Một số kỹ thuật nâng cao chất lượng ảnh viễn thám

Chương 2. CÁC KỸ THUẬT NÂNG CAO CHẤT LƯỢNG ẢNH VIỄN THÁM

2.2. Một số kỹ thuật nâng cao chất lượng ảnh viễn thám

Tiền xử lý ảnh viễn thám nhằm nâng cao chất lượng ảnh để giải đoán, thông thường bao gồm các thao tác như hiệu chỉnh bức xạ (radiometric, cosmetic), hiệu chỉnh hình học dữ liệu thu được từ đầu đo (sensor) của vệ tinh và tăng cường chất lượng ảnh (image enhancement) [1]. Một vài kỹ thuật hay được sử dụng trong tiền xử lý ảnh viễn thám được mô tả sau đây.

2.2.1. Hiệu chỉnh bức xạ

Hiệu chỉnh bức xạ là thực hiện hiệu chỉnh dữ liệu do sự bất bình thường của sensor và nhiễu do khí quyển. Khí quyển có ảnh hưởng lớn đến quá trình quét ảnh và truyền thông tin, nó gây nhiễu và làm sai lệch các thông tin thực tế.

Ví dụ, bóng mây và mặt nước có thể cho lại ảnh với giá trị độ sáng của mỗi tế bào (DN- Digital Number) có giá trị 0 ở băng 7 của ảnh Landsat. Với loại lỗi này, có thể hiệu chỉnh bằng lược đồ màu của từng băng, bộ lọc thông thấp hay xếp chồng ảnh kế tiếp. Nói chung, khí quyển là hệ thống động và cực kỳ phức tạp. Do vậy, ảnh hưởng giữa khí quyển và sóng điện từ không được mô tả chi tiết ở luận văn này.

Đường quét ảnh thiếu được hiệu chỉnh bằng nhiều phương pháp khác nhau. Ví dụ với một băng phổ của ảnh Landsat có 6 detector (mắt thần), mỗi thông tin cung cấp một hàng dữ liệu trong quá trình quét và truyền. Khi thông tin của một detector bị mất thì hàng ảnh đó trở thành đen, hay DN=0. Phương

pháp khôi phục đơn giản có thể là tính giá trị DN trung bình của hàng trên và hàng dưới sau đó gán giá trị nguyên cho hàng thiếu thông tin. Với trường hợp giá trị DN của một hàng nào đó trên ảnh có giá trị cao gấp hai lần giá trị trung bình làm dòng ảnh có màu trắng. Giải pháp có thể là xây dựng biểu đồ màu của sáu hàng trên ảnh. Sau đó tính giá trị trung bình trên đồ thị để gán giá trị cho dòng bị thiếu. Một phương pháp hiệu quả để khôi phục thông tin điểm ảnh là do Bernstein và cộng sự đề xuất. Giá trị điểm ảnh trong băng k được ước lượng như sau:

𝑣𝑖,𝑗,𝑘 = 𝑀 {𝑣𝑖,𝑗,𝑟 −𝑣𝑖,𝑗+1,𝑟 + 𝑣𝑖,𝑗−1,𝑟

2 } +𝑣𝑖,𝑗+1,𝑘 + 𝑣𝑖,𝑗−1,𝑘 2

trong đó, M là tỷ lệ giữa độ lệch chuẩn giá trị điểm ảnh trong băng k và độ lệch chuẩn giá trị điểm ảnh trong băng r tương quan.

2.2.2. Hiệu chỉnh hình học

Các lỗi hình học trên ảnh chụp từ vệ tinh xuất phát từ lỗi thiết bị, sự xoay của Trái đất, biến dạng của cảnh chụp... Ảnh viễn thám không phải là bản đồ.

Thông thường các thông tin trích chọn từ ảnh viễn thám được tích hợp với dữ liệu bản đồ trong GIS hay chúng được trình diễn dưới hình thức “tương tự” bản đồ. Do vậy, dữ liệu viễn thám phải được co dãn, chiếu..., hay nói cách khác là được hiệu chỉnh hình học sao cho phù hợp. Một số nhà nghiên cứu đã đề xuất mô hình hình học quĩ đạo cơ sở, chúng hình thành từ các tính chất quĩ đạo của vệ tinh. Mô hình cơ sở được thể hiện bởi các phương trình quan trắc cộng tuyến.

