Ứng dụng mạng neuron hopfield tăng độ phân giải bản đồ lớp phủ từ ảnh viễn thám

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT -*** - ĐỖ MẠNH HÀ ỨNG DỤNG MẠNG NEURON HOPFIELD TĂNG ĐỘ PHÂN GIẢI BẢN ĐỒ LỚP PHỦ TỪ ẢNH VIỄN THÁM LUẬN VĂN THẠC SĨ KỸ THUẬT HÀ NỘI – 2012 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT ĐỖ MẠNH HÀ ỨNG DỤNG MẠNG NEURON HOPFIELD TĂNG ĐỘ PHÂN GIẢI BẢN ĐỒ LỚP PHỦ TỪ ẢNH VIỄN THÁM CHUYÊN NGÀNH: KỸ THUẬT TRẮC ĐỊA MÃ SỐ: 60.52.85 LUẬN VĂN THẠC SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC TS Nguyễn Quang Minh HÀ NỘI - 2012 LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác Hà nội, ngày 14 tháng năm 2012 Tác giả luận văn Đỗ Mạnh Hà MỤC LỤC LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC BẢNG BIỂU DANH MỤC CÁC HÌNH VẼ MỞ ĐẦU Chương CƠ SỞ VỀ VIỄN THÁM VÀ PHÂN LOẠI ẢNH VIỄN THÁM 10 1.1 Khái niệm viễn thám 10 1.1.1 Định nghĩa viễn thám 10 1.1.2 Khái niệm ảnh phổ ảnh toàn sắc 11 1.1.3 Các hệ thống thu nhận ảnh viễn thám 13 1.1.4 Các vệ tinh viễn thám phổ biến 15 1.2 Các khái niệm 21 1.2.1 Định nghĩa điểm ảnh (pixel) 21 1.2.2 Độ phân giải ảnh viễn thám 21 1.3 Phân loại ảnh viễn thám 29 1.3.1 Định nghĩa lớp phủ/ lớp sử dụng đất 29 1.3.2 Khái niệm phân loại ảnh viễn thám 30 Chương SIÊU PHÂN GIẢI VÀ MẠNG NEURON HOPFIELD 41 2.1 Giới thiệu phân loại mềm 41 2.1.1 Các phương pháp phân loại mềm dựa lý thuyết xác suất 41 2.1.2 Các phương pháp phân loại mềm sử dụng mạng neuron 43 2.1.3 Một số phương pháp phân loại mềm khác 47 2.2 Khái niệm siêu phân giải đồ lớp phủ 48 2.2.1 Khái niệm siêu phân giải 48 2.2.2 Định nghĩa siêu phân giải đồ lớp phủ 49 2.3 Một số phương pháp siêu phân giải đồ lớp phủ 51 2.3.1 Phương pháp độ liên kết cực đại 51 2.3.2 Phương pháp sử dụng kết hợp với đồ vector 52 2.3.3 Phương pháp tối ưu tuyến tính 53 2.3.4 Phương pháp tối ưu two-point histogram 53 2.3.5 Phương pháp sử dụng thuật toán gen 54 2.3.6 Phương pháp tối ưu hóa sử dụng feed-forward neuron network 55 2.4 Phương pháp tối ưu hóa sử dụng mạng neuron Hopfield 55 2.4.1 Định nghĩa mạng neuron Hopfield 55 2.4.2 Ứng dụng mạng neuron Hopfield cho siêu phân giải 56 Chương SIÊU PHÂN GIẢI SỬ DỤNG MẠNG NEURON HOPFIELD TĂNG ĐỘ PHÂN GIẢI BẢN ĐỒ LỚP PHỦ 63 3.1 Xây dựng mơ hình thuật tốn 63 3.2.1 Xây dựng mơ hình 63 3.2.2 Thiết lập hàm mục tiêu điều kiện 64 3.2 Vấn đề ứng dụng mạng neuron Hopfield Việt Nam 65 3.3 Thực nghiệm 65 3.3.1 Dữ liệu 65 3.3.2 Kết số nhận xét 73 KẾT LUẬN VÀ KIẾN NGHỊ 75 TÀI LIỆU THAM KHẢO 77 DANH MỤC CÁC BẢNG BIỂU Bảng 1.1 Thông tin vệ tinh viễn thám phổ biến (nguồn từ [2], [9]) .15 Bảng 1.2 Độ phân giải không gian liệu ảnh viễn thám 22 Bảng 1.3 Độ phân giải phổ liệu ảnh viễn thám .24 Bảng 3.1 Số liệu thống kê độ xác kết phân loại ảnh đa phổ Spot4 giảm độ phân giải tính từ kết phân loại cứng 72 Bảng 3.2 Số liệu thống kê độ xác kết phân loại ảnh đa phổ Spot4 giảm độ phân giải tính từ kết