CHƯƠNG I: KHÁI QUÁT VỀ ẢNH VIỄN THÁM
CHƯƠNG 2: MỘT SỐ THUẬT TOÁN ỨNG DỤNG TRONG CSDL ẢNH VIỄN THÁM
2.1. Nâng cao chất lượng ảnh viễn thám
2.1.7. Kỹ thuật chiết tách thông tin
Đối với mỗi pixel trong bức ảnh đa phổ, các giá trị DN thường có liên quan giữa band này với band khác. Mối liên quan đó được thể hiện trong hình 7 với các chấm là các pixel trong TM band 1 và 2 tạo nên hình ô-van thon dài. Ở đó độ sáng tăng dần theo sự phân bố các pixel với các giá trị cả hai band 1 và 2.
Sơ đồ 3 chiều (không thể hiện trong hình) của band 3 là 1, 2 và 3 cũng có thể biểu hiện trên hình elipsoid dạng thon dài về sự liên hệ giữa 3 band. Sơ đồ đó có ý nghĩa là nếu biết giá trị của pixel ở một band (ví dụ band 2) thì có thể biết cả giá trị của nó ở hai band còn lại (1 và 3). Sự liên hệ đó cũng nêu lên sự dư thừa nhiều trong dải tư liệu đa phổ. Nếu sự dư thừa đó giảm đi thì tổng số tư liệu cần thiết để mô tả hình ảnh đa phổ có thể được cô đọng lại.
Hình 2.7. Các dạng mạng lưới thuỷ văn căn bản
Phương pháp này đầu tiên gọi là phương phương pháp biến đổi Karahunen- Loeve (do Loeve đưa ra năm 1995) được dùng để nén ép dải tư liệu đa phổ bằng việc tính toán một hệ toạ độ mới. Với 2 band tư liệu, việc biến đổi định ra một trục mới (Y1) có hướng dọc theo hướng phân bố và trục thứ hai (Y2) vuông góc với Y1. Việc tính toán làm phép tổ hợp tuyến của các giá trị pixel trên toạ độ ban đầu chuyển thành các gía trị pixel trên toạ độ mới.
Y1 = 11X1 + 12X2 Y2 = 21X1 + 12X2 trong đó:
X1, X2 là pixel ở toạ độ ban đầu.
Y1, Y2 là các pixel trên toạ độ mới.
11, 12, 21 và 22 là các hằng số.
Hình 2.8. Phương pháp biến đổi thành phần chính dùng để tạo ảnh thành phần chính (PC) cho 6 band của LANDSAT.
Lưu ý rằng trên hình 5, dải giá trị pixel Y1 là lớn hơn gía trị X1 ở toạ độ ban đầu và so với giá trị X2 ở toạ độ ban đầu thì giá trị Y2 ở toạ độ mới lại nhỏ.
Phương pháp biến đổi thành phần chính được áp dụng cho 3 band nhìn thấy và 3 band hồng ngoại của tư liệu. Mỗi bức ảnh 3 thành phần chính có thể tổng hợp để tạo nên hình ảnh màu bằng việc gán cho mỗi thành phần một code màu riêng biệt.
Nhìn chung, việc biến đổi ảnh thành phần chính có một số ưu điểm sau:
- Hầu hết sự khác biệt trong dãy tư liệu đa phổ có thể nén ép về hình ảnh của một hoặc hai thành phần chính.
- Có thể loại bỏ các nhiễu ở ảnh gốc.
- Mọi sự khác biệt về phổ giữa các vật chất có thể xuất hiện rõ trên hình ảnh thành phần chính so với ảnh của các band riêng lẻ.
Tạo các ảnh tỷ số.
Ảnh tỷ số được tạo nên bằng cách chia giá trị độ sáng trên một band cho giá trị của chính pixel đó trên các band khác rồi làm giãn các trị số đó để xác định các giá trị mới của pixel. Kết quả tạo được ảnh mới với giá trị độ sáng của pixel khác với giá trị của ảnh ban đầu.
