Một kỹ thuật phân lớp ảnh viễn thám sử dụng tiếp cận lai

Bài viết này đề xuất một tiếp cận lai với sự kết hợp cả hai hướng tiếp cận để đưa ra một thuật toán phân loại ảnh viễn thám hiệu quả hơn. Thuật toán được thử nghiệm trên tập dữ liệu là các ảnh viễn thám thuộc tỉnh Hòa Bình.

MỘT KỸ THUẬT PHÂN LỚP ẢNH VIỄN THÁM SỬ DỤNG TIẾP CẬN LAI MỘT KỸ THUẬT PHÂN LỚP ẢNH VIỄN THÁM SỬ DỤNG TIẾP CẬN LAI Nguyễn Tu Trung1, Ngô Hoàng Huy1, Đặng Văn Đức1, Vũ Văn Thỏa2, Lại Anh Khôi3 Viện Công nghệ thông tin, Viện Khoa học Công nghệ Việt Nam Học viện Công nghệ Bưu Viễn thơng Viện Cơng nghệ Vũ trụ, Viện Khoa học Cơng nghệ Việt Nam Tóm tắt: Phân loại ảnh viễn thám vấn đề nhà nghiên cứu viễn thám quan tâm Có hướng tiếp cận chủ yếu dựa điểm ảnh hướng đối tượng cho vấn đề Ảnh viễn thám có nhiều kênh độ phân giải cao Hướng tiếp cận dựa điểm ảnh thường cho độ xác cao gặp vấn đề phân loại ảnh có kích thước lớn ảnh viễn thám Trong đó, tiếp cận dựa đối tượng khắc phục vấn đề kích thước ảnh thường có độ xác thấp so với hướng tiếp cận điểm ảnh Bài báo đề xuất tiếp cận lai với kết hợp hai hướng tiếp cận để đưa thuật toán phân loại ảnh viễn thám hiệu Thuật toán thử nghiệm tập liệu ảnh viễn thám thuộc tỉnh Hồ Bình Từ khóa: Viễn thám, phân loại ảnh, tiếp cận hướng điểm ảnh, tiếp cận hướng đối tượng, tiếp cận lai.1 I MỞ ĐẦU Độ phân giải ảnh đa phổ ngày tăng Gần đây, ảnh viễn thám có độ phân giải nhiều mét Hiện tại, mà vệ tinh đạt 60 centimet độ phân giải mức độ chi tiết tăng lên 10 lần Với ảnh vậy, cho điểm ảnh phần đối tượng đơn giản Do đó, tính hỗn tạp ảnh tăng lên rõ rệt Các ảnh vệ tinh sử dụng chủ yếu hệ thông tin địa lý (GIS) Việc phân loại chúng Tác giả liên hệ: Nguyễn Tu Trung Email: trungnt.sremis@gmail.com Đến tòa soạn: 23/7/2016, chỉnh sửa: 30/8/2016, chấp nhận đăng: 03/9/2016 Tạp chí KHOA HỌC CƠNG NGHỆ 50 THƠNG TIN VÀ TRUYỀN THƠNG có ích cho khoa nghiên cứu đồ Với ảnh đa phổ có độ phân giải thấp, cường độ điểm ảnh đủ để phân loại riêng rẽ điểm chúng Ngược lại, việc phân loại ảnh có độ phân giải cao khó nhiều Việc tăng độ phức tạp cảnh tạo mức độ chi tiết khác Ví dụ cánh đồng hay bóng râm đối tượng nhìn thấy thơng tin ngữ cảnh điểm ảnh trở nên cần thiết cho phân loại tốt Các phần mềm phân loại GIS phần mềm dùng lĩnh vực y học tồn nói chung sử dụng phương pháp giống cho ảnh có độ phân giải thấp cao Nếu kết vừa ý đạt với ảnh độ phân giải thấp, hiệu phần mềm với ảnh độ phân giải cao cần phải xem xét nghiên cứu thêm Chính vậy, để đảm bảo xác tốt, việc phân loại tay ưu tiên phương pháp tự động Trong phân loại ảnh viễn thám, có hướng tiếp cận chủ yếu dựa điểm ảnh hướng đối tượng cho vấn đề Hướng tiếp cận dựa điểm ảnh [9] thường cho độ xác cao gặp vấn đề phân loại ảnh có kích thước lớn ảnh viễn thám