siêu phân giải 72 DANH MỤC CÁC HÌNH VẼ Hình 1.1 Mơ hình thu nhận ảnh viễn thám (nguồn từ [4]) .11 Hình 1.2 Các kênh ảnh phổ 12 Hình 1.3 Các kênh ảnh phổ giải ảnh sáng nhìn thấy (Visible) ảnh tồn sắc (Panchromatic) .12 Hình 1.4 Minh hoạ phương pháp thu nhận ảnh viễn thám (nguồn từ [4]) 13 Hình 1.5 Một số hình ảnh độ phân giải khơng gian ảnh viễn thám (nguồn từ [7]) 23 Hình 1.6 Một số hình ảnh lượng tử hoá độ phân giải radio (nguồn từ [7]) 26 Hình 1.7 Biến động sử dụng đất theo mùa Hàm Thuận Nam (nguồn từ [7]) .28 Hình 1.8 Biến động sử dụng đất khu vực thuỷ điện Sơn La (nguồn từ [7]) .28 Hình 1.9 Biến động sông Thu Bồn qua thời kỳ (nguồn từ [6]) 28 Hình 1.10 Bản đồ theo dõi cháy rừng sử dụng ảnh viễn thám (nguồn từ [7]) .29 Hình 1.11 Nguyên lý phân loại theo phương pháp xác xuất cực đại (nguồn từ [1]) 33 Hình 1.12 Nguyên tắc phân loại theo khoảng cách tối thiểu (nguồn từ [9]) .34 Hình 1.13 Nguyên tắc phân loại hình hộp (nguồn từ [1]) 36 Hình 1.14 Mơ hình mạng lưới Neuron (Skidmore 2003) .38 Hình 1.15 Mơ tả hình ảnh pixel pha trộn (nguồn từ [19]) 39 Hình 1.16 (a) Kết phân loại cứng, (b) Kết phân loại mềm (nguồn từ [17]) .40 Hình 2.1.Cấu trúc mạng Neuron nhiều lớp (dựa vào Kanellopoulos 1997) 44 Hình 2.2 Siêu phân giải đồ từ kết phân loại mềm 50 Hình 2.3 Phương pháp sử dụng kết hợp với đồ véc tơ .52 Hình 2.4 Mạng neuron Hopfield nút (nguồn từ [20]) 57 Hình 2.5 Bản đồ siêu phân giải (nguồn từ Sindos, Hy Lạp) .58 Hình 2.6 Những tỷ lệ diện tích lớp phủ (nguồn từ Sindos, Hy Lạp) 59 Hình 2.7 Mạng neuron Hopfield cho siêu phân giải đồ (nguồn từ [15]) 59 Hình 2.8 Một số kết siêu phân giải 62 Hình 3.1 Siêu phân giải đồ mạng neuron Hopfield 63 Hình 3.2 Mạng neuron Hopfield tăng độ phân giải đồ lớp phủ .64 Hình 3.3 Bốn bước thực nghiệm với ảnh Spot4 67 Hình 3.4 Các ảnh đa phổ với kênh .68 Hình 3.5 Năm lớp huấn luyện có độ phân giải 120 m 69 Hình 3.6 Năm lớp phân loại mềm có độ phân giải 60 m 69 Hình 3.7 Kết phân loại mềm .70 Hình 3.8 Kết phân loại cứng phương pháp xác suất lớn 71 Hình 3.9 Kết siêu phân giải sử dụng mạng neuron Hopfield 71 MỞ ĐẦU Tính cấp thiết đề tài Hiện nay, ảnh viễn thám sử dụng cho nhiều mục đích khác Một ứng dụng chủ yếu ảnh viễn thám lập đồ lớp phủ mặt đất thông qua phương pháp phân loại Những phương pháp phân loại thông thường sử dụng như: phân loại theo khoảng cách tối thiểu, phân loại theo xác suất cực đại, v.v sử dụng phổ biến để thực toán phân loại tự động Các thuật toán phân loại thường gọi phân loại cứng, pixel (điểm ảnh) cho phép thuộc lớp phủ Trong thời gian gần đây, phân loại mềm bắt đầu thực ứng dụng cho thành lập đồ lớp phủ Trong phân loại mềm, xác định thành phần phần trăm lớp phủ pixel Như vậy, phân loại mềm cho phép thực toán phân loại mức độ chi tiết cao pixel ảnh Kết phân loại mềm liệu véc tơ chứa thông tin lớp phủ mặt đất Trong đó, pixel lớp chứa thông tin lớp phủ tương ứng Phân loại mềm coi