Phân loại lớp phủ từ dữ liệu ảnh vệ tinh dựa trên phương pháp phân cụm phổ

Phân cụm ảnh là tìm ra các cấu trúc nhóm có những đặc tính tương đồng để tạo thành cụm. Có nhiều phương pháp phân cụm khác nhau nhưng hầu hết đều cùng chiến lược là dựa vào sự khác nhau về màu sắc để phân chia các điểm ảnh về các cụm. Bài viết giải quyết vấn đề phân loại nhanh lớp phủ ảnh vệ tinh dựa trên phương pháp phân cụm phổ phục vụ công tác ngụy trang.

Nghiên cứu khoa học công nghệ PHÂN LOẠI LỚP PHỦ TỪ DỮ LIỆU ẢNH VỆ TINH DỰA TRÊN PHƯƠNG PHÁP PHÂN CỤM PHỔ Mai Đình Sinh1*, Đinh Văn Hội2,3 Tóm tắt: Phân cụm ảnh tìm cấu trúc nhóm có đặc tính tương đồng để tạo thành cụm Có nhiều phương pháp phân cụm khác hầu hết chiến lược dựa vào khác màu sắc để phân chia điểm ảnh cụm Do tính chất phức tạp liệu ảnh vệ tinh thông tin ảnh thường bị chồng lấp hình dạng phức tạp đối tượng ảnh, đó, việc sử dụng phương pháp truyền thống tổ hợp màu, phân ngưỡng,… có ưu điểm dễ cài đặt có độ xác thấp Phân cụm phổ phương pháp phân cụm dựa lý thuyết đồ thị, có khả phân loại tốt liệu mà có cấu trúc hình dạng phức tạp liệu ảnh vệ tinh Do yêu cầu tác chiến nay, người huy cần phải có thơng tin tức thời hình thái khu vực tác chiến để có phương án bố trí cơng sự, trận địa hợp lý Bài báo giải vấn đề phân loại nhanh lớp phủ ảnh vệ tinh dựa phương pháp phân cụm phổ phục vụ cơng tác ngụy trang Từ khóa: Phân cụm phổ, Ảnh vệ tinh, Fuzzy c-means, Phân loại lớp phủ ĐẶT VẤN ĐỀ Viễn thám lĩnh vực khoa học giúp thu thập thông tin đối tượng bề mặt trái đất mà không cần tiếp xúc trực tiếp với chúng, nguyên lý viễn thám đặc trưng phản xạ hay xạ đối tượng tự nhiên tương ứng với giải phổ khác [2] Ảnh viễn thám có ưu điểm phủ trùm khu vực rộng lớn, liệu ảnh cập nhật thường xuyên số loại ảnh vệ tinh cung cấp miễn phí mạng internet Dữ liệu ảnh vệ tinh khó phân cụm cách hiệu chồng lấp hình thù phức tạp đối tượng ảnh [3] Hơn nữa, lựa chọn thuật toán phân cụm phụ thuộc vào liệu khám phá, chất lượng lời giải phân cụm bị ảnh hưởng độ đo sử dụng để đánh giá tương tự (khoảng cách) điểm ảnh Cho đến nay, có nhiều cơng trình nghiên cứu toán phân loại đối tượng ảnh vệ tinh với nhiều phương pháp khác [5, 7] Những nghiên cứu nước phân loại lớp phủ ảnh vệ tinh cho thấy, phương pháp sử dụng ảnh viễn thám để thành lập đồ trạng lớp phủ đất có hiệu lớn Với ưu điểm diện tích phủ rộng, liệu ảnh phong phú, thời gian chụp lặp lại khu vực vài ngày, không tốn nhiều thời gian, công sức chi phí so với phương pháp khác, cơng nghệ viễn thám sử dụng hiệu xây dựng đồ trạng lớp phủ phạm vi rộng lớn cách nhanh chóng, nhằm hỗ trợ người huy lập phương án ngụy trang hợp lý, giảm thiểu thương vong người vũ khí trang bị Đối với vùng mà ranh giới khơng rõ ràng kết phân loại thuật tốn thống kê truyền thống thường khơng đảm bảo thời gian kinh phí, chí khơng phân loại với khu vực rừng núi hiểm trở, vậy, kết phân loại lớp phủ thường có độ xác thấp Phương pháp sử dụng ảnh vệ tinh kết hợp với