Nghiên cứu phương pháp trích xuất khu vực ngập lụt từ ảnh vệ tinh Sentinel-1 trên nền tảng Google Earth Engine

NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH XUẤT KHU VỰC NGẬP LỤT
TỪ ẢNH VỆ TINH SENTINEL - 1 TRÊN NỀN TẢNG
GOOGLE EARTH ENGINE
Trịnh Lê Hùng1, Trần Xuân Biên2, Mai Đình Sinh1, Lê Văn Phú1
1
Học viện Kỹ thuật quân sự, Hà Nội
2
Phân hiệu Trường Đại học Tài nguyên và Môi trường Hà Nội tại tỉnh Thanh Hóa
Tóm tắt
Bài báo trình bày giải pháp phát hiện các khu vực ngập lụt dựa trên việc phân loại các siêu
điểm ảnh từ dữ liệu ảnh vệ tinh Sentinel - 1. Phương pháp tạo ngưỡng tự động dựa trên thuật tốn
phân cụm khơng lặp lại đơn giản (SNIC) và OTSU được sử dụng để trích xuất vùng ngập nước
từ hình ảnh Sentinel - 1 trên nền tảng Google Earth Engine (GEE). Kết quả thực nghiệm tại tỉnh
Quảng Bình vào tháng 10/2016 cho thấy hiệu quả của phương pháp đề xuất (Thuật toán SNIC kết
hợp với thuật toán OTSU) cho độ chính xác cao hơn 91 % so với phương pháp chỉ sử dụng thuật
toán OTSU với khoảng 86 % trong việc phân loại vùng ngập từ ảnh SAR. Kết quả nhận được trong
nghiên cứu có thể cung cấp thông tin kịp thời về khu vực ngập lụt, góp phần ứng phó hiệu quả và
giảm thiểu thiệt hại do lũ lụt gây ra. Nghiên cứu cũng cho thấy tiềm năng của nền tảng GEE. GEE
đã hỗ trợ việc phân tích và xử lý dữ liệu nhanh nhờ nguồn dữ liệu phong phú, đa thời gian, đa dạng
dữ liệu và đa dạng thuật toán.
Từ khóa: Viễn thám; Phát hiện vùng ngập lụt; Ảnh SAR; Sentinel - 1; Google Earth Engine.
Abstract
Research on methods of extracting flood area from Sentinel - 1 satellite images on Google
Earth Engine platform
The paper presents a method to detect flooded areas based on the classification of superpixels
from Sentinel - 1 satellite image data. The automatic thresholding method based on the Simple
Non - Iterative Clustering (SNIC) and the OTSU algorithm extracts flooded areas from Sentinel
- 1 images on the Google Earth Engine platform. Experimental results in Quang Binh province
in October 2016 show the efficiency of the proposed method (Simple Non - Iterative Clustering
algorithm combined with the OTSU algorithm). The proposed method accuracy is 91 % higher
than the OTSU algorithm, with about 86 % in classifying flooded areas in SAR images. The results

obtained in the study area can provide timely information about the flooded area, contributing to
effective response and reduction of damage caused by floods. The study also shows the power of
the Google Earth Engine platform. Google Earth Engine has supported rapid data analysis and
processing thanks to rich data sources, multi - time, diverse data and various algorithms.
Keywords: Remote sensing; Flood area detection; SAR image; Sentinel - 1; Google Earth
Engine.
1. Giới thiệu
Lũ lụt là một trong những thảm họa thiên nhiên gây thiệt hại nặng nề nhất trên thế giới, nhất
là với các quốc gia ven biển và có hệ thống sơng ngịi dày đặc như Việt Nam. Trong những năm
gần đây, do ảnh hưởng của biến đổi khí hậu, lũ lụt diễn ra rất phức tạp, có xu hướng gia tăng cả về
tần suất và cường độ. Ở Việt Nam, lũ lụt không chỉ tập trung vào mùa mưa mà xuất hiện cả vào
mùa khô, gây thiệt hại lớn về người và tài sản. Trích xuất và phân loại khu vực ngập lụt từ dữ liệu
viễn thám là một vấn đề có tính thực tiễn, cung cấp thông tin đầu vào khách quan và kịp thời cho
366

Hội thảo Quốc gia 2022


các mơ hình quản lý và ứng phó với lũ lụt, hỗ trợ cơng tác tìm kiếm cứu nạn, giúp giảm thiểu thiệt
hại do lũ lụt gây ra.
Do thời tiết khi xảy ra lũ lụt thường không thuận lợi, dữ liệu ảnh viễn thám quang học không
hiệu quả trong phân loại và phát hiện khu vực ngập lụt. Những hạn chế này có thể được khắc phục
khi sử dụng ảnh viễn thám radar do xung radar ít bị ảnh hưởng bởi điều kiện thời tiết. Một số thuật
toán phát hiện khu vực ngập lụt trên dữ liệu ảnh SAR đã được đề xuất như phương pháp phân loại
có giám sát và không giám sát [4, 18], phương pháp sử dụng ngưỡng [7, 9, 14, 19], phân tích hình
ảnh dựa trên đối tượng [16] và các phương pháp kết hợp [7]. Trong số các phương pháp tiếp cận
này, phương pháp phân ngưỡng bằng các thuật toán phân cụm được áp dụng phổ biến nhất để phân
tích các hình ảnh SAR nhằm phân tách vùng nước và vùng khơng có nước. Phương pháp tiếp cận
dựa trên sự chênh lệch tán xạ ngược của các đối tượng. Trên ảnh SAR, giá trị tán xạ ngược của đối
tượng nước là thấp hơn nhiều so với với các đối tượng xung quanh.

