Kết quả thử nghiệm trong chương 4 cho thấy các thuật toán xử lý ảnh được đề xuất đã nâng cao được khả năng tự động nhận dạng và phân loại vết dầu trên
biển từ tư liệu ảnh SAR. Thời gian xử lý một cảnh ảnh khoảng 03 phút. Chương trình thử nghiệm đã khảo sát dạng tư liệu viễn thám siêu cao tần đang được sử dụng trong giám sát và phát hiện sớm vết dầu trên biển và hiện đang có tại Việt Nam như dữ liệu ALOS PALSAR (kênh L) và EnviSAT ASAR (kênh C). Vị trí và thời điểm thử nghiệm là khu vực Biển Đông Việt Nam với điều kiện khí tượng trên biển bình thường, tốc độ gió từ 2.5m/s đến 7.5m/s, không có các hiện tượng thời tiết cực đoan như mưa, giông trên biển.
Phương pháp tách vết đen trên ảnh SAR được sử dụng trong chương trình thử nghiệm là thuật toán phân ngưỡng Huang cho kết quả tốt đối với cả hai dạng tư liệu ảnh SAR kênh L và kênh C. Việc sử dụng thuật toán tự động phân ngưỡng Huang trong tách vết đen trên ảnh SAR đã nâng cao khả năng tự động hóa của phương pháp nhận dạng và phân loại vết dầu trên biển được đề xuất trong luận án.
KẾT LUẬN VÀ KIẾN NGHỊ
A. KẾT LUẬN
1. Cơ sở khoa học của việc nhận dạng và phân loại vết dầu trên biển từ ảnh SAR là dựa trên sự khác biệt về năng lượng tán xạ phản hồi tại vị trí vết dầu và vùng biển xung quanh trên ảnh. Năng lượng tán xạ phản hồi thu được trên tư liệu vệ tinh siêu cao tần khi quan sát trên biển chủ yếu là năng lượng tán xạ Bragg được hình thành do sự tương tác của tín hiệu siêu cao tần và dao động của sóng biển. Tuy nhiên, độ tin cậy trong nhận dạng và phân loại vết dầu trên biển từ tư liệu ảnh SAR chịu ảnh hưởng nhiều vào tốc độ gió trên bề mặt biển, góc tới của tín hiệu của vệ tinh siêu cao tần và đặc tính lý hóa của vết dầu.
2. Phương pháp nhận dạng và phân loại vết dầu trên biển từ tư liệu ảnh SAR gồm phương pháp quan sát trực tiếp trên ảnh và phân tích nhờ kiến thức chuyên gia; phương pháp phân tích bán tự động đang áp dụng rộng rãi nhờ khả năng tự động tách vết đen trên ảnh SAR, tự động tính toán các chỉ số hình dạng của vết dầu và vết nhiễu; phương pháp phân tích hoàn toàn tự động đang được nghiên cứu dựa trên khả năng phân loại vết dầu và vết nhiễu của mô hình mạng nơ-ron MLP.
3. Phương pháp nhận dạng và phân loại vết dầu trên biển từ tư liệu ảnh SAR được đề xuất trong luận án là một quy trình gồm nhiều công đoạn xử lý với 3 phần chính gồm: 1) Tiền xử lý ảnh; 2) Tách vết đen trên ảnh SAR; 3) Nhận dạng và phân loại vết dầu và vết nhiễu.
4. Kết quả thử nghiệm đã chứng tỏ phương pháp được đề xuất thực hiện tốt trên tư liệu ảnh SAR kênh L (ALOS PALSAR) và kênh C (EnviSAT ASAR). Đây là hai dạng tư liệu viễn thám siêu cao tần hiện đang được sử dụng tại Việt Nam. Kết quả nghiên cứu được đề xuất khả thi trong điều kiện khí tượng bình thường trên biển Đông Việt Nam và không xảy ra các trường hợp cực đoan về thời tiết như bão tố, mưa giông…
5. Kết quả sử dụng thuật toán phân ngưỡng tự động Huang để tách vết đen trên ảnh SAR và tự động xác định đường biên của các vết đen, tính toán các chỉ số hình dạng
tương ứng của các vết đen giúp giảm thời gian xử lý khi phân tích một cảnh ảnh, nâng cao hiệu quả ứng dụng của tư liệu viễn thám siêu cao tần trong giám sát và phát hiện sớm ô nhiễm dầu trên biển.