số liệu đo đạc thực địa có độ xác cao chi phí xây dựng đồ lớp phủ lớn tốn nhiều thời gian đáp ứng tức thời điều kiện tác chiến Thông tin địa hình, địa vật đặc biệt có ý nghĩa quan trọng lĩnh vực quốc phòng - an ninh Do đặc điểm vệ tinh thu thập thơng tin đối tượng bề mặt trái đất mà không cần tiếp xúc trực tiếp với chúng, đặc biệt khu vực rừng núi Tạp chí Nghiên cứu KH&CN quân sự, Số 50, 08 - 2017 153 Công nghệ thơng tin & Cơ sở tốn học cho tin học hiểm trở, cơng việc đo đạc khó khơng thể thực được, lý để tác giả thực nghiên cứu Trong báo này, tác giả đề xuất phương pháp phân loại lớp phủ từ liệu ảnh vệ tinh Landsat dựa thuật toán phân cụm phổ Để đánh giá hiệu độ xác phương pháp đề xuất, sử dụng số số sử dụng phổ biến để đánh giá chất lượng kết phân cụm với số thuật toán phân cụm phổ biến k-Means, iso-data, fuzzy c-means Bài báo gồm phần chính, Phần đặt vấn đề; Phần sở lý thuyết phương pháp giải quyết; Phần thực nghiệm Phần kết luận CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP GIẢI QUYẾT 2.1 Cơ sở lý thuyết Phân cụm phổ phương pháp phát cấu trúc nhóm tập liệu, dựa việc xem xét điểm liệu nút đồ thị liên thông, phương pháp giới thiệu lần Donath, Hoffman [10] Fiedler [8] Coi tập liệu biểu diễn liệu ảnh vệ tinh đa phổ x1 , x2 , , xn Các cụm phát dựa độ đo mức độ tương tự cấu trúc cụm khoảng cách Eulidean không gian màu [4] Giả sử ta có tập liệu n điểm ảnh X  {x1 , x2 , , xn } , ta đo độ tương tự cặp điểm ảnh xi , x j ký hiệu ma trận tương tự tương ứng S  ( sij ) nxn , ma trận cho thấy mức độ tương đồng điểm ảnh Trong phân cụm phổ giá trị biểu thị mức độ tương tự điểm ảnh thường tính dựa hàm Gaussian:  d (x i ,x j )  sij  exp    Với  tham số người dùng định nghĩa, giá trị  tối ưu  2   giá trị mà cho kết phân cụm tốt d ( xi , x j ) khoảng cách không gian màu hai điểm ảnh xi , x j Giả sử ta coi tập liệu đồ thị vô hướng G  ( X , S ) X tập đỉnh (điểm ảnh) S tập cạnh Khi đó, S  ( sij ) nxn ma trận trọng số đồ thị, sij  hai đỉnh xi , x j không liên thông sij  s ji G đồ thị vô hướng [9] Xây dựng ma trận đường chéo D với giá trị d i miêu tả trọng số nút độ thị: d i   s(i, j ) với j tương ứng số đỉnh kề với đỉnh i j Xây dựng ma trận Laplace từ ma trận S ma trận D trên: L  D 1/2 SD 1/2 , ma trận sử dụng để trích xuất k cụm việc tìm k véc tơ riêng với k giá trị riêng lớn Các bước thực thuật toán phân cụm phổ (SC): n Tham chiếu tập liệu ban đầu vào không gian R Định nghĩa ma trận kề S , sử dụng hàm Gaussian: S  {sij} Xây dựng đồ thị Laplacian L từ ma trận kề S: L  D 1/2 SD 1/2 Tìm giá trị riêng theo công thức Lv   v 154 M Đ Sinh, Đ V Hội, “Phân loại lớp phủ từ liệu ảnh … phương pháp phân cụm phổ.” Nghiên cứu khoa học công nghệ Lựa chọn k véc tơ riêng vi , i  1, , k tương ứng với k giá trị riêng lớn i , i  1, , k định nghĩa không gian k chiều Phân cụm tập liệu không gian k chiều thành k cụm Thuật tốn chuyển đổi khơng gian liệu ban đầu vào khơng gian liệu k chiều (k số cụm cần phải phân