Nghiên cứu thuật toán xử lý ảnh siêu phổ hyperspectral
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (5.6 MB, 116 trang )
ĐẠI HỌC QUỐC GIA TP. HCM
TRƯỜNG ĐẠI HỌC BÁCH KHOA
--------------------
PHAN VIẾT THẢO
NGHIÊN CỨU THUẬT TOÁN XỬ LÝ ẢNH
SIÊU PHỔ HYPERSPECTRAL
Chuyên ngành: Kỹ thuật Điện tử
Mã số: 60 52 70
LUẬN VĂN THẠC SĨ
TP. HỒ CHÍ MINH, tháng 1 năm 2016
CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI
TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐHQG – HCM
Cán bộ hướng dẫn khoa học: ___PGS.TS. LÊ TIẾN THƯỜNG___
Cán bộ chấm nhận xét 1:
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………
Cán bộ chấm nhận xét 2:
………………………………………………………………………………………………
………………………………………………………………………………………………
………………………………………………………………………………………………
…………………………………………………………………………………………
Luận văn thạc sỹ được bảo vệ tại Trường Đại học Bách khoa, ĐHQG
Tp. HCM Ngày 12 tháng 01 năm 2016
Thành phần Hội đồng đánh giá luận văn thạc sỹ gồm:
1. TS. Đỗ Hồng Tuấn
–
Chủ tịch hội đồng
2. PGS. TS. Hồng Đình Chiến
–
Ủy viên
3. TS. Mai Linh
–
Phản biện 1
4. TS. Lê Quang Định
–
Phản biện 2
5. TS. Trịnh Xuân Dũng
–
Thư ký
Xác nhận của Chủ tịch Hội đồng đánh giá luận văn và Trưởng khoa
CHỦ TỊCH HỘI ĐỒNG
TRƯỞNG KHOA ĐIỆN – ĐIỆN TỬ
ĐẠI HỌC QUỐC GIA TP.HCM
CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
TRƯỜNG ĐẠI HỌC BÁCH KHOA
Độc lập – Tự do – Hạnh phúc
_________________________________________________________________________________________________________________
______________________________________________________________________________________________________________________________________
NHIỆM VỤ LUẬN VĂN THẠC SỸ
Họ và tên học viên:
PHAN VIẾT THẢO
MSHV:
12140044
Ngày, Tháng, năm sinh:
04/12/1983
Nơi sinh:
Hà Tĩnh
Chuyên ngành:
Kỹ thuật Điện tử
Mã ngành:
605270
I. Tên Đề Tài: Nghiên Cứu Thuật Toán Xử Lý Ảnh Siêu Phổ Hyperspectral.
II. Nhiệm vụ và nội dung luận văn
1. Trình bày tổng quan lý thuyết về các thuật tốn sử dụng trong q trình nghiên
cứu luận văn.
2. Thực nghiệm trên hai tập dữ liệu ảnh FLC và ảnh Urban bằng phần mềm Matlab
với hai phương pháp là DBFE và PCA trong nhiều trường hợp khác nhau
3. Nhận xét, đánh giá kết quả, đưa ra kết luận và nêu rõ các đóng góp của luận văn.
4. Viết bài báo nộp tạp chí Phát triển Khoa học và Công nghệ - ĐHQG – HCM
III. Ngày giao nhiệm vụ:
19/01/2015
IV. Ngày hoàn thành nhiệm vụ:
14/12/2015
V. Cán bộ hướng dẫn:
PGS. TS. LÊ TIẾN THƯỜNG
Tp. HCM, Ngày 12 tháng 01 năm 2016
CÁN BỘ HƯỚNG DẪN
CHỦ NHIỆM BỘ MÔN
TRƯỞNG KHOA
LỜI CẢM ƠN
Trước tiên tơi xin cảm ơn gia đình tôi, đặc biệt là ba mẹ tôi,
những người đã sinh ra và ni nấng tơi để tơi có được thành quả như
ngày hôm nay.
Tiếp theo tôi xin gởi lời cảm ơn chân thành đến Thầy PGS.TS.
Lê Tiến Thường, Bộ môn viễn thông, Khoa Điện – điện tử, trường
Đại học bách khoa Tp.HCM, là giảng viên trực tiếp hướng dẫn tôi
thực hiện luận văn này. Với những kinh nghiệm và sự hiểu biết, Thầy
đã tận tình chỉ dẫn giúp đỡ và đáp các thắc mắc của tơi trong suốt q
trình thực hiện luận văn của tôi.
Cuối cùng tôi xin gởi lời cảm ơn sâu sắc đến các thầy cô giảng
dạy các bộ môn trường Đại học bách khoa Tp.HCM những người đã
truyền đạt cho tôi nguồn tri thức quý báu. Xin cảm các bạn bè đã luôn
bên tôi trong suốt quá trình học tập tại trường.
TĨM TẮT NỘI DUNG THỰC HIỆN
Dữ liệu hình ảnh siêu phổ Hyperspctral là một nguồn tài nguyên
quý giá cho các nhà nghiên cứu ứng dụng trong rất nhiều lĩnh vực khoa
học thực tiễn. Phân tích và xử lý dữ liệu của hình ảnh Hyperspectral có
thể được chia thành bốn chủ đề chính: Phân lớp đối tượng
(Classtification), Dị tìm mục tiêu (Detection Target), Phân tách hỗn hợp
(Unmixing), và Cảm biến nén (Compressive Sensing). Luận văn này trình
bày tổng quan về các vấn đề lý luận và thực tiễn gắn liền với sự phát
triển, phân tích và áp dụng các thuật tốn cho bài toán phân lớp đối tượng
để khai thác dữ liệu hình ảnh hyperspectral. Trước tiên là mơ tả cấu trúc
cơ bản của dữ liệu hình ảnh hyperspectral và giải thích dữ liệu này ảnh
hưởng đến các mơ hình tín hiệu sử dụng cho lý thuyết phân tích các thuật
tốn. Tiếp theo là thảo luận về phương pháp sử dụng thuật toán cho bài
toán phân lớp, các số liệu cần thiết cho việc đánh giá các thuật toán và
phân loại được trình bày một cách có hệ thống. Có rất nhiều thuật tốn có
thể sử dụng cho việc phân lớp đối tượng chẳng hạn như: thuật toán PCA
(Principle Component Analysis), thuật toán DBFE (Decision Boundaray
Feature Extraction), thuật toán DAFE (Discriminant Analysis Feature
Extraction)…Trong luận văn này, lý thuyết về các thuật tốn PCA và
DBFE sẽ được trình bày một cách rõ ràng, đặc biệt trong phần thực
nghiệm ngoài việc tiến hành trên ảnh FLC (khu ngồi đơ thị) luận văn
cịn tiến hành thực nghiệm thêm trên ảnh Urban (khu đô thị). Bên cạnh đó
đối với từng phương pháp phần thực nghiệm được tiến hành trong nhiều
trường hợp với các thông số khác nhau nhằm đưa ra kết quả một cách
khách quan nhất. Từ các kết quả này đưa ra các nhận xét, đánh giá trong
việc so sánh hiệu quả của các phương pháp PCA và DBFE.
