NGHIÊN cứu ĐÁNH GIÁ các PHƯƠNG PHÁP PHÂN LOẠI tàu THUYỀN tự ĐỘNG sử DỤNG ẢNH VIỄN THÁM

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN ĐẮC HUY NGHIÊN CỨU ĐÁNH GIÁ CÁC PHƢƠNG PHÁP PHÂN LOẠI TÀU THUYỀN TỰ ĐỘNG SỬ DỤNG ẢNH VIỄN THÁM Ngành: Hệ Thống Thông Tin Chuyên ngành: Hệ Thống Thông Tin Mã Số: 8480104.01 LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS TS Nguyễn Thị Nhật Thanh Hà nội – 09/2020 i MỤC LỤC LỜI CẢM ƠN iii LỜI CAM ĐOAN iv DANH MỤC HÌNH VẼ v DANH MỤC BẢNG BIỂU vii DANH MỤC TỪ VIẾT TẮT viii MỞ ĐẦU Chương 1: Giới thiệu chung 1.1 Tình hình nghiên cứu giới Việt Nam 1.2 Giới thiệu công nghệ viễn thám 1.2.1 Khái niệm, đặc điểm viễn thám 1.2.2 Dữ liệu ảnh viễn thám quang học 1.3 Giới thiệu số loại tàu thuyền quan tâm 10 1.3.1 Tàu vận tải [12] 10 1.3.2 Tàu chở dầu [12] 11 1.3.3 Tàu chuyên chở công te nơ [12] 11 1.3.4 Tàu sân bay [13] 12 1.3.5 Tàu ngầm [13] 14 1.3.6 Khu trục hạm [13] 15 1.4 Bộ CSDL tàu thuyền mẫu 16 1.4.1 Nguồn liệu 16 1.4.2 Phương pháp thu thập liệu tàu thuyền mẫu 17 1.4.3 Quy trình lấy mẫu liệu 18 Chương 2: Nghiên cứu số thuật toán nhận dạng tàu thuyền 20 2.1 Nghiên cứu số phương pháp, thuật tốn trích chọn đặc trưng 20 2.1.1 Mơ hình Bag of Features 20 2.1.2 Thuật toán Local Binary Patterns 34 2.2 Nghiên cứu phương pháp, thuật toán phân lớp tàu thuyền 36 Chương 3: Ứng dụng phân lớp tàu thuyền cảng biển Việt Nam ảnh viễn thám 41 ii 3.1 Phương pháp đề xuất 41 3.1.1 Bộ sở liệu đầu vào 42 3.1.2 Trích chọn đặc trưng 43 3.1.3 Chọn thuật toán huấn luyện phân lớp liệu 44 3.2 Kết thảo luận 46 3.2.1 Bộ sở liệu 46 3.2.2 Kết phân lớp 48 3.2.3 Nhận xét, đánh giá 58 KẾT LUẬN 61 TÀI LIỆU THAM KHẢO 62 iii LỜI CẢM ƠN Trước tiên xin dành lời cảm ơn chân thành sâu sắc đến cô giáo, PGS TS Nguyễn Thị Nhật Thanh – người hướng dẫn, khuyến khích, bảo tạo cho tơi điều kiện tốt từ bắt đầu hoàn thành cơng việc Tơi xin dành lời cảm ơn chân thành tới thầy cô giáo khoa Công nghệ thông tin, trường Đại học Công nghệ, ĐHQGHN tận tình đào tạo, cung cấp cho tơi kiến thức vô quý giá tạo điều kiện tốt cho tơi suốt q trình học tập, nghiên cứu trường Đồng thời xin chân thành cảm ơn chủ nhiệm nhóm nghiên cứu thực đề tài cấp nhà nước thuộc chương trình khoa học công nghệ cấp quốc gia công nghệ vũ trụ giai đoạn 2016-2020, mã số đề tài VT-UD.06/16-20 hỗ trợ tơi q trình nghiên cứu thực nghiệm Cuối cùng, xin cảm ơn tất người thân u gia đình tơi tồn thể bạn bè, đồng nghiệp, người giúp đỡ, động viên, cổ vũ, khích lệ giúp đỡ tơi suốt thời gian qua Trong trình thực đề tài cịn có mặt hạn chế, thiếu sót Tơi mong nhận ý kiến đóng góp dẫn thầy cô giáo bạn đồng nghiệp iv LỜI CAM ĐOAN Tôi xin cam đoan luận văn thạc sĩ công nghệ thông tin “Nghiên cứu đánh giá phương pháp phân loại tàu thuyền tự động sử dụng ảnh viễn thám” cơng trình nghiên cứu riêng tơi, khơng chép lại người khác Trong toàn nội dung luận văn, điều trình bày cá nhân tơi tổng hợp từ nhiều nguồn tài liệu Tất nguồn tài liệu tham khảo có xuất xứ rõ ràng hợp pháp Tơi xin hồn tồn chịu trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đoan Hà Nội, ngày … tháng … năm … v DANH MỤC HÌNH VẼ Hình 1 Dải sóng điện từ Hình Độ phân giải không gian ảnh viễn thám khu vực Hình Tàu vận tải 10 Hình Tàu chở dầu 11 Hình Tàu cơng ten nơ 12 Hình Tàu sân bay 13 Hình Tàu ngầm 14 Hình Tàu khu trục 15 Hình Dữ liệu ảnh viễn thám Planet (trái), liệu ảnh viễn thám Google Earth (phải) 16 Hình 10 Sơ đồ phân lớp tàu thuyền 17 Hình 11 Quy trình lấy mẫu tàu dựa kiến thức chuyên gia 18 Hình 12 Mở liệu ảnh chọn khu vực nghiên cứu có đối tượng quan tâm cần gán nhãn 19 Hình 13 Gán nhãn đối tượng quan tâm dựa việc vẽ đường bao xung quanh 19 Hình Minh họa mơ hình BoF (nguồn [9]) 20 Hình 2 Minh họa đặc trưng thu thập (nguồn [9]) 21 Hình Minh họa đặc trưng phân cụm (nguồn [9]) 21 Hình Biểu đồ đặc trưng (nguồn [9]) 21 Hình Minh họa mức làm mờ khác hàm Gaussian 23 Hình Mơ hình kim tự tháp ảnh SIFT (nguồn [5]) 24 Hình 7Minh họa cách lấy điểm để xét cực trị với vị trí x điểm xét (nguồn [5]) 25 Hình 2.8 Minh họa biểu đồ định hướng 27 Hình 2.9 Minh họa bước lọc gắn hướng cho điểm đặc trưng (nguồn [5]) 28 Hình 2.10 Mơ tả điểm đặc trưng (nguồn [5]) 29 Hình 2.11 Minh họa phương pháp xấp xỉ lọc hộp (nguồn [8]) 30 Hình 2.12 Ví dụ phản ứng sóng 32 Hình 2.13 Ví dụ biểu đồ hướng SURF (nguồn [10]) 32 Hình 2.14 Minh họa vùng đặc trưng (nguồn [8]) 33 Hình 2.15 Ví dụ giá trị thuộc tính SURF trường hợp ảnh (nguồn [8]) 33 Hình 2.16 Minh họa hoạt động thuật tốn LBP (nguồn [15]) 34 Hình 2.17 Mơ tả cách lấy mẫu tron LBP cải thiện (nguồn [15]) 35 Hình 18 Minh họa kết thu qua thuật toán LBP 36 Hình 2.19 Ví dụ liệu SVM (nguồn [11]) 37 vi Hình 2.20 So sánh mơ hình 39 Hình 2.21 Ví dụ kết thuật tốn SVM (hình bên trái lề cứng hình bên phải lề mềm) 39 Hình 2.22 Một số ví dụ lõi SVM 40 Hình Sơ đồ trình phân lớp tàu thuyền 41 Hình Dữ liệu ảnh viễn thám khu vực tập trung nhiều tàu thuyền 42 Hình 3 Đặc trưng ảnh thuật toán SIFT SURF Từ trái sang ảnh gốc, đặc trưng tìm từ SIFT đặc trưng tìm từ SURF 44 Hình Đặc trưng ảnh thuật toán LBP Từ trái sang ảnh gốc ảnh qua xử lý thuật tốn LBP trước tính histogram 44 Hình Hình ảnh đánh dấu vùng biển đồ 46 Hình Một số tàu mã tau dau 47 Hình Một số tàu mã tau cong ten no 47 Hình Một số tàu mã tau van tai 47 Hình Biểu đồ mơ tả vecto đặc trưng tàu thuyền sử dụng phương pháp SIFT 49 Hình 10 Biểu đồ mơ tả vecto đặc trưng tàu thuyền sử dụng phương pháp SURF 50 Hình 11 Hình ảnh lớp tàu thuyền nhận dạng xác 51 Hình 12 Hình ảnh lớp tàu thuyền nhận dạng chưa xác 51 Hình 13 Biểu đồ mơ tả vecto đặc trưng tàu thuyền sử dụng thuật toán LBP 53 Hình 14 Hình ảnh lớp tàu thuyền nhận dạng xác 53 Hình 15 Hình ảnh lớp tàu thuyền nhận dạng chưa xác 54 Hình 16 Biểu đồ mô tả vecto đặc trưng tàu thuyền sử dụng phương pháp SIFT kết hợp LBP 55 Hình 17 Biểu đồ mô tả vecto đặc trưng tàu thuyền sử dụng phương pháp BOF - SURF kết hợp LBP 56 Hình 18 Hình ảnh lớp tàu thuyền nhận dạng xác 56 Hình 19 Hình ảnh lớp tàu thuyền nhận dạng khơng xác 57 vii DANH MỤC BẢNG BIỂU Bảng 1 Thông số kỹ thuật kênh phổ ảnh VNREDSAT-1 Bảng Thơng tin thuộc tính ảnh Planet 10 Bảng Bảng thống kê chi tiết sở liệu tàu thuyền 48 Bảng Bảng kết kiểm chứng phân lớp máy học SVM sử dụng thuật toán SIFT 51 Bảng 3 Bảng kết kiểm chứng phân lớp máy học SVM sử dụng thuật toán SURF 51 Bảng Bảng kết kiểm chứng phân lớp máy học SVM sử dụng thuật toán LPB 54 Bảng Bảng kết kiểm chứng phân lớp máy học SVM sử dụng thuật toán SIFT kết hợp LBP 57 Bảng Bảng kết kiểm chứng phân lớp máy học SVM sử dụng thuật toán SURF kết hợp LBP 57 Bảng Bảng tổng hợp kết kiểm chứng máy học SVM 58 viii DANH MỤC TỪ VIẾT TẮT AIS Automatic Identification Systems ANQP An ninh quốc phòng BoF Bag of Features CSDL Cơ sở liệu DoG the difference-of-Gaussian function convolved FOV Field of view ICST International Standard Classification of Ships by Type IFOV instantaneous field of view LBP Local Binary Patterns SIFT Scale-Invariant Feature Transform SURF Speeded-Up Robust Features SVM Support Vector Machine VHF Very high frequency VTS Vessel Traffic Services MỞ ĐẦU Tính cấp thiết Vệ tinh viễn thám có lợi đặc biệt quan trọng so với viễn thám hàng khơng có khả chụp ảnh điểm bề mặt trái đất mà xin phép nước sở hữu, quản lý vùng địa lý Đây lợi mà quốc gia muốn khai thác phục vụ cho cơng tác ANQP, quốc gia phát triển Mỹ, Nga, TQ, Pháp triển khai mạng lưới vệ tinh viễn thám để thám mục tiêu quan tâm Công nghệ vệ tinh, công nghệ viễn thám lĩnh vực công nghệ cao mà nước phát triển hạn chế xuất chuyển giao cơng nghệ Do đó, để nắm bắt cơng nghệ địi hỏi phải đào tạo có q trình tiếp cận công nghệ thời gian dài từ khâu thiết kế chế tạo, quản lý vận hành khai thác ứng dụng Hướng ứng dụng hướng đặc biệt quan tâm nghiên cứu nước, nước sau công nghệ vũ trụ Đây giải pháp để nước tiếp cận nhanh thừa hưởng nhiều nhất, tận dụng tốt thành tựu khoa học công nghệ giới cho nghiên cứu phát triển khoa học, công nghệ Kỹ thuật xử lý ảnh viễn thám với tảng xử lý ảnh số giải số vấn đề khai thác, trích xuất thơng tin từ ảnh viễn thám số phần mềm thông dụng ENVI, ERDAS, song mức độ chuyên sâu tự động hóa chưa cao sử dụng lĩnh vực dân Các phần mềm chuyên dụng lĩnh vực ANQP thường bị hạn chế điều kiện thương mại có giá thành cao, ngồi khả tài người sử dụng gần không tiếp cận yếu tố khoa học công nghệ Việc chuyển giao công nghệ giới hạn hướng dẫn sử dụng, khai thác phần mềm Đến nay, Việt Nam có hệ thống vệ tinh viễn thám (VNREDSat-1) hoàn chỉnh từ trạm mặt đất đến vệ tinh quan ứng dụng, song việc khai thác, sử dụng hiệu sảm phẩm hệ thống cho mục đích ANQP tốn khó, cịn nhiều hạn chế từ độ phân giải ảnh VNREDSat-1 đến trình độ xử lý, phân tích, giải đốn ảnh viễn thám, tích hợp thông tin khai từ nguồn ảnh cán ngành Với chiều dài bờ biển 3000km diện tích biển triệu ki-lơmét vng, hàng trăm hịn đảo lớn nhỏ, Việt Nam có nhiều tiềm phát triển kinh tế biển như: cảng biển công nghiệp tàu thủy, đánh bắt thủy hải sản, khai thác dầu khí, song đặt hàng loạt thách thức công tác thực thi 49 Hình Biểu đồ mơ tả vecto đặc trưng tàu thuyền sử dụng phương pháp SIFT 50 