Cấu trúc của Luận văn Nghiên cứu và đánh giá các phương pháp nội suy ảnh viễn thám cho bài toán phân loại lớp phủ đô thị tại Việt Nam được chia làm ba chương như sau: Tổng quan và bài toán nghiên cứu đặt ra trong luận văn, các phương pháp nội suy ảnh, mô hình thực nghiệm và đánh giá tác động của phương pháp nội suy ảnh vệ tinh.
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ *** ĐỖ THỊ PHƯƠNG NGHIÊN CỨU VÀ ĐÁNH GIÁ CÁC PHƯƠNG PHÁP NỘI SUY ẢNH VIỄN THÁM CHO BÀI TOÁN PHÂN LOẠI LỚP PHỦ ĐƠ THỊ TẠI VIỆT NAM Ngành: Cơng Nghệ Thơng Tin Chuyên ngành: Quản lý Hệ thống Thông tin Mã số: 8480205 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: TS BÙI QUANG HƯNG Hà Nội 2017 MỤC LỤC DANH MỤC KÝ HIỆU, CHỮ VIẾT TẮT TRONG LUẬN VĂN MỞ ĐẦU Tổng quan toán nghiên cứu đặt luận văn 1.1 Bài toán phân loại lớp phủ đô thị Việt Nam vấn đề tiền xử lý liệu ảnh đầu vào 1.2 Bài toán nghiên cứu đặt luận văn 1.2.1 Một số nghiên cứu phương pháp nội suy 1.2.2 Bài toán nghiên cứu 1.2.3 Ý nghĩa khoa học 1.2.4 Ý nghĩa thực tiễn Các phương pháp nội suy ảnh 2.1 Các khái niệm nội suy ảnh 2.1.1 Khái niệm tái chia mẫu ảnh (Image Resampling) 2.1.2 Khái niệm nội suy ảnh 2.2 Một số phương pháp nội suy ảnh viễn thám 2.2.1 Nội suy láng giềng gần - Nearest Neighbor Interpolation 2.2.2 Nội suy song tuyến tính - Bilinear interpolation 10 2.3.3 Nội suy xoắn bậc ba – Cubic Convolution (Bicubic) 11 2.3 Các số đánh giá phương pháp nội suy ảnh viễn thám 12 2.3.1 Sai số bình phương trung bình (MSE) 12 2.3.2 Tỷ số tín hiệu cực đại/ nhiễu (PSNR) 12 Mơ hình thực nghiệm đánh giá tác động phương pháp nội suy ảnh vệ tinh 12 3.1 Lựa chọn công cụ thực nghiệm 13 3.2 Thực nghiệm đánh giá tác động phương pháp nội suy với ảnh vệ tinh ánh sáng ban đêm DMSP– OLS 2013 ảnh vệ tinh bề mặt không thấm nước ISA 2010 13 3.3 Đánh giá ảnh hưởng kỹ thuật nội suy tiền xử lý liệu ảnh viễn thám đến việc xây dựng đồ lớp phủ đô thị Việt Nam 16 3.3.1 Tính tốn ngưỡng phân lớp thực nghiệm 17 3.3.2 Kết 18 KẾT LUẬN 20 Hạn chế 20 Hướng phát triển 20 TÀI LIỆU THAM KHẢO 21 DANH MỤC KÝ HIỆU, CHỮ VIẾT TẮT TRONG LUẬN VĂN Trường nhìn, góc nhìn (Field of View) Trường nhìn, góc nhìn tức thời (Instantaneous Field Of View) Cảm biến hồng ngoại nhiệt (Thermal Infrared Sensor) Chương trình phòng thủ Vệ tinh khí tượng (Defense Meteorological Satellite Program - Operational Linescan System) NOAA Cục Quản lý Đại dương Khí Quốc gia (National Oceanic and Atmospheric Adminis) NGDC Trung tâm Dữ liệu Địa Vật lý Quốc gia (National Geophysical Data Center) VIIRS/DNB Ảnh vệ tinh VIIRS (Visible Infrared Imaging Radiometer Suite – Day/Night Band) HGS Giai đoạn tăng cao (High Gain Stage) MGS Giai đoạn tăng trung bình (Medium Gain Stage) LGS Giai đoạn tăng thấp (Low Gain Stage) GLCMNO Global Land Coverby National Mapping Organizations NDVI Chỉ số thực vật (Normalized Difference Vegetation Index) EstISA Bề mặt không thấm nước (Impervious Surface Area) MSE Sai số trung bình bình phương (Mean Squared Error) PSNR Tỷ số tín hiệu cực đại/nhiễu (Peak Signal to Noise Ratio) SNR Tỉ số tín hiệu nhiễu (signal-to-noise ratio) SSIM Chỉ số tương đông cấu trúc (Structural Similarity Index) FOV IFOV TIRS DMSP – OLS Từ khóa (Keyword): tái chia mẫu ảnh, nội suy ảnh, ảnh vệ tinh, lớp phủ đô thị MỞ ĐẦU Khoa học viễn thám ngày phát triển với thành tựu khoa học kỹ thuật công nghệ vũ trụ, công nghệ điện tử, tin học Các đối tượng nghiên cứu khoa học viễn thám trở nên đa dạng vật, tượng xảy trái đất Việc trích trọn đặc điểm, phân tích giải đoán ảnh vệ tinh đem lại nhiều ứng dụng nhiều lĩnh vực khác nhau: Giám sát môi trường; giám sát biến đổi khí hậu; ứng dụng nơng nghiệp; quản lý tài nguyên thiên nhiên; khí tượng học; lập đồ chuyên đề,… Một ứng dụng ảnh vệ tinh quan tâm giúp xây dựng đồ phân loại lớp phủ đô thị Đem đến hướng theo dõi, giám sát quản lý, quy hoạch xây dựng chiến lược phát triển đô thị Tuy nhiên, ảnh hưởng nhiều yếu tố trình thu nhận ảnh, ảnh vệ tinh thường bị nhiễu, méo hình học hay liệu, Trong toán thực tế thường cần sử dụng nhiều liệu vệ tinh, đa nguồn, đa độ phân giải Yêu cầu tiền xử lý liệu đầu vào, đưa độ phân giải Do đó, phương pháp nội suy ảnh áp dụng nhiều toán giúp xử lý ảnh đầu vào, hiệu chỉnh ảnh vệ tinh, tăng độ phân giải ảnh giúp nâng cao chất lượng hình ảnh Việc áp dụng phương pháp nội suy ảnh vệ tinh mang nhiều ý nghĩa mặt kinh tế thực tiễn Bởi nguồn ảnh viễn thám có độ phân giải cao thường có giá thành cao nhiều so với ảnh viễn thám có độ phân giải thấp (thường có giá rẻ cung cấp miễn phí) Bài tốn phân loại lớp phủ đô thị Việt Nam theo phương pháp GLCMNO mở rộng, có liệu đầu vào đồ mật độ dân số Việt Nam, ảnh vệ tinh ánh sáng ban đêm DMSP-OLS, ảnh vệ tinh bề mặt không thấm nước EstISA, ảnh vệ tinh số thực vật ảnh vệ tinh bề mặt chứa nước Với kết đồ lớp phủ đô thị Việt Nam độ phân giải 500m Trong đó, hai liệu ảnh vệ tinh ánh sáng ban đêm DMSP-OLS ảnh vệ tinh bề mặt khơng thấm nước EstISA có độ phân giải 1km Cần áp dụng phương pháp nội suy ảnh tiền xử lý liệu, tăng độ phân giải ảnh lên 500m Xuất phát từ thực tế trên, luận văn lựa chọn đề tài “Nghiên cứu đánh giá phương pháp nội suy ảnh viễn thám cho tốn phân loại lớp phủ thị Việt Nam” với nhiều ý nghĩa khoa học thực tiễn Tổng quan toán nghiên cứu đặt luận văn 1.1 Bài toán phân loại lớp phủ đô thị Việt Nam vấn đề tiền xử lý liệu ảnh đầu vào Quá trình thị hóa mạnh mẽ với gia tăng dân số dẫn tới tác động mạnh mẽ nhiều mặt hầu hết tỉnh thành Việt Nam, đặc biệt thành phố lớn, trung tâm văn hóa, trị, kinh tế, xã hội nước 4 Kết trình thị hóa khơng góp phần đẩy nhanh tốc độ tăng trưởng kinh tế, chuyển dịch cấu kinh tế cấu lao động mà làm thay đổi phân bố dân cư lao động,…Nó gây tác động tiêu cực ô nhiễm môi trường, tệ nạn xã hội,… Theo dõi biến động lớp phủ đô thị diện rộng thời gian dài vấn đề cần