(Tiếp phần 1) Trộn và tăng cường chất lượng ảnh là phương pháp xử lý ảnh viễn thám để nâng cao lượng thông tin trên ảnh phục vụ phân loại chuyên đề [2]. Mục đích của phương pháp tăng cường chất lượng ảnh là dùng thuật toán áp dụng cho ảnh số nhằm nâng cao khả năng phân loại ảnh bằng mắt thông qua việc tạo sự tương phản rõ rệt giữa các đối tượng không gian trên ảnh. Việc xử lý số có thể được thực hiện trên các dạng khác nhau: xử lý điểm, xử lý cục bộ. Phương pháp xử lý điểm làm việc với giá trị số của từng pixel độc lập. Phương pháp xử lý cục bộ dựa trên các giá trị số của các pixel lân cận [5].
Phân mảnh ảnh là sự chia nhỏ hình ảnh thành các phần nhỏ (segment) dựa trên các tiêu chí: màu sắc (color), hình dạng (shape), độ chặt (compactness), độ trơn (smoothness). Sự phân mảnh tạo ra các đối tượng ảnh, các đối tượng ảnh này được gọi là các đối tượng ảnh nguyên thuỷ (Đối tượng ảnh chưa phân loại).
![3-2-1](http://website.samcom.net:1337https://api.samcom.com.vn/uploads/3-2-1_e97c2d8066.jpeg)
Hình 5 – Kết quả phân mảnh ảnh
Chọn mẫu huấn luyện là phương pháp chọn lựa vùng đặc trưng trên ảnh theo các phân mảnh ảnh để gán cho nó một đối tượng [11]. Phần mềm dựa vào thuật toán đã xây dựng và mẫu huấn luyện để tính toán và cho ra kết quả phù hợp nhất. Dựa vào kinh nghiệm chuyên gia và các khóa giải đoán, chọn trên ảnh 10 đối tượng: nước mặt, đất ẩm, đất trống, khu công nghiệp, cây nông nghiệp, cây bụi (cỏ), cây trong khu dân cư, khu dân cư, đô thị, không phân loại.
Trong phân loại phổ sử dụng phương pháp phân loại có kiểm định và sử dụng thuật toán phân loại xác suất cực đại (Maximum Likelihood) – đây là thuật toán được nhiều nhà nghiên cứu đánh giá độ chính xác tốt hơn so với các thuật toán khác [7, 8, 9, 10].
Trong phân loại hướng đối tượng, Bộ quy tắc bao gồm các tiêu chí được thiết lập sao cho phần mềm có thể phân loại ra từng đối tượng riêng biệt trên cùng một khu vực ảnh. Bộ quy tắc được xây dựng dựa trên các tham số về độ sáng (brightness), kích thước (diện tích, chiều dài, chiều rộng), hình dáng (vuông, chữ nhật,..), ..
![3-2-2](http://website.samcom.net:1337https://api.samcom.com.vn/uploads/3-2-2_eefe829288.jpeg)
Hình 6- Ảnh trước khi phân loại
![3-2-3](http://website.samcom.net:1337https://api.samcom.com.vn/uploads/3-2-3_03bf2e719b.jpeg)
Hình 7 – Kết quả phân loại theo phổ
![3-2-4](http://website.samcom.net:1337https://api.samcom.com.vn/uploads/3-2-4_8cb87a53bd.jpeg)
Hình 7 – Kết quả phân loại theo hướng đối tượng
Qua đánh giá kết quả phân loại theo phổ và theo hướng đối tượng bằng cách chồng xếp kết quả lên bản đồ vector, thấy rằng kết quả phân loại theo phương pháp hướng đối tượng có độ chính xác khá cao, phần mềm tách được những đối tượng có diện tích nhỏ (đường giao thông). Tuy nhiên vẫn còn một số đối tượng bị lẫn. Kết quả phân loại theo phổ có độ chính xác thấp hơn, nhiều đối tượng bị lẫn, các đối tượng đường giao thông được phân loại rõ ràng.
KẾT LUẬN
Đối với ảnh vệ tinh có độ phân giải cao và siêu cao việc sử dụng phương pháp phân loại hướng đối tượng sẽ cho kết quả tốt hơn khi phân loại theo phổ. Để đạt được kết quả phân loại đáng tin cậy cần phải lựa chọn các tham số phân vùng đối tượng phù hợp nhất, ngoài ra cần kết hợp nhiều thông tin của đối tượng để phân ngưỡng, xây dựng bộ quy tắc phân loại.
Để đánh giá, so sánh mức độ tin cậy của các phương pháp trên một cách chính xác nhất phải đưa ra được thống kê mang tính định lượng (theo % của các lớp tương ứng). Trong phạm vi bài báo chỉ đưa ra so sánh, đánh giá về mặt trực quan để định hướng nghiên cứu, giúp người dùng có cái nhìn khái quát về ưu, nhược điểm của mỗi phương pháp, để từ đó tìm ra hướng đi đúng đắn nhất.
Kết quả sau phân loại sau khi được kiểm định độc chính xác sẽ là tư liệu để tham khảo, biên tập và xây dựng các sản phẩm tư liệu địa hình và chuyên đề khác nhau.
TÀI LIỆU THAM KHẢO
1. Adisalem Asefa. Land Suitability Evaluation Agricultural Land Suitability Evaluation for Selected Rainfed Crops Using GIS and Remote Sensing Techniques / Adisalem Asefa. – Müller, 2010. – 84 p.
2. Denegre. J. Thematic Mapping from Satellite Imagery. Elsevier Applied Science / J. Denegre, 1988. – 214 p.
3. Francis J. Pierce. GIS Applications in Agriculture/ Francis J. Pierce, David Clay. – USA: CRC Press, 2007. – 224 p.
4. Guangxing Wang. Remote Sensing of Natural Resources / Guangxing Wang, Guangxing Wang. – USA: CRC Press, 2013. – 580 p.
5. James W. Quinn. Band Combination [Electronic resource]. – Режим доступа: http://web.www.pdx.edu/emch/ipl/bandcombination.html
6. John A. Richards. Remote Sensing Digital Image Analysis / John A. Richards, Xiuping Jia. – USA: Springer, 2006. – 453 p.
7. Nnadozie C. Oraguzie. Association Mapping in Plants / Nnadozie C., Erik H.A. Rikkerink, Susan E. Gardiner. – USA: Springer, 2007. – 278 p.
8. Nellis M. D. Remote Sensing of Cropland Agriculture / M. D.Nellis, Kevin P. Price // The SAGE Handbook of Remote Sensing. – USA: SAGE Publications Ltd, 2009. – Pp. 234–261.
9. Qihao Weng. Remote Sensing and GIS Integration Theories, Methods, and Applications Theory, Methods, and Applications / Qihao Weng. – USA: McGraw-Hill Professional, 2009. – 416 p.
10. Shields J. A. Land systems mapping and field pattern analysis in an agricultural area, Wynyard, Saskatchewan / J. A. Shields. – Canada: Land Resource Research Institute,1981. – 137 p.
11. Steven M. D. Applications of Remote Sensing in Agriculture / M. D. Steven, J. A. Clark. – USA: Butterworth-Heinemann, 1985. – 444 p.