LỜI CAM ĐOAN
Tôi xin cam đoan luận văn này là cơng trình nghiên
cứu riêng của tơi.
Ngoại trừ những kết quả và số liệu trong các tài liệu
tham khảo được đánh số trong ngoặc vuông [.]. Các số liệu
và kết quả trong phần thực nghiệm đưa ra trong luận văn
này là trung thực và chưa từng được ai công bố trong bất kỳ
các cơng trình nào khác.
Học viên thực hiện
Phan Viết Thảo
MỤC LỤC
TÓM TẮT NỘI DUNG THỰC HIỆN
TỔNG QUAN ĐỀ TÀI NGHIÊN CỨU……………………………………………… .... 3
1. Giới thiệu chung …………………………………………………… .................... 3
1.1. Nhận dạng đối tượng bằng dữ liệu ảnh siêu phổ .......................................... 4
1.2. Phân loại các ứng dụng phân tích dữ liệu đa phổ .......................................... 5
2. Lý do chọn đề tài……………………………………………………………… .... 6
3. Nội dung luận văn…………………………………………………………… ...... 7
4. Đóng góp của luận văn………………………………………………………....... 8
CHƯƠNG 1: TỔNG QUAN HÌNH ẢNH HYPERSPECTRAL……………………. .... 9
1.1. Quá trình thu nhận và xử lý hình ảnh quang phổ…………………………….. .. 9
1.2. Cơ sở của ảnh quang phổ và cảm biến hình ảnh Hyperspectral……………. ..... 10
1.2.1. Cơ sở của ảnh quang phổ…………………………………………... .......... 10
1.2.2. Cảm biến hình ảnh Hyperspectral………………………………….. .......... 11
1.2.3. Phân biệt Hyperspectral từ hình ảnh quang phổ ………………….. ........... 12
1.3. Các dạng không gian ảnh…. ………………………………………………… .. 12
1.3.1. Không gian ảnh…………………………………………………… ............ 12
1.3.2. Không gian phổ…………………………………………………… ............ 12
1.3.3. Không gian đặc trưng…..………………………………………….. ........... 14
1.4. Thuật tốn phân tích hình ảnh Hyperspectral……………………………… ..... 15
1.4.1. Thuật tốn sử dụng hàm phân biệt………………………………… ........... 15
1.4.2. Thuật toán sử dụng mô tả thống kê….. ………………………….. ............. 16
1.5. Một vài phương pháp trích rút đặc trưng…………………………............ ........ 17
1.5.1. Phương pháp trích rút đặc trưng phân biệt………………………. .............. 18
1.5.2. Phương pháp trích rút đặc trưng đường biên quyết định……… .................. 18
1.6. Giải thuật cho bài tốn trích rút thơng tin………………………………... ........ 19
CHƯƠNG 2: PHƯƠNG PHÁP PHÂN TÍCH THÀNH PHẦN CƠ BẢN………... ...... 20
2.1. Nguồn gốc của PCA………………………………………………………. ....... 20
2.2. Các thành phần cơ bản được xác định từ các biến chuẩn hóa. …………… ....... 23
2.3. Ước lượng các thành phần cơ bản……………………………………….... ....... 24
2.4. Một vài tính chất mẫu lớn của các giá trị riêng và vectơ riêng ước
lượng………… ........................................................................................................... 26
2.5. Phương pháp Karhunen Loeve cho xử lý ảnh……………………. ………. ...... 27
2.6. Kết quả thực nghiệm……………………………………………… ................... 30
2.7. Kết luận…………………………………………………………… ………... ... 33
CHƯƠNG 3: PHƯƠNG PHÁP TRÍCH RÚT ĐẶC TRƯNG ĐƯỜNG BIÊN
QUYẾT ĐỊNH...................................................................................................................... 35
3.1. Nguyên lý cơ bản…………………………………………………………… .... 35
3.2. Trích rút đặc trưng và khơng gian phụ……………………………………… .... 37
3.2.1. Trích rút đặc trưng và khơng gian phụ…………………………… ............. 37
3.2.2. Luật Bayes cho xác suất lỗi nhỏ nhất……………………………… ........... 37
3.3. Các định nghĩa……………………………………………………………… ..... 38
3.3.1. Đặc trưng dư thừa phân biệt………………………………………............. 38
3.3.2. Đặc trưng thông tin phân biệt……………………………………… .......... 39
3.3.3. Các đường biên quyết định và các đường biên quyết định hiệu quả ........... 39
3.3.4. Chiều phân biệt thực tế…………………………………………… ............ 40
3.4. Phương pháp trích rút đặc trưng dựa vào đường biên quyết định………… ...... 41
3.4.1. Lý thuyết kiểm tra sự dư thừa. …………………………………… ............ 41
3.4.2. Ma trận đặc trưng đường biên quyết định .................................................... 41
3.4.3. Các đặc tính của ma trận đặc trưng quyết định đường biên……… ............. 44
3.4.4. Xác định chiều phân biệt thực tế, các vectơ đặc trưng bằng ma trận đặc
trưng đường biên quyết định……………………………………… ...................... 45
CHƯƠNG 4: PHƯƠNG PHÁP TRÍCH RÚT ĐẶC TRƯNG ĐƯỜNG BIÊN
QUYẾT ĐỊNH CHO MƠ HÌNH PHÂN LỚP KHÔNG THÔNG SỐ………….. .... 46
4.1. Giới thiệu chung……………………………… .................................................. 46
4.2. Phương pháp trích rút đặc trưng đường biên quyết định cho mơ hình phân lớp
khơng thơng số………………………………………………. .................................. 47
4.2.1. Đường biên quyết định hiệu quả trong sự phân lớp không thông số .......... 47
4.2.2. Sự ước lượng mật độ Parzen và sự lựa chọn cỡ Kernel……………. .......... 48
4.2.3. Xác định đường biên quyết định và tìm vectơ chuẩn để giải quyết đường
biên cho sự phân lớp không thông số…………………………… ......................... 49
4.3. Trích rút đặc trưng đường biên quyết định và sự hạn định vấn đề…………… . 51
4.4. Thực nghiệm và kết quả………………………………………………. ............ 52
4.4.1. Thực nghiệm với dữ liệu phát sinh………………………………… .......... 52
4.4.2. Thực nghiệm với dữ liệu thực……………………………………… .......... 55
4.5. Kết luận. ………………………………………………. .................................... 58
CHƯƠNG 5: ƯỚC LƯỢNG COVARIANCE. ……………………………………….... 60
5.1. Giới thiệu chung…………………………………………… .............................. 60
5.2. Các nghiên cứu trước đây…………………………………................................ 61
5.2.1. Regularized discriminant analysis (RDA). ……………………… ............. 61
5.2.2. Ước lượng ma trận covariance khác. …………………………… .............. 61
5.3 Ước lượng covariance mẫu .................................................................................. 61
5.3.1. Các dạng ước lượng đề nghị. ………………………….. ............................ 62