thiết cho quan quản lý, giúp giám sát có định hướng phát triển phù hợp Bản đồ phân loại lớp phủ đô thị cần thiết việc mô tả đặc điểm tăng trưởng phát triển kinh tế quốc gia, sử dụng hỗ trợ giám sát mơi trường, dự đốn tốc độ tăng dân số, điện tiêu thụ, tổng sản phẩm quốc nội (GDP) để hỗ trợ quy hoạch thành phố Trên giới, có nhiều dự án, nghiên cứu ứng dụng liệu viễn thám, liệu dân số nhằm xây dựng đồ lớp phủ đô thị như: Nghiên cứu định lượng lớp phủ thị tác động lên lớp phủ mặt đất Trung Quốc cách sử dụng phương pháp phân loại lớp phủ toàn cầu (Global Land Coverby National Mapping Organizations - GLCMNO) biểu đồ kĩ thuật số (Digital Chart of the World – DCW) Alimujiang Kasimu Ryutaro Tateishi năm 2010 [10] Nghiên cứu phương pháp GLCMNO lập đồ thị tồn cầu, xác nhận so sánh với đồ đô thị có Alimujiang KASIMU Ryutaro TATEISHI năm 2008: sử dụng liệu đầu vào đồ mật độ dân số, ảnh ánh sáng ban đêm DMSP-OLS, ảnh MODIS-NDVI đưa đồ thị tồn cầu, đối chiếu so sánh với liệu: Landsat ETM+, DMSP, DCW, MOD12Q1, GLC2000, GRUMP [11] Nghiên cứu sử dụng liệu bề mặt không thấm nước phân loại lớp phủ đô thị Dengsheng Lu Qihao Weng năm 2006 với khu vực nghiên cứu quận Marion (thành phố Indianapolis), Indiana, Hoa Kỳ[14] Tại Việt Nam, nghiên cứu phân loại đô thị sử dụng liệu vệ tinh với phạm vi hạn chế, chẳng hạn như: Nghiên cứu mối quan hệ nhiệt độ bề mặt loại phủ đất sử dụng cảm biến hồng ngoại nhiệt thành phố Hồ Chí Minh Trần Thị Vân – Viện Tài Nguyên Môi Trường, ĐHQG HCM năm 2006 [28] Nghiên cứu ứng dụng ảnh vệ tinh khảo sát sử dụng đất thành phố Đà Nẵng vởi Trần Thị An, Vũ Anh Tuấn,2008 [27] Tối ưu hóa độ phân giải khơng gian hình ảnh để phát dạng thị: cho trường hợp Pháp Việt Nam (khu vực nghiên cứu Đà Nẵng) Thi Dong-Binh Tran , Anne Puissant, Dominique Badariotti Christiane Weber – 2011 [26] Bài tốn phân loại lớp phủ thị Việt Nam theo phương pháp GLCMNO (Global Land Coverby National Mapping Organizations) mở rộng (cải thiện tối ưu hóa từ phương pháp GLCMNO cho phù hợp với trạng nước ta) nghiên cứu Phạm Tuấn Dũng, trình bày Hội nghị Quốc tế lần thứ KSE (Knowledge and Systems Engineering) Nghiên cứu đưa kết đồ lớp phủ đô thị Việt Nam cho năm 2008 2015 – mang lại nhiều ý nghĩa khoa học thực tiễn Bài toán phân loại lớp phủ đô thị Việt Nam theo phương pháp GLCMNO mở rộng đưa định nghĩa lớp phủ đô thị phù hợp với điều kiện phát triển Việt Nam bao gồm: khu vực đô thị nơi có mật độ dân cư tối thiểu 2000/km2, tỷ lệ bề mặt không thấm nước ánh sáng ban đêm dựa ngưỡng, lớp thực vật bề mặt nước khơng xem xét thị[20] 5 Cùng với phương pháp xác định lại ngưỡng phân lớp số ánh sáng ban đêm, số thực vật, mật độ dân số, tỉ lệ bề mặt không thấm nước Việc tính tốn ngưỡng thực tập mẫu điểm ảnh Số lượng pixel mẫu lớp (trừ lớp đô thị) định phần trăm lớp phương pháp GLCMNO Lớp đô thị có mức ưu tiên cao so với lớp khác việc định ngưỡng Ngưỡng mật độ dân số dựa hệ thống phân loại đô thị Việt Nam [20] 2.1 Dữ liệu dầu vào tốn phân loại lớp phủ thị Việt Nam Bài toán sử dụng năm liệu ảnh vệ tinh đầu vào bao gồm: đồ mật độ dân số, liệu ảnh vệ tinh ánh sáng ban đêm, ảnh vệ tinh số thực vật NDVI, ảnh vệ tinh bề mặt không thấm nước, ảnh vệ tinh bề mặt chứa nước Bảng 0.1 Dữ liệu sử dụng tốn phân loại lớp phủ thị Việt Nam theo phương pháp GLCMNO mở rộng Dữ liệu Bản đồ mật độ dân số Dữ liệu ảnh vệ tinh ánh sáng ban đêm Dữ liệu vệ tinh số thực vật Tên viết tắt Độ phân giải không gian Độ phân giải thời gian Worldpop 100m 2009 Worldpop 100m 2015 DMSP-OLS 1km 2008 NPP-VIIRS/ DNB 500m 2015 MOD13Q1 250m 2008 250m 2015 2010 Dữ liệu vệ tinh bề mặt không thấm nước EstISA 1km Ảnh vệ tinh bề mặt chứa nước MOD44W 250m Các vấn đề tiền xử lý ảnh tốn phân loại lớp phủ thị Việt Nam Đầu vào toán phân loại lớp phủ đô thị Việt Nam năm liệu ảnh vệ tinh khác nguồn ảnh độ phân giải Do đó, để đưa đồ phân loại lớp phủ đô thị độ phân giải 500m, ta cần có q trình tiền xử lý ảnh đầu vào, đưa ảnh độ phân giải 500m Việc tăng giảm độ phân giải không gian ảnh cần qua trình tái chia mẫu (Resampling), nhằm đảm bảo không làm thông tin ảnh, sai số liệu thấp Mục tiêu luận văn tìm hiểu đánh giá phương pháp nội suy ảnh vệ tinh giúp tăng độ phân giải ảnh Áp dụng cho tiền xử lý liệu ảnh vệ tinh ánh sáng ban đêm DMSP-OLS ảnh bề mặt không thấm nước ISA độ phân giải 1km; đưa độ phân giải 500m So sánh đánh giá phương pháp nội suy ảnh phù hợp với toán 1.2 Bài toán nghiên cứu đặt luận văn 1.2.1 Một số nghiên cứu phương pháp nội suy Luận văn phát triển dựa tảng nghiên cứu, báo khoa học nước quốc tế phương pháp nội suy ảnh như: Các nghiên cứu giới Nghiên cứu phương pháp nội suy liệu ảnh vệ tinh Jency Titus Sebastian Geroge, năm 2013: so sánh phương pháp nội suy láng giềng gần nhất, song tuyến tính, nội suy xoắn bậc ba Thực nghiệm việc sử dụng hai ảnh vệ tinh có kích thước khác nhau, tiến hành nội suy Đánh giá so sánh ảnh trước sau nội suy mắt thường so sánh dựa thời gian thực thuật toán Kết cho thấy phương pháp nội suy song tuyến tính có thời gian thực thuật toán nhanh Phương pháp nội suy xoắn bậc ba có thời gian thực thuật toán chậm nhất, cho kết ảnh tốt theo đánh giá mắt thường [17] Phân tích phương pháp tái chia mẫu ảnh khác quận Coimbatore Dr.S Santhosh Baboo M.Renuka Devi, năm 2013: so sánh phương pháp nội suy láng giềng gần nhất, song tuyến tính, nội suy xoắn bậc ba việc so sánh ảnh sau nội suy chủ quan mắt thường với khu vực nghiên cứu quận Coimbatore Đưa kết luận phương pháp nội suy xoắn bậc ba cho ảnh tốt theo đánh giá mắt thường [24] Đánh giá phương pháp nội suy tăng cường chất lượng ảnh Vaishali Patel Giáo sư Kinjal Mistree, năm 2013: so sánh phương pháp nội suy khơng thích ứng: láng giềng gần nhất, song tuyến tính, nội suy xoắn bậc ba; phương pháp nội suy thích ứng: nội suy hướng cạnh (New Edge-Directed Interpolation – NEDI), liệu phụ thuộc tam giác (DDT), nội suy lặp lại dựa độ cong (Iterative Curvature-based Interpolation – ICBI) Tiến hành so sánh việc nội suy ảnh kĩ thuật nội suy khác So sánh ảnh sau nội suy với ảnh đối chiếu đánh giá dựa vào số PSNR cho thấy phương pháp nội suy xoắn bậc ba cho kết tốt so với nội suy láng giềng gần nội suy song tuyến tính [29] Phóng to ảnh kỹ thuật số việc sử dụng phương pháp nội suy Ranjeet Roy, Maninder Pal Tarun Gulati năm 2013: Tìm hiểu phương pháp lọc lý tưởng, nội suy láng giềng gần nhất, nội suy B-splines, phương pháp nội suy độ phân giải cao Cubic Splines, phương pháp nội suy ảnh hai chiều Tiến hành so sánh đánh giá việc nội suy 02 ảnh CT cắt lớp đầu xương cổ kĩ thuật nội suy khác So sánh ảnh sau nội suy với ảnh đối chiếu đánh giá dựa vào số PSNR Kết cho thấy phương pháp nội suy láng giềng gần cho kết tốt so với phương pháp nội suy song tuyến tính nội suy láng giềng gần [22] So sánh phương pháp nội suy ảnh thông thường Dianyuan Han năm 2013: So sánh phương pháp nội suy láng giềng gần nhất, nội suy song tuyến tính, nội suy xoắn bậc ba, nội suy Cubic B-Spline Tiến hành so sánh đánh giá kỹ thuật nội suy việc sử dụng ảnh, làm giảm độ phân giải ảnh 1/2 sau sử dụng kĩ thuật nội suy làm tăng độ phân giải ảnh lại ban đầu, so sánh ảnh kết với ảnh ban đầu theo hai khía cạnh chủ quan (so sánh mắt thường) khách quan thông qua số tín hiệu nhiễu SNR Kết cho thấy phương pháp nội suy xoắn bậc ba cho kết tốt [15] Tại Việt Nam, có số đề tài nghiên cứu phương pháp nội suy như: Luận văn Thạc sĩ “Nội suy ảnh ứng dụng” – Nguyễn Thị Nguyệt, Đại học Thái Nguyên, năm 2009: Luận văn tìm hiểu khái quát xử lý ảnh nội suy, kỹ thuật nội suy như: nội suy láng giềng gần nhất, nội suy tam giác, nội suy song khối, nội suy tuyến tính, song tuyến tính, nội suy tam tuyến tính, phép nội suy không gian,…Và đưa hai ứng dụng nội suy ảnh là: sinh hình ảnh hình ảnh trung gian), đưa vào ảnh nguồn ảnh đích, phương pháp nội suy thực nội suy khung ảnh trung gian, khung ảnh biến đổi liên tục tạo thành file video, chạy file video để quan sát trình sinh ảnh trung gian Ứng dụng nội suy nắn chỉnh hình ảnh [6] Luận văn Thạc sĩ: “Nghiên cứu số kỹ thuật nội suy ảnh” – Nguyễn Văn Hạt, Học viện Cơng Nghệ Bưu Chính Viễn Thơng, năm 2012: Luận văn tìm hiểu khái qt xử lý ảnh nội suy, kỹ thuật nội suy như: nội suy ảnh dựa vào điểm láng giềng (kỹ thuật nội suy điểm láng giềng xem xét lại, nội suy láng giềng dựa dẫn xuất hình ảnh thứ 2, nội suy láng giềng dựa độ cong FCBI, nội suy láng giềng lặp lặp lại ICBI, nội suy láng giềng tự nhiên); nội suy tuyến tính (nội suy tuyến tính hàm bậc nhất, nội suy tuyến tính hàm bậc 2, nội suy tuyến tính hai đường); nội suy sử dụng hàm sở bán kính Luận văn đưa ứng dụng biểu diễn khuôn mặt 3D trạng thái cân trạng thái thâm lý đích cần biểu diễn [2] Nghiên cứu “Ứng dụng phương pháp nội suy Kriging khảo sát phân bố tầng đất yếu tuổi Holocene khu vực nội thành Thành phố Hồ Chí Minh”, Phan Thị San Hà, Lê Minh Sơn, Tạp chí phát triển Khoa học Cơng Nghệ (2007) [3] 1.2.2 Bài tốn nghiên cứu Dựa tảng nghiên cứu nước, với yêu cầu đặt trình tiền xử lý liệu ảnh vệ tinh ánh sáng ban đêm DMSP ảnh vệ tinh bề mặt khơng thấm nước ISA cho tốn phân loại lớp phủ đô thị Việt Nam theo phương pháp GLCMNO mở rộng Câu hỏi đặt luận văn bao gồm: Có phương pháp nội suy ảnh vệ tinh nào? Các phương pháp nội suy ảnh có tác động ảnh vệ tinh? Các phương pháp nội suy ảnh khác liệu ảnh vệ tinh ánh sáng ban đêm DMSP-OLS ảnh vệ tinh bề mặt không thấm nước ISA, có ngưỡng phân lớp khác phân loại lớp phủ đô thị không? Phương pháp nội suy ảnh vệ tinh phù hợp cho tốn phân loại lớp phủ thị? Luận văn thực với mục đích nghiên cứu đánh giá phương pháp nội suy ảnh vệ tinh, nhằm đưa phương pháp phù hợp với toán phân loại lớp phủ đô thị Cụ thể, luận văn tiến hành: Tìm hiểu khái quát ảnh vệ tinh, đặc trưng ảnh vệ tinh Một số liệu vệ tinh ảnh vệ tinh ánh sáng ban đêm DMSP-OLS; ảnh vệ tinh bề mặt không thấm nước EstISA Tìm hiểu tái chia mẫu ảnh phương pháp nội suy ảnh thường sử dụng giúp tăng cường độ phân giải ảnh vệ tinh Một số vấn đề nội suy ảnh Các số đánh giá, so sánh chất lượng ảnh So sánh đánh giá tác động ba phương pháp nội suy ảnh phổ biến: nội suy láng giềng gần nhất, nội suy song tuyến tính, nội suy xoắn bậc ba với ảnh vệ tinh Bằng việc thực nghiệm ảnh vệ tinh ánh sáng ban đêm DMSP-OLS 2013 ảnh vệ tinh bề mặt không thấm nước ISA 2010 có độ phân giải 1km Sử dụng phương pháp nội suy trình tiền xử lý liệu toán phân loại lớp phủ thị Việt Nam Tính tốn lại ngưỡng phân lớp phù hợp với phương pháp nội suy ảnh So sánh, đánh giá đề xuất phương pháp nội suy ảnh vệ tinh phù hợp toán 8 1.2.3 Ý nghĩa khoa học Việc nghiên cứu đánh giá hiệu phương pháp nội suy ảnh viễn thám mang ý nghĩa mặt khoa học: Dữ liệu ảnh vệ tinh ánh sáng ban đêm DMSP/OLS (được NOAA tổng hợp từ năm 1992 đến năm 2013) ảnh vệ tinh bề mặt không thấm nước EstISA (hiện liệu ảnh vệ tinh bề mặt không thấm nước giới – NOAA đưa vào năm 2010) với độ phân giải không gian 1km ứng dụng nhiều nghiên cứu Tuy nhiên ảnh có độ phân giải khơng cao, nên tốn thực tế thường phải qua trình tăng độ phân giải ảnh Việc tìm hiểu phương pháp nội suy phù hợp giúp trình tăng độ phân giải ảnh không làm ảnh hưởng nhiều đến thông tin ảnh Áp dụng kỹ thuật nội suy ảnh vệ tinh tiền xử lý liệu đánh giá tác động phương pháp với kết toán phân loại lớp phủ đô thị Việt Nam giúp đem lại kết tốt Mở rộng hướng nghiên cứu khác cho tốn phân loại lớp phủ thị nói riêng tốn cần xử lý liệu vệ tinh nói chung 1.2.4 Ý nghĩa thực tiễn Việc áp dụng kỹ thuật nội suy ảnh vệ tinh làm tăng độ xác tốn phân loại lớp phủ đô thị Việt Nam mang nhiều ý nghĩa thực tế Bởi Việt Nam quốc gia phát triển, có tốc độ thị hóa nhanh Trong năm gần đây, số lượng đô thị nước ta tăng nhanh, thành phố thuộc tỉnh