Thuật toán OTSU là một trong những thuật toán phân cụm được sử dụng nhiều vì sự đơn
giản về mặt tính tốn cũng như dễ dàng thực hiện. Ở Việt Nam, thuật toán OTSU được áp dụng
trong nhiều lĩnh vực như xử lý ảnh để trích xuất các thơng tin từ giấy chứng minh nhân dân [8], xử
lý ảnh trong y học hỗ trợ chẩn đoán bệnh [11], xử lý ảnh viễn thám [17].
Hiện nay, Google Earth Engine là một nền tảng miễn phí cho phép thu thập và phân tích dữ
liệu khơng gian địa lý dựa trên điện tốn đám mây. Do đó, các hình ảnh vệ tinh của Sentinel - 1 đã
được sử dụng trên nền tảng GEE để xác định các khu vực ngập lụt [3, 10, 19]. Bên cạnh đó, các
ảnh Sentinel - 1 đã được tiền xử lý bao gồm loại bỏ các sai số hình học, lọc nhiễu trong q trình
thu nhận ảnh. Trước hết, quỹ đạo chính xác của vệ tinh được tính tốn liên tục trước khi tạo ra các
sản phẩm trên trang web của Cơ quan Vũ trụ châu Âu [6]. Ngoài ra, việc loại bỏ nhiễu nhiệt được
thực hiện bằng cách tính tốn dựa trên một bảng tra nhiễu có sẵn với ảnh Sentinel - 1 mức 1 [13],
đồng thời, hiệu chỉnh ảnh hưởng của địa hình được thực hiện bằng mơ hình sớ độ cao SRTM. Cuối
cùng, giá trị các pixel của ảnh Sentinel - 1 được chuyển đổi thành hệ số tán xạ ngược [15].
Bài báo này trình bày kết quả sử dụng thuật toán phân ngưỡng OTSU trên bộ dữ liệu ảnh
Sentinel - 1 nhằm trích xuất các khu vực bị ảnh hưởng bởi lũ lụt ở Quảng Bình trong đợt lũ lụt
tháng 10 năm 2016 trên nền tảng Google Earth Engine. 04 cảnh ảnh Sentinel - 1 chụp tháng 9 và
10 năm 2016 được sử dụng để trích xuất thông tin vùng ngập lụt, sau đó so sánh, đánh giá kết quả.
2. Cơ sở khoa học
Phân ngưỡng ảnh là một trong số những kỹ thuật trong xử lý ảnh số. Một trong những thuật
toán phân ngưỡng là thuật toán OTSU. OTSU là tên nhà nghiên cứu người Nhật đã nghĩ ra ý tưởng
cho việc tính ngưỡng một cách tự động dựa trên giá trị điểm ảnh của ảnh đầu vào nhằm thay thế
cho việc sử dụng ngưỡng cố định. Phương pháp tạo ngưỡng của OTSU dựa trên các tiêu chí phân
biệt tuyến tính, cho rằng hình ảnh bao gồm tiền cảnh và hậu cảnh. OTSU thiết lập ngưỡng để cố
gắng làm giảm thiểu sự chồng chéo của các lớp [12].
Lược đồ xám (Histogram) là một đồ thị biểu diễn tần số xuất hiện các mức độ xám của ảnh.
Thuật toán OTSU tính tốn các thơng số dựa trên lược đồ xám của ảnh.
Đầu tiên, thuật toán sử dụng lược đồ xám biểu diễn tần số xuất hiện mức xám, mỗi mức xám
i đại điện cho một số các giá trị điểm ảnh, được tính theo cơng thức (1):

ni

i =0 P

L −1

pi = ∑

(1)
Hội thảo Quốc gia 2022

367


trong đó, pi là tần suất xuất hiện mức xám của giá trị i, ni là số lượng điểm ảnh của giá trị i,
P là tổng số giá trị điểm ảnh trong ảnh, L là số khoảng mà giá trị điểm ảnh được chia.
Tiếp theo, chọn một ngưỡng Tk=k, (0 < k < L-1) để phân ảnh đầu vào thành 2 lớp: Lớp C1
(Tập hợp các điểm ảnh có giá trị ≤k). Tỉ số giữa số lượng điểm ảnh của lớp C1 với tổng số lượng
điểm ảnh được ký hiệu là P1(k), tương tự lớp C2 ký hiệu là P2(k), giá trị của P1(k) và P2(k) được tính
lần lượt theo công thức (2) và (3):
k

P1 (k ) = ∑ pi
i =0

P2 (k ) =

L −1

∑ p=

i= k +1

i

1 − P1 (k )

(2)
(3)

Sau đó, tính giá trị trung bình m1 của lớp C1 theo công thức (4):
1 k
∑ ipi
P1 (k ) i =0

m1 (k ) =

(4)

Tương tự tính m2 theo cơng thức (5):
m2 (k ) =

1 L −1
∑ ipi
P2 (k ) i= k +1

(5)

