Phát hiện sự thay đổi bề mặt địa hình trái đất sử dụng mạng nơ ron xung kép

Kỹ thuật điều khiển & Điện tử<br /> <br /> PHÁT HIỆN SỰ THAY ĐỔI BỀ MẶT ĐỊA HÌNH TRÁI ĐẤT<br /> SỬ DỤNG MẠNG NƠ RON XUNG KÉP<br /> Đào Khánh Hoài1*, Đỗ Danh Điệp2<br /> Tóm tắt: Ảnh vệ tinh đa thời gian được được ứng dụng rộng rãi trong phát hiện<br /> biến động lớp phủ bề mặt trái đất. Cách tiếp cận có giám sát được áp dụng để đánh<br /> giá định lượng chính xác sự biến động của các lớp đối tượng cơ bản của lớp phủ như:<br /> lớp đối tượng nhà đô thị, lớp đối tượng mặt nước, lớp đối tượng đất trống… Trong<br /> những năm gần đây, mạng nơ ron xung kép PCNN đã được ứng dụng trong xử lý ảnh<br /> đa thời gian để phát hiện sự thay đổi các đối tượng trên ảnh. Một đặc điểm ưu việt<br /> của kiểu mạng nơ ron nhân tạo này là tính bất biến với phép dịch, tỷ lệ và phép quay<br /> của ảnh. Tuy nhiên, với các loại ảnh vệ tinh có chất lượng tín hiệu thu nhận khác<br /> nhau cần có các khảo sát cụ thể. Trong nghiên cứu này, nhóm nghiên cứu khảo sát<br /> thực nghiệm phương pháp không giám sát sử dụng mạng nơ ron xung kép PCNN để<br /> phát hiện thay đổi bề mặt trái đất trên ảnh vệ tinh đa thời gian.<br /> Từ khóa: Thay đổi bề mặt lớp phủ, Mạng PCNN, Ảnh vệ tinh.<br /> <br /> 1. MỞ ĐẦU<br /> Trong viễn thám, việc phát hiện các vùng bị thay đổi trên các ảnh chụp cùng<br /> cảnh một khu vực ở các thời điểm khác nhau nhận được sự quan tâm đặc biệt do có<br /> liên quan đến số lượng lớn các ứng dụng khác nhau như phân tích sự thay đổi loại<br /> hình sử dụng đất, phân tích sự dịch chuyển của cơ cấu trồng trọt, quan trắc ô<br /> nhiễm, đánh giá các vùng cháy rừng, phân tích các khu vực phá rừng, phân tích sự<br /> thay đổi của thực vật,… Các phương pháp đánh giá sự biến động hiện tại trong lĩnh<br /> vực viễn thám có thể được phân ra làm hai nhóm giám sát và không giám sát. Các<br /> phương pháp đánh giá biến động này áp dụng trên ảnh vệ tinh đa thời gian đã được<br /> nghiên cứu và công bố trong nhiều tài liệu khác nhau [1-3]. Các phương pháp có<br /> giám sát đòi hỏi sự có mặt dữ liệu đầu vào là các dữ liệu xác thực mặt đất như<br /> điểm khống chế, các mẫu học và mẫu kiểm tra. Trong khi đó, cách tiếp cận không<br /> giám sát phân tích sự thay đổi lớp phủ không cần sử dụng đến sự bổ sung các dữ<br /> liệu xác thực mặt đất. Nếu so sánh về độ chính xác thì các phương pháp phát hiện<br /> biến động có giám sát cho kết quả tốt hơn so với các phương pháp không giám sát.<br /> Các phương pháp phát hiện biến động không giám sát ảnh viễn thám bao gồm ba<br /> bước chính là tiền xử lý, so sánh ảnh và phân tích ảnh. Bước tiền xử lý thực hiện<br /> các phép xử lý để đưa hai ảnh đa thời gian khớp về cùng một khung tọa độ để có<br /> thể so sánh được với nhau. Trong bước thứ hai sự khác biệt giữa hai ảnh đa thời<br /> gian được xác định bằng các toán tử khác nhau như phân tích véc tơ thay đổi<br /> (CVA – Change vector analysis). Sau khi tính toán, tạo được ảnh khác biệt ảnh<br /> biến động cuối cùng nhận được thông qua phân tích ảnh bằng các phương pháp lấy<br /> ngưỡng có hoặc không ràng buộc quan hệ không gian. Ngưỡng có thể nhận được<br /> bằng phương pháp thử sai thủ công hoặc các kỹ thuật lấy ngưỡng tự động.