoảng cách dμi sẽ lý giải cho sự tồn tại một con đ†ờng ở giữa Các điểm có thực vật phát triển phân bố theo những quy luật nhất định ở giữa vùng đồng bằng sẽ

lý giải cho sự tồn tại các lμng xóm, tụ điểm dân c† nông thôn ở các vùng canh tác lúa n†ớc

- Chìa khoá tiêu biểu (Selective Key): lμ tập hợp các dấu hiệu tiêu biểu nhất

cho một đối t†ợng, một khu vực

- Chìa khoá loại trừ (Elimination Key): lμ một số dấu hiệu khác th†ờng so

với các dấu hiệu tiêu biểu Sự tồn tại của các dấu hiệu nμy lμ do sự xuất hiện của một số đối t†ợng khác hoặc do những nhiễu tự nhiên hoặc nhân tác Ví dụ: ở giữa các cánh đồng lúa có tồn tại các điểm trồng mμu hoặc các mảng trồng cây công nghiệp hoặc có các điểm dân c†, các khu vực nghĩa địa

- Chìa khoá tách biệt (Selected Key): lμ sự lựa chọn để tìm ra dấu hiệu đặc

thù nhất cho một đối t†ợng, một hiện t†ợng cần phân biệt ví dụ: sự khác biệt của mạng l†ới thuỷ văn

Trong quá trình phân tích hệ thống, phải có sự hiểu biết kỹ về khu vực, về đặc

điểm đối t†ợng vμ những tác động tự nhiên, nhân tác lμm thay đổi các dấu hiệu, sự suy giải logic lμ rất cần thiết, giúp cho ng†ời giải đoán đ†a ra kết quả đúng nhất Trong việc phân tích hệ thống cần thiết phải phát hiện ra các kiểu chìa khoá giải

đoán

x Tổ hợp loại film vμ filter

Việc nghiên cứu tổ hợp film - filter để tạo thμnh ảnh lμ một công việc rất quan trọng trong giải đoán Trong phần đầu của ch†ơng đã đề cập đến các cơ chế tạo mμu, lọc mμu, các dải sóng vμ tính chất của đối t†ợng tự nhiên Các thông tin khai thác đ†ợc từ ảnh có thể khẳng định cho tính chất của đối t†ợng khi kết hợp chặt chẽ với các thông tin về film - filter Ví dụ: mμu đỏ magenta trên tổ hợp B-G-R thì chỉ

có thể đặc tr†ng cho tính chất thực vật (liên quan đến Chlorophyl trong lá cây)

x Thông tin đa thời gian (Multitemporal data)

Các thông tin về thời vụ lμ rất quan trọng trong phân tích ảnh Các thông tin nμy có liên quan đến sự biến đổi tính chất ảnh của các đối t†ợng Các thông tin đó lμ: thời vụ gieo trồng, độ thuỷ văn, thời vụ tăng tr†ờng của cây cối trong năm (ra hoa, kết trái, quả chín, thu hoạch xong, lá vμng, lá rụng, mọc lá mới…) Ngoμi ra một số đặc điểm khác của đối t†ợng cũng biến đổi theo tính mùa vụ Ví dụ: sông có n†ớc, cạn n†ớc, n†ớc sông có phù sa hay không có hoặc ít phù sa, đất khô hoặc đất

†ớt

Sự thay đổi tính chất ảnh của đối t†ợng đ†ợc thể hiện chủ yếu ở độ sáng vμ mμu sắc bị thay đổi

Tỉ lệ ảnh lμ yếu tố đầu tiên cần đ†ợc quan tâm đến trong công việc giải đoán

Tỉ lệ ảnh có liên quan đến kích th†ớc của các đối t†ợng vμ độ phân giải - hay khả năng tách biệt các đối t†ợng từ ảnh Các loại tỉ lệ ảnh thông dụng (bảng 8.2)

185 x 185

Chụp với ống kính trên ảnh 152mm

152mm 152mm 35mm

Tuỳ thuộc độ phóng từ film gốc ở

tỉ lệ 1: 3.106Tuỳ thuộc độ phóng từ film gốc ở

1: 10 60 x 60 tỉ lệ

1: 3.106

x Xác định hệ thống phân loại (Classification System)

Xác định hệ thống phân loại trong phân tích ảnh nghĩa lμ xác định hệ thống chú giải cho bản đồ hoặc sơ đồ mμ ng†ời phân tích sẽ thiết lập từ ảnh, đây lμ công việc hết sức quan trọng

- Khả năng phân biệt các đối t†ợng trên ảnh

Khái niệm đơn vị bản đồ nhỏ nhất (Minimum mapping unit - MMU) đ†ợc áp

dụng để có thể xây dựng đ†ợc bản đồ có độ chi tiết cao nhất Đôi khi, do tỉ lệ vμ yêu cầu của bản đồ mμ ng†ời phân tích buộc phải loại bỏ các chi tiết, khái quát hoá song vẫn đảm bảo tính chất các đơn vị vμ đáp ứng đ†ợc về nội dung bản đồ, ph†ơng pháp nμy cần đ†ợc phối hợp chặt chẽ với các nguyên tắc của từng chuyên môn để đ†a ra

đ†ợc kết quả hoμn hảo Ví dụ khi giải đoán địa chất, địa mạo, lâm nghiệp, việc khái quát hóa lμ hết sức cần thiết

x Chuẩn bị ảnh t liệu

Tr†ớc khi giải đoán cần phải chuẩn bị ảnh đê phân tích có hiểu quả nhất, một

số công việc phải thực hiện gồm có:

- Chuẩn bị ảnh máy bay

Xác định vùng chồng phủ, xếp ảnh theo tuyển, xác định h†ớng thuận cho việc

đọc hiệu ứng lập thể Xác định vùng có độ lệch ít nhất để giải đoán (gọi lμ vùng hiệu quả - effective area), xác định các điểm trên ảnh ảnh vμ trên bản đồ cơ sở (Base map) để dễ dμng vẽ hoặc nắn chỉnh sau Vùng hiệu quả đ†ợc xác định bằng bốn

