Tăng độ phân giải ảnh đa phổ sử dụng mạng neuron hopfield ứng dụng tại việt nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT -*** - NGUYỄN VĂN CHỨC TĂNG ĐỘ PHÂN GIẢI ẢNH ĐA PHỔ SỬ DỤNG MẠNG NEURON HOPFIELD ỨNG DỤNG TẠI VIỆT NAM LUẬN VĂN THẠC SĨ KỸ THUẬT HÀ NỘI – 2012 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT NGUYỄN VĂN CHỨC TĂNG ĐỘ PHÂN GIẢI ẢNH ĐA PHỔ SỬ DỤNG MẠNG NEURON HOPFIELD ỨNG DỤNG TẠI VIỆT NAM 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 nghiên cứu luận văn hồn tồn trung thực chưa cơng bố cơng trình nghiên cứu Hà nội, ngày 14 tháng năm 2012 Tác giả luận văn Nguyễn Văn Chức MỤC LỤC LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC BẢNG BIỂU ……… DANH MỤC CÁC HÌNH VẼ MỞ ĐẦU CHƯƠNG 10 KHÁI NIỆM CHUNG VỀ VIỄM THÁM 10 1.1 Khái niệm viễn thám …………………………………………………………10 1.1.1 Định nghĩa viễn thám 10 1.1.2 Nguyên lý viễn thám 12 1.1.3 Các vệ tinh viễn thám phổ biến 14 1.2 Đặc điểm loại tư liệu ảnh viễn thám……… ………………………….21 1.2.1 Các loại tư liệu ảnh viễn thám 21 1.2.2 Các khái niệm độ phân giải tư liệu viễn thám 23 1.3 Phân loại viễn thám…………………………………………………………31 1.3.1 Định nghĩa lớp phủ/ lớp sử dụng đất 31 1.3.2 Khái niệm phân loại ảnh viễn thám 32 CHƯƠNG 44 SIÊU PHÂN GIẢI VÀ MẠNG NEURON 44 2.1 Giới thiệu phân loại mềm……………………………………………… 44 2.1.1 Các phương pháp phân loại mềm dựa lý thuyết xác suất 44 2.1.2 Các phương pháp phân loại mềm sử dụng mạng neuron 46 2.1.3 Một số phương pháp phân loại mềm khác 50 2.2 Khái niệm siêu phân giải đồ lớp phủ……………………………… 51 2.2.1 Khái niệm siêu phân giải 51 2.2.2 Định nghĩa siêu phân giải đồ lớp phủ 51 2.3 Một số phương pháp siêu phân giải đồ lớp phủ……………………… 54 2.3.1 Phương pháp độ liên kết cực đại 54 2.3.2 Phương pháp sử dụng kết hợp với đồ vector 55 2.3.3 Phương pháp tối ưu tuyến tính 56 2.3.4 Phương pháp tối ưu two-point histogram 57 2.3.5 Phương pháp sử dụng thuật toán gen 58 2.3.6 Phương pháp tối ưu hóa sử dụng feed-forward neuron network 58 2.4 Phương pháp tối ưu hóa sử dụng mạng neuron…………………………….59 2.4 Phương pháp tối ưu hóa sử dụng mạng neuron…………………………….59 2.4.2 Khả ứng dụng mạng neuron Hopfield cho siêu phân giải ảnh đa phổ 59 CHƯƠNG 67 ỨNG DỤNG KỸ THUẬT SIÊU PHÂN GIẢI ẢNH ĐA PHỔ 67 SỬ DỤNG MẠNG NEURON HOPFIELD 67 3.1 Xây dựng mơ hình thuật tốn……………………………………………….67 3.1.1 Xây dựng mơ hình 67 3.1.2 Thiết lập hàm mục tiêu điều kiện .69 3.2 Kết ứng dụng mạng neuron Hopfield Việt nam … ………………….72 3.3 Thực nghiệm ……… ………………………………………….…………………72 3.3.1 Dữ liệu 81 3.3.2 Kết số nhận xét .81 KẾT LUẬN VÀ KIẾN NGHỊ 85 TÀI LIỆU THAM KHẢO 87 DANH MỤC CÁC BẢNG BIỂU Bảng 1.1 Thông tin vệ tinh viễn thám phổ biến 14 Bảng 1.2 Độ phân giải không gian liệu ảnh viễn thám 24 Bảng 1.3 Độ phân giải phổ liệu ảnh viễn thám .26 Bảng 3.1 Sai số trung phương kênh phổ ảnh đa phổ độ phân giải thấp 40m kết ảnh siêu phân giải 20m 78 Bảng 3.2 Sai số trung phương kênh phổ ảnh đa phổ độ phân giải thấp 60m kết ảnh siêu phân giải 20m……………………………………… 79 Bảng 3.3 Sai số trung phương kênh phổ ảnh đa