<br /> Trong nghiên cứu này, nhóm tác giả tiếp cận bài toán phát hiện thay đổi trên<br /> ảnh vệ tinh dựa trên ứng dụng mạng nơ ron xung kép PCNN (Pulse-coupled neural<br /> network). PCNN là mạng nơ ron nhân tạo mô phỏng hoạt động của các nơ ron vỏ<br /> não trực quan của mèo [4]. Vỏ não trực quan là một phần bộ não mèo nơi nhận tín<br /> <br /> <br /> 86 Đ. K. Hoài, Đ. D. Điệp, “Phát hiện sự thay đổi bề mặt địa hình… mạng nơ ron xung kép.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> hiệu trực quan từ mắt và chuyển đổi tín hiệu ảnh về luồng các xung. Các xung sinh<br /> ra từ mỗi vòng lặp mạng PCNN mô phỏng lại các dấu hiệu đặc trưng trên cảnh.<br /> Các véc tơ chuỗi các xung hai cảnh ảnh khác nhau được đối sánh làm cơ sở kết<br /> luận có hay không sự thay đổi trên hai cảnh ảnh. Ưu điểm chính của mô hình<br /> PCNN là nó có cấu trúc đơn giản và hoạt động theo cơ chế không cần huấn luyện.<br /> Từ khi mạng PCNN được giới thiệu bởi Eckhon năm 1990 mô hình này đã chứng<br /> tỏ là một công cụ hiệu quả ứng dụng cho xử lý ảnh [5].<br /> Với bài toán phát hiện thay đổi trên ảnh mạng PCNN có tính bất biến đổi với<br /> phép tỷ lệ, dịch, quay của các mẫu ảnh đầu vào. Thành thử việc ứng dụng mạng<br /> PCNN để phát hiện tự động thay đổi các đối tượng trên nền địa hình thu được trên<br /> ảnh vệ tinh đa thời gian với các góc chụp khác nhau, độ dịch khác nhau, ở các khu<br /> vực không tiếp cận, không thể lấy mẫu xác thực, kiểm chứng như hải đảo, biên<br /> giới là cách tiếp cận hợp lý và khoa học.<br /> 2. PHƯƠNG PHÁP PHÁT HIỆN THAY ĐỔI TRÊN ẢNH ĐA THỜI GIAN<br /> SỬ DỤNG MẠNG NƠ RON XUNG KÉP PCNN<br /> 2.1. Mạng nơ ron xung kép PCNN<br /> Vào cuối những năm 1980, Eckhorn trong khi nghiên cứu vỏ não trực quan của<br /> loài mèo [5], đã khám phá ra rằng, não giữa trong khi hoạt động, tạo ra các ảnh nhị<br /> phân có thể trích rút các đặc trưng khác nhau từ cảm nhận trực quan. Dựa trên các<br /> ảnh nhị phân này ảnh thực tế trong não mèo được tạo ra. Từ kết quả nghiên cứu, họ<br /> đã phát triển mô hình mạng nơ ron nhân tạo Eckhorn để mô phỏng hành vi. Trong<br /> đầu những năm 1990, Rybak cũng tìm ra hành vi thần kinh tương tự dựa trên<br /> nghiên cứu vỏ não thị giác của loài chuột bạch và cũng đã phát triển mạng nơ ron,<br /> gọi là mô hình Rybak [6]. Do các mô hình Rybak và Eckhorn đưa ra một cách đơn<br /> giản, hiệu quả cho việc nghiên cứu các giao động xung đồng bộ trong các mạng<br /> nên chúng được xem là rất tiềm năng trong xử lý ảnh. Các khám phá trên đã lát<br /> đường cho thế hệ mạng nơ ron xung kép. Sau đó Johnson và các cộng sự đã mang<br /> đến một số cải biên và biến thể để điều chỉnh hiệu suất của nó đáp ứng như các<br /> thuật toán xử lý ảnh [7]. Mô hình mạng nơ ron cải biên này được gọi là mạng nơ<br /> ron xung kép (PCNN).