CHƯƠNG III XỬ LÝ THÔNG TIN VIỄN THÁM
D. Các phương pháp biến đổi ảnh
Các phương pháp biến đổi ảnh nhằm tạo ra một tập dữ liệu mới có một số tính chất được nhấn mạnh và một số tính chất bị giảm đi.
- Các phép biến đổi số học
Giữa các kênh có thể thực hiện các phép biến đổi số học như cộng, trừ, nhân, chia nhằm tạo ra các kênh phổ mới. Trong các phép biến đổi thì phép chia hay được sử dụng nhất dưới thuật ngữ tỷ lệ kênh. Có hai nguyên nhân chính dẫn đến sử dụng phép biến đổi này.
- Có một số đặc trưng phản xạ của các đối tượng chỉ có thể nhận thấy bằng phép chia tỷ lệ kênh.
- Một số ảnh hưởng gây bởi địa hình có thể được giảm bớt bằng phép chia tỷ lệ kênh.
Phép chia tỷ lệ kênh đơn giản nhất được thực hiện bằng phép chia cường độ ánh sáng giữa các kênh của cùng một pixel ảnh và phép chia này phải thực hiện cho tất cả các pixel trong
ảnh. Sử dụng phép biến đổi số học giữa các kênh ảnh người ta có thể tính được chỉ số thực vật, hệ số chói phổ của đất. Ví dụ :
Band
Ảnh ⎯⎯⎯⎯ phục vụ giải đoán thực vật.
Band 5
Band 7
Ảnh ⎯⎯⎯⎯ làm rõ các đối tượng địa chất.
Band 4
Với chỉ số thực vật có thể được tính như sau :
GL 4 - GL 3
TVI = ( ⎯⎯⎯⎯⎯ + 0.5 )1/2 × 100 GL 4 - GL 3
Trong đó : TVI - Chỉ số thực vật
GLi - Cấp độ xám trên kênh i
Đối với việc đánh giá phân loại đất , người ta dùng công thức thực nghiệm sau:
TVI = {( 10.355GL7 - 0.149 GL5 )2 + ( 0.355GL5 + 0.852GL7 )2 }0.5
Một số biến đổi khác
- Phương phấp phân tích thành phần chính là một phép biến đổi ảnh trong đó người ta xoay các trục toạ độ sao cho thông tin được tập trung nhiều nhất vào ba thành phần đầu tiên.
Bằng cách này người ta hy vọng sẽ thể hiện được hầu hết các thông tin trên màn hình thông qua sự tổ hợp màu ba thành phần đầu. Tuy vậy không phải 100% thông tin được thể hiện, những thành phần sau tuy chứa rất ít thông tin nhưng nhiều khi lại là những thông tin rất quan trọng.
- Biến đổi Fourier cũng hay được sử dụng. Phép biến đổi này làm việc với từng kênh ảnh một. Mục đích của nó là chia một ảnh thành nhiều ảnh có chu kỳ tuần hoàn. Sử dụng thành phần biến đổi Fourier có thể nghiên cứu các cấu trúc ảnh, hiệu chỉnh vị trí giữa các kênh ảnh hoặc ảnh chụp cho một khu vực nhưng ở các thời điểm khác nhau.
G. Các phương pháp lọc ảnh
Các phương pháp lọc ảnh dùng để tăng cường hoặc giảm bớt một kiểu thông tin loại nào đó từ một ảnh nguyên thuỷ. Có hai phương pháp lọc ảnh cơ bản, đó là lọc ảnh tần số cao và lọc ảnh tần số thấp.
Phương pháp lọc ảnh tần số thấp cho những thành phần tần số thấp đi qua và chặn những thành phần có tần số cao lại. Lọc tần số thấp còn gọi là làm trơn ảnh. Toán tử sử dụng thường là trung bình cộng hoặc trung vị median.
Phương pháp lọc tần số cao cho những thành phần tần số cao qua và chặn lại những thành phần tần số thấp lại. Lọc tần số cao còn gọi là làm nét ảnh. Toán tử sử dụng có thể chia làm ba nhóm.
