Tóm tắt Luận án tiến sĩ Kỹ thuật: Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh đa phổ dựa trên tính toán mềm

Chia sẻ: Tỉ Thành | Ngày: | Loại File: PDF | Số trang:25

Thêm vào BST

Báo xấu

50
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục đích nghiên cứu của luận án nhằm đánh giá các phương pháp, kĩ thuật tiền xử lý, tăng cường ảnh viễn thám. So sánh, đánh giá các phương pháp, kĩ thuật phân lớp ảnh viễn thám. Đề xuất kĩ thuật mới tăng cường ảnh viễn thám đa phổ và chứng minh phương pháp mới hiệu quả hơn các phương pháp đã có theo các tiêu chuẩn đánh giá được chọn.

Chủ đề:

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

Lưu

Nội dung Text: Tóm tắt Luận án tiến sĩ Kỹ thuật: Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh đa phổ dựa trên tính toán mềm

BỘ THÔNG TIN VÀ TRUYỀN THÔNG HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG ****************************************** NGUYỄN TU TRUNG NGHIÊN CỨU NÂNG CAO CHẤT LƯỢNG VÀ GIẢI ĐOÁN ẢNH VIỄN THÁM ĐA PHỔ DỰA TRÊN TÍNH TOÁN MỀM Chuyên ngành: Hệ thống thông tin Mã số : 9.48.01.04 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT HÀ NỘI – 2018 1
Công trình hoàn thành tại: Học viện Công nghệ Bưu chính Viễn thông Người hướng dẫn khoa học: 1. TS. Vũ Văn Thoả 2. PGS.TS. Đặng Văn Đức Phản biện 1: ……………………………………………………….. Phản biện 2: ……………………………………………………….. Phản biện 3: ……………………………………………………….. Luận án sẽ được bảo vệ trước Hội đồng chấm luận án tại: Học viện Công nghệ Bưu chính Viễn thông Vào hồi: ……giờ, ngày……..tháng…….năm……………. Có thể tìm hiểu luận án tại: Thư viện Quốc gia Việt Nam Thư viện Học viện Công nghệ Bưu chính Viễn thông 2
MỞ ĐẦU 1. Tính cấp thiết của luận án Viễn thám được hiểu là một khoa học và nghệ thuật để thu nhận thông tin về một đối tượng, một khu vực hoặc một hiện tượng thông qua việc phân tích tài liệu thu nhận được bằng các phương tiện. Viễn thám bao gồm các thiết bị cảm biến, ghi lại năng lượng phát ra từ đối tượng nghiên cứu, và bao gồm tổ hợp phần cứng/phần mềm với khả năng xử lý, phân tích và ứng dụng các thông tin thu được từ ảnh. Với cách hiểu này thì quá trình viễn thám bao gồm hai giai đoạn chính: (i) Thu thập thông tin viễn thám (dưới dạng ảnh viễn thám); (ii) Xử lý và phân tích thông tin (ảnh) viễn thám. Đề tài được đặt ra nhằm nghiên cứu một số phương pháp xử lý ảnh viễn thám để hỗ trợ giải quyết các vấn đề liên quan đến giai đoạn (ii) của quá trình trên. Quá trình xử lý và phân tích thông tin viễn thám được thực hiện bằng phần mềm máy tính. Ảnh viễn thám ngày càng có những ứng dụng quan trọng trong nhiều lĩnh vực, từ hỗ trợ quản lý đất đai phục vụ dân sinh, quản lý, giám sát chủ quyền quốc gia, cho đến hỗ trợ giám sát tài nguyên, môi trường ... Ứng dụng ngày càng phổ biến của ảnh viễn thám tất yếu dẫn đến nhu cầu ngày càng tăng của việc xây dựng và sử dụng phần mềm xử lý ảnh viễn thám. Ngày nay, có rất nhiều phần mềm cả thương mại lẫn mã nguồn mở phục vụ công tác xử lý dữ liệu viễn thám. Theo nghiên cứu của hãng Global Marketing Insights, những phần mềm liên quan tới xử lý dữ liệu viễn thám được ứng dụng nhiều nhất tại các nhóm nghiên cứu châu Á là ESRI 30%; ERDAS 25%; RSI ENVI 17%; MapInfo 17%; ERMapper 11%. Trong khi đó, ở phương Tây, những con số này là ESRI 39%, ERDAS 27%, MapInfo 9%, AutoDesk 7%, RSI ENVI 17%. Còn ở Việt Nam, công nghệ xử lý ảnh viễn thám đã xâm nhập khá sớm, từ năm 1983 (Viện Khoa học Việt Nam). Để nhanh chóng phát triển công nghệ vũ trụ phục vụ cho phát triển kinh tế của đất nước, Nhà nước đã xây dựng đề án: “Kế hoạch tổng thể về ứng dụng và phát triển công nghệ viễn thám ở Việt Nam” nhằm hướng đến sự phát triển bền vững trên cơ sở sử dụng hợp lý tài nguyên thiên nhiên và bảo vệ môi trường. Năm 2006, Viện Công nghệ Vũ trụ, thuộc Viện Hàn Lâm Khoa học và Công nghệ Việt Nam được thành lập. Năm 2013 Việt Nam đã phóng vệ tinh viễn thám đầu tiên mang tên VNRedsat-1. Vệ tinh viễn thám thứ 2 VNRedsat-2 dự kiến được phóngvào năm 2019. Các bài toán liên quan đến hoạt động nhận thức, trí tuệ của con người đều hàm chứa những đại lượng, thông tin không chính xác, không chắc chắn và không đầy đủ. Trong lĩnh vực khoa học kĩ thuật, các hệ thống phức tạp thực tế không thể mô tả đầy đủ và chính xác bởi các phương trình toán học truyền thống. Kết quả là những tiếp cận kinh điển dưa trên kỹ thuật phân tích và các phương trình toán học nhanh chóng tỏ ra không còn phù hợp. Vì thế, công nghệ tính toán mềm là giải pháp trong lĩnh vực này. Vấn đề giải đoán ảnh viễn thám cũng phức tạp và cần sử dụng các kĩ thuật trong công nghệ tính toán mềm. Công nghệ tính toán mềm gồm các thành phần: Logic mờ, Mạng Neural nhân tạo, lập luận xác suất, hệ hỗ trợ ra quyết định. Các kĩ thuật phân lớp dữ liệu thuộc về công nghệ tính toán mềm. 3