Hướng tiếp cận dựa đối tượng bao gồm hai giai đoạn [2] Một là, xác định đối tượng vùng (cụm) sử dụng thuật tốn phân loại khơng giám sát (phân vùng, phân cụm) Phân cụm quy trình dùng để trích chọn nét đối tượng việc định nghĩa vùng tương ứng Có nhiều phương pháp phân vùng khác như: Các phương pháp hình thái, Các phương pháp họ K-means, Mơ hình pha trộn Gaussian có giới hạn (FGMM), Tách hợp, Các mơ hình Markov, Hiện nay, số thuật toán bao Số (CS.01) 2016 Nguyễn Tu Trung, Ngơ Hồng Huy, Đặng Văn Đức, Vũ Văn Thỏa, Lại Anh Khơi gồm thơng tin ngữ cảnh quy trình để giảm bớt tính hỗn tạp phân đoạn [2] Trong [4], Chen cộng trình bày thuật toán phân cụm KMeans sử dụng thay tâm cụm Trong [5], Balaji cộng trình bày thuật toán phân cụm dựa việc chuyển đổi ảnh từ không gian màu RGB sang không gian L*a*b phân cụm không gian Hai là, phân loại đối tượng sử dụng thuật toán phân loại có giám sát Trong [6], tác giả sử dụng tiếp cận mạng Neural để phân lớp ảnh Landsat Một phương pháp phân loại sử dụng phổ biến ảnh viễn thám kể đến phương pháp phân loại hợp lý tối đa [1] Đây phương pháp phân loại dựa hướng tiếp cận điểm ảnh Trong [7], Nedeljkovic đề xuất thuật toán phân lớp ảnh dựa logic mờ thuật toán phân loại hợp lý tối đa Hướng tiếp cận dựa đối tượng khắc phục vấn đề kích thước ảnh thường có độ xác thấp so với hướng điểm ảnh Trong nghiên cứu này, đề xuất tiếp cận phân loại ảnh viễn thám mà thuật toán cài đặt từ tiếp cận cải tiến từ phương pháp phân loại hợp lý tối đa với kết hợp hai hướng tiếp cận II TIẾP CẬN HƯỚNG ĐIỂM ẢNH VÀ HƯỚNG ĐỐI TƯỢNG A Tiếp cận hướng điểm ảnh Tiếp cận kinh điển phân loại ảnh viễn thám dựa điểm ảnh [9] Tiếp cận thông tin phổ sử dụng việc phân loại [8] Tiếp cận bao gồm phương pháp phân loại có giám sát không giám sát truyền thống [8][9] Phương pháp phân loại hợp lý tối đa (maximum likehood) thuộc tiếp cận Hình minh hoạ quy trình phân loại ảnh hướng điểm ảnh B Tiếp cận hướng đối tượng Trong tiếp cận hướng đối tượng, đơn vị xử lý không điểm ảnh đơn giản mà đối tượng ảnh [8] Đầu tiên, ảnh phân đoạn thành nhóm điểm ảnh có nghĩa Thứ hai, tập luật phân đoạn dựa tri thức để mô tả lớp định nghĩa Luật bao gồm thông tin phổ, không gian, ngữ cảnh kết cấu [8] Và sau đó, phân loại chọn để gán đoạn lớp phù hợp theo luật [10] Hình minh hoạ quy trình phân loại dựa tiếp cận hướng đối tượng Ảnh gốc Phân vùng Danh sách vùng Trích chọn đặc trưng Dữ liệu đặc trưng đối tượng Phân loại đối tượng Hình Quy trình phân loại ảnh đa phổ hướng đối tượng III PHÂN LOẠI HỢP LÝ TỐI ĐA Trong [1], phương pháp phân loại hợp lý tối đa trình bày cách chi tiết A Phân loại Bayes Ký hiệu lớp phổ cho ảnh qua việc biểu diễn sau: wi , i= 1,…, M Trong đó, M tổng số lớp Trong việc cố gắng xác định lớp loại mà vector