6. Sử dụng thuật toán cân bằng biểu đồ thích ứng giới hạn độ tương phản (CLAHE) cho phép loại bỏ hiệu quả ảnh hưởng của hiệu ứng xa-gần nguồn phát sóng trên tư liệu ảnh SAR. Việc loại bỏ hiệu ứng xa-gần nguồn phát sóng sẽ giúp đơn giản hóa quá trình tách vết đen trên ảnh SAR, có thể sử dụng thuật toán phân ngưỡng tổng thể với một ngưỡng độ xám duy nhất để tách toàn bộ các vết đen trên ảnh.
7. Đối tượng nghiên cứu chính trong luận án là những vết dầu xuất hiện không rõ nguồn gốc, chủ yếu do việc xả dầu trái phép của các tàu lưu thông trên biển gây ra. Các vết dầu do xả dầu trái phép thường để lại các dạng hình tuyến, dọc theo hướng dịch chuyển của các tàu xả dầu. Do đó, việc nhận dạng và phân loại vết dầu và vết nhiễu trên ảnh SAR được thực hiện thông qua phân tích các chỉ số hình dạng của vết dầu và vết nhiễu.
8. Phương pháp nhận dạng và phân loại vết dầu và vết nhiễu bằng mô hình mạng nơ-ron MLP cho độ tin cậy 93% với cấu trúc mô hình 8:8:2 và 96% với cấu trúc mô hình 4:4:2. Độ tin cậy của quá trình nhận dạng và phân loại vết dầu và vết nhiễu của các mô hình mạng nơ-ron MLP phụ thuộc vào mức độ đặc trưng cho hình dạng vết dầu và vết nhiễu của các chỉ số đầu vào của mạng nơ-ron. Các chỉ số hình dạng như chu vi, diện tích, độ phức tạp, hình dạng cho độ tin cậy cao trong phân loại các vết dầu do xả dầu trái phép của các tầu lưu thông trên biển. Kết quả nghiên cứu ứng dụng mô hình mạng nơ-ron MLP sẽ giúp nâng cao được khả năng tự động hoàn toàn của phương pháp nhận dạng và phân loại vết dầu và vết nhiễu trên biển từ tư liệu ảnh SAR.
B. KIẾN NGHỊ
1. Dựa trên các kết quả nghiên cứu đạt được của luận án, trong thời gian tới, NCS sẽ hoàn thiện các nghiên cứu về các thuật toán xử lý ảnh trên ảnh SAR để nâng cao khả năng tự động hóa nhận dạng và phân loại vết dầu trên biển. Đồng thời, nghiên cứu các chỉ số đặc trưng của vết dầu và khả năng sử dụng mô hình mạng nơ-ron
nhiều lớp MLP trong việc nhận dạng và phân loại những vết dầu có hình dạng phi tuyến trên biển từ tư liệu ảnh SAR.
2. Kết quả xác định vector đường biên vết dầu và các chỉ số hình dạng tương ứng được lưu dưới định dạng Shapefile và trong hệ tọa độ địa lý sẽ cung cấp cơ sở dữ liệu đầu vào cho các mô hình tính toán lan truyền dầu và xác định mức độ ô nhiễm của dầu tràn đối với các khu vực xung quanh.
DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ
1. Lê Minh Hằng, DUONG Nguyen Dinh (2009), Oil spill detection and Classification by ALOS PALSAR at VietnamEastSea, The 7th FIG Regional Conference: Spatial Data Serving People, Land Governance and the Environment-Building the Capacity, Hanoi, Vietnam
2. Lê Minh Hằng, Nguyễn Đình Dương (2010), Chuyển đổi dữ liệu từ raster sang vector áp dụng với đối tượng vùng trong quan trắc vết dầu trên biển, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, Số 30/4-2010, tr.63-69, Hà Nội. 3. Lê Minh Hằng, Nguyen Dinh Duong (2010), Practical implementation of
vectorization of oil spills detected at sea on SAR image, The 31th Asian Conference on Remote Sensing, Hanoi, Vietnam
4. Lê Minh Hằng, Nguyễn Đình Dương (2010), Xây dựng chương trình đọc tư liệu viễn thám siêu cao tần phục vụ phân tích vết dầu trên biển, Tuyển tập Báo cáo Hội nghị khoa học lần thứ 19 – Quyển 06 Trắc địa, tr.61- 66, Trường Đại học Mỏ - Địa chất, Hà Nội.
