Một kỹ thuật phân lớp ảnh viễn thám sử dụng tiếp cận lai

MỘT KỸ THUẬT PHÂN LỚP ẢNH VIỄN THÁM SỬ DỤNG TIẾP CẬN LAI
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG50 Số 2 (CS.01) 2016
MỘT kỸ THUẬT PHÂN LỚP ẢNH VIỄN THÁM 
SỬ DỤNG TIẾP CẬN LAI
Nguyễn Tu Trung1, Ngô Hoàng Huy1, Đặng Văn Đức1, Vũ Văn Thỏa2, Lại Anh Khôi3 
1 Viện Công nghệ thông tin, Viện Khoa học và Công nghệ Việt Nam 
2 Học viện Công nghệ Bưu chính Viễn thông 
3 Viện Công nghệ Vũ trụ, Viện Khoa học và Công nghệ Việt Nam
Tóm tắt: Phân loại ảnh viễn thám là vấn đề được 
các nhà nghiên cứu viễn thám quan tâm. Có 2 
hướng tiếp cận chủ yếu là dựa trên điểm ảnh và 
hướng đối tượng cho vấn đề này. Ảnh viễn thám có 
thể có nhiều kênh và độ phân giải rất cao. Hướng 
tiếp cận dựa trên điểm ảnh thường cho độ chính 
xác cao nhưng gặp vấn đề khi phân loại ảnh có 
kích thước lớn như ảnh viễn thám. Trong khi đó, 
tiếp cận dựa trên đối tượng khắc phục được vấn 
đề kích thước ảnh nhưng thường có độ chính xác 
thấp hơn so với hướng tiếp cận điểm ảnh. Bài báo 
này đề xuất một tiếp cận lai với sự kết hợp cả hai 
hướng tiếp cận để đưa ra một thuật toán phân loại 
ảnh viễn thám hiệu quả hơn. Thuật toán được thử 
nghiệm trên tập dữ liệu là các ảnh viễn thám thuộc 
tỉnh Hoà Bình.
Từ khóa: Viễn thám, phân loại ảnh, tiếp cận hướng 
điểm ảnh, tiếp cận hướng đối tượng, tiếp cận lai.1
I. MỞ ĐẦU
Độ phân giải của ảnh đa phổ ngày càng tăng. Gần 
đây, các ảnh viễn thám có độ phân giải nhiều mét. 
Hiện tại, khi mà các vệ tinh mới đã đạt được 60 
centimet của độ phân giải thì mức độ chi tiết tăng 
lên 10 lần. Với các ảnh như vậy, chúng ta có thể 
cho rằng mỗi điểm ảnh là một phần của một đối 
tượng đơn giản. Do đó, tính hỗn tạp của ảnh tăng 
lên rõ rệt.
Các ảnh vệ tinh được sử dụng chủ yếu trong các 
hệ thông tin địa lý (GIS). Việc phân loại chúng rất 
Tác giả liên hệ: Nguyễn Tu Trung
Email: trungnt.sremis@gmail.com
Đến tòa soạn: 23/7/2016, chỉnh sửa: 30/8/2016, chấp nhận đăng: 
03/9/2016.
có ích cho khoa nghiên cứu bản đồ. Với các ảnh đa 
phổ có độ phân giải thấp, cường độ của các điểm 
ảnh đủ để phân loại riêng rẽ từng điểm của chúng. 
Ngược lại, việc phân loại ảnh có độ phân giải cao 
khó hơn rất nhiều. Việc tăng độ phức tạp của cảnh 
tạo ra các mức độ chi tiết khác nhau. Ví dụ một cây 
trong một cánh đồng hay các bóng râm của các đối 
tượng có thể nhìn thấy và thông tin ngữ cảnh của 
các điểm ảnh trở nên cần thiết cho một phân loại 
tốt. Các phần mềm phân loại GIS và phần mềm 
dùng trong lĩnh vực y học đang tồn tại nói chung 
đều sử dụng các phương pháp giống nhau cho các 
ảnh có độ phân giải thấp và cao. Nếu như các kết 
quả vừa ý có thể đạt được với các ảnh độ phân 
giải thấp, thì hiệu quả của các phần mềm này với 
các ảnh độ phân giải cao vẫn cần phải xem xét và 
nghiên cứu thêm. Chính vì vậy, để đảm bảo một sự 
chính xác tốt, việc phân loại bằng tay đôi khi được 
ưu tiên hơn các phương pháp tự động.