<br /> PCNN là mạng đơn lớp, hai chiều, kết nối ngang của các nơ ron xung kép kết<br /> nối với các điểm ảnh. Bởi vì mỗi điểm ảnh được liên kết với một nơ ron của mạng<br /> nên cấu trúc của mạng PCNN xuất phát từ cấu trúc ảnh đầu vào (ảnh sẽ được xử<br /> lý). Cấu trúc một nơ ron của mạng PCNN được mô hình hóa như hình 1. Nơron<br /> cấu thành từ ba phần: phần đầu vào, phần liên kết, phần sinh xung [8].<br /> Nơ ron nhận các tín hiệu đầu vào từ các đầu vào cung cấp và đầu vào liên kết.<br /> Đầu vào cung cấp là đầu vào chính từ vùng tiếp nhận của nơ ron. Vùng tiếp nhận<br /> của nơ ron cấu thành từ các điểm ảnh láng giềng của điểm ảnh tương ứng với nơ<br /> ron trên ảnh đầu vào. Đầu vào liên kết là đầu vào thứ hai từ các kết nối ngang với<br /> các nơ ron láng giềng. Sự khác biệt giữa các đầu vào này là các kết nối cung cấp có<br /> hằng số thời gian phản ứng chậm hơn các kết nối liên kết. Mô hình mạng PCNN<br /> chuẩn được mô tả như phép lặp của các phương trình (1) đến (5) [8]:<br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số 48, 04 - 2017 87<br />  Kỹ thuật điều khiển & Điện tử<br /> <br /> <br /> <br /> <br /> Hình 1. Cấu trúc nơron mạng PCNN.<br /> Fi , j n  e  F<br /> Fi , j [n  1]  VF  mi , j ,k ,l Yi , j [n  1]  S i , j<br /> k ,l<br /> (1)<br /> Li , j n   e  L<br /> Li , j [ n  1]  V L  wi , j ,k ,l Yi , j [ n  1]<br /> k ,l<br /> (2)<br /> U i , j n   Fi , j [ n ](1   Li , j [ n ])<br /> (3)<br /> (4)<br /> Ti , j n  e  T Ti , j [n  1]  VT Yi , j [n  1]<br /> (5)<br /> Trong các phương trình này, Si,j là kích thích đầu vào như là mức xám chuẩn<br /> hóa của các điểm ảnh tại vị trí (i,j), Fi,j[n] là đầu vào phản hồi của nơ ron tại vị trí<br /> (i,j) và Li,j[n] là số hạng liên kết. Ui,j[n] là phần tử kích hoạt bên trong nơ ron và -<br /> Ti,j[n] là ngưỡng động. Yi,j[n] là giá trị xung đầu ra của nơ ron và nhận một trong<br /> hai giá trị không hoặc một. Kích thích đầu vào (cường độ xám điểm ảnh) được<br /> nhận bởi phần tử cung cấp, phần tử kích hoạt bên trong tổ hợp phần tử cung cấp<br /> với phần tử liên kết. Giá trị của phần tử kích hoạt bên trong được so sánh với<br /> ngưỡng động, ngưỡng động này giảm dần qua mỗi vòng lặp. Phần tử kích hoạt bên<br /> trong tích lũy các tín hiệu cho đến khi nó vượt qua ngưỡng động để kích hoạt mở<br /> phần tử đầu ra và sau đó ngưỡng động tăng đồng thời một cách mạnh mẽ. Giá trị<br /> đầu ra của nơ ron sau đó theo vòng lặp cấp lại cho các phần tử liên kết và ngưỡng<br /> động với độ trễ một vòng lặp.