điểm ảnh x thuộc lớp xác xuất có điều kiện p (wi / x ) , i= 1,…, M Vector độ đo x cột giá trị độ sáng cho điểm ảnh Nó mơ tả điểm ảnh điểm không gian đa phổ với hệ tọa độ độ sáng Xác suất p (wi / x ) cho hợp lý mà lớp xác wi cho điểm ảnh vị trí x Phân loại thực theo ( x ∈ wi , nÕu p (wi / x ) > p w j / x Hình Quy trình phân loại ảnh đa phổ hướng điểm ảnh Kết ) ∀j ¹ i (1) Nghĩa là, điểm ảnh x thuộc lớp wi p (wi / x ) lớn Luật định trực giác trường hợp đặc biệt luật tổng quát định chịu ảnh hưởng theo mức độ khác ý nghĩa gắn đến phân loại khơng xác khác Số (CS.01) 2016 Tạp chí KHOA HỌC CÔNG NGHỆ 51 THÔNG TIN VÀ TRUYỀN THÔNG MỘT KỸ THUẬT PHÂN LỚP ẢNH VIỄN THÁM SỬ DỤNG TIẾP CẬN LAI B Luật định hợp lý tối đa ước lượng từ tri thức phân tích ảnh Kết phù hợp mặt toán học (4) định nghĩa: Mặc dù đơn giản, p (wi / x ) đến Tuy nhiên, giả sử liệu huấn luyện= gi ( x ) ln { p ( x / w = i ) p (wi )} ln p ( x / wi ) + ln p (wi ) đầy đủ sẵn sàng cho loại che phủ đất Điều (5) dùng để ước lượng phân bố xác suất cho loại che phủ mà mô tả hội sử dụng, ln logarit tự nhiên (4) tìm điểm ảnh từ lớp wi vị trí x Sau đó, trình bày lại sau: việc hình thức hóa hàm phân bố tạo (6) x ∈ wi , nÕu gi ( x ) > g j ( x ) ∀j ¹ i cụ thể Tuy nhiên, tại, hàm giữ lại dạng chung biểu diễn ký hiệu Nghĩa là, với thay đổi trên, luật định p (wi / x ) Sẽ có nhiều p ( x / wi ) có lớp sử dụng phân loại hợp lý tối đa; gi ( x ) che phủ đất Nói cách khác, với điểm ảnh vị tham chiếu đến hàm phân biệt (discriminant) trí x khơng gian đa phổ tập khả tính mà đưa hợp lý liên quan mà C Mơ hình lớp chuẩn đa biến điểm ảnh thuộc lớp sẵn có Ở giai đoạn này, giả sử phân bố xác suất lớp thuộc dạng mơ hình chuẩn đa biến Đây p (wi / x ) mong muốn phần p ( x / wi ) sẵn có – ước lượng từ liệu huấn luyện – giả định, thuộc tính chứng minh lớp phổ tự nhiên thông tin Tuy liên quan định lý Bayes (Freund, 1992): nhiên, dẫn đến đơn giản hóa mặt tốn học p (wi / x ) = p ( x / wi ) p (wi ) / p ( x) (2) sau Hơn phân bố cho thuộc tính dạng đa biến biết Trong đó, p(wi ) xác suất mà lớp xảy ảnh Nếu, chẳng hạn, 15% điểm ảnh ảnh thuộc lớp wi p (wi ) = 0.15 ; p(x) (2) xác suất để tìm điểm ảnh lớp vị trí x Nó quan tâm vì: p ( x) = M ∑ p ( x / wi ) p (wi ) (3) Trong (4) thế, giả sử cho N kênh − N /2 = Σi p(x /w i ) (2π ) ln p= ( x / wi ) – p( x) không quan trọng điều sau p(wi ) gọi xác suất ưu tiên, chúng xác suất với thành viên lớp điểm ảnh dự đốn trước phân loại Bằng việc so sánh p (wi / x ) khả sau Sử dụng (2) thấy luật phân loại phần là: ( ) ∀j ¹ i (4) Trong đó, p( x) xóa thừa số chung Luật (4) dễ chấp nhận so với luật (1) p ( x / wi ) biết từ liệu huấn luyện hiểu p(wi ) biết Tạp chí KHOA HỌC CƠNG NGHỆ 52 THÔNG TIN VÀ TRUYỀN THÔNG t  exp − ( x − mi )  −1  ∑ ( x − m ) i i (7) i =1 x ∈ wi , nÕu p ( x / wi ) p (wi ) > p x / w j p (w j ) −1/2 N 1 t − ln Σi − ( x − mi ) 2ln ( 2π ) 2 −1 ∑( x − m ) i i (7.1) Trong đó, mi Σi vector trung bình ma trận hiệp phương sai liệu lớp wi Ta có – N / 2ln(2π ) chung cho tất gi ( x ) không giúp cho phân biệt Do đó, thừa số bỏ qua dạng cuối hàm phân biệt cho phân loại hợp lý tối đa, dựa giả định thống kê chuẩn, (thay 7.1 vào 5): 1 t ( −1) g= ( x − mi ) i ( x ) lnp (wi ) − ln | ∑ i | − ( x − mi ) ∑ i 2 (8) Số (CS.01) 2016 Nguyễn Tu Trung, Ngô Hoàng Huy, Đặng Văn Đức, Vũ Văn Thỏa, Lại Anh Khơi Thơng thường, người phân tích khơng có thơng tin hữu ích p(wi ) , trường hợp tình khả ưu tiên cân giả định; hệ lnp(wi ) xóa bỏ từ (7) giống với i Trong trường hợp thừa số ½ loại bỏ, hàm phân biệt: gi ( x) =−ln | ∑i | −( x − mi )t ∑i−1 ( x − mi ) (9) Việc cài đặt luật định hợp lý tối đa liên quan đến việc sử dụng (8) (9) (6) Tuy nhiên có suy xét xa liên quan đến liệu nhãn hay lớp sẵn sàng hợp lý IV ĐỀ XUẤT PHƯƠNG PHÁP PHÂN LOẠI DỰA TRÊN TIẾP CẬN LAI Trong nghiên cứu này, 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 Hình mơ tả quy trình phân loại theo tiếp cận lai hỗn tạp, cụ thể với ảnh đa phổ có độ phân giải cao Hiện số thuật tốn bao gồm thơng tin ngữ cảnh quy trình để giảm bớt tính hỗn tạp phân đoạn Trong số thơng tin ngữ cảnh phân đoạn trích chọn từ ảnh sử dụng Bảng I Thuật toán KMeansCMN Đầu vào: n đối tượng số cụm k Đầu ra: Các cụm Ci (i =1 k) cho hàm mục tiêu E sau đạt cực tiểu: E == ∑ (ki 1) ∑ ( x∈Ci ) d ( x, mi ) Bước 1: Khởi tạo Chọn k đối tượng Cj (j = k) tâm ban đầu k cụm liệu đầu vào (lựa chọn ngẫu nhiên theo kinh nghiệm) Bước 2: Gán tâm cụm theo khoảng cách Với đối tượng xi (1 ≤ i ≤ n), tính khoảng cách tới tâm Cj với j = k Đối tượng thuộc cụm CS mà khoảng cách từ tâm CS tương ứng đến đối tượng nhỏ = d ( x, CS ) d ( x, C j ),1 ≤ j ≤ k (10) Bước 3: Cập nhật tâm cụm Đối với j = k, cập nhật lại tâm cụm Cj cách xác định trung bình cộng vector đối tượng liệu gán cụm Nếu số lượng điểm ảnh cụm nhỏ số lớn Max tâm tính theo cơng thức sau: Hình Quy trình phân loại ảnh đa phổ theo tiếp cận lai A Phân vùng ảnh (Unsupervised Segmentation) Phân đoạn quy trình dùng để trích chọn nét đối tượng việc định nghĩa vùng tương ứng Nhiệm vụ chức phân vùng ảnh từ ảnh đa phổ ban đầu, tiến hành xử lý phân chia thành vùng, cụm khác Hiện nay, có nhiều phương pháp phân vùng khác như: Các phương pháp hình thái, Các phương pháp họ K-means, Mơ hình pha trộn Gaussian có giới hạn (FGMM), Tách hợp, Các mơ hình Markov, Hầu hết phương pháp sử dụng cường độ điểm ảnh để định nghĩa vùng, đưa phân đoạn Cj = ∑ x∈cluster ( j ) x (11) count (cluster ( j )) Nếu số lượng điểm ảnh cụm lớn số lớn Max tâm tính theo cơng thức sau: C j = CMN(Clusterj ) (11a) Bước 4: Lặp kiểm tra điều kiện dừng Lặp lại bước tâm cụm không thay đổi hai lần lặp liên tiếp Một vấn đề chung với hệ thống xử lý tiếng nói đặc trưng kênh biến đổi từ phiên sang phiên Một phương pháp sử dụng để cự tiểu hóa ảnh hưởng khác biệt hiệu nhận dạng phép chuẩn Số (CS.01) 2016 Tạp chí KHOA HỌC CÔNG NGHỆ 53 THÔNG TIN VÀ TRUYỀN THÔNG MỘT KỸ THUẬT PHÂN LỚP ẢNH VIỄN THÁM SỬ DỤNG TIẾP CẬN LAI hóa trung bình phổ (Cepstral Mean Normalisation - CMN) [12] Phương pháp áp dụng rộng rãi hiệu xử lý tín hiệu số nhận dạng tiếng nói Tuy nhiên, áp dụng xử lý tín hiệu số thời gian thực, tham số tính đắn CMN chọn kiểm chứng thơng qua thực nghiệm tín hiệu thực cụ thể mà thiếu phép chứng minh hình thức chặt chẽ toán học Bài báo ứng dụng phép chuẩn hóa CMN phân cụm ảnh viễn thám Trong nghiên cứu này, chúng tơi thử nghiệm cài đặt thuật tốn KMeans [11] cải tiến thành KMeansCMN Thuật tốn KMeansCMN trình bày bảng I: Thủ tục tính tâm cụm CMN(Clusterj) vòng lặp thứ n sau: Bước 1: Khởi tạo tâm theo công thức C nj = β C nj −1 Bước 2: Với x ∈ Clusterj tính theo cơng thức C nj = αC n-1 j + βx Trong nghiên cứu này, chọn Max = 50000 a = 0.95 B Phân loại lai Hàm phân biệt gi ( x ) trình bày mục III.C phương pháp phân loại hợp lý tối đa áp dụng cho điểm ảnh Trong phần này, đề xuất cải tiến cho hàm phân biệt để áp dụng cho việc phân lớp cụm-đối tượng thu từ giai đoạn phân loại không giám sát mục IV.A Sau phân cụm ảnh gốc I ta tập O cụm-đối tượng sau: = O {oi : ≤ i ≤ K} fi ( o ) = (13) i x∈o fi ( o ) = max gi ( x ) Hoặc x∈o (13.1) Từ (6) đề xuất luật định lớp cho cụm sau: o ∈ wi , nÕu fi ( o ) > f j ( o ) ∀j ¹ i (14) V THỬ NGHIỆM Tập liệu phục vụ cho thử nghiệm gồm loại Một là, loại ảnh LANDSAT ETM+ chụp khu vực Hòa Bình, bao gồm ảnh ranh giới huyện khu vưc tỉnh Hòa Bình.Hai ảnh SPOT, loại ảnh có độ phân giải cao, gồm kênh: Lục, Đỏ, Cận hồng ngoại, Hồng ngoại, chụp khu vực Hòa Bình Sơn La với 21 ảnh chụp năm 2003 14 ảnh chụp năm 2008 Do khuôn khổ báo có hạn, nhóm tác giả trình việc thử nghiệm với hai mẫu ảnh đầu vào khác Để đánh giá chất lượng phân cụm, [13], tác giả sử dụng số F(I) [14], tuân theo tiêu chí đồng cụm [13] [15], để so sánh kết phân cụm thuật tốn F(I) nhỏ độ đồng cao Chỉ số tính sau: F (I ) = R 1000( N × M ) R ∑ i =1 ei Ai A Thử nghiệm thuật toán phân cụm 1) Thử nghiệm Hình ảnh kết phân cụm KMeans KMeansCMN trường hợp cụm với ảnh SPOT Các ảnh từ đến ảnh cụm Ảnh thứ ảnh thay điểm ảnh gốc tâm cụm (12) Trong ú, oiầoj = f; i j, i, j = 1, 2, , K; o1È o2 È È oK = I Chúng xây dựng hàm phân biệt cho cụm sau: Tạp chí KHOA HỌC CƠNG NGHỆ 54 THÔNG TIN VÀ TRUYỀN THÔNG ∑g ( x ) / count (o) Số (CS.01) 2016 Bảng II So sánh độ đồng cụm (*1.0E + 3) Số cụm KMeans KMeansCMN 2.24 2.04 10 1.58 1.81 