có độ xác cao phân loại cứng Tuy phân loại mềm cho phép xác định phần trăm thành phần lớp phủ pixel, chưa thể xác định vị trí xác lớp phủ pixel Các thuật toán siêu phân giải (super-resolution mapping/ sub-pixel mapping) sử dụng để xác định vị trí lớp phủ pixel xác định phân loại mềm Mạng neuron thành ngành khoa học trí tuệ nhân tạo nhiều năm qua Mạng neuron phát triển giải nhiều toán ứng dụng khác phân loại đối tượng (trong có phân loại ảnh), đốn, dự báo, nhận dạng đối tượng, tối ưu hoá, v.v Đối với toán siêu phân giải, mạng neuron Hopfield sử dụng công cụ thực tốn tối ưu hố xác định vị trí lớp phủ pixel theo kết phân loại mềm cho kết tốt Tuy nhiên, để hồn thiện có nghiên cứu đánh giá cách đầy đủ khả ứng dụng mạng neuron Hopfield, cần phải có khảo sát nghiên cứu cụ thể vấn đề sau: tối ưu hoá việc lựa chọn trọng số thực toán tối ưu mạng neuron Hopfield Mục đích nghiên cứu đề tài - Tìm hiểu kiến thức chung phân loại đối tượng vấn đề phân loại đối tượng sử dụng ảnh phổ - Nghiên cứu thuật toán phân loại mềm, sai số phân loại mềm - Nghiên cứu mạng neuron, mạng neuron Hopfield ứng dụng - Nghiên cứu ảnh hưởng sai số phân loại mềm đến kết thực siêu phân giải sử dụng mạng neuron - Tối ưu hoá việc lựa chọn trọng thực siêu phân giải sử dụng toán tối ưu hoá sử dụng mạng neuron Hopfield Đối tượng phạm vi nghiên cứu đề tài Từ tài liệu trường, trung tâm, viện nghiên cứu, mạng internet tài liệu khác có liên quan Nội dung nghiên cứu - Nghiên cứu, tóm tắt cách có hệ thống vấn đề ảnh phổ, phương pháp phân loại cứng, phương pháp phân loại mềm, tiêu chí đánh giá độ xác phân loại, mạng neuron, mạng neuron Hopfield, thuật toán siêu phân giải sử dụng - Nghiên cứu số thuật toán phân loại mềm, so sánh kết phương pháp tiêu chí đánh giá độ xác - Nghiên cứu ứng dụng mạng neuron Hopfield giải toán siêu phân giải Xác định ảnh hưởng sai số phân loại mềm đến thuật toán siêu phân giải đồ lớp phủ - Nghiên cứu số vấn đề việc sử dụng trọng số cho mạng neuron Hopfield dùng cho siêu phân giải Phương pháp nghiên cứu - Hệ thống phương pháp phân loại cứng, phân loại mềm ảnh viễn thám - Hệ thống phương pháp siêu phân giải đồ lớp phủ 65 đồ (Tatem nnk [27]) Ý nghĩa hàm điều kiện đa lớp đảm bảo vị trí bất kỳ, tổng giá trị phần trăm lớp phủ phải có giá trị Những giá trị hàm mục tiêu G1hij G2hij , điều kiện phần trăm lớp phủ Phij điều kiện đa lớp Mhij xác định phương trình (2.24), (2.25), (2.26), phương trình: dM hij dv hij  c     v kij    k 0  (3.2) Giống (Hình 3.2), neuron mạng neuron Hopfield đại diện cho tiểu điểm ảnh ảnh phân giải phổ gốc Hàm lượng phương trình (3.1) giảm đến mức tối thiểu đạo hàm theo biến phương trình (3.1) hội tụ giá trị neuron (h,i,j), dE hij dv hij  k1 dG1hij dv hij  k2 dG hij dv hij  k3 dPhij dv hij  k4 dM hij dv hij 0 (3.3) Các giá trị đạo hàm G1, G2, P M vhij tính tốn phương trình (2.26), (2.27), (2.28) (3.2) tương ứng Giá trị dRhij/dvhij