Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ dựa trên tính toán mềm (tt)

BỘ THÔNG TIN VÀ TRUYỀN THÔNG
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
******************************************

NGUYỄN TU TRUNG

NGHIÊN CỨU NÂNG CAO CHẤT LƯỢNG VÀ
GIẢI ĐOÁN ẢNH VIỄN THÁM ĐA PHỔ DỰA
TRÊN TÍNH TOÁN MỀM

Chuyên ngành: Hệ thống thông tin
Mã số

: 9.48.01.04

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT

HÀ NỘI – 2018
1


Công trình hoàn thành tại:
Học viện Công nghệ Bưu chính Viễn thông

Người hướng dẫn khoa học:
1. TS. Vũ Văn Thoả
2. PGS.TS. Đặng Văn Đức

Phản biện 1: ………………………………………………………..
Phản biện 2: ………………………………………………………..
Phản biện 3: ………………………………………………………..

Luận án sẽ được bảo vệ trước Hội đồng chấm luận án tại:
Học viện Công nghệ Bưu chính Viễn thông
Vào hồi: ……giờ, ngày……..tháng…….năm…………….
Có thể tìm hiểu luận án tại:
Thư viện Quốc gia Việt Nam
Thư viện Học viện Công nghệ Bưu chính Viễn thông
2


MỞ ĐẦU
1. Tính cấp thiết của luận án
Viễn thám được hiểu là một khoa học và nghệ thuật để thu nhận thông tin về một đối tượng,
một khu vực hoặc một hiện tượng thông qua việc phân tích tài liệu thu nhận được bằng các phương
tiện. Viễn thám bao gồm các thiết bị cảm biến, ghi lại năng lượng phát ra từ đối tượng nghiên cứu,
và bao gồm tổ hợp phần cứng/phần mềm với khả năng xử lý, phân tích và ứng dụng các thông tin
thu được từ ảnh. Với cách hiểu này thì quá trình viễn thám bao gồm hai giai đoạn chính: (i) Thu
thập thông tin viễn thám (dưới dạng ảnh viễn thám); (ii) Xử lý và phân tích thông tin (ảnh) viễn
thám. Đề tài được đặt ra nhằm nghiên cứu một số phương pháp xử lý ảnh viễn thám để hỗ trợ giải
quyết các vấn đề liên quan đến giai đoạn (ii) của quá trình trên.
Quá trình xử lý và phân tích thông tin viễn thám được thực hiện bằng phần mềm máy tính.
Ảnh viễn thám ngày càng có những ứng dụng quan trọng trong nhiều lĩnh vực, từ hỗ trợ quản lý đất
đai phục vụ dân sinh, quản lý, giám sát chủ quyền quốc gia, cho đến hỗ trợ giám sát tài nguyên, môi
trường ... Ứng dụng ngày càng phổ biến của ảnh viễn thám tất yếu dẫn đến nhu cầu ngày càng tăng
của việc xây dựng và sử dụng phần mềm xử lý ảnh viễn thám.
Ngày nay, có rất nhiều phần mềm cả thương mại lẫn mã nguồn mở phục vụ công tác xử lý dữ
liệu viễn thám. Theo nghiên cứu của hãng Global Marketing Insights, những phần mềm liên quan
tới xử lý dữ liệu viễn thám được ứng dụng nhiều nhất tại các nhóm nghiên cứu châu Á là ESRI
30%; ERDAS 25%; RSI ENVI 17%; MapInfo 17%; ERMapper 11%. Trong khi đó, ở phương Tây,
những con số này là ESRI 39%, ERDAS 27%, MapInfo 9%, AutoDesk 7%, RSI ENVI 17%.

Còn ở Việt Nam, công nghệ xử lý ảnh viễn thám đã xâm nhập khá sớm, từ năm 1983 (Viện
Khoa học Việt Nam). Để nhanh chóng phát triển công nghệ vũ trụ phục vụ cho phát triển kinh tế
của đất nước, Nhà nước đã xây dựng đề án: “Kế hoạch tổng thể về ứng dụng và phát triển công
nghệ viễn thám ở Việt Nam” nhằm hướng đến sự phát triển bền vững trên cơ sở sử dụng hợp lý tài
nguyên thiên nhiên và bảo vệ môi trường. Năm 2006, Viện Công nghệ Vũ trụ, thuộc Viện Hàn Lâm
Khoa học và Công nghệ Việt Nam được thành lập. Năm 2013 Việt Nam đã phóng vệ tinh viễn thám
đầu tiên mang tên VNRedsat-1. Vệ tinh viễn thám thứ 2 VNRedsat-2 dự kiến được phóngvào năm
2019.
Các bài toán liên quan đến hoạt động nhận thức, trí tuệ của con người đều hàm chứa những
đại lượng, thông tin không chính xác, không chắc chắn và không đầy đủ. Trong lĩnh vực khoa học
kĩ thuật, các hệ thống phức tạp thực tế không thể mô tả đầy đủ và chính xác bởi các phương trình
toán học truyền thống. Kết quả là những tiếp cận kinh điển dưa trên kỹ thuật phân tích và các
phương trình toán học nhanh chóng tỏ ra không còn phù hợp. Vì thế, công nghệ tính toán mềm là
giải pháp trong lĩnh vực này. Vấn đề giải đoán ảnh viễn thám cũng phức tạp và cần sử dụng các kĩ
thuật trong công nghệ tính toán mềm. Công nghệ tính toán mềm gồm các thành phần: Logic mờ,
Mạng Neural nhân tạo, lập luận xác suất, hệ hỗ trợ ra quyết định. Các kĩ thuật phân lớp dữ liệu
thuộc về công nghệ tính toán mềm.
3


Xuất phát từ những lý do trên, nghiên cứu sinh đã lựa chọn đề tài “Nghiên cứu phương pháp
nâng cao chất lượng và giải đoán ảnh đa phổ dựa trên tính toán mềm” để thực hiện luận án tiến
sĩ chuyên ngành Hệ thống thông tin. Kết quả nghiên cứu được áp dụng trên ảnh viễn thám, đặc biệt
là ảnh viễn thám tại các khu vực trong nước để phân tích các đặc thù của các lớp phủ và đưa ra
những kết quả hữu ích cho giai đoạn hậu phân loại như xây dựng bản đồ, ...
Thách thức đặt ra với đề tài là rất lớn vì ảnh viễn thám có nhiều loại với đặc thù riêng. Mỗi
loại ảnh viễn thám có phương pháp xử lý, phân tích riêng. Vì vậy, việc lựa chọn phương pháp, kĩ
thuật phù hợp để từ đó đề xuất cải tiến là rất quan trọng.
2. Mục tiêu, nội dung và đối tượng nghiên cứu của luận án
Mục tiêu của luận án là nghiên cứu kĩ thuật tăng cường và phân lớp để hỗ trợ cho việc giải

đoán ảnh viễn thám đa phổ.
Từ mục tiêu, luận án tập trung vào bốn nội dung nghiên cứu chính bao gồm:
 Nội dung thứ nhất là đánh giá các phương pháp, kĩ thuật tiền xử lý, tăng cường ảnh viễn
thám.
 Nội dung thứ hai là so sánh, đánh giá các phương pháp, kĩ thuật phân lớp ảnh viễn thám.
 Nội dung thứ ba là đề xuất kĩ thuật mới tăng cường ảnh viễn thám đa phổ và chứng minh
phương pháp mới hiệu quả hơn các phương pháp đã có theo các tiêu chuẩn đánh giá được
chọn.
 Nội dung thứ tư là đề xuất kĩ thuật mới phân loại ảnh viễn thám đa phổ và chứng minh
phương pháp mới hiệu quả hơn các phương pháp đã có theo các tiêu chuẩn đánh giá được
chọn.
Đối tượng nghiên cứu của luận án bao gồm:
 Các kĩ thuật tiền xử lý, tăng cường ảnh viễn thám.
 Các kĩ thuật phân lớp ảnh viễn thám.
3. Đóng góp chính của luận án
- Đề xuất kỹ thuật tăng cường độ tương phản ảnh viễn thám dựa trên tiếp cận cục bộ theo cụm
thông qua 2 giải thuật phân cụm KMeans và phân cụm mờ CM.
- Cải tiến thuật toán phân cụm KMeans áp dụng với ảnh viễn thám: (i) IKMeans với bước
khởi tạo tâm cụm xác lập dựa theo kỹ thuật avelet; (ii) CIKMeans dựa trên vector trung b nh
cụm, (iii) KMeansCMN với công thức tính tâm cụm áp dụng kĩ thuật chuẩn hóa trung bình phổ và
(iv) u y C-Means thành lsi CM với những tu biến để xử lý với ảnh k ch thước lớn trên cơ sở
FCM.
4. Bố cục của luận án
Luận án bao gồm ba chương như sau:
4


Chương 1: Tổng quan về viễn thám và giải đoán ảnh viễn thám đa phổ.
Chương 2: Phát triển một số thuật toán tăng cường độ tương phản ảnh viễn thám đa phổ.
Chương 3: Phát triển một số thuật toán phân lớp ảnh viễn thám đa phổ.

CHƯƠNG I - TỔNG QUAN VỀ VIỄN THÁM VÀ GIẢI ĐOÁN ẢNH VIỄN THÁM ĐA PHỔ
1.1. Tổng quan về viễn thám
1.1.1. Tiến trình viễn thám
Tiến trình viễn thám bao gồm nhiều công đoạn, trong đó có tương tác giữa bức xạ và đối
tượng nghiên cứu. Khái niệm đối tượng nghiên cứu trong luận án này được hiểu là các đối tượng,
khu vực hay hiện tượng nào đó trên bề mặt Trái đất mà con người muốn thu thập thông tin về nó.
Trên hình 1.1 là mô tả vắn tắt bảy thành phần của hệ thống thu ảnh viễn thám [CAN].

Hình 1.1. Tiến trình viễn thám.
Đề tài “Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ
dựa trên tính toán mềm” tập trung nghiên cứu một số vấn đề liên quan đến thành phần F và G
được mô tả trong hình 1.1. Cụ thể là làm thế nào để phân tích, diễn giải dữ liệu viễn thám và ứng
dụng chúng trong thực tế.
1.2. Tổng quan về giải đoán, phân tích ảnh viễn thám đa phổ
1.2.1. Khái niệm và tiến trình giải đoán ảnh viễn thámđa phổ
Giải đoán ảnh viễn thám là quá trình tách thông tin định tính cũng như định lượng từ ảnh dựa
trên các tri thức chuyên ngành hoặc kinh nghiệm của người đoán, đọc, điều, vẽ. Phân lớp đa phổ là
quá trình tách gộp thông tin dựa trên các tính chất phổ, không gian và thời gian của đối tượng. Phát
hiện biến động là phát hiện và phân tích các biến động dựa trên tư liệu ảnh đa thời gian. Chiết tách
các thông tin tự nhiên tương ứng với việc đo nhiệt độ trạng thái khí quyển, độ cao của vật thể dựa
trên các đặc trưng phổ hoặc thị sai của cặp ảnh lập thể. Xác định các chỉ số là việc tính toán các chỉ
số mới, ví dụ chỉ số thực vật.
Dữ liệu ảnh viễn thám thu được từ các vệ tinh viễn thám có thể bị sai lệch về mặt hình học
hay bức xạ, sẽ được chuyển vào bộ hiệu chỉnh để sửa lại. Sau đó, dữ liệu được chuyển qua giai đoạn
phân lớp để rút trích các thông tin cần thiết của đối tượng thu nhận. Đề hỗ trợ cho việc giải đoán thủ
công hay kiểm tra lại kết quả phân lớp, dữ liệu viễn thám có thể được chuyển qua bộ tăng cường
5

chất lượng ảnh trực quan để có thể quan sát và phân tách hiệu quả hơn. Giai đoạn hậu phân lớp là từ
các thông tin thu được sau phân lớp sẽ kết xuất các đầu ra cần thiết cho việc báo cáo, quản lý hiện
trạng lớp phủ, ...
1.3. Tình hình nghiên cứu trong và ngoài nước
Do luận án tập trung nghiên cứu các giai đoạn: Tăng cường và giải đoán (phân lớp) ảnh viễn
thám đa phổ nên phần này sẽ khảo sát, đánh giá tình hình nghiên cứu các giai đoạn này.
1.3.1. Tăng cường hình ảnh trực quan
1.3.1.1. Lọc mây, sương mù của ảnh viễn thám
Một số kĩ thuật dò tìm và loại bỏ sương mù bao gồm:
 Trừ đối tượng tối đơn giản, tiếp cận mục tiêu tối dựa trên ảnh.
 Mô hình truyền bức xạ không khí.
 Hiệu chỉnh sử dụng ảnh đa kênh và đa thời gian
 Hiệu chỉnh sử dụng dữ liệu mặt đất
 Hiệu chỉnh sử dụng mục tiêu bất biến
Hiện nay, các nghiên cứu còn bổ sung kĩ thuật mới như phân tích wavelet để tăng cường hiệu
quả lọc mây mù.
1.3.1.2. Tăng cường ảnh
Các kĩ thuật tăng cường ảnh bao gồm:Tăng cường ảnh dựa trên histogram, Tăng cường ảnh
dựa trên logic mờ, Kĩ thuật tối ưu.
1.3.2. Giải đoán ảnh viễn thám
Các nghiên cứu giải đoán ảnh viễn thám theo cáchướng tiếp cận: phân lớp không giám sát và
có giám sát, sử dụng các kỹ thuật học máy, tính toán mềm, ….
1.4. Phân tích, đánh giá về thành công, ưu điểm, hạn chế
Các phương pháp tăng độ tương phản áp dụng tiếp cận toàn cục để tăng cường tất cả mức độ
sáng của ảnh. Sử dụng tiếp cận toàn cục thường khó để tăng cường tất cả các đối tượng xuất hiện
trong, bởi vì thông tin tương phản cục bộ và chi tiết có thể bị mất trong các vùng sáng và tối. Ngoài
ra, các phương pháp này vẫn chọn thủ công các giá trị cho các ngưỡng cận dưới và cận trên nên
không phải lúc nào cũng chọn được giá trị tốt làm ảnh hưởng đến kết quả tăng cường ảnh.
Về vấn đề phân lớp ảnh viễn thám, các kĩ thuật phân lớp thường áp dụng cho ảnh viễn thám
đa phổ là không mới như các kĩ thuật đã áp dụng cho ảnh màu. Nếu như có thể cải tiến các kĩ thuật

đã có và các kĩ thuật mới đã áp dụng thành công cho ảnh màu có thể tăng cường chất lượng phân
lớp ảnh viễn thám đa phỏ. Hơn nữa, tốc độ thực thi của một số kĩ thuật phân lớp vẫn chậm khi áp
dung cho ảnh kích thước lớn như ảnh viễn thám độ phân giải cao.
1.5. Hướng nghiên cứu của luận án
 Đề xuất kĩ thuật tăng cường ảnh viễn thám đa phổ mới dựa trên tiếp cận cục bộ.
6


 Đề xuất kĩ thuật phân lớp ảnh viễn thám đa phổ mới cải tiến cả chất lượng và tốc độ thực thi.
1.6. Kết luận chương I
Chương I đã trình bày tổng quan về viễn thám và xử lý ảnh viễn thám, tổng quan về giải đoán
ảnh viễn thám đa phổ. Tiếp theo, chương I đưa ra bức tranh tổng quan về tình hình nghiên cứu trong
và ngoài nước liên quan đến vấn đề tăng cường chất lượng ảnh và phân lớp ảnh viễn thám. Cho đến
hiện tại, các nghiên cứu trên thế giới đã đạt được những thành công to lớn từ giai đoạn thu thập ảnh
với những cải tiến sâu sắc, thành tựu lớn của các vệ tinh viễn thám ngày càng hiện đại, các vấn đề
hiệu chỉnh, tăng cường chất lượng dữ liệu cho đến việc phân lớp, phân tích ảnh viễn thám cũng như
các ứng dụng hậu phân lớp. Qua đây, luận án phân tích ưu điểm cũng như những mặt còn hạn chế
của các phương pháp và nghiên cứu đã có, làm cơ sở để nghiên cứu sinh tìm ra các phương pháp
mới, để có thể cải tiến và ứng dụng vào thực tế đem lại hiệu quả tốt hơn. Các cải tiến của luận án
được trình bày trong chương II và III.

CHƯƠNG II: PHÁT TRIỂN MỘT SỐ THUẬT TOÁN TĂNG CƯỜNG ĐỘ TƯƠNG PHẢN
ẢNH VIỄN THÁM DỰA ĐA PHỔ
2.1. Một số thuật toán tăng cường độ tương phản ảnh dựa trên logic mờ
 Tăng cường ảnh mờ với toán tử tăng cường
 Tăng cường ảnh mờ với toán tử Hyperbol
 Tăng cường ảnh mờ dựa trên phân bố xác suất
 Cải thiện độ tương phản dựa trên luật If-Then mờ
2.2. Hạn chế của các thuật toán tăng cường mờ
Qua phân tích về phương pháp tăng cường ảnh mờ đã có như được trình bày trong các mục

2.1 của luậnán, chúng tôi có một số nhận xét sau:
 Một là, các thuật toán tăng cường mờ trên vẫn sử dụng tiếp cận toàn cục như các phương

pháp truyền thốngnên khó để tăng cường độ tương phản giữa các lớp phủ đất (các đối
tượng che phủ mặt đất) xuất hiện trong ảnh vệ tinh, bởi vì thông tin tương phản cục bộ và
chi tiết vẫn có thể bị mất trong các vùng sáng và tối.
 Hai là, các ngưỡng cận trên max, dưới min vẫn phải chọn thủ công dựa trên lựa đồ xám với

mỗi ảnh khác nhau nên thiếu hiệu quả và việc chọn ngưỡng có thể không tốt.
 Ba là, giống như phương pháp truyền thống, phương pháp tăng cường ảnh mờ chỉ thực

hiện trênmột kênh phổ (ảnh đa cấp xám hay từng kênh của ảnh đa kênh). Do đó, mầu của
các đối tượng trong ảnh đầu ra có thể không được bảo tồn.
2.3. Một số độ đo chất lượng tăng cường ảnh
Để đánh giá chất lượng ảnh, chúng ta có thể sử dụng phương pháp trực quan hay các chỉ số độ
đo chất lượng. Để đo độ tương phản của ảnh, chúng ta có thể sử dụng một số độ đo như sau:
ShannonEntropy H, Entropy mờ FH, chỉ số tuyến tính mờ γ, độ đo chất lượng ảnh IQM…Trong các
7


công trình nghiên cứu và luận án, nghiên cứu sinh sử dụng độ đo Entropy và độ đo tính mờ để đánh
giá chất lượng của ảnh trước và sau tăng cường.
2.4. Đề xuất kĩ thuật tăng cường độ tương phản ảnh viễn thám dựa trên tiếp cận cục bộ
Các bước chính của kĩ thuật tăng cường ảnh viễn thám dựa trên tiếp cận cục bộ (Local based
Remote Sensing Image Enhancement-LoRSIE) được liệt kê trong bảng 2.1.
Bảng 2.1. Quy trình thuật toán tăng cường ảnh viễn thám dựa trên tiếp cận cục bộ.
Giai đoạn

Nhiệm vụ

1

Cục bộ hóa ảnh viễn thám dựa trên thuật toán phân cụm

2

Xây dựng mô hình hiệu chỉnh mức xám theo cụm

3

Tính ngưỡng tự động theo cụm

4

Sinh ảnh tăng cường dựa trên việc tổng hợp các mức xám
hiệu chỉnh theo từng cụm

Trong các phần 2.5 và 2.6, luận án trình bày hai thuật toán tăng cường ảnh viễn thám dựa trên
tiếp cận cục bộ sử dụng các thuật toán phân cụm mờ CM và phân cụm rõ KMeans.
2.5. Tăng cường ảnh viễn thámsử dụng phân cụm mờ
2.5.1. Thuật toán tăng cường ảnh viễn thám sử dụng phân cụm mờ
2.5.1.1. Cục bộ hóa ảnh viễn thám dựa trên thuật toán phân cụm mờ
Phân cụm c-Means mờ [FCM] là thuật toán được dùng rộng rãi của phân lớp mờ. Trong khi
xem xét logic tập mờ, thuật toán được phát triển dựa trên phân cụm KMeans. Trong thuật toán này,
mỗi điểm ảnh không về duy nhất cụm nào và được biểu diễn bởi nhiều thành viên của mỗi cụm.
2.5.1.2. Xây dựng mô hình biến đổi mức xám theo cụm
Trong nghiên cứu này, nghiên cứu sinh xây dựng hàm biến đổi cho toán tử Giãn mức xám và
Hyperbol, và được phát biểu theo từng cụm trong bảng 2.2.
Bảng 2.2. Các hàm biến đổi mức xám theo từng cụm.
Ý nghĩa

Công thức biến đổi Ti(g)

Giãn mức
xám

(21)
(

Biến đổi
Hyperbol

)[

]

(22)

Trong đó:

(23)
{

8


Trong đó, g = giá trị xám gốc,
việc giãn cụm i,
từng cụm

= cận trên của việc giãn cụm i,

= tâm cụm i.Giá trị của các ngưỡng

= cận dưới của
được tính tự động theo

và

như trong mục 2.4.1.3.

2.5.1.3. Tính ngưỡng tự động theo cụm
Giả sử,
,

là hàm phân bố của mức xám

theo một cụm cho trước.

được thể hiện trong hình 2.1.Các ngưỡng

,

,

và các tham số:
được xác định

bằng cách chọn sao cho vùng gạch chéo (hình 2.1) có diện tích bằng 95% tổng diện tích được bao
bởi các đường y = 0 và y =

không bị ảnh hưởng bởi nhiễu.

. Ý nghĩa của việc chọn ngưỡng như trên là để vùng được chọn

Hình 2.1. Hàm phân bố và các ngưỡng theo từng cụm.
2.5.1.4. Sinh ảnh tăng cường dựa trên việc tổng hợp mức xám hiệu chỉnh theo cụm
Dựa trên mô hình biến đổi mức xám theo mỗi cụm đã xây dựng trong phần 2.5.1.2, mỗi giá trị
xám đầu vào sẽ được chuyển các thành giá trị mới tương ứng với các cụm. Nhiệm vụ còn lại là tổng
hợp các giá trị này để sinh ra giá trị xám duy nhất. Hàm tổng hợp này có dạng tổng quát như sau: g
| g’ = T(g). Trong đó,
∑

Trong đó, g = giá trị xám gốc,
của việc giãn cụm i,

= tâm cụm i,

(24)

= cận trên của việc giãn cụm i,

= g cận dưới

= giá trị độ thuộc của mức xám g theo cụm i.

2.5.2. Phát triển thuật toánLoRSIE_FCM cho ảnh đa phổ
Thuật toán LoRSIE_ CM dựa trên tiếp cận phân cụm, thực hiện tính ngưỡng tự động, khắc
phục được hạn chế 1 và 2 (nhận xét trong mục 2.2). Tuy nhiên, đối với ảnh đa kênh, vẫn chưa rõ
làm thế nào để thuật toán này có thể khắc phục được hạn chế 3. Phát triển dưới đây sẽ cho phép giải
quyết vấn đề này.

Bản chất CM là thuật toán phân cụm các đối tượng là các vector có nhiều thành phần. Và do
vậy, CM đã thực hiện rất tốt cho ảnh đa kênh như ảnh màu RGB. Như vậy, thuật toán trên áp dụng
cho ảnh viễn thám đa phổ như sau:
 Bước 1:Cục bộ hóa ảnh đầu vào. Sau khi thực hiện thủ tục phân cụm, mỗi điểm ảnh P(

,

,

…) sẽ được đặc trưng thêm bởi một bộ các giá trị độ thuộc ứng với các cụm khác
9


nhau. Như vậy, quan hệ cùng một điểm ảnh của một bộ (

,

,

…) được đặc trưng bởi

bộ các giá trị độ thuộc trên. Do đó, giải quyết được hạn chế thứ 3 trong mục 2.2.
 Bước 2: Xây dựng mô hình hiệu chỉnh mức xám. Vẫn thực hiện việc này như được trình

bày trong mục 2.4.1.b.
 Bước 3: Tính ngưỡng tự động. Các ngưỡng

từng cụm

được tính tự động theo

và

và từng kênh k.

