Phân loại thông tin trên tư liệu ảnh viễn thám - ENVI - Bài 1

Ở các bài trước đã giới thiệu đến các bạn các bài tổ hợp màu ảnh viễn thám, tăng cường chất lượng ảnh viễn thám, nắn chỉnh hình học ảnh viễn thám bài 1 và bài 2. Nhưng bài này là những bước tiền xử lý ảnh. Sau khi xử lý hết các bước trên ta tiến hành vào chiết tách thông tin của ảnh thông qua bài phân loại ảnh sẽ được giới thiệu bên dưới.

I. Phân loại không kiểm định Isodata và K-Means

Khởi động phần phân loại không kiểm định của ENVI bằng cách chọn Classification > Unsupervised > Method, ở đây Method hoặc là K-Means hoặc Isodata.

Hình : Menu phân loại không kiểm định

Phương pháp phân loại kiểm định chủ yếu dùng vào mục đích dựa vào ảnh phân loại này đi khảo sát lựa chọn khu vực lấy mẫu để phân loại có kiểm định…

I.1. Phương pháp phân loại Isodata

Phương pháp phân loại Isodata sẽ tính toán cách thức phân lớp trong không gian dữ liệu, sau đó nhóm đi nhóm lại các pixel bằng kỹ thuật khoảng cách tối thiểu (minimum distance). Mỗi lần nhóm lại các lớp này sẽ tính toán lại cách thức phân lớp và phân loại lại các pixel theo cách thức phân lớp mới. Quá trình này sẽ tiếp tục lặp đi lặp lại đến khi số các pixel trong mỗi lớp nhỏ hơn ngưỡng thay đổi pixel đã chọn hoặc đạt tối đa số lần lặp đi lặp lại đó.

Chọn File ảnh cần phân loại bldr_tm (ảnh đã được nắn chỉnh hình học ở phần nắn ảnh).

Ảnh cần phân loại

Trên menu chính của ENVI chọn Classification > Unsupervised > Isodata. Hộp thoại hiện ra cần thiết lập các tham số sau trong hộp thoại.

Hình: Hộp thoại phân loại theo phương pháp Isodata

Ø Number of classes: Chọn số lớp tối thiểu – min và tối đa – max để phân loại.

Ø Maximum Iterations: Số lần tính toán lặp lại tối đa. Việc phân loại sẽ dừng lại khi đạt tới số lần lặp tối đa đưa ra.

Ø Change Threshold: Ngưỡng thay đổi sau mỗi lần tính toán lặp lại. Việc phân loại cũng sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần trăm biến động của các lớp nhỏ hơn ngưỡng biến động được xác định.

Ø Minimum pixel in class: Số pixel nhỏ nhất có thể có của một lớp.

Ø Maximum class Stdv: Ngưỡng độ lệch chuẩn tối đa của một lớp. Nếu độ lệch chuẩn của một lớp lớn hơn ngưỡng này thì lớp đó sẽ bị chia ra làm hai.

Ø Minimum class Distance: Khoảng cách tối thiểu giữa các giá trị trung bình của các lớp. Nếu khoảng cách giữa các giá trị trung bình của các lớp nhỏ hơn giá trị nhập vào thì các lớp đó sẽ được gộp vào.

Ø Maximum Merge Pairs: Số các cặp lớp tối đa có thể được gộp.

Ø Maximum Stdev From Mean: Khoảng cách độ lệch chuẩn tối đa từ giá trị trung bình của lớp.

Ø Maximum Distance Error: Khoảng sai số tối đa cho phép xung quanh giá trị trung bình của lớp.

Tại Output Result to tích chọn ghi lưu theo file dữ liệu hoặc bấm chọn Memory. Nhấp OK. Ta thu được kết quả.

Chọn các tham số trong hộp thoại trên để so sánh. Để có thể so sánh một cách chính xác và hiệu quả của việc chọn lựa các tham số thì ta sử dụng trên cùng một ảnh, đó là ảnh đã được nắn ở bài tập trước.

Ảnh gốc chưa phân loại dùng để so sánh.

Khi chọn lựa các tham số nhất định thì các tham số khác để mặc định theo chương trình để dễ quan sát và nhận xét.

Chọn tham số:Number of classes .




Quan sát trên ảnh phân loại ta thấy ảnh được phân ra thành 3 lớp. Ở đây độ chính xác về thông tin phân loại có độ chính xác kém.	Số lớp phân loại là 7 nhiều hơn trường hợp bên, và độ chính xác đã tăng lên. Mức độ phân loại đã chi tiết lên.	Số lớp phân loại ở đây là 12. Đã nhiều lên rất nhiều so với 2 trường hợp kia. Nhưng mức độ chia nhỏ ra rất nhiều làm cho khả năng quan sát sự khác biệt là rất khó khăn.
Nhận xét chung: Công việc lựa chọn tham số phân chia ảnh sau khi phân loại ra làm bao nhiêu lớp là rất cần thiết. Tuy là việc chọn lựa lớp là do chương trình tự động chọn theo ngưỡng nhất định nhưng ta cần chọn số lớp tối thiểu và tối đa để chương trình phân chia cho phù hợp nhất. Tránh tình trạng số lớp quá ít hoặc quá nhiều sẽ làm ảnh hưởng đến khả năng phân chia vùng trên ảnh sau khi phân loại. Ta nên chọn cho phù hợp nhất.

