Giáo trình Xử lý ảnh kỹ thuật số Viễn thám - Hồ Đình Duẩn

212 trang huongle 2280

Download

Bạn đang xem 20 trang mẫu của tài liệu "Giáo trình Xử lý ảnh kỹ thuật số Viễn thám - Hồ Đình Duẩn", để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên

Tài liệu đính kèm:

giao_trinh_xu_ly_anh_ky_thuat_so_vien_tham_ho_dinh_duan.pdf

Nội dung text: Giáo trình Xử lý ảnh kỹ thuật số Viễn thám - Hồ Đình Duẩn

Xử lý ảnh Kỹ thuật số Viễn thám Hồ Đình Duẩn TP.HCM 2005
Thời lượng Mục lục (tổng 45 tiết) PhPhầầnn gigiớớii thithiệệuu vvàà BBààii testtest 33 titiếếtt phphâânn llọọaiai hhọọcc viviêênn ChChươươngng 1:1: PhPhâânn ttííchch ththốốngng kkêê 66 titiếếtt ccủủaa ảảnhnh ssốố ChChươươngng 2:2: ẢẢnhnh mmààuu đđaa phphổổ 66 titiếếtt ChChươươngng 3:3: NNắắnn ảảnhnh viviễễnn ththáámm 33 titiếếtt ChChươươngng 4:4: TTăăngng ccườườngng ảảnhnh 66 titiếếtt ChChươươngng 5:5: PhPhâânn llớớpp 33 titiếếtt (classification)(classification) Cịn tiếp
ChChươươngng 6:6: PhPháátt hihiệệnn thaythay đđổổii 33 titiếếtt bbằằngng ảảnhnh ssốố (change(change detection)detection) ChChươươngng 7:7: CCáácc phphéépp bibiếếnn đđổổii 33 titiếếtt hhììnhnh hhọọcc ccủủaa ảảnhnh vvàà MorphologyMorphology CCáácc bbààii ththựựcc hhàànhnh (5(5 bbàài)i) 1515 titiếếtt BBààii thithi cucuốốii khkhĩĩaa
Tài liệu tham khảo Lương Mạnh Bá và Nguyễn Thanh Thủy, “Nhập mơn xử lý ảnh số”, NXB Khoa học và Kỹ thuật, Hà Nội, 2003 John R. Jensen, “Introductory Digital Image Processing: A Remote Sensing Perspective”, Prentice Hall, NJ, 1996 John A. Richards, “Remote Sensing Digital Image Analysis - An Introduction”, Spriger - Verlag, 1994 Kiyoshi Honda, “Pinciples of Remote Sensing”, Lecture Notes (powerpoint slides), AIT, Bangkok, 2004 Hồ Đình Duẩn & Marc Souris, “Numerical Methods and Algorithms in Remote Sensing and GIS”, Lecture Notes, AIT, Bangkok, 2004
ChChươươngng 11 Phân tích Thống kê của Ảnh số Hồ Đình Duẩn
Nội dung chương 1 Khái niệm ảnh số Các tham số thống kê một chiều của ảnh Các phép biến đổi histogram Các tham số thống kê nhiều chiều Matrận hiệp phương sai và phương pháp PCA
Biểu diễn ảnh số Pixel (Picture Element): điểm ảnh, mang một giá trị số f(x,y) x,y: số nguyên, chỉ vị trí pixel f: độ sáng (độ xám, brightness) PIXEL X, Column Pixel No. 01 23 0 1 CONTINUOUS 2 Height IMAGE 3 Y, Line Width Analog Image Digital Image
Pixel Giá trị của Pixel
Ảnh đa phổ (đa kênh) Multi Channel Image Color Image: 3 kênh cho 3 màu R,G,B Landsat TM 7 Channel Band Band4 Band3 Band2 1 Band or Channel
Bit và hệ Nhị phân (Binary System) Độ sáng của mỗi pixel được biểu diễn bởi một số bit Nếu dùng k bit cho mỗi pixel, cĩ cả thảy 2k cấp độ sáng từ 0 đến 2 k -1 Ví dụ: dùng 3 bit bit map graylevel bitmap graylevel bit2 bit1 bit0 bit2 bit1 bit0 0000 1004 0011 1015 0102 1106 0113 1117
Lấy mẫu (Sampling) & Lượng hĩa (Quantization) Đĩ là quá trình số hĩa một ảnh thực (liên tục) thành một ảnh số (rời rạc) (Analog to Digital) (1)Sampling : Chọn một lưới ơ vuơng (grid) để biểu diễn ảnh (2)Quantization: xác định một phép tương ứng từ độ sáng của ảnh qua một cấp độ sáng (grey level)
Sampling
Định lý Shannon về lấy mẫu “Thơng tin sẽ khơng bị mất nếu ảnh được lấy mẫu theo một chu kỳ bằng một nữa nghịch đảo của tần số tín hiệu nguyên thủy”
Lượng hĩa
8bit 7bit 6bit 5bit Các mức lượng hĩa khác nhau 4bit 3bit 2bit 1bit
Các định dạng ảnh số vệ tinh thơng thường (BSQ, BIL, BIP)
Khái niệm lân cận (Neighbor) của mộtPixel 4-neighbors of p 8-neighbors of p p p
Tính liên tục của các pixel continuous continuous at 4-connectivity at 8-connectivity
Hiển thị dữ liệu ảnh Ảnh hiển thị cần phải được tăng cường chất lượng để nhận biết tốt hơn. Phép tăng cường thơng dụng nhất là tăng độ tương phản (Contrast enhancement)
Histogram của ảnh Histogram (biểu đồ xám) mơ tả sự phân bố của cấp độ sáng của một ảnh theo số lượng pixel mang cùng một giá trị độ sáng Histogram 8 Histogram 7 1324 Pixel 6 Value Number 5 4523 11 uency 4 eq 3 r 24 F 2 3232 37 1 43 0 3343 51 12345 Total 16 Pixel Value
Image Histogram number of pixels or parcentage 45,000 In the image, there are 45,000 ( 20%) pixels, whose value are 80. 20% of all pixels have value 80. 0 75 80 85 255 pixel value
Histogram – ví dụ Cĩ 15,563 pixels mang giá trị 76
Histogram và tính chất của ảnh Dark Image Bright Image Tối & Sáng 0 pixel value 255 0 pixel value 255 Low Contrast High Contrast Image Image Tương phản cao & thấp 0 pixel value 255 0 pixel value 255
Ảnh tối
Ảnh sáng
Ảnh cĩ độ tương phản thấp
Ảnh cĩ độ tương phản cao
Tăng độ tương phản băng biến đổi tuyến tính (Linear Transformation Function) 255: Brightest 255 y=x: No High Contrast Image Transformation Transformation Function Brightness on a Display Screen Dark Low Contrast Image Value of Output Image Dark Low Contrast Image 0: Darkest 0 255 Value of Input Image
Chọn khỏang giá trị input cho phép biến đổi (range of input level) No Rejection Level Rejection Level e.g. 1% 255 255 100 % 98 % 0 a 255 0 a 255 b b Min Max 1% 1%
Các phương pháp khác Frequency Equalization (đẳng hĩa) Nhằm tạo ra một số bằng nhau các pixel cho mỗi giá trị độ sáng Gaussian 0 Pixel Value 255 To convert histogram to Frequency Gaussian distribution Natural Perception 1  (x − µ)2  f (x) = exp− 2  2πσ  2σ  0 Pixel Value 255
Giải thuật equalization NN == ssốố pixelpixel ;; LL == ssốố llượượngng ccấấpp đđộộ ssáángng a) TTíínhnh bibiểểuu đđồồ xxáámm ttííchch llũũyy (cummulative(cummulative histogram)histogram) ccủủaa ảảnhnh ggốốcc b) ChiaChia bibiểểuu đđồồ xxáámm ttííchch llũũyy chocho hhệệ ssốố LL 11 // NN rrồồii llààmm trtrịịnn ssốố c) VVớớii mmỗỗii gigiáá trtrịị đđộộ ssáángng ccủủaa ảảnhnh ggốốc,c, gigiáá trtrịị mmớớii ởở vvịị trtríí ttươươngng ứứngng ởở (b)(b)
Ví dụ N=24 L=16 ==> scale factor = 15 / 24 = 0.625 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 ảnh gốc
Step a) - cummulative histogram 25 20 15 10 5 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Step b) - Chia biểu đồ xám tích lũy cho hệ số 0.625 rồi làm trịn số 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 5 9 14 18 19 19 19 19 19 19 19 20 23 24 0.63 1.25 3.13 5.63 8.75 11.25 11.88 11.88 11.88 11.88 11.88 11.88 11.88 12.50 14.40 15.00 1 1 3 6 9 11 12 12 12 12 12 12 12 13 14 15
Step c) - phép tương ứng 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 1 3 6 9 11 12 12 12 12 12 12 12 13 14 15 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Equalization histogram
