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

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

BỘ THÔNG TIN VÀ TRUYỀN THÔNG HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THƠNG ****************************************** NGUYỄN TU TRUNG NGHIÊN CỨU NÂNG CAO CHẤT LƯỢNG VÀ GIẢI ĐOÁN ẢNH VIỄN THÁM ĐA PHỔ DỰA TRÊN TÍNH TỐN MỀM Chun ngành: Hệ thống thơng tin Mã số : 9.48.01.04 TĨM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT HÀ NỘI – 2018 Cơng trình hồn thành tại: Học viện Cơng nghệ Bưu Viễn thơng Người hướng dẫn khoa học: TS Vũ Văn Thoả PGS.TS Đặng Văn Đức Phản biện 1: ……………………………………………………… Phản biện 2: ……………………………………………………… Phản biện 3: ……………………………………………………… Luận án bảo vệ trước Hội đồng chấm luận án tại: Học viện Cơng nghệ Bưu Viễn thơng Vào hồi: ……giờ, ngày…… tháng…….năm…………… Có thể tìm hiểu luận án tại: Thư viện Quốc gia Việt Nam Thư viện Học viện Cơng nghệ Bưu Viễn thơng MỞ ĐẦU Tính cấp thiết luận án Viễn thám hiểu khoa học nghệ thuật để thu nhận thông tin đối tượng, khu vực tượng thông qua việc phân tích tài liệu thu nhận phương tiện Viễn thám bao gồm thiết bị cảm biến, ghi lại lượng phát từ đối tượng nghiên cứu, bao gồm tổ hợp phần cứng/phần mềm với khả xử lý, phân tích ứng dụng thơng tin thu từ ảnh Với cách hiểu q trình viễn thám bao gồm hai giai đoạn chính: (i) Thu thập thông tin viễn thám (dưới dạng ảnh viễn thám); (ii) Xử lý phân tích thơng tin (ảnh) viễn thám Đề tài đặt nhằm nghiên cứu số phương pháp xử lý ảnh viễn thám để hỗ trợ giải vấn đề liên quan đến giai đoạn (ii) trình Quá trình xử lý phân tích thơng tin viễn thám thực phần mềm máy tính Ảnh viễn thám ngày có ứng dụng quan trọng nhiều lĩnh vực, từ hỗ trợ quản lý đất đai phục vụ dân sinh, quản lý, giám sát chủ quyền quốc gia, hỗ trợ giám sát tài nguyên, môi trường Ứng dụng ngày phổ biến ảnh viễn thám tất yếu dẫn đến nhu cầu ngày tăng việc xây dựng sử dụng phần mềm xử lý ảnh viễn thám Ngày nay, có nhiều phần mềm thương mại lẫn mã nguồn mở phục vụ công tác xử lý liệu viễn thám Theo nghiên cứu hãng Global Marketing Insights, phần mềm liên quan tới xử lý liệu viễn thám ứng dụng nhiều nhóm nghiên cứu châu Á ESRI 30%; ERDAS 25%; RSI ENVI 17%; MapInfo 17%; ERMapper 11% Trong đó, phương Tây, số ESRI 39%, ERDAS 27%, MapInfo 9%, AutoDesk 7%, RSI ENVI 17% Còn Việt Nam, cơng nghệ xử lý ảnh viễn thám xâm nhập sớm, từ năm 1983 (Viện Khoa học Việt Nam) Để nhanh chóng phát triển cơng nghệ vũ trụ phục vụ cho phát triển kinh tế đất nước, Nhà nước xây dựng đề án: “Kế hoạch tổng thể ứng dụng phát triển công nghệ viễn thám Việt Nam” nhằm hướng đến phát triển bền vững sở sử dụng hợp lý tài nguyên thiên nhiên bảo vệ môi trường Năm 2006, Viện Công nghệ Vũ trụ, thuộc Viện Hàn Lâm Khoa học Công nghệ Việt Nam thành lập Năm 2013 Việt Nam phóng vệ tinh viễn thám mang tên VNRedsat-1 Vệ tinh viễn thám thứ VNRedsat-2 dự kiến phóngvào năm 2019 Các tốn liên quan đến hoạt động nhận thức, trí tuệ người hàm chứa đại lượng, thơng tin khơng xác, không chắn không đầy đủ Trong lĩnh vực khoa học kĩ thuật, hệ thống phức tạp thực tế khơng thể mơ tả đầy đủ xác phương trình tốn học truyền thống Kết tiếp cận kinh điển dưa kỹ thuật phân tích phương trình tốn học nhanh chóng tỏ khơng phù hợp Vì thế, cơng nghệ tính tốn mềm giải pháp lĩnh vực Vấn đề giải đoán ảnh viễn thám phức tạp cần sử dụng kĩ thuật công nghệ tính tốn mềm Cơng nghệ tính tốn mềm gồm thành phần: Logic mờ, Mạng Neural nhân tạo, lập luận xác suất, hệ hỗ trợ định Các kĩ thuật phân lớp liệu thuộc công nghệ tính tốn mềm Xuất phát từ lý trên, nghiên cứu sinh lựa chọn đề tài “Nghiên cứu phương pháp nâng cao chất lượng giải đoán ảnh đa phổ dựa tính tốn mềm” để thực luận án tiến sĩ chuyên ngành Hệ thống thông tin Kết nghiên cứu áp dụng ảnh viễn thám, đặc biệt ảnh viễn thám khu vực nước để phân tích đặc thù lớp phủ đưa kết hữu ích cho giai đoạn hậu phân loại xây dựng đồ, Thách thức đặt với đề tài lớn ảnh viễn thám có nhiều loại với đặc thù riêng Mỗi loại ảnh viễn thám có phương pháp xử lý, phân tích riêng Vì vậy, việc lựa chọn phương pháp, kĩ thuật phù hợp để từ đề xuất cải tiến quan trọng Mục tiêu, nội dung đối tượng nghiên cứu luận án Mục tiêu luận án nghiên cứu kĩ thuật tăng cường 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 bao gồm:  Nội dung thứ đánh giá phương pháp, kĩ thuật tiền xử lý, tăng cường ảnh viễn thám  Nội dung thứ hai so sánh, đánh giá phương pháp, kĩ thuật phân lớp ảnh viễn thám  Nội dung thứ ba đề xuất kĩ thuật tăng cường ảnh viễn thám đa phổ chứng minh phương pháp hiệu phương pháp có theo tiêu chuẩn đánh giá chọn  Nội dung thứ tư đề xuất kĩ thuật phân loại ảnh viễn thám đa phổ chứng minh phương pháp hiệu phương pháp có theo tiêu chuẩn đánh giá chọn Đối tượng nghiên cứu luận án bao gồm:  Các kĩ thuật tiền xử lý, tăng cường ảnh viễn thám  Các kĩ thuật phân lớp ảnh viễn thám Đóng góp luận án - Đề xuất kỹ thuật tăng cường độ tương phản ảnh viễn thám dựa tiếp cận cục theo cụm thông