đoạn thẳng nối với nhau, lấy ví dụ chia các vùng phủ chồng

- Chuẩn bị ảnh vệ tinh

Các công việc cần chuẩn bị gồm có: bản đồ cơ sở vùng để điều vẽ hoặc nắn chỉnh Trên bản đồ cơ sở có các yếu tố địa hình cơ bản, các điểm nắn, hệ thống sông suối chính, một số điểm hμnh chính chủ yếu trong khu vực Xác định tr†ờng của

ảnh, đặt ảnh theo h†ớng Bắc Nam Ngoμi ra, phải chuẩn bị giấy can đúng tiêu

chuẩn, tạo bản đồ ngay trên giấy can vμ trong quá trình giải đoán có thể điều vẽ vμ nắn chỉnh các kết quả giải đoán ngay trên giấy can

x Thiết bị giải đoán ảnh

- Thiết bị giải đoán ảnh máy bay

Cần chuẩn bị kính lập thể vμ luyện khả năng nhìn để có hiệu ứng lập thể Để luyện mắt, tr†ớc hết cần nhìn với cặp hình kiểm tra

Có nhiều loại kính lập thể từ đơn giản đến phức tạp Kính lập thể đơn giản chỉ

có cặp kính dùng để nhìn chứ không đo đ†ợc độ cao Kính lập thể có thể đo đ†ợc độ cao th†ờng có độ phóng đại lớn hơn (2 - 4) vμ có th†ớc thị sai Kính loại nμy đ†ợc gọi lμ kính lập thể g†ơng (Minor Stereoscope) Loại kính lập thể có độ chính xác cao hơn vμ có độ phóng đại cao hơn nhiều (2,5 - 10 lần hoặc 20 lần) đ†ợc gọi lμ kính lập thể phóng đại (Zoom Stereoscope) hoặc có thêm cả bộ phận đèn rọi sáng (Lightable and Zoom Stereoscope) ở các bộ phận chuyên môn loại kính lập thể th†ờng có gắn thêm bộ phận nắn vμ vẽ lên bản đồ gọi lμ máy lập thể phóng đại chuyển vẽ (Stereo – Zoom Transferscope) Phần tiếp theo sẽ giới thiệu về một số thiết bị giải đoán ảnh

Thiết bị giải đoán ảnh phục vụ các chức năng yêu cầu khi giải đoán đó lμ: 1)

x Các thiết bị nhìn

Mục đích của việc dùng thiết bị nhìn để tạo một ảnh nổi Nguyên lý tạo ảnh nổi lμ khi chúng ta có 2 mắt vμ nhìn một đối t†ợng không gian từ hai điểm nhìn khác nhau Điều đó tạo ra một nhận thức sâu về vật vμ hai mắt cho chúng ta khả năng nhìn vật từ hai phía nh† một ảnh nổi

Khi hai tấm ảnh hμng không chụp phủ chồng nên nhau, điểm phủ chồng có thể

đ†ợc nhìn từ hai vị trí khác nhau (vị trí chụp tr†ớc vμ vị trí chụp sau) Bằng việc nhìn từ hai vị trí chụp khác nhau cho phép tạo ra một ảnh nổi stereo Hình 8.4 minh họa 2 ảnh dùng để kiểm tra kính lập thể vμ khả năng nhìn nổi của 1 cặp hai ảnh khác nhau nhìn bằng 2 mắt

Hình 8.4: Kiểm tra nhìn Stereo (theo Courtesy Zeis,Inc.)

Với 2 hình ở trên, ng†ời giải đoán phải thử vμ điều tiết mắt để khả năng nhìn lập thể đ†ợc chính xác vị tríểtên d†ới theo chiều thẳng đứng của các hình có số thứ

tích các đối t†ợng giải đoán Hình 8.7 lμ thiết bị số hóa điện tử, dùng để số hoá các

đối t†ợng trên ảnh hμng không

x Các thiết bị chuyển đổi

Thiết bị chuyển đổi nhằm phóng to thu nhỏ ảnh Thiết bị có thể kể ra lμ thiết bị phóng vμ chuyển đổi (Zoom transfering)- hình 8.8, thiết bị phân tích vμ chuyển đổi kết hợp tạo mμu (Color additive viewer), thiết bị nối với máy tính kết hợp vidio đồ họa (hình 8.9)

Hình 8.5: Một số kiểu kính soi khác nhau: a) steoreocope thấu kính; b) Steoreoscope

g‡ơng c) Steoreos cope g‡ơng bỏ túi; d) interpreterscope (Theo Wild Heerbrugg)

Hình 8.7: Thiết bị số hóa tọa độ điện tử

(Theo Courtesy Numowics corp)

Hình 8.6: L‡ới phủ đo đạc

trên không ảnh

Hình 8.8: Thiêt bị phóng vμ chuyển

đổi kết quả giải đoán Hình 8.9: Thiêt bị máy tính video - đồ họa

- Thiết bị giải đoán ảnh vệ tinh

Dụng cụ để giải đoán th†ờng đơn giản nh† kính lúp, còn loại dụng cụ phức tạp hơn lμ máy tổng hợp mμu (Color additive Viewer) dùng để tạo nên các tổ hợp mμu khác nhau từ phim đen trắng của các band phổ riêng biệt Thông th†ờng, tổ hợp mμu

đ†ợc tạo nên từ 3 band phổ, song cũng có thể dùng 4 band với máy tổng hợp mμu đa phổ (Color additive viewer)

9 Іa thông tin chuyên đề lên b̫n ÿ͛ c˯ sͧ:

Khi giải đoán xong, phải đ†a thông tin chuyên dề lên bản đồ cơ sở, yêu cầu của bản đồ cơ sở lμ:

- Có các thông tin cơ bản về khu vực: địa hình, địa danh

- Tӹ lӋ thớch hӧp ÿӇ ÿѭa lờn ÿú cỏc thụng tin phõn tớch tӯ ҧnh

- HӋ thӕng tӑa ÿӝ thiӃt lұp theo tӑa ÿӝ ÿӏa lý tiờu chuҭn

- Thụng tin trờn bҧn ÿӗ cѫ sӣ ÿѭӧc in vӟi màu sỏng nhѭ mӝt nӅn ÿӇ khi vӁbҧn ÿӗ chuyờn ÿӅ sӁ làm nәi rừ cỏc thụng tin phõn tớch tӯ ҧnh Thụng thѭӡng vӟibҧn ÿӗ ÿӏa hỡnh tӹ lӋ 1/50.000, 1/100.000, 1/250.000, nhӳng bҧn ÿӗ cѫ sӣ ÿѭӧcthành lұp cho phộp nõng cao ÿӝ chớnh xỏc cӫa kӃt quҧ giҧi đoán Vӟi viӋc nghiờn cӭu biӇn, cỏc hҧi ÿӗ tӹ lӋ 1/50.000 - 1/500.000 ÿѭӧc xem là nhѭng hҧi ÿӗ cѫ sӣ Vӟi

hӋ chiӃu UTM cho phộp ÿӇự chuyӇn cỏc thụng tin phõn tớch ÿѭӧc lờn bҧn ÿӗ cѫ sӣ,ÿһc biӋt là khi thành lұp bҧn ÿӗ rӯng (Murai, 1993)

9 Cỏc ph˱˯ng phỏp chuy͋n thụng tin lờn b̫n ÿ͛ c˯ sͧ bao g͛m:

- H͕a ÿ͛ l̩i: sӱ dөng bàn sỏng chuyӇn thụng tin phõn tớch tӯ ҧnh lờn bҧn ÿӗ

cѫ sӣ Trѭӡng hӧp nҫy cú sӱ dөng phѭѫng phỏp nҳn chӍnh tӯng phҫn ÿӇ tránhnhӳng sai lӋch giӳa ҧnh và bҧn ÿӗ (do sӵ in phun ҧnh)

Hình 8.10: ảnh vệ tinh Landsat tỉnh Hoμ Bình (10/11/2000)

Hình 8.11: Bản đồ Sử dụng đất tỉnh Hoμ Bình giải đoán từ ảnh 8.10

- Chi͇u quang h͕c : sӱ dөng máy chiӃu (nhӡ tác dөng cӫa các thҩu kính và

gѭѫng ) KhichuyӇn kӃt quҧ phân tích lên bản đồ, thѭӡng sӱ dөng mỏy chuyӇn vӁ(zoom tranfer scope) hay máy chiӃu gѭѫng (micro projector)

- Chuy͋n theo h͏ th͙ng l˱ͣi: vӁ hӋ thӕng lѭӟi lên ҧnh và chuyӇn thông tin

theo lѭӟi cӫa bҧn ÿӗ cѫ sӣ

- S ͵ dͭng máy ÿo vͅ ̫nh dҥng plotter ÿӇ chuyӇn thông tin lên bҧn ÿӗ cѫ sӣ,

(máy photogrametric plotter)

8.2 Xử lý ảnh số (Digital Image Processing)

Xử lý ảnh số lμ sự điều khiển vμ phân tích các thông tin ảnh dạng số với sự trợ giúp của máy tính Xử lý ảnh số lμ một công việc rất quan trọng trong viễn thám vμ

có vai trò t†ơng tự nh† phân tích ảnh bằng mắt Xử lý ảnh số đã đ†ợc bắt đầu từ những năm 1960 với một số l†ợng hạn chế các công trình nghiên cứu Chỉ từ 1972 khi vệ tinh LANDSAT đ†ợc phóng lên thì xử lý ảnh số mới đ†ợc phát triển một cách rộng rãi Thông th†ờng xử lý ảnh số áp dụng cho t† liệu vệ tinh song cũng có thể áp dụng cho t† liệu thu đ†ợc từ máy bay Yêu cầu cơ bản lμ nguồn t† liệu phải ở dạng

số vμ thông th†ờng lμ đ†ợc tạo từ ph†ơng pháp chụp quét scanning Tr†ớc đây, ph†ơng pháp xử lý số đ†ợc áp dụng hạn chế một trong những nguyên nhân cơ bản lμ giá thμnh máy tính vμ phần mềm quá đắt Hiện nay, do giá thμnh máy tính thấp dần

vμ phần mềm cμng đ†ợc phát triển nhiều, nguồn t† liệu số lại rất đa dạng nên kỹ thật

xử lý ảnh số ngμy cμng đ†ợc áp dụng rộng rãi - đặc biệt lμ đ†ợc kết hợp chặt chẽ với việc xử lý hệ thông tin địa lý - GIS Trong các phần mềm xử lý, sự phát triển của công nghệ tin học cho phép áp dụng nhiều phép tính toán từ đơn giản đến phức tạp với tốc độ rất cao Phần trình bμy d†ới đây chỉ đề cập đễn các kỹ thuật biễn đổi vμ khai thác thông tin từ t† liệu viễn thám dạng số (digital)

8.2.1 Các khuôn dạng ảnh số

Trong viễn thám, tuỳ theo sự bố trí tông tin của từng pxel của các kênh phổ khác nhau mμ ng†ời ta chia ra 3 loại khuôn dạng ảnh chính lμ (hình 8.12)

- BIL : thông tin của từng kênh phân bố theo từng hμng pixel xen kẽ

- BSQ: thông tin của từng kênh bố trí lần l†ợt theo từng hμng

- BIP : thông tin của các kênh bố trí xen kẽ theo lần l†ợt từng pixel

Yêu cầu của các phần mềm xử lý ảnh số lμ phải đọc vμ xử lý đ†ợc các khuôn dạng dữ liệu số

8.2.2 Các kỹ thuật xử lý ảnh số

Có nhiều kỹ thuật khác nhau, song có thể tập trung thμnh 4 nhóm chính:

1 Các kỹ thuật tăng c†ờng chất l†ợng ảnh (image enhancement)

2 Các kỹ thuật tách chiết thông tin (information extraction)

3 Các kỹ thuật phân loại ảnh ( image classification)

4 Các kỹ thuật chỉnh sửa, khôi phục hình ảnh (image restoration)

Những vấn đề đ†ợc trình bμy sẽ chỉ đề cập đến các nguyên lý cơ bản chứ không đi sâu vμo khía cạnh toán học

