Ứng dụng thuật toán phân cụm mờ trên ảnh chỉ số nước trong chiết tách thông tin nước mặt khu vực cửa sông
Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 59, Kỳ 5 (2018) 55-66
55
Ứng dụng thuật toán phân cụm mờ trên ảnh chỉ số nước trong
chiết tách thông tin nước mặt khu vực cửa sông
Cao Xuân Cường *, Võ Ngọc Dũng
Khoa Trắc địa - Bản đồ và Quản lý đất đai, Trường Đại học Mỏ - Địa chất, Việt Nam
THÔNG TIN BÀI BÁO
TÓM TẮT
Quá trình:
Nướctạikhu vực cửa sông là một trong những môi trường có sự đa dạng sinh
học bậc nhất trên bề mặt đất. Tuy nhiên, hiện nay, môi trường này thường
xuyên bị đe dọa bởi các hoạt động của con người. Để tăng cường hiệu quả cho
công tác quản lý và bảo vệ môi trường quan trọng này thì một giải pháp chiết
tách thông tin nước bề mặt trên tư liệu ảnh viễn thám nhanh chóng và chính
xác là rất cần thiết. Trong nghiên cứu này, phương pháp phân cụm mờ fuzzy
c-means (FCM) tích hợp với thông tin không gian của các điểm ảnh láng giềng
(MFCM) áp dụng lên ảnh chỉ số nước (WIs)được sử dụngđể chiết tách nước
mặt trên ảnh viễn thám. Phương pháp này được áp dụng cho ảnh Landsat 8
OLI chụp khu vực cửa sông Bạch Đằng thuộc thành phố Hải Phòng và tỉnh
Quảng Ninh. Bên cạnh đó, nghiên cứu cũng đánh giá sự ảnh hưởng tới hiệu
quả chiết tách nước mặt của tham số mức độ mờ hóa(fuzzification) và số
lượng các điểm ảnh láng giềng trong thuật toán FCM. Kết quả thực nghiệm
cho thấy,khi hệ số mờ và số điểm ảnh láng giềng tăng, độ chính xác chiết tách
nướcsẽ giảm, với m=2 và số điểmlánggiềnglà8 thìphương phápđạthiệu quả
cao nhất về thời gian xử lý. Ngoài ra, khi so sánh với phương pháp phân
ngưỡng, phương pháp được sử dụng cũng cho độ chính xác cao hơn với hệ số
kappa của hai phương pháp lần lượt là 0.84 và 0.87.
Nhận bài 10/8/2018
Chấp nhận 25/9/2018
Đăng online 31/10/2018
Từ khóa:
Nước mặt
Viễn thám
Chiết tách nước
Chỉ số nước
Landsat
Fuzzy c-means
© 2018 Trường Đại học Mỏ - Địa chất. Tất cả các quyền được bảo đảm.
sinh thái quan trọng như hệ sinh thái rừng ngập
mặn phát triển (Pham & Yoshino, 2016). Tuy
1. Mở đầu
Cửa sông là nơi các dòng sông đổ ra biển, nơi
nước ngọt giao hòa với nước mặn. Điều kiện đặc
biệt này đã tạo ra một trong những môi trường có
sự đa dạng sinh học bậc nhất trên bề mặt đất
(Fujii, 2012; McKeon et al., 2015). Việt Nam là một
quốc gia có đường bờ biển dài với nhiều khu vực
cửa sông quan trọng. Đây là môi trường cho các hệ
nhiên, các hoạt động của con người đã và đang đe
dọa nghiêm trọng tới môi trường các cửa sông.
Bên cạnh đó, biến đổi khí hậu cũng góp phần làm
thay đổi môi trường này(Fujii, 2012). Để quản lý
và bảo vệ môi trường cửa sông một cách hiệu quả,
một giải pháp chiết tách thông tin nước bề mặt ở
khu vực này trên tư liệu ảnh viễn thám nhanh
chóng và chính xác là rất cần thiết.
_____________________
*Tác giả liên hệ
E-mail: [email protected].vn
Viễn thám là một trong những công nghệ đã
được sử dụng hiệu quả trong giám sát tài nguyên
56
Cao Xuân Cường, Võ Ngọc Dũng/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (4), 55-66
thiên nhiên nói chung và tài nguyên nước nói
riêng (Alsdorf & Lettenmaier, 2003). Khi sử dụng
tư liệu ảnh viễn thám thành lập bản đồ chuyên đề
về tài nguyên nước mặt, bên cạnh cac phương
phap thườ ng đượ c sử dụng như số hóa dựa trên
giải đoán bằng mắt (digitizing), phương pháp
phân ngưỡng (density slicing), phân loại có kiểm
định và không kiểm định (supervised and
unsupervised classifications), phương pháp phân
cụm mờ (fuzzy c – means) áp dụng trên các chỉ số
nước (water indices-WIs) còn tương đối mới mẻ.