loại) Do tính chất đồ thị Laplace, thay đổi biểu diễn làm tăng khả phân cụm liệu, đến mức cụm phát dễ dàng biểu diễn Và sử dụng thuật tốn phân cụm thơng thường thuật tốn k-Means để phát cụm biểu diễn 2.2 Áp dụng phương pháp phân cụm phổ phân loại lớp phủ ảnh vệ tinh 2.2.1 Dữ liệu ảnh vệ tinh Ảnh viễn thám (ảnh vệ tinh): ảnh số thể vật thể bề mặt trái đất thu nhận cảm biến đặt vệ tinh Nguyên lý viễn thám đặc trưng phản xạ hay xạ đối tượng tự nhiên tương ứng với giải phổ khác Kết việc giải đốn lớp thơng tin phụ thuộc nhiều vào hiểu biết mối tương quan đặc trưng phản xạ phổ với chất, trạng thái đối tượng tự nhiên Những thông tin đặc trưng phản xạ phổ đối tượng tự nhiên cho phép nhà chuyên môn chọn kênh ảnh tối ưu, chứa nhiều thông tin đối tượng nghiên cứu, đồng thời sở để phân tích nghiên cứu tính chất đối tượng, tiến tới phân loại chúng Dữ liệu ảnh vệ tinh thường có nhiều kênh ảnh khác tương ứng với bước sóng phản xạ phổ khác đối tượng mặt đất Trong số đó, kênh đỏ cận hồng ngoại (kênh 3, ảnh Landsat TM, ETM+; kênh 4, ảnh Landsat 8) sử dụng để tính số thực vật (NDVI) [5] theo cơng thức sau:    RED (1) NDVI  NIR  NIR   RED Trong đó, ρNIR, ρRED phản xạ phổ kênh cận hồng ngoại đỏ Chỉ số thực vật có giá trị từ -1 đến +1, giá trị NDVI cao cho biết khu vực có nhiều thực vật Tuy nhiên, số NDVI tính tốn kênh ảnh số nhiều kênh ảnh ảnh vệ tinh, đó, số không phản ảnh hết thông tin bề mặt đất Thông thường người dùng phải sử dụng kết hợp số với phương pháp khác trích chọn ảnh, đo đạc ngồi thực địa,… Các phương pháp thường tốn nhiều thời gian, đặc biệt khu vực rừng núi, địa hình hiểm trở Vì vậy, nhóm tác giả đề xuất phương pháp sử dụng số thực vật NDVI với với kênh ảnh đa phổ ảnh Landsat để phân loại tự động đối tượng lớp phủ ảnh vệ tinh 2.2.2 Phân loại lớp phủ ảnh vệ tinh Để áp dụng phương pháp phân cụm phổ vào phân loại ảnh vệ tinh, cần phải chuyển liệu ảnh vệ tinh thành liệu đầu vào theo cấu trúc thuật toán phân cụm phổ Giả sử ảnh vệ tinh Landsat có b kênh ảnh, nghiên cứu này, nhóm tác giả bổ sung thêm liệu ảnh số NDVI kênh, vậy, liệu dùng để phân loại gồm có b  kênh ảnh Với bổ sung thêm thông tin lớp phủ thực vật giúp việc phân loại lớp phủ thực vật tăng cường độ xác Bài tốn cần phân tách tập n vectơ đối tượng liệu X  {x1 , x2 , , xn } vào nhóm đối tượng, đối tượng xi , i  0, , n vectơ có b  thành phần Bài tốn cần Tạp chí Nghiên cứu KH&CN quân sự, Số 50, 08 - 2017 155 Công nghệ thông tin & Cơ sở toán học cho tin học xây dựng đồ thị vô hướng mà điểm đối tượng xi , xây dựng ma trận tương tự theo phương pháp trình bày trên, đặt S ma trận trọng số nó:  d (x i ,x j )  sij  exp     2   (2) Tính ma trận Laplace L tìm k véc tơ riêng có giá trị riêng lớn 1 , 2 , , k ma trận L : L  D 1/2 SD 1/2 (3) Đặt E  R nxk ma trận gồm cột véc tơ 1 , 2 , , k , với i  0, , n , đặt yi  R k véc tơ tương ứng với hàng thứ i E Lúc này, tập liệu ban đầu k không gian b  chuyển không gian Y  ( yi )i 1, , n  R toán ban đầu