<br /> Các kết nối tương kết M và W được biểu diễn bởi các ma trận hằng số trọng số<br /> tiếp hợp cho các đầu vào cung cấp và đầu vào liên kết tương ứng phụ thuộc vào<br /> khoảng cách giữa các nơron. Nói chung, M và W (thường thì M = W) tham chiếu<br /> tới các hàm trọng số gauss. β là hệ số liên kết. αF , αL và αT là các hằng số suy<br /> giảm thời gian của các phần tử Fi,j[n], Li,j[n] và Ti,j[n] tương ứng. VF, VL và VT<br /> biểu thị điện thế vốn có của các phần tử Fi,j[n], Li,j[n] và Ti,j[n].<br /> 2.2. Phát hiện thay đổi trên ảnh vệ tinh bằng mạng nơ ron PCNN<br /> Ứng dụng mạng nơ ron PCNN để phát hiện thay đổi trên ảnh đa thời gian được<br /> tiến hành bằng cách đo sự giống nhau giữa hai tín hiệu trích xuất từ ảnh thời gian<br /> trước I1 và ảnh thời gian sau I2. Phương trình (7) được sử dụng để chuyển đổi các<br /> ảnh xung của các vòng lặp PCNN về một véc tơ thông tin cho một ảnh và gọi là<br /> <br /> 88 Đ. K. Hoài, Đ. D. Điệp, “Phát hiện sự thay đổi bề mặt địa hình… mạng nơ ron xung kép.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> véc tơ đặc trưng PCNN của ảnh đó. Sự giống nhau của các véc tơ đặc trưng tương<br /> ứng với các ảnh đa thời gian được xác định bởi hàm tương quan.<br /> N<br /> <br />  (g<br /> i<br /> 1i  g 1 )( g 2 i  g 2 )<br /> r<br /> N N<br /> <br />  (g 1i  g1 ) 2  (g 2i  g2 )2<br /> i i (6)<br /> Trong đó, g[n] là dấu hiệu đặc trưng ảnh xung ở vòng lặp n, N là số điểm ảnh<br /> trên ảnh xung.<br />  Yi , j [ n ]<br /> g n  <br /> i, j<br /> <br /> N , với N là tổng số điểm ảnh. (7)<br /> Mô hình ứng dụng mạng nơ ron PCNN để phát hiện thay đổi trên ảnh vệ tinh đa<br /> thời gian được nhóm tác giả đề xuất gồm năm bước chính, theo lược đồ sau sau:<br /> Image I1 Image I2<br /> <br /> <br /> <br /> <br /> PCNN Parameters initialization<br /> <br /> <br /> <br /> Update T Calculation and update<br /> feeding và linking<br /> <br /> <br /> <br /> <br /> Calculation U<br /> <br /> <br /> <br /> <br /> Compare U and T<br /> <br /> <br /> <br /> <br /> g1 g1<br /> <br /> <br /> <br /> <br /> r > Threshold<br /> Cal. Corr. Coeff. r,<br /> compare r to No changed<br /> threshold<br /> <br /> r < Threshold<br /> <br /> Changed<br /> <br /> Hình 2. Lược đồ thuật toán phát hiện thay đổi trên ảnh vệ tinh đa thời gian.<br /> Bước 1: Đọc và biến đổi 2 ảnh đầu vào I1, I2 thành ảnh xám, chuẩn hóa về cùng<br /> kích thước, chuẩn hóa giá trị mức xám điểm ảnh về miền [0, 1].<br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số 48, 04 - 2017 89<br />  Kỹ thuật điều khiển & Điện tử<br /> <br /> Bước 2: Khởi tạo các giá trị ma trận hằng số trọng số M, W; Các hằng số suy<br /> giảm thời gian αF , αL và αT của các phần tử Fi,j[n], Li,j[n] và Ti,j[n], tương ứng với<br /> các hằng số VF, VL và VT biểu thị điện thế vốn có của các phần tử Fi,j[n], Li,j[n] và<br /> Ti,j[n]; Khởi tạo hệ số liên kết β; Khởi tạo số vòng lặp N (Hoặc được tính toán tự<br /> động dựa vào ảnh đầu vào); Khởi tạo các giá trị F, L, T, U, Y; Vector G để tính giá<br /> trị tương quan.