Trong nghiên cứu của Yang et al. (2015), các tác
giả đã phân tích đánh giá chi tiết cac phương phap
nêu trên và đưa ra các ưu nhược điểm của từng
phương pháp. Cụ thể, phương phap só hoa dự a
tren giải đoan bàng mát tuy cho đọ chinh xac cao
nhưng lại tón nhièu thờ i gian và sưc lao đọng, do
đokhong thự c té trong cac trườ ng hợ p nghien cưu
tren qui mo rọng. Phương phap phan ngưỡ ng
đượ c đè xuát và sử dụng trong nhièu nghien cưu
của (Frazier et al., 2003; Ryu et al., 2002; White,
1999). Trong nghien cưu vè lũ lụt ở khu vự c đát
ngạp nươc của Frazier và đồng nghiệp (2003), cac
gia trịngưỡ ng đã đượ c sử dụng phan loại nươc và
khong phải nươc tren kenh 5 của ảnh Landsat
TM(Frazier et al., 2003). Đay là phương phap đơn
giản và hiẹu quả vè mạt thờ i gian, tuy nhien, đọ
chinh xac bị ảnh hưở ng nhièu bở i sự cac yéu tó
như bong địa hình và may (Verpoorter et al.,
2014). Mọt phương phap khac co thẻ đượ c sử
dụng đẻ chiét tach nươc là phan loại co kiẻm định
và khong kiẻm định. Phương phap phan loại co
kiẻm định phụ thuọc nhièu vào y kién chủ quan
của chuyen gia và chát lượ ng của viẹc láy mãu,
trong khi phương phap phanloại khong kiẻm định
cho đọ chinh xac tháp khi khu vự c phan loại lãn
nhièu đói tượ ng co sự tương phản vè phỏ tháp
(Hao et al., 2014). Chiét tach nươc sử dụng cac chỉ
só toan học (chỉ só nươc-WIs) đượ c tinh từ cac
kenh ảnh là mọt trong cac phương phap đượ c sử
dụng kha phỏ bién do tinh hiẹu quả và tiẹn lợ i của
no. Cac chỉ số nước như Normalized Difference
Water Index (NDWI) (McFeeters, 1996), Modified
Normalized Difference Water Index (MNDWI)
(Xu, 2006), và Automated Water Extraction Index
(AWEI) (Feyisa et al., 2014) được xác định từ các
kênh ảnh green (kênh 2), near-infrared (kênh 4),
và SWIR1 (kênh 6) của Landsat. Các chỉ số này
được thiết kế nhằm làm nổi bật các đối tượng
nước bề mặt trên ảnh quang học thông qua việc
tăng cường sự khác biệt giữa các điểm ảnh mang
thông tin nước và các điểm ảnh mang thông tin
của các đối tượng khác liền kề, đồng thời loại bỏ
các điểm ảnh nhiễu. Nghien cưu của Hao và đòng
nghiẹp đã sử dụng hiẹu quả phương phap chỉ só
nươc đẻ lạp bản đò cac song và hò bàng ảnh
Landsat (Hao et al., 2014). Tuy nhien, cac tac giả
cũng chỉra cac nhượ c điẻm của phương phap này
như: (1) đọ chinh xac phan loại tháp vơi cac điẻm
ảnh lãn giữ a nươc và cac đói tượ ng khac; (2) vơi
mõi khu vự c khac nhau thì đạt mọt ngưỡ ng phan
loại khac nhau; (3) khong loại bỏ đượ c cac nhiẽu.
Mạcdù mõiphươngphapcoưu nhượ c điẻm rieng,
nhưng sự đa dạng cac phương phap chiét tach
nươc bè mạt neu tren đã chưng minh khả nang ưu
viẹt của phương phap viẽn tham trong nghien cưu
tài nguyen nươc mạt.
Thuạt toan phan cụm mờ (fuzzy c-means -
FCM) đượ c ưng dụng trong nhièu nghien cưu của
lĩnh vự c viẽn tham (Ghosh et al., 2011; Kersten et
al., 2005). Ghosh và các đồng nghiệp (2011) đã sử
dụng thuạt toan phan cụm mờ nang cao đọ chinh
xac phan loại và phat hiẹn bién đọng. Mọt só
nghien cưu khac chỉ ra ràng thuạt toan phan cụm
mờ co tich hợ p thong tin cac điẻm ảnh lan cạn co
thẻ xử ly đượ c nhiẽu và ván đè vè gia trị tương
phản phỏ tháp (Ghaffarian & Ghaffarian, 2014;
Stavrakoudis et al., 2011). Tinh chát bién đỏi lien
tục từ 0 đén 1 của gia trịthành vien (membership)
trong logic mờ (fuzzy) (Bezdek et al., 1984)co thẻ
đượ c sử dụng đẻ biẻu diẽn sự bién đỏi lien tục vè
gia trị đọ ảm của khu vự c chuyẻn tiép giữ a nươc
và khong phải nươc. Trên thế giới, việc kết hợp
giữa FCM và WIs trên ảnh viễn thám nhằm chiết
tách thông tin nước mặt đã được Yang et al.
(2015) thực hiện thành công cho một số các đối
tượng nước mặt khác nhau trên phạm vi toàn cầu.
Tuy nhiên, nước là môi trường khá đa dạng và
phức tạp, mỗi khu vực sẽ có đặc điểm lý hóa và
sinh học khác nhau. Với điều kiện môi trường đặc
trưng riêng như cửa sông, việc tìm ra một giải
pháp phù hợp là cần thiết. Bài báo giới thiệu kết
quả ứng dụng phương pháp FCM trên ảnh chỉ số
nước WIs trong chiết tách nước mặt của khu vực
cửa sông Việt Nam.
2. Khu vực và dữ liệu nghiên cứu
2.1. Khu vực nghiên cứu
Khu vực được lựa chọn cho nghiên cứu nhằm
Cao Xuân Cường, Võ Ngọc Dũng/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (4), 55-66
57
đánh giá giải pháp đề xuất là khu vực cửa sông
Bạch Đằng, thuộc địa bàn thành phố Hải Phòng và
tỉnh Quảng Ninh (Hình 1). Đây là khu vực có sự
hiện diện chủ yếu của rừng ngập mặn. Những năm
gần đây, nhờ chính sách bảo vệ, phục hồi và phát
triển rừng ngập mặn của Chính phủ Việt Nam,
đồng thời với các dự án hỗ trợ quốc tế như dự án
của tổ chức Chữ thập đỏ Nhật Bản (JRC) (Pham &
Yoshino, 2016), rừng ngập mặn ở khu vực này
phát triển tương đối tốt.
với độ chính xác cỡ 0.4 pixel và được xem là chấp
nhận được về độ chính xác không gian.