 Bước 4: Sinh ảnh tăng cường. Với mỗi điểm ảnh P, ta có:

∑

Trong đó,

(25)

= giá trị xám gốc của điểm ảnh P thuộc kênh thứ k,

giãn cụm i thuộc kênh thứ k,
cụm i thuộc kênh thứ k. Mỗi tâm

= cận trên của việc

= cận dưới của việc giãn cụm i thuộc kênh thứ k,
gồm môt bộ (

,

,

…),

= tâm

= giá trị độ thuộc của mức xám

g theo cụm i.
2.5.3. Thuật toán tăng cường ảnh viễn thám kích thước lớn
2.5.3.1. Nhược điểm của FCM với ảnh viễn thám kích thước lớn
Thuật toán phân cụm mờ [FCM] nảy sinh vấn đề khi gặp ảnh có kích thước rất lớn mà cụ thể
ở đây là ảnh viễn thám độ phân giải cao. Có hai cách để khắc phục vấn đề này. Một là, có thể áp
dụng kĩ thuật wavelet. Hai là, cải tiến trực tiếp thuật toán phân cụm mờ để khắc phục hạn chế này.
Phương án sử dụng kĩ thuật wavelet được trình bày dưới đây. Phương án cải tiến thuật toán phân
cụm mờ được trình bày trong mục 3.2.3 trong chương III.
2.5.3.2. Thuật toán tăng cường ảnh viễn thám kích thước lớn
Trong phần này, luận án đề xuất thuật toán tăng cường ảnh viễn thám kích thước lớn mà
chúng tôi tạm gọi là Large Size Remote Sensing Image Enhancement Using FCM
(LaSRSIE_FCM). Đầu tiên, ảnh đầu vào được giảm kích thước sử dụng biến đổi avelet thuận đến
kích thước đủ nhỏ được ảnh xấp xỉ cực tiểu lựa chọn. Thực hiện tăng cường ảnh xấp xỉ cực tiểu lựa
chọn này sử dụng thuật toán LoRSIE. Tiếp đó, thay ảnh xấp xỉ cực tiểu bằng ảnh xấp xỉ đã tăng
cường và thực hiện biến đổi ngược sử dụng biến đổi
ứng với ảnh gốc.

avelet nghịch để thu được ảnh tăng cường

2.5.5. Thử nghiệm và đánh giá
Tập dữ liệu phục vụ cho thử nghiệm gồm ba loại: LANDSAT ETM, SPOT 5, Quickbird.Môi
trường thực nghiệm: Bộ xử lý Core 2 Duo tốc độ 1.8Gh , RAM 2G, hệ điều hành indows 7.Để
đánh giá, luận án sử dụng phương pháp trực quan và đánh giá thông qua chỉ sốtuyến tính mờ γ
[HAS][SUD] như đã mô tả trong mục 2.4.4. Các kết quả thực nghiệm, đánh giá cả về mặt trực quan
cũng như chi số chất lượng đều cho thấy kĩ thuật cải tiến tốt hơn so với kĩ thuật mờ.

10

Thử nghiệm đại diện
Trong thử nghiệm 1, ảnh gốc là ảnh vệ tinh LANDSAT khu vực huyện Kim Bôi có kích
thước 1581 x 1527 (điểm ảnh).
Bảng 2.3. Tăng cường ảnh với phương pháp mờ và cải tiến.
Đầu vào

Hyperbol mờ

Tăng cường mờ

Giãn FCM

Hyperbol FCM

Bảng 2.4. So sánh chỉ số mờ của ảnh tăng cường theo phương pháp mờ và cải tiến.
Kênh

Hyperbol mờ

Tăng cường mờ

Giãn FCM

Hyperbol FCM

1

0.38

0.43

0.27

0.30

2

0.31

0.45

0.24

0.26

3

0.38

0.39

0.34

0.36

Bảng 2.5: Thời gian thực thi.
Thuật toán

Thời gian

Hyperbol mờ

2485

Tăng cường mờ

2281

Giãn FCM
Hyperbol
FCM

LoRSIE

1028756

LaSRSIE -2 Level

57764

LoRSIE

1027408

LaSRSIE -2 Level

57724

2.6. Tăng cường ảnh viễn thám sử dụng phân cụm KMeans
2.6.1. Thuật toán tăng cường ảnh viễn thám sử dụng thuật toán phân cụm KMeans
2.6.1.1. Cục bộ hóa ảnh viễn thám dựa trên thuật toán phân cụm KMeans
2.6.1.2. Xây dựng mô hình biến đổi mức xám theo cụm
Trong nghiên cứu này, nghiên cứu sinh xây dựng hàm biến đổi cho toán tử Giãn mức xám và
Hyperbol, và được phát biểu theo từng cụm trong bảng 2.16.
Bảng 2.6. Các hàm biến đổi mức xám theo từng cụm.
Ý nghĩa

Công thức biến đổi T(g)

Giãn mức
xám

(32)
(

Biến đổi
Hyperbol

Trong đó:
11

)[

] (33)


{

(34)

Trong đó:g = giá trị xám gốc,

= tâm cụm. Giá trị của các ngưỡng

việc giãn cụm ,

= cận dưới của

= cận trên của việc giãn cụm ,

được tính tự động theo

và

như trong mục c dưới đây.

từng cụm

2.6.1.3. Tính ngưỡng tự động theo cụm
Giả sử,
,

là hàm phân bố của mức xám
.Các ngưỡng

,

,

theo một cụm cho trước.

và các tham số:

tương tự như cách tính trong thuật toán tăng cường

sử dụng CM.
2.6.1.4. Sinh ảnh tăng cường dựa trên việc tổng hợp mức xám hiệu chỉnh theo cụm
Dựa trên mô hình biến đổi mức xám theo mỗi cụm đã xây dựng trong mụcb, mỗi giá trị xám
đầu vào sẽ được chuyển các thành giá trị mới tương ứng với các cụm. Nhiệm vụ còn lại là tổng hợp
các giá trị này để sinh ra giá trị xám duy nhất. Hàm tổng hợp này có dạng tổng quát như sau: g |
g’ = T(g). Trong đó,
(35)
Trong đó, g = giá trị xám gốc,
của việc giãn cụm ,

= cận trên của việc giãn cụm V,

= g cận dưới

= tâm cụm.

2.6.2. Phát triển thuật toán cho ảnh đa phổ
Bản chất KMeans là thuật toán phân cụm các đối tượng là các vector có nhiều thành phần. Và
do vậy, KMeansđã thực hiện rất tốt cho ảnh đa kênh như ảnh màu RGB. Như vậy, thuật toán trên áp
dụng cho ảnh viễn thám đa phổ như sau:
 Bước 1: Cục bộ hóa ảnh đầu vào. Sau khi thực hiện thủ tục phân cụm, mỗi điểm ảnh P(

,

,

…) sẽ được đặc trưng thêm bởi một bộ các giá trị độ thuộc ứng với các cụm khác

nhau. Như vậy, quan hệ cùng một điểm ảnh của một bộ (

,

,

…) được đặc trưng bởi

bộ các giá trị độ thuộc trên. Do đó, giải quyết được hạn chế thứ 3 trong mục 2.2.
 Bước 2: Xây dựng mô hình hiệu chỉnh mức xám. Vẫn thực hiện việc này như được trình

bày trong mục 2.5.1.b.
 Bước 3: Tính ngưỡng tự động. Các ngưỡng

từng cụm

và

được tính tự động theo

và từng kênh k.

 Bước 4: Sinh ảnh tăng cường. Với mỗi điểm ảnh P, ta có:

(36)

12


Trong đó,
giãn cụm

= giá trị xám gốc của điểm ảnh P thuộc kênh thứ k,

thuộc kênh thứ k,
gồm môt bộ (

cụm. Mỗi tâm

= cận dưới của việc giãn cụm
,

,

= cận trên của việc
thuộc kênh thứ k,

= tâm

…)

2.6.3. Thử nghiệm và đánh giá
2.6.3.1. Quy trình thử nghiệm
Luận án tiến hành thử nghiệm thuật toán tăng cường ảnh đề xuất và so sánh với kết quả của
phương pháp tăng cường mờ.Môi trường thực nghiệm: Bộ xử lý Core 2 Duo tốc độ 1.8Gh , RAM

2G, hệ điều hành indows 7.Để đánh giá, luận án sử dụng phương pháp trực quan và đánh giá
thông qua chỉ sốtuyến tính mờ γ [HAS][SUD] như đã mô tả trong mục 2.4.4. Tập dữ liệu thử
nghiệm như được trình bày trong mục 2.4.5.2. Các kết quả thử nghiệm cho thấy kĩ thuật cải tiến cho
ảnh chất lượng tốt hơn kĩ thuật mờ.
Trong thử nghiệm dưới đây, ảnh gốc là ảnh vệ tinh LANDSAT khu vực huyện Lac Son, tỉnh
Hoà Bình.
Bảng 2.7. Tăng cường ảnh với phương pháp mờ và cải tiến.
Đầu vào

