Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ dựa trên tính toán mềm (Luận án tiến sĩ)

Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ dựa trên tính toán mềm (Luận án tiến sĩ)Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ dựa trên tính toán mềm (Luận án tiến sĩ)Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ dựa trên tính toán mềm (Luận án tiến sĩ)Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ dựa trên tính toán mềm (Luận án tiến sĩ)Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ dựa trên tính toán mềm (Luận án tiến sĩ)Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ dựa trên tính toán mềm (Luận án tiến sĩ)Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ dựa trên tính toán mềm (Luận án tiến sĩ)Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ dựa trên tính toán mềm (Luận án tiến sĩ)

Trang 2

LUẬN ÁN TIẾN SĨ KỸ THUẬT

Người hướng dẫn khoa học:

1 TS Vũ Văn Thoả

2 PGS.TS Đặng Văn Đức

HÀ NỘI – 2018

Trang 3

2 Mục tiêu, đối tượng và phương pháp nghiên cứu của luận án 19

Trang 4

4

1.3.2 Phân biệt tính toán mềm và tính toán cứng 43

1.5 Phân tích, đánh giá về thành công, ưu điểm, hạn chế 71

CHƯƠNG II: PHÁT TRIỂN MỘT SỐ THUẬT TOÁN TĂNG CƯỜNG ĐỘ

2.1 Một số thuật toán tăng cường độ tương phản ảnh dựa trên logic mờ 73

2.1.1 Tăng cường ảnh mờ dựa trên phân bố xác suất 742.1.2 Cải thiện độ tương phản dựa trên luật If-Then mờ 75

2.4 Đề xuất kĩ thuật tăng cường độ tương phản ảnh viễn thám dựa trên tiếp cận cục

bộ 78

2.5.1 Thuật toán tăng cường ảnh viễn thám sử dụng phân cụm mờ 792.5.2 Phát triển thuật toán LoRSIE_FCM cho ảnh đa phổ 832.5.3 Thuật toán tăng cường ảnh viễn thám kích thước lớn 84

Trang 5

5

2.6 Tăng cường ảnh viễn thám sử dụng phân cụm KMeans 932.6.1 Thuật toán tăng cường ảnh viễn thám sử dụng thuật toán phân cụm KMeans 93

CHƯƠNG III: PHÁT TRIỂN MỘT SỐ THUẬT TOÁN PHÂN LỚP ẢNH VIỄN

3.1 Phân cụm ảnh viễn thám với thuật toán KMeans 103

3.2 Phân cụm ảnh viễn thám với thuật toán Fuzzy C-Means 127

3.3.3 Đề xuất tiếp cận lai cho phân lớp ảnh viễn thám 135

Trang 6

6

DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ CỦA NGHIÊN CỨU SINH 147

Trang 7

7

LỜI CAM ĐOAN

Tác giả xin cam đoan đây là công trình nghiên cứu của bản thân tác giả Các kết quả nghiên cứu và các kết luận trong luận án này là trung thực, không sao chép

từ bất kỳ một nguồn nào và dưới bất kỳ hình thức nào Việc tham khảo các nguồn tài liệu đã được thực hiện trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định

Tác giả luận án

Nguyễn Tu Trung

Trang 8

8

LỜI CẢM ƠN

Luận án này báo cáo các kết quả nghiên cứu trong thời gian tôi làm nghiên cứu sinh Trong suốt thời gian này ngoài nỗ lực làm việc của bản thân tôi, phòng Tin học Viễn thông và nhóm aSoftwareGroup, Viện Công nghệ Thông tin đã tạo cho tôi một môi trường làm việc, điều kiện để thực hiện các nghiên cứu về chuyên nghành xử lý ảnh nói chung và xử lý ảnh viễn thám nói riêng

Tôi xin chân thành cảm ơn TS Vũ Văn Thoả, PGS.TS Đặng Văn Đức đã tận tình hướng dẫn tôi để hoàn thành được luận án này Tôi cũng xin chân thành cảm ơn thầy Ngô Hoàng Huy, phòng Nhận dạng và Công nghệ Tri thức, Viện Công nghệ Thông tin Thầy có ảnh hưởng rất lớn đến lĩnh vực nghiên cứu mà tôi quan tâm

Xin cảm ơn các đồng nghiệp tại Tin học Viễn thông, Viện Công nghệ Thông tin đã đóng góp những ý kiến thiết thực mỗi lần tôi seminar về vấn đề xử lý ảnh viễn thám

Đặc biệt tôi xin bày tỏ lòng biết ơn sâu sắc tới bố mẹ tôi, vợ tôi và đại gia đình tôi mà thiếu họ chắc chắn tôi đã không đủ nghị lực để hoàn thành công trình này

Trang 9

9

DANH MỤC CHỮ VIẾT TẮT

AIVHE Adaptively Increasing Value Histogram Equalization

CCEA Cluster Center Estimation Algorithm

OSCAR Open Source Cluster Application Resource

CUDA Compute Uniﬁed Device Architecture

MR-FCM Multi Resolution Fuzzy C-Means

GLCM Gray level co-occurrence matrix

MICI Maximum information compression index

BPTS Back Propagation Through Structure

MDASER Multispectral Data Analysis System for Earth Resource MLC Maximum Likelihood Classification

BPNN Back propagation neural network

PCNN pulse coupled neural network

Trang 10

10

SVM Support vector Machine

GRASS Geographic Resources Analysis Support SystemLoRSIE Local based Remote Sensing Image Enhancement DWT Discrete Wavelet Transform

LaSRSIE Large Size Remote Sensing Image Enhancement wiKMeans Wavelet init Kmeans

CIKMeans Context Information Kmeans

WICI-Kmeans Wavelet init - Context Information Kmeans cwKMeans Center Weight Kmeans

CMN Cepstal Mean Normalisation

lsiFCM large size image Fuzzy cMeans

MICI Maximum Information Compression Index

Trang 11

11

DANH SÁCH BẢNG

Bảng 1.1 Ảnh phân loại cuối cùng (a) ảnh gốc và (b) đến (d) là các ảnh gốc được

áp watershed từ độ phân giải mức 2 đến mức 0 tương ứng [85] 63

Bảng 2.1 Quy trình thuật toán tăng cường ảnh viễn thám dựa trên tiếp cận cục bộ 78 Bảng 2.2 Các hàm biến đổi mức xám theo từng cụm 81

Bảng 2.3 Tăng cường ảnh với phương pháp mờ và cải tiến 86

Bảng 2.4 So sánh chỉ số mờ của ảnh tăng cường theo phương pháp mờ và cải tiến 87 Bảng 2.5: Thời gian thực thi 88

Bảng 2.7 So sánh chỉ số mờ của ảnh tăng cường theo phương pháp mờ và cải tiến 89 Bảng 2.8 Tăng cường ảnh với phương pháp mờ và cải tiến 89

Bảng 2.9 So sánh chỉ số mờ của ảnh tăng cường theo phương pháp mờ và cải tiến 90 Bảng 2.10 Tăng cường ảnh với phương pháp mờ và cải tiến 90

Bảng 2.11 So sánh chỉ số mờ của ảnh tăng cường theo phương pháp mờ và cải tiến 91

Bảng 2.12 Thời gian thực thi 91

Bảng 2.15 Thời gian thực thi 93

Bảng 2.16 Các hàm biến đổi mức xám theo từng cụm 95

Trang 12

12

Bảng 2.20 So sánh chỉ số mờ của ảnh tăng cường theo phương pháp mờ và cải

tiến 99

Bảng 2 21 Tăng cường ảnh với phương pháp mờ và cải tiến 100

Bảng 2 23 Tăng cường ảnh với phương pháp mờ và cải tiến 101

Bảng 3 3 Các ảnh đầu vào trong tử nghiệm 1, 2 và 3 109

Bảng 3.4 Ảnh kết quả phân cụm với 5 cụm 114

Bảng 3.9 So sánh độ đồng nhất cụm (*1.0e+3) 121

Bảng 3.10 Thời gian phân cụm (ms) 122

Bảng 3.11 So sánh độ đồng nhất cụm (*1.0e+3) 123

Bảng 3.12 Thời gian phân cụm 124

Bảng 3.13 Tâm cụm sinh từ KMeans và KMeansCMN 125

Bảng 3.14 Thời gian phân cụm 126

Bảng 3.15 Các ảnh dùng trong các thử nghiệm 129

Bảng 3.16 So sánh độ chính xác 138

Trang 13

13

DANH SÁCH HÌNH VẼ

Hình 1.1 Tiến trình viễn thám 22

Hình 1.2 Ảnh chụp và ảnh số 24

Hình 1.3 Tiến trình giải đoán tự động ảnh viễn thám đa phổ 28

Hình 1.4 Nắn chỉnh hình học 31

Hình 1.5 Cân bằng lược đồ màu 32

Hình 1.6 Nguyên tắc chính của tăng cường ảnh mờ [47] 33

Hình 1.7 Phân lớp có giám sát (trái) và không giám sát (phải) 36

Hình 1.8 Các bước cơ bản trong phương pháp phân lớp có giám sát 38

Hình 1.9 Quy trình phân lớp ảnh đa phổ hướng điểm ảnh 39

Hình 1.10 Quy trình phân loại ảnh đa phổ hướng đối tượng 40

Hình 1.11 Ví dụ của ảnh khử sương mù sử dụng dò tìm điểm tối; Trái: Ảnh sương mù đầu vào, Phải: Kết quả của phương pháp trong [122] 48

