ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG NGUYỄN THỊ NGOAN NÂNG CAO CHẤT LƯỢNG ẢNH VIỄN THÁM SỬ DỤNG LOGIC MỜ
LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH
THÁI NGUYÊN - 2017
ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG NGUYỄN THỊ NGOAN NÂNG CAO CHẤT LƯỢNG ẢNH VIỄN THÁM SỬ DỤNG LOGIC MỜ
Chuyên ngành: Khoa học máy tính Mã số chuyên ngành: 60 48 01 01
LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH
Người hướng dẫn khoa học: PGS. TS ĐẶNG VĂN ĐỨC THÁI NGUYÊN - 2017
i
LỜI CAM ĐOAN
Tôi xin cam đoan tất cả các nội dung của luận văn này hoàn toàn được
hình thành và phát triển từ quan điểm của chính cá nhân tôi, dưới sự hướng dẫn
chỉ bảo của PGS.TS Đặng Văn Đức. Các số liệu kết quả có được trong luận văn
tốt nghiệp là hoàn toàn trung thực.
Học viên
Nguyễn Thị Ngoan
ii
LỜI CẢM ƠN
Lời đầu tiên, em xin gửi lời biết ơn sâu sắc đến PGS.TS Đặng Văn Đức,
Viện Công nghệ thông tin - Viện Hàn lâm Khoa học và Công nghệ Việt Nam,
người thầy đã tận tình hướng dẫn, chỉ bảo, giúp đỡ em trong suốt quá trình làm
luận văn.
Em cũng xin gửi lời cảm ơn đến các thầy cô giáo, Phòng Đào tạo trường
Đại học Công nghệ thông tin và Truyền thông, đã truyền đạt những kiến thức
và giúp đỡ em trong suốt quá trình học tập của mình.
Học viên cũng xin gửi lời cảm ơn tới Trung tâm Học liệu – Đại học Thái
Nguyên đã tạo điều kiện thuận lợi cho học viên tham gia khóa học và quá trình
hoàn thành luận văn.
Và cuối cùng, học viên cũng xin gửi lời cảm ơn tới các đồng nghiệp, gia
đình và bạn bè, những người đã ủng hộ, động viên tạo mọi điều kiện giúp đỡ
để học viên có được kết quả như ngày hôm nay.
iii
MỤC LỤC
LỜI CAM ĐOAN ...................................................................................... i
LỜI CẢM ƠN ........................................................................................... ii
MỤC LỤC ................................................................................................ iii
DANH MỤC CÁC TỪ VIẾT TẮT .......................................................... v
DANH MỤC CÁC BẢNG....................................................................... vi
DANH MỤC CÁC HÌNH ....................................................................... vii
MỞ ĐẦU .................................................................................................. 1
Chương 1. TỔNG QUAN VỀ VIỄN THÁM VÀ LOGIC MỜ ........... 3
1.1. Tiến trình viễn thám và các loại ảnh viễn thám ................................. 3
1.1.1. Tiến trình viễn thám ........................................................................ 3
1.1.2. Nguyên lý hoạt động của ảnh viễn thám ......................................... 3
1.1.3. Đặc trưng ảnh viễn thám ................................................................. 4
1.1.4. Khuân mẫu dữ liệu ảnh viễn thám .................................................. 7
1.1.5. Các loại ảnh viễn thám .................................................................... 8
1.1.6. Ứng dụng của viễn thám ................................................................. 9
1.2. Khái quát về logic mờ ...................................................................... 10
1.2.1. Khái niệm về tập rõ và tập mờ ...................................................... 10
1.2.2. Hàm thuộc ..................................................................................... 11
1.2.3. Một số đặc trưng của tập mờ ......................................................... 14
1.2.4. Các phép toán trên tập mờ ............................................................ 15
1.2.5. Biến ngôn ngữ (Liguistic Variable) .............................................. 16
1.3. Kết chương 1 .................................................................................... 17
Chương 2. CÁC KỸ THUẬT NÂNG CAO CHẤT LƯỢNG ẢNH
VIỄN THÁM ................................................................................. 18
2.1. Khái quát về tiến trình xử lý ảnh viễn thám ..................................... 18
2.2. Một số kỹ thuật nâng cao chất lượng ảnh viễn thám ....................... 21
2.2.1. Hiệu chỉnh bức xạ ......................................................................... 21
iv
2.2.2. Hiệu chỉnh hình học ...................................................................... 22
2.2.3. Nâng cao chất lượng ảnh viễn thám .............................................. 24
2.2.4. Tăng cường sự tương phản............................................................ 26
2.2.5. Lọc không gian .............................................................................. 28
2.2.6. Lọc trung vị ................................................................................... 29
2.2.7. Biến đổi ảnh .................................................................................. 29
2.2.8. Biến đổi thành phần chính ............................................................ 31
2.3. Kỹ thuật đánh giá chất lượng ảnh viễn thám ................................... 32
2.4. Nâng cao độ tương phản ảnh viễn thám sử dụng logic mờ ............. 34
2.4.1. Cấu trúc tổng quát hệ thống xử lý ảnh trên cơ sở logic mờ .......... 34
2.5. Một số thuật toán tăng cường độ tương phản ảnh viễn thám sử dụng
logic mờ ........................................................................................... 35
2.5.1. Tăng cường ảnh mờ với toán tử tăng cường ................................. 36
2.5.2. Tăng cường ảnh mờ với toán tử Hyperbol .................................... 36
2.5.3. Tăng cường ảnh mờ dựa trên phân bố xác suất ............................ 37
2.5.4. Cải thiện độ tương phản dựa trên luật If-Then mờ ....................... 37
2.5.5. Thuật toán tăng cường độ tương phản Chi-Farn Chen ................. 38
2.5. Kết chương 2 .................................................................................... 44
Chương 3. THỬ NGHIỆM ................................................................... 45
3.1. Quy trình xây dựng chương trình thử nghiệm ................................. 45
3.2. Dữ liệu ảnh LandSat ......................................................................... 46
3.3. Phát triển chương trình thử nghiệm ................................................. 49
3.4. Đánh giá kết quả thu được ............................................................... 53
3.5. Kết chương ....................................................................................... 55
KẾT LUẬN ............................................................................................ 56
TÀI LIỆU THAM KHẢO .................................................................... 57
v
DANH MỤC CÁC TỪ VIẾT TẮT
ANN Artificial Neural Network
Advanced Spaceborne Thermal Emission and Reflection Radiometer
ASTER
AVHRR Advanced Very High Resolution Radiometer
CCRS Canada Center for Remote Sensing
CEOS Committee on Earth Observation Satellites
Covariance Hiệp phương sai
CSDL Cơ sở dữ liệu
DCT Discrete Cosine Transform
DEM Digital Elevation Model (Mô hình số độ cao)
DWT Discrete Wavelet Transform
FCM Fuzzy c-Means
HIS Hue – Intensity – Saturation
HRV High Resolution Visible
IFOV Instantanous Field of View
ISODATA Iterative Self-Organizing Data Analysis Techniques
Membership funtion Hàm thuộc
MLC
Maximum Likelihood Classification (Phương pháp phân lớp hợp lý tối đa)
MODIS Moderate Resolution Spectroradiometer
NASA National Aeronautics and Space Administration
NOAA National Oceanic and Atmospheric Administration
vi
DANH MỤC CÁC BẢNG
Bảng 1.1. Các tính chất phép toán tập hợp ......................................... 16
Bảng 1.2. Các phép toán với biến ngôn ngữ ......................................... 17
Bảng 2.1. Bảng tính chỉ số thực vật .................................................... 30
Bảng 3.1. Băng tần MSS ..................................................................... 47
Bảng 3.2. Băng tần TM ....................................................................... 48
Bảng 3.3. Ảnh tăng cường bởi các phương pháp ................................ 53
Bảng 3.4. So sánh entropy của các ảnh ............................................... 53
Bảng 3.5. Ảnh tăng cường bởi các phương pháp ................................ 54
Bảng 3.6. So sánh entropy của các phương pháp ................................ 55
vii
DANH MỤC CÁC HÌNH
Hình 1.1. Tiến trình viễn thám ........................................................... 4 Hình 1.2. Ảnh chụp và ảnh số ............................................................ 5 Hình 1.3. Các kênh ảnh ...................................................................... 6 Hình 1.4. Ảnh độ phân giải cao (trái) và độ phân giải thấp (phải) ..... 6 Hình 1.5. Đáp ứng phổ của các loại đá khác nhau ............................ 7 Hình 1.6. Hàm thuộc tam giác .......................................................... 12 Hình 1.7. Hàm thuộc hình thang ....................................................... 13 Hình 1.8. Hàm thuộc hình L ............................................................. 14 Hình 2.1. Nắn chỉnh hình học .......................................................... 19 Hình 2.2. Cân bằng lược đồ màu ...................................................... 20 Hình 2.3. Phân lớp có giám sát (trái) và không giám sát (phải) ...... 20 Hình 2.4. Lọc ảnh số trong miền không gian ................................... 25 Hình 2.5. Ví dụ tích chập .................................................................. 26 Hình 2.6. Dãn tuyến tính lược đồ màu .............................................. 26 Hình 2.7. Tăng cường tương phản bằng phương pháp Gauss .......... 28 Hình 2.8. Biến đổi hệ trục tọa độ trong phân tích thành phần chính 32 Hình 2.9. Cấu trúc tổng quát của xử lý ảnh trên cơ sở logic mờ ...... 34 Hình 2.10. Các bước xử lý ảnh trên cơ sở logic mờ ........................... 35 Hình 2.11. Hàm phân bố xác suất cho việc tính toán các giá trị hàm thuộc .................................................................................. 37 Hình 2.12. Hàm thuộc ......................................................................... 38 Hình 2.13. Sử dụng logic mờ nâng cao chất lượng ảnh .................... 39 Hình 3.1. Sơ đồ tăng cường ảnh viễn thám ...................................... 45 Hình 3.2. Cấu trúc dữ liệu ảnh viễn thám ........................................ 49 Hình 3.3. Màn hình chính của chương trình thử nghiệm ................. 50 Hình 3.4. Giao diện mở tệp ảnh vệ tinh để tăng cường tương phản . 51 Hình 3.5. Giao diện mở tệp ảnh vệ tinh Lạc Thủy, Hòa Bình .......... 51 Hình 3.6. Giao diện chọn tham số chương trình ............................... 52 Hình 3.7. Giao diện hiển thị ảnh đã nâng cao độ tương phản .......... 52 Hình 3.8. So sánh Entropy của các ảnh ............................................ 54 Hình 3.9. So sánh Entropy của các ảnh sau khi đã tăng cường ........ 55
1
MỞ ĐẦU
Viễn thám là ngành khoa học quan sát bề mặt Trái đất hay khí quyển từ
không gian bằng vệ tinh hay bằng máy bay. Viễn thám bao gồm các thiết bị
cảm nhận, ghi lại năng lượng phát ra từ đối tượng nghiên cứu, ví dụ dụ như
thủy hệ, khu dân cư,… Chúng 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; (ii) Xử lý và phân tích dữ liệu viễn thám
Viễn thám có thể hiểu đơn giản là thăm dò từ xa về một đối tượng hoặc
một hiện tượng mà không có sự tiếp xúc trực tiếp với đối tượng hoặc hiện tượng
đó.
Có rất nhiều định nghĩa khác nhau về viễn thám, nhưng mọi định nghĩa
đều có nét chung, nhấn mạnh “viễn thám là khoa học thu nhận từ xa các thông
tin về các đối tượng, hiện tượng trên trái đất”.
Như vậy ảnh viễn thám có thể là ảnh thu được từ vệ tinh (gọi là ảnh vệ
tinh) và ảnh thu được từ máy bay (còn gọi là không ảnh). Trong phạm vi luận
văn này, các ảnh được nghiên cứu là ảnh vệ tinh, nói cách khác, khái niệm ảnh
viễn thám sử dụng trong luận văn này là ảnh vệ tinh.
Hiện nay, viễn thám được ứng dụng rộng rãi trong nhiều ngành, nhiều
lĩnh vực khác nhau. Ảnh thu được từ vệ tinh thường có chất lượng rất khác
nhau vì nhiều nguyên nhân khác nhau. Thông thường chất lượng ảnh không
đáp ứng trực tiếp cho việc phân đoạn, phân lớp ảnh viễn thám để có được thông
tin cần thiết mà nhiều ứng dụng đòi hỏi. Do vậy, việc nâng cao chất lượng ảnh
viễn thám là nhu cầu bức thiết.
Vấn đề xử lý và phân tích ảnh viễn thám là khá phức tạp, nó bao gồm
nhiều công đoạn khác nhau từ dữ liệu ảnh thô để có được thông tin hữu ích.
Chủ đề này đã được quan tâm nghiên cứu nhiều ở nước ngoài [1, 2], ở trong
nước cũng có nhiều tổ chức như các viện nghiên cứu, trường đại học quan tâm
nghiên cứu và ứng dụng về vẫn đề này, như Viện hàn lâm Khoa học Công nghệ
2
Việt Nam, Trường đại học Quốc gia Hà Nội, Cục Viễn thám của Bộ Tài nguyên
Môi trường…
Xuất phát từ vấn đề thực tiễn trên, tôi lựa chọn đề tài: “Nâng cao chất
lượng ảnh viễn thám sử dụng logic mờ” để làm luận văn của mình. Mục tiêu
nghiên cứu luận văn của học viên là tìm hiểu và học hỏi một số kỹ thuật xử lý
ảnh viễn thám bằng những kỹ thuật tin học hiện đại, sau đó thử nghiệm với một
loại ảnh cụ thể của ảnh vệ tinh Landsat tại vùng tỉnh Thái Nguyên hoặc Hòa
Bình về các phương pháp kỹ thuật nói trên.