Hyperbol mờ

Tăng cường mờ

Giãn KM

Hyperbol KM

Bảng 2.8. So sánh chỉ số mờ của ảnh tăng cường theo phương pháp mờ và cải tiến.
Kênh

Hyperbol mờ

Tăng cường mờ

Giãn KM

Hyperbol KM

1

0.34

0.43

0.18

0.12

2

0.29

0.43

0.21

0.17

3

0.35

0.40

0.24

0.20

2.7. Kết luận chương II
Đầu tiên, luận án đã trình bày một số toán tử tăng cường mờ và phân tích một số hạn chế của

tiếp cận tăng cường độ tương phản ảnh dựa trên logic mờ. Luận án trình bày đề xuất các giải pháp
tăng cường ảnh viễn thám dựa trên tiếp cận cục bộLoRSIE, được thể hiện qua hai thuật toán tăng
cường sử dụng thuật toán phân cụm KMeans và CM.
Thuật toán tăng cường sử dụng CM gặp vấn đề với ảnh kích thước lớn nên được cải tiến để
phát triển thành thuật toán LaRSIE_FCM. Kết quả thử nghiệm cho thấy phương pháp cải tiến cho
chất lượng ảnh tăng cường cao hơn so với phương pháp tăng cường dựa trên logic đã có và thực
hiện tốt trên ảnh viễn thám kích thước lớn. Tuy nhiên, tốc độ thực thi của LaRSIE còn chậm so với
các thuật toán dựa trên logic mờ. Trong nghiên cứu tiếp theo, luậnándự kiến sẽ nghiên cứu giải
pháp tăng tốc độ thuật toán phân cụm mờ để tăng tốc độ thực thi cho thuật toán LoRSIE và LaRSIE.

13


CHƯƠNG III: PHÁT TRIỂN MỘT SỐ THUẬT TOÁN PHÂN LỚP ẢNH VIỄN
THÁM ĐA PHỔ
3.1. Phân cụm ảnh viễn thám với thuật toán KMeans
3.1.1. Thuật toán KMeans
Thuật toán KMeans đã được trình bày trong mục 2.6.1.1.
3.1.2. Thuật toán CCEA_KMeans
Trong [Chih], các tác giả đề xuất thuật toán khởi tạo tâm CCEA để tăng tốc độ thuật toán
KMeans mờ. Thuật toán được trình bày như sau:
Đầu vào:
 Tập S gồm N đối tượng xi với i = 1..N
 M số tập con SBl (l = 1..M) của S
 f để xác định kích thước tập con SBl của S (f < 1)
Đầu ra: Các cụm Cj (j = 1..c)
Các bước thuật toán như sau:
Bước 1: Chọn ngẫu nhiên M tập con SBl có kích thước fN từ tập dữ liệu S sao cho SBi
SBj = Ø (i ≠ j), trong đó f < 1. Đặt SU = SBl và p = 0.
Bước 2: Cho tập tâm cụm khởi đầu SCp = {Cj} và tập dữ liệu SU, sử dụng CD KM để xác

định tập các tâm cụm SCp+1 = {Cj}.
Bước 3: Cập nhật p = p + 1 và đặt SU = SU

SBp+1. Nếu p ≤ M, quay lại bước 2.

Bước 4: SCM là tập tâm cụm khởi tạo.
Bước 5: Phân cụm tập S với tập tâm SCM
Nếu áp dụng CCEA cho KMeans thì trong bước 2 chỉ cần thay CD KM bằng KMeans ta
được CCEA_KMeans.
3.1.3. Thuật toán 2D-KMeans
Trong [Int], các tác giả trình bày thuật toán 2D-KMeans. Điểm khác biệt giữa KMeans và 2DKMeans là:
 Với KMeans, mỗi đối tượng x là một vector với các thành phần là cường độ của đối tượng
tương ứng: xINT. Như vậy, mỗi tâm là một vector trung bình cường độ theo cụm: CINT.
 Với 2D-KMeans, mỗi đối tượng x gồm một cặp 2 vector: vector với các thành phần cường
độ xINT và vector trung vị cục bộ xMED (công thức 18). Như vậy, mỗi tâm C gồm một cặp 2
vector: vector trung bình cường độ theo cụm: CINT và vector trung bình trung vị theo cụm:
CMED (công thức 19).
(37)
[ ∑

∑
14

]

(38)


3.1.4. Hạn chế của thuật toán KMeans
Thuật toán KMeans dù phân cụm ảnh viễn thám rất hiệu quả vẫn còn hai điểm hạn chế:

Hạn chế 1: Tốc độ thực thi với ảnh kích thước lớn như ảnh viễn thám còn chậm.
Hạn chế 2: Không bao gồm thông tin ngữ cảnh – lân cận của mỗi điểm ảnh [Int].
3.1.5. Một số độ đo chất lượng phân cụm ảnh
Để đánh giá chất lượng phân cụm, chúng ta có thể sử dụng chỉ số F(I), F’(I) ... Chỉ số này
tuân theo các tiêu chí về sự đồng nhất cụm[Int]. Chỉ số này được tính như sau:
√ ∑
√∑
Trong đó, I là ảnh phân đoạn,
là diện tích điểm ảnh vùng thứ i, và

[

(39)

√

]

∑

√

(40)

là kích thước ảnh, R là số vùng trong ảnh phân cụm,
là lỗi màu vùng i (tổng khoảng cách Euclide giữa các vector

màu mức xám của các điểm ảnh của vùng thứ i và vector màu qui cho vùng i trong ảnh phân đoạn),
R(A) là số vùng có diện tích bằng A, và Max là diện tích của vùng lớn nhất trong ảnh phân đoạn.F(I)
càng nhỏ thì tính đồng nhất cụm càng cao tức là chất lượng phân cụm càng tốt.

3.1.6. Đề xuất thuật toán WIKMeans
3.1.6.1. Trình bày thuật toán WIKMeans
Để khăc phục hạn chế (1), trong mục này, luận án để xuất thuật toán phân cụm KMeans cải
tiến với việc khởi tạo tâm cụm sử dụng kĩ thuật avelet. Biến đổi avelet được sử dụng để giảm
kích thước ảnh. Ảnh cực tiểu của biến đổi avelet được sử dụng để tiến hành phân cụm và sinh tập
tâm khởi tạo.Thuật toán được mô tả như sau:
B1: Biến đổi

avelet

B2: Phân cụm KMeans ảnh cực tiểu để được tập tâm cụm khởi tạo
B3: Phân cụm ảnh gốc với tập tâm khởi tạo thu được trong B2 ở trên.
Do thuật toán IKMeans không thực thi trực tiếp trên ảnh gốc mà trên ảnh kích thước nhỏ
hơn nên sẽ thu được tập tâm khởi tạo rất nhanh và càng nhanh nếu mức rã càng nhiều. Hơn nữa, ảnh
cực tiểu lựa chọn là ảnh xấp xỉ của ảnh ban đầu nên gần như giữa nguyên được các đặc trưng trên
ảnh gốc, khác biệt chính là về kích thước và tỉ lệ nhiễu. Do đó, tập tâm khởi tạo thu được rất gần tập
tâm khi hội tụ trong trường hợp KMeans phân cụm trực tiếp trên ảnh đầu vào. Do đó, tập tâm này là
khởi tạo rất tốt để KMeans phân cụm trên ảnh gốc.
3.1.6.2.Thử nghiệm
Luận án tiến hành thử nghiệmthuật toán đề xuất IKMeans và so sánh kết quả với thuật toán
KMeans, CCEAKMeans về mặt tốc độ thực thi phân cụm.Tập dữ liệu phục vụ cho thử nghiệm gồm
3 loại ảnh: LANDSAT, SPOT, Quickbird.Các kết quả thử nghiệm cho thấy hai điều. Một là, hời
gian thực hiện của thuật toán KMeans là rất lớn so với thuật toán đề xuất IKMeans. Hai là, thời
gian thực hiện của thuật toán đề xuất IKMeans là nhỏ hơn so với thuật toán CCEAKMeans.
15


Thử nghiệm – ảnh huyện Đà Bắc

Hình 3.1. Biểu đồ so sánh thời gian phân cụm của KMeans và WIKMeans, CCEAKMeans và

