Áp dụng kỹ thuật data mining trong phân loại ảnh viễn thám

Gvhd: TS Lê Văn Trung Luận văn tốt nghiệp cao học LỜI CẢM ƠN Tơi xin chân thành cảm ơn hướng dẫn, giúp đỡ Thầy Cô giảng dạy trường đại học Bách Khoa Tôi xin gởi lời cảm ơn chân thành đến Thầy T.S Lê Văn Trung, giảng viên Bộ Môn Trắc Địa Thông Tin Địa Lý, khoa Kỹ Thuật Xây Dựng, tận tình hướng dẫn truyền đạt kiến thức kinh nghiệm q báu giúp tơi có đầy đủ kiến thức để hồn thành luận văn Và tơi xin gởi lời cảm ơn đến bạn bè, đồng nghiệp, người thân gia đình quan tâm, khuyến khích cho tơi thêm sức mạnh học tập nghiên cứu Mặc dù có nhiều cố gắng việc thực luận văn, song với thời gian có hạn mức độ nghiên cứu thân cịn hạn chế nên khơng thể khơng có thiếu sót, mong đóng góp ý kiến quý báu quý Thầy Cô bạn Tp.HCM, ngày 25 tháng 11 năm 2004 Trần Thị Trường Thi Trang i Gvhd: TS Lê Văn Trung Luận văn tốt nghiệp cao hoïc ABSTRACT A variety of methods is available for this Among these methods, Maximum Likelihood Classification (MLC) is presently the most widely known and utilized And it is also used as a standard classification routine against which other classification method are compared However, MLC belongs to a parametric classification method where the underlying probability density function must be assumed a priod We may obtain a poor MLC performance if the true probability density function is different from that assumed by the model Recently, Feedforward Backpropagation Neural Network (FFNN) have been expected to become a non-parametric classification method efficiently to satellite remote sensing image analysis Most of the studies in this field, however, have been empirical and FFNN have been applied just like “blackbox” extimation machines Therefore, the purpose of this thesis is to provide a theoretical interpretation for the FFNN classifier in comparision with the conventional classification or discriminant methods In practical application aspects, a comprehensive classification system of remotely sensed images based on FFNN is established The potentiality of FFNN in comparison with the conventional classification methods can be verified by comparing the classification results of Landsat image in Ho Chi Minh City The experimental results show that FFNN is suitable method for classification of remote sensing image Trang ii Luận văn tốt nghiệp cao học Gvhd: TS Lê Văn Trung TĨM TẮT Hiện giới có nhiều phương pháp khác đề nghị cho vấn đề phân loại ảnh Trong đó, phương pháp phân loại Maximum Likelihood Classification (MLC) biết đến sử dụng nhiều Đây phương pháp xem chuẩn cho phương pháp khác so sánh Tuy nhiên MLC lại phương pháp có tham số nghĩa định nghĩa trước hàm phân bố xác suất, liệu thực tế khơng phân bố theo mơ hình định nghĩa hiệu suất đạt thấp Gần đây, mạng neuron Feedforward (FFNN) đề nghị phương pháp phân loại phi tham số thích