5.3.2. Lựa chọn sự pha trộn thích hợp.................................................................... 63
5.3.3. Thực thi hiệu quả của hỗn hợp covariance mẫu covariance chung ........... 64
5.3.4. Xấp xỉ đối với trường hợp sử dụng bộ trộn covariance mẫu-covariance
mẫu chéo hóa. …………………….. ...................................................................... 66
5.3.5 Xấp xỉ trong trường hợp sử dụng bộ trộn covariance chung–covariance
chung chéo hóa. ………………………………………. ........................................ 67
5.4. Các thí nghiệm ..................................................................................................... 68
5.4.1. Kết quả thí nghiệm với dữ liệu được tạo ra bằng máy tính .......................... 68
5.4.2. Thí nghiệm với dữ liệu thật AVIRIS............................................................ 71
5.4.3. Thảo luận ...................................................................................................... 74
5.5. Sử dụng LOOC với thuật tốn trích rút đặc trưng.............................................. 74
5.6. Kết luận ............................................................................................................... 75
CHƯƠNG 6: THỰC NGHIỆM VỚI DỮ LIỆU ẢNH THỰC ........................................ 76
6.1. Lưu đồ giải thuật bài toán phân lớp..................................................................... 76
6.2. Thực nghiệm với ảnh thực FLC .......................................................................... 79
6.3. Thực nghiệm với ảnh thực Urban........................................................................ 86
CHƯƠNG 7: ỨNG DỤNG KỸ THUẬT ẢNH HYPERSPECTRAL ............................. 91
7.1. Khai thác và phát hiện sự cố tràn dầu trên biển .................................................. 91
7.2. Giám sát môi trường ............................................................................................ 91
7.3. Công nghiệp thực phẩm....................................................................................... 92
7.4. Nông nghiệp ........................................................................................................ 92
7.5 Giám sát, an ninh và lĩnh vực quân sự, quốc phòng ............................................ 92
7.6. Lĩnh vực Vật lý .................................................................................................... 93
7.7. Thiên văn học và khí tượng ................................................................................. 94
7.8. Y tế, sinh học và sức khỏe cộng đồng ................................................................. 94
7.9. Một số ứng dụng khác ......................................................................................... 94
CHƯƠNG 8: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI .................................. 96
8.1. Kết Luận .............................................................................................................. 96
8.2. Giới hạn của luận văn .......................................................................................... 97
8.3. Hướng phát triển của luận văn ............................................................................ 97
TÀI LIỆU THAM KHẢO
PHỤ LỤC
Bài báo nộp tạp chí Phát triển Khoa học và Cơng nghệ - ĐHQG - HCM
DANH MỤC CÁC TỪ VIẾT TẮT
STT
1
2
3
4
5
6
7
8
9
10
11
12
13
14
TỪ VIẾT TẮT
PCA
DAFE
DBFE
FSS
HSI
AVIRIS
ML
LOOC
BLOOC
RDA
NWFE
EM
DBFM
KL
TỪ ĐẦY ĐỦ
Principal component Analysis
Discriminant Analysis Feature Extraction
Decision Boundaray Feature Extraction
Field Spectrometer System
Hyperspectral System Image
Airborne Visible/Infrared Imaging Spectrometer
Maximum likelihood
Leave-One-Out Covariance
Bayesian Leave-One-Out Covariance
Regularzed Discriminant Analysis
Nonparametric Weighted Feature Extraction
Expectation Maximization
Decision Boundaray Feature Matric
Karuhunen Loeve
DANH MỤC HÌNH ẢNH
STT
1
HÌNH SỐ
Hình 1.1
CHÚ THÍCH
Hệ thống vệ tinh thu nhận hình ảnh.
2
Hình 1.2
Q trình phân tích và xử lý dữ liệu.
3
Hình 1.3
Ảnh siêu phổ
4
Hình 1.4
Dải phổ điện từ
5
Hình 1.5
Sự phản xạ của các loại vật liệu khác nhau với các dải tần
khác nhau
6
Hình 1.6
Ý tưởng về xây dựng ảnh siêu phổ. Đo hình ảnh với nhiều dải
tần khác nhau, tổng hợp lại ta có một phổ đầy đủ trong một
pixel ảnh.
7
Hình 1.7
Các bước xây dựng ảnh Hyperspectral
8
Hình 1.8
Khơng gian đặc trưng ảnh với hai bước sóng
9
Hình 1.9
Giải thuật trích rút đặc trưng cho tập dữ liệu Hyperspectral.
10
Hình 2.1
Dạng phân bố của lớp 1 và lớp 2.
11
Hình 2.1
Dạng phân bố của lớp 1 và lớp 2 trong ví dụ 2.2.
12
Hình 2.3
Dạng phân bố của lớp 1 và lớp 2
13
Hình 3.1
Một ví dụ của đặc trưng phân biệt dư thừa
14
Hình 3.2
Một ví dụ của đặc trưng thơng tin hữu ích
15
Hình 3.3
Đường biên quyết định là đường thẳng và đường biên quyết
định hiệu quả là một phần của đường thẳng đó
16
Hình 3.4
Đường biên quyết định là đường elip và đường biên quyết định
hiệu quả là một phần của đường elip đó.
17
Hình 3.5
Ví dụ chiều phân biệt thực tế là một mặc dù chiều khơng gian
gốc là hai
18
Hình 3.6
19
Hình 3.7
1
2 và
đường biên quyết định là đường thẳng
Ma trận đặc trưng đường biên quyết định trong trường hợp
các giá trị trung bình bằng nhau, các ma trận covariance khác
nhau.
20
Hình 3.8
Ma trận đường biên quyết định có thể được tính từ các phần
nhỏ S1 và S2
21
Hình 3.9
Ma trận đặc trưng đường biên quyết định trong trường hợp đa
lớp
22
Hình 4.1
Đường biên quyết định hiệu quả cho mơ hình phân lớp khơng
thơng số.
23
Hình 4.2
Khảo sát giá trị h bằng thực nghiệm
24
Hình 4.3
Phương pháp tìm đường biên quyết định cho sự phân lớp với
mơ hình khơng thơng số
25
Hình 4.4
Tìm đường biên quyết định.