Nguyễn Tu Trung, Ngơ Hồng Huy, Đặng Văn Đức, Vũ Văn Thỏa, Lại Anh Khôi Bảng II so sánh độ đồng tâm cụm KMeans KMeansCMN Bảng III thống kê số thời gian thực thi KMeans KMeansCMN với cụm 10 cụm Chúng ta thấy độ đồng KMeansCMN tốt so với KMeans Ngoài ra, thời gian phân cụm KMeansCMN nhỏ KMeans 2) Thử nghiệm Hình ảnh kết phân cụm KMeans KMeansCMN trường hợp cụm với ảnh LANSAT Các ảnh từ đến ảnh cụm Ảnh thứ ảnh thay điểm ảnh gốc tâm cụm Bảng III Thời gian phân cụm (MS) Số cụm KMeans KMeansCMN 2,616,938 2,413,791 10 11,275,333 8,618,345 Hình Kết phân cụm KMeans (a) KMeansCMN (b) Bảng IV So sánh độ đồng cụm (*1.0E-05) Hình Kết phân cụm KMeans (a) KMeansCMN (b) Số cụm KMeans KMeansCMN 1.66 1.5 1.61 1.53 Bảng IV so sánh độ đồng tâm cụm KMeans KMeansCMN Bảng V thống kê số bước lặp thời gian thực thi KMeans Số (CS.01) 2016 Tạp chí KHOA HỌC CƠNG NGHỆ 55 THÔNG TIN VÀ TRUYỀN THÔNG MỘT KỸ THUẬT PHÂN LỚP ẢNH VIỄN THÁM SỬ DỤNG TIẾP CẬN LAI KMeansCMN với cụm cụm Chúng ta thấy độ đồng KMeansCMN tốt so với KMeans Ngoài ra, thời gian phân cụm KMeansCMN nhỏ KMeans Bảng V Thời gian phân cụm (MS) Số cụm KMeans KMeansCMN 263,672 213,109 1,658,609 1,568,062 Mẫu thứ hai ảnh LANDSAT với kích thước 1596 × 1333 Thực việc phân loại ảnh đầu vào với lớp: Núi đá, nước, rừng Kết thể hình Ảnh đầu vào có tính hỗn tạp cao thể rõ qua ảnh kết thuật toán phân loại đề xuất Nhận xét: Tốc độ hội tụ KMeansCMN phân cụm tốt nhanh so với KMeans B Thử nghiệm thuật tốn phân lớp 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 cậnlai (thuật toán cải tiến) Mẫu thứ ảnh SPOT với kích thước 2201 × 2101 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 loại thể hình Từ kết hình 7, 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 Bảng VI So sánh độ xác Lớp MLK Lai Đất 95% 98% Rừng 100% 100% Nước 98% 98% Bảng VII So sánh độ xác Lớp MLK Lai Núi đá 85% 84% Rừng 90% 93% Nước 100% 100% Tạp chí KHOA HỌC CÔNG NGHỆ 56 THÔNG TIN VÀ TRUYỀN THÔNG Số (CS.01) 2016 Hình Ảnh đầu vào, kết phân loại thuật toán gốc cải tiến Nguyễn Tu Trung, Ngơ Hồng Huy, Đặng Văn Đức, Vũ Văn Thỏa, Lại Anh Khôi cải tiến dựa hàm phân biệt phương pháp phân loại hợp lý tối đa Các kết thử nghiệm cho thấy kết phân loại thuật toán dựa tiếp cận đề xuất cho độ xác cao so với thuật tốn phương pháp hợp lý tối đa Ngoài ra, giai đoạn phân vùng, chúng tơi đề xuất thuật tốn 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 Tốc độ phân cụm KMeansCMN tốt so với KMeans thông thường Hiện tại, thủ tục tính tâm theo CMN sử dụng nhiều tính tốn với số thực 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 nhằm tăng tốc độ phân cụm Hình Ảnh đầu vào, kết phân loại thuật toán gốc cải tiến VI KẾT LUẬN Trong nghiên cứu này, đề xuất tiếp cận phân loại lai với kết hợp