phổ độ phân giải thấp 80m kết ảnh siêu phân giải 20m……………………………………… 80 DANH MỤC CÁC HÌNH VẼ Hình 1.1 Mơ hình thu nhận ảnh viễn thám (nguồn từ [4]) .11 Hình 1.2 Nguyên lý thu nhận ảnh vệ tinh [4] 12 Hình 1.3 Các kênh ảnh phổ giải ảnh sáng nhìn thấy (Visible) 22 Hình 1.4 Mơ tả độ phân giải khơng gian ảnh (nguồn từ [7]) 23 Hình 1.5 Một số hình ảnh độ phân giải khơng gian ảnh viễn thám (nguồn từ [7]) 25 Hình 1.6 Các đặc điểm phổ ảnh Landsat ETM+ (nguồn từ [7] 26 Hình 1.7 Một số hình ảnh lượng tử hố độ phân giải radio (nguồn từ [7]) 28 Hình 1.9 Thay đổi theo mùa Bắc Madagascar (nguồn từ [7]) 30 Hình1.10 Biến động sử dụng đất khu vực thuỷ điện Sơn La (nguồn từ [7]) 30 Hình 1.11 Biến động sơng Thu Bồn qua thời kỳ (nguồn từ [6]) 30 Hình 1.12 Bản đồ theo dõi cháy rừng sử dụng ảnh viễn thám (nguồn từ [7]) .31 Hình 1.13 Nguyên tắc phân loại theo khoảng cách tối thiểu (nguồn từ [9]) 34 Hình 1.14 Nguyên lý phân loại theo phương pháp xác xuất cực đại (nguồn từ [2]).37 Hình 1.15 Nguyên tắc phân loại hình hộp (nguồn từ [6]) .38 Hình 1.16 Mơ hình mạng lưới Neuron (Skidmore 2003) .40 Hình 1.17 Mơ tả hình ảnh pixel pha trộn (nguồn từ [11]) .41 Hình 1.18 (a) Kết phân loại cứng, (b) Kết phân loại mềm 43 Hình 2.1 Cấu trúc mạng Neuron nhiều lớp (dựa vào Kanellopoulos 1997) 47 Hình 2.2 Siêu phân giải đồ từ kết phân loại mềm 53 lớp phủ thực vật (nguồn từ [52]) 53 Hình 2.3 Ví dụ độ phân giải không gian 55 Hình 2.4 Phương pháp sử dụng kết hợp với đồ véc tơ .56 Hình 2.5 Mạng neuron Hopfield nút (nguồn từ [38]) 60 Hình 2.6 Bản đồ siêu phân giải (nguồn từ Sindos, Hy Lạp) 61 Hình 2.7 Những tỷ lệ diện tích lớp phủ (nguồn từ Sindos, Hy Lạp) 62 Hình 2.8 Mạng neuron Hopfield cho siêu phân giải đồ (nguồn từ [41]) 62 Hình 2.9 Kết siêu độ phân giải ảnh đa phổ sử dụng neuron network .66 Hình 3.1 Siêu phân giải ảnh đa phổ sử dụng mạng neuron Hopfield (nguồn từ [38]) 68 Hình 3.2 Mạng neuron Hopfield cho siêu phân giải ảnh đa phổ 69 Hình 3.3 Ảnh tham chiếu đa phổ (20m) ba băng tần 73 Hình 3.4 Các lớp thu phân loại khơng giám sát 74 Hình 3.5 Ảnh giảm độ phân giải 20m từ ảnh đa phổ 76 Hình 3.6 Tăng độ phân giải cho ảnh đa phổ 40m: 78 Hình 3.7 Tăng độ phân giải cho ảnh đa phổ 60m: ………… ……………………… 79 Hình 3.8 Tăng độ phân giải cho ảnh đa phổ 80m: …………………… …………… 80 MỞ ĐẦU Tính cấp thiết đề tài Viễn thám ngành khoa học có lịch sử phát triển lâu đời.Vì vậy, phạm vi ứng dụng mở rộng theo phát triển ngành Hiện nay, ảnh viễn thám ứng dụng rộng rãi lĩnh vực tài nguyên môi trường Một ứng dụng ảnh viễn thám dựa vào phân loại đa phổ để lập đồ lớp phủ mặt đất Có nhiều phương pháp phân loại sử dụng như: phân loại theo khoảng cách tối thiểu, phân loại theo xác suất cực đại, v.v Các thuật toán phân loại thường gọi phân loại cứng, pixel (điểm ảnh) cho phép thuộc lớp phủ Trong thực tế, pixel không thuộc lớp phủ mà pixel gồm nhiều lớp phủ xác định phần trăm lớp phủ, để làm điều phải có phương pháp , phương pháp phân loại mềm Như vậy, phân loại mềm cho phép thực toán phân loại mức độ chi tiết nhỏ 