Ứng dụng mạng neuron hopfield giải quyết một số vấn đề trong phân tích ảnh viễn thám

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 tháng năm 2009 Tác giả luận văn Đỗ Văn Dương MỤC LỤC Lời cam đoan Mục lục .2 Danh mục bảng biểu Danh mục hình vẽ .5 MỞ ĐẦU Chương 1.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 .28 1.3.1 Định nghĩa lớp phủ/ lớp sử dụng đất 28 1.3.2 Khái niệm phân loại ảnh viễn thám 29 Chương 2.SIÊU PHÂN GIẢI VÀ MẠNG NEURON 40 2.1 Giới thiệu phân loại mềm 40 2.1.1 Các phương pháp phân loại mềm dựa lý thuyết xác suất 40 2.1.2 Các phương pháp phân loại mềm sử dụng mạng neuron 42 2.1.3 Một số phương pháp phân loại mềm khác 46 2.2 Khái niệm siêu phân giải đồ lớp phủ 46 2.2.1 Khái niệm siêu phân giải 46 2.2.2 Định nghĩa siêu phân giải đồ lớp phủ 47 2.3 Một số phương pháp siêu phân giải đồ lớp phủ 50 2.3.1 Phương pháp độ liên kết cực đại .50 2.3.2 Phương pháp sử dụng kết hợp với đồ vector .50 2.3.3 Phương pháp tối ưu tuyến tính 51 2.3.4 Phương pháp tối ưu two-point histogram 51 2.3.5 Phương pháp sử dụng thuật toán gen 52 2.3.6 Phương pháp tối ưu hóa sử dụng feed-forward neuron network 53 2.4 Phương pháp tối ưu hóa sử dụng mạng neuron Hopfield 53 2.4.1 Định nghĩa mạng neuron Hopfield .53 2.4.2 Ứng dụng mạng neuron Hopfield cho siêu phân giải 54 Chương 3.SIÊU PHÂN GIẢI SỬ DỤNG MẠNG NEURON HOPFIELD VÀ ẢNH TOÀN SẮC 61 3.1 Xây dựng mơ hình thuật toán .61 3.1.1 Xây dựng mơ hình .61 3.1.2 Thiết lập hàm mục tiêu điều kiện 63 3.1.3 Sử dụng mẫu phổ địa phương (mẫu phổ) .68 3.1.4 Tỷ lệ trọng số phổ tổng hợp địa phương 69 3.2 Thực nghiệm .69 3.2.1 Dữ liệu .69 3.2.2 Kết số nhận xét .79 KẾT LUẬN VÀ KIẾN NGHỊ 82 TÀI LIỆU THAM KHẢO 84 DANH MỤC CÁC BẢNG BIỂU Bảng 1.1 Thông tin vệ tinh viễn thám phổ biến (nguồn từ [3], [5]) .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 QuickBird giảm độ phân giải 77 Bảng 3.2 Số liệu thống kê độ xác kết phân loại ảnh đa phổ QuickBird giảm độ phân giải kết hợp ảnh toàn sắc 78 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 không 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]) .25 Hình 1.7 Biến động sử dụng đất theo mùa Hàm Thuận Nam (nguồn từ [7]) 27 Hình 1.8 Biến động sử dụng đất khu vực thuỷ điện Sơn La (nguồn từ [7]) 27 Hình 1.9 Biến động sơng 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]) 28 Hình 1.11 Nguyên lý phân loại theo phương pháp xác xuất cực đại (nguồn từ [1]) 32 Hình 1.12 Nguyên tắc phân loại theo khoảng cách tối thiểu (nguồn từ [9]) 33 Hình 1.13 Nguyên tắc phân loại hình hộp (nguồn từ [1]) 35 Hình 1.14 Mơ hình mạng lưới Neuron (Skidmore 2003) 37 Hình 1.15 Mơ tả hình ảnh pixel pha trộn (nguồn từ [19]) 38 Hình 1.16 (a) Kết phân loại cứng, (b) Kết phân loại mềm (nguồn từ [17]).39 Hình 2.4 Mạng neuron Hopfield nút (nguồn từ [20]) 54 Hình 2.1.Cấu trúc mạng Neuron nhiều lớp (dựa vào Kanellopoulos 1997) .43 Hình 2.2 Siêu phân giải đồ từ kết phân loại mềm 49 Hình 2.3 Phương pháp sử dụng kết hợp với đồ véc tơ 51 Hình 2.4 Mạng neuron Hopfield nút (nguồn từ [20]) 54 Hình 2.5 Bản đồ siêu phân giải (nguồn từ Sindos, Hy Lạp) .55 Hình 2.6 Những tỷ lệ diện tích lớp phủ (nguồn từ Sindos, Hy Lạp) 56 Hình 2.7 Mạng neuron Hopfield cho siêu phân giải đồ (nguồn từ [15]) .56 Hình 2.8 