Nghiên cứu phương pháp phân loại mờ tiếp cận đối tượng chiết tách thông tin sử dụng đất khu vực Đông Anh - Hà Nội

Mục đích của bài báo này là nghiên cứu phương pháp phân loại mờ tiếp cận đối tượng chiết tách thông tin sử dụng đất khu vực Đông Anh - Hà Nội. Khu vực nghiên cứu là khu vực ven đô của Hà Nội, nơi có hiện trạng lớp phủ và sử dụng đất manh mún, phức tạp do quá trình đô thị hóa, công nghiệp hóa.

Trao đổi - Ý kiến NGHIÊN CỨU PHƯƠNG PHÁP PHÂN LOẠI MỜ TIẾP CẬN ĐỐI TƯỢNG CHIẾT TÁCH THÔNG TIN SỬ DỤNG ĐẤT KHU VỰC ĐÔNG ANH - HÀ NỘI ThS TRỊNH THỊ HOÀI THU Trường Đại học Tài nguyên Mơi trường Hà Nội Tóm tắt: Mục đích báo nghiên cứu phương pháp phân loại mờ tiếp cận đối tượng chiết tách thông tin sử dụng đất khu vực Đông Anh - Hà Nội Khu vực nghiên cứu khu vực ven đô Hà Nội, nơi có trạng lớp phủ sử dụng đất manh mún, phức tạp q trình thị hóa, cơng nghiệp hóa Phương pháp phân loại mờ tiếp cận đối tượng phương pháp đại Đây phương pháp phân loại linh hoạt dựa vào đặc trưng riêng biệt đối tượng ảnh để chiết tách thông tin sử dụng đất Đặc trưng riêng biệt khơng giá trị phổ mà cịn xem xét đến hình dạng, cấu trúc mối quan hệ đối tượng phân loại Mở đầu heo dõi lớp phủ sử dụng đất để cập ứng dụng tiêu biểu quan trọng liệu viễn thám với nhiều ưu bật Nhiều nghiên cứu cho thấy xác định thơng tin sử dụng đất thông qua thông tin lớp phủ từ liệu ảnh vệ tinh [8, 9, 11] thông qua phương pháp phân loại Mục đích việc phân loại (chiết tách thông tin) nhận dạng đối tượng, thiết lập mối quan hệ mẫu với lớp giải dựa yếu tố đặc trưng Mối quan hệ đối tượng với lớp giải quan hệ – theo phân loại cứng (hard classification) – nhiều theo phân loại mờ (fuzzy classification) Sự khác biệt rõ nét phân loại mờ phân loại cứng đặc trưng hàm liên thuộc (membership function) Hàm liên thuộc phân loại cứng đầu hai lựa chọn: (có, khơng) (0,1) Nói cách khác đối tượng phân loại cứng thành viên nhóm với mức độ liên thuộc Cịn phân loại mờ khái niệm làm mềm hóa: liệu đối tượng lúc chiếm mức độ thành viên nhóm khác T Đặc trưng mô tả đối tượng phải kể đến phản xạ phổ, tiếp cấu trúc đối tượng, đặc trưng địa lý độ cao, độ dốc hướng sườn Đối tượng điểm ảnh tập hợp điểm ảnh liền kề hình thành thực thể địa lý Cho tới năm 90, phương pháp phân loại cứng dựa vào kỹ thuật thống kê thông thường áp dụng phương pháp xác suất cực đại (maximum likelihood) khoảng cách ngắn (minimum distance), sử dụng tiếp cận điểm ảnh điểm ảnh quan tâm đến đặc trưng phản xạ phổ phân loại Phương pháp tiếp cận điểm ảnh cho độ xác chưa cao thêm vào kết phân loại ảnh lớp bị lẫn lốm đốm theo điểm ảnh cụm điểm ảnh lớp khác Để hạn chế yếu điểm phương pháp phân loại tiếp cận điểm ảnh điểm ảnh, hướng tiếp cận theo đối tượng quan tâm cho kết có độ tin cậy cao [12] [7],[14],[5],[10],[13] 28 t¹p chÝ khoa học đo đạc đồ số 16-6/2013 Trao đổi - Ý kiến Phương pháp nghiên cứu 2.1 Lý thuyết logic mờ Năm 1965 lần nhà toán học