Đối tượng và phạm vi nghiên cứu
Đối tượng: ảnh viễn thám, các quy trình nâng cao chất lượng ảnh viễn
thám; sử dụng logic mờ để nâng cao chất lượng ảnh viễn thám.
Phạm vi: Tìm hiểu và thử nghiệm các thuật toán nâng cao chất lượng
ảnh viễn thám sử dụng logic mờ đã được công bố với một loại ảnh viễn thám
cụ thể của một vùng.
Cấu trúc của luận văn:
Ngoài phần mở đầu trình bày lý do chọn đề tài, mục tiêu, phạm vi nghiên
cứu và phần kết luận trình bày các kết quả đạt được và các vấn đề tiếp còn tiếp
tục nghiên cứu, nội dung của luận văn được trình bày trong ba chương như sau:
Chương 1: Tổng quan về viễn thám và logic mờ. Trong chương này các
vấn đề cơ bản về viễn thám, ảnh vệ tinh và logic mờ được trình bày làm cơ sở
khoa học cho các nghiên cứu tiếp theo.
Chương 2: Các kỹ thuật nâng cao chất lượng ảnh viễn thám. Chương này
nghiên cứu các phương pháp cơ bản trong việc nâng cao chất lượng ảnh vệ tinh.
Sau đó đi sâu nghiên cứu một kỹ thuật sử dụng logic mờ và phân cụm dữ liệu.
Chương 3: Xây dựng chương trình thử nghiệm. Chương này trình bày
qui trình và kết quả xây dựng chương trình demo nâng cao chất lượng ảnh viễn
thám bằng thuật toán FCM. Thử nghiệm với dữ liệu ảnh vệ tinh tại một vùng
của tỉnh Hòa Bình.
3
Chương 1
TỔNG QUAN VỀ VIỄN THÁM VÀ LOGIC MỜ
Trong chương này các vấn đề cơ bản về viễn thám, ảnh vệ tinh và logic
mờ được trình bày làm cơ sở khoa học cho các nghiên cứu trong các chương
tiếp theo.
1.1. Tiến trình viễn thám và các loại ảnh viễn thám
1.1.1. Tiến trình viễn thám
Theo các định nghĩa trong [1] [5] thì viễn thám (Remote Sensing) được hiểu
như một khoa học, nghệ thuật thu nhận thông tin về đối tượng, khu vực hay
hiện tượng trên bề mặt Trái đất mà không tiếp xúc trực tiếp với chúng. Công
việc này được thực hiện bởi việc cảm nhận (sensing) và lưu trữ các năng lượng
phản xạ hay được phát ra từ các đối tượng nghiên cứu. Sau đó, các thông tin
này được phân tích, xử lý và ứng dụng vào nhiều lĩnh vực khác nhau như bảo
vệ tài nguyên, thiên nhiên môi trường, nông nghiệp, lâm nghiệp, giao thông
vận tải...
1.1.2. Nguyên lý hoạt động của ảnh 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
tài liệu 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 [5].
Nguồn năng lượng hay nguồn sáng (A): Yêu cầu đầu tiên của viễn
thám là phải có nguồn năng lượng để chiếu sáng hay cung cấp năng lượng điện
từ đến đối tượng nghiên cứu.
Bức xạ và khí quyển (B): Vì năng lượng đi từ nguồn tới đối tượng đích
cho nên nó tiếp xúc và đi qua khí quyển. Việc tương tác này còn xảy ra lần nữa
khi năng lượng đi từ đối tượng đích tới cảm biến (sensor).
4
©
CCRS
Hình 1.1. Tiến trình viễn thám [5]
Tương tác với đối tượng đích (C): Sau khi năng lượng được truyền qua
khí khuyển nó sẽ tương tác với đối tượng đích. Cách thức tương tác của chúng
phụ thuộc vào tính chất của đối tượng đích và bức xạ.
Thu nhận năng lượng bằng đầu cảm biến (D): Sau khi năng lượng bị
đối tượng đích truyền đi hay phân tán (scattered), đầu cảm biến sẽ thu nhận
(không tiếp xúc) và lưu trữ bức xạ điện từ.
Truyền, nhận và xử lý năng lượng (E): Năng lượng được cảm nhận bởi
Sensor sẽ được truyền đi, thông thường dưới dạng điện tử, đến trạm thu và xử lý,
nơi mà dữ liệu được xử lý thành ảnh (dưới dạng ảnh in hay dạng số).
Diễn giải và phân tích (F): Ảnh được diễn giải bằng trực giác hay hệ
thống số để trích chọn các thông tin về đối tượng nghiên cứu. Nội dung luận văn
sẽ tìm hiểu cs kỹ thuật tăng cường chất lượng ảnh trước khi diễn giải và phân
tích.
Ứng dụng (G): Phần tử cuối cùng của tiến trình viễn thám là áp dụng
các thông tin vừa trích chọn từ ảnh về đối tượng nghiên cứu để hiểu rõ hơn về
nó, làm nổi lên các thông tin mới hay hỗ trợ giải quyết một số vấn đề cụ thể.
1.1.3. Đặc trưng ảnh viễn thám
Năng lượng điện từ có thể được nhận biết bằng phim ảnh hay thiết bị
điện tử. Có thể ghi biến thiên năng lượng trên phim nhạy ánh sáng. Cần phân
5
biệt hai khái niệm ảnh (image) và ảnh chụp (photograph) trong viễn thám. Ảnh
được hiểu là hình thức biểu diễn “cảnh” bất kỳ, không quan tâm đến bước sóng
hay thiết bị viễn thám nào được sử dụng. Ảnh chụp đề cập đến ảnh được chụp
trên phim ảnh. Thông thường, ảnh được chụp tại bước sóng từ 0.3μm đến 0.9μm
(vùng ánh sáng nhìn thấy và vùng tia hồng ngoại phản xạ). Vậy, mọi ảnh chụp
là ảnh, nhưng không phải mọi ảnh là ảnh chụp. Ảnh chụp có thể được biểu diễn
và hiển thị dưới dạng ảnh số bằng cách chia ảnh thành các ô vuông nhỏ bằng
nhau (theo cột và hàng), gọi là pixel. Biểu diễn độ sáng của mỗi vùng bằng một
giá trị số (DN- Digital Number).
Hình 1.2. Ảnh chụp và ảnh số [5]
Hình 1.2 thể hiện qui trình sinh ảnh số từ ảnh chụp. Ảnh chụp được quét
và được chia nhỏ thành các pixel. Mỗi pixel được gán một số biểu diễn độ chói
(sáng). Máy tính hiển thị mỗi giá trị số với mức độ chói khác nhau.
Dưới đây trình bày một số khái niệm của ảnh vệ tinh.
a. Kênh ảnh (Channel, Band)
Thông thường, một dải hẹp bước sóng được đo và tập dữ liệu được lưu
trữ tách biệt theo bước sóng của chúng. Chúng được gọi là băng (Band) hay
kênh (Channel) ảnh (hình 1.3). Chung ta có thể tổ hợp và hiển thị các kênh
thông tin nhờ ba màu cơ sở (red, green và blue).
6
Kích thước ảnh được tính bởi tổng số hàng, tổng số cột, tổng số băng và tổng
số bit/pixel. Ví dụ ảnh đa phổ 4 băng có kích thước như sau: 3000 hàng x 3000 cột x
4 băng x 1 byte = 36 Mb lưu trữ. Như vậy kích thước ảnh vệ tinh là rất lớn.
Hình 1.3. Các kênh ảnh [1]
b. Độ phân giải ảnh không gian
Độ phân giải không gian của ảnh là đề cập đến vùng được đo, kích thước
đặc trưng nhỏ nhất trên mặt đất mà đầu đo (sensor) có thể nhận biết được. Nếu
sensor có độ phân giải không gian 20m và ảnh có từ sensor được hiển thị với
mỗi pixel biểu diễn vùng 20mx20m trên mặt đất thì kích thước pixel bằng độ
phân giải. Độ phân giải ảnh phụ thuộc vào lại vệ tinh, ví dụ vệ tinh Quick bird
có độ phân giải 0,6m, trong khi vệ tinh thời tiết NOAA có độ phân giải 1 Km.
Vệ tinh VNRedSat 1 của Việt Nam có độ phân giải mặt đất là 2,5m. Hình 1.4
là hai ảnh vệ tinh có độ phân giải khác nhau sẽ cho cảm nhận mặt đất khác
nhau.
Hình 1.4. Ảnh độ phân giải cao (trái) và độ phân giải thấp (phải)
7
c. Độ phân giải phổ
Độ phân giải phổ của ảnh là đề cập đến bước sóng phổ mà sensor nhạy
cảm với đối tượng trên mặt đất. Có thể nói độ phân giải phổ là số lượng kênh
của ảnh vệ tinh về một khu vực nào đó. Hình 1.5 thể hiện đáp ứng phổ của
các loại đát khác nhau trên mặt đất.
Hình 1.5. Đáp ứng phổ của các loại đá khác nhau [5]
d. Độ phân giải bức xạ
Độ phân giải bức xạ của ảnh vệ tinh là đề cập đến mức độ năng lượng
được mà sensor đo được. Nói cách khác, nó là sự khác biệt nhỏ nhất trong mức
năng lượng mà sensor có thể nhận biết.
e. Độ phân giải thời gian
Độ phân giải thời gian của ảnh vệ tinh là đề cập đến thời gian thu thập dữ
liệu. Nó liên quan đến khả năng chụp lặp cùng một vùng của vệ tinh cụ thể. Ví
dụ LANSAT có độ phân giải thời gian 18 ngày còn SPOT là 24 ngày. Các vệ
tinh khí tượng có độ phân giải thời gian cao nhất, ví dụ GMS là 30 phút và
NOAA là 6 giờ, để theo dõi sự chuyển động của mây, bão…
1.1.4. Khuân mẫu dữ liệu ảnh viễn thám
Khuôn mẫu dữ liệu ảnh viễn thám mô tả cách thức dữ liệu được ghi lên
thiết bị lưu trữ, ví dụ DVD. Một ảnh viễn thám thường được lưu trữ trong hai
8
tệp: tệp lưu trữ siêu dữ liệu hay dữ liệu của dữ liệu (metadata). Ví dụ với ảnh
của vệ tinh Landsat ETM+ thì các dữ liệu của chúng được lưu trữ như sau:
- Tệp metadata:
Chứa tập các mô tả bằng chữ hay số của dữ liệu lưu trữ trong tệp dữ liệu
ảnh. Chúng bao gồm tổng số dòng quét, số pixel/dòng, phép chiếu ảnh được sử
dụng và tọa độ địa lý của tâm ảnh...
- Tệp dữ liệu ảnh:
Tệp dữ liệu ảnh chứa các giá trị điểm ảnh của các kênh từ 1 đến 7, sắp
xếp theo từng kênh. Với mỗi kênh, các giá trị pixel của dòng quét thứ 1 được
lưu trữ từ trái sang phải thành một bản ghi. Tiếp theo là lưu trữ dữ liệu của dòng
quét thứ 2,...
Nói chung, khuôn mẫu ảnh viễn thám là đa dạng, tùy loại vệ tinh thu ảnh.
1.1.5. Các loại ảnh viễn thám
Phân loại ảnh vệ tinh theo nguồn năng lượng [5] và chiều dài bước sóng
của chúng. Ta có thể chia ảnh vệ tinh thành 3 loại cơ bản:
- Ảnh quang học là loại ảnh được tạo ra bởi việc thu nhận các bước sóng
ánh sang nhìn thấy (bước sóng 0.4 - 0.76 µm). Nguồn năng lượng chính là bức
xạ mặt trời
- Ảnh hồng ngoại (ảnh nhiệt) là loại ảnh được tạo ra bởi việc thu nhận
các bước sóng hồng ngoại phát ra từ vật thể (bước sóng 8 - 14 µm). Nguồn năng
lượng chính là bức xạ nhiệt của các vật thể.
- Ảnh Radar là loại ảnh được ra bởi việc thu nhận các bước sóng trong
dải sóng cao tần (bước sóng từ 1mm - 1m). Nguồn năng lượng chính là sóng
radar phản xạ từ các vật thể do vệ tinh tự phát cuống theo những bước sóng đã
được xác định.
Một số hệ thống vệ tinh và loại ảnh viễn thám
- Vệ tinh/Cảm biến thời tiết: TIROS-1, GOES, NOAA AVHRR…
9
- Các cảm biến/Vệ tinh quan trắc mặt đất: Landsat, SPOT, IRS, ASTER,
MODIS.
- Các cảm biến/vệ tinh quan trắc hải dương: Nimbus-7, MOS, SeaWIFS.
- Việt Nam có vệ tinh nhỏ VNRedSat1 đã đưa vào sử dụng từ 4 năm nay
(phóng lên quĩ đạo năm 2013).
Các trung tâm thu thập ảnh viễn thám theo qui trình được mô tả trên hình
1.1 sẽ cung cấp ảnh cho người sử dụng theo các cấp độ khác nhau. Ở Việt Nam,
ảnh vệ tinh có các mức độ như sau:
+ Mức 1A: ảnh vệ tinh thô - chưa định vị và xử lý phổ.
+ Mức 1B: hiệu chỉnh các sai số như sự quay của Trái đất, ảnh hưởng
của độ cong Trái đất, góc chụp nghiêng...
+ Mức 2A: ảnh được định vị về hệ tọa độ bản đồ UTM, Gauss... chỉ sử
dụng các thông tin quỹ đạo của vệ tinh, không sử dụng các điểm khống chế mặt
đất.
+ Mức 2B: ảnh vệ tinh được nắn chỉnh về hệ tọa độ bản đồ sử dụng các
điểm khống chế ảnh được đo đạc ngoài thực địa hoặc lấy từ bản đồ tỷ lệ lớn
hơn (áp dụng cho khu vực đồng bằng).