Cân bằng 2 histogram (Histogram matching) CCầầnn thithiếếtt khikhi mosaicmosaic 22 ảảnhnh ccủủaa 22 vvùùngng kkếế ccậậnn (c(cĩĩ ththểể ccĩĩ overlap)overlap) NguyNguyêênn ttắắc:c: llààmm chocho đđộộ ssáángng ccủủaa 22 ảảnhnh ggầầnn nhaunhau đđếếnn mmứứcc ccĩĩ ththểể đđượượcc PhPhươươngng phphááp:p: ddùùngng ảảnhnh equalizationequalization llààmm trungtrung giangian ccủủaa phphéépp bibiếếnn đđổổii y = g-1f(x) z=f(x) z=g(y) B A
Cân bằng 2 histogram (Histogram matching) NhNhưư vvậậy,y, áánhnh xxạạ y=fy=f-1(g(x)(g(x) bibiếếnn đđổổii ảảnhnh AA ththàànhnh ảảnhnh BB ẢẢnhnh BB ggọọii llàà ảảnhnh referencereference TrongTrong ththựựcc hhàành,nh, phphéépp bibiếếnn đđổổii đđượượcc ththựựcc hihiệệnn ththơơngng quaqua áánhnh xxạạ ““matchingmatching”” accumulativeaccumulative histogramhistogram ccủủaa ảảnhnh AA vvớớii accumulativeaccumulative histogramhistogram ccủủaa ảảnhnh BB Chúý: thay cho ảnh reference B, cĩ thể dùng một hàm tĩan học (biểu thị một sự phân bố nào đĩ -ví dụ như phân bố chuẩn)
Các phương pháp khác BiBiếếnn đđổổii tuytuyếếnn ttíínhnh ttừừngng đđọọanan (Piecewise(Piecewise linearlinear transforamtion)transforamtion)
Cơng thức tuyến tính y y2 − y1 2 y = (x − x1) + y1 x2 − x1 y y 1 x1 x x2
Ví dụ EqualizationEqualization ảảnhnh ggốốcc GaussianGaussian
Một ví dụ về biến đổi khơng tuyến tính (ví dụ sau áp dụng cho trường hợp miền giá trị của ảnh gốc rất lớn) y2 − y1 y = (log x − log x1) + y1 log x2 − log x1 y2 y y 1 x1 x x2
Thresholding • Phân họach các pixel thành 2 lớp xác định bởi một cập độ sáng (gọi là threshold) • Nếu giá trị của pixel (x,y) nhỏ hơn threshhold, (x,y) thuộc lớp (I), nếu khơng (x,y) thuộc lớp (II) • Cĩ thể mở rộng khái niệm cho nhiều lớp ==> Thresholding cĩ thể xem là một cách phân lớp (classification) nhanh
ảnh gốc
Threshold 128
Threshold 28
Biến đổi ảnh dùng bảng tra (LUT - Look Up Table) Look Up Table: Tính tĩan nhanh do LUT element LUT khơng sử dụng phép No. 0 4 tính số học Input 1 8 Output 2 2 12 12 3 16 . . . . 254 255 255 255 Hardware or 1-dim Array in Program
Một ví dụ dùng Look Up Table
Các tham số thống kê 1 chiều của ảnh số NgNgịịaiai Histogram,Histogram, ảảnhnh ssốố ccịịnn ccĩĩ ccáácc thamtham ssốố ththốốngng kkêê sausau Min,Min, max,max, range,range, meanmean Median,Median, modemode VarianceVariance (var,(var, phphươươngng sai),sai), standardstandard deviationdeviation (std,(std, đđộộ llệệchch chuchuẩẩn)n)
Min, max, range, mean ChoCho ảảnhnh AA == (( aai j )) MaxMax (A)(A) :: gigiáá trtrịị llớớnn nhnhấấtt ccủủaa aai j MinMin (A)(A) :: gigiáá trtrịị nhnhỏỏ nhnhấấtt ccủủaa aai j KhKhỏỏangang gigiáá trtrịị (bi(biêênn đđộộ xxáámm ccủủaa ảảnh)nh) RangeRange (A)(A) == maxmax minmin MeanMean (A)(A) == GiGiáá trtrịị trungtrung bbììnhnh ccủủaa ttấấtt ccảả aai j
Median và mode Median:Median: ssắắpp xxếếpp llạạii ttấấtt ccảả ccáácc pixelpixel theotheo ththứứ ttựự ttăăng,ng, nnếếuu ssốố pixelpixel llàà llẻẻ ththìì medianmedian llàà gigiáá trtrịị ttạạii phphầầnn ttửử đđứứngng gigiữữaa ccủủaa ddããy,y, nnếếuu ssốố ccáácc pixelpixel llàà chchẵẵnn ththìì medianmedian llàà trungtrung bbììnhnh ccộộngng ccủủaa 22 ssốố ởở gigiữữaa nhnhấấtt ccủủaa ddããyy Mode:Mode: llàà gigiáá trtrịị ccĩĩ ssốố llầầnn xuxuấấtt hihiệệnn nhinhiềềuu nhnhấấtt trongtrong ảảnhnh (c(cịịnn ggọọii llàà Majority)Majority) Trường hợp tồn tại nhiều hơn 1 giá trị của mode (khơng xác định), ta cĩ thể lấy giá trị nào gần với mean nhất
Variance và Standard Deviation VarianceVariance (ph(phươươngng sai)sai) :: 1 var(A) = (a −m)2 N ∑ ij Trong đĩ m = mean(A) là giá trị rung bình StandardStandard deviationdeviation ((đđộộ llệệchch chuchuẩẩn)n) llàà ccăănn bbậậcc 22 ccủủaa phphươươngng saisai
Ý nghĩa của Variance và Standard Deviation PhPhươươngng saisai (ho(hoặặcc đđộộ llệệchch chuchuẩẩn)n) đđáánhnh gigiáá đđộộ phphâânn ttáánn ccủủaa ddữữ liliệệuu Std dev = 3.30 Std dev = 72.86
Lọc (filter) sử dụng hàm thống kê Giá trị cần tính LLọọcc đđịịaa phphươươngng ddụụaa theotheo ccửửaa ssổổ (window(window basedbased filter)filter) CCáácc ttĩĩanan ttửử ssửử ddụụngng :: mean,mean, median,median, modemode (majority)(majority) Cửa sổ được di chuyển trên tịan ảnh
Ví dụ LLọọcc ddùùngng medianmedian
Các tham số thống kê nhiều chiều của ảnh số HiHiệệpp phphươươngng saisai (covariance)(covariance) ChoCho 22 ảảnhnh A=(A=( aa i j )) vvàà BB == (( bb i j )) ccĩĩ ccùùngng ssốố pixelpixel llàà NN 1 cov(A, B) = (a − a)(b − b ) N −1∑ ij ij Trong đĩ a , b là mean của A, B
Các tham số thống kê nhiều chiều của ảnh số CorrelationCorrelation ccủủaa AA vvàà BB cov(A, B) corr(A, B) = σ Aσ B Trong đĩ σ A ,σ B là Std dev của A, B Chúý −1≤ corr(A, B) ≤1
Chúý −1≤ corr(A, B) ≤1 •Corr(A,B)=1 cĩ nghĩa là A và B cĩ tương quan mạnh mẽ với nhau và đồng biến •Corr(A,B)=-1 cĩ nghĩa là A và B cĩ tương quan mạnh mẽ với nhau nhưng nghịch biến •Corr(A,B)=0 nĩi lên rằng A và B hầu như khơng cĩ tương quan •Giá trị của correlation càng gần +1 thì A và B càng tương đồng nhiều
Ví dụ: 1 2 (1) Corr ~ +1 (2) Corr ~ -1 (3) Corr ~ 0 3 4 (4) Corr > 0 nhưng khá nhỏ
1 ứng dụng: ý nghĩa của correlation matrix KKêênhnh 11 vvàà 22 ccủủaa ảảnhnh LandsatLandsat sausau ccĩĩ correlationcorrelation llàà 0.9469000.946900 ==>==> ccĩĩ nhinhiềềuu đđiiểểmm gigiốốngng nhaunhau Kênh 1 Kênh 2
1 ứng dụng: ý nghĩa của correlation matrix NgNgượượcc llạại,i, kkêênhnh 44 vvàà 22 ccĩĩ correlationcorrelation llàà 0.4767870.476787 ==>==> ccĩĩ nhinhiềềuu đđiiểểmm khkháácc nhaunhau Kênh 4 Kênh 2
Các tham số thống kê nhiều chiều của ảnh số MaMa trtrậậnn hihiệệpp phphươươngng saisai (covariance(covariance matrix)matrix) ccủủaa kk ảảnhnh AA1,, AA2,, ,, AAk cov(A1, A1) . . . cov(A1, Ak )  cov(A , A ) . . . cov(A , A )   2 1 2 k   . . . . .     . . . . .    cov(Ak , A1) . . . .cov(Ak , Ak ) • Correlation matrix được định nghĩa tương tự, thay hàm “cov” bởi “corr”
Ví dụ ẢẢnhnh landsatlandsat sausau (k(kêênhnh 1,2,3,4,5,7)1,2,3,4,5,7) Tổ hợp màu 751
CCĩĩ ccáácc matrmatrậậnn covariancecovariance vvàà correlationcorrelation nhnhưư sausau
Tính chất của ma trận hiệp phương sai LLàà mama trtrậậnn đđốốii xxứứngng GGọọii CC llàà mama trtrậậnn hihiệệpp phphươươngng saisai ccủủaa ảảnhnh AA1,, AA2,, ,, AAk ĐĐaa ththứứcc đđặặcc trtrưưngng ccủủaa CC det(C − xI) (trong(trong đđĩĩ II llàà mama trtrậậnn đđơơnn vvịị)) ,, luluơơnn luluơơnn ccĩĩ kk nghinghiệệmm ththựựcc
Giá trị riêng (eigenvalue) và vector riêng (eigenvector) của Ma trận hiệp phương sai CCáácc nghinghiệệmm ccủủaa đđaa ththứứcc det(C − xI) ggọọii llàà ccáácc gigiáá trtrịị ririêêngng (eigenvalue)(eigenvalue) ccủủaa mama trtrậậnn C.C. CCĩĩ ccảả ththảảyy kk nghinghiệệmm nhnhưư ththếế:: x1, x2 , , xk VVớớii mmỗỗii xxi ,, phphươươngng trtrììnhnh vectorvector Cv = xiv đđềềuu ccĩĩ nghinghiệệmm vectorvector v NhNhưư vvậậyy ccĩĩ kk vectorvector v1,v2 , ,vk ((đđộộcc llậậpp tuytuyếếnn ttíính),nh), ggọọii llàà ccáácc vectorvector ririêêngng