Tính đến năm 2010, dân số thị Việt Nam 25.584,7 nghìn người, chiếm 29,6% dân số nước Việc xây dựng đồ phân loại lớp phủ đô thị đem đến hướng theo dõi, giám sát quản lý, quy hoạch xây dựng chiến lược phát triển đô thị Đưa giải pháp vấn đề đô thị hóa như: nhiễm mơi trường, gia tăng dân số đô thị, tắc nghẽn giao thông, thiếu sở hạ tầng,… Xây dựng chiến lược phát triển đô thị bền vững Việc áp dụng kỹ thuật nội suy ảnh vệ tinh làm tăng độ phân giải ảnh vệ tinh có độ phân giải thấp (được cung cấp với giá rẻ miễn phí) đem lại ý nghĩa mặt kinh tế Các phương pháp nội suy ảnh 2.1 Các khái niệm nội suy ảnh 2.1.1 Khái niệm tái chia mẫu ảnh (Image Resampling) Ảnh số bao gồm lưới hình chữ nhật điểm ảnh nhau.Mỗi điểm ảnh có tọa độ mức xám (màu) riêng Tái chia mẫu ảnh trình sửa dụng kỹ thuật toán học để tạo phiên hình ảnh với độ phân giải điểm ảnh khác Mỗi điểm ảnh tạo sau q trình tái chia mẫu thơng qua hệ tọa độ sở, gán giá trị (cường độ, cấp độ xám,…) dựa giá trị cấp độ xám điểm ản ban đầu Sự khác trình tái chia mẫu ảnh thay đổi kích thước ảnh (Image Resizing) Thay đổi kích thước ảnh (resize): Chỉ thay đổi kích thước hình ảnh không thay đổi (ảnh hưởng) đến số điểm ảnh ảnh (pixel) Không thay đổi độ phân giải ảnh Tái chia mẫu ảnh (resampling): Thay đổi làm ảnh hưởng đến số lượng điểm ảnh (thêm bớt pixel) Làm thay đổi độ phân giải ảnh Tái chia mẫu gồm hai trình: tăng độ phân giải ảnh (upsampling) giảm độ phân giải ảnh ảnh (downsampling) 9 Tăng độ phân giải ảnh (upsampling): làm tăng số lượng điểm ảnh, kích thước điểm ảnh giảm Hình ảnh trở nên mịn Thường sử dụng phương pháp nội suy ảnh trình Giảm độ phân giải ảnh (downsampling): làm giảm số lượng điểm ảnh cách thay nhóm điểm ảnh điểm ảnh đơn, kích thước điểm ảnh tăng Ảnh thơ mờ so với ảnh ban đầu 2.1.2 Khái niệm nội suy ảnh Nội suy phương pháp ước tính giá trị điểm liệu chưa biết phạm vi tập hợp rời rạc chứa số điểm liệu biết [6] Trong khoa học kỹ thuật, người ta thường có số điểm liệu biết giá trị cách thu thập liệu lấy mẫu thực nghiệm Những điểm giá trị đại diện hàm số biến số độc lập có lượng giới hạn giá trị.Thường phải nội suy (hoặc ước tính) giá trị hàm số cho giá trị trung gian biến độc lập [6] Nội suy ảnh q trình ước tính giá trị mức xám (màu sắc) điểm ảnh thêm vào điểm ảnh ảnh số, dựa giá trị mức xám (màu sắc) điểm ảnh cũ gần nhất.Các liệu nội suy có mối quan hệ khơng gian với nhau, tức điểm gần “giống” nhiều so với điểm xa Hình ảnh sau nội suy mịn so với ảnh ban đầu Khi sử lý ảnh số, kỹ thuật nội suy sử dụng bóp méo, nắn chỉnh, lấp lỗ hổng hay tăng độ phân giải ảnh Hình 0.1: Minh họa trình nội suy Kỹ thuật nội suy áp dụng nhiều trình tiền xử lý ảnh vệ tinh hầu hết ảnh chụp thường gặp yếu tố nhiễu ảnh hưởng thời tiết, vật mang, cảm… làm giảm chất lượng ảnh Nội suy áp dụng nắn chỉnh hình học ảnh (ảnh bị méo hình học), xử lý điền đầy với ảnh bị liệu theo dải (line dropout), bị sọc, viền,… Hay với ảnh vệ tinh có độ phân giải thấp cần trình nội suy ảnh để tăng cường chất lượng ảnh, giúp q trình giải đốn phân tích có kết tốt 2.2 Một số phương pháp nội suy ảnh viễn thám 2.2.1 Nội suy láng giềng gần - Nearest Neighbor Interpolation Nội suy láng giềng gần phương pháp nội suy đơn giản sử dụng phổ biến Điểm ảnh lấy giá trị điểm ảnh gốc gần không xem xét giá trị khác tất điểm lân cận Khoảng cách hai điểm thường đo dạng khoảng cách Euclid hay khoảng cách Minkowski với k = Hàm nhân phương pháp nội suy láng giềng gần [29]: 10 ℎ(𝑥) = { 1 |𝑥| ≤ 2 ≤ |𝑥| (2.4) Trong đó, x khoảng cách điểm nội suy điểm lưới Ví dụ điểm ảnh (u,v) với bốn điểm láng giềng ( i, j ) , ( i, j + 1) , ( i+ 1, j ) ( i+ 1,j + 1) giá trị f(i, j ) , f( i, j + 1) , f( i+ 1, j ), f( i+ 1,j + 1) Khoảng cách (u,v) ( i, j ) , ( i, j + 1) , ( i+ 1, j ), ( i+ 1,j + 1) tính tốn, giá trị tại(u,v) gán giá trị mức xám điểm gần Hình 0.2 Minh họa việc tính tốn điểm ảnh (u,v) phương pháp nội suy láng giềng gần Nội suy láng giềng gần có thời gian xử lý nhanh, thường tạo hiệu ứng cưa ảnh phóng lớn Do đó, thường sử dụng cho trường hợp thời gian tính tốn quan trọng độ xác [15] 2.2.2 Nội suy song tuyến tính - Bilinear interpolation Nội suy song tuyến (Bilinear interpolation) mở rộng nội suy tuyến tính Q trình nội suy sử dụng điểm ảnh gần để tính giá trị điểm ảnh Giá trị điểm nội suy tính trung bình bốn điểm gần nhất, trọng số cho giá trị điểm tính dựa khoảng cách điểm với điểm cần nội suy Hàm toán học phương pháp nội suy song tuyến tính[29]: − |𝑥| |𝑥| ≤ ℎ(𝑥) = { (2.5) ≤ |𝑥| Trong đó, x khoảng cách điểm nội suy điểm lưới Để tính giá trị điểm ảnh P(x,y) biết bốn điểm gần Q11 = (x1, y1), Q12 = (x1, y2), Q21 = (x2, y1), and Q22 = (x2, y2) Hình 0.3: Nội suy song tuyến tính cho điểm P(x,y) Bước 1: Nội suy tuyến tính giá trị điểm R1 R2 11 f(R1) ≈ 𝑥2 −𝑥 𝑥− 𝑥1 𝑓(𝑄11 )+ 𝑓(𝑄21 ) 𝑥2 −𝑥1 𝑥2 −𝑥1 f(𝑅2 ) ≈ 𝑣ớ𝑖 𝑅1 = (𝑥, 𝑦1 ) 𝑥2 −𝑥 𝑥− 𝑥1 𝑓(𝑄12 )+ 𝑓(𝑄22 ) 𝑥2 −𝑥1 𝑥2 −𝑥1 𝑣ớ𝑖 𝑅2 = (𝑥, 𝑦2 ) (2.6) (2.7) Bước 2: Từ hai điểm R1 R2, nội suy tuyến tính giá trị điểm P f(𝑃) ≈ 𝑦2 −𝑦 𝑦− 𝑦 𝑓(𝑅1 )+ 𝑦 −𝑥𝑦1 𝑓(𝑅2 ) 𝑥2 −𝑥1 (2.8) Nội suy song tuyến tính có thời gian thực độ phức tạp cao so với nội suy láng giềng gần Phương pháp nội suy làm giảm biến dạng hình ảnh phóng to, làm mờ đường viền hình ảnh Ảnh nội suy phương pháp song tuyến tính đem lại hiệu thị giác tốt so với nội suy láng giềng gần [15] 2.3.3 Nội suy xoắn bậc ba – Cubic Convolution (Bicubic) Nội suy xoắn bậc ba phương pháp tính tốn giá trị điểm ảnh dựa giá trị trung bình 16 điểm ảnh gốc gần (4 x 4) Hàm toán học phương pháp nội suy xoắn bậc ba [29]: 𝑢(𝑥) = |𝑥|3 − |𝑥|2 + 𝑘ℎ𝑖 {−1 |𝑥|3 + |𝑥|2 − 4|𝑥| + 2 ≤ |𝑥| < 𝑘ℎ𝑖 ≤ |𝑥| < (2.9) 𝑘ℎ𝑖 < |𝑥| Trong đó, x khoảng cách điểm nội suy điểm lưới Để tính tốn điểm nội suy P’ từ điểm ban đầu P(1,1), P(1,2),…P(4,4) Theo chiều ngang lưới ta: - Tính điểm P’(1) từ điểm P(1,1), P(1,2), P(1,3), P(1,4) - Tính điểm P’(2) từ điểm P(2,1), P(2,2), P(2,3), P(2,4) - Tính điểm P’(3) từ điểm P(3,1), P(3,2), P(3,3), P(3,4) - Tính điểm P’(4) từ điểm P(4,1), P(4,2), P(4,3), P(4,4) Theo chiều dọc lưới, điểm P’ tính nội suy từ điểm P’(1), P’(2), P’(3), P’(4)[15] Việc tính tốn mơ tả hình 2.11 Hình 0.4: Mơ tả việc tính tốn nội suy xoắn bậc ba Phương pháp nội suy xoắn bậc ba tốn nhiều thời gian nhớ xử lý, sử dụng trường hợp không cần xem xét đến vấn đề thời gian [17] Phương pháp nội suy thường sử dụng phổ biến phần mền sử lý ảnh thông dụng Photoshop, After Effects,…[15] 12 2.3 Các số đánh giá phương pháp nội suy ảnh viễn thám 2.3.1 Sai số bình phương trung bình (MSE) Sai số bình phương trung bình - MSE (Mean Squared Error) khái niệm sử dụng thống kê MSE đánh giá chất lượng ước lượng (ví dụ, hàm toán học lập đồ mẫu liệu tham số dân số từ liệu lấy mẫu) yếu tố dự báo (ví dụ, đồ chức có số liệu vào tùy ý để mẫu giá trị số biến ngẫu nhiên) Chỉ số MSE phép ước lượng trung bình bình phương sai số, tức khác biệt ước lượng đánh giá Chỉ số dùng để đánh giá mức độ sai khác điểm ảnh ảnh sau trình xử lý ảnh đối chiếu so sánh Chỉ số MSE tính tốn sau[19]: 𝑀𝑆𝐸 = ∑𝑀 ∑𝑁 (𝑥(𝑖, 𝑗) − 𝑀𝑁 𝑖=1 𝑗=1 𝑦(𝑖, 𝑗))2 Trong x( i ,j) ảnh so sánh, y( i,j) ảnh sau chỉnh sửa tái cấu trúc Các số pixel 1≤ i ≤ M 1≤ j ≤ N, cỡ ảnh N×M pixel n bit/pixel (2.10) 2.3.2 Tỷ số tín hiệu cực đại/ nhiễu (PSNR) PSNR (Peak Signal to Noise Ratio) –là số dùng để tính tỉ lệ giá trị lượng tối đa tín hiệu lượng nhiễu ảnh hướng đến độ xác thơng tin PSNR sử dụng để đo chất lượng tín hiệu khơi phục thuật tốn nén có mát liêu (lossy compression) nén ảnh Tín hiệu trường hợp liệu gốc, nhiễu lỗi xuất nén Tỷ số tín hiệu đỉnh nhiễu hai ảnh Được đo đơn vị decibels(dB) Chỉ số PSRN tính tốn sau [18]: 𝑀𝐴𝑋𝐼2 𝑀𝐴𝑋 )=20 log10 ( 𝑀𝑆𝐸𝐼 ) √𝑀𝑆𝐸 √ 𝑃𝑆𝑅𝑁 = 10 log10 ( o o (2.11) MSE - Sai số bình phươngtrung bình (Mean Squared Error) MAXI giá trị tối đa pixel ảnh MAXI giá trị tối đa pixel ảnh Khi pixcels biểu diễn bits, giá trị 255 Trường hợp tổng quát tín hiệu biểu diễn B bit đơn vị mẫu MAXI 2B – Trong B số bits sử dụng để biểu diễn ảnh 2.6.3 So sánh tương đồng cấu trúc (SSIM) Khác với số MSE PSRN, so sánh giá dựa việc so sánh sai khác pixcel Chỉ số SSIM số đánh giá dựa hệ thống thị giác người HVS (human visual system) SSIM (Structural Similarity Index): so sánh tương đồng hai hình ảnh dựa vào thơng tin cấp độ xám, độ tương phản cấu trúc SSIM có giá trị khoảng [-1,1] Khi giá trị SSIM = 1, tức ảnh so sánh hoàn toàn giống Mơ hình thực nghiệm đánh giá tác động phương pháp nội suy ảnh vệ tinh Quá trình đánh giá tác động phương pháp nội suy tiền xử lý ảnh đầu vào tốn phân loại lớp phủ thị bao gồm 02 phần: Phần 1: Áp dụng phương pháp nội suy láng giềng gần nhất, nội suy song tuyến tính, nội suy xoắn bậc ba cho ảnh viễn thám ánh sáng ban đêm DMSP/OLS năm 2013 ảnh bề mặt không thấm nước ISA 2010 So sánh đánh giá tác động phương pháp nội suy với ảnh thông qua số MSE, PSRN, SSIM 13 Phần 2: Sử dụng phương pháp nội suy q trình tiền xử lý liệu tốn phân loại lớp phủ thị Việt Nam Tính tốn lại ngưỡng phân lớp phù hợp với phương pháp nội suy ảnh So sánh, đánh giá đề xuất phương pháp nội suy ảnh vệ tinh phù hợp tốn 3.1 Lựa chọn cơng cụ thực nghiệm ArcGIS Desktop (Phần mềm Arcgis 10.2 - sản phẩm hỗ trợ hệ thống thông tin địa lý (GIS) ESRI), thiết kế để làm việc với đồ nhiều loại thông tin địa lý khác Python 2.7: Python phát triển Guido Van Rossum vào cuối năm 80 đầu năm 90 Viện toán-tin Hà Lan Python kế thừa từ nhiều ngôn ngữ ABC, Module3, C, C++, Unix Shell, … có thư viện giúp hỗ trợ xử lý ảnh, so sánh ảnh Phần mềm ENVI 4.8 Với công cụ giúp xử lý liệu ảnh viễm thám Cho phép xử lý với số lượng, dung lượng ảnh lớn định dạng ảnh khác ENVI có công cụ xử lý ảnh đa dạng dựa công cụ xử lý hình học, cơng cụ phân tích phổ, cơng cụ phân tích liệu,… Có thể kết nối trực tiếp với phần mềm ArcGIS cho phép dễ dàng tích hợp kết phân tích ảnh vào sở liệu,… 3.2 Thực nghiệm đánh giá tác động phương pháp nội suy với ảnh vệ tinh ánh sáng ban đêm DMSP–OLS 2013 ảnh vệ tinh bề mặt không thấm nước ISA 2010 Ảnh vệ tinh ánh sáng ban đêm DMSP-OLS NOAA tổng hợp từ năm 1992 đến năm 2013 (khi vệ tinh DMSP dừng hoạt động) Ảnh vệ tinh bề mặt không thấm nước EstISA NOAA tổng hợp năm 2010, ảnh vệ tinh bề mặt khơng thấm nước tồn cầu Do đó, luận văn tiến hành thực nghiệm với 02 ảnh: ảnh vệ tinh ánh sáng ban đêm DMSP-OLS năm 2013 ảnh vệ tinh bề mặt không thấm nước EstISA 2010 nhằm đánh giá tác động trình nội suy ảnh hai loại liệu Hai ảnh gốc có độ phân giải ban đầu 1km Quá trình thực nghiệm tiến hành trích xuất khu vực nghiên cứu Việt Nam tiến hành áp dụng phương pháp nội suy láng giềng gần nhất, nội suy song tuyến tính, nội suy xoắn bậc ba làm tăng độ phân giải ảnh từ 1km 500m Tiếp tục làm giảm độ phân giải ảnh từ 500m 1km phương pháp lấy giá trị trung bình điểm ảnh (Mean) so sánh ảnh kết với ảnh gốc ban đầu theo số đánh giá: MSE, PSRN, SSIM Chu trình đánh giá mơ tả hình 3.1 14 Hình 0.5: Chu trình thực nghiệm phương pháp nội suy ảnh với ảnh DMSP ảnh ISA 3.2.1 Thực nghiệm đánh giá kết Ảnh ánh sáng ban đêm DMSP – OLS (F18 satellite) năm 2013 tải miễn phí tại:https://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html Ảnh bề mặt khơng thấm nước ISA năm 2010 tải miễn phí tại: https://ngdc.noaa.gov/eog/dmsp/download_global_isa.html Hai ảnh trích xuất khu vực nghiên cứu Việt Nam đưa hệ tọa độ WGS84 Tiến hành thực nghiệm tăng độ phân giải ảnh phương pháp nội suy láng giềng gần nhất, nội suy song tuyến tính, nội suy xoắn bậc ba Giảm độ phân giải ảnh sau nội suy phương pháp Mean (tính giá trị trung bình) Sử dụng chương trình lập trình từ Python Kết Sau trình, với ảnh vệ tinh DMSP ISA độ phân giải 1km, ta thu 03 ảnh kết tương ứng với trình nội suy làm tăng độ phân giải ảnh ba phương pháp (nội suy láng giềng gần