+ Mức 3: (trực ảnh) ảnh vệ tinh được nắn chỉnh về hệ tọa độ bản đồ sử
dụng các điểm khống chế và mô hình số độ cao để loại trừ các sai số do chênh
cao địa hình gây ra (áp dụng cho khu vực miền núi).
1.1.6. Ứng dụng của viễn thám
Trong các hệ thống viễn thám, mỗi loại cảm biến được thiết kế cho một
mục đích riêng, ví dụ cảm biến quang học được thiết kế dành cho việc thu thập
các băng phổ. Mỗi ứng dụng bản thân nó có những yêu cầu riêng, như độ phân
dải phổ, phân dải không gian, phân dải thời gian. Thông thường phải sử dụng
nhiều cảm biến mới đáp ứng mọi yêu cầu của một ứng dụng.
10
Ảnh viễn thám được sử dụng trong nhiều lĩnh vực như nông nghiệp, lâm
nghiệp, địa chất, thủy văn, lớp phủ đất và sử dụng đất, lập bản đồ, theo dõi đại
dương và khu vực bờ biển,... [1][5].
1.2. Khái quát về logic mờ
Lý thuyết tập mờ và logic mờ được công bố lần đầu tiên tại Mỹ vào năm
1965 bởi Lofti A. Zadeh một giáo sư tại trường Đại học California, Mỹ. Lý
thuyết mờ ra đời nhằm giải quyết những vấn đề không rõ ràng của thể giới thực
mà logic kinh điển không thể giải quyết một cách đầy đủ. Các phép toán của
logic kinh điển chỉ thừa nhận hai trạng thái giá trị “0” và “1”, trong khi đó phần
lớn các thông tin trong thế giới thực là không chính xác, không đầy đủ, không
rõ ràng và một trong những khả năng to lớn của con người là xử lý những thông
tin thực “không chính xác” và “nhập nhằng”.
Khái niệm về lý thuyết tập mờ cho phép xử lý các vấn đề sau đây:
- Những phạm trù có đường biên kém xác định (như “trung tâm huyện”
hay “cũ”...).
- Những tình huống trung gian giữa tất cả và không có gì (“hầu như là đã
thi đỗ”).
- Việc chuyển nhích dần từ một tính chất này sang một tính chất khác (từ
“gần” tới “xa”).
- Những giá trị gần đúng (“khoảng 100km”).
Nội dung dưới đây trình bày những vấn đề cơ bản về logic mờ liên quan
đến chủ đề nghiên cứu trong luận văn, các vấn đề này được tham khảo trong tài
liệu [1], [4].
1.2.1. Khái niệm về tập rõ và tập mờ
1.2.1.1. Tập rõ (Crip set)
Trong lý thuyết tập hợp cổ điển, quan hệ thành viên của các phẩn tử đối
với tập hợp được đánh giá theo kiểu nhị phân một cách rõ ràng: mỗi phần tử x
tham chiếu X là chắc chắn thuộc tập A hoặc chắc chắn không thuộc tập A. Ta
gán cho phần tử đó giá trị 1 nếu phần tử chắc chắn thuộc tập A và giá trị 0 nếu
phần tử chắc chắn không thuộc tập A.
11
Để biểu diễn một tập hợp A trên tập nền X, ta dùng hàm thuộc A(x), với:
A(x) chỉ nhận một trong hai giá trị “1” hoặc “0”.
1.2.1.2. Tập mờ (Fuzzy set)
Một tập mờ A của không gian X được xác định bởi hàm thuộc như
sau: A: X 0,1 trong đó A(x) là giá trị thành viên của x trong A. Không
gian X luôn là tập rõ.
Nếu không gian được định nghĩa là một tập hợp rời rạc xác định các giá
𝑛
trị X ={x1, x2, …, xn} thì một tập mờ A trên X được biểu diễn như sau:
𝐴 = + + … + 𝜇𝐴(𝑥1) 𝑥1 𝜇𝐴(𝑥2) 𝑥2 𝜇𝐴(𝑥𝑛) 𝑥𝑛 𝜇𝐴(𝑥𝑖) 𝑥𝑖 = ∑ 𝑖=1
A(xi)/xi chỉ ra giá trị tham gia tới tập mờ A đối với X. Ký hiệu “/” gọi là
chia, hàm và “+” là tập hợp và nối các khoản mục.
Nếu không gian là tập vô hạn, không đếm được X = {x1, x2, …} thì tập
mờ A trên X được biểu diễn:
𝜇𝐴(𝑥) 𝑥
𝐴 = ∫ 𝑋
Ký pháp “ ” không liên quan gì đến tích phân mà chỉ có nghĩa rằng với
mọi phần tử x của miền X (X là miền không đếm được) đều được gán với một
độ thuộc của x vào tập mờ A.
1.2.2. Hàm thuộc
Lựa chọn hàm thuộc hợp lệ cho một tập mờ là một trong những nội dung
quan trọng nhất của logic mờ. Lựa chọn hàm thuộc là trách nhiệm của người
sử dụng để có một hàm thuộc diễn tả tốt nhất cho khái niệm mờ được mô hình
hóa.
12
Các tiêu chí sau là hợp lệ cho tất cả các hàm thuộc:
- Hàm thuộc phải là hàm có giá trị thực trong khoảng [0,1].
- Các giá trị hàm thuộc sẽ là 1 tại tâm của tập hợp.
- Hàm thuộc sẽ suy biến khi có khoảng cách thích hợp từ tâm đến ranh giới.
- Các điểm có giá trị 0,5 (điểm cắt ngang) sẽ là ranh giới của tập rõ, nếu
chúng ta vận dụng việc phân lớp rõ thì ranh giới phân lớp sẽ miêu tả bởi các
điểm cắt ngang.
Có hai kiểu hàm thuộc là hàm thuộc tuyến tính và hàm thuộc hình sin
thường được áp dụng.
1.2.2.1. Hàm thuộc tuyến tính
Hàm thuộc tuyến tính có 4 tham số xác định hình dạng hàm. Bằng việc lựa
chọn các giá trị thích hợp a, b, c, d sẽ tạo ra các hàm các hình dạng khác nhau.
a. Hàm thuộc tam giác
Hàm thuộc tam giác với các tham số cận dưới a, cận trên b và giá trị đỉnh
𝑎+𝑏
tam giác là m với a < m < b. Hàm thuộc tam giác được gọi là đối xứng nếu b -
2
m = m - a hoặc 𝑚 =
0 𝑛ế𝑢 𝑥 ≤ 𝑎 ℎ𝑜ặ𝑐 𝑥 ≥ 𝑏
𝑛ế𝑢 𝑎 < 𝑥 < 𝑚
𝜇𝐴(𝑥) =
𝑛ế𝑢 𝑚 < 𝑥 < 𝑏
A(x)
A(x)
x
x
a)
b)
{ 𝑥 − 𝑎 𝑚 − 𝑎 𝑏 − 𝑥 𝑏 − 𝑚 ℎ 𝑛ế𝑢 𝑥 = 𝑚 𝑣ớ𝑖 ℎ ≤ 1
Hình 1.6. Hàm thuộc tam giác
13
Đồ thị của hàm thuộc tam giác không đối xứng (hình 1.6a) và đồ thị tam
giác đối xứng (hình 1.6b).
b. Hàm thuộc hình thang
Hàm thuộc hình thang được xác định bởi bộ 4 tham số theo công thức:
0 𝑛ế𝑢 𝑥 ≤ 𝑎 ℎ𝑜ặ𝑐 𝑥 ≥ 𝑑
𝑛ế𝑢 𝑎 < 𝑥 < 𝑏
𝜇𝐴(𝑥) =
𝑛ế𝑢 𝑐 < 𝑥 < 𝑑 𝑥 − 𝑎 𝑏 − 𝑎 𝑑 − 𝑥 𝑑 − 𝑐 { ℎ 𝑛ế𝑢 𝑏 ≤ 𝑥 ≤ 𝑐 𝑣ớ𝑖 ℎ ≤ 1
A(x)
x
Đồ thị hàm thuộc hình thang có dạng như hình 1.7
Hình 1.7. Hàm thuộc hình thang
c. Hàm thuộc L
Hàm thuộc L được xác định bởi công thức như sau:
𝑏−𝑥
ℎ 𝑛ế𝑢 𝑥 ≤ 𝑎 𝑣ớ𝑖 ℎ ≤ 1
𝑏−𝑎
𝑛ế𝑢 𝑎 < 𝑥 < 𝑏 𝜇𝐴(𝑥) = {
x
𝑜 𝑛ế𝑢 𝑥 ≥ 𝑏
14
Hình 1.8. Hàm thuộc hình L
1.2.2.2. Hàm thuộc hình sin
Hàm thuộc hình sin chính xác hơn so với hàm thuộc tuyến tính vì hàm
thuộc không bị gấp khúc tại các nút. Hàm thuộc này (Hình 1.9) có 4 tham số và
tùy theo việc lựa chọn giá trị mà có các dạng hàm thuộc hình chữ S, hình chữ
0 𝑛ế𝑢 𝑥 < 𝑎
(1 − cos (𝜋
)) 𝑛ế𝑢 𝑎 ≤ 𝑥 ≤ 𝑏
𝜇𝐴(𝑥) =
(1 + cos (𝜋
)) 𝑛ế𝑢 𝑎 ≤ 𝑥 ≤ 𝑏
𝑥 − 𝑎 𝑏 − 𝑎 𝑥 − 𝑐 𝑑 − 𝑐
1 2 1 2
{
0 𝑛ế𝑢 𝑥 > 𝑑
L, hình chuông. Đồ thị và công thức tổng quát của hàm thuộc hình sin:
Giá trị hàm
thuộc
Hình 1.9. Hàm thuộc hình Sin
1.2.3. Một số đặc trưng của tập mờ
Các đặc trưng của một tập mờ A trên X, là những thông tin để mô tả về
các phần tử liên quan đến tập mờ A, những đặc trưng này còn chỉ rõ sự khác
biệt của tập mờ với tập rõ.
- Giá của tập mờ A (Support)
Tất cả các phần tử của không gian X có giá trị hàm thuộc lớn hơn 0 trong
tập mờ A được gọi là giá của A được ký hiệu và định nghĩa:
supp(A) = {x X/ A(x) >0}
- Chiều cao tập mờ A (Height)
15
Height của tập mờ A là giá trị lớn nhất mà hàm thuộc có thể lấy trong tập
mờ A. hgt(A) = supp{ A(x), xX}
Nếu hgt(A) = 1 tức là có chắc chắn ít nhất 1 phần tử của X thuộc tập mờ
A khi đó tập mờ được gọi là chuẩn hóa.
- Tập mờ tương đương (Equality)
Hai tập mờ A và B tương đương (ký hiệu là A = B) nếu x X thì A(x)
= B(x).
- Bao hàm (Inclusion)
Tập mờ A bao hàm tập mờ B hay nói cách khác là tập mờ A chứa tập mờ
B (ký hiệu là A B) nếu x X thì A(x) B(x).
1.2.4. Các phép toán trên tập mờ
Các phép toán trên tập mờ được định nghĩa giống như đối với tập rõ, tuy
nhiên không phải tất cả các quy tắc cho tập rõ cũng hợp lệ với tập mờ.
a. Phép hợp (Union)
Hợp của hai tập mờ A và B trên X là một tập mờ trên X với hàm thuộc
µA∪B(x) = max (µA(x), µB(x)), x∈ X
µA∪B(x) = µA(x) + µB(x) - µA(x).µB(x)
µA∪B(x) = min(1, µA(x) + µB(x))
được xác đinh bằng một trong ba phép toán sau:
b. Phép giao (Intersection)
Giao của hai tập mờ A và B trên X là một tập mờ trên X với hàm thuộc
µA∩B(x) = min (µA(x), µB(x)), x∈ X
µA∩B(x) = µA(x).µB(x)
µA∩B(x) = max (0, µA(x) + µB(x) - 1)
được xác đinh bằng một trong ba phép toán sau:
c. Phần bù (Complement)
16
Phần bù của một tập mờ A là một tập con mờ trên X với hàm thuộc được
xác định: 𝜇𝐴(𝑥) = 1 − 𝜇𝐴(𝑥), 𝑥𝜖 𝑋
Dưới đây là bảng các tính chất cho phép toán tập hợp đúng cho cả tập rõ
và tập mờ:
𝐴 ∪ 𝐴 = 𝐴
1
Tính chất đối xứng
𝐴 ∩ 𝐴 = 𝐴
2
(𝐴 ∪ 𝐵) ∪ 𝐶 = 𝐴 ∪ (𝐵 ∪ 𝐶)
3
Tính chất kết hợp
(𝐴 ∩ 𝐵) ∩ 𝐶 = 𝐴 ∩ (𝐵 ∩ 𝐶)
4
𝐴 ∪ 𝐵 = 𝐵 ∪ 𝐴
5
Tính chất giao hoán
𝐴 ∩ 𝐵 = 𝐵 ∩ 𝐴
6
𝐴 ∪ (𝐵 ∩ 𝐶) = (𝐴 ∪ 𝐵) ∩ (𝐴 ∪ 𝐶)
7
Tính chất phân phối
𝐴 ∩ (𝐵 ∪ 𝐶) = (𝐴 ∩ 𝐵) ∪ (𝐴 ∩ 𝐶)
8
9
𝐴 ∪ 𝐵 = 𝐴 ∩ 𝐵
Định luật DeMorgan
10
𝐴 ∩ 𝐵 = 𝐴 ∪ 𝐵
Phần bù của phần bù
11
𝐴̿ = 𝐴
Bảng 1.1. Các tính chất phép toán tập hợp [4]
1.2.5. Biến ngôn ngữ (Liguistic Variable)
Số mờ đóng vai trò quan trọng trong việc xây dựng biến mờ định lượng
là biến có trạng thái định bởi các số mờ. Khi các số mờ biểu diễn các khái niệm
ngôn ngữ như rất nhỏ, nhỏ, trung bình, lớn, rất lớn,… trong một ngữ cảnh cụ
thể, biến mờ được gọi là biến ngôn ngữ. Biến ngôn ngữ được xác định theo một
biến cơ sở trên một tập cơ sở là số thực trên một khoảng cụ thể. Biến cơ sở có
thể là: điểm, tuổi, lãi suất, lương, nhiệt,… Trong một biến ngôn ngữ, các giá trị
ngôn ngữ biểu diễn các giá trị xấp xỉ của biến cơ sở, các giá trị ngôn ngữ này
là các số mờ.