Giá trị riêng và vector riêng TaTa quyquy ướướcc xxếếpp ccáácc gigiáá trtrịị ririệệngng theotheo gigiáá trtrịị gigiảảmm ddầầnn x1 > x2 > > xk VVàà ddããyy vectorvector ririêêngng ttươươngng ứứngng v1,v2 , ,vk đđãã đđượượcc chuchuẩẩnn hhĩĩaa (t(tứứcc đđộộ ddààii == 1)1) vvàà xemxem chchúúngng llàà ccơơ ssởở mmớớii ccủủaa khkhơơngng giangian vectorvector kk chichiềềuu ttạạoo bbởởii ccáácc ảảnhnh banban đđầầuu
Giá trị riêng và vector riêng NhNhưư vvậậyy mmỗỗii vectorvector đđềềuu ccĩĩ ttọọaa đđộộ mmớớii trongtrong hhệệ quyquy chichiếếuu {v1,v2 , ,vk } vvàà dodo đđĩĩ tata ccĩĩ kk ảảnhnh mmớớii PhPhéépp bibiếếnn đđổổii nnààyy đđượượcc ggọọii llàà phphéépp bibiếếnn đđổổii ththàànhnh phphầầnn chchíính,nh, vvàà phphươươngng phpháápp phphâânn ttííchch trtrêênn ccáácc ảảnhnh mmớớii đđượượcc ggọọii llàà PrincipalPrincipal ComponentComponent AnalysisAnalysis (PCA)(PCA)
Giá trị riêng và vector riêng NNếếuu ccáácc ảảnhnh mmớớii llàà BB1,, BB2,, ,, BBk ,, chchúú ýý rrằằngng chchúúngng ccĩĩ variancevariance llớớnn nhnhấấtt llàà BB1,, sausau đđĩĩ đđếếnn BB2,, MatrMatrậậnn ccủủaa phphéépp bibiếếnn đđổổii PCAPCA chchíínhnh llàà chuychuyểểnn vvịị (transpose)(transpose) ccủủaa matrmatrậậnn ttọọaa đđộộ ccủủaa ccáácc vectorvector {v1,v2 , ,vk }
Về mặt hình học 255 Principal Component 2 Principal Component 1 Band 2 0 255 Band 1
Ví dụ ẢẢnhnh landsatlandsat sausau (k(kêênhnh 1,2,3,4,5,7)1,2,3,4,5,7) Tổ hợp màu 751
ccĩĩ ccáácc gigiáá trtrịị ririêêngng vvàà vectorvector ririêêngng nhnhưư sausau
ccáácc ảảnhnh PCAPCA PC1 PC2 Ảnh tổ hợp màu PC123 (RGB) PC3
Một ví dụ khác PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC1,2,3: RGB Composite
ChChươươngng 22 Ảnh màu đa phổ Giáo trình Xử lý ảnh Kỹ thuật số Viễn thám - Hồ Đình Duẩn TP.HCM 2005
Nội dung chương 2 Khái niệm màu sắc Ảnh tổ hợp màu Ảnh Fusion NDVI Ảnh logic & mặt nạ (masking)
Khái niệm cơ bản về màu sắc TTíínhnh chchấấtt ccủủaa viviệệcc nhnhậậnn ththứứcc áánhnh ssáángng vvàà mmààuu ssắắcc ccủủaa mmắắtt ngngườười:i: BBướướcc ssĩĩngng nhnhììnn ththấấy:y: 380380 700nm700nm TTếế bbààoo ConeCone:: phphâânn gigiảảii khkhơơngng giangian caocao nhnhưưngng kkéémm nhnhạạyy vvớớii áánhnh ssááng,ng, ccĩĩ 33 llọọaiai ứứngng vvớớii R,R, GG vvàà BB TTếế bbààoo RodRod :: rrấấtt nhnhạạy,y, nhnhưưngng chchỉỉ ccảảmm nhnhậậnn áánhnh ssáángng trtrắắng/ng/đđenen NhNhậậnn ththứứcc mmààuu ssắắcc ccũũngng llàà mmộộtt ququáá trtrììnhnh ttââmm llýý
Phổ điện từ của ánh sáng (Electromagnetic Spectrum)
PhPhảảnn xxạạ phphổổ (Spectral(Spectral Reflectance)Reflectance) 80 Vegetation 70 e Soil c 60 n a Clear River Water Turbid River Water t c 50 e l f e 40 R t n 30 e c r 20 e P 10 0 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6 Wavelength (µm)
Trộn màu MMọọii mmààuu ccĩĩ ththểể ttạạoo ttừừ 33 mmààuu ssơơ ccấấpp theotheo nhnhữữngng ttỉỉ llệệ nnààoo đđĩĩ MMơơ hhììnhnh mmààuu ssơơ ccấấpp ccộộngng ttíínhnh (Additive(Additive PrimaryPrimary Colors)Colors) Red,Red, Green,Green, BlueBlue MMơơ hhììnhnh mmààuu ssơơ ccấấpp ththứứ haihai (Subtractve(Subtractve PrimaryPrimary Colors)Colors) MagentaMagenta ,, Yellow,Yellow, CyanCyan
2 mơ hình màu Mixtures of Light Mixtures of Pigments (Additive Primaries ) (Subtractive Primaries ) Yellow Green Cyan Yellow Red Green White Black Blue Cyan Red Magenta Blue Magenta
Định nghĩa của CIE về mơ hình RGB ĐĐịịnhnh nghnghĩĩaa bbởởii CIECIE ((CommisionCommision InternationaleInternationale dede ll’’EclairageEclairage)) nnăămm 19311931 C = rR + gG + bB C : Color Stimulus r, g. b: Tristimulus Value
Bước sĩng của các màu sơ cấp RedRed 700700 nmnm GreenGreen 546546 11 nmnm BlueBlue 435435 88 nmnm
Tổ hợp màu (Color Composite) Gán 3 kênh cho các thành phần màu RGB True Color Composite (tổ hợp màu tự nhiên) • visible Red band -> R • visible Green band -> G • visible Blue band -> B False Color Composite (FCC - tổ hợp màu giả) • Infrared band -> R • visible Red band -> G • visible Green band -> B Hoặc một cách gán khác cho R,G,B
Một ví dụ về Color Composite : LANDSAT Band 1 Band 2 Band 3 Band 4 Band 5 Band 7 Visible Blue Visible Green Visible Red Near IR Middle IR Middle IR B G R B G R B R G True Color (321) False Color (432) Tổ hợp màu khác
Tổ hợp màu TTổổ hhợợpp mmààuu ttựự nhinhiêênn 542542
Mơ hình màu HSI (Munsell) Màu cĩ thể được biểu diễn bởi 3 yếu tố H,S,I Hue (sắc lượng) Saturation (độ bảo hịa) Intensity (cịn gọi là Value, độ chĩi)
Biến đổi giữaRGB và HSI và data fusion NguyNguyêênn ttắắc:c: RGBRGB >> HSIHSI >> OperationOperation >> HH’’SS’’II’’ >> RR’’GG’’BB’’ Data Fusion giữa ảnh màu và trắng đen (Highres panchromatic, Radar ) SPOT : trộn ảnh 20m False Color với 10m Monochrome • Spectral Info. 20m Multi-band false color • Texture Info 10m Monochrome band Landsat 7, IKONOS-Pan Sharpened (4 met & 1 met)
Biến đổi giữa White I RGB và HSI Double Hexagon G Y C R B M Hexagonal Dipyramid H Black S Hexagonal Pyramid
Pseudo-color Gán các màu khác nhau cho mỗi cấp độ sáng của một ảnh trắng đen (indexed color)
Ví dụ về Pseudo-color
Một ứng dụng: Chỉ số NDVI (Normalized Difference Vegetation Index) ThThựựcc vvậậtt hhấấpp ththụụ VisibleVisible Red,Red, phphảảnn xxạạ NearNear InfraredInfrared NDVINDVI ccĩĩ ththểể đđịịnhnh nghnghĩĩaa nhnhưư llàà ttỉỉ ssốố gigiữữaa NIRNIR vvàà VRVR NDVINDVI == NIRNIR // VRVR HoHoặặcc loglog(( NIR/VRNIR/VR )) HoHoặặcc (( NIRNIR VRVR )) // (( NIR+VR)NIR+VR) (c(cơơngng ththứứcc cucuốốii ccùùngng hayhay ddùùngng nhnhấất)t)
NDVI - ý nghĩa hình học NDVI = (NIR - VR)/(NIR+VR) = tanα = y'/x' α NDVI=1.0 NIR = VR NDVI = 0 x' = cos π/4 sin π/4 VR forest y' – sin π/4 cos π/4 NIR bare land y' y' tan α = = NIR – VR NIR x' NIR + VR x' θ NDVI= -1.0 VR
Các kênh phổ dùng cho NDVI NDVINDVI == (( NIRNIR VRVR )) // (( NIR+NIR+VRVR )) NIRNIR VRVR LandsatLandsat MSS:MSS: B7B7 B5B5 LandsatLandsat TMTM B4B4 B3B3 SPOTSPOT XS:XS: 33 22 NOAANOAA AVHRRAVHRR 22 11
NDVI - ví dụ NDVI Image Landsat B3: NDVI= ( NIR - VR ) / ( NIR+VR) VR Landsat B4: NIR Bareland Good Forest
Giãn giá trị của NDVI 1.01.0 << NDVINDVI << 1.01.0 SaveSave asas FloatingFloating PointPoint ValueValue GiGiããnn [[ 1.01.0 ,, 1.1.0]0] rara khkhỏỏangang 00 255255 00 << (NDVI+1.0(NDVI+1.0)*128)*128 << 256256
Độ chính xác của tính tĩan NDVI PhPhéépp chiachia đđơơii khikhi llààmm ttăăngng nhinhiễễuu (noise)(noise) NNếếuu NIRNIR vvàà VRVR ggầầnn gigiáá trtrịị 00,, phphéépp ttíínhnh llààmm ttăăngng nhinhiễễuu DoDo đđĩĩ:: llọọaiai trtrừừ ccáácc vvùùngng ccĩĩ gigiáá trtrịị ththấấpp trtrướướcc khikhi ttíínhnh (water(water,, shadedshaded area )area )
