Ở bài 1 phân loại đã giới thiệu đến các bạn phương pháp 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. Bài tiếp theo mình giới thiệu các bạn bài tiếp theo là phân loại có kiểm định.
II. Phân loại có kiểm định
Phân loại có kiểm định yêu
cầu người sử dụng phải chọn vùng mẫu làm cơ sở phân loại. Tiếp đó dùng các
phương pháp so sánh để đánh giá liệu một pixel nhất định đã đủ tiêu chuẩn để
gán cho một lớp chưa. Phần mềm ENVI cung cấp một loạt các phương pháp phân loại
khác nhau, bao gồm Parallelepiped, Maximum Likelihood, Minimum Distance,
Mahalanobis Distance, Binary Encoding và
Spectral Angle Mapper.
Để thực hiện các phân
loại, dùng Classification > Supervised
> Method, ở đây Method là một
trong các phương pháp phân loại có kiểm định của ENVI.
Hình: Menu phân loại có kiểm định
II.1. Chọn mẫu tại vùng thử nghiệm (ROI)
Vùng mẫu là vùng chọn để
cho chương trình dựa vào đó để phân loại. Chính vì vậy mà ta cần chọn các vùng
mẫu cho chính xác và phù hợp với mục đích cần phần loại, cần chọn lựa các vùng
mẫu này ở ngoài thực địa và các tài liệu liên quan để có thể lấy vùng mẫu
chuẩn. Ta có thể dùng ảnh phân loại theo phương pháp không kiểm định để ra
ngoài thực địa chọn một cách hiệu quả. Việc chọn những ROI polygons này cần
phải được tuân thủ theo tiêu chí là những vùng có đặc tính phổ đồng nhất và đặc
trưng cho đối tượng cần phân loại. Những tính chất thống kê của các ROI
polygons cần được xem xét để đảm bảo chất lượng của quá trình phân loại tiếp
theo.
Chọn mẫu phân loại
a) Chọn Overlay >
Region of Interest từ menu Main Image Window hoặc từ menu chính của ENVI chọn Basic Tools > Region of
Interest. Hộp thoại ROI
Definition xuất hiện.
b) Vẽ một polygon (đa
giác) tượng trưng vùng thử nghiệm
Ø Trong
cửa sổ Main , kích phím trái chuột để tạo điểm
đầu của polygon ROI
Ø Lần
lượt chọn các điểm biên bằng cách lại kích phím trái chuột. Đóng polygon bằng
cách kích phím phải chuột. Kích phím giữa chuột để xóa điểm vừa tạo hoặc xóa
toàn bộ polygon (nếu bạn đã đóng polygon đó). Cố định polygon bằng cách kích
phím phải chuột lần nữa.
Ø Cũng
có thể xác định ROIs trong cửa sổ Zoom và Scroll bằng cách chọn nút radio thích
hợp ở phía trên hộp thoại ROI Controls.
Khi kết thúc việc xác định
một ROI, ROI này sẽ được hiển thị trong danh sách Available Regions trong
hộp thoại ROI Controls, có ghi tên, màu vùng và số các pixel kèm theo và
có trong tất cả các qui trình phân loại của ENVI.
c) Xác định một ROI mới,
kích vào “New Region”
Ta có thể nhập tên cho
vùng và chọn màu nền bằng cách kích vào ROI Name và Color để nhập và thay đổi
theo ý mình.
Hình: Hộp thoại chọn
mẫu phân loại
Ta nên chọn
số điểm pixels trong vùng mẫu là nhiều hơn 100 điểm, ta có thể chọn nhiều vùng
trong một ROI, khi chọn vùng nên chọn trên cửa sổ Zoom để chọn cho chính xác.
Công việc
chọn lựa vùng mẫu phải kết hợp với đi ngoài thực địa, sử dụng ảnh phân loại
không kiểm định để kiểm tra tính chính xác của vùng lấy mẫu.