Hình 10 Biểu đồ mô tả vecto đặc trưng tàu thuyền sử dụng phương pháp SURF Từ biểu đồ trên, ta thấy mối tương quan chiều liệu phân bố liệu theo chiều định Từ biểu đồ, ta thấy phân bố liệu theo chiều thu từ mơ hình BoF sử dụng thuật tốn SIFT có biến động cao so với dùng thuật toán SURF Nhưng đồng thời liệu SIFT lại có xu hướng co cụm lại so với liệu dùng SURF Với đặc điểm thứ ta dự đốn mơ hình SVM huấn luyện với SIFT cho kết phân tách tốt Với đặc điểm thứ hai thuật toán SIFT đưa nhiều đặc trưng gần giống so với thuật toán SURF Sau huấn luyện mơ hình SVM tìm tham số tốt (đã trình bày mục a – 3.1.3), kết tốt mơ hình phân lớp thu phương pháp tập liệu trình bày hình ảnh bảng đây: 51 Hình 11 Hình ảnh lớp tàu thuyền nhận dạng xác Hình 12 Hình ảnh lớp tàu thuyền nhận dạng chưa xác Bảng Bảng kết kiểm chứng phân lớp máy học SVM sử dụng thuật toán SIFT Nhãn Tau dau Tau cong ten no Tàu van tai Tổng Precision Huấn Kiểm tra luyện 0.900 0.92 Recall Huấn Kiểm tra luyện 0.779 0.779 F1-score Huấn Kiểm tra luyện 0.835 0.844 0.938 0.876 0.818 0.907 0.874 0.891 0.729 0.776 0.921 0.88 0.814 0.825 0.855 0.858 0.839 0.855 0.841 0.853 Bảng 3 Bảng kết kiểm chứng phân lớp máy học SVM sử dụng thuật tốn SURF Nhãn Tàu dầu Tàu cơng ten nơ Tàu vận tải Tổng Precision Huấn Kiểm tra luyện 0.849 0.870 Recall Huấn Kiểm tra luyện 0.870 0.656 F1-score Huấn Kiểm tra luyện 0.767 0.740 0.942 0.808 0.942 0.855 0.842 0.831 0.610 0.671 0.610 0.820 0.728 0.738 0.807 0.776 0.807 0.777 0.779 0.770 52 Mặc dù sử dụng phương pháp xác thực chéo để tìm tham số tốt tránh tượng overfitting, thực kiểm tra lại mơ hình với liệu huấn luyện liệu kiểm tra Phân tích kết thu được, chúng tơi thấy mơ hình khơng bị tượng overfitting Có trái ngược mơ hình huấn luyện liệu từ mơ hình BoF sử dụng thuật tốn SIFT lại có kết kiểm tra tập kiểm tra cao ngược lại với mơ hình huấn luyện liệu thu từ mơ hình BoF sử dụng thuật tốn SURF Tuy nhiên, chênh lệch kết kiểm tra tập huấn luyện tập kiểm tra không chênh lệch đáng kể (~ 0.003 – 0.031) Điều thể thuật toán SVM học liệu từ mơ hình BoF sử dụng thuật tốn SIFT cách phổ quát (có thể xử lý liệu chưa nhìn thấy tốt hơn) so với liệu từ mơ hình BoF sử dụng thuật tốn SURF So sánh bảng kết quả, chúng tơi dễ dàng thấy mơ hình BoF hoạt động với thuật tốn SIFT cho kết tốt đáng kể so với dùng thuật toán SURF Mặc dù ưu điểm thuật toán SURF chạy nhanh đặc trưng đưa từ thuật tốn có lẽ khơng tốt so với thuật toán SIFT (với tập liệu sử dụng luận văn này) Điều giải thích bước xác định lọc điểm đặc trưng (đặc biệt điểm có độ tương phản thấp) thuật toán SURF rút gọn so với thuật tốn SIFT (đã trình bày phần lý thuyết) Tuy nhiên, liệu ảnh chúng tơi xây dựng lại có độ phân giải thấp Điều nguyên nhân khiến đặc trưng thu từ thuật toán SIFT cho kết tốt b) Nhận dạng tàu với đặc trưng LBP thuật toán SVM Phương pháp sử dụng tham số tốt trình bày phần b – mục 3.1.3 Phiên thuật tuán LBP sử dụng luận văn cài đặt thư viện skimage phiên 0.16.2 Sau thu ảnh đặc trưng thuật toán LBP, chúng tơi thực tính biểu