Để đánh giá độ chính xác kết quả chiết tách
nước, ảnh Planetscope có độ phân giải 3 m chụp
vào cùng thời gian với ảnh Landsat được dùng để
sốhóacácđối tượng nước. Yêucầu vềđộ chính xác
của đồng đăng ký ảnh được đảm bảo nhờ thực
hiện thủ công. Cơ sở dữ liệu số hóa được coi là dữ
liệu chuẩn phục vụ đánh giá độ chính xác phân
loại.
2.2. Dữ liệu nghiên cứu
3. Phương pháp nghiên cứu
Dữ liệu sử dụng cho nghiên cứu là ảnh
Landsat 8 OLI ở mức xử lý L1 đã được nắn và hiệu
chỉnh ảnh hưởng địa hình từ USGS EarthExplorer.
Mô tả chi tiết về mức độ chephủ bởi mây, thời gian
chụp, và các thông tin quan trọng khác được cung
cấp trong bảng 1.
Ảnh được chọn sau khi đã khảo sát tất cả các
ảnh nhằm tránh ảnh hưởng của mây. Ảnh có định
dạng GeoTIFF, trong hệ qui chiếu UTM được nắn
3.1. Phương pháp chỉ số nước trên tư liệu ảnh
viễn thám
Các chỉ số nước như Normalized Difference
Water Index (NDWI) (McFeeters, 1996), Modified
Normalized Difference Water Index (MNDWI)
(Xu, 2006), và Automated Water Extraction Index
(AWEI) (Feyisa et al., 2014) được xác định từ các
kênh ảnh green (kênh 2), near-infrared (kênh 4),
và SWIR1 (kênh 6) của Landsat 5 TM.
Hình 1. Khu vực nghiên cứu (ảnh Landsat 8 OLI tổ hợp RGB: 753).
Bảng 1. Dữ liệu ảnh vệ tinh nghiên cứu.
Ảnh
Landsat 8 OLI
LC81260462017260LGN00
Path/row
126/46
Thời gian chụp Mây che phủ (%) Độ phân giải (m)
17/09/2017
03:17:45
9.79
30
Planetscope
Strip_id
761211
17/09/2017
02:45:58
02:45:59
0
3
20170917_024558_0f25
20170917_024559_0f25
20170917_024600_0f25
02:46:00
58
Cao Xuân Cường, Võ Ngọc Dũng/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (4), 55-66
Các chỉ số này được thiết kế nhằm làm nổi bật
nước AWEI, chỉ số này gồm hai chỉ số là AWEIsh và
AWEInsh
các đối tượng nước bề mặt trên ảnh quang học
thông qua việc tăng cường sự khác biệt giữa các
điểm ảnh mang thông tin nước và các điểm ảnh
mang thông tin của các đối tượng khác liền kề,
đồng thời loại bỏ các điểm ảnh nhiễu (Yang et al.,
2015).
.
AWEIsh = ρband1 + 2.5 x ρband2 -1.5 x
(ρband4 + ρband5) – 0.25 x ρband7
(3)
AWEInsh = 4 x (ρband2 - ρband5) –0.25 x
ρband4 + 2.75 x ρband7
(4)
Trong đó, ρ là giá trị phản xạ phổ của 5 kênh
ảnh Landsat TM sau:
Band 1: kênh blue; band 2: kênh Green; band
4: kênh NIR; band 5: kênh SWIR 1; band 7: kênh
SWIR 2.
Năm 1996, McFeeters và đồng nghiệp đưa ra
công thức tính chỉ số nước sửdụng hai kênh Green
và NIR:
퐺푟푒푒푛 − 푁퐼푅
(1)
푁퐷푊퐼 =
퐺푟푒푒푛 + 푁퐼푅
Việc lựa chọn các kênh ảnh này là nhằm: (1)
Tối đa khả năng phản xạ ánh sáng có bước sóng
trong dải xanh lá cây (green) của các đối tượng
nước. (2) Giảm đến mức tối thiểu phản xạ của ánh
sáng có bước sóng trong dải cận hồng ngoại (NIR)
của các đối tượng nước. (3) Tận dụng tính phản xạ
mạnh của tia NIR khi gặp thực vật và đất trống.
Trên ảnh NDWI, các đối tượng nước sẽ có giá
trị NDWI lớn hơn không, trong khi đất và thực phủ
trên cạn có giá trị NDWI âm hoặc bằng không.Giá
trị NDWI biến thiên từ -1 đến 1.
Chỉ số MNDWI được đề xuất bởi Xu (2006),
chỉ số nước MNDWI được phát triển từ chỉ số
NDWI của McFeeters (1996). Tác giả chỉ ra nhược
điểm của chỉ số NDWI là cho độ chính xác không
cao đối với khu vực đất đô thị.Nước được chiết
tách từ khu vực này thường bị lẫn với đất đô
thị.Điều này có nghĩa là khu vực xây dựng cũng có
giátrị NDWIlớnhơnkhông.Nguyên nhân làdo giá
trị phản xạ của cả đất xây dựng và nước hồ ở kênh
Green mạnh hơn ở kênh NIR (Xu, 2006). Tuy
nhiên, các khảo sát chi tiết về đặc điểm phản xạ
phổ của đất đô thị ở kênh hồng ngoại trung (MIR)
cho thấy giá trị phản xạ phổ ở kênh này lớn hơn
kênh Green. Do đó, để phân biệt giữa đất xây dựng
và nước, kênh MIR được sử dụng thay thế kênh
NIR trong công thức tính NDWI. Sự thay đổi này
cho ra chỉ số mới là MNDWI:
3.2. Cơ sở toán học của phương pháp phân cụm
mờ (FCM)
Thuật toán FCM được đề xuất lần đầu tiên
bởiDunn (1973), sau đó được phát triển
bởiBezdek (1973). Đầu vào thuật toán là bộ dữ
liệu X, thuật toán cho phép phân cụm không gian
dữ liệu X. Với số lượng cụm cho trước là C (C ≥ 2),
m là số thực (m > 1), sử dụng quá trình lặp để đưa
hàm mục tiêu (J) đạt giá trị cực tiểu.
c
n
J
um || x v ||2
(5)
kj
k
j
j1 k1
Trong đó: m là số mờ hóa; c là số cụm, n là số
phần tử dữ liệu, r là số chiều của dữ liệu; Ukj là giá
trị thành viên của phần tử dữ liệu Xk trong cụm j;
Xk∈ Rr là phần tử thứ k của X = x1, x2...xn; vj là tâm
của cụm j.