WIKMeans.
3.1.7. Đề xuất thuật toán CIKMeans
3.1.7.1. Trình bày thuật toán CIKMeans
Theo mục 3.1.3, với 2D-KMeans, mỗi đối tượng x gồm một cặp 2 vector: vector với các thành
phần cường độ xINT và vector trung vị cục bộ xMED. Như vậy, mỗi tâm C gồm một cặp 2 vector:
vector trung bình cường độ theo cụm: CINT và vector trung bình trung vị theo cụm: CMED.
Để khắc phục hạn chế (3), với CIKMeans (Context Information KMeans), mỗi đối tượng x
gồm một cặp 2 vector: vector với các thành phần cường độ xINT và vector gần trung vị cục bộ xHP.
xHP lấy xMED hoặc bên trái xMED hoặc bên phải xMED tu theo điểm nào gần với điểm trong ảnh đầu
vào nhất. Như vậy, mỗi tâm C gồm một cặp 2 vector: vector trung bình cường độ theo cụm: CINT và
vector trung bình gần trung vị theo cụm: CHP. Kết quả này đã được nghiên cứu sinh công bố trong
[TRU6].
(45)
[ ∑

∑

]

(46)

3.1.7.2. Thử nghiệm
Dữ liệu thử nghiệm như được mô tả trong mục 3.1.6.2..Để đánh giá chất lượng phân cụm,
luận ánsử dụng chỉ số F(I), như được mô tả trong mục 3.1.5. Các kết quả thử nghiệm cho thấy, về
chất lượng phân cụm, độ đồng nhất của các cụm sinh ra bởi thuật toán đề xuất CIKMeans là cao
hơn so với thuật toán 2D-KMeans.
Thử nghiệm – ảnh huyện Đà Bắc
Hình 3.9 thống kê độ đồng nhất các cụm của KMeans, IKMeans, 2D-KMeans, CIKMeans
và WICI-KMeans với số cụm lần lượt là 5, 8, 11, 14 và 17. Trong đó, ICI-KMeans là sự kết hợp
của IKMeans (khởi tạo tâm) và CIKMeans.

16


Hình 3.2.Biểu đồ so sánh chỉ số độ đồng nhất các cụm sinh ra bởi KMeans, WIKMeans, 2DKMeans, CIKMeans và WICI-Kmeans (*1.0e+3).
3.1.8. Đề xuất thuật toán KMeansCMN
3.1.8.1. Trình bày thuật toán KMeansCMN
Với công thức tính tâm như (13), tâm thu được dễ bị ảnh hưởng bởi nhiễu. Chúng ta có thể áp
dụng phép chuẩn hóa trung bình phổ để cho một công thức tính tâm cụm có thể giảm nhiễu. Tuy
nhiên, phép chuẩn hóa này chỉ tốt khi số phần tử là rất lớn. Trong phần này, luận án đề xuất thuật
toán phân cụm KMeansCMN cải tiến cho ảnh viễn thám kích thước lớn [TRU4] và [TRU7]với
công thức tính tâm cụm áp dụng kĩ thuật chuẩn hóa trung bình phổ như sau:
- Nếu số lượng điểm ảnh trong cụm nhỏ hơn hằng số rất lớn Max thì tâm vẫn tính theo công
thức (13) như sau:
∑

(49)

- Nếu số lượng điểm ảnh trong cụm lớn hơn hằng số rất lớn Max thì tâm tính theo công thức
(17) như sau:
(50)
Thủ tục tính tâm cụm CMN(Clusterj) tại vòng lặp thứ n như sau:
Bước 1: Khởi tạo tâm theo công thức
(51)
Bước 2: Với mỗi

tính theo công thức
-

Trong nghiên cứu này, chúng tôi chọn Max = 50000 và

(52)
= 0.95.

3.1.8.2. Thử nghiệm
Tập dữ liệu phục vụ cho thử nghiệm gồm các ảnh LANDSAT, SPOT và Quickbird như được
mô tả trong mục 2.4.6.Để đánh giá chất lượng phân cụm, trong [Int], luận án sử dụng chỉ số F(I)
như trình bày trong mục 3.1.5. Các thử nghiệm so sánh độ đồng nhất tâm cụm và thời gian thực thi
đều cho thấy KMeansCMN tốt hơn KMeans.
17


Thử nghiệm - ảnh SPOT

Hình 3.3. Biểu đồ so sánh chỉ số độ đồng nhất các cụm sinh ra bởi KMeans, KMeansCMN
(*1.0e+3).
Số cụm
5
7
10

Bảng 3.1. Thời gian phân cụm (ms).
KMeans
KMeansCMN
Thời gian (ms)
2,616,938
2,413,791
Số vòng lặp
25
23

Thời gian (ms)
3,663,713
3,379,307
Số vòng lặp
23
22
Thời gian (ms) 11,275,333
8,618,345
Số vòng lặp
30
26

3.2. Phân cụm ảnh viễn thám với thuật toán Fuzzy C-Means
3.2.1. Hạn chế của thuật toán Fuzzy C-Means
Nhược điểm của CM với ảnh viễn thám kích thước lớn được trình bày tại mục 2.4.3 trong
chương II.
3.2.2. Đề xuất thuật toán lsiFCM
3.2.2.1. Trình bày thuật toán lsiFCM
Trong phần này, luận án đề xuất thuật toán phân cụm mờ ảnh viễn thám kích thước lớn mà
chúng tôi tạm gọi là lsi CM (large si e image u y cMeans). Thuật toán được trình bày như sau:
B1: Chia ô
Chúng ta có thể biểu diễn lại ảnh theo khía cạnh tập hợp. Biểu diễn ban đầu của ảnh theo tập
các pixel. Giả sử ảnh có kích thước M x N. Khi đó ta có:
Image = {Pix(i,j): 1 ≤ i ≤ M, 1 ≤ j ≤ N}

(50)

Ảnh gốc được chia thành P x Q ô (p ô theo chiều ngang, q ô theo chiều dọc). Mỗi ô có kích
thước không quá 512 x 512 (Mc x Nc) pixel để đảm bảo thủ tục CM có thể thực thi. Theo chiều
ngang, 2 ô liền kề có phần xếp chồng bằng một nửa kích thước mỗi ô Cell(x,y). Theo chiều dọc,

2 ô liền kề có phần xếp chồng bằng một nửa kích thước mỗi ô. Khi đó, ta có biểu diễn mới của
ảnh như sau:
Image = {Cell(x,y): 1 ≤ x ≤ P, 1 ≤ y ≤ Q}
18

(51)


Trong đó:
Cell(x,y) = {Pix(i,j): 1 ≤ i ≤ Mc, 1 ≤ j ≤ Nc}

(52)

Mc, Nc < 1024
B2: Phân cụm FCM các ô
Tiến hành phân cụm mỗi ô Cell(x,y) với thuật toán CM.Gọi V(x,y,k) là tâm thứ k tại ô
Cell(x,y), ta được c tâm cụm của ô Cell(x,y):
CentersCell(x,y) = {V(x,y,k): 1 ≤ k ≤ c }

(53)

1 ≤ x ≤ P, 1 ≤ y ≤ Q
Tính trọng số mỗi tâm thứ k của ô Cell(x,y) theo công thức:
∑
Trong đó,
Cell(x,y).

∑

(54)

là giá trị hàm thuộc của điểm ảnh

với cụm thứ k trong ô

Sau khi đã phân cụm tất cả các ô, ta được:
 Tập tâm cụm như sau:
CentersImage = {CentersCell(x,y) : 1 ≤ x ≤ P, 1 ≤ y ≤ Q }

(55)

CentersImage = {V(x,y,k): 1 ≤ x ≤ P, 1 ≤ y ≤ Q, 1 ≤ k ≤ c }

(56)

 Tập các trọng số như sau:
WeiImage = {Wei(x,y,k): 1 ≤ x ≤ P, 1 ≤ y ≤ Q, 1 ≤ k ≤ c }

(57)

B3: Phân cụm tập tâm cụm sử dụng FCM
Sau khi thu được tập các tâm cụm của các ô, tiếp tục thực hiện thuật toán phân cụm CM trên
tập các tâm cụm này với hàm mục tiêu và công thức tính tâm hiệu chỉnh như sau:
∑

(58)

∑

Từ đây, ta thu được tập tâm cụm với c tâm cụm cuối cùng.

