• Phân tích Fourier
Một ph−ơng pháp phân tích không gian là xác định các thuộc tính trong không gian của hình ảnh (thông th−ờng là 2 chiều x, y). Việc nghiên cứu tần số xuất hiện của các giá trị DN trong không gian và làm biến đổi chúng bằng thuật toán thì đ−ợc gọi là ph−ơng pháp chuyển đổi Furier. Trong hàm tính toán, các thông số đ−ợc đ−a vào tính là: độ lệch (góc) phân bố theo quy luật của các giá trị DN, biên độ và tần số xuất hiện của các giá trị DN. Kết quả phân tích sẽ tạo nên miền phân bố phổ Fourier của các giá trị DN theo hai trục X, Ỵ Các giá trị DN thấp nhất phân bố ở trung tâm phổ, các giá trị DN cao hơn phân bố ở xa dần.
Sau khi phân tích phổ Furier, ng−ời ta sẽ lựa chon filter thích hợp (ví dụ filter hình khối) để tạo nên ảnh mới có khả năng cung cấp nhiều thông tin nhất. Ph−ơng pháp phân tích Fourier đòi hỏi những tính toán phức tạp nên còn đang đ−ợc tiếp tục nghiên cứu phát triển.
.Tạo ảnh tỉ số phổ (Spectral Ration):
ảnh tỉ số phổ đ−ợc tạo bằng cách chia giá trị DN của band này cho giá trị DN của band khác để taọ nên một giá tri mới cho một pixel. Căn cứ vào tính chất phổ của các đối t−ợng khác nhau ở các band, ảnh tỉ số phổ có thể cung cấp nhiều thông tin mới so với từng band riêng biệt hay so với tổ hợp band ban đầu, đặc biệt là đối với các vùng bị bóng đối t−ợng che phủ hoặc những vùng có sự chênh lệch cao giữa giá trị DN ở giữa 2 band. Số l−ợng các ảnh tỉ số phổ đ−ợc tạo mới từ n band là n x (n-1) (ví dụ LANDSAT-1 có 4 band thì số ảnh tỉ số phổ sẽ đ−ợc tạo nên là 4 x (4 - 1) = 12).
ảnh tỉ số đ−ợc thành lập từ các cặp band phổ khác nhau, ví dụ B5/B7 , B4/b7 hoặc (B7-B4)/B7-B4). Các ảnh mới đ−ợc tạo nên có thể cung cấp các thông tin khác ngoài thông tin về thực vật. Những nghiên cứu đã phát hiện thấy trong miền phân bố phổ với các band của các tính chất đối t−ợng, có các vùng phân bố của đất, cuả thực vật và một vùng thứ 3 giữa chúng đ−ợc gọi là vùng phân bố độ ẩm −ớt (Wetness). Tính chất này có liên quan đến tán là và độ ẩm của đất. Việc tìm ra các ảnh tỉ số thích hợp cho từng mục đích nghiên cứu đòi hỏi phải đ−ợc kiểm nghiệm và chỉnh lý qua thực tế.
Ngoài ra ng−ời ta còn xây dựng các kiểu ảnh chỉ số khác dùng để nghiên c−ú các thông số khác của môi tr−ờng nh− : chỉ số khô hạn, chỉ số độ ẩm (bảng 8.3).
ảnh tỉ số cũng đ−ợc sử dụng để tạo nên các tổ hợp ảnh màu mớị
DNy DNx DN'=
trong đó: DN’- giá trị DN mới; X - band X;
Y - band Ỵ
Theo kinh nghiệm, ng−ời ta áp dụng công thức sau:
DNy DNx g R
DN'= ∗arctan
trong đó: R- hệ số chuyển đổi giá trị với chế độ 8 bít, R = 162,3.
DNx / Dny - góc (tính bằng radian) biến động từ 0 - 90° (0 - 1,571 radian) NDN’- giá trị mới (biến động từ 0 - 255).