xác định dựa mô hình thuận đảo 3.2 Vấn đề ứng dụng mạng neuron Hopfield Việt Nam Hiện việc ứng dụng mạng neuron Hopfield tăng độ phân giải áp dụng thành công số nước Việc sử dụng thuật toán mạng neuron Hopfield để tăng độ phân giải số tác giả Việt Nam đề cập Tuy nhiên, có nhiều ý kiến cho cần phải thử nghiệm thuật toán liệu ảnh viễn thám Việt Nam để chứng minh khả ứng dụng Việt Nam Chính vậy, luận văn tập trung vào việc ứng dụng thuật toán cho khu vực Việt Nam nhằm đánh giá khả ứng dụng thực tế thuật toán 3.3 Thực nghiệm 3.3.1 Dữ liệu Để kiểm nghiệm thuật tốn trình bày phần trước, chúng tơi tiến hành thực sử dụng ảnh Spot4 Để đánh giá thuật tốn cách xác, cần có liệu sau: Bản đồ lớp phủ mặt đất với độ phân giải cao, ảnh phổ Trong trường hợp sử 66 dụng ảnh Spot 4, độ phân giải khơng gian đồ lớp phủ dùng để đánh giá thuật tốn phải cao 20m ảnh Spot4 có độ phân giải 20 m (đối với pixel tâm cảnh) Chúng tơi tiến hành thử thuật tốn siêu phân giải sử dụng ảnh đa phổ giảm độ phân giải từ 20m xuống 60 m để tạo đồ lớp phủ độ phân giải 60 m, sau tiến hành phân loại mềm để tạo ảnh tỷ lệ thực qua siêu phân giải mạng neuron Hopfield tạo đồ ảnh tiểu pixel (20 m) Bản đồ lớp phủ so sánh với liệu kiểm tra có độ phân giải 20m để đánh giá khả ứng dụng thuật toán Để so sánh với phương pháp khác sử dụng trước đây, kết thuật tốn so sánh độ xác đạt với phương pháp phân loại cứng ảnh 20m, phân loại mềm Việc sử dụng ảnh giảm độ phân giải cho phép đánh giá ảnh hưởng sai số định vị (geo-referencing) đến kết q trình siêu phân giải sử dụng ảnh tồn sắc mạng neuron Hopfield Vì thuật tốn sử dụng loại ảnh ảnh phổ nên việc sai số định vị ảnh có ảnh hưởng lớn tới kết Với ảnh Spot4 giảm độ phân giải, thực nghiệm thực theo bốn bước sau: (a) Dữ liệu kiểm tra huấn luyện, (b) Giảm độ phân giải ảnh (c) Quá trình tiền xử lý (Phân loại mềm), (d) Siêu phân giải đồ (hình 3.3) 67 Dữ liệu thô Dữ liệu đa phổ (20 m) Dữ liệu tham chiếu (20 m) (a) Dữ liệu kiểm tra huấn luyện (b) Giảm độ phân giải Dữ liệu huấn luyện kiểm tra (120 m) Các ảnh phổ ( 60 m) Phân loại mềm (c) Ảnh tỷ lệ thực (60 m) Quá trình tiền xử lý (d) Siêu phân giải đồ Neuron Hopfield Networrk Bản đồ tiểu pixel (20 m) Hình 3.3 Bốn bước thực nghiệm với ảnh Spot4 (a) Dữ liệu kiểm tra huấn luyện, (b) Giảm độ phân giải, (c) Quá trình tiền xử lý, (d) Siêu phân giải đồ 68 3.2.1.1 (a) Dữ liệu kiểm tra (reference data) (b) (c) (d) Hình 3.4 Các ảnh đa phổ với kênh (a) Xanh lục, (b) Đỏ, (c) Cận hồng ngoại, (d) Hồng ngoại trung Dữ liệu thô: Ảnh Spot4 với phân giải không gian 20m (đa phổ) thu nhận diện tích khu vực tỉnh Lạng Sơn Khu vực thực nghiệm thực diện tích nhỏ 480 x 480 pixel ảnh ảnh đa phổ (hình 3.4(a), 3.4 (b), 3.4 (c), 3.4 (d)) Qua khảo sát, có năm lớp phủ khu vực nhận dạng đường, đô thị, nước, nông nghiệp đất rừng Dữ liệu : Để thực q trình phân loại mềm cần phải có liệu mẫu Trong nghiên cứu này, phân loại