Tính toán sự khác biệt
giữa các mẫu
Với các mẫu đã chọn, ENVI
còn cung cấp một tiện ích rất hữu hiệu, đó là tính toán sự khác biệt giữa các
mẫu – Compute ROI Separability. Để chọn chức năng này ta làm như sau:
Bảng chọn các mẫu lớp phân loại
Các vùng mẫu chọn trên ảnh
a) Từ hộp thoại ROI
Tool chọn Options\Compute ROI Separability.
b) Khi đó trên màn hình sẽ
xuất hiện hộp thoại Select Input File for ROI Separability, chọn ảnh
tương ứng và nhấn OK để chấp nhận.
c) Trên màn hình xuất hiện
tiếp hộp thoại ROI Separability Calculation, chọn tất cả các mẫu cần
tính toán sự khác biệt và nhấn OK để thực hiện.
d) Kết quả tính toán sẽ
xuất hiện trên màn hình trong hộp thoại ROI Separability Report
Hình : Bảng so sánh sự khác
biệt giữa các mẫu phân loại.
Quan sát các giá trị trong
hộp thoại này nhận thấy mỗi mẫu phân loại sẽ được so sánh lần lượt với các mẫu
còn lại. Cặp giá trị thể hiện sự khác biệt được đặt trong ngoặc sau các mẫu.
Ø Nếu
cặp giá trị này nằm trong khoảng từ 1.9 đến 2.0 chứng tỏ các mẫu đã được chọn
có sự khác biệt tốt.
Ø Nếu
cặp giá trị này nằm trong khoảng từ 1.0 đến 1.9 thì nên chọn lại sao cho mẫu đó
có sự khác biệt tốt hơn.
Ø Nếu
có giá trị nhỏ hơn 1.0 ta nên gộp hai mẫu đó lại với nhau, tránh hiện tượng
phân loại nhầm lẫn.
Quan sát ở bảng so sánh sự khác biệt giữa các mẫu phân loại ta thấy các
mẫu phân loại được chọn có sự khác biệt tốt.
Sau khi đã chọn xong tất
cả các mẫu, ta có thể lưu các mẫu đã chọn này lại bằng cách chọn File\Save
ROIs từ hộp thoại ROI Tool
II.2. Phân loại theo các phương pháp của phần mềm
ENVI hỗ trợ
Thực hiện việc phân loại
có kiểm định đối với ảnh với các phương pháp khác nhau Parallelepiped, Maximum
likelihood, Minimum distance và Mahalanobis distance và so sánh các kết quả.
Thực hiện cho ảnh bldr_tm
(ảnh đã được nắn chỉnh hình học ở phần nắn ảnh).
II.2.1. Phương pháp phân loại Parallelepiped
Phân loại theo phương pháp
Parallelepiped sử dụng một qui luật đơn giản để phân loại dữ liệu đa phổ. Các
ranh giới sẽ tạo thành một Parallelepiped n chiều trong không gian dữ liệu ảnh.
Các chiều của Parallelepiped được xác định dựa trên ngưỡng chênh lệch chuẩn
theo giá trị trung bình của mỗi lớp mẫu được chọn.
Trong phương pháp này đầu
tiên giá trị vector trung bình cho tất cả các band được tính cho mỗi lớp mẫu đã
chọn. Sau đó các pixel được so sánh và gán vào lớp mà giá trị của nó nằm trong
phạm vi sai số là 1 hoặc 2 lần độ lệch chuẩn của vector trung bình. Nếu pixel
không nằm trong một trong các khoảng giá trị đó thì nó sẽ được gán vào lớp chưa
phân loại. Phương pháp này có ưu điểm là nhanh chóng, đơn giản tuy nhiên kết
quả có độ chính xác không cao và thường được dùng để phân loại sơ bộ ban đầu.
Ảnh sau khi phân loại
Bảng các lớp
Ta quan sát trên ảnh sau khi phân loại đã phân loại
chính xác theo vùng mẫu ta chọn lựa, nhưng trên ảnh vẫn có khu vực chưa được
xác định vào lớp nào cả. Bởi vì ta chưa chọn lựa hết tất cả các mẫu cho toàn
tấm ảnh. Vì vậy khi ta muốn tấm ảnh được phân loại toàn bộ được gán vào một lớp
nào đó thì ta phải chọn lựa mẫu sao cho thể hiện được toàn bộ tấm ảnh.