đồ giá trị điểm ảnh ảnh đặc trưng thu vector có độ dài 18 biểu diễn đặc trưng cho ảnh Thực tương tự phần trước, sử dụng thuật toán TSNE thư viện Scikit-learn để mơ tả vector đặc trưng hình ảnh Số chiều chọn ba thu biểu đồ quan hệ hình 3.13 53 Hình 13 Biểu đồ mô tả vecto đặc trưng tàu thuyền sử dụng thuật toán LBP Dựa theo biểu đồ, liệu phân bố rộng có biển động lớn Điều dự đốn kết thu tốt tốt so với mơ hình BoF sử dụng SIFT Sau huấn luyện thu kết tham tham số tốt cho phương pháp (đã trình bày mục b – 3.1.3), kết tốt mơ hình phân lớp thu phương pháp tập liệu trình bày hình ảnh bảng Hình 14 Hình ảnh lớp tàu thuyền nhận dạng xác 54 Hình 15 Hình ảnh lớp tàu thuyền nhận dạng chưa xác Bảng Bảng kết kiểm chứng phân lớp máy học SVM sử dụng thuật tốn LPB Nhãn Tàu dầu Tàu cơng ten nơ Tàu vận tải Tổng Precision Huấn Kiểm tra luyện 0.642 0.711 Recall Huấn Kiểm tra luyện 0.78 0.816 F1-score Huấn Kiểm tra luyện 0.708 0.760 0.704 0.752 0.679 0.864 0.691 0.804 0.689 0.774 0.544 0.543 0.608 0.638 0.679 0.745 0.671 0.741 0.669 0.734 Tương tự với phương pháp sử dụng mơ hình BoF, chúng tơi thực kiểm tra mơ hình huấn luyện với liệu huấn luyện liệu kiểm tra Kết cho thấy kết tập kiểm tra cao so với kết tập huấn luyện (~0.065 – 0.07) Mức chênh lệch không đáng kể biểu bình thường Đây dấu hiệu cho thấy mơ hình huấn luyện liệu LBP có khả phổ quát tốt Trái với dự đốn phân tích biểu đồ liệu, kết thu từ phương pháp nhiều so với phương pháp dùng mơ hình BoF Sau phân tích, chúng tơi nhận thấy ngun nhân biểu đồ liệu LBP phân tách tốt thực tế lại tệ khác biệt số chiều vector đặc trưng gốc Như trình bày từ phần trước, mơ hình BoF cho vector có chiều dài 250 để biểu diễn đặc trưng ảnh Trong đó, phương pháp sử dụng vector có chiều dài 18 để biểu diễn ảnh Khi sử dụng thuật toán TSNE để thu gọn chiều, với số chiều dài nhiều lần, hiểu độ mát thơng tin hai phương pháp khác biệt Đây có lẽ nguyên nhân khiến cho biểu đồ đặc trưng phương pháp tốt so với phương pháp dùng mô hình BoF 55 b) Nhận dạng tàu với đặc trưng kết hợp (của BoF LBP) thuật toán SVM Nội dung phương pháp tham số tốt cho phương pháp trình bày phần c – mục 3.1.3 Sau kết hợp đặc trưng mơ hình BoF đặc trưng LBP, thu vector dài 268 biểu diễn cho hình ảnh Tương tự phương pháp trước, để phân tích liệu, chúng tơi sử dụng thuậ toán TSNE để thu gọn biểu diễn liệu biểu đồ Số chiều sử dụng ba (tương tự phương pháp trước) Để tiện theo dõi, chúng tơi gọi phương pháp dùng mơ hình BoF sử dụng SIFT kết hợp với LBP BoF – SIFT + LBP mơ hình BoF sử dụng SURT kết hợp với LBP BoF – SURT + LBP Biểu đồ mối quan hệ chiều phân bố liệu chiều thể hình Hình 16 Biểu đồ mơ tả vecto đặc trưng tàu thuyền sử dụng phương pháp SIFT kết hợp LBP 56 Hình 17 Biểu đồ mơ tả vecto đặc trưng tàu thuyền sử dụng phương pháp BOF - SURF kết hợp LBP Dựa vào hai biểu đồ, ta thấy phương pháp BoF – SIFT + LBP có độ biến động liệu hẳn so với phương pháp BoF – SURT + LBP Đồng thời, kế thừa lại liệu, phân bố liệu phương pháp BoF – SIFT + LBP hẹp (các điểm liệu co cụm lại) so