8.2.2.1 Các kỹ thuật biến đổi, chỉnh sửa ảnh

Lμ việc phát hiện vμ khôi phục lại các phần hình ảnh bị tối do quá trình quét, thu nhận vμ truyền hình ảnh Nguyên nhân các lỗi lμ do bị nhiễu, do bị bỏ sót thông tin Mục tiêu của kỹ thuật lμ khôi phục lại hình ảnh gần nh† hình ảnh ban đầu - đó lμ

kỹ thật cosmetic - sửa chữa bên ngoμi Kỹ thuật khôi phục hình ảnh t†ơng đối đơn giản:

x Khôi phục sự mất thông tin theo quy luật

- Do một band phổ của LANDSAT có 6 detector (con mắt điện tử), mỗi detector cung cấp thông tin của 1 hμng trong quá trình quét hoặc truyền, thông tin của một trong 6 detector bị mất vμ hμng đó trở thμnh đen vì mang giá trị 0 Ph†ơngpháp khắc phục lμ tính giá trị DN trung bình của toμn cảnh, giá trị trung bình đó

đ†ợc gắn giá trị DN cho hμng bị thiếu bằng cách lấy giá trị trung bình giữa hμng trên vμ hμng d†ới (tính tròn số) Tuy nhiên việc khôi phục nμy chỉ tạo nên ảnh nhân tạo chứ không phải ảnh gốc

- T†ơng tự nh† trên, song trong tr†ờng hợp nμy hμng thứ 6 lại chứa các giá trị

DN cao gấp 2 lần giá trị trung bình, từ đó các hμng nμy có mμu trắng Ph†ơng pháp nμy xây dựng đồ thị phân bố độ sáng (Hystogram) của 6 hμng trên ảnh, tính giá trị trung bình trên đồ thị (ở giữa) để gắn cho hμng bị thiếu Hoặc có thể so sánh giá trị trung bình vμ giá trị ở giữa để tìm ra giá trị phù hợp gắn cho hμng bị thiếu

- Trong nhiều tr†ờng hợp cứ cách một hμng lại có phần đầu hoặc cuối của một

số hμng tiếp theo bị mất thông tin, lμm cho phần đó bị đen, cách khắc phục cũng t†ơng tự nh† những ph†ơng pháp trên

x Điều chỉnh ảnh h‡ởng của khí quyển

Nh† ở phần đầu đã nêu, khí quyển có ảnh h†ởng lớn đến quá trình quét vμ truyền thông tin, lμm nhiễu vμ sai lệch các thông tin thực tế Ví dụ bóng mây vμ mặt n†ớc trên ảnh có cùng giá trị DN = 0 ở band 7 Nhiều tr†ờng hợp nhiễu do khí quyển chỉ ảnh h†ởng đến band nμy mμ không ảnh h†ởng tới band khác Kỹ thuật để chỉnh gồm có: chỉnh theo hystogram của từng band, chỉnh bằng các fitter (lọc thấp) Ngoμi ra, có thể khắc phục bằng cách sử dụng ảnh phủ chồng của ảnh kế tiếp để loại

bỏ mây ở ảnh tr†ớc

Hình 8.12 : Cấu trúc các khuôn dạng ảnh chính trong viễn thám :

BSQ,BIL,BIP

x Hiệu chỉnh hình học

Quá trình quét, truyền thông tin để ghi nhận sẽ xuất hiện nhiều loại hình méo

về hình học, có hai hiện t†ợng méo chính: méo không hệ thống vμ méo hệ thống

- Méo không hệ thống: lμ sự méo không ổn định về mặt hình học, nguyên

nhân lμ do tốc độ bay của máy bay (hoặc vệ tinh), độ cao, góc nhìn của thiết bị, dải quét Để nắn chỉnh sự méo không hệ thống, phải có hệ thống điểm kiểm tra d†ớimặt đất đối chiếu để xác định chính xác đ†ợc tọa độ các điểm trên ảnh, đối chiếu với bản đồ vμ sử dụng các phép nắn chỉnh Kết quả nắn chỉnh, ảnh sẽ đ†ợc đ†a về

đúng kích th†ớc vμ vị trí địa lý

- Méo có hệ thống: nguyên nhân của méo hệ thống về mặt hình học lμ do ảnh

h†ởng của thiết bị Quá trình quét, tốc độ g†ơng bị thay đổi vμ đ†ờng bị kéo vằn xuống Nh† vậy, theo một quy luật đều, các đ†ờng quét đều bị méo giống nhau khi

so sánh giữa phần trọng tâm vμ phần hai cạnh của hình ảnh Một hiện t†ợng khác lμ

đ†ờng quét bị kéo lệch về một phía Sự lệch hệ thống đó đ†ợc gọi lμ sự lệch toμn

cảnh - Panoramic distortion.

Việc khắc phục các hiện t†ợng lệch hệ thống t†ơng đối đơn giản bằng cách nắn hệ thống theo ch†ơng trình phần mềm trong máy tính Phim ảnh sẽ đ†ợc in ra sau khi xử lý nắn hệ thống Ngoμi ra để khắc phục hiện t†ợng méo nμy, mμ nguyên nhân lμ hệ thống quét ngang ng†ời ta đã chế tạo hệ thống quét dọc (nh† trong SPOT) Tuy nhiên mỗi hệ thông đều có những †u nh†ợc điểm riêng, khi quét dọc lại

có sự méo theo hμng dọc

b Tăng c‡ờng chất l‡ợng ảnh

Tăng c†ờng chất l†ợng ảnh gồm những kỹ thuật xử lý khác nhau nhằm thay

đổi các gía trị DN của ảnh ban đầu nhằm đ†a ra ảnh mới với các giá trị số mới Kỹ thuật tăng c†ờng có thể áp dụng cho từng band riêng biệt

x Kỹ thuật lμm tăng độ t‡ơng phản (Contrast Enhancement)

Lμ kỹ thuật rất phổ biến trong xử lý số, nhằm lμm thay đổi sự t†ơng phản trong toμn cảnh hoặc trong từng phần của ảnh Kỹ thuật lμm tăng độ t†ơng phản cho phép cung cấp thêm nhiều thông tin bị bỏ sót, đặc biệt lμ ở các vùng có độ sáng quá thấp hoặc quá cao