Xuất phát từ những lý do trên, nghiên cứu sinh đã lựa chọn đề tài “Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh đa phổ dựa trên tính toán mềm” để thực hiện luận án tiến sĩ chuyên ngành Hệ thống thông tin. Kết quả nghiên cứu được áp dụng trên ảnh viễn thám, đặc biệt là ảnh viễn thám tại các khu vực trong nước để phân tích các đặc thù của các lớp phủ và đưa ra những kết quả hữu ích cho giai đoạn hậu phân loại như xây dựng bản đồ, ... Thách thức đặt ra với đề tài là rất lớn vì ảnh viễn thám có nhiều loại với đặc thù riêng. Mỗi loại ảnh viễn thám có phương pháp xử lý, phân tích riêng. Vì vậy, việc lựa chọn phương pháp, kĩ thuật phù hợp để từ đó đề xuất cải tiến là rất quan trọng. 2. Mục tiêu, nội dung và đối tượng nghiên cứu của luận án Mục tiêu của luận án là nghiên cứu kĩ thuật tăng cường và phân lớp để hỗ trợ cho việc giải đoán ảnh viễn thám đa phổ. Từ mục tiêu, luận án tập trung vào bốn nội dung nghiên cứu chính bao gồm:  Nội dung thứ nhất là đánh giá các phương pháp, kĩ thuật tiền xử lý, tăng cường ảnh viễn thám.  Nội dung thứ hai là so sánh, đánh giá các phương pháp, kĩ thuật phân lớp ảnh viễn thám.  Nội dung thứ ba là đề xuất kĩ thuật mới tăng cường ảnh viễn thám đa phổ và chứng minh phương pháp mới hiệu quả hơn các phương pháp đã có theo các tiêu chuẩn đánh giá được chọn.  Nội dung thứ tư là đề xuất kĩ thuật mới phân loại ảnh viễn thám đa phổ và chứng minh phương pháp mới hiệu quả hơn các phương pháp đã có theo các tiêu chuẩn đánh giá được chọn. Đối tượng nghiên cứu của luận án bao gồm:  Các kĩ thuật tiền xử lý, tăng cường ảnh viễn thám.  Các kĩ thuật phân lớp ảnh viễn thám. 3. Đóng góp chính của luận án - Đề xuất kỹ thuật tăng cường độ tương phản ảnh viễn thám dựa trên tiếp cận cục bộ theo cụm thông qua 2 giải thuật phân cụm KMeans và phân cụm mờ CM. - Cải tiến thuật toán phân cụm KMeans áp dụng với ảnh viễn thám: (i) IKMeans với bước khởi tạo tâm cụm xác lập dựa theo kỹ thuật avelet; (ii) CIKMeans dựa trên vector trung b nh cụm, (iii) KMeansCMN với công thức tính tâm cụm áp dụng kĩ thuật chuẩn hóa trung bình phổ và (iv) u y C-Means thành lsi CM với những tu biến để xử lý với ảnh k ch thước lớn trên cơ sở FCM. 4. Bố cục của luận án Luận án bao gồm ba chương như sau: 4
Chương 1: Tổng quan về viễn thám và giải đoán ảnh viễn thám đa phổ. Chương 2: Phát triển một số thuật toán tăng cường độ tương phản ảnh viễn thám đa phổ. Chương 3: Phát triển một số thuật toán phân lớp ảnh viễn thám đa phổ. CHƯƠNG I - TỔNG QUAN VỀ VIỄN THÁM VÀ GIẢI ĐOÁN ẢNH VIỄN THÁM ĐA PHỔ 1.1. Tổng quan về viễn thám 1.1.1. Tiến trình viễn thám Tiến trình viễn thám bao gồm nhiều công đoạn, trong đó có tương tác giữa bức xạ và đối tượng nghiên cứu. Khái niệm đối tượng nghiên cứu trong luận án này được hiểu là các đối tượng, khu vực hay hiện tượng nào đó trên bề mặt Trái đất mà con người muốn thu thập thông tin về nó. Trên hình 1.1 là mô tả vắn tắt bảy thành phần của hệ thống thu ảnh viễn thám [CAN]. Hình 1.1. Tiến trình viễn thám. Đề tài “Nghiên cứu phương pháp nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ dựa trên tính toán mềm” tập trung nghiên cứu một số vấn đề liên quan đến thành phần F và G được mô tả trong hình 1.1. Cụ thể là làm thế nào để phân tích, diễn giải dữ liệu viễn thám và ứng dụng chúng trong thực tế. 1.2. Tổng quan về giải đoán, phân tích ảnh viễn thám đa phổ 1.2.1. Khái niệm và tiến trình giải đoán ảnh viễn thámđa phổ Giải đoán ảnh viễn thám là quá trình tách thông tin định tính cũng như định lượng từ ảnh dựa trên các tri thức chuyên ngành hoặc kinh nghiệm của người đoán, đọc, điều, vẽ. Phân lớp đa phổ là quá trình tách gộp thông tin dựa trên các tính chất phổ, không gian và thời gian của đối tượng. Phát hiện biến động là phát hiện và phân tích các biến động dựa trên tư liệu ảnh đa thời gian. Chiết tách các thông tin tự nhiên tương ứng với việc đo nhiệt độ trạng thái khí quyển, độ cao của vật thể dựa trên các đặc trưng phổ hoặc thị sai của cặp ảnh lập thể. Xác định các chỉ số là việc tính toán các chỉ số mới, ví dụ chỉ số thực vật. Dữ liệu ảnh viễn thám thu được từ các vệ tinh viễn thám có thể bị sai lệch về mặt hình học hay bức xạ, sẽ được chuyển vào bộ hiệu chỉnh để sửa lại. Sau đó, dữ liệu được chuyển qua giai đoạn phân lớp để rút trích các thông tin cần thiết của đối tượng thu nhận. Đề hỗ trợ cho việc giải đoán thủ công hay kiểm tra lại kết quả phân lớp, dữ liệu viễn thám có thể được chuyển qua bộ tăng cường 5