26
Hình 4.5
Đường biên quyết định và đường biên quyết định hiệu quả
27
Hình 4.6
Đường biên quyết định hiệu quả và đường biên quyết định mới
đưa ra bởi đường biên quyết định hiệu quả.
28
Hình 4.7
Phân bố dữ liệu và đường biên quyết định trong ví dụ 4.1
29
Hình 4.8
Phân bố dữ liệu và đường biên quyết định
30
Hình 4.9
Đồ thị trung bình của bốn lớp.
31
Hình 4.10
Kết quả thực hiện của các phương pháp.
32
Hình 4.11
Đồ thị trung bình của 6 lớp con trong bảng.
33
Hình 4.12
Đồ thị trung bình của 3 lớp trong bảng 4.5
34
Hình 4.13
Kết quả thực hiện của các phương pháp trong ví dụ 4.3.
35
Hình 5.1
Hiệu suất phân lớp trung bình của thí nghiệm 5.1
36
Hình 5.2
suất phân lớp trung bình của thí nghiệm 5.2
37
Hình 5.3
Hiệu suất phân lớp trung bình của Cuprite Site
38
Hình 5.4
Hiệu suất phân lớp trung bình của ảnh Indian Pine Site
39
Hình 6.1
Lưu đồ tổng qt phân tích hình ảnh Hyperspectral
40
41
42
43
Hình 6.2
Hình 6.3
Hình 7.1
Hình 7.2
Lưu đồ rút giảm đặc trưng dùng phương pháp PCA.
Lưu đồ giải thuật rút giảm đặc trưng dùng DBFE.
Biểu đồ phổ hồng ngoại trên các đối tượng
Sử dụng HSI để đánh giá độ tươi của cá
44
Hình 7.3
Cam qt là một loại trái cây đó có u cầu phát hiện bệnh
sớm
45
Hình 7.4
HSI sử dụng để dự đoán sự phân bố hàm lượng đường trong
dưa hấu
DANH MỤC BẢNG
STT
1
BẢNG SỐ
Bảng I
2
Bảng 2.1
CHÚ THÍCH
Qui trình xác định các thành phần cơ bản
Độ chính xác phân lớp của phương pháp trích rút đặc trưng
đường biên quyết định và phương pháp PCA trong ví dụ 2.1
3
Bảng 2.2
Độ chính xác trong phân loại của phương pháp trích rút đặc
trưng đường biên quyết định và phương pháp PCA trong ví dụ
2.2
4
Bảng 2.3
Độ chính xác trong phân loại của phương pháp trích rút đặc
trưng đường biên quyết định và phương pháp PCA trong ví dụ
2.3
5
Bảng 4.1
Sự phân lớp chính xác của Decision Boundary Feature
Extraction và Discriminant Analysis trong ví dụ 4.1
6
Bảng 4.2
Sự phân lớp chính xác của Gaussion và PCA
7
Bảng 4.3
Thơng số của Field Spectrometer System
8
Bảng 4.4
Mơ tả lớp ví dụ 4.3
9
Bảng 4.5
Mơ tả lớp trong ví dụ 4.3
10
Bảng 5.1
Hiệu suất phân lớp và giá trị trộn của thí nghiệm 5.1
11
Bảng 5.2
Hiệu suất phân lớp và giá trị trộn của thí nghiệm 5.2
12
Bảng 5.3
Hiệu suất phân lớp trung bình và giá trị trộn của Cuprite Site
13
Bảng 5.4
Hiệu suất phân lớp trung bình của ảnh Indian Pine Site
Luận văn thạc sỹ
Thầy HD: PGS.TS. Lê Tiến Thường
TỔNG QUAN ĐỀ TÀI NGHIÊN CỨU
1. Giới thiệu chung.
2. Lý do chọn đề tài.
3. Nội dung luận văn.
4. Đóng góp của luận văn.
1. GIỚI THIỆU CHUNG.
Với sự phát triển mạnh của máy tính số và kỹ thuật nhận dạng mẫu vật thể, đã tạo
tiền đề khởi đầu cho kỹ nguyên không gian. Sự phát triển song song của ba lĩnh vực
vệ tinh viễn thám, kỹ thuật nhận dạng mẫu và máy tính số đã làm nảy sinh ý tưởng là
làm thế nào để có thể thu thập được các thơng tin hữu ích về một đối tượng nào đó
trên mặt đất bằng quá trình quan sát từ các thiết bị đặt trên vệ tinh. Mục đích ban đầu
chỉ là việc phân biệt các nguồn tài ngun có thể và khơng thể tái tạo trên Trái Đất,
nhưng kể từ năm 1960, vấn đề này đã được quan tâm một cách toàn tâm toàn ý và đã
tạo ra được nhiều ứng dụng rất hữu ích, như là việc phát triển các mơ hình mơi trường
toàn cầu, phân vùng và quản lý các nguồn tài nguyên, nghiên cứu sự phân bố của các
dịch bệnh theo mùa và các côn trùng phá hoại mùa màng, lập kế hoạch cho các đề án
xây dựng diện rộng… Để thực hiện được ý tưởng này, đầu tiên phải giải quyết hai vấn
đề chính sau:
Thơng tin cần thu thập là gì và cách thức thu thập thơng tin đó.
Cách xử lý thông tin thu được để đáp ứng các nhu cầu thực tế.
Vào thập niên 1960, một cách tự nhiên, người ta đã thực hiện ý tưởng này theo
cách thức thu nhận ảnh rõ nét và kỹ thuật xử lý ảnh số. Thế nhưng, không bao lâu sau,
cách này vấp phải nhiều giới hạn lớn để có thể phát triển cho nhiều ứng dụng thực tế.
Với cách này, hình ảnh nhận được phải có đủ độ phân giải theo yêu cầu, nó cho một
bức tranh cảnh vật chi tiết trên mặt đất. Tuy nhiên, nếu đặt mục đích nhận dạng, phân
loại, hay rút ra một số đặc trưng cần thiết nào đó của các đối tượng mà khơng quan
tâm đến từng chi tiết cụ thể thì cách này tỏ ra không hiệu quả về mặt kinh tế và đôi khi
không thể thực hiện được về mặt kỹ thuật:
Ví dụ như để nhận dạng, phân loại các vật thể có kích thước nhỏ khoảng vài
centimeters, độ phân giải không gian cũng phải theo từng centimeters. Với khoảng
cách rất xa từ vệ tinh đến mặt đất, để có được độ phân giải cao như thế, góc nhìn của
các sensors phải cực kỳ nhỏ. Các sensors trở nên rất khó chế tạo, khó điều khiển hoạt
động và rất đắt tiền.
