Nghiên cứu giải pháp kỹ thuật nâng cao độ chính xác trong phân loại ảnh tại khu vực có độ phủ hỗn hợp (Tóm tắt trích đoạn)

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN - Nguyễn Thị Thanh Bình NGHIÊN CỨU GIẢI PHÁP KỸ THUẬT NÂNG CAO ĐỘ CHÍNH XÁC TRONG PHÂN LOẠI ẢNH TẠI KHU VỰC CÓ ĐỘ PHỦ HỖN HỢP LUẬN VĂN THẠC SĨ KHOA HỌC Hà Nội -2016 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN Nguyễn Thị Thanh Bình NGHIÊN CỨU GIẢI PHÁP KỸ THUẬT NÂNG CAO ĐỘ CHÍNH XÁC TRONG PHÂN LOẠI ẢNH TẠI KHU VỰC CÓ ĐỘ PHỦ HỖN HỢP Chuyên ngành: Bản đồ, viễn thám hệ thông tin địa lý Mã số: 60440214 LUẬN VĂN THẠC SĨ KHOA HỌC Ngƣời hƣớng dẫn khoa học: TS Phạm Minh Hải XÁC NHẬN HỌC VIÊN ĐÃ CHỈNH SỬA THEO GÓP Ý CỦA HỘI ĐỒNG Giáo viên hướng dẫn Chủ tịch hội đồng chấm luận văn thạc sĩ khoa học TS Phạm Minh Hải PGS.TS Đinh Thị Bảo Hoa Hà Nội - 2016 LỜI CẢM ƠN Để hoàn thành luận văn này, tác giả xin gửi lời cảm ơn chân thành tới thầy, cô giáo Khoa Địa lý, Trường Đại học Khoa học Tự nhiên Bộ môn Bản đồ,Viễn thám GIS, Trung tâm Nghiên cứu Chuyển giao công nghệ viễn thám- Cục viễn thám quốc gia tạo điều kiện giúp đỡ tác giả trình thực hoàn thiện luận văn Tác giả xin gửi lời cảm ơn chân thành sâu sắc tới TS.Phạm Minh Hải, người tận tình bảo giúp đỡ tác giả suốt thời gian học tập, công tác thực luận văn Do thời gian trình độ hạn chế nên luận văn chắn không tránh khỏi thiếu sót, mong nhận đóng góp quý thầy cô bạn đồng nghiệp để luận văn hoàn thiện Xin chân thành cảm ơn! Hà Nội, ngày 22 tháng 12 năm 2016 Nguyễn Thị Thanh Bình MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC CÁC BẢNG BIỂU DANH MỤC HÌNH VẼ MỞ ĐẦU Tính cấp thiết đề tài: Mục tiêu nghiên cứu 10 Nội dung nghiên cứu 10 Phạm vi nghiên cứu 10 Kết đạt đƣợc 10 Ý nghĩa khoa học thực tiễn 11 Phƣơng pháp nghiên cứu kỹ thuật sử dụng 11 Cấu trúc luận văn 11 CHƢƠNG 1: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU TRONG VÀ NGOÀI NƢỚC 12 1.1 Các khái niệm 12 1.2 Tổng quan tình hình nghiên cứu nƣớc 18 1.2.1 Trên giới 18 1.2.2 Ở Việt Nam 19 CHƢƠNG 2: CƠ SỞ LÝ LUẬN PHÂN LOẠI ẢNH VIỄN THÁM 24 2.1 Đặc trƣng phổ phản xạ đối tƣợng tự nhiên 24 2.1.1 Đặc tính phản xạ phổ thực vật 24 2.1.2 Đặc tính phản xạ phổ đất 25 2.1.3 Đặc tính phản xạ phổ nước 25 2.2 Khái quát phƣơng pháp phân loại ảnh truyền thống 26 2.2.1 Phân loại không kiểm định 29 2.2.1 Phân loại có kiểm định 31 2.3 Các yếu tố ảnh hƣởng đến độ xác kết phân loài 33 2.3.1 Đặc điểm khu vực nghiên cứu 33 2.3.2 Đặc điểm tư liệu viễn thám 33 2.3.3 Dữ liệu đa thời gian 34 2.3.4 Sử dụng kỹ thuật chuyển đổi liệu 34 2.3.5 Thuật toán phân loại sử dung 34 2.4 Đánh giá độ xác kết phân loại 35 2.5 Cơ sở khoa học phƣơng pháp giảm nhiễu điểm ảnh phân loại theo giá trị phổ sử dụng ba đối tƣợng đất, nƣớc, thực vật 38 2.5.1 Cơ sở lý thuyết xác định giá trị phổ thực 38 2.5.2 Nguyên lý số Nước-Đất-Thực vật 41 2.6 Lập trình chƣơng trình tính toán toán tỷ lệ thành phần Nƣớc -ĐấtThực vật điểm ảnh ngôn ngữ lập trinh Matlab 44 CHƢƠNG 3: THỰC NGHIỆM TÍNH TOÁN GIÁ TRỊ PHỔ ENDMEMBER VÀ TỶ LỆ THÀNH PHẦN ĐẤT-NƢỚC-THỰC VẬT TRÊN ẢNH VIỄN THÁM 53 3.1 Đặc điểm khu vực thực nghiệm 53 3.2 Quy trình phân loại ảnh khu vực có độ phủ hỗn hợp dựa tỷ lệ thành phần Đất- Nƣớc- Thực vật điểm ảnh 55 3.3 Đặc điểm tƣ liệu ảnh viễn thám thực nghiệm 56 3.3.1 Ảnh Landsat 56 3.3.2 Ảnh Sentinel 58 3.4 Thực nghiệm tính toán xác định giá trị phổ thực đối tƣợng đất, nƣớc, thực vật ảnh 60 3.5 Thực nghiệm tính toán tỷ lệ thành phần đối tƣợng đất, nƣớc, thực vật điểm ảnh 61 3.5.1 Chạy chương trình tính toán tỷ lệ thành phần đối tượng đất - nước, thực vật điểm ảnh 61 3.5.2 So sánh số thực vật phương pháp đề xuất với số thực vật (NDVI) 62 3.5.3 So sánh số nước phương pháp đề xuất với số nước (NDWI) 64 3.6 Thực nghiệm phân loại ảnh dựa tỷ lệ thành phần đất, nƣớc, thực vật điểm ảnh 66 3.7 Đánh giá hiệu độ xác