Nhận dạng vật liệu từ ảnh viễn thám siêu phổ

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:5

Thêm vào BST

Báo xấu

15
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Nhận dạng vật liệu từ ảnh viễn thám siêu phổ xem xét việc nhận dạng các phổ, và từ đó là vật liệu, tại mỗi pixel trong một ảnh siêu phổ. Vai trò của ràng buộc không gian giữa các pixel lân cận sẽ được phân tích một cách chi tiết để nâng cao khả năng nhận dạng phổ.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Nhận dạng vật liệu từ ảnh viễn thám siêu phổ

ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 1(98).2016 1 NHẬN DẠNG VẬT LIỆU TỪ ẢNH VIỄN THÁM SIÊU PHỔ MATERIAL IDENTIFICATION IN HYPERSPECTRAL REMOTE SENSING IMAGE Huỳnh Thị Ngọc An1, Hồ Phước Tiến2 1 Trường Cao đẳng Kinh tế - Kỹ thuật Quảng Nam; ngocandtvt@gmail.com 2 Trường Đại học Bách khoa, Đại học Đà Nẵng; tien.hophuoc@dut.udn.vn Tóm tắt - Ảnh siêu phổ chứa một lượng thông tin rất lớn, ở hàng Abstract - A hyperspectral image contains a very large quantity trăm tần số khác nhau, và mở ra những ứng dụng quan trọng of information measured at a geographic region and over trong việc nghiên cứu trái đất và bảo vệ môi trường. Một vấn đề hundreds of frequencies. Such images can lead to interesting quan trọng đối với ảnh siêu phổ – và chi phối nhiều bài toán khác applications in earth and environment protection research. An trong lĩnh vực này – đó là nhận dạng các thành phần vật chất hay essential topic in hyperspectral imaging is how to identify vật liệu có mặt tại một vùng nào đó trên bề mặt đất thu nhận materials, or their spectra, which are present in a region of the được bởi ảnh siêu phổ. Bài báo này sẽ xem xét việc nhận dạng earth’s surface. In this paper, this topic will be considered through các phổ, và từ đó là vật liệu, tại mỗi pixel trong một ảnh siêu phổ. the “unmixing” problem in which spectrum or material Vai trò của ràng buộc không gian giữa các pixel lân cận sẽ được identification from a mixture of spectra is carried out at each pixel phân tích một cách chi tiết để nâng cao khả năng nhận dạng phổ. in a hyperspectral image. The spatial constraint among Phương pháp này, khi được thử nghiệm với tập dữ liệu nhân tạo neighboring pixels will be analysed to improve the performance of và dữ liệu thật thu được từ vệ tinh, đã cho thấy những kết quả spectrum identification. The method tested with artificial and real hứa hẹn. data has shown promising results. Từ khóa - viễn thám; ảnh siêu phổ; nhận dạng phổ; ràng buộc Key words - remote sensing, hyperspectral imaging, sprectrum không gian; tỉ lệ đóng góp identification, spatial constraint, contribution ratio 1. Giới thiệu chung nhiều nghiên cứu về vấn đề nhận dạng của ảnh siêu phổ, Gần đây, việc ứng dụng ảnh viễn thám siêu phổ trong bài báo này trình bày một cách cô đọng bài toán nhận quản lý tài nguyên, giám sát môi trường đã thu hút nhiều dạng phổ và phương pháp giải để từ đó có thể xây dựng sự quan tâm. Dữ liệu ảnh viễn thám siêu phổ có