Hình 1.12 So sánh kết quả của trong [70] với trong [48] 49

Hình 1.13 (a-f): So sánh kết quả xử lý với các hàm wavelet khác nhau và bộ lọc đồng cấu [124] 50

Hình 1.14 So sánh với phương pháp nhanh của Tarel và Hautiere [105] Phương pháp trong [29] nhanh và cho kết quả chính xác hơn phương pháp của Tarel 51

Hình 1.15: thử nghiệm loại bỏ mây mù trong [120] 52

Hình 1.16 So sánh kết quả thuật toán của Cheng (c) với thuật toán ACE (b) [24] 54

Hình 1.17 So sánh kết quả 2 kĩ thuật tăng cường: đầu vào, luật mờ, toán tử tăng cường [99] 55

Hình 1.18 Kiến trúc phân lớp của Napoleon và cộng sự [77] 59

Hình 1.19 Ảnh đầu vào Landsat và kết quả với 5 cụm [77] 60

Hình 1 20 Kết quả phân loại có kiểm soát ảnh World View 1, QuickBird [7] 68

Hình 1 21 Sơ đồ quá trình nhận dạng 70

Trang 14

14

Hình 1.22 Ảnh đầu vào, kết quả phân loại dựa trên tiếp cận điểm ảnh, tiếp cận đối

tượng 70

Hình 2.1 Hàm phân bố xác suất cho việc tính toán các giá trị hàm thuộc 74

Hình 2.2 Hàm thuộc 75

Hình 2.3 Hàm phân bố và các ngưỡng theo từng cụm 82

Hình 2.4 Hàm phân bố và các ngưỡng theo từng cụm 96

Hình 3.1 Biến đổi ảnh với Wavelet 106

Hình 3 2 Cây phân cấp cho phân rã nhiều mức 107

Hình 3.3 Ảnh đầu vào kết quả phân rã ảnh viễn thám đa phổ 107

Hình 3.5 Biểu đồ so sánh thời gian phân cụm của KMeans và WIKMeans với ảnh thử nghiệm 1 109

Hình 3.6 Biểu đồ so sánh thời gian phân cụm của CCEAKMeans và WIKMeans với ảnh thử nghiệm 1 110

Hình 3.8 Biểu đồ so sánh thời gian phân cụm của CCEAKMeans và WIKMeans với ảnh thử nghiệm 2 111

Hình 3 10 Biểu đồ so sánh thời gian phân cụm của CCEAKMeans và WIKMeans với ảnh thử nghiệm 3 112

Hình 3.11 Biểu đồ so sánh chỉ số độ đồng nhất các cụm sinh ra bởi KMeans, WIKMeans, 2D-KMeans, CIKMeans và WICI-Kmeans (*1.0e+3) 116

Hình 3.14 Kết quả phân cụm bởi KMeans 121

Trang 15

15

Hình 3.15 Kết quả phân cụm bởi KMeansCMN 121

Hình 3.16 Biểu đồ so sánh chỉ số độ đồng nhất các cụm sinh ra bởi KMeans, KMeansCMN (*1.0e+3) 122

Hình 3.23 Chi tiết từng cụm của FCM của thử nghiệm 1 129

Hình 3.24 Chi tiết từng cụm của lsiFCM của thử nghiệm 1 129

Hình 3.25 Biểu đồ so sánh chỉ số F(I) các cụm sinh ra bởi FCM và lsiFCM của thử nghiệm 1 (*1.0e+3) 130

Hình 3.26 Biểu đồ so sánh chỉ số F’(I) các cụm sinh ra bởi FCM và lsiFCM của thử nghiệm 1 (*1.0e-3) 130

Hình 3.27 Chi tiết từng cụm của FCM của thử nghiệm 2 131

Hình 3.28 Chi tiết từng cụm của lsiFCM của thử nghiệm 2 131

Hình 3.29 Biểu đồ so sánh chỉ số F(I) các cụm sinh ra bởi FCM và lsiFCM của thử nghiệm 2(*1.0e+3) 131

Hình 3.30 Biểu đồ so sánh chỉ số F’(I) các cụm sinh ra bởi FCM và lsiFCM của thử nghiệm 2 (*1.0e-3) 131

Hình 3.31 Quy trình phân loại ảnh đa phổ theo tiếp cận lai 135

Hình 3.32: Sơ đồ thử nghiệm quy trình thử nghiệm phân lớp theo tiếp cận lai 136

Hình 3.33: Lựa chọn và hiển thị vùng mẫu trên ảnh 137

Hình 3.34 Ảnh đầu vào, kết phân loại thuật toán gốc và cải tiến 138

Hình 3.35 So sánh độ chính xác 139

Trang 16

16

Trang 17

17

PHẦN MỞ ĐẦU

1 Tính cấp thiết của luận án

Viễn thám được hiểu là một khoa học và nghệ thuật để thu nhận thông tin về một đối tượng, một khu vực hoặc một hiện tượng, thông qua việc phân tích tài liệu thu nhận được bằng các phương tiện [6] Viễn thám bao gồm các thiết bị cảm biến, ghi lại năng lượng phát ra từ đối tượng nghiên cứu, và bao gồm tổ hợp phần cứng/phần mềm với khả năng xử lý, phân tích và ứng dụng các thông tin thu được

từ ảnh Với cách hiểu này thì quá trình viễn thám bao gồm hai giai đoạn chính: (i) Thu thập thông tin viễn thám; (ii) Xử lý và phân tích dữ liệu viễn thám Đề tài được đặt ra nhằm nghiên cứu một số phương pháp xử lý ảnh viễn thám để hỗ trợ giải quyết các vấn đề liên quan đến giai đoạn (ii), Xử lý và phân tích ảnh viễn thám Những công nghệ mới trong thu nhận và xử lý ảnh viễn thám không ngừng được phát triển, cho phép không ngừng nâng cao độ phân giải của ảnh cả về phổ và không gian Một trong những tiên phong trong lĩnh vực này là hãng Kestrel Kestrel

đã thiết kế, xây dựng, thử nghiệm và triển khai hệ thống xử lý ảnh siêu phổ (hyperspectral) có chi phí hiệu quả, sử dụng phép chuyển đổi Fourier mới được phát triển theo chương trình Small Business Innovation Hệ thống xử lý này đã được đưa vào sử dụng trên vệ tinh MightySat của Không lực Hoa kỳ năm 2000 Hãng Kestrel đang tiếp tục phát triển bộ cảm biến dữ liệu siêu phổ hai chiều CCD, nhằm tăng cường khả năng chụp mặt đất tốc độ cao, đặc tính vốn bị hạn chế do việc sử dụng hệ thống phát hiện một chiều truyền thống.Ngoài ra, các nhà nghiên cứu còn hướng quan tâm tới việc tăng cường khả năng chụp ảnh trong điều kiện sáng yếu và hỗ trợ truy nhập dữ liệu quang phổ ở những dải năng lượng thấp Bên cạnh đó, những tiến

bộ công nghệ trong cảm biến và quang học cũng được áp dụng nhằm tăng cường chất lượng dữ liệu ảnh thu được, giảm nhẹ gánh nặng cho quá trình xử lý ảnh