nhất, nội suy song tuyến tính nội suy xoắn bậc ba) làm giảm độ phân giải phương pháp lấy giá trị trung bình Mean Ba ảnh kết so sánh với ảnh gốc ban đầu, nhằm so sánh tác động trình nội suy chất lượng ảnh Kết cho thấy liệu ảnh vệ tinh DMSP ISA, trình tăng độ phân giải ảnh phương pháp nội suy láng giềng gần giảm độ phân giải ảnh phương pháp tính giá trị trung bình khơng làm thay đổi chất lượng ảnh Ảnh kết thu giống với ảnh gốc (chỉ số so sánh MSE=none, SSIM=1) Với ảnh vệ tinh ISA, phương pháp nội suy xoắn bậc ba có tác động tốt với ảnh kết (các số so sánh MSE= 0.00037, PSNR=34.2565, SSIM=0.9963) so với phương pháp nội suy song tuyến tính (các số so sánh MSE= 0.00093, PSNR=30.2691, SSIM=0.9907) Kết biểu diễn biểu đồ 3.1 biểu đồ 3.2 Tương tự, với ảnh vệ tinh DMSP phương pháp nội suy xoắn bậc ba có tác động tốt với ảnh kết (các số so sánh MSE= 0.0085, PSNR=20.704, SSIM=0.9634) so với phương pháp nội suy song tuyến tính (các số so sánh MSE=0.0089, PSNR=20.5043, SSIM=0.9615) Kết biểu diễn biểu đồ 3.3 biểu đồ 3.4 EstISA 1.002 0.998 0.996 0.994 0.992 0.99 0.988 0.986 0.996338 SSIM 0.990748 Nearest -Mean Bilinear- Mean Bicubic-Mean Biểu đồ 0.1 So sánh tác động phương pháp nội suy với ảnh EstISA theo số SSIM 15 0.001 0.0009 0.0008 0.0007 0.0006 0.0005 0.0004 0.0003 0.0002 0.0001 0.00094 40 35 34.25653 30 30.26912 25 0.000375 20 MSE 15 PSNR 10 0 Nearest -Mean Bilinear -Mean Bicubic Mean Biểu đồ 0.2: So sánh tác động phương pháp nội suy với ảnh EstISA theo số MSE – PSNR DMSP-OLS 1.01 1 0.99 0.98 0.97 0.961562 0.963373 Bilinear-Mean Bicubic-Mean SSIM 0.96 0.95 0.94 Nearest-Mean Biểu đồ 0.3: So sánh tác động phương pháp nội suy với ảnh DMSP-OLS theo số SSIM 0.01 0.008904 0.009 0.008 25 0.008504 20 20.50434 20.70392 0.007 0.006 15 0.005 MSE 0.004 10 PSNR 0.003 0.002 0.001 0 Nearest Mean Bilinear Mean Bicubic Mean Biểu đồ 0.4: So sánh tác động phương pháp nội suy với ảnh DMSP-OLS theo số MSE, PSNR 16 3.3 Đánh giá ảnh hưởng kỹ thuật nội suy tiền xử lý liệu ảnh viễn thám đến việc xây dựng đồ lớp phủ đô thị Việt Nam Để đánh giá hiệu trình nội suy kết tốn phân loại lớp phủ thị Việt Nam theo phương pháp GLCMNO mở rộng, liệu đầu vào mô tả bảng 3.3 Bảng 0.1: Dữ liệu đầu vào toán phân loại lớp phủ đô thị theo phương pháp GLCMNO mở rộng Dữ liệu Tên viết tắt Độ phân giải Thời gian không gian Bản đồ mật độ dân số Download: http://www.worldpop.org.uk Worldpop 100m 2015 Dữ liệu vệ tinh ánh sáng ban đêm Download: https://ngdc.noaa.gov/eog/dmsp/downloadV4composit es.html DMSP-OLS 1km 2013 Dữ liệu vệ tinh bề mặt không thấm nước Download: https://ngdc.noaa.gov/eog/dmsp/download_global_isa html EstISA 1km 2010 Dữ liệu vệ tinh số thực vật NDVI Download:http://earthexplorer.usgs.gov/ MOD13Q1 250m 2015 Ảnh vệ tinh bề mặt chứa nước Download: https://lpdaac.usgs.gov/data_access/ MOD44W 250m n/a Các ảnh vệ tinh cần qua trình tiền xử lý liệu, đưa độ phân giải 500m: Ảnh vệ tinh ánh sáng ban đêm DMSP/OLS năm 2013 liệu vệ tinh bề mặt không thấm nước ISA năm 2010 (độ phân giải 1km) làm tăng độ phân giải phương pháp nội suy láng giềng gần nhất, nội suy song tuyến tính, nội suy xoắn bậc ba Dữ liệu đồ mật độ dân số (độ phân giải 100m) giảm chất lượng ảnh phương pháp tính tổng SUM Dữ liệu vệ tinh số thực vật (độ phân giải 250m) giảm chất lượng ảnh phương pháp tính trung bình MEAN Dữ liệu ảnh bề mặt chứa nước (độ phân giải 250m) giảm chất lượng ảnh phương pháp tính phần đơng Majority Quy trình phân loại lớp phủ thị mơ tả hình 3.4 Bản đồ sở xây dựng từ liểu đồ dân số Bản đồ lớp phủ thị tính tốn cách loại bỏ khu vực có số ánh sáng ban đêm, số bề mặt không thấm nước thấp ngưỡng phân lớp Loại bỏ khu vực có số thực vật cao ngưỡng khu vực chứa bề mặt nước 17 Hình 0.6 Chu trình tốn phân loại lớp phủ thị Việt Nam theo phương pháp GLCMNO mở rộng Sử dụng phương pháp nội suy ảnh tiền xử lý liệu ảnh vệ tinh DMSP ISA 3.3.1 Tính tốn ngưỡng phân lớp thực nghiệm Ngưỡng phân lớp giá trị mà người ta dựa vào để phân tách liệu thành lớp khác Trong tốn phân loại lớp phủ thị theo phương pháp GLCMNO mở rộng, ngưỡng phân lớp giá trị điểm ảnh giúp phân tách liệu thành lớp: đô thị khơng thị Để tìm ngưỡng phân lớp, 02 tập liệu xây dựng bao gồm tập liệu học tập liệu kiểm tra Trên lưới có độ phân giải 500 mét, để khơng bỏ sót điểm thị, q trình thực nghiệm tiến hành khoanh vùng 100 đa giác ngẫu nhiên khu vực chứa đô thị Việt Nam, chọn điểm thuộc lớp đô thị Các điểm thuộc lớp khác (khu vực đất trống, rừng, nước, đất canh tác ) chọn cách ngẫu nhiên toàn lãnh thổ Việt Nam Các điểm kiểm tra lại cách đối chiếu với liệu ảnh có độ phân giải cao từ Google Earth Landsat ETM+ Tập liệu học xây dựng bao gồm 425 điểm thuộc lớp đô thị 839 điểm thuộc lớp khác (rừng, đất trống, khu vực chứa nước,…) Tập liệu kiểm tra bao gồm 193 điểm thuộc lớp đô thị 200 điểm thuộc lớp khác Từ tập liệu học, ta tính ngưỡng cho liệu ảnh ánh sáng ban đêm DMSP-OLS ảnh bề mặt không thấm nước EstISA phương pháp nội suy Đối với liệu ảnh ánh sáng ban đêm DMSP-OLS 2013: liệu vệ tinh lượng tử hóa bit Hay nói cách khác, điểm ảnh biểu diễn 26= 64 (từ 0, ,63) giá trị Để tính tốn ngưỡng phân lớp cho phương pháp nội suy ảnh, 03 ảnh đầu DMSP–OLS có độ phân giải 500m (là kết trình tiền xử lý liệu nội suy ảnh theo phương pháp nội suy láng giềng gần nhất, nội suy song tuyến tính, nội suy xoắn bậc ba) với tập liệu học đưa vào Thuật toán chạy giá trị điểm ảnh từ đến 63, giá trị điểm ảnh giúp 18 phân tập liệu học thành 02 lớp đô thị đô thị cách tốt giá trị ngưỡng phân lớp Kết cho thấy liệu ảnh vệ tinh DMSP-OLS, ngưỡng phân lớp 22 phương pháp nội suy ảnh Chỉ khác tổng số điểm phân lớp xác (đối với phương pháp nội suy láng giềng gần 1239/ 1264 điểm học, phương pháp nội song tuyến tính 1240/1264 điểm học, phương pháp nội suy xoắn bậc ba 1239/ 1264 điểm học) Đối với liệu ảnh vệ tinh