Ảnh binary (ảnh logic) CCĩĩ gigiáá trtrịị 00 hohoặặcc 11 (( hohoặặcc FalseFalse // True)True) LogicalLogical Operator:Operator: NOTNOT,, AND,AND, OR,OR, XORXOR CCĩĩ ththểể ddùùngng đđểể ttạạoo ccáácc vvùùngng mmớớii (Broad(Broad leaveleave Tree)Tree) OROR (Conifer(Conifer Tree)Tree) >> ForestForest (Bare(Bare land)land) ANDAND (Steep(Steep Area)Area) >> SlopeSlope FailureFailure AreaArea
Logical Operator NOT ANDAND OR XOR 01 00 00 00 00 0 00 0 10 11 00 00 10 1 10 1 00 11 00 01 1 01 1 11 11 11 11 1 11 0 0: False XOR Dùng để: 1: True Clear Image, Cursol Display
Ứng dụng của Ảnh Logic ROIROI (Region(Region ofof Interest)Interest) ĐĐịịnhnh nghnghĩĩaa mmộộtt vvùùngng chuchuẩẩnn bbịị chocho ccáácc phphéépp ttĩĩanan ttíínhnh ccáácc ththơơngng ssốố ththốốngng kkêê statisticsstatistics đđịịnhnh nghnghĩĩaa llớớpp (Class(Class definition)definition) ẢẢnhnh mmặặtt nnạạ (Mask(Mask Image,Image, vvíí ddụụ CloudCloud Mask,Mask, LandLand MaskMask )) 00 :: FalseFalse ;; NotNot 00 (( usuallyusually 255255 )) :: TrueTrue
Ví dụ về masking AND
ChChươươngng 33 Nắn chỉnh ảnh viễn thám Giáo trình Xử lý ảnh Kỹ thuật số Viễn thám - Hồ Đình Duẩn TP.HCM 2005
Nội dung chương 3 Sai số về phổ (radiometric error) Sai số về hình học (geometric error) Nắn chỉnh hình học & đăng ký ảnh theo một hệ tọa độ
Sai số của ảnh viễn thám CCĩĩ 22 llọọaiai saisai ssốố SaiSai ssốố vvềề phphổổ (radiometric(radiometric error):error): liliêênn quanquan đđếếnn đđộộ ssáángng ccủủaa ccáácc pixelpixel SaiSai ssốố vvềề hhììnhnh hhọọcc (geometric(geometric error):error): liliêênn quanquan đđếếnn hhììnhnh ddạạngng ccủủaa ảảnhnh
Sai số về phổ (radiometric) SaiSai ssốố vvềề phphổổ xuxuấấtt phpháátt ttừừ ccáácc nguynguyêênn nhnhâân:n: ẢẢnhnh hhưởưởngng ccủủaa bbầầuu khkhíí quyquyểển:n: hhấấpp ththụụ nnăăngng llượượng,ng, ttáánn xxạạ nnăăngng llượượngng (hi(hiệệuu ứứngng Rayleigh,Rayleigh, hihiệệuu ứứngng Mie)Mie) LLỗỗii ccủủaa sensorsensor 9 ViViệệcc hihiệệuu chchỉỉnhnh ccáácc saisai ssốố vvềề phphổổ ththườườngng đđượượcc llààmm bbởởii nhnhàà cungcung ccấấpp ảảnh,nh, ởở giaigiai đđọọanan titiềềnn xxửử llýý (pre(pre processing)processing)
Sai số về hình học (geometric) SaiSai ssốố nnààyy ccĩĩ ththểể ttừừ ccáácc nguynguyêênn nhnhâânn TrTrááii đđấấtt quayquay trongtrong khikhi chchụụpp (qu(quéét)t) ảảnhnh MMộộtt ssốố SensorSensor ccĩĩ ttốốcc đđộộ ququéétt ththấấpp MMộộtt ssốố SensorSensor ccĩĩ ggĩĩcc ququéétt ququáá rrộộngng ĐĐộộ congcong ccủủaa mmặặtt đđấấtt LLỗỗii hhììnhnh hhọọcc ccủủaa chchíínhnh SensorSensor SSựự thaythay đđổổii vvềề vvịị trtríí,, caocao đđộộ,, vvậậnn ttốốcc ccủủaa vvệệ tinhtinh trongtrong ququáá trtrììnhnh chchụụpp HiHiệệuu ứứngng ““panoramicpanoramic”” đđốốii vvớớii hhììnhnh ddạạngng ảảnhnh
Tương quan hình học QuanQuan hhệệ hhììnhnh hhọọcc gigiữữaa ảảnhnh ssốố viviễễnn ththáámm vvàà ccáácc yyếếuu ttốố ccủủaa sensorsensor PixelPixel SizeSize > IFOVIFOV NumberNumber ofof SamplesSamples > FOVFOV
Ví dụ: xét ảnh hưởng của sự quay của trái đất Hướng trái đất quay Hướng bay của vệ tinh Một scene ảnh Landsat 185 x 185 km cĩ thể “nghiêng” một khỏang gần 11 km
Ví dụ: hiệu ứng “panaramic” CD > AB CD AB
Ví dụ: ảnh hưởng của sự thay đổi của độ cao, vận tốc và vị trí của vệ tinh khi bay chụp Độ cao thay đổiVận tốc thay đổi Pitch Roll Yaw
Nắn chỉnh hình học CCĩĩ 22 kkỹỹ thuthuậậtt trongtrong nnắắnn chchỉỉnhnh hhììnhnh hhọọcc ¾ PhPhươươngng phpháápp 1:1: ThiThiếếtt llậậpp mmộộtt quanquan hhệệ ttĩĩanan hhọọcc gigiữữaa ccáácc pixelpixel ccủủaa ảảnhnh vvớớii ttọọaa đđộộ ccáácc đđiiểểmm ttươươngng ứứngng trtrêênn mmặặtt đđấấtt (th(thơơngng quaqua bbảảnn đđồồ),), ddùùngng phphéépp bibiếếnn hhììnhnh đđểể hihiệệuu chchỉỉnhnh ¾ PhPhươươngng phpháápp 2:2: XXââyy ddựựngng mmộộtt mmơơ hhììnhnh phphảảnn áánhnh bbảảnn chchấấtt vvàà mmứứcc đđộộ ccủủaa ccáácc saisai ssốố hhììnhnh hhọọc,c, sausau đđĩĩ ddùùngng mmơơ hhììnhnh nnààyy đđểể ttíínhnh ttĩĩanan ccơơngng ththứứcc ttĩĩanan hhọọcc ddùùngng đđểể khkhửử saisai
Phương pháp 2 - phương pháp nắn chỉnh cĩ hệ thống (systematic correction) AspectAspect ratioratio correction:correction: bibiểểuu didiễễnn bbởởii mama trtrậậnn x a 0u   =    y 0 bv Ví dụ, đối với ảnh Landsat MSS, a=1 và b=1,411
Systematic correction (2) EarthEarth rotationrotation skewskew correction:correction: bibiểểuu didiễễnn bbởởii mama trtrậậnn x 1 au   =    y 0 1v Hệ số a trong cơng thức phụ thuộc vào sensor và vào vị trí của sensor so với mặt đất
Systematic correction (3) HHướướngng ccủủaa ảảnhnh soso vvớớii trtrụụcc BBắắcc Nam:Nam: phphéépp khkhửử saisai ssốố đđượượcc bibiểểuu didiễễnn bbởởii mama trtrậậnn x  cosα sinα u   =    y − sinα cosα v Ví dụ, đối với ảnh Landsat, gĩc quay vào khỏng 9o
Systematic correction (4) HiHiệệuu ứứngng ““panoramicpanoramic””:: phphéépp khkhửử saisai ssốố đđượượcc bibiểểuu didiễễnn bbởởii mama trtrậậnn x tanθ 0u   =  θ   y  0 1v trong đĩ θ là khẩu độ quét của sensor (instantaneous scan angle)
Systematic correction (5) TrongTrong ththựựcc ttếế,, ngngườườii tata phphảảii áápp ddụụngng nhinhiềềuu phphéépp khkhửử saisai ssốố hhệệ ththốốngng ccùùngng mmộộtt llúúc,c, kkếếtt ququảả llàà mmộộtt phphéépp bibiếếnn đđổổii hhììnhnh hhọọcc ccĩĩ mama trtrậậnn llàà ttííchch ccủủaa mmộộtt ssốố ccáácc mama trtrậậnn vvừừaa nnêêuu PhPhéépp khkhửử saisai nnààyy đđãã đđượượcc ththườườngng đđượượcc ththựựcc hihiệệnn trtrướướcc bbởởii nhnhàà cungcung ccấấpp ảảnhnh viviễễnn ththáámm
Phương pháp 2: dùng phép tương ứng giữa các điểm trên ảnh với các điểm đã biết tọa độ trên thực tế ẢẢnhnh viviễễnn ththáámm ththườườngng đđãã đđượượcc nnắắnn chchỉỉnhnh saisai ssốố hhệệ ththốốngng vvàà đăđăngng kkýý theotheo mmộộtt hhệệ ttọọaa đđộộ đđịịaa llýý nnààoo đđĩĩ (th(thườườngng llàà UTM,UTM, Lat/Long )Lat/Long ) TuyTuy nhinhiêên,n, đđộộ chchíínhnh xxáácc (h(hììnhnh hhọọc)c) ccủủaa ảảnhnh nhnhưư ththếế ththườườngng khkhơơngng đđáápp ứứngng đđượượcc yyêêuu ccầầuu ccủủaa ngngườườii ddùùngng NgNgườườii ddùùngng ssẽẽ nnắắnn chchỉỉnhnh ththêêmm ddùùngng phphéépp bibiếếnn đđổổii hhììnhnh hhọọcc vvàà ccáácc đđiiểểmm khkhốốngng chchếế (GCP(GCP GroundGround ControlControl Points)Points)
Nắn ảnh dùng điểm khống chế (GCP) GiGiảả đđịịnh:nh: đđãã ccĩĩ mmộộtt bbảảnn đđồồ (ho(hoặặcc ảảnh)nh) ccủủaa vvùùngng nghinghiêênn ccứứuu vvàà đđãã đđượượcc nnắắnn chchỉỉnhnh XXáácc đđịịnhnh 22 hhệệ ttọọaa đđộộ (x,y)(x,y) ccủủaa bbảảnn đđồồ vvàà (u,v)(u,v) ccủủaa ảảnhnh ccầầnn nnắắnn chchỉỉnh,nh, ccùùngng 22 hhààmm bibiếếnn đđổổii ttọọaa đđộộ uu == f(x,y)f(x,y) vv == g(x,y)g(x,y)