kết thực 69 3.7.1 Đánh giá độ xác kết phân loại ảnh Landsat 69 3.7.2 Đánh giá độ xác kết phân loại ảnh Sentinel 76 KẾT LUẬN VÀ KIẾN NGHỊ 83 TÀI LIỆU THAM KHẢO 85 DANH MỤC CÁC TỪ VIẾT TẮT GIS: Hệ thống thông tin địa lý GPS: Hệ thống định vị toàn cầu DN: Giá trị điểm ảnh (Digital Number) BSQ: Khuôn dạng liệu Band Sequential NDVI: Chỉ số thực vật chuẩn hóa (Normalized Difference Vegetation Index) PVI: số thực vật (Perpendicular Vegetation Index) NDWI: Chỉ số nước (Normalized Difference Water Index) MLC: Phân loại theo xác suất cực đại (Maximum Likelihood) DANH MỤC CÁC BẢNG BIỂU Bảng 2.1 Các phƣơng pháp phân loại ảnh viễn thám [14] 27 Bảng 3.1 Đặc điểm ảnh vệ tinh Landsat LDCM (Landsat 8) 57 Bảng 3.2 Đặc điểm ảnh vệ tinh Sentinel 59 Bảng 3.3 So sánh diện tích đối tƣợng đất, nƣớc, thực vật kết phân loại hai ảnh Landsat8 Sentinel phƣơng pháp đề xuất 68 Bảng 3.4 Thống kê kết phân loại ảnh Landsat phƣơng pháp đề xuất phƣơng pháp MLC 70 Bảng 3.5 Đánh giá độ xác kết phân loại phƣơng pháp đề xuất với phƣơng pháp phân loại MLC ảnh Landsat 72 Bảng 3.6 Ma trận sai số kết phân loại phƣơng pháp đề xuất ảnh Landsat 75 Bảng 3.7 Ma trận sai số kết phân loại phƣơng pháp MLC ảnh Landsat 75 Bảng 3.8 Thống kê kết phân loại ảnh Sentinel phƣơng pháp đề xuất phƣơng pháp MLC 77 Bảng 3.9 Đánh giá độ xác kết phân loại phƣơng pháp đề xuất với phƣơng pháp phân loại MLC ảnh Sentinel 78 Bảng 3.10 Ma trận sai số kết phân loại phƣơng pháp đề xuất ảnh Sentinel 81 Bảng 3.11 Ma trận sai số kết phân loại phƣơng pháp MLC ảnh Sentinel 81 DANH MỤC HÌNH VẼ Hình 1.1 Minh họa độ phân giải không gian ảnh viễn thám 13 Hình 1.2: Minh họa điểm ảnh 14 Hình 1.3 Nhầm lẫn phổ gây khu vực có độ phủ hỗn hợp 15 Hình 1.4:Các tình tạo nhiễm điểm ảnh 17 Hình 2.1 Đặc tính phản xạ phổ thực vật 24 Hình 2.2 Đặc tính phản xạ phổ đất 25 Hình 2.3 Đặc tính phản xạ phổ nƣớc 26 Hình 2.4 Minh họa thuật toán K-means 30 Hình 2.5 Nguyên lý phân loại theo xác suất cực đại 32 Hình 2.6 Ví dụ minh họa trƣờng hợp có endmember a,b,c 39 Hình 2.7 Chiết tách đối tƣợng thực vật 40 Hình 2.8 Chiết tách đối tƣợng nƣớc 40 Hình 2.9.Mối tƣơng quan kênh NIR Red không gian chiều với endmember Đất- Nƣớc- Thực vật 41 Hình 2.10 Nguyên lý số đất, nƣớc, thực vật 43 Hình 2.11 Giao diện chƣơng trình phân loại ảnh đƣợc xây dựng ngôn ngữ lập trình Matlab 45 Hình 2.12 Mở ảnh kênh R NIR 46 Hình 2.13.Sơ đồ khối mô tả tính toán giá trị phổ thực ba đối tƣợng Đất Nƣớc- Thực vật 46 Hình 2.14 Xác định tam giác phổ 47 Hình 2.15 Tính toán tạo ảnh số nƣớc 48 Hình 2.16 Tính toán tạo ảnh số thực vật 49 Hình 2.17 Tính toán tạo ảnh số đất 50 Hình 2.18 Ảnh tổ hợp từ ba ảnh số đất, nƣớc, thực vật 52 Hình 3.1 Sơ đồ khu vực nghiên cứu 54 Hình 3.2 Quy trình phân loại ảnh 55 Hình 3.3 (a) Landsat tổ hợp màu giả (b) Ảnh Sentinel -2 tổ hợp màu giả 60 Hình 3.4 (a) Kết tính toán giá trị phổ thực đất, nƣớc, thực vật ảnh Landsat (b) Kết tính toán giá trị phổ thực đất, nƣớc, thực vật ảnh ảnh Sentinel-2 61 Hình 3.5.Minh họa tính toán tỷ lệ ba đối tƣợng đất, nƣớc, thực vật điểm ảnh 61 Hình 3.6 (a) Ảnh số nƣớc; (b) Ảnh số thực vât ; (c) ảnh số đất ảnh Landsat 62 Hình 3.7 (a) Ảnh số nƣớc; (b) Ảnh số thực vât ; (c) ảnh số đất ảnh Sentinel 62 Hình 3.8 (a) Ảnh số thực vật phƣơng pháp đề xuất; (b) Ảnh số thực vât NDVI (ảnh Landsat 8) 63 Hình 3.9 (a) Kết chiết xuất đối tƣợng thực vật từ ảnh số thực vật đề tài; (b) Kết chiết xuất đối tƣợng thực vật từ ảnh số thực vât NDVI (ảnh Landsat 8) 64 Hình 3.10 (a) Ảnh số nƣớc phƣơng pháp đề xuất; (b) Ảnh số nƣớc NDWI (ảnh Landsat 8) 65 Hình 3.11 (a) Kết chiết xuất đối tƣợng nƣớc từ ảnh số nƣớc đề tài; (b) Kết chiết xuất đối tƣợng nƣớc từ ảnh số nƣớc NDWI (Landsat 8) 66 Hình 3.12 (a) Ảnh tổ hợp ảnh Landsat 8; (b) Ảnh tổ hợp ảnh Sentinel 67 Hình 3.13 (a) Kết phân loại ảnh Landsat 8;(b) Kết phân loại ảnh Sentinel 68 Hình 3.14 Sơ đồ điểm lấy mẫu kiểm tra ngẫu nhiên 69 Hình 3.15 Kết phân loại ảnh Landsat phƣơng pháp MLC 70 Hình 3.16 Đồ thị thể so sánh diện tích kết phân loại có kiểm định kết phân loại sử dụng tỷ lệ thành phần đất, nƣớc, thực vật ảnh Landsat 71 Hình 3.17 Kết phân loại ảnh Sentinel phƣơng pháp xác suất cực đại 76 Hình 3.18 Đồ thị thể so sánh diện tích kết phân loại MLC kết phân loại sử dụng tỷ lệ thành phần đất, nƣớc, thực vật ảnh Sentinel 77 Ý nghĩa khoa học thực tiễn - Ý nghĩa khoa học: Đề tài đưa giải pháp để phân loại ảnh viễn thám có độ xác cao -Ý nghĩa thực tiễn: Dựa giải pháp đề xuất đề tài đưa ứng dụng phân loại ảnh vệ tinh thành lập đồ chuyên đề phục vụ công tác giám sát tài nguyên môi trường tự nhiên, phát triển kinh tế xã hội Phƣơng pháp nghiên cứu kỹ thuật sử dụng Phương pháp nghiên cứu: - Phương pháp tổng hợp kế thừa: Thu thập tài liệu có liên quan đến phương pháp nội dung đề tài; Lựa chọn phương pháp nghiên c ứu phù hợp; Tổng hợp kết nghiên cứu tư liệu có liên quan đến đề tài; - Phương pháp thu thập, phân tích thông tin: Các lớp thông tin thu thập, phân tích, đánh giá để làm sở cho việc lập báo cáo; - Phương pháp điều tra khảo sát thực địa: Thu thập, giải đoán, mô tả khoanh vùng diện tích đối tượng đất, nước, thực vật nhằm đánh giá độ xác công tác phân loại dựa tỷ lệ thành phần đất- nước- thực vật điểm ảnh Kỹ thuật sử dụng: - Kỹ thuật viễn thám: nắn chỉnh hình học, tăng cường chất lượng ảnh cho mục đích phân tích ảnh, chiết tách thông tin tốt nhất; - Kỹ thuật khai thác thông tin mạng Internet: Thu thập liệu, tài liệu nước có liên quan đến đề tài nghiên cứu - Kỹ thuật lập trình: lập trình chương trình phân loại ảnh ngôn ngữ lập trình Matlab dựa thuật toán tỷ lệ thành phần đất- nước- thực vật điểm ảnh Cấu trúc luận văn Phần mở đầu Chương 1: Tổng quan tình hình nghiên cứu nước Chương 2: Cơ sở lý luận phân loại ảnh viễn thám Chương 3: Thực nghiệm tính toán giá trị phổ endmember tỷ lệ thành phần đất-nước-thực vật ảnh viễn thám Kết luận kiến nghị 11 CHƢƠNG 1: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU TRONG VÀ NGOÀI NƢỚC 1.1 Các khái niệm Viễn thám: khoa học thu thập thông tin đối tượng, vật bề mặt đất mà không cần tiếp xúc trực tiếp với đối tượng, vật Dựa kiểu nguồn sáng, viễn thám chia thành viễn thám chủ động viễn thám bị động Khi nguồn sáng tới bề mặt đất, lượng tới tương tác theo chế: phản xạ, hấp thụ, tỏa (năng lượng nhiệt) Ảnh viễn thám hình thành từ trình cảm ghi lại mức độ phản hồi hay tỏa đối tượng, vật bề mặt trái đất Phân lo ại ảnh viễn thám theo nguồn lượng chiều dài bước sóng ta chia ảnh vệ tinh thành loại bản: - Ảnh quang học loại ảnh tạo việc thu nhận bước sóng sánh sáng nhìn thấy Nguồn lượng xạ mặt trời - Ảnh hồng ngoại: Là loại ảnh tạo việc thu nhận bước sóng hồng ngoại phát từ vật thể Nguồn lượng vức xạ nhiệt vật thể - Ảnh Radar: loại ảnh tạo việc thu nhận bước sóng dải sóng cao tần Nguồn lượng sóng radar phản xạ từ vật thể vệ tinh tự phát xuống theo bước sóng xác định Trong phạm vi nghiên cứu đề tài học viên đề cập đến ảnh quang học Các thông số quan trọng đặc trưng cho thông tin ảnh vệ tinh cần lựa chọn cho đối tượng nghiên cứu, độ phân giải không gian, độ phân giải phổ độ phân giải thời gian * Độ phân giải không gian: Ý nghĩa quan trọng độ phân giải không gian cho biết đối tượng nhỏ mà phân biệt ảnh.Ví dụ, ảnh có độ phân giải không gian 30 x 30m cho phép phân biệt đối tượng có kích thước lớn 30 x 30m 12 Hình 1.1 Minh họa độ phân giải không gian ảnh viễn thám Khả nhận biết đối tượng ảnh vệ tinh phụ thuộc vào độ phân giải Căn vào ta chia thành mức liệu: - Dữ liệu có độ phân giải thấp ảnh NOAA (120m) - Dữ liệu có độ phân giải trung bình ảnh Landsat MSS (80m)… - Dữ liệu có độ phân giải cao Landsat TM(30m, 15m), Spot (20m, 10m…) Aster (15m) - Ảnh có độ phân giải siêu cao IKONOS (1 – 5m), ảnh Quickbird (1m) * Độ phân giải phổ: vệ tinh thu nhận sóng phản xạ khoảng bước sóng định Độ rộng hẹp khoảng bước sóng độ phân giải phổ ảnh Khoảng bước sóng hẹp tính phản xạ phổ đối tượng đồ ng * Độ phân giải thời gian: vệ tinh viễn thám chuyển động quỹ đạo chụp ảnh Trái Đất Sau khoảng thời gian định, quay lại chụp lại vùng chụp Khoảng thời gian gọi độ phân giải thời gian vệ tinh Với khoảng thời gian lặp lại nhỏ thông tin thu thập nhiều Ngoài ra, số lượng kênh ảnh yếu tố quan trọng ảnh hưởng đến thông tin thu nhận ảnh viễn thám Ảnh thu nhiều kênh có 13 nhiều thông tin đối tượng thu Các ảnh đa phổ thông thường thu từ 310 kênh Trên ảnh viễn thám, điểm ảnh đơn vị nhỏ nhất, mang giá trị cường độ dạng số địa dạng thông tin tọa độ hàng tọa độ cột.Từng điểm ảnh bao gồm nhiều thông tin đối tượng khu vực nghiên cứu Hình 1.2: Minh họa điểm ảnh Độ phủ hỗn hợp: Một điểm ảnh có độ phủ hỗn hợp yếu tố hình ảnh đại diện cho khu bao gồm nhiều loại che phủ mặt đất Về bản, có hai tình mà điểm ảnh hỗn hợp xảy Trường hợp liên quan đến điểm ảnh nhỏ đặt cạnh đối tượng lớn lĩnh vực nông nghiệp Trường hợp thứ hai xảy đối tượng thu nhận ảnh tương đối nhỏ so với độ phân giải không gian máy quét Điều xảy đối tượng dạng tuyến sông hay đường giao thông đối tượng nhỏ kích thước điểm ảnh ao bụi thưa thớt Đối với loại ảnh viễn thám số lượng điểm ảnh hỗn hợp phụ thuộc nhiều vào khu vực chụp ảnh Irons cộng [16] báo cáo tỷ lệ điểm ảnh hỗn hợp xảy ảnh TM khác khác nhau, từ 29,6% đến 68,3% cảnh quan khác nhau, Schoenmakers [16] cho số quốc gia Địa Trung Hải EU, mà kích thước trường trung bình nhỏ, tỷ lệ điểm ảnh hỗn hợp lên đến 30% Những số cho thấy điểm ảnh hỗn hợp có ảnh hưởng đáng kể việc sử dụng thông tin từ ảnh Phân loại điểm ảnh hỗn hợp dẫn đến lỗi làm cho việc ước tính khu vực không xác Những lỗi gây 14 tiền đề phân loại tất pixel ảnh tinh khiết, tức bao gồm loại lớp phủ nhất, thực tế Các vấn đề kết vì: - Các điểm ảnh hỗn hợp phân loại lớp, thực tế thuộc hai hay nhiều lớp Kết là, ước tính khu từ thống kê điểm ảnh không xác - Các điểm ảnh hỗn hợp không phù hợp với dấu hiệu phổ loại lớp phủ Thậm chí hỗn hợp lớp A B giống với dấu hiệu phổ loại C hoàn toàn khác mà chí mặt vòng pixel thấy hình 1.3 Số lượng điểm ảnh có độ phủ hỗn hợp lớn sai số phân loại ảnh lớn Hơn nữa, lưu ý hai nguồn lỗi có hệ thống thay ngẫu nhiên Hình 1.3 Nhầm lẫn phổ gây khu vực có độ phủ hỗn hợp Các vấn đề hỗn hợp điểm ảnh không giải triệt để cách tăng độ phân giải không gian Tuy nhiên, tỷ lệ điểm ảnh hỗn hợp giảm độ phân giải không gian trở nên tốt hơn, kích thước pixel nhỏ cho phép pixel tinh khiết để phù hợp ranh giới đối tượng 15 Trong số trường hợp, độ phân giải không gian tốt kết phân loại xấu Vì độ phân giải tốt biến thể lớp phủ tăng khác biệt độ ẩm, độ cao, chiếu sáng trở nên rõ ràng Ví dụ môt khu rừng thống độ phân giải thấp thị loại riêng lẻ loài khác xen kẽ với độ phân giải tốt Một bất lợi độ phân giải không gian tốt số lượng điểm ảnh trở nên lớn gây khó khăn xử lý liệu, mà thêm vào chi phí sử dụng tư liệu lớn Cùng với thực tế ngày xu sử dụng liệu phủ sóng toàn cầu ngày lớn Các liệu viễn thám Landsat hay Sentinel ngày quan tâm sử dụng ưu điểm chi phí độ phủ trùm Nhiễu điểm ảnh định nghĩa kết hỗn hợp đối tượng, thành phần điểm ảnh, độc lập với độ phân giải [5] Nhiễu điểm ảnh thường xảy kích thước đối tượng vật cần phân loại thường nhỏ kích thước điểm ảnh Theo Fisher(1997) có trường hợp phổ biến tượng nhiễu điểm ảnh Đó là: - Nhiễu đối tượng điểm ảnh cửa, cối, ao, hồ… Nhiễu đối tượng nằm vùng chuyển tiếp đối tượng điểm ảnh khu vực có nhiều cối… - Nhiễu đối tượng có cấu trúc hình tuyến cầu cống, đường xá … Ngay với cảm biến có độ phân giải tương đối cao, điểm ảnh bị nhiễu dự đoán xuất có hầu hết cảnh ảnh Điểm ảnh bị nhiễu hệ kết hợp vật, độc lập với độ phân giải cảm biến Hình 1.3 cho thấy tình khác tạo