Siêu phân giải ảnh đa phổ sử dụng mạng neuron hopfield

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ ĐỊA CHẤT QUÁCH THỊ CHÚC SIÊU PHÂN GIẢI ẢNH ĐA PHỔ SỬ DỤNG MẠNG NEURON HOPFIELD 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 2010 LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết nghiên cứu luận văn hoàn toàn trung thực chưa công bố cơng trình nghiên cứu Hà nội, ngày 16 tháng năm 2010 Tác giả luận văn Quách Thị Chúc MỤC LỤC LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC BẢNG BIỂU DANH MỤC CÁC HÌNH VẼ MỞ ĐẦU CHƯƠNG 1:KHÁI NIỆM CHUNG VỀ VIỄM THÁM………………………… 10 1.1 KHÁI NIỆM VỀ 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 CÁC LOẠI TƯ LIỆU VIỄN THÁM .20 1.2.1 Các loại tư liệu ảnh viễn thám 20 1.2.2 Các khái niệm độ phân giải tư liệu viễn thám 22 1.3 PHÂN LOẠI ẢNH VIỄN THÁM .30 1.3.1 Định nghĩa lớp phủ/ lớp sử dụng đất .30 1.3.2 Khái niệm phân loại ảnh viễn thám .31 CHƯƠNG 2: SIÊU PHÂN GIẢI VÀ MẠNG NEURON 43 2.1 GIỚI THIỆU VỀ PHÂN LOẠI MỀM .43 2.1.1 Các phương pháp phân loại mềm dựa lý thuyết xác suất .43 2.1.2 Các phương pháp phân loại mềm sử dụng mạng neuron 45 2.1.3 Một số phương pháp phân loại mềm khác 49 2.2 KHÁI NIỆM VỀ SIÊU PHÂN GIẢI BẢN ĐỒ LỚP PHỦ .50 2.2.1 Khái niệm siêu phân giải 50 2.2.2 Định nghĩa siêu phân giải đồ lớp phủ 50 2.3 MỘT SỐ PHƯƠNG PHÁP SIÊU PHÂN GIẢI BẢN ĐỒ LỚP PHỦ 53 2.3.1 Phương pháp độ liên kết cực đại 53 2.3.2 Phương pháp sử dụng kết hợp với đồ vector .54 2.3.3 Phương pháp tối ưu tuyến tính 55 2.3.4 Phương pháp tối ưu two-point histogram 55 2.3.5 Phương pháp sử dụng thuật toán gen 56 2.3.6 Phương pháp tối ưu hóa sử dụng feed-forward neuron network .57 2.4 PHƯƠNG PHÁP TỐI ƯU HÓA SỬ DỤNG MẠNG NEURON HOPFIELD 57 2.4.1 Định nghĩa mạng neuron Hopfield 57 2.4.2 Khả ứng dụng mạng neuron Hopfield cho siêu phân giải ảnh đa phổ .58 CHƯƠNG 3: ỨNG DỤNG KỸ THUẬT SIÊU PHÂN GIẢI ẢNH ĐA PHỔ SỬ DỤNG MẠNG NEURON HOPFIELD 65 3.1 XÂY DỰNG MÔ HÌNH THUẬT TỐN 65 3.1.1 Xây dựng mơ hình .65 3.1.2 Thiết lập hàm mục tiêu điều kiện .67 3.2 THỰC NGHIỆM .70 3.2.1 Dữ liệu .70 3.2.2 Kết số nhận xét .73 KẾT LUẬN VÀ KIẾN NGHỊ 79 TÀI LIỆU THAM KHẢO 81 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 23 Bảng 1.3 Độ phân giải phổ liệu ảnh viễn thám 25 Bảng 3.1 Thống kê xác phân loại mềm 74 Bảng 3.2 Sai số trung phương kênh phổ ảnh đa phổ độ phân giải thấp 40m kết ảnh siêu phân giải 20m 76 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) 21 Hình 1.4 Mô tả độ phân giải không gian ảnh (nguồn từ [7]) 22 Hình 1.5 Một số hình ảnh độ phân giải khơng gian ảnh viễn thám (nguồn từ [7]) 24 Hình 1.6 Các đặc điểm phổ ảnh Landsat ETM+ (nguồn từ [7] 25 Hình 1.7 Một số hình ảnh lượng tử hố độ phân giải radio (nguồn từ [7]) 27 Hình 1.9 Thay đổi theo mùa Bắc Madagascar (nguồn từ [7]) 29 Hình1.10 Biến động sử dụng đất khu vực thuỷ điện Sơn La (nguồn từ [7]) 29 Hình 1.11 Biến động sơng Thu Bồn qua thời kỳ (nguồn từ [6]) 29 Hình 1.12 Bản đồ theo dõi cháy rừng sử dụng ảnh viễn thám (nguồn từ [7]) 30 Hình 1.13 Nguyên tắc phân loại theo khoảng cách tối thiểu (nguồn từ [9]) 33 Hình 1.14 Nguyên lý phân loại theo phương pháp xác xuất cực đại (nguồn từ [2]).36 Hình 1.15 Nguyên tắc phân loại hình hộp (nguồn từ [6]) 37 Hình 1.16 Mơ hình mạng lưới Neuron (Skidmore 2003) 39 Hình 1.17 Mơ tả hình ảnh pixel pha trộn (nguồn từ [11]) 40 Hình 1.18 (a) Kết phân loại cứng, (b) Kết phân loại mềm 42 