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 tốn 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), đoán, dự báo, nhận dạng đối tượng, tối ưu hoá, v.v Đối với toán siêu phân giải, mạng neuron Hopfield sử dụng cơng cụ thực tốn tối ưu hố xác định vị trí lớp phủ pixel theo kết phân loại mềm cho kết tốt Tuy nhiên, để hoàn 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:  Khả sử dụng nguồn thơng tin cho q trình siêu phân giải đưa thông tin vào mạng neuron Hopfield Trong phạm vi luận văn, sử dụng ảnh đa phổ có độ phân giải thấp cho trình tối ưu hóa sử dụng mạng neuron Hopfield  Tối ưu hoá việc lựa chọn trọng số thực toán tối ưu mạng neuron Hopfield Mục đích nghiên cứu đè 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 số thực siêu phân giải sử dụng toán tối ưu hoá sử dụng mạng neuron Hopfield - Kiểm nghiệm thuật toán siêu phân giải ảnh đa phổ 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 77 b Đánh giá thống kê Trong bảng 3.2 thống kê giá trị sai số trung phương đạt so sánh ảnh áp dụng siêu phân giải với ảnh tham chiếu sai số trung đạt chưa thực siêu phân giải Giá trị sai số trung phương tính theo cơng thức sau: n  DN RMSE  spg i  DN iTC  n Trong đó, n tổng số điểm ảnh sử dụng để so sánh DN ispg giá trị độ xám điểm ảnh thứ i ảnh siêu phân giải DN iTC giá trị độ xám điểm ảnh thứ i ảnh tham chiếu So sánh sai số trung phương thấy kênh phổ sai số trung phương ảnh siêu phân giải 20m so với ảnh tham chiếu nhỏ sai số trung phương đạt từ ảnh có độ phân giải 40m ban đầu so với ảnh tham chiếu Tương tự đánh giá trực quan, đánh giá thống kê cho thấy tỷ lệ nghịch độ tăng độ phân giải sai số trung phương (RMSE) Nghĩa tăng độ phân giải lên nhiều lần ảnh siêu phân giải xác Điều chứng minh so sánh kết siêu phân giải từ ảnh có độ phân giải ban đầu 80m Ngược với kết đánh giá mắt thường, sai số trung phương ảnh viễn thám tăng độ phân giải có giá trị lớn so với trước tăng độ phân giải Trong luận án Quách Thị Chúc (2010) kết cho thấy sai số trung phương ảnh tăng độ phân giải cao nhiều so với ảnh chưa tăng độ phân giải Điều giải thích khu vực Lạng sơn, đối tượng lớp phủ thường có diện tích phủ nhỏ khơng có đường biên dạng thẳng ảnh thử nghiệm 78 Bảng 3.1 Sai số trung phương kênh phổ ảnh đa phổ độ phân giải thấp 40m kết ảnh siêu phân giải 20m Sai số trung phương Kênh Ảnh giảm độ phân giải Ảnh tăng độ phân giải (40m) (20m) Xanh lục 5.4459 5.4502 Đỏ 3.1349 3.1731 Cận hồng ngoại 2.3579 2.3987 Hồng ngoại trung 5.5947 5.8470  16.5334 16.869 (a) (e) (b) (f) (c) (d) (g) (h) 79 (i) (k) (l) (m) Hình 3.6 Tăng độ phân giải ảnh cho ảnh đa phổ 40m: (a), (b), (c) (d) - Ảnh đa phổ tham chiếu 20m Ảnh giảm độ phân giải 40m: (e), (f), (g) (h) Ảnh tăng độ phân giải lên 20m: (i), (k), (l) (m) Bảng 3.2 Sai số trung phương kênh phổ ảnh đa phổ độ phân giải thấp 60m kết ảnh tăng độ phân giải lên 20m Sai số trung phương Kênh ảnh Ảnh giảm độ phân giải (60m) Ảnh tăng độ phân giải (20m) Xanh lục 8.0440 8.0357 Đỏ 4.9895 5.0570 Cận hồng ngoại 4.8312 4.9187 Hồng