Khi quan sát đến một vùng rộng lớn, số điểm ảnh tăng nhanh (theo bình
phương đường kính của vùng), do đó phải xử lý một khối lượng dữ liệu quá lớn. Dữ
liệu ảnh chỉ bao gồm ba màu cơ bản trong vùng khả kiến (đỏ, lục, lam) nên không thể
Tổng quan đề tài nghiên cứu
Trang 3
SVTH: KS. Phan Viết Thảo
Luận văn thạc sỹ
Thầy HD: PGS.TS. Lê Tiến Thường
chứa đựng lượng thơng tin thỏa đáng để có thể xác định được nhiều tính chất đa dạng
của đối tượng cần nghiên cứu.
Bằng cách nào có thể nhận dạng được đối tượng mà không cần đến độ phân
giải cao như vậy? Hay nói khác hơn là cần phải thiết lập được một tập thông tin ở một
giá thành thấp hơn mà vẫn có thể đặc trưng duy nhất cho một vùng định trước nào đó.
Để giải quyết vấn đề này, người ta đã đưa ra khái niệm về hình ảnh siêu phổ
(heperspectral image).
1.1.
Nhận dạng đối tượng bằng dữ liệu ảnh siêu phổ
Một vấn đề thực tế rõ ràng là trong một quang cảnh, sự phản chiếu, sự hấp thu
hay sự phát xạ sóng điện từ của mỗi vật thể (hay đối tượng) tùy thuộc vào cấu trúc
phân tử và hình dáng của nó. Trên cơ sở đó, người ta đặt nền tảng cơ bản cho việc
nhận dạng vật thể từ xa, đó là dựa vào thông tin về năng lượng trường điện từ phát xạ
từ vật thể, hay phản xạ bởi vật thể từ một nguồn phát khác. Kết quả đo đạt mơ tả trên
hình I chứng tỏ rằng các vùng khác nhau trên mặt đất cho một đường cong đáp ứng
phổ (đơi khi cịn dùng thuật ngữ spectral signature) riêng biệt. Điều này cho một khả
năng phân biệt các đối tượng dựa vào đường cong đáp ứng phổ của nó.
(a)
(b)
Hình I. (a) Ảnh một vùng thành phố Washington DC. Ảnh này được hiển thị bằng 3
băng (tương ứng bước sóng lam, đỏ và một bước sóng gần hồng ngoại) trong 210
băng thu được từ hệ thống cảm biến. (b) Đáp ứng phổ của các pixels của ba vùng vật
chất (cây xanh, mái nhà và nước) là một hàm số của bước sóng. Các băng phổ trong
trường hợp này có độ rộng gần 10nm trong dải phổ từ 0,4µm đến 2,4µm.
Nếu năng lượng sóng điện từ phát xạ (hay phản xạ) từ vật thể được đo bởi bộ
cảm biến tại nhiều bước sóng định trước trong một dải phổ đủ rộng, thì tập dữ liệu kết
quả của việc đo này là đặc trưng duy nhất của vật thể, và có thể được sử dụng để nhận
dạng vật thể đó. Việc đo đạt này có thể hình dung như là việc lấy mẫu đường cong đáp
ứng phổ (spectral signature) tại các băng phổ định trước. (Băng phổ ở đây được hiểu
là một lân cận của một bước sóng mà tại đó năng lượng sóng điện từ được đo. Thực
Tổng quan đề tài nghiên cứu
Trang 4
SVTH: KS. Phan Viết Thảo
Luận văn thạc sỹ
Thầy HD: PGS.TS. Lê Tiến Thường
tế, không thể xác định được năng lượng tại chính xác một bước sóng, mà chỉ có thể đo
được năng lượng tập trung trong một lân cận của nó. Băng phổ càng hẹp thì độ chính
xác của q trình quan sát càng cao).
Để có thể nhận dạng đối tượng bằng phổ phát xạ, cần mở rộng độ lớn của một
pixel cho đến khi nó bao gồm một vùng mà có thể được đặc trưng duy nhất bằng đặc
tính đáp ứng phổ tương ứng. Ví dụ,
Để quan sát một cánh đồng lúa, cần mở rộng kích thước của pixel đến vài
meters để pixel bao gồm vài hàng lúa. Phổ bức xạ của vài hàng lúa này là một hàm số
theo bước sóng, hàm số này đặc trưng duy nhất cho lúa.
Trong một thành phố, để có thể phân lớp các vùng khác nhau, như là vùng
nhà cửa đông đúc, vùng nhà cửa thưa thớt, vùng thương mại, vùng cơng nghiệp…, các
pixels có thể lên đến vài chục meters để phổ bức xạ của nó là một hàm số đặc trưng
cho từng lớp đối tượng. Vấn đề ở đây không phải là để “xem chi tiết” nhà, mà là để
xác định mật độ nhà hay bản chất vật liệu xây dựng cho một tập hợp các ngơi nhà gần
nhau…
Với ý tưởng này, thay vì phải xử lý nhiều hình ảnh phân giải cao với các pixels
kế cận nhau về mặt hình học, người ta đo đạt và xử lý năng lượng trường điện từ bức
xạ trong từng băng phổ của mỗi pixel với độ phân giải tương đối (không quá cao).
Trong cách xử lý này, các pixels không nhất thiết phải kế cận nhau, và như vậy
có thể giảm được một số lượng lớn các pixels cần đo và xử lý. Khi cần tăng độ chính
xác của q trình quan sát, người ta có thể tăng số băng phổ cần đo, thay vì phải tăng
độ phân giải về mặt không gian. Đây là một lợi thế rất lớn, bởi vì tập dữ liệu tăng theo
tỷ lệ bình phương độ phân giải, nhưng chỉ tăng tuyến tính theo số băng phổ. Cho nên,
với cách quan sát đối tượng bằng ảnh đa phổ, tập dữ liệu cần xử lý giảm đáng kể
nhưng lại chứa đựng nhiều thông tin hơn.
Hiện nay các bộ cảm biến đa phổ đã được phát triển để có thể lấy mẫu thành
phần phản xạ của phổ sóng điện từ trải dài từ vùng khả kiến (từ 0,4µm đến 0,7µm) đến
vùng gần hồng ngoại (khoảng 2,4µm) trong hàng trăm băng phổ liên tiếp có độ rộng
hẹp đến khoảng 10nm.
Ngồi ra cũng có một số loại cảm biến khác có thể lấy mẫu trong vùng hồng
ngoại từ bước sóng trung bình đến bước sóng dài.
1.2.