Trong phân loại ảnh viễn thám, có 2 hướng tiếp 
cận chủ yếu dựa trên điểm ảnh và hướng đối tượng 
cho vấn đề này. Hướng tiếp cận dựa trên điểm ảnh 
[9] thường cho độ chính xác cao nhưng gặp vấn đề 
khi phân loại ảnh có kích thước lớn như ảnh viễn 
thám. Hướng tiếp cận dựa trên đối tượng bao gồm 
hai giai đoạn chính [2]. Một là, xác định đối tượng 
là các vùng (cụm) sử dụng các thuật toán phân 
loại không giám sát (phân vùng, phân cụm). Phân 
cụm là một quy trình dùng để trích chọn những nét 
chính của các đối tượng nền bởi việc định nghĩa 
các vùng tương ứng. Có nhiều phương pháp phân 
vùng khác nhau như: Các phương pháp hình thái, 
Các phương pháp họ K-means, Mô hình pha trộn 
Gaussian có giới hạn (FGMM), Tách và hợp, Các 
mô hình Markov,... Hiện nay, một số thuật toán bao 
Nguyễn Tu Trung, Ngô Hoàng Huy, Đặng Văn Đức, Vũ Văn Thỏa, Lại Anh Khôi
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG
Số 2 (CS.01) 2016 51
gồm thông tin ngữ cảnh trong quy trình để giảm 
bớt tính hỗn tạp của các phân đoạn [2]. Trong [4], 
Chen và cộng sự đã trình bày thuật toán phân cụm 
KMeans sử dụng thay thế tâm cụm. Trong [5], 
Balaji và cộng sự đã trình bày thuật toán phân cụm 
mới dựa trên việc chuyển đổi ảnh từ không gian 
màu RGB sang không gian L*a*b và phân cụm 
trên không gian này. Hai là, phân loại đối tượng sử 
dụng các thuật toán phân loại có giám sát. Trong 
[6], các tác giả đã sử dụng tiếp cận mạng Neural 
để phân lớp ảnh Landsat. Một trong những phương 
pháp phân loại được sử dụng phổ biến nhất trong 
ảnh viễn thám có thể kể đến là phương pháp phân 
loại hợp lý tối đa [1]. Đây là phương pháp phân 
loại dựa trên hướng tiếp cận điểm ảnh. Trong [7], 
Nedeljkovic đề xuất thuật toán phân lớp ảnh dựa 
trên logic mờ và thuật toán phân loại hợp lý tối đa. 
Hướng tiếp cận dựa trên đối tượng khắc phục được 
vấn đề kích thước ảnh nhưng thường có độ chính 
xác thấp hơn so với hướng điểm ảnh.
Trong nghiên cứu này, chúng tôi đề xuất tiếp cận 
phân loại ảnh viễn thám mới mà thuật toán cài đặt 
từ tiếp cận này được cải tiến từ phương pháp phân 
loại hợp lý tối đa với sự kết hợp cả hai hướng tiếp 
cận trên.
II. TIẾP CẬN HƯỚNG ĐIỂM ẢNH VÀ HƯỚNG 
ĐỐI TƯỢNG
A. Tiếp cận hướng điểm ảnh
Tiếp cận kinh điển của phân loại ảnh viễn thám dựa 
trên điểm ảnh [9]. Tiếp cận này chỉ thông tin phổ 
được sử dụng trong việc phân loại [8]. Tiếp cận 
này bao gồm phương pháp phân loại có giám sát và 
không giám sát truyền thống [8][9]. Phương pháp 
phân loại hợp lý tối đa (maximum likehood) thuộc 
tiếp cận này. Hình 1 minh hoạ quy trình phân loại 
ảnh hướng điểm ảnh.
Hình 1. Quy trình phân loại ảnh 
đa phổ hướng điểm ảnh
B. Tiếp cận hướng đối tượng
Trong tiếp cận hướng đối tượng, đơn vị xử lý không 
còn là các điểm ảnh đơn giản mà là các đối tượng 
ảnh [8]. Đầu tiên, ảnh được phân đoạn thành các 
nhóm điểm ảnh có nghĩa. Thứ hai, một tập các luật 
phân đoạn dựa trên tri thức để mô tả mỗi lớp được 
định nghĩa. Luật bao gồm thông tin phổ, không 
gian, ngữ cảnh và kết cấu [8]. Và sau đó, bộ phân 
loại sẽ được chọn để gán mỗi đoạn về lớp phù hợp 
theo luật [10]. Hình 2 minh hoạ quy trình phân loại 
dựa trên tiếp cận hướng đối tượng.