Biến ngôn ngữ được đặc trưng bởi bộ năm (V, T, X, g,m), trong đó:
17
- V là tên biến ngôn ngữ.
- T là tập các giá trị của biến ngôn ngữ.
- X là tập cơ sở.
- g là tập các luật của một văn phạm tạo ra các giá trị ngôn ngữ của tập T.
- m là tập các luật ngữ nghĩa gán giá trị t T.
Các toán tử áp dụng cho tập mờ ngôn ngữ được thể hiện tại bảng 1.2:
Bảng 1.2. Các phép toán với biến ngôn ngữ
𝜇𝑛𝑜𝑟𝑚(𝐴)(𝑥) =
Các toán tử (Operator) Expresstion
𝜇𝐴 ℎ𝑔𝑡(𝜇𝐴)
2(𝑥)
Normalization
𝜇𝑐𝑜𝑛(𝐴)(𝑥) = 𝜇𝐴
Concentration
𝜇𝑑𝑖𝑙(𝐴)(𝑥) = √𝜇𝐴 (𝑥)
Dilation
𝜇𝑛𝑜𝑡(𝐴)(𝑥) = 𝜇𝐴(𝑥) = 1 − 𝜇𝐴(𝑥)
2(𝑥) 𝑛ế𝑢 𝜇𝐴(𝑥) ∈ ⌊0, 0.5⌋
2
Negation
𝑐á𝑐 𝑡𝑟ườ𝑛𝑔 ℎợ𝑝 𝑘ℎá𝑐
2𝜇𝐴 1 − 2(1 −𝜇𝐴(𝑥))
Contracst intensification 𝜇𝑖𝑛𝑡(𝐴)(𝑥) = {
1.3. Kết chương 1
Chương một đã giới thiệu tổng quan về viễn thám và nguyên lý hoạt
động, ứng dụng của ảnh viễn thám, các loại ảnh viễn thám. Đồng thời cũng đã
hệ thống được các kiến thức cơ bản về logic mờ. Các kiến thức ở chương 1 sẽ
là nền tảng cơ bản để luận văn đi tiếp nghiên cứu các kỹ thuật nâng cao chất
lượng ảnh viễn thám trong chương 2 và xây dựng chương trình thử nghiệm
trong chương 3.
18
Chương 2
CÁC KỸ THUẬT NÂNG CAO CHẤT LƯỢNG
ẢNH VIỄN THÁM
Chương này trình bày tiến trình chung của việc xử lý ảnh viễn thám, từ
đó thấy rõ hơn phạm vi nghiên cứu của luận văn. Sau đó luận văn trình bày sâu
hơn một số kỹ thuật nâng cao chất lượng ảnh viễn thám để phục vụ công đoạn
phân lớp, gán nhãn ảnh viễn thám.
2.1. Khái quát về tiến trình xử lý ảnh viễn thám
Phần lớn công việc diễn giải và giải đoán ảnh viễn thám được thực hiện
bằng thủ công hay mắt thường trên các ảnh chụp (ảnh tương tự). Đối với các ảnh
số, có thể giải đoán bằng thủ công hay bằng máy tính. Xử lý số có thể được sử
dụng cho các ảnh số để tăng cường chất lượng ảnh để giải đoán tốt hơn. Xử lý
và phân tích ảnh số có thể tự động giải đoán các đối tượng trên ảnh mà không
cần can thiệp của con người. Tuy nhiên, thực tế thì rất ít khi xử lý và phân tích
ảnh thay thế hoàn toàn thủ công. Nó thường là hỗ trợ người phân tích trong việc
giải đoán ảnh viễn thám. Giải đoán ảnh viễn thám bằng máy tính hay thủ công
đều có ưu nhược điểm riêng. Vậy, cả hai kỹ thuật giải đoán này thường được sử
dụng.
Xử lý ảnh số là thực hiện một loạt thủ tục bao gồm lập khuôn mẫu, hiệu
chỉnh dữ liệu, nâng cao chất lượng để dễ dàng giải đoán hay phân lớp tự động
các đối tượng bằng máy tính. Để có thể xử lý số ảnh viễn thám, dữ liệu phải
được thu thập dưới dạng số phù hợp và lưu trữ trong máy tính. Đồng thời phải
có phần cứng, phần mềm phù hợp, nói cách khác phải có hệ thống phân tích
ảnh phù hợp.
Xử lý ảnh viễn thám bao gồm nhiều bước và được phân thành ba nhóm
chính như sau:
(i) Tiền xử lý
(ii) Nâng cao chất lượng và hiển thị ảnh
19
(iii) Trích chọn đặc trưng
Phần lớn các chức năng xử lý ảnh trong hệ thống phân tích ảnh được chia
thành các nhóm chính sau:
Tiền xử lý: Các thao tác tiền xử lý, còn được gọi là khôi phục và hiệu
chỉnh ảnh, thực hiện hiệu chỉnh hình học (hình 2.1) và hiệu chỉnh phóng xạ.
Có hai loại méo hình học thường gặp [5], bao gồm méo hệ thống và méo
không hệ thống. Méo không hệ thống là méo không ổn định về mặt hình học
như bị ảnh hưởng bới tốc độ bay của vệ tinh, góc nhìn, độ cao... Méo hệ thống
là do tốc độ gương bị thay đổi, nó gây ra các đường quét đều méo giống nhau
hoặc đường quét bị kéo lệch một phía. Nắn ảnh méo hệ thống tương đối đơn
giản.
Hình 2.1. Nắn chỉnh hình học [5]
Hiệu chỉnh phóng xạ bao gồm hiệu chỉnh dữ liệu do tính không đều của
sensor hay nhiễu khí quyển.
Hiệu chỉnh hình học bao gồm hiệu chỉnh biến dạng hình học vì dao
động của hình học Trái đất-sensor và chuyển đổi dữ liệu sang hệ tọa độ thế
giới thực (kinh vĩ độ) trên bề mặt Trái đất. Sau đây là một số kỹ thuật hay
sử dụng.
- Nâng cao chất lượng ảnh: Các thao tác này làm tăng cường độ rõ của
ảnh để hỗ trợ giải đoán và phân tích ảnh. Các chức năng nâng cao chất lượng
20
ảnh bao gồm co dãn tương phản (hình 2.2), lọc không gian để làm nổi các màu
trên ảnh…
Hình 2.2. Cân bằng lược đồ màu
- Biến đổi ảnh: Bao gồm các thao tác tương tự nâng cao chất lượng ảnh.
Trong khi nâng cao chất lượng ảnh chỉ làm việc với một kênh ảnh vào
một thời điểm, biến đổi ảnh thực hiện xử lý dữ liệu từ đa băng phổ. Các thao
tác số học (trừ, cộng, nhân, chia) được thực hiện để tổ hợp và biến đổi các băng
gốc để sinh ra ảnh mới giúp hiển thị tốt hơn, làm rõ các đặc trưng hơn.
- Phân lớp và phân tích ảnh: Các thao tác thuộc nhóm này được thực hiện
để nhận biết và phân lớp các điểm ảnh. Phân lớp thông thường được thực hiện
trên tập dữ liệu đa kênh và tiến trình này gán cho mỗi pixel trong ảnh một lớp cụ
thể trên cơ sở đặc trưng thống kê của các giá trị độ chói pixel. Có nhiều tiệm cận
khác nhau để thực hiện phân lớp. Hai tiệm cận chính hay được sử dụng đó là
phân lớp có giám sát và phân lớp không có giám sát (hình 2.3).
Hình 2.3. Phân lớp có giám sát (trái) và không giám sát (phải) [5]
21
Phân lớp không giám sát là tiến trình hoàn toàn tự động. Nó được sự
dụng khi thiếu thông tin về vùng sẽ phân lớp. Còn phân lớp giám sát được sử
dụng khi biết một số thông tin về ảnh. Phương pháp này cho kết quả tối ưu
hơn.
Giới hạn phạm vi nghiên cứu của luận văn này là khảo sát các kỹ thuật
nâng cao chất lượng ảnh viễn thám, tập trung sâu hơn vào kỹ thuật tăng cường
độ tương phản sử dụng logic mờ.
2.2. Một số kỹ thuật nâng cao chất lượng ảnh viễn thám
Tiền xử lý ảnh viễn thám nhằm nâng cao chất lượng ảnh để giải đoán,
thông thường bao gồm các thao tác như hiệu chỉnh bức xạ (radiometric,
cosmetic), hiệu chỉnh hình học dữ liệu thu được từ đầu đo (sensor) của vệ tinh
và tăng cường chất lượng ảnh (image enhancement) [1]. Một vài kỹ thuật hay
được sử dụng trong tiền xử lý ảnh viễn thám được mô tả sau đây.
2.2.1. Hiệu chỉnh bức xạ
Hiệu chỉnh bức xạ là thực hiện hiệu chỉnh dữ liệu do sự bất bình thường
của sensor và nhiễu do khí quyển. Khí quyển có ảnh hưởng lớn đến quá trình
quét ảnh và truyền thông tin, nó gây nhiễu và làm sai lệch các thông tin thực tế.
Ví dụ, bóng mây và mặt nước có thể cho lại ảnh với giá trị độ sáng của mỗi tế
bào (DN- Digital Number) có giá trị 0 ở băng 7 của ảnh Landsat. Với loại lỗi
này, có thể hiệu chỉnh bằng lược đồ màu của từng băng, bộ lọc thông thấp hay
xếp chồng ảnh kế tiếp. Nói chung, khí quyển là hệ thống động và cực kỳ phức
tạp. Do vậy, ảnh hưởng giữa khí quyển và sóng điện từ không được mô tả chi
tiết ở luận văn này.
Đường quét ảnh thiếu được hiệu chỉnh bằng nhiều phương pháp khác
nhau. Ví dụ với một băng phổ của ảnh Landsat có 6 detector (mắt thần), mỗi
thông tin cung cấp một hàng dữ liệu trong quá trình quét và truyền. Khi thông
tin của một detector bị mất thì hàng ảnh đó trở thành đen, hay DN=0. Phương
22
pháp khôi phục đơn giản có thể là tính giá trị DN trung bình của hàng trên và
hàng dưới sau đó gán giá trị nguyên cho hàng thiếu thông tin. Với trường hợp
giá trị DN của một hàng nào đó trên ảnh có giá trị cao gấp hai lần giá trị trung
bình làm dòng ảnh có màu trắng. Giải pháp có thể là xây dựng biểu đồ màu
của sáu hàng trên ảnh. Sau đó tính giá trị trung bình trên đồ thị để gán giá trị
cho dòng bị thiếu. Một phương pháp hiệu quả để khôi phục thông tin điểm
ảnh là do Bernstein và cộng sự đề xuất. Giá trị điểm ảnh trong băng k được
ước lượng như sau:
} + 𝑣𝑖,𝑗,𝑘 = 𝑀 {𝑣𝑖,𝑗,𝑟 − 𝑣𝑖,𝑗+1,𝑟 + 𝑣𝑖,𝑗−1,𝑟 2 𝑣𝑖,𝑗+1,𝑘 + 𝑣𝑖,𝑗−1,𝑘 2
trong đó, M là tỷ lệ giữa độ lệch chuẩn giá trị điểm ảnh trong băng k và
độ lệch chuẩn giá trị điểm ảnh trong băng r tương quan.
2.2.2. Hiệu chỉnh hình học
Các lỗi hình học trên ảnh chụp từ vệ tinh xuất phát từ lỗi thiết bị, sự xoay
của Trái đất, biến dạng của cảnh chụp... Ảnh viễn thám không phải là bản đồ.
Thông thường các thông tin trích chọn từ ảnh viễn thám được tích hợp với dữ
liệu bản đồ trong GIS hay chúng được trình diễn dưới hình thức “tương tự” bản
đồ. Do vậy, dữ liệu viễn thám phải được co dãn, chiếu..., hay nói cách khác là
được hiệu chỉnh hình học sao cho phù hợp. Một số nhà nghiên cứu đã đề xuất
mô hình hình học quĩ đạo cơ sở, chúng hình thành từ các tính chất quĩ đạo của
vệ tinh. Mô hình cơ sở được thể hiện bởi các phương trình quan trắc cộng tuyến.