qua giải thuật phân cụm KMeans phân cụm mờ CM - Cải tiến thuật toán phân cụm KMeans áp dụng với ảnh viễn thám: (i) IKMeans với bước khởi tạo tâm cụm xác lập dựa theo kỹ thuật avelet; (ii) CIKMeans dựa vector trung b nh cụm, (iii) KMeansCMN với công thức tính tâm cụm áp dụng kĩ thuật chuẩn hóa trung bình phổ (iv) u y C-Means thành lsi CM với tu biến để xử lý với ảnh k ch thước lớn sở FCM Bố cục luận án Luận án bao gồm ba chương sau: Chương 1: Tổng quan viễn thám giải đoán ảnh viễn thám đa phổ Chương 2: Phát triển số thuật toán tăng cường độ tương phản ảnh viễn thám đa phổ Chương 3: Phát triển số thuật toán phân lớp ảnh viễn thám đa phổ CHƯƠNG I - TỔNG QUAN VỀ VIỄN THÁM VÀ GIẢI ĐOÁN ẢNH VIỄN THÁM ĐA PHỔ 1.1 Tổng quan viễn thám 1.1.1 Tiến trình viễn thám Tiến trình viễn thám bao gồm nhiều cơng đoạn, có tương tác xạ đối tượng nghiên cứu Khái niệm đối tượng nghiên cứu luận án hiểu đối tượng, khu vực hay tượng bề mặt Trái đất mà người muốn thu thập thơng tin Trên hình 1.1 mô tả vắn tắt bảy thành phần hệ thống thu ảnh viễn thám [CAN] Hình 1.1 Tiến trình viễn thám Đề tài “Nghiên cứu phương pháp nâng cao chất lượng giải đoán ảnh viễn thám đa phổ dựa tính tốn mềm” tập trung nghiên cứu số vấn đề liên quan đến thành phần F G mơ tả hình 1.1 Cụ thể làm để phân tích, diễn giải liệu viễn thám ứng dụng chúng thực tế 1.2 Tổng quan giải đốn, phân tích ảnh viễn thám đa phổ 1.2.1 Khái niệm tiến trình giải đoán ảnh viễn thámđa phổ Giải đoán ảnh viễn thám q trình tách thơng tin định tính định lượng từ ảnh dựa tri thức chuyên ngành kinh nghiệm người đoán, đọc, điều, vẽ Phân lớp đa phổ q trình tách gộp thơng tin dựa tính chất phổ, khơng gian thời gian đối tượng Phát biến động phát phân tích biến động dựa tư liệu ảnh đa thời gian Chiết tách thông tin tự nhiên tương ứng với việc đo nhiệt độ trạng thái khí quyển, độ cao vật thể dựa đặc trưng phổ thị sai cặp ảnh lập thể Xác định số việc tính tốn số mới, ví dụ số thực vật Dữ liệu ảnh viễn thám thu từ vệ tinh viễn thám bị sai lệch mặt hình học hay xạ, chuyển vào hiệu chỉnh để sửa lại Sau đó, liệu chuyển qua giai đoạn phân lớp để rút trích thơng tin cần thiết đối tượng thu nhận Đề hỗ trợ cho việc giải đốn thủ cơng hay kiểm tra lại kết phân lớp, liệu viễn thám chuyển qua tăng cường chất lượng ảnh trực quan để quan sát phân tách hiệu Giai đoạn hậu phân lớp từ thông tin thu sau phân lớp kết xuất đầu cần thiết cho việc báo cáo, quản lý trạng lớp phủ, 1.3 Tình hình nghiên cứu ngồi nước Do luận án tập trung nghiên cứu giai đoạn: Tăng cường giải đoán (phân lớp) ảnh viễn thám đa phổ nên phần khảo sát, đánh giá tình hình nghiên cứu giai đoạn 1.3.1 Tăng cường hình ảnh trực quan 1.3.1.1 Lọc mây, sương mù ảnh viễn thám Một số kĩ thuật dò tìm loại bỏ sương mù bao gồm:  Trừ đối tượng tối đơn giản, tiếp cận mục tiêu tối dựa ảnh  Mơ hình truyền xạ khơng khí  Hiệu chỉnh sử dụng ảnh đa kênh đa thời gian  Hiệu chỉnh sử dụng liệu mặt đất  Hiệu chỉnh sử dụng mục tiêu bất biến Hiện nay, nghiên cứu bổ sung kĩ thuật phân tích wavelet để tăng cường hiệu lọc mây mù 1.3.1.2 Tăng cường ảnh Các kĩ thuật tăng cường ảnh bao gồm:Tăng cường ảnh dựa histogram, Tăng cường ảnh dựa logic mờ, Kĩ thuật tối ưu 1.3.2 Giải đoán ảnh viễn thám Các nghiên cứu giải đoán ảnh viễn thám theo cáchướng tiếp cận: phân lớp khơng giám sát có giám sát, sử dụng kỹ thuật học máy, tính tốn mềm, … 1.4 Phân tích, đánh giá thành cơng, ưu điểm, hạn chế Các phương pháp tăng độ tương phản áp dụng tiếp cận toàn cục để tăng cường tất mức độ sáng ảnh Sử dụng tiếp cận toàn cục thường khó để tăng cường tất đối tượng xuất trong, thơng tin tương phản cục chi tiết bị vùng sáng tối Ngoài ra, phương pháp chọn thủ công giá trị cho ngưỡng cận cận nên lúc chọn giá trị tốt làm ảnh hưởng đến kết tăng cường ảnh Về vấn đề phân lớp ảnh viễn thám, kĩ thuật phân lớp thường áp dụng cho ảnh viễn thám đa phổ không kĩ thuật áp dụng cho ảnh màu Nếu cải tiến kĩ thuật có kĩ thuật áp dụng thành cơng cho ảnh màu tăng cường chất lượng phân lớp ảnh viễn thám đa phỏ Hơn nữa, tốc độ thực thi số kĩ thuật phân lớp chậm áp dung cho ảnh kích thước lớn ảnh viễn thám độ phân giải cao 1.5 Hướng nghiên cứu luận án  Đề xuất kĩ thuật tăng cường ảnh viễn thám đa phổ dựa tiếp cận cục  Đề xuất kĩ thuật phân lớp ảnh viễn thám đa phổ cải tiến chất lượng tốc độ thực thi 1.6 Kết luận chương I Chương I trình bày tổng quan viễn thám xử lý ảnh viễn thám, tổng quan giải đoán ảnh viễn thám đa phổ Tiếp theo, chương I đưa tranh tổng quan tình hình nghiên cứu ngồi nước liên quan đến vấn đề tăng cường chất lượng ảnh phân lớp ảnh viễn thám Cho đến tại, nghiên cứu giới đạt thành công to lớn từ giai đoạn thu thập ảnh với cải tiến sâu sắc, thành tựu lớn vệ tinh viễn thám ngày đại, vấn đề hiệu chỉnh, tăng cường chất lượng liệu việc phân lớp, phân tích ảnh viễn thám ứng dụng hậu phân lớp Qua đây, luận án phân tích ưu điểm mặt hạn chế phương pháp nghiên cứu có, làm sở để nghiên cứu sinh tìm phương pháp mới, để