chất lượng ảnh trực quan để có thể quan sát và phân tách hiệu quả hơn. Giai đoạn hậu phân lớp là từ các thông tin thu được sau phân lớp sẽ kết xuất các đầu ra cần thiết cho việc báo cáo, quản lý hiện trạng lớp phủ, ... 1.3. Tình hình nghiên cứu trong và ngoài nước Do luận án tập trung nghiên cứu các giai đoạn: Tăng cường và giải đoán (phân lớp) ảnh viễn thám đa phổ nên phần này sẽ khảo sát, đánh giá tình hình nghiên cứu các giai đoạn này. 1.3.1. Tăng cường hình ảnh trực quan 1.3.1.1. Lọc mây, sương mù của ảnh viễn thám Một số kĩ thuật dò tìm và loại bỏ sương mù bao gồm:  Trừ đối tượng tối đơn giản, tiếp cận mục tiêu tối dựa trên ảnh.  Mô hình truyền bức xạ không khí.  Hiệu chỉnh sử dụng ảnh đa kênh và đa thời gian  Hiệu chỉnh sử dụng dữ liệu mặt đất  Hiệu chỉnh sử dụng mục tiêu bất biến Hiện nay, các nghiên cứu còn bổ sung kĩ thuật mới như phân tích wavelet để tăng cường hiệu quả lọc mây mù. 1.3.1.2. Tăng cường ảnh Các kĩ thuật tăng cường ảnh bao gồm:Tăng cường ảnh dựa trên histogram, Tăng cường ảnh dựa trên logic mờ, Kĩ thuật tối ưu. 1.3.2. Giải đoán ảnh viễn thám Các nghiên cứu giải đoán ảnh viễn thám theo cáchướng tiếp cận: phân lớp không giám sát và có giám sát, sử dụng các kỹ thuật học máy, tính toán mềm, …. 1.4. Phân tích, đánh giá về thành công, ưu điểm, hạn chế Các phương pháp tăng độ tương phản áp dụng tiếp cận toàn cục để tăng cường tất cả mức độ sáng của ảnh. Sử dụng tiếp cận toàn cục thường khó để tăng cường tất cả các đối tượng xuất hiện trong, bởi vì thông tin tương phản cục bộ và chi tiết có thể bị mất trong các vùng sáng và tối. Ngoài ra, các phương pháp này vẫn chọn thủ công các giá trị cho các ngưỡng cận dưới và cận trên nên không phải lúc nào cũng chọn được giá trị tốt làm ảnh hưởng đến kết quả tăng cường ảnh. Về vấn đề phân lớp ảnh viễn thám, các kĩ thuật phân lớp thường áp dụng cho ảnh viễn thám đa phổ là không mới như các kĩ thuật đã áp dụng cho ảnh màu. Nếu như có thể cải tiến các kĩ thuật đã có và các kĩ thuật mới đã áp dụng thành công cho ảnh màu có thể tăng cường chất lượng phân lớp ảnh viễn thám đa phỏ. Hơn nữa, tốc độ thực thi của một số kĩ thuật phân lớp vẫn chậm khi áp dung cho ảnh kích thước lớn như ảnh viễn thám độ phân giải cao. 1.5. Hướng nghiên cứu của luận án  Đề xuất kĩ thuật tăng cường ảnh viễn thám đa phổ mới dựa trên tiếp cận cục bộ. 6
 Đề xuất kĩ thuật phân lớp ảnh viễn thám đa phổ mới cải tiến cả chất lượng và tốc độ thực thi. 1.6. Kết luận chương I Chương I đã trình bày tổng quan về viễn thám và xử lý ảnh viễn thám, tổng quan về giải đoán ảnh viễn thám đa phổ. Tiếp theo, chương I đưa ra bức tranh tổng quan về tình hình nghiên cứu trong và ngoài nước liên quan đến vấn đề tăng cường chất lượng ảnh và phân lớp ảnh viễn thám. Cho đến hiện tại, các nghiên cứu trên thế giới đã đạt được những thành công to lớn từ giai đoạn thu thập ảnh với những cải tiến sâu sắc, thành tựu lớn của các vệ tinh viễn thám ngày càng hiện đại, các vấn đề hiệu chỉnh, tăng cường chất lượng dữ liệu cho đến việc phân lớp, phân tích ảnh viễn thám cũng như các ứng dụng hậu phân lớp. Qua đây, luận án phân tích ưu điểm cũng như những mặt còn hạn chế của các phương pháp và nghiên cứu đã có, làm cơ sở để nghiên cứu sinh tìm ra các phương pháp mới, để có thể cải tiến và ứng dụng vào thực tế đem lại hiệu quả tốt hơn. Các cải tiến của luận án được trình bày trong chương II và III. CHƯƠNG II: PHÁT TRIỂN MỘT SỐ THUẬT TOÁN TĂNG CƯỜNG ĐỘ TƯƠNG PHẢN ẢNH VIỄN THÁM DỰA ĐA PHỔ 2.1. Một số thuật toán tăng cường độ tương phản ảnh dựa trên logic mờ  Tăng cường ảnh mờ với toán tử tăng cường  Tăng cường ảnh mờ với toán tử Hyperbol  Tăng cường ảnh mờ dựa trên phân bố xác suất  Cải thiện độ tương phản dựa trên luật If-Then mờ 2.2. Hạn chế của các thuật toán tăng cường mờ Qua phân tích về phương pháp tăng cường ảnh mờ đã có như được trình bày trong các mục 2.1 của luậnán, chúng tôi có một số nhận xét sau:  Một là, các thuật toán tăng cường mờ trên vẫn sử dụng tiếp cận toàn cục như các phương pháp truyền thốngnên khó để tăng cường độ tương phản giữa các lớp phủ đất (các đối tượng che phủ mặt đất) xuất hiện trong ảnh vệ tinh, bởi vì thông tin tương phản cục bộ và chi tiết vẫn có thể bị mất trong các vùng sáng và tối.  Hai là, các ngưỡng cận trên max, dưới min vẫn phải chọn thủ công dựa trên lựa đồ xám với mỗi ảnh khác nhau nên thiếu hiệu quả và việc chọn ngưỡng có thể không tốt.  Ba là, giống như phương pháp truyền thống, phương pháp tăng cường ảnh mờ chỉ thực hiện trênmột kênh phổ (ảnh đa cấp xám hay từng kênh của ảnh đa kênh). Do đó, mầu của các đối tượng trong ảnh đầu ra có thể không được bảo tồn. 2.3. Một số độ đo chất lượng tăng cường ảnh Để đánh giá chất lượng ảnh, chúng ta có thể sử dụng phương pháp trực quan hay các chỉ số độ đo chất lượng. Để đo độ tương phản của ảnh, chúng ta có thể sử dụng một số độ đo như sau: ShannonEntropy H, Entropy mờ FH, chỉ số tuyến tính mờ γ, độ đo chất lượng ảnh IQM…Trong các 7