Phân loại các ứng dụng phân tích dữ liệu siêu phổ
Có nhiều giải pháp, thuật tốn xử lý dữ liệu ảnh siêu phổ đáp ứng cho rất nhiều
ứng dụng khác nhau. Tuy nhiên có thể sắp xếp chúng vào một trong các loại hình
cơng việc chính như sau:
Dị tìm mục tiêu (target detection). Là bài tốn dị tìm các pixels thỏa mãn các
tính chất cho trước trong tập dữ liệu đa phổ. Mục tiêu ở đây là bất kỳ một đối tượng
hay vật chất nào tồn tại trong khung cảnh quan sát mà có thể dị tìm được trong tập dữ
liệu đa phổ.
Tổng quan đề tài nghiên cứu
Trang 5
SVTH: KS. Phan Viết Thảo
Luận văn thạc sỹ
Thầy HD: PGS.TS. Lê Tiến Thường
Dị tìm chuyển đổi (change detection). Phát hiện dấu hiệu chuyển đổi giữa hai
quang cảnh đa phổ của cùng một vùng địa lý.
Phân lớp (classification). Gán một nhãn cho mỗi pixel trong dữ liệu đa phổ để
phân lớp các vùng khác nhau trong một khung cảnh quan sát.
Tách hỗn hợp (unmixing). Xác định các thành phần vật chất cấu thành nên
mỗi pixel của một đối tượng nào đó trong quang cảnh và ước lượng (tính phần trăm)
các thành phần đó.
Hình II cho một rút kết về phân loại các thuật toán xử lý và lượng thơng tin có
thể trích rút được trong mỗi thuật toán.
Thuật toán xử lý phổ
Rút giảm
số chiều
Loại bỏ thơng
tin dư thừa
Dị tìm
mục tiêu
Dị tìm
chuyển đổi
Phân lớp
Unmixing
Chiều tăng lượng thơng tin được trích rút
Hình II: Phân loại các q trình xử lý cơ bản.
Một cơng việc chung cần phải thực hiện trước khi đi vào từng ứng dụng cụ thể
là quá trình rút giảm số chiều. Hiện nay các bộ cảm biến đa phổ có thể lấy mẫu năng
lượng sóng điện từ trong hàng trăm bands phổ. Tập dữ liệu thu được có dung lượng
rất lớn và do vậy quá trình xử lý mất rất nhiều thời gian với một số lượng phép tính
khổng lồ. Thực tế cho thấy thơng tin hữu dụng cho từng ứng dụng có thể qui về một
khơng gian con ít chiều hơn rất nhiều so với số bands phổ, một phần lớn thông tin là
dư thừa. Một vấn đề quan trọng hơn là việc làm này nâng cao độ chính xác cho các
q trình xử lý do giảm được hiệu ứng Hughes. Các ứng dụng sau đó được xếp theo
thứ tự tăng dần lượng thơng tin được trích trong tập dữ liệu đa phổ. Nói chung lượng
thơng tin được trích càng lớn thì q trình xử lý càng phức tạp.
2. LÝ DO CHỌN ĐỀ TÀI
Thơng tin dữ liệu từ hình ảnh Hyperspectral thu nhận được từ cảm biến của công
nghệ viễn thám là nguồn tài nguyên quý giá cho các ngành nghiên cứu khoa học. Ảnh
viễn thám siêu phổ (Hyperspectral) có hơn 100 băng tần và do số băng tần lớn nên ảnh
viễn thám siêu phổ cho phép giải đoán những yếu tố quan trọng hết sức chi tiết.Vậy,
làm thế nào để có thể lấy được những pixels cần quan tâm (Interest) trong hàng triệu
pixels của hình ảnh Hyperspectral để phục vụ cho từng nghiên cứu ứng dụng cụ thể.
Tổng quan đề tài nghiên cứu
Trang 6
SVTH: KS. Phan Viết Thảo
Luận văn thạc sỹ
Thầy HD: PGS.TS. Lê Tiến Thường
Bài toán phân lớp đối tượng (classification) sẽ giải quyết vấn đề này và để thực hiện
được bài tốn phân lớp thì cần phải có những thuật tốn xử lý cụ thể. Đây là lý do mà
đề tài nghiên cứu này được thực hiện.
3. NỘI DUNG LUẬN VĂN
Nhận dạng đối tượng bằng dữ liệu ảnh siêu phổ là một mảng khá lớn thuộc lĩnh
vực quan sát từ xa. Mặc dù đã tạo ra được khá nhiều ứng dụng hữu ích trong thực tế,
hiện tại, vấn đề này vẫn đang được các nhà khoa học nghiên cứu và phát triển bởi một
số lý do sau đây:
Sự phức tạp và đa dạng trong cách xử lý dữ liệu siêu phổ. Khi số băng phổ
lớn, tập dữ liệu sẽ rất lớn và trên thực tế để có được kết quả mong muốn, máy tính có
thể phải chạy hàng chục giờ liền.
Độ chính xác của mỗi phương pháp phân tích dữ liệu phụ vào từng tình
huống cụ thể, hay nói khác hơn là mỗi phương pháp chỉ thích hợp trong một vài ứng
dụng nào đó.
Một số yêu cầu thực tế vẫn chưa có phương pháp xử lý thích đáng.
Trong phạm vi giới hạn của luận văn, chỉ xoay quanh vấn đề nhận dạng đối
tượng qua quá trình phân lớp (classification) cho một vùng được quan tâm.
Luận văn bao gồm 8 chương với nội dung gồm ba phần chính: Phần Lý thuyết,
Phần Thực nghiệm với dữ liệu thực, Phần Kết luận và hướng phát triển của luận án.
Phần 1: Lý thuyết.
Chương 1. Mơ tả một cách nhìn tổng quan quá trình xử lý dữ liệu ảnh đa phổ, và
đặc biệt quan tâm đến quá trình phân lớp.
Chương 2. Trình bày phương pháp phân tích thành phần cơ bản PCA (Principal
Component Analysis), một phương pháp thông dụng nhất để giảm số chiều, tức là tạo
ra một không gian con ít chiều hơn, với nó q trình phân tích được giảm nhẹ mà vẫn
đạt độ chính xác theo yêu cầu.
Chương 3 & 4. Trình bày các phương pháp trích đặc trưng, DAFE (Discriminant
Analysis Feature Extraction), DBEF (Decision Boundary Feature Extraction), NWEF
(Nonparametric Weighted Feature Extraction)… Các phương pháp nầy cũng với mục
đích như PCA nhưng hiệu quả hơn ở chổ nó tạo ra một khơng gian con thích hợp nhất
cho từng ứng dụng phân lớp cụ thể. Đặc biệt NWEF là một phương pháp khắc phục
được các bất lợi trong DAFE và DBFE và cải thiện đáng kể độ chính xác của kết quả
phân lớp.