.Tạo ảnh thành phần chính (Principle Component Image - PC )
Trên các band gốc của t− liệu viễn thám, từ nhiều band phổ, có thể xác định đ−ợc các vùng tập hợp của các giá trị DN cho một đối t−ợng. Tuy nhiên, với ảnh nguyên thủy, có thể sự phân bố các giá trị là không rõ ràng giữa các band từ đó việc phân tích thông tin sẽ gặp khó khăn. Nguyên tắc của việc tạo ảnh thành phần chính là tạo nên những band ảnh mới theo ph−ơng pháp tạo nên các trục toạ độ mới trong không gian phân bố các giá trị độ sáng (hình 8..23)
Hình 8.23: Quay trục tọa độ trong ph−ơng pháp phân tích thành phần chính
Giá trị số kênh A (PCI)
Giá trị số kênh B Trục tọa độ
mới I
Trục tọa độ mới II (PCII)
Các band ảnh mới đ−ợc gọi là các thành phần chính. Nếu tính cho hai band A và band B thì sự phân bố các giá trị độ sáng DN ở hai trục là I và II (hình 8.21) ta có:
DNI = a11 DNA - a12 DNB 170
DNII = a21 DNA - a22 DNB
trong đó: DNI; DNII - giá trị số độ sáng (DN) trên hệ toạ độ mới; DNA; DNB - giá trị số độ sáng (DN) trên hệ toạ độ cũ;
a11; a12; a21; a22 - hệ số chuyển đổi (hằng số).
Kết quả ảnh thành phần chính đ−ợc tạo nên có sự phân biệt rõ ràng về miền phân bố của các đối t−ợng. T−ơng tự nh− vậy, số l−ợng ảnh thành phần chính PC t−ơng đ−ơng với số band phổ đ−a vào để tính toán. Thông th−ờng l−ợng thông tin tập trung nhiều ở ảnh thành phần chính thứ nhất (70 - 80%), phần còn lại phân bố ở các thành phần chính khác (PC1, PC2…).
Hình 8.24: Thành phần chính PC1 (a) và PC2 (b) tạo ra từ 3 kênh ảnh
SPOT-1, -2 và -3 vùng Westboro (kênh 2 và kênh 3)
a b
.Tạo ảnh chỉ số thực vật (Vegetation Index Image)
Chỉ số thực vật là thông tin tiêu biểu cho việc nghiên cứu l−ợng chlorophyl (diệp lục tố). Thông th−ờng chỉ số thực vật dùng để nghiên cứu sinh khối của rừng, nông nghiệp hay nghiên cứu hàm l−ợng tảo lục trong n−ớc. Tính chất phổ biến của thực vật có đặc điểm khác biệt với các đối t−ợng khác là có sự phản xạ mạnh ở dải Green (0,5 - 0,6μm). Do đó có sự khác biệt lớn về độ sáng giữa band gần hồng ngoại và band Green. Đặc điểm đó đ−ợc gọi là tính chất xanh lá cây (Greeness) của đối t−ợng. Nh− vậy giữa độ sáng (Brightness) và độ xanh (Greeness) có sự khác biệt lớn nhất về giá trị DN. Thông th−ờng tổng độ sáng của các band cao hay thấp liên quan đến các loại đất khác nhau, còn sự khác biệt về giá trị DN giữa band Green và gần hồng ngoại liên quan đến độ xanh. Để hình dung rõ đ−ợc ý nghĩa sự khác biệt đó, ng−ời ta tạo ra ảnh chỉ số thực vật (Vegetation Index) hay ảnh về sự khác biệt của chỉ số thực vật (Normal Different Vegetation Index).