Nắn ảnh dùng điểm khống chế (2) 22 hhệệ ttọọaa đđộộ vvàà ccáácc đđiiểểmm khkhốốngng chchếế x u y 1 v 1 2 2 3 3 Map Image
Nắn ảnh dùng điểm khống chế (3) NguyNguyêênn llýý:: bibiếếtt ttọọaa đđộộ ccủủaa ccáácc đđiiểểmm (GCP)(GCP) trtrêênn ảảnhnh ththơơngng quaqua ccáácc đđiiểểmm ttươươngng ứứngng trtrêênn bbảảnn đđồồ,, ccĩĩ ththểể ttíínhnh đđượượcc ccáácc hhààmm f(x,y)f(x,y) vvàà g(x,y)g(x,y) f(x,y), g(x,y) x u y 1 v 1 2 2 3 3 Map Image
Nắn ảnh dùng điểm khống chế (4) TrongTrong ththựựcc ttếế,, phphéépp nnộộii suysuy (intyerpolation)(intyerpolation) vvàà phphéépp llấấyy mmẫẫuu llạạii (resampling)(resampling) đđượượcc ssửử ddụụngng đđểể ttíínhnh ttĩĩanan gigiáá trtrịị ccủủaa ccáácc pixel,pixel, llàà ảảnhnh ccủủaa (x,y)(x,y) quaqua hhààmm ff vvàà gg CCáácc đđaa ththứứcc bbậậcc 1,1, 22 vvàà 33 ththườườngng hayhay đđượượcc ssửử ddụụngng BBộộ hhààmm f,f, gg ththườườngng đđượượcc ggọọii llàà phphéépp bibiếếnn đđổổii hhììnhnh hhọọcc (geometrical(geometrical transform)transform)
Nắn ảnh dùng điểm khống chế (4) CCáácc phphéépp bibiếếnn đđổổii hhììnhnh hhọọcc hayhay ddùùngng Affine u= ax+b y+c v=dx+ey+f Pseudo Affine u= a1 x y +a2 x+a3 y +a4 v=b1 xy+b2 x+b3 y+b4 n n Polynomial i–1 j–1 u= Σ Σ aijx y (thường tối đa n=3) i=1 j=1 n n i–1 j– 1 v= bijx y i=Σ1 j=Σ1
Nắn ảnh dùng điểm khống chế (5) MMộộtt trtrườườngng hhợợpp đđặặcc bibiệệtt ccủủaa phphéépp bibiếếnn đđổổii Affine:Affine: phphéépp bibiếếnn đđổổii HelmertHelmert x = au + bv + c y = −bu + av + d tương ứng với các phép vị tự (scale), tịnh tiến (shift) và phép quay (rotation)
Nắn ảnh dùng điểm khống chế (6) PhPhéépp bibiếếnn đđổổii bbảảoo gigiáácc bbậậcc 22 (second(second orderorder conformal)conformal)
Quan hệ giữa bậc của đa thức và số tối thiểu các điểm khống chế
Lấy mẫu lại (resampling) BBảảnn đđồồ đđượượcc chiachia llướướii (grid)(grid) ttươươngng ứứngng vvớớii kkííchch ththướướcc pixelpixel ccủủaa ảảnhnh (kh(khơơngng nhnhấấtt thithiếếtt phphảảii bbằằng)ng) ẢẢnhnh ccủủaa mmộộtt đđiiểểmm llướướii (x,y)(x,y) khikhi đđĩĩ đđượượcc xxáácc đđịịnhnh bbởởii đđiiểểmm (u,v)(u,v) trtrêênn ảảnh,nh, khkhơơngng nhnhấấtt thithiếếtt phphảảii trtrùùngng vvớớii đđiiểểmm llướướii u=f(x,y) v=g(x,y) map image
Nội suy (interpolation) TrongTrong ththựựcc ttếế,, ththườườngng mmộộtt đđiiểểmm llướướii (x,y)(x,y) khkhơơngng đđượượcc áánhnh xxạạ vvààoo đđúúngng mmộộtt đđiiểểmm llướướii ccủủaa ảảnhnh PhPhéépp nnộộii suysuy gigiúúpp ttììmm rara đđộộ ssáángng (brightness(brightness value)value) ““ggầầnn nhnhấấtt”” ttừừ ccáácc đđiiểểmm trtrêênn ảảnhnh đđểể xxấấpp xxỉỉ chocho đđộộ ssáángng ttạạii đđiiểểmm ccầầnn ttíínhnh (u,v)(u,v)
Nội suy (2) CCĩĩ 33 phphươươngng phpháápp nnộộii suysuy NearestNearest NeighbourNeighbour (NN(NN llâânn ccậậnn ggầầnn nhnhấất):t): đđơơnn gigiảảnn llàà chchọọnn đđiiểểmm ggầầnn nhnhấất,t, theotheo khkhỏỏangang ccááchch EuclideEuclide hohoặặcc Manhattan Manhattan BilinearBilinear (BL(BL songsong tuytuyếến):n): ssửử ddụụngng liliêênn titiếếpp ccáácc nnộộii suysuy tuytuyếếnn ttíínhnh trtrêênn 44 đđiiểểmm llướướii ccủủaa ảảnhnh baobao quanhquanh đđiiểểmm (u,v)(u,v) 9 Đầu tiên nội suy tuyến tính trên 2 cặp điểm theo hướng nằm ngang, sau đĩ nội suy tiếp trên 2 điểm kết quả
Nội suy (3) CubicCubic convolutionconvolution (CC(CC hhààmm chchậậpp trtrịịnn bbậậcc 3):3): nnộộii suysuy đđaa ththứứcc bbậậcc 33 trtrêênn 1616 đđiiểểmm llướướii baobao quanhquanh đđiiểểmm (u,v)(u,v) 9 NNộộii suysuy CCCC ththườườngng chocho ảảnhnh ““trtrơơnn”” hhơơnn phphươươngng phpháápp khkháác,c, tuytuy nhinhiêênn gigiáá trtrịị đđộộ ssáángng ccĩĩ ththểể thaythay đđổổii đđáángng kkểể 9 KhKhơơngng nnêênn ddùùngng nnếếuu sausau đđĩĩ ccầầnn phphảảii phphâânn llớớpp ảảnhnh (classification)(classification)
3 phương pháp nội suy
Phép kéo (Warping) CCùùngng vvớớii ResamplingResampling vvàà Interpolation,Interpolation, phphéépp warpingwarping ttạạoo rara ddạạngng hhììnhnh hhọọcc ccủủaa ảảnhnh mmớớii CCĩĩ 33 phphươươngng phpháápp warpingwarping RSTRST (Rotation,(Rotation, ScalingScaling andand Translation):Translation): đđơơnn gigiảảnn nhnhấấtt Polynomial:Polynomial: đđaa ththứức,c, ssốố đđiiểểmm GCPGCP phphảảii khkhơơngng íítt hhơơnn (b(bậậcc ĐĐTT ++ 1)1)2 DelaunayDelaunay Triangulation:Triangulation: nnộộii suysuy theotheo llướướii tamtam gigiáácc DelaunayDelaunay
Việc chọn lựa điểm khống chế (GCP) CCáácc đđiiểểmm khkhốốngng chchếế nnêên:n: DDễễ nhnhậậnn ddạạngng trtrêênn ảảnhnh ccũũngng nhnhưư trtrêênn bbảảnn đđồồ PhPhâânn bbốố đđồồngng đđềềuu trtrêênn ttịịanan ảảnh,nh, đđặặcc bibiệệtt chchúú ýý phphâânn bbốố trtrêênn bibiêênn 9 ĐĐaa ththứứcc nnộộii suysuy bbậậcc ccààngng caocao ththìì đđộộ chchíínhnh xxáácc ởở llâânn ccậậnn ccáácc GCPGCP ccààngng llớớn,n, nhnhưưngng ccĩĩ ththểể ttạạoo rara ““mmééoo hhììnhnh hhọọcc”” ởở phphạạmm vivi llớớnn ccủủaa ảảnhnh
Việc chọn lựa điểm khống chế (GCP) CCáácc đđiiểểmm khkhốốngng chchếế nnêênn llàà:: Ranh giới giữa đất với nước Gĩc của các cơng trình xây dựng, con đập, con mương, hải cảng Mũi đất, ngọn hải đăng, các đảo nhỏ Nhà máy, cao ốc, đường chạy của ân bay Tâm của các hồ nhỏ, điểm giao thủy, giao lộ
Tọa độ địa lý và phép nắn chỉnh ẢẢnhnh viviễễnn ththáámm ththườườngng đđãã đđượượcc đăđăngng kkýý theotheo mmộộtt llướướii chichiếếuu (Map(Map Projection)Projection) vvàà trtrêênn mmộộtt EllipsoidEllipsoid nnààoo đđĩĩ EllipsoidEllipsoid llàà mmơơ hhììnhnh ttĩĩanan hhọọcc đđểể xxấấpp xxỉỉ bbềề mmặặtt trtrááii đđấấtt chocho titiệệnn ttíínhnh ttĩĩanan ((đđượượcc chichi titiếếtt hhĩĩaa ththêêmm bbởởii 11 bbộộ thamtham ssốố ggọọii llàà datumdatum)) LLướướii chichiếếuu llàà bibiểểuu ththứứcc ttĩĩanan hhọọcc đđểể chuychuyểểnn ttọọaa đđộộ ggĩĩcc kinhkinh vvĩĩ ccủủaa mmộộtt đđiiểểmm sangsang ttọọaa đđộộ phphẳẳngng (x,y)(x,y)
Geoid và Ellipsoid ¾Geoid xấp xỉ các mặt của mực nước biển trên trái đất ¾ Ellipsoid là mặt tóan học lý tưởng xấp xỉ geoid
Các Ellipsoid và Datum thơng dụng • GRS80 • WGS84 • Everest 19XX • CLARKE 1866 • . . . Datums: • WGS84 - WGS84 • GRS80- ITRF(International Terrestrial Reference Frames )
GPS và datum HHệệ ththốốngng đđịịnhnh vvịị ttịịanan ccầầuu mmặặcc đđịịnhnh ddùùngng ellipsoidellipsoid WGS84WGS84 vvớớii datumdatum ccũũngng llàà WGS84WGS84 CCáácc GPSGPS đđộộ chchíínhnh xxáácc caocao ththườườngng ddùùngng GRS80GRS80 vvớớii datumdatum ITRSITRS
Chiếu mỗi 6 độ kinh tuyến với khỏang cách -80 đến +80 độ vĩ lên Lưới chiếu UTM mặt phẳng. Cĩ cả thảy 60 múi. Đây là lọai phép chiếu hình trụ ngang.