Để xử lý, hình ảnh th†ờng đ†ợc đ†a về chế độ 8 bit (256 cấp độ sáng) vμ độ sáng của hình ảnh thay đổi từ đen (DN = 0) đến trắng (DN = 127) Trong thực tế hình ảnh thu nhận đ†ợc có sự thay đổi độ sáng giữa DN cực tiểu (min) vμ DN cực

đại (max) không phải lμ toμn bộ dải từ 0 - 255, mμ chỉ thay đổi trong một khoảng nμo đó Ví dụ: 60 - 158 Nh† vậy thông tin trong các dải 0 - 59 vμ 159 - 255 không

đ†ợc sử dụng Kỹ thuật tăng độ t†ơng phản lμ kéo dμi khoảng phổ giữa min vμ max.Các giá trị mới đ†ợc tính toán theo công thức:

DN= * 255

min) (max

min





DN

trong đó: DN - giá trị số trong ảnh ch†a xử lý;

MIN - giá trị số DN cực tiểu trong ảnh ch†a xử lý (= 60);

MAX - giá trị số DN cực đại trong ảnh ch†a xử lý (= 158);

DN’- giá trị số của ảnh mới

Kết quả của ảnh tăng c†ờng độ t†ơng phản lμ phần tối nhất đ†ợc chuyển thμnh mμu đen vμ phần sáng nhất chuyển thμnh mμu trắng Các giá trị phổ ở giữa sẽ có sự chênh lệch cao hơn, vì thế nhìn đ†ợc rõ hơn

Ví dụ ảnh có giá trị mức độ sáng (phổ) từ 60 đến 158 Tăng c†ờng độ t†ơngphản ảnh lμ kéo giá trị nhỏ nhất (60) trở về giá trị 0 vμ giá trị lớn nhất của khoảng (giá trị 158) về giá trị 255 Hình 8.12 mô phỏng cho việc giãn ảnh theo ph†ơng pháp nμy Trên hình 9.3.a lμ biểu đồ phân bố histogram của ảnh gồm 4 mức độ xám khác nhau lμ 0-60, 60-158 vμ 158-255 Giá trị số đầu vμo trong khoảng mức độ xám lμ 60-158 đ†ợc thực hiện giãn theo nhiều cách khác nhau: tuyến tính, giãn phân bố chuẩn (biểu đồ), giãn đặc biệt Hình 8.3 minh họa cho các ph†ơng pháp giãn ảnh trên Ngoμi ra có các ph†ơng pháp giãn khác nh† theo phân bố chuẩn, giãn ảnh theo logarit vμ giãn ảnh theo cắt mật độ vμ giãn theo tuyến tính no Một số biểu đồ của các ph†ơng pháp nμy đ†ợc chỉ ra trên hình 8.14

Trong xử lý ảnh số có rất nhiều phần mềm xử lý ảnh chuyên dụng nh†ERDAS Imagine, ERMapper, PCI, Didactim, Multiscope Phần mền xử lý ảnh số thông dụng dùng trong đμo tạo lμ IDRISI

Một số ph†ơng phát tăng c†ờng độ t†ơng phản th†ờng gặp

- Giãn tuyến tính đ†ợc thực hiện với việc đ†a giá trị mức độ xám của kênh gốc

giãn rộng theo tuyến tính phủ kín khoảng 0-255

- Giãn đa tuyến tính đ†ợc thực hiện khi từng khoảng của mức độ xám ảnh gốc

đ†ợc giãn riêng biệt (hình 8.14b)

Hì nh 8 1 2 Ngu yê n tắ c giã n ả nh (Th eo L ille sand vμ K iefer, 200 0)

Hình 8.13: Nguyên tắc giãn ảnh (Theo Lillesand vμ Kiefer, 2000)

b- đa tuyến tính; c- Logarit; d- phân bố chuẩn; e- cắt mật độ

Hình 8.15:ảnh gốc (a) vμ ảnh giãn bằng ph‡ơng pháp phân bố chuẩn (b)

- Giãn hμm logarit đ†ợc thực hiện bằng việc áp dụng hμm logrit, hμm mũ hoặc

một hμm toán học đ†ợc định tr†ớc Giãn logarit rất có lợi khi quan tâm đến khoảng

có giá trị mức độ xám thấp

- Giãn Gauss đ†a giá trị ảnh gốc trở về dạng phân bố chuẩn Trong giãn gauss

phần đuôi (tai) của biểu đồ th†ờng đ†ợc t†ơng phản nhiều hơn vì vậy cắt bỏ (vμi %)

- Giãn biểu đồ cân bằng (histogram equlization) đ†a ảnh mới có mật độ

đồng nhất dọc theo trục số, tức lμ giá trị số trở thμnh có cùng tần số Theo phân bố chuẩn thì ở khoảng giữa sẽ độ lăp th†ờng xuyên hơn vì vậy chúng đ†ợc giãn ra trên trục số mới (hình 8.14 d)

x Kỹ thuật phân chia theo mức (Level Slicing)

Lμ kỹ thuật phân chia độ sáng (hoặc mμu) của từng band hay tổ hợp band theo từng mức, từ đó có thể lμm rõ ranh giới của từng đối t†ợng hay từng nhóm đối t†ợng

Hình 8.17: Đồ thị phân bố độ sáng của ảnh (hystogram)

(trục ngang lμ giá trị độ sáng, trục đứng lμ số l‡ợng pixel)

Hình 8.16: Giãn ảnh thực hiện trên ảnh Landsat ETM+ (ngμy thu phổ 11/4/2000) vùng phía trên Hòa Bình kênh hồng ngoại (kênh4), (a)- ảnh gốc; (b)- giãn tuyến tính 5%

(b) (a)

ị trí t†ơng ứng với nhân cửa sổ đ†ợc tính theo công thức:

ị cột hystogram, giá trị DN phân bố dọc theo trục X

μn bộ dải độ sáng phân bố từ 1 - 255, ta có thể chia t

u Ví dụ (1:20); (21 - 64); (65 - 130); (131 - 255) Kết quả, hình ảnh sẽ

đ†ợc phân bố thμnh số lớp đối t†ợng, nh† vậy kỹ thuật nμy đơn giản, cho một cách nhìn khái quát về sự phân bố trong không gian của các nhóm đối t†ợng T†ơng tự nh† vậy các mức có thể xác định cho tổ hợp của nhiều band phổ

có sự lặp lại nhiều lần sự khác nhau về tone ảnh trên một diện tích bao gồm số l†ợng

ít các pixel, còn tone ảnh mịn lμ sự thay đổi ít về giá trị DN của số l†ợng lớn các pixel trên một diện tích rộng Kỹ thuật số để tạo ảnh có độ nhám cao đ†ợc gọi lμ lọc cao còn độ nên một ảnh min gọi lμ lọc thấp Câú tạo một filter hay một cửa sổ có thể lμ 3 x 3 pixel hoặc 5 x 5 pixel hoặc 7 x 7 pixel, giá trị của từng pixel trong cửa

sổ liên quan đến ph†ơgn pháp lọc Khi đ†a cửa sổ vμo ảnh, các picxel ở ảnh nằm t†ơng ứng với tâm của cửa sổ sẽ đ†ợc tính chuyển thμnh một giá trị mới theo nguyên tắc trung bình cộng

Giá trị pixel ở v

9

)99(

)11(

C - giá trị pixel ở cửa sổ (filter);

1 9 - thứ tự vị trí các pixel;

DN’- giá trị mới của pixel tr

Theo nguyên tắc đó, các giá trị nhân mới đ†ợc tạo

sổ 3 x 3, còn tạo ảnh nhẵn thì sử dụng cửa sổ 9 x 9 Trong quá trình nghiên cứu thử nghiệm, ng†ời ta đã tạo nên nhiều kiểu lọc khác nhau:

- Lọc tăng c†ờng đ†ờng biên: lμ kỹ thuật dùng các filter để lμm nổi rõ các

đ†ờng ranh giới giữa các đơn vị bản đồ Kỹ thuật nμy áp dụng cho nhiều lĩnh vực: sử dụng đất, lâm nghiệp, thổ nh†ỡng

- Lọc lμm tăng c†ờng theo h†ớng (hay sử dụng trong địa chất)

Thông th†ờng, ng†ời ta kết hợp cả hai ph†ơng pháp: tăng c†ờng độ t†ơngphản vμ lọc, nhằm khai thác nhiều thông tin mới trên t† liệu viễn thám

động 3 x 3 hoặc 5 x 5 hoặc 7 x 7 hoặc 9 x 9 pixel Giá trị số của pixels trung tâm cửa sổ đ†ợc tính bằng một công thức liên quan đến các giá trị số của các pixel bao quanh Việc thực hiện các phép lọc nhằm tạo ra một ảnh mới có một số tính chất mới, ví dụ các yếu tố đ†ờng nét, lμm mịn ảnh hoặc nhấn mạnh một yếu tố cấu trúc nμo đó Các toán tử lọc còn gọi lμ kernel hay ma trận trọng số th†ờng đ†ợc tổ chức d†ới dạng một ma trận n x n phần tử Ma trận nμy đ†ợc áp dụng cho toμn ảnh theo thuật toán cửa sổ tr†ợt Kích th†ớc của ma trận toán tử th†ờng bao giờ cũng lμ một

số lẻ Mô hình toán học của phép lọc có thể đ†ợc viết nh† sau:

Lọc trung bình Mean lμ phép lọc tạo giá trị trung bình các pixel ảnh theo mức

độ xám tại tâm cửa sổ động Phép lọc nμy còn gọi lμ phép lọc giá trị thấp (low pass filter) Mục đích của bộ lọc nμy lμ nhấn mạnh các đối t†ợng không gian có có tần xuất thấp lμm thay đổi mức độ sáng của vùng có diện tích lớn (đất nông nghiệp, diện tích n†ớc ) vμ giảm các đối t†ợng có tần suất cao (chi tiết cục bộ)

Toán tử lọc áp dụng cho các cửa sổ 3x3, 5x5, 7x7, 9x9 Phép lọc trung bình

gắn giá trị số của một pixel bất kỳ DN bằng việc trung bình hóa các pixel ảnh

xung quanh pixel đó theo cửa số động còn đ†ợc gọi lμ phép cuốn Sơ đồ của toán tử kernel của một số cửa sổ động xem xét cụ thể d†ới đây:

1/4 1/4 1/4 1/4 1/4 1/4 1/4 1/4 1/4

1/4 1/4 1/4

1/2 5

1/2 5

1/2 5 1/25 1/2 5

1/2 5 1/25 1/2 5

1/2 5 1/2 5

1/2 5

1/2 5

1/2 5 1/2 5 1/2 5 1/2 5

1/2 5 1/2 5 1/2 5 1/2 5 1/2

5

1/2 5

1/2 5

1/2 5

1/2 5

Hình 8.18: Toán tử lọc ảnh trung bình Mean theo cửa sổ động

(a) - 3x3; (b)- 5x5 vμ (c)-7x7

Hình 8.19:ảnh landsat ETM + kênh 2 gốc (a) vμ lọc trung bình (b) một phần phía trên

Hoμ Bình, thu ảnh 11/04/2000 Landsat -7

Phép lọc Gauss

Phép lọc nμy th†ờng dùng cho c ác cửa sổ động 5x5 vμ 7x7 Giá trị đầu ra của một pixel Dij lμ lμ tổng của giá trị gốc của nó với giá trị của toán tử kernel Cửa sổ động theo 5x5 vμ 7 x7 có toán tử kernel thể hiện theo ma trận sau:- Toán tử cho cửa sổ 5 x 5: 1/121 2/121 3/121 2/121 1/121

Hình 8.20: ảnh vệ tinh landsat-7 ETM + thu ngμy 17/9/2000, vùng Hòa Bình

kênh 2, a- ảnh gốc; (b)- lọc ảnh theo Gaus với cửa sổ 3 x 3

Phép lọc MEDIAN

Trong phép lọc nμy không dùng toán tử kiểu kernel nh† các phép lọc trên Tuy nhiên giá trị các pixel của cửa sổ động 9 pixel giống bộ lọc 3 x 3 Cửa sổ 5 x 5 của lọc Median lμ dạng đặc biệt của bộ lọc rìa (edge) hạn chế sự mất đi của chi tiết ảnh