điểm ảnh bị nhiễu: 16 Hình 1.4:Các tình tạo nhiễm điểm ảnh - Điểm ảnh phụ: đối tượng nhỏ nhà hay cối, bao gồm điểm ảnh; - Quá độ: vùng chuyển tiếp hai hay nhiều đối tượng khác nhau, ví dụ chuyển đổi loại thực vật; - Điểm ảnh phụ hình tuyến: có cấu trúc dài mỏng, ví dụ đường, bao gồm vài điểm ảnh; - Điểm ảnh ranh giới: ranh giới hai hay nhiều đối tượng, ví dụ ranh giới nhiều thảm thực vật khác nhau, qua điểm ảnh Với ảnh vệ tinh độ phân giải trung bình nhỏ, tượng nhiễu điểm ảnh thường xảy kích thước đối tượng vật cần phân loại thường nhỏ kích thước điểm ảnh Phân loại ảnh: Nhìn tổng quan, phân loại ảnh xử lý số trình phân định pixel hình ảnh thành lớp nhóm đơn vị lớp phủ mặt đất (Landcover) Có thể nói phân loại ảnh trình phức tạp bị ảnh hưởng nhiều yếu tố Viễn thám nghiên cứu tập trung vào việc phân loại ảnh từ lâu thu hút ý cộng đồng viễn thám kết phân loại sở cho nhiều ứng dụng môi trường kinh tế xã hội Các nhà khoa học có nhiều nỗ lực việc phát triển phân loại ảnh phương pháp kĩ thuật để cải thiện độ 17 xác phân loại.Tuy nhiên phân loại liệu viễn thám vào đồ chuyên đề thách thức nhiều yếu tố chẳng hạn phức tạp cảnh quan khu vực nghiên cứu gây nhiễu điểm ảnh Lựa chọn tư liệu viễn thám, xử lý ảnh phương pháp phân loại ảnh hưởng đến thành công trình phân loại 1.2 Tổng quan tình hình nghiên cứu nƣớc 1.2.1 Trên giới Cho tới nay, giới có nhiều nghiên cứu vấn đề giảm nhiễu điểm ảnh nâng cao độ xác sản phẩm phân loại ảnh Shimabukuro (1991) nêu phương pháp giảm nhiễu điểm ảnh phương pháp phân loại ảnh phương pháp mô hình hóa sử dụng quan hệ thành phần điểm ảnh.[7] Với phương pháp phân lo ại ảnh, độ xác sản phẩm phân loại phụ thuộc vào điều kiện lấy mẫu phân loại Độ xác sản phẩm nâng cao sau nhiều lần thực nghiệm Đây phương pháp truyền thống sử dụng nhiều phân lo ại ảnh.Tuy nhiên để đạt kết có độ xác cao, trình xử lý ảnh lặp lặp lại đòi hỏi thời gian Hơn nữa, độ xác phụ thuộc nhiều vào ý thức chủ quan người thực Phương pháp mô hình hóa sử dụng quan hệ thành phần đối tượng điểm ảnh bao gồm phương pháp thành phần phương pháp tuyến tính, phương pháp hình học Đối với phương pháp tuyến tính, giá trị phổ điểm ảnh thể qua kết hợp tuyến tính giá trị phổ đo đạc từ thành phần riêng biệt điểm ảnh Giá trị băng phổ i (yi) đo đạc tính dựa mối quan hệ giá trị phổ tham khảo băng phổ i cho toàn điểm ảnh j tỷ lệ thành phần phổ j (xj) điểm ảnh đó: Y= Ax (1.1) Trong phương pháp này, tỷ lệ thành phần phổ yếu tố điểm ảnh ước lượng Phương pháp hình học phương pháp chiết tách thông tin đối tượng ảnh, nhà cửa, cối dựa hình dạng hay phân bố có quy luật không gian chúng Trong nghiên cứu Foschi(1994)[9], phương pháp hình học áp dụng để chiết tách thông tin trồng ảnh viễn thám Trên ảnh vệ tinh, thông tin đối tượng thân gỗ thảm thực vật khó nhận biết 18 bị trộn lẫn với bụi kích thước nhỏ nhiều so với kích thước điểm ảnh Trong nghiên cứu này, tác giả đề xuất phương pháp dùng để phân tích mức độ hỗn hợp đối tượng điểm ảnh Một cửa sổ di chuyển sử dụng để thu thập mẫu phân loại phân bố đối tượng thân gỗ vùng đệm xung quanh Việc lặp lại theo quy luật phân bố đối tượng thu thập đem đến kết hình học mẫu thu thập Tác giả chứng minh phương pháp luận nghiên cứu chiết tách thông tin thân gỗ đáng kể so với phương pháp phân loại thông thường Ngoài phương pháp tuyến tính, nhà nguyên cứu giới sử dụng phương pháp khác phương pháp bình phương nhỏ (Keshaba Mustard,2012) phương pháp lựa chọn thống kê (Gebbinck,1998), phương pháp Neutral Network( Zhenghai ctv,2007) để loại nhiễu điểm ảnh Trong nghiên cứu khác Pei Liang (2009) [15] Tác giả tiến hành phân loại điểm ảnh hỗn hợp lý thuyết phân loại mờ Lý thuyết mờ phương pháp hiệu việc phân loại điểm ảnh hỗn hợp Lý thuyết mờ áp dụng việc phân loại hình ảnh viễn thám, điểm ảnh không phân loại vào lớp Từ điểm ảnh có tương quan với nhiều loại tính