cải tiến ứng dụng vào thực tế đem lại hiệu tốt Các cải tiến luận án trình bày chương II III CHƯƠNG II: PHÁT TRIỂN MỘT SỐ THUẬT TOÁN TĂNG CƯỜNG ĐỘ TƯƠNG PHẢN ẢNH VIỄN THÁM DỰA ĐA PHỔ 2.1 Một số thuật toán tăng cường độ tương phản ảnh dựa logic mờ  Tăng cường ảnh mờ với toán tử tăng cường  Tăng cường ảnh mờ với toán tử Hyperbol  Tăng cường ảnh mờ dựa phân bố xác suất  Cải thiện độ tương phản dựa luật If-Then mờ 2.2 Hạn chế thuật toán tăng cường mờ Qua phân tích phương pháp tăng cường ảnh mờ có trình bày mục 2.1 luậnán, chúng tơi có số nhận xét sau:  Một là, thuật toán tăng cường mờ sử dụng tiếp cận toàn cục phương pháp truyền thốngnên khó để tăng cường độ tương phản lớp phủ đất (các đối tượng che phủ mặt đất) xuất ảnh vệ tinh, thơng tin tương phản cục chi tiết bị vùng sáng tối  Hai là, ngưỡng cận max, phải chọn thủ công dựa lựa đồ xám với ảnh khác nên thiếu hiệu việc chọn ngưỡng khơng tốt  Ba là, giống phương pháp truyền thống, phương pháp tăng cường ảnh mờ thực trênmột kênh phổ (ảnh đa cấp xám hay kênh ảnh đa kênh) Do đó, mầu đối tượng ảnh đầu không bảo tồn 2.3 Một số độ đo chất lượng tăng cường ảnh Để đánh giá chất lượng ảnh, sử dụng phương pháp trực quan hay số độ đo chất lượng Để đo độ tương phản ảnh, sử dụng số độ đo sau: ShannonEntropy H, Entropy mờ FH, số tuyến tính mờ γ, độ đo chất lượng ảnh IQM…Trong cơng trình nghiên cứu luận án, nghiên cứu sinh sử dụng độ đo Entropy độ đo tính mờ để đánh giá chất lượng ảnh trước sau tăng cường 2.4 Đề xuất kĩ thuật tăng cường độ tương phản ảnh viễn thám dựa tiếp cận cục Các bước kĩ thuật tăng cường ảnh viễn thám dựa tiếp cận cục (Local based Remote Sensing Image Enhancement-LoRSIE) liệt kê bảng 2.1 Bảng 2.1 Quy trình thuật tốn tăng cường ảnh viễn thám dựa tiếp cận cục Giai đoạn Nhiệm vụ Cục hóa ảnh viễn thám dựa thuật tốn phân cụm Xây dựng mơ hình hiệu chỉnh mức xám theo cụm Tính ngưỡng tự động theo cụm Sinh ảnh tăng cường dựa việc tổng hợp mức xám hiệu chỉnh theo cụm Trong phần 2.5 2.6, luận án trình bày hai thuật tốn tăng cường ảnh viễn thám dựa tiếp cận cục sử dụng thuật toán phân cụm mờ CM phân cụm rõ KMeans 2.5 Tăng cường ảnh viễn thámsử dụng phân cụm mờ 2.5.1 Thuật toán tăng cường ảnh viễn thám sử dụng phân cụm mờ 2.5.1.1 Cục hóa ảnh viễn thám dựa thuật tốn phân cụm mờ Phân cụm c-Means mờ [FCM] thuật toán dùng rộng rãi phân lớp mờ Trong xem xét logic tập mờ, thuật toán phát triển dựa phân cụm KMeans Trong thuật toán này, điểm ảnh không cụm biểu diễn nhiều thành viên cụm 2.5.1.2 Xây dựng mơ hình biến đổi mức xám theo cụm Trong nghiên cứu này, nghiên cứu sinh xây dựng hàm biến đổi cho toán tử Giãn mức xám Hyperbol, phát biểu theo cụm bảng 2.2 Bảng 2.2 Các hàm biến đổi mức xám theo cụm Ý nghĩa Công thức biến đổi Ti(g) Giãn mức xám (21) ( Biến đổi Hyperbol )[ ] (22) Trong đó: (23) { Trong đó, g = giá trị xám gốc, việc giãn cụm i, cụm = cận việc giãn cụm i, = tâm cụm i.Giá trị ngưỡng = cận tính tự động theo mục 2.4.1.3 2.5.1.3 Tính ngưỡng tự động theo cụm Giả sử, , hàm phân bố mức xám theo cụm cho trước thể hình 2.1.Các ngưỡng , , tham số: xác định cách chọn cho vùng gạch chéo (hình 2.1) có diện tích 95% tổng diện tích bao đường y = y = không bị ảnh hưởng nhiễu Ý nghĩa việc chọn ngưỡng để vùng chọn Hình 2.1 Hàm phân bố ngưỡng theo cụm 2.5.1.4 Sinh ảnh tăng cường dựa việc tổng hợp mức xám hiệu chỉnh theo cụm Dựa mơ hình biến đổi mức xám theo cụm xây dựng phần 2.5.1.2, giá trị xám đầu vào chuyển thành giá trị tương ứng với cụm Nhiệm vụ lại tổng hợp giá trị để sinh giá trị xám Hàm tổng hợp có dạng tổng quát sau: g | g’ = T(g) Trong đó, ∑ Trong đó, g = giá trị xám gốc, việc giãn cụm i, = tâm cụm i, (24) = cận việc giãn cụm i, = g cận = giá trị độ thuộc mức xám g theo cụm i 2.5.2 Phát triển thuật toánLoRSIE_FCM cho ảnh đa phổ Thuật toán LoRSIE_ CM dựa tiếp cận phân cụm, thực tính ngưỡng tự động, khắc phục hạn chế (nhận xét mục 2.2) Tuy nhiên, ảnh đa kênh, chưa rõ làm để thuật tốn khắc phục hạn chế Phát triển cho phép giải vấn đề Bản chất CM thuật toán phân cụm đối tượng vector có nhiều thành phần Và vậy, CM thực tốt cho ảnh đa kênh ảnh màu RGB Như vậy, thuật toán áp dụng cho ảnh viễn thám đa phổ sau:  Bước 1:Cục hóa ảnh đầu vào Sau thực thủ tục phân cụm, điểm ảnh P( , , …) đặc trưng thêm giá trị độ thuộc ứng với cụm khác Như vậy, quan hệ điểm ảnh ( , , …) đặc trưng giá trị độ thuộc Do đó, giải hạn chế thứ mục 2.2  Bước 2: Xây dựng mơ hình hiệu chỉnh mức xám Vẫn thực việc trình bày mục 2.4.1.b  Bước 3: Tính ngưỡng tự động Các ngưỡng cụm tính tự động theo và kênh k  Bước 4: Sinh ảnh tăng cường Với điểm ảnh P, ta có: ∑ Trong đó, (25) = giá trị xám gốc điểm ảnh P thuộc kênh thứ k, giãn cụm i thuộc kênh thứ k, cụm i thuộc kênh thứ k Mỗi tâm = cận việc = cận việc giãn cụm i thuộc kênh thứ k, gồm môt ( , , …), = tâm = giá trị độ thuộc mức xám g theo cụm i 2.5.3 Thuật tốn tăng cường ảnh viễn thám kích thước lớn 2.5.3.1 Nhược điểm FCM với ảnh viễn thám kích thước lớn Thuật