<br /> Bước 3: Vòng lặp tính toán các dấu hiệu đặc trưng g1[n], g2[n] của các ảnh đa<br /> thời gian I1 và I2 dựa trên các giá trị PCNN: F[n], L[n], U[n], T[n], Y[n] theo các<br /> công thức (1), (2), (3), (4), (5), (7).<br /> Bước 4: Tính hệ số tương quan r giữa 2 ảnh (Pearson correlation coefficient )<br /> từ 2 giá trị g1 và g2 ở bước 4, theo công thức (6).<br /> Bước 5: Đánh giá mức độ thay đổi của ảnh dựa trên việc so sánh giá trị tương<br /> quan với một giá trị ngưỡng. Giá trị ngưỡng này sẽ được tự định nghĩa.<br /> If (r < ngưỡng)<br /> then “Thay đổi”<br /> else “Không thay đổi”;<br /> 3. THỰC NGHIỆM KHẢO SÁT KHẢ NĂNG PHÁT HIỆN THAY ĐỔI<br /> TRÊN ẢNH VỆ TINH ĐA THỜI GIAN SỬ DỤNG MẠNG NƠ RON PCNN<br /> 3.1. Phát hiện thay đổi bề mặt địa hình trên ảnh vệ tinh đa thời gian sử dụng<br /> phương pháp có giám sát<br /> Ảnh vệ tinh đa thời gian là các cảnh ảnh một khu vực bề mặt trái đất thu nhận từ<br /> một hoặc nhiều vệ tinh khác nhau ở những thời điểm khác nhau. Ảnh vệ tinh đa<br /> thời gian được ứng dụng nhiều trong các bài toán đánh giá biến động các loại hình<br /> sử dụng đất, đánh giá các tham số môi trường…. Ảnh vệ tinh được thu nhận từ bộ<br /> cảm biến quang học trên quỹ đạo vệ tinh vài trăm ki lô mét nên ảnh hưởng bởi các<br /> điều kiện khí quyển khác nhau tạo ra tín hiệu nhiễu khác nhau ở các thời điểm thu<br /> ảnh khác nhau. Ngoài ra, do các chuyển động lắc của vệ tinh, ảnh hưởng méo hình<br /> do trái đất quay nên các ảnh ở các thời điểm khác nhau chụp cùng một khu vực bề<br /> mặt trái đất có sai số vị trí dao động từ vài chục mét đến vài trăm mét. Trong các<br /> bài toán đánh giá biến động bề mặt trái đất sử dụng ảnh vệ tinh đa thời gian thì<br /> cách tiếp cận phổ biến nhất, đảm bảo độ chính xác là cách tiếp cận có giám sát.<br /> Phương pháp có giám sát được triển khai theo bốn bước cơ bản chính sau: Tiền<br /> xử lý các ảnh đa thời gian đưa các ảnh này trùng khớp tọa độ không gian với nhau,<br /> lấy mẫu đối tượng, phân loại đối tượng và cuối cùng là đánh giá biến động. Bước<br /> tiền xử lý yêu cầu cần có các điểm khống chế có tọa độ không gian chính xác cùng<br /> xuất hiện trên hai ảnh để khớp hai ảnh đa thời gian về trùng khớp với nhau. Các<br /> điểm khống chế này phải được đo đạc trực tiếp ngoài thực địa hoặc trích từ các bản<br /> đồ địa hình có độ chính xác tương ứng với độ phân giải của ảnh vệ tinh. Trong<br /> bước lấy mẫu các đối tượng phân loại trên ảnh cũng cần khảo sát thực địa một số<br /> vị trí để xác thực các mẫu. Bước phân loại sử dụng các thuật toán thống kê hoặc trí<br /> tuệ nhân tạo. Như vậy, cách tiếp cận có giám sát yêu cầu tiếp cận thực địa khu vực<br /> đánh giá biến động để đo đạc khống chế hoặc xác thực mẫu phân loại. Trong<br /> <br /> 90 Đ. K. Hoài, Đ. D. Điệp, “Phát hiện sự thay đổi bề mặt địa hình… mạng nơ ron xung kép.