băng tần nền tảng cho các ứng dụng liên quan. Bài báo cũng sẽ tập lớn, được đo đạc tại hàng trăm tần số hay bước sóng khác trung phân tích một cách chi tiết ảnh hưởng của ràng buộc nhau, và có thể bao phủ một vùng diện tích rộng. Do đó, không gian, đặc biệt là phương pháp Total Variation, đến ảnh siêu phổ chứa đựng rất nhiều thông tin và có thể được chất lượng của việc nhận dạng phổ, giúp cho việc nhận khai thác một cách hiệu quả cho nhiều ứng dụng [8]. Ví biết các loại vật liệu trong thực tế sẽ hiệu quả hơn. dụ, ảnh siêu phổ có thể giúp phân loại và xác định sự thay đổi của bề mặt đất, đồng thời cho phép thực hiện các nghiên cứu này một cách nhanh chóng, hiệu quả, tiết kiệm được thời gian và công sức. Thực tế, ảnh viễn thám siêu phổ có những ưu điểm mà những ảnh thông thường chụp trên mặt đất không có được. Các bước đột phá lớn gần đây trong lĩnh vực viễn thám đi kèm với sự phát triển của các bộ cảm biến siêu phổ và khả năng tính toán mạnh của máy tính. Trong thập kỷ qua, phân tích ảnh siêu phổ đã trở thành một trong những kĩ thuật phát triển mạnh nhất trong lĩnh vực viễn thám. Hình 1 minh họa một ảnh siêu phổ, bao gồm rất nhiều lớp ứng với hình ảnh thu được tại các bước sóng Hình 1. Ảnh siêu phổ (trích từ [9]) khác nhau. Phía bên phải của Hình 1 thể hiện phổ thu được tại một pixel, đây chính là giá trị cường độ sáng đo Phần tiếp theo của bài báo được trình bày như sau. được tại pixel đó nhưng tại các bước sóng khác nhau. Mục 2 sẽ giới thiệu một cách chi tiết bài toán nhận dạng phổ. Mục 3 trình bày phương pháp giải bài toán này cho Một vấn đề quan trọng của lĩnh vực ảnh siêu phổ, thu một ảnh siêu phổ. Phần thử nghiệm và kết quả được thể hút nhiều sự quan tâm nhưng vẫn còn nhiều thử thách, là hiện trong Mục 4. Và cuối cùng, Mục 5 tóm tắt một số nội bài toán nhận dạng phổ [1, 4, 7]. Cụ thể, từ phổ đo đạc dung chính của bài báo và hướng phát triển. được tại mỗi pixel – ứng với một vùng/diện tích cụ thể trên bề mặt đất – ta sẽ phân tích để xác định phổ này được 2. Bài toán nhận dạng phổ cấu thành từ những vật liệu nào. Về bản chất, nhận dạng phổ là một bài toán ngược; vấn đề này càng trở nên phức 2.1. Mô tả bài toán tạp hơn khi dữ liệu của ảnh siêu phổ thường rất lớn. Bài toán nhận dạng phổ có thể mô tả một cách ngắn Nhiều tác giả đã đề xuất các phương pháp để giải bài toán gọn như sau. Từ hình ảnh thu được của một vùng hay khu nhận dạng phổ một cách hiệu quả và đã đạt được những vực nào đó, ta sẽ xác định vùng này chứa những loại vật kết quả tích cực [4, 5]. Trong khi ở Việt Nam còn chưa có liệu nào. Hình ảnh thu được thực chất là ảnh siêu phổ