Các phương trình này mô tả tính chất quĩ đạo vệ tinh, hình học của sự quan sát và hệ thống tọa độ địa lý. Một số phương pháp hiệu chỉnh hệ thống tọa độ của ảnh viễn thám trước đây như của Landgrebe… đã sử dụng mô hình này với xấp xỉ tham số vệ tinh giả định để hình thành các ma trận biến đổi affine. Do vậy, phương pháp này không được áp dụng trong thực tế. Mô hình phân tích đầy đủ hơn được hình thành có tính đến nhiều tham số thực như sự dao động về kinh

vĩ độ của hệ thống thiết bị,… Phương pháp biến đổi trên cơ sở các điểm điều khiển mặt đất (những điểm biết chính xác vị trí của chúng trên bản đồ và trên ảnh) được áp dụng để phát triển phần mềm xử lý ảnh viễn thám cũng như trong GIS. Từ sự khác biệt giữa sự phân bổ tập điểm trên ảnh và phân bổ các điểm này trên bản đồ, sự biến dạng của ảnh có thể được ước lượng. Tiến trình hiệu chỉnh hình học thường được sử dụng là trên cơ sở kỹ thuật “tấm cao su - rubber sheeting” như mô tả trong [1]. Giả sử (x, y) là hệ trục tọa độ của bản đồ, (c, r) là hệ trục tọa độ ảnh, ta phải thực hiện phép biến đổi 𝑇(𝑐, 𝑟) → (𝑥, 𝑦). Giải pháp được sử dụng là phải xác định cặp hàm tham số sau:

𝑥 = ∑ ∑ 𝑎𝑖𝑗𝑃𝑖(𝑐)𝑃𝑗(𝑟)

𝑁

𝑗=0 𝑁

𝑖=0

𝑦 = ∑ ∑ 𝑏𝑖𝑗𝑃𝑖(𝑐)𝑃𝑗(𝑟)

𝑁

𝑗=0 𝑁

𝑖=0

trong đó, P là đa thức Chebychev, các tham số aij và bij cần được ước lượng bằng kỹ thuật nào đó.

Phương pháp nắn chỉnh hình học biến đổi sáu tham số của W. H.

Sprinsky với hệ phương trình như sau thường được sử dụng:

trong đó, β2 và β5 thể hiện phép tịnh tiến từ gốc tọa độ, β0, β1, β3 và β4 thể hiện các phép biến đổi như xoay, co dãn.

Các hệ số βi với i=0…5 được ước lượng bằng phương pháp hồi qui bình phương tối thiểu (RMS) trên cơ sở các điểm điều khiển do người sử dụng lựa chọn. Lỗi bình phương tối thiểu (RMS error) theo hướng x được tính như sau:

𝑚𝑥 = √1

𝑛∑ 𝛿𝑥𝑖2

𝑛

𝑖=1

5 4

3

2 1

0

























y x

r

y x

c

Tính tương tự cho hướng y là my. Sau đó, giá trị lỗi RMS tổng thể là:

𝑚𝑡𝑜𝑡𝑎𝑙 = √𝑚𝑥2 + 𝑚𝑦2

Trong một số trường hợp, hiệu chỉnh hình học bởi đa thức bậc nhất là đáp ứng yêu cầu người sử dụng. Tổng quát, có thể sử dụng đa thức bậc 2, 3 hoặc cao hơn để hiệu chỉnh. Tuy nhiên việc ước lượng các tham số cho các đa thức bậc cao là khá phức tạp.