Chương 5. Nói về các cách ước lượng mean và covariance trên cơ sở các mẫu
thống kê, còn gọi là các mẫu huấn luyện (training samples). Bởi vì tập dữ liệu được
xem là giá trị của biến ngẫu nhiên trong không gian nhiều chiều nên lý thuyết q
trình ngẫu nhiên được sử dụng cho phân tích dữ liệu. Để có thể nắm bắt được tính chất
Tổng quan đề tài nghiên cứu
Trang 7
SVTH: KS. Phan Viết Thảo
Luận văn thạc sỹ
Thầy HD: PGS.TS. Lê Tiến Thường
của quá trình ngẫu nhiên, hai thơng số quan trọng và rất hữu ích là các vectors mean
và các ma trận covariance. Việc ước lượng ma trận covariance quyết định rất lớn độ
chính xác của q trình phân lớp. Trước đây, người ta thường dùng các dạng
covariance mẫu (sample covariance), maximum likelihood (ML) covariance,
covariance trung bình mẫu, covariance chéo… Nhưng khi số lượng mẫu huấn luyện
có giới hạn, nhỏ hơn số chiều (số bands phổ) của tập dữ liệu, thì các ma trận
covariance này bị suy biến (không tồn tại ma trận nghịch đảo) và không thể dùng
được trong các hệ phân lớp. Ngay cả khi số lượng mẫu huấn luyện bằng hai đến ba lần
số chiều cũng tồn tại một số vấn đề ảnh hưởng đến độ chính xác phân lớp.
Phần 2: Thực nghiệm với dữ liệu thực với phần mềm Matlab.
Phần này cho các kết quả phân lớp với các tập dữ liệu ảnh đa phổ thực tế bằng
chương trình hyperspec được viết bằng Matlab. Ngồi ra cịn nói sơ lược thêm cách sử
dụng Hyperspec. (Trong một vài chương lý thuyết cũng có đưa ra một số thực nghiệm
minh họa sử dụng Hyperspec).
Phần 3: Ứng dụng, Kết luận và hướng phát triển của Luận văn.
Phần này sẽ dề cập đến các ứng dụng thực tiễn và đưa ra các đánh giá và kết
luận, kết thúc luận văn là đưa ra các hướng phát triển của luận văn.
4. ĐÓNG GÓP LUẬN VĂN
Phần thực nghiệm đã được tiến hành thực hiện với hai loại dữ liệu hình ảnh là
khu đơ thị (ảnh Urban) và khu ngồi đơ thị (ảnh FLC) trên phần mềm Matlab. Kết quả
thực nghiệm được tiến hành với nhiều trường hợp khác nhau thông qua việc chọn các
thông số ngưỡng. Đặc biệt với phương pháp DBFE đã được thực hiện một cách chi
tiết với các thông số khác nhau. Qua đó đưa ra sự đánh giá và so sánh kết quả của hai
phương pháp chính cho bài tốn phân lớp đối tượng đó là phương pháp đường biên
quyết định DBFE (Decision Boundary Feature Extraction) và phương pháp phân tích
thành phần cơ bản PCA (Principal component Analysis).
Các ý tưởng chính và kết quả thực nghiệm của luận văn này cũng đã được đề
cập và soạn thảo thành một bài báo gởi đến tạp chí Phát triển Khoa học và Cơng nghệ
- ĐHQG – HCM.
Luận văn này cũng đã đóng góp chung vào quá trình nghiên cứu và phát các
ứng dụng từ những dữ liệu của hình ảnh đa băng phổ trong các lĩnh vực nghiên cứu
khoa học khác nhau.
Bên cạnh đó, Luận văn cũng đề ra các hướng phát triển tiếp theo của lĩnh vực
nghiên cứu thuộc phạm vi này, từ đó có thể làm cơ sở cho các nghiên cứu tiếp theo.
Tổng quan đề tài nghiên cứu
Trang 8
SVTH: KS. Phan Viết Thảo
Thuật toán xử lý ảnh Hyperspectral
THD: PGS.TS. Lê Tiến Thường
CHƯƠNG 1:TỔNG QUAN HÌNH ẢNH
HYPERSPECTRAL.
1.1. Q trình thu nhận và xử lý ảnh.
1.2. Cơ sở của ảnh quang phổ.
1.3. Các dạng khơng gian ảnh.
1.4. Thuật tốn phân tích hình ảnh.
1.5. Một vài phương pháp trích rút đặc trưng.
1.6. Giải thuật cho bài tốn phân lớp.
1.1. Q trình thu nhận và xử lý hình ảnh quang phổ.
Hình ảnh thu nhận được từ công nghệ viễn thám là một nguồn tài nguyên vô cùng
quý giá cho các nhà nghiên cứu khoa học. Để tổng quát hóa, ta có thể xem một hệ thống
thu nhận và xử lý hình ảnh siêu phổ được mơ hình hóa như hình 1.1. bên dưới.
Hình 1.1: Hệ thống vệ tinh thu nhận hình ảnh.
Ánh sáng từ Mặt trời chiếu sáng vùng đối tượng mà ta quan tâm. Sau đó hệ thống
cảm biến dựa trên việc đo năng lượng phản xạ trở lại từ bề mặt đất, tiến hành lấy mẫu,
lượng tử, v.v…hình thành nên dữ liệu được truyền về Trái Đất để tiến hành sử dụng các
công cụ, kỹ thuật xử lý phù hợp để trích rút các thơng tin cần thiết. Ta có thể chia q
trình thành ba pha cụ thể như sau:
C1. Tổng quan hình ảnh Hyperspectral
Trang 9
SVTH: KS. Phan Viết Thảo
Thuật toán xử lý ảnh Hyperspectral
THD: PGS.TS. Lê Tiến Thường
Quang cảnh: Nó bao gồm các phần của hệ thống trước cảm biến như: Mặt Trời,
bề mặt Trái đất và khí quyển. Đây là các thành phần mang yếu tố biến đổi và
không phụ thuộc vào con người và do đó đây là pha phức tạp nhất của hệ thống.
Bộ phận cảm biến: Có thể coi đây là thành phần bán động, một bên thì các thơng
số của chúng có thể được điều khiển, thiết lập bởi con người. Mặc khác, chúng
lại có cơ chế tự động trong quá trình thu nhận dữ liệu.
Phân tích, xử lý dữ liệu: Quá trình này phụ thuộc nhiều vào con người (bao gồm
lựa chọn phương pháp, giải thuật, cơ sở suy đốn, v.v…
Hình 1.2: Q trình phân tích và xử lý dữ liệu.
1.2. Cơ sở của ảnh quang phổ và cảm biến hình ảnh Hyperspectral.
1.2.1. Cơ sở của ảnh quang phổ.
Hình ảnh siêu phổ, giống như các ảnh quang phổ hình ảnh được thu thập và xử lý
thông qua phổ điện từ. Trong khi mắt người nhìn thấy ánh sáng trong ba dải phổ (đỏ,
xanh lá cây và xanh lam), hình ảnh quang phổ phân chia phổ thành nhiều dải hơn. Kỹ
thuật này phân chia hình ảnh thành các dải có thể được mở rộng vượt ra ngồi vùng
nhìn thấy được (vùng khả kiến).