tốn phân cụm mờ [FCM] nảy sinh vấn đề gặp ảnh có kích thước lớn mà cụ thể ảnh viễn thám độ phân giải cao Có hai cách để khắc phục vấn đề Một là, áp dụng kĩ thuật wavelet Hai là, cải tiến trực tiếp thuật toán phân cụm mờ để khắc phục hạn chế Phương án sử dụng kĩ thuật wavelet trình bày Phương án cải tiến thuật toán phân cụm mờ trình bày mục 3.2.3 chương III 2.5.3.2 Thuật tốn tăng cường ảnh viễn thám kích thước lớn Trong phần này, luận án đề xuất thuật toán tăng cường ảnh viễn thám kích thước lớn mà tạm gọi Large Size Remote Sensing Image Enhancement Using FCM (LaSRSIE_FCM) Đầu tiên, ảnh đầu vào giảm kích thước sử dụng biến đổi avelet thuận đến kích thước đủ nhỏ ảnh xấp xỉ cực tiểu lựa chọn Thực tăng cường ảnh xấp xỉ cực tiểu lựa chọn sử dụng thuật tốn LoRSIE Tiếp đó, thay ảnh xấp xỉ cực tiểu ảnh xấp xỉ tăng cường thực biến đổi ngược sử dụng biến đổi ứng với ảnh gốc avelet nghịch để thu ảnh tăng cường 2.5.5 Thử nghiệm đánh giá Tập liệu phục vụ cho thử nghiệm gồm ba loại: LANDSAT ETM, SPOT 5, Quickbird.Môi trường thực nghiệm: Bộ xử lý Core Duo tốc độ 1.8Gh , RAM 2G, hệ điều hành indows 7.Để đánh giá, luận án sử dụng phương pháp trực quan đánh giá thơng qua sốtuyến tính mờ γ [HAS][SUD] mô tả mục 2.4.4 Các kết thực nghiệm, đánh giá mặt trực quan chi số chất lượng cho thấy kĩ thuật cải tiến tốt so với kĩ thuật mờ 10 Thử nghiệm đại diện Trong thử nghiệm 1, ảnh gốc ảnh vệ tinh LANDSAT khu vực huyện Kim Bơi có kích thước 1581 x 1527 (điểm ảnh) Bảng 2.3 Tăng cường ảnh với phương pháp mờ cải tiến Đầu vào Hyperbol mờ Tăng cường mờ Giãn FCM Hyperbol FCM Bảng 2.4 So sánh số mờ ảnh tăng cường theo phương pháp mờ cải tiến Kênh Hyperbol mờ Tăng cường mờ Giãn FCM Hyperbol FCM 0.38 0.43 0.27 0.30 0.31 0.45 0.24 0.26 0.38 0.39 0.34 0.36 Bảng 2.5: Thời gian thực thi Thuật toán Thời gian Hyperbol mờ 2485 Tăng cường mờ 2281 Giãn FCM Hyperbol FCM LoRSIE 1028756 LaSRSIE -2 Level 57764 LoRSIE 1027408 LaSRSIE -2 Level 57724 2.6 Tăng cường ảnh viễn thám sử dụng phân cụm KMeans 2.6.1 Thuật toán tăng cường ảnh viễn thám sử dụng thuật toán phân cụm KMeans 2.6.1.1 Cục hóa ảnh viễn thám dựa thuật tốn phân cụm KMeans 2.6.1.2 Xây dựng mơ hình biến đổi mức xám theo cụm Trong nghiên cứu này, nghiên cứu sinh xây dựng hàm biến đổi cho toán tử Giãn mức xám Hyperbol, phát biểu theo cụm bảng 2.16 Bảng 2.6 Các hàm biến đổi mức xám theo cụm Ý nghĩa Công thức biến đổi T(g) Giãn mức xám (32) ( Biến đổi Hyperbol Trong đó: 11 )[ ] (33) { (34) Trong đó:g = giá trị xám gốc, = tâm cụm Giá trị ngưỡng việc giãn cụm , = cận = cận việc giãn cụm , tính tự động theo mục c cụm 2.6.1.3 Tính ngưỡng tự động theo cụm Giả sử, , hàm phân bố mức xám Các ngưỡng , , theo cụm cho trước tham số: tương tự cách tính thuật toán tăng cường sử dụng CM 2.6.1.4 Sinh ảnh tăng cường dựa việc tổng hợp mức xám hiệu chỉnh theo cụm Dựa mơ hình biến đổi mức xám theo cụm xây dựng mụcb, giá trị xám đầu vào chuyển thành giá trị tương ứng với cụm Nhiệm vụ lại tổng hợp giá trị để sinh giá trị xám Hàm tổng hợp có dạng tổng quát sau: g | g’ = T(g) Trong đó, (35) Trong đó, g = giá trị xám gốc, việc giãn cụm , = cận việc giãn cụm V, = g cận = tâm cụm 2.6.2 Phát triển thuật toán cho ảnh đa phổ Bản chất KMeans thuật toán phân cụm đối tượng vector có nhiều thành phần Và vậy, KMeansđã thực tốt cho ảnh đa kênh ảnh màu RGB Như vậy, thuật toán áp dụng cho ảnh viễn thám đa phổ sau:  Bước 1: Cục hóa ảnh đầu vào Sau thực thủ tục phân cụm, điểm ảnh P( , , …) đặc trưng thêm giá trị độ thuộc ứng với cụm khác Như vậy, quan hệ điểm ảnh ( , , …) đặc trưng giá trị độ thuộc Do đó, giải hạn chế thứ mục 2.2  Bước 2: Xây dựng mơ hình hiệu chỉnh mức xám Vẫn thực việc trình bày mục 2.5.1.b  Bước 3: Tính ngưỡng tự động Các ngưỡng cụm tính tự động theo kênh k  Bước 4: Sinh ảnh tăng cường Với điểm ảnh P, ta có: (36) 12 Trong đó, giãn cụm = giá trị xám gốc điểm ảnh P thuộc kênh thứ k, thuộc kênh thứ k, gồm môt ( cụm Mỗi tâm = cận việc giãn cụm , , = cận việc thuộc kênh thứ k, = tâm …) 2.6.3 Thử nghiệm đánh giá 2.6.3.1 Quy trình thử nghiệm Luận án tiến hành thử nghiệm thuật toán tăng cường ảnh đề xuất so sánh với kết phương pháp tăng cường mờ.Môi trường thực nghiệm: Bộ xử lý Core Duo tốc độ 1.8Gh , RAM 2G, hệ điều hành indows 7.Để đánh giá, luận án sử dụng phương pháp trực quan đánh giá thơng qua sốtuyến tính mờ γ [HAS][SUD] mô tả mục 2.4.4 Tập liệu thử nghiệm trình bày mục 2.4.5.2 Các kết thử nghiệm cho thấy kĩ thuật cải tiến cho ảnh chất lượng tốt kĩ thuật mờ Trong thử nghiệm đây, ảnh gốc ảnh vệ tinh LANDSAT khu vực huyện Lac Son, tỉnh Hồ Bình Bảng 2.7 Tăng cường ảnh với phương pháp mờ cải tiến Đầu vào Hyperbol mờ Tăng cường mờ Giãn KM Hyperbol KM Bảng 2.8 So sánh số mờ ảnh tăng cường theo phương pháp mờ cải tiến Kênh Hyperbol mờ Tăng cường mờ Giãn KM Hyperbol KM 0.34 0.43 0.18 0.12 0.29 0.43 0.21 0.17 0.35 0.40 0.24 0.20 2.7 Kết luận chương II Đầu tiên, luận án trình bày số tốn tử tăng cường mờ phân tích số hạn chế tiếp cận tăng cường độ tương phản ảnh dựa logic mờ Luận án trình bày đề xuất giải pháp tăng cường ảnh viễn thám dựa tiếp cận cục bộLoRSIE, thể qua hai thuật toán tăng cường sử dụng thuật toán phân cụm KMeans CM Thuật toán tăng cường sử dụng CM gặp vấn đề với ảnh kích thước lớn nên cải tiến để phát triển thành thuật toán LaRSIE_FCM Kết thử nghiệm cho thấy phương pháp cải tiến cho chất lượng ảnh tăng cường cao so với phương pháp tăng cường dựa logic có thực tốt ảnh viễn thám kích thước lớn Tuy nhiên, tốc độ thực thi LaRSIE chậm so với thuật toán dựa logic mờ Trong nghiên cứu tiếp theo, luậnándự kiến nghiên cứu giải pháp tăng tốc độ thuật toán phân cụm mờ để tăng tốc độ thực thi cho thuật toán LoRSIE LaRSIE 13 CHƯƠNG III: PHÁT TRIỂN MỘT SỐ THUẬT TOÁN PHÂN LỚP ẢNH VIỄN THÁM ĐA PHỔ 3.1 Phân cụm ảnh viễn thám với thuật toán KMeans 3.1.1 Thuật toán KMeans Thuật toán KMeans trình bày mục 2.6.1.1 3.1.2 Thuật toán CCEA_KMeans Trong [Chih], tác giả đề xuất thuật toán khởi tạo tâm CCEA để tăng tốc độ thuật tốn KMeans mờ Thuật tốn trình bày sau: Đầu vào:  Tập S gồm N đối tượng xi với i = N  M số tập SBl (l = M) S  f để xác định kích thước tập SBl S (f < 1) Đầu ra: Các cụm Cj (j = c) Các bước thuật toán sau: Bước 1: Chọn ngẫu nhiên M tập SBl có kích thước fN từ tập liệu S cho SBi SBj = Ø (i ≠ j), f < Đặt SU = SBl p = Bước 2: Cho tập tâm cụm khởi đầu SCp = {Cj} tập liệu SU, sử dụng CD KM để xác định tập tâm cụm SCp+1 = {Cj} Bước 3: Cập nhật p = p + đặt SU = SU SBp+1 Nếu p ≤ M, quay lại bước Bước 4: SCM tập tâm cụm khởi tạo Bước 5: Phân cụm tập S với tập tâm SCM Nếu áp dụng CCEA cho KMeans bước cần thay CD KM KMeans ta CCEA_KMeans 3.1.3 Thuật tốn 2D-KMeans Trong [Int], tác giả trình bày thuật toán 2D-KMeans Điểm khác biệt KMeans 2DKMeans là:  Với KMeans, đối tượng x vector với thành phần cường độ đối tượng tương ứng: xINT Như vậy, tâm vector trung bình cường độ theo cụm: CINT  Với 2D-KMeans, đối tượng x gồm cặp vector: vector với thành phần cường độ xINT vector trung vị cục xMED (công thức 18) Như vậy, tâm C gồm cặp vector: vector trung bình cường độ theo cụm: CINT vector trung bình trung vị theo cụm: CMED (công thức 19) (37) [ ∑ ∑ 14 ] (38) 3.1.4 Hạn chế thuật toán KMeans Thuật toán KMeans dù phân cụm ảnh viễn thám hiệu hai điểm hạn chế: Hạn chế 1: Tốc độ thực thi với ảnh kích thước lớn ảnh viễn thám chậm Hạn chế 2: Không bao gồm thông tin ngữ cảnh – lân cận điểm ảnh [Int] 3.1.5 Một số độ đo chất lượng phân cụm ảnh Để đánh giá chất lượng phân cụm, sử dụng số F(I), F’(I) Chỉ số tuân theo tiêu chí đồng cụm[Int] Chỉ số tính sau: √ ∑ √∑ Trong đó, I ảnh phân đoạn, diện tích điểm ảnh vùng thứ i, [ (39) √ ] ∑ √ (40) kích thước ảnh, R số vùng ảnh phân cụm, lỗi màu vùng i (tổng khoảng cách Euclide vector màu mức xám điểm ảnh vùng thứ i vector màu qui cho vùng i ảnh phân đoạn), R(A) số vùng có diện tích A, Max diện tích vùng lớn ảnh phân đoạn.F(I) nhỏ tính đồng cụm cao tức chất lượng phân cụm tốt 3.1.6 Đề xuất thuật toán WIKMeans 3.1.6.1 Trình bày thuật tốn WIKMeans Để khăc phục hạn chế (1), mục này, luận án để xuất thuật toán phân cụm KMeans cải tiến với việc khởi tạo tâm cụm sử dụng kĩ thuật avelet Biến đổi avelet sử dụng để giảm kích thước ảnh Ảnh cực tiểu biến đổi avelet sử dụng để tiến hành phân cụm sinh tập tâm khởi tạo.Thuật tốn mơ tả sau: B1: Biến đổi avelet B2: Phân cụm KMeans ảnh cực tiểu để tập tâm cụm khởi tạo B3: Phân cụm ảnh gốc với tập tâm khởi tạo thu B2 Do thuật tốn IKMeans khơng thực thi trực tiếp ảnh gốc mà ảnh kích thước nhỏ nên thu tập tâm khởi tạo nhanh nhanh mức rã nhiều Hơn nữa, ảnh cực tiểu lựa chọn ảnh xấp xỉ ảnh ban đầu nên gần nguyên đặc trưng ảnh gốc, khác biệt kích thước tỉ lệ nhiễu Do đó, tập tâm khởi tạo thu gần tập tâm hội tụ trường hợp KMeans phân cụm trực tiếp ảnh đầu vào Do đó, tập tâm khởi tạo tốt để KMeans phân cụm ảnh gốc 3.1.6.2.Thử nghiệm Luận án tiến hành thử nghiệmthuật toán đề xuất IKMeans so sánh kết với thuật toán KMeans, CCEAKMeans mặt tốc độ thực thi phân cụm.Tập liệu phục vụ cho thử nghiệm gồm loại ảnh: LANDSAT, SPOT, Quickbird.Các kết thử nghiệm cho thấy hai điều Một là, hời gian thực thuật toán KMeans lớn so với thuật toán đề xuất IKMeans Hai là, thời gian thực thuật toán đề xuất IKMeans nhỏ so với thuật toán CCEAKMeans 15 Thử nghiệm – ảnh huyện Đà Bắc Hình 3.1 Biểu đồ so sánh thời gian phân cụm KMeans WIKMeans, CCEAKMeans WIKMeans 3.1.7 Đề xuất thuật tốn CIKMeans 3.1.7.1 Trình bày thuật tốn CIKMeans Theo mục 3.1.3, với 2D-KMeans, đối tượng x gồm cặp vector: vector với thành phần cường độ xINT vector trung vị cục xMED Như vậy, tâm C gồm cặp vector: vector trung bình cường độ theo cụm: CINT vector trung bình trung vị theo cụm: CMED Để khắc phục hạn chế (3), với CIKMeans (Context Information KMeans), đối tượng x gồm cặp vector: vector với thành phần cường độ xINT vector gần trung vị cục xHP xHP lấy xMED bên trái xMED bên phải xMED tu theo điểm gần với điểm ảnh đầu vào Như vậy, tâm C