1120 Phương pháp bán giám sát trong phân loại lớp phủ trên ảnh vệ tinh sử dụng thuật toán Mountain.docx

Mai Đình Sinh tgk TẠP CHÍ KHOA HỌC ĐHSP TPHCM _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ PHƯƠNG PHÁP BÁN GIÁM SÁT TRONG PHÂN LOẠI LỚP PHỦ TRÊN ẢNH VỆ TINH SỬ DỤNG THUẬT TỐN MOUNTAIN MAI ĐÌNH SINH*, TRỊNH LÊ HÙNG**, ĐÀO KHÁNH HỒI** TĨM TẮT Ngày có nhiều thuật tốn phân loại ảnh vệ tinh K – Means, ISODATA, hình hộp, khoảng cách ngắn nhất… Tuy nhiên, hầu hết thuật toán dựa vào thuộc tính quan trọng điểm ảnh với lân cận giống khác màu sắc mà không quan tâm đến thuộc tính khác cụm mật độ, hình dáng cụm… Trong báo này, chúng tơi đề xuất phương pháp phân loại lớp phủ dựa thuật toán Mountain sử dụng tư liệu ảnh vệ tinh quang học Landsat Kết nhận cho thấy, chất lượng cụm tốt so với kết phân loại dựa số thuật toán khác K-Means ISODATA Từ khóa: phân loại, bán giám sát, ảnh vệ tinh, Landsat, Mountain, NDVI ABSTRACT Semi – supervised method for land cover classification of remotely sensed image using Mountain algorithm There have been many classification algorithms for remotely sensed images, such as K – Means, ISODATA, parallelepiped and minimum distance However, most of these algorithms are based on a key attribute of each pixel with its neighbors which shows the similarities and difference in color without regarding to other properties such as the density of clusters, clustered shape In this study, we propose a new method for land cover classification based on Mountain algorithm using Landsat optical images The obtained results show a better quality in clusters when compared with the classified results based on other algorithms such as K-Means and ISODATA Keywords: classification, semi-supervised, remote sensed image, Landsat, Mountain, NDVI Mở đầu Ảnh viễn thám hình ảnh chụp bề mặt Trái Đất từ vệ tinh nhân tạo nhằm phục vụ giải toán cụ thể Trong thực tế, ảnh vệ tinh cần phân lập nhóm điểm ảnh gần tương đồng giá trị độ xám đặc trưng phổ Phân loại ảnh khâu quan trọng xử lí ảnh vệ tinh Kết phân loại ảnh vệ tinh sử dụng phục vụ mục đích khác nhau, từ nghiên cứu tài nguyên * ** ThS, Học viện Kĩ thuật Quân sự, Hà Nội; Email: maidinhsinh@gmail.com TS, Học viện Kĩ thuật Quân sự, Hà Nội thiên nhiên, giám sát môi trường đến quốc phòng – an ninh [1-9] Mặc dù vậy, đặc điểm ảnh vệ tinh thường có nhiều kênh, dung lượng ảnh lớn, lại chịu ảnh hưởng điều kiện thời tiết thiết bị đo nên việc phân loại đối tượng ảnh toán phức tạp [1-3] Hiện nay, có nhiều phương pháp phân loại ảnh vệ tinh phương pháp phân ngưỡng (manual thresholds), phương pháp phân loại tự động không giám sát (unsupervised classification) [3], phương pháp phân loại tự động có giám sát (supervised classification), phương pháp sử dụng logic mờ [8]… Trong phương pháp phân loại thường sử dụng số thuật toán phổ biến khoảng cách ngắn (minimum distance), xác suất cực đại (maximum likelihood), K – Means, C – Means, ISODATA…[5] Mỗi phương pháp phân loại ảnh sử dụng thuật toán định, nhiên thuật toán thường bỏ qua số thuộc tính quan trọng cụm mật độ điểm ảnh trọng tâm cụm, hình dáng cụm… Điều ảnh hưởng lớn đến độ xác kết phân loại Để giải vấn đề trên, báo đề xuất phương pháp phân loại dựa thuật toán Mountain, thử nghiệm với tư liệu ảnh vệ tinh quang học độ phân giải trung bình Landsat