Các phương trình này mô tả tính chất quĩ đạo vệ tinh, hình học của sự quan sát
và hệ thống tọa độ địa lý. Một số phương pháp hiệu chỉnh hệ thống tọa độ của
ảnh viễn thám trước đây như của Landgrebe… đã sử dụng mô hình này với xấp
xỉ tham số vệ tinh giả định để hình thành các ma trận biến đổi affine. Do vậy,
phương pháp này không được áp dụng trong thực tế. Mô hình phân tích đầy đủ
hơn được hình thành có tính đến nhiều tham số thực như sự dao động về kinh
23
vĩ độ của hệ thống thiết bị,… Phương pháp biến đổi trên cơ sở các điểm điều
khiển mặt đất (những điểm biết chính xác vị trí của chúng trên bản đồ và trên
ảnh) được áp dụng để phát triển phần mềm xử lý ảnh viễn thám cũng như trong
GIS. Từ sự khác biệt giữa sự phân bổ tập điểm trên ảnh và phân bổ các điểm
này trên bản đồ, sự biến dạng của ảnh có thể được ước lượng. Tiến trình hiệu
chỉnh hình học thường được sử dụng là trên cơ sở kỹ thuật “tấm cao su - rubber
sheeting” như mô tả trong [1]. Giả sử (x, y) là hệ trục tọa độ của bản đồ, (c, r)
là hệ trục tọa độ ảnh, ta phải thực hiện phép biến đổi 𝑇(𝑐, 𝑟) → (𝑥, 𝑦). Giải
𝑁
𝑁
pháp được sử dụng là phải xác định cặp hàm tham số sau:
𝑖=0
𝑗=0
𝑁
𝑁
𝑥 = ∑ ∑ 𝑎𝑖𝑗𝑃𝑖(𝑐)𝑃𝑗(𝑟)
𝑖=0
𝑗=0
𝑦 = ∑ ∑ 𝑏𝑖𝑗𝑃𝑖(𝑐)𝑃𝑗(𝑟)
trong đó, P là đa thức Chebychev, các tham số aij và bij cần được ước
lượng bằng kỹ thuật nào đó.
Phương pháp nắn chỉnh hình học biến đổi sáu tham số của W. H.
Sprinsky với hệ phương trình như sau thường được sử dụng:
trong đó, β2 và β5 thể hiện phép tịnh tiến từ gốc tọa độ, β0, β1, β3 và β4 thể
hiện các phép biến đổi như xoay, co dãn.
Các hệ số βi với i=0…5 được ước lượng bằng phương pháp hồi qui bình
phương tối thiểu (RMS) trên cơ sở các điểm điều khiển do người sử dụng lựa
chọn. Lỗi bình phương tối thiểu (RMS error) theo hướng x được tính như sau:
𝑛 2 ∑ 𝛿𝑥𝑖 𝑖=1
𝑚𝑥 = √ 1 𝑛
24
Tính tương tự cho hướng y là my. Sau đó, giá trị lỗi RMS tổng thể là:
2 2 + 𝑚𝑦
𝑚𝑡𝑜𝑡𝑎𝑙 = √𝑚𝑥
Trong một số trường hợp, hiệu chỉnh hình học bởi đa thức bậc nhất là
đáp ứng yêu cầu người sử dụng. Tổng quát, có thể sử dụng đa thức bậc 2, 3
hoặc cao hơn để hiệu chỉnh. Tuy nhiên việc ước lượng các tham số cho các đa
thức bậc cao là khá phức tạp.
2.2.3. Nâng cao chất lượng ảnh viễn thám
Nâng cao chất lượng ảnh viễn thám là nhằm mục đích hiển thị ảnh rõ
hơn, hỗ trợ hiệu quả hơn đối với việc diễn giải và phân tích trực quan hay tự
động. Các vấn đề đã được các nhà khoa học nghiên cứu nhiều bao gồm tăng
cường sự tương phản và lọc không gian nhằm làm rõ hơn (hoặc loại bỏ) mẫu
không gian cụ thể nào đó trong ảnh. Thông tin chứa trong ảnh được biểu diễn
bởi mô hình sau đây:
Dữ liệu ảnh = Mẫu vùng + Mẫu địa phương + Nhiễu
= Nền + Tiền cảnh (chi tiết) + Nhiễu
= Các tần số thấp + Các tần số cao + Nhiễu
Có hai loại nhiễu chính là nhiễu ngẫu nhiên và nhiễu theo chu kỳ. Ví dụ
nhiễu ngẫu nhiên là nhiễu đốm trong ảnh viễn thám. Nhiễu chu kỳ xảy ra do
nhiều yếu tố khác nhau như sinh ra từ máy scanner cơ điện, sự dao động của
động cơ tàu vũ trụ... Bộ lọc số được áp dụng để tách các thành phần không gian
cụ thể ra khỏi ảnh số.
Lọc ảnh viễn thám có thể thực hiện trên từng kênh ảnh hay với nhiều
kênh ảnh đồng thời. Có ba nhóm chính là lọc tăng độ tương phản, lọc làm mịn
ảnh (lọc nhiễu) và lọc làm nổi biên ảnh. Nhiễu ảnh được coi như sự đột biến
của một vài điểm ảnh. Trong không gian tần số thì nhiễu tương ứng với các
thành phần tần số cao. Cơ sở lý thuyết của kỹ thuật lọc số là dựa trên tính dư
25
thừa thông tin không gian: các pixel lân cận có thể có cùng hoặc gần cùng một
số đặc tính.
Kỹ thuật lọc ảnh thường sử dụng ma trận nxn phần tử, gọi là ma trận
trọng số hay kernel hay mặt nạ làm cửa sổ lọc để di chuyển trên toàn bộ ảnh
gốc. Trong đó, n có giá trị từ 3 đến 9 và giá trị trọng số phụ thuộc vào phép lọc
cụ thể. Ma trận lọc sẽ được áp dụng cho toàn bộ ảnh theo nguyên tắc cửa sổ
trượt để tạo ra ảnh mới. Hình 2.4 mô tả thao tác lọc miền không gian.
Hình 2.4. Lọc ảnh số trong miền không gian
Giá trị điểm ảnh của ảnh mới được tính toán như sau:
trong đó, f - ma trận ảnh đầu vào
h – toán tử lọc
n – kích thước ma trận lọc
i,j – tọa độ điểm ảnh
Công thức trên là tích chập (Convolution) giữa ảnh gốc f và mặt nạ h.
Nếu ma trận ảnh có chiều là m1 x n1, kernel có chiều là m2 x n2 thì chiều của
ma trận tích chập sẽ là (m1 + m2 - 1) x (n1 + n2 - 1) và giá trị tại mổi phần tử
được tính bằng cách quét toàn bộ, tuần tự từng điểm của ma trận Kernel lên
từng điểm trên ma trận ma trận ảnh, sau đó tính tổng tính các cặp điểm tương
26
ứng, trong quá trình quét có những điểm trên Kernel nằm ngoài ma trận khi đó
tích của nó bằng 0. Ví dụ tích chập như trên hình 2.5.
Một số mặt nạ hay sử dụng cho lọc tuyến tính là:
| | | ℎ1 = | ℎ2 = | ℎ3 = 1 9 1 10 1 16 1 1 1 | 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 2 1 2 4 2 1 2 1
Hình 2.5. Ví dụ tích chập
2.2.4. Tăng cường sự tương phản
Sensor vệ tinh có khả năng thu nhận bức xạ với mức phản xạ từ rất thấp
(ví dụ bề mặt đại dương) đến mức cao (ví dụ mặt đất phủ bởi tuyết hoặc băng).
Tuy nhiên thực tế, nhiều vùng ảnh chụp bằng sensor bị mờ, thiếu tương phản
hay quá sáng, chúng cần được hiệu chỉnh.
Hình 2.6. Dãn tuyến tính lược đồ màu
Mức độ tương phản giữa vùng tối và vùng sáng của ảnh được nâng cao
bằng nhiều kỹ thuật khác nhau như tăng cường bằng dãn lược đồ tuyến tính,
27
dãn lược đồ đa tuyến tính, hàm cân bằng lược đồ màu, bảng tra cứu màu giả
(pseudo-color), hay Gauss... Trên hình 2.6 là lược đồ đa cấp xám của ảnh trước
và sau khi dãn tuyến tínhDãn tuyến tính lược đồ đa cấp xám được tính toán
theo công thức dưới đây:
trong đó, BVin là giá trị độ chói điểm ảnh vào
quantk là dải giá trị mức chói có thể hiển thị (255)
mink là giá trị cực tiểu trong ảnh
maxk là giá trị cực đại của ảnh
BVout là giá trị mức chói điểm ảnh kết quả.
Phương pháp dãn đa tuyến tính là thực hiện dãn riêng biệt từng khoảng
của mức độ xám của ảnh gốc.
Phương pháp Gauss thực hiện điều chỉnh lược đồ các giá trị điểm ảnh
quan sát vào lược đồ chuẩn hay lược đồ Gauss. Với phân bố chuẩn, xác xuất
quan sát giá trị x cho bởi giá trị trung bình 𝑥̅ được định nghĩa như sau:
−(𝑥−𝑥̅)2 2𝜎2
1 𝑝(𝑥) = 𝑒 𝜎√2𝜋
trong đó, 𝜎 là độ lệch tiêu chuẩn, được xác định khi hàm p(x) giảm xuống
còn 0.607 của giá trị cực đại. Bộ lọc Gauss gồm tích chập của ảnh đầu vào I
với mặt nạ Gauss G(x,y,𝜎). Kỹ thuật này có thể áp dụng cho ảnh đa mức xám
và các kênh riêng lẻ R, G, B của ảnh màu. Ưu điểm của bộ lọc này là dễ cài đặt
và cho lại ảnh chất lượng khá cao. Mặt nạ hay được sử dụng cho phương pháp
này có kích thước 5x5 hay 7x7. Ví dụ với mặt nạ kích thước 5x5 như sau:
28
Giãn ảnh theo hàm logarit được thực hiện khi áp dụng hàm logarit cho
biểu đồ đa mức xám. Nó đặc biệt có hữu ích khi người sử dụng quan tâm đến
vùng có giá trị mức xám thấp. Ví dụ ảnh kết quả lọc Gauss (hình 2.7).
Hình 2.7. Tăng cường tương phản bằng phương pháp Gauss
2.2.5. Lọc không gian
Sử dụng lọc không gian như áp dụng lọc thông thấp, lọc thông cao hay
lọc trung bình... để làm giảm nhiễu ảnh hay tách cạnh ảnh. Trên cơ sở tính chất
của ảnh là các pixel lân cận có cùng hoặc gần cùng một số đặc tính. Vậy, nhiễu
được xem như sự dịch chuyển nhanh của tín hiệu trong miền quan sát và tương
ứng với thành phần tần số cao trong miền biến đổi. Ta có thể loại bỏ nhiễu bằng
các bộ lọc như lọc trung bình, lọc trung vị, lọc thích nghi,... trong miền quan
sát, hay loại bỏ thành phần tần số cao trong miền biến đổi (miền tần số). Trên
cơ sở các phép biến đổi như Fourier, Karhuman-Loeve, DCT, DWT, Walsh-
Hadamard... các bộ lọc như Butterworth hay đồng hình được xây dựng để lọc
nhiễu. Với kỹ thuật lọc nhiễu bằng phép biến đổi DWT, ta có thể tách dãy dữ
liệu 1D thành các tập con các hệ số chi tiết ở các mức n/2, n/4... Trong khi DFT
thực hiện tách một tín hiệu bất kỳ thành tập vô hạn các hàm sin điều hòa thì
DWT hình thành tập sóng nhỏ thông qua co dãn tín hiệu và dịch chuyển theo
thời gian một hàm đơn (hàm cơ sở) chọn trước. Theo [1] thì sự thay đổi của
nhiễu trắng có phân bố Gauss với trung bình 0 được ước lượng từ các hệ số của
29
phép biến đổi DWT này. Vậy, có thể tính được giá trị ngưỡng từ biến đổi nhiễu
để xây dựng bộ lọc nhiễu ảnh.
2.2.6. Lọc trung vị
Lọc trung vị (median filter) còn gọi là bộ lọc Tuckey, là một kĩ thuật lọc
phi tuyến (non-linear), nó khá hiệu quả đối với hai loại nhiễu: nhiễu đốm
(speckle noise) và nhiễu muối tiêu (salt-pepper noise) và bảo toàn biên ảnh.
Lọc phi tuyến xem một điểm ảnh kết quả không phải là tổ hợp tuyến tính của
các điểm lân cận. Khái niệm trung vị được định nghĩa như sau:
Cho dãy ký hiệu x1; x2...; xn đơn điệu tăng (giảm), trung vị Median(xn)
của dãy ký hiệu là:
, nếu n lẻ +
+ hoặc , nếu n chẵn
Sau đây là các bước thực hiện lọc trung vị:
Bước 1: Tìm điểm ảnh bị lỗi trong ảnh để xử lý
Bước 2: Chọn kích thước của cửa sổ (mặt nạ là một ma trận).
Bước 3: Sắp xếp các pixel (kể cả pixel bị lỗi ) theo dãy có thứ tự
tăng (giảm) dần
Bước 4: Thay pixel bị lỗi bằng giá trị giữa của dãy vừa tính được
Bước 5: Dịch cửa sổ sang cột (hàng kế tiếp).
Bước 6: Lặp lại bước 3.
Kĩ thuật này được sử dụng rất phổ biến trong xử lý ảnh và áp dựng hiệu
quả đối với ảnh vệ tinh.
2.2.7. Biến đổi ảnh
Biến đổi ảnh viễn thám tương tự như nâng cao chất lượng ảnh. Trong khi
chức năng nâng cao chất lượng ảnh làm việc chủ yếu với một kênh phổ thì biến
đổi ảnh viễn thám thường làm việc đồng thời với nhiều kênh phổ. Sử dụng các
30
phép toán số học trên các kênh phổ để tạo ra dữ liệu “mới” với khả năng hiển
thị rõ hơn các đặc trưng trong một cảnh. Các vấn đề chính được nghiên cứu ở
đây bao gồm căn chỉnh tỷ lệ phổ và phân tích thành phần chính của ảnh. Nếu
áp dụng các phép toán số học trên các kênh phổ ta có thể loại bỏ nhiễu. Ví dụ,
nếu áp dụng các phép toán số học với các kênh cận hồng ngoại (NIR) và đỏ (R)
để nghiên cứu các mẫu thảm thực vật, ta có thể tính toán các chỉ số khác biệt
thực vật chuẩn hóa NDVI (Normal Different Vegetation Index)
𝑁𝐷𝑉𝐼 = 𝑁𝐼𝑅 − 𝑅 𝑁𝐼𝑅 + 𝑅
Hay bằng tính toán khác đã được đề xuất như tính toán chỉ số thực vật
hiệu chỉnh OSAVI (Optimized Soil-Adjusted Vegetation Index)
𝑂𝑆𝐴𝑉𝐼 = 𝑁𝐼𝑅 − 𝑅 𝑁𝐼𝑅 + 𝑅 + 0.16
Chỉ số thực vật là thông tin quan trọng cho việc nghiên cứu chất diệp lục
tố. Do vậy, nó được áp dụng vào việc nghiên cứu sinh khối của rừng, nông
nghiệp hay hàm lượng tảo lục trong nước. Đặc trưng quan trọng của thực vật,
khác với các đối tượng khác, là phản xạ mạnh với ánh sáng có bước sóng green
(0,5-0,6𝜇𝑚). Do đó có sự khác biệt lớn giữa băng cận hồng ngoại và băng
Green.