Đểđưa hàm mục tiêu vềcực tiểu, cầnđảm bảo
퐽
퐽
퐶
푖=1
∑
điều kiện
푢푖푘 = 1, ta có 휕 = 0 và 휕 = 0. Các
휕
휕
푣
푢
điều kiện này cho ta các nghiệm sau:
1
ukj
2
c
m1
(6)
|| x v ||
k
j
|| xk vi ||
i1
và
퐺푟푒푒푛 − 푀퐼푅
n
(2)
푀푁퐷푊퐼 =
um x
퐺푟푒푒푛 + 푀퐼푅
kj k
Các thực thể nước bề mặt rất đa dạng về kích
thước, hình dạng và địa mạo, ví dụ hồ trên núi
khác với hồ ở khu đô thì về hình dạng, bao quanh
bởi thực phủ khác nhau và đặc trưng phổ khác
nhau. Dựa vào ý tưởng này, cộng với các khảo sát
cẩn thận và chi tiết, Feyisa et al. (2014) sử dụng
năm kênh ảnh Landsat TM để tạo ra một chỉ số
k1
vj
(7)
n
um
kj
k1
Một số nghiên cứu đã chỉ ra rằng phân cụm là
bài toán phân loại các phần tử thành các cụm cùng
độ đồng nhất về thuộc tính nào đó (Adhikari et al.,
Cao Xuân Cường, Võ Ngọc Dũng/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (4), 55-66
59
2015;Chuanget al., 2006).Thôngthườngcác phần
tử lân cận nhau (phần tử láng giềng) có sự tương
quan lớn và phụ thuộc lẫn nhau.Trong khi thuật
toán FCM truyền thống không tính tới sự tương
quan giữa các phần tử láng giềng, dẫn tới độ chính
xác phân cụm thấp.Để nâng cao độ chính xác phân
cụm, mối quan hệ không gian giữa các phần tử
láng giềng được sử dụng tính giá trị thành viên,
phương pháp này được gọi là phân cụm mờ láng
giềng thích nghi (MFCM).Các phần tử nào có càng
nhiều các phần tử láng giềng có cùng thuộc tính
với nó thì xác suất của các phần tử này thuộc về
cùng cụm với các phần tử láng giềng càng cao.Việc
đưa thông tin không gian sẽ giúp loại bỏ nhiễu.
Công thức tính tới sự ảnh hưởng của các phần tử
láng giềng được thể hiện như sau:
Trong đó p và q là các tham số khống chế tầm
ảnh hưởng của các giá trị thành viên tính theo
công thức (6) và (8).
3.3. Thuật toán tự động chiết tách nước mặt
bằng thuật toán phân cụm mờ láng giềng thích
nghi
Thuật toán của chương trình được mô tả như
Bảng 2.
3.3. Phương pháp chiết tách nước mặt sử dụng
kết hợp MFCM và chỉ số nước WIs
3.3.1. Các giải pháp kết hợp MFCM và WIs
Giải pháp kết hợp giữa phân cụm mờ MFCM
và chỉ số nước WIs có thể được thực hiện theo các
quy trình <1>, <2>, <3>, <4>.(Yang et al., 2015):
<1> Áp dụng MFCM lên các kênh ảnh gốc, sau
đó mới tạo các kênh chỉ số nước.
<2> Các chỉ số nước được tạo ra từ các kênh
ảnh gốc, và áp dụng MFCM lên các kênh chỉ số
nước này.
푁푤
∑
푘=1 푢푖푘
푀
(8)
푓 =
푖푗
Trong đó: fij giá trị trọng số được tính thông
qua các phần tử láng giềng.Nwlà cửa sổ hình vuông
với phần tử xét ở tâm của nó. M số lượng các phần
tử trong cửa sổ.
<3> Lựa chọn các kênh chỉ số nước phù hợp
nhất để tạo ra một bộ dữ liệu gồm các kênh thành
phần chính độc lập nhau (uncorrelated principal
components), sau đó mới áp dụng MFCM.
<4>Áp dụng kỹ thuật trộn ảnh lênkếtquả của
quá trình xử lý các kênh chỉ số nước bằng MFCM.
Lúc này, giá trị thành viên được tính như sau:
(푢푖푗)푝(푓 )푞
푖푗
푢′푖푗 =
(9)
푐
푘=1
(푢푘푗)푝(푓 )푞
∑
푘푗
Và giá trị tâm cụm được tính như sau:
푁
푗=1 푢′푚푖푗 푥푗
∑
푣′푖 =
(10)
푁
푚
∑
푗=1 푢′푖푗
Bảng 2. Thuật toán chương trình tự động chiết tách nước mặt MFCM.
Input
Ảnh chỉ số nước
Output
Ảnh gồm 2 lớp nước và không phải nước
MFCM
1
2
3
4
5
6
7
Số cụm C = 2, ngưỡng dừng Ɛ = 0.000006, số mờ hóa m, chọn bước lặp t = 1.
Xác định histogram của ảnh chỉ số nước và tính khởi tạo giá trị cho tâm cụm v = [vj]. j = 1, 2.