Hình 1.3: Ảnh siêu phổ [1].
Trong hình ảnh siêu phổ, phổ bước sóng được ghi lại có độ phân giải cao và bao
gồm một loạt các bước sóng. Mục đích của ảnh siêu phổ là để có được quang phổ cho
C1. Tổng quan hình ảnh Hyperspectral
Trang 10
SVTH: KS. Phan Viết Thảo
Thuật toán xử lý ảnh Hyperspectral
THD: PGS.TS. Lê Tiến Thường
mỗi điểm ảnh trong ảnh của một cảnh để tìm kiếm đối tượng, xác định vật liệu, hoặc
phát hiện quá trình, có nghĩa là chúng cung cấp thơng tin dựa trên quang phổ thì sẽ
phong phú hơn để xác định và phân biệt đối tượng.
Mỗi photon ánh sáng có bước sóng xác định bởi mức độ năng lượng của chúng.
Ánh sáng và các dạng khác của bức xạ điện từ thường được mơ tả theo bước sóng. Ví
dụ, dải bước sóng có thể nhìn thấy ánh sáng có bước sóng từ 0,4 m đến 0,7 m (trong
khi sóng radio có bước sóng lớn hơn khoảng 30 cm).
Hình 1.4: Dải phổ điện từ.
1.2.2. Cảm biến hình ảnh Hyperspectral.
Nói theo nghĩa bóng, cảm biến Hyperspectral thu thập thông tin là một tập hợp
các „hình ảnh‟. Mỗi hình ảnh đại diện cho một loạt bước sóng hẹp của quang phổ điện
từ. Những „hình ảnh‟ được kết hợp để tạo thành một khối dữ liệu Hyperspectral không
gian ba chiều x, y, để xử lý và phân tích, trong đó x và y đại diện cho hai chiều
không gian của khung cảnh và λ đại diện cho kích thước phổ (một loạt các bước sóng).
Khối Hyperspectral được tạo ra từ các cảm biến trong không gian như của NASA
với hệ thống AVIRIS [2], [3] (Airborne Visible/Infrared Imaging Spectrometer), hoặc từ
vệ tinh như hệ thống NASA EO 1 với cơng cụ Hyperspectral của Hyperion.
Độ chính xác của các cảm biến thường được tính bằng độ phân giải quang phổ, đó
là chiều rộng của mỗi dải quang phổ được chụp. Nếu máy quét phát hiện một số lượng
lớn các dải tần số hẹp, nó có thể xác định các đối tượng ngay cả khi chúng chỉ xuất hiện
trong một số ít các điểm ảnh.
Tuy nhiên, ngồi độ phân giải quang phổ, ta cịn có độ phân giải khơng gian.
Nếu các điểm ảnh quá lớn, nhiều đối tượng cùng xuất hiện trong cùng một điểm ảnh và
điều này gây trở ngại để xác định chúng. Ngược lại, nếu các điểm ảnh quá nhỏ, thì năng
C1. Tổng quan hình ảnh Hyperspectral
Trang 11
SVTH: KS. Phan Viết Thảo
Thuật toán xử lý ảnh Hyperspectral
THD: PGS.TS. Lê Tiến Thường
lượng thu được bởi các tế bào cảm biến là thấp và giảm tỷ lệ tín hiệu trên nhiễu do đó
làm giảm độ tin cậy của các kết quả thu được.
1.2.3. Phân biệt Hyperspectral từ hình ảnh quang phổ.
Hyperspectral nằm trong lớp các kỹ thuật gọi là hình ảnh quang phổ hoặc phân
tích quang phổ. Hình ảnh Hyperspectral có liên quan đến hình ảnh Multispectral. Sự
khác biệt giữa Hyperspectral và Multispectral đôi khi dựa trên số lượng, dải phổ.
Multispectral với nhiều hình ảnh trong các dải rời rạc và hẹp. "Rời rạc và có phần
thu hẹp" là những gì phân biệt trong đa phổ có thể nhìn thấy từ chụp ảnh màu. Một cảm
biến Multispectral có thể có nhiều dải phổ, từ phổ nhìn thấy được đến dải hồng ngoại,
sóng dài.
Hình ảnh Multispectral không sinh ra tất cả các "phổ" của đối tượng. Landsat là
một ví dụ tuyệt vời trong trường hợp này. Trong khi ảnh Hyperspectral với dải quang
phổ hẹp có phạm vi quang phổ liên tục và sản sinh phổ của tất cả các điểm ảnh trong
bối cảnh đó. Do đó, một bộ cảm biến chỉ có 20 dải cũng có thể là Hyperspectral khi nó
bao gồm 20 băng dải mỗi dải rộng 10 nm trong khoảng 500 nm 700 nm.
Hình ảnh Ultraspectral có thể được dành cho cảm biến giao thoa hình ảnh với độ
phân giải quang phổ rất tốt và thường có độ phân giải khơng gian thấp.
1.3. Các dạng khơng gian ảnh.
Để nhìn nhận và có những đánh giá chung bên cạnh việc phục vụ cho từng ứng
dụng nghiên cứu cụ thể chúng ta có thể chia ảnh hyperspectral thành các dạng không
gian ảnh như sau.
1.3.1. Khơng gian ảnh.
Với dạng trình bày này, dữ liệu dựa trên mối quan hệ về khoảng cách, vị trí trong
khơng gian để hình thành nên bố cục điểm ảnh. Do đó, sẽ khơng có được lượng lớn
thơng tin chứa trong dữ liệu thu được từ các cảm biến trong không gian.
Con người chỉ nhìn được dữ liệu trong một hoặc ba băng cùng một lúc. Hơn nữa,
mối quan hệ giữa các băng không rõ ràng.
Ưu điểm của dạng quan sát này là chỉ ra mối quan hệ của đáp ứng phổ với vị trí địa
lý và nó cung cấp cách kết hợp mỗi ảnh điểm vị trí trên mặt đất. Tóm lại, nó cũng cung
cấp những thơng tin quan trọng, hữu ích trong việc phân tích.
1.3.2. Khơng gian phổ.
Khi chiếu với một bước sóng nhất định thì một số vật liệu sẽ phản xạ, trong khi
các vật liệu khác sẽ hấp thụ với cùng một bước sóng. Những mơ hình phản xạ và hấp
thụ qua các bước sóng có thể nhận diện một số vật liệu.
C1. Tổng quan hình ảnh Hyperspectral
Trang 12
SVTH: KS. Phan Viết Thảo