Về mặt thuật tốn, OTSU sẽ đi tìm ngưỡng k* mà giá trị tại đó, sự chênh lệch giữa 2 lớp đạt
giá trị cực đại, ký hiệu là σ B2 (k *) , được tính theo cơng thức (6):

σ B2 (k *) = Max σ B2 (k )

0 ≤ k ≤ L −1

(6)

Trong đó, σB là phương sai hai lớp C1 và C2. Giá trị của σB được tính theo cơng thức (7):

σ B2 (k ) =

[mG P1 (k ) − m(k )]2
P1 (k )[1 − P1 (k )]

(7)

Với mG là giá trị trung bình của ảnh, được tính theo cơng thức (8):

=
mG

L −1

ip
∑=
i =0

i

Pm
1 1 + P2 m2

(8)

Nếu có nhiều giá trị σ B2 lớn nhất bằng nhau, ta sẽ chọn k có giá trị lớn nhất làm ngưỡng k*,
sau đó, ta thực hiện biến đổi nhị phân theo ngưỡng theo công thức (9):

1, f ( x, y ) ≤ k * 
g ( x, y ) = 

0, f ( x, y ) > k *

(9)

Mã giả của thuật tốn OTSU được trình bày như sau:
Thuật tốn 1. Thuật tốn phân ngưỡng OTSU
Đầu vào: Hình ảnh đầu vào I, lược đồ xám của hình ảnh đầu vào I. Số khoảng chia của lược
đồ xám L
Đầu ra: Giá trị phân ngưỡng tối ưu t.
1: Khởi tạo P[ : 2] = 0
2: Khởi tạo m[ : 2] = 0
368

Hội thảo Quốc gia 2022


3: For k ∈ [0, 1, ...L-1] do:
4:

Tính P1 (k ) và P2 (k ) theo công thức (2) và (3)

5:

Tính m1 (k ) và m2 (k ) theo cơng thức (4) và (5)

6: End
7: Khởi tạo t = L / 2
8: Tính σ B2 (t ) theo cơng thức (7)
9: Tính mG theo cơng thức (8)
10: For k ∈ [0, 1, ...L-1] do:
11:

Tính σ B2 (k ) theo cơng thức (7)

12:

If σ B2 (k ) > σ B2 (t ) then:

13:

Gán σ B2 (t ) = σ B2 (k )

14:

Gán t = k

15:

End

16: End
17: Trả về t
Thuật toán SNIC (Simple Non - Iterative Clustering) [2] là một thuật toán được xây dựng

trên nền tảng GEE. Về mặt lý thuyết, SNIC là thuật toán phân cụm các điểm ảnh được xây dựng
dựa trên thuật toán SLIC (Simple Linear Iterative Clustering) [1]. SLIC thực hiện phân cụm k means trên hình ảnh với các tâm cụm được chọn và khoảng cách khơng gian và màu sắc được
chuẩn hố của các điểm ảnh với tâm cụm. Giống như SLIC, SNIC cũng tiến hành khởi tạo các tâm
cụm là các điểm ảnh được chọn trên mặt phẳng hình ảnh. Mối quan hệ của một điểm ảnh bất kỳ
với một tâm cụm được đo bằng khoảng cách trong không gian đa chiều bao gồm màu sắc và toạ
độ khơng gian của nó. Khoảng cách này được tính tốn dựa trên khoảng cách khơng gian và màu
sắc được chuẩn hố. Với vị trí khơng gian x và màu sắc c, khoảng cách của một điểm ảnh j bất kỳ
tới tâm cụm siêu điểm ảnh thứ k được thực hiện theo cơng thức:
(10)
Trong đó, s và m lần lượt là hệ số chuẩn hoá cho khoảng cách khơng gian và màu sắc. Đối
với một hình ảnh có N điểm ảnh, mỗi siêu điểm ảnh trong tổng số K siêu điểm ảnh được mong đợi
sẽ chứa N/K điểm ảnh. Giá trị của s trong công thức (10) được tính bằng N / K . Giá trị m ở công
thức (10) được người sử dụng cung cấp. Giá trị càng cao tương ứng với việc tạo ra các siêu điểm
ảnh nhỏ hơn và ngược lại.
Trong mỗi lần lặp k - means, SLIC tính tốn lại tâm cụm bằng cách tính giá trị trung bình của
tất cả các điểm ảnh gần nó nhất về mặt d được tính theo cơng thức (10) và do đó, các điểm ảnh này
có cùng nhãn với tâm cụm. Chính vì vậy, SLIC cần phải yêu cầu số lần lặp lại của k - means để cập
nhật các tâm cụm. Do đó, khơng giống với SLIC, yêu cầu nhiều số lần lặp k - means để cập nhật
các tâm cụm, SNIC cập nhật các tâm cụm trong một lần lặp duy nhất. Các tâm cụm được cập nhật
trực tiếp sau khi thay đổi các điểm ảnh trong cụm. Các điểm ảnh lần lượt được gán nhãn so với số
lượng tâm cụm ban đầu. Thuật tốn kết thúc khi tồn bộ các điểm ảnh được gán nhãn.
Mã giả của thuật toán SNIC:
Hội thảo Quốc gia 2022

369


Thuật tốn 2. Thuật tốn phân cụm SNIC
Đầu vào: Hình ảnh đầu vào I, K tâm cụm ban đầu. Các thơng số C[k] = {xk, ck} được lấy
trên hình ảnh đầu vào, hệ số chuẩn hố màu m.