hợp cho vấn đề phân tích ảnh viễn thám Tuy nhiên, nghiên cứu trước dạng thực nghiệm mô hình mạng neuron áp dụng hộp đen “blackbox” Do vậy, mục tiêu đề tài giải thích lý thuyết khả áp dụng mạng neuron vào toán phân loại ảnh viễn thám cách so sánh với phương pháp truyền thống khác Với khía cạnh thực tế, hệ thống phân loại ảnh viễn thám dựa FFNN xây dựng Khả FFNN kiểm tra cách so sánh kết phân loại với phương pháp phân loại khác tập liệu ảnh Landsat khu vực thành phố Hồ Chí Minh Kết thực nghiệm cho thấy FFNN phương pháp thích hợp cho phân loại ảnh viễn thám Trang iii Luận văn tốt nghiệp cao học Gvhd: TS Lê Văn Trung MỤC LỤC Trang Lời cảm ơn - i Abstract - - ii Tóm tắt - iii Mục lục -iv Danh mục hình - viii Danh mục bảng x CHƯƠNG GIỚI THIỆU -1 Phát biểu vấn đề Mục tiêu nghiên cứu đề tài 2.1 Giải thích lý thuyết khả ứng dụng mạng neuron phân loại ảnh viễn thám -3 2.2 Thiết kế xây dựng hệ thống phân loại ảnh viễn thám dựa mơ hình mạng neuron 2.3 Sơ lược cấu trúc đề tài CHƯƠNG GIỚI THIỆU KHOA HỌC VIỄN THÁM -6 Đặt vấn đề -6 Viễn thám -6 2.1 Tổng quan viễn thám -6 2.1.1 Khái niệm viễn thám -6 2.1.2 Cơ sở vật lý viễn thám 2.1.3 Phân loại viễn thám -7 2.2 Một số khái niệm -8 2.2.1 Bộ cảm biến (sensor) 2.2.2 Vật mang (platform) 2.2.3 Một số vệ tinh viễn thám 2.3 Ảnh viễn thám (remote sensing image) 11 2.3.1 Khái niệm: - 11 Trang iv Luận văn tốt nghiệp cao học Gvhd: TS Lê Văn Trung 2.3.2 Ngun lý thu nhận liệu sử dụng viễn thám - 15 2.3.3 Cấu trúc liệu file ảnh số 15 CHƯƠNG CÁC NGHIÊN CỨU CÓ LIÊN QUAN - 17 Giới thiệu - 17 Hướng phân loại thống kê truyền thống 22 2.1 Phân loại khoảng cách ngắn (minimum distance classification) - 22 2.2 Phân loại hình hộp (parallelepiped classification) 23 2.3 Phân loại theo xác suất cực đại (maximum likelihooh classification) - 24 Hướng phân loại dựa mơ hình mạng neuron - 27 3.1 phương pháp phân loại dựa mơ hình mạng neuron - 27 3.2 số vấn đề quan trọng phương pháp phân loại dựa mạng neuron 29 3.3 số kết đạt nghiên cứu trước - 30 CHƯƠNG CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP LUẬN - 32 Giới thiệu mạng neuron - 32 1.1 Khái niệm mạng neuron nhân tạo 32 1.2 Các thành phần cấu trúc mạng neuron - 33 Mơ hình feedforward backpropagation (ffnn) - 39 2.1 Kiến trúc mạng feedforward 40 2.2 Giải thuật backpopagation (bp) 41 2.3 Vai trò ffnn vấn đề phân loại - 49 CHƯƠNG LÝ THUYẾT FFNN TRONG PHÂN LOẠI 51 Giới thiệu - 51 Phương pháp phân loại ffnn 51 2.1 Cấu trúc 51 2.2 Dữ liệu mẫu 52 2.3 Giải thuật backpropagation (bp) 52 Giải thích mối quan hệ MLC FFNN - 56 3.1 Mối quan hệ mlc ffnn - 56 3.2 Tiêu chuẩn dừng st 56 3.3 Ưu điểm hướng đề nghị - 59 Trang v Luận văn tốt nghiệp cao học Gvhd: TS Lê Văn Trung CHƯƠNG THIẾT KẾ VÀ HIỆN THỰC HỆ THỐNG PHÂN LOẠI ẢNH VIỄN THÁM - 60 Giới thiệu - 60 Thiết kế hệ thống phân loại ảnh viễn thám - 60 2.1 Hệ thống lấy tạo mẫu liệu 60 2.2 Hệ thống