mềm thực ảnh phổ với độ phân giải không gian 60 m với liệu mẫu sử dụng đồ lớp phủ độ phân giải 120m tạo cách giảm độ phân giải ảnh lớp phủ 20m xuống sáu lần 69 (c) (b) (a) (e) (d) Hình 3.5 Năm lớp huấn luyện có độ phân giải 120 m (a) Đường , (b) Đô thị , (c) Nước, (d) Nông nghiệp, (e) Đất rừng (a) (c) (b) (d) (e) Hình 3.6 Năm lớp phân loại mềm có độ phân giải 60 m (a) Đường , (b) Đô thị , (c) Nước, (d) Nông nghiệp, (e) Đất rừng 70 3.2.1.2 Giảm độ phân giải Ảnh đa phổ (20 m): Ảnh đa phổ Spot4 độ phân giải không gian 20 m làm giảm độ phân giải xuống ba lần nhằm tạo ảnh đa phổ độ phân giải không gian 60 m Ảnh đa phổ sau dùng để tạo đồ lớp phủ độ phân giải không gian 60 m phương pháp phân loại mềm (Hình 3.6(a), 3.6 (b), 3.6 (c), 3.6 (d), 3.6 (e), 3.6 (f)) 3.2.1.3 Phân loại mềm Một trường hợp phân loại k-nn dùng cho phân loại mềm với k = 5, ảnh tỷ lệ lớp phủ tạo với tỷ lệ sai số diện tích tổng thể P = 0.0101% lỗi sai số trung phương tổng thể 1.4477% pixel Kết phân loại mềm sau lớp phủ trình bày hình 3.6(a-e) (a) (c) (b) (d) (e) Hình 3.7 Kết phân loại mềm (a) Đường , (b) Đô thị , (c) Nước, (d) Nông nghiệp, (e) Đất rừng 71 (a) (b) (d) (c) (e) Hình 3.8 Kết phân loại cứng phương pháp xác suất lớn (a) Đường , (b) Đô thị , (c) Nước, (d) Nông nghiệp, (e) Đất rừng (c) (b) (a) (d) (e) Hình 3.9 Kết siêu phân giải sử dụng mạng neuron Hopfield (a) Đường , (b) Đô thị , (c) Nước, (d) Nông nghiệp, (e) Đất rừng 72 Bảng 3.1 Số liệu thống kê độ xác kết phân loại ảnh đa phổ Spot4 giảm độ phân giải tính từ kết phân loại cứng Ma trận sai số tính từ kết phân loại cứng Ảnh phân Đường Đô thị Nước Nông nghiệp Đất rừng Tổng pixel Sai số bỏ sót Đường 1743 1229 24 5544 17 8557 0.7963 Đô thị 277 6356 6680 13326 0.5230 Nước 2668 741 1557 4967 0.4629 Nông nghiệp 147 649 1081 60320 10259 72456 0.1675 Đất rừng 144 1388 129560 131094 0.0117 Tổng pixel 2169 8235 3924 74673 141399 Sai số đọc nhầm 0.1964 0.2282 0.3201 0.1922 0.0837 loại Ảnh tham chiếu KIA trung bình = 0.764 Bảng 3.2 Số liệu thống kê độ xác kết phân loại ảnh đa phổ Spot4 giảm độ phân giải tính từ kết siêu phân giải Ma trận sai số tính từ kết siêu phân giải Ảnh phân Đường Đô thị Nước Nông nghiệp Đất rừng Tổng pixel Sai số bỏ sót Đường 4340 947 13 3218 39 8557 0.4928 Đô thị 695 9742 2880 13326 0.2689 Nước 12 3521 737 696 4967 0.2887 Nông nghiệp 859 1053 294 66441 3809 72456 0.0830 Đất rừng 179 2724 128185 131094 0.0222 Tổng pixel 5911 11744 4015 76000 132730 Sai số đọc nhầm 0.2658 0.1705 0.1230 0.1258 0.0342 KIA trung bình = 0.860 loại Ảnh tham chiếu 73 3.3.2 Kết số nhận xét Để đánh giá hiệu thuật toán với Spot4 giảm độ phân giải, kết đạt hai phương pháp: phân loại cứng với siêu phân giải sử dụng mang neuron Hopfield thông thường so sánh cách trực tiếp Bản đồ lớp phủ thành lập từ phương pháp phân loại cứng có độ phân giải 20 m trình bày hình 3.8(a)-(e) Kết áp dụng siêu phân giải đồ sử dụng mạng