5. Nguyễn Đình Dương, Nguyễn Mai Phương, Lê Minh Hằng (2010), Chuẩn hóa tư liệu ảnh SAR trên biển trong mặt cắt ngang, Tuyển tập các công trình khoa học, Hội nghị khoa học Địa lý – Địa chính, tr.5 – 14, Trường Đại học Khoa học tự nhiên, Đại học quốc gia Hà Nội, Hà Nội
6. Lê Minh Hằng, Nguyễn Đình Dương (2011), Tổng quan về các phương pháp nhận dạng và phân loại vết dầu trên biển bằng tư liệu viễn thám siêu cao tần, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, Số 35/7-2011, tr.66-71, Hà Nội.
7. Lê Minh Hằng, Nguyễn Đình Dương (2011), Xây dựng chương trình đọc dữ liệu ảnh vệ tinh EnviSAT ASAR chế độ thu nhận WSM, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, Số 36/10-2011,tr.68-73, Hà Nội.
1.0 - A System for Analysis of Oil Spill in Sar Image, Vol 12, No 2, tr.12-18, Tạp chí AJG (Asian Journal of Geoinfomatics)
9. Lê Minh Hằng, Nguyễn Đình Dương (2012), Nghiên cứu tách vết dầu trên dữ liệu ảnh SAR bằng thuật toán nở vùng, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, Số 38/4-2012, tr. 68-72, Hà Nội.
TÀI LIỆU THAM KHẢO Tiếng Việt
1. Lương Mạnh Bá, Nguyễn Thanh Thủy (1999), Nhập môn xử lý ảnh số, NXB Khoa học và kỹ thuật, Hà Nội.
2. Nguyễn Đình Dương (2011), Ô nhiễm dầu trên biển và quan trắc bằng viễn thám siêu cao tần, NXB Khoa học và kỹ thuật, Hà Nội
3. http://www.vast.ac.vn/ 4. http://www.imh.ac.vn/
5. www.icoe.org.vn/upload/2010/01/29/OILSAS-TOMTATBAOCAO.pdf
Tiếng Anh
6. Anne H.S.Solberg, Sverre Thune Dokken, Rune Solberg (2003), Automatic detection of oil spills in Envisat, Radarsat and ERS SAR image, Geoscience and Remote Sensing Symposium, 2003. IGARSS '03. Proceedings. 2003 IEEE International , Vol.4, pp 2747-2749
7. Anna Schistad Solberg, Camilla Brekke, Rune Solberg (2004), Algorithms for oil spill detection in Radarsat and Envisat SAR images, IEEE Conference Publications, pp 4909-4912
8. Anne Solberg, Peter Clayton, Marte Indregard (2005), D2 – Report on benchmarking oil spill recognition approaches and best practice, Kongsberg Satellite Services AS, Norway
9. Assilzadeh.H, & Mansor.S.B (2001), Early warning system for oil spill using SAR images, Proc. ACRS 2001-22nd Asian Conference on Remote Sensing, 5-9 November 2001, Singapore, Vol.1, pp 460-465
10.Bahia Lounis, Aichouche Belhadj Aissa (2006), A contextual segmentation of sea SAR images to detect dark spots in Mediterranean Sea, IEEE Conference Publications, pp 371-376
11.Bern, T. -I., Wahl, T., Anderssen, T., & Olsen, R. (1992),Oil spill detection using satellite based SAR: Experience from a field experiment, Proc. 1st ERS-1 Symposium, Cannes, France, pp. 829– 834
12.Camilla Brekke, Anne H.S.Solberg (2005), Review oil spill detection by satellite remote sensing, Remote Sensing of Environment , pp 1-13
13.Chan-Su Yang, Youn-Seop Kim, Kazuo Ouchi, Jae-Ho Na (2009), Comparison with L-, C- and X- Band Real SAR images and simulation SAR images of spilled oil on sea surface, IEEE Conference Publications, pp 673-676
14.Change.L.Y and et (1996), A multiplayer multiresolution approach to detection of oil slicks using ERS SAR image, Proc ACRS 1996 – 17th Asian Conference of Remote Sensing, Sri Lanka
15.D.I.Morales, M. Moctezuma, F. Parmiggiani (2008), Detection of oil slicks in SAR images using Hierarchical MRF, IEEE Conference Publications, pp 1390- 1393
16.European Space Agency (2007), EnviSat ASAR Product Handbook, Issue 2.2, 27 February 2007
17.European Space Agency (1998), Oil pollution monitoring, ESA brochure ERS and its application, Marine, BR-128/I, Ver 1.0