Lựa chọn kích thước cửa sổ N.
Repeat
t = t + 1
Tính khoảng cách Euclidean của từng pixel tới tâm cụm.
Tính giá trị thành viên theo công thức (6)
Tính giá trị trọng số fịj theo công thức (8), chọn q = p =2, tính lại giá trị thành viên và giá trị
tâm cụm theo công thức (9) và (10).
8
9
(t)
Until||v(t+1)
- v || <
If v1> v2 then
Cụm 1 là nước; Cụm 2 là không phải nước
Else
10
Cụm 1 là không phải nước;Cụm 2 là nước
60
Cao Xuân Cường, Võ Ngọc Dũng/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (4), 55-66
Các quy trình <1>, <3> và <4> được đánh giá
phân ngưỡng cho các chỉ số nước, cần có các khảo
sát toàn diện để xác định ngưỡng nào là tối ưu
nhất cho từng chỉ số nước. Căn cứ vào biểu đồ
histogram của các kênh ảnh chỉ số nước để lựa
chọn các ngưỡng tham gia vào quá trình khảo sát
xác định ngưỡng tối ưu. Các ngưỡng này được đưa
vào phân loại, các điểm ảnh có giá trị nhỏ hơn
ngưỡng khảo sát được đưa về lớp không phải
nước, ngược lại nếu lớn hơn ngưỡng khảo sát thì
sẽ thuộc về lớp nước. Các sai số lấy thừa và bỏ sót
được tính nhằm tìm ra ngưỡng tối ưu. Việc quyết
định ngưỡng nào là tối ưu đối với từng chỉ số
nước, sẽ căn cứ vào sai số lấy thừa hoặc lẫn
(commission) và sai số bỏ sót (omission). Thông
thường khi sai số lấy thừa lớn thì sai số bỏ sót sẽ
nhỏ và ngược lại. Do đó, ngưỡng tối ưu sẽ là
ngưỡngmàcho kết quảphânloại có sai số lấy thừa
bằng sai số bỏ sót.
là tương đối phức tạp và có thể chỉ cho độ chính
xác được nâng lên không đáng kể so với quy trình
<2> (Yang et al., 2015). Tính phức tạp là do việc
mỗi chỉ số nước cần sử dụng các tham số xử lý
khác nhau, việc kết hợp sẽ cần bộ tham số xử lý
phức tạp hơn. Điều này sẽ tạo ra khối lượng tính
toán lớn.
Để tạo ra giải pháp chiết tách nước đơn giản,
hiệu quả, chính xác và tự động, sự kết hợp giữa
MFCM và WIs được thực hiện theo quy trình <2>.
Sơ đồ quy trình được thể hiện chi tiết như Hình 2.
3.3.2. Khảo sát lựa chọn các tham số mờ hóa và số
lượng điểm ảnh láng giềng
Để có một giải pháp tối ưu, tham số mờ hóa
và kích thước cửa sổ sẽ lần lượt được khảo sát với
các giá trị ghi trong Bảng 3.
Công thức tính các sai số như sau:
Bảng 3. Các tham số lựa chọn khảo sát.
SLẫn = A/B*100% ;
(12)
(13)
Giá trị mờ hóa (m)
Kích thước cửa sổ (N)
1.5
2
2.5
3
3.5
4
3x3
5x5
7x7
9x9
11x11
21x21
Sbỏ sót = C/D*100% ;
Trong đó: A - là số pixel bị phân loại nhầm từ
không phải nước sang nước; B - là tổng số pixel
được phân loại thành nước; C - là số pixel bị phân
loại nhầm từ nước sang không phải nước; D - là
tổng số pixel nước tham khảo.
Nước mặt tại khu vực cửa sông sẽ được chiết
tách trên ảnh Landsat sử dụng MFCM và WIs với
lần lượt từng tham số mờ hóa và kích thước cửa
sổ. Kết quả chiết tách sẽ được đánh giá độ chính
xác và so sánh để rút ra tham số m và kích thước
cửa sổ tối ưu.
4. Kết quả và thảo luận
4.1. Xác định ngưỡng tối ưu cho các chỉ số nước
Các ảnh chỉ số nước được xác định và thể hiện
như trong Hình 3. Với ảnh chỉ số NDWI, các
ngưỡng có giá trị từ -0.426 đến 0.128 được lựa
chọn đưa vào phân loại. Kết quả cho thấy ngưỡng
-0.138 cho kết quả phân loại với sai số lấy thừa và
bỏ sót gần như bằng nhau. Do đó, ngưỡng ngày
được chọn là ngưỡng tối ưu cho ảnh NDWI. Làm
tương tự với các ảnh chỉ số nước còn lại, kết quả
được như sau: với MNDWI có ngưỡng tối ưu là
0.118, AWEIsh có ngưỡng tối ưu là -0.03, và
AWEInsh có ngưỡng tối ưu là -0.028 (Bảng 4). Từ
đây, kết quả phân loại của các ngưỡng này sẽ được
so sánh với kết quả phân loại dùng phương pháp
MFCM.
3.3.3. Đánh giá độ chính xác của phương pháp đề
xuất
Phương pháp đánh giá độ chính xác được sử
dụng khá phổ biến là ma trận sai số (error
matrices) và chỉ số kappa sẽ được sử dụng để
đánh giá độ chính xác các chỉ số nước nêu trên.
Bên cạnh đó, phương pháp phân loại đặt ngưỡng
cũng sẽ được sử dụng vào phân loại khu vực thực
nghiệm. Kết quả phân loại bằng phương pháp đặt
ngưỡng được sử dụng để so sánh với phương
pháp chỉ số nước kết hợp với phân cụm mờ.