Hình 2.1 Cấu trúc mạng Neuron nhiều lớp (dựa vào Kanellopoulos 1997) 46 Hình 2.2 Siêu phân giải đồ từ kết phân loại mềm 52 lớp phủ thực vật (nguồn từ [53]) 52 Hình 2.3 Ví dụ độ phân giải khơng gian 54 Hình 2.4 Phương pháp sử dụng kết hợp với đồ véc tơ 54 Hình 2.5 Mạng neuron Hopfield nút (nguồn từ [39]) 58 Hình 2.6 Bản đồ siêu phân giải (nguồn từ Sindos, Hy Lạp) 59 Hình 2.7 Những tỷ lệ diện tích lớp phủ (nguồn từ Sindos, Hy Lạp) 60 Hình 2.8 Mạng neuron Hopfield cho siêu phân giải đồ (nguồn từ [42]) 60 Hình 2.9 Kết siêu độ phân giải ảnh đa phổ sử dụng neuron network 64 Hình 3.1 Siêu phân giải ảnh đa phổ sử dụng mạng neuron Hopfield (nguồn từ [39]) 66 Hình 3.2 Mạng neuron Hopfield cho siêu phân giải ảnh đa phổ 67 Hình 3.3 Ảnh tham chiếu đa phổ (20m) ba băng tần 71 Hình Các lớp thu phân loại khơng giám sát 72 Hình 3.5 Ảnh giảm độ phân giải 20m từ ảnh đa phổ 73 Hình 3.6 Siêu độ phân giải ảnh đa phổ 40m: (a) - Ảnh đa phổ tham chiếu 20m 74 Hình 3.7 Siêu độ phân giải ảnh đa phổ 40m 76 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 khơng 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 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 cho q trình siêu phân giải đưa thơng tin vào mạng neuron Hopfield Trong phạm vi luận văn, chúng tơi sử dụng ảnh đa phổ có độ phân giải thấp cho q trình tối ưu hóa sử dụng mạng neuron Hopfield • Tối ưu hố 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 - Sử dụng thông tin từ ảnh đa phổ để siêu phân giải 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 - Nghiên cứu ứng dụng mạng neuron Hopfield giải toán siêu phân giải - Nghiên cứu số vấn đề việc sử dụng trọng số cho mạng neuron Hopfield dùng cho siêu phân giải Phương pháp nghiên cứu Phương pháp thống kê: Thu thập, tổng hợp xử lý thông tin tài liệu liên quan Phương pháp phân tích: Sử dụng phương tiện công cụ tiện ích, phân tích tư liệu, đánh giá khách quan yếu tố để đưa kết luận xác làm sở giải vấn đề đặt Phương pháp so sánh: Tổng hợp kết quả, so sánh đánh giá đưa kết luận xác vấn đề đặt Ý nghĩa khoa học thực tiễn - Kết nghiên cứu ứng dụng việc làm tăng độ phân giải không gian ảnh đa phổ để tạo các ảnh siêu phân giải có độ phân giải cao ảnh gốc - Ứng dụng việc nhận dạng xác các đối tượng ảnh Cấu trúc luận văn Để giải nội dung nghiên cứu trên, luận văn gồm có chương, với 85 trang, có 34 hình vẽ bảng biểu Luận văn hoàn thành hướng dẫn khoa học TS Nguyễn Quang Minh phó chủ nhiệm Bộ mơn Trắc địa phổ thông Sai số - Khoa Trắc Địa Trường Đại học Mỏ-Địa chất, đồng thời trợ giúp tích cực Trường Cao đẳng Tài nguyên Môi trường Hà nội đồng nghiệp việc triển khai công tác nghiên cứu Tôi xin chân thành cảm ơn TS Nguyễn Quang Minh, Trường Đại học MỏĐịa chất, Trường Cao đẳng Tài nguyên Môi trường Hà nội đồng nghiệp mong nhận ý kiến phê bình, nhận xét để luận văn tốt 71 (a) kênh lục (b) kênh đỏ (c) kênh hồng ngoại Hình 3.3 Ảnh tham chiếu đa phổ (20m) ba băng tần 3.2.1.2 Giảm độ phân giải phân loại mềm Dữ liệu huấn luyện liệu tham chiếu: Gía trị phần trăm lớp phủ mặt đất cần dự đoán sử dụng ảnh huấn luyện thu từ cách phân loại không giám sát Để đánh giá độ xác việc dự đoán giá trị phần trăm lớp phủ mặt đất tham chiếu cần thiết Lớp phủ mặt đất tham chiếu tạo dựa cách phân loại không giám sát ISODATA ảnh SPOT lớp thu (Hình 3.4) Các lớp sau sử dụng cho phân loại mềm cho kết giá trị phần trăm lớp phủ (a) lớp (b) lớp (c) lớp 72 (d) lớp (e) lớp Hình Các lớp thu phân loại không giám sát Giảm độ phân giải: Sự xác thuật tốn siêu độ phân giải mạng neuron Hopfield sử dụng ảnh đa phổ thu từ ảnh đa phổ tham chiếu (Hình 3.3) Để đánh giá hiệu siêu phân giải nhờ tăng giảm hệ số xác kết ảnh siêu phân giải, ảnh đa phổ tham chiếu giảm hệ số độ phân giải khơng gian 40m ( Hình 3.5(a), 3.5(b) 3.5(c)), giảm hệ số độ phân giải khơng gian 60m( Hình 3.5(d), 3.5(e) 3.5(f)) giảm hệ số độ phân giải khơng gian 80m( Hình 3.5(g), 3.5(h) 3.5(i)) Ảnh đa phổ tham chiếu sử dụng để dự đoán giá trị phần trăm lớp phủ cách phân loại mềm Phân loại mềm: Phân loại mềm sử dụng để dự đoán giá trị phần trăm lớp phủ mặt đất từ ảnh đa phổ có độ phân giải thấp 40m, 60m, 80m Việc dự đoán giá trị phần trăm lớp phủ sử dụng để tạo tiểu điểm ảnh đồ lớp phủ mặt đất tiểu điểm ảnh ảnh đa phổ độ phân giải không gian 20m (độ phân giải không gian ảnh tham chiếu ảnh đa phổ đề ẩn số giả thiết) Trong phần thực nghiệm này, phân koại k- NN dùng cho phân loại mềm với k = sử dụng để tạo giá trị phần trăm lớp phủ từ ảnh có độ phân giải thấp (Hình 3.5) Từ lớp huấn luyện có sử dụng phương pháp phân loại không giám sát dựa phân bố phổ nguyên bản, giá trị phần trăm lớp phủ đánh giá xác (bảng 3.1) kết sai số ước lượng giá trị phần trăm tiểu điểm ảnh ảnh siêu phân giải nắn lại 73 3.2.2 Kết số nhận xét 3.2.2.1 Kết Đây phương pháp ứng dụng kỹ thuật siêu phân giải ảnh đa phổ có độ phân giải thấp với độ phân giải không gian 40m (tăng độ phân giải lên lần), 60m (tăng độ phân giải không gian lên lần) 80m (tăng độ phân giải không gian lên lần) để dự đoán ảnh đa phổ độ phân giải khơng gian lớn (20m) (Hình 3.5) Hình 3.5 Ảnh giảm độ phân giải 20m từ ảnh đa phổ có độ phân giải 40m (a,b c), 60m (d,e f) 80m (g,h i) Phương pháp phân loại mềm để dự đoán giá trị phần trăm lớp phủ cách sử dụng hàm điều kiện mạng neuron Hopfield với số trọng số k1 = 100, k2 = 100, k3 = 100 k4 = 100 để dự đoán tiểu điểm ảnh đồ lớp phủ mặt 74 đất ảnh đa phổ độ phân giải không gian 20m Kết ảnh đa phổ có độ phân giải 20m so sánh với ảnh đa phổ tham chiếu có độ phân giải khơng gian 20m sai số trung phương (RMSE) cho kênh phổ tính tốn (bảng 3.2) a Đánh giá trực quan Từ (Hình 3.7) cho thấy siêu phân giải ảnh đa phổ 20m dự đoán từ việc giảm độ phân giải ảnh đa phổ có độ phân giải khơng gian thấp 40m, 60m 80m rõ nét Độ rõ nét đạt từ việc tăng độ phân giải dựa ảnh đa phổ nguyên dạng đơn lẻ mà không cần đưa thêm liệu từ bên ngồi vào (Hình 3.5) cho thấy ranh giới đặc trưng ảnh giảm độ phân giải bị mờ vỡ pha trộn vùng pixel ranh giới Trong siêu phân giải ảnh (Hình 3.6(a), 3.6(b) 3.6(c)) đặc tính khơi phục làm cho ảnh rõ ràng sắc nét (a) (b) (c) Hình 3.6 Siêu độ phân giải ảnh đa phổ 40m: (a) - Ảnh đa phổ tham chiếu 20m Ảnh giảm độ phân giải 40m: (b) Ảnh siêu phân giải 20m: (c) Bảng Thống kê xác phân loại mềm Ảnh đa phổ Tổng sai số diện tích ( %) Tổng sai số trung phương (RMSE) ( pixel) 40m 0.0327 0.0482 60m 0.0538 0.0487 80m 0.0805 0.0533 75 Kết ảnh đa phổ có độ phân giải 20m dự đốn từ ảnh đa phổ có độ phân giải thấp 40m rõ ràng, sắc nét so với ảnh siêu phân giải 20m khác Tuy nhiên, độ phân giải không gian gốc ảnh nguyên dạng tính đến ảnh đa phổ 20m tạo từ ảnh đa phổ 80m siêu phân giải trực quan Từ (Hình 3.6) ta quan sát đối tượng địa vật dạng hình tuyến có độ rộng nhỏ 1pixel tách tác dụng hàm mục tiêu trình thực thuật tốn siêu