gồm cặp vector: vector trung bình cường độ theo cụm: CINT vector trung bình gần trung vị theo cụm: CHP Kết nghiên cứu sinh công bố [TRU6] (45) [ ∑ ∑ ] (46) 3.1.7.2 Thử nghiệm Dữ liệu thử nghiệm mô tả mục 3.1.6.2 Để đánh giá chất lượng phân cụm, luận ánsử dụng số F(I), mô tả mục 3.1.5 Các kết thử nghiệm cho thấy, chất lượng phân cụm, độ đồng cụm sinh thuật toán đề xuất CIKMeans cao so với thuật toán 2D-KMeans Thử nghiệm – ảnh huyện Đà Bắc Hình 3.9 thống kê độ đồng cụm KMeans, IKMeans, 2D-KMeans, CIKMeans WICI-KMeans với số cụm 5, 8, 11, 14 17 Trong đó, ICI-KMeans kết hợp IKMeans (khởi tạo tâm) CIKMeans 16 Hình 3.2.Biểu đồ so sánh số độ đồng cụm sinh KMeans, WIKMeans, 2DKMeans, CIKMeans WICI-Kmeans (*1.0e+3) 3.1.8 Đề xuất thuật tốn KMeansCMN 3.1.8.1 Trình bày thuật tốn KMeansCMN Với cơng thức tính tâm (13), tâm thu dễ bị ảnh hưởng nhiễu Chúng ta áp dụng phép chuẩn hóa trung bình phổ cơng thức tính tâm cụm giảm nhiễu Tuy nhiên, phép chuẩn hóa tốt số phần tử lớn Trong phần này, luận án đề xuất thuật toán phân cụm KMeansCMN cải tiến cho ảnh viễn thám kích thước lớn [TRU4] [TRU7]với cơng thức tính tâm cụm áp dụng kĩ thuật chuẩn hóa trung bình phổ sau: - Nếu số lượng điểm ảnh cụm nhỏ số lớn Max tâm tính theo cơng thức (13) sau: ∑ (49) - Nếu số lượng điểm ảnh cụm lớn số lớn Max tâm tính theo cơng thức (17) sau: (50) Thủ tục tính tâm cụm CMN(Clusterj) vòng lặp thứ n sau: Bước 1: Khởi tạo tâm theo công thức (51) Bước 2: Với tính theo cơng thức - Trong nghiên cứu này, chọn Max = 50000 (52) = 0.95 3.1.8.2 Thử nghiệm Tập liệu phục vụ cho thử nghiệm gồm ảnh LANDSAT, SPOT Quickbird mô tả mục 2.4.6.Để đánh giá chất lượng phân cụm, [Int], luận án sử dụng số F(I) trình bày mục 3.1.5 Các thử nghiệm so sánh độ đồng tâm cụm thời gian thực thi cho thấy KMeansCMN tốt KMeans 17 Thử nghiệm - ảnh SPOT Hình 3.3 Biểu đồ so sánh số độ đồng cụm sinh KMeans, KMeansCMN (*1.0e+3) Số cụm 10 Bảng 3.1 Thời gian phân cụm (ms) KMeans KMeansCMN Thời gian (ms) 2,616,938 2,413,791 Số vòng lặp 25 23 Thời gian (ms) 3,663,713 3,379,307 Số vòng lặp 23 22 Thời gian (ms) 11,275,333 8,618,345 Số vòng lặp 30 26 3.2 Phân cụm ảnh viễn thám với thuật toán Fuzzy C-Means 3.2.1 Hạn chế thuật toán Fuzzy C-Means Nhược điểm CM với ảnh viễn thám kích thước lớn trình bày mục 2.4.3 chương II 3.2.2 Đề xuất thuật tốn lsiFCM 3.2.2.1 Trình bày thuật tốn lsiFCM Trong phần này, luận án đề xuất thuật toán phân cụm mờ ảnh viễn thám kích thước lớn mà tạm gọi lsi CM (large si e image u y cMeans) Thuật tốn trình bày sau: B1: Chia Chúng ta biểu diễn lại ảnh theo khía cạnh tập hợp Biểu diễn ban đầu ảnh theo tập pixel Giả sử ảnh có kích thước M x N Khi ta có: Image = {Pix(i,j): ≤ i ≤ M, ≤ j ≤ N} (50) Ảnh gốc chia thành P x Q ô (p ô theo chiều ngang, q ô theo chiều dọc) Mỗi có kích thước khơng q 512 x 512 (Mc x Nc) pixel để đảm bảo thủ tục CM thực thi Theo chiều ngang, liền kề có phần xếp chồng nửa kích thước Cell(x,y) Theo chiều dọc, ô liền kề có phần xếp chồng nửa kích thước Khi đó, ta có biểu diễn ảnh sau: Image = {Cell(x,y): ≤ x ≤ P, ≤ y ≤ Q} 18 (51) Trong đó: Cell(x,y) = {Pix(i,j): ≤ i ≤ Mc, ≤ j ≤ Nc} (52) Mc, Nc < 1024 B2: Phân cụm FCM ô Tiến hành phân cụm Cell(x,y) với thuật tốn CM.Gọi V(x,y,k) tâm thứ k ô Cell(x,y), ta c tâm cụm ô Cell(x,y): CentersCell(x,y) = {V(x,y,k): ≤ k ≤ c } (53) ≤ x ≤ P, ≤ y ≤ Q Tính trọng số tâm thứ k Cell(x,y) theo cơng thức: ∑ Trong đó, Cell(x,y) ∑ (54) giá trị hàm thuộc điểm ảnh với cụm thứ k ô Sau phân cụm tất ô, ta được:  Tập tâm cụm sau: CentersImage = {CentersCell(x,y) : ≤ x ≤ P, ≤ y ≤ Q } (55) CentersImage = {V(x,y,k): ≤ x ≤ P, ≤ y ≤ Q, ≤ k ≤ c } (56)  Tập trọng số sau: WeiImage = {Wei(x,y,k): ≤ x ≤ P, ≤ y ≤ Q, ≤ k ≤ c } (57) B3: Phân cụm tập tâm cụm sử dụng FCM Sau thu tập tâm cụm ô, tiếp tục thực thuật toán phân cụm CM tập tâm cụm với hàm mục tiêu cơng thức tính tâm hiệu chỉnh sau: ∑ (58) ∑ Từ đây, ta thu tập tâm cụm với c tâm cụm cuối B4: Tổng hợp Từ c tâm cụm thu B3, tính lại giá trị hàm thuộc điểm ảnh ảnh đầu vào với tâm cụm 3.2.2.2 Thử nghiệm Luận án tiến hànhthử nghiệm thuật toán đề xuất lsi CM so sánh với thuật toán gốc CM Tập liệu thử nghiệm mô tả phần 2.4.4 Trong đó, mẫu với kích thước trung bình mà thực với CM (trong điều kiện RAM không lớn) để so sánh kết hai thuật tốn Kích thước không lớn 250 x 250 điểm ảnh.