Do tính chất đa dạng của lớp phủ nên đặc
điểm phản xạ phổ của các đối tượng này trên từng
kênh ảnh tương đối phức tạp. Các chỉ số nước nêu
ở trên được tính dựa trên các kênh ảnh này nên có
cả ưu điểm và hạn chế. Khi sử dụng phương pháp
4.2. Kết quả khảo sát xác định các tham số cho
MFCM
Quá trình khảo sát các tham số cho trong
Bảng 3 cho kết quả như Bảng 5.
Cao Xuân Cường, Võ Ngọc Dũng/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (4), 55-66
61
Hình 3. Các ảnh chỉ số nước khu vực nghiên cứu.
Bảng 4. Kết quả khảo sát xác định ngưỡng tối ưu cho các chỉ số nước.
Chỉ số nước NDWI
Sai số
Chỉ số nước MNDWI
Sai số
Ngưỡng
Ngưỡng
Lẫn
0.4
1.11
2.69
8.26
8.8
10.74
Bỏ sót
25
20.69
15.63
8.27
7.8
Lẫn
15.66
11.03
8.49
7.97
7.71
2.63
Bỏ sót
3.05
5.47
7.68
8.23
8.5
0.128
0.002
-0.138
-0.342
-0.355
-0.395
-0.166
-0.078
-0.006
0.011
0.021
0.305
6.38
17.65
Chỉ số nước AWEIsh
Chỉ số nước AWEInsh
-0.055
-0.037
-0.030
0.013
14.68
9.3
7.5
2.83
5.86
7.44
-0.064
-0.052
-0.028
-0.023
-0.008
0.046
16.62
16.31
8.19
7.29
4.76
0.3
3.64
4.99
8.76
9.65
13.18
36.41
1.01
22.01
62
Cao Xuân Cường, Võ Ngọc Dũng/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (4), 55-66
Bảng 5. Kết quả khảo sát tham số MFCM.
kích thước cửa sổ tăng lên. Tuy nhiên, về thời gian
xử lý thì gần như không có khác biệt. Kết quả khảo
sát cho hai tham số tối ưu m = 2 và N = 3.
m
1.5
2
2.5
3
OA %
92.912
92.910
92.909
92.907
92.905
92.901
T (“)
815
555
995
997
N
OA %
92.910
92.909
92.908
92.908
3x3
5x5
7x7
9x9
4.3 Kết quả phân loại bằng phương pháp phân
cụm mờ láng giềng thích nghi
3.5
4
1105 11x11 92.900
1127 21x21 92.861
Đối với trường hợp chỉ sử dụng các chỉ số
nước, kết quả đánh giá độ chính xác phân loại cho
thấy các hệ số kappa (KC) từ 0.84 đến 0.86. Trong
đó, chỉ số nước AWEIsh có độ chính xác cao nhất
với KC = 0.86 và độ chính xác toàn cục (OA) là
92.86%, chỉ số AWEInsh cho độ chính xác thấp
nhất với KC = 0.84 và OE = 91.96% (Bảng 6).
Kếtquả chiếttách nước sử dụng chương trình
phân cụm mờ láng giềng thích nghi cho kết quả
như trong Bảng 6. Có thể thấy rằng, phương pháp
MFCM vàWIs cho kết quả chính xác cao hơnso với
phương pháp sử dụng ngưỡng.
(OA: sai số toàn cục; T: thời gian xử lý (giây).
Kết quả khảo sát các tham số mờ hóa (m) cho
thấy mặc dù sự khác biệt về độ chính xác phân loại
là không đáng kể (khác biệt lớn nhất là 0.011%),
tuy nhiên, vẫn có thể thấy được qui luật là khi m
tăng thì độ chính xác giảm. Bên cạnh đó, xét về tốc
độ tính toán, với m = 2 thì thời gian xử lý nhanh
nhất T = 555 giây (cho ảnh kích thước 6290 x
6460 trên MatlabTB 9.0 và máy tính Intel(R)
Core(TM) i7 CPU 2.0 GHz).
Kết quả khảo sát các kích thước cửa sổ cũng
cho kết quả tương tự với sự khác biệt không đáng
kể về độ chính xác (lớn nhất là 0.049%) và một xu
hướng giảm dần về độ chính xác chiết tách khi
Khảo sát bằng mắt, có thể thấy rằng phương
pháp phân ngưỡng cho kết quả phân loại với
nhiều điểm ảnh phân loại sai hơn so với phương
pháp MFCM (Hình 4).
Bảng 6. So sánh độ chính xác phân loại của phương pháp WIs và phương pháp FCM.
Phương pháp
Sai số
NDWI FCM - NDWI MNDWI FCM - MNDWI AWEIsh FCM - AWEIsh AWEInsh FCM - AWEInsh
KC
0.84
0.85
92.37
0.85
92.3
0.87
93.08
0.86
92.89
0.86
92.91
0.84
91.96
0.84
92.02
OA (%) 92.13
Hình 4. So sánh kết quả chiết tách nước mặt giữa phương pháp phân ngưỡng và MFCM.
Cao Xuân Cường, Võ Ngọc Dũng/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (4), 55-66
63
Hình 5. Kết quả chiết tách nước bằng MFCMkết hợp các ảnh chỉ số: a. NDWI; b. MNDWI; c. AWEIsh;
d. AWEInsh.
Nước khu vực cửa sông là môi trường phức
tạp chứa nhiều bùn, chất lơ lửng, phù du và thực
vật (Fujii, 2012).Các thành phần này được xác
định là nguồn sai số chính cho chiết tách nước bề
mặt ở khu vực cửa sông.Mối liên hệ giữa độ chính
xác kết quả phân loại và sinh vật phù du, hàm
lượng chất lơ lửng trong nước được thể hiện rất
rõ trong Hình 6 (Yang et al., 2015).