Hàm toán sử dụng để tạo ảnh tỷ số là:
Bvi.j.r =
L j Bvi
k j Bvi
. .
. .
trong đó : Bvi.j.r - Giá trị ảnh tỷ số i - Hàng thứ i j - Cột thứ j
Bvi.j.K - Giá trị độ sáng ở vị trí tại band K.
Bvi.j.L - Giá trị độ sáng ở band L.
Giống như ảnh thành phần chính, ảnh tỷ số có thể được tạo màu với các tổ hợp màu khác nhau của các band. Ví dụ: 3/1, 5/7, 3/5.
Ảnh tỷ số cũng có thể được tạo nên bằng cách chia hiệu số giá trị độ sáng của pixel trên 2 band cho tổng các giá trị đó để tạo nên hình ảnh mới.
Ảnh tỷ số được sử dụng cho nhiều mục đích ứng dụng như: nghiên cứu thảm thực vật (band7/ band 5), nghiên cứu địa chất (band 7/ band 4), nghiên cứu thổ nhưỡng (band 7/ band 4 hoặc band 7/ band 3).
Phân loại đa phổ.
Với mỗi pixel trên mỗi hình ảnh MSS hoặc TM có độ sáng phổ được ghi ở 4 hoặc 6 band sóng riêng biệt. Một pixel có thể được đặc trưng bởi dấu hiệu phổ của nó, dấu hiệu này xác định bởi quan hệ phổ phản xạ ở mỗi band sóng khác nhau. Sự phân loại đa phổ là quá trình chiết tách thông tin, xử lý các dấu hiệu phổ rồi qui định thành các chỉ tiêu dựa trên các dấu hiệu tương tự.
Trên hình 9 các đối tượng địa hình thể hiện là nước, cây trồng công nghiệp, sa mạc và các vùng núi. Các chấm tư liệu được xác định từ trung tâm của dãy phổ trên mỗi band MSS với các trục của toạ độ 3 chiều. Các chấm trung tâm của mỗi cụm là tiêu biểu của 4 nhóm đối tượng. Các pixel ở xung quanh cũng thuộc về nhóm đối tượng và tạo nên từng đám hoặc hình elipsoid. Bề mặt của hình elipsoid tạo nên một đường ranh giới qui định bao trùm toàn bộ các pixel thuộc về tiêu chuẩn của loại địa hình đó.
Các chương trình phân loại làm tách biệt các chỉ tiêu của chúng để xác định nên các đường ranh giới quy định. Trong nhiều chương trình người phân tích có thể điều chỉnh các đường ranh giới đó để đạt được các kết quả tối ưu.
Hình 9 chỉ mô tả sơ đồ đơn giản trên 3 trục toạ độ (tương ứng 3 band phổ). Trên thực tế, máy tính phải sử dụng các trục riêng biệt cho nhiều band phổ: 4 cho MSS và 5, 6 hoặc 7 cho TM.
Mỗi một ranh giới của một tập hợp các pixel cùng loại hay cùng một lớp phổ được xác định rõ trong hệ thống nhiều pixel của một hình ảnh, phương pháp phân loại đa phổ giải quyết việc đó bằng các thuật toán phân loại.
Các phương pháp phân loại chính:
Hình 2.9. Nguyên tắc phân loại ảnh đa phổ.
Hình 2.10. Sơ đồ mô tả sự phân loại đa phổ 1- Phân loại có kiểm tra (superviced clasification):
Người phân tích lựa chọn một vùng nhỏ gọi là vị trí kiểm tra (training site) hay một điểm kiểm tra. Vị trí kiểm tra thể hiện cho một tiêu chuẩn trên địa hình hay một lớp địa hình. Các giá trị phổ của mỗi pixel ở trong vị trí kiểm tra
được dùng để xác định các không gian quy định cho lớp đó. Sau khi các cụm của vị trí kiểm tra được xác định thì dựa vào các chỉ tiêu đó máy tính phân loại toàn bộ các pixel còn lại trong hình ảnh.