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> phương pháp này mặc dù các ảnh đa thời gian đã được đưa về trùng khớp về mặt<br /> không gian nhưng các thuật toán đối sánh ảnh cũng không được sử dụng để phát<br /> hiện thay đổi do tín hiệu nhiễu trên các ảnh đa thời gian khác nhau nhiều ở các thời<br /> điểm chụp.<br /> 3.2. Thực nghiệm phát hiện thay đổi trên ảnh vệ tinh đa thời gian bằng mạng<br /> nơ ron PCNN<br /> Một đặc điểm cơ bản mà phương pháp phát hiện biến động bề mặt địa hình có<br /> giám sát không phù hợp với ngữ cảnh cần phát hiện tự động thông tin có hay<br /> không sự thay đổi trên bề mặt địa hình một khu vực cụ thể mà không thể tiếp cận<br /> tới khu vực đó để đo đạc tọa độ chính xác hay xác thực các mẫu đối tượng. Yêu<br /> cầu bắt buộc phải có các điểm khống chế tọa độ và xác thực các mẫu đối tượng<br /> làm cho phương pháp phát hiện biến động có giám sát giảm đi đáng kể khả năng tự<br /> động hóa.<br /> <br /> <br /> <br /> <br /> 1a. Mẫu ảnh thời gian 1 - ảnh gốc. 1b. Mẫu ảnh thời gian 2 - ảnh gốc.<br /> <br /> <br /> <br /> <br /> 1c. ảnh thời gian 2 1d. ảnh thời gian 2 biến đổi 1e. ảnh thời gian 2 biến đổi<br /> xoay 45 độ. và xoay 5 độ. và xoay 5 độ.<br /> Hình 3. Cặp mẫu ảnh vệ tinh gốc và các biến thể.<br /> Tính bất biến với các phép tỷ lệ, phép dịch, phép quay và khả năng trích rút<br /> xung đặc trưng làm cho mạng nơ ron xung kép PCNN trở thành một công cụ tiềm<br /> năng cho bài toán phát hiện nhanh và tự động sự thay đổi trên bề mặt địa hình một<br /> khu vực cụ thể. Trong nghiên cứu tiền đề này, nhóm tác giả đã triển khai cài đặt<br /> thuật toán và thử nghiệm phát hiện thay đổi trên hai ảnh vệ tinh đa thời gian sử<br /> dụng mạng nơ ron PCNN theo lược đồ thuật toán đề xuất ở hình 2 mục 2.2. Cặp<br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số 48, 04 - 2017 91<br />  Kỹ thuật điều khiển & Điện tử<br /> <br /> mẫu ảnh vệ tinh đa thời gian (hình 3) được trích xuất từ hai cảnh ảnh vệ tinh đa<br /> thời gian độ phân giải cao 0.5 mét khu vực Hà Nội từ bộ cảm biến quang học trên<br /> vệ tinh Worlview2. Cặp mẫu ảnh được biến thể thêm ba cặp mẫu ảnh mới bằng<br /> cách xoay bổ sung một góc 45 và 5 độ ảnh thời gian sau so với ảnh thời gian trước,<br /> thay đổi ảnh thời gian sau theo chủ định để kiểm chứng tính bất biến với phép quay<br /> và khả năng phát hiện thay đổi trên ảnh của mạng nơ ron PCNN. Kết quả thử<br /> nghiệm thuật toán phát hiện thay đổi trên ảnh đa thời gian bằng PCNN theo lược<br /> đồ 2.2 được trình bày trong bảng 1.<br /> Bảng 1. Kết quả phát hiện thay đổi trên các cặp mẫu ảnh vệ tinh đa thời gian.<br /> STT Cặp ảnh Hệ số Véc tơ xung đặc trưng<br /> tương<br /> quan<br /> 1a.-1b. 0.9703<br /> <br /> <br /> <br /> <br /> 1a.-1c. 0.8531<br /> <br /> <br /> <br /> <br /> 1a.-1d. 0.5615<br /> <br /> <br /> <br /> <br /> 1a.