năng, mức độ tương quan với loại thể [0,1], sau mức độ thành viên điểm ảnh cho tính tính để phân loại Tác giả tiến hành phân tích lý thuyết hệ thống thử nghiệm để phân loại ảnh TM với mô hình phân loại lý thuyết mờ khu vực thành phố Fuxin (2006) Tiền xử lý ảnh viễn thám sử dụng trước tiên để giảm thiểu tối đa nhiễu, sau tạo ảnh số tinh khiết điểm ảnh (PPI) Cuối tiến hành phân loại ảnh dựa số tinh khiết Sự phân loại điểm ảnh hỗn hợp tương tự cách sử dụng mô hình phân loại mờ kết phân loại nâng cao độ xác Các phương pháp giới thiệu phát triển nhằm mục đích giảm nhiễu điểm ảnh nâng cao độ xác kết phân loại Trong đó, phương pháp tuyến tính sử dụng thông dụng Tuy nhiên, độ xác kết phân loại phụ thuộc lựa chọn phương pháp phù hợp với mục đích đối tượng thực 1.2.2 Ở Việt Nam Một số thuật toán nghiên cứu sử dụng như: nghiên cứu Hoàng Minh Hải (2013), nhóm tác giả sử dụng Nguyên lý bầu chọn (Voting 19 principle) hàm tin cậy Bayesian (Bayesian Belief Function)[2] nhằm nâng cao độ xác phân loại ảnh viễn thám Nguyên lý bầu chọn phương pháp đơn gi ản phổ biến sử dụng cho việc liên kết kết phương pháp phân loại khác để tạo nên kết có độ xác cao độ xác phương pháp thành phần Phương pháp dựa việc “biểu quyết” đối tượng chọn làm kết cuối đối tượng bầu chọn nhiều Bên cạnh nguyên lý bầu chọn, hàm tin cậy phương pháp liên kết có xét đến sai số phương pháp phân loại thành phần Dựa vào sai số mà kết điểm ảnh phương pháp phân loại gán cho giá trị tin cậy Đối tượng có độ tin cậy lớn chọn làm kết cuối Nhóm nghiên cứu phát triển Nguyên lý bầu chọn hàm tin cậy Bayesian việc nâng cao độ xác ảnh sau phân loại Một nghiên cứu khác Trần Thị Vân (2008)[3] đô thị hóa chất lượng môi trường đô thị từ viễn thám mặt không thấm Bước đầu tác giả đưa phương pháp Viễn thám mặt không thấm qua phép phân tích lẫn phổ tuyến tính cho toán phân lo ại pixel Với giả thiết phản xạ phổ pixel ảnh tổng phản xạ đối tượng có pixel hay gọi pixel hỗn hợp phổ Dựa vào việc xác định đối tượng, gọi endmember với phản xạ phổ chuẩn hay tinh khiết chúng, pixel ảnh xác định xem có phần trăm phản xạ pixel bên Việc xác định phần trăm phản xạ qui việc giải hệ phương trình đa biến với thông số xác định số kênh ảnh Mô hình tách lẫn phổ biểu diễn sau: n Ri   f k Rik   i (1.1) k 1 Trong đó, i: band phổ sử dụng; k: số lượng endmember ( k=1, ,n); Ri: phản xạ phổ band i pixel, chứa nhiều endmember; fk: tỷ lệ endmember k pixel đó; R ik : phản xạ phổ endmember k pixel band i εi: sai số band i Mô hình toán sử dụng phương pháp Phân tích Lẫn Phổ Tuyến tính Phương pháp giả thiết quang phổ đo cảm biến 20 tổ hợp tuyến tính phổ tất thành phần pixel tỷ lệ phổ endmember phản ánh tỷ lệ khu vực phủ đối tượng mặt đất [1, 14] Để giải tìm f k cần phải thoả mãn điều kiện sau: - endmember chọn phải độc lập với nhau; - số lượng endmember phải số band phổ sử dụng; band phổ chọn tương quan cao Tổng hợp phần endmember chiết xuất pixel phải phần tử đơn vị theo công thức ràng buộc sau: n f k 1 k   fk  (1.2) Hai điều kiện ràng buộc tách lẫn phổ mô hình (1.1) là: Ràng buộc, với f k phải nằm giới hạn ≤f k ≤ Không ràng buộc, hợp phần f k giả thiết có giá trị âm không ràng buộc đến tổng hợp phần pixel Vì vậy, kết từ cách giải không phản ánh hợp phần endmember Sự thích hợp mô hình đánh giá theo sai số RMS: 1/  n  RMSE     k  / N   k 1  N: Số band ảnh (1.3) Sai số RMS tính cho tất pixel ảnh.Sai số RMS lớn, độ thích hợp mô hình xấu.Vì vậy, ảnh sai số dùng để đánh giá xem endmember có chọn lựa thích hợp hay không số lượng endmember có đủ hay chưa Kết phân loại pixel ảnh endmember, có giá trị từ đến Giá trị chuyển đổi sang giá trị phần trăm; đó, kết tính toán có dạng giá trị phần trăm endmember chọn có mặt pixel Tuy nhiên nghiên cứu tác giả ý đến đặc điểm phản xạ bề mặt không thấm nên kết có endmember chọn albedo-cao, albedo-thấp (đại