B4: Tổng hợp
Từ c tâm cụm thu được trong B3, tính lại giá trị hàm thuộc của từng điểm trong ảnh ảnh đầu
vào với mỗi tâm cụm.
3.2.2.2. Thử nghiệm
Luận án tiến hànhthử nghiệm thuật toán đề xuất lsi CM và so sánh với thuật toán gốc CM.
Tập dữ liệu thử nghiệm như được mô tả trong phần 2.4.4. Trong đó, 2 mẫu với kích thước trung
bình mà vẫn có thể thực hiện với CM (trong điều kiện RAM không lớn) để so sánh kết quả của hai
thuật toán. Kích thước mỗi ô không lớn hơn 250 x 250 điểm ảnh.Để đánh giá chất lượng phân cụm,
luận án sử dụng chỉ số độ đồng nhất cụmF(I) và F’(I)[Int]như được trình bày trong mục 3.1.5.Tập
dữ liệu phục vụ cho thử nghiệm được mô tả tại mục 2.4.5.2 trong chương II.Trong thử nghiệm này
chúng tôi chọn máy tính có RAM 1GB. Các mẫu thử nghiệm là ảnh lớn mà với số cụm trong thử
19


nghiệm đủ để CM không thể thực hiện với RAM 1GB. Về mặt chất lượng phân cụm, theo đánh
giá độ đồng nhất từ các bảng và biểu đồ trên, lsi CM vẫn đảm bảo độ ổn định so với CM, thậm
chí có trường hợp tốt hơn CM.
Thử nghiệm - Ảnh gốc là ảnh vệ tinh Quickbird có kích thước 2056 x 2065 (điểm ảnh).

Hình 3.4. Biểu đồ so sánh chỉ số F(I)(*1.0e+3), F’(I)(*1.0e-3) các cụm sinh ra bởi FCM và
lsiFCM.
3.3. Phân lớp ảnh viễn thám
3.3.1. Phân lớp hợp lý tối đa
Luật quyết định như sau:
(64)
Trong đó,
| |

∑

(67)

Hoặc
| |

∑

(68)

Nghĩa là, với thay đổi như trên, luật quyết định được sử dụng trong phân loại hợp lý tối đa;
tham chiếu đến hàm phân biệt (discriminant).
3.3.2. Một số độ đo phân lớp
Để đánh giá một giải thuật máy học một số chỉ số thông dụng được sử dụng. Trong đó có Độ
chính xác (Precision), Độ hồi tưởng (Recall) [IND], Độ đo 1.
(69)
(70)
(71)
Trong đó:TP là số phần tử dương được phân loại dương, FN là số phần tử dương được phân
loại âm, TN là số phần tử âm được phân loại âm, FP là số phần tử âm được phân loại dương.

20


3.3.3. Đề xuất tiếp cận lai cho phân lớp ảnh viễn thám
3.3.2.1. Trình bày tiếp cận lai cho phân lớp ảnh viễn thám
Trong nghiên cứu này, luận án đề xuất một tiếp cận phân loại ảnh với sự kết hợp cả hai tiếp
cận trên mà chúng tôi tạm gọi là tiếp cận lai. Đầu tiên, ảnh gốc được tiến hành phân vùng. Thay vì
trích chọn đặc trưng đối tượng như trong tiếp cận hướng đối tượng, các vùng sẽ được đưa vào bộ
phân loại lai để cho quyết định phân lớp cuối cùng.
Thuật toán gồm các bước như sau:

B1: Phân vùng ảnh (Unsupervised Segmentation)
B2: Phân lớp lai
Sau khi phân cụm ảnh gốc I ta được tập O cụm-đối tượng như sau:
{
Trong đó,



}

(72)

= ; i j, i,j = 1,2,.., K; o1 o2 … oK = I.

Luận án xây dựng hàm phân biệt cho mỗi cụm như sau:
∑

(73)

Từ đâyluận án đề xuất luật quyết định lớp cho mỗi cụm như sau:
(74)
Như vậy, thuật toán cải tiến theo tiếp cận lai thì chỉ xây dựng hàm phân biệt và tính giá trị
hàm này cho mỗi cụm (hay cụm).
3.3.2.2. Thử nghiệm và đánh giá
Kết quả thử nghiệm có sự so sánh giữa thuật toán phân loại theo phương pháp phân loại hợp
lý tối đa (thuật toán gốc), được cài đặt trong phần mềm Grass, và thuật toán dựa trên tiếp cận lai
(thuật toán cải tiến).Để đánh giá độ chính xác phân lớp đối với mỗi lớp, luận án sử dụng chỉ số
Precision.Tập dữ liệu phục vụ cho thử nghiệm gồm các ảnh như được mô tả trong mục 2.4.5.2 trong
chương II.
Thử nghiệm đại diện

Mẫu thứ nhất là ảnh SPOT. Thực hiện việc phân loại ảnh đầu vào với 3 lớp: đất (màu nâu
trong ảnh kết quả), nước (màu vàng trong ảnh kết quả), rừng (màu xanh lam trong ảnh kết quả). Kết
quả phân lớp được thể hiện trong hình 3.33. Từ kết quả trong hình 3.33, quan sát vùng được khoanh
tròn trên ảnh, vùng rừng có xen lẫn đất với tính hỗn tạp rất cao. Tuy nhiên, thuật toán gốc không
phản ánh rõ sự đan xen này mà quy về một lớp. Trong khi thuật toán cải tiến phân biệt rất rõ.

21


Hình 3. 5. Ảnh đầu vào, kết phân loại thuật toán gốc và cải tiến.
Bảng 3.14 thống kê độ chính xác Precision của thuật toán Maximum Likehood và thuật toán
theo tiếp cận lai.
Bảng 3.2.So sánh độ chính xác.
Lớp
Đất
Rừng
Nước

MLK
Lai
95%
98%
99.8% 99.9%
97%
98%

3.4. Kết luận chương III
Chương III dược chia thành ba phần chính.Trong phần đầu tiên, chương IIIcó nghiên cứu và
cải tiến liên quan đến thuật toán KMeans.Thứ nhất, trình thuật toán phân cụm toán kinh điển
KMeans. Tiếp theo là hai cải tiến gần đây CCEA_KMeans và 2D-KMeans về tốc độ thực thi và

chất lượng phân cụm. Luận án cũng phân tích hạn chế của thuật toán KMeans. Từ đó, luận án đề
xuất cải tiến thuật toán KMeans nhằm khắc phục những hạn chế nói trên. Các đề xuất bao gồm các
thuật toán: iKMeans, CIKMeans và KMeansCMN. Trong đó, thuật toán iKMeans để khởi tạo
tập tâm tốt và hỗ trợ tăng tốc độ phân vùng ảnh viễn thám.Các kết quả thử nghiệm cho thấy
wiKMeans cho tốc độ tốt hơn rất nhiều KMeans và tốt hơn CCEA_KMeans (một cải tiến gần đây
của KMeans về mặt tốc độ thực thi).Thuật toán CIKMeans để phân cụm với thông tin ngữ cảnh
kèm theo cho mỗi điểm ảnh.Các kết quả thử nghiệm cho thấy CIKMeans cho chất lượng phân cụm
tốt hơn so với KMeans và 2D-Kmeans (một cải tiến gần đây của KMeans về mặt chất lượng phân
cụm).Thuật toán KMeansCMN với mục tiêu áp dụng phương thức chuẩn hóa trung bình phổ để tính
tâm cụm cho việc phân vùng ảnh viễn thám kích thước lớn. Các kết quả thử nghiệm cho thấy
KMeansCMN phân cụm tốt với ảnh viễn thám kích thước lớn. Ngoài ra, tốc độ phân cụm của
KMeansCMN là tốt hơn so với KMeans thông thường. Hiện tại, thủ tục tính tâm theo CMN vẫn sử
dụng nhiều tính toán với số thưc nên tốc độ chậm. Trong nghiên cứu tiếp theo, nhóm tác giả dự kiến
sử dụng phương pháp tính toán chấm tĩnh để tăng cường tốc độ thủ tục này để tăng tốc độ phân
cụm.
Trong phần thứ hai, chương III có nghiên cứu và cải tiến liên quan đến thuật toán phân cụm
mờ. Trước tiên, phần này cũng trình bày thuật toán phân cụm CM và phân tích hạn chế của nó.
Tiếp đó, chương III đề xuất một thuật toán phân vùng mới lsi CM cho ảnh viễn thám. Các kết quả
thử nghiệm chứng tỏ lsi CM cho kết quả phân vùng tốt, vẫn đạt độ ổn định so với CM.Tuy nhiên,
22


do việc thực hiện thuật toán CM với rất nhiều ô, tốc độ thực thi của lsiFCM còn chậm hơn so với
FCM.
Trong phần thứ ba, chương III khảo sát về kĩ thuật phân lớp có giám sát hợp lý tối đa được
dùng phổ biến trong phân lớp ảnh viễn thám đa phổ. Tiếp đó, chương III đề xuất một tiếp cận phân
lớp lai với sự kết hợp cả hai tiếp cân hướng điểm ảnh và hướng đối tượng,được cải tiến từ kĩ thuật
phân lớp có giám sát hợp lý tối đa nhưng được sử dụng không phải để phân lớp từng điểm ảnh mà
phân lớp các cụm-đối tượng. Các kết quả thử nghiệm cho thấy kết quả phân lớp của thuật toán dựa
trên tiếp cận đề xuất cho độ chính xác cao hơn so với thuật toán của phương pháp hợp lý tối đa.