Ngày nay, một xu hướng mới của ứng dụng phần mềm ảnh viễn thám đó là các dịch vụ bản đồ trực tuyến Giá trị của dữ liệu viễn thám đã được nhiều nhà cung cấp nặng ký trong các dịch vụ Web phát hiện Microsoft và Google đã lần lượt phát triển các dịch vụ bản đồ trực tuyến “MSN Virtual Earth” và “Google Earth” Sự kết hợp của dữ liệu viễn thám và các công cụ bản đồ thân thiện trên dịch vụ bản đồ trực tuyến đã đem dữ liệu viễn thám tới đại chúng và mở ra những khả năng ứng dụng mới cho viễn thám

Trang 18

18

Quá trình xử lý và phân tích thông tin viễn thám được thực hiện bằng phần mềm máy tính Ảnh viễn thám ngày càng có những ứng dụng quan trọng trong nhiều lĩnh vực, từ hỗ trợ quản lý đất đai phục vụ dân sinh, quản lý, giám sát chủ quyền quốc gia, cho đến hỗ trợ giám sát tài nguyên, môi trường Ứng dụng ngày càng phổ biến của ảnh viễn thám tất yếu dẫn đến nhu cầu ngày càng tăng của việc

sử dụng phần mềm xử lý ảnh viễn thám

Ngày nay, có rất nhiều phần mềm cả thương mại lẫn mã nguồn mở phục vụ công tác xử lý dữ liệu viễn thám Theo nghiên cứu của hãng Global Marketing Insights, những phần mềm liên quan tới xử lý dữ liệu viễn thám được ứng dụng nhiều nhất tại các nhóm nghiên cứu châu Á là ESRI 30%; ERDAS 25%; RSI ENVI 17%; MapInfo 17%; ERMapper 11% Trong khi đó, ở phương Tây, những con số này là ESRI 39%, ERDAS 27%, MapInfo 9%, AutoDesk 7%, RSI ENVI 17% [42] Còn ở Việt Nam, công nghệ xử lý ảnh viễn thám đã xâm nhập khá sớm, từ năm 1983 (Viện Khoa học Việt Nam) Để nhanh chóng phát triển công nghệ vũ trụ phục vụ cho phát triển kinh tế của đất nước, Nhà nước đã xây dựng đề án: “Kế hoạch tổng thể về ứng dụng và phát triển công nghệ viễn thám ở Việt Nam” nhằm hướng đến sự phát triển bền vững trên cơ sở sử dụng hợp lý tài nguyên thiên nhiên

và bảo vệ môi trường Năm 2006, Viện Công nghệ Vũ trụ, thuộc Viện Hàn Lâm Khoa học và Công nghệ Việt Nam được thành lập Năm 2013 Việt Nam đã phóng

vệ tinh viễn thám đầu tiên mang tên VNRedsat-1 Vệ tinh viễn thám thứ 2 VNRedsat-2 dự kiến được phóng vào năm 2019

Các bài toán liên quan đến hoạt động nhận thức, trí tuệ của con người đều hàm chứa những đại lượng, thông tin không chính xác, không chắc chắn và không đầy

đủ Trong lĩnh vực khoa học kĩ thuật, các hệ thống phức tạp thực tế không thể mô tả đầy đủ và chính xác bởi các phương trình toán học truyền thống Kết quả là những tiếp cận kinh điển dưa trên kỹ thuật phân tích và các phương trình toán học nhanh chóng tỏ ra không còn phù hợp Vì thế, công nghệ tính toán mềm là giải pháp trong lĩnh vực này Vấn đề giải đoán ảnh viễn thám cũng phức tạp và cần sử dụng các kĩ thuật trong công nghệ tính toán mềm Công nghệ tính toán mềm gồm các thành phần: Logic mờ, Mạng Neural nhân tạo, lập luận xác suất, hệ hỗ trợ ra quyết định Các kĩ thuật phân lớp thuộc về công nghệ tính toán mềm

Xuất phát từ thực tế và những lý do trên, nghiên cứu sinh đã lựa chọn đề tài

“Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh đa phổ dựa

Trang 19

19

trên tính toán mềm” để thực hiện luận án tiến sĩ chuyên ngành Hệ thống thông tin Kết quả nghiên cứu được áp dụng trên ảnh viễn thám, đặc biệt là ảnh viễn thám tại khu vực trong nước để phân tích các đặc thù của lớp phủ nước ta và đưa ra những kết quả hữu ích cho giai đoạn hậu phân loại như xây dựng bản đồ

Thách thức đặt ra với đề tài là rất lớn vì ảnh viễn thám có nhiều loại với đặc

thù riêng Mỗi loại có phương pháp xử lý, phân tích riêng Vì vậy, việc lựa chọn phương pháp, kĩ thuật phù hợp để từ đó cải tiến là rất quan trọng

2 Mục tiêu, đối tượng và phương pháp nghiên cứu của luận án

Mục tiêu của luận án là nghiên cứu kĩ thuật tăng cường và phân lớp để hỗ

trợ cho việc giải đoán ảnh viễn thám đa phổ

Từ mục tiêu, luận án tập trung vào bốn nội dung nghiên cứu chính bao gồm:

 Nội dung thứ nhất là đánh giá các phương pháp, kĩ thuật tiền xử lý, tăng

cường ảnh viễn thám

 Nội dung thứ hai là so sánh, đánh giá các phương pháp, kĩ thuật phân lớp

ảnh viễn thám

 Nội dung thứ ba là đề xuất kĩ thuật mới tăng cường ảnh viễn thám đa phổ

và chứng minh phương pháp mới hiệu quả hơn các phương pháp đã có theo các tiêu chuẩn đánh giá được chọn

 Nội dung thứ tư là đề xuất kĩ thuật mới phân loại ảnh viễn thám đa phổ và

chứng minh phương pháp mới hiệu quả hơn các phương pháp đã có theo các tiêu chuẩn đánh giá được chọn

Đối tượng nghiên cứu của luận án bao gồm:

 Các kĩ thuật tiền xử lý, tăng cường ảnh viễn thám

 Các kĩ thuật phân lớp ảnh viễn thám

Ảnh viễn thám bao gồm nhiều loại khác khau với các đặc trưng và phương pháp xử lý khác nhau Luận án tập trung vào ảnh viễn thám đa phổ và các kĩ thuật

xử lý tương ứng Vì vậy, phạm vi nghiên cứu của luận án tập trung chủ yếu ở hai

vấn đề chính Một là, nghiên cứu kĩ thuật tiền xử lý, tăng cường ảnh viễn thám đa phổ Hai là, nghiên cứu phương pháp phân lớp ảnh viễn thám đa phổ

Trang 20

20

Phương pháp nghiên cứu của luận án là nghiên cứu lý thuyết và nghiên cứu

thực nghiệm Về nghiên cứu lý thuyết: Tổng hợp các thông tin liên quan, lựa chọn các cách tiếp cận đã được áp dụng thành công dựa vào các kiến thức cơ bản, các kết quả nghiên cứu đã công bố; trao đổi thông qua seminar hoặc tham gia báo cáo tại các hội thảo khoa học; trao đổi, làm việc và kết hợp chặt chẽ với các chuyên gia về lĩnh vực viễn thám Về nghiên cứu thực nghiệm: luận án thực hiện cài đặt các thuật toán, chạy thử nghiệm thuật toán với các bộ số liệu ảnh viễn thám, so sánh và đánh giá kết quả thực nghiệm so với kết quả nghiên cứu lý thuyết, từ đó kết luận tính đúng đắn của kết quả nghiên cứu

3 Đóng góp chính của luận án

 Đề xuất kỹ thuật tăng cường độ tương phản ảnh viễn thám dựa trên tiếp cận cục bộ theo cụm thông qua 2 giải thuật phân cụm KMeans và phân cụm mờ FCM

 Cải tiến thuật toán phân cụm KMeans áp dụng với ảnh viễn thám: (i) WIKMeans với bước khởi tạo tâm cụm xác lập dựa theo kỹ thuật Wavelet; (ii) CIKMeans dựa trên vector trung b nh cụm, (iii) KMeansCMN với công thức tính tâm cụm áp dụng kĩ thuật chuẩn hóa trung bình phổ và (iv) Fuzzy C-Means thành lsiFCM với những tuỳ biến để xử lý với ảnh k ch thước lớn trên cơ sở FCM

4 Bố cục của luận án

Luận án gồm phần mở đầu và ba chương nội dung, phần kết luận, danh mục

các công trình và danh mục các tài liệu tham khảo

Chương 1 trình bày tổng quan tình hình nghiên cứu về viễn thám và xử lý ảnh viễn thám đa phổ