ngoại trung 9.1348 9.3448 ∑ 26.9995 27.3562 (a) (b) (c) (d) 80 (e) (f) (g) (h) (i) (k) (l) (m) Hình 3.7 Tăng độ phân giải ảnh đa phổ 60m: (a,b,c d) - Ảnh đa phổ tham chiếu 20m Ảnh giảm độ phân giải 60m: (e,f,g h) Ảnh siêu phân giải 20m: (i,k,l m) Bảng 3.3 Sai số trung phương kênh phổ ảnh đa phổ độ phân giải thấp 80m kết ảnh tăng độ phân giải 20m Sai số trung phương Kênh ảnh Ảnh giảm độ phân giải (80m) Ảnh tăng độ phân giải (20m) Xanh lục 8.9198 9.0028 Đỏ 4.8697 5.0064 Cận hồng ngoại 3.4578 3.5676 Hồng ngoại trung 10.8296 11.3208 ∑ 28.0769 28.8976 81 (a) (b) (c) (d) (e) (f) (g) (h) (i) (k) (l) (m) Hình 3.8 Tăng độ phân giải cho ảnh đa phổ 80m: (a), (b), (c )và (d): Ảnh đa phổ tham chiếu 20m Ảnh giảm độ phân giải 80m: (e), (f), (g) (h) Ảnh siêu phân giải 20m: (i), (k), (l) (m) 3.3.2.2 Một số nhận xét Hạn chế phương pháp tăng độ phân giải ảnh đa phổ mạng neuron Hopfield sử dụng việc siêu phân giải thực điểm ảnh không coi điểm ảnh pha trộn Nghĩa điểm ảnh không coi điểm ảnh pha trộn (các điểm ảnh coi thuộc lớp) thuật tốn khơng thực tăng độ phân giải Để giải vấn đề này, thực cách tách lớp Quá trình tăng độ phân giải thực nhiều 82 lần, ví dụ lần đầu tách thành lớp để thực tăng độ phân giải Lúc điểm ảnh coi điểm ảnh pha trộn bốn lớp tăng độ phân giải Sau tách lớp lớn thành lớp con, có nhiều điểm ảnh vốn coi điểm ảnh không pha trộn trở thành điểm ảnh pha trộn Mạng neuron Hopfield lại sử dụng để tăng độ phân giải điểm ảnh pha trộn Các vấn đề tạo thêm điểm ảnh pha trộn, số lượng lớp thích hợp để thực siêu phân giải cho kết tốt cần nghiên cứu thêm Do thực tăng độ phân giải mạng neuron Hopfield làm việc điểm ảnh pha trộn, mà điểm ảnh thông thường nằm ranh giới đối tượng khác Có thể thấy phương pháp thích hợp áp dụng siêu phân giải cho ảnh thuộc khu vực bao gồm đối tượng lớp phủ ngăn cách đường biên thẳng hàng Đối với ảnh khu vực Lạng sơn, qua quan sát đánh giá mặt thường, rõ ràng số đối tượng sông Kỳ tăng độ phân giải cho độ phép tạo đối tượng cách rõ nét Nếu giải đốn mắt thường có rõ ràng ảnh tăng độ phân giải cho thơng tin xác so với ảnh chưa tăng độ phân giải Tuy nhiên, so sánh sai số RMSE ảnh tăng độ phân giải ảnh chưa tăng độ phân giải, ảnh tăng độ phân giải có sai số RMSE chí cịn lớn (tuy khơng nhiều so với ảnh chưa tăng độ phân giải) Như vậy, sử dụng ảnh tăng độ phân giải trường hợp đốn đường biên vùng, ví dụ, đường mép nước, mép đường Như vậy, phương pháp làm tăng tính ứng dụng ảnh viễn thám đoán đọc ảnh đo đạc bản, địa hình Có thể thấy phương pháp siêu phân giải áp dụng trường hợp cần xác định vị trí xác điểm khống chế mặt đất ảnh Đối với ảnh vệ tinh SPOT, Landsat, IKONOS hay QuickBird, để sử dụng làm đồ cách xác nhất, cần phải thực định vị ảnh Quá trình gọi trình nắn chỉnh hình học Để nắn chỉnh hình học cách xác cần điểm khống chế mặt đất thực tế độ xác nắn chỉnh hình học phụ thuộc nhiều vào việc xác định tọa độ ảnh điểm khống chế mặt 83 đất Trong trường hợp này, sử dụng mạng neuron Hopfield để siêu phân giải tạo ảnh đa phổ có độ phân