-1e. 0.3251<br /> <br /> <br /> <br /> <br /> Kết quả thử nghiệm thuật toán PCNN với các cặp mẫu ảnh cho thấy rằng PCNN<br /> phát hiện được sự thay đổi trên hai ảnh vệ tinh chứa tín hiệu nhiễu khác nhau do<br /> thời gian, góc chụp và điều kiện khí quyển khác nhau. Các hệ số tương quan phản<br /> ảnh gần trung thực về định lượng sự thay đổi trên hai ảnh.<br /> 4. KẾT LUẬN<br /> Trong công tác trinh sát kỹ thuật các khu vực không tiếp cận như biên giới, hải<br /> đảo hay các vùng quan tâm ảnh vệ tinh đa thời gian đóng vai trò quan trọng trong<br /> <br /> 92 Đ. K. Hoài, Đ. D. Điệp, “Phát hiện sự thay đổi bề mặt địa hình… mạng nơ ron xung kép.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> việc cung cấp thông tin về các cơ sở, trận địa quân sự. Giải đoán, làm tin từ ảnh vệ<br /> tinh là quy trình nhiều bước. Để hỗ trợ quá trình này thì việc phát hiện tự động<br /> những thay đổi bất thường trên ảnh làm tăng thêm khả năng tự động hóa đồng thời<br /> rút ngắn thời gian giải đoán ảnh bằng mắt thường. Cách tiếp cận truyền thống của<br /> bài toán phát hiện thay đổi trên ảnh vệ tinh đảm bảo độ chính xác nhất định là ứng<br /> dụng phương pháp phân loại đối tượng có giám sát làm cơ sở để đánh giá biến<br /> động. Cách tiếp cận này đòi hỏi sự có mặt của các cặp điểm khống chế trên hai ảnh<br /> thông qua đo đạc trực tiếp hoặc trích xuất từ bản đồ địa hình. Trong nghiên cứu<br /> này, mô hình đơn giản ứng dụng mạng nơ ron PCNN để phát hiện thay đổi trên hai<br /> ảnh vệ tinh đa thời gian do nhóm tác giả khảo sát, phân tích và đề xuất đã chứng tỏ<br /> được tính ưu việt của PCNN về tính bất biết với phép quay, phép tỷ lệ. Trong các<br /> nghiên cứu tiếp theo, nhóm tác giả sẽ khai thác sâu hơn việc ứng dụng mạng<br /> PCNN kết hợp với các công cụ khác như khớp ảnh tự động, nhận dạng đối tượng<br /> cụ thể, cài đặt thuật toán song song để quá trình phát hiện thay đổi trên ảnh vệ tinh<br /> đa thời gian nhanh, chi tiết và chính xác hơn.<br /> Lời cảm ơn: Nhóm tác giả cảm ơn sự tài trợ về kinh phí từ đề tài nghiên cứu cứu khoa học cấp<br /> quốc gia mã số VT-UD.04/16-20 thuộc Chương trình KHCN vũ trụ và kinh phí NCKH thường<br /> xuyên của Cục KHQS, sự giúp đỡ về ý tưởng khoa học của Thiếu tướng GS. TS. Nguyễn Lạc Hồng<br /> PGĐ Học viện KTQS, sự góp ý chuyên môn của các cộng sự Khoa CNTT, sự tạo điều kiện của Viện<br /> Kỹ thuật CTĐB - HVKTQS để nghiên cứu này được tiến hành thuận lợi.<br /> <br /> TÀI LIỆU THAM KHẢO<br /> [1]. Suparn Pathack, “New Change Detection Techniques to monitor land cover<br /> dynamics in mine environment”. The International Archives of the<br /> Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XL,<br /> No. 8(2014).<br /> [2]. Katherine S. Willis, “Remote sensing change detection for ecological<br /> monitoring in United States protected areas”, ScienceDirect – Biological<br /> Conservation, Vol. 182, February 2015, pp. 233-242.