Bảng 2.1 dưới đây là một số công thức tính chỉ số thực vật được sử dụng
[1].
Chỉ số
Công thức tính
Nguồn gốc
NDVI (Chỉ số khác
Rouse et.al.
𝑁𝐷𝑉𝐼 =
𝑁𝐼𝑅 − 𝑅𝐸𝐷 𝑁𝐼𝑅 + 𝑅𝐸𝐷
biệt thực vật)
(1973)
Bảng 2.1. Bảng tính chỉ số thực vật
Jordan (1969)
RVI (Chỉ số thực vật)
𝑅𝑉𝐼 =
𝑁𝐼𝑅 𝑅𝐸𝐷
Huete (1988)
SAVI (Chỉ số đất có
𝑆𝐴𝑉𝐼 =
(1 + 𝐿)
𝑁𝐼𝑅 − 𝑅𝐸𝐷 𝑁𝐼𝑅 + 𝑅𝐸𝐷 + 𝐿
điều chỉnh bởi thực
vật)
TSAVI (Chỉ số chuyển
Baret et al.
𝑇𝑆𝐴𝑉𝐼 =
𝑎(𝑁𝐼𝑅 − 𝑎𝑅𝐸𝐷 − 𝑏) (𝑅𝐸𝐷 + 𝑎𝑁𝐼𝑅 − 𝑎𝑏)
đổi có điều chỉnh bởi
(1989)
thực vật)
Maior et al.
SAVI2 (Chỉ số đất có
𝑆𝐴𝑉𝐼 =
𝑁𝐼𝑅 𝑅𝐸𝐷 + 𝑏/𝑎
điều chỉnh bởi thực
(1990)
vật)
PVI (Chỉ số thực vật
Richarson,
𝑃𝑉𝐼 =
𝑁𝐼𝑅 − 𝑎𝑅𝐸𝐷 − 𝑏 √1 + 𝑎2
vuông góc)
Wiegand (1977)
DVI (Chỉ số điều chỉnh
DVI=NIR-RED
Turker (1979)
thực vật)
31
Đối với ảnh MSS thì VI=B5/B7
Đối với ảnh TM thì VI=B3/B4
Khi tính giá trị khác biệt chỉ số thực vật theo công thức
𝑁𝐷𝑉𝐼 = = 𝑁𝐼𝑅 − 𝑅 𝑁𝐼𝑅 + 𝑅 𝐵7 − 𝐵5 𝐵7 + 𝐵5
thường nó cho lại giá trị rất bé. Do vậy, thực tế người ta cộng thêm hệ số
biến đổi theo kinh nghiệm (cộng giá trị 127 vào chỉ số NDVI).
Giá trị biến đổi chỉ số thực vật được tính toán trên các kênh ảnh của các
vệ tinh LANDSAT, SPOT, NOAA-AVHRR, MODIS, ASTER… để nghiên
cứu các kiểu tán lá (loại rừng, mùa màng…).
2.2.8. Biến đổi thành phần chính
32
Phân tích thành phần chính (PCA - Principal component analysis) là
thủ tục toán học sử dụng biến đổi trực giao để chuyển đổi tập quan sát các biến
tương quan sang tập giá trị biến không tương quan (gọi là các thành phần
chính). Các band liền kề trong ảnh viễn thám đa phổ thường là tương quan. Các
ảnh thu được từ các bước sóng nhìn thấy/cận hồng ngoại đa kênh của vùng thực
vật có tương quan âm giữa band cận hồng ngoại và band ánh sáng đỏ và có
tương quan dương giữa các band phổ nhìn thấy. Sự tương quan giữa các band
phổ trong ảnh đa phổ dẫn tới sự dư thừa trong dữ liệu gốc, một số thông tin bị
lặp. Kỹ thuật phân tích thành phần chính giúp giải quyết vấn đề này bằng cách
tạo ra các band ảnh mới với việc hình thành trục tọa độ mới trong không gian
phân bố giá trị độ sáng điểm ảnh (hình 2.8).
Hình 2.8. Biến đổi hệ trục tọa độ trong phân tích thành phần chính
2.3. Kỹ thuật đánh giá chất lượng ảnh viễn thám
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 ShannonEntropy H, Entropy mờ FH.
a. Độ đo Entropy
Shannon Entropy (hoặc entropy thông tin) là một phương pháp đo tính không chắc chắn của thông tin. Giả sử có n sự kiện trong không gian mẫu, xác suất mỗi sự kiện là pi (i = 1, 2, …, n), mỗi pi ≥ 0, và tổng của pi được đinh nghĩa bằng 1. Do đó, một hàm H có thể được định nghĩa để đo độ không chắc chắn
33
của không gian mẫu [1].
Với xử lý ảnh, n đưa ra bởi số mức xám. Sau đó H được mô tả như đẳng thức 18. Từ các giá trị của entropy, nó chứng tỏ rằng thông tin của ảnh là phong phú hơn khi entropy cao hơn.
𝐿−1 𝑖=0
(10) 𝐻 = − ∑ 𝑝𝑖ln (𝑝𝑖)
Trong đó,
L = số mức xám.
Pi = xác xuất của mức i trong histogram.
Như vậy, để tính Entropy của ảnh ta có thể phát biểu như sau:
Đầu vào: Ảnh đa cấp xám.
Đầu ra: Giá trị Entropy.
Thuật toán được mô tả như sau hình 2.3 dưới đây:
Bước 1: Đặt L = 255, i = 0, nhập ảnh
Bước 2: Nếu i < L sang B3, ngược lại kết thúc.
Bước 3: Tính xác suất của mức xám i từ ảnh
Bước 4: Cập nhật Entropy.
Bước 5: Xuất giá trị Entropy.
b. Độ đo tính mờ và entropy mờ
Chỉ số mờ γ được định nghĩa bởi Kaufmann và entropy mờ FH bởi De
Luca và Termini [2]. Chỉ số mờ, ví dụ, phản ánh sự không rõ ràng trong ảnh
bởi việc đo khoảng cách giữa mặt phẳng thuộc tính mờ và mặt phẳng thông
thường gần nhất. Cả chỉ số mờ và entropy mờ đều là chỉ số đo sự không rõ ràng
mức xám toàn cục của ảnh. Các chỉ số này có thể được lưu ý như một độ khó
trong việc quyết định liệu một điểm ảnh nên được xem như đen (tối) hoặc trắng
(sáng).
34
Trong đó:
M x N: Kích thước ảnh
: Giá trị thành viên (độ thuộc) của điểm ảnh tại vị trí dòng m, cột n
Như vậy, để tính độ đo mờ của ảnh ta có thể phát biểu như sau:
Input: Ảnh đa cấp xám.
Ouput: Giá trị γ.
Thuật toán tính độ đo mờ của ảnh được mô tả như sau:
- Bước 1: Với mỗi điểm ảnh, tính giá trị độ thuộc tương ứng.
- Bước 2: Cập nhật giá trị độ đo mờ.
- Bước 3: Nếu vẫn còn điểm ảnh thì quay lại bước 1, ngược lại thì kết thúc.
2.4. Nâng cao độ tương phản ảnh viễn thám sử dụng logic mờ
2.4.1. Cấu trúc tổng quát hệ thống xử lý ảnh trên cơ sở logic mờ
Cấu trúc tổng quát của hệ thống xử lý ảnh dựa trên logic mờ được thể
hiện trên hình 2.9 [1,2]. Xử lý ảnh mờ là tập hợp các tiệm cận để hiểu, trình
diễn và xử lý ảnh, trong đó các phần tử và đặc trưng của chúng được xem như
những tập mờ.
Hình 2.9. Cấu trúc tổng quát của xử lý ảnh trên cơ sở logic mờ
Trên hình 2.9, ảnh đầu vào (Input image) được mờ hóa (Image fuzzification)
dựa trên kiến thức chuyên gia về xử lý ảnh (Expert knowlege) và logic mờ, lý
35
thuyết tập mờ (Fuzzy logic, Fuzzy set theory). Hệ thống suy diễn mờ (Fuzzy
inference system) sẽ làm thay đổi độ thuộc của các điểm ảnh trên cơ sở ảnh đầu
vào đã mờ hóa. Sau đó giải mờ (Image defuzzification) để có ảnh rõ đã được
tăng cường độ tương phản.
Hình 2.10 là ví dụ về các bước xử lý ảnh trên cơ sở logic mờ (xử lý ảnh
mờ). Về cơ bản, xử lý ảnh viễn thám mờ có ba bước chính như sau:
(i) mờ hóa ảnh (fuzzification): biến đổi đầu vào rõ thành cấp độ phù
hợp với giá trị ngôn ngữ;
(ii) sửa đổi (modification) các giá trị thuộc,
(iii) giải mờ (defuzzification).
Sau khi thực hiện biến đổi dữ liệu ảnh từ mặt phẳng mức xám sang mặt
phẳng thuộc (fuzzification), các kỹ thuật mờ phù hợp sẽ được lựa chọn sử dụng
để sửa đổi các giá trị thuộc. Chúng có thể là phân cụm mờ, tiệm cận trên cơ sở
luật mờ, tiệm cận tích hợp mờ...
Hình 2.10. Các bước xử lý ảnh trên cơ sở logic mờ 2.5. Một số thuật toán tăng cường độ tương phản ảnh viễn thám sử dụng
logic mờ
36
2.5.1. Tăng cường ảnh mờ với toán tử tăng cường
Kỹ thuật này sử dụng toán tử tăng cường để giảm tính mờ của ảnh mà
đưa ra trong một sự tăng cường độ tương phản ảnh [7]. Thuật toán có thể được
phát biểu như sau:
Bước 1: Đặt các tham số Fe (Exponential fuzzifiers), Fd (Denomination
fuzzifiers), gmax (Maximum gray level) của hàm thuộc
𝑔𝑚𝑎𝑥−𝑔𝑚𝑛 0.5−1/𝐹𝑒−1
Fe= 2 và 𝐹𝑑 =
−𝐹𝑒
Bước 2: Định nghĩa hàm thuộc
𝑔𝑚𝑎𝑥−𝑔𝑚𝑛 𝐹𝑑
] 𝜇𝑚𝑛 = 𝐺(𝑔𝑚𝑛) = [1 +
′ = { 𝜇𝑚𝑛
Bước 3: Thay đổi giá trị hàm thuộc
2[𝜇𝑚𝑛]2 0 ≤ 𝜇𝑚𝑛 ≤ 0.5 1 − 2[1 − 𝜇𝑚𝑛]2 0.5 ≤ 𝜇𝑚𝑛 ≤ 1
′
′
−1 ) 𝐹𝑒 − 1))
′ = 𝐺−1(𝜇𝑚𝑛 𝑔𝑚𝑛
Bước 4: Sinh mức xám mới
) = 𝑔𝑚𝑎𝑥 − 𝐹𝑑 (((𝜇𝑚𝑛
2.5.2. Tăng cường ảnh mờ với toán tử Hyperbol
Ý tưởng của lược đồ tần suất hyperbol hoá, và lược đồ tần suất hyperbol
hoá mờ được mô tả trong [9]. Do nhận thức độ sáng của con người không tuyến
tính, thuật toán này thay đổi giá trị hàm thuộc của các mức xám bởi hàm logarit.
Thuật toán có thể được phát biểu như sau:
Bước 1: Thiết lập dạng hàm thuộc.
Bước 2: Đặt giá trị của tham số mờ β.
Bước 3: Tính các giá trị hàm thuộc μmn.
Bước 4: Thay đổi các giá trị hàm thuộc bởi β.
Bước 5: Sinh mức xám mới, như mô tả ở dưới.
Trong thuật toán này, dạng của hàm thuộc được thiết lập như tam giác để đặc trưng cho ranh giới, và giá trị của tham số mờ β như một ranh giới: β = -
37
mn bởi đẳng thức sau:
β−1]
′ = (
0.75 + 1.5μ. Sau đó, bằng việc tính giá trị hàm thuộc μmn và thay đổi giá trị hàm thuộc bởi β, sinh giá trị mức xám mới g’
𝐿−1 𝑒−1−1
) [𝑒−𝜇𝑚𝑛𝑔𝑚𝑛 𝑔𝑚𝑛
2.5.3. Tăng cường ảnh mờ dựa trên phân bố xác suất
Phân bố xác suất [3] của các mức xám trong ảnh gốc có thể được đặc trưng bằng việc sử dụng năm tham số: (α, β1, γ, β2, max) như trên hình 2.11. Ở đó, giá trị cường độ γ biểu diễn giá trị trung bình của phân bố, α là cực tiểu, và max là cực đại. Mục tiêu là để giảm các mức xám nhỏ hơn β1, và lớn hơn β2. Các mức cường độ giữa (β1, γ) và giữa (γ, β2) được giãn theo hai hướng từ trung bình γ.
Hình 2.11. Hàm phân bố xác suất cho việc tính toán các giá trị hàm thuộc
2.5.4. Cải thiện độ tương phản dựa trên luật If-Then mờ
Tiếp cận dựa trên luật mờ là phương pháp mạnh và phổ biến cho nhiều tác vụ trong xử lý ảnh [9]. Một hệ thống dựa trên luật suy luận rất đơn giản được phát triển. Hàm mờ được mô tả trong hình 2.12.
