Công việc xử lý phổ trước khi phân loại mây là rất cần thiết vì các ảnh gốc nhận được từ ảnh vệ tinh SPOT thường có giá trị số trong khoảng thấp, ảnh bị mờ và tối. Xử lý phổ có thể loại trừ được một số ảnh hưởng do tán xạ trong khí quyển. Mặt khác, trong tập ảnh đa thời gian, việc lựa chọn ảnh khi xử lý cũng giúp cho loại trừ các ảnh không có lợi khi ghép (ảnh quá nhiều mây và bóng mây hoặc bị trùng nhau ...), giảm thời gian và khối lượng công việc cần phải xử lý.
Trước khi xác định mây và bóng mây, chúng ta cần chọn các ảnh SPOT đa thời gian chứa ít mây nhất làm ảnh “sơ sở” để các ảnh khác chỉ dùng để bù mây cho ảnh “cơ sở”. Các ảnh để bù mây này được chia làm nhiều khu vực nhỏ, chỉ những khu vực nhỏ là những thành phần cơ bản để bù vào những khu vực mây trên ảnh cơ sở. Việc lựa chọn này cũng làm giảm nhiều lượng ảnh cần xử lý.
Xác định chính xác các đám mây trong dữ liệu ảnh viễn thám là một nhiệm vụ phức tạp, do đó các quy tắc xác định là rất quan trọng. Một số nghiên cứu về tạo ảnh không mây trên thế giới sử dụng các thuật toán phân ngưỡng mây và bóng mây khác nhau, mặc dù luôn được cải tiến cho hoàn thiện hơn, các phương pháp này có những ưu điểm và hạn chế riêng.
Phương pháp để xác định vùng mây và bóng mây trên ảnh viễn thám là chia nhỏ ảnh gốc thành các vùng nhỏ. Kích thước của các vùng này tùy thuộc vào các đặc tính riêng của ảnh gốc. Hơn thế nữa, trong quá trình thực hiện, ảnh cơ sở nên là ảnh chứa ít mây mỏng nhất. Với phương pháp này, một số điểm ảnh không chứa mây sẽ bị xác định nhầm là có mây nhưng đây là cách an toàn nhất để chắc chắn rằng không có điểm ảnh chứa mây nào là không được phát hiện.
46
năng chứa mây sẽ được xác định bằng phương pháp phân lớp quang phổ tuyến tính (linear spectral unmixing method - LSU). Tuy nhiên phương pháp này không thể xác định các vùng mây mỏng, bóng mây và thường nhầm lẫn các khu vực mặt trên mặt đất có độ sáng cao là mây. Sử dụng toán tử mở (opening operator) có thể loại trừ nhầm lẵn giữa các khu vực có giá trị số cao như là các khu vực trong đô thị, và sử dụng tám vùng xung quanh vùng chứa mây dày để tìm khu vực chứa mây mỏng và dựa vào góc chiếu của mặt trời để suy đoán vị trí tương đối của bóng mây.
Mô hình pha trộn tuyến tính (LSU)
Mô hình pha trộn tuyến tính là mô hình pha trộn phổ biến nhất. Mô hình được xây dựng trên giả thuyết mỗi điểm ảnh hỗn hợp được kết kết hợp tuyến tính từ những phản xạ của các đối tượng khác nhau. Quá trình phân loại của mô hình này là để giải quyết một hệ thống tuyến tính các phương trình dựa trên tiêu chuẩn sai số trung phương nhỏ nhất. Ở đây chúng tôi sử dụng phương pháp phân lớp quang phổ tuyến tính để giải quyết vấn đề điểm ảnh hỗn hợp và tạo ra hình ảnh từng phần của mỗi lớp phủ mặt đất. Nguyên lý cơ bản của mô hình phân lớp tuyến tính là tín hiệu nhận được từ mỗi điểm ảnh có thể được coi là sự chồng chất theo tuyến tính của những đóng góp quang phổ của tất cả các thành phần điểm ảnh theo các tỷ lệ khác nhau.
Thực tế, trong một pixel luôn luôn tồn tại một hoặc vài đối tượng bên trong, nếu diện tích các đối tượng đó nhỏ hơn diện tích một pixel. Do đó, nếu phân loại một pixel theo một đối tượng duy nhất thì chúng ta đã bỏ qua những đối tượng còn lại bên trong, và độ chính xác sẽ bị giảm. Dựa vào việc xác định các đối tượng có phản xạ phổ chuẩn (ở các pixel mà các đối tượng này chiếm 100%), các pixel trên ảnh sẽ được xác định xem có bao nhiêu phần trăm phản xạ của từng đối tượng bên trong. Hình 3.3 ví dụ về hỗn hợp quang phổ, khu vực được đánh dấu đại diện cho một điểm ảnh trong ảnh vệ tinh, trong đó gồm 3 thành phần: đất nông nghiệp, rừng, nước.