Chọn tham số: Maximum Iterations




Công việc tiến hành lặp là hai lần mức độ tính toán gộp các pixel lại thực thi 2 lần có độ phân chia các vùng khác nhau ở mức độ trung bình.	Việc gộp các điểm pixel được lặp lại 3 lần ta quan sát độ phân chia chi tiết trên ảnh nhiều hơn so với số lần lặp là 2.	Số lần lặp là 5 lần, ảnh sau khi phân loại có mức độ phân chia chi tiết hơn so với 2 trường hợp bên nhưng so với số lần lặp là 3 cũng không khác là mấy.
Từ 3 trường hợp trên ta có nhận xét: Việc chọn lựa số lần lặp sẽ quyết định việc gộp các điểm pixel ở mức độ như thế nào. Số lần tính toán lại càng nhiều thì mức độ gộp càng chính xác nhưng đến một mức độ nào đó sẽ dừng lại. Vì vậy ta cần xác định số lần lặp cho hiệu quả để cho việc tính toán lặp được nhanh chóng và không làm mất hiệu quả của việc phân loại.

Chọn tham số: Change Threshold




Việc phân loại sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần trăm biến động của các lớp nhỏ hơn ngưỡng biến động là 10%.	Việc phân loại sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần trăm biến động của các lớp nhỏ hơn ngưỡng biến động là 15%.	Việc phân loại sẽ dừng lại khi sau mỗi lần tính lặp lại, số phần trăm biến động của các lớp nhỏ hơn ngưỡng biến động là 20%.
Chọn lựa tham số ngưỡng thay đổi sau mỗi lần tính lặp sẽ quyết định việc tính lặp có tiếp tục hay dừng lại. Khi ta chọn ngưỡng thay đổi quá lớn thì việc phân loại sẽ không đạt được kết quả, việc tính lặp sẽ dừng lại. Ta nên chọn ngưỡng thay đổi vừa phải với mục đích cần sử dụng, thông thường là dưới 20%.

Chọn tham số: Minimum pixel in class




Số pixel nhỏ nhất có thể có của một lớp là 100 pixel. Chương trình sẽ căn cứ vào đặc điểm này để chia lớp với điều kiện là lớp này phải có số pixel nhỏ nhất là 100 pixel.	Số pixel nhỏ nhất có thể có của một lớp là 200 pixel. Chương trình sẽ căn cứ vào đặc điểm này để chia lớp với điều kiện là lớp này phải có số pixel nhỏ nhất là 100 pixel.	Số pixel nhỏ nhất có thể có của một lớp là 500 pixel. Chương trình sẽ căn cứ vào đặc điểm này để chia lớp với điều kiện là lớp này phải có số pixel nhỏ nhất là 100 pixel.
Việc chọn lựa tham số này có thể giúp ta cho ra kết quả tấm ảnh có tính phân chia nhỏ nếu ta chọn số pixel nhỏ nhất có thể có của một lớp là nhỏ, còn nếu ngược lại thì trên tấm ảnh kết quả có thể là một vùng đồng nhất rộng theo mức ta chọn. Nhìn 3 tấm ảnh kết quả không có sự thay đổi nhiều, do số điểm pixel nhiều và số lớp phân chia ít. Muốn có sự thay đổi rõ rệt thì ta chọn số điểm pixel nhỏ nhất lớn và số lớp nhiều.

Chọn tham số: Maximum class Stdv




Ngưỡng độ lệch chuẩn tối đa của một lớp là 10. Nếu độ lệch chuẩn của một lớp lớn hơn ngưỡng này thì lớp đó sẽ bị chia ra làm hai. Và lại được gộp với lớp khác.	Ngưỡng độ lệch chuẩn tối đa của một lớp là 100. Nếu độ lệch chuẩn của một lớp lớn hơn ngưỡng này thì lớp đó sẽ bị chia ra làm hai. Và lại được gộp với lớp khác.	Ngưỡng độ lệch chuẩn tối đa của một lớp là 1000. Nếu độ lệch chuẩn của một lớp lớn hơn ngưỡng này thì lớp đó sẽ bị chia ra làm hai. Và lại được gộp với lớp khác.
Ta quan sát 3 ảnh kết quả trên không có sự thay đổi nhiều. Chứng tỏ ngưỡng độ lệch chuẩn của một lớp trong các ảnh là nhỏ cho nên khi thay đổi ngưỡng tăng lên không có sự thay đổi nhiều. Việc chọn tham số này sẽ giúp ta có ảnh kết quả có ngưỡng độ lệch chuẩn của một lớp không lớn hơn tham số mà ta lựa chọn cho chương trình.