công trình nghiên cứu và luận án, nghiên cứu sinh sử dụng độ đo Entropy và độ đo tính mờ để đánh giá chất lượng của ảnh trước và sau tăng cường. 2.4. Đề xuất kĩ thuật tăng cường độ tương phản ảnh viễn thám dựa trên tiếp cận cục bộ Các bước chính của kĩ thuật tăng cường ảnh viễn thám dựa trên tiếp cận cục bộ (Local based Remote Sensing Image Enhancement-LoRSIE) được liệt kê trong bảng 2.1. Bảng 2.1. Quy trình thuật toán tăng cường ảnh viễn thám dựa trên tiếp cận cục bộ. Giai đoạn Nhiệm vụ 1 Cục bộ hóa ảnh viễn thám dựa trên thuật toán phân cụm 2 Xây dựng mô hình hiệu chỉnh mức xám theo cụm 3 Tính ngưỡng tự động theo cụm 4 Sinh ảnh tăng cường dựa trên việc tổng hợp các mức xám hiệu chỉnh theo từng cụm Trong các phần 2.5 và 2.6, luận án trình bày hai thuật toán tăng cường ảnh viễn thám dựa trên tiếp cận cục bộ sử dụng các thuật toán phân cụm mờ CM và phân cụm rõ KMeans. 2.5. Tăng cường ảnh viễn thámsử dụng phân cụm mờ 2.5.1. Thuật toán tăng cường ảnh viễn thám sử dụng phân cụm mờ 2.5.1.1. Cục bộ hóa ảnh viễn thám dựa trên thuật toán phân cụm mờ Phân cụm c-Means mờ [FCM] là thuật toán được dùng rộng rãi của phân lớp mờ. Trong khi xem xét logic tập mờ, thuật toán được phát triển dựa trên phân cụm KMeans. Trong thuật toán này, mỗi điểm ảnh không về duy nhất cụm nào và được biểu diễn bởi nhiều thành viên của mỗi cụm. 2.5.1.2. Xây dựng mô hình biến đổi mức xám theo cụm Trong nghiên cứu này, nghiên cứu sinh xây dựng hàm biến đổi cho toán tử Giãn mức xám và Hyperbol, và được phát biểu theo từng cụm trong bảng 2.2. Bảng 2.2. Các hàm biến đổi mức xám theo từng cụm. Ý nghĩa Công thức biến đổi Ti(g) Giãn mức (21) xám ( )[ ] (22) Trong đó: Biến đổi Hyperbol (23) { 8
Trong đó, g = giá trị xám gốc, = cận trên của việc giãn cụm i, = cận dưới của việc giãn cụm i, = tâm cụm i.Giá trị của các ngưỡng và được tính tự động theo từng cụm như trong mục 2.4.1.3. 2.5.1.3. Tính ngưỡng tự động theo cụm Giả sử, là hàm phân bố của mức xám theo một cụm cho trước. và các tham số: , , được thể hiện trong hình 2.1.Các ngưỡng , được xác định bằng cách chọn sao cho vùng gạch chéo (hình 2.1) có diện tích bằng 95% tổng diện tích được bao bởi các đường y = 0 và y = . Ý nghĩa của việc chọn ngưỡng như trên là để vùng được chọn không bị ảnh hưởng bởi nhiễu. Hình 2.1. Hàm phân bố và các ngưỡng theo từng cụm. 2.5.1.4. Sinh ảnh tăng cường dựa trên việc tổng hợp mức xám hiệu chỉnh theo cụm Dựa trên mô hình biến đổi mức xám theo mỗi cụm đã xây dựng trong phần 2.5.1.2, mỗi giá trị xám đầu vào sẽ được chuyển các thành giá trị mới tương ứng với các cụm. Nhiệm vụ còn lại là tổng hợp các giá trị này để sinh ra giá trị xám duy nhất. Hàm tổng hợp này có dạng tổng quát như sau: g | g’ = T(g). Trong đó, ∑ (24) Trong đó, g = giá trị xám gốc, = cận trên của việc giãn cụm i, = g cận dưới của việc giãn cụm i, = tâm cụm i, = giá trị độ thuộc của mức xám g theo cụm i. 2.5.2. Phát triển thuật toánLoRSIE_FCM cho ảnh đa phổ Thuật toán LoRSIE_ CM dựa trên tiếp cận phân cụm, thực hiện tính ngưỡng tự động, khắc phục được hạn chế 1 và 2 (nhận xét trong mục 2.2). Tuy nhiên, đối với ảnh đa kênh, vẫn chưa rõ làm thế nào để thuật toán này có thể khắc phục được hạn chế 3. Phát triển dưới đây sẽ cho phép giải quyết vấn đề này. Bản chất CM là thuật toán phân cụm các đối tượng là các vector có nhiều thành phần. Và do vậy, CM đã thực hiện rất tốt cho ảnh đa kênh như ảnh màu RGB. Như vậy, thuật toán trên áp dụng cho ảnh viễn thám đa phổ như sau:  Bước 1:Cục bộ hóa ảnh đầu vào. Sau khi thực hiện thủ tục phân cụm, mỗi điểm ảnh P( , , …) sẽ được đặc trưng thêm bởi một bộ các giá trị độ thuộc ứng với các cụm khác 9
