Tải bản đầy đủ
Phân loại ảnh viễn thám.

Phân loại ảnh viễn thám.

Tải bản đầy đủ

điều chỉnh trong quá trình lặp nên phương pháp cho kết quả đáng tin cậy, không phụ
thuộc vào việc lựa chọn các tâm ban đầu và trình tự xét các điểm ảnh nhưng đòi hỏi
người phân loại phải tự xác định trước số lượng các lớp phổ trên ảnh (việc này tương
đối khó nhưng cũng có thể khắc phục được bằng kiến thức chuyên gia khi tổ hợp các
kênh phổ lại với nhau) .
+ Thuật toán ISO- Data(Interactive self- Organizing Data Analysis): đây là một
cách phân loại cải biên của phân loại K-Mean,nhằm khắc phục những nhược điểm của
phương pháp K-Mean bằng cách sau mỗi lần lặp tiến hành kiểm tra để gộp nhóm, loại
bỏ hay tách lớp khi cần, nhờ đó tự điều chỉnh được số lớp trong kết quả phân loại .
Phương pháp phân loại không kiểm định giúp chúng ta phát hiện các lớp phổ
trên ảnh từ đó phục vụ cho việc phân loại có kiểm định hoặc trợ giúp phân loại đối
tượng ở những nơi khó tiếp cận như khu vực xảy ra thiên tai, những vùng xa xôi chưa
có điều kiện khảo sát.
*Phương pháp phân loại có kiểm định.
Khác với phương pháp phân loại không kiểm định, phương pháp phân loại có
kiểm định là phương pháp phân loại do người phân loại chọn ra các nhóm đối tượng
làm mẫu phân loại (các vùng mẫu). Trên cơ sở các vùng mẫu này,các Pixel trong toàn
ảnh sẽ được sắp xếp theo những nguyên tắc nhất định để đưa về nhóm đối tượng đã
được đặt tên phân loại (các lớp chuyên đề). Sự phân loại này dựa trên các hàm phân
tách, tùy từng trường hợp mà các hàm phân tách này khác nhau.
Một số thuật toán phân loại có kiểm định thường sử dụng là:
- Phương pháp phân loại xác suất cực đại- Maximum Likelihood
Phương pháp này hoạt động theo nguyên tắc: sau khi xác định được hàm phân
bố mật độ xác suất của mỗi lớp, đối với mỗi điểm ảnh tính xác suất mà nó có thể thuộc
vào từng lớp và phân loại về lớp có xác suất cao nhất.
Nếu coi sai số phân loại nhầm một điểm ảnh thuộc lớp này vào lớp khác, cần
lập một ma trận gồm các phần tử xác định mức độ nghiêm trọng của việc phân loại
nhầm giữ mỗi cặp lớp, chúng có thể hiểu là mức thiệt hại hay mức phạt. Trong trường
hợp này hàm phân tách được xây dựng dựa trên giá trị kỳ vọng của mức thiệt hại mà ta
sẽ phải đón nhận khi phân loại điểm ảnh về mỗi lớp và điểm ảnh sẽ được phân loại về

55

lớp tương ứng với mức thiệt hại nhỏ nhất. Ở dạng thuật toán này gọi là thuật toán
Bayes.
Trong cả hai trường hợp, có thể kiểm soát quá trình phân loại bằng việc đưa vào
các giá trị ngưỡng và sẽ chỉ tiến hành phân loại đối với các điểm ảnh có xác suất để nó
thuộc về lớp dự kiến phân loại cao hơn (hay mức thiệt hại nhỏ hơn )giá trị ngưỡng này.
Maximum Likelihood hoạt động trên nguyên tắc chặt chẽ nên cho kết quả phân loại
đáng tin cậy với điều kiện hệ thống phân loại phải thích hợp (mỗi lớp đều phải phân bố
chuẩn) và số liệu mẫu phải đại diện, cho phép xác định đúng hàm mật độ phân bố xác
suất của mỗi lớp .
Nếu khoảng cách phân bố của các lớp cần phân loại không tách bạch mà có sự
chồng phủ nhất định giữa các lớp thì trong trường hợp này khó tránh khỏi sự nhầm lẫn
trong kết quả phân loại .
Trong thực tế sẽ hợp lý hơn nếu ta chỉ phân loại các điểm ảnh khi biết chắc
chắn hoặc ít nhất thì cũng với mức độ tin cậy nào đấy. Còn đối với các điểm ảnh mà
xác suất để nó thuộc vào mỗi lớp khá thấp, sẽ được đánh dấu chúng vào lớp không
phân loại, để sau đó xác định chúng bằng phương pháp khác. Chẳng hạn thông qua
giải đoán bằng mắt hay các tài liệu điều tra thực địa. Ngoài ra, kỹ thuật này cũng có
thể được áp dụng trong trường hợp ta chỉ cần xác định trên ảnh một số đối tượng nhất
định. Các điểm ảnh không được phân loại có thể coi chúng thuộc về những đối tượng
mà ta không quan tâm. Để làm như vậy ở đây ta đưa ra một giá trị ngưỡng và sẽ chỉ
tiến hành phân loại đối với những điểm ảnh có xác suất để nó thuộc về lớp dự kiến
phân loại cao hơn giá trị ngưỡng này. Thông thường, các giá trị ngưỡng sẽ được xác
định không phải cho các giá trị xác suất mà cho hàm phân tách.
- Phương pháp khoảng cách tối thiểu (Minimum distance)
Phương pháp này thường được gọi là phương pháp người láng giềng gần nhất
(Nearest neigborhood). Đây là phương pháp tương đối đơn giản dựa vào thuần túy
việc so sánh khoảng cách từ điểm ảnh cần phân loại đến tâm các lớp trong không gian
phổ rồi gán điểm đó về lớp có tâm gần nó nhất.
Nhận xét:

56

- Tuy không sử dụng đến hàm phân bố xác suất nhưng trên nguyên lý hoạt động
phương pháp khoảng cách tối thiểu vẫn ngầm định rằng các lớp cần phân loại có phân
bố chuẩn.
- Ngoài ưu thể về tốc độ, phương pháp khoảng cách tối thiểu còn nên được thay
thể cho phương pháp xác suất cực đại trong trường hợp không xác định được đủ số
lượng các tập mẫu đại diện cho mỗi lớp.
- Cũng như phương pháp xác suất cực đại, phương pháp khoảng cách tối thiểu
cũng thường được sử dụng với các giá trị ngưỡng nhầm tránh không phân loại những
điểm ảnh nằm quá xa (trong không gian phổ) tâm của các lớp cần phân loại.
- Phương pháp phân loại Mahalanobis (phương pháp phân loại sử dụng khoảng cách
Mahalanobis)
Về thực chất đây là một biến thể của phương pháp xác suất cực đại. Đây là
trường hợp riêng của phương pháp xác suất cực đại khi các lớp có chung ma trận hiệp
biến. Trong thực tế, do ma trận hiệp biến của các lớp không thể hoàn toàn như nhau,
tùy từng chương trình mà ma trận hiệp biến có thể lấy ma trận trung bình của tất cả các
lớp hoặc ma trận hiệp biến của toàn ảnh.
Khác với phương pháp tối thiểu, phương pháp này không đặt giả thiếtlá ma trận
hiệp biến của các lớp là ma trận đường chéo, cũng như yêu cầu phương sai của mỗi
lớp phải nhue nhau trên tất cả các kênh nên tỏ ra hiện thực hơn. Tuy nhiên, vẫn sử
dụng ma trận hiệp biến trong hàm phân cách của mình, nên phương pháp này đòi hỏi
khắc khe hơn về tính chân thực của ma trận này. Do đó, đây có thể coi là giải pháp
trung gian giữa hai phương pháp xác suất tối đa và khoảng cách tối thiểu, và nên được
áp dụng khi giữa các kênh ảnh sử dụng sự khác biệt về độ phân giải bức xạ nhưng
không đủ điều kiện để áp dụng hiệu quả phương pháp xác suất cực đại.
-Phương pháp phân loại hình hộp - parallelepiped
Đây là phương pháp phân loại đơn giản nhất. Nó dựa trên các số liệu mẫu để
xác định khoảng phân bố của mỗi lớp trên từng kênh. Từ đó xác định miền phân bố
của chúng trong không gian phổ dưới dạng hình hộp.
Đối với phương pháp phân loại này là mặc dù thuật toán đơn giản, tốc độ xử lý
nhanh, những điểm ảnh được phân loại đều có độ tin cậy cao.