2 Huỳnh Thị Ngọc An, Hồ Phước Tiến (bao gồm hàng trăm lớp) chứa thông tin tại rất nhiều tần và là một tham số. Chúng ta sẽ tìm x không âm và thưa, số khác nhau. Và việc xác định vật liệu có thể được thực để kết hợp các phổ trong thư viện A nhằm có thể giải hiện tại từng pixel. thích một cách tốt nhất dữ liệu y thu được. Trên thực tế, ta Giả sử rằng, tại mỗi pixel phổ quan sát được là kết quả có thể thay chuẩn L0 bài toán ở (3) bằng chuẩn L1 để có sự pha trộn của nhiều phổ ứng với các loại vật liệu khác bài toán tương đương mà cách giải lại dễ dàng hơn. nhau. Giả sử sự pha trộn này là tuyến tính – như trong 1 phần lớn các nghiên cứu hiện nay về nhận dạng phổ – khi min || Ax- y ||22 + || x ||1 vớix ≥ 0 (4) x 2 đó, phổ quan sát được tại mỗi pixel và tại mỗi tần số là tổ Khi đó, tìm x trong bài toán (4) chính là lời giải của hợp tuyến tính từ m loại vật liệu khác nhau; phổ của mỗi bài toán có tên gọi là sparse unmixing. loại vật liệu được gọi là endmember: m 2.2. Ràng buộc không gian yi =  a ij x j + vi (1) Bài toán (4) tập trung chủ yếu vào khai thác các thông j=1 tin về phổ có được từ thư viện phổ. Vectorx thể hiện sự Trong đó, yi là giá trị của độ phản xạ đo được ở bước đóng góp của các endmember tại mỗi pixel được tìm một sóng thứ I;a ijlà độ phản xạ của endmember thứ j ở bước cách độc lập giữa các pixel. Trong khi đó, trên thực tế sự sóng thứ I;x jlà tỉ lệ đóng góp (abundance) của đóng góp tại các pixel lân cận nhau trong miền không endmember thứ j; vilà nhiễu trong quá trình đo đạc. gian thường tương tự như nhau. Nếu cảm biến siêu phổ thu thập dữ liệu tại L tần số Để kết hợp với ràng buộc không gian như vậy cho lời khác nhau, (1) có thể viết gọn lại: giải trong bài toán (4), nhiều phương pháp đã được đề ra y = Ax+ v (2) với mục đích là nghiệm x phải mượt trong miền không gian. Ở [2], toán tử Laplacian được sử dụng để thể hiện Trong đó y là một vector cột Lx1 (phổ đo được tại một ràng buộc về sự tương tự nhau giữa các pixel lân cận. pixel), A là ma trận Lxm gồm có mendmember, x là một Trong bài báo này, chúng ta sẽ xem xét ràng buộc trên vector mx1 gồm các tỉ lệ đóng góp của các endmember tại thông qua phép toán TV (Total Variation) [4], vốn thường pixel đó, v là vector Lx1 thể hiện sai số khi đo đạc tại tất thể hiện sự hiệu quả cao hơn Laplacian. cả các bước sóng. Điều kiện ràng buộc của các tỉ lệ đóng góp có thể là không âm (ANC): xj≥ 0, j = 1,.., m hoặc 3. Phương pháp thực hiện m tổng bằng một (ASC):  j=1 x j = 1[4]. 3.1. Phương pháp Trong bài toán nhận dạng phổ điển hình, ta được cho Sau đây ta sẽ trình bày bài toán phân loại phổ cho cả một tậpY   y i  R L ; i = 1,...,nứng với n pixel của một một ảnh siêu phổ, thực chất ta chỉ cần ghép các pixel y ở bức ảnh, và mục tiêu là sẽ ước lượng endmember (ma trận phương trình (2) lại với nhau. Khi đó, gọi Y  R L×n là ma A) và tỉ lệ đóng góp (vector x) của các endmember cho trận dữ liệu được quan sát, trong đó mỗi cột sẽ chứa phổ mỗi điểm ảnh trong bức ảnh đó. quan sát được của một pixel, n chính là số lượng pixel của Trên thực tế, việc giải đồng thời ma trận A và vectơ x ảnh siêu phổ. X  R m×n là ma trận tỉ lệ đóng góp của các là rất khó khăn. Thay vào đó, ta giả sử rằng phổ thu được endmember: một cách tương tự, mỗi cột ứng với một là sự kết hợp từ một số lượng phổ ứng với những loại vật pixel. Như vậy, bài toán sparse unmixing được viết lại liệu đã đo đạc được. Những phổ này được thu