Một số kết siêu phân giải .59 Hình 2.9 Phân loại mềm sử dụng neuron network kết hợp ảnh toàn sắc .59 Hình 3.1 Siêu phân giải đồ mạng neuron Hopfield sử dụng ảnh toàn sắc (nguồn từ [20]) 62 Hình 3.2 Điều kiện ảnh toàn sắc cho tiểu phần tử bao phủ pixel (m, n) phân giải phổ toàn sắc 63 Hình 3.3 Bốn bước thực nghiệm với ảnh QuickBird: 70 Hình 3.4 Ảnh tồn sắc gốc ảnh đa phổ 71 Hình 3.5 Sáu lớp tham chiếu có độ phân giải 0.65 m 72 Hình 3.6 Sáu lớp phân loại mềm có độ phân giải 5.2m 72 Hình 3.7 Ảnh tồn sắc giảm độ phân giải 73 Hình 3.8 Kết phân loại mềm 74 Hình 3.9 Kết phân loại cứng phương pháp xác suất lớn 74 Hình 3.10 Kết siêu phân giải sử dụng mạng neuron Hopfield không sử dụng ảnh toàn sắc .75 Hình 3.11 Kết siêu phân giải kết hợp ảnh tồn sắc khơng chứa sai số định vị ảnh 75 Hình 3.12 Kết siêu phân giải kết hợp ảnh toàn sắc với sai số định vị ảnh 0.5 pixel .76 Hình 3.13 Kết siêu phân giải kết hợp ảnh toàn sắc với sai số định vị ảnh pixel 76 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:  Khả sử dụng nguồn thông tin bổ sung cho trình phân giải phương pháp để đưa thông tin vào mạng neuron Hopfield Trong phạm vi luận văn, sử dụng ảnh tồn sắc (panchromatic) nguồn thơng tin ảnh bổ sung cho q 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 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 - Sử dụng thơng tin bổ sung từ ảnh tồn sắc để nâng cao độ xác cho đồ lớp phủ lập thành lập 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 73 giải không gian 5.2 m Ảnh đa phổ sau dùng để tạo đồ lớp phủ độ phân giải không gian 5.2 m phương pháp phân loại mềm (Hình 3.6) Ảnh tồn sắc (1.3 m): Ảnh tồn sắc có độ phân giải không gian 1.3 m tạo cách giảm độ phân giải ảnh toàn sắc độ phân giải không gian 0.65 m xuống hai lần Ảnh tồn sắc giảm độ phân giải (Hình 3.7(a)) không chứa sai số nắn ảnh Để đánh giá tác động sai số nắn ảnh thuật toán, ảnh tồn sắc có độ phân giải khơng gian 1.3 m tạo cách thêm vào giá trị sai số nắn với sai số trung phương 0.5 pixel (Hình 3.7(b)) pixel (Hình 3.7(c)) Thuật tốn kiểm tra cách thực siêu phân giải có tham gia ảnh tồn sắc có chứa sai số định vị để kiểm chứng ảnh hưởng sai số định vị ảnh đến thuật tốn siêu phân giải đồ sử dụng ảnh tồn sắc (a) (b) (c) Hình 3.7 Ảnh tồn sắc giảm độ phân giải (a) Ảnh tồn sắc khơng chứa sai số nắn, (b) (c) Ảnh toàn sắc chứa sai số định vị 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 sáu lớp phủ trình bày Hình 3.8(a-f) 74 (a) (b) (c) (d) (e) (f) Hình 3.8 Kết phân loại mềm (a) Nhựa đường , (b) Cỏ , (c) Nhà 1, (d) Nhà 2, (e) Bóng đối tượng, (f) Cây (a) (d) (b) (c) (e) (f) Hình 3.9 Kết phân loại cứng phương pháp xác suất lớn (a) Nhựa đường , (b) Cỏ , (c) Nhà 1, (d) Nhà 2, (e) Bóng đối tượng, (f) Cây 75 (a) (b) (c) (d) (e) (f) Hình 3.10 Kết siêu phân giải sử dụng mạng neuron Hopfield khơng sử dụng ảnh tồn sắc (a) Nhựa đường , (b) Cỏ , (c) Nhà 1, (d) Nhà 2, (e) Bóng đối tượng, (f) Cây (a) (b) (c) (d) (e) (f) Hình 3.11 Kết siêu phân giải kết hợp ảnh tồn sắc khơng chứa sai số định vị ảnh (a) Nhựa đường , (b) Cỏ , (c) Nhà 1, (d) Nhà 2, (e) Bóng đối tượng, (f) Cây 76 (a) (b) (c) (d) (e) (f) Hình 3.12 Kết siêu phân giải kết hợp ảnh toàn sắc với sai số định vị ảnh 0.5 pixel (a) Nhựa đường , (b) Cỏ , (c) Nhà 1, (d) Nhà 2, (e) Bóng đối tượng, (f) Cây (a) (b) (c) (d) (e) (f) Hình 3.13 Kết siêu phân giải kết hợp ảnh toàn sắc với sai số định vị ảnh pixel (a) Nhựa đường , (b) Cỏ , (c) Nhà 1, (d) Nhà 2, (e) Bóng đối tượng, (f) Cây 77 Bảng 3.1 Số liệu thống kê độ xác kết phân loại ảnh đa phổ QuickBird giảm độ phân giải Ma trận sai số tính từ kết phân loại cứng Ảnh tham chiếu Nhựa đường Cỏ Nhà Nhà Bóng đối tượng Cây Tổng pixel Sai số đọc nhầm Nhựa đường 914 293 33 38 1280 0.2859 Cỏ 876 80697 2752 180 3463 4192 92160 0.1244 Nhà 376 960 181 83 1600 0.4000 Nhà 0 192 0 192 0.0000 Bóng đối tượng 788 222 4580 1066 6656 0.3119 Cây 46 1787 121 1909 12521 16384 0.2358 Tổng pixel 1836 83941 4057 372 10166 17900 KIATB = 62.99 Sai số bỏ sót 0.5022 0.0386 0.7634 0.4839 0.5495 0.3005 Ảnh phân loại SSTổng thể = 0.1556 Ma trận sai số xác định từ kết siêu phân giải không sử dụng ảnh toàn sắc Ảnh tham chiếu Nhựa đường Cỏ Nhà Nhà Bóng đối tượng Cây Tổng pixel Sai số đọc nhầm Nhựa đường 1066 316 53 22 77 1543 0.3091 Cỏ 705 79841 2089 64 2756 3461 88916 0.1021 Nhà 10 713 1483 220 80 2506 0.4082 Nhà 11 38 292 355 0.1775 Bóng đối tượng 12 943 289 5511 1100 7862 0.2990 Cây 32 2090 136 1655 13177 17090 0.2290 TB Ảnh phân loại Tổng pixel 1836 83941 4057 372 10166 17900 KIA Sai số bỏ sót 0.4194 0.0488 0.6345 0.2151 0.4579 0.2639 SSTổng thể = 67.37 = 0.1429 78 Bảng 3.2 Số liệu thống kê độ xác kết phân loại ảnh đa phổ QuickBird giảm độ phân giải kết hợp ảnh toàn sắc Thống kê kết siêu phân giải kết hợp ảnh toàn sắc không chứa sai số định vị Ảnh tham chiếu Nhựa đường Cỏ Nhà Nhà Bóng đối tượng Cây Tổng pixel Sai số đọc nhầm Nhựa đường 1466 437 12 74 129 2074 0.3144 Cỏ 275 80507 1437 53 2237 954 85463 0.0580 Nhà 907 2048 385 181 3529 0.4197 Nhà 49 319 0 368 0.1332 Bóng đối tượng 10 1264 403 6369 1080 9126 0.3021 Cây 121 777 157 1101 15556 17712 0.1217 Ảnh phân loại Tổng pixel 1836 83941 4057 372 10166 17900 KIA Sai số bỏ sót 0.2255 0.0409 0.4952 0.1425 0.3735 0.1309 SSTổng TB = 77.68 thể = 0.1019 Thống kê kết siêu phân giải kết hợp ảnh toàn sắc sai số định vị 0.5 pixel Ảnh tham chiếu Ảnh phân loại Nhựa đường Cỏ Nhà Nhà Bóng đối tượng Cây Tổng pixel Sai số đọc nhầm Nhựa đường 1407 418 64 122 2019 0.3031 Cỏ 284 80557 1469 53 2204 977 85544 0.0583 Nhà 20 916 2064 389 178 3567 0.4214 Nhà 49 319 0 368 0.1332 Bóng đối tượng 1235 367 6441 1107 9157 0.2966 Cây 118 766 149 1068 15516 17617 0.1193 Tổng pixel 1836 83941 4057 372 10166 17900 KIATB = 77.82 Sai số bỏ sót 0.2337 0.0403 0.4912 0.1425 0.3664 0.1332 SSTổng thể = 0.1012 Thống kê kết siêu phân giải kết hợp ảnh toàn sắc sai số định vị pixel Ảnh tham chiếu Ảnh phân loại Nhựa đường Cỏ Nhà Nhà Bóng đối tượng Cây Tổng pixel Sai số đọc nhầm Nhựa đường 1419 434 12 68 130 2063 0.3122 Cỏ 272 80530 1466 53 2240 945 85508 0.0582 Nhà 897 2050 382 179 3516 0.4170 Nhà 49 319 0 368 0.1332 Bóng đối tượng 17 1249 379 6382 1088 9115 0.2998 Cây 120 780 150 1094 15558 17702 0.1211 Tổng pixel 1836 83941 4057 372 10166 17900 Sai số bỏ sót 0.2271 0.0406 0.4947 0.1425 0.3722 0.1308 KIA TB SSTổng thể = 77.74 = 0.1016 79 3.2.2 Kết số nhận xét Để đánh giá hiệu thuật toán với ảnh Quickbird giảm độ phân giải, kết đạt ba phương pháp: phân loại cứng, siêu phân