18.ERSDAC (Earth Remote Sensing DataAnalysisCenter) (2007), ERSDAC-VX- CEOS-004, Rev. 1.6, Japan
19.Fabio Del Frate, Luca Salvatori ( 2004), Oil spill detection by means of Neural Networks algorithms: a Sensitivity Analysis,IEEE Conference Publications, pp 1370-1373
20.Fanny Girard-Ardhuin, F.Mercier, Garello (2003), Oil slick detection by SAR imagery: potential and limitation, Proc OCEANS 2003, Vol.1, pp 164-169 21.Henri Maître (2008), Processing of Synthetic Aperture Radar (SAR) Images,
Antony Rowe Ltd, Chippenham, Wiltshire
22.Huang Liang-kai, j. wangt mao-jiun (1995), Image thresholding by minimizing the measures of fuzziness, Pattern Recognition, Vol. 28, No.1, pp 41-51, 1995 23.Iphigenia Keramitsoglou, Constantinos Cartalis, Chris T.Kiranoudis (2006),
Automatic identification of oil spills on satellite images, Environmental Modelling & Software, Vol.21, pp 640-652
24.K.Topouzelis, V.Karathanassi, P.Pavlakis, D.Rokos (2007), Detection and discrimination between oil spills and look-alike phenomena through neural networks, ISPRS Journal of Photogrammetry & Remote Sensing 62, pp 264- 270
25.Mervin F.Fingas, Carl E.Brown (1997), Review of oil spill remote sensing, Spill Science & Technology Bulletin, Vol.4, No.4, pp. 199-208
26.Mikhail B. Kanevsky (2009), Radar Imaging of the Ocean Waves, Elsevier, The Netherlands
27.Massimo Bertacca, Fabrizio Berizzi, Enzo Dalle Mese (2005), A FARIMA- Based Technique for Oil Slick and Low-Wind Areas Discrimination in Sea SAR imagery, IEEE Transactions on geoscience and remote Sensing. Vol.43, No.11, pp 2484-2493
28.Mercier.G and et (2003), Multiscale oil slick segmentation with Markov Chain Model, Proc IGARSS’03, Vol.6, pp 3501-3503
29.Peng Liu, Chaofang Zhao, Xiaofeng Li, Mingxia He, William Pichel (2010),
Identification of ocean oil spills in SAR imagery based on fuzzy logic algorithm, International Journal of Remote Sensing, Vol. 31, Issue 17-18, pp 4819-4833 30.RemoteSensingTechnologyCenter of Japan (2006), ALOS PALSAR data (Level
1.1/1.5) data format, Revision I, Japan
31.Rafael C.Gonzalez, Richard E.Woods, Steven L.Eddins (2004), Digital Image Processing Using Matlab, Prentice Hall.
32.Stephane Derode, Gregoire Mercier (2007), Unsupervised multiscale oil slick segmentation from SAR images using a vector HMC model, Pattern recognition Society 40, pp 1135-1147
33.Tomiyama Nobuhiro (2010), Microwave remote sensing with focus on forestry and agriculture, ISPRS Student Consortium and WG VI/5 5th Summer School, 6-10 November 2010, Hanoi, Vietnam
34.Werner Alpers, Heinrich Huhnerfuss (1988), Radar Signatures of Oil Films Floating on the Sea surface and the Marangoni Effect, Journal of Geophysical
research, Vol.93, No.C4, pp 3642-3648
35.Y. H. Zheng, H. L. Dong, Q. S. Jiang, J. Li (2005), A Modified FCM-Based Algorithm for Oil Spill Detection in SAR Images, INTERNATIONAL SOCIETY FOR ENVIRONMENTAL INFORMATION SCIENCES, Paper EIA05-044, Vol.3 (2005), pp 346-351
36.http://www.sarusersmanual.com/ 37.http://cearac.poi.dvo.ru/en
1. Thuật toán đọc dữ liệu ALOS PALSAR
Function [fdata, file_name] =read_alos(f_vol,f_lea,f_data)
Đầu vào: Đường dẫn tệp dữ liệu Volume (*.vol), tệp dữ liệu Leader (*.lea), tệp dữ
liệu Data (*.dat) của dữ liệu gốc ALOS PALSAR do hãng ERSDAC cung cấp hoặc đường dẫn tệp dữ liệu Volume (VOL-Tenanh.5GUD), tệp dữ liệu Leader (LED- Tenanh.5GUD), tệp dữ liệu Data (IMG-Tenanh.5GUD) của dữ liệu gốc ALOS PALSAR do hãng JAXA cung cấp.