Điều này đã được chứng minh trong nghiên
cứu này, khi phương pháp chiết tách nước sử
dụng kết hợp phân cụm mờ láng giềng thích nghi
và chỉ số nước MND-WIs cho kết quả chính xác
hơn các chỉ số nước khác. Đây một phần là do chỉ
số MNDWI sử dụng kênh SWIR (kênh 5 với
Landsat 5 TM, kênh 6 với Landsat 8 OLI), kênh này
ít chịu ảnh hưởng của độ đục, các sinh vật phù du
vàchất lơ lửng trongquátrình thủytriều rút ở khu
vực ven biển, trong khi đó, kênh NIR (kênh 4 với
Landsat 5 TM, kênh 5 với Landsat 8 OLI) bị tác
động mạnh bởi các điều kiện này (Ryu et al.,
2002). Chỉ số NDWI sử dụng kênh NIR nên kết quả
chiết tách nước sông đục và nông có độ chính xác
không cao (Yang et al., 2015).
4.3 Thảo luận
Trong thuật toán FCM láng giềng thích nghi,
hai tham số quan trọng nhất có ảnh hưởng tới kết
quả chiết tách thông tin nước mặt là tham số mờ
hóa (fuzzification) và số lượng các điểm ảnh láng
giềng được xác định thông qua kích thước cửa sổ
trượt (N). Giá trị mờ hóa m làm giảm ảnh hưởng
của nhiễu trong quá trình tính giá trị đại diện của
mỗicụm.Bêncạnh đó, vai tròcủa giátrị thành viên
푢푖푘 cũng phụ thuộc vào tham số m. Giá trị m càng
lớn sự phụ thuộc càng nhiều. (Lin et al., 1996). Kết
quả thực nghiệm đã cho thấy khi giá trị mờ hóa
tăng thì độ chính xác chiết tách thông tin sẽ giảm.
Trong khi đó, kích thước cửasổ trượt sử dụng tính
trọng số không gian của các điểm ảnh xét sẽ quyết
định số lượng các điểm ảnh láng giềng. Khi càng
nhiều các điểm ảnh láng giềng tham gia quá trình
tính µ thì khả năng loại bỏ nhiễu càng cao, tuy
nhiên, khả năng phân loại sai cũng tăng lên
(Adhikari et al., 2015). Kết quả thực nghiệm đã
cho thấy điều này.
64
Cao Xuân Cường, Võ Ngọc Dũng/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (4), 55-66
Tài liệu tham khảo
Adhikari, S. K., Sing, J. K., Basu, D. K., Nasipuri, M.,
2015. Conditional spatial fuzzy C-means
clustering algorithm for segmentation of MRI
images. Applied Soft Computing, 34, 758-769.
Alsdorf, D. E., Lettenmaier, D. P., 2003. Tracking
Fresh Water from Space. Science, 301(5639),
jstor.org/stable/3835066
Bezdek, J. C., 1973. Fuzzy Mathematics in Pattern
Classification. (Doctor of Philosophy), Cornell
University, Ithaca, New York.
Bezdek, J. C., Ehrlich, R., Full, W., 1984. FCM: The
fuzzy c-means clustering algorithm. Computers
and
Geosciences,
10(2),
191-203.
doi:10.1016/0098-3004(84)90020-7
Chuang, K. S., Tzeng, H. L., Chen, S., Wu, J., Chen, T.
J., 2006. Fuzzy c-means clustering with spatial
information for image segmentation.
Computerized Medical Imaging and Graphics,
30(1), 9-15. doi:10.1016/j.compmedimag
.2005.10.001
Hình 6. Ảnh hưởng của sinh vật phù du trong
nước tới độ chính xác phân loại(Yang et al., 2015).
5. Kết luận
Môi trường nước cửa sông phức tạp và ảnh
hưởng rõ ràng tới độ chính xác chiết tách nước bề
mặt trên tư liệu viễn thám. Phương pháp phân
cụm mờ FCM áp dụng trên ảnh chỉ số nước WIs là
một giải pháp nhanh, chính xác, và hiệu quả.Các
tham số mờ hóa và số điểm ảnh láng giềng là hai
trong số những tham số cơ bản của thuật toán
MFCM.Hai tham số có ảnh hưởng tuy không lớn về
độ chính xác nhưng rất rõ ràng về thời gian xử lý.
Trong nghiên cứu này, mờ hóa m =2 và kích thước
cửa sổ N = 3 (số điểm ảnh láng giềng là 8) được
xác định là tối ưu. Phương pháp sử dụng cho độ
chính xác cao hơn phương pháp đặt ngưỡng nhờ
kết hợp ưu điểm của cả hai kỹ thuật tạo ảnh chỉ số
nước và phân cụm mờ láng giềng thích nghi. Bên
cạnh đó, quá trình xử lý được tự động hoàn toàn,
tiết kiệm được thời gian và công sức so với
phương pháp đặt ngưỡng. Việc sử dụng kết hợp
giữa cửa sổ trượt và histogram khởi tính giá trị
tâm cụm hay giá trị đại diện của cụm đã giúp cải
thiện đáng kế quá trình khởi tạo của thuật toán
FCM. Với khu vực cửa sông chứa nhiều phù sa,
chất lơ lửng, và sinh vật phù du, chỉ số nước
MNDWI, AWEIsh cho độ chính xác chiết tách nước
mặt cao hơn NDWI.