<br /> [3]. J.S. Rawat, Manish Kumar, “Monitoring land use/cover change using remote<br /> sensing and GIS techniques: A case study of Hawalbagh block, district<br /> Almora, Uttarakhand, India”, ScienceDirect - The Egyptian Journal of<br /> Remote Sensing and Space Science, Vol. 18, No. 1 (2015), pp. 77-84.<br /> [4]. Book by T. Lindbad and J.M. Kinser, “image processing using pulse<br /> coupled neural networks” springer second edition.<br /> [5]. R. Eckhorn, H.J. Reitboeck, M. Arndt, P.W. Dicke, “A neural network for<br /> feature linking via synchronous activity: results from cat visual cortex and<br /> from simulations, in: Models of Brain Function”, Cambridge University<br /> Press,Cambridge, UK, (1989), pp. 255–272.<br /> [6]. I.A. Rybak, N.A. Shevtsova, L.N. Podladchikova, A.V. Golovan, “A visual<br /> cortex domain model and its use for visual information processing”, Neural<br /> Networks 4 (1991) 3–13.<br /> [7]. H.S. Ranganath, G. Kuntimad, J.L. Johnson, “Pulse coupled neural networks<br /> for image processing”, in: Proc. of the Southeast Conference on ‘Visualize the<br /> future’, (1995), pp. 37–43.<br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số 48, 04 - 2017 93<br />  Kỹ thuật điều khiển & Điện tử<br /> <br /> [8]. Zhaobin Wang, Yide Ma, Feiyan Cheng, Lizhen Yang, “Review of pulse-<br /> coupled neural networks”. Elsevior on image and vision computing, (2010),<br /> pp. 5-13.<br /> ABSTRACT<br /> AN ALGORITHM FOR CHANGE DETECTION ON MULTI-TEMPORAL<br /> SATELLITE IMAGES USING PULSE-COUPLE NEURAL NETWORK<br /> Multi-temporal satellite images are applied broadly for land cover<br /> change detection. Supervise approaches are suitable for change detection of<br /> basic classes like urban land, water bodies, bare land….with high accuracy.<br /> In recent years, Pulse-couple neural networks (PCNN) were applied<br /> intensively for object change detection in consecutive images. An advantage<br /> of PCNN is its invariance with scaling, translating and rotating operations.<br /> However, different satellite sensor has unique noise characteristics and the<br /> application of PCNN to various sensors needs to be investigated in detail. In<br /> this study, authors have constructed a simple algorithm scheme using PCNN<br /> for change detection on multitemporal high resolution satellite images and<br /> some experiments have showed promissable results.<br /> Keywords: Land cover change, PCNN netwwork, Satellite imagery.<br /> <br /> <br /> <br /> Nhận bài ngày 01 tháng 3 năm 2017<br /> Hoàn thiện ngày 03 tháng 4 năm 2017<br /> Chấp nhận đăng ngày 05 tháng 4 năm 2017<br /> <br /> Địa chỉ: 1Học viện Kỹ thuật quân sự;<br /> 2<br /> Dự khóa NCS tại Học viện Kỹ thuật quân sự.<br /> *<br /> Email: geogroup2008@gmail.com<br /> <br /> <br /> <br /> <br /> 94 Đ. K. Hoài, Đ. D. Điệp, “Phát hiện sự thay đổi bề mặt địa hình… mạng nơ ron xung kép.”<br />