mạng neuron ffnn - 63 2.2.1 Lựa chọn cấu trúc - 63 2.2.2 Lựa chọn hệ số nhận biết η - 64 2.2.3 Tiêu chuẩn dừng huấn luyện 65 2.3 Hệ thống đánh giá độ xác phân loại 67 2.3.1 Ma trận sai số (error matrix) 68 2.3.2 Chỉ số phù hợp thông tin (information indicator) 69 Lưu đồ chương trình - 71 3.1 Quá trình huấn luyện - 71 3.2 Q trình kiểm tra mơ hình sau huấn luyện 72 3.3 Sử dụng mơ hình sau huấn luyện thiết lập đồ - 73 Giao diện chương trình 74 4.1 Công cụ sử dụng để xây dựng hệ thống phân loại ảnh viễn thám - 74 4.2 Hệ thống lấy tạo mẫu liệu 74 4.3 Hệ thống mạng phân loại ffnn 77 4.3.1 Giai đoạn huấn luyện - 78 4.3.2 Giai đoạn kiểm tra 83 4.4 Hệ thống thiết lập đồ 85 CHƯƠNG ỨNG DỤNG - 87 Giới thiệu - 87 Dữ liệu nghiên cứu 87 Áp dụng - 88 3.1 Phân loại - 88 3.1.1 Chọn kiến trúc - 89 3.2 Chọn liệu huấn luyện - 89 3.2.1 Bộ liệu mẫu 89 3.2.2 Bộ liệu mẫu 89 3.3 Lựa chọn thông số - 90 Trang vi Luận văn tốt nghiệp cao học Gvhd: TS Lê Văn Trung 3.4 Huấn luyện - 90 3.5 Phân loại - 91 3.6 Đánh giá độ xác phân loại 92 3.6.1 Trường hợp liệu - 92 3.6.2 Trường hợp liệu - 93 Kết đạt - 94 4.1 So sánh kết phân loại thực tế mlc ffnn 94 4.2 Vấn đề hiệu mạng tiêu chuẩn dừng 97 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 100 Đánh giá kết đạt -100 1.1 Giải thích lý thuyết khả ứng dụng mạng neuron phân loại ảnh viễn thám 100 1.2 Thiết kế xây dựng hệ thống phân loại ảnh viễn thám dựa mô hình mạng neuron -100 Hướng phát triển đề tài -100 Trang vii Luaän văn tốt nghiệp cao học Gvhd: TS Lê Văn Trung DANH MỤC CÁC HÌNH Trang Hình 2.1 Phổ điện từ viễn thám Hình 2.2 Nguồn lượng xạ mặt trời -8 Hình 2.3 Hình ảnh vật mang sử dụng viễn thám Hình 2.4 Ảnh vệ tinh geos 10 Hình 2.5 Ảnh vệ tinh landsat - 10 Hình 2.6 Ảnh vệ tinh ikonos Ảnh vệ tinh spot - 11 Hình 2.8 Ma trận hàng cột pixel 12 Hình 2.9 Ảnh spot với độ phân giải khơng gian khác 13 Hình 2.10 Đặc trưng phổ số lớp phủ đặc trưng - 14 Hình 2.11 Dạng bil kênh - 15 Hình 2.12 Dạng bsq kênh 16 Hình 2.13 Dạng bip kênh 16 Hình 3.1 Thủ tục phân loại - 20 Hình 3.2 Phân loại giám sát 21 Hình 3.3 Phương pháp phân loại khoảng cách ngắn 23 Hình 3.4 Phương pháp phân loại hình hộp - 24 Hình 3.5 Phương pháp phân loại MLC - 26 Hình 4.1 Mạng neuron sinh học 33 Hình 4.2 Các thành phần mạng neural network - 33 Hình Một số hàm hoạt tính thường dùng - 35 Hình 4.4 Mạng feedforward 36 Hình 4.5 Recurrent neural network 37 Hình 4.6 Q trình xử lí thơng tin neuron - 37 Hình 4.7 Supervised learning 38 Hình 4.8 Unsupervised learning 38 Hình 4.9 Kiến trúc mạng feedforward tầng 40 Hình 4.10 Trạng thái neuron 40 Hình 4.1 Thủ tục huấn luyện - 42 Trang viii Luận văn tốt nghiệp cao học Gvhd: TS Lê Văn Trung Hình 4.12 Giải thuật bp mạng feeđforward 43 Hình 4.13 Tối thiểu cục (local minimum) - 48 Hình 5.1 Bộ phân loại ffnn - 51 Hình 5.2 Tiêu chuẩn dừng st - 57 Hình 6.1 Hệ thống phân loại ảnh viễn