trở thành toán phân cụm tập liệu Y k Để phân cụm liệu tập Y  ( yi )i 1, , n  R có nhiều phương pháp khác từ phân cụm rõ đơn k-Means phát triển đến thuật toán phân cụm mờ loại Fuzzy c-Means (FCM) James C.Bezdek (1984) [6], đặc điểm liệu ảnh vệ tinh phức tạp sơ với ảnh màu thơng thường, vậy, tác giả lựa chọn thuật toán FCM để phân cụm tập liệu Y nhằm tăng cường hiệu phân loại lớp phủ Bài toán phân cụm FCM tốn tìm độ thuộc uij nhằm tối thiểu hóa hàm mục tiêu: n k J (U , v )    uijm d ij2 ,1  m   (4) i 1 j 1 Trong đó: + d ij  yi  c j khoảng cách theo thước đo Euclide mẫu liệu yi với trọng tâm cụm thứ c j , j  1, , k + uij  [0,1] bậc hay độ thuộc liệu mẫu yi với cụm thứ c j , j  1, , k + C  [c1 , , ck ] ma trận biểu diễn giá trị tâm cụm Thuật tốn FCM cung cấp q trình lặp qua lại phương trình hàm thuộc:  d  m 1 uij  /   ij  ,1  l  k ,1  i  n l 1  d il  k (5) Và trọng tâm cụm: n n m c j   (uij ) yi /  (uij ) m ,1  j  k i 1 (6) i 1 Một phân cụm, nghĩa hàm mục tiêu (4) đạt giá trị tối thiểu, mà chủ yếu dựa độ tương tự yi trọng tâm cụm c j , điều tương đương với hai điều kiện (5) (6) phải thỏa mãn ràng buộc Sau vòng lặp, thuật tốn tính tốn cập nhật 156 M Đ Sinh, Đ V Hội, “Phân loại lớp phủ từ liệu ảnh … phương pháp phân cụm phổ.” Nghiên cứu khoa học công nghệ ( t 1)  J (t ) }   phần tử uij ma trận phân hoạch U Phép lặp dừng max{ J  chuẩn kết thúc nằm khoảng [0,1] t số bước lặp Phương pháp đề xuất gồm bước chính, bước sử dụng phân cụm phổ để chuyển tập liệu ban đầu X sang tập liệu Y không gian bước sử dụng thuật toán FCM để phân cụm tập liệu Y Đầu vào: Dữ liệu ảnh vệ tinh, số cụm k khởi tạo trọng tâm C  [c1 , , ck ] , tham số mờ m điều kiện dừng  Đầu ra: Bản đồ lớp phủ đất với k lớp phủ tơ màu chồng lên Hình Sơ đồ phương pháp phân loại lớp phủ từ liệu ảnh vệ tinh Chi tiết bước thực thuật toán phân cụm phổ mờ (FSC) sau: Bước 1: Tính giá trị NDVI theo cơng thức (1) Bước 2: Tham chiếu kênh ảnh liệu ban đầu giá trị số NDVI vào không b 1 gian R : X  {x1 , x2 , , xn } Bước 3: Xây dựng ma trận trọng số S  ( sij ) nxn theo công thức (2) Bước 4: Xây dựng đồ thị Laplacian L từ ma trận kề S ma trận đường chéo D theo (3) Bước 5: Tìm giá trị riêng theo công thức Lv   v Bước 6: Lựa chọn k véc tơ riêng vi , i  1, , k tương ứng với k giá trị riêng lớn i , i  1, , k định nghĩa không gian k chiều Y  ( yi )i 1, , n  R k Bước 7: Tính giá trị hàm thuộc uij theo (5) Tạp chí Nghiên cứu KH&CN quân sự, Số 50, 08 - 2017 157 Cơng nghệ thơng tin & Cơ sở tốn học cho tin học Bước 8: Cập nhật trọng tâm ci , i  1, , k theo (6) Bước 9: max{ J Tính ( t 1) J giá (t ) trị hàm thuộc J kiểm tra điều kiện dừng }   , thỏa mãn chuyển sang bước 10, ngược lại quay lại bước Bước 10: Đưa kết phân cụm A1 , A2 , , Ak với A j  {i|y i  c j } , đánh giá độ xác, gán màu cho lớp hiển thị kết Chi tiết sơ đồ phương pháp tác giả đề xuất thể hình 2.2.3 Đánh giá kết phân cụm Để đánh giá chất lượng cụm sau phân phân, sử dụng số sai số trung bình