Để đánh giá chất lượng phân cụm, luận án sử dụng số độ đồng cụmF(I) F’(I)[Int]như trình bày mục 3.1.5.Tập liệu phục vụ cho thử nghiệm mô tả mục 2.4.5.2 chương II.Trong thử nghiệm chúng tơi chọn máy tính có RAM 1GB Các mẫu thử nghiệm ảnh lớn mà với số cụm thử 19 nghiệm đủ để CM thực với RAM 1GB Về mặt chất lượng phân cụm, theo đánh giá độ đồng từ bảng biểu đồ trên, lsi CM đảm bảo độ ổn định so với CM, chí có trường hợp tốt CM Thử nghiệm - Ảnh gốc ảnh vệ tinh Quickbird có kích thước 2056 x 2065 (điểm ảnh) Hình 3.4 Biểu đồ so sánh số F(I)(*1.0e+3), F’(I)(*1.0e-3) cụm sinh FCM lsiFCM 3.3 Phân lớp ảnh viễn thám 3.3.1 Phân lớp hợp lý tối đa Luật định sau: (64) Trong đó, | | ∑ (67) Hoặc | | ∑ (68) Nghĩa là, với thay đổi trên, luật định sử dụng phân loại hợp lý tối đa; tham chiếu đến hàm phân biệt (discriminant) 3.3.2 Một số độ đo phân lớp Để đánh giá giải thuật máy học số số thông dụng sử dụng Trong có Độ xác (Precision), Độ hồi tưởng (Recall) [IND], Độ đo (69) (70) (71) Trong đó:TP số phần tử dương phân loại dương, FN số phần tử dương phân loại âm, TN số phần tử âm phân loại âm, FP số phần tử âm phân loại dương 20 3.3.3 Đề xuất tiếp cận lai cho phân lớp ảnh viễn thám 3.3.2.1 Trình bày tiếp cận lai cho phân lớp ảnh viễn thám Trong nghiên cứu này, luận án đề xuất tiếp cận phân loại ảnh với kết hợp hai tiếp cận mà tạm gọi tiếp cận lai Đầu tiên, ảnh gốc tiến hành phân vùng Thay trích chọn đặc trưng đối tượng tiếp cận hướng đối tượng, vùng đưa vào phân loại lai định phân lớp cuối Thuật toán gồm bước sau: B1: Phân vùng ảnh (Unsupervised Segmentation) B2: Phân lớp lai Sau phân cụm ảnh gốc I ta tập O cụm-đối tượng sau: { Trong đó,  } (72) = ; i j, i,j = 1,2, , K; o1 o2 … oK = I Luận án xây dựng hàm phân biệt cho cụm sau: ∑ (73) Từ đâyluận án đề xuất luật định lớp cho cụm sau: (74) Như vậy, thuật tốn cải tiến theo tiếp cận lai xây dựng hàm phân biệt tính giá trị hàm cho cụm (hay cụm) 3.3.2.2 Thử nghiệm đánh giá Kết thử nghiệm có so sánh thuật toán phân loại theo phương pháp phân loại hợp lý tối đa (thuật toán gốc), cài đặt phần mềm Grass, thuật toán dựa tiếp cận lai (thuật toán cải tiến).Để đánh giá độ xác phân lớp lớp, luận án sử dụng số Precision.Tập liệu phục vụ cho thử nghiệm gồm ảnh mô tả mục 2.4.5.2 chương II Thử nghiệm đại diện Mẫu thứ ảnh SPOT Thực việc phân loại ảnh đầu vào với lớp: đất (màu nâu ảnh kết quả), nước (màu vàng ảnh kết quả), rừng (màu xanh lam ảnh kết quả) Kết phân lớp thể hình 3.33 Từ kết hình 3.33, quan sát vùng khoanh tròn ảnh, vùng rừng có xen lẫn đất với tính hỗn tạp cao Tuy nhiên, thuật tốn gốc khơng phản ánh rõ đan xen mà quy lớp Trong thuật toán cải tiến phân biệt rõ 21 Hình Ảnh đầu vào, kết phân loại thuật toán gốc cải tiến Bảng 3.14 thống kê độ xác Precision thuật tốn Maximum Likehood thuật toán theo tiếp cận lai Bảng 3.2.So sánh độ xác Lớp Đất Rừng Nước MLK Lai 95% 98% 99.8% 99.9% 97% 98% 3.4 Kết luận chương III Chương III dược chia thành ba phần chính.Trong phần đầu tiên, chương IIIcó nghiên cứu cải tiến liên quan đến thuật tốn KMeans.Thứ nhất, trình thuật tốn phân cụm toán kinh điển KMeans Tiếp theo hai cải tiến gần CCEA_KMeans 2D-KMeans tốc độ thực thi chất lượng phân cụm Luận án phân tích hạn chế thuật tốn KMeans Từ đó, luận án đề xuất cải tiến thuật toán KMeans nhằm khắc phục hạn chế nói Các đề xuất bao gồm thuật tốn: iKMeans, CIKMeans KMeansCMN Trong đó, thuật toán iKMeans để khởi tạo tập tâm tốt hỗ trợ tăng tốc độ phân vùng ảnh viễn thám.Các kết thử nghiệm cho thấy wiKMeans cho tốc độ tốt nhiều KMeans tốt CCEA_KMeans (một cải tiến gần KMeans mặt tốc độ thực thi).Thuật tốn CIKMeans để phân cụm với thơng tin ngữ cảnh kèm theo cho điểm ảnh.Các kết thử nghiệm cho thấy CIKMeans cho chất lượng phân cụm tốt so với KMeans 2D-Kmeans (một cải tiến gần KMeans mặt chất lượng phân cụm).Thuật toán KMeansCMN với mục tiêu áp dụng phương thức chuẩn hóa trung bình phổ để tính tâm cụm cho việc phân vùng ảnh viễn thám kích thước lớn Các kết thử nghiệm cho thấy KMeansCMN phân cụm tốt với ảnh viễn thám kích thước lớn Ngồi ra, tốc độ phân cụm KMeansCMN tốt so với KMeans thơng thường Hiện tại, thủ tục tính tâm theo CMN sử dụng nhiều tính tốn với số thưc nên tốc độ chậm Trong nghiên cứu tiếp theo, nhóm tác giả dự kiến sử dụng phương pháp tính tốn chấm tĩnh để tăng cường tốc độ thủ tục để tăng tốc độ phân cụm Trong phần thứ hai, chương III có nghiên cứu cải tiến liên quan đến thuật toán phân cụm mờ Trước tiên, phần trình bày thuật tốn phân cụm CM phân tích hạn chế Tiếp đó, chương III đề xuất thuật toán phân vùng lsi CM cho ảnh viễn thám Các kết thử nghiệm chứng tỏ lsi CM cho kết phân vùng tốt, đạt độ ổn định so với CM.Tuy nhiên, 22 việc thực thuật tốn CM với nhiều ơ, tốc độ thực thi lsiFCM chậm so với FCM Trong phần thứ ba, chương III khảo sát kĩ thuật phân lớp có giám sát hợp lý tối đa dùng phổ biến phân lớp ảnh viễn thám đa phổ Tiếp đó, chương III đề xuất tiếp cận phân lớp lai với kết hợp hai tiếp cân hướng điểm ảnh hướng đối tượng,được cải tiến từ kĩ thuật phân lớp có giám sát hợp lý tối đa sử dụng để phân lớp điểm ảnh mà phân lớp cụm-đối tượng Các kết thử nghiệm cho thấy kết phân lớp thuật toán dựa tiếp cận đề xuất cho độ xác cao so với thuật toán phương pháp hợp lý tối đa KẾT LUẬN Luận án khảo sát tổng quan vấn đề giải đốn ảnh viễn thám đa phổ tình hình nghiên cứu nướctrong lĩnh vực Từ đó, luận án phân tích, đánh giá thành cơng số điểm hạn chếcủa cơng trình nghiên cứu có tăng cường phân lớp ảnh viễn thám đa phổ Dựa theo phân tích này, luận án thực cải tiến giai đoạn tăng cường phân lớp ảnh viễn thám đa phổ Kết đạt