giải khơng gian cao hơn, điểm khống chế mặt đất, thường nằm vị trí đường biên đối tượng nằm đối tượng hình tuyến điểm ảnh pha trộn Như vậy, điểm ảnh siêu phân giải tạo đối tượng rõ nét tọa độ ảnh điểm khống chế mặt đất xác định dễ dàng với độ xác cao Như đề cập trên, sử dụng phân loại khơng giám định làm giảm sai số việc xác định giá trị phần trăm lớp phủ mặt đất Trong trường hợp đặc biệt thực siêu phân giải, việc xác định danh tính lớp thực chất khơng quan trọng việc xác định điểm ảnh pha trộn Quá trình phân loại mềm thực chất trình xác định điểm ảnh pha trộn thực siêu phân giải điểm ảnh Do vậy, sử dụng phân loại mềm không giám định để xác định điểm ảnh pha trộn giải pháp hợp lý giảm tốn kém, thời gian khâu lấy mẫu thực địa phân loại Hơn nữa, sử dụng phân loại không giám sát tạo điều kiện thuận lợi cho việc tự động hóa q trình tăng độ phân giải giá trị phần trăm lớp phủ xác định không cần liệu huấn luyện không cần huấn luyện Tuy nhiên, với phân loại khơng giám sát ISODATA người sử dụng cịn phải chọn số lượng lớp Sự lựa chọn số lượng có ảnh hưởng đến độ xác đến kết siêu phân giải tiểu điểm ảnh đa phổ Thông qua việc lựa chọn số lượng lớp người sử dụng kiểm sốt hiệu thuật toán tăng độ phân giải Kết số lượng lớp thay đổi số lượng điểm ảnh pha trộn bị thay đổi Nếu số lượng lớp tăng lên, số điểm ảnh gốc trước xác định điểm ảnh không phân trộn xác định điểm ảnh pha trộn Tuy nhiên điều tạo sai số việc xác định giá trị phần trăm lớp phủ Do vậy, cần xác định số lượng lớp hợp lý xác định lớp dựa vào khu vực Thực chất tăng độ phân giải ảnh đa phổ mạng neuron Hopfield q trình tối ưu hố Hàm mục tiêu làm cho mức độ phụ thuộc không gian 84 tiểu điểm ảnh bên đối tượng tăng đến tối đa hàm điều kiện trì kích thước đối tượng, xác định bước phân loại Điều mở hướng nghiên cứu cách kết hợp phân loại hướng đối tượng siêu phân giải để làm tăng độ xác phân loại ảnh viễn thám Có thể sử dụng siêu phân giải ảnh đa phổ để tạo ảnh có độ nét cao ranh giới đối tượng xác định rõ ràng hơn, sau sử dụng phân loại hướng đối tượng để phân loại lớp phủ Một hạn chế siêu phân giải mạng neuron Hopfield việc bắt buộc phải lựa chọn số trọng số cho hàm mục tiêu, hàm điều kiện giới hạn lớp phủ điểm ảnh hàm điều kiện giới hạn tổng số lượng lớp phủ điểm ảnh (Nguyen nnk, 2006) Qua khảo sát thực nghiệm, giá trị trọng số hàm mục tiêu, hàm điều kiện giá trị phần trăm lớp phủ, hàm điều kiện đa lớp phải có giá trị sấp sỉ thường có giá trị khoảng 100 85 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Sau trình nghiên cứu thực luận văn tác giả có số kết luận: Có thể khẳng định rằng, kết nghiên cứu TS Nguyễn Quang Minh đồng nghiệp xác đáng tin cậy Trong luận văn này, thuật toán siêu phân giải sử dụng mạng neuron Hopfield sử dụng cho liệu viễn thám Việt nam Nghiên cứu cho thấy tính ứng dụng cao thuật toán phân loại, ứng dụng ảnh viễn thám Khi sử dụng kỹ thuật siêu phân giải mạng neuron Hopfield với mơ hình thuận tạo ảnh đa phổ có độ phân giải khơng gian cao so với ảnh ban đầu số điểm Các