- Toán tử trừ, tức là ta lấy ảnh nguyên trừ đi ảnh sau lọc tần số thấp sẽ được ảnh tần số cao;
- Toán tử vi phân được sử dụng khi ta xét đến sự chênh lệch giữa cấp độ xám của các pixel bên cạnh nhau khi độ chênh lệch vượt qua một ngưỡng giới hạn cho trước thì pixel đó được cho qua, trong trường hợp ngược lại nó sẽ bị loại bỏ.
- Toán tử Laplacian và một số toán tử khác được thiết kế dựa trên các yêu cầu thực tế và các kết quả thực nghiệm. Ví dụ như toán tử Solel, Rolert...
Hình 3.17. ảnh IKONOS chụp trường Đại học Thủy lợi (Ảnh gốc và ảnh đã được nén lọc với lưới 18 x 18 để có độ sắc nét) 3.4.3 Phân loại ảnh
- Khái niệm
Trên các bức ảnh đa phổ (MSS hay TM) độ sáng phổ được ghi trên 4 băng (hay 6 băng) khác nhau. Mỗi pixel được đặc trưng bởi tín hiệu phổ riêng biệt ở các băng khác nhau. Phân loại đa phổ là quá trình chiết tách thông tin, xử lý và sắp xếp các pixel theo những tiêu chuẩn phân loại về đối tượng có dấu hiệu phổ tương tự rồi quy định thành các chỉ tiêu dựa trên các dấu hiệu tương tự đó.
Trong các phương pháp xử lý có nhiều thuật toán khác nhau như: phân loại theo khoảng cách gần nhất, phương pháp phân loại hình hộp, phương pháp phân loại theo “người láng giềng gần nhất ”,... các thuật toán đó được sử dụng để xây dựng các modul xử lý ảnh phân loại ảnh.
Quá trình phân loại được máy tính xử lý ảnh theo yêu cầu của người sử dụng. Yêu cầu của người sử dụng được đưa vào máy thông qua giai đoạn chọn tập mẫu. Sau khi người sử dụng chọn tập mẫu cho các đối tượng cần phân loại máy tính sẽ tự động phân loại và cho kết quả dưới dạng ảnh đã được phân loại. Có hai nhóm phương pháp phân loại cơ bản là phân loại không kiểm định (Unsupervised) và phân loại có kiểm định (Supervised).
Phân loại không kiểm định
Với phân loại này phổ phản xạ và độ sáng khác nhau của các nhóm pixel trên ảnh và thang độ xám các lớp được phân loại theo kinh nghiệm và được đặt tên một cách không có kiểm tra ngoài thực địa. Thông thường số lượng các lớp được phân chia trong phân loại không có kiểm định nhiều hơn so với phân loại có kiểm định. Sau khi đối chiếu so sánh kỹ, một số lớp gần nhau có thể được điều chỉnh và ghép vào cùng một lớp để cho phù hợp với thực tế.
Trong phân loại không kiểm định máy tính yêu cầu cung cấp thông tin về số lượng lớp cần phân loại, độ tập trung của mỗi lớp thông qua độ chênh lệch chuẩn, vị trí tương đối của các lớp trong không gian phổ... Sau đó máy tính sẽ tự động tìm và gộp các pixel lại theo yêu cầu của người sử dụng. Phân loại không kiểm định thường chỉ dùng để phân loại sơ bộ trước khi bước vào phân loại chính thức.
Hình 3.18. Ví dụ về phân loại không kiểm định - Phân loại có kiểm định
Phân loại có kiểm định được dùng để phân loại các đối tượng theo yêu cầu của người sử dụng. Trong quá trình phân loại máy tính sẽ yêu cầu một số kiến thức của người sử dụng về khu vực mình cần phân loại. Những kiến thức này có được trên cơ sở khảo sát thực địa, phân tích ảnh máy bay hoặc các tư liệu bản đồ chuyên đề. Các vùng thử nghiệm được lựa chọn và xác định rõ các đặc điểm ngoài tự nhiên của chúng gọi là ″ điểm chìa khoá ″. Trên các điểm chìa khoá các pixel được xác định rõ toạ độ trên ảnh và trên thực địa, bản chất của pixel đó cũng được xác định rõ đồng thời với khi thu nhận thông tin là đối tượng gì. Ví dụ lúa, hay mía, hay cà phê. Các điểm đó được kiểm tra cẩn thận và mô tả tỷ mỉ các đặc điểm ngoài tự nhiên như: loại cây trồng, thời kỳ sinh trưởng, độ che phủ, độ ẩm đất v.v..