38
Hình 2.12. Hàm thuộc
Thuật toán bắt đầu với việc khởi tạo các tham số ảnh; mức xám cự đại và cực tiểu. Sau đó bằng việc mờ hóa các mức xám (ví dụ, giá trị hàm thuộc thành tối, xám và sáng) thiết lập các mức xám. Thủ tục suy luận đánh giá một cách thích hợp các luật sau đây:
(1) Nếu tối thì đen
(2) Nếu xám thì xám
(3) Nếu sáng thì trắng
2.5.5. Thuật toán tăng cường độ tương phản Chi-Farn Chen
Trên cơ sở tiệm cận logic mờ như mô tả trên đây, thuật toán tăng cường
ảnh viễn thám với 3 mức được [6] đề xuất như sau:
- Phân lớp ảnh viễn thám bằng thuật toán phân cụm FCM (Fuzzy c-
Means). Mỗi điểm ảnh được phân lớp bao gồm vài thành viên
(membership) của các cụm tương ứng khi ảnh được mờ hóa và biến
đổi từ không gian mức xám sang không gian liên thuộc;
- Xây dựng mô hình căng dãn (stretch) phù hợp riêng biệt cho mỗi cụm
trên cơ sở các thành viên tương ứng;
- Giải mờ và biến đổi ảnh ngược về không gian mức xám bằng cách trộn
các giá trị mức xám đã dãn của mỗi cụm.
39
Thủ tục tổng quát nhằm nâng cao chất lượng ảnh trên cơ sở logic mờ
Ảnh gốc
Mờ hóa sử dụng FCM
Xây dựng mô hình dãn
Giải mờ bằng mô hình dãn
Ảnh được tăng cường
Đánh giá chất lượng
được mô tả trên hình 2.13.
Hình 2.13. Sử dụng logic mờ nâng cao chất lượng ảnh [6]
Vấn đề phân cụm C-Means
Thuật ngữ “k-Means” được J. MacQueen giới thiệu vào năm 1967.
Thuật toán phân cụm k-Means sử dụng giá trị trung bình (mean) của các đối
tượng trong cụm làm trung tâm của cụm đó. Tổng giá trị trung bình về độ lệch
giữa các đối tượng trong cụm với trung tâm cụm hay còn gọi là hàm tiêu chuẩn
(criterion function) được tính bởi công thức:
trong đó, x là một điểm hay đối tượng trong không gian, mi là giá trị trung
bình của cụm Ci. Để tính khoảng cách giữa điểm trung tâm tới các điểm dữ liệu,
độ đo khoảng cách Euclidean được sử dụng. Thuật toán k-Means được mô tả
chi tiết như sau:
Đầu vào: Số các cụm k, cơ sở dữ liệu gồm n đối tượng
Đầu ra: Tập k cụm mà có giá trị hàm tiêu chuẩn E nhỏ nhất.
40
Phương pháp:
B1: Khởi tạo k điểm trung tâm cụm bằng cách chọn k đối tượng tùy ý
B2: Lặp các bước
B2.1. Gán mỗi đối tượng vào cụm có trung tâm gần đối tượng đó
nhất, hình thành một tập các cụm mới
B2.2. Tính lại giá trị E của mỗi cụm theo các đối tượng mới thu
được sau bước B2.1.
B3. Thuật toán dừng khi giá trị E không thay đổi.
Thuật toán k-Means được xếp vào lớp bài toán NP, do vậy để phát triển
thuật toán này người ta kết hợp với phương pháp phỏng đoán (heuristic). Chú
ý rằng thuật toán k-Means nhạy cảm với các phần tử ngoại lai, nhiễu, phần tử
cận biên cụm vì chúng gây ảnh hưởng đáng kể đến tính toán giá trị trung bình.
Ngoài ra, việc chọn lựa tập điểm trung tâm ban đầu cũng ảnh hưởng nhiều đến
chất lượng cụm sinh ra.
Vấn đề phân cụm C-Means mờ
Phân cụm C-Means mờ là một thuật toán được sử dụng rộng rãi trong
phân lớp mờ. Thuật toán được phát triển dựa trên phân cụm k-Means để áp
dụng vào logic tập mờ.
Trong thuật toán phân cụm C-Means mờ, mỗi điểm ảnh không thuộc
tuyệt đối (rõ ràng) trong một cụm nhất định mà có thể là thành viên của nhiều
cụm. Thuật toán phân cụm C-Means mờ tiến hành với quá trình tối ưu hoá lặp
của sự cực tiểu hoá một hàm mục tiêu mờ được định nghĩa tại công thức sau
đây:
Trong đó:
c: số cụm
41
n: số điểm ảnh
µik: giá trị liên thuộc của điểm ảnh thứ k với tập thứ i
m: độ mờ của mỗi liên thuộc mờ, khi m tiệm cận đến 1 thì thuật toán này
tương tự như phân cụm k-means mô tả trên đây.
xk: vector của điểm ảnh k,
Vi: vector trung tâm của cụm i
d2(xk, Vi): khoảng cách Euclide giữa xk và Vi
Giá trị liên thuộc µik được ước lượng bởi khoảng cách giữa điểm ảnh k
và trung tâm của cụm i, ràng buộc theo công thức sau:
Trong đó:
µik: giá trị liên thuộc của điểm ảnh thứ k với tập thứ i
c: số cụm,
n: số điểm ảnh
Trung tâm của cụm Vi và giá trị liên thuộc µik có thể được tính theo các
công thức sau:
Do đó, Jm được cực tiểu hoá bằng việc tính toán lặp qua hai công đoạn
trên (hai công thức) này. Bước đầu tiên của quá trình lặp là khởi tạo giá trị cố
42
định c, tham số mờ m, ngưỡng hội tụ ε và một tâm khởi tạo của mỗi cụm, sau
đó tính µik và Vi bằng việc sử dụng hai công thức trên. Quá trình lặp kết thúc
khi sự thay đổi của Vi giữa hai bước lặp nhỏ hơn ε. Kết quả thu được là mỗi
điểm ảnh được phân vào một tập các liên thuộc của các cụm.
Vấn đề xây dựng mô hình giãn
Sau quá trình phân cụm, ảnh được chuyển từ không gian mức xám sang
không gian liên thuộc. Mỗi điểm ảnh lúc này bao gồm kết hợp của các giá trị
liên thuộc. Ta thiết kế một mô hình giãn tuyến tính đơn giản để tăng cường các
cụm một cách mịn (trơn). Thuật toán giãn này gồm hai bước: đầu tiên, lược đồ
(histogram) của mỗi cụm được sinh bằng việc tính các giá trị liên thuộc tương
ứng của mỗi điểm ảnh thay vì tính bằng tần số như thông thường. Do vậy, tổng
mỗi tập các histogram là một số thực, nhưng tổng của các số thực của mỗi
histogram vẫn bằng tổng số các điểm ảnh trong ảnh. Bước thứ hai, mô hình
giãn xây dựng dựa trên histogram thực tương ứng của mỗi cụm theo công thức
sau:
Trong đó, mi(g): mức xám đã kéo giãn,
g: mức xám ban đầu
bi,u: cận trên của việc giãn cụm thứ i,
bi,l: cận dưới của việc giãn cụm thứ i,
Cận trên bi,u và cận dưới bi,l được xác định bằng các tham số tỉ lệ pu và
pl, tính bởi công thức sau:
43
Trong đó: hi(g): hàm phân phối của cụm thứ i
pu, pl: các tham số tỉ lệ
Vấn đề khử mờ
Sau khi xây dựng mô hình giãn của mỗi cụm, ảnh phải được chuyển về
không gian mức xám. Theo mô hình giãn của mỗi cụm theo công thức trên, các
mức xám của ảnh gốc được chỉnh sửa thành nhiều giá trị khác nhau. Các giá trị
đã chỉnh sửa này được tính thêm bằng giá trị liên thuộc tương ứng theo công
thức sau:
Để đảm bảo giá trị điểm ảnh không vượt quá mức tối đa, kết quả của việc
chỉnh sửa được giới hạn bởi công thức:
Trong đó, µik: giá trị liên thuộc của điểm ảnh thứ k với cụm thứ i
g: giá trị mức xám ban đầu của điểm ảnh thứ k
l: số các mức xám
mi(g): hàm ánh xạ của cụm thứ i
Trong [6] các tác giả đưa ra một số hàm biến đổi mức xám khác nhau (ví
dụ hàm dãn biểu đồ màu) và thử nghiệm trên lớp các ảnh viễn thám, tuy nhiên
các hàm biến đổi mức xám này không sử dụng tâm của các cụm điểm ảnh hoặc
các tham số đầu vào lại không được xác định tự động, điều này gây ra khó khăn
trong việc hiệu chỉnh cho các ảnh khác nhau.
Vấn đề thử nghiệm và đánh giá
Luận văn xây dựng chương trình thử nghiệm modun nâng cao chất
lượng ảnh viễn thám bằng phương pháp mô tả trên. Modun đã được thử
nghiệm với một số ảnh mẫu. Ảnh kết quả được đánh giá chất lượng và so
sánh với một vài phương pháp khác.
44
Để đánh giá chất lượng ảnh sau khi giải mờ so với ảnh gốc. Phương pháp
đo độ không chắc chắn của thông tin (Shannon Entropy) sử dụng trong [6] theo
công thức:
Trong đó:
L là tổng số mức xám
pi là phân bố xác suất của mức i theo lược đồ xám
Kết quả đánh giá trong [6] cho thấy phương pháp logic mờ cho chất
lượng ảnh tốt hơn so với các phương pháp khác như phương pháp giãn mức
xám tuyến tính thông thường và phương pháp cân bằng lược đồ xám.
2.5. Kết chương 2
Chương hai nghiên cứu giới thiệu các phương pháp nâng cao chất lượng
ảnh viễn thám. Giới thiệu một số thuật toán ứng dụng trong ảnh viễn thám như
Thuật toán nâng cao độ tương phản ảnh viễn thám bằng logic mờ của Chi-Farn Chen
45
Chương 3
THỬ NGHIỆM
Chương này mô tả chương trình thử nghiệm nâng cao độ tương phản ảnh
viễn thám. Loại ảnh lựa chọn thử nghiệm là ảnh Landsat, được sử dụng nhiều
trong thực tế. Thuật toán sử dụng để tăng cường độ tương phản ảnh là thuật
toán phân cụm mờ.
3.1. Quy trình xây dựng chương trình thử nghiệm
Mô tả bài toán
Có ảnh vệ tinh LandSat của một vùng nghiên cứu. Trong thử nghiệm này
sử dụng ảnh Landsat ETM+ chụp khu vực tỉnh Hòa Bình năm 2001 [1]. Nhiệm
vụ của luận văn là xây dựng chương trình nâng cao độ tương phản của tệp ảnh
chụp này sử dụng thuật toán FCM. Chương trình có thể làm việc với bất kỳ ảnh
Landsat ETM+ chụp ở ác khu vực khác.
Qui trình xây dựng chương trình
1. Đọc ảnh viễn thám
2. Phân cụm mờ
3. Xử lý tăng cường ảnh
4. Ghi ảnh ra tệp kết quả
Hình 3.1. Sơ đồ tăng cường ảnh viễn thám
Sơ đồ mô tả các bước chính của chương trình tăng cường ảnh viễn thám
được mô tả trên hình 3.1.
46
Theo quy trình trên, ảnh viễn thám đầu tiên trải qua quá trình phân cụm
mờ, sau đó được thực hiện xử lý tăng cường để cho ra ảnh cuối cùng.
3.2. Dữ liệu ảnh LandSat
Các vệ tinh LandSat
Đầu vào chương trình là ảnh LandSat, do vậy phần này mô tả chi tiết hơn
loại ảnh này và khuôn mẫu của chúng.
Vệ tinh đầu tiên trên thế giới được thiết kế để giám sát bề mặt Trái đất,
vệ tinh Landsat-1, được phóng bởi NASA vào năm 1972. Các vệ tinh LandSat
đã thu thập được dữ liệu phong phú từ khắp nơi trên thế giới. Ban đầu, chúng
được quản lý bởi NASA, sau đó, chuyển giao cho NOAA vào năm 1983. Năm
1985, chương trình đã được thương mại hóa, cung cấp dữ liệu cho người dùng
và các ứng dụng dân sự.
Tất cả các vệ tinh LandSat được đặt ở gần cực, trên quỹ đạo đồng bộ Mặt
trời. Ba vệ tinh đầu tiên (Landsats 1-3) hoạt động ở độ cao khoảng 900 km, có
chu kỳ quét lại là 18 ngày trong khi các vệ tinh sau đó ở độ cao khoảng 700 km
và chu kỳ quét lại 16 ngày. Tất cả các vệ tinh Landsat đều bay qua đường xích
đạo vào buổi sáng để tối ưu hóa điều kiện chiếu sáng.
Một số cảm biến sử dụng trong Landsat bao gồm các hệ thống camera
RBV (Return Beam Vidicon), hệ thống máy quét đa quang phổ (MSS), và các
Mapper chuyên đề (Thematic Mapper-TM). Mỗi cảm biến này thu thập dữ liệu
trên một dải có chiều rộng 185 km, với một hình ảnh có kích thước xác định là
185km x 185km. Các cảm biến MSS cảm ứng bức xạ điện từ bề mặt Trái đất
trong 4 băng phổ. Mỗi băng có độ phân giải không gian khoảng 60x80 mét và
độ phân giải bức xạ 6 bit, hoặc 64 chữ số nhị phân. Bảng dưới cung cấp thông
tin về các kênh và dải sóng của MMS (Bảng 3.1).