47
Đối với các điểm ảnh hỗn hợp, một cách tiếp cận hợp lý hơn là xây dựng một bản đồ hỗn hợp trong đó gồm một chuỗi các bản đồ chứa thông tin về tỷ lệ của mỗi lớp phủ mặt đất. Trong bản đồ này, sự đóng góp của mỗi điểm ảnh được gán tương ứng với tỷ lệ phần trăm diện tích từng loại lớp phủ mặt đất chiếm giữ trong điểm ảnh ảnh hỗn hợp đó. Quá trình chuyển những nhãn lớp phủ thành một điểm ảnh hỗn hợp riêng được gọi là phân lớp quang phổ. Và bản đồ sử dụng cường độ sáng để đại diện tỷ lệ của lớp che phủ mặt đấttrong mỗi điểm ảnh được gọi là ảnh phân số.
Mỗi điểm ảnh trong một ảnh đa phổ là một vectơ quan sát. Véc tơ quan sát
x(i,j) tại vị trí (i,j) là ℓ một véc tơ cột với kích thước ℓ×1 : (x1,x2,…xl)Tvới ℓlà số
lượng băng phổ. Điểm ảnh x(i,j) có thể miêu tả bằng mô hình hỗn hợp tuyến tính.
x(i,j) = Mf (i,j) + e(i,j) (4.1)
Với M là ma trận có kích thước ℓ × p bao gồm p vật chất phổ khác nhau (m1,m2,…,mk,…,mp) và mk là vec tơ cột có kích thước ℓ×1 biểu thị quang phổ của
48
vật chất thứ k. Biến số f(i, j) là một véc tơ cột với kích thước p ×1: (f 1(i, j), f 2(i, j),… f k(i, j), …, f p(i, j))Tvà f k(i, j) đại diện cho tỷ lệ của vật chất thứ k trong điểm ảnh x(i, j). Biến số e(i,j) là một ma trận có kích thước ℓ×1 đại diện cho các nhiễu ngẫu nhiên. Các biến ngẫu nhiên này thường được giả thiết là một phân phối Gaussian xác định và độc lập với trị trung bình bằng 0 và ma trận hiệp phương sai là σ2 I. Biểu đồ của mô hình hỗn hợp tuyến tính được giới thiệu ở hình sau.
Để thực hiện tính toán cho mô hình, các thông tin của ma trận M (ma trận M được tạo nên từ các thành tố) cần phải được xác định. Tuy nhiên trong thực tế, rất khó để có thể biết trước được về những vật chất sẽ tồn tại trong ảnh. Do đó, một phương pháp phổ biến và thực tế hơn đó là ước tính ma trận trực tiếp từ một tập hợp các mẫu (training samples) và sử dụng phương pháp trung phương nhỏ nhất để ước lượng tỷ lệ lớp phủ cho mỗi điểm ảnh.
Hình thái học
Chúng ta có thể sử dụng toán học hình thái học như một công cụ để chiết xuất các thành phần hình ảnh đại diện và mô tả về hình dạng khu vực, chẳng hạn như ranh giới, địa hình, ... Toán học hình thái được sử dụng rộng rãi trong xử lý hình ảnh và ứng dụng phân tích, vì nó cho phép lọc hoặc nâng cao riêng một số đặc điểm của đối tượng, tùy thuộcvề hình dạng hình thái của chúng. Vì vậy, chúng ta có thể sử dụng bộ lọc hình thái để ước tính khu vực chứa mây.
Phép giãn nở và phép co
Hình thái học sử dụng một tập hợp lý thuyết đề làm nền tảng cho nhiều chức năng. Các chức năng đơn giản nhất để thực hiện được “giãn nở” và “co”. Quá trình “giãn nở” bao gồm: thu nhận ánh xạ của B về nguồn gốc của nó và sau đó chuyển dịch ánh xạ này bằng biến x. Cho A và B là tập hợp trong không gian hai chiều và biểu thị cho tập rỗng, các sự giãn nở của A theo mẫu B, ký hiệu là A⊕B, được định nghĩa là:
49
Với: B = { x | x = - b, với b } Và (B)x = {c|c = a + x, với a B }
Hình 3.4: Phép giãn nở của A theo mẫu B
Tương tự, sự co của A theo B là tập hợp của tất cả các điểm x sao cho B, dịch bởi x, được chứa trong A. Cho A và B là hai bộ trong không gian 2 chiều, phép co của A theo B, ký hiệu là AΘB, được định nghĩa là: (A Θ B) = {x |(B)x A}
Hình 3.5: Phép co của A theo B
Toán tử mở
Như chúng ta đã thấy, phép giãn nở mở rộng một hình ảnh và phép co thu hẹp nó lại. Sự giãn nở thường làm nhẵn đường bao quanh của một hình ảnh, phá vỡ eo (isthmuses) hẹp, nhô ra và loại bỏ các phẫn nhô (protrusion) mỏng. Những mô tả hình học phụ thuộc vào nhỏ tổng hợp hình ảnh được gọi là cơ cấu lại các yếu tố (SE). Việc mở các tập A bằng cơ cấu thành phần B, ký hiệu là “AoB”, được định nghĩa là:
50
A B = (AΘB) ⊕ B,
Ảnh gốc Ảnh phân số mây Áp dụng toán tử mở Hình 3.6: Khu vực mây dày trên núi
Thông qua các trường hợp được phân tích ở trên, chúng ta có thể thấy rằng khu vực đô thị dù có độ sáng sáng tương tự với các đám mây, nhưng sự phân phối là các khu vực nhỏ hơn nên khi áp dụng toán tử mở thì các điểm ảnh nhỏ này sẽ được lọc đi.