đánh giá phương pháp trực quan cho thấy ảnh siêu phân giải giống với ảnh tham chiếu ảnh độ phân giải thấp chưa phân giải Mặc dù đánh giá định tính sử dụng sai số trung phương RMSE cho thấy sai số trung phương khơng giảm, chí cịn tăng so với sai số trung phương RMSE ảnh chưa phân giải, thấy mức độ tăng không nhiều kết ảnh tăng độ phân giải sử dụng số trường hợp định Quá trình nghiên cứu cho thấy, sử dụng mạng neuron Hopfield độ xác ảnh siêu phân loại tăng độ phóng đại tăng Ảnh siêu phân giải có độ phân giải tăng có sai số trung phương nhỏ với điều kiện ảnh có vùng điểm ảnh pha trộn có kích thước lớn Có thể sử dụng phân loại mềm khơng giám định để xác định điểm ảnh pha trộn siêu phân loại ảnh viễn thám Việc sử dụng phân loại mềm không giám định giảm thời gian chi phí phân loại ảnh khơng cần q trình lấy mẫu thực địa Kiến nghị Qua trình thực luân văn tác giả đưa số kiến nghị sau: Nghiên cứu ứng dụng mạng neuron Hopfield phân tích ảnh viễn thám nước ta cịn hạn chế, cần phải có nghiên cứu sâu sắc cấu trúc mạng neuron Hopfield nhằm đưa thuật toán tổng quát đơn 86 giản nhất, giảm thời gian hội tụ mạng neuron Hopfield để xử lý khối ảnh lớn Các kết siêu phân ảnh đa phổ cần ứng dụng rộng rãi thực tế nhằm mục đích làm tăng chất lượng hình ảnh giúp cho việc nhận dạng đối tượng địa vật ảnh dễ dàng, thuận lợi phục vụ cho cơng tác thành lập đồ Có thể phát triển nghiên cứu sử dụng thuật toán siêu phân giải sử dụng mạng neuron Hopfield kết hợp với phân loại hướng đối tượng để tăng độ xác phân loại ảnh viễn thám 87 TÀI LIỆU THAM KHẢO Chu Thị Bình, Luận án tiến sỹ: Cơ sở khoa học phương pháp viễn thám với kỹ thuật xử lý số., Đại học Mỏ - Địa Chất, Hà nội Nguyễn Đình Dương, Ứng dụng viễn thám hệ thống thông 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 Võ Chí Mỹ (2008), Bảo vệ môi trường, Hà nội Nguyễn Ngọc Thạch (2004), Cơ sở 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 Nguyễn Trường Xuân (2006), Công nghệ viễn thám, Hà nội 10 Akgun, T Altunbasak, Y Mersereau, R.M , 2005, Super-resolution reconstruction of hyperspectr al images , IEEE Transactions on Image Processing, Vol 14, 18601875 11 Anna Haglund (200), Towards soft classification of satellite data, Sweden 12 Atkinson, P M., 1997, Mapping sub-pixel boundaries from remotely sensed images, Innovation in GIS 4, 166-180 13 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 14 Atkinson, P.M (2001), Super-resolution target mapping from soft-classified remotely sensed imagery, Fifth international Conference on GeoComputation, 88 University of Leed 15 Atkinson, P.M (2006), Super-resolution target mapping from soft-classified remotely sensing imagery, Photogrammetric Engineering and Remote Sensing, In press 16 Bastin, L (1997),Comparion of fuzzy c-means classification, linear mixture modeling and MLC probabilities as tools for unmixing coarse pixels, International Journal of Remote Sensing, Vol 18, pp 3629-3648 17 Bezdek, J C., Keller, J M., Krishnapuram, R., and Pal, N R Fuzzy Models and