57

Nhược điểm của phương pháp này là số điểm ảnh không được phân loại lớn.
Nếu giữa các kênh ảnh có tương quan thì khả năng giao cắt giữa miền phân bố của các
lớp sẽ càng lớn. Để khắc phục điều này ảnh trước khi phân loại được biến đổi về dạng
các thành phần chính, để loại bỏ tương quan giữa các kênh ảnh.
b. Phương pháp phân loại định hướng đối tượng.
Phương pháp phân loại thống kê thường dẫn đến sự lẫn phổ, làm mất thông tin
và rất manh mún khi nghiên cứu ở khu vực ven đô. Mặc dù độ phân giải không gian
ngày càng tăng cho phép chúng ta nhận biết các đối tượng trên ảnh được rõ ràng hơn.
Nhưng một điều không mong muốn xảy ra là khi thực hiện các phép phân tích biến
động lấy các pixel làm cơ sở thì thấy có sự bất đồng về giá trị phổ của các pixel. Điều
này gây khó khăn lớn cho việc phân loại bằng các phương pháp thống kê dựa trên phổ
của pixel. Để khắc phục nhược điểm đó, phương pháp phân loại theo đối tượng đã sử
dụng các thông tin hữu ích khác có thể là chìa khoá cho khâu giải đoán như: cấu trúc,
các hình dạng chuẩn,…và đặc biệt là thông tin về ngữ cảnh của đối tượng đó do chính
các đối tượng ảnh tạo nên. Sự phản ảnh các đối tượng ảnh được xác định bằng tính
chất vật lý, hoá học của đối tượng và các đặc trưng của thế giới thực được chia làm 3
loại :
- Các đặc trưng thực : Là các đặc trưng về mặt vật lý của đối tượng. Đây là yếu
tố xác định về hình ảnh của đối tượng trên thực tế ( như màu sắc, cấu trúc, hình dạng)
và được thu nhận bởi bộ cảm biến của các thiết bị thu.
- Các đặc trưng quan hệ : Đây là những đặc trưng mô tả mối quan hệ địa lý giữa
các đối tượng với nhau hoặc với toàn cảnh xung quanh.
- Các đặc trưng về ngữ cảnh : Là đặc trưng mô tả mối quan hệ về ngữ nghĩa
giữa các đối tượng. Ví dụ, một khu trồng cây xanh xen với các vùng dân cư thì thường
đây sẽ nhận định là công viên khi xét mối quan hệ của nó với các vùng dân cư xung
quanh.
Phân loại định hướng đối tượng gắn liền với một sự mô tả có hệ thống và có
trật tự về các lớp đối tượng. Quá trình phân loại là đăng ký một số đối tượng vào
một lớp đối tượng nhất định dựa vào các mô tả mang tính chất định nghĩa của lớp
đối tượng đó. Do vậy, sự mô tả của một lớp là mô tả về những nét đặc thù hoặc các
điều kiện tạo nên lớp đó. Đối tượng sẽ được phân loại dựa theo những đặc trưng

58

chúng có hoặc không được phân loại khi so sánh các đặc trưng điều kiện trên. Kết
quả là mỗi đối tượng thuộc về một lớp nào đó hoặc không trong trường hợp không
được phân loại. Các lớp đối tượng này có liên hệ với nhau do đó bản thân mỗi đối
tượng không chỉ được biết trong một cách riêng biệt mà còn trong một ngữ cảnh
chung trong đó xác định mối liên hệ của nó với các lớp đối tượng trên và dưới nó.
Như vậy, các đối tượng ảnh thu được sau khâu phân đoạn ở dạng thô sơ đơn giản
nhất là cơ sở cho các bước phân loại và quá trình phân cấp tiếp theo.
Để thực hiện được quá trình này cần đạt được các mục tiêu sau:
- Thủ tục phân đoạn phải tạo ra những phần ảnh rõ ràng và riêng biệt.
- Với mỗi vấn đề nảy sinh trong quá trình phân tích ảnh liên quan đến kết cấu ở
một tỉ lệ không gian ảnh nhất định, kích thước trung bình của đối tượng ảnh phải thích
hợp với tỷ lệ mong muốn.
- Phần lớn các đặc trưng của đối tượng ảnh như tone ảnh, cấu trúc, hình dạng và
mối quan hệ với các vùng kế cận phải ít nhiều liên quan đến tỉ lệ. Chỉ có cấu trúc của
các tỉ lệ như nhau mới có thể so sánh hay có những đặc trưng như nhau.
- Thủ tục phân đoạn cần phổ biến và có khả năng áp dụng cho nhiều loại dữ liệu
khác nhau như ảnh hàng không, viễn thám, các dữ liệu chuyên đề khác nhau.
- Quá trình phân đoạn phải đạt được một tốc độ nhất định đáp ứng cho số lượng
thông tin ngày càng nhiều và phức tạp mà các dữ liệu đầu vào chứa đựng.
*** Đánh giá sai số của phép phân loại.
Việc phân loại chỉ được coi là hoàn chỉnh khi sự đánh giá về độ chính xác đạt
yêu cầu. Nguyên tắc đánh giá là so sánh giữa tài liệu thực tế và kết quả phân loại.
Phương pháp phổ biến trong đánh giá là thành lập ma trận. Ma trận này dựa trên cơ sở
so sánh giá trị sai số của từng lớp được phân loại với giá trị của lớp đó được kiểm tra
ngoài thực địa hoặc số liệu thống kê. Ma trận thành lập với số dòng và cột bằng nhau
và bằng số lớp được phân loại và kiểm tra.
Sau đó là sử dụng các chỉ tiêu để đánh giá sai số của phép phân loại. Các chỉ
tiêu này có thể lấy ra từ ma trận trên. Giá trị đúng nằm trên đường chéo của bảng ma
trận. Tất cả các giá trị khác nằm ngoài đường chéo này thể hiện độ sai số phân loại.