nhau. Như vậy, quan hệ cùng một điểm ảnh của một bộ ( , , …) được đặc trưng bởi bộ các giá trị độ thuộc trên. Do đó, giải quyết được hạn chế thứ 3 trong mục 2.2.  Bước 2: Xây dựng mô hình hiệu chỉnh mức xám. Vẫn thực hiện việc này như được trình bày trong mục 2.4.1.b.  Bước 3: Tính ngưỡng tự động. Các ngưỡng và được tính tự động theo từng cụm và từng kênh k.  Bước 4: Sinh ảnh tăng cường. Với mỗi điểm ảnh P, ta có: ∑ (25) Trong đó, = giá trị xám gốc của điểm ảnh P thuộc kênh thứ k, = cận trên của việc giãn cụm i thuộc kênh thứ k, = cận dưới của việc giãn cụm i thuộc kênh thứ k, = tâm cụm i thuộc kênh thứ k. Mỗi tâm gồm môt bộ ( , , …), = giá trị độ thuộc của mức xám g theo cụm i. 2.5.3. Thuật toán tăng cường ảnh viễn thám kích thước lớn 2.5.3.1. Nhược điểm của FCM với ảnh viễn thám kích thước lớn Thuật toán phân cụm mờ [FCM] nảy sinh vấn đề khi gặp ảnh có kích thước rất lớn mà cụ thể ở đây là ảnh viễn thám độ phân giải cao. Có hai cách để khắc phục vấn đề này. Một là, có thể áp dụng kĩ thuật wavelet. Hai là, cải tiến trực tiếp thuật toán phân cụm mờ để khắc phục hạn chế này. Phương án sử dụng kĩ thuật wavelet được trình bày dưới đây. Phương án cải tiến thuật toán phân cụm mờ được trình bày trong mục 3.2.3 trong chương III. 2.5.3.2. Thuật toán tăng cường ảnh viễn thám kích thước lớn Trong phần này, luận án đề xuất thuật toán tăng cường ảnh viễn thám kích thước lớn mà chúng tôi tạm gọi là Large Size Remote Sensing Image Enhancement Using FCM (LaSRSIE_FCM). Đầu tiên, ảnh đầu vào được giảm kích thước sử dụng biến đổi avelet thuận đến kích thước đủ nhỏ được ảnh xấp xỉ cực tiểu lựa chọn. Thực hiện tăng cường ảnh xấp xỉ cực tiểu lựa chọn này sử dụng thuật toán LoRSIE. Tiếp đó, thay ảnh xấp xỉ cực tiểu bằng ảnh xấp xỉ đã tăng cường và thực hiện biến đổi ngược sử dụng biến đổi avelet nghịch để thu được ảnh tăng cường ứng với ảnh gốc. 2.5.5. Thử nghiệm và đánh giá Tập dữ liệu phục vụ cho thử nghiệm gồm ba loại: LANDSAT ETM, SPOT 5, Quickbird.Môi trường thực nghiệm: Bộ xử lý Core 2 Duo tốc độ 1.8Gh , RAM 2G, hệ điều hành indows 7.Để đánh giá, luận án sử dụng phương pháp trực quan và đánh giá thông qua chỉ sốtuyến tính mờ γ [HAS][SUD] như đã mô tả trong mục 2.4.4. Các kết quả thực nghiệm, đánh giá cả về mặt trực quan cũng như chi số chất lượng đều cho thấy kĩ thuật cải tiến tốt hơn so với kĩ thuật mờ. 10
Thử nghiệm đại diện Trong thử nghiệm 1, ảnh gốc là ảnh vệ tinh LANDSAT khu vực huyện Kim Bôi có kích thước 1581 x 1527 (điểm ảnh). Bảng 2.3. Tăng cường ảnh với phương pháp mờ và cải tiến. Đầu vào Hyperbol mờ Tăng cường mờ Giãn FCM Hyperbol FCM Bảng 2.4. So sánh chỉ số mờ của ảnh tăng cường theo phương pháp mờ và cải tiến. Kênh Hyperbol mờ Tăng cường mờ Giãn FCM Hyperbol FCM 1 0.38 0.43 0.27 0.30 2 0.31 0.45 0.24 0.26 3 0.38 0.39 0.34 0.36 Bảng 2.5: Thời gian thực thi. Thuật toán Thời gian Hyperbol mờ 2485 Tăng cường mờ 2281 Giãn FCM LoRSIE 1028756 LaSRSIE -2 Level 57764 Hyperbol LoRSIE 1027408 FCM LaSRSIE -2 Level 57724 2.6. Tăng cường ảnh viễn thám sử dụng phân cụm KMeans 2.6.1. Thuật toán tăng cường ảnh viễn thám sử dụng thuật toán phân cụm KMeans 2.6.1.1. Cục bộ hóa ảnh viễn thám dựa trên thuật toán phân cụm KMeans 2.6.1.2. Xây dựng mô hình biến đổi mức xám theo cụm Trong nghiên cứu này, nghiên cứu sinh xây dựng hàm biến đổi cho toán tử Giãn mức xám và Hyperbol, và được phát biểu theo từng cụm trong bảng 2.16. Bảng 2.6. Các hàm biến đổi mức xám theo từng cụm. Ý nghĩa Công thức biến đổi T(g) Giãn mức (32) xám Biến đổi ( )[ ] (33) Hyperbol Trong đó: 11
{ (34) Trong đó:g = giá trị xám gốc, = cận trên của việc giãn cụm , = cận dưới của việc giãn cụm , = tâm cụm. Giá trị của các ngưỡng và được tính tự động theo từng cụm như trong mục c dưới đây. 2.6.1.3. Tính ngưỡng tự động theo cụm Giả sử, là hàm phân bố của mức xám theo một cụm cho trước. và các tham số: , , .Các ngưỡng , tương tự như cách tính trong thuật toán tăng cường sử dụng CM. 2.6.1.4. Sinh ảnh tăng cường dựa trên việc tổng hợp mức xám hiệu chỉnh theo cụm Dựa trên mô hình biến đổi mức xám theo mỗi cụm đã xây dựng trong mụcb, mỗi giá trị xám đầu vào sẽ được chuyển các thành giá trị mới tương ứng với các cụm. Nhiệm vụ còn lại là tổng hợp các giá trị này để sinh ra giá trị xám duy nhất. Hàm tổng hợp này có dạng tổng quát như sau: g | g’ = T(g). Trong đó, (35) Trong đó, g = giá trị xám gốc, = cận trên của việc giãn cụm V, = g cận dưới của việc giãn cụm , = tâm cụm. 2.6.2. Phát triển thuật toán cho ảnh đa phổ Bản chất KMeans là thuật toán phân cụm các đối tượng là các vector có nhiều thành phần. Và do vậy, KMeansđã thực hiện rất tốt cho ảnh đa kênh như ảnh màu RGB. Như vậy, thuật toán trên áp dụng cho ảnh viễn thám đa phổ như sau:  Bước 1: Cục bộ hóa ảnh đầu vào. Sau khi thực hiện thủ tục phân cụm, mỗi điểm ảnh P( , , …) sẽ được đặc trưng thêm bởi một bộ các giá trị độ thuộc ứng với các cụm khác nhau. Như vậy, quan hệ cùng một điểm ảnh của một bộ ( , , …) được đặc trưng bởi bộ các giá trị độ thuộc trên. Do đó, giải quyết được hạn chế thứ 3 trong mục 2.2.  Bước 2: Xây dựng mô hình hiệu chỉnh mức xám. Vẫn thực hiện việc này như được trình bày trong mục 2.5.1.b.  Bước 3: Tính ngưỡng tự động. Các ngưỡng và được tính tự động theo từng cụm và từng kênh k.  Bước 4: Sinh ảnh tăng cường. Với mỗi điểm ảnh P, ta có: (36) 12