Các đóng góp chính của luận án được trình bày trong chương chương 2 và chương 3

Chương 2 trình bày một số thuật toán tăng cường ảnh dựa trên logic mờ Từ đó, chương 2 để xuất một kĩ thuật tăng cường ảnh viễn thám mới dựa trên tiếp cận cục

bộ Trong đó, bao gồm hai thuật toán chính dựa trên hai thuật toán phân cụm khác nhau là KMeans và Fuzzy CMeans Tuy nhiên, do nhược điểm cố hữu của thuật toán phân cụm mờ dẫn đến gặp vấn đề với ảnh viễn thám kích thước lớn, chương 2 cũng

Trang 21

21

đề xuất thuật toán tăng cường ảnh cải tiến cho thuật toán tăng cường dựa trên Fuzzy CMeans nói trên cho ảnh viễn thám kích thước lớn Đánh giá và so sánh với các phương pháp đã có dựa trên chỉ số mờ của các ảnh tăng cường thu được

Chương 3 đề xuất các kĩ thuật phân lớp có giám sát và không giám sát mới cho ảnh viễn thám Về phương pháp phân lớp không giám sát bao gồm các thuật toán đề xuất cải tiến từ các thuật toán KMeans và Fuzzy CMeans Đánh giá và so sánh với các phương pháp đã có dựa trên chỉ số về độ đồng nhất cụm cũng như thời gian thực thi của các các thuật toán phân cụm Về phương pháp phân lớp giám sát là một tiếp cận mới lai dựa trên hai tiếp cận hướng điểm ảnh và hướng đối tượng, thuật toán đề xuất cải tiến từ thuật toán phân lớp hợp lý tối đa (Maximum likehood)

Cuối cùng, phần kết luận nêu những đóng góp của luận án, hướng phát triển

và những vấn đề quan tâm của nghiên cứu sinh

Trang 22

22

CHƯƠNG I - TỔNG QUAN VỀ VIỄN THÁM VÀ GIẢI

ĐOÁN ẢNH VIỄN THÁM ĐA PHỔ

Trong chương 1, luận án trình bày tổng quan về viễn thám, giải đoán ảnh đa phổ Tiếp đó, luận án trình bày về tình hình nghiên cứu trên thế giới Từ đó, luận án phân tích kết quả đạt được và những vấn đề còn hạn chế Những phân tích này làm tiền đề để luận án đề xuất những cải tiến mới trong các chương tiếp theo

1.1 Tổng quan về viễn thám

1.1.1 Tiến trình viễn thám

Theo các định nghĩa trong [22][62] thì viễn thám (Remote Sensing) được hiểu

như một khoa học, nghệ thuật thu nhận thông tin về đối tượng, khu vực hay hiện tượng trên bề mặt Trái đất mà không tiếp xúc trực tiếp với chúng Công việc này

được thực hiện bởi cảm nhận (sensing) và lưu trữ các năng lượng phản xạ hay được

phát ra từ các đối tượng nghiên cứu Sau đó là thực hiện phân tích, xử lý và ứng dụng các thông tin này vào nhiều lĩnh vực khác nhau

Tiến trình viễn thám bao gồm nhiều công đoạn, trong đó có tương tác giữa bức

xạ và đối tượng nghiên cứu Khái niệm đối tượng nghiên cứu trong tài liệu này được hiểu là các đối tượng, khu vực hay hiện tượng nào đó trên bề mặt Trái đất mà con người muốn thu thập thông tin về nó Trên hình 1.1 là mô tả vắn tắt bảy thành phần của hệ thống thu ảnh viễn thám [22]

Hình 1.1 Tiến trình viễn thám

Nguồn năng lượng hay nguồn sáng (A): Yêu cầu đầu tiên của viễn thám là

phải có nguồn năng lượng để chiếu sáng hay cung cấp năng lượng điện từ đến đối tượng nghiên cứu

Trang 23

23

Bức xạ và khí quyển (B): Vì năng lượng đi từ nguồn tới đối tượng đích cho

nên nó tiếp xúc và đi qua khí quyển Việc tương tác này còn xảy ra lần nữa khi năng

lượng đi từ đối tượng đích tới cảm biến (sensor)

Tương tác với đối tượng đích (C): Sau khi năng lượng được truyền qua khí

khuyển nó sẽ tương tác với đối tượng đích Cách thức tương tác của chúng phụ thuộc vào tính chất của đối tượng đích và bức xạ

Thu nhận năng lượng bằng đầu cảm biến (D): Sau khi năng lượng bị đối

tượng đích truyền đi hay phân tán (scattered), đầu cảm biến sẽ thu nhận (không tiếp

xúc) và lưu trữ bức xạ điện từ

Truyền, nhận và xử lý dữ liệu cảm biến (E): Năng lượng được thu nhận bởi

cảm biến sẽ được truyền đi, thông thường dưới dạng điện tử, đễn trạm thu và xử lý,

nơi mà dữ liệu được xử lý thành ảnh (dưới dạng hard-copy hay dạng số)

Diễn giải và phân tích (F): Ảnh được diễn giải bằng trực giác hay hệ thống

số để trích chọn các thông tin về đối tượng nghiên cứu

Ứng dụng (G): Phần tử cuối cùng của tiến trình viễn thám là áp dụng các

thông tin vừa trích chọn từ ảnh về đối tượng nghiên cứu để hiểu rõ hơn về nó, làm nổi lên các thông tin mới hay hỗ trợ giải quyết một số vấn đề cụ thể

Đề tài “Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh đa phổ dựa trên tính toán mềm” tập trung nghiên cứu một số vấn đề liên quan đến

thành phần F và G được mô tả trong sơ đồ trên đây Đó là làm thế nào để phân tích,

diễn giải dữ liệu viễn thám và ứng dụng chúng trong thực tế

1.1.2 Đặc trưng viễn thám

Năng lượng điện từ có thể được nhận biết bằng phim ảnh hay điện tử Có thể ghi biến thiên năng lượng trên phim nhạy ánh sáng Cần phân biệt hai khái niệm

ảnh (image) và ảnh chụp (photograph) trong viễn thám Ảnh được hiểu là hình thức

biểu diễn “cảnh” bất kỳ, không quan tâm đến bước sóng hay thiết bị viễn thám nào được sử dụng Ảnh chụp đề cập đến ảnh được chụp trên phim ảnh Thông thường, ảnh được chụp tại bước sóng từ 0.3m đến 0.9m (vùng nhìn thấy và vùng hồng ngoại phản xạ) Vậy, mọi ảnh chụp là ảnh, nhưng không phải mọi ảnh là ảnh chụp Ảnh chụp có thể được biểu diễn và hiển thị dưới dạng ảnh số bằng cách chia ảnh

Trang 24

Các đặc trưng viễn thám bao gồm:

 Kênh ảnh (Channel, Band): Thông thường, một dải hẹp bước sóng được

đo và tập dữ liệu được lưu trữ tách biệt, chúng được gọi là băng (Band) hay kênh (Channel) ảnh Có thể tổ hợp và hiển thị các kênh thông tin nhờ ba màu cơ sở (red, green và blue)

 Độ phân giải ảnh không gian: Đề cập đến vùng được đo, kích thước đặc

trưng nhỏ nhất trên mặt đất mà sensor có thể nhận biết

 Độ phân giải phổ: Đề cập đến bước sóng phổ mà sensor nhạy cảm với Có

thể nói độ phân giải phổ là số lượng kênh của ảnh số về một khu vực nào

đó

 Độ phân giải bức xạ: Đề cập đến mức độ năng lượng được đo bởi sensor

Nói cách khác là những sự khác biệt nhỏ nhất trong mức năng lượng mà sensor có thể nhận biết

 Độ phân giải thời gian: Đề cập đến thời gian thu thập dữ liệu Nó liên quan

đến khả năng chụp lặp cùng một vùng của vệ tinh

Trang 25

25

1.1.3 Khuôn mẫu ảnh viễn thám

Khuôn mẫu dữ liệu ảnh viễn thám mô tả cách thức dữ liệu được ghi lên thiết bị lưu trữ, ví dụ DVD Một ảnh viễn thám thường được lưu trữ trong hai tệp, ví dụ với

Landsat ETM+ như sau:

 Tệp metadata: Chứa tập các mô tả bằng chữ hay số của dữ liệu lưu trữ

trong tệp dữ liệu ảnh (tệp thứ 2) Chúng bao gồm tổng số dòng quét, số pixel/dòng, phép chiếu sử dụng và tọa độ địa lý của tâm ảnh

 Tệp dữ liệu ảnh: Chứa các giá trị điểm ảnh của các kênh 1-7, sắp xếp theo

từng kênh Với mỗi kênh, các giá trị pixel của dòng quét thứ 1 được lưu trữ

từ trái sang phải thành một bản ghi Tiếp theo là lưu trữ dữ liệu của dòng quét thứ 2,

1.1.4 Các loại ảnh viễn thám

Phân loại ảnh viễn thám theo nguồn năng lượng [129] và chiều dài bước sóng,

ta có thể chia ảnh vệ tinh thành 3 loại cơ bản:

 Ảnh quang học là loại ảnh được tạo ra bởi việc thu nhận các bước sóng

ánh sáng nhìn thấy (bước sóng 0.4 – 0.76 micromet) Nguồn năng lượng chính là bức xạ mặt trời

 Ảnh hồng ngoại (ảnh nhiệt) là loại ảnh được tạo ra bởi việc thu nhận các

bước sóng hồng ngoại phát ra từ vật thể (bước sóng 8 – 14 micromet) Nguồn năng lượng chính là bức xạ nhiệt của các vật thể

 Ảnh radar là loại ảnh được tạo ra bởi việc thu nhận các bước sóng trong

dải sóng cao tần (bước sóng từ 1mm – 1m) Nguồn năng lượng chính là sóng rada phản xạ từ các vật thể do vệ tinh tự phát xuống theo những bước sóng đã được xác định

Một số hệ thống vệ tinh và loại ảnh viễn thám

 Vệ tinh /Cảm biến thời tiết: TIROS-1, GOES, NOAA AVHRR…

 Các cảm biến/ vệ tinh quan trắc mặt đất: Landsat, SPOT, IRS, ASTER,

MODIS

 Các cảm biến/vệ tinh quan trắc hải dương: Nimbus-7, MOS, SeaWiFS

Trang 26

26

 …

1.2 Tổng quan về giải đoán, phân tích ảnh viễn thám đa phổ

1.2.1 Khái quát về giải đoán, phân tích ảnh viễn thám đa phổ

Để có thể sử dụng được dữ liệu viễn thám ta phải có khả năng tách thông tin

có ý nghĩa từ ảnh Nói cách khác là phải diễn giải và phân tích ảnh viễn thám Phân tích ảnh viễn thám là thực hiện nhận biết hoặc/và đo các đối tượng khác nhau trong ảnh để tách các thông tin hữu ích về chúng Các đặc trưng của đối tượng trên ảnh có các đặc trưng sau:

 Đối tượng có thể là các đặc trưng điểm, đường và vùng Nó có thể có hình dạng bất kỳ

 Đối tượng cần được phân biệt với nhau, phải tương phản với các đặc trưng khác ở xung quanh chúng

Phần lớn công việc diễn giải và giải đoán ảnh viễn thám được thực hiện bằng thủ công hay mắt thường trên các ảnh chụp (ảnh tương tự) Đối với các ảnh số, có thể giải đoán bằng thủ công hay bằng máy tính Xử lý số có thể được sử dụng cho các ảnh số để tăng cường chất lượng ảnh để giải đoán tốt hơn Xử lý và phân tích ảnh số có thể tự động giải đoán các đối tượng trên ảnh mà không cần can thiệp của con người Tuy nhiên, thực tế thì rất ít khi xử lý và phân tích ảnh thay thế hoàn toàn thủ công Nó thường là hỗ trợ người phân tích trong việc giải đoán ảnh viễn thám Giải đoán ảnh viễn thám bằng máy tính hay thủ công đều có ưu nhược điểm riêng Vậy, cả hai kỹ thuật giải đoán này thường được sử dụng

Xử lý ảnh số là thực hiện một loạt thủ tục bao gồm lập khuôn mẫu, hiệu chỉnh

dữ liệu, nâng cao chất lượng để dễ dàng giải đoán hay phân lớp tự động các đối tượng bằng máy tính Để có thể xử lý số ảnh viễn thám, dữ liệu phải được thu thập dưới dạng số phù hợp và lưu trữ trong máy tính Đồng thời phải có phần cứng, phần mềm phù hợp, nói cách khác phải có hệ thống phân tích ảnh phù hợp

1.2.2 Khái niệm và tiến trình giải đoán ảnh đa phổ

Giải đoán ảnh viễn thám là quá trình tách thông tin định tính cũng như định lượng từ ảnh dựa trên các tri thức chuyên ngành hoặc kinh nghiệm của người đoán đọc điều vẽ [6] Việc tách thông tin trong viễn thám có thể phân thành 5 loại:

Trang 27

 Xác định các đối tượng đặc biệt

Phân lớp đa phổ là quá trình tách gộp thông tin dựa trên các tính chất phổ, không gian và thời gian của đối tượng Phát hiện biến động là phát hiện và phân tích các biến động dựa trên tư liệu ảnh đa thời gian Chiết tách các thông tin tự nhiên tương ứng với việc đo nhiệt độ trạng thái khí quyển, độ cao của vật thể dựa trên các đặc trưng phổ hoặc thị sai của cặp ảnh lập thể Xác định các chỉ số là việc tính toán các chỉ số mới, ví dụ chỉ số thực vật

Xác định các đặc tính hoặc hiện tượng đặc biệt như thiên tai, các cấu trúc tuyến tính, các biểu hiện tìm kiếm khảo cổ Quá trình tách thông tin từ ảnh có thể được thực hiện bằng mát người hay máy tính

Việc giải đoán bằng mắt có ưu điểm là có thể khai thác được các tri thức chuyên môn và kinh nghiệm của con người, mặt khác việc giải đoán bằng mắt có thể phân tích được các thông tin phân bố không gian Tuy nhiên phương pháp này

có nhược điểm là tốn kém thời gian và kết quả thu được không đồng nhất

Việc xử lý bằng máy tính có ưu điểm là năng suất cao, thời gian xử lý ngắn, có thể đo được các chỉ số đặc trưng tự nhiên nhưng nó có yếu điểm là khó kết hợp với tri thức và kinh nghiệm của con người, kết quả phân tích các thông tin kém Để khắc phục nhược điểm này, những năm gần đây người ta đang nghiên cứu các hệ chuyên gia, đó là các hệ chương trình máy tính có khả năng mô phỏng tri thức chuyên môn của con người phục vụ cho việc đoán đọc điều vẽ tự động

Trang 28

28

Hình 1.3 Tiến trình giải đoán tự động ảnh viễn thám đa phổ

Theo sơ đồ trên, dữ liệu ảnh viễn thám thu được từ các vệ tinh viễn thám có thể bị sai lệch về mặt hình học hay bức xạ, sẽ được chuyển vào bộ hiệu chỉnh để sửa lại Sau đó, dữ liệu được chuyển qua giai đoạn phân lớp để rút trích các thông tin cần thiết của đối tượng thu nhận Đề hỗ trợ cho việc giải đoán thủ công hay kiểm tra lại kết quả phân lớp, dữ liệu viễn thám có thể được chuyển qua bộ tăng cường chất lượng ảnh trực quan để có thể quan sát và phân tách hiệu quả hơn Giai đoạn hậu phân lớp là từ các thông tin thu được sau phân lớp sẽ kết xuất các đầu ra cần thiết cho việc báo cáo, quản lý hiện trạng lớp phủ

Hiệu chỉnh ảnh: Đây là giai đoạn mà các tín hiệu số được hiệu chỉnh hệ thống nhằm tạo ra một tư liệu ảnh có thể sử dụng được Giai đoạn này thường được thực hiện trên các máy tính lớn tại các Trung tâm thu số liệu vệ tinh

Trang 29

29

Tăng cường hình ảnh trực quan: Các quá trình xử lý như tăng cường chất lượng, biến đổi tuyến tính Giai đoạn này có thể thực hiện trên các máy tính nhỏ như máy vi tính trong khuôn khổ của một phòng thí nghiệm Việc tăng cường ảnh

để hỗ trợ cho khâu giải đoán ảnh bao gồm cả giải đoán thủ công và giải đoán tự động dựa trên phân lớp