Phép chiếu hình trụ ngang (Transverse Cylindrical Projection)
Nắn chỉnh ảnh trong thực hành NNếếuu đđãã ccĩĩ bbảảnn đđồồ ssốố (v(vớớii đđộộ chchíínhnh xxáácc đđãã chchấấpp nhnhậận),n), ccơơngng viviệệcc ccĩĩ ththểể ththựựcc hihiệệnn bbằằngng phphầầnn mmềềmm viviễễnn ththáámm NNếếuu chchưưaa ccĩĩ,, ccầầnn phphảảii chuchuẩẩnn bbịị:: Bản đồ giấy, GPS Chọn trước một số điểm GCP trên bản đồ (và dễ dàng nhận dạng trên ảnh), ghi nhận tọa độ pixel trên ảnh Đi thực địa kiểm tra lại tọa độ GCP Tổng hợp số liệu, chọn phương pháp nội suy, chọn đa thức nội suy, và thực hiện phép nắn chỉnh
Image Coodinate Map Coordinate Colume Line Easting Northing 390 400 524,445 1,234,456 700 420 525,445 1,234,256 Thực hành
Thực hành (minh(minh hhọọaa trtrêênn phphầầnn mmềềmm ENVI,ENVI, imageimage LandsatLandsat vvàà shpshp filesfiles khukhu vvựựcc NamNam SSààigigịịn)n)
ChChươươngng 44 Tăng cường ảnh viễn thám Giáo trình Xử lý ảnh Kỹ thuật số Viễn thám - Hồ Đình Duẩn TP.HCM 2005
Nội dung chương 4 Các tĩan tử điểm ảnh lân cận Tĩan tử tích chập (Convolution) Các kỹ thuật làm trơn ảnh (Smoothing) Nhận dạng biên và đường (Edge & Line detection) Tĩan tử Roberts, tĩan tử Sobel Phương pháp Taylor Các ứng dụng khác của PCA Biển đổi Fourier của ảnh
Các tĩan tử điểm ảnh lân cận PhPhéépp bibiếếnn đđổổii gigiáá trtrịị ccủủaa mmỗỗii pixelpixel ddựựaa vvààoo ttíínhnh ttĩĩanan trtrêênn gigiáá trtrịị ccủủaa ccáácc pixelpixel llâânn ccậận,n, vvớớii trtrọọngng ssốố ththííchch hhợợpp CCáácc pixelpixel llâânn ccậậnn đđượượcc xxáácc đđịịnhnh bbởởii mmộộtt ““ccửửaa ssổổ”” ccịịnn ggọọii llàà kernelkernel ccịịnn gigiáá trtrịị ccầầnn ttíínhnh đđặặtt ởở ttââmm ccửửaa ssổổ PhPhéépp bibiếếnn đđổổii ảảnhnh nhnhưư vvậậyy ccịịnn ggọọii llàà llọọcc (filter)(filter)
Tĩan tử biến đổi lân cận GiGiảả ssửử kernelkernel đđượượcc chocho bbởởii matrmatrậậnn WW vvàà ảảnhnh chocho bbởởii matrmatrậậnn AA A = [am,n ] W = [wm,n ] GiGiáá trtrịị mmớớii ttạạii ttââmm ccửửaa ssổổ 1/9 1/9 1/9 ∑ am,nwm,n W 1/9 1/9 1/9 Cửa sổ W Cửa sổ được di chuyển theo mọi vị (3 x 3) 1/9 1/9 1/9 trí trên ảnh
Phép nhân chập (convolution) TrongTrong xxửử llýý ttíínn hihiệệu,u, phphéépp nhnhâânn chchậậpp ccủủaa ttíínn hihiệệuu 22 chichiềềuu a(u,v)a(u,v) vvớớii kernelkernel k(u,v)k(u,v) đđượượcc chocho bbởởii a ⊗ k = ∫∫a(u,v)k(x − u, y − v)dudv ĐĐốốii vvớớii ttíínn hihiệệuu rrờờii rrạạcc (nh(nhưư ảảnhnh ssốố)) ∑∑ a(u,v)k(x − u, y − v) uv (giá trị tại điểm lưới (x,y))
Tĩan tử làm trơn trung bình (Mean Value Smoothing) GiGiáá trtrịị mmớớii llàà trungtrung bbììnhnh ccộộngng ccủủaa ttấấtt ccảả ccáácc gigiáá trtrịị ccĩĩ trtrêênn ccửửaa ssổổ ThuThuộộcc llọọaiai llọọcc ththơơngng ththấấpp (Low(Low Pass),Pass), ccĩĩ đđặặcc ttíínhnh khkhửử nhinhiễễuu caocao ThThườườngng llààmm yyếếuu ccáácc yyếếuu ttốố đđườườngng vvàà bibiêênn
Mean Value Smoothing CCĩĩ ththểể ccảảii titiếếnn llọọcc nnààyy bbằằngng ccááchch đđưưaa rara mmộộtt ngngưỡưỡngng TT (threshold)(threshold) NNếếuu gigiáá trtrịị ccũũ llàà a(u,v)a(u,v) vvàà gigiáá trtrịị ttíínhnh ttĩĩanan llàà m(u,v)m(u,v) Giá trị mới = m(u,v) nếu |m(u,v)-a(u,v)| < T và = a(u,v) nếu ngược lại
Mean Value Smoothing kernel
Lọc trung vị (median filter) CCũũngng ddùùngng llààmm trtrơơnn ảảnhnh CCĩĩ ưưuu đđiiểểmm hhơơnn llọọcc trungtrung bbììnhnh ởở chchỗỗ íítt llààmm suysuy gigiảảmm ccáácc yyếếuu ttốố đđườườngng vvàà bibiêênn ThThườườngng chchọọnn ccửửaa ssổổ kkííchch ththướướcc llẽẽ:: 33 xx 33 hohoặặcc 55 xx 55 Ví dụ : median của các số {2,5,5,1,3} là 3 Lọc median cửa sổ 7 x 7
Lọc tuyến tính và phi tuyến LLọọcc convolutionconvolution llàà mmộộtt vvíí ddụụ vvềề llọọcc tuytuyếếnn ttíínhnh LLọọcc medianmedian llàà mmộộtt vvíí ddụụ vvềề llọọcc khkhơơngng tuytuyếếnn ttíínhnh CCĩĩ ththểể đđịịnhnh nghnghĩĩaa llọọcc ttươươngng ttựự nhnhưư llọọcc medianmedian bbằằngng ccááchch ddùùngng ccáácc ttĩĩanan ttửử ththốốngng kkêê khkháácc nhnhưư modemode (majority)(majority)
Phát hiện biên (edge detection) RRấấtt ccầầnn thithiếếtt trongtrong phphâânn ttííchch ccáácc yyếếuu ttốố đđườườngng (linear(linear features)features) trongtrong ảảnhnh CCĩĩ 33 phphươươngng phpháápp phpháátt hihiệệnn bibiêênn DDùùngng ttĩĩanan ttửử llâânn ccậậnn theotheo ccửửaa ssổổ DDùùngng đđạạoo hhààmm theotheo hhướướngng DDùùngng phphéépp trtrừừ vvớớii ảảnhnh đđãã llààmm trtrơơnn
Phát hiện biên dùng cửa sổ CCửửaa ssổổ ssửử ddụụngng -1 0 1 -1 -1 -1 -1 0 1 0 0 0 -1 0 1 1 1 1 Để phát hiện đường theo Để phát hiện đường theo chiều thẳng đứng chiều nằm ngang
Phát hiện biên dùng cửa sổ CCửửaa ssổổ ssửử ddụụngng -1 0 1 -1 -1 -1 -1 0 1 0 0 0 -1 0 1 1 1 1 Để phát hiện đường theo Để phát hiện đường theo chiều thẳng đứng chiều nằm ngang
Phát hiện biên dùng cửa sổ NNếếuu ddùùngng ccửửaa ssổổ kkííchch ththướướcc llớớnn hhơơn,n, ccĩĩ ththểể phpháátt hihiệệnn bibiêênn theotheo nhinhiềềuu hhướướngng khkháácc ==>==> PhPhảảii ththựựcc hihiệệnn ththủủ ttụụcc phpháátt hihiệệnn bibiêênn vvớớii ccáácc ccửửaa ssổổ khkháácc nhaunhau
Dùng đạo hàm theo hướng GradientGradient ccủủaa 11 hhààmm f(x,y)f(x,y) đđuuợợcc đđịịnhnh nghnghĩĩaa  ∂  f (x, y) ∂x  ∇f (x, y) =  ∂   f (x, y) ∂y  Vector này tượng trưng cho độ dốc (slope) của hàm tại diểm (x,y)
Dùng đạo hàm theo hướng NNếếuu đđặặtt ∂ ∂ ∇ = f (x, y) ∇2 = f (x, y) 1 ∂x ∂y thì đại lượng 2 2 |∇|= ∇1 +∇2 cĩ thể dùng để phát hiện biên
Tĩan tử Roberts ĐĐốốii vvớớii ảảnhnh ssốố,, ccáácc đđạạoo hhààmm vvừừaa nnêêuu ccĩĩ ththểể xxấấpp xxỉỉ bbằằngng ccáácc saisai phphâânn (difference)(difference) ∇1 = a(i, j)−a(i +1, j +1) ∇2 = a(i +1, j)−a(i, j +1) (Coi như đạo hàm tại điểm (i+1/2, j+1/2) theo hướng 2 đường chéo)
Tĩan tử Roberts MMộộtt vvíí ddụụ áápp ddụụngng ttĩĩanan ttửử RobertsRoberts 2 2 2 2 8 8 8 8 0 0 0 8.5 0 0 0 2 2 2 2 8 8 8 8 0 0 0 8.5 0 0 0 2 2 2 2 8 8 8 8 0 0 0 8.5 0 0 0 2 2 2 2 8 8 8 8 0 0 0 6.0 8.5 8.5 8.5 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2
Tĩan tử Roberts MMộộtt vvíí ddụụ áápp ddụụngng ttĩĩanan ttửử RobertsRoberts
Tĩan tử Sobel DDùùngng saisai phphâânn (t(tạạii đđiiểểmm (i,j))(i,j)) ∇1 = a(i −1, j +1)+2a(i −1, j)+a(i −1, j −1) −a(i +1, j +1)−2a(i +1, j)−a(i +1, j −1) ∇2 = a(i −1, j +1)+2a(i, j +1)+a(i +1, j +1) −a(i −1, j −1)−2a(i, j −1)−a(i +1, j −1)
Tĩan tử Sobel TTĩĩanan ttửử SobelSobel ttươươngng đđươươngng vvớớii 22 ttĩĩanan ttửử ccửửaa ssổổ 1 2 1 -1 0 1 0 0 0 -2 0 2 ∇1 = ∇2 = -2 0 2 -1 -2 -1 -1 0 1 2 2 | ∇ |= ∇1 + ∇2
Tĩan tử Sobel VVíí ddụụ áápp ddụụngng ttĩĩanan ttửử SobelSobel
Phát hiện biên bằng phép trừ cho ảnh đã làm trơn LLấấyy ảảnhnh trtrừừ chocho ảảnhnh llààmm trtrơơnn (low(low pass)pass) ccủủaa nnĩĩ,, tata đđượượcc mmộộtt ảảnhnh mmớớii trongtrong đđĩĩ ccáácc đđườườngng bibiêênn đđượượcc ttăăngng ccườườngng CCộộngng ảảnhnh nnààyy (v(vớớii 11 ttỉỉ llệệ nnààoo đđĩĩ),), vvààoo ảảnhnh banban đđầầuu llạại,i, tata đđượượcc ảảnhnh ttăăngng ccườườngng bibiêênn
Phát hiện biên bằng phép trừ cho ảnh đã làm trơn MMộộtt vvíí ddụụ ddùùngng phphéépp trtrừừ ảảnhnh A B = A - smooth(A) A + 3*B