- ảnh chỉ số thực vật
)8 8 , 0 7 , 0 ( ) 6 , 0 5 , 0 ( DNRed DNGreen − − = Band Band hay VI Bảng 8.3: Các công thức chỉ số thực vật th−ờng sử dụng [29]
Chỉ số Công thức Ng−ời phát triển
NDVI
Chỉ số khác biệt thực vật NDVI=NIR RED RED NIR + − Rouse và cộng sự (1973) RVI chỉ số thực vật RVI=RED NIR Jordan (1969) SAVI chỉ số đất có điều chỉnh bởi thực vật SAVI= (1 L) ) L RED NIR ( ) RED NIR ( + + + − Huete (1988) TSAVI
chỉ số chuyển đổi có điều chỉnh bởi thực vật TSAVI= ) ab aNIR RED ( ) b aRED NIR ( a − + − − Baret và cộng sự (1989) SAVI 2 chỉ số đất có điều chỉnh bởi thực vật SAVI= ) / (RED b a NIR + Major và cộng sự (1990) PVI chỉ số thực vật vuông góc PVI= 2 a 1 b aRED NIR + − − Richarson và Wiegand (1977) DVI
Chỉ điều chỉnhsố thực vật DVI=NIR-RED Turker (1979)
Đối với ảnh MSS thì VI = B5/B7. Đối với ảnh TM thì VI = B3/B4. - ảnh khác biệt của chỉ số thực vật 5 7 5 7 DNGreen - DNRed DNGreen - DNRed B B B B hay NDVI + − =
Trong thực tế gía trị này rất thấp nên ng−ời ta sử dụng công thức kinh nghiệm gọi là hệ số thực vật chuyển đổi, trong đó có cộng thêm 127 vào giá trị vủa NDVỊ Giá trị biến đổi chỉ số thực vật đ−ợc sử dụng để nghiên cứu các kiểu tán là - nghĩa là nghiên cứu các kiểu rừng, mùa màng, ... các t− liệu Viễn thám đ−ợc sử dụng gồm có
LANDSAT, SPOT, CZCS, NOAA- AVHRR,MODIS,ASTER...
.Ph−ơng pháp tổ hợp màu
Hình 8.25: ảnh chỉ số thực vật khu vực Đông D−ơng-Thái Land. Tháng 1/1999. Xây dựng từ ảnh NOAA_AVHRR
Tổ hợp màu thật và màu giả
Ph−ơng pháp tổ hợp màu thể hiện tính −u điểm của việc dùng các kênh ảnh đa phổ của các ảnh vệ tinh hiển thị cùng một lúc trên ba kênh ảnh đ−ợc gắn ba loại mầu chính là đỏ, lục và xanh nam (blue) còn gọi là RGB. Ph−ơng pháp này có thể tổ hiển thị 3 kênh ảnh của một loại ảnh vệ tinh, tổ hợp màu của 3 kênh ảnh của các vệ tinh khác nhau cùng độ phân giải, tổ hợp màu của ảnh vệ tinh và ảnh máy bay có cùng độ phân giải, tổ hợp màu của một ảnh radar với các thời gian khác nhaụ
Trong một ảnh vệ tinh có nhiều kênh ảnh khác nhau, ví dụ ảnh vệ tinh Landsat-5, Landsat-7 có 6 kênh phổ (các kênh 1-5, và 7) có thể dùng để tổ hợp màu theo tổ hợp chập 3 của 6. Nếu trong tổ hợp màu kênh phổ có dải sóng đ−ợc gắn đúng với màu thì gọi là tổ hợp màu thật và trong các tr−ờng hợp khác gọi là tổ hợp giả màụ Ví dụ, các kênh phổ của ảnh vệ tinh Landsat-7 ETM+ có các kênh 1 ( kênh phổ xanh lam-blue) đ−ợc gắn màu xanh lam, kênh 2 (phổ lục- green) đ−ợc gắn màu lục, và kênh 3 (phổ đỏ-red) đ−ợc gắn màu đỏ trong khi hiển thị màu, nghĩa là kênh 3:2:1 gắn R:G:B và tổ hợp này gọi là tổ hợp màu thật.
(a) (b)
Hình 8.26: ảnh tổ hợp màu giả RGB 432 Landsat-7 ETM+
(a)- vùng Hòa Bình (17/9/2000), (b)-vùng cửa Balạt, đồng bằng sông Hồng (05/8/2001).
Hình 8.27: Tổ hợp màu thật RGB theo các kênh phổ 321 của ảnh vệ tinh
Landsat-7 ETM+
một phần Hoà Bình, ảnh thu 17/9/2000.