thám 62 Hình 6.3 Minh họa tiêu chuẩn dừng “cross validation” 66 Hình 6.4 Lưu đồ trình học 71 Hình 6.5 Lưu đồ trình kiểm tra sau huấn luyện - 72 Hình 6.6 Sử dụng mơ hình sau huấn luyện để phân loại thiết lập đồ 73 Hình 7.1 Tiến trình học tập liệu mẫu - 91 Hình 7.2 Bản đồ phân loại dựa tập liệu huấn luyện 300 pixel91 Hình 7.4 Kết phân loại sử dụng tập liệu mẫu 300 pixel - 95 Hình 7.5 Kết phân loại sử dụng tập liệu mẫu 700 pixel - 96 Hình 7.6 Hiệu suất FFNN với giá trị khác dung sai (ξ) - 98 Hình 7.7 Hiệu suất FFNN huấn luyện với tiêu chuẩn dừng không tiêu chuẩn dừng 99 Trang ix Luận văn tốt nghiệp cao học Gvhd: TS Lê Văn Trung DANH MỤC CÁC BẢNG Bảng 6.1 Thể phần tử ma trận sai số phân loại - 69 Bảng 7.1 Ma trận sai số liệu - 92 Bảng 7.2 Ma trận sai số liệu - 93 Bảng 7.3 Mô tả cần thiết số thông tin S 94 Bảng 7.3 Hiệu suất mơ hình phân loại tập liệu khác - 97 Trang x Chương Ứng dụng huấn luyện với ξ = 0.02 (11000 chu kỳ lặp) không dùng tiêu chuẩn dừng (30.000 chu kỳ lặp) ξ = 0.01 St = 0.064 Độ xác tồn cục: 85.2% Chỉ số thông tin S: 4.76 Số chu kỳ lặp: 40.000 ξ = 0.013 St = 0.079 Độ xác tồn cục: 85.6% Chỉ số thơng tin S: 8.3 Số chu kỳ lặp: 34.000 ξ = 0.02 St = 0.11 Độ xác tồn cục: 91.4% Chỉ số thơng tin S: 0.253 Số chu kỳ lặp: 21.000 Hình 7.6 Hiệu suất FFNN với giá trị khác dung sai (ξ) Trang98 Chương Ứng dụng ξ = 0.02 St = 0.11 Độ xác tồn cục: 91.4% Chỉ số thông tin S: 0.253 Số chu kỳ lặp: 21.000 Khơng dùng tiêu chuẩn dừng Độ xác tồn cục: 92.5% Chỉ số thông tin S: 0.282 Số chu kỳ lặp: 40.000 Khơng dùng tiêu chuẩn dừng Độ xác tồn cục: 92.2% Chỉ số thơng tin S: 0.293 Số chu kỳ lặp: 60.000 Hình 7.7 Hiệu suất FFNN huấn luyện với tiêu chuẩn dừng không tiêu chuẩn dừng Trang99 Chương Kết luận hướng phát triển đề tài Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI Đánh giá kết đạt Trong chương thực tóm tắt mục tiêu nghiên cứu đề tài, kết đạt được, hướng phát triển đề tài Mục tiêu nghiên cứu đề tài là: 1.1 Giải thích lý thuyết khả ứng dụng mạng neuron phân loại ảnh viễn thám Cơ sở lý thuyết khả áp dụng mạng neuron phân loại ảnh viễn thám trình bày chi tiết chương tóm tắt sau: Mơ hình phân loại theo hướng mạng neuron giới thiệu hướng phân loại ảnh đa phổ, giá trị xuất mạng neuron sau huấn luyện xấp xỉ xác suất hậu định Bayes trạng thái neuron tầng xuất đóng vai trị giống phân định tối ưu Ngoài ra, hướng không cần giả định trước hàm phân bố xác suất 1.2 Thiết kế xây dựng hệ thống phân loại ảnh viễn thám dựa mơ hình mạng neuron Với tiêu chuẩn dừng đề nghị, trình huấn luyện kết thúc tự động tỷ lệ lỗi thoã mãn Do vậy, thời gian huấn luyện (số chu kỳ lặp - số epochs) giảm đáng kể đồng thời giúp cân khả ghi nhớ khả tổng quát mạng neuron tránh vấn đề “overfitting” Ngoài ra, để kiểm tra khả ứng dụng thực tế hệ thống FFNN đề nghị phân loại ảnh viễn thám, hệ thống áp dụng để phân loại tập ảnh số đa phổ Landsat7 