bề mặt không thấm nước EstISA 2010: liệu phần trăm bề mặt không thấm nước tổng diện tích (0% đến 100%) Do giá trị điểm ảnh biểu diễn – 100 giá trị Tương tự, kết cho thấy liệu ảnh EstISA, ngưỡng phân lớp phương pháp nội suy ảnh Chỉ khác tổng số điểm phân lớp xác (đối với phương pháp nội suy láng giềng gần 1233/ 1264 điểm học, phương pháp nội song tuyến tính 1234/1264 điểm học, phương pháp nội suy xoắn bậc ba 1239/ 1234 điểm học) Ngưỡng phân lớp liệu đồ mật độ dân số 500; với liệu số thực vật NDVI 0.62; với bề mặt chứa nước 3.3.2 Kết Quá trình phân lớp phủ đô thị Việt Nam loại bỏ khu vực có mật độ dân số nhỏ 500, khu vực có số ánh sáng ban đêm nhỏ 22, khu vực có số bề mặt khơng thấm nước nhỏ ba Khu vực có số thực vật lớn 0.62 chứa bề mặt nước loại bỏ khỏi khu vực đô thị Sau trình phân lớp, ta thu 09 đồ phân loại lớp phủ đô thị (ứng với tổ hợp phương pháp nội suy ảnh tiền xử lý liệu ảnh vệ tinh DMSP-OLS ảnh vệ tinh ISA) Các đồ so sánh đối chiếu với tập liệu kiểm tra (bao gồm 193 điểm thuộc lớp đô thị 200 điểm thuộc lớp khác) Để đánh giá tác động trình nội suy ảnh vệ tinh tốn phân loại lớp phủ thị theo phương pháp GLCMNO mở rộng, ta đánh giá độ xác thuật toán qua số đánh giá: F1 Score – số thường sử dụng để đánh giá mơ hình phân lớp nhị phân F1 độ đo hài hòa độ xác độ hồi tưởng Nó có giá trị khoảng [0,1] Khi F1=1 tức mơ hình phân lớp tốt Cơng thức F1 = × 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ×𝑅𝑒𝑐𝑎𝑙𝑙 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 +𝑅𝑒𝑐𝑎𝑙𝑙 (3.1) Trong đó: Độ xác (Precision): số phân lớp đồ kết đối chiếu với tập liệu kiểm tra Độ hồi tưởng (Recall): số phân lớp tập liệu kiểm tra đối chiếu với đồ kết Bảng 0.2: Kết đánh giá tác động phương pháp nội suy ảnh vệ tinh đơi với tiền xử lý liệu tốn phân loại lớp phủ đô thị Việt Nam Worldpop ISA DMSP-OLS MOD13Q1 MOD44W F1 Sum Nearest Nearest Mean Majority 0.9788 Sum Nearest Bilinear Mean Majority 0.9842 Sum Nearest Bicubic Mean Majority 0.9842 Sum Bilinear Nearest Mean Majority 0.9788 Sum Bilinear Bilinear Mean Majority 0.9842 19 Sum Bilinear Bicubic Mean Majority 0.9842 Sum Bicubic Nearest Mean Majority 0.9788 Sum Bicubic Bilinear Mean Majority 0.9842 Sum Bicubic Bicubic Mean Majority 0.9842 Hình 0.7 Bản đồ lớp phủ thị Việt Nam, sử dụng phương pháp nội suy Bilinear tiền xử lý liệu ảnh vệ tinh DMSP-OLS 2013 EstISA 2010 Kết cho thấy, phương pháp phương pháp n ội suy ảnh vệ tinh bề mặt không thấm nước ISA có tác động đến kết phân lớp Nội suy ảnh ánh sáng ban đêm DMPS-OLS phương pháp nội suy láng giềng gần cho kế độ xác thấp với số F1 0,9788 Nội suy ảnh ánh sáng ban đêm DMPS -OLS phương pháp nội suy song tuyến tính xoắn bậc ba cho kết tốt với sô F1 0,9842 Kết tác động phương pháp nội suy ảnh đầu vào Phương pháp nội suy song tuyến tính xoắn bậc ba cho ảnh hiển thị tốt (ảnh mịn, rõ ràng) cho kết phân lớp tốt Từ cho thấy, để có kết phân lớp tốt, ta nên sử dụng phương pháp nội suy Bilinear phương pháp nội suy Bicubic tiền xử lý liệu ảnh vệ tinh tốn phân loại lớp phủ thị 20 KẾT LUẬN Hiện nay, nguồn ảnh vệ tinh có độ phân giải cao thường khơng sẵn có có giá thành cao Do đó, việc áp dụng kỹ thuật nội suy ảnh vệ tinh tăng độ phân giải, nâng cao chất lượng hình ảnh cức liệu vệ tinh có độ phân giải thấp (được cung cấp miễn phí có giá thành thấp) làm đầu vào toán, nghiên cứu mang nhiều ý nghĩa mặt kinh tế Ngoài ra, để giải vấn đề thực tế, xây dựng đồ chuyên đề xác, thường cần đầu vào ảnh vệ tinh đa nguồn, đa độ phân giải Việc sử dụng kỹ thuật nội suy ảnh vệ tinh đưa ảnh độ phân giải điều cần thiết Trước nhu cầu đó, luận văn tiến hành tìm hiểu, nghiên cứu phương pháp nội suy phổ biến như: Nội suy láng giềng gần nhất, nội suy song tuyến tính, nội suy xoắn bậc ba Đánh giá tác động phương pháp nội suy ảnh vệ tinh tốn phân loại lớp phủ thị Việt Nam theo phương pháp GLCMNO mở rộng – toán mang lại nhiều ý nghĩa khoa học thực tiễn Hạn chế Do hạn chế kiến thức cá nhân, nên luận văn nhiều hạn chế như: số lượng phương pháp nội suy ảnh vệ tinh tìm hiểu Việc tìm hiểu, tham khảo, biên dịch tài liệu tham khảo chưa sát nghĩa Q trình đánh giá hiệu phương pháp nội suy dừng lại bước thực nghiệm Luận văn chưa đánh giá tác động loại liệu đầu vào tốn phân loại lớp phủ thị (dữ liệu có tính chất định cao hay liệu bổ sung hỗ trợ nào) Chưa so sánh đồ kết với đồ lớp phủ đô thị khác Hướng phát triển Để phát triển chuyên sâu, em tìm hiểu thêm nhiều phương pháp nội suy ảnh vệ tinh hơn: phương pháp nội suy chiều, phương pháp nội suy không gian cho liệu địa lý (bao gồm liệu tọa độ liệu thuộc tính) Đánh giá hiệu trình nội suy với nhiều liệu khác nhau, lý giải dựa sở khoa học cho kết 21 TÀI LIỆU THAM KHẢO Tiếng Việt Trường ĐH Hàng Hải Việt Nam (2011), Bài giảng xử lý ảnh, Tr 13 – 16 Nguyễn Văn Hạt (2012), Luận văn thạc sĩ “Nghiên cứu số kỹ thuật nội suy ảnh”, Học Viện Bưu Chính Viễn Thông Phan Thị San Hà, Lê Minh Sơn (2007), Ứng dụng phương pháp nội suy Kriging khảo sát phân bố tầng đất yếu tuổi Holocene khu vực nội thành Thành phố Hồ Chí Minh, Tạp chí phát triển Khoa học Công Nghệ Lương Bá Mạnh, Nguyễn Thanh Thủy (2003), Nhập môn xử lý ảnh số, Nhà xuất Khoa học Kỹ thuật Hà Nội, Tr – 11 GS TS Võ Chí Mỹ (2009), Trắc địa đại cương, Nhà Xuất Bản Giao Thông Vận Tải, Tr 6 Nguyễn Thị Nguyệt (2009), Luận văn thạc sĩ “Nội suy ảnh số ứng dụng”, ĐH Thái Nguyên PGS TS Nguyễn Khắc Thời, Giáo trình Viễn Thám, Trường ĐH Nơng Nghiệp, Tr – 14 TS Đỗ Năng Toàn, TS Phạm Việt Bình (2007), Giáo trình mơn học xử lý ảnh, ĐH Thái Nguyên, Tr -8 Tiếng Anh A Canada Centre for Remote Sensing Remote Sensing Tutorial, Fundamentals of Remote Sensing , Tr – 19 10 Alimujiang Kasimu, Ryutaro Tateishi (2010), Quantifying urban land cover and impact on land cover in China using GLCNMO urban and DCW, Second lIT A International Conference on Geoscience and