neuron Hopfield theo phương pháp Tatern cộng (2001a), cho đồ lớp phủ với độ phân giải khơng gian hình 3.9(a-e) Bản đồ kết đạt từ kết phân loại mềm độ phân giải 60 m với tỷ lệ phóng lần, số trọng số k1 = 100, k2 = 100 k3 = 150, 1000 vòng lặp Các phương pháp đánh giá cách so sánh dựa ma trận sai số tham số Kappa Index Agreement (KIA), sai số tổng hợp trình bày Bảng 3.1 Bảng 3.2 3.2.2.1 Đánh giá kết phương pháp trực quan Quan sát Hình 3.5, 3.6, 3.7, 3.8, 3,9, thấy rõ ưu điểm thuật toán siêu phân giải so với kết từ phân loại cứng Kết cải thiện cách rõ rệt nhìn thấy so sánh hình ảnh lớp nước (Hình 3.9(c)) đối tượng có dạng hình tuyến có độ rộng nhỏ Từ kết luận việc thơng tin bổ sung từ ảnh siêu phân giải đồ cho phép giải đốn đối tượng hình tuyến đối tượng mặt đất có chiều rộng kích thước nhỏ xấp xỉ điểm ảnh 3.2.2.2 Đánh giá định lượng Ưu điểm thuật toán chứng minh số liệu thống kê độ xác Độ xác tổng thể đồ lớp phủ tăng từ 76.4 % với phân loại cứng lên 86.0% siêu phân giải đồ Số liệu Bảng 3.1 3.2 cho thấy số năm lớp phủ, độ xác lớp đường tăng lên nhiều nhất, với sai số bỏ sót giảm từ 79.63% ảnh phân loại xuống 49.28% siêu phân giải đồ sử dụng mạng neuron 74 Hopfield Mặc dù sai số đọc nhầm phương pháp sử dụng mạng neuron Hopfield giảm không đáng kể từ lớp đất rừng từ 8.37% phương pháp phân loại cứng xuống 3.42% phương pháp phân loại sử dụng mạng neuron Hopfield , xét mặt tổng thể, sai số đọc nhầm sai số bỏ sót hầu hết lớp giảm Trong giảm đáng kể sai số lớp đường lớp đô thị 3.2.2.3 Nhận xét Phần thực nghiệm giới thiệu việc sử dụng mạng neuron Hopfield tăng độ phân giả ảnh phổ cho siêu phân giải đồ Sử dụng mạng neuron Hopfield để đạt đồ lớp phủ có độ phân giải khơng gian cao độ xác cao Q trình siêu phân giải thơng qua hàm điều kiện mà giá trị ước tính dựa mơ hình thuận đảo sử dụng phổ mẫu địa phương hệ số tổng hợp phổ địa phương Thuật toán kiểm nghiệm ảnh Spot4 giảm độ phân giải cho thấy kết đạt khả quan Độ xác kết đánh giá dựa ma trận sai số tham số thường sử dụng để đánh giá xác giá trị KIA, độ xác tổng thể, sai số bỏ sót sai số đọc nhầm Kết từ liệu thực nghiệm chứng tỏ sử dụng mạng neuron Hopfield ta tạo đồ lớp phủ độ phân giải cao Kết đánh giá định tính định lượng khẳng định phương pháp tăng độ xác tất lớp phủ, đặc biệt nhận dạng đối tượng có kích thước nhỏ tương đương pixel ảnh phổ 75 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Sau trình nghiên cứu thực đề tài, tơi có số kết luận sau: - Mạng neuron Hopfield thực công cụ hữu ích việc thực toán tối ưu hoá việc xác định vị trí lớp phủ pixel theo kết phân loại mềm cho kết tốt - Mạng neuron Hopfield cho phép dễ dàng đưa vào thông tin bổ sung để tăng độ xác độ phân giải không gian đồ lớp phủ Trong luận văn này, sử dụng mạng neuron Hopfield cho kết khả quan Bản đồ lớp phủ dạng raster đạt thông qua siêu phân giải sử dụng mạng neuron Hopfield cho kết với độ xác cao hẳn so