bình phương MSE (Mean Squared Error index) [1] số chất lượng hình ảnh IQI (Image Quality Index) [11] Với X   xi    x1 , x2 , , xN  Y   yi    y1 , y2 , , y N  tương ứng ảnh ban đầu ảnh kết sau phân cụm - Chỉ số MSE tính theo cơng thức: MSE( x, y)  N (xi  yi )2 N i1 (7) Giá trị MSE nhỏ chất lượng cụm sau phân loại tốt - Chỉ số IQI tính theo cơng thức sau: IQI  4 xy x y 2 ( x2   y2 )( x  y ) (8) N N N N 2 , , x , y  y   (x  x )   (yi  y )     i i x i y N i 1 N i 1 N  i 1 N  i 1 N   (x i  x)(yi  y) Giá trị tốt yi  xi , giá trị N  i 1 Với x   xy -1 xảy yi  x  xi với i  1, N , N số điểm ảnh THỰC NGHIỆM 3.1 Thực nghiệm a) b) Hình Ảnh màu RGB ảnh kết phân loại khu vực Quỳ Hợp năm 2016 158 M Đ Sinh, Đ V Hội, “Phân loại lớp phủ từ liệu ảnh … phương pháp phân cụm phổ.” Nghiên cứu khoa học công nghệ Trong thực nghiệm 1, liệu ảnh viễn thám Landsat chụp năm 2016 sử dụng để phân tích thành lập đồ thảm phủ Tọa độ từ 104° 47' 8.7541" E, 19° 29' 1.3803" N đến 105° 31' 35.7251" E, 19° 09' 32.6510" N, với diện tích 941,28 km2 Dữ liệu ảnh vệ tinh phân loại theo đối tượng lớp phủ, bao gồm: mặt nước (1); Đất trống, đất (2); Đồng cỏ, bụi (3); Rừng nghèo (4); Rừng trồng, rừng tái sinh (5); Rừng tự nhiên (6) Hình ảnh màu RGB khu vực nghiên cứu ảnh kết sau phân loại, hình 2b thấy khu vực có tập trung phía Đơng phía Nam huyện Quỳ Hợp, khu vực rừng rậm tập trung nhiều khu vực đồi núi phía Bắc phía Tây Số liệu cụ thể lớp phủ thể bảng Bảng Số liệu lớp phủ năm 2016 huyện Quỳ Hợp Màu sắc Số pixel Phần Diện tích STT Tên đối tượng trăm (km2) Sơng ngịi, ao hồ 33.951 3,240% 30,499 Đất trống, đất xây dựng 252.338 24,082% 226,680 Đồng cỏ, thực vật thưa 263.122 25,111% 236,367 Cây gỗ thấp 208.419 19,891% 187,227 Rừng trồng 174.337 16,638% 156,610 Thực vật dày, lâu năm 115.658 11,038% 103,898 Bảng Chỉ số đánh giá chất lượng phân loại khu vực Quỳ Hợp STT Chỉ số k-Means Iso-data FCM FSC MSE 5,9821 3,6724 1,1893 0,1876 IQI -0.1237 0,3768 0,5652 0,7871 Bảng số đánh giá kết phân loại thuật toán k-Means, Iso-data, FCM FSC Số liệu bảng cho thấy kết phân loại thuật toán FSC cho kết tốt với giá trị số MSE IQI 0,1876 0,7871 Trong đó, thuật tốn phân cụm mờ FCM cho kết tốt thuật toán Iso-data k-Means, thuật toán k-Means cho kết phân loại với số MSE IQI 5,9821 -0,1237 3.2 Thực nghiệm Thực nghiệm với liệu ảnh viễn thám Landsat chụp năm 2014 khu vực huyện Bảo Lâm – Lâm Đồng Tọa độ từ 107° 04' 21.7560" E, 11° 56' 32.3488" N 108° 22' 40.0897" E, 11° 20' 22.1085" N, với diện tích 1465 km2 Dữ liệu ảnh vệ tinh phân loại theo đối tượng lớp phủ, bao gồm: mặt nước (1); Đất trống, đất (2); Đồng cỏ, bụi (3); Rừng nghèo (4); Rừng trồng, rừng tái sinh (5); Rừng tự nhiên (6) a) b) Hình Ảnh màu RGB ảnh kết phân loại khu vực Bảo Lâm năm 2014 Tạp chí Nghiên cứu KH&CN quân sự, Số 50, 08 - 2017 159 Công nghệ thông tin & Cơ sở tốn học cho tin học Hình ảnh màu RGB khu vực Bảo Lâm ảnh kết sau phân loại, hình 3b thấy khu vực có tập trung phía Đơng Nam