59

5. Kiểm chứng.
Dựa vào các tài liệu thống kê thu thập và kiểm chứng ở thực địa tiến hành kiểm
tra kết quả phân loại.
6. Kết quả phân loại.
Là bản đồ hiện trạng lớp phủ mặt đất của từng thời điểm. Hai bản đồ này được
chập lại tạo thành bản đồ biến động lớp phủ mặt đất của khu vực Từ Liêm. Để tạo
được bản đồ biến động từ ảnh việc phân loại phải thực hiện thực theo nguyên tắc: cùng
hệ thống phân loại và cùng phương pháp phân loại.

2.2.3.Thành lập bản đồ biến động và tính biến động lớp phủ mặt đất bằng GIS.
Ta tiến hành nhập dữ liệu ảnh vệ tinh đã phân loại của thời kỳ trước, và thời kỳ
sau đã được đồng nhất và chuyển sang dạng vector vào trong ArcGIS. Thực hiện phép
chồng phủ dữ liệu của hai ảnh để có kết quả biến động lớp phủ mặt đất.
Sau khi có ảnh biến động ta tiến hành tính toán giá trị biến động. Rút ra kết luận
về biến động.

CHƯƠNG III: ỨNG DỤNG PHƯƠNG PHÁP GIS VÀ VIỄN THÁM TRONG
NGHIÊN CỨU BIẾN ĐỘNG LỚP PHỦ MẶT ĐẤT HUYỆN KINH MÔN –
TỈNH HẢI DƯƠNG.
3.1. GIỚI THIỆU CHUNG HUYỆN KINH MÔN, TỈNH HẢI DƯƠNG.
3.1.1. Giới thiệu chung.
Kinh Môn là một huyện của tỉnh Hải Dương, giáp với Hải Phòng và Quảng Ninh,
một huyện tương đối đặc biệt so với các huyện khác của tỉnh vốn được mệnh danh là
tỉnh nông nghiệp. Một dãy núi đất trong hệ thống núi vòng cung Đông Triều làm
xương sống của cả huyện. Về núi non, Kinh Môn cảnh trí tương đối giống Chí Linh,
nhưng Kinh Môn còn đặc biệt là có những núi đá xanh rải rác, sông bao bọc, cánh
đồng rộng lớn. Trong các sách thường phân loại Kinh Môn là huyện bán sơn địa

60

Hình 3.1: Tượng đài Trần Hưng Đạo - Núi An Phụ - Kinh Môn

3.1.2. Vị trí địa lý.
Huyện Kinh Môn nằm ở phần lãnh thổ phía đông của tỉnh Hải Dương, phía bắc giáp
tỉnh Quảng ninh, phía đông giáp thành phố Hải Phòng, phía tây nam giáp huyện Kim
thành, phía tây bắc giáp huyện Nam sách và Chí linh của Tỉnh Hải Dương. Huyện nằm
kề bên 2 tuyến đường quốc lộ 5A và 18 là 2 tuyến giao thông quan trọng của quốc gia
và vùng trọng điểm kinh tế phía bắc. Huyện được bao bọc và chia cắt bởi 4 song lớn
(sông Kinh Môn, sông Kinh thầy, sông Đá vách, sông Hàn mấu).
Nhìn chung vị trí địa lý của huyện khá lý tưởng: cách Hà nội khoảng 80 km, nằm trong
vùng Kinh tế trọng điểm phía bắc, lại nằm kế bên 2 trung tâm kinh tế lớn là Quảng
ninh và Hải phòng, giao thông thuỷ bộ tương đối thuận lợi nên có điều kiện giao lưu
kinh tế với bên ngoài và đón nhận các cơ hội đầu tư.
+ Địa hình : Huyện có địa hình đồi núi xen kẽ đồng bằng, nhiều sông ngòi chia cắt nên
nơi cao, nơi thấp. Hiện còn khoảng 300 ha đất canh tác ven đồi thuộc địa hình cao và
700 ha đất ruộng trũng thường bị ngập úng vào mùa mưa
Địa hình như vậy cho phép huyện phát triển một nền kinh tế nông nghiệp hàng hoá đa
dạng, toàn diện.
+ Khí hậu - thuỷ văn : Hàng năm được chia làm 2 mùa rõ rệt : mùa khô từ tháng 11
61