với phương pháp phân loại cứng - Luận văn hệ thống hoá vấn đề ảnh phổ, phương pháp phân loại cứng, phương pháp phân loại mềm, tiêu chí đánh giá độ xác phân loại, cấu trúc mạng neuron, mạng neuron Hopfield thuật toán siêu phân giải - Đề tài giải việc xác định giá trị trọng số tối ưu hàm điều kiện hàm mục tiêu tốc độ hội tụ mạng neuron Hopfield thông qua thực nghiệm - Kết thực nghiệm cho thấy sai số nắn chỉnh hình học (định vị) ảnh tồn sắc có ảnh hưởng đến kết siêu phân giải sử dụng mạng neuron Hopfield Tuy nhiên, mức độ sai số trung phương nắn chỉnh hình học nhỏ pixel, phương pháp cho kết cao so với phương pháp truyền thống Kiến nghị Cũng qua thực luận văn tác giả đưa số kiến nghị sau: - Nghiên cứu ứng dụng mạng neuron Hopfield phân tích ảnh viễn thám nước ta hạn chế, cần phải có nghiên cứu sâu sắc cấu trúc mạng neuron Hopfield nhằm đưa thuật toán tổng quát đơn 76 giản nhất, giảm thời gian hội tụ mạng neuron Hopfield để xử lý khối ảnh lớn - Các kết siêu phân giải đồ cần ứng dụng rộng rãi thực tế với sản phẩm đồ lớp phủ xác định vị trí điểm ảnh xác Trước mắt, thuật tốn siêu phân giải ứng dụng để xác định vị trí điểm khơng chế sử dụng để nắn chỉnh hình học Hiện nay, việc xác định cách xác vị trí điểm khống chế mặt đất ảnh viễn thám tương đối khó khăn điểm thường xác định vị trí địa vật hình tuyến đường biên hai đối tượng địa vật Qua khảo sát thực tế, nhận thấy điểm ảnh hầu hết điểm ảnh pha trộn Nếu áp dụng thuật tốn siêu phân giải tăng độ phân giải không gian xác định đường biên địa vật cách xác, cho phép nắn chỉnh hình học với độ xác cao 77 TÀI LIỆU THAM KHẢO Nguyễn Đình Dương, Ứng dụng viễn thám hệ thống thơng tin quy hoạch môi trường, Hà Nội Lương Chính Kế, Nguyễn Ngọc Sinh, Tăng Quốc Cương, Một bước đột phá lĩnh vực viễn thám, Hà nội Lương Chính Kế, Chiến lược phát triển ảnh vệ tinh có độ phân giải siêu cao Mỹ, trường ĐH Bách khoa Vacsava Võ Chí Mỹ (2008), Bảo vệ môi trường, Hà nội Nguyễn Ngọc Thạch (2004), Cơ sở viễn thám, Hà nội Nguyễn Trường Xuân (2006), Công nghệ viễn thám, Hà nội Trung tâm thu nhận xử lý ảnh viễn thám (2006), Tổng quan ứng dụng viễn thám điều tra quản lý tài nguyên môi trường, Hà nội Trung tâm thu nhận xử lý ảnh viễn thám (2007), Bài giảng: Phân loại ảnh số, Hà Nội Trung tâm viễn thám (2007), Đề cương dự án: Thành lập trực ảnh tỷ lệ 1: 5000 tư liệu ảnh vệ tinh có độ phân giải siêu cao, Hà nội 10 Barret and Cutis (1976), Remote Sensing is the observation of a target by a device separated from it by a distance 11 Campbell, James B (1996), Introduction to Remote Sensing: Second Edition, New York: The Guilford Press 12 Sabins, Floyd F (1997), Remote sensing : principles and interpretation, New York: W.H Freeman and Co 13 Lillesand Thomas M., Kiefer Ralph W.,Chipman Jonathan W (2004), Remote Sensing and Image Interpretation, Hoboken, NJ: Wiley & Sons 14 Max Lock Centre (2003), Mapping Urbanisation for