diện cho Mặt không thấm khu vực đô thị), thực vật (liên quan đến đất nông nghiệp, rừng, đồng cỏ) đất (liên quan đến đất trống khu vực nông nghiệp) Riêng với đối tượng nước sông, kênh, ao, hồ dùng kỹ thuật mask để tách 21 trước (sử dụng kết hợp đồ có hệ thống thủy văn).Tác giả đưa kênh ảnh landsat vào trình tính toán dẫn đến toán phân loại phức tạp Một nghiên cứu khác Đỗ Thị Hằng [17] cộng sự kết hợp phương pháp mờ dựa điểm ảnh dựa đối tượng sử dụng đất (LULC) phân lo ại từ hình ảnh RapidEye Bộ phân loại mờ dựa điểm ảnh sử dụng số khác biệt thực vật Normalize (NDVI) để phân biệt lớp nước, nước thực vật theo nguyên tắc - Nếu NDVI cao NDWI thấp phân lo ại vào lớp thực vật - Nếu NDWI cao phân loại vào nhóm nước - Các trường hợp lại: nước Sau phân loại dựa pixel, hình ảnh phân đoạn áp dụng cho lớp nước thực vật Dựa đối tượng phân loại mờ sử dụng số đất (SI) mà chiết xuất số Thực vật –Đất-Nước (VSW) để xác định nước, đất, xây dựng, đất nông nghiệp rừng từ lớp nước Lớp thảm thực vật chiết xuất từ phân loại dựa điểm ảnh sáp nhập với lớp rừng chiết xuất từ lớp nước đối tượng dựa phân loại mờ áp dụng cho số Normalize khác biệt Red-cạnh (NDRE), tỷ lệ NDRE / SI kỹ thuật số Elevation Model (DEM) lớp để tách lớp đất nông nghiệp lâm nghiệp Quá trình nghiên cứu thực cách sử dụng GRASS, phần mềm mã nguồn mở miễn phí cho không gian địa lý (FOSS4G) Kết hợp phân loại mờ dựa điểm ảnh dựa đối tượng khả xác định năm lớp LULC với độ xác phân loại 85,7% Nhược điểm nghiên cứu nguồn liệu sẵn phí phải sử dụng nhiều kênh ảnh để tính toán Bài toán phân lo ại đưa phức tạp Các phương pháp giới thiệu phát triển nhằm mục đích giảm nhiễu điểm ảnh nâng cao độ xác kết phân loại.Trong đó, phương pháp tuyến tính sử dụng thông dụng nhất.Tuy nhiên, kết nghiên cứu như: phương pháp phân loại ảnh, phương pháp mô hình hóa, phương pháp tuyến tính, phương pháp hình học thể phương pháp nghiên cứu nâng cao độ xác kết phân loại tồn hạn chế cần quan tâm giải Đối với phương pháp phân loại ảnh có kiểm định, độ xác công tác phân loại ảnh dựa vào độ xác mẫu lấy trình lấy mẫu Sự phục thuộc độ xác mẫu vào ý chí chủ quan người lớn, độ xác phương pháp không ổn định Đối với phương pháp mô 22 hình hóa sử dụng quan hệ đối tượng ảnh để nâng cao độ xác kết phân loại Phương pháp phát huy hiệu người thực công tác phân loại có kiến thức tốt giải đoán ảnh kinh nghiệm thực địa Với phương pháp tuyến tính, việc tính toán giá trị phổ cho mẫu dựa thư viện phổ đòi hỏi người sử dụng có kiến thức tốt phổ Bên cạnh đó, cần phải có thư viện phổ có đủ đối tượng khu vực thực công tác phân loại ảnh Cuối cùng, phương pháp hình học phương pháp phân lo ại đối tượng ảnh dựa hình dạng đối tượng Tuy nhiên, với ảnh vệ tinh có độ phân giải vừa nhỏ (15 đến 30m) khả phân biệt đối tượng dựa vào hình dáng khó khăn, điểm ảnh chứa nhiều đối tượng khác Tóm lại, vấn đề nghiên cứu nâng cao độ xác phân loại ảnh phát triển nghiên cứu nhiều giới Phần lớn nghiên cứu trọng trực tiếp vào tính toán giảm nhiễu điểm ảnh dựa công tác làm tăng độ xác công tác lấy mẫu công tác phân lo ại có kiểm định hay dựa vào hình dáng đối tượng cần phân loại mà chưa tập trung vào nghiên c ứu tính toán giá trị phổ đối tượng (đất, nước, thực vật) Đối tượng xử lý giải pháp nêu thực đến đơn vị nhóm điểm ảnh (các mẫu, đối tượng có hình dáng) Nếu điểm ảnh bị phân loại sai lớp chi phối làm giảm độ xác kết phân loại toàn ảnh Mặt khác, thực công tác phân loại có độ phủ hỗn hợp bao gồm nhiều đối tượng ảnh vệ tinh độ phân giải trung bình nhỏ khả ảnh hưởng từ tượng nhiễu điểm ảnh làm giảm độ xác kết phân loại cao Do vậy, giải pháp nâng cao độ xác công tác phân loại ảnh có mức độ tự động hóa cao giảm can thiệp người đóng vai trò ngày cấp thiết cấp thiết, nâng cao khả khai thác liệu viễn thám phục vụ nhu cầu người sử dụng công nghệ viễn thám 23 TÀI LIỆU THAM KHẢO Tiếng