47
Bảng 3.1. Băng tần MSS
Kênh Dải bước sóng (µm)
Landsat 1,2,3 Landsat 4,5
MSS 4 MSS 1 0.5 - 0.6 (xanh)
MSS 5 MSS 2 0.6 - 0.7 (đỏ)
MSS 6 MSS 3 0.7 - 0.8 (cận hồng ngoại)
MSS 7 MSS 4 0.8 - 1.1 (cận hồng ngoại)
Bắt đầu từ thế hệ Landsat-4, các cảm biến TM được sử dụng với nhiều
cải tiến so với bộ cảm biến MSS bao gồm: độ phân giải không gian và bức xạ
cao hơn, dải phổ mịn hơn bởi sự dụng 7 thay vì 4 băng phổ, và sự gia tăng về
số lượng các máy dò trên mỗi băng tần (sử dụng 16 máy dò cho các kênh phi
nhiệt thay vì 6 máy dò của MSS). Mười sáu dòng quét được thu nhận cùng lúc
cho mỗi băng phổ phi nhiệt (4 cho băng nhiệt), sử dụng một gương dao động
có thể quét xuôi (từ Tây sang Đông) và ngược lại (từ Đông sang Tây). Sự khác
biệt này so với MSS làm tăng thời gian thu nhận ảnh và cải thiện tính toàn vẹn
hình học và bức xạcủa dữ liệu. Độ phân giải không gian của TM là 30m cho tất
cả các băng tần, ngoại trừ băng nhiệt hồng ngoại là 120m.Tất cả các kênh được
ghi lại trong dải 256 số (8bit). Bảng kèm theo cung cấp các đặc tính quang phổ
của các băng TM và một số ứng dụng của chúng (Bảng 3.2).
48
Bảng 3.2. Băng tần TM
Kênh Dải sóng (µm) TM 1
0.45 - 0.52 (xanh dương)
TM 2
0.52 - 0.60 (xanh lục)
TM 3
0.63 - 0.69 (đỏ)
TM 4 0.76 - 0.90 (cận
hồng ngoại)
Ứng dụng Nhận dạng đất/thảm thực vật; đo độ sâu biển/lập bản đồ duyên hải; phân vùng đất nông nghiệp/đất đô thị. Lập bản đồ thảm thực vật (đo công suất phản xạ đỉnh); xác định các đặc tính đất nông nghiệp/đất đô thị. Nhận dạng đất trồng trọt và không trồng trọt, các vùng thực vật (hấp thụ diệp lục); phân vùng đất nông nghiệp/đất đô thị. Nhận dạng kiểu thảm thực vật/cây trồng, sức sống và đặc tính sinh khối; phác họa dòng chảy chính; độ ẩm đất.
TM 5
Đo độ ẩm trong đất và thực vật; Nhận diện tuyết và vùng phủ mây.
TM 6
Phát hiện độ ẩm đất và thảm thực vật nhạy cảm bức xạ nhiệt; lập bản đồ nhiệt (thermal mapping) đô thị và vùng ngập nước.
TM 7
Nhận diện kiểu đá và khoáng vật; phát hiện độ ẩm thảm thực vật. 1.55 - 1.75 (sóng ngắn hồng ngoại) 10.4 - 12.5 (nhiệt hồng ngoại) 2.08 - 2.35 (sóng ngắn hồng ngoại)
Dữ liệu từ các cảm biến TM và MSS được ứng dụng rộng rãi trong quản lý nguồn tài nguyên, lập bản đồ, giám sát môi trường và thăm dò sự biến động (ví dụ cháy rừng, chặt phá rừng…).
Khuôn mẫu dữ liệu vệ tinh LandSat
Khuôn mẫu dữ liệu ảnh viễn thám mô tả cách thức dữ liệu được ghi lên thiết bị lưu trữ, ví dụ DVD. Một ảnh viễn thám thường được lưu trữ trong hai tệp, ví dụ với Landsat ETM+ như sau:
Tệp metadata: Chứa tập các mô tả bằng chữ hay số của dữ liệu lưu trữ
trong tệp dữ liệu ảnh (tệp thứ 2). Chúng bao gồm tổng số dòng quét, số
pixel/dòng, phép chiếu sử dụng và tọa độ địa lý của tâm ảnh...
49
Tệp dữ liệu ảnh: Chứa các giá trị điểm ảnh của các kênh 1-7, sắp xếp
theo từng kênh. Với mỗi kênh, các giá trị pixel của dòng quét thứ 1 được lưu
trữ từ trái sang phải thành một bản ghi. Tiếp theo là lưu trữ dữ liệu của dòng
quét thứ 2,...
Tệp ảnh LandSat ETM+ sẽ lưu trữ tất cả giá trị điểm ảnh trong dòng quét của tất cả các băng. Ví dụ, nếu số băng là 7 thì tệp phải lưu trữ lần lượt như sau: dòng 1 của cả 7 băng, tiếp theo là dòng 2 của cả 7 băng như trên hình 3.2 [1].
Hình 3.2. Cấu trúc dữ liệu ảnh viễn thám [1]
3.3. Phát triển chương trình thử nghiệm
- Thuật toán sử dụng: Tăng cường ảnh sử dụng phân cụm mờ
- Ngôn ngữ lập trình: C#
- Công nghệ: .NET
Các chức năng chính của chương trình:
50
Module chương trình gồm 3 chức năng cơ bản:
- Mở file ảnh: Chọn đường dẫn, view ảnh trên form
- Nhập thông tin phân cụm: Số cụm, số vòng lặp tối đa, hằng số epsilon
- Chức năng tăng cường ảnh: Tăng cường ảnh gốc sử dụng thuật toán
tăng cường ảnh dựa trên phân cụm mờ.
- Ghi kết quả ra file và hiển thị lên màn hình.
Một số giao diện chương trình
Khi khởi động chương trình, màn hình chính của chương trình như trên
hình 3.2.
Hình 3.3. Màn hình chính của chương trình thử nghiệm
Tìm ảnh viễn thám bằng thực đơn File để mở ảnh viễn thám. Ảnh viễn
thám được hiển thị trên cửa sổ bên trái màn hình (Hình 3.4).
51
Hình 3.4. Giao diện mở tệp ảnh vệ tinh để tăng cường tương phản
Ví dụ chọn tệp ảnh vệ tinh vùng Lạc Thủy, tỉnh Hòa Bình để xử lý (hình
3.5).
Hình 3.5. Giao diện mở tệp ảnh vệ tinh Lạc Thủy, Hòa Bình
52
Sau khi nhập ảnh, nút ”FCM Enhance” được phép sử dụng (hình 3.6).
Hình 3.6. Giao diện chọn tham số chương trình
Nhập các thông tin cho việc phân cụm: Tổng số cụm, bước lặp cực đại,
độ chính xác (hình 3.6).
Kích hoạt chức năng tăng cường bằng cách nhấn nút ”FCM Enhance” và
đợi hoàn thành, xem kết quả trên cửa sổ bên trái (Hình 3.7).
Hình 3.7. Giao diện hiển thị ảnh đã nâng cao độ tương phản
53
3.4. Đánh giá kết quả thu được
Tập dữ liệu phục vụ cho thử nghiệm là loại ảnh LANDSAT ETM+ chụp
khu vực Hòa Bình ngày 15/02/2001, bao gồm 11 ảnh ranh giới từng huyện và
một ảnh theo ranh giới tỉnh của tỉnh Hòa Bình. Ảnh LANDSAT ETM+ gồm 7
kênh: Chàm, Lục, Đỏ, Cận hồng ngoại, Hồng ngoại trung, Hồng ngoại nhiệt,
Hồng ngoại trung. Dưới đây là hai thử nghiệm tiêu biểu.
Thử nghiệm 1
Ảnh đầu vào là ảnh viễn thám có độ tương phản thấp, chụp khu vực
huyên Lạc Thuỷ, tỉnh Hoà Bình. Bảng 3.3 liệt kê các ảnh: đầu vào, cân bằng
lược đồ xám, giãn mức xám và ảnh tăng cường bởi phương pháp đề xuất. Về
mặt trực quan, chúng ta thấy ảnh tăng cường bằng phương pháp đề xuất nổi bật
hơn hẳn ảnh giãn mức xám và cân bằng.
Bảng 3.3. Ảnh tăng cường bởi các phương pháp
Ảnh gốc Tăng cường với FCM Ý nghĩa
Ảnh
Trong bảng 3.4 và ảnh 3.8, chúng ta thấy Entropy của ảnh tăng cường
bởi phương pháp đề xuất cao hơn so với hai phương pháp truyền thông.
Bảng 3.4. So sánh entropy của các ảnh
Band Ảnh đầu vào Sau tăng cường
1 2.81 4.13
2 3.04 4.10
3 3.22 4.18
54
Hình 3.8. So sánh Entropy của các ảnh
Thử ngiệm 2
Ảnh đầu vào là ảnh viễn thám kích thước lớn có độ tương phản thấp,
chụp khu vực huyên Cao Phong, tỉnh Hoà Bình. Bảng 3.5 liệt kê các ảnh: đầu
vào, cân bằng lược đồ xám, giãn mức xám và ảnh tăng cường bởi phương pháp
đề xuất. Về mặt trực quan, chúng ta thấy ảnh tăng cường bằng phương pháp đề
xuất nổi bật hơn hẳn ảnh giãn mức xám và cân bằng. Hơn nữa, màu của ảnh
cân bằng lược đồ xám bị thay đổi.
Bảng 3.5. Ảnh tăng cường bởi các phương pháp
Ảnh gốc Ảnh đã tăng cường Ý nghĩa
Ảnh
55
Trong bảng 3.6 và hình 3.9, chúng ta thấy Entropy của ảnh tăng cường
bởi phương pháp đề xuất cao hơn so với hai phương pháp cân bằng lược đồ
xám và giãn mức xám.
Bảng 3.6. So sánh entropy của các phương pháp
Band Ảnh đầu
vào Sau tăng cường
1 3.03 4.17
2 3.24 4.21
3 3.40 4.27
Hình 3.9. So sánh Entropy của các ảnh sau khi đã tăng cường
3.5. Kết chương
Vận dụng nội dung đã nghiên cứu ở chương 1, 2 làm cơ sở nền tảng để
xây dựng và giải quyết bài toán nâng cao chất lương ảnh viễn thám của một
tỉnh hoặc một vùng xác định.
56
KẾT LUẬN
Hiện nay áp dụng ảnh Viễn thám trong việc xây dựng bản đồ là rất cần thiết,
giúp xây dựng bản đồ được nhanh chóng và chính xác. Trong quá trình tìm hiểu
và nghiên cứu, luận văn đã đạt được những kết quả sau:
- Hệ thống hóa được một số vấn đề liên quan đến ảnh viễn thám và các
ứng dụng của ảnh viễn thám.
- Nắm được các kiến thức cơ bản về logic mờ và ứng dụng của logic mờ
trong ảnh viễn thám.
- Nắm bắt được một số phương pháp nâng cao chất lượng ảnh viễn thám,
và các thuật toán ứng dụng trong cơ sở dữ liệu ảnh viễn thám.
- Xây dựng được chương trình thử nghiệm nâng cao độ tương phản của
ảnh vệ tinh LandSat, thử nghiệm với ảnh chụp một huyện của tỉnh Hòa
Bình.
Hướng nghiên cứu tiếp theo của luận văn là thử nghiệm với các thuật
toán nâng cao chất lượng ảnh viễn thám mới được đề xuất gần đây, sử dụng các
ảnh vệ tinh khác nhau, đặc biệt là ảnh vệ tinh của Việt Nam VNRedSat 1.
Do thời gian có hạn và lần đầu tác giả được tiếp cận lĩnh vực Viễn thám
nên Đề tài còn nhiều hạn chế, thiếu xót nhất định. Tác giả mong sự chỉ bảo và
đóng góp ý kiến của các Thầy Cô và các bạn để luận văn đạt kết quả tốt hơn.
57
TÀI LIỆU THAM KHẢO
* Tiếng Việt:
[1] Đặng Văn Đức, Phát triển phần mềm xử lý ảnh viễn thám trên nền phần
mềm GRASS, Báo cáo tổng kết Đề tài cấp Nhà nước thuộc Chương trình
Công nghệ vũ trụ, 2011.
[2] Nguyễn Tu Trung, Vũ Văn Thỏa, Đặng Văn Đức, Một phương pháp tăng
cường ảnh viễn thám kích thước lớn dựa trên tiếp cận cục bộ, Chuyên san
Các công trình nghiên cứu, phát triển và ứng dụng CNTT&TT, Số 34,
2015.
* Tiếng Anh:
[3] Adlin S. T., Kumudha R., A Survey on Color Image Enhancement
Techniques, IOSR Journal of Engineering (IOSRJEN), Vol. 3, Issue 2
(Feb. 2013)
[4] Anderson G., Fundamentals of Fuzzy Logic, SENSORS, 2001.
[5] Canada Center for Remote Sensing, Fundamentals of Remote Sensing,
Canada, 2007.
[6] Chi-Farn Chen, Hung-Yu Chang, Li-Yu Chang, A Fuzzy-Based Method
For Remote Sensing Image Contrast Enhancement, The International
Archives of the Photogrammetry, Remote Sensing and Spatial Information
Sciences. Vol. XXXVII. Beijing 2008.
[7] Hasanien A.E., Badr A., A Comparative Study on Digital Mamography
Enhancement Algorithms Based on Fuzzy Theory, Studies in Informatics
and Control, Vol.12, No.1, March 2003.
[8] Tizhoosh H. R., Fuzzy Image Processing, University of Waterloo, 2004
[9] Tizhoosh H. R., Fochem M., Image Enhancement with Fuzzy Histogram
Hyperbolization, Proceedings of EUFIT’95, vol. 3, 1995.
58
Xác nhận của giáo viên hướng dẫn Học viên