Đầu ra: Hình ảnh L bao gồm các cụm điểm ảnh.
1: Khởi tạo L[ : ] = 0
2: For k ∈ [1, 2,...K ] do:

{ xk , ck , k , 0}

3:

Gán e =

4:

Đưa e vào hàng đợi Q

5: End
6: While Q ∉ φ do:
7:
8:

Pop Q để lấy phần tử ei
If L [ xi ] = 0 then:

9:

L [ xi ] = ki

10:

Cập nhật tâm cụm C[ki] với xi và ci

For mỗi lân cận được liên kết xj của xi do:

11:

{

Tạo phần tử e j = x j , c j , ki , d j ,ki
If L  x j  §= then:

12:
13:
14:

End

15:

Đưa ej vào hàng đợi Q

End

16:
17:

}

End

18: End
19: Trả về L

3. Dữ liệu và phương pháp
3.1. Dữ liệu
Quảng Bình là một tỉnh nằm ở miền Trung Việt Nam. Đây là nơi có thời tiết khắc nghiệt khi
phải hứng chịu gió phơn Tây Nam. Gió này mang hơi ẩm nhiều nên thường gây ra mưa. Hằng năm,
những cơn bão biển và gió mùa Đông Bắc thường gây nên những trận mưa lớn trên tỉnh Quảng
Bình và các tỉnh miền Trung. Khu vực nghiên cứu được xác định có toạ độ địa lý 17°2’50.25” 17°48’44.86” vĩ độ Bắc, 106°11’26.65” - 107° 2’ 2.17” kinh độ Đông.
Bảng 1. Thông số kỹ thuật của dữ liệu vệ tinh Sentinel - 1 và dữ liệu sử dụng trong nghiên cứu
Thông số kỹ thuật
Thời gian chụp
Chế độ quan
Độ phân giải
Dữ liệu
Băng tần
Phân cực
ảnh
sát
không gian
13-09-2016
Dữ liệu
Chế độ giao
Band C (5.405
Kép
07-10-2016
Sentinel - 1
thoa kế rộng
10 m × 10 m
19-10-2016
GHz)
(VV + VH)
GRD

(IW)
31-10-2016
Trong đợt bão tháng 10 năm 2016, tỉnh Quảng Bình đã phải chịu thiệt hại nặng nề do bão lớn
gây ra. Có hàng chục người bị chết và bị thương do mưa lũ, hàng chục nghìn ngơi nhà bị ngập, tốc
370

Hội thảo Quốc gia 2022


mái, thiệt hại hàng nghìn hecta rau màu cùng hàng vạn gia súc, gia cầm bị chết và cuốn trôi. Các
hạng mục khác cũng bị ảnh hưởng nghiêm trọng. Một số hình ảnh do lũ lụt gây ra được trình bày
trên Hình 2. Hình ảnh 2a miêu tả khu vực Quảng Bình khi chưa có lũ lụt. Các Hình 2b, 2c, 2d miêu
tả khu vực Quảng Bình trong thời gian xảy ra lũ lụt.

(a)
(b)
(c)
(d)
Hình 1: Hình ảnh Sentinel - 1 GRD khu vực tỉnh Quảng Bình được sử dụng trong nghiên
cứu: (a) 13-09-2016, (b) 07-10-2016, (c) 19-10-2016, (d) 31-10-2016

Hình 2: Một số hình ảnh tỉnh Quảng Bình trong đợt lũ tháng 10/2016 (Nguồn: Internet)
3.2. Phương pháp

Hình 3: Mơ hình nghiên cứu
Hội thảo Quốc gia 2022

371

Trong nghiên cứu này, bộ dữ liệu ảnh Sentinel - 1 được xử lý trên nền tảng GEE, là một nền
tảng đám mây hỗ trợ xử lý các dữ liệu khơng gian địa lý nhằm phân tích bề mặt Trái đất. Ngồi ra,
GEE cũng cung cấp trình chỉnh sửa mã dựa trên ngơn ngữ Javascript, trong đó, mã được phát triển
với các chức năng tiền xử lý ảnh, phân tích hình ảnh và lập bản đồ các khu vực ngập lụt.
Phương pháp nghiên cứu được mô tả một cách chi tiết trên Hình 3. Từng bước xử lý được
cụ thể như sau:
Bước 1: Tiền xử lý ảnh
Các ảnh Sentinel - 1 GRD được thu thập bao gồm các thông số như loại ảnh, thời gian chụp
ảnh, chế độ quan sát của hình ảnh. Các bước tiền xử lý ảnh được thực hiện trên từng ảnh, bao gồm
hiệu chỉnh hình học, chuyển đổi các giá trị điểm ảnh sang giá trị tán xạ ngược.
Các hình ảnh Sentinel - 1 đã được xử lý trước trong nền tảng đám mây của Google Earth
Engine. Đầu tiên, hiệu chỉnh quỹ đạo vệ tinh được thực hiện nhằm điều chỉnh chính xác các thơng
số quỹ đạo của vệ tinh. Bên cạnh đó, các nhiễu nhiệt xuất hiện một cách ngẫu nhiên trên hình ảnh
và gây ra sự sai lệch và nhiễu trong chuẩn đoán đọc hình ảnh SAR. Loại bỏ nhiễu nhiệt là việc
làm cần thiết giữa một kênh phân cực chéo so với các kênh đồng phân cực bởi vì các kênh phân
cực chéo có cơng suất tán xạ ngược thấp hơn so cới các kênh đồng phân cực. Ở bước tiếp theo,
các hiệu chuẩn đo bức xạ được thực hiện và hệ số tán xạ được tính tốn. Ngồi ra, trên hình ảnh
SAR có sự xuất hiện của các nhiễu gây ra sự sai lệch trong việc chuẩn đốn và phân loại hình ảnh.
Trong nghiên cứu, các tác giả đã áp dụng kỹ thuật làm mịn để làm giảm nhiễu. Sau đó, hiệu chỉnh
địa hình được thực hiện bằng SRTM để mơ phỏng hình ảnh SAR. Cuối cùng, các giá trị mới cho
mỗi điểm ảnh ở vị trí mới của hình ảnh được chuyển đổi thành hệ số tán xạ ngược. Hệ số này được
tính bằng dB theo cơng thức (11):