Hình 8.21:ảnh vệ tinh Landsat khu vực tỉnh Hoμ Bình vμ kết quả lọc MEDIAN

Phép lọc hộp thích ứng (ADAPTIVE BOX)

Trong phép lọc nμy giá trị lμ một hμm biến thiên giữa pixel tâm cửa sổ động vμ các giá trị khác của giá trị cửa sổ mẫu (template) Đầu của pixel sẽ đ†ợc gắn cùng giá trị của đầu vμo trừ nơi có các điều kiện sau đ†ợc thực hiện:

1) Giá trị của pixel tâm v†ợt giá trị độ lệch chuẩn đ†a ra bởi ng†ời xử lý

Sự khác biệt giữa giá trị của tâm cửa sổ vμ giá trị trung bình của các pixel trong khu ôn mẫu lớn hơn mức ng†ỡng đ†ợc nhập bởi ng†ời xử lý

Nếu hai tồn tại hai điều kiện nμy thì giá trị của pixel tâm ảnh sẽ đ†ợc gắn do ng†ời xử lý bằng không hay gắn gía trị trung bình của tất cả giá trị khuôn mẫu nằm trong khoảng độ lệch

Phép lọc MODE

Không có toán tử lọc Giá trị đầu ra lμ mode của cửa sổ 3x3, 5x5, 7x7, của khuôn

Các phép lọc tăng chất lợng biên kiểu Laplass

Phép lọc nμy cho kết quả lμ tổng của giá trị số của pixel gốc vμ giá trị của toán

tử Ma trận toán tử của các cửa sổ động có kích th†ớc khác nhau đ†ợc liệt kê d†ới

0 -1 -1 -1 0

Ma trận toán tử cửa sổ động 7 x 7:

0 0 -1 -1 -1 0 0

0 -1 -3 -3 -3 -1 0 -1 -3 0 7 0 -3 -1-1 -3 7 24 7 -3 -1

-1 -3 0 7 0 -3 -1

0 -1 -3 -3 -3 -1 0

0 0 -1 -1 -1 0 0 Ngoμi các toán tử trên trong phép lọc Laplass còn có các toán tử sau:

Laplas biên theo X:

Các phép lọc biên khác th†ờng đ†ợc xử dụng theo toán tử sau:

Lọc biên theo phơng trục X

Lọc biên theo SOBEL

Phép lọc Sobel cho giá trị đầu ra xác định bởi ph†ơng trình:

Giá trị số mới = sqrt(sqr (X) + sqr (Y))

Trong đó : X = lμ kết quả của toán tử Kx cho đầu vμo, vμ Y = kết quả củ toán tử cho Ky đ†ợc liệt kê d†ới đây (ví dụ cửa sổ 3x3):

Cửa sổ động 5x5:

-1/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25 +24/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25 -1/25

Các phép lọc đặt ra bởi ngời xử lý

Có rất nhiều phép lọc khác nhau đ†ợc xác định bởi ng†ời dùng Trong các phần mền xử lý ảnh đều để ngỏ modul để ng†ời dùng có thể tự tạo các phép lọc sao cho có lợi nhất cho việc khai thác thông tin từ ảnh

8.2.2.2 Các kỹ thuật tách chiết thông tin

x Phân tích Fourier

Một ph†ơng pháp phân tích không gian lμ xác định các thuộc tính trong không gian của hình ảnh (thông th†ờng lμ 2 chiều x, y) Việc nghiên cứu tần số xuất hiện của các giá trị DN trong không gian vμ lμm biến đổi chúng bằng thuật toán thì đ†ợcgọi lμ ph†ơng pháp chuyển đổi Furier Trong hμm tính toán, các thông số đ†ợc đ†avμo tính lμ: độ lệch (góc) phân bố theo quy luật của các giá trị DN, biên độ vμ tần số xuất hiện của các giá trị DN Kết quả phân tích sẽ tạo nên miền phân bố phổ Fourier của các giá trị DN theo hai trục X, Y Các giá trị DN thấp nhất phân bố ở trung tâm phổ, các giá trị DN cao hơn phân bố ở xa dần

Sau khi phân tích phổ Furier, ng†ời ta sẽ lựa chon filter thích hợp (ví dụ filter hình khối) để tạo nên ảnh mới có khả năng cung cấp nhiều thông tin nhất Ph†ơngpháp phân tích Fourier đòi hỏi những tính toán phức tạp nên còn đang đ†ợc tiếp tục nghiên cứu phát triển

.Tạo ảnh tỉ số phổ (Spectral Ration):

ảnh tỉ số phổ đ†ợc tạo bằng cách chia giá trị DN của band nμy cho giá trị DN của band khác để taọ nên một giá tri mới cho một pixel Căn cứ vμo tính chất phổ của các đối t†ợng khác nhau ở các band, ảnh tỉ số phổ có thể cung cấp nhiều thông tin mới so với từng band riêng biệt hay so với tổ hợp band ban đầu, đặc biệt lμ đối với các vùng bị bóng đối t†ợng che phủ hoặc những vùng có sự chênh lệch cao giữa giá trị DN ở giữa 2 band Số l†ợng các ảnh tỉ số phổ đ†ợc tạo mới từ n band lμ n x (n-1) (ví dụ LANDSAT-1 có 4 band thì số ảnh tỉ số phổ sẽ đ†ợc tạo nên lμ 4 x (4 - 1) = 12)

ảnh tỉ số đ†ợc thμnh lập từ các cặp band phổ khác nhau, ví dụ B5/B7 , B4/b7 hoặc (B7-B4)/B7-B4) Các ảnh mới đ†ợc tạo nên có thể cung cấp các thông tin khác ngoμi thông tin về thực vật Những nghiên cứu đã phát hiện thấy trong miền phân bố phổ với các band của các tính chất đối t†ợng, có các vùng phân bố của đất, cuả thực vật vμ một vùng thứ 3 giữa chúng đ†ợc gọi lμ vùng phân bố độ ẩm †ớt (Wetness) Tính chất nμy có liên quan đến tán lμ vμ độ ẩm của đất Việc tìm ra các ảnh tỉ số thích hợp cho từng mục đích nghiên cứu đòi hỏi phải đ†ợc kiểm nghiệm vμ chỉnh lý qua thực tế