giải sử dụng mang neuron Hopfield thông thường siêu phân giải sử dụng mạng neuron Hopfield với ảnh toàn sắc so sánh cách trực tiếp Bản đồ lớp phủ thành lập từ phương pháp phân loại cứng có độ phân giải 5.2 m trình bày hình từ 3.9(a) đến 3.9(f) Kêt áp dụng siêu phân giải đồ sử dụng mạng neuron Hopfield theo phương pháp Tatern cộng [39], cho đồ lớp phủ với độ phân giải khơng gian (Hình 3.10(a-f)) Bản đồ kết đạt từ kết phân loại mềm độ phân giải 5.2 m với tỷ lệ phóng lần, số trọng số k1 = 100, k2 = 100, k3 = 150 k4 = 100, 1000 vòng lặp Thuật tốn siêu phân giải đồ có sử dụng mạng neuron Hopfield với ảnh tỷ lệ lớp phủ độ phân giải 5.2 m ảnh toàn sắc độ phân giải 1.3 m (không chứa sai số định vị) với 1000 vịng lặp, tỷ lệ phóng lần, số trọng số k1 = 100, k2 = 100, k3 = 150, k4 = 100, k5 = 100 trình bày Hình 3.11(a-f) Ngồi ra, ảnh toàn sắc với sai số trung phương định vị 0.5 pixel 1pixel (độ xác trung bình q trình hiệu chỉnh hình học) mạng neuron Hopfield cho kết đồ lớp phủ Hình 3.12(a-f) Hình 3.13(a-f) 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 3.9, 3.10, 3.11, 3.12, 3.13, thấy rõ ưu điểm thuật tốn siêu phân giải có sử dụng ảnh toàn sắc so với kết từ phân loại cứng kỹ thuật siêu phân giải đồ sử dụng mạng neuron Hopfield truyền thống Kết cải thiện cách rõ rệt nhìn thấy so sánh hình ảnh lớp nhựa đường (Hình 3.13(a)) đối tượng có dạng hình tuyến có độ rộng nhỏ Nếu không sử dụng thông tin từ ảnh tồn sắc, hình ảnh thu đường bị chia cắt Hình 3.9(a) tác dụng hàm mục tiêu mạng neuron Hopfield Việc sử dụng ảnh toàn sắc cải thiện nhược điểm trên, với ảnh toàn sắc chứa sai số định vị với sai số trung phương 1pixel, đối tượng đường dạng tuyến 80 dễ dàng nhận (Hình 3.12(a)) Ngồi ra, đối tượng lớp nhà với kích thước thơng thường xấp xỉ pixel nhận dạng rõ ràng Từ kết luận việc thơng tin bổ sung từ ảnh toàn sắc siêu phân giải đồ cho phép giải đoán 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 62.99% với phân loại cứng lên 67.37% siêu phân giải đồ khơng sử dụng ảnh tồn sắc lên 77.68% siêu phân giải đồ sử dụng ảnh tồn sắc khơng có sai số định vị Đối với ảnh toàn sắc với sai số định vị ảnh pixel, độ xác kết đồ lớp phủ độ phân giải 0.65 m tăng lên tới 77.74% Còn kết sử dụng ảnh toàn sắc với sai số định vị 0.5 pixel, độ xác tổng thể tăng lên 77.82% Số liệu Bảng 3.1 3.2 cho thấy số sáu lớp phủ , độ xác lớp nhựa đường tăng lên nhiều nhất, với sai số bỏ sót (omission errors) giảm từ 50.22% ảnh phân loại cứng 41.94% siêu phân giải đồ sử dụng mạng neuron Hopfield truyền thống xuống 22.55% kỹ thuật siêu phân giải đồ mạng neuron Hopfield sử dụng ảnh tồn sắc khơng có sai số định vị Mặc dù sai số đọc nhầm phương pháp giảm không đáng kể từ 30.91 % siêu phân giải đồ truyền thống sử dụng mạng neuron Hopfield xuống 30.31% tác động sai số nắn ảnh 0.5 pixel, xét mặt tổng thể, sai số đọc nhầm sai số bỏ sót hầu hết lớp giảm giảm đáng kể sai số lớp nhà nhà 3.2.2.3 Tác động sai số định vị ảnh Ảnh hưởng sai số định vị ảnh xác định dựa thay đổi giá trị tham số KIA Bằng việc sử dụng ảnh với sai số trung phương định vị ảnh có giá trị 0.5 pixel pixel, đánh giá ảnh hưởng giới hạn sai số định vị ảnh tồn sắc cho phép thuật tốn siêu phân giải sử dụng mạng neuron Hopfield ảnh toàn sắc