Việt Nguyễn Ngọc Thạch, Cơ sở viễn thám ,Đại học Khoa học Tự Nhiên- Đại học Quốc Gia Hà Nội Hải, H.M 2013 Nghiên cứu ứng dụng thuật toán bầu chọn (Voting Principle) hàm tin cậy (Bayesian Belief Function) nhằm nâng cao độ xác phân loại ảnh viễn thám, Đề tài nghiên cứu khoa học cấp sở Bộ Tài nguyên Môi trường, trang 6-8 Trần Thị Vân,2008, Đô thị hóa chất lượng môi trường đô thị từ viễn thám mặt không thấm:trường hợp thành phố Hồ Chí Minh, Viện Môi trường Tài Nguyên Tiếng Anh Adams, J.B., D.E Sabol, V Kapos, R.A Filho, D.A Roberts, M.O Smith, and A.R Gillespie, Classification of multispectral images based on fractions of endmembers: Application to land cover change in the Brazilian Amazon , Remote Sensing of Environment, 52:137–154, ( 1995) Keshava, N Mustard, J.F 2002 “Spectral unmixing”, IEEE Signal Processing Magazine, Số 19(1), trang 44-57 Fisher, P 1997 “The pixel: a snare and a delusion”, International Journal of Remote Sensing, Số 18(3) Shimabukuro, Y.E Smith, J.A 1991 “The least squares unmixing models to generate fraction images derived from remote sensing multispectral data”, IEEE Transactions on Geoscience and Remote Sensing, Số 29(1), trang 16-20 Horwitz, H.M., Nalepka, R.F., Hyde, P.D Morgenstern, J.P 1971 “Estimating the Proportions of Objects within a Single Resolution Element of a Multispectral Scanner”, International Sympo-sium on Remote Sensing of Environment, trang 1307-1320 Foschi, G.P 1994 A geometric approach to a mixed pixel problem: Detecting subpixel woody vegetation, Remote Sensing of Environment, Số 50(3), trang 317-327 10 Gebbinck, M 1998 Decomposition of mixed pixels in remote sensing images to improve the area estimation of agriculture fields, Thesis dissertation, Katholieke Universtity Nijmegen 85 11 Zhenghai, W., Guangdao, H Shuzheng, Y 1997 Decomposition Mixed Pixel of Remote Sensing Image Based on Tray Neural Network Mode l, Lecture Notes in Computer Science, Số 4683, trang 305-309 12 Lu, D., Moran, E., Batistella, M., Linear Mixture Model Applied to Amazonian Vegetation Classification, Remote Sensing of Environment, 87, pp 456-469, (2003) 13 Lu, D and Weng Q., Spectral Mixture Analysis of the Urban Landscape in Indianapolis with Landsat ETM+ Imagery, Photogrammetric Engineering & Remote Sensing, Vol 70, No 9, pp.1053-1062, (2004) 14 Lu, D and Weng Q., A survey of image classification methods and techniques for improving classification performance, International Journal of Remote Sensing, Vol 28, No 5, 10 March 2007, 823–870, (2007) 15 Walker, S., E Swails, S Petrova, F Casarim, K Goslee , and S Brown, 2012, Decomposition of mixed pixels in remote sensing images to improve the area estimation of agricultural fields, Maurice Stefan klein Gebbinck , Report produced under lowering Emissions in Asia’s Forest (LEAF) Program 16 Pie Liang, 2009, Study on mixed pixel classification method of remote sensing image based on fuzzy theory, Liaoning Technical University 17 Thi Hang Do, Venkatesh Raghavan, Xuan Luan Truong, Poliyapramvinayaraj, Go Yonezawa and Pavithra Jayasinghe, 2016 , Combining pixel-based and object-based fuzzy classification for lulc mapping using spectral indices of RAPID EYE imagery and FOSS4G, GIS IDEAS 86 ... cứu đề tài: Nghiên cứu giải pháp kỹ thuật nâng cao độ xác phân loại ảnh khu vực có độ phủ hỗn hợp Mục tiêu nghiên cứu Đưa giải pháp giảm nhiễu nâng cao độ xác công tác phân loại ảnh khu vực có. .. KHOA HỌC TỰ NHIÊN Nguyễn Thị Thanh Bình NGHIÊN CỨU GIẢI PHÁP KỸ THUẬT NÂNG CAO ĐỘ CHÍNH XÁC TRONG PHÂN LOẠI ẢNH TẠI KHU VỰC CÓ ĐỘ PHỦ HỖN HỢP Chuyên ngành: Bản đồ, viễn thám hệ thông tin... định, đặc biệt khu vực có bề mặt lớp phủ hỗn hợp, kết phân loại ảnh bị ảnh hưởng lớn vấn đề nhiễu điểm ảnh Nhiều giải pháp giảm nhiễu điểm ảnh để nâng cao độ xác kết phân loại nghiên cứu phát triển.Tuy