Chọn tham số: Minimum class Distance




Khoảng cách tối thiểu giữa các giá trị trung bình của các lớp là 50. Nếu khoảng cách giữa các giá trị trung bình của các lớp nhỏ hơn giá trị nhập vào thì các lớp đó sẽ được gộp vào.	Khoảng cách tối thiểu giữa các giá trị trung bình của các lớp là 200. Nếu khoảng cách giữa các giá trị trung bình của các lớp nhỏ hơn giá trị nhập vào thì các lớp đó sẽ được gộp vào.	Khoảng cách tối thiểu giữa các giá trị trung bình của các lớp là 500. Nếu khoảng cách giữa các giá trị trung bình của các lớp nhỏ hơn giá trị nhập vào thì các lớp đó sẽ được gộp vào.
Ta quan sát 3 ảnh kết quả trên không có sự thay đổi nhiều. Chứng tỏ khoảng cách tối thiểu giữa các giá trị trung bình của các lớp trong những ảnh là nhỏ cho nên khi thay đổi khoảng cách tối thiểu tăng lên không có sự thay đổi nhiều. Việc chọn tham số này sẽ giúp ta có ảnh kết quả có khoảng cách tối thiểu giữa các giá trị trung bình của các lớp không lớn hơn tham số mà ta lựa chọn cho chương trình. Muốn thấy được sự thay đổi thì ta chọn phân loại thành nhiều lớp và khoảng cách tối thiểu là nhỏ.

Chọn tham số:

§ Maximum Merge Pairs: Số các cặp lớp tối đa có thể được gộp. Khi khoảng cách tối thiểu giữa các giá trị trung bình của các lớp nhỏ hơn khoảng giá trị ta chọn thì sẽ gộp lại và tham số này quyết định xem tối đa có bao nhiêu cùng thỏa tính chất được gộp. Để có thể phát huy tính năng này ta lên chọn số lần lặp lớn hơn 1.

§ Maximum Stdev From Mean: Khoảng cách độ lệch chuẩn tối đa từ giá trị trung bình của lớp. Đây là tham số cho phép độ lệch chuẩn tối đa của giá trị trung bình của lớp.

§ Maximum Distance Error: Khoảng sai số tối đa cho phép xung quanh giá trị trung bình của lớp. Các pixel trong một lớp phải thỏa mãn tham số này có nghĩa là có sai số so với giá trị trung bình của lớp không vượt quá tham số này.






Khoảng sai số tối đa cho phép xung quanh giá trị trung bình của lớp là 10, giá trị tham số này nhỏ quả vì vậy mà các pixel thỏa mãn điều kiện này ít, chính vì vậy mà trên ảnh phân loại hầu hết các pixel thuộc lớp không xác định.	Khoảng sai số tối đa cho phép xung quanh giá trị trung bình của lớp là 20, giá trị tham số này đã lớn hơn trường hợp bên nhưng vẫn nhỏ chính vì vậy vẫn còn nhiều pixel chưa được gán vào lớp nào cả.	Khoảng sai số tối đa cho phép xung quanh giá trị trung bình của lớp là 50, giá trị tham số này đã phân loại tất cả các điểm pixel trên ảnh, ta cần chọn tham số này không được nhỏ quá.

I.2. Phương pháp phân loại K-Means

Phân loại không kiểm định dùng các kỹ thuật thống kê để nhóm dữ liệu n chiều thành các lớp phổ tự nhiên. Phân loại không kiểm định theo phương pháp K-Means sẽ dùng cách phân tích nhóm, yêu cầu người phân tích phải chọn số nhóm cần đặt trong dữ liệu, tùy ý đặt số các nhóm và xác định lại vị trí của chúng lặp đi lặp lại đến khi đạt được sự phân chia tối ưu các lớp phổ.

Trên menu chính của ENVI chọn Classification > Unsupervised > K-Means. Hộp thoại hiện ra cần thiết lập các tham số sau trong hộp thoại.(Ý nghĩa các tham số đã được trình bày trên phương pháp Isodata)

Hình: Hộp thoại phân loại theo phương pháp K-Means

Ø Phương pháp không có các tham số sau so với phương pháp Isodata:Change Threshold, Minimum pixel in class, Maximum class Stdv, Minimum class Distance, Maximum Merge Pairs.

Tại Output Result to tích chọn ghi lưu theo file dữ liệu hoặc bấm chọn Memory. Nhấp OK. Ta thu được kết quả.

Chọn các tham số trong hộp thoại trên để so sánh. Việc so sánh, nhận xét tương tự như phương pháp Isodata.




Số lớp ta chọn thì trên ảnh sẽ phân thành bấy nhiêu lớp bằng tham số ta chọn. Số lớp trên ảnh ít chính vì vậy mà trên ảnh phân loại có độ chính xác không cao.	Số lớp tạo ra là 10 lớp mức độ phân loại đã có độ chính xác cao hơn trường hợp bên.	Số lớp tạo ra là 15 lớp mức độ phân loại đã có độ chính xác cao hơn 2 trường hợp bên. Nhưng mức độ phân chia nhỏ nếu như cần nghiên cứu mức độ liên tục thì không cần thiết.