Để hiển thị ảnh ở dạng tổ hợp màu ta chọn ph−ơng án tổ hợp màu (color composit) trong modul display (idrisi) , và chọn các kênh ảnh với các màu cần tổ hợp. Số l−ợng ảnh tạo ra bằng tổ hợp màu sẽ rất lớn và phụ thuộc vào số kênh phổ dùng trong một nhóm tổ hợp. Đối với 3 kênh phổ của SPOT ta sẽ có tất cả là 3 x 2 x 1 = 6, đối với Landsat-5 và Landsat-7 dùng 6 kênh ảnh sẽ cho ra 6 x 5 x 4 = 120 kiểu tổ hợp khác nhau trên 3 màu RGB. Nếu dùng các kênh siêu phổ để tổ hợp màu thì số l−ợng ảnh tổ hợp sẽ lớn hơn nhiềụ
Ưu điểm của việc dùng tổ hợp màu:
- Nhạy cảm với mắt của con ng−ời - Số l−ợng biến thiên đa dạng.
ảnh trắng đen chỉ có một biến màu vì vậy ảnh chỉ phân biệt đ−ợc bằng múc độ xám (tone và độ sáng). Trong ảnh màu có 3 biến là màu sắc (Hue), no (saturation) và độ sáng.
- Hiển thị nhiều ảnh một lúc
ảnh màu tổ hợp theo không gian màu HIS (Hue -Intensity - Satuation Color Space Transformation)
Nh− phần đầu đã nêu về nguyên tắc màu, có hai khái niệm màu cơ bản: màu d−ơng cơ bản (Blue, Green và Red) và màu âm cơ bản (Yellow, Manganta và Cyan). Ngoài ra còn có khái niệm về c−ờng độ màu (Intensity), sắc màu (Hue) và mật độ (Saturation).
- C−ờng độ: liên quan đến độ sáng của ảnh.
- Sắc màu: liên quan đến dải sóng trung bình chiếm −u thế. - Mật độ: liên quan đến tính chất tinh khiết của màụ
Hình 8.28: Liên hệ không gian màu của cơ chế màu BGR và HSỊ
ở hình 8.28 nếu tạo nên một mặt phẳng mới vuông góc với đ−ờng độ sáng thì với hệ chiếu mới, cơ chế màu sẽ khác đi, gọi là cơ chế màu lục giác. Theo R.Hayden,1982, khái niệm H, S, I và BGR đ−ợc liên hệ nh− sau:
I = R+G+B
H = (G-B)/(1-3B ) S = (1-3 B )/(I) S = (1-3 B )/(I)
Với cơ chế không gian màu mới, các tổ hợp màu sẽ rất đa dạng. Thông th−ờng với 3 band và dải màu có 256 mức thì số tổ hợp màu đã rất lớn song với cả HIS thì sẽ là 16 triệu tổ hợp màụ Với sự tổ hợp màu rất đa dạng nh− vậy, nhiều thông tin mới có thể đ−ợc phát hiện thêm từ các t− liệu Viễn thám ban đầụ
8.2.2.3.Phân loại ảnh (Image Classification)
Nhìn tổng quan, phân loại ảnh trong xử lý số là quá trình phân định các pixel trong hình ảnh thành các lớp hoặc các nhóm đơn vị lớp phủ mặt đất (Landcover). Trong quá trình phân loại, giá trị DN của từng pixel là thông số duy nhất đ−ợc sử dụng. Tuy nhiên có một khái niệm khác đ−ợc vận dụng là nhận dạng các mẫu không gian (Spectial Pattern Recognition). Khái niệm mẫu phổ không hề có liên quan đến tính chất hình học của các pixel. Khái niệm mẫu phổ liên quan đến những dải giá trị phổ đo đ−ợc với các band khác nhau cho mỗi pixel. Nhận dạng phổ là việc phân chia đặc điểm phổ thành các nhóm có đặc điểm giống nhau và việc phân loại đ−ợc thực hiện theo nguyên tắc pixel - pixel phân loại cho lần l−ợt từng pixel trong ảnh. Khái niệm mẫu phổ không gian, còn liên quan đến mỗi liên quan giữa một số pixel với các pixel ở xung quanh về các tính chất, kích th−ớc của đặc tính, hình dạng, h−ớng, sự lặp lại và các tính chất khác. Những đặc tính này dễ phân biệt trong giải đoán nh−ng t−ơng đối phức tạp trong việc xử lý tự động bằng máy tính.