khu vực thành phố Hồ Chí Minh, đồng thời thơng qua cung cấp cơng cụ tiện ích cho cơng tác theo dõi trạng sử dụng đất Hướng phát triển đề tài Đề tài có hướng phát triển Trang100 Chương Kết luận hướng phát triển đề tài • Hướng thứ nhất: Tìm hiểu kết hợp giải pháp khác tập mờ, gen di truyền, heuristic để cải tiến tốc độ hội tụ giải thuật Backpropagation • Hướng thứ hai: Ảnh đạt sau phân loại “salt peper” nghĩa loại pha trộn phân loại nhầm nên việc tìm hiểu giải thuật để làm trơn “smoothing” kết phân loại ảnh từ mơ hình phân loại FFNN điều cần thiết Trang101 Tài liệu tham khảo TÀI LIỆU THAM KHẢO [001] TS Nguyễn Đình Thúc, “Mạng nơron- Phương Pháp Ứng dụng”, Nhà xuất giáo dục,(2000) [002] E A Wan, "Neural Network Classification: a Bayesian Interpretation," IEEE Trans on NeuralNetworks, vol 1, pp 303-305 [003] G Davidson, K Ouchi, G Saito, N Ishitsuka, K Mohri, S Uratsuka, “Performance Evaluation Of Maximum Likelihood SAR Segmentation For Multi-Temporal Rice Crop Mapping” [004] Reinhold Huber and Luciano V Dutra,”Feature Selection for ERS-1/2 InSAR Classification: High Dimensionality Case”, In Proceedings of International Geoscience and Remote Sensing Symposium, July 1998, Seattle, WA, USA [005] Roland Schwaiger, Reinhold Huber and Helmut A Mayer,”Land Cover classification of Landsat Images Using Problem–Adapted Artificial Neural Networks”, In Soft Computing in Remote Sensing Data Analysis, Elisabetta Binaghi and Pietro Alessandro Brivio and Anna Rampini, editiors,Workshop Proceedings, pp 33–41, December, 1995, Milano, Italy ISBN 9810227574,World Scientific [006] Anas Fauzi, Yousif Ali Hussin, Michael Weir, ”A Comparison Between Neural Networks and Maximum Likelihood Remotely Sensed Data Classifiers To Detect Tropical Rain Logged-over forest Indonesia”, 2001, Paper presented at the 22nd Asian Conference on Remote Sensing, 5-9, Singapore [007] Gordon German, “Neural network classifiers for GIS data: Improved Search Strategies “, 1999 [008] Helmut A Mayer, Roland Schwaiger, Reinhold Huber, “Evolving Topologies of Artificial Neural Networks Adapted to Image Processing Tasks”,1996 Trang102 Tài liệu tham khảo [009] Kozo Okazaki, Hisashi Taketani, Hiroshi Mitsumoto,” Neural Approach to Remote Sensing Image classifiation”,1989 [010] B.Solaiman, M.C Mouchot, “A Comparative Study of Conventional and Neural Network Classification of Multispectral Data”, 2002 [011]Yuttapong Rangsaneri, Punya Thitimajshima, and Somying Promcharoen, “A Study of Neural Network Classification of Jers-1/Ops Images”,1998 [012] Erzsebet Merenyi, ”The challenges in Spectral Image Analysis : An Introduction and Review ANN Approaches”, ESANN'1999 proceedings European Symposium on Artificial Neural NetworksBruges (Belgium), 21-23 April 1999 [013] Alexandso M Jacob, Elder M Hemerly, David Fernandes, “SAR Image Classification Using a