luận ánbao gồm: (1) Giai đoạn tăng cường:  Đề xuất kĩ thuật tăng cường độ tương phản ảnh viễn thám đa phổ dựa tiếp cận cục theo cụm với hai thuật toán tăng cường sử dụng thuật toán phân cụm CM KMeans  Đề xuất thêm hai thuật tốn tăng cường ảnh viễn thám kích lớn dựa việc cải tiến thuật toán phân cụm mờ sử dụng kĩ thuật avelet Các kết nghiên cứu sinh công bố [TRU1], [TRU2] [TRU9] (2) Giai đoạn phân lớp ảnh:  Đề xuất thuật toán IKMeans CIKMeansđể tăng cường tốc độ thực thi chất lượng phân cụm thuật toán phân cụm KMeans, Trong đó, IKMeans (Wavelet Inited KMeans) với hỗ trợ phép biến đổi avelet để tăng tốc độ thực thi KMeans thông qua khởi tạo tâm cụm tốt CIKMeans (Context Information KMeans) để khôi phục thơng tin ngữ cảnh cho thuật tốn.Kết nghiên cứu sinh công bố [TRU3], [TRU6], [TRU8]  Đề xuất thuật toán KMeansCMN với sử dụng phép chuẩn hoá CMN (Cepstral Mean Normalisation) sử dụng cơng thức tính tâm cụm Kết nghiên cứu sinh công bố [TRU4] [TRU7] Ngồi ra, luận án đề xuất thuật tốn phân cụm ảnh viễn thám kích thước lớn cải tiến từ thuật toán phân cụm mờ Kết nghiên cứu sinh công bố [TRU5]  Đề xuất kĩ thuậtphân lớp có giám sát lai với kết hợp hai hướng tiếp cận để đưa thuật toán phân lớp ảnh viễn thám hiệu mà tạm gọi 23 phương pháp tựa đối tượng Kết nghiên cứu sinh công bố [TRU7] Trong kết luận án, đóng góp quan trọng đề xuất tăng cường phân cụm ảnh viễn thám Tuy nhiên, kết luận án cần tiếp tục nghiên cứu, hồn thiện để triển khai ứng dụng thực tế Do đó, hướng nghiên cứu luận án là:  Nghiên cứu giải pháp tăng tốc độ thuật toán phân cụm mờ để tăng tốc độ thực thi cho thuật toán LoRSIE_FCM LaRSIE_FCM  Nghiên cứu đề xuất toán tử tăng cường ảnh mới, chẳng hạn, áp dụng đại số gia tử  Hướng tới việc song song hóa giai đoạn phân cụm ảnh để tăng tốc độ thực thi thuật toán lsiFCM  Tập trung nghiên cứuvào giai đoạn phân lớp có giám sát để đưa thêm cải tiến cho tiếp cận phân lớp lai nói riêng phân lớp ảnh viễn thám nói chung Đồng thời, tiếp tục nghiên cứu, so sánh, đánh giá sâu với hai tiếp cận hướng điểm ảnh hướng đối tượng xử lý ảnh viễn thám 24 DANH MỤC CÁC CÔNG TRÌNH CƠNG BỐ CỦA NGHIÊN CỨU SINH [TRU1] [TRU2] [TRU3] [TRU4] [TRU5] [TRU6] [TRU7] [TRU8] [TRU9] Trung Nguyen Tu, Huy Ngo Hoang, Thoa Vu Van (2015), Using fuzzy logic to enhance the large size remote sensing images, International Journal of Information and Electronics Engineering, Vol.5, No.6, pp 464-468 Nguyễn Tu Trung, Vũ Văn Thoả, Đặng Văn Đức (2015), Một phương pháp tăng cường độ tương phản ảnh viễn thám dựa tiếp cận cục bộ, Chun san cơng trình nghiên cứu, Tạp chí Cơng nghệ thơng tin Truyền thông, Bộ Thông tin Truyền thông, Tập V-2, số 14 (34), T 83-97 Trung Nguyen Tu, Huy Ngo Hoang, Duc Dang Van, Thoa Vu Van, An Dang Duy (2016), A improvement of KMeans algorithm using wavelet technique to increase speed of clustering remote sensing images, International Journal of Computer and Electrical Engineering, Vol 8, No 2, pp 177-184 Nguyễn Tu Trung, Ngơ Hồng Huy (2015), Một chứng minh hình thức cho phép bù trừ phổ CMN tín hiệu số ứng dụng phân vùng ảnh viễn thám, Tạp chí Khoa học, Đại học sư phạm Hà Nội, Vol 60, No 7A, T 137-144 Nguyễn Tu Trung, Vũ Văn Thỏa, Đặng Văn Đức (2016), Phân vùng ảnh viễn thám kích thước lớn dựa phân cụm mờ, Tạp chí Khoa học Cơng nghệ Thơng tin Truyền thơng, Học Viện Cơng nghệ Bưu Viễn thơng, Tập 1, Số năm 2016, T 45-51 Nguyễn Tu Trung, Đặng Văn Đức, Vũ Văn Thỏa (2016), Một số cải tiến kĩ thuật phân cụm cho ảnh viễn thám, Chuyên san cơng trình nghiên cứu, Tạp chí Cơng nghệ thơng tin Truyền thông, Bộ Thông tin Truyền thông, Tập V-2, số 16 (36), T 14-26 Nguyễn Tu Trung, Ngơ Hồng Huy, Đặng Văn Đức, Vũ Văn Thỏa, Lại Anh Khôi (2016), Một kĩ thuật phân lớp ảnh viễn thám sử dụng tiếp cận lai, Tạp chí Khoa học Công nghệ Thông tin Truyền thông, Học Viện Công nghệ Bưu Viễn thơng, Tập 1, Số năm 2016, T 50-58 Nguyễn Tu Trung, Ngơ Hồng Huy, Vũ Văn Thoả, Đặng Văn Đức (2015), Một cải tiến thuật toán KMeans cho việc phân vùng ảnh viễn thám, Hội thảo “Nghiên cứu ứng dụng Công nghệ thông tin” (FAIR), Hà Nội, T 370-375 Trung Nguyen Tu, Duc Dang Van, Huy Ngo Hoang, Thoa Vu Van, A method to enhance there mote sensing images based on the local approach using Kmeans algorithm, International Conference on Advances in Information and Communication Technology, ICTA 2016, pp 41-52 25 ... tương phản ảnh viễn thám đa phổ Chương 3: Phát triển số thuật toán phân lớp ảnh viễn thám đa phổ CHƯƠNG I - TỔNG QUAN VỀ VIỄN THÁM VÀ GIẢI ĐOÁN ẢNH VIỄN THÁM ĐA PHỔ 1.1 Tổng quan viễn thám 1.1.1... tin Trên hình 1.1 mô tả vắn tắt bảy thành phần hệ thống thu ảnh viễn thám [CAN] Hình 1.1 Tiến trình viễn thám Đề tài Nghiên cứu phương pháp nâng cao chất lượng giải đoán ảnh viễn thám đa phổ dựa. .. lớp liệu thuộc công nghệ tính tốn mềm Xuất phát từ lý trên, nghiên cứu sinh lựa chọn đề tài Nghiên cứu phương pháp nâng cao chất lượng giải đoán ảnh đa phổ dựa tính tốn mềm để thực luận án tiến