Phát hiện đường dùng cửa sổ CCĩĩ ththểể ddùùngng ccáácc kernelkernel tuytuyếếnn ttíínhnh sausau đđểể phpháátt hihiệệnn đđườườngng -1 2 -1 -1 -1 -1 -1 -1 2 2 -1 -1 -1 2 -1 2 2 2 -1 2 -1 -1 2 -1 -1 2 -1 -1 -1 -1 2 -1 -1 -1 -1 2 Đường thẳng Đường Đường chéo đứng ngang
Phát hiện đường dùng cửa sổ VVíí ddụụ -1 -1 -1 2 2 2 -1 -1 -1
Phát hiện đường dùng cửa sổ VVíí ddụụ -1 2 -1 -1 2 -1 -1 2 -1
Phát hiện đường dùng cửa sổ VVíí ddụụ -1 -1 2 -1 2 -1 2 -1 -1
Phương pháp Taylor DDùùngng đđểể ttăăngng ccườườngng đđộộ ttươươngng phphảảnn ccủủaa ảảnhnh mmààuu ((đđaa phphổổ)) ThThơơngng ththườường,ng, histogramhistogram ccủủaa mmỗỗii kkêênhnh ririêêngng llẻẻ đđượượcc stretch,stretch, khkhơơngng ttíínhnh đđếếnn ttươươngng quanquan gigiữữaa ccáácc kkêênhnh vvớớii nhaunhau BiBiếếnn đđổổii PCAPCA ccủủaa ảảnhnh chocho rara ccáácc kkêênhnh PC1,PC1, PC2,PC2, PC3 PC3 vvớớii ttươươngng quanquan hhầầuu nhnhưư khkhơơngng ccĩĩ
Phương pháp Taylor PhPhươươngng phpháápp TaylorTaylor :: ttăăngng ccườườngng đđộộ ttươươngng phphảảnn ccủủaa ảảnhnh mmààuu ttạạoo bbởởii ccáácc ththàànhnh phphầầnn PCAPCA (th(thựựcc hihiệệnn trtrêênn ccáácc kkêênhnh ririêêngng llẻẻ)) BiBiếếnn đđổổii ngngượượcc ảảnhnh PCA,PCA, tata ccĩĩ ảảnhnh ttăăngng ccườườngng ccủủaa ảảnhnh banban đđầầu,u, vvớớii đđộộ ttươươngng phphảảnn vvàà mmààuu ssắắcc phongphong phphúú hhơơnn soso vvớớii stretchstretch ttừừngng kkêênhnh mmộộtt
Phương pháp Taylor: ví dụ
Biến đổi Kauth-Thomas ThThườườngng ddùùngng trongtrong nghinghiêênn ccứứuu nnơơngng nghinghiệệpp TTươươngng ttựự nhnhưư bibiếếnn đđổổii PCA,PCA, nhnhưưngng ởở đđââyy ccáácc vectvectơơ chchíínhnh đđượượcc chchọọnn đđểể llààmm nnổổii bbậậtt ccáácc llớớpp landcoverlandcover quanquan trtrọọngng VectVectơơ ththứứ nhnhấấtt đđượượcc chchọọnn trongtrong llớớpp đđấấtt trtrốốngng LLớớpp ththựựcc vvậậtt (xanh(xanh llụục)c) đđượượcc chchọọnn ththứứ haihai TiTiếếpp theotheo llớớpp mmùùaa mmààngng đđangang thuthu hhọọachach (v(vààng)ng) đđượượcc chchọọnn
Biến đổi Kauth-Thomas CuCuốốii ccùùngng llớớpp ththứứ ttưư đđượượcc chchọọn,n, khkhơơngng thuthuộộcc 33 llớớpp trtrêênn QuQuáá trtrììnhnh trtrựựcc giaogiao hhĩĩaa SchmidtSchmidt đđượượcc ththựựcc hhịịêênn đđểể ccĩĩ đđượượcc mmộộtt hhệệ trtrựựcc giaogiao ccáácc vectvectơơ,, sausau đđĩĩ đđượượcc chuchuẩẩnn hhĩĩaa NNếếuu RR llàà matrmatrậậnn ccủủaa phphéépp bibiếếnn đđổổii ttọọaa đđộộ (matr(matrậậnn trtrựựcc giao),giao), ththìì phphéépp bibiếếnn đđổổii KauthKauth ThomasThomas llàà uu == RR xx ++ cc (c(c llàà mmộộtt vectvectơơ đđiiềềuu chchỉỉnhnh nhnhằằmm trtráánhnh gigiáá trtrịị ââm)m)
ChChươươngng 55 Phân lớp (Classification) Giáo trình Xử lý ảnh Kỹ thuật số Viễn thám- Hồ Đình Duẩn TP.HCM 2005
Nội dung chương 5 Phần A: Phân lớp cĩ giám sát (Supervised Classification) Các bước trong phân lớp Phương pháp Maximum Likelihood và lý thuyết Bayes Phương pháp khỏang cách cực tiểu (Minimum Distance) Phần B: Phân lớp khơng cĩ giám sát (Unsupervised Classification) Khỏang cách Thuật tĩan Clustering
Phần A: Phân lớp cĩ giám sát MMụụcc đđíích:ch: PhPhâânn ttííchch đđịịnhnh llượượngng ddữữ liliệệuu viviễễnn ththáámm PhPhươươngng phphááp:p: ssửử ddụụngng ccáácc thuthuậậtt ttĩĩanan ththííchch hhợợpp đđểể xxếếpp llọọaiai ccáácc pixelpixel ccủủaa ảảnhnh theotheo ccáácc llớớpp phphủủ mmặặtt đđấấtt khkháácc nhaunhau (g(gọọii llàà ccáácc llớớpp class);class); viviệệcc phphâânn llớớpp ddựựaa trtrêênn ththơơngng tintin đđãã bibiếếtt vvềề mmộộtt ssốố ccáácc mmẫẫuu (samples)(samples)
Khái niệm phân lớp trong viễn thám
Khái niệm phân lớp trong viễn thám GiGiảả ssửử ảảnhnh ccĩĩ kk kkêênhnh phphổổ KhiKhi đđĩĩ mmỗỗii pixelpixel trtrêênn ảảnhnh ssẽẽ ứứngng vvớớii mmộộtt vectvectơơ kk chichiềềuu (m(mỗỗii ththàànhnh phphầầnn llàà gigiáá trtrịị ttạạii kkêênhnh ththứứ kk ccủủaa pixelpixel đđĩĩ),), ggọọii llàà vectvectơơ phphổổ ccủủaa pixelpixel ThuThuậậtt ttĩĩanan phphâânn llớớpp ssẽẽ ddựựaa vvààoo quanquan hhệệ gigiữữaa vectvectơơ phphổổ ccủủaa ttừừngng pixelpixel vvớớii ccáácc llớớpp
Spectral Reflectance 80 Vegetation 70 e Soil c 60 n a Clear River Water Turbid River Water t c 50 e l f e 40 R t n 30 e c r 20 e P 10 0 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6 Wavelength (µm) Phổ phản xạ của một số lớp phủ thường gặp
Các bước trong việc phân lớp ChChọọnn trtrướướcc mmộộtt ttậậpp hhợợpp ccáácc llớớpp phphủủ mmàà theotheo đđĩĩ ảảnhnh ssẽẽ đđượượcc phphâânn llớớpp VVớớii mmỗỗii llớớp,p, chchọọnn rara mmơơtt ttậậpp ccáácc pixelpixel titiêêuu bibiểểuu chocho llớớpp đđĩĩ (g(gọọii llàà samplessamples hohoặặcc trainingtraining data)data) CCáácc ttậậpp trainingtraining ccĩĩ ththểể llấấyy đđượượcc ttừừ đđii ththựựcc đđịịa,a, ttừừ bbảảnn đđồồ,, hayhay ttừừ ccáácc ngunguồồnn hhììnhnh ảảnhnh khkháácc
Các bước trong việc phân lớp (2) CCáácc ttậậpp trainingtraining đđượượcc ddùùngng đđểể ướướcc đđĩĩanan ccáácc thamtham ssốố ccủủaa gigiảảii thuthuậậtt phphâânn llớớpp ssẽẽ ssửử ddụụngng (c(cáácc thamtham ssốố thuthuộộcc 11 llớớpp trainingtraining ggọọii llàà signaturesignature ccủủaa llớớpp đđĩĩ)) DDựựaa vvààoo ccáácc ttậậpp trainingtraining ,, xxếếpp llọọaiai ttấấtt ccảả ccáácc pixelpixel ccủủaa ảảnhnh saosao chocho mmỗỗii pixelpixel ssẽẽ thuthuộộcc vvềề mmộộtt llớớpp duyduy nhnhấấtt TTạạoo ảảnhnh (ho(hoặặcc bbảảnn đđồồ)) phphâânn llớớp,p, ttíínhnh ttĩĩanan ccáácc ththốốngng kkêê ccủủaa viviệệcc phphâânn llớớpp
Phương pháp Maximum Likelihood LLàà phphươươngng phpháápp ththơơngng ddụụngng nhnhấấtt SSửử ddụụngng ccáácc ththốốngng kkêê (mean,(mean, variancevariance covariance)covariance) trongtrong khkhơơngng giangian phphổổ đđểể xxââyy ddựựngng thuthuậậtt ttĩĩanan GiGiảả đđịịnhnh rrằằngng ccáácc gigiáá trtrịị phphổổ ((đđaa chichiềều)u) trongtrong mmỗỗii llớớpp đđềềuu ccĩĩ phphâânn bbốố chuchuẩẩnn (normal(normal distribution)distribution)
Lý thuyết Bayes GiGiảả ssửử ccĩĩ MM llớớp.p. GGọọii xx llàà mmộộtt vectvectơơ phphổổ ccủủaa mmộộtt pixelpixel đđangang xxéétt p(x,i)p(x,i) llàà xxáácc susuấấtt đđểể vectovecto xx thuthuộộcc llớớpp ii NguyNguyêênn ttắắcc MaximumMaximum LikelyhoodLikelyhood llàà xx thuthuộộcc llớớpp ii nnếếuu p(x,i)>p(x,j)p(x,i)>p(x,j) vvớớii mmọọii j i
Lý thuyết Bayes GGọọii p(i,x)p(i,x) llàà xxáácc susuấấtt đđểể,, vvớớii xx chocho trtrướước,c, llớớpp ii chchứứaa vectvectơơ xx GGọọii p(i)p(i) llàà xxáácc susuấấtt đđểể llớớpp ii hihiệệnn hhữữuu ĐĐịịnhnh llýý Bayes:Bayes: p(p( ii || xx )=)= p(p( xx || ii )) p(p( ii )) // p(p( xx )) DoDo đđĩĩ đđiiềềuu kikiệệnn chchọọnn llớớpp chocho vectvectơơ xx trtrởở ththàànhnh p(x,i)p(x,i) p(i)p(i) >> p(x,j)p(x,j) p(j)p(j) ĐĐââyy llàà đđiiềềuu kikiệệnn ttíínhnh ttĩĩanan đđượượcc ttừừ trainingtraining datadata
Biệt thức của lớp (discriminant function) ĐĐặặtt Di(x)Di(x) == p(x,i)p(x,i) p(i)p(i) VVàà ggọọii llàà bibiệệtt ththứứcc (discriminant(discriminant function)function) ccủủaa llớớpp ii KhiKhi đđĩĩ đđiiềềuu kikiệệnn đđểể rara quyquyếếtt đđịịnhnh llàà xx thuthuộộcc llớớpp ii nnếếuu Di(x)Di(x) >> Dj(x)Dj(x) vvớớii mmọọii j i