thập thông như sau: qua một quá trình đo đạc công phu tại một khu vực địa lý 1 min || AX- Y ||2F + || X ||1,1 +TV TV(X) với X ≥ 0 (5) nào đó và được lưu lại dưới dạng ma trận A, còn gọi là X 2 thư viện. Thư viện này được kì vọng là chứa đầy đủ phổ của tất cả các loại vật liệu có thể có trong vùng đó. Như Trong đó: TV(X)   || x - xi j ||1 (6) i, j vậy, ta sẽ dùng thư viện A – đã biết – để tìm tỉ lệ đóng  biểu thị miền lân cận (ngang và dọc) tại mỗi pixel. góp của các endmember trong thư viện này. Thực sự, TV thể hiện sự biến thiên của các pixel lân cận Thực tế, chỉ có một số ít các phổ chứa trong A có khả nhau. Do đó, việc tối thiểu hóa biểu thức TV này dẫn đến năng đóng góp vào phổ quan sát được tại mỗi pixel. Lí do tỉ lệ đóng góp (của các endmember) sẽ tương tự nhau tại là tại mỗi pixel (ứng với một diện tích nào đó, ví dụ 25m những pixel kề nhau. x 25m) chỉ chứa một số ít các loại vật liệu khác nhau. Do đó, trong phương trình (2), x chứa nhiều giá trị zero, và từ || X ||F  trace XX T  tính tổng bình phương của các n đó có tên gọi là “thưa” (sparse). phần tử của X; || X ||1,1   i=1 || x i ||1 (với xi là cột thứ i của Với những nhận xét này, bài toán nhận dạng phổ có X).   0, TV  0 là các hằng số lần lượt thể hiện sự đóng thể được xây dựng như một bài toán tối ưu dùng chuẩn L2 góp của các điều kiện thưa (sparse) và ràng buộc không và L0 [4, 5], trong đó phổ quan sát được bị ảnh hưởng bởi gian TV trong bài toán (5). nhiễu và với điều kiện là các hệ số đóng góp phải không Chú ý rằng hàm mục tiêu ở bài toán (5) là một hàm lồi âm (ANC). nên ta có thể giải bằng phương pháp đạo hàm, cụ thể là sử 1 dụng phương pháp gradient descent. Tuy nhiên, trên thực min || Ax- y ||22 + || x ||0với x ≥ 0 (3) x 2 tế, cách giải như vậy lại không khả thi với bài toán ở đây Trong đó, || x ||0biểu diễn cho chuẩn L0 của vector x, bởi số lượng biến quá lớn. Do đó, một phương pháp khác mà chỉ đơn giản là đếm các thành phần khác không của x, hiệu quả hơn đã được đề xuất: Lời giải của bài toán (5)
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 1(98).2016 3 được tìm thông qua việc giải một chuỗi các bài toán tối ưu Ti le dong gop cua endmember 1 1 Ti le dong gop cua endmember 2 1 đơn giản hơn rất nhiều sau khi cẩn thận lựa chọn cách đặt 10 0.8 10 0.8 biến [4]. Trong bài báo này, nghiệm của bài toán (5) sẽ 20 20 30 0.6 30 0.6 theo cách như vậy. Pixels Pixels 40 40 0.4 0.4 Để hiểu rõ hơn sự tác động của các ràng buộc về điều 50 50 kiện thưa và sự tương tự lẫn nhau của các pixel lân cận 60 0.2 60 0.2 (TV), ta sẽ xem xét các giá trị  và TV như sau. Cụ thể, 70 20 40 60 0 70 20 40 60 0 Pixels Pixels bài toán (5) có thể phân tích thành các bài toán có độ phức tạp khác nhau, tương ứng với việc sử dụng các ràng (a) (b) Ti le dong gop cua endmember 3 buộc khác nhau. Ta có thể chia thành 3 giải thuật có độ 1 10 9 10 10 phức tạp tăng dần như sau: 0.8 8 20 20 - Thuật toán 1:   TV  0. Đây có thể xem là bài 30 0.6 30 7 Pixels Pixels 6 toán bình phương tối thiểu khi không xem