KẾT LUẬN
Luận án đã khảo sát tổng quan về vấn đề giải đoán ảnh viễn thám đa phổ và tình hình nghiên
cứu trong và ngoài nướctrong lĩnh vực này. Từ đó, luận án đã phân tích, đánh giá những thành công
cũng như một số điểm còn hạn chếcủa các công trình nghiên cứu đã có về tăng cường và phân lớp
ảnh viễn thám đa phổ. Dựa theo những phân tích này, luận án thực hiện cải tiến các giai đoạn tăng
cường và phân lớp ảnh viễn thám đa phổ.
Kết quả đạt được của luận ánbao gồm:
(1) Giai đoạn tăng cường:


Đề xuất kĩ thuật tăng cường độ tương phản ảnh viễn thám đa phổ mới dựa trên tiếp cận
cục bộ theo cụm với hai thuật toán tăng cường sử dụng các thuật toán phân cụm CM
và KMeans.



Đề xuất thêm hai thuật toán tăng cường ảnh viễn thám kích lớn dựa trên việc cải tiến
thuật toán phân cụm mờ và sử dụng kĩ thuật avelet.

Các kết quả trên đã được nghiên cứu sinh công bố trong [TRU1], [TRU2] và [TRU9].
(2) Giai đoạn phân lớp ảnh:
 Đề xuất thuật toán IKMeans và CIKMeansđể tăng cường tốc độ thực thi và chất
lượng phân cụm của thuật toán phân cụm KMeans,. Trong đó, IKMeans (Wavelet
Inited KMeans) với sự hỗ trợ của phép biến đổi avelet để tăng tốc độ thực thi của
KMeans thông qua một khởi tạo tâm cụm tốt. CIKMeans (Context Information
KMeans) để khôi phục thông tin ngữ cảnh cho thuật toán.Kết quả này đã được nghiên
cứu sinh công bố trong [TRU3], [TRU6], [TRU8].
 Đề xuất thuật toán KMeansCMN với sử dụng phép chuẩn hoá CMN (Cepstral Mean
Normalisation) được sử dụng trong công thức tính tâm cụm mới. Kết quả này đã được
nghiên cứu sinh công bố trong [TRU4] và [TRU7]. Ngoài ra, luận án đề xuất thuật toán

phân cụm ảnh viễn thám kích thước lớn được cải tiến từ thuật toán phân cụm mờ. Kết
quả này đã được nghiên cứu sinh công bố trong [TRU5].
 Đề xuất một kĩ thuậtphân lớp có giám sát lai với sự kết hợp cả hai hướng tiếp cận để
đưa ra một thuật toán phân lớp ảnh viễn thám hiệu quả hơn mà chúng tôi tạm gọi là
23


phương pháp tựa đối tượng. Kết quả này đã được nghiên cứu sinh công bố trong
[TRU7].
Trong các kết quả trên của luận án, các đóng góp quan trọng là các đề xuất tăng cường và
phân cụm ảnh viễn thám. Tuy nhiên, các kết quả của luận án vẫn cần được tiếp tục nghiên cứu,
hoàn thiện để có thể triển khai ứng dụng thực tế. Do đó, hướng nghiên cứu tiếp theo của luận án có
thể là:
 Nghiên cứu giải pháp tăng tốc độ thuật toán phân cụm mờ để tăng tốc độ thực thi cho thuật
toán LoRSIE_FCM và LaRSIE_FCM.
 Nghiên cứu đề xuất toán tử tăng cường ảnh mới, chẳng hạn, có thể áp dụng đại số gia tử.
 Hướng tới việc song song hóa giai đoạn phân cụm các ô của ảnh để tăng tốc độ thực thi
của thuật toán lsiFCM.
 Tập trung nghiên cứuvào giai đoạn phân lớp có giám sát để đưa ra thêm những cải tiến cho
tiếp cận phân lớp lai nói riêng cũng như phân lớp ảnh viễn thám nói chung. Đồng thời, tiếp
tục nghiên cứu, so sánh, đánh giá sâu hơn với hai tiếp cận hướng điểm ảnh và hướng đối
tượng trong xử lý ảnh viễn thám.

24


DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ CỦA NGHIÊN CỨU SINH
[TRU1]

[TRU2]

[TRU3]

[TRU4]

[TRU5]

[TRU6]

[TRU7]

[TRU8]

[TRU9]

Trung Nguyen Tu, Huy Ngo Hoang, Thoa Vu Van (2015), Using fuzzy logic to
enhance the large size remote sensing images, International Journal of Information
and Electronics Engineering, Vol.5, No.6, pp. 464-468.
Nguyễn Tu Trung, Vũ Văn Thoả, Đặng Văn Đức (2015), Một phương pháp tăng
cường độ tương phản ảnh viễn thám dựa trên tiếp cận cục bộ, Chuyên san các công
trình nghiên cứu, Tạp chí Công nghệ thông tin và Truyền thông, Bộ Thông tin và
Truyền thông, Tập V-2, số 14 (34), T. 83-97.
Trung Nguyen Tu, Huy Ngo Hoang, Duc Dang Van, Thoa Vu Van, An Dang Duy
(2016), A improvement of KMeans algorithm using wavelet technique to increase
speed of clustering remote sensing images, International Journal of Computer and
Electrical Engineering, Vol. 8, No. 2, pp. 177-184.
Nguyễn Tu Trung, Ngô Hoàng Huy (2015), Một chứng minh hình thức cho phép bù
trừ phổ CMN của tín hiệu số và ứng dụng trong phân vùng ảnh viễn thám, Tạp chí
Khoa học, Đại học sư phạm Hà Nội, Vol. 60, No. 7A, T. 137-144.
Nguyễn Tu Trung, Vũ Văn Thỏa, Đặng Văn Đức (2016), Phân vùng ảnh viễn thám

kích thước lớn dựa trên phân cụm mờ, Tạp chí Khoa học Công nghệ Thông tin và
Truyền thông, Học Viện Công nghệ Bưu chính Viễn thông, Tập 1, Số 1 năm 2016,
T. 45-51.
Nguyễn Tu Trung, Đặng Văn Đức, Vũ Văn Thỏa (2016), Một số cải tiến kĩ thuật
phân cụm cho ảnh viễn thám, Chuyên san các công trình nghiên cứu, Tạp chí Công
nghệ thông tin và Truyền thông, Bộ Thông tin và Truyền thông, Tập V-2, số 16 (36),
T. 14-26.
Nguyễn Tu Trung, Ngô Hoàng Huy, Đặng Văn Đức, Vũ Văn Thỏa, Lại Anh Khôi
(2016), Một kĩ thuật phân lớp ảnh viễn thám sử dụng tiếp cận lai, Tạp chí Khoa học
Công nghệ Thông tin và Truyền thông, Học Viện Công nghệ Bưu chính Viễn thông,
Tập 1, Số 2 năm 2016, T. 50-58.
Nguyễn Tu Trung, Ngô Hoàng Huy, Vũ Văn Thoả, Đặng Văn Đức (2015), Một cải
tiến thuật toán KMeans cho việc phân vùng ảnh viễn thám, Hội thảo “Nghiên cứu cơ
bản và ứng dụng Công nghệ thông tin” (FAIR), Hà Nội, T. 370-375.
Trung Nguyen Tu, Duc Dang Van, Huy Ngo Hoang, Thoa Vu Van, A method to
enhance there mote sensing images based on the local approach using Kmeans
algorithm, International Conference on Advances in Information and
Communication Technology, ICTA 2016, pp. 41-52.

25