phía Nam huyện Bảo Lâm, khu vực rừng rậm tập trung nhiều khu vực đồi núi phía Bắc phía Tây Bắc Số liệu cụ thể lớp phủ thể bảng Bảng số đánh giá kết phân loại thuật toán k-Means, Iso-data, FCM FSC Thuật toán k-Means cho kết với giá trị số MSE 4,9784 số IQI 0,0098 Thuật toán FSC cho kết phân loại tốt với giá trị số MSE IQI 0,1683 0,8429 Thuật toán phân cụm mờ FCM cho kết tốt thuật toán Iso-data k-Means Bảng Số liệu lớp phủ năm 2014 huyện Bảo Lâm STT Tên đối tượng Màu sắc Sơng ngịi, ao hồ Đất trống, đất xây dựng Đồng cỏ, thực vật thưa Cây gỗ thấp Rừng trồng Thực vật dày, lâu năm Số pixel Phần trăm Diện tích (km2) 384.914 5,078% 74,391 1.077.941 14,221% 208,331 1.497.061 19,750% 289,333 1.656.004 21,846% 320,051 1.701.277 22,444% 328,801 1.262.986 16,662% 244,094 Bảng Chỉ số đánh giá chất lượng phân loại khu vực Bảo Lâm STT Chỉ số MSE IQI k-Means 4,9784 0,0098 Iso-data 1,9768 0,3329 FCM 1,3821 0,5683 FSC 0,1683 0,8429 Các thuật toán k-Means, Iso-data FCM phân loại trực tiếp tập liệu ban đầu, kết phân cụm phụ thuộc nhiều vào chất lượng liệu ban đầu tham số khởi tạo Thuật tốn FSC cho kết tốt liệu ảnh vệ tinh ban đầu qua thuật toán phân cụm phổ chuyển từ không gian liệu ban đầu không gian liệu với số chiều số cụm cần phân loại, giúp cho việc phân loại dễ dàng có độ xác cao nhiều so với thuật toán khác Kết cho thấy áp dụng vào thành lập nhanh đồ lớp phủ từ liệu ảnh vệ tinh, giảm thiểu tối đa thời gian so với phương pháp thành lập đồ lớp phủ dựa số liệu thống kê, đo đạc thực địa đảm bảo độ xác cao nhiều so với số phương pháp phân loại phổ biến kMeans, Iso-data, FCM KẾT LUẬN Trong báo này, nghiên cứu áp dụng thuật toán phân cụm phổ vào giải toán phân loại lớp phủ đất từ liệu ảnh vệ tinh Với yêu cầu độ xác khơng q cao hồn tồn áp dụng phương pháp để đưa đồ trạng lớp phủ đất cách nhanh chóng Nghiên cứu tiền đề cho nghiên cứu kết hợp với mơ hình số độ cao để đưa đồ số địa hình, hỗ trợ người huy việc vạch tuyến hành quân xây dựng phương án tác chiến Trong thời gian tới, thử nghiệm nhiều loại ảnh vệ tinh khác nghiên cứu kết hợp kết đồ lớp phủ với mơ hình số độ cao việc phân tích địa hình TÀI LIỆU THAM KHẢO [1] Bezdek J., Pal N – “Some new indexes of cluster validity” IEEE Transactions on Systems, Man and Cybernetics (1998) 301-315 160 M Đ Sinh, Đ V Hội, “Phân loại lớp phủ từ liệu ảnh … phương pháp phân cụm phổ.” Nghiên cứu khoa học công nghệ [2] Dinh-Sinh Mai and Long Thanh Ngo, “Semi-Supervised Fuzzy C-Means Clustering for Change Detection from Multispectral Satellite Image”, 2015 IEEE International Conference on Fuzzy Systems, 2015, pp.1-8 [3] Eric K Forkuo, Adubofour Frimpong – “Analysis of Forest Cover Change detection”, International Journal of Remote Sensing Applications 2(4) (2012) 82-92 [4] Feng Zhao, Hanqiang Liu, Licheng Jiao, “Spectral clustering with fuzzy similarity measure”, Digital Signal Processing 21 (2011) 701–709 [5] Grant J Firl, Lane Carter “Calculating Vegetation Indices