Phân lớp: Phân lớp đa phổ để tách các thông tin cần thiết phục vụ việc theo dõi các đối tượng hay lập bản đồ chuyên đề là khâu then chốt của việc khai thác tư liệu viễn thám

Quá trình giải đoán ảnh viễn thám đa phổ gồm rất nhiều giai đoạn Trong đó

có hai giai đoạn quan trọng là Tăng cường hình ảnh trực quan và Phân lớp mà luận

Tất cả các tư liệu số hầu như bao giờ cũng chịu một mức độ nhiễu xạ nhất định [6]

Để loại trừ các nhiễu này cần phải thực hiện một số phép tiền xử lý Khi thu các bức

xạ từ mặt đất trên các vật mang vũ trụ, người ta thấy chúng có một số khác biệt so với trường hợp quan sát cùng đối tượng đó ở khoảng cách gần Điều này chứng tỏ ở khoảng cách xa như vậy tổn tại một lượng nhiễu nhất định do góc nghiêng và độ cao mặt trời, một số điều kiện quang học khí quyển như sự hấp thụ, tán xạ, độ mù gây ra Chính vì vậy để bảo đảm được sự tương đồng nhất định về mặt bức xạ cần phải hiệu chỉnh ảnh

Các nguồn nhiễu bức xạ gồm 3 nhóm chính sau:

 Các nguồn nhiễu do biến đổi độ nhậy của bộ cảm

Trong trường hợp các bộ cảm thuần tuý quang học bao giờ cũng xảy ra trường hợp cường độ bức xạ tại tâm ảnh lớn hơn tại các góc Hiện tượng này gọi là hiện tượng làm mờ ảnh

Trang 30

30

Đây là một sai lệch không thể tránh khỏi cho các hệ quang học Khi sử dụng các bộ cảm quang điện tử thì sự chênh lệch giữa cường độ bức xạ trước ống kính và cường độ mà thiết bị thực sự ghi nhận cũng là một đại lượng cần đưa vào quá trình hiệu chỉnh

 Các nguồn nhiễu do góc chiếu của mặt trời và do địa hình

Bóng chói mặt trời: Bản thân mặt trời tạo bóng chói của mình trên mặt đất dưới dạng một vùng sáng hơn những vùng khác Bóng chói mặt trời có thể được loại trừ cùng với hiện tượng làm mờ ảnh trên nguyên lý ứng dụng chuỗi Furie

Bóng che: Bóng che là hiện tượng che khuất nguồn bức xạ do bản thân địa hình Để có thể loại trừ nó cần có số liệu mô hình số địa hình và toạ độ vật mang tại thời điểm thu tín hiệu

 Các nguồn nhiễu do trạng thái khí quyển

Rất nhiều các hiệu ứng khí quyển khác nhau như hấp thụ, phản xạ, tán xạ ảnh hưởng tới chất lượng ảnh thu được Người ta thường sử dụng các

mô hình khí quyển để mô phỏng trạng thái khí quyển và áp dụng các qui luật quang hình học và quang khí quyển để giải quyết vấn đề này

1.2.3.2 Hiệu chỉnh hình học

Hiệu chỉnh hình học bao gồm hiệu chỉnh biến dạng hình học vì dao động của hình học Trái đất-sensor và chuyển đổi dữ liệu sang hệ tọa độ thế giới thực (kinh vĩ độ) trên bề mặt Trái đất

Hai loại méo hình học: Hệ thống và không hệ thống Méo không hệ thống là méo không ổn định về mặt hình học như tốc độ bay của vệ tinh, góc nhìn, độ cao Méo hệ thống do tốc độ gương bị thay đổi, nó gây ra các đường quét đều méo giống nhau hoặc đường quét bị kéo lệch một phía Nắn ảnh méo hệ thống tương đối đơn giản

Méo hình hình học là sai lệch vị trí giữa tọa độ ảnh thực tế đo được và tọa độ ảnh lý tưởng thu được từ bộ cảm có thiết kế hình học lý tưởng và trong các điều kiện thu nhận lý tưởng

Méo hình hình học gồm méo hình nội sai và méo hình ngoại sai Méo hình nội sai sinh ra do tính chất hình học của bộ cảm và méo hình ngoại sai gây ra do vị trí

Trang 31

31

của vật mang và hình dáng của vật thể Để đưa các tọa độ ảnh thực tế về tọa độ ảnh

lý tưởng phải hiệu chỉnh hình học Bản chất của hiệu chỉnh hình học là xây dựng được mối tương quan giữa hệ tọa độ ảnh đo và hệ tọa độ qui chiếu chuẩn Hệ tọa độ qui chiếu chuẩn có thể là hệ tọa độ mặt đất (hệ tọa độ vuông góc hoặc hệ tọa độ địa lý) hoặc hệ tọa độ ảnh khác

Hình 1.4 Nắn chỉnh hình học

1.2.3.3 Hiệu chỉnh khí quyển

Bức xạ mặt trời trên đường truyền xuống trái đất bị hấp thụ, tán xạ một lượng nhất định trước khi tới mặt đất và bức xạ, tán xạ từ vật thể cũng bị hấp thụ hay tán xạ trước khi tới được bộ cảm [6] Do vậy bức xạ mà bộ cảm thu được không chỉ chứa riêng năng lượng hữu ích mà còn chứa nhiều thành phần nhiễu khác nữa Hiệu chỉnh khí quyển là một công đoạn tiền xử lý nhằm loại trừ những thành phần bức xạ không mang thông tin hữu ích

Có 3 nhóm phương pháp chính sử dụng trong hiệu chỉnh khí quyển bao gồm:

 Phương pháp sử dụng hàm truyền khí quyển

Phương pháp sử dụng hàm truyền khí quyển là giải pháp gần đúng hay được sử dụng Mọi thông số dựa trên trạng thái trung bình của khí quyển kể

cả hàm lượng các hạt bụi lơ lửng và hơi nước

 Phương pháp sử dụng các số liệu quan trắc thực địa

Trong phương pháp này người ta tiến hành đo đạc bức xạ các đối tượng cần nghiên cứu ngay tại thời điểm bay chụp Sau đó dựa trên sự khác biệt cường độ bức xạ thu được trên vệ tinh và giá trị đo được người ta tiến hành

Trang 32

1.2.4 Tăng cường chất lượng ảnh trực quan

Các thao tác này làm tăng cường độ rõ của ảnh để hỗ trợ giải đoán và phân tích ảnh Các chức năng nâng cao chất lượng ảnh bao gồm dãn tương phản, lọc không gian để làm nổi các mẫu trên ảnh

Hình 1.5 Cân bằng lược đồ màu

Nhiễu trong ảnh viễn thám bao gồm nhiễu thông thường giống ảnh màu và các nhiễu mang tính đặc trưng sương mù, đám mây Đối với nhiễu thông thường, chúng ta có thể dùng các phương pháp khử nhiễu thông thường như các phương pháp lọc Để tăng cường chất lượng ảnh viễn thám, cũng có thể dùng các phương pháp tăng tính tương phản

Theo [9], các kĩ thuật tăng cường ảnh chia làm ba loại Một là, họ các kĩ thuật histogram mà tiêu biểu là cân bằng histogram và đặc tả histogram Hai là, họ các kĩ thuật dựa trên tiếp cận logic mờ Ba là, các kĩ thuật tăng cường dựa trên tối ưu Các kĩ thuật này được áp dụng cho ảnh đa cấp xám Với ảnh đa kênh, có thể

thực hiện tăng cường trên từng kênh ảnh

Trang 33

33

1.2.4.1 Kĩ thuật histogram

Cân bằng lược đồ xám là kĩ thuật hiệu chỉnh cường độ ảnh để tăng cường độ tương phản Trong cân bằng lược đồ xám điểm ảnh sẽ được phân phối một cách thống nhất thay vì phân phối điểm ảnh ban đầu và do đó ảnh trở nên trong trẻo hơn

1.2.4.2 Tăng cường ảnh dựa trên logic mờ

Tăng cường ảnh mờ dựa trên việc ánh xạ mức xám vào mặt phẳng mờ, sử dụng hàm biến đổi thành viên [47] Mục tiêu là để sinh một ảnh có độ tương phản cao hơn ảnh gốc bằng việc đưa trọng số lớn hơn cho các mức xám mà gần hơn với mức xám trung bình của ảnh hơn là để chúng xa hơn trung bình Trong vài năm gần đây, nhiều nhà nghiên cứu đã áp dụng lý thuyết tập mờ để phát triển các kĩ thuật mới cho việc cải thiện độ tương phản