Ngoμi ra ng†ời ta còn xây dựng các kiểu ảnh chỉ số khác dùng để nghiên c†úcác thông số khác của môi tr†ờng nh† : chỉ số khô hạn, chỉ số độ ẩm (bảng 8.3)

ảnh tỉ số cũng đ†ợc sử dụng để tạo nên các tổ hợp ảnh mμu mới

DN' arctan

trong đó: R- hệ số chuyển đổi giá trị với chế độ 8 bít, R = 162,3

DNx / Dny - góc (tính bằng radian) biến động từ 0 - 90q (0 - 1,571 radian) NDN’- giá trị mới (biến động từ 0 - 255)

Tạo ảnh thμnh phần chính (Principle Component Image - PC )

Trên các band gốc của t† liệu viễn thám, từ nhiều band phổ, có thể xác định

đ†ợc các vùng tập hợp của các giá trị DN cho một đối t†ợng Tuy nhiên, với ảnh nguyên thủy, có thể sự phân bố các giá trị lμ không rõ rμng giữa các band từ đó việc phân tích thông tin sẽ gặp khó khăn Nguyên tắc của việc tạo ảnh thμnh phần chính

lμ tạo nên những band ảnh mới theo ph†ơng pháp tạo nên các trục toạ độ mới trong không gian phân bố các giá trị độ sáng (hình 8 23)

Hình 8.23: Quay trục tọa độ trong ph‡ơng pháp phân tích

thμnh phần chính Giá trị số kênh A (PCI)

Giá trị số kênh B Trục tọa độ

mới I

Trục tọa độ mới II (PCII)

Các band ảnh mới đ†ợc gọi lμ các thμnh phần chính Nếu tính cho hai band A

vμ band B thì sự phân bố các giá trị độ sáng DN ở hai trục lμ I vμ II (hình 8.21) ta có:

DNI = a11 DNA - a12 DNB

DNII = a21 DNA - a22 DNB

trong đó: DNI; DNII - giá trị số độ sáng (DN) trên hệ toạ độ mới;

DNA; DNB - giá trị số độ sáng (DN) trên hệ toạ độ cũ;

a11; a12; a21; a22 - hệ số chuyển đổi (hằng số)

Kết quả ảnh thμnh phần chính đ†ợc tạo nên có sự phân biệt rõ rμng về miền phân bố của các đối t†ợng T†ơng tự nh† vậy, số l†ợng ảnh thμnh phần chính PC t†ơng đ†ơng với số band phổ đ†a vμo để tính toán Thông th†ờng l†ợng thông tin tập trung nhiều ở ảnh thμnh phần chính thứ nhất (70 - 80%), phần còn lại phân bố ở các thμnh phần chính khác (PC1, PC2…)

Hình 8.24: Thμnh phần chính PC1 (a) vμ PC2 (b) tạo ra từ 3 kênh ảnh

SPOT-1, -2 vμ -3 vùng Westboro (kênh 2 vμ kênh 3)

Tạo ảnh chỉ số thực vật (Vegetation Index Image)

Chỉ số thực vật lμ thông tin tiêu biểu cho việc nghiên cứu l†ợng chlorophyl (diệp lục tố) Thông th†ờng chỉ số thực vật dùng để nghiên cứu sinh khối của rừng, nông nghiệp hay nghiên cứu hμm l†ợng tảo lục trong n†ớc Tính chất phổ biến của thực vật có đặc điểm khác biệt với các đối t†ợng khác lμ có sự phản xạ mạnh ở dải Green (0,5 - 0,6Pm) Do đó có sự khác biệt lớn về độ sáng giữa band gần hồng ngoại

vμ band Green Đặc điểm đó đ†ợc gọi lμ tính chất xanh lá cây (Greeness) của đối t†ợng Nh† vậy giữa độ sáng (Brightness) vμ độ xanh (Greeness) có sự khác biệt lớn nhất về giá trị DN Thông th†ờng tổng độ sáng của các band cao hay thấp liên quan

đến các loại đất khác nhau, còn sự khác biệt về giá trị DN giữa band Green vμ gần hồng ngoại liên quan đến độ xanh Để hình dung rõ đ†ợc ý nghĩa sự khác biệt đó, ng†ời ta tạo ra ảnh chỉ số thực vật (Vegetation Index) hay ảnh về sự khác biệt của chỉ số thực vật (Normal Different Vegetation Index)

- ảnh chỉ số thực vật

) 8 , 0 7 , 0 (

) 6 , 0 5 , 0 ( DNRed



(1973) RVI

NIR

Jordan (1969) SAVI

chỉ số đất có điều chỉnh bởi

thực vật

)LREDNIR

(

)REDNIR

(

)baREDNIR

(a

chỉ số đất có điều chỉnh bởi

thực vật

SAVI=

) /

NIR



Major vμ cộng sự (1990)

baREDNIR





Wiegand (1977) DVI

Chỉ điều chỉnhsố thực vật DVI=NIR-RED Turker (1979)

Đối với ảnh MSS thì VI = B5/B7

Đối với ảnh TM thì VI = B3/B4

- ảnh khác biệt của chỉ số thực vật

57

57DNGreen

DNRed

-DNGreen-

DNRed

B B

B B hay NDVI





Trong thực tế gía trị nμy rất thấp nên ng†ời ta sử dụng công thức kinh nghiệm gọi lμ hệ số thực vật chuyển đổi, trong đó có cộng thêm 127 vμo giá trị vủa NDVI Giá trị biến đổi chỉ số thực vật đ†ợc sử dụng để nghiên cứu các kiểu tán lμ - nghĩa lμ nghiên cứu các kiểu rừng, mùa mμng, các t† liệu Viễn thám đ†ợc sử dụng gồm cóLANDSAT, SPOT, CZCS, NOAA- AVHRR,MODIS,ASTER