2.2.3. Nâng cao chất lượng ảnh viễn thám

Nâng cao chất lượng ảnh viễn thám là nhằm mục đích hiển thị ảnh rõ hơn, hỗ trợ hiệu quả hơn đối với việc diễn giải và phân tích trực quan hay tự động. Các vấn đề đã được các nhà khoa học nghiên cứu nhiều bao gồm tăng cường sự tương phản và lọc không gian nhằm làm rõ hơn (hoặc loại bỏ) mẫu không gian cụ thể nào đó trong ảnh. Thông tin chứa trong ảnh được biểu diễn bởi mô hình sau đây:

Dữ liệu ảnh = Mẫu vùng + Mẫu địa phương + Nhiễu

= Nền + Tiền cảnh (chi tiết) + Nhiễu

= Các tần số thấp + Các tần số cao + Nhiễu

Có hai loại nhiễu chính là nhiễu ngẫu nhiên và nhiễu theo chu kỳ. Ví dụ nhiễu ngẫu nhiên là nhiễu đốm trong ảnh viễn thám. Nhiễu chu kỳ xảy ra do nhiều yếu tố khác nhau như sinh ra từ máy scanner cơ điện, sự dao động của động cơ tàu vũ trụ... Bộ lọc số được áp dụng để tách các thành phần không gian cụ thể ra khỏi ảnh số.

Lọc ảnh viễn thám có thể thực hiện trên từng kênh ảnh hay với nhiều kênh ảnh đồng thời. Có ba nhóm chính là lọc tăng độ tương phản, lọc làm mịn ảnh (lọc nhiễu) và lọc làm nổi biên ảnh. Nhiễu ảnh được coi như sự đột biến của một vài điểm ảnh. Trong không gian tần số thì nhiễu tương ứng với các thành phần tần số cao. Cơ sở lý thuyết của kỹ thuật lọc số là dựa trên tính dư

thừa thông tin không gian: các pixel lân cận có thể có cùng hoặc gần cùng một số đặc tính.

Kỹ thuật lọc ảnh thường sử dụng ma trận nxn phần tử, gọi là ma trận trọng số hay kernel hay mặt nạ làm cửa sổ lọc để di chuyển trên toàn bộ ảnh gốc. Trong đó, n có giá trị từ 3 đến 9 và giá trị trọng số phụ thuộc vào phép lọc cụ thể. Ma trận lọc sẽ được áp dụng cho toàn bộ ảnh theo nguyên tắc cửa sổ trượt để tạo ra ảnh mới. Hình 2.4 mô tả thao tác lọc miền không gian.

Hình 2.4. Lọc ảnh số trong miền không gian

Giá trị điểm ảnh của ảnh mới được tính toán như sau:

 















 i n

n i k

n j

n j l j

i f k l h i k j l

y, ( , ) ( , )

trong đó, f - ma trận ảnh đầu vào

h – toán tử lọc

n – kích thước ma trận lọc i,j – tọa độ điểm ảnh

Công thức trên là tích chập (Convolution) giữa ảnh gốc f và mặt nạ h.

Nếu ma trận ảnh có chiều là m1 x n1, kernel có chiều là m2 x n2 thì chiều của ma trận tích chập sẽ là (m1 + m2 - 1) x (n1 + n2 - 1) và giá trị tại mổi phần tử được tính bằng cách quét toàn bộ, tuần tự từng điểm của ma trận Kernel lên từng điểm trên ma trận ma trận ảnh, sau đó tính tổng tính các cặp điểm tương

ứng, trong quá trình quét có những điểm trên Kernel nằm ngoài ma trận khi đó tích của nó bằng 0. Ví dụ tích chập như trên hình 2.5.

Một số mặt nạ hay sử dụng cho lọc tuyến tính là:

ℎ1 = 1 9|

1 1 1

1 1 1

1 1 1

| ℎ2 = 1 10|

1 1 1

1 2 1

1 1 1

| ℎ3 = 1 16|

1 2 1 2 4 2 1 2 1

|

Hình 2.5. Ví dụ tích chập 2.2.4. Tăng cường sự tương phản

Sensor vệ tinh có khả năng thu nhận bức xạ với mức phản xạ từ rất thấp (ví dụ bề mặt đại dương) đến mức cao (ví dụ mặt đất phủ bởi tuyết hoặc băng).