Một ảnh I, có kích thước M x N và L mức xám, có thể được xem như một

mảng đơn mờ, mỗi phần tử là một giá trị hàm thuộc biểu thị mức độ sáng của nó

liên quan tới vài mức độ sáng Với ảnh I, chúng ta có thể viết trong ký hiệu tập mờ

[47][99] như sau:

⋃ m = 1,2,…,M và n = 1,2,…,N (1)

Trong đó g mn là cường độ của điểm ảnh (m, n) và giá trị hàm thuộc của nó μ mn Hàm thuộc đặc trưng cho thuộc tính thích nghi của ảnh (ví dụ thuộc tính biên, tối, kết cấu) Mỗi toán tử tăng cường có thể có dạng hàm thành viên khác khau Trong những năm gần đây, một số nhà nghiên cứu đã áp dụng khái niệm mờ để phát triển các thuật toán mới cho việc tăng cường ảnh Nguyên tắc của lược đồ tăng cường mờ được minh họa trong hình 1.6

Hình 1.6 Nguyên tắc chính của tăng cường ảnh mờ [47]

1.2.4.3 Tăng cường ảnh dựa trên tối ưu tham số

Trong tăng cường ảnh, việc chọn, tối ưu các tham số liên quan đến các hàm, toán tử tăng cường là rất quan trọng Nhiều kĩ thuật tối ưu việc chọn tham số được

sử dụng như là hệ thống tham lam, di truyền, phá vi khuẩn, đàn kiến [9]

Trang 34

34

1.2.5 Giải đoán thủ công

Đoán đọc điều vẽ ảnh bằng mắt có thể áp dụng trong mọi điều kiện trang thiết

bị [6] Đoán đọc điều vẽ bằng mắt là việc sử dụng mắt người cùng với các dụng cụ quang học như kính lúp, kính lập thể, máy tổng hợp mầu để xác định các đối tượng

Cơ sở để đoán đọc điều vẽ bằng mắt là các chuẩn đoán đọc điều vẽ và mẫu đoán đọc điều vẽ

Các chuẩn đoán đọc điều vẽ ảnh vệ tinh và mẫu đoán đọc điều vẽ gồm 8 nhóm:

 Chuẩn kích thước: Cần phải chọn một tỷ lệ ảnh phù hợp để đoán đọc điều

vẽ Kích thước của đối tượng có thể xác định nếu lấy kích thước đo được trên ảnh nhân với mẫu số tỷ lệ ảnh

 Chuẩn hình dạng: Hình dạng có ý nghĩa quan trọng trong đoán đọc ảnh Hình dạng đặc trưng cho mỗi đối tượng khi nhìn từ trên cao xuống và được coi là chuẩn đoán đọc quan trọng

 Chuẩn bóng: Bóng của vật thể dễ dàng nhận thấy khi nguồn sáng không nằm chính xác ở đỉnh đầu hoặc trường hợp chụp ảnh xiên Dựa vào bóng của vật thể có thể xác định được chiều cao của nó

 Chuẩn độ đen: Độ đen trên ảnh đen trắng biến thiên từ trắng đến đen Mỗi vật thể được thể hiện bằng một cấp độ sáng nhất định tỷ lệ với cường độ phản xạ ánh sáng của nó Ví dụ cát khô phản xạ rất mạnh ánh sáng nên bao giờ cũng có mầu trắng, trong khi đó cát ướt do độ phản xạ kém hơn nên có mầu tối hơn trên ảnh đen trắng Trên ảnh hồng ngoại đen trắng do cây lá nhọn phản xạ mạnh tia hồng ngoại nên chúng có mầu trắng và nước lại hấp thụ hầu hết bức xạ trong dải sóng này nên bao giờ cũng có mầu đen

 Chuẩn mầu sắc: Mầu sắc là một chuẩn rất tốt trong việc xác định các đối tượng Ví dụ các kiểu loài thực vật có thể được phát hiện dễ dàng ngay cả cho những người không có nhiều kinh nghiệm trong đoán đọc điều vẽ ảnh khi sử dụng ảnh hồng ngoại mầu Các đối tượng khác nhau cho các tông mầu khác nhau đặc biệt khi sử dụng ảnh đa phổ tổng hợp mầu

Trang 35

35

 Chuẩn cấu trúc: Cấu trúc là một tập hợp của nhiều hình mẫu nhỏ Ví dụ một bãi cỏ không bị lẫn các loài cây khác cho một cấu trúc mịn trên ảnh, ngược lại rừng hỗn giao cho một cấu trúc sần sùi

 Chuẩn phân bố: Chuẩn phân bố là một tập hợp của nhiều hình dạng nhỏ phân bố theo một quy luật nhất định trên toàn ảnh và trong mối quan hệ với đối tượng cần nghiên cứu Ví dụ hình ảnh của các dãy nhà, hình ảnh của ruộng lúa nước, các đồi trồng chè tạo ra những hình mẫu đặc trưng riêng cho các đối tượng đó

 Chuẩn mối quan hệ tương hỗ: Một tổng thể các chuẩn đoán đọc điều vẽ,

môi trường xung quanh hoặc mối liên quan của đối tượng nghiên cứu với các đối tượng khác cung cấp một thông tin đoán đọc điều vẽ quan trọng

Ảnh tổng hợp mầu

Nhờ khả năng phân biệt cao của mầu sắc mà nó có thể truyền đạt các khác biệt

về phổ của đối tượng, ảnh tổng hợp mầu có tính trực quan sinh động hơn ảnh phổ trắng đen Đối với ảnh phổ chụp ở vùng hồng ngoại, ảnh tổng hợp mầu cho ta bức tranh mầu giả không có thực trong tự nhiên

Lựa chọn kênh phổ để tổng hợp mầu là một công việc quan trọng quyết định chất lượng thông tin của kết quả tổng hợp mầu Việc lựa chọn kênh phổ được xác định trên cơ sở như sau:

 Đặc tính phản xạ phổ của các đối tượng cần đoán đọc điều vẽ

 Nhiệm vụ đoán đọc điều vẽ

 Yêu cầu đối với lực phân giải

 Đặc điểm của vùng cần tổng hợp mầu

1.2.6 Giải đoán tự động theo phương pháp số

1.2.6.1 Khái niệm

Mục đích tổng quát của phân lớp đa phổ là tự động phân lớp tất cả các pixel trong ảnh thành các lớp phủ đối tượng [6] Thông thường người ta sử dụng các dữ liệu đa phổ để phân lớp và tất nhiên, mẫu phổ trong cơ sở dữ liệu đối với mỗi pixel sẽ được dùng làm cơ sở để phân lớp Có nghĩa là, các kiểu đặc trưng khác nhau biểu thị các

tổ hợp giá trị số dựa trên sự bức xạ phổ và đặc trưng bức xạ vốn có của chúng Vì

Trang 36

36

vậy một “mẫu phổ” không nói đến tính chất hình học mà đúng hơn, thuật ngữ "phổ"

ở đây nói đến một tập hợp giá trị đo bức xạ thu được trong các kênh phổ khác nhau đối với mỗi pixel Việc nhận biết mẫu phổ đề cập đến một số phương pháp phân lớp

có sử dụng thông tin phổ trên các pixel làm cơ sở để tự động phân loại các lớp đối tượng

Phân lớp ảnh là phân chia các điểm ảnh, các vùng về các miền, các lớp khác nhau

Phân lớp ảnh viễn thám là một công việc rất quan trọng với nhiều ứng dụng khác nhau trong nông nghiệp, lâm nghiệp, địa chất học, thủy văn

Hình 1.7 Phân lớp có giám sát (trái) và không giám sát (phải)

Có hai phương pháp phân lớp ảnh đa phổ chủ yếu là phân lớp có giám sát (còn gọi là phân lớp) và không giám sát (còn gọi là phân cụm)

Trong phương pháp phân lớp có giám sát người giải đoán ảnh sẽ “kiểm tra” quá trình phân lớp pixel bằng việc quy định cụ thể theo thuật toán máy tính, các chữ

số mô tả bằng số các thể loại lớp phủ mặt đất khác nhau có mặt trên một cảnh Để làm việc này, các điểm lấy mẫu đại diện của loại lớp phủ đã biết (gọi là các vùng mẫu) được sử dụng để biên tập thành một “khóa giải đoán” bằng số mô tả các thuộc tính phổ cho mỗi thể loại điển hình Sau đó mỗi pixel trong tập hợp dữ liệu sẽ được

so sánh với mỗi chủng loại trong khóa giải đoán và được gán nhãn bằng tên của chủng loại mà nó “có vẻ giống nhất”