người Mỹ gốc Ba lan L.A Zadeh đưa khái niệm tập hợp mờ - tập mờ Lý thuyết đưa nhằm cung cấp khung lý thuyết cho việc giải vấn đề nhận thức vấn đề phân loại môi trường không rõ ràng Trong viễn thám, phân loại mờ trở nên phổ biến cách tiếp cận mạnh mẽ việc giải lẫn phổ phân loại [6] Một cách khái quát, logic mờ loại logic đa giá trị ý tưởng thay hai kết “sai”, “đúng” thuật toán Boolean dãy liên tục [0, … ,1] với giá trị “sai” giá trị “đúng” giá trị nằm biểu diễn chuyển tiếp sai [3] Logic mờ mơ hình hóa tư khơng xác người đặc biệt hiệu phân loại ảnh vệ tinh quan sát Trái đất loại liệu chứa nhiều yếu tố bất định Mọi yếu tố xét qua tập mờ xác định hàm liên thuộc (membership function) Phân loại mờ bao gồm ba bước bản: Mờ hóa (fuzzification), Suy luận mờ (Inference) khử mờ (Defuzzification) thể hình Hình 1: Kiến trúc hệ thống mờ [6] Mờ hóa: Việc mờ hóa mơ tả chuyển tiếp từ hệ thống tường minh sang hệ thống mờ cách tạo tập mờ cho số đặc điểm đối tượng Mục đích q trình phân chia không gian đặc trưng (phổ yếu tố đặc trưng đối tượng) thành không gian mờ Từ tạo quy tắc cho không gian mờ riêng biệt Mọi giá trị thuộc tính đối tượng mà có giá trị thành viên cao thuộc tập mờ Nhìn chung, hàm liên thuộc lớn độ mờ định hướng phân loại lớn; giá trị thành viên nhỏ việc gán giá trị cho tập bất định [3] Một điểm cần nhấn mạnh phân loại mờ ta khơng dùng giá trị thuộc tính đối tượng mà phải dùng tập mờ xác định cho thuộc tính đối tượng Chính tất phép tính tốn dựa vào mức độ thành viên dao động từ hoàn toàn độc lập với giá trị gốc đối tượng Điều giúp cho ta dễ làm việc khơng gian nhiều chiều, ta phải sử dụng liệu từ nhiều nguồn khác liệu có thứ nguyên khác Kết phân loại phụ thuộc vào việc chọn hàm liên thuộc việc tham số hóa Các hàm phải chọn cho thích hợp với việc xây dựng quan hệ đặc điểm đối tượng lớp Chính vậy, q trình phân loại phải thiết kế trước phải sử dụng nhiều kiến thức chuyên gia Đây bước quan trọng q trình phân loại t¹p chÝ khoa học đo đạc đồ số 16-6/2013 29 Trao đổi - Ý kiến Suy luận mờ: Suy luận mờ tổ hợp quy tắc mờ sử dụng phối hợp tập mờ khác Bộ quy tắc mờ đơn giản phụ thuộc vào tập mờ quy tắc If – Then Để tạo quy tắc mờ mức phức hợp ta phải tích hợp tập mờ lại với toán tử logic And, Or, Not để tạo giá trị chiết xuất từ tập mờ Tuy nhiên việc kết hợp hoàn toàn phụ thuộc vào hiểu biết đối tượng thực tế Khử mờ: Để có sản phẩm dạng đồ chuyên đề từ kết phân loại sử dụng logic mờ kết phải chuyển sang giá trị tường minh Với mục đích ta phải sử dụng giá trị thành viên lớn lớp tường minh 2.2 Phân loại mờ tiếp cận đối tượng Quy trình phân loại tiến hành theo hai bước: - Giai đoạn thứ nhất: trình phân mảnh ảnh (segment) Kết trình phân mảnh ảnh tạo đối tượng ảnh - Giai đoạn thứ hai: đối tượng ảnh định lớp chuyên đề (lớp thông tin) dựa theo mô tả đối tượng (các thuật toán phân loại) người phân loại thiết lập a Phân mảnh ảnh (segmentation) Đối tượng ảnh