với phương pháp BoF – SURT + LBP Từ dấu hiệu đưa dự đốn kết phương pháp BoF – SIFT + LBP so với phương pháp BoF – SURT + LBP Sau huấn luyện thu tham số tốt (đã trình bày mục c – 3.1.3), kết tốt mô hình phần lớp tốt thu phương pháp trình bày hình ảnh bảng Hình 18 Hình ảnh lớp tàu thuyền nhận dạng xác 57 Hình 19 Hình ảnh lớp tàu thuyền nhận dạng khơng xác Kết kiểm chứng phân lớp máy học SVM sử dụng thuật tốn trích chọn đặc trưng SIFT kết hợp với LBP trình bày theo bảng 3.5 Bảng Bảng kết kiểm chứng phân lớp máy học SVM sử dụng thuật toán SIFT kết hợp LBP Nhãn Tàu dầu Tàu công ten nơ Tàu vận tải Tổng Precision Huấn Kiểm tra luyện 0.900 0.889 Recall Huấn Kiểm tra luyện 0.853 0.834 F1-score Huấn Kiểm tra luyện 0.876 0.861 0.956 0.853 0.858 0.914 0.904 0.883 0.801 0.840 0.924 0.840 0.858 0.840 0.886 0.861 0.878 0.863 0.879 0.861 Kết kiểm chứng phân lớp máy học SVM sử dụng thuật tốn trích chọn đặc trưng SURF kết hợp với LBP trình bày theo bảng 3.6 Bảng Bảng kết kiểm chứng phân lớp máy học SVM sử dụng thuật toán SURF kết hợp LBP Nhãn Tàu dầu Tàu công ten nơ Tàu vận tải Tổng Precision Huấn Kiểm tra luyện 0.865 0.872 Recall Huấn Kiểm tra luyện 0.782 0.708 F1-score Huấn Kiểm tra luyện 0.821 0.781 0.953 0.822 0.771 0.870 0.853 0.845 0.667 0.699 0.889 0.820 0.762 0.755 0.829 0.798 0.814 0.799 0.812 0.794 58 Tương tự với phương pháp trước, thực kiểm tra mơ hình huấn luyện tập liệu huấn luyện kiểm tra Kết so sánh cho xu hướng Mơ hình huấn luyện liệu từ hai phương pháp BoF – SIFT + LBP phương pháp BoF – SURT + LBP có kết kiểm tra tập huấn luyện cao so với kết kiểm tra tập kiểm tra Tuy nhiên, mức chênh lệch không lớn (~0.015 – 0.031) Điều loại trừ khả mơ hình bị tượng overfitting Sự chênh lệch thể điều mức phổ quát mơ hình huấn luyện liệu từ hai phương pháp thấp chút so với mơ hình huấn luyện từ phương pháp trước Trái với dự đốn từ việc phân tích biểu đồ liệu, phương pháp BoF – SIFT + LBP lại cho kết tốt so với phương pháp BoF – SURT + LBP Điều ngược biểu biến động liệu theo chiều liệu Tuy nhiên, dựa vào phần trước, cho việc trường giá trị liệu phương pháp BoF – SURT + LBP lớn (dữ liệu phân tán hơn) so với phương pháp BoF – SIFT + LBP nguyên nhân dẫn đến khác biệt khơng Bởi phân tích phương pháp sử dụng BoF, liệu thu dùng thuật tốn SIFT có độ phân tán thấp huấn luyện cho mơ hình tốt Từ tương đồng này, khẳng định phân tán liệu lớn nhiều nguyên nhân khiến cho phương pháp BoF – SURT + LBP cho kết tệ bất chấp biến động liệu chiều cao rõ ràng So sánh với phương pháp sử dụng mơ hình BoF thuật tốn LBP, kết phương pháp có cải thiện đáng kể Điều chứng minh cho hiệu việc kết hợp đặc trưng lại để phân lớp ảnh tàu 3.2.3 Nhận xét, đánh giá Chúng tổng hợp kết kiểm chứng từ năm phương pháp phân lớp tàu thuyền trình bày mục 3.3.2 theo bảng 3.7 rút số nhận xét, đánh sau: Bảng Bảng tổng hợp kết kiểm chứng máy học SVM Nhãn Thuật tốn trích đặc trưng Precision Recall F1-score Tàu dầu SIFT 0.92 0.779 0.844 59 Tàu công ten nơ Tàu vận tải Total SURF 0.849 0.656 0.740 LBP 0.711 0.816 