Như vậy, phân loại có kiểm tra có một số đặc điểm sau:
- Các lớp đối tượng được xác định một cách rõ ràng dựa vào tính chất của đối tượng xác định trên các vị trí kiểm tra.
- Tuy nhiên trong thực tế khá nhiều đối tượng khác nhau song lại hiện phổ giống nhau. Bên cạnh đó có nhiều dấu hiệu phổ khác nhau song lại thuộc về một đối tượng, do đó có những ảnh hưởng khác làm thay đổi tín hiệu phổ của từng pixel.
Do đó cần phải có sự phân loại bằng việc kết hợp nhiều dấu hiệu phổ thể hiện một lớp tương đối. Công việc này cần phải có sự hiệu biệt kỹ về từng đối tượng cần phân loại .
2 - Phân loại không kiểm tra (unsuperviced clasification):
Giá trị độ sáng của pixel trên một hình ảnh MSS hay TM tối đa có thể được phân chia thành 256 cấp (0-255). Dựa vào các pixel (sử dụng hystogram)mà người ta phân tích có thể tự động hóa phân chia thành hình ảnh ra nhiều lớp đối tượng. Mỗi lớp đối tượng tương ứng với khoảng giá trị độ sáng nhất định. Số lớp đối tượng có thể là 8, 10, 12, 16,... Sự phân loại này chỉ cho thấy sự khác biệt về giá trị độ sáng giữa các nhóm pixel trên hình ảnh chứ không xác định chính xác bản chất (hay tên gọi) của chúng. Do đó sự phân loại không kiểm tra chỉ cho kết quả có tính giả thuyết ban đầu.
Tạo các ảnh có sự thay đổi (change detection images).
Các ảnh có sự thay đổi cung cấp thông tin về sự biến đổi theo mùa hoặc các sự thay đổi khác. Các thông tin này được tách ra bằng việc so sánh hoặc nhiều hình ảnh của một vùng, song được thu thập theo nhiều thời gian. Bước đầu tiên là phải xác định tọa độ của hình ảnh tại một thời điểm, trên cơ sở các điểm kiểm tra mặt đất, tiếp theo sự xác định khối lượng đó là trừ các số lượng các pixel của các ảnh thu được nhận trước hoặc sau thời điểm đó. Các giá trị sau khi trừ có thể là dương, âm hoặc bằng 0 (bằng không là không có thay đổi).
Bước tiếp theo là đánh dấu các giá trị đó như một hình ảnh với độ xám trung gian thể hiện bằng 0. Màu đen và màu trắng là sự thay đổi âm cực đại hoặc dương cực đại. Phương pháp kéo giãn độ tương phản được sử dụng để nhấn mạnh sự khác biệt đó.
Phương pháp này rất có ích cho việc nghiên cứu các quá trình biến đổi, trên cơ sở phân tích các tư liệu viễn thám như biến đổi nhiệt độ, biến đổi mùa màng, biến đổi lượng phù sa vùng của sông, sự thay đổi mạng lưới sông suối biến đổi diện tích của các đợn vị sử dụng đất.
Để xử lý số hóa ảnh, cần thiết phải có những chương trình phần mềm (sofware) chuyên dụng. Theo kinh nghiệm hiện nay, các phần mềm giá cả hợp lý có thể ứng dụng ngay cho người sử dụng với mục đích nghiên cứu đánh giá tài nguyên mội trường và trao đổi thông tin là các phần mềm đã phổ biến trên thế giới như: ERDAS, PERICOLOR, ILWIS, ARC VIEW, PCI,... với các version khác nhau luôn được cải tiến và nâng cao.
Có nhiều thuật toán phân loại khác nhau như: phân loại theo khoảng cách gần nhất, phương pháp phân loại hình hộp, phương pháp phân loại “theo người láng giềng gần nhất (Nearest Neighbor)”...Các thuật toán đó được sử dụng để xây dựng các modular xử lý phân loại ảnh.