Algorithms for Pattern Recognition and Image Processing Boston, 1999 18 Campbell, James B (1996), Introduction to Remote Sensing: Second Edition, New York: The Guilford Press 19 Dungan, J L (1998), Spatial prediction of vegetation quantities using ground and image data, International Journal of Remote Sensing, Vol 91, pp 267-285 20 Elad, M Feuer, A., 1999, Super-resolution reconstruction of image sequences, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 21, 817834 21 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 22 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 23 Foody, G M (1996), Relating the land cover composition of mixed pixels to artificial neural network classification output, Photogrammetric Enginereing and Remote Sensing, Vol 62, pp 491-499 24 Foody, G M., Lucas, R M., Curran, P.J and Honzak, M (1997), Non-linear mixture modeling without end-members using an artificial neural network, International Journal of Remote Sensing, Vol 18, pp 937-953 25 Foody, G M., 2002, The role of soft classification techniques in the refinement of estimates of Ground Control Point location, Photogrammetric Engineering and 89 Remote Sensing, Vol 68, 897-903 26 Foody, G.M Muslim, A.M., and Atkinson, P.M (2003), Super-resolution mapping of the shoreline through soft classification analyses, Geoscience and Remote Sensing Symposiun, 2003 IGARSS’03 Proceedings IEEE International, Vol 6, Toulouse, France 27 Foody, G.M., Muslim, A.M., and Atkinson, P.M.(2005), Super-resolution mapping of the waterline from remotely sensed data, International Journal of Remote Sensing, Vol 26 28 Goovaerts, P (1997), Geostatistics for Natural Resource Evaluation, Oxford University Press, Oxford 29 Gopal, S., Woodcock, C E., and Strahler, A H (1998), Fuzzy neural network classification of global land cover from a AVHRR data set, Remote sensing of Environment, Vol 67, pp 230-243 30 Lillesand Thomas M., Kiefer Ralph W.,Chipman Jonathan W (2004), Remote Sensing and Image Interpretation, Hoboken, NJ: Wiley & Sons 31 Mannan, B J and Ray, A K (1998), Fuzzy ARTMAP supervised classification of multi-spectral remotely sensed images, International Journal of Remote Sensing, Vol 19, pp 767-774 32 Max Lock Centre (2003), Mapping Urbanisation for Urban and Regional Governance, University of Westminster 33 Mehrotra, K Mahan, K C and Ranka S (1997), Element of Artificial Neural Networks, The MIT press, Cambridge, Massachsetts 34 Mertern, K.C., Verbeke, L., Westra, T., and De Wulf, R (2004), Sub-pixel mpping and sub-pixel sharpening using neural network predicted wavelet coefficients, Remote Sensing of Environmentm, Vol 91, No.2, pp 225-236 35 Merterns, K C., Verbeke, L., Ducheyne, E I., and De Wulf, R., 2003, Using genetic algorithms in sub-pixel mapping, International Journal of Remote Sensing, Vol.24, 4241 - 4247 36 Nguyen, Q M., Atkinson, P M & Lewis, H G, 2005, Super-resolution mapping using Hopfield neural netwok with panchromatic image Asian Conference on Remote 