Trong đó, = giá trị xám gốc của điểm ảnh P thuộc kênh thứ k, = cận trên của việc giãn cụm thuộc kênh thứ k, = cận dưới của việc giãn cụm thuộc kênh thứ k, = tâm cụm. Mỗi tâm gồm môt bộ ( , , …) 2.6.3. Thử nghiệm và đánh giá 2.6.3.1. Quy trình thử nghiệm Luận án tiến hành thử nghiệm thuật toán tăng cường ảnh đề xuất và so sánh với kết quả của phương pháp tăng cường mờ.Môi trường thực nghiệm: Bộ xử lý Core 2 Duo tốc độ 1.8Gh , RAM 2G, hệ điều hành indows 7.Để đánh giá, luận án sử dụng phương pháp trực quan và đánh giá thông qua chỉ sốtuyến tính mờ γ [HAS][SUD] như đã mô tả trong mục 2.4.4. Tập dữ liệu thử nghiệm như được trình bày trong mục 2.4.5.2. Các kết quả thử nghiệm cho thấy kĩ thuật cải tiến cho ảnh chất lượng tốt hơn kĩ thuật mờ. Trong thử nghiệm dưới đây, ảnh gốc là ảnh vệ tinh LANDSAT khu vực huyện Lac Son, tỉnh Hoà Bình. Bảng 2.7. Tăng cường ảnh với phương pháp mờ và cải tiến. Đầu vào Hyperbol mờ Tăng cường mờ Giãn KM Hyperbol KM Bảng 2.8. So sánh chỉ số mờ của ảnh tăng cường theo phương pháp mờ và cải tiến. Kênh Hyperbol mờ Tăng cường mờ Giãn KM Hyperbol KM 1 0.34 0.43 0.18 0.12 2 0.29 0.43 0.21 0.17 3 0.35 0.40 0.24 0.20 2.7. Kết luận chương II Đầu tiên, luận án đã trình bày một số toán tử tăng cường mờ và phân tích một số hạn chế của tiếp cận tăng cường độ tương phản ảnh dựa trên logic mờ. Luận án trình bày đề xuất các giải pháp tăng cường ảnh viễn thám dựa trên tiếp cận cục bộLoRSIE, được thể hiện qua hai thuật toán tăng cường sử dụng thuật toán phân cụm KMeans và CM. Thuật toán tăng cường sử dụng CM gặp vấn đề với ảnh kích thước lớn nên được cải tiến để phát triển thành thuật toán LaRSIE_FCM. Kết quả thử nghiệm cho thấy phương pháp cải tiến cho chất lượng ảnh tăng cường cao hơn so với phương pháp tăng cường dựa trên logic đã có và thực hiện tốt trên ảnh viễn thám kích thước lớn. Tuy nhiên, tốc độ thực thi của LaRSIE còn chậm so với các thuật toán dựa trên logic mờ. Trong nghiên cứu tiếp theo, luậnándự kiến sẽ nghiên cứu giải pháp tăng tốc độ thuật toán phân cụm mờ để tăng tốc độ thực thi cho thuật toán LoRSIE và LaRSIE. 13
CHƯƠNG III: PHÁT TRIỂN MỘT SỐ THUẬT TOÁN PHÂN LỚP ẢNH VIỄN THÁM ĐA PHỔ 3.1. Phân cụm ảnh viễn thám với thuật toán KMeans 3.1.1. Thuật toán KMeans Thuật toán KMeans đã được trình bày trong mục 2.6.1.1. 3.1.2. Thuật toán CCEA_KMeans Trong [Chih], các tác giả đề xuất thuật toán khởi tạo tâm CCEA để tăng tốc độ thuật toán KMeans mờ. Thuật toán được trình bày như sau: Đầu vào:  Tập S gồm N đối tượng xi với i = 1..N  M số tập con SBl (l = 1..M) của S  f để xác định kích thước tập con SBl của S (f < 1) Đầu ra: Các cụm Cj (j = 1..c) Các bước thuật toán như sau: Bước 1: Chọn ngẫu nhiên M tập con SBl có kích thước fN từ tập dữ liệu S sao cho SBi SBj = Ø (i ≠ j), trong đó f < 1. Đặt SU = SBl và p = 0. Bước 2: Cho tập tâm cụm khởi đầu SCp = {Cj} và tập dữ liệu SU, sử dụng CD KM để xác định tập các tâm cụm SCp+1 = {Cj}. Bước 3: Cập nhật p = p + 1 và đặt SU = SU SBp+1. Nếu p ≤ M, quay lại bước 2. Bước 4: SCM là tập tâm cụm khởi tạo. Bước 5: Phân cụm tập S với tập tâm SCM Nếu áp dụng CCEA cho KMeans thì trong bước 2 chỉ cần thay CD KM bằng KMeans ta được CCEA_KMeans. 3.1.3. Thuật toán 2D-KMeans Trong [Int], các tác giả trình bày thuật toán 2D-KMeans. Điểm khác biệt giữa KMeans và 2D- KMeans là:  Với KMeans, mỗi đối tượng x là một vector với các thành phần là cường độ của đối tượng tương ứng: xINT. Như vậy, mỗi tâm là một vector trung bình cường độ theo cụm: CINT.  Với 2D-KMeans, mỗi đối tượng x gồm một cặp 2 vector: vector với các thành phần cường độ xINT và vector trung vị cục bộ xMED (công thức 18). Như vậy, mỗi tâm C gồm một cặp 2 vector: vector trung bình cường độ theo cụm: CINT và vector trung bình trung vị theo cụm: CMED (công thức 19). (37) [ ∑ ∑ ] (38) 14
