• Hiệu chỉnh bức xạ
Do nhiều nguyên nhân khác nhau như: do ảnh hưởng của bộ cảm biến hoặc có thể do ảnh hưởng của địa hình và góc chiếu của mặt trời hoặc do ảnh hưởng của khí quyển, … làm ảnh hưởng rất lớn đến chất lượng ảnh thu được. Để đảm bảo nhận được những giá trị chính xác của năng lượng bức xạ và phản xạ của vật thể trên ảnh vệ tinh, cần phải thực hiện việc hiệu chỉnh bức xạ nhằm loại trừ các nhiễu trước khi sử dụng ảnh [2].
• Hiệu chỉnh hình học ảnh
Bản chất các biến dạng hình học của ảnh được hiểu như là sự sai lệch vị trí giữa tọa độ ảnh thực tế (đo được) và tọa độ ảnh lý tưởng được tạo bởi một bộ cảm biến có thiết kế hình học chính xác và trong điều kiện thu nhận lý tưởng, nhằm loại trừ sai số giữa tọa độ ảnh thực tế và tọa độ ảnh lý tưởng cần phải tiến hành hiệu chỉnh hình học. Nguyên nhân gây ra biến dạng hình học có thể là do nội sai tức là do tính chất hình học của bộ cảm hoặc do ngoại sai gây ra bởi vị thế của vật mang và hình dáng của vật thể. Ngoài ra sự biến dạng của địa hình cũng gây nên biến dạng hình học của ảnh trong đó ảnh hưởng do sự thay đổi địa hình gây nên biến dạng tăng dần từ tâm ảnh ra các biên, các điểm trên mặt đất có độ cao thấp hoặc cao hơn độ cao chuẩn tham chiếu (trong lúc chụp ảnh) đều bị biến dạng. Chính vì vậy, hiệu chỉnh hình học cần phải được thực hiện để loại trừ sự biến dạng hình học của ảnh. Bản chất của hiệu chỉnh hình học là xây dựng mối quan hệ giữa hệ tọa độ ảnh và
hệ tọa độ quy chiếu chuẩn (có thể là hệ tọa độ mặt đất vuông góc hoặc địa lý) dựa vào các điểm không chế mặt đất, vị thế của sensor, điều kiện khí quyển, … Để hiệu chỉnh hình học ảnh vệ tinh cần phải dựa trên bản chất của sự biến dạng để có phương pháp hiệu chỉnh cho phù hợp [2].
• Tăng cường chất lượng ảnh
Tăng cường chất lượng ảnh có thể được định nghĩa là một thao tác làm nổi bật hình ảnh sao cho người giải đoán ảnh dễ đọc, dễ nhận biết nội dung trên ảnh hơn so với ảnh gốc. Phương pháp thường được sử dụng là biến đổi cấp độ xám, biến đổi histogram, biến đổi độ tương phản, lọc ảnh, tổ hợp màu, chuyển đổi giữa 2 hệ RGB và HIS , …[2].
• Biến đổi giữa các ảnh
Biến đổi giữa các ảnh liên quan đến việc tạo ra ảnh mới từ việc xử lý các ảnh đa phổ hoặc đa thời gian bằng các thuật toán được áp dụng trên nguồn ảnh gốc đã có. Tùy thuộc vào yêu cầu thực tế ứng dụng, các kênh của ảnh đa phổ hoặc các ảnh đa thời gian (chụp ở thời điểm khác nhau) được phối hợp rất đa dạng để tạo ảnh mới nhằm nhấn mạnh các đối tượng được quan tâm trên ảnh hoặc cho phép chiết tách được đặc tính của các đối tượng nhanh chóng và chính xác hơn so với việc thực hiện trên nguồn ảnh gốc. Phương pháp biến đổi giữa các ảnh thường được sử dụng là phương pháp biến đổi số học, trong phương pháp này có 2 phương pháp thường được sử dụng là biến đổi tạo ảnh dựa trên chỉ số thực vật NDVI và biến đổi tạo ảnh tỷ số [2].