0.760 SIFT&LPB 0.889 0.834 0.861 SURF&LPB 0.872 0.708 0.781 SIFT 0.876 0.907 0.891 SURF 0.808 0.855 0.831 LBP 0.752 0.864 0.804 SIFT&LPB 0.853 0.914 0.883 SURF&LPB 0.822 0.870 0.845 SIFT 0.776 0.880 0.825 SURF 0.671 0.820 0.738 LBP 0.774 0.543 0.638 SIFT&LPB 0.840 0.840 0.840 SURF&LPB 0.699 0.820 0.755 SIFT 0.858 0.855 0.853 SURF 0.776 0.777 0.770 LBP 0.745 0.741 0.734 SIFT&LPB 0.861 0.863 0.861 SURF&LPB 0.798 0.799 0.794 Việc đánh giá dựa vào số độ xác (Precision), độ bao phủ (Recall) độ đo F1 Các số kiểm chứng nói biểu diễn bảng 3.7, kết so sánh độ xác mơ hình phân lớp tàu thuyền sử dụng thuật tốn trích chọn đặc trưng khác 60 Từ bảng cho thấy, kết khả quan mơ hình phân lớp sử dụng phương pháp học máy giám sát SVM kết hợp thuật tốn trích chọn đặc trưng SIFT&LPB cho số đánh giá cao, mức độ chênh lệch số không lớn, cụ thể số độ xác Precision, độ hồi tưởng, độ đo F1 cho kết 86% Có hai nguyên nhân dẫn đến kết thứ nhất, kết hợp đặc trưng mơ hình BoF đặc trưng LBP, ta thu vector có độ dài lớn (dài 268) biểu diễn cho hình ảnh Thứ hai thuật tốn SIFT đưa nhiều đặc trưng gần giống so với thuật tốn SURF, LBP hay đặc trưng có độ phân tán thấp Trong mơ hình phân lớp SVM kết hợp với thuật tốn trích chọn đặc trưng LBP đạt kết thấp với độ đo xác, độ đo hồi tưởng độ đo F1 74% Nguyên nhân dẫn đến kết mơ hình BoF cho vector có chiều dài 250 để biểu diễn đặc trưng ảnh Trong đó, phương pháp sử dụng vector có chiều dài 18 để biểu diễn ảnh Mơ hình phân lớp sử dụng thuật tốn trích chọn đặc trưng SIFT cho kết phân lớp Tàu cong – ten - no tốt với độ đo F1 89,1% Toàn năm mơ hình phân lớp (năm phương pháp trích trọn đặc trưng) cho kết phân lớp Tàu cong – te – nơ ổn định (độ đo F1 lớn 80%) so với hai lớp tàu lại, số đo độ xác khơng có độ chênh lệch lớn 61 KẾT LUẬN Luận văn đạt mục đích, yêu cầu đề Các phương pháp đề xuất nghiên cứu, thực nghiệm cách khoa học, cẩn thận Luận văn khái quát số vấn đề toán phân lớp bao gồm phương pháp trích chọn đặc trưng, phân lớp liệu ảnh viễn thám thuật toán học máy áp dụng vào toán phân lớp ảnh viễn thám quang học, đề cập ưu, nhược điểm số phương pháp trích chọn đặc trưng, trọng nghiên cứu phương pháp học bán giám sát sử dụng phổ biến Về phân lớp liệu, luận văn đưa toán tổng quan, cho cần gì, đồng thời trình bày phương pháp phân lớp liệu tổng quát từ giúp người đọc hiểu tốn phân lớp Trình bày tốn phân lớp hình ảnh vệ tinh, cách biểu diễn hình ảnh tốn phân lớp nào, thơng qua phương pháp trích chọn đặc trưng để phân lớp liệu ảnh viễn thám quang học Luận văn giải phần u cầu tốn thực tiễn đặt Chúng tơi thu thập sở liệu cung cấp thông tin nghiệp vụ tàu thuyền biển, bước đầu phân loại tự động ba lớp tàu dân ảnh viễn thám quang học phục vụ mục đích giám sát hoạt động giao thơng biển, kiểm sốt hàng hải… Trong thời gian tới, chúng tơi có số định hướng nghiên cứu nghiên cứu phân lớp tàu thuyền sử dụng phương pháp học sâu ảnh viễn thám quang học, ứng dụng toán phân lớp tàu thuyền với nguồn liệu viễn thám khác nhau, mở rộng đối tượng nghiên cứu