Thực hành phân loại thông tin trên tư liệu ảnh viễn thám trong ENVi

TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT KHOA CÔNG NGHỆ THÔNG TIN BỘ MÔN TIN HỌC TRẮC ĐỊA CƠ SỞ VIỄN THÁM BÀI TẬP Đề tài: “Thực hành phân loại thông tin trên tư liệu ảnh viễn thám trong ENVI.” HÀ NỘI - NĂM 2010 SV thực hành: Giáo viên hướng dẫn: Nguyễn Viết Quân. TS. Nguyễn Thị Mai Dung Lớp tin học trắc địa K51 MỤC LỤC I. PHÂN LOẠI THÔNG TIN TRÊN TƯ LIỆU ẢNH VIỄN THÁM 3 I.1. Phân loại không kiểm định Isodata và K-Means 3 I.2. Phân loại có kiểm định 15 II. KỸ THUẬT HẬU PHÂN LOẠI 25 II.1. Lọc loại nhiễu kết quả phân loại ( Majority/Minority Analysis) 25 II.2. Gộp lớp – Combine Classes 26 II.3. Thống kê kết quả – Class Statistics 27 II.4. Thay đổi tên và màu cho các lớp phân loại – Class Color Mapping 29 II.5. Chuyển kết quả phân loại sang dạng vectơ–Classification to Vector Layer 29 II.6. Chồng lớp vectơ lên ảnh – Overlay Vector File 30 II.7. Kiểm tra thực địa và đánh giá chất lượng phân loại 31 I. PHÂN LOẠI THÔNG TIN TRÊN TƯ LIỆU ẢNH VIỄN THÁM I.1. Phân loại không kiểm định Isodata và K-Means Khởi động phần phân loại không kiểm định của ENVI bằng cách chọn Classification > Unsupervised > Method, ở đây Method hoặc là K-Means hoặc Isodata. Hình : Menu phân loại không kiểm định Phương pháp phân loại không kiểm định chủ yếu dùng vào mục đích dựa vào ảnh phân loại này đi khảo sát lựa chọn khu vực lấy mẫu để phân loại có kiểm định… I.1.1. Phương pháp phân loại Isodata Phương pháp phân loại Isodata sẽ tính toán cách thức phân lớp trong không gian dữ liệu, sau đó nhóm đi nhóm lại các pixel bằng kỹ thuật khoảng cách tối thiểu (minimum distance). Mỗi lần nhóm lại các lớp này sẽ tính toán lại cách thức phân lớp và phân loại lại các pixel theo cách thức phân lớp mới. Quá trình này sẽ tiếp tục lặp đi lặp lại đến khi số các pixel trong mỗi lớp nhỏ hơn ngưỡng thay đổi pixel đã chọn hoặc đạt tối đa số lần lặp đi lặp lại đó. Chọn File ảnh cần phân loại bldr_tm (ảnh đã được nắn chỉnh hình học ở phần nắn ảnh). Ảnh cần phân loại Trên menu chính của ENVI chọn Classification > Unsupervised > Isodata. Hộp thoại hiện ra cần thiết lập các tham số sau trong hộp thoại. Hình: Hộp thoại phân loại theo phương pháp Isodata  Number of classes: Chọn số lớp tối thiểu – min và tối đa – max để phân loại.  Maximum Iterations: Số lần tính toán lặp lại tối đa. Việc phân loại sẽ dừng lại khi đạt tới số lần lặp tối đa đưa ra.  Change Threshold: Ngưỡng thay đổi sau mỗi lần tính toán lặp lại. Việc phân loại cũng sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần trăm biến động của các lớp nhỏ hơn ngưỡng biến động được xác định.  Minimum pixel in class: Số pixel nhỏ nhất có thể có của một lớp.  Maximum class Stdv: Ngưỡng độ lệch chuẩn tối đa của một lớp. Nếu độ lệch chuẩn của một lớp lớn hơn ngưỡng này thì lớp đó sẽ bị chia ra làm hai.  Minimum class Distance: Khoảng cách tối thiểu giữa các giá trị trung bình của các lớp. Nếu khoảng cách giữa các giá trị trung bình của các lớp nhỏ hơn giá trị nhập vào thì các lớp đó sẽ được gộp vào.  Maximum Merge Pairs: Số các cặp lớp tối đa có thể được gộp.  Maximum Stdev From Mean: Khoảng cách độ lệch chuẩn tối đa từ giá trị trung bình của lớp.  