Ảnh gốc
Phân vùng
Danh sách vùng
Trích chọn đặc trưng
Dữ liệu đặc trưng 
đối tượng
Phân loại đối tượng
Kết quả
Hình 2. Quy trình phân loại ảnh 
đa phổ hướng đối tượng
III. PHÂN LOẠI HỢP LÝ TỐI ĐA
Trong [1], phương pháp phân loại hợp lý tối đa 
được trình bày một cách chi tiết.
A. Phân loại Bayes
Ký hiệu các lớp phổ cho một ảnh qua việc biểu 
diễn như sau: , 1, ,i i Mw =  . Trong đó, M là tổng 
số lớp. Trong việc cố gắng xác định lớp hoặc loại 
mà vector điểm ảnh x thuộc lớp đó là xác xuất có 
điều kiện ( )/ , 1, ,ip x i Mw =  . Vector độ đo x là 
một cột giá trị độ sáng cho điểm ảnh. Nó mô tả 
điểm ảnh như một điểm trong không gian đa phổ 
với hệ tọa độ được bởi độ sáng. Xác suất ( )/ip xw 
cho sự hợp lý mà lớp chính xác là iw cho một điểm 
ảnh tại vị trí x. Phân loại được thực hiện theo
( ) ( ), / / i i jx n p x p x j iw w w∈ > ∀ ¹Õu (1)
Nghĩa là, điểm ảnh tại x thuộc lớp iw nếu ( )/ip xw 
là lớn nhất. Luật quyết định trực giác này là một 
trường hợp đặc biệt của một luật tổng quát hơn 
trong đó các quyết định có thể được chịu ảnh 
hưởng theo mức độ khác nhau của ý nghĩa được 
gắn đến sự phân loại không chính xác khác.
MỘT KỸ THUẬT PHÂN LỚP ẢNH VIỄN THÁM SỬ DỤNG TIẾP CẬN LAI
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG52 Số 2 (CS.01) 2016
B. Luật quyết định hợp lý tối đa
Mặc dù rất đơn giản, ( )/ip xw không được biết 
đến. Tuy nhiên, nếu giả sử rằng dữ liệu huấn luyện 
đầy đủ sẵn sàng cho mỗi loại che phủ đất. Điều 
này có thể được dùng để ước lượng một phân bố 
xác suất cho một loại che phủ mà mô tả cơ hội 
tìm một điểm ảnh từ lớp iw tại vị trí x. Sau đó, 
việc hình thức hóa hàm phân bố này sẽ được tạo 
cụ thể hơn. Tuy nhiên, hiện tại, hàm này được giữ 
lại trong dạng chung và được biểu diễn bởi ký hiệu 
( )/ip xw . Sẽ có nhiều ( )/ ip x w như có các lớp 
che phủ đất. Nói cách khác, với một điểm ảnh tại vị 
trí x trong không gian đa phổ một tập các khả năng 
có thể được tính mà đưa ra sự hợp lý liên quan mà 
điểm ảnh thuộc về mỗi lớp sẵn có.
( )/ip xw mong muốn trong phần 1 và ( )/ ip x w 
sẵn có – được ước lượng từ dữ liệu huấn luyện – 
liên quan bởi định lý Bayes (Freund, 1992):
 ( ) ( )/ / ( ) / ( )i i ip x p x p p xw w w= (2)
Trong đó, ( )ip w là xác suất mà lớp xảy ra trong 
ảnh. Nếu, chẳng hạn, 15% điểm ảnh của ảnh thuộc 
về lớp iw thì ( ) 0.15ip w = ; p(x) trong (2) là xác 
suất để tìm được điểm ảnh trong bất kỳ lớp nào tại 
vị trí x. Nó được quan tâm vì:
( ) ( )
1
/ ( )
M
i i
i
p x p x pw w
=
= ∑ (3)
mặc dù chính ( )p x không quan trọng trong những 
điều sau đây. ( )ip w được gọi là xác suất ưu tiên, 
khi chúng là xác suất với thành viên lớp của một 
điểm ảnh có thể được dự đoán trước khi phân loại. 