xét 40 0.4 40 5 điều kiện thưa và mối liên hệ không gian. 50 50 4 3 60 0.2 60 - Thuật toán 2:   0, TV  0 . Ở đây, ta xét điều 70 70 2 0 kiện thưa (sparse) của nghiệm X, nhưng không 20 40 Pixels 60 20 40 Pixels 60 1 xét đến mối liên hệ không gian. (c) (d) - Thuật toán 3:   0, TV  0. Đây là trường hợp Hình 2. Sự đóng góp của các endmember trong dữ liệu đầy đủ của bài toán (5): Ta xét cả điều kiện thưa nhân tạo: (a) Đóng góp của endmember 1; (b) Đóng góp của của nghiệm X và sự tương tự nhau của các pixel endmember 2; (c) Đóng góp của endmember 3; lân cận khi xét đến sự đóng góp tại các pixel này. (d) Dữ liệu mô phỏng Ý nghĩa của các ràng buộc này sẽ được minh họa Dữ liệu này có kích cỡ là 75x75 pixel trải dài trên 224 thông qua các kết quả ở Mục 4. Bên cạnh đó, ta cũng sẽ bước sóng (cụ thể, mỗi bước sóng cung cấp một ảnh kích xem xét một cách cụ thể hơn ảnh hưởng của ràng buộc thước 75x75 pixel). Dữ liệu nhân tạo được tạo ra từ tổ không gian thông qua phép toán Total Variation đến kết hợp tuyến tính của 3 endmember được chọn lựa ngẫu quả nhận dạng phổ. nhiên từ tập con nói trên, và phải chịu điều kiện ASC 3.2. Thư viện phổ (tổng bằng một) tại mỗi pixel. Hình 2d minh họa dữ liệu này. Mỗi hình vuông của hàng thứ nhất chứa một Trên đây ta giả sử thư viện phổ A đã có sẵn và ta dùng endmember (vật liệu), mỗi hình vuông của hàng thứ hai nó để giải bài toán nhận dạng phổ ở trên. Bây giờ ta sẽ mô chứa hai endmember, và hàng thứ ba chứa ba endmember. tả cụ thể hơn về thư viện phổ này. Thực tế, xây dựng một Sự đóng góp của các endmember này thể hiện trong các thư viện phổ là một công việc phức tạp và đòi hỏi nhiều hình 2a, b, c. Ví dụ, ô vuông thứ hai của hàng thứ nhất công sức. Hiện tại, chỉ có một số rất ít các thư viện có sẵn trong Hình 2d do endmember 2 tạo ra, do đó, ô vuông tại để có thể khai thác cho bài toán nhận dạng phổ. Trong đó, vị trí này trong Hình 2b có giá trị lớn (màu đỏ), trong khi thư viện USGS là một cơ sở dữ liệu rất nổi tiếng và thường đó vị trí này trong Hình 2a và 2c có giá trị nhỏ. Tương tự, xuyên được sử dụng trong các nghiên cứu của lĩnh vực này. ô vuông thứ hai ở hàng thứ hai trong Hình 2d được tạo Thư viện USGS được cung cấp bởi cơ quan địa chất Hoa nên từ endmember 2 và 3, do đó, vị trí này trong Hình 2b Kỳ USGS, và điều này giải thích tên gọi của thư viện này. và 2c có giá trị lớn. Thư viện USGS được tạo từ 498 vật liệu (các loại Dữ liệu nhân tạo ở trên được cộng thêm nhiễu trắng ở khoáng vật, quặng). Nó bao gồm phổ của các vật liệu ứng ba cấp độ, với tỉ số tín hiệu trên nhiễu SNR lần lượt là với 224 bước sóng, rải đều trong khoảng 0,4 – 2,5 µm. Thư 20dB, 30dB, 40dB. Áp dụng ba thuật toán mô tả ở mục viện này thể hiện bằng một ma trậnA  R 224×501. Chú ý rằng 3.1 với dữ liệu nhân tạo, ta thu được kết quả trong Bảng 3 cột đầu tiên dùng để thể hiện thông tin chung về thư viện 1. Chất lượng của giải thuật được đánh giá thông qua tiêu này như bước sóng, độ phân giải, số kênh. Trong 498 cột chí SRE – giá trị SRE càng lớn thì