II.2.2. Phương pháp phân loại Minimum Distance
Phân loại theo phương pháp
minimum distance sử dụng vector trung bình của mỗi ROI và tính khoảng cách
Euclidean từ mỗi pixel chưa xác định đến véc tơ trung bình của mỗi lớp. Tất cả
các pixel đều được phân loại tới lớp ROI gần nhất trừ khi người sử dụng định rõ
độ chênh lệch chuẩn hoặc ngưỡng khoảng cách chuẩn. Trong trường hợp đó một số
pixel có thể không được phân loại nếu chúng không thỏa mãn tiêu chí đã chọn.
Về mặt lý thuyết thì với
việc sử dụng phương pháp này, mọi pixel đều được phân loại nhưng người phân
tích cũng có thể đưa ra một ngưỡng giới hạn nhất định về khoảng cách để các
pixel có thể được phân loại hoặc không phân loại. Đây là một cách phân loại khá
nhanh, giá trị phổ của pixel gần với giá trị phổ trung bình của mẫu tuy nhiên
nó cũng chưa thật chính xác và không cân nhắc đến sự biến thiên của các lớp
phân loại.
Ảnh sau khi phân loại.
Ta quan sát tấm ảnh sau khi phân loại thì tất cả các
pixel trên tấm ảnh đã được gán vào một lớp nào đó. Phương pháp này gán khác hơn
so với phương pháp trên và có độ chính xác cũng khác so với phương pháp trên.
II.2.3. Phương pháp phân loại Mahalanobis Distance
Phân loại theo phương pháp
Mahalanobis Distance là phương pháp phân loại khoảng cách nhạy cảm theo hướng
dùng số liệu thống kê của mỗi lớp. Phương pháp này tương tự như phương pháp
Maximum Likelihood nhưng phương pháp này coi tất cả các hiệp biến của lớp là
ngang bằng nhau, do vậy phương pháp này phân loại nhanh hơn. Tất cả các pixel
đều được phân loại tới lớp ROI gần nhất trừ khi người sử dụng định rõ một
ngưỡng khoảng cách. Trong trường hợp đó một số pixel có thể không được phân
loại lại nếu chúng không thỏa mãn ngưỡng qui định.
Ảnh sau khi phân loại
Không còn pixel nào là không xác định. Phương pháp
này có độ chính xác cao hơn so với hai phương pháp trên.
II.2.4. Phương pháp phân loại Maximum Likelihood
Phân loại theo phương pháp
Maximum Likelihood coi số liệu thống kê của mỗi lớp trong mỗi kênh ảnh được
phân tán một cách thông thường và phương pháp này có tính đến khả năng một
pixel thuộc một lớp nhất định. Nếu như không chọn một ngưỡng xác suất thì sẽ
phải phân loại tất cả các pixel. Mỗi pixel được gán cho một lớp có độ xác suất
cao nhất (nghĩa là “maximum likelihood”).
Ảnh sau khi phân loại
Phương pháp này cho rằng
các band phổ có sự phân bố chuẩn và các pixel sẽ được phân loại vào lớp mà nó
có xác suất cao nhất. Việc tính toán không chỉ dựa vào giá trị khoảng cách mà
còn dựa vào cả xu thế biến thiên độ xám trong mỗi lớp. Đây là một phương pháp
phân loại chính xác nhưng lại mất nhiều thời gian tính toán và phụ thuộc vào sự
phân bố chuẩn của dữ liệu.
Bài tiếp theo sẽ giới thiệu kỹ thuật hậu phân loại ảnh viễn thám.
Hãy like nếu bài viết có ích →
Kết bạn với gisgpsrs trên Facebook
để nhận bài viết mới nóng hổi
Không có nhận xét nào:
Đăng nhận xét