Tuy nhiên thực tế, nhiều vùng ảnh chụp bằng sensor bị mờ, thiếu tương phản hay quá sáng, chúng cần được hiệu chỉnh.

Hình 2.6. Dãn tuyến tính lược đồ màu

Mức độ tương phản giữa vùng tối và vùng sáng của ảnh được nâng cao bằng nhiều kỹ thuật khác nhau như tăng cường bằng dãn lược đồ tuyến tính,

dãn lược đồ đa tuyến tính, hàm cân bằng lược đồ màu, bảng tra cứu màu giả (pseudo-color), hay Gauss... Trên hình 2.6 là lược đồ đa cấp xám của ảnh trước và sau khi dãn tuyến tínhDãn tuyến tính lược đồ đa cấp xám được tính toán theo công thức dưới đây:

k k

k

k in

out BV quant

BV 



 







 

min max

min

trong đó, BVin là giá trị độ chói điểm ảnh vào

quantk là dải giá trị mức chói có thể hiển thị (255) mink là giá trị cực tiểu trong ảnh

maxk là giá trị cực đại của ảnh

BVout là giá trị mức chói điểm ảnh kết quả.

Phương pháp dãn đa tuyến tính là thực hiện dãn riêng biệt từng khoảng của mức độ xám của ảnh gốc.

Phương pháp Gauss thực hiện điều chỉnh lược đồ các giá trị điểm ảnh quan sát vào lược đồ chuẩn hay lược đồ Gauss. Với phân bố chuẩn, xác xuất quan sát giá trị x cho bởi giá trị trung bình 𝑥̅ được định nghĩa như sau:

𝑝(𝑥) = 1

𝜎√2𝜋𝑒−(𝑥−𝑥2𝜎2̅)2

trong đó, 𝜎 là độ lệch tiêu chuẩn, được xác định khi hàm p(x) giảm xuống còn 0.607 của giá trị cực đại. Bộ lọc Gauss gồm tích chập của ảnh đầu vào I với mặt nạ Gauss G(x,y,𝜎). Kỹ thuật này có thể áp dụng cho ảnh đa mức xám và các kênh riêng lẻ R, G, B của ảnh màu. Ưu điểm của bộ lọc này là dễ cài đặt và cho lại ảnh chất lượng khá cao. Mặt nạ hay được sử dụng cho phương pháp này có kích thước 5x5 hay 7x7. Ví dụ với mặt nạ kích thước 5x5 như sau:

1 2 3 1 1

2 7 11 7 2

3 11 17 11 3

2 7 11 7 2

1 2 3 2 1

121 1

Giãn ảnh theo hàm logarit được thực hiện khi áp dụng hàm logarit cho biểu đồ đa mức xám. Nó đặc biệt có hữu ích khi người sử dụng quan tâm đến vùng có giá trị mức xám thấp. Ví dụ ảnh kết quả lọc Gauss (hình 2.7).

Hình 2.7. Tăng cường tương phản bằng phương pháp Gauss

2.2.5. Lọc không gian

Sử dụng lọc không gian như áp dụng lọc thông thấp, lọc thông cao hay lọc trung bình... để làm giảm nhiễu ảnh hay tách cạnh ảnh. Trên cơ sở tính chất của ảnh là các pixel lân cận có cùng hoặc gần cùng một số đặc tính. Vậy, nhiễu được xem như sự dịch chuyển nhanh của tín hiệu trong miền quan sát và tương ứng với thành phần tần số cao trong miền biến đổi. Ta có thể loại bỏ nhiễu bằng các bộ lọc như lọc trung bình, lọc trung vị, lọc thích nghi,... trong miền quan sát, hay loại bỏ thành phần tần số cao trong miền biến đổi (miền tần số). Trên cơ sở các phép biến đổi như Fourier, Karhuman-Loeve, DCT, DWT, Walsh- Hadamard... các bộ lọc như Butterworth hay đồng hình được xây dựng để lọc nhiễu. Với kỹ thuật lọc nhiễu bằng phép biến đổi DWT, ta có thể tách dãy dữ liệu 1D thành các tập con các hệ số chi tiết ở các mức n/2, n/4... Trong khi DFT thực hiện tách một tín hiệu bất kỳ thành tập vô hạn các hàm sin điều hòa thì DWT hình thành tập sóng nhỏ thông qua co dãn tín hiệu và dịch chuyển theo thời gian một hàm đơn (hàm cơ sở) chọn trước. Theo [1] thì sự thay đổi của nhiễu trắng có phân bố Gauss với trung bình 0 được ước lượng từ các hệ số của

phép biến đổi DWT này. Vậy, có thể tính được giá trị ngưỡng từ biến đổi nhiễu để xây dựng bộ lọc nhiễu ảnh.