Maximum Distance Error: Khoảng sai số tối đa cho phép xung quanh giá trị trung bình của lớp. Tại Output Result to tích chọn ghi lưu theo file dữ liệu hoặc bấm chọn Memory. Nhấp OK. Ta thu được kết quả. Chọn các tham số trong hộp thoại trên để so sánh. Để có thể so sánh một cách chính xác và hiệu quả của việc chọn lựa các tham số thì ta sử dụng trên cùng một ảnh, đó là ảnh đã được nắn ở bài tập trước. Ảnh gốc chưa phân loại dùng để so sánh. Khi chọn lựa các tham số nhất định thì các tham số khác để mặc định theo chương trình để dễ quan sát và nhận xét. Chọn tham số:Number of classes . Quan sát trên ảnh phân loại ta thấy ảnh được phân ra thành 3 lớp. Ở đây độ chính xác về thông tin phân loại có độ chính xác kém. Số lớp phân loại là 7 nhiều hơn trường hợp bên, và độ chính xác đã tăng lên. Mức độ phân loại đã chi tiết lên. Số lớp phân loại ở đây là 12. Đã nhiều lên rất nhiều so với 2 trường hợp kia. Nhưng mức độ chia nhỏ ra rất nhiều làm cho khả năng quan sát sự khác biệt là rất khó khăn. Nhận xét chung: Công việc lựa chọn tham số phân chia ảnh sau khi phân loại ra làm bao nhiêu lớp là rất cần thiết. Tuy là việc chọn lựa lớp là do chương trình tự động chọn theo ngưỡng nhất định nhưng ta cần chọn số lớp tối thiểu và tối đa để chương trình phân chia cho phù hợp nhất. Tránh tình trạng số lớp quá ít hoặc quá nhiều sẽ làm ảnh hưởng đến khả năng phân chia vùng trên ảnh sau khi phân loại. Ta nên chọn cho phù hợp nhất. Chọn tham số: Maximum Iterations Công việc tiến hành lặp là hai lần mức độ tính toán gộp các pixel lại thực thi 2 lần có độ phân chia các vùng khác nhau ở mức độ trung bình. Việc gộp các điểm pixel được lặp lại 3 lần ta quan sát độ phân chia chi tiết trên ảnh nhiều hơn so với số lần lặp là 2. Số lần lặp là 5 lần, ảnh sau khi phân loại có mức độ phân chia chi tiết hơn so với 2 trường hợp bên nhưng so với số lần lặp là 3 cũng không khác là mấy. Từ 3 trường hợp trên ta có nhận xét: Việc chọn lựa số lần lặp sẽ quyết định việc gộp các điểm pixel ở mức độ như thế nào. Số lần tính toán lại càng nhiều thì mức độ gộp càng chính xác nhưng đến một mức độ nào đó sẽ dừng lại. Vì vậy ta cần xác định số lần lặp cho hiệu quả để cho việc tính toán lặp được nhanh chóng và không làm mất hiệu quả của việc phân loại. Chọn tham số: Change Threshold Việc phân loại sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần trăm biến động của các lớp nhỏ hơn ngưỡng biến động là 10%. Việc phân loại sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần trăm biến động của các lớp nhỏ hơn ngưỡng biến động là 15%. Việc phân loại sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần trăm biến động của các lớp nhỏ hơn ngưỡng biến động là 20%. Chọn lựa tham số ngưỡng thay đổi sau mỗi lần tính lặp sẽ quyết định việc tính lặp có tiếp tục hay dừng lại. Khi ta chọn ngưỡng thay đổi quá lớn thì việc phân loại sẽ không đạt được kết quả, việc tính lặp sẽ dừng lại. Ta nên chọn ngưỡng thay đổi vừa phải với mục đích cần sử dụng, thông thường là dưới 20%. Chọn tham số: Minimum pixel in class Số pixel nhỏ nhất có thể có của một lớp là 100 pixel. Chương trình sẽ căn cứ vào đặc điểm này để chia lớp với điều kiện là lớp này phải có số pixel nhỏ nhất là 100 pixel. Số pixel nhỏ nhất có thể có của một lớp là 200 pixel. Chương trình sẽ căn cứ vào đặc điểm này để chia lớp với điều kiện là lớp này phải có số pixel nhỏ nhất là 100 pixel. Số pixel nhỏ nhất có thể có của một lớp là 500 pixel. Chương trình sẽ căn cứ vào đặc điểm này để chia lớp với điều kiện là lớp này phải có số pixel nhỏ nhất là 100 pixel. Việc chọn lựa tham số này có thể giúp ta cho ra kết quả tấm ảnh có tính phân chia nhỏ nếu ta chọn số pixel nhỏ nhất có thể có của một lớp là nhỏ, còn nếu ngược lại thì trên tấm ảnh kết quả có thể là một vùng đồng nhất rộng theo mức ta chọn. Nhìn 3 tấm ảnh kết quả không có sự thay đổi nhiều, do số điểm pixel nhiều và số lớp phân chia ít. Muốn có sự thay đổi rõ rệt thì ta chọn số điểm pixel nhỏ nhất lớn và số lớp nhiều. Chọn tham số: Maximum class Stdv Ngưỡng độ lệch chuẩn tối đa của một lớp là 10. Nếu độ lệch chuẩn của một lớp lớn hơn ngưỡng này thì lớp đó sẽ bị chia ra làm hai. Và lại được gộp với lớp khác. Ngưỡng độ lệch chuẩn tối đa của một lớp là 100. Nếu độ lệch chuẩn của một lớp lớn hơn ngưỡng này thì lớp đó sẽ bị chia ra làm hai. Và lại được gộp với lớp khác. Ngưỡng độ lệch chuẩn tối đa của một lớp là 1000. Nếu độ lệch chuẩn của một lớp lớn hơn ngưỡng này thì lớp đó sẽ bị chia ra làm hai. Và lại được gộp với lớp khác. Ta quan sát 3 ảnh kết quả trên không có sự thay đổi nhiều. Chứng tỏ ngưỡng độ lệch chuẩn của một lớp trong các ảnh là nhỏ cho nên khi thay đổi ngưỡng tăng lên không có sự thay đổi nhiều. Việc chọn tham số này sẽ giúp ta có ảnh kết quả có ngưỡng độ lệch chuẩn của một lớp không lớn hơn tham số mà ta lựa chọn cho chương trình. Chọn tham số: Minimum class Distance [...]... được phân loại hoặc không phân loại Đây là một cách phân loại khá nhanh, giá trị phổ của pixel gần với giá trị phổ trung bình của mẫu tuy nhiên nó cũng chưa thật chính xác và không cân nhắc đến sự biến thiên của các lớp phân loại Ảnh sau khi phân loại Ta quan sát tấm ảnh sau khi phân loại thì tất cả các pixel trên tấm ảnh đã được gán vào một lớp nào đó Phương pháp này gán khác hơn so với phương pháp trên. .. nằm trong phạm vi sai số là 1 hoặc 2 lần độ lệch chuẩn của vector trung bình Nếu pixel không nằm trong một trong các khoảng giá trị đó thì nó sẽ được gán vào lớp chưa phân loại Phương pháp này có ưu điểm là nhanh chóng, đơn giản tuy nhiên kết quả có độ chính xác không cao và thường được dùng để phân loại sơ bộ ban đầu Ảnh sau khi phân loại Bảng các lớp Ta quan sát trên ảnh sau khi phân loại đã phân loại. .. Việc so sánh, nhận xét tư ng tự như phương pháp Isodata Số lớp ta chọn thì trên ảnh sẽ Số lớp tạo ra là 10 lớp mức độ Số lớp tạo ra là 15 lớp mức độ phân thành bấy nhiêu lớp bằng phân loại đã có độ chính xác cao phân loại đã có độ chính xác tham số ta chọn Số lớp trên ảnh hơn trường hợp bên cao hơn 2 trường hợp bên ít chính vì vậy mà trên ảnh phân Nhưng mức độ phân chia nhỏ loại có độ chính xác không... phân loại vào lớp mà nó có xác suất cao nhất Việc tính toán không chỉ dựa vào giá trị khoảng cách mà còn dựa vào cả xu thế biến thiên độ xám trong mỗi lớp Đây là một phương pháp phân loại chính xác nhưng lại mất nhiều thời gian tính toán và phụ thuộc vào sự phân bố chuẩn của