Chương 2: ỨNG DỤNG TƯ LIỆU VIỄN THÁM VÀ GIS THÀNH LẬP BẢN ĐỒ LỚP PHỦ RỪNG
2.4. Tiến hành quy trình
2.4.5. Phân loại ảnh trên phần mềm ENVI
2.4.5.1 Nhóm phương pháp phân loại không kiểm định(Unsupervised): 2 phương pháp
+ IsoData.
+ K – Means.
Hình 2.5 Sơ đồ quá trình phân loại theo phương pháp không kiểm định 2.4.5.2 Nhóm phương pháp phân loại có kiểm định (Supervised): 4 phương pháp.
+ Maximum Likelihood.
+ Minimum Distance.
+ Mahalanobis Distance.
+ Parallepiped.
Hình 2.6 Sơ đồ quá trình phân loại theo nhóm phương pháp phân loại có kiểm định Xác định đối tượng phân loại
Lựa chọn vùng mẫu (Roi)
Phân Loại
Xử lý sau phân loại
Kiểm định kết quả (hay đánh giá ĐCX sau phân loại)
Lọc nhiễu Gộp lớp Đổi màu
Thuật toán theo hình hộp Thuật toán theo sác xuất cực đại Thuật toán theo khoảng cách ngắn nhất Thuật toán theo khoảng cách Mahalanobis
Xây dựng khóa giải đoán Phân loại
Xử lý sau phân loại
Kiểm định kết quả (hay đánh giá ĐCX sau phân loại)
K - Means
Iso Data
Tương tự như nhóm phương pháp phân loại có kiểm định
71
2.4.5.3 Nhóm phương pháp phân loại khác
+ Phân loại theo ngưỡng độ xám: Kĩ thuật phân loại theo phương pháp phân nghưỡng được sử dụng để phân loại ảnh thành những vùng có giá trị độ xám Pixel liên tiếp nhau trong một khoảng giá trị nhất định
+ Phương pháp phân loại theo cây quyết định dựa vào chỉ số NDVI.
Phương pháp phân loại cây quyết định + Khái niệm cây quyết định
Cây quyết định là một cấu trúc biểu diễn dưới dạng cây trong đó mỗi node trong biểu diễn một thuộc tính, mỗi nhánh biểu diễn giá trị có thể có của thuộc tính, mỗi lá biểu diễn các lớp quyết định và đỉnh trên cùng của cây gọi là gốc.
Cây quyết định là một cây phân cấp có cấu trúc được dùng để phân lớp các đối tượng dựa vào dãy các luật. Các thuộc tính của đối tượng (ngoại trừ thuộc tính phân lớp) có thể thuộc các kiểu dữ liệu khác nhau. Tóm lại cho dữ liệu về các đối tượng gồm các thuộc tính cùng với lớp của nó cây quyết định sẽ sinh ra các luật để dự đoán lớp của các đối tượng chưa biết.
+ Cấu trúc cây quyết định
Hình 2.7 Sơ đồ cấu trúc cây quyết định
Node trong 2
(Internal node)
Gốc (root)
Lá1 (leaf node) Node trong
(Internal node)
Lá 2
(leaf node)
Lá 3 (leaf node) Lá 4
(leaf node)
Branch 1
Branch 2
72
Trong cây quyết định:
- Mỗi nút biểu diễn một thuộc tính cần kiểm tra giá trị.
- Mỗi nhánh từ một nút sẽ tương ứng với một giá trị có thể có của thuộc tính gắn với nút đó.
- Mỗi nút lá biểu diễn một phân lớp.
- Một cây phân lớp sẽ được duyệt từ gốc tới một nút lá.
+ Thành lập cây quyết định phân loại các lớp đối tượng trong khu vực nghiên cứu dựa vào chỉ số NDVI.
Thuật toán NDVI đã được đưa vào hầu hết các phần mềm xử lý ảnh viễn thám, kết quả sau khi chuyển đổi là một kênh ảnh (kênh ảnh thực vật) mà ở đó thể hiện sự khác biệt giữa các loại thực vật khác nhau là rõ rệt nhất. Dựa trên ảnh thực vật này tiến hành các phương pháp phân loại khác nhau phân ra các lớp đối tượng.
Ở đây tác giả sử dụng phương pháp phân chia giá trị NDVI thành khoảng ngưỡng nhất định, tương ứng với mỗi khoảng ngưỡng là một lớp đối tượng phân loại. Để thực hiện sự phân chia NDVI này tác giả sử dụng cấu trúc cây quyết định cụ thể như sau: Theo các khoảng giá trị NDVI của khu vực từ -0.177465 tới 0.19018 và của từng lớp đối tương được xây dựng ở bảng 2.3 ta tiến hành xây dựng cây quyết định theo chỉ số này. (hình 2.8)
+ Ưu nhược điểm của phương pháp cây quyết định.
- Ưu điểm
Cây quyết định dễ hiểu, người ta có thể hiểu mô hình cây quyết định sau khi được giải quyết ngắn.
Việc chuẩn bị dữ liệu cho cây quyết định thường đơn giản hoặc không cần thiết, trong khi các kĩ thuật khác thường đòi hỏi chuẩn hoá dữ liệu, tạo thêm biến giả và loại bỏ giá trị khuyết thiếu.
Cây quyết định có thể xử lý dữ liệu có giá trị bằng số và dữ liệu là tên thể loại (giá trị phân loại).
73
Hình 2.8 Sơ đồ phân loại theo phương pháp cây quyết định
Cây quyết định là một mô hình hộp trắng, nếu có thể quan sát một tình huống cho trước trong một mô hình thì dễ dàng giải thích điều kiện dàng buộc đó bằng logic Boolean.
Có thể thẩm định mô hình bằng các kiểm tra thống kê. Điều này làm cho ta có thể tin tưởng vào mô hình.
Cây quyết định có thể xử lý tốt một dữ liệu lớn trong thời gian ngắn.
- Nhược điểm:
Dễ xảy ra lỗi khi có quá nhiều lớp: Ở đây cây quyết định chỉ thao tác với những lớp giá trị nhị phân dạng yes/no, dễ xảy ra lỗi khi mà có nhiều tầng hay nhiều nhánh trên một node.
NDVI < 0.09 MN
(Thuỷ văn ) No Yes
Yes No
DK (đất khác) NDVI < 0.13
RHg
(R Hỗn giao)
)giao )
RTB (Rừng TB)
RTr (Rừng trồng)
Yes
No Yes
NDVI < 0.15
NDVI < (-0.009)
NDVI < 0.19
RNg (Rừng nghèo)
Yes No
No
74
Độ chính xác phụ thuộc chủ yếu vào cây quyết định.
Ứng với từng khu vực nghiên cứu khác nhau, cần xây dựng các cây với đặc trưng khác nhau.
Đối với những cây quyết định có nhiều node, tại từng node cần tính một giá trị trên từng thuộc tính, với thuộc tính liên tục phải thêm các thao tác sắp xếp lại tập dữ liệu theo thứ tự của thuộc tính. Sau đó mới chọn được một thuộc tính pháp triển và một phân chia tốt nhất. Vì vậy mà chi phí tính toán xây dựng mô hình cây quyết định cao.