càng tốt và thể hiện tiếp theo của ma trận, mỗi cột thể hiện độ phản xạ của một chất lượng của tổ hợp phổ được phục hồi càng cao [6]. loại vật liệu tại 224 bước sóng khác nhau. Chi tiết về các loại vật liệu có thể tham khảo ở tài liệu [3]. Từ kết quả này ta dễ dàng thấy được sự hiệu quả của ràng buộc thưa (tham số λ), và đặc biệt là sự kết hợp với 4. Thực nghiệm và kết quả ràng buộc không gian (λTV). Tỉ số SRE tăng dần từ thuật 4.1. Dữ liệu nhân tạo toán 1, đến thuật toán 2 và đến thuật toán 3, và điều này đúng với các trường hợp SNR khác nhau. Tất nhiên, ta Để đánh giá khả năng nhận dạng phổ của phương cũng dễ dàng nhận thấy từ Bảng 1 là tỉ số SNR càng lớn pháp trên, ta sẽ lần lượt thử nghiệm với dữ liệu nhân tạo (nhiễu nhỏ) thì chất lượng phục hồi càng cao. và dữ liệu thật (thu được từ vệ tinh). Để tạo ra dữ liệu nhân tạo, ta dùng một tập con của thư viện phổ USGS như Total Variation là một phương pháp được dùng khá phổ ở [4]. Tập con này bao gồm phổ của 240 vật liệu (các loại biến trong các bài toán xử lý ảnh, đặc biệt liên quan đến bài khoáng vật, quặng khác nhau) từ thư viện USGS. Phổ của toán khử nhiễu, nội suy, và siêu phân giải. Mục đích chính mỗi vật liệu được đo tại 224 bước sóng, rải đều trong của Total Variation trong các bài toán này là khôi phục khoảng 0,4 – 2,5 µm. được ảnh ít bị nhiễu nhưng đồng thời giữ được độ nét tại vùng biên. Trong bài toán nhận dạng phổ hiện tại, ràng
4 Huỳnh Thị Ngọc An, Hồ Phước Tiến buộc Total Variation được dùng để đảm bảo các pixel lân 1.2 0.5 cận sẽ có các tỉ lệ đóng góp tương tự nhau. Điều này cũng 1 0.4 phù hợp với thực tế là các vị trí gần nhau trên mặt đất được 0.8 Ti le dong gop Ti le dong gop 0.3 0.6 cấu tạo từ những vật liệu giống nhau. Kết quả từ Bảng 1 đã 0.4 0.2 thể hiện được vai trò của ràng buộc Total Variation. 0.2 0.1 Bảng 1. Giá trị SRE(dB) đạt được sau khi thực hiện các 0 0 -0.2 thuật toán 1,2,3 khi có sự tác động của nhiễu trắng ở các 1 2 3 Vat lieu 4 5 1 2 3 Vat lieu 4 5 mức độ khác nhau (a) (b) 0.4 SNR Thuật toán Thuật toán Thuật toán 0.4 (dB) 1λ=0;λTV=0 2λ=0,01;λTV=0 3λ=10-3;λTV=3.10-3 0.3 0.3 Ti le dong gop Ti le dong gop 0.2 0.2 20dB -6,604 0,568 1,339 0.1 0.1 30dB -0,524 4,302 9,476 0 0 -0.1 40dB 4,702 15,333 26,680 -0.1 1 2 3 4 5 1 2 3 Vat lieu 4 5 Vat lieu (c) (d) Bên cạnh đó, giá trị tối ưu của λTV bằng bao nhiêu là một câu hỏi thú vị. Chú ý rằng λTV thể hiện mức độ ảnh Hình 4. Tỉ lệ đóng góp của các vật liệu tại các pixel khác nhau (thuật toán 3): (a) pixel(13,13); (b) pixel(63,39); (c) hưởng của ràng buộc về không gian đến bài toán tối ưu pixel(63,63); (d) pixel(30,30) (5). Lời giải chặt chẽ để tìm λTV tối ưu chắc chắn thu hút mối quan tâm của nhiều nhà nghiên cứu. Tuy nhiên, đây 4.2. Dữ liệu vệ tinh là một vấn đề phức tạp và đi ra ngoài phạm vi của bài báo Ảnh siêu phổ được sử dụng trong phần thực nghiệm này. Ở đây, chúng tôi chỉ cố gắng chỉ ra sự tồn tại của một với dữ liệu thật là tập dữ liệu AVIRIS Cuprite, miễn phí giá trị λTV tối ưu cho bài toán nhận dạng