Neural Classifier Based on Fisher Criterion”, November 2002 [014] Valluru Rao and Hayagriva Rao,”Neural Networks & Fuzzy logic”, MIS Press, 305-323, 377-416, 1955 [015] Manoj K Arora, “Land Cover Classification from Remote Sensing Data”, 2002 [016] Stephen T Welstead, “Neural Network and Fuzzy Logic Applications in C/C++”, John Wiley&Sons, Inc 59-66,1994 [017] Scott G.Bourne, Mark, R.Graves,”Classification of Land-Cover Types or The Fort Benning Ecoregion Using Enhanced Thematic Mapper Data”,2001 [018] Sameem Abdul-Kareem, Sapiyan Baba, Yong Zulina Zubairi, U Prasad, Mohd Ibrahim A Wahid “Back Propagation Neural Network For Medical Prognosis: A Comparison Of Different Training Algorithms” [019] Martin Davison “Development Of Neural Network Techniques For The Classification Of Multi-Temporal Ers-1 Sar Imagery With Respect To Agricultural Applications” Trang103 Tài liệu tham khảo [020] Alexander N Dolia, Vladimir V Lukin, Jaakko T Astola,…”Neural Networks for local recognition of images with mixed noise”, [021] Alesheikh, Ali A, Fariba Sadeghi Naeeni Fard, ”Improving Maximum Likelihood Classification Accuracy Using A-Priori Probability”, [022] Trung, Le Van, Eihan Shimizu, ” Information Criteria Indicators for the Statiscal Assessment of Remoted Image Classification”, 1995 [023] Michael T Manry, Steven J Apollo, and Qiang Yu,“Minimum Mean Square timation And Neural Networks”, Neurocomputing, vol 13, September 1996, pp 59-74 [024] H He, C Collet, ”Combining Spectral and Textural Features For Multispectral Image Classification with Artificial Neural Networks”,1999 [025] Suresh Subramanian, Nahum Gat, Michael Sheffield, Jacob Barhen,… ”Methodology for Hyperspectral Image Classification Using Novel Neural Network”,1997 [026] Suresh Subramanian, Nahum Gat, Michael Sheffield , Jacob Barhen, Nikzad Toomarian ”Methodology For Hyperspectral Image Classification Using Novel Neural Network”, SPIE Vol 3071 Orlando, FL, April 1997 [027] Zeng Yu, Zhang Jixian, Wang Guangliang, LIN Zongjian, ” Urban LandUse Classification Using Integrated Airborne Laser Scanning Data And High Resolution Multi-Spectral Satellite Imagery”, Pecora 15/Land Satellite Information IV/ISPRS Commission I/FIEOS 2002 Conference Proceedings [028] Wenrui Huang and Catherine Murray,”Application of an Artificial Neural Network to Predict Tidal Currents in an Inlet”, ERDC/CHL CHETN-IV-58 March 2003 [029] Nguyễn Văn Đài, “Giáo trình sở viễn thám”, Hà nội, 1999 [030] Nguyễn Văn Đài, ”Giáo trình thơng tin địa lý”, Hà nội, 1999 [031] TS Lê Văn Trung, “Tập giảng slide mạng nơron” Trang104 Tài liệu tham khảo PHỤ LỤC A QUY ƯỚC VỀ THUẬT NGỮ VÀ KÝ HIỆU Update weights: Cập nhật trọng số Training pattern: Mẫu huấn luyện Descent gradien: Giảm gradien Steepest descent: Giảm theo hướng dốc Activiation: Hàm hoạt tính Initialize weights: Khởi tạo trọng số