mục tiêu biển (tàu quân sự, giàn khoan) 62 TÀI LIỆU THAM KHẢO Tiếng việt [1] Bài Giảng Ứng Dụng Viễn Thám Trong Quản Lý Đất Đai (2018), Lê Hùng Chiến, Trần Thị Thơm [2] Giáo trình Viễn thám (2018)- PGS.TS Nguyễn Khắc Thời Tiếng Anh [3] A Torralba, B C Russell, and J Yuen, “LabelMe: Online image annotation and applications,” in Proceedings of the IEEE, 2010, doi: 10.1109/JPROC.2010.2050290 [4] B C Russell, A Torralba, K P Murphy, and W T Freeman, “LabelMe: A database and web-based tool for image annotation,” Int J Comput Vis., 2008, doi: 10.1007/s11263-007-0090-8 [5] David G Lowe “Distinctive Image Features from Scale-Invariant Keypoints”, 5/1/2004 [6] ENVI Tutorials, “ENVI Tutorials,” ENVI Tutorials, 2000 [7] G Lowe, “SIFT - The Scale Invariant Feature Transform,” Int J., 2004 [8] Herbert Bay, Tinne Tuytelaars, and Luc Van Gool “SURF: Speeded Up Robust Features”, 7/5/2006 [9] http://www.cs.unc.edu/~lazebnik/spring09/lec18_bag_of_features.pdf [10] https://docs.opencv.org/master/df/dd2/tutorial_py_surf_intro.html [11] https://machinelearningcoban.com/2017/04/09/smv/ [12] International Standard Classification of Ships by Type, Revised 1994 [13] Jane Fighting Ships 2020-2021 Year Book [14] J.Antelo, G.Ambrosio, J Gonz´ alez, C Galindo, “Ship Detection and Recognition in High-Resolution Satellite Images”, IEEE International Geoscience and Remote Sensing Symposium, IGARSS’09, Cape Town, South Africa, 2009 63 [15] Ke-Chen Song, Yun-Hui YAN, Wen-Hui CHEN and Xu Zhang “Research and Perspective on Local Binary Pattern”, 6/2013 [16] Katie Rainey, John Stastny, “Vessel classification in overhead satellite imagery using learned dictionaries”, Proceedings of SPIE - The International Society for Optical Engineering (Proceedings of SPIE, Oct 2012 [17] Timo Ojala, Matti Pietikainen and David Harwood “A Comparative Study Of Texture Measures With Classification Based On Feature Distributions”, 15/5/1995 [18] Van Kiet Dinh, Nguyen Hoang Hoa Luong, Quang Hung Bui, Thanh Nhat Thi Nguyen Viet Hung Luu, “Improving the Bag-of-Words model with Spatial Pyramid matching using data augmentation for fine-grained arbitrary-oriented ship classification”, Remote Sensing Letter, 2019 [19] Y Ke and R Sukthankar, “PCA-SIFT: A more distinctive representation for local image descriptors,” in Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004, doi: 10.1109/cvpr.2004.1315206 ... phát triển cơng nghệ viễn thám Do đó, định chọn đề tài ? ?Nghiên cứu đánh giá phương pháp phân loại tàu thuyền tự động sử dụng ảnh viễn thám? ?? cho nghiên cứu 3 Mục tiêu nghiên cứu đề tài Thông qua... thầy giáo bạn đồng nghiệp iv LỜI CAM ĐOAN Tôi xin cam đoan luận văn thạc sĩ công nghệ thông tin ? ?Nghiên cứu đánh giá phương pháp phân loại tàu thuyền tự động sử dụng ảnh viễn thám? ?? cơng trình nghiên. .. tượng tàu thuyền 1.1 Tình hình nghiên cứu giới Việt Nam Qua tìm hiểu, khảo sát, có số phương pháp sử dụng ảnh viễn thám quang học để phân loại tàu thuyền giới ứng dụng thực tế việc nhận dạng tàu thuyền