Đầu ra: Dữ liệu ảnh được chuyển đổi sang dạng GeoTIFF
- Chương trình sẽ tự động xác định loại dữ liệu ALOS PALSAR do hãng ERSDAC cung cấp hay do hãng JAXA cung cấp
% Đọc dữ liệu file Volume
- Tìm đến byte thứ 60 và đọc 11 ký tự để kiểm tra xem có phải là dữ liệu ALOS PALSAR
fseek(fid_vol,60,'bof');
TempStr=fread(fid_vol,11,'*char');
if (strcmp(TempStr,['A';'L';'O';'S';'-';'1';'-';'S';'A';'R';'-'])==0) msgbox('Day khong phai du lieu ALOS PALSAR','Doc du lieu Alos Palsar
(ERSDAC)');
else
TempStr=fread(fid_vol,3,'*char');
switch TempStr
case ['R';'A';'W']
msgbox('Chuong trinh khong xu ly muc RAW','Doc du lieu Alos
Palsar (ERSDAC)');
case ['S';'G';'F']
msgbox('Chuong trinh khong xu ly muc 1.5(SGF)','Doc du lieu Alos
Palsar (ERSDAC)');
case ['S';'S';'G'];
msgbox('Chuong trinh khong xu ly muc 1.5(SSG)','Doc du lieu Alos
Palsar (ERSDAC)');
end
% Đọc dữ liệu file Leader
- Tìm đến byte thứ 16 và đọc 12 ký tự để kiểm tra xem định dạng của dữ liệu có phải là định dạng CEOS,
fseek(fid_lea,16,'bof');
TempStr=fread(fid_lea,12,'*char');
if(strcmp(TempStr,['C';'E';'O';'S';'-';'S';'A';'R';'-';'C';'C';'T'])==0) errordlg('File khong co cau truc dinh dang CEOS','Doc du lieu
Alos Palsar (ERSDAC)');
else
- Tìm đến byte 780 và xác định số pixel trên 1 hàng, số hàng trên 1 ảnh, độ phân giải theo trục X, trục Y
fseek(fid_lea,780,'bof'); TempStr=fread(fid_lea,16,'*char'); nPixels=str2double(TempStr); TempStr=fread(fid_lea,16,'*char'); nLines=str2double(TempStr); TempStr=fread(fid_lea,16,'*char'); xResolution = str2double(TempStr); TempStr=fread(fid_lea,16,'*char'); yResolution = str2double(TempStr); fseek(fid_lea,748,'bof'); TempStr=fread(fid_lea,29,'*char');
- Kiểm tra mức hiệu chỉnh hình học là vị trí byte 784 với các trường hợp SLANT RANGE; GROUND RANGE, UNIVERSAL TRANVERSE MERCATOR
- Đọc tọa độ góc trên bên trái trong trường hợp mức hiệu chỉnh hình học là UNIVERSAL TRANVERSE MERCATOR tại byte 1664
fseek(fid_lea,1198,'bof'); TempStr=fread(fid_lea,2,'*char'); iZone=str2double(TempStr); fseek(fid_lea,1296,'bof'); TempStr=fread(fid_lea,16,'*char'); ScaleFactor=str2double(TempStr);
%Doc toa do XY cua goc tren ben trai
fseek(fid_lea,1664,'bof');
TempStr = fread(fid_lea,16,'*char'); LeftTopY = str2double(TempStr); TempStr =fread(fid_lea,16,'*char'); LeftTopX = str2double(TempStr);
% Đọc dữ liệu file Data
- Tìm đến byte thứ 186 để đọc chiều dài một dòng dữ liệu ảnh trong file Data - Số lượng kênh ảnh tại byte thứ 232
- Dữ liệu ảnh trong file Data bắt đầu ghi từ byte thứ 16252 và số lượng byte trước mỗi dòng ghi dữ liệu ảnh là 192 byte
- Chuyển đổi dữ liệu từ BigEndian sang LitteEndian
fseek(fid_data,16252,'bof'); ... for i=1:nLines fseek(fid_data,Prefix,'cof'); A=fread(fid_data,RecLength-Prefix); for j =1:2:RecLength-Prefix trunggian = A(j); A(j) = A(j + 1); A(j + 1) = trunggian; end fwrite(fid,A); end ---