from Landsat TM and Landsat ETM+ Data” (2011) [6] James C Bezdek, Robert Ehrlich and William Full FCM: “The fuzzy c-means clustering algorithm”, Computers & Geosciences, Vol 10, Issues 2–3, 1984, Pages 191–203 [7] Long Thanh Ngo and Dinh Dung Nguyen – “Land cover classification using interval type-2 fuzzy clustering for multi-spectral satellite imagery”, IEEE Conference on Systems, Man and Cybernetics, 2012, pp 2371 - 2376 [8] M Fiedler, “Algebraic connectivity of graphs” Czechoslovak Math J., 23, 298 – 305, 1973 [9] Peng Yang, Qingsheng Zhu, Biao Huang, “Spectral clustering with density sensitive similarity function”, Knowledge-Based Systems 24 (2011) 621–628 [10] W E Donath, A J Hoffman, “Lower bounds for the partitioning of graphs” IBM J Res Develop., 17, 420 – 425, 1973 [11] Wang Z and Bovik A C “A universal image quality index.” IEEE signal processing letters, vol 9, no 3, 2002, 81-84 ABSTRACT LANDCOVER CLASSIFICATION FROM SATELLITE IMAGE DATA BASED ON THE SPECTRAL CLUSTERING METHOD Image Segmentation is to finding group structure with characteristics similar There are many different methods of clustering, but almost all the same strategy is based on the difference in colors to assign the pixels into clusters Due to the complexity of satellite image data, image information is often overlapping and complex shape of the objects in the image, so the use of traditional methods such as color combinations, thresholding has the advantage of easy installation but low precision Spectral clustering is based on graph theory, have capability to classify well the data has structured and shapes complex, such as satellite image data In the war, the commander need have immediate information about the status of the warfare region to constructing plan logical warfare The article solve the problem faster landcover classification based on spectral clustering methods in service of camouflage using Landsat satellite image Keywords: Spectral clustering, Satellite image, Fuzzy c-means, Landcover classification Nhận ngày 05 tháng 01 năm 2017 Hoàn thiện ngày 06 tháng 02 năm 2017 Chấp nhận đăng ngày 18 tháng năm 2017 Địa chỉ: Học viện Kỹ thuật quân sự; Học viện Lục quân ; Lớp cao học CNTT Khóa 27 – Học viện Kỹ thuật quân * Email: maidinhsinh@gmail.com Tạp chí Nghiên cứu KH&CN quân sự, Số 50, 08 - 2017 161 ... xuất phương pháp sử dụng số thực vật NDVI với với kênh ảnh đa phổ ảnh Landsat để phân loại tự động đối tượng lớp phủ ảnh vệ tinh 2.2.2 Phân loại lớp phủ ảnh vệ tinh Để áp dụng phương pháp phân cụm. .. xuất phương pháp phân loại lớp phủ từ liệu ảnh vệ tinh Landsat dựa thuật toán phân cụm phổ Để đánh giá hiệu độ xác phương pháp đề xuất, sử dụng số số sử dụng phổ biến để đánh giá chất lượng kết phân. .. phương pháp phân cụm phổ vào phân loại ảnh vệ tinh, cần phải chuyển liệu ảnh vệ tinh thành liệu đầu vào theo cấu trúc thuật toán phân cụm phổ Giả sử ảnh vệ tinh Landsat có b kênh ảnh, nghiên cứu này,