tạo thông qua phân mảnh ảnh đa độ phân giải (multi-resolution sementation) dựa vào logic mờ Phân mảnh ảnh trình hợp liên tiếp điểm ảnh đối tượng ảnh liền kề, đâlà trình quan trọng định đến độ xác đối tượng phân loại Phân mảnh theo kỹ thuật hợp vùng từ lên ban đầu xem xét pixel đối tượng riêng biệt sau đối tượng nhỏ kề hợp thành đối tượng lớn Sự hợp dựa tiêu chuẩn đồng cục bộ, cặp đối tượng ảnh liền kề gộp lại làm cho độ bất đồng tăng lên mức nhỏ giới hạn Nếu vượt giới hạn trình hợp ngừng lại, kết trình phân loại bước [1, 2] Đối tượng ảnh tạo theo tiêu chí sau: Hình 2: Tiêu chí cho phân mảnh đối tng 30 tạp chí khoa học đo đạc ®å sè 16-6/2013 Trao đổi - Ý kiến Trong trình phân mảnh ảnh thơng số tỷ lệ thơng số quan trọng Nó định đối tượng chiết xuất có kích thước lớn hay nhỏ chứa đựng nhiều hay đối tượng bên (sub-object) Độ đồng tạo đối tượng ảnh tạo theo cơng thức sau đây: Trong đó: W trọng số tiêu chuẩn mức độ không đồng Sự khác biệt độ bất đồng mầu (phổ) xác định công thức sau: Với: nmerge số lượng pixel đối tượng gộp nobj_1 số lượng pixel đối tượng nobj_2 số lượng pixel đối tượng độ lệch chuẩn đối tượng kênh c số merge dùng để đối tượng gộp, 1, trước gộp vào đối tượng merge obj_1 obj_2 dùng để đối tượng Cũng theo tác giả Benz [4], độ bất đồng hình dạng giá trị nói lên độ cải thiện độ trơn (smoothness) độ chặt (compactness) hình dạng đối tượng: Với: Trong đó: l chu vi đối tượng b chu vi khung chữ nhật bao quanh đối tượng Căn vào công thức nêu ta thấy độ bất đồng độ trơn tỷ số chu vi đối tượng độ dài khung chữ nhật bao quanh đối tượng Cũng theo cơng thức độ bất đồng độ chặt tỷ số gia chu vi ca tạp chí khoa học đo đạc đồ số 16-6/2013 31 Trao i - í kiến đối tượng bậc hai số pixel tạo nên đối tượng Các trọng số Wc, Wcolor, Wshape, Wsmooth Wcompt thơng số mà ta chọn, thay đổi để tách đối tượng mong muốn Kiểm chứng độ xác kết phân mảnh ảnh sử dụng hai phương pháp sau: - Có thể dùng polygon mà ta số hóa trực tiếp ảnh Nếu có trùng khít polygon với đối tượng ảnh chiết xuất tự động kết tốt - Có thể phân tích “độ bền” đường bao đối tượng ảnh để đánh giá xem gia tăng độ bất đồng có lớn hay khơng Sự gia tăng lớn xác suất gộp đối tượng nhỏ nói phân mảnh ảnh nhậy cảm với trọng số (độ trơn, độ chặt, hình dạng, mầu) với tỷ lệ Đối tượng ảnh tạo thông qua việc xác định tham số tỉ lệ tiêu chí độ đồng Các thơng số dùng để phân mảnh ảnh báo gồm: tham số tỉ lệ 7, hình dạng 0.2 độ chặt 0.8 phù hợp cho phân loại ảnh Landsat ETM khu vực Đông Anh b Phân loại mờ (fuzzy classification) Hình 3: Các bước thực phân loại mờ Kết phân loại Kết phân loại kiểm chứng thực địa với 56 điểm chọn cách ngẫu nhiên Độ xác kết phân loại dựa đánh giá độ xác tổng thể độ xác lớp Bảng cho thấy phương pháp phân loại định hướng đối tượng có độ xác cao cho tất lớp Độ xác tổng thể kết phân loại đạt 83.32% với hệ số Kappa 0.8124 32 tạp chí khoa học đo đạc đồ số 16-6/2013 Trao đổi - Ý