σ dB = 10 log abs ( DN )

(11)

Bước 2: Phân mảnh ảnh
Trước khi phân mảnh ảnh, bộ dữ liệu hình ảnh SAR được áp dụng bộ lọc Gaussian. Hiệu
ứng nhiễu nhỏ, lốm đốm của ảnh SAR gốc có thể gây lỗi dẫn đến q trình phân mảnh ảnh có thể

hiểu sai các khu vực bóng mờ liên quan tới địa hình, các sườn núi có thể bị hiểu nhầm thành các
vùng nước nhỏ. Đồng thời, vùng nước tạo bởi lũ có thể bị chia ra làm nhiều mảnh do nhiễu. Để
làm giảm hiệu ứng này, trước hết, các hình ảnh SAR cần được làm mịn ảnh bằng cách áp dụng bộ
lọc Gaussian.
Tập dữ liệu ảnh SAR được tiến hành phân mảnh ảnh, tất cả các điểm ảnh của hình ảnh sẽ
được nhóm lại thành các cụm siêu điểm ảnh. Trong đó, các tâm của siêu điểm ảnh được gọi là tâm
cụm. Số tâm cụm K trong đầu vào của thuật toán (2) được xác định thơng qua tham số seeds. Kích
thước của mỗi phân mảnh được xác định dựa trên giá trị của seeds. Giá trị của seeds nhỏ tương
ứng với số lượng các phân mảnh lớn và thời gian tính tốn lâu, đồng thời, các vùng nước sẽ bị chia
tách ra làm nhiều phần. Tuy vậy, nếu giá trị của seeds lớn, điều này sẽ làm cho kích thước của các
phân mảnh lớn, các vùng nước ngập lụt sẽ có thể bị nhiễu với các đối tượng xung quanh. Trong
nghiên cứu, giá trị của seeds là 80, được xác định thông qua thực nghiệm đối với khu vực nghiên
cứu. Giá trị này tương ứng với việc các tâm cụm ban đầu cách nhau 80 điểm ảnh. Trong quá trình
phân mảnh ảnh SNIC, thuật tốn tính tốn và đưa ra giá trị trung bình trên mỗi cụm. Hình ảnh phân
mảnh ảnh sẽ bao gồm các cụm có xu hướng khơng đều nhau. Điều này phù hợp với đặc điểm tự
nhiên của khu vực nghiên cứu được quan sát trong thời gian lũ lụt.
372

Hội thảo Quốc gia 2022


Bước 3: Phân ngưỡng tự động bằng thuật toán OTSU
Trên ảnh SAR, vùng nước thường nằm trên bề mặt bằng phẳng, nhẵn hơn so với các đối
tượng trên bề mặt gồ ghề khác. Bên cạnh đó, tín hiệu sóng điện từ do SAR phát ra bị phản xạ trở
lại bề mặt của nó ít hơn. Vì vậy, các giá trị xám của các điểm ảnh các vùng nước trong ảnh SAR
thấp hơn, hiển thị màu đen hoặc xám đen trong ảnh. Do nguyên lý đơn giản và dễ sử dụng, các
phương pháp phân ngưỡng được sử dụng rộng rãi trong việc trích xuất nước từ ảnh radar. Giá trị
của ngưỡng phân loại ảnh hưởng đến độ chính xác của việc khai thác nước trong ảnh SAR SRTM.
Trong nghiên cứu, phương pháp phân ngưỡng dựa trên thuật toán OTSU được sử dụng để
xác định ngưỡng. OTSU là một thuật toán được sử dụng rộng rãi để xác định tự động giá trị của

ngưỡng phân loại. Ưu điểm của thuật toán OTSU chính là khơng bị ảnh hưởng bởi độ tương phản
và độ sáng của hình ảnh. Nghiên cứu sử dụng thuật tốn OTSU nhằm tách vùng nước và vùng
khơng nước trong hình ảnh SAR. Ngun tắc chính là sử dụng ý tưởng của thuật tốn OTSU, chia
hình ảnh thành 2 phần theo mức xám sao cho hiệu giữa các phần là lớn nhất. Q trình tính tốn
ngưỡng tối ưu t của thuật toán OTSU trong nghiên cứu như sau:
=
M Pnw .M nw + Pw .M w
=
σ 2 Pnw .( M nw − M ) + Pw .( M w − M ) 2

(12)
(13)

Pnw + Pw =
1

(14)

t = ArgMax {σ 2 }

(15)

0 ≤t ≤ L −1

Trong đó, σ ở cơng thước (13) và (15) là phương sai giữa các lớp nước và khơng nước. Mw và
Mnw được trình bày ở cơng thức (12) và (13) lần lượt là giá trị trung bình điểm ảnh của đối tượng
nước và không nước tương ứng. Giá trị của mỗi điểm ảnh là giá trị của tâm mỗi cụm trong ảnh
phân cụm. Pw và Pnw được trình bày ở cơng thức (13) và (14) là các giá trị khả năng một điểm ảnh
duy nhất là nước hay không nước. Giá trị M ở công thức (12) đại diện cho mức độ trung bình giá
trị xám của tồn bộ hình ảnh.