Remote Sensing 11 Alimujiang Kasimu, Ryutaro Tateishi (2008), GLCNMO Global Urban Mapping, Validation and Comparison with Existing Global Urban MapsGLCNMO Global Urban Mapping, Validation and Comparison with Existing Global Urban Maps, Journal of The Remote Sensing Society of Japan, Vol 28, No 12 Christopher D Elvidge, Kimberly Baugh, Mikhail Zhizhin, Feng Chi Hsu (2013), Why VIIRS data are superior to DMSP for mapping nighttime lights, Proceedings of the Asia-Pacific Advanced Network 2013v 35, p 62-69 13 Christopher D Elvidge , Benjamin T Tuttle , Paul C Sutton , Kimberly E Baugh, Ara T Howard, Cristina Milesi, Budhendra L Bhaduri and Ramakrishna Nemani (2007), Global Distribution and Density of Constructed Impervious Surfaces, Sensors 2007 14 Dengsheng Lu, Qihao Weng (2006), Use of impervious surface in urban land-use classification, Remote Sensing of Environment 102 15 Dianyuan Han (2013), Comparison of Commonly Used Image Interpolation Methods, Proceedings of the 2nd International Conference on Computer Science and Electronics Engineering (ICCSEE) 16 Firas Ajil Jassim , Fawzi Hasan Altaany (2013), Image Interpolation Using Kriging Technique for Spatial Data,Canadian Journal on Image Processing and Computer Vision Vol No 17 Jency Titus, Sebastian Geroge (2013), A Comparison Study On Different Interpolation Methods Based On Satellite, International Journal of Engineering Research & Technology (IJERT), Vol Issue 6., 18 M Kudˇelka Jr (2012), Image Quality Assessment, WDS'12 Proceedings of Contributed Papers, Part I, 94–99, 2012 19 Nisha, Sunil Kumar (2013), Image Quality Assessment Techniques, International Journal of Advanced Research in Computer Science and Software Engineering, Volume 3, Issue 22 20 Pham Tuan Dung, Man Duc Chuc, Nguyen Thi Nhat Thanh, Bui Quang Hung, Doan Minh Chung (2016), Optimizing GLCNMO version method to detect Vietnam’s urban expansion, The Eighth International Conference on Knowledge and Systems Engineering (KSE) 21 Qihao Weng (2012), Remote sensing of impervious surfaces in the urban areas: Requirements, methods, and trends, Remote Sensing of Environment 22 Ranjeet Roy, Maninder Pal, Tarun Gulati (2013), Zooming Digital Images using Interpolation Techniques, International Journal of Application or Innovation in Engineering & Management (IJAIEM),Volume 2, Issue 23 Robert A Schowengerdt, Remote Sensing: Models and Methods for Image Processing, Third Edition, Tr 2, 77 - 82, 300 24 S Santhosh Baboo , M.Renuka Devi (2010), An Analysis of Different Resampling Methods in Coimbatore, District, Global Journal of Computer Science and Technology, Vol 10 Issue 15 (Ver 1.0) 25 Shunji Murai, Remote Sensing Note, Japan Association on Remote Sensing, Chaper 26 Thi Dong-Binh Tran, Anne Puissant, Dominique Badariotti and Christiane Weber (2011), Optimizing spatial resolution of imagery for urban form detection-the cases of France and Vietnam, Remote Sensing 27 Tran Thi An and Vu Anh Tuan (2008), Application of Remote Sensing in Land Use Change Pattern in Da Nang City ,Vietnam, Remote Sensing 28 Tran Thi Van (2005), Relationship Between Surface Temperature and Land Cover Types Using Thermal Infrared Remote Sensing, in Case of HoChiMinh City, The Sixteenth Workshop of OMISAR 29 Vaishali Patel, Prof Kinjal Mistree (2013), A Review on Different Image Interpolation Techniques for Image Enhancement, International Journal of Emerging Technology and Advanced Engineering,Volume 3, Issue 12 30 Xi Shao, Changyong Cao, Bin Zhang, Shi Qiu, Christopher Elvidge and Michael Von Hendy (2014), Radiometric calibration of DMSP-OLS Sensor using VIIRS Day/Night Band, Proceedings of SPIE - The International Society for Optical Engineering 31 Yanhua Xie and Qihao Weng (2014), A Comparative Study of NPP-VIIRS and DMSP-OLS Nighttime Light Imagery for Derivation of Urban Demographic Metrics, Third International Workshop on Earth Observation and Remote Sensing Applications 32 Yang Ning, Yunfeng Zhang, Yifang Liu, Jun He, Caiming Zhang (2015), Remote Sensing Image Enhancement Algorithm for Water Pollution Monitoring Based on Rational Interpolation, 2nd International Conference on Electrical, Computer Engineering and Electronics (ICECEE) 33 Yusra A Y Al-Najjar, Dr Der Chen Soong (2012), Comparison of Image Quality Assessment: PSNR, HVS, SSIM, UIQI, International Journal of Scientific & Engineering Research, Volume 3, Issue 34 Zhou Wang and Alan C Bovik (2009), Mean Squared Error: Love It or Leave It? IEEE Signal Processing Magazine 35 Xi Yang, Qingxu Huang, Bin Gao, Yang Yang, Yuanyuan Zhao (2014), Application of DMSP/OLS Nighttime Light Images: A Meta-Analysis and a Systematic Literature Review, Remote Sensing (ISSN 2072-4292) 23 36 S Amaral, A M V Monteiro, G Camara, J.A.Quintanilha (2006), DMSP/OLS night-time light imagery for urban population estimates in the Brazilian Amazon, International Journal of Remote Sensing Vol 27, No 5, 10 March 2006 37 X Zhang, T Zhong , K Wang (2009), Scaling of impervious surface area and vegetation as indicators to urban land surface temperature using satellite data, International Journal of Remote Sensing, Vol 30, No 4, 20 February 2009 ... hợp cho toán phân loại lớp phủ đô thị? Luận văn thực với mục đích nghiên cứu đánh giá phương pháp nội suy ảnh vệ tinh, nhằm đưa phương pháp phù hợp với toán phân loại lớp phủ đô thị Cụ thể, luận. .. dụng phương pháp nội suy trình tiền xử lý liệu toán phân loại lớp phủ thị Việt Nam Tính tốn lại ngưỡng phân lớp phù hợp với phương pháp nội suy ảnh So sánh, đánh giá đề xuất phương pháp nội suy ảnh. .. suy ảnh tiền xử lý liệu, tăng độ phân giải ảnh lên 500m Xuất phát từ thực tế trên, luận văn lựa chọn đề tài Nghiên cứu đánh giá phương pháp nội suy ảnh viễn thám cho toán phân loại lớp phủ đô thị