3.1.4. Hạn chế của thuật toán KMeans Thuật toán KMeans dù phân cụm ảnh viễn thám rất hiệu quả vẫn còn hai điểm hạn chế: Hạn chế 1: Tốc độ thực thi với ảnh kích thước lớn như ảnh viễn thám còn chậm. Hạn chế 2: Không bao gồm thông tin ngữ cảnh – lân cận của mỗi điểm ảnh [Int]. 3.1.5. Một số độ đo chất lượng phân cụm ảnh Để đánh giá chất lượng phân cụm, chúng ta có thể sử dụng chỉ số F(I), F’(I) ... Chỉ số này tuân theo các tiêu chí về sự đồng nhất cụm[Int]. Chỉ số này được tính như sau: √ ∑ (39) √ √∑ [ ] ∑ (40) √ Trong đó, I là ảnh phân đoạn, là kích thước ảnh, R là số vùng trong ảnh phân cụm, là diện tích điểm ảnh vùng thứ i, và là lỗi màu vùng i (tổng khoảng cách Euclide giữa các vector màu mức xám của các điểm ảnh của vùng thứ i và vector màu qui cho vùng i trong ảnh phân đoạn), R(A) là số vùng có diện tích bằng A, và Max là diện tích của vùng lớn nhất trong ảnh phân đoạn.F(I) càng nhỏ thì tính đồng nhất cụm càng cao tức là chất lượng phân cụm càng tốt. 3.1.6. Đề xuất thuật toán WIKMeans 3.1.6.1. Trình bày thuật toán WIKMeans Để khăc phục hạn chế (1), trong mục này, luận án để xuất thuật toán phân cụm KMeans cải tiến với việc khởi tạo tâm cụm sử dụng kĩ thuật avelet. Biến đổi avelet được sử dụng để giảm kích thước ảnh. Ảnh cực tiểu của biến đổi avelet được sử dụng để tiến hành phân cụm và sinh tập tâm khởi tạo.Thuật toán được mô tả như sau: B1: Biến đổi avelet B2: Phân cụm KMeans ảnh cực tiểu để được tập tâm cụm khởi tạo B3: Phân cụm ảnh gốc với tập tâm khởi tạo thu được trong B2 ở trên. Do thuật toán IKMeans không thực thi trực tiếp trên ảnh gốc mà trên ảnh kích thước nhỏ hơn nên sẽ thu được tập tâm khởi tạo rất nhanh và càng nhanh nếu mức rã càng nhiều. Hơn nữa, ảnh cực tiểu lựa chọn là ảnh xấp xỉ của ảnh ban đầu nên gần như giữa nguyên được các đặc trưng trên ảnh gốc, khác biệt chính là về kích thước và tỉ lệ nhiễu. Do đó, tập tâm khởi tạo thu được rất gần tập tâm khi hội tụ trong trường hợp KMeans phân cụm trực tiếp trên ảnh đầu vào. Do đó, tập tâm này là khởi tạo rất tốt để KMeans phân cụm trên ảnh gốc. 3.1.6.2.Thử nghiệm Luận án tiến hành thử nghiệmthuật toán đề xuất IKMeans và so sánh kết quả với thuật toán KMeans, CCEAKMeans về mặt tốc độ thực thi phân cụm.Tập dữ liệu phục vụ cho thử nghiệm gồm 3 loại ảnh: LANDSAT, SPOT, Quickbird.Các kết quả thử nghiệm cho thấy hai điều. Một là, hời gian thực hiện của thuật toán KMeans là rất lớn so với thuật toán đề xuất IKMeans. Hai là, thời gian thực hiện của thuật toán đề xuất IKMeans là nhỏ hơn so với thuật toán CCEAKMeans. 15
Thử nghiệm – ảnh huyện Đà Bắc Hình 3.1. Biểu đồ so sánh thời gian phân cụm của KMeans và WIKMeans, CCEAKMeans và WIKMeans. 3.1.7. Đề xuất thuật toán CIKMeans 3.1.7.1. Trình bày thuật toán CIKMeans Theo mục 3.1.3, với 2D-KMeans, mỗi đối tượng x gồm một cặp 2 vector: vector với các thành phần cường độ xINT và vector trung vị cục bộ xMED. Như vậy, mỗi tâm C gồm một cặp 2 vector: vector trung bình cường độ theo cụm: CINT và vector trung bình trung vị theo cụm: CMED. Để khắc phục hạn chế (3), với CIKMeans (Context Information KMeans), mỗi đối tượng x gồm một cặp 2 vector: vector với các thành phần cường độ xINT và vector gần trung vị cục bộ xHP. xHP lấy xMED hoặc bên trái xMED hoặc bên phải xMED tu theo điểm nào gần với điểm trong ảnh đầu vào nhất. Như vậy, mỗi tâm C gồm một cặp 2 vector: vector trung bình cường độ theo cụm: CINT và vector trung bình gần trung vị theo cụm: CHP. Kết quả này đã được nghiên cứu sinh công bố trong [TRU6]. (45) [ ∑ ∑ ] (46) 3.1.7.2. Thử nghiệm Dữ liệu thử nghiệm như được mô tả trong mục 3.1.6.2..Để đánh giá chất lượng phân cụm, luận ánsử dụng chỉ số F(I), như được mô tả trong mục 3.1.5. Các kết quả thử nghiệm cho thấy, về chất lượng phân cụm, độ đồng nhất của các cụm sinh ra bởi thuật toán đề xuất CIKMeans là cao hơn so với thuật toán 2D-KMeans. Thử nghiệm – ảnh huyện Đà Bắc Hình 3.9 thống kê độ đồng nhất các cụm của KMeans, IKMeans, 2D-KMeans, CIKMeans và WICI-KMeans với số cụm lần lượt là 5, 8, 11, 14 và 17. Trong đó, ICI-KMeans là sự kết hợp của IKMeans (khởi tạo tâm) và CIKMeans. 16
Hình 3.2.Biểu đồ so sánh chỉ số độ đồng nhất các cụm sinh ra bởi KMeans, WIKMeans, 2D- KMeans, CIKMeans và WICI-Kmeans (*1.0e+3). 3.1.8. Đề xuất thuật toán KMeansCMN 3.1.8.1. Trình bày thuật toán KMeansCMN Với công thức tính tâm như (13), tâm thu được dễ bị ảnh hưởng bởi nhiễu. Chúng ta có thể áp dụng phép chuẩn hóa trung bình phổ để cho một công thức tính tâm cụm có thể giảm nhiễu. Tuy nhiên, phép chuẩn hóa này chỉ tốt khi số phần tử là rất lớn. Trong phần này, luận án đề xuất thuật toán phân cụm KMeansCMN cải tiến cho ảnh viễn thám kích thước lớn [TRU4] và [TRU7]với công thức tính tâm cụm áp dụng kĩ thuật chuẩn hóa trung bình phổ như sau: - Nếu số lượng điểm ảnh trong cụm nhỏ hơn hằng số rất lớn Max thì tâm vẫn tính theo công thức (13) như sau: ∑ (49) - Nếu số lượng điểm ảnh trong cụm lớn hơn hằng số rất lớn Max thì tâm tính theo công thức (17) như sau: (50) Thủ tục tính tâm cụm CMN(Clusterj) tại vòng lặp thứ n như sau: Bước 1: Khởi tạo tâm theo công thức (51) Bước 2: Với mỗi tính theo công thức - (52) Trong nghiên cứu này, chúng tôi chọn Max = 50000 và = 0.95. 3.1.8.2. Thử nghiệm Tập dữ liệu phục vụ cho thử nghiệm gồm các ảnh LANDSAT, SPOT và Quickbird như được mô tả trong mục 2.4.6.Để đánh giá chất lượng phân cụm, trong [Int], luận án sử dụng chỉ số F(I) như trình bày trong mục 3.1.5. Các thử nghiệm so sánh độ đồng nhất tâm cụm và thời gian thực thi đều cho thấy KMeansCMN tốt hơn KMeans. 17