OLI Ảnh vệ tinh Khởi tạo trọng tâm Phân loại Tổng hợp Ảnh kết Hình Mơ hình tốn phân loại ảnh Cơ sở lí thuyết phương pháp đề xuất 2.1 Thuật toán Mountain Phân cụm Mountain [6] tìm trọng tâm cụm dựa mật độ đo gọi hàm Mountain xác định theo công thức sau: n h(x) = ∑exp(− j =1 x  xj 2δ 2 ) đó: h(x) chiều cao hàm Mountain điểm x; xj liệu điểm ảnh thứ j δ số ứng dụng cụ thể (1) Công thức (1) cho biết kết đo điểm x bị ảnh hưởng tất điểm xj tập liệu Phép đo tỉ lệ nghịch với khoảng cách điểm xj với điểm x xem xét Hằng số δ xác định chiều cao thông số kết hàm Mountain Trọng tâm cụm thứ c1 xác định cách chọn điểm với giá trị h(x) lớn Trọng tâm cụm loại trừ ảnh hưởng cụm c nên tính lại hàm h(x) thay hnew(x) Hàm hnew(x) tính h(x) trừ tỉ lệ trọng tâm hàm mật độ Gaussian c1 : hnew c1  x j (x) = h(x) − h(c1)* ∑exp(− 2β j =1 (2) ) Với β số xác định chiều cao tương ứng với tâm cụm tiếp theo, chiều cao cụm sau lớn cụm trước Chú ý hàm hnew(x) giảm tới x=c1 Trọng tâm cụm thứ chọn điểm có hnew(x) lớn Quá trình tiếp tục đủ số lượng trọng tâm cụm đạt 2.2 Phương pháp đề xuất Để áp dụng thuật tốn Mountain cho ảnh vệ tinh đa phổ với k kênh, liệu ảnh chuyển thành file vector X Mỗi thành phần X biểu diễn giá trị kênh phổ từ đến k Đặt liệu thứ j vector X là: x j = {xj } = {xj1, x j , , xjk }, ∀j = 1, n (3) Không tính tổng quát, liệu điểm ảnh chuẩn hóa theo cơng thức sau: x jp = (x jp − xp ) / (x p max − x p ), ∀j = 1, n; p = 1, , k đó: (4) x p = min{xjp }, ∀j = 1, , n; p = 1, , k xp max = m ax{x jp }, ∀j = 1, , n; p = 1, , k Do tính độc lập điểm ảnh, điểm ảnh xjp (được biểu diễn k thành phần) có khả trở thành trọng tâm cụm Nếu coi điểm ảnh xjp trọng tâm cụm tiềm năng, độ đo tiềm liệu điểm ảnh x định jp nghĩa hàm khoảng cách x tất điểm ảnh khác ảnh: j p n Hr ,1 ∑  d (x ,x )  d2 = exp  −( jp rp ) , ∀r = 1, , n j =1  (5)  Trong đó, Hr,1 giá trị biểu thị khả trở thành tâm cụm điểm ảnh Giá trị lớn khả điểm ảnh xét trở thành tâm cụm cao ngược lại, giá trị nhỏ khả điểm ảnh xét trọng tâm cụm thấp Mai Đình Sinh tgk TẠP CHÍ KHOA HỌC ĐHSP TPHCM _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ d1 số dương, xác định vùng lân cận liệu điểm ảnh Các điểm ảnh nằm ngồi bán kính d1 ảnh hưởng tới giá trị trọng tâm cụm tiềm Hiển nhiên, giá trị trọng tâm cụm tiềm liệu xấp xỉ với mật độ liệu điểm ảnh vùng lân cận tập liệu Giá trị tiềm liệu điểm ảnh cao khả điểm ảnh trọng tâm cụm cao Trọng tâm cụm chọn giá trị cao Hr,1: c1p = x1p ⇐H1 = max(Hr ,1 ), r = 1, , n (6) Để chọn trọng tâm cụm thứ 2, giá trị tiềm liệu điểm ảnh xét lại để giảm ảnh hưởng hàm Mountain xung quanh trọng tâm cụm thứ nhất: n  d (c , x )  1p rp H = H − H * ∑exp  −( ) , ∀r = 1, , (7) n r,2 r,1 j =1 d 22   Trong d2 số dương, xác định vùng lân cận liệu điểm ảnh Theo công thức (7), liệu điểm ảnh gần với trọng tâm cụm giảm mạnh giá trị tiềm nên khơng có khả chọn trọng tâm cụm Với việc xét lại giá trị tiềm liệu điểm ảnh, trọng tâm cụm thứ hai chọn giá trị cao Hr,1: c2 p = x2p ⇐H2 = max(Hr ,2 ), r = 1, , n (8) Tương tự, lựa chọn trọng tâm cụm thứ m, sau xem xét lại giá trị tiềm liệu ảnh: n  d (c ,x )  (m− 1) p rp Hr ,m = H r ,m − Hm−1 * exp  −( ) , ∀r = 1, , (9) ∑ −1 n d j =1   Chọn trọng tâm cụm thứ m có Hr,m lớn nhất: cmp = xmp ⇐Hm = max(Hr ,m ), r = 1, , n Để kết thúc trình phân cụm, sử dụng tiêu chuẩn sau: Hm