độ phân giải Những pixel gốc, có độ rõ nét đồ siêu phân giải 20m, ảnh nguyên có độ phân giải khơng gian thơ, thuật tốn siêu độ phân giải mà không thực pixel gốc Về lý thuyết, vấn đề giải lớp phủ mặt đất tạo lớp nhỏ, từ việc xác định đường biên số pixel gốc pixel pha trộn b Đánh giá thống kê Trong (bảng 3.2) cho thấy sau trình siêu phân giải sai số trung phương thu nhỏ so sánh với ảnh có độ phân giải khơng gian ảnh ngun dạng, tương ứng cho kênh phổ Tương tự đánh giá trực quan, đánh giá thống kê cho thấy tương quan ngược tăng giảm hệ số sai số trung phương (RMSE) kết siêu độ phân giải ảnh đa phổ Như ảnh nguyên có độ phân giải khơng gian gốc 80m sai số trung phương ảnh siêu phân giải 20m (19.8412 DN) nhỏ ảnh siêu phân giải 40m (20.2639 DN) Điều có nghĩa ảnh siêu phân giải gần với ảnh tham chiếu hệ số tăng giảm tăng So sánh kết ảnh siêu phân giải với ảnh nguyên có độ phân giải gốc tương ứng, đưa giả thiết hệ số tăng giảm tăng, kết ảnh đa phổ siêu phân giải trở lên rõ nét Bằng việc so sánh ảnh siêu phân giải tạo từ ảnh đa phổ gốc có độ phân giải thấp khác sử dụng hệ số tăng giảm có giá trị khác Khi so sánh với sai số trung phương (RMSE) ảnh đa phổ nguyên có độ phân giải thấp 40m, sai số trung phương (RMSE) ảnh siêu phân giải 20m (khi tăng độ phân giải lên lần) nắn lại 2.3346DN từ 13.7028 DN xuống 11.3682 DN Khi độ phân giải tăng lên lần (từ ảnh có độ phân giải khơng gian 80m tăng độ phân giải khơng gian lên 20m) sai số trung phương (RMSE) giảm xuống 3.3988 DN 76 Bảng 3.2 Sai số trung phương kênh phổ ảnh đa phổ độ phân giải thấp 40m kết ảnh siêu phân giải 20m Kênh Sai số trung phương Ảnh giảm độ phân giải Ảnh siêu phân giải Green 3.1276 2.6933 Red 3.2049 2.7655 NIR 7.3703 5.9094 Σ 13.7030 11.3682 Hình 3.7 Siêu độ phân giải ảnh đa phổ 40m: (a,b c) - Ảnh đa phổ tham chiếu 20m Ảnh giảm độ phân giải 40m: (d,e f) Ảnh siêu phân giải 20m: (g,h i) 77 3.2.2.2 Một số nhận xét Mặc dù việc tăng độ phân giải không gian ảnh viễn thám đa phổ, có đưa phương pháp cần giải với điểm ảnh thuộc lớp Nhưng vấn đề có phần giải việc chia lớp lớp số pixel gốc rõ tính chất pixel pha trộn tồn thêm pixel gốc Bởi siêu phân giải mạng HNN làm việc pixel pha trộn, mà pixel thông thường định vị qua ranh giới lớp khác nhau, gợi ý phương pháp thích hợp cho siêu phân giải ảnh có cảnh nơng thôn Trong ảnh này, thay đổi không gian đồng bên vùng siêu phân giải dựa vùng không gian, hàm mục tiêu mạng HNN tạo tiểu điểm ảnh xác Phương pháp có thể ứng dụng cho thu nhận xác ảnh độ phân giải không gian khác thu nhận ảnh SPOT, ảnh Landsat với ảnh IKONOS hay ảnh QuickBird Trong trường hợp này, ảnh đa phổ có độ phân giải thơ sử dụng mạng HNN để siêu phân giải tạo tiểu điểm ảnh có độ phân giải khơng gian tốt Trong ảnh siêu phân giải này, điểm kiểm tra mặt đất, thường định vị qua đường biên đặc tính dọc theo đối tượng dạng hình tuyến, có ranh giới xác Việc xác định xác điểm kiểm tra mặt đất tạo điều kiện thuận lợi cho trình thu nhận ảnh Như đề cập trên, sử dụng phân loại khơng giám sát làm giảm sai số việc dự đoán tỷ lệ lớp phủ mặt đất Hơn nữa, sử dụng phân loại không giám sát tạo điều kiện thuận lợi cho trình tự động giảm tỷ lệ tỷ lệ lớp phủ sử dụng khơng có liệu huấn luyện khơng có bước huấn luyện Tuy nhiên, với phân loại không giám sát ISODATA người sử dụng phải chọn số lượng lớp Sự lựa chọn số lượng có tầm quan trọng kết tiểu điểm ảnh đa phổ Thông