Dựa vào đặc điểm các pixel ảnh đã được kiểm định ảnh được phân loại theo nguyên tắc tương tự, các lớp được phân ra và đặt tên rõ ràng. Có ba nhóm phân loại có kiểm định là phân loại hình hộp, phân loại đa tâm và phân loại có xác suất cực đại.
Tất cả các phương pháp phân loại đều yêu cầu chuẩn bị tập mẫu. Tập mẫu là một phương pháp thông tin của người phân tích cung cấp cho máy tính về đối tượng mình cần phân
loại. Vì vậy, vùng mẫu cần được chọn sao cho đảm bảo tính đại diện theo nguyên tắc xác suất thống kê cho đối tượng trên phạm vi toàn ảnh. Người sử dụng thông qua chế độ tương tác trực tiếp với máy sẽ vạch lên trên ảnh những vùng mẫu đại diện cho các đối tượng cần phân tích. Sau đó máy tính sẽ tính các chỉ số thông kê cho tập mẫu. Mỗi tập mẫu sẽ được xử lý sơ bộ và cho ra những chỉ số thống kê sau:
- Giá trị cực đại, cực tiểu cho từng kênh phổ;
- Histogram;
- Giá trị trung bình cộng cho từng kênh phổ;
- Ma trận phương sai, hiệp phương sai.
Hình 3.19. Ví dụ về phân loại có kiểm định
Sau khi chọn tập mẫu, cần tiến hành hiệu chỉnh tập mẫu vì không phải tập mẫu nào được chọn cũng đảm bảo đủ điều kiện đưa vào phân loại. Một tập mẫu đứng về quan điểm xác suất thống kê gọi là đủ tiêu chuẩn để có thể đưa vào phân loại nếu Histogram phân bố theo hình Gauss và phải đơn trị cực đại. Trong trường hợp tập mẫu đã chọn không đảm bảo đủ yêu cầu thì phải chọn lại hoặc hiệu chỉnh.
Để xác định xem một pixel “ m” có là thành viên của lớp I nào đó hay không, người ta hay sử dụng một đại lượng gọi là khoảng cách Mahalanobis, khoảng cách Mahalanobis được định nghĩa như sau:
d2m = ( xm -X )! S -1 ( xm - X)
Trong đó d2m - khoảng cách Mahalanobis cho pixel m;
xm - Vectơ phổ của pixel m;
X - Vectơ giá trị trung bình của lớp I;
S - Ma trận phương sai, hiệp phương sai.
Phương pháp phân loại dựa trên khoảng cách Mahalanobis được gọi là phương pháp xác suất cực đại. Phương pháp xác suất cực đại xuất phát từ phương pháp Bayes sau khi đã được Logarit hoá và sắp xếp cho phù hợp. Công thức của xác suất cực đại là :
P(x) = 2 π -0.5p S -0.5 exp [ -0.5 ( y,m S -1 ym ) ]
Trong đó ym = xm - X;
P(x) - Xác suất pixel m thuộc lớp I;
p - Xác suất tiền định của lớp I;
S - Ma trận phương sai, hiệp phương sai.
Quá trình tính toán sẽ lập cho tất cả các pixel và những pixel nào thoã mãn P(x) cực đại sẽ được gán vào chính lớp đó. Việc phân loại theo phương pháp này nói chung chính xác, nhưng khối lượng tính toán khá lớn, đặc biệt là các phép tính số thực.
Để giảm bớt khối lượng tính toán và cũng xấp xỉ phương pháp này, người ta không sử dụng khoảng cách Mahalanobis để đánh giá sự cách biệt về phổ nữa mà thay thế bằng khoảng cách Ơcơlit. Khoảng cách này được tính như sau:
d2o = ( xm - X ) 2
Việc thay thế khoảng cách Ơcơlit cho khoảng cách Mahalanobis dẫn đến phương pháp phân loại đa tâm. Trong nhiều trường hợp việc tính khoảng cách như vậy vẫn làm quá trình phân loại trở nên chậm, không thể thoã mãn yêu cầu tương tác người và máy nên người ta lại đơn giản tiếp và được một loại khoảng cách tính bằng độ lệch giữa các cực trị cấp độ xám. Việc thoả mãn điều kiện để cho pixel xm thuộc vào lớp I không còn là vấn đề xác suất thống kê nữa mà chỉ là phép so sánh đơn giản giữa Xmin , Xm và Xmax . Trong đó Xmin và Xmax là những vectơ chứa các giá trị cực đại và cực tiểu của vùng mẫu đã chọn. Việc phân loại theo cách như vậy gọi là phân loại hình hộp, bởi vì trong khi không gian giới hạn bởi khoảng cách Mahalanobis là hình elipsoid, khoảng cách Ơcơlit là hình cầu thì trong phương pháp cuối lại là hình hộp đa diện có các mặt đối diện song song với nhau.