Bước 4: Thành lập bản đồ khu vực ngập lụt
Dựa vào giá trị ngưỡng tối ưu t ở cơng thức (15), hình ảnh SAR sẽ được chia tách làm 2 phần
dựa trên giá trị của các siêu điểm ảnh. Việc xác định phạm vi ngập lụt cần phải thu được các ảnh
trước và sau lũ. Chính vì vậy, sau khi chiết xuất phần nước bằng phương pháp phân ngưỡng dựa
trên thuật toán OTSU, cần tiến hành chồng các lớp của đối tượng nước trước và sau khi ngập lụt
nhằm hình thành khu vực ngập lụt.
Bước 5: Đánh giá độ chính xác
Trong nghiên cứu, các tác giả trích xuất các điểm nước và không nước ngẫu nhiên trên ảnh
gốc nhằm đánh giá độ chính xác của thuật tốn OTSU trong quá trình chiết xuất phần nước. Các
mẫu được chọn một cách ngẫu nhiên trên ảnh. Mỗi mẫu ảnh đại diện cho một điểm ảnh trên ảnh
gốc. Đồng thời, tập dữ liệu mẫu cũng dùng để so sánh độ chính xác giữa phân tích hình ảnh dựa
trên điểm ảnh và phân tích hình ảnh dựa trên các siêu điểm ảnh. Phần lớn, các khu vực nước dựa
trên điểm ảnh rời rạc. Đây là điểm khác biệt chính so với các vùng nước được trích xuất dựa trên
siêu điểm ảnh. Chính vì vậy, các mẫu được lấy ảnh hưởng đến độ chính xác của kết quả phân loại.
Đặc biệt, những khu vực sườn núi thường bị nhiễu, dễ gây nhầm lẫn trong quá trình lấy mẫu. Số
lượng mẫu sử dụng trong các hình ảnh ngày 13-09-2016, 07-10-2016, 19-10-2016, 31-10-2016 lần
lượt là 456, 453, 472, 481 mẫu.
Hội thảo Quốc gia 2022

373


4. Thực nghiệm
4.1. Kết quả
Hình 4 là kết quả phân loại nước mặt sử dụng thuật toán OTSU tại 4 thời điểm: Thời điểm
chưa có lũ lụt (a) và ba thời điểm đã xảy ra lũ lụt (b, c, d). Hình 5 là sự thay đổi về khu vực ngập
lụt, thể hiện bởi màu đỏ trên ảnh. Tương tự trên Hình 6 và Hình 7 là kết quả phân loại bởi thuật
toán OTSU cải tiến và sự thay đổi nước mặt tại 3 thời điểm đã xảy ra lũ lụt so với thời điểm chưa
xảy ra lũ lụt.

(a)
(b)
(c)
(d)
Hình 4: Hình ảnh chiết tách nước mặt sử dụng thuật toán OTSU dựa trên điểm ảnh:
(a) 13-09-2016, (b) 07-10-2016, (c) 19-10-2016, (d) 31-10-2016

(a)
(b)
(c)
Hình 5: Sự thay đổi khu vực ngập lụt theo thời gian sử dụng thuật toán OTSU dựa trên điểm
ảnh. Khu vực màu đỏ biểu diễn khu vực ngập lụt giữa các thời gian chụp ảnh: (a) Ngày 1309-2016 tới 07-10-2016, (b) Ngày 13-09-2016 tới 19-10-2016, (c) Ngày 13-09-2016 tới 31-102016



(a)
(b)
(c)
(d)
Hình 6: Hình ảnh chiết tách nước mặt sử dụng thuật toán OTSU dựa trên siêu điểm ảnh:
(a) 13-09-2016, (b) 07-10-2016, (c) 19-10-2016, (d) 31-10-2016

374

Hội thảo Quốc gia 2022


(a)
(b)
(c)

Hình 7: Sự thay đổi khu vực ngập lụt theo thời gian sử dụng thuật toán OTSU dựa trên siêu
điểm ảnh. Khu vực màu đỏ biểu diễn khu vực ngập lụt giữa các thời gian chụp ảnh:
(a) Ngày 13-09-2016 tới 07-10-2016, (b) Ngày 13-09-2016 tới 19-10-2016,
(c) Ngày 13-09-2016 tới 31-10-2016
Bảng 2. Độ chính xác của các phương pháp phân loại
Dữ liệu
Ảnh 13-09-2016
Ảnh 07-10-2016
Ảnh 19-10-2016
Ảnh 31-10-2016

Phân loại dựa trên siêu điểm ảnh
Số lượng
Số lượng Độ chính
mẫu đúng
mẫu sai
xác
417
39
91,48 %
416
37
91,81 %
437
35
92,58 %
449
32
93,15 %

Phân loại dựa trên điểm ảnh
Số lượng
Số lượng
Độ chính
mẫu đúng
mẫu sai
xác
420
36
92,71 %
401
52
88,52 %
416
56
88,14 %
418
63
86,90 %

Bảng 3. Diện tích khu vực ngập lụt theo thời gian thu nhận ảnh
Dữ liệu ảnh
Tổng diện tích nước mặt (km2)
Diện tích ngập lụt (km2)
Phần trăm diện tích nước mặt

13-09-2016
240,53
0
5,77 %

07-10-2016
495,21
254,68
11,88 %

19-10-2016
539,48
298,95
12,94 %

31-10-2016
557,59
317,06
13,37 %

4.2. Thảo luận
Việc sử dụng thuật toán dựa trên siêu điểm ảnh kết hợp với thuật toán OTSU nhằm tiến hành
phân ngưỡng lớp nước mặt và lớp khơng nước đối với các hình ảnh khu vực tỉnh Quảng Bình vào
tháng 10 năm 2016 đã cho thấy kết quả tốt hơn so với phương pháp phân loại dựa trên điểm ảnh.
Đối với thời gian chưa xảy ra lũ lụt, quá trình phân loại lớp nước cho kết quả đạt trên 90 % ở cả
2 phương pháp. Tuy nhiên, khi quá trình lũ lụt xảy ra, thuật toán phân loại dựa trên siêu điểm ảnh
đã đạt kết quả tốt hơn so với thuật toán phân loại dựa trên điểm ảnh. Đồng thời, khi diện tích nước
mặt trên hình ảnh SAR ngày càng lớn, thì sự chênh lệch về độ chính xác giữa 2 phương pháp ngày
càng rõ rệt. Nguyên nhân dẫn tới kết quả này chính là dựa trên sự liên kết của các điểm ảnh gần
nhau trong quá trình tạo ra các siêu điểm ảnh. Với thuật toán dựa trên điểm ảnh, phần lớn số lượng
điểm ảnh sai rơi vào phần biên, phần rìa của các khu vực nước mặt.
Trên Bảng 3, diện tích nước mặt đã có sự thay đổi rõ rệt trước và sau khi lũ lụt xảy ra. Trước
khi xảy ra lũ lụt, phần diện tích nước mặt của khu vực nghiên cứu là 240 km2. Tuy nhiên, ngay tại
thời điểm đầu của lũ lụt, diện tích phần nước mặt đã tăng gấp hơn 2 lần so với trước khi xảy ra lũ

lụt, đạt tới 495,21 km2, tương đương với 11,88 % diện tích khu vực nghiên cứu. Trong giai đoạn
sau của lũ lụt, diện tích phần ngập lụt tăng nhẹ, đạt 557,59 km2 tại thời điểm ngày 31 tháng 10 năm
Hội thảo Quốc gia 2022

375


2016. Điều đó cho thấy diện tích phần nước được hình thành do lũ lụt lớn hơn so với diện tích phần
nước mặt ban đầu trong thời điểm chưa có lũ.
Phần lớn khu vực ngập lụt tập trung tại phần rìa, tiếp giáp với biển. Đây là nơi có địa hình
bằng phẳng, độ cao thấp. Chính vì vậy, khi có lũ lụt xảy ra, đây là nơi tập trung phần lớn nước mặt
được hình thành trong quá trình diễn ra lũ lụt. Đồng thời, ở phần phía Tây của khu vực nghiên cứu,
trong giai đoạn trước khi xảy ra lũ lụt, đây là khu vực rừng với phần lớn là lớp cây thân gỗ cao.
Chính vì vậy, khi có lũ lụt xảy ra, phần lớn khu vực ngập lụt được hình thành có dạng các hố nước
trũng, nằm dưới chân đồi núi. Diện tích ngập lụt tại khu vực này cũng ít hơn rất nhiều so với khu
vực đồng bằng. Ngồi ra, một số phần nước mặt được hình thành trong q trình nước tại các sơng,
hồ dâng cao, gây ra hiện tượng ngập úng cho các khu vực xung quanh.
5. Kết luận
Bài báo trình bày phương pháp thành lập bản đồ ngập nước từ dữ liệu ảnh SAR bằng cách sử
dụng thuật toán phân ngưỡng tự động OTSU. Hơn nữa để giảm thời gian tính tốn và tăng cường
độ chính xác của kết quả phân loại, bài báo đã cải tiến phương pháp OTSU bằng cách sử dụng kỹ
thuật phân cụm SNIC. Theo đó, thay vì phân loại trực tiếp trên các điểm ảnh thì thuật tốn SNIC
tạo ra các siêu điểm ảnh, từ đó giúp thuật tốn OTSU có thể phân loại trực tiếp trên các siêu điểm
ảnh này. Điều này sẽ giúp thuật toán OTSU chạy nhanh hơn và vẫn đảm bảo về mặt độ chính xác.
Các kết quả thực nghiệm cho thấy, phương pháp sử dụng OTSU kết hợp với thuật tốn SNIC cho
độ chính xác cao hơn 91 % so với phương pháp chỉ sử dụng thuật tốn OTSU với độ chính xác chỉ
đạt từ 86 % trở lên. Với kết quả nghiên cứu này, có thể được sử dụng trong các bài tốn phân loại
nhanh khu vực lũ lụt từ dữ liệu ảnh SAR nhằm hỗ trợ cơng tác tìm kiếm cứu hộ cứu nạn, giảm
thiểu thiên tai.
TÀI LIỆU THAM KHẢO