Phân loại ảnh (hay phân loại phổ của hình ảnh) có 2 hình thức : phân loại có kiểm định (Supervised Classification) và phân loại không kiểm định (Unsupersived Classification).
• Phân loại có kiểm định (Suppervice Classification)
Là phân chia một cách có kiểm định các giá trị DN của các pixel ảnh theo từng nhóm đơn vị lớp phủ mặt đất bằng việc sử dụng máy tinh và các thuật toán. Để thực hiện việc phân loại có kiểm tra, phải tạo đ−ợc “chìa khoá phân tích phổ “ nghĩa là tìm đ−ợc tính chất phổ đặc tr−ng cho từng đối t−ợng lớp phủ mặt đất và đặt tên cho chúng. Công việc xác định chìa khoá phân tích phổ đ−ợc gọi là tạo các vùng mẫu ( hay vùng kiểm tra -trainning areas). Từ các vùng này, các pixel khác trong toàn ảnh sẽ đ−ợc xem xét và sắp xếp theo nguyên tắc “giống nhất” (Look must like) để đ−a về các nhóm đối t−ợng đã đ−ợc đặt tên. Phân loại giám sát là phân loại đ−ợc tuân thủ bởi sự đào tạo của ng−ời điều khiển dựa trên những hiểu biết ngoài thực địa để định các nhóm khi phân loại ( gọi là các tập mẫu-training sets ). Các mẫu phân loại đ−ợc nhận biết qua vùng mẫu để thành lập các chìa khóa cho giải đoán ảnh. Mỗi pixel ảnh trong lớp dữ liệu sau đó đ−ợc đối sánh về số với các chìa khóa giải đoán đ−ợc đặt tên mà chúng có xác xuất thuộc về nhóm lớn nhất. Có rất nhiều cách thức để đối sánh giá trị của pixel ch−a biết để xắp xếp thành lớp t−ơng ứng với các chìa khóa đ−ợc giải đoán trong phân loạị
Có 4 ph−ơng pháp sắp xếp:
- Sắp xếp theo khoảng cách gần nhất (nearest distance classified). - Sắp xếp theo nguyên tắc ở gần nhất (Nearest neightbour classified).
- Sắp xếp theo nguyên tắc hình hộp phổ ( Box classified ).
- Sắp xếp theo nguyên tắc xác suất giống nhau nhất(maximum likelihood classified). đây là ph−ơng pháp phân loại hay đ−ợc sử dụng , có độ chính xác caọ phân loại có giám sát là ph−ơng pháp phân loại có sự giám sát của chuyên gia dựa trên những hiểu biết về các đối t−ợng không gian tại khu vực nghiên cứu để gắn và định ra các mẫu phân loại (singnature classes). Sau khi các lớp này đ−ợc xác định bởi qui định của ng−ời phân loại, quá trình phân loại đ−ợc tiến hành dựa trên các lớp mẫu phân loại và đ−ợc thực hiện theo một trong phép phân loại nh− xác suất cực đại, khoảng cách ngắn nhất hoặc phân loại theo hình hộp.
Trong phân loại có giám sát cần phải trải qua các b−ớc sau: thiết lập mẫu cho phân loạị Mục đích b−ớc này là tìm các vùng có cùng giá trị phổ và gắn chúng vào lớp đối t−ợng mà chúng ta đã biết trên thực địa hoặc trên nguồn dữ liệu có tr−ớc. Quá trình này bắt đầu từ việc hiển thị ảnh số trên màn hình ở mức độ phóng to để có thể khoanh các vùng có cùng giá trị số (cùng mầu) vào một nhóm.
Kết quả của việc khoanh vùng trên màn hình tạo ra các nhóm đối t−ợng phổ gọi là lớp phổ (signatures classes). Khi các lớp phổ đã đ−ợc khoanh vi ta cần kiểm tra chúng bằng cách hiển thị chúng trên biểu đồ thống kê phân bố chuẩn hoặc xem biểu đồ tán phổ (scatter diagram). Hình 6.8 minh họa cho biểu đồ phân bố của các mẫu đ−ợc chọn.
B−ớc tiếp theo là gộp các nhóm và loại bỏ nhóm phổ không chọn đúng để tạo