Urban and Regional Governance, University of Westminster 78 15 Rahel Hailu Kassaye (2006), Suitability of Markov Random Field-based Method for Super-Resolution Land Cover Mapping, The Netherlands 16 F J Garcia-Haro, M M., and Melia, J (1996), Linear spectral mixtuer modelling to estimate vegetation amount from optical spectral data, International Journal of Remote Sensing, pp 3373-3400 17 Atkinson, P M., Cutler, M E J., and Lewis, H (1997), Mapping sub-pixel proportional land cover with AVHRR imagery, International Journal of Remote Sensing 18, pp 917-935 18 Foody, G M., and Cox, D P (1994), Sub-pixel land cover composition estimation using a linear mixture model and fuzzy membership functions, International Journal of Remote Sensing 15, pp 619-631 19 Anna Haglund (2000), Towards soft classification of satellite data, Sweden 20 Nguyen Quang Minh (2006), Super-resolution mapping using hopfield neural network with supplementary data, University of Southampton 21 Copyright © 2001-2009 Dee Mon (2009), What is super-resolution?, Infognition Co Ltd 22 Verhoye, J., and De Wulf, R (2002), Land cover mapping at sub-pixel scales using linear optimization techniques, Remote Sensing of Environment 23 Mauricio Pozzobon Martine, Lamartine N, Frutuoso Guimarães, Leila Maria Garcia Fonseca, Testure Feature Neural Classifier for Remote Sensing Image Retrieval Systems 24 Tatem, A J., Lewis, H G., Atkinson, P M., and Nixon, M S., 2001b, SuperResolution Target Identification from Remotely Sensed Images using a Hopfield Neural Network, IEEE Transactions on Geoscience and Remote Sensing, pp 184-194 25 Tatem, A J., Lewis, H G., Atkinson, P M., and Nixon, M S., 2001a, SuperResolution Target Identification from Remotely Sensed Images using a Hopfield Neural Network, IEEE Transactions on Geoscience and Remote Sensing, pp 781-796 79 26 Tatem, A J., Lewis, H G., Atkinson, P M., and Nixon, M S (2003), Increasing the spatial resolution of agricultural land cover maps using a Hopfield neural network, Int J Geographical information science 27 Tatem, A J., Lewis, H G., Atkinson, P M and Nixon, M S., 2002, Superresolution land cover pattern prediction using a Hopfield neural network, in G M Foody and P M Atkinson (eds), Uncertainty in Remote Sensing and GIS, John Wiley & Sons, 59-76 ... nghĩa mạng neuron Hopfield 55 2.4.2 Ứng dụng mạng neuron Hopfield cho siêu phân giải 56 Chương SIÊU PHÂN GIẢI SỬ DỤNG MẠNG NEURON HOPFIELD TĂNG ĐỘ PHÂN GIẢI BẢN ĐỒ LỚP PHỦ 63... Độ phân giải không gian liệu ảnh viễn thám thường chia thành cấp độ là: Phân giải siêu cao, phân giải cao, phân giải trung bình phân giải thấp Bảng 1.2 Độ phân giải không gian liệu ảnh viễn thám. .. loại mềm ảnh viễn thám - Hệ thống phương pháp siêu phân giải đồ lớp phủ 9 - Ứng dụng mạng neuron, neuron Hopfield siêu phân giải đồ lớp phủ Ý nghĩa khoa học thực tiễn - Kết nghiên cứu ứng dụng việc