Dunn, J. C., 1973. A Fuzzy Relative of the ISODATA
Process and Its Use in Detecting Compact Well-
Separated Clusters. Journal ofCybernetics, 3(3),
32-57. doi:10.1080/01969727308546046
Feyisa, G. L., Meilby, H., Fensholt, R., Proud, S. R.,
2014. Automated Water Extraction Index: A
new technique for surface water mapping
using Landsat imagery. Remote Sensing of
Environment, 140, 23-35. doi: https:// doi.org
/10.1016/j.rse.2013.08.029
Frazier, P., Page, K., Louis, J., Briggs, S., Robertson,
A. I., 2003. Relating wetland inundation to
riverflowusing LandsatTMdata. International
Journal of Remote Sensing, 24(19), 3755-3770.
doi:10.1080 /01431160 21000023916
Fujii, T., 2012. Climate Change, Sea-Level Rise and
Implications for Coastal and Estuarine
Shoreline Management with Particular
Reference to the Ecology of Intertidal Benthic
Macrofauna in NW Europe. Biology, 1(3), 597-
616. doi:10.3390/biology1030597
Cao Xuân Cường, Võ Ngọc Dũng/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (4), 55-66
65
Ghaffarian, S., Ghaffarian, S., 2014. Automatic
histogram-based fuzzy C-means clustering for
remote sensing imagery. ISPRS Journal of
Photogrammetry and Remote Sensing, 97, 46-
57. doi:10.1016/j.isprsjprs.2014.08.006
Pham, T. D., Yoshino, K., 2016. Impacts of
mangrove management systems on mangrove
changes in the Northern Coast of Vietnam.
Tropics,
24(4),
141-151.
doi:10.3759/tropics.24.141
Ghosh, A., Mishra, N. S., Ghosh, S., 2011. Fuzzy
clustering algorithms for unsupervised change
detection in remote sensing images.
Information Sciences, 181(4), 699-715.
doi:10.1016/j.ins.2010.10.016
Ryu, J.-H., Won, J.-S., Min, K. D., 2002. Waterline
extraction from Landsat TM data in a tidal flat:
A case study in Gomso Bay, Korea. Remote
Sensing of Environment, 83(3), 442-456.
doi:10.1016/S0034-4257(02)00059-7
Hao, J., Min, F., Yunqiang, Z., Ning, L., Jianxi, H.,
Tong, X., 2014. An Automated Method for
Extracting Rivers and Lakes from Landsat
Imagery. Remote Sensing, 6(6), 5067-5089.
doi:10.3390/rs6065067
Stavrakoudis, D. G., Theocharis, J. B., Zalidis, G. C.,
2011. A Boosted Genetic Fuzzy Classifier for
land cover classification of remote sensing
imagery. ISPRS Journal of Photogrammetry and
Remote
Sensing,
66(4),
529-544.
doi:10.1016/j.isprsjprs.2011.01.010
Kersten, P. R., Jong-Sen, L., Ainsworth, T. L., 2005.
Unsupervised classification of polarimetric
synthetic aperture Radar images using fuzzy
clustering and EM clustering. Geoscience and
Remote Sensing, IEEE Transactions on, 43(3),
519-527. doi:10.1109/TGRS.2004.842108
Verpoorter, C., Kutser, T., Seekell, D. A., Tranvik, L.
J., 2014. A global inventory of lakes based on
high-resolution satellite imagery. Geophysical
Research Letters, 41(18), 6396-6402.
doi:10.1002/2014GL060641
Lin, J.-S., Cheng, K.-S., Mao, C.W., 1996.
Segmentation of Multispectral Magnetic
Resonance Image Using Penalized Fuzzy
Competitive Learning Network. Computers
and Biomedical Research, 29(4), 314-326.
White, K., El Asmar, H. M., 1999. Monitoring
changing position of coastlines using thematic
mapper imagery, an example from the Nile
delta. Geomorphology, 29, 93-105.
Xu, H., 2006. Modification of normalised
difference water index (NDWI) to enhance
open water features in remotely sensed
imagery. International Journal of Remote
McFeeters, S. K., 1996. The use of the Normalized
Difference Water Index (NDWI) in the
delineation of open water features.
International Journal of Remote Sensing, 17(7),
Sensing,
27(14),
3025-3033.
doi:10.1080/01431160600589179
1425-1432.
8714
doi:10.1080/0143116960894
Yang, Y., Liu, Y., Zhou, M., Zhang, S., Zhan, W., Sun,
C., Duan, Y., 2015. Landsat 8 OLI image based
McKeon, C. S., Tunberg, B. G., Johnston, C. A.,
Barshis, D. J., 2015. Ecological drivers and
habitat associations of estuarine bivalves.
PeerJ, 3, e1348. doi:10.7717/peerj.1348
terrestrial
heterogeneous
reflectance homogenization approach. Remote
Sensing of Environment, 171, 14-32.
doi:10.1016/j.rse.2015.10.005
water
extraction
from
backgrounds
using
a
66
Cao Xuân Cường, Võ Ngọc Dũng/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (4), 55-66
ABSTRACT
Modified fuzzy c - means based approach for water body extraction
from water index images
Cuong Xuan Cao, Dung Ngoc Vo
Faculty of Geomatics and Land Administration, Hanoi University of Mining and Geology, Vietnam
While surface waters play a crucial role on terrestrial life, this resource is under threats due to both
human and natural activities. Extracting water bodies is an important task for the management of water
resource. Traditional remote sensing based methods have difficulties in the water body extraction
because of the coarse spatial resolution and spectral reflectance heterogeneity of satellite images. This
paper presents a new approach for detecting water bodies from water index images based on the
modified fuzzy c-means (MFCM). The approach was designed to improve the water extraction accuracy.
It was applied to Landsat 8 OLI images captured over the Bach Dang estuary situated in Hai Phong and
Quang Ninh. Results showedthe MFCM method improved the accuracy of water extraction in comparison
to the density slicing method in term of kappa coefficients, with 0.87 and 0.84, respectively.
12 trang
09/01/2024
24060
Free
Bạn đang xem tài liệu "Ứng dụng thuật toán phân cụm mờ trên ảnh chỉ số nước trong chiết tách thông tin nước mặt khu vực cửa sông", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- ung_dung_thuat_toan_phan_cum_mo_tren_anh_chi_so_nuoc_trong_c.pdf