Sau khi phân loại ảnh thường phải tiến hành một số xử lý khác nữa, trong đó bao gồm làm trơn ảnh, tính diện tích, nhập các lớp và in ảnh. Các công đoạn xử lý này được xếp vào các chức năng sau phân loại ảnh (Postclassification ).
- Tạo ảnh trên cơ sở thay đổi sự điều tra
Phương phấp này cung cấp thông tin trên cơ sở thay đổi theo mùa và theo những thay đổi khác trước hết là ghi hình ảnh ở thời điểm có kiểm tra (kiểm định) chắc chắn ngoài thực địa, sau đó ghi hình ảnh ở thời gian trước hoặc sau. Sự thay đổi được xác định và xử lý như:
- Thay đổi âm : được gắn màu đen, - Thay đổi dương : được gắn màu trắng,
- Không thay đổi : được tôn màu trung gian, ranh giới sự thay đổi đó được chấm và xác định rõ ràng trên ảnh.
3.5. Một số tính năng của các kênh phổ
Để giúp cho việc đọc ảnh đặc biệt là ảnh Landsat phục vụ cho các lĩnh vực nghiên cứu khác nhau sau đây chúng ta xem xét một số tính năng chính cuả từng băng phổ. Tuy nhiên cần chú ý là khi đọc và phân tích ảnh cần sử dụng phối hợp các băng tuỳ theo từng mục đích khác nhau.
Băng MSS-4 ( 0.5-0.6 μm)
Kênh này làm việc trước hết trong màu xanh da trời (blue) và xanh lá cây (green) cho ta thông tin chính xác về vùng có nước trong, các vùng đất canh tác, phục vụ tốt cho nghiên cứu biển và địa mạo duyên hải , đồng thời cũng rất bổ ích cho việc thành lập các bản đồ truyền thống. Trên băng MSS-4 cũng cho phép phát hiện các hệ thống đường sá và các công trình dân dụng lớn, sự chi tiết của việc tiến triển các vùng đô thị, các khu công nghiệp hay các khu dân cư lớn.
Băng này còn có thể sử dụng vào việc nghiên cứu quá trình tích tụ trầm tích do nước, các vùng nước nông, các vỉa quặng. Phát hiện các đối tượng dưới nước và các dòng nước bị nhiễm bẩn.
Dùng băng MSS-4 kết hợp với băng MSS-5 cho phép phân tích và kết luận chính xác về sự phân bố đất bồi ở các dòng sông.
Băng MSS-5 ( 0.6-0.7 μm)
Băng này làm việc trước hết ở vùng da cam và đỏ cung cấp cho ta một thông tin thực giống như các nhũ tương pantoromatic. Băng này được sử dụng đặc biệt cho việc nhận biết thực vật và đất canh tác, phân loại rừng.
Như đã biết chất diệp lục trong lá cây hấp thụ rất cao với bước sóng 0.64 μm cho nên băng MSS-5 rất thích hợp cho việc nhận biết các thực vật, mức độ đậm nhạt ở trên ảnh xuất hiện tương ứng với độ dày và điều kiện tự nhiên của lớp phủ thực vật.
Trước hết có thể sử dụng băng 5 để nghiên cứu sự thay đổi theo mùa của lớp phủ thực vật, để phân biệt các loại rừng thường xanh và rụng lá theo mùa trong tháng 2,3 hàng năm cho kết quả tốt nhất, vì thời gian này số phần trăm các cây rụng lá cao nhất, do đó rất dễ phân biệt hai loại này. Rừng thường xanh thì thể hiện rõ nhất trong mùa mưa. Vào mùa khô có thể phân biệt tốt nhất rừng đã khai hoang và rừng trồng.