qua việc lựa chọn số lượng lớp người sử dụng kiểm soát hiệu giải thuật siêu độ phân giải kết tiểu điểm ảnh đa phổ Khi số 78 lượng lớp thay đổi số lượng pixel pha trộn thay đổi kết Nếu số lượng lớp tăng, số pixel gốc có ranh giới pixel pha trộn Tuy nhiên điều tạo sai số việc dự đoán tỷ lệ lớp phủ, số lượng lớp chọn lặp lặp lại Thực chất siêu độ phân giải ảnh đa phổ mạng HNN q trình tối ưu hố Hàm mục tiêu làm cực đại độ phân giải không gian tiểu điểm ảnh bên đối tượng ràng buộc giữ kích thước đối tượng, mà xác định bước phân loại Điều có ý nghĩa sở phân loại đối tượng sử dụng kết hợp với phân loại mềm để xác định đường biên đối tượng pixel pha trộn cho siêu phân giải Một hạn chế siêu phân giải mạng neuron Hopfield lựa chọn chủ quan tham số cho hàm mục tiêu, điều kiện ràng buộc tỷ lệ ràng buộc nhiều lớp (Nguyen nnk,2006) Bởi khảo sát thực nghiệm giá trị tham số cần phải giữ tác dụng điều kiện ràng buộc hàm mục tiêu q trình tối ưu hóa Giá trị tham số cần phải đồng dạng quanh giá trị 100 79 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Sau trình nghiên cứu thực luận văn tác giả có số kết luận: Đây thực phương pháp hữu ích cho việc làm tăng chất lượng hình ảnh ảnh đa phổ Khi sử dụng kỹ thuật siêu phân giải mạng neuron Hopfield với mơ hình thuận độ phân giải không gian ảnh tạo cao so với ảnh ban đầu Phương pháp phân loại mềm sử dụng để tạo giá trị phần trăm lớp phủ Các giá trị phần trăm lớp phủ đánh giá xác, kết sai số dự đoán giá trị phần trăm lớp phủ lớp phủ mặt đất có giảm bớt, tạo điều kiện thuận lợi cho việc tự động hoá, phân loại mềm thực dựa liệu huấn luyện thu từ việc phân loại khơng giám sát Tính khả thi phương pháp việc ước lượng dựa đánh giá trực quan thống kê Phương pháp đánh giá thống kê dùng cho đánh giá xác sai số trung phương (RMSE) Cả hai đánh giá trực quan thống kê khẳng định phương pháp tạo ảnh đa phổ có độ phân giải không gian cao Phương pháp trực quan, ảnh siêu phân giải rõ ràng, sắc nét ảnh nguyên dạng có độ phân giải thơ Tương tự, sai số trung phương ảnh siêu phân giải (so sánh với ảnh tham chiếu) nhỏ so với ảnh nguyên dạng có độ phân giải thấp nhờ có siêu độ phân giải pixel pha trộn Ngoài ra, đánh giá thống kê thể điều đó, hệ số tăng giảm tăng, kết tiểu điểm ảnh ảnh gần với ảnh tham chiếu 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 hạn chế, cần phải có nghiên cứu sâu sắc cấu trúc mạng neuron Hopfield nhằm đưa thuật toán tổng quát đơn giản nhất, giảm thời gian hội tụ mạng neuron Hopfield để xử lý khối ảnh lớn 80 Các kết siêu phân ảnh đa phổ cần ứng dụng rộng rãi ngồi thực tế nhằm mục đích để nhận dạng đối tượng địa vật ảnh dễ dàng phục vụ cho công tác thành lập đồ Trước mắt, thuật toán siêu phân giải ứng dụng để xác định vị trí điểm khơng chế sử dụng để nắn chỉnh hình học 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 toán siêu phân giải tăng độ phân giải khơng gian xác định đường biên địa vật cách xác, cho phép nắn chỉnh hình học với độ xác cao 81 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 Lâm nghiệp, 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 mơi 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, University of Leed 82 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 Copyright © 2001-2009 Dee Mon (2009), What is super-resolution?, Infognition Co Ltd 20 Dungan, J L (1998), Spatial prediction of vegetation quantities using ground