hai tiếp cân hướng điểm ảnh hướng đối tượng Quy trình phân loại theo tiếp cận gồm hai giai đoạn Một là, phân vùng ảnh, thuật toán cải tiến theo tiếp cận này, sử dụng thuật toán KMeans Hai là, phân loại lai, vùng sau phân lớp theo phân loại lai sử dụng hàm định phân lớp mà đề xuất để phân lớp cụm-đối tượng Hàm định phân lớp TÀI LIỆU THAM KHẢO [1] John A Richards, Xiuping Jia, Remote Sensing Digital Image Analysis, Springer-Verlag Berlin Heidelberg 2006 [2] Meritxell Bach Cuadra, Jean-Philippe Thiran, Satellite Image Segmentation and Classification, Fall 2004 [3] MacQueen, J.: Some methods for classification and analysis of multivariate observations In Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability, Vol.1 University of California Press (1967) 281-297 [4] Chih-Tang Chang, Jimz C Lai, Muderjeng, A Fuzzy K-means Clustering Algorithm Using Cluster Center Displacement, Journal of Information Science and Engineering 27, 2011, pp 995-1009 [5] Balaji T., Sumathi M., “Relational Features of Remote Sensing Image classification using Effective K-Means Clustering”, International Journal of Advancements in Research & Technology, Volume 2, Issue 8, August-2013, pp 103-107 [6] Smriti Sehgal, “Remotely sensed Landsat Image Classification using Neural network approaches”, International Journal of Engineering Research and Applications, Vol 2, Issue 5, 2012, pp.043-046 Số (CS.01) 2016 Tạp chí KHOA HỌC CƠNG NGHỆ 57 THÔNG TIN VÀ TRUYỀN THÔNG MỘT KỸ THUẬT PHÂN LỚP ẢNH VIỄN THÁM SỬ DỤNG TIẾP CẬN LAI [7] Nedeljkovic, “Image Classification based on fuzzy logic”, The International Archives of the Photogrammetry, Remote sensing and Spatial Information Sciences, Vol 34, Part XXX, 2003 [8] Sun Xiaoxia, Zhang Jixian, Liu Zhengjun, “A comparison of object-oriented and pixelbased classification approachs using quickbird imagery”, Chinese Academy of Surveying and Mapping, Beijing, China [9] H.R Matinfar, F Sarmadian, S.K Alavi Panah, R.J Heck, “Comparison of object-oriented and pixel-based classification on Lansadsat7, Etm+ Spectral Bands (Case Study: Arid Region of Iran)”, American-Eurasian J Agric &Environ, 2007 [10] Leukert k., “Transferability of knowledgebased classification rules”, ISPRS2004, Istanbul, 2004 [11] http://www.onmyphd.com/?p=k-means clustering [12] http://recognize-speech.com/preprocessing/ cepstral-mean-normalization [13] Intan aidha yusoff, Nor ashidi mat isa, TwoDimensional Clustering Algorithms for Image Segmentation, WSEAS Transactions on Computers, Issue 10, Volume 10, October 2011 [14] J Liu, and Y H Yang, Multiresolution color image segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.16, no.7, pp.689-700, Jul 1994 [15] R H Haralick, and L G Shapiro, Image segmentations