dữ liệu II KỸ THUẬT HẬU PHÂN LOẠI Những ảnh đã được phân loại cần thực hiện quy trình hậu phân loại để đánh giá chất lượng phân. .. kiểm tra thực địa Mẫu kiểm tra thực địa không được trùng với vị trí mẫu giám định đã sử dụng trong khi phân loại và đảm bảo phân bố đều trên khu vực nghiên cứu Sau đó tiến hành tính toán lại Ma trận sai số - Confusion Matrix Chức năng lập ma trận sai số của ENVI cho phép so sánh ảnh đã được phân loại với kết quả thực địa hoặc các vùng mẫu với mục đích đánh giá độ chính xác kết quả phân loại • Để thực hiện... phân loại tất cả các thỏa mãn điều kiện này ít, chính vẫn nhỏ chính vì vậy vẫn còn điểm pixel trên ảnh, ta cần vì vậy mà trên ảnh phân loại nhiều pixel chưa được gán vào chọn tham số này không được hầu hết các pixel thuộc lớp lớp nào cả nhỏ quá không xác định I.1.2 Phương pháp phân loại K-Means Phân loại không kiểm định dùng các kỹ thuật thống kê để nhóm dữ liệu n chiều thành các lớp phổ tự nhiên Phân. .. để thực hiện Kết quả sẽ được lưu theo định dạng file vector *.evf của ENVI Hình: Xuất file kết quả phân loại sang dạng vectơ II.6 Chồng lớp vectơ lên ảnh – Overlay Vector File Để quan sát trực quan hoặc dễ dàng nhận biết các đối tư ng trên ảnh, đôi khi chúng ta có nhu cầu chồng một lớp thông tin nào đó lên ảnh, chẳng hạn như một file vectơ các đường bình độ, chú giải phân loại hay các lớp phân loại, …... thoại ROI Tool I.2.2 Phân loại theo các phương pháp của phần mềm ENVI hỗ trợ Thực hiện việc phân loại có kiểm định đối với ảnh với các phương pháp khác nhau Parallelepiped, Maximum likelihood, Minimum distance và Mahalanobis distance và so sánh các kết quả Thực hiện cho ảnh bldr_tm (ảnh đã được nắn chỉnh hình học ở phần nắn ảnh) I.2.2.1 Phương pháp phân loại Parallelepiped Phân loại theo phương pháp... thị của các giá trị thống kê tư ng ứng trên Hình: Bảng thống kê kết quả sau phân loại II.4 Thay đổi tên và màu cho các lớp phân loại – Class Color Mapping Khi đã có ảnh kết quả phân loại, bạn vẫn có thể thay đổi màu sắc các lớp cho phù hợp với tên gọi của chúng • Để thực hiện chức năng trên, từ của sổ ảnh phân loại, chọn Tools\Color Mapping\Class Color Mapping • Trên màn hình sẽ xuất hiện hộp thoại Class... tiến hành, kích thước cửa sổ lọc và đường dẫn lưu kết quả Kết quả tính toán sẽ cho ra một ảnh mới trong danh sách Available Bands List Hình : Ảnh phân loại phân tích theo đa số II.2 Gộp lớp – Combine Classes Chức năng gộp lớp cung cấp thêm một công cụ để khái quát hóa kết quả phân loại Các lớp có đặc tính tư ng tự nhau có thể được gộp vào để tạo thành lớp chung • Để thực hiện chức năng này từ thực . CHẤT KHOA CÔNG NGHỆ THÔNG TIN BỘ MÔN TIN HỌC TRẮC ĐỊA CƠ SỞ VIỄN THÁM BÀI TẬP Đề tài: Thực hành phân loại thông tin trên tư liệu ảnh viễn thám trong ENVI. ” HÀ NỘI - NĂM 2010 SV thực hành: Giáo viên. Dung Lớp tin học trắc địa K51 MỤC LỤC I. PHÂN LOẠI THÔNG TIN TRÊN TƯ LIỆU ẢNH VIỄN THÁM 3 I.1. Phân loại không kiểm định Isodata và K-Means 3 I.2. Phân loại có kiểm định 15 II. KỸ THUẬT HẬU PHÂN LOẠI. số:Number of classes . Quan sát trên ảnh phân loại ta thấy ảnh được phân ra thành 3 lớp. Ở đây độ chính xác về thông tin phân loại có độ chính xác kém. Số lớp phân loại là 7 nhiều hơn trường