phổ. Bằng cách tại: http://aviris.jpl.nasa.gov/data/free_data.html. Ta thay đổi λTV, trong khi cố định λ= 10-3 và SNR=30 dB, trích một vùng có kích thước là 75x75 pixel, trải dài trên ta thấy SRE tốt nhất là 15,152dB ứng với λTV=7.10-3 188 tần số (một số băng tần bị nhiễu đã được loại bỏ) để (Hình 3). phân tích. Theo đo đạc, người ta đã biết là vùng này 16 được cấu tạo từ các vật liệu Alunite, Montmorillonite, Chalcedony… Sau đây, ta sẽ thử dùng thuật toán 3 để 14 nhận ra các vật liệu này. Thông số được sử dụng như sau: 12   10 3 , TV  7.10 3 , thư viện USGS với 498 loại vật liệu. Thuat toan 3 - Ti le dong gop cua Alunite Thuat toan 3 - Ti le dong gop cua Alunite 0.2 10 0.08 SRE 10 10 0.07 20 0.15 20 8 0.06 30 30 0.05 Pixels Pixels 0.1 6 40 40 0.04 50 0.03 50 4 0.05 60 0.02 60 70 0.01 0 70 2 20 40 60 0 0 0.01 0.02 0.03 0.04 0.05 Pixels 20 40 60 Pixels LambdaTV (a) Alunite GDS84 Na03 (b) Alunite HS295.3B Hình 3. Giá trị SRE thay đổi theo λTV Ti le dong gop cua Montmorillonite+Illi CM42 Thuat toan 3 - Ti le dong gop cua Chalcedony 0.02 0.06 Để kiểm tra sự đóng góp của các endmember tìm được 10 10 20 0.05 sau khi thực hiện phương pháp nhận dạng phổ, ta hiển thị 30 0.015 20 0.04 30 tỉ lệ đóng góp tại từng pixel. Hình 4 minh họa bốn vị trí Pixels Pixels 40 0.01 40 0.03 đặc biệt trong dữ liệu nhân tạo trên đây với giải thuật 3. 50 50 0.005 0.02 Hình 4a thể hiện sự đóng góp tại pixel(13,13), thuộc khối 60 60 0.01 70 vuông đầu tiên hàng thứ nhất. Ở đây chỉ có sự đóng góp 20 40 60 0 70 0 chủ yếu của một vật liệu, đó là endmember1 với tỉ lệ Pixels 20 40 Pixels 60 0,9884. Hình 4b thể hiện sự đóng góp tại pixel(63,39), (c)Montmorillonite+Illi (d) Chalcedony CU91-6A thuộc khối vuông thứ 3 của hàng thứ hai. Ở đây chỉ có sự Thuat toan 3 - Ti le dong gop cua Kaolin/Smect Ti le dong gop cua Dry Long Grass đóng góp chủ yếu của hai vật liệu, đó là endmember1 và 10 0.12 10 0.145 0.14 endmember3 với tỉ lệ là (0,4789; 0,4559). Hình 4c thể 20 0.1 20 0.135 30 30 hiện sự đóng góp tại pixel(63,63), thuộc khối vuông cuối Pixels Pixels 0.08 0.13 40 40 cùng của hàng thứ 3, ta có sự đóng góp của cả 3 50 0.06 50 0.125 endmember với tỉ lệ (0,3642; 0,2967; 0,3201). Hình 4d 60 0.04 60 0.12 0.115 thể hiện tỉ lệ đóng góp tại pixel(30,30), đây là pixel nền 70 20 40 60 70 20 40 60 với sự trộn lẫn của 3 endmember theo tỉ lệ ngẫu nhiên. Pixels Pixels Những kết quả này phù hợp với dữ liệu mô phỏng ban (e) Kaolin/Smect KLF508 (f) Dry_Long_Grass AV87 đầu và từ đó cho thấy hiệu quả của ràng buộc Total Hình 5. Bản đồ ước lượng tỉ lệ của các vật liệu Variation trong nhận dạng phổ, ngay cả khi có nhiễu. (màu đỏ thể hiện giá trị lớn)