techniques, Computer Vision Graphics Image Processing 29, pp 100-132, 1985 accuracy lower than the pixel based approach This paper presents a hybrid technique which combines both of the approachs to propose a more effective classifying algorithm of the remote sensing image classification The algorithm is experimented on data set which is remote sensing images of Hoa Binh province Keyword: remote sensing, image classification, Object Oriented approach, Hybrid approach A TECHNIQUE OF CLASSIFYING REMOTE SENSING IMAGES BASED ON HYDRID APPROACH Abstract: Remote sensing image classification is interested by reseachers Having two main approachs include the pixel based approach and the object oriented based approach Remote sensing images can have multichannel and high resolution The pixel based approach usually has high accuracy but having problem with large size images as remote sensing images While the object oriented based approach the problem but usually having Tạp chí KHOA HỌC CƠNG NGHỆ 58 THƠNG TIN VÀ TRUYỀN THÔNG Số (CS.01) 2016 Nguyễn Tu Trung, tốt nghiệp đại học Trường ĐH Sư phạm Hà Nội năm 2007 Thạc sỹ trường ĐH Công Nghệ, ĐHQGHN năm 2011, nghiên cứu sinh khóa 2013, Học viện Cơng nghệ Bưu Viễn thơng Lĩnh vực nghiên cứu: Xử lý ảnh, xử lý tiếng nói, hệ thống thơng tin, hệ thống nhúng Ngơ Hồng Huy, tốt nghiệp đại học trường ĐH Sư phạm Hà Nội năm 1990 Nơi công tác: Viện CNTT, Viện Hàn lâm KHCNVN Hiện làm nghiên cứu sinh VCNTT, Viện Hàn lâm KHCNVN Lĩnh vực nghiên cứu: Xử lý ảnh, xử lý tiếng nói, hệ thống thơng tin, hệ thống nhúng Đặng Văn Đức, nhận học vị Tiến sĩ năm 1996, Việt Nam Nhận chức danh PGS năm 2002 Nơi công tác: Viện CNTT, Viện Hàn lâm KHCNVN Lĩnh vực nghiên cứu: GIS Viễn thám, Đa phương tiện, Công nghệ phần mềm Vũ Văn Thoả, tốt nghiệp Đại học Sư phạm Vinh năm 1975, Tiến sĩ năm 1990 Viện Điều khiển Liên Xô cũ Hiện công tác Khoa Quốc tế Đào tạo Sau Đại học, Học viện Công nghệ Bưu Viễn thơng Lĩnh vực nghiên cứu: Lý thuyết thuật tốn, tối ưu hóa, hệ thơng tin địa lý, mạng viễn thông Lại Anh Khôi, công tác Viện Công nghệ Vũ Trụ, Viện Hàn lâm KHCNVN Lĩnh vực nghiên cứu: Viễn thám  ... HƯỚNG ĐỐI TƯỢNG A Tiếp cận hướng điểm ảnh Tiếp cận kinh điển phân loại ảnh viễn thám dựa điểm ảnh [9] Tiếp cận thông tin phổ sử dụng việc phân loại [8] Tiếp cận bao gồm phương pháp phân loại có giám... này, chúng tơi sử dụng thuật toán KMeans Hai là, phân loại lai, vùng sau phân lớp theo phân loại lai sử dụng hàm định phân lớp mà đề xuất để phân lớp cụm-đối tượng Hàm định phân lớp TÀI LIỆU THAM... xuất tiếp cận phân loại lai với kết hợp hai tiếp cân hướng điểm ảnh hướng đối tượng Quy trình phân loại theo tiếp cận gồm hai giai đoạn Một là, phân vùng ảnh, thuật tốn cải tiến theo tiếp cận