90 Sensing ACRS, Hanoi, Vietnam, CD-ROM 37 Nguyen, Q M., Atkinson, P M & Lewis, H G, 2006, Super-resolution mapping using Hopfield neural netwok with fused images IEEE Transactions on Geoscience and Remote Sensing, Vol 44, No 3, 736-749 38 Nguyen Quang Minh (2006), Super-resolution mapping using hopfield neural network with supplementary data, University of Southampton 39 Nguyen, Q M., Do Van Duong, Atkinson, P M & Lewis, H G, Downscaling Multispectral Imagery Based on the HNN Using Forward Model, FIG Regional C onference, Hanoi (2009) 40 Pinilla Ruiz, C and Ariza Popez, F., J., 2002, Restoring SPOT images using PSFderived deconvolution filters, International Journal of Remote Sensing, Vol 23, 2379-2391 41 Rahel Hailu Kassaye (2006), Suitability of Markov Random Field-based Method for Super-Resolution Land Cover Mapping, The Netherlands 42 Sabins, Floyd F (1997), Remote sensing : principles and interpretation, New York: W.H Freeman and Co 43 Schneider, W and Steinwendner, J., 1999, Land cover mapping by interrelated segmentation and classification of satellite images, International Archives of Photogrammetry and Remote Sensing, Vol 32, part 7-4-3 44 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, Vol 39, pp 781-796 45 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, Vol 3, pp 184-194 46 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 91 47 Tatem, A J., Lewis, H G., Atkinson, P M., and Nixon, M S (2002a), 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, pp 59-76 48 Tatem, A J., Lewis, H G., Atkinson, P M., and Nixon, M S (2002a), Superresolution land cover pattern prediction using a Hopfield neural network, Remote sensing of Environment, Vol 79, pp 1-14 49 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 50 Tatern, A J (2002b), Super-resolution land cover mapping from remotely sensed imagery using a Hopfield neural network, Unpublished Ph.D Thesis, University of Southampton 51 Tipping, M E and Bishop, C M., Bayesian image super-resolution, in Advances in Neural Information Processing Systems (NIPS 2002), Vol 15 The MIT Press, 2003 52 Verhoye, J., and De Wulf, R (2002), Land cover mapping at sub-pixel scales using linear optimization techniques, Remote Sensing of Environment 53 Zhang, J and Foody, G M (2001), Fully-fuzzy supervised classification of suburban land cover from remotely sensed imagery: statistical and artificial neural network approaches, International Journal of Remote Sensing, Vol 22, pp 615-628 ... giải 20m từ ảnh đa phổ 76 Hình 3.6 Tăng độ phân giải cho ảnh đa phổ 40m: 78 Hình 3.7 Tăng độ phân giải cho ảnh đa phổ 60m: ………… ……………………… 79 Hình 3.8 Tăng độ phân giải cho ảnh đa phổ. .. 2.8 Mạng neuron Hopfield cho siêu phân giải đồ (nguồn từ [41]) 62 Hình 2.9 Kết siêu độ phân giải ảnh đa phổ sử dụng neuron network .66 Hình 3.1 Siêu phân giải ảnh đa phổ sử dụng mạng neuron Hopfield. .. 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 Dữ liệu ảnh viễn thám Độ phân giải siêu cao Độ phân giải