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 1(98).2016 5 Hình 5 thể hiện vị trí và tỉ lệ đóng góp của các loại vật Vấn đề này có ý nghĩa quan trọng trong việc bảo vệ tài liệu. Từ kết quả này, ta thấy thuật toán 3 đã chỉ ra được nguyên và môi trường. một số vật liệu chính có trong vùng đã chọn như Alunite, Montmorillonite, Chalcedony. Ta cũng chú ý rằng với dữ TÀI LIỆU THAM KHẢO liệu thật từ vệ tinh, ta mới dừng lại ở mức độ đánh giá [1] Bioucas-Dias J., Plaza A., Dobigeon N., Parente M., QianDu, định tính, nghĩa là chỉ xác định sự hiện diện của các vật Gader P., Chanussot J., “Hyperspectral Unmixing Overview: liệu trong vùng đã chọn, chứ chưa thể đánh giá định Geometrical, Statistical, and Sparse Regression-Based lượng do thiếu dữ liệu tham khảo (ground truth) của hỗn Approaches”, IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens, pp. 354—379, 2012. hợp phổ ở từng pixel. Ngoài ra, quá trình nhận dạng phổ với dữ liệu thật phức tạp hơn nhiều so với dữ liệu nhân [2] Chen Y., Nasrabadi N. M., and Tran T., “Hyperspectral Image Classification Using Dictionary-Based Sparse Representation”, tạo do dữ liệu quan sát được (từ vệ tinh), ngoài phổ của IEEE Transactions on Geoscience and Remote Sensing, vol. 49, các vật liệu trên mặt đất, còn chịu ảnh hưởng của nhiều no. 10, pp. 3973 – 3985, 2011. yếu tố khác như cây cỏ, không khí… [3] Clark, R.N., Swayze, G.A., Wise, R., Livo, E., Hoefen, T., Kokaly, R., Sutley, S.J., “USGS Digital Spectral Library splib06a”, 2007. 5. Kết luận [4] Iordache D., Bioucas-Dias J., Plaza A, “Total Variation Spatial Bài báo này đã tập trung vào việc nhận dạng phổ trong Regularization for Sparse Hyperspectral Unmixing”, IEEE Trans. Geosci. Remote Sens., vol. 50, no. 11, pp. 4484 – 4502, 2013. ảnh viễn thám siêu phổ. Loại ảnh này chứa một lượng [5] Iordache D., Bioucas-Dias J., and Plaza A., “Collaborative Sparse thông tin phong phú tại hàng trăm tần số khác nhau, Regression for Hyperspectral Unmixing”, IEEE Trans. Geosci. nhưng việc xử lý cần một phương pháp thích hợp do dữ Remote Sens., vol. 52, no. 1, pp. 341 – 354, 2013. liệu lớn của ảnh siêu phổ. Bài báo đã phân tích và từ đó [6] Iordache D., Bioucas-Dias J., and Plaza A., “Sparse unmixing of thể hiện được vai trò của ràng buộc không gian, cụ thể là hyperspectral data”, IEEE Trans. Geosci. Remote Sens., vol. 49, phương pháp Total Variation, trong vấn đề nhận dạng no. 6, pp. 2014– 2039, 2011. phổ. Kết quả thực nghiệm cho thấy tham số thể hiện ảnh [7] Plaza A., Martín G., Plaza J., Zortea M. and Sánchez S., “Recent hưởng của Total Variation cần được lựa chọn một cách Developments in Endmember Extraction and Spectral Unmixing”, Optical Remote Sensing, Series Augmented Vision and Reality, cẩn thận để có thể cho kết quả tốt nhất. vol.3, pp. 235-267, 2011. Phương pháp nhận dạng trên đã thể hiện được sự hiệu [8] Ramakrishnan D. and Bharti R., “Hyperspectral remote sensing quả với dữ liệu nhân tạo và đồng thời cũng cho thấy and geological applications”, Current Science, vol. 108, no. 5, pp. những kết quả hứa hẹn với dữ liệu thật. Đây có thể là cơ 879-891, 2015. sở để tiếp tục được phát triển cho bài toán nhận dạng các [9] Randall B. Smith, “Introduction to Hyperspectral Imaging”, MicroImages, Inc.,2012. vùng địa chất khác nhau sử dụng ảnh vệ tinh siêu phổ. (BBT nhận bài: 30/11/2015, phản biện xong: 22/12/2015)