- Biến đổi tạo ảnh dựa trên chỉ số thực vật:
Tạo ảnh dựa trên chỉ số thực vật NDVI là dạng đặc biệt của ảnh tỷ số được đề xuất đầu tiên bởi Rouse và các cộng sự năm 1973, nhằm nhấn mạnh vùng thực phủ cho trên ảnh mới. Các chỉ số thực vật như NDVI (Normalized Differenct Vegetation Index) và EVI (Enhanced Vegetation Index) [22] cũng được xem như là một thuật toán để phân loại lớp phủ thực vật. Các chỉ số này được tính toán trên căn cứ, thực vật thường phản xạ mạnh với bước sóng hồng ngoại gần và hấp thụ mạnh với bước sóng màu đỏ. Sự tương phản giữa 2 kênh phổ này được sử dụng để tính toán chỉ số thực vật. Các chỉ số thực vật thường có liên hệ rất chặt với hoạt động của quá trình quang hợp. Chỉ số NDVI đã được nhiều tác giả sử dụng trong phân tích biến động của lớp phủ rừng trên các ảnh vệ tinh đa thời gian [23]. Các nhóm thực vật, hoặc kiểu
rừng cũng có thể nhận biết được qua việc nghiên cứu phân bố giá trị NDVI trên ảnh (Lenney, 1996) [22].
- Biến đổi tạo ảnh tỷ số:
Phép chia được sử dụng khá rộng rãi trong việc tạo ảnh tỷ số nhằm loại trừ bóng râm do ảnh hưởng của địa hình, tách đặc tính các yếu tố địa chất, nhấn mạnh các đối tượng cần quan tâm như vùng phủ thực vật hay chênh lệch nhiệt độ, … Bằng cách chọn 2 kênh thích hợp của ảnh đa phổ, chia giá trị độ sáng tương ứng với từng pixel của 2 kênh ảnh gốc này để nhận được giá trị độ sáng pixel của ảnh mới được gọi là ảnh tỷ số [2].
• Phân loại ảnh
Phương pháp phân loại ảnh được thực hiện bằng cách gán tên loại (loại thông tin) cho các khoảng cấp độ sáng nhất định (loại phổ) thuộc một nhóm đối tượng nào đó có các tính chất tương đối đồng nhất về phổ nhằm phân biệt các nhóm đó với nhau trong khuôn khổ ảnh. Tùy thuộc vào số loại thông tin yêu cầu, loại phổ trên ảnh được phân thành các loại tương ứng dựa theo một luật quyết định nào đó được xác định trước. Có 2 hình thức phân loại ảnh là phân loại có kiểm định (Suppervised Classification) và phân loại không kiểm định (Unsuppervised Classitication) cả hai phương pháp phân loại này đều được phân loại dựa trên nguyên lý là các chỉ tiêu phân loại được xác lập dựa trên đặc trưng phổ của các vùng mẫu và dùng luật quyết định thích hợp để gán nhãn pixels ứng với từng vùng phổ cụ thể [2].
- Phân loại không kiểm định:
Là việc phân loại thuần túy theo tính chất phổ mà không biết rõ tên hay tính chất của lớp phổ đó và việc đặt tên chỉ là tương đối dựa vào việc phân lớp phổ (Chistens).
- Phân loại có kiểm định:
Là phân chia một cách có kiểm định các giá trị DN (Digital Number) của các pixel ảnh theo từng nhóm đơn vị lớp phủ mặt đất bằng việc sử dụng máy tính và các thuật toán. Để thực hiện việc phân loại có kiểm định, phải tạo được “chìa khoá phân tích phổ” nghĩa là tìm được tính chất phổ đặc trưng cho từng đối tượng lớp phủ mặt đất và đặt tên cho chúng. Công việc xác định chìa khoá phân tích phổ được gọi là tạo các vùng mẫu (hay vùng kiểm tra – trainning areas). Từ các vùng này, các pixel khác trong toàn ảnh sẽ được xem
xét và sắp xếp theo nguyên tắc “giống nhất” (Look must like) để đưa về các nhóm đối tượng đã được đặt tên.