kiến Bảng 1: Lựa chọn sử dụng hàm liên thuộc phân loại mờ Lớp giải sử dụng đất Nước Chỉ số sử dụng Kiểu hàm liên thuộc Ngưỡng Maxdif Larger than 1.3 Sông Length\width Larger than 3.5 Hồ Length\width Smaller than 3.5 Dân cư Đất trống Chuyên lúa Lúa màu (2 vụ lúa vụ màu) Rau màu Approximate Guassian HIS Position (distance to line) 0-0.49 Larger than Smaller than 300 150 NDVI Larger than 0.34 1.8 NDVI RVI Smaller than 0.34 1.8 NDVI RVI Smaller than 0.34 1.8 Bảng 2: Kết đánh giá độ xác Năm 2009 Prod.A User.A Kapa Ao hồ 95.36% 96.47% 0.9421 Sông 90.12% 94.53% 0.9116 Dân cư 89.44% 83.17% 0.8021 Lúa 84.27% 81.85% 0.8245 Rau màu 80.02% 76.17% 0.7833 Lúa màu 83.32% 81.32% 0.8091 Độ xác 83.32% Hệ số Kapa 0.8124 t¹p chÝ khoa học đo đạc đồ số 16-6/2013 33 Trao đổi - Ý kiến Hình 4: Thơng tin trạng sử dụng đất Kết luận Phương pháp phân loại mờ sử dụng linh hoạt yếu tố đặc trưng ảnh q trình chiết tách thơng tin Phương pháp cần phải có hiểu biết tốt khu vực nghiên cứu Kết tiếp cận đối tượng cho thông tin sử dụng đất không bị lẫn lốm đốm theo điểm ảnh cụm điểm ảnh lớp khác phân loại tiếp cận điểm ảnh Phương pháp với ưu điểm sử dụng riêng rẽ đặc tính kênh ảnh để phân biệt lớp sử dụng đất lớp phủ theo quy tắc phân cấp đối tượng Kết phân loại có độ xác cao cho lớp Điều chứng tỏ phương pháp phân loại tốt cho hầu hết lớp giải Độ xác kết phân loại phụ thuộc chất lượng trình phân mảnh ảnh chọn giá trị ngưỡng phân loại Kết phân mảnh ảnh tốt độ xác q trình phân loại ảnh cao ngược lại.m Tài liệu tham khảo [1] Baatz M., Schäpe A (2000), Multiresolution segmentation - an optimization approach for high quality multi-scale image segmentation., 12-23 [2] U Benz (1999), “Supervized fuzzy analysis of single and multichannel SAR data”, Transaction on Geoscience and Remote Sensing, 37 (2), 1023-1037 [3] Suzuki, H Matsakis, J P Desachy (2001), “Fuzzy image classification and combinatorial optimization strategies for exploiting structural knowledge”, The 10th IEEE International Conference on Fuzzy Systems, Melbourne, Vic., Australia, 1, 324-327 [4] Ursula C Benz, Peter Hofmann, Gregor Willhauck, Iris Lingenfelder, Markus Heynen (2004), “Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GISready information”, ISPRS Journal of Photogrammetry & Remote Sensing, 58 239- 258 34 t¹p chÝ khoa häc đo đạc đồ số 16-6/2013 Trao i - Ý kiến [5] Michael Bock, Panteleimon Xofis, Jonathan Mitchley, Godela Rossner, Michael Wissen (2005), “Object-oriented methods for habitat mapping at multiple scales - Case studies from Northern Germany and Wye Downs, UK”, Journal for Nature Conservation, 13 (2-3), 14 [6] Paulm Mather Brandt Tso (2009), Classification Methods for Remotely Sensed Data, Second Edition, Taylor & Francis Group, LLC [7] D Geneletti, B G H Gorte (2003), “A method for object-oriented land cover classification combining Landsat TM data and aerial photographs”, International