Có thể thấy rằng, giá trị KIA giảm sai số trung phương định vị ảnh toàn sắc tăng lên, nhiên với sai số trung phương định vị 81 0.5 pixel pixel (độ xác thơng thường đạt định vị ảnh viễn thám), phương pháp có độ xác cao nhiều so với phương pháp sử dụng truyền thống Do kết luận rằng, kỹ thuật áp dụng với ảnh tồn sắc chứa sai số định vị pixel 3.2.2.4 Nhận xét Phần thực nghiệm giới thiệu việc sử dụng ảnh toàn sắc làm liệu bổ sung cho siêu phân giải đồ Thơng tin từ ảnh tồn sắc với độ phân giải khơng gian trung bình hỗ trợ q trình tối ưu hố sử dụng mạng neuron Hopfield để đạt đồ lớp phủ có độ phân giải khơng gian cao độ xác cao Thơng tin từ ảnh tồn sắc bổ sung vào q trình siêu phân giải thơng qua hàm điều kiện ảnh toàn sắc 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 QuickBird 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 ảnh tồn sắc sử dụng nguồn thông tin bổ sung cho mạng neuron Hopfield để 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 82 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Sau trình nghiên cứu thực đề tài, tơi có số kết luận sau: - Mạng neuron Hopfield thực cơng cụ hữu ích việc thực tốn tối ưu hố 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 thơng tin bổ sung để tăng độ xác độ phân giải không gian đồ lớp phủ Trong luận văn này, thơng tin từ ảnh tồn sắc sử dụng thông tin bổ sung thơng qua hàm điều kiện ảnh tồn sắc tối ưu hóa 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 ảnh toàn sắc cho kết với độ xác cao hẳn so với phương pháp phân loại cứng siêu phân giải không sử dụng ảnh toàn sắc - 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 ảnh toàn sắc 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 cịn hạn chế, cần phải có nghiên cứu sâu sắc cấu trúc mạng neuron Hopfield nhằm đưa thuật toán tổng quát 83 đơn 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 84 TÀI LIỆU THAM KHẢO Nguyễn Đình Dương, Ứng dụng viễn thám hệ thống thông tin quy hoạch mơi trường, Hà Nội TSKH Lương Chính Kế, TS Nguyễn Ngọc Sinh, Ths Tăng Quốc Cương, Một bước đột phá lĩnh vực viễn thám, Hà nội TSKH Lương Chính Kế, Chiến lược phát triển ảnh vệ tinh có độ phân giải siêu cao Mỹ, trường ĐH Bách khoa Vacsava PGS Võ Chí Mỹ (2008), Bảo vệ môi trường, Hà nội Nguyễn Ngọc Thạch (2004), Cơ sở viễn thám, Hà nội PGS.TS 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 Atkinson, P.M (2001), Super-resolution target mapping from soft-classified remotely sensed imagery, Fifth international Conference on GeoComputation, University of Leed 11 Atkinson, P.M (2003), Super-resolution land cover classification using geostatitical optimization, Geostatistics for Environmental Applications, KruwerDordrecht 12 Atkinson, P.M (2006), Super-resolution target mapping from soft-classified remotely sensing imagery, Photogrammetric Engineering and Remote Sensing, In press 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 Anna Haglund (200), Towards soft classification of satellite data, Sweden 85 15 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 16 Barret and Cutis (1976), Remote Sensing is the observation of a target by a device separated from it by a distance 17 Campbell, James B (1996), Introduction to Remote Sensing: Second