Trong phân loại có kiểm định có một số phương pháp thường được sử dụng là: phân loại hình hộp (Parallelpiped Classification), phân loại theo khoảng cách nhỏ nhất (Minimum distance Classification), phân loại hàm xác suất cực đại (Maximum Likelihood Classification), ….
+) Phân loại hình hộp (Parallelpiped Classification): Là phương pháp phân loại đơn giản nhất, trên mỗi trục không gian phổ từng loại được xác định dựa trên giá trị max và min ứng với từng loại. Các giá trị max và min này sẽ xác định hình hộp trong không gian đặc trưng (nên gọi là phân loại hình hộp), số hộp phụ thuộc vào số loại cần xác định. Phương pháp này còn được gọi là Paralleleiped classifier vì các cạnh đối diện của hộp là song song nhau. Các pixel có giá trị nằm trong không gian giới hạn bởi các miền xác định (hộp) trên trục phổ như vậy sẽ được phân loại vào loại tương ứng, những pixel có giá trị nằm ngoài tất cả các hộp sẽ được gán nhãn là loại khác (ngoài các loại được quan tâm).
+) Phân loại theo cây quyết định (Decision Tree - DT): Là phương pháp phân loại dựa trên cơ sở phân cấp. Người phân loại sẽ phải xuất phát từ việc đánh giá khả năng phân tách các đối tượng dựa trên tri thức chuyên gia kết hợp với đặc tính phổ của vùng mẫu để tạo dựng ra sơ đồ phân loại. Trong thực tế, không có thuật toán tổng quát nào cho phương pháp phân loại này, do đó từng cây quyết định hay luật phân loại thường được thiết kế bởi chuyên gia sao cho khả năng phân biệt giữa các loại là cao nhất.
+) Phân loại khoảng cách nhỏ nhất (Minimum distance Classification): Phương pháp này được sử dụng để phân loại đối tượng trong không gian phổ đa chiều. Khoảng cách giữa các pixel như thước đo đánh giá sự thuộc về một lớp nào đó của pixel đang khảo sát. Các khoảng cách thường sử dụng trong viễn thám đó là: khoảng cách Ơclit, khoảng cách Ơclit chuẩn hóa, khoảng cách Mahalanobis. Việc lựa chọn khoảng cách nào là tùy thuộc vào tính chất và từng điều kiện cụ thể. Đây là một phương pháp phân loại khá nhanh. Giá trị phổ của pixel gần với giá trị phổ trung bình của lớp mẫu. Tuy nhiên, phương pháp này cũng chưa thật sự chính xác vì chưa tính đến sự biến thiên của các lớp phân loại.
+) Phân loại gần đúng nhất (Maximum Likelihood Classifier - MLC) Phương pháp phân loại gần đúng nhất MLC được áp dụng khá phổ biến và được xem như là thuật toán chuẩn để so sánh với các thuật toán khác được sử dụng trong xử lý ảnh viễn thám. MLC được xây dựng dựa trên cơ sở giả thuyết hàm mật độ xác suất tuân theo luật phân bố chuẩn. Mỗi pixel được tính xác suất thuộc vào một loại nào đó và nó được chỉ định gán tên loại mà xác suất thuộc vào loại đó là lớn nhất. Mặc dù phương pháp phân loại này cho kết quả chính xác nhưng khi sử dụng cần phải chú ý một số điểm như sau:
o Số lượng pixel khi được chọn cho vùng mẫu phải đủ lớn ứng với từng loại, để các giá trị trung bình cũng như ma trận phương sai - hiệp phương sai tính cho một loại nào đó có giá trị đúng với thực tế. o Ma trận nghịch đảo của ma trận phương sai - hiệp phương sai sẽ không ổn định trong trường hợp có sự tương quan cao giữa các kênh phổ gần nhau. Để nâng cao độ chính xác phân loại, cần phải giảm số kênh của ảnh vệ tinh bằng cách phân tích thành phần chính (PCA).
o MLC chỉ cho phép phân loại tối ưu trên cơ sở giả thuyết hàm mật độ xác suất tuân theo luật phân bố chuẩn. Trong trường hợp hàm phân bố của dữ liệu ảnh không tuân theo luật phân bố chuẩn thì không nên sử dụng phương pháp này.