2.2.6. Lọc trung vị

Lọc trung vị (median filter) còn gọi là bộ lọc Tuckey, là một kĩ thuật lọc phi tuyến (non-linear), nó khá hiệu quả đối với hai loại nhiễu: nhiễu đốm (speckle noise) và nhiễu muối tiêu (salt-pepper noise) và bảo toàn biên ảnh.

Lọc phi tuyến xem một điểm ảnh kết quả không phải là tổ hợp tuyến tính của các điểm lân cận. Khái niệm trung vị được định nghĩa như sau:

Cho dãy ký hiệu x1; x2...; xn đơn điệu tăng (giảm), trung vị Median(xn) của dãy ký hiệu là:

+  1 2

x n , nếu n lẻ

+   2

x n hoặc 

 1 2

x n , nếu n chẵn Sau đây là các bước thực hiện lọc trung vị:

Bước 1: Tìm điểm ảnh bị lỗi trong ảnh để xử lý

Bước 2: Chọn kích thước của cửa sổ (mặt nạ là một ma trận).

Bước 3: Sắp xếp các pixel (kể cả pixel bị lỗi ) theo dãy có thứ tự tăng (giảm) dần

Bước 4: Thay pixel bị lỗi bằng giá trị giữa của dãy vừa tính được Bước 5: Dịch cửa sổ sang cột (hàng kế tiếp).

Bước 6: Lặp lại bước 3.

Kĩ thuật này được sử dụng rất phổ biến trong xử lý ảnh và áp dựng hiệu quả đối với ảnh vệ tinh.

2.2.7. Biến đổi ảnh

Biến đổi ảnh viễn thám tương tự như nâng cao chất lượng ảnh. Trong khi chức năng nâng cao chất lượng ảnh làm việc chủ yếu với một kênh phổ thì biến đổi ảnh viễn thám thường làm việc đồng thời với nhiều kênh phổ. Sử dụng các

phép toán số học trên các kênh phổ để tạo ra dữ liệu “mới” với khả năng hiển thị rõ hơn các đặc trưng trong một cảnh. Các vấn đề chính được nghiên cứu ở đây bao gồm căn chỉnh tỷ lệ phổ và phân tích thành phần chính của ảnh. Nếu áp dụng các phép toán số học trên các kênh phổ ta có thể loại bỏ nhiễu. Ví dụ, nếu áp dụng các phép toán số học với các kênh cận hồng ngoại (NIR) và đỏ (R) để nghiên cứu các mẫu thảm thực vật, ta có thể tính toán các chỉ số khác biệt thực vật chuẩn hóa NDVI (Normal Different Vegetation Index)

𝑁𝐷𝑉𝐼 = 𝑁𝐼𝑅 − 𝑅 𝑁𝐼𝑅 + 𝑅

Hay bằng tính toán khác đã được đề xuất như tính toán chỉ số thực vật hiệu chỉnh OSAVI (Optimized Soil-Adjusted Vegetation Index)

𝑂𝑆𝐴𝑉𝐼 = 𝑁𝐼𝑅 − 𝑅 𝑁𝐼𝑅 + 𝑅 + 0.16

Chỉ số thực vật là thông tin quan trọng cho việc nghiên cứu chất diệp lục tố. Do vậy, nó được áp dụng vào việc nghiên cứu sinh khối của rừng, nông nghiệp hay hàm lượng tảo lục trong nước. Đặc trưng quan trọng của thực vật, khác với các đối tượng khác, là phản xạ mạnh với ánh sáng có bước sóng green (0,5-0,6𝜇𝑚). Do đó có sự khác biệt lớn giữa băng cận hồng ngoại và băng Green.