Edition, New York: The Guilford Press 18 Copyright © 2001-2009 Dee Mon (2009), What is super-resolution?, Infognition Co Ltd 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 Goovaerts, P (1997), Geostatistics for Natural Resource Evaluation, Oxford University Press, Oxford 21 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 22 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 23 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 24 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 25 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 86 26 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 27 Gopal, S., Woodcock, C E., and Strahler, A H (1998), Fuzzy neural network classification of global land cover from a 10 AVHRR data set, Remote sensing of Environment, Vol 67, pp 230-243 28 Lillesand Thomas M., Kiefer Ralph W.,Chipman Jonathan W (2004), Remote Sensing and Image Interpretation, Hoboken, NJ: Wiley & Sons 29 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 30 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 30a Mehrotra, K Mahan, K C and Ranka S (1997), Element of Artificial Neural Networks, The MIT press, Cambridge, Massachsetts 31 Max Lock Centre (2003), Mapping Urbanisation for Urban and Regional Governance, University of Westminster 32 Mauricio Pozzobon Martine, Lamartine N, Frutuoso Guimarães, Leila Maria Garcia Fonseca, Testure Feature Neural Classifier for Remote Sensing Image Retrieval Systems 33 Nguyen Quang Minh (2006), Super-resolution mapping using hopfield neural network with supplementary data, University of Southampton 34 Thorton, M.W., Atkinson, P.M and Holland, D A (2006), Sub-pixel mapping of rural land cover objects from fine spatial resolution satellite sensor imagery using super-resolution pixel-swapping, International Journal of Remote Sensing, Vol 27, pp 473-491 35 Sabins, Floyd F (1997), Remote sensing : principles and interpretation, New York: W.H Freeman and Co 36 Rahel Hailu Kassaye (2006), Suitability of Markov Random Field-based Method for Super-Resolution Land Cover Mapping, The Netherlands 87 37 Verhoye, J., and De Wulf, R (2002), Land cover mapping at sub-pixel scales using linear optimization techniques, Remote Sensing of Environment 38 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 39 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 40 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 41 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 42 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 43 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 44 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 615628 45 Schneider, W and SteinWender, J (1999), Land cover mapping by interrelated segmentation and classification of satellite images, International Archives of Photogrammetry and Remote Sensing, Vol 30, part 7-4-3 ... 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 cao Độ phân trung bình Độ phân. .. 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. .. pháp thu nhận ảnh viễn thám (nguồn từ [4]) .13 Hình 1.5 Một số hình ảnh độ phân giải không gian ảnh viễn thám (nguồn từ [7]) 23 Hình 1.6 Một số hình ảnh lượng tử hoá độ phân giải radio (nguồn