Thử nghiệm - ảnh SPOT Hình 3.3. Biểu đồ so sánh chỉ số độ đồng nhất các cụm sinh ra bởi KMeans, KMeansCMN (*1.0e+3). Bảng 3.1. Thời gian phân cụm (ms). Số cụm KMeans KMeansCMN Thời gian (ms) 2,616,938 2,413,791 5 Số vòng lặp 25 23 Thời gian (ms) 3,663,713 3,379,307 7 Số vòng lặp 23 22 Thời gian (ms) 11,275,333 8,618,345 10 Số vòng lặp 30 26 3.2. Phân cụm ảnh viễn thám với thuật toán Fuzzy C-Means 3.2.1. Hạn chế của thuật toán Fuzzy C-Means Nhược điểm của CM với ảnh viễn thám kích thước lớn được trình bày tại mục 2.4.3 trong chương II. 3.2.2. Đề xuất thuật toán lsiFCM 3.2.2.1. Trình bày thuật toán lsiFCM Trong phần này, luận án đề xuất thuật toán phân cụm mờ ảnh viễn thám kích thước lớn mà chúng tôi tạm gọi là lsi CM (large si e image u y cMeans). Thuật toán được trình bày như sau: B1: Chia ô Chúng ta có thể biểu diễn lại ảnh theo khía cạnh tập hợp. Biểu diễn ban đầu của ảnh theo tập các pixel. Giả sử ảnh có kích thước M x N. Khi đó ta có: Image = {Pix(i,j): 1 ≤ i ≤ M, 1 ≤ j ≤ N} (50) Ảnh gốc được chia thành P x Q ô (p ô theo chiều ngang, q ô theo chiều dọc). Mỗi ô có kích thước không quá 512 x 512 (Mc x Nc) pixel để đảm bảo thủ tục CM có thể thực thi. Theo chiều ngang, 2 ô liền kề có phần xếp chồng bằng một nửa kích thước mỗi ô Cell(x,y). Theo chiều dọc, 2 ô liền kề có phần xếp chồng bằng một nửa kích thước mỗi ô. Khi đó, ta có biểu diễn mới của ảnh như sau: Image = {Cell(x,y): 1 ≤ x ≤ P, 1 ≤ y ≤ Q} (51) 18
Trong đó: Cell(x,y) = {Pix(i,j): 1 ≤ i ≤ Mc, 1 ≤ j ≤ Nc} (52) Mc, Nc < 1024 B2: Phân cụm FCM các ô Tiến hành phân cụm mỗi ô Cell(x,y) với thuật toán CM.Gọi V(x,y,k) là tâm thứ k tại ô Cell(x,y), ta được c tâm cụm của ô Cell(x,y): CentersCell(x,y) = {V(x,y,k): 1 ≤ k ≤ c } (53) 1 ≤ x ≤ P, 1 ≤ y ≤ Q Tính trọng số mỗi tâm thứ k của ô Cell(x,y) theo công thức: ∑ ∑ (54) Trong đó, là giá trị hàm thuộc của điểm ảnh với cụm thứ k trong ô Cell(x,y). Sau khi đã phân cụm tất cả các ô, ta được:  Tập tâm cụm như sau: CentersImage = {CentersCell(x,y) : 1 ≤ x ≤ P, 1 ≤ y ≤ Q } (55) CentersImage = {V(x,y,k): 1 ≤ x ≤ P, 1 ≤ y ≤ Q, 1 ≤ k ≤ c } (56)  Tập các trọng số như sau: WeiImage = {Wei(x,y,k): 1 ≤ x ≤ P, 1 ≤ y ≤ Q, 1 ≤ k ≤ c } (57) B3: Phân cụm tập tâm cụm sử dụng FCM Sau khi thu được tập các tâm cụm của các ô, tiếp tục thực hiện thuật toán phân cụm CM trên tập các tâm cụm này với hàm mục tiêu và công thức tính tâm hiệu chỉnh như sau: ∑ ∑ (58) Từ đây, ta thu được tập tâm cụm với c tâm cụm cuối cùng. B4: Tổng hợp Từ c tâm cụm thu được trong B3, tính lại giá trị hàm thuộc của từng điểm trong ảnh ảnh đầu vào với mỗi tâm cụm. 3.2.2.2. Thử nghiệm Luận án tiến hànhthử nghiệm thuật toán đề xuất lsi CM và so sánh với thuật toán gốc CM. Tập dữ liệu thử nghiệm như được mô tả trong phần 2.4.4. Trong đó, 2 mẫu với kích thước trung bình mà vẫn có thể thực hiện với CM (trong điều kiện RAM không lớn) để so sánh kết quả của hai thuật toán. Kích thước mỗi ô không lớn hơn 250 x 250 điểm ảnh.Để đánh giá chất lượng phân cụm, luận án sử dụng chỉ số độ đồng nhất cụmF(I) và F’(I)[Int]như được trình bày trong mục 3.1.5.Tập dữ liệu phục vụ cho thử nghiệm được mô tả tại mục 2.4.5.2 trong chương II.Trong thử nghiệm này chúng tôi chọn máy tính có RAM 1GB. Các mẫu thử nghiệm là ảnh lớn mà với số cụm trong thử 19
nghiệm đủ để CM không thể thực hiện với RAM 1GB. Về mặt chất lượng phân cụm, theo đánh giá độ đồng nhất từ các bảng và biểu đồ trên, lsi CM vẫn đảm bảo độ ổn định so với CM, thậm chí có trường hợp tốt hơn CM. Thử nghiệm - Ảnh gốc là ảnh vệ tinh Quickbird có kích thước 2056 x 2065 (điểm ảnh). Hình 3.4. Biểu đồ so sánh chỉ số F(I)(*1.0e+3), F’(I)(*1.0e-3) các cụm sinh ra bởi FCM và lsiFCM. 3.3. Phân lớp ảnh viễn thám 3.3.1. Phân lớp hợp lý tối đa Luật quyết định như sau: (64) Trong đó, | | ∑ (67) Hoặc | | ∑ (68) Nghĩa là, với thay đổi như trên, luật quyết định được sử dụng trong phân loại hợp lý tối đa; tham chiếu đến hàm phân biệt (discriminant). 3.3.2. Một số độ đo phân lớp Để đánh giá một giải thuật máy học một số chỉ số thông dụng được sử dụng. Trong đó có Độ chính xác (Precision), Độ hồi tưởng (Recall) [IND], Độ đo 1. (69) (70) (71) Trong đó:TP là số phần tử dương được phân loại dương, FN là số phần tử dương được phân loại âm, TN là số phần tử âm được phân loại âm, FP là số phần tử âm được phân loại dương. 20