and image data, International Journal of Remote Sensing, Vol 91, pp 267-285 21 Elad, M Feuer, A., 1999, Super-resolution reconstruction of image sequences, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 21, 817834 22 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 23 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 24 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 25 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 26 Foody, G M., 2002, The role of soft classification techniques in the refinement of estimates of Ground Control Point location, Photogrammetric Engineering and 83 Remote Sensing, Vol 68, 897-903 27 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 28 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 29 Goovaerts, P (1997), Geostatistics for Natural Resource Evaluation, Oxford University Press, Oxford 30 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 31 Lillesand Thomas M., Kiefer Ralph W.,Chipman Jonathan W (2004), Remote Sensing and Image Interpretation, Hoboken, NJ: Wiley & Sons 32 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 33 Max Lock Centre (2003), Mapping Urbanisation for Urban and Regional Governance, University of Westminster 34 Mehrotra, K Mahan, K C and Ranka S (1997), Element of Artificial Neural Networks, The MIT press, Cambridge, Massachsetts 35 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 36 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 37 Nguyen, Q M., Atkinson, P M & Lewis, H G, 2005, Super-resolution mapping using Hopfield neural netwok with panchromatic image Asian Conference on Remote Sensing ACRS, Hanoi, Vietnam, CD-ROM 84 38 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 39 Nguyen Quang Minh (2006), Super-resolution mapping using hopfield neural network with supplementary data, University of Southampton 40 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) 41 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 42 Rahel Hailu Kassaye (2006), Suitability of Markov Random Field-based Method for Super-Resolution Land Cover Mapping, The Netherlands 43 Sabins, Floyd F (1997), Remote sensing : principles and interpretation, New York: W.H Freeman and Co 44 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 45 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 46 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 47 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 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, in G M 85 Foody and P.M Atkinson (eds), Uncertainty in remote Sensing and GIS, John Wiley &Sons, pp 59-76 49 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 50 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 51 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 52 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 53 Verhoye, J., and De Wulf, R (2002), Land cover mapping at sub-pixel scales using linear optimization techniques, Remote Sensing of Environment 54 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 ... 2.8 Mạng neuron Hopfield cho siêu phân giải đồ (nguồn từ [42]) 60 Hình 2.9 Kết siêu độ phân giải ảnh đa phổ sử dụng neuron network 64 Hình 3.1 Siêu phân giải ảnh đa phổ sử dụng mạng neuron Hopfield. .. 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 - Sử. .. 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 cao Độ phân