Bảng 2.1 dưới đây là một số công thức tính chỉ số thực vật được sử dụng [1].

Bảng 2.1. Bảng tính chỉ số thực vật

Chỉ số Công thức tính Nguồn gốc

NDVI (Chỉ số khác biệt thực vật)

𝑁𝐷𝑉𝐼 =𝑁𝐼𝑅 − 𝑅𝐸𝐷 𝑁𝐼𝑅 + 𝑅𝐸𝐷

Rouse et.al.

(1973)

RVI (Chỉ số thực vật) 𝑅𝑉𝐼 = 𝑁𝐼𝑅 𝑅𝐸𝐷

Jordan (1969) SAVI (Chỉ số đất có

điều chỉnh bởi thực vật)

𝑆𝐴𝑉𝐼 = 𝑁𝐼𝑅 − 𝑅𝐸𝐷

𝑁𝐼𝑅 + 𝑅𝐸𝐷 + 𝐿(1 + 𝐿) Huete (1988)

TSAVI (Chỉ số chuyển đổi có điều chỉnh bởi thực vật)

𝑇𝑆𝐴𝑉𝐼 = 𝑎(𝑁𝐼𝑅 − 𝑎𝑅𝐸𝐷 − 𝑏) (𝑅𝐸𝐷 + 𝑎𝑁𝐼𝑅 − 𝑎𝑏)

Baret et al.

(1989)

SAVI2 (Chỉ số đất có điều chỉnh bởi thực vật)

𝑆𝐴𝑉𝐼 = 𝑁𝐼𝑅 𝑅𝐸𝐷 + 𝑏/𝑎

Maior et al.

(1990)

PVI (Chỉ số thực vật vuông góc)

𝑃𝑉𝐼 = 𝑁𝐼𝑅 − 𝑎𝑅𝐸𝐷 − 𝑏

√1 + 𝑎2

Richarson, Wiegand (1977) DVI (Chỉ số điều chỉnh

thực vật)

DVI=NIR-RED Turker (1979)

Đối với ảnh MSS thì VI=B5/B7 Đối với ảnh TM thì VI=B3/B4

Khi tính giá trị khác biệt chỉ số thực vật theo công thức 𝑁𝐷𝑉𝐼 = 𝑁𝐼𝑅 − 𝑅

𝑁𝐼𝑅 + 𝑅 =𝐵7 − 𝐵5 𝐵7 + 𝐵5

thường nó cho lại giá trị rất bé. Do vậy, thực tế người ta cộng thêm hệ số biến đổi theo kinh nghiệm (cộng giá trị 127 vào chỉ số NDVI).

Giá trị biến đổi chỉ số thực vật được tính toán trên các kênh ảnh của các vệ tinh LANDSAT, SPOT, NOAA-AVHRR, MODIS, ASTER… để nghiên cứu các kiểu tán lá (loại rừng, mùa màng…).

2.2.8. Biến đổi thành phần chính

Phân tích thành phần chính (PCA - Principal component analysis) là thủ tục toán học sử dụng biến đổi trực giao để chuyển đổi tập quan sát các biến tương quan sang tập giá trị biến không tương quan (gọi là các thành phần chính). Các band liền kề trong ảnh viễn thám đa phổ thường là tương quan. Các ảnh thu được từ các bước sóng nhìn thấy/cận hồng ngoại đa kênh của vùng thực vật có tương quan âm giữa band cận hồng ngoại và band ánh sáng đỏ và có tương quan dương giữa các band phổ nhìn thấy. Sự tương quan giữa các band phổ trong ảnh đa phổ dẫn tới sự dư thừa trong dữ liệu gốc, một số thông tin bị lặp. Kỹ thuật phân tích thành phần chính giúp giải quyết vấn đề này bằng cách tạo ra các band ảnh mới với việc hình thành trục tọa độ mới trong không gian phân bố giá trị độ sáng điểm ảnh (hình 2.8).