Bayes và phân bố chuẩn GiGiảả thithiếếtt phphâânn bbốố ccủủaa ttấấtt ccảả ccáácc llớớpp đđềềuu llàà chuchuẩẩnn (normal)(normal) (x–µ ) 2 p(x|i)= 1 exp( – i ) 2 2 2 πσ 2 σi µi = meanof x for classi 2 σi = varianceof x for classi KhiKhi đđĩĩ bibiệệtt ththứứcc ccủủaa llớớpp ii llàà Di ( x) = ln [ p(x|i)p(i)] 2 1 1 2 (x–µi ) =ln[p(i)]– ln [ 2 π ]– ln [ σi ]– 2 2 2 2 σi
Phương pháp Parallepiped Các giá trị Minimum và Maximum của mỗi lớp được tính và dùng như ngưỡng phân lọai Ưu điểm: đơn giản, tính nhanh Nhược điểm: cĩ nhiều pixel sẽ khơng được xử lý
Phương pháp Minimum Distance
Phương pháp Minimum Distance VVớớii mmỗỗii llớớp,p, ttíínhnh vectvectơơ MeanMean ccủủaa llớớpp đđĩĩ,, coicoi nhnhưư ““ttââmm”” ccủủaa llớớpp TTíínhnh vvàà soso ssáánhnh ccáácc khkhỏỏangang ccááchch ttừừ đđiiểểmm đđangang xxéétt đđếếnn ccáácc ““ttââmm”” nnààyy
Phương pháp cây quyết định (Decision Tree) Hàm quyết định dựa và việc so sánh giá trị của điểm đang xét với các giá trị ngưỡng nào đĩ
Decision tree CCĩĩ ththểể kkếếtt hhợợpp vvớớii ccáácc ththơơngng tintin khkháácc (nh(nhưư ảảnhnh NDVI,NDVI, slope )slope ) ccủủaa ảảnhnh trongtrong phphâânn llớớpp CCấấuu trtrúúcc ccââyy nhnhịị phphâân,n, ttạạii mmỗỗii nodenode gigiáá trtrịị ccủủaa mmộộtt bibiểểuu ththứứcc ssẽẽ đđượượcc đđáánhnh gigiáá (Yes/No)(Yes/No) vvàà ccáácc pixelpixel đđượượcc phphâânn đđơơii theotheo bibiểểuu ththứứcc nnààyy TTạạii mmỗỗii nhnháánh,nh, ccĩĩ ththểể titiếếpp ttụụcc phphâânn chiachia hayhay ddừừngng llạạii nnếếuu ththấấyy đđãã đđạạtt đđượượcc titiêêuu chchíí phphâânn llọọaiai
Thực hành với decision tree DDùùngng ENVI.ENVI. ChuChuẩẩnn bbịị datasetdataset (ch(chẳẳngng hhạạn,n, landsatlandsat ETMETM bandsbands 123123 ++ NDVINDVI SSọọanan trtrướướcc mmộộtt ccââyy phphâânn llọọai,ai, vvíí ddụụ NDVI < 0.3 Y N b2 < 72 b2 < 72 NDVI < -0.1 Cl5 Cl1 Cl2 Cl3 Cl4
Các phương pháp khác NgNgịịaiai ra,ra, ccịịnn ccĩĩ mmộộtt ssốố phuphuơơngng phpháápp khkháácc Khỏang cách Mahalanobis Ánh xạ gĩc phổ (Spectral Angle Mapper) Mạng nơron (Neural network) Phân lớp theo cấu trúc bề mặt (texture) CCáácc phphươươngng phpháápp khkháácc nhaunhau hohoặặcc llàà dodo gigiảảii thuthuậậtt phphâânn llớớp,p, hohoặặcc llàà dodo hhààmm rara quyquyếếtt đđịịnhnh
Phần B: Phân lớp khơng giám sát DDùùngng trongtrong trtrườườngng hhợợpp ththơơngng tintin vvềề ccáácc llớớpp phphủủ llàà khkhơơngng đđầầyy đđủủ,, hohoặặcc ththậậmm chchíí khkhơơngng ccĩĩ CCáácc gigiảảii thuthuậậtt đđượượcc ssửử ddụụngng ccĩĩ ttêênn chungchung llàà clusteringclustering TrongTrong gigiảảii thuthuậậtt clustering,clustering, ccáácc llớớpp kkếếtt ququảả llàà khkhơơngng bibiếếtt trtrướước,c, vvàà ccĩĩ ththểể ccảả ssốố ccáácc llớớpp ccũũngng khkhơơngng bibiếếtt trtrướướcc
Thuật tĩan k-trung bình (k-means) GiGiảả thithiếếtt ssốố llớớpp llàà kk 1. ĐĐầầuu titiêên,n, chchọọnn rara kk vectvectơơ llààmm ttââmm (mean)(mean) chocho kk llớớpp khkhởởii đđầầuu 2. MMộộtt vectvectơơ pixelpixel ssẽẽ thuthuộộcc llớớpp mmàà khkhỏỏangang ccááchch (Euclide,(Euclide, chchẳẳngng hhạạn)n) ttừừ nnĩĩ đđếếnn ttââmm ccủủaa llớớpp llàà nhnhỏỏ nhnhấấtt (th(thựựcc hihiệệnn vvớớii ttấấtt ccảả ccáácc vectovecto trongtrong 11 llầầnn llặặp)p) 3. TTíínhnh llạạii ttââmm ccủủaa ccáácc llớớpp 4. NNếếuu ttấấtt ccảả ccáácc ttââmm gigiữữ nguynguyêên,n, thuthuậậtt ttĩĩanan ddừừng;ng; nnếếuu khkhơơngng quayquay llạạii bbướướcc 22
Thuật tĩan k-means Số lớp = 2 Số lần lặp = 4
K-means SauSau phphâânn llớớpp kk means,means, ccáácc llớớpp ccầầnn phphảảii đđượượcc xemxem xxéétt LLớớpp ccĩĩ ququáá íítt phphầầnn ttửử :: ccĩĩ ththểể bbỏỏ HaiHai llớớpp ccĩĩ đđặặcc trtrưưngng ggầầnn gigiốốngng nhau:nhau: ccĩĩ ththểể hhợợpp chchúúngng llạạii mmộộtt MMộộtt llớớpp nnààoo đđĩĩ ququáá llớớn:n: ccĩĩ ththểể chiachia nhnhỏỏ (b(bằằngng ccááchch chchỉỉ rara trtrướướcc ssốố standardstandard deviationdeviation chocho ccáácc kkêênhnh phphổổ))
Các tham số của thuật tĩan SSốố ccáácc llớớp:p: ngngườườii ddùùngng chchỉỉ đđịịnhnh trtrướướcc ssốố llớớpp mmàà thuthuậậtt ttĩĩanan phphảảii ttạạoo rara SSốố llầầnn llặặp:p: ssốố llầầnn ccààngng nhinhiềềuu ththìì phphâânn hhọọachach ccààngng ““chchỉỉnhnh”” hhơơn,n, nhnhưưngng ttốốnn ththờờii giangian hhơơnn (c(cầầnn phphảảii dungdung hhịịa)a) NgNgưỡưỡngng thaythay đđổổii llớớpp (change(change threshold,threshold, ththườườngng ttíínhnh bbằằngng %):%): ngngưỡưỡngng mmàà nnếếuu sausau mmộộtt llầầnn llặặpp nnààoo đđĩĩ,, ssốố phphầầnn trtrăămm pixelpixel thaythay đđổổii trongtrong ttấấtt ccảả ccáácc llớớpp khkhơơngng vvượượtt ququáá,, ththìì ngngừừngng ququáá trtrììnhnh llặặpp
Ví dụ về phân lớp k-means ảnh gốc K-mean (số lần lặp = 1)
Ví dụ về phân lớp k-means (tt) K-mean (số lần lặp = 3) K-mean (số lần lặp = 3 và ràng buộc 3 std)
Thuật tĩan ISODATA KhKháá mmềềmm ddẻẻo,o, ttựự nhinhiêên,n, khkhơơngng ccầầnn ccốố đđịịnhnh ssốố ccáácc llớớpp 1. PhPhâânn hhọọachach banban đđầầuu ccĩĩ mmỗỗii pixelpixel llàà mmộộtt llớớpp 2. LiLiêênn titiếếpp nhnhậậpp llạại,i, ttááchch rara ccáácc llớớpp bbằằngng ccááchch soso ssáánhnh khkhỏỏangang ccááchch gigiữữaa ccáácc ttââmm vvàà ccáácc ngngưỡưỡngng chocho trtrướướcc 3. QuQuáá trtrììnhnh ddừừngng khikhi phphâânn hhọọachach đđãã ththỏỏaa mmããnn ccáácc titiêêuu chchíí đđặặtt rara
Minh họa giải thuật ISODATA
Các tham số của thuật tĩan SSốố llầầnn llặặpp NgNgưỡưỡngng thaythay đđổổii llớớpp (change(change threshold,threshold, ththườườngng ttíínhnh bbằằngng VVàà mmộộtt ssốố thamtham ssốố khkháácc nhnhưư ssốố pixelpixel ttốốii thithiểểuu trongtrong mmộộtt llớớp,p, khkhỏỏangang ccááchch ttốốii thithiểểuu gigiữữaa ccáácc llớớp p (option)(option)
Ví dụ về phân lớp ISODATA
Nhận xét về phân lớp khơng giám sát PhPhâânn llớớpp khkhơơngng gigiáámm ssáátt ccĩĩ ththểể đđượượcc ddùùngng nhnhưư mmộộtt phphươươngng titiệệnn đđểể ssơơ bbộộ ttììmm hihiểểuu ssựự chiachia llớớpp ccủủaa mmộộtt vvùùngng ssắắpp khkhảảoo ssáátt PhPhâânn llớớpp khkhơơngng gigiáámm ssáátt ccịịnn ccĩĩ ứứngng ddụụngng trongtrong nhnhậậnn ddạạngng khkhơơngng ccĩĩ trainingtraining
ĐĐáánhnh gigiáá saisai ssốố ccủủaa phphéépp phphâânn llớớpp NgNgườườii tata ddùùngng confusionconfusion matrixmatrix (c(cịịnn ggọọii errorerror matrix)matrix) đđểể đđáánhnh gigiáá confusionconfusion matrixmatrix ddựựaa vvààoo ddữữ liliệệuu thamtham chichiếếuu (ground(ground truth,truth, referencedreferenced data)data) kkếếtt hhợợpp vvớớii ảảnhnh phphâânn llớớpp đđểể llậậpp matrmatrậậnn CCáácc ccộộtt ccủủaa matrmatrậậnn ththểể hihiệệnn ddữữ liliệệuu thamtham chichiếếu,u, ccịịnn ccáácc hhààngng ththểể hihiệệnn phphéépp phphâânn llớớpp áápp ddụụngng vvààoo ddữữ liliệệuu nnààyy đđểể ttíínhnh ttĩĩanan saisai ssốố
ĐĐáánhnh gigiáá saisai ssốố ccủủaa phphéépp phphâânn llớớpp CCáácc chchỉỉ titiêêuu ccĩĩ ththểể đđọọcc rara ttừừ confusionconfusion matrixmatrix OverallOverall errorerror KappaKappa coefficientcoefficient OmissionOmission errorerror CommissionCommission errorerror