+) Phân loại mạng neural LNN (Layered Neural Networks): Những năm gần đây, mạng neural đa lớp LNN đã được nghiên cứu áp dụng trong lĩnh vực nhận dạng và xử lý ảnh số. Cấu trúc của mạng neural đa lớp bao gồm một lớp nhập, một lớp xuất và một số lớp trung gian. Số lớp trong lớp nhập và xuất cố định và được xác định bởi từng ứng dụng cụ thể. Số nút trong lớp trung gian (lớp ẩn) có thể thay đổi và được quyết định bởi người sử dụng. Tín hiệu đi từ lớp nhập và xuất thông qua tuyến nối giữa các neuron và mỗi tuyến nối có giá trị trọng số tương ứng gọi là trọng số nối. Vì neuron nhập chỉ nhận và truyền tín hiệu, còn các neuron ở lớp ẩn và xuất đều sử dụng cùng hàm hoạt tính. Do đó, khi cấu trúc ổn định, xuất của mạng neuron đa lớp được xác định bởi giá trị của các trọng số nối. Huấn luyện khả năng nhận biết của LNN là quá trình điều chỉnh các giá trị trọng số, sao cho giá trị xuất của LNN phù hợp với những giá trị mong muốn. Để ứng dụng LNN trong phân loại ảnh vệ tinh, số neuron của lớp nhập tương ứng với số kênh phổ của ảnh, số neuron
của lớp xuất tương ứng với số loại cần xác định và số neuron của lớp ẩn sẽ do nhà phân tích quyết định. Phương pháp LNN trong phân loại được gọi là phương pháp phi tham số có khả năng ứng dụng rất tốt trong xử lý ảnh viễn thám. LNN thường được sử dụng để khắc phục nhược điểm của thuật toán MLC nhằm nâng cao độ chính xác phân loại trong những trường hợp ảnh vệ tinh có sự tương quan cao giữa các kênh phổ. Vấn đề khó khăn cho người sử dụng là việc chọn mô hình thích hợp để LNN nhận biết bộ dữ liệu mẫu sẵn có để phân loại chính xác các dữ liệu chưa biết trong phân loại ảnh viễn thám.
+) Phân loại mờ (fuzzy classification):
Lý luận mờ là một phương pháp toán học nhằm lượng hóa các phát biểu mơ hồ. Ý tưởng cơ bản là thay thế hai phát biểu lý luận nghiêm ngặt “có” và “không” bởi dãy liên tục [0…1], mà 0 nghĩa là “không chính xác” và 1 là “chính xác”. Mọi giá trị giữa 0 và 1 đại diện một phát biểu ít nhiều chắc chắn của “chính xác” và “không chính xác”. Vì vậy, các hệ phân loại mờ thích hợp tốt với việc xử lý hầu hết các vấn đề trong tách thông tin viễn thám. Do các loại thuộc lớp phủ mặt đất khá đa dạng nên việc chỉ định chính xác pixel đến từng loại cụ thể là không đơn giản. Mục tiêu phân loại là tìm sự phù hợp 1 - 1 giữa thông tin phổ của pixel và thông tin loại tương ứng (dựa vào bộ dữ liệu mẫu) và mong muốn sự phân loại đạt sự chính xác cao nhất. Tuy nhiên, trong thực tế, nhiều trường hợp gặp phải bởi các phương pháp phân loại truyền thống đó là sự không phân biệt rõ ràng giữa “chính xác” và “không chính xác”.