Còn phương pháp phân lớp không giám sát không giống như phương pháp phân lớp có giám sát, quy trình phân lớp không giám sát gồm hai bước riêng biệt Điểm khác biệt cơ bản giữa hai phương pháp này là ở chỗ phương pháp phân lớp có giám sát bao gồm bước lấy mẫu và bước phân loại, còn trong phương pháp phân lớp không giám sát, trước tiên dữ liệu ảnh được phân loại bằng cách nhóm chúng thành

Trang 37

37

các nhóm tự nhiên hoặc thành các cụm có mặt trên cảnh Sau đó người giải đoán ảnh sẽ xác định tính đồng nhất của lớp phủ mặt đất của các nhóm phổ này bằng cách so sánh các dữ liệu hình ảnh đã phân lớp với các dữ liệu tham khảo mặt đất Một đơn vị phân lớp có thể là một tập các điểm ảnh lân cận hoặc một điểm ảnh hoặc chính ảnh viễn thám [77] Đơn vị này tập trung vào thông tin phổ trong ảnh phân lớp, có thể xem xét việc sử dụng các thông tin thời gian, không gian và các thông tin khác Hai lớp được giới thiệu là lớp thông tin và lớp phổ để minh hoạ phân loại giám sát và không giám sát Lớp thông tin là lớp trong đó thông tin được trích chọn bằng phân tích trong khi lớp phổ xử lý với các vector mức xám tương tự

Có sự liên quan một lớp phổ đến một lớp thông tin là sự khác biệt chính giữa phân loại giám sát và không giám sát Trong một phân loại giám sát lớp thông tin được đặc tả đầu tiên trên ảnh và để thiết lập dấu hiệu của lớp, thuật toán được sử dụng để tóm lược thông tin đa phổ từ các vùng mẫu trên ảnh Quá trình này được biết đến như là huấn luyện không giám sát Nhưng trong phân loại không giám sát thuật toán được áp dụng đầu tiên trên ảnh và các lớp phổ được thiết lập Sau đó, phân tích ảnh gán lớp phổ đến lớp thông tin

Có hai tiếp cận phân lớp chủ yếu là: Tiếp cận dựa trên điểm ảnh và tiếp cận dựa trên đối tượng

bộ dữ liệu, các kết quả được trình bày trong giai đoạn đưa ra kết quả Do việc phân loại bằng số, cho nên kết quả có thể sử dụng theo nhiều cách khác nhau Ba dạng điển hình của kết quả đầu ra là bản đồ chuyên đề, bảng thống kê diện tích toàn cảnh hoặc phân cảnh cho các loại lớp phủ mặt đất khác nhau, và các file dữ liệu bằng số

để đưa vào hệ thống thông tin địa lý GIS, khi đó "kết quả đầu ra" của việc phân lớp

Trang 38

38

trở thành "đầu vào" của GIS Hình 1.8 tóm tắt 3 bước cơ bản trong phương pháp phân lớp có giám sát

Hình 1.8 Các bước cơ bản trong phương pháp phân lớp có giám sát

Việc phân lớp đa phổ trong phương pháp phân lớp có có thường dùng các thuật toán sau:

 Thuật toán phân lớp theo xác suất cực đại

 Thuật toán phân lớp theo khoảng cách ngắn nhất

 Thuật toán phân lớp hình hộp

1.2.6.3 Phân lớp không giám sát

Phân lớp không giám sát (phân đoạn ảnh) là thực hiện phân hoạch ảnh thành tập các vùng đồng nhất có ý nghĩa, các điểm ảnh trong cùng vùng có cùng thuộc tính như mức xám, tương phản, giá trị phổ hay tính chất kết cấu

Phân lớp không giám sát không sử dụng dữ liệu mẫu làm cơ sở để phân lớp,

mà dùng các thuật toán để xem xét các pixel chưa biết trên một ảnh và kết hợp chúng thành một số loại dựa trên các nhóm tự nhiên hoặc các loại tự nhiên có trong

Trang 39

39

ảnh Nguyên lý cơ bản của phương pháp này là các giá trị phổ trong một loại lớp phủ phải gần giống nhau trong không gian đo, trong lúc các dữ liệu của các loại khác nhau phải được phân biệt rõ với nhau về phương diện phổ

Các loại thu được do việc phân lớp không giám sát gọi là các lớp phổ Do chỗ chúng chỉ dựa trên các nhóm tự nhiên có trong ảnh, đặc điểm nhận dạng của các loại phổ lúc ban đầu chưa biết nên người giải đoán phải so sánh các dữ liệu đã được phân lớp với một dạng nào đó của dữ liệu tham khảo (chẳng hạn ảnh tỉ lệ lớn hơn hoặc bản đồ) để xác định đặc điểm nhận dạng và giá trị thông tin của các loại phổ Thuật toán được sử dụng phổ biến trong phân lớp không giám sát ảnh viễn thám đa phổ là KMeans Ngoài ra, nhiều kỹ thuật phân lớp không giám sát [109] đã được nghiên cứu thử nghiệm như tách cạnh, tách đường và tách điểm; các bộ tách

cạnh được hình thành trên cơ sở các toán tử Robert, toán tử Sobel, toán tử Prewitt, toán tử Canny; phân ngưỡng ảnh; phát triển vùng; phân cụm; thuật toán

Watershed

1.2.6.4 Tiếp cận phân lớp hướng điểm ảnh

Tiếp cận kinh điển của phân loại ảnh viễn thám dựa trên điểm ảnh [73] Tiếp cận này chỉ thông tin phổ được sử dụng trong việc phân lớp [100] Tiếp cận này bao gồm phương pháp phân lớp có giám sát và không giám sát truyền thống [100][73] Phương pháp phân loại hợp lý tối đa (maximum likehood) thuộc tiếp cận này Hình 1.9 minh hoạ quy trình phân loại ảnh hướng điểm ảnh

Hình 1.9 Quy trình phân lớp ảnh đa phổ hướng điểm ảnh

Về mặt toán học, có thể phát biểu bài toán phân lớp ảnh như sau:

 Đầu vào: là tập các pixel, n là số pixel;

là tập các nhãn ứng với mỗi lớp cần phân lớp, m là số lớp

 Đầu ra: Mỗi pixel , 1 ≤ k ≤ n, được gán nhãn , 1 ≤ j ≤ m

Trang 40

40

Về mặt nguyên tắc chung, các thuật toán phân lớp hướng điểm ảnh sẽ xây dựng các hàm phân biệt ( ) để xác định lớp mà điểm ảnh thuộc về Khi này luật quyết định có dạng:

( ) ( ) (2)

1.2.6.5 Tiếp cận phân lớp hướng đối tượng

Trong tiếp cận hướng đối tượng, đơn vị xử lý không còn là các điểm ảnh đơn giản

mà là các đối tượng ảnh [100] Đầu tiên, ảnh được phân đoạn thành các nhóm điểm ảnh có nghĩa Thứ hai, một tập các luật phân vùng dựa trên tri thức để mô tả mỗi lớp được định nghĩa Luật bao gồm thông tin phổ, không gian, ngữ cảnh, và kết cấu Và sau đó, bộ phân loại sẽ được chọn để gán mỗi đoạn về lớp phù hợp theo luật [66] Hình 1.10 minh hoạ quy trình phân loại dựa trên tiếp cận hướng đối tượng

Hình 1.10 Quy trình phân loại ảnh đa phổ hướng đối tượng

Sau khi phân cụm, ảnh gốc I không biểu diễn dưới dạng tập điểm ảnh nữa mà được biểu diễn lại dưới dạng tập O các cụm hay đối tượng như sau:

Trong đó, Các đối tượng này sẽ được tính đặc trưng: ( )

Về nguyên tắc chung, các thuật toán phân lớp hướng điểm ảnh sẽ xây dựng các hàm phân biệt ( ) để xác định lớp mà điểm ảnh thuộc về Khi này luật quyết định có dạng:

( ( )) ( ( )) (4) Các đặc trưng của cụm có thể là:

 Cường độ

Định dạng
Số trang	169
Dung lượng	3,57 MB