Trên băng MSS-5 có một đặc trưng nổi bật là gam màu xám rất rộng, từ sáng tới tối sẫm, độ đậm nhạt này tương ứng với các giai đoạn khác nhau của sự giảm giá trị của rừng, với mức độ phát triển của rừng cây thứ sinh và quy mô của các vùng canh tác.
Có thể nêu các ví dụ sau:
+ Màu xám - đất trồng trọt;
+ Xám sáng - vùng canh tác mạnh và vùng phát quang;
+ Xẫm hơn - Vùng phát quang có cây cối phủ rậm hơn ít nhiều hoặc các dạng rừng thứ sinh còn giữ nguyên;
+ Màu trắng tinh - đất trồng và cồn cát;
+ Trắng - ruộng lúa;
+ Đen kịt - nước;
+ Đen đậm - rừng rậm;
+ Đen nhạt - rừng thưa.
Những vết rải rác tương đối sáng là những vùng đất giao tiếp giữa rừng và đồng cỏ.
Căn cứ trên ảnh thuộc băng 5 có thể khoanh các vùng rừng rậm, vùng canh tác nông nghiệp, vùng đầm lầy, có thể lập các bản đồ về địa thực vật.
Việc xác định phân loại thực vật còn cho nhiều ứng dụng khác như chỉ ra chiều sâu phân bố, thế nằm và tính chất của nước dưới đất.
Băng MSS-6 ( 0.7-0.8 μm)
Kênh này làm việc trong vùng đỏ-gần hồng ngoại. Trên băng này ghi lại phần lớn các thông tin ở trên băng 4 và 5 có liên quan đến thực vật. Dải với vùng rừng rậm nó ghi lại tốt hơn các kênh trên vào mùa đông và mùa hè. Đôi khi có khả năng phân biệt loại có nhựa.
Trên băng này còn có thể phân biệt ranh giới giữa đất và nước, chúng thường được sử dụng để đo vẽ mạng lưới sông ngòi, đường bờ của sông và biển. Định rõ ranh giới phát triển các lớp phủ thực vật và độ rậm rạp của nó, đồng thời đánh giá độ ẩm tương đối và mức độ muối hoá thổ nhưỡng.
Băng MSS-7 ( 0.8-1.1 μm)
Kênh này gần với nhũ tương hồng ngoại cổ điển ( hồng ngoại gần ) cho phép phân biệt các vùng khô cháy trơ trụi cũng như các hình thái thủy văn. Phân biệt các yếu tố chính xác trên bản đồ mạng lưới thủy văn, vùng nước ao hồ, sông và các khuỷu sông, kênh, các trung tâm đô thị và ngoại ô; Trên băng này phân biệt rõ các bãi đất ngập nước.
Băng này còn có thể phân biệt được những biến đổi của rừng nhờ việc nhận được các địa hình phân cất giữa hai thung lũng.
Nếu như băng 5 được đặc biệt dùng vào việc nhận biêt thực vật thì băng MSS-7 được dùng đặc biệt cho địa chất. Trước hết nó có thể nhận biết được các loại nham thạch, các thạch hệ đá... có thể dự đoán được các hiện tượng uốn nếp bối tà, hướng tà... các vết gãy sắc cạnh của đá vôi, vết gãy tương đối nhẵn của đá sa thạch, hoặc vùng hơi gợn sóng của đá phiến thạch...có thể xác định các hệ thống đứt gãy, các hệ thộng lineamen từ đó có thể vẽ được các hình thái kiến tạo.
Trên đây chỉ nêu những đặc trưng chủ yếu của từng băng phổ, nếu được sử dụng tổng hợp các băng với nhau thì lượng thông tin thu được sẽ phong phú hơn nhiều.
3.6 Hệ thống xử lý ảnh số
Một hệ thống xử lý ảnh số bao gồm các bộ phận sau:
a. Hệ thống xử lý trung tâm - ổ băng từ (Tape drives), - ổ đĩa (disk drives),
- Máy tính (host computer),
- Bộ phận xử lý ảnh (image prossesing unit).
b. Hệ xử lý ảnh
- Bàn điều khiển với màn hình màu hoặc trắng đen, - Con chạy điều khiển (cursor control)