[1]. Achanta R., Shaji A., Smith K., Lucchi A., Fua P., Susstrunk S. (2012). SLIC superpixels compared
to state-of-the-art superpixel methods. IEEE Transactions on Pattern Analysis and Machine Intelligence,
34(11), 2274 - 2282.
[2]. Achanta R., Susstrunk S. (2017). Superpixels and polygons using simple non-iterative clustering. IEEE
Conference on Computer Vision and Pattern Recognition (CVPR), 4651 - 4660, 10.1109/CVPR.2017.520.
[3]. Amitrano D., Martino G., Iodice A., Riccio D., Ruello G. (2018). Unsupervised rapid flood mapping
using Sentinel - 1 GRD SAR images. IEEE Transactions on Geoscience and Remote Sensing, 56(6), 3290 3299. Doi: 10.1109/TGRS.2018.2797536.
[4]. Chapman B., McDonald K., Shimada M., Rosenqvist A., Schroeder R., Hess L. (2015). Mapping
regional inundation with spaceborne L-Band SAR. Remote Sensing, 7, 5440 - 5470.
[5]. Cao H., Zhang H., Wang C. Zhang B. (2019). Operational flood detection using Sentinel - 1 SAR data
over large areas. Water, 11(4). />[6]. Elfadaly A., Abate N., Masini N., Lasaponara R. (2020). SAR Sentinel 1 imaging and detection of
palaeolandscape features in the Mediterranean area. Remote Sensing 12(16), 2611.
[7]. Gasparovic M., Klobucar D. (2021). Mapping floods in lowland forest using Sentinel - 1 and Sentinel 2 data and an object - based approach. Forests 12, 553. 10.3390/f12050553.
[8]. Ha Chu Huy (2020). Nghiên cứu các phương pháp xử lý ảnh để trích xuất thơng tin từ giấy chứng minh
nhân dân phục vụ cho việc chi trả bảo hiểm thất nghiệp. Khoa học máy tính, Công nghệ Thông tin. http://
tvugate.tvu.edu.vn/jspui/handle/TVU_123456789/1314.
[9]. Li J.,  Wang  J., Ye H. (2021). Rapid flood mapping based on remote sensing cloud computing and
Sentinel - 1. Journal of Physics: Conference Series, 1952, 022051.
[10]. Moothedan A., Dhote P., Thakur P., Garg V., Aggarwal S., Mohapatra M. (2020). Automatic flood

376

Hội thảo Quốc gia 2022


mapping using Sentinel - 1 GRD Sar images and Google Earth Engine: A case study of Darbhangah, Bihar.
The Proceedings of National seminar on recent advances in Geospatial Technology & Applications, March
02, IIRS Dehradun, India.
[11]. Nguyen Le Mai Duyen, Truong Minh Thuan (2019). A combination of threshold and Graphcut method
in medical image analysis to assist diagnosis. DTU Journal of Science and Technology 01(32), 88 - 99.

[12]. Otsu N. (1979). A threshold selection methodfrom gray level histograms. IEEE Transactions on
Systems, Man, and Cybernetics: Systems, 9, 62 - 66.
[13]. Park J., Korosov A., Babiker M., Sandven S., Won, J. (2017). Efcient thermal noise removal for
Sentinel - 1 TOPSAR cross - polarization channel. IEEE Transactions on Geoscience and Remote Sensing,
56(3), 1555 - 1565.
[14]. Qiu J., Cao B., Park E., Yang X., Zhang W., Tarolli P. (2021). Flood monitoring in rural areas of
the Pearl river basin (China) using Sentinel - 1 SAR. Remote Sensing 13, 1384, />rs13071384.
[15]. Richards J. A. (2009). Remote sensing with imaging radar. Springer, 380 pp., ISBN: 9783642020193.
[16]. Simon R., Tormos T., Danis P. (2014). Geographic object based image analysis using very high spatial
and temporal resolution radar and optical imagery in tracking water level fluctuations in a freshwater
reservoir. South - Eastern European Journal of Earth observation and Geomatics, 3, 287.
[17]. Trần Thanh Tùng, Mai Duy Khanh (2020). Nghiên cứu quy luật diễn biến doi cát ven bờ khu vực cửa
Tiên Châu bằng ảnh vệ tinh Landsat. Khoa học Kỹ thuật Thủy lợi và Môi trường - Số 71 (12/2020).
[18]. Trinh Le Hung, Andrade E, Pham Tuan Anh (2015). Application of remote sensing to extract flood
areas using ENVISAT ASAR data. Journal of Sciences, Orel State Agrarian University, 1(52), 36 - 42.
[19]. Uddin K., Matin M., Meyer F. (2019). Operational flood mapping using multi - temporal Sentinel
- 1 SAR images: A case study from Bangladesh. Remote Sensing, 11(13), 1581, />rs11131581.
[20]. />
BBT nhận bài: 20/9/2022; Chấp nhận đăng: 31/10/2022

Hội thảo Quốc gia 2022

377