Journal of Remote sensing, 24 (6), 15 [8] Ceiwr - Hec (1979), “Determination of Land use from Landsat Imagery: Applicattions to Hydrologic Modeling”, Public Release [9] (1976), A Land Use And Land Cover Classification System For Use With Remote Sensor Data, Washington [10] Urszula Janas, Aleksandra Mazur, Jacek Andrzej Urbański (2009), “Object-oriented classification of QuickBird data for mapping seagrass spatial structure”, Oceanological and Hydrobiological Studies, 38 (1), 16 [11] Louisa J M Jansen, Antonio Di Gregorio (2004), “Obtaining land-use information from a remotely sensed land cover map: results from a case study in Lebanon”, International Journal of Applied Earth Observation and Geoinformation, (2), 141-157 [12] Susana Martínez, Danilo Mollicone (2012), “From Land Cover to Land Use: A Methodology to Assess Land Use from Remote Sensing Data”, Remote Sensing, (12), pp 1024-1045 [13] Wei Sua Minjie Chena, Li Lia, Chao Zhanga, Anzhi Yuea, Haixia Lia (2009), “Comparison of Pixel based and Object oriented knowledge based classification methods Using Spot imagery”, Wseas trasaction on information science and applications, 6, 13 [14] Nguyen Thi Thuy Hang, Pham Van Cu, Nguyen Phan Dong (2009), “Comparison of Pixel Based and Object Oriented Classifications in Land Cover Mapping in the Red River Delta - Example of Duy Tien District, Ha Nam Province, Vietnam”, 7th FIG Regional Conference, Hanoi.m Summary OBJECT - ORIENTED FUZZY APPROACH FOR LAND USE/LAND COVER CLASSIFICATION IN DONG ANH, HANOI MSc Trinh Thi Hoai Thu - Hanoi University of Natutal Resources and Environment The purpose of this paper is to study the methods of object - oriented fuzzy classification for extracting information of land use in Dong Anh - Hanoi The study area is the suburban areas of Hanoi, where the land cover/land use fragmented, complicated by the process of urbanization and industrialization Object - oriented fuzzy classification is a modern method This is a flexible classification based on the particular characteristics of the objects image to extract land use data The characteristics that is not only the spectral values of the pixels, but also consider the shape, texture and contextual information.m Ngày nhận 03/4/2013 t¹p chÝ khoa học đo đạc đồ số 16-6/2013 35 ... biết tốt khu vực nghiên cứu Kết tiếp cận đối tượng cho thông tin sử dụng đất không bị lẫn lốm đốm theo điểm ảnh cụm điểm ảnh lớp khác phân loại tiếp cận điểm ảnh Phương pháp với ưu điểm sử dụng riêng... đồ số 1 6-6 /2013 33 Trao đổi - Ý kiến Hình 4: Thơng tin trạng sử dụng đất Kết luận Phương pháp phân loại mờ sử dụng linh hoạt yếu tố đặc trưng ảnh q trình chiết tách thơng tin Phương pháp cần... kết phân loại sử dụng logic mờ kết phải chuyển sang giá trị tường minh Với mục đích ta phải sử dụng giá trị thành viên lớn lớp tường minh 2.2 Phân loại mờ tiếp cận đối tượng Quy trình phân loại