Backpropagation: Lan truyền ngược Backpropagation error: Lan truyền ngược sai số Recurrent network: Mạng hồi quy Neural network (NN): Mạng neuron Multi-layer network: Mạng đa tầng ANN (Artificial neural network): Mạng neuronnhân tạo FFNN (Feedforward Backpropagation Neural Network): Mạng neuron với kiến trúc mạng hướng tới giải thuật lan truyền ngược Neuron: Đơn vị tính tốn Input neuron: Neuron tầng nhập Hidden neuron: Neuron tầng ẩn Output neuron: Neuron tầng xuất Input layer: Tầng nhập Output layer: Tầng xuất Hidden layer: Tầng ẩn Classification: Phân loại, phân lớp Classifier: Bộ phân loại Learning process: Quá trình học Testing process: Quá trình kiểm tra Trang105 Tài liệu tham khảo P: xác suất ∑: Tổng wij: Trọng số nối neuron thứ i neuron thứ j η: Tham số nhận biết α: hệ số momentum Trang106 Tài liệu tham khảo PHỤ LỤC B CÁC CẤU TRÚC FILE MẪU CỦA CHƯƠNG TRÌNH FFNN Phần sau trình bày cấu trúc sử dụng chương trình FFNN Các file có cấu trúc ngơn ngữ XML, tạo chương trình editor wordpad, notepad hay xml notepad v.v Cấu trúc file liệu 2 90.0 24.0 14.0 3 1.0 90.0 24.0 14.0 3 2.0 hcm01 126 76 1 0 hcm04 108 23 1 0 hcm07 136 9 1 Trang107 Tài liệu tham khảo 0 Classes 0 0 0 51,0,255 song 1 51,153,0 lua 2 2 4 Cấu trúc file cấu hình mơ hình mạng neuron 3 3 Multilayer Perceptron Sigmoid Sigmoid 0 0 3 3 Sum-squared hcm01 126 76 1 0 hcm04 108 23 1 0 Trang108 Tài liệu tham khảo hcm07 136 9 1 0 Classes 0 0 0 51,0,255 song 1 51,153,0 lua 2 204,153,255 nha 3 2 4 Trang109 Taøi liệu tham khảo Cấu trúc file trọng số 0.4874774237346072 -1.9973588171146985 -1.0948161841589346 -0.0991887692749162 0 0.5532819528435501 7.869679018913803 -12.070823863166108 -10.35311862408971 1 0.16853108934719224 1.0741265653698517 -9.21209271525477 8.211244381587274 2 1 -67.66894828479731 -0.6049475313730245 154.07788040044142 -38.49878121192358 0 58.88487225618758 0.7494661920099811 -121.28236850200364 -136.91794697832714 1 -66.96433455015654 0.10773826964546925 -63.35361234226818 144.8834328682342 2 Trang110 Tài liệu tham khảo Cấu trúc file polygon vùng lấy mẫu 236 83 231 93 239 92 245 89 236 83 102,102,255 1 229 159 220 167 232 166 Trang111 Tài liệu tham khảo 232 166 229 159 102,204,0 2 101 74 94 81 109 82 109 82 101 74 204,102,255 3 3 Trang112 ... neuron hướng phân loại dựa theo phương pháp truyền thống hay cịn gọi phương pháp thống kê để đánh giá khả áp dụng mạng neuron cho vấn đề phân loại ảnh viễn thám Trong phân loại ảnh viễn thám, MLC... thuyết khả ứng dụng Neural Network vào toán phân loại ảnh viễn thám cách tìm hiểu phương pháp phân loại trước đây, đặc biệt mối quan hệ phương pháp phân loại MLC phương pháp phân loại dựa mạng... quan Phân loại dựa luật phân loại tiêu thiết lập để gắn cho pixel với loại loại xác định bước Có nhiều kỹ thuật phân loại khác như: Phân loại hình hộp (Parallelepiped Classification ) Phân loại