Bằng việc so sánh ( )/ip xw là các khả năng sau 
đó. Sử dụng (2) có thể thấy rằng luật phân loại của 
phần 1 là:
( ) ( ), / ( ) / ( ) i i i j jx p x p p x p j iw w w w w∈ > ∀ ¹nÕu 
(4)
Trong đó, ( )p x đã được xóa như một thừa số 
chung. Luật (4) dễ chấp nhận hơn so với luật (1) 
khi ( )/ ip x w được biết từ dữ liệu huấn luyện và 
nó có thể được hiểu rằng ( )ip w cũng đã biết hoặc 
có thể ước lượng từ tri thức phân tích ảnh. Kết quả 
phù hợp về mặt toán học nếu trong (4) định nghĩa:
( ) ( ){ } ( )ln / ( ) ln / ln ( )i i i i ig x p x p p x pw w w w= = + 
(5)
được sử dụng, trong đó ln là logarit tự nhiên và (4) 
được trình bày lại như sau:
 ( ) ( ), i i jx g x g x j iw∈ > ∀ ¹nÕu (6)
Nghĩa là, với thay đổi như trên, luật quyết định 
được sử dụng trong phân loại hợp lý tối đa; ( )ig x 
tham chiếu đến hàm phân biệt (discriminant).
C. Mô hình lớp chuẩn đa biến
Ở giai đoạn này, giả sử rằng phân bố xác suất của 
các lớp thuộc dạng mô hình chuẩn đa biến. Đây là 
một giả định, hơn là một thuộc tính có thể chứng 
minh của các lớp phổ tự nhiên hoặc thông tin. Tuy 
nhiên, nó dẫn đến sự đơn giản hóa về mặt toán học 
như sau đây. Hơn nữa nó là một phân bố cho các 
thuộc tính của dạng đa biến đã biết.
Trong (4) vì thế, bây giờ được giả sử cho N 
kênh rằng
( ) ( ) ( )
1
1/2/2 1/ (2 )
2
tN
i i i i
i
p x exp x m x mw π
−
−−
  = Σ − − − 
  
∑
(7)
( ) ( ) ( ) ( )
11 1
ln / – ln
2 2 2 2
t
i i i i
i
N
p x x m x m
ln
w
π
−
= − Σ − − −∑
(7.1)
Trong đó, im và iΣ là vector trung bình và ma trận 
hiệp phương sai của dữ liệu trong lớp iw . Ta có 
– / 2 (2 )N ln π là chung cho tất cả ( )ig x và không 
giúp cho sự phân biệt. Do đó, thừa số này được bỏ 
qua và dạng cuối của hàm phân biệt cho phân loại 
hợp lý tối đa, dựa trên giả định của thống kê chuẩn, 
là (thay 7.1 vào 5):
( 1)1 1( ) ( ) | | ( ) ( )
2 2
t
i i i i i ig x lnp ln x m x mw
−= − ∑ − − ∑ −
 (8)
Nguyễn Tu Trung, Ngô Hoàng Huy, Đặng Văn Đức, Vũ Văn Thỏa, Lại Anh Khôi
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG
Số 2 (CS.01) 2016 53
Thông thường, người phân tích không có thông 
tin hữu ích về ( )ip w , trong trường hợp một tình 
huống của các khả năng ưu tiên cân bằng được giả 
định; như một hệ quả ( )ilnp w có thể được xóa bỏ 
từ (7) khi nó giống nhau với mọi i. Trong trường 
hợp này thừa số ½ cũng có thể được loại bỏ, như 
hàm phân biệt:
1( ) | | ( ) ( )ti i i i ig x ln x m x m
−= − ∑ − − ∑ − (9) 
Việc cài đặt luật quyết định hợp lý tối đa liên quan 
đến việc sử dụng hoặc (8) hoặc (9) trong (6). Tuy 
nhiên có một suy xét xa hơn liên quan đến liệu rằng 
bất kỳ nhãn hay lớp nào sẵn sàng cũng hợp lý.
IV. ĐỀ XUẤT PHƯƠNG PHÁP PHÂN LOẠI 
DỰA TRÊN TIẾP CẬN LAI
Trong nghiên cứu này, chúng tôi đề xuất một tiếp 
cận phân loại ảnh với sự kết hợp cả hai tiếp cận trên 
mà chúng tôi tạm gọi là tiếp cận lai. Đầu tiên, ảnh 
gốc được tiến hành phân vùng. Thay vì trích chọn 
đặc trưng đối tượng như trong tiếp cận hướng đối 
tượng, các vùng sẽ được đưa vào bộ phân loại lai 
để cho quyết định phân lớp cuối cùng. Hình 3 mô 
tả quy trình phân loại theo tiếp cận lai.
Hình 3. Quy trình phân loại ảnh đa phổ theo tiếp cận lai.
A. Phân vùng ảnh (Unsupervised Segmentation)
Phân đoạn là một quy trình dùng để trích chọn 
những nét chính của các đối tượng nền bởi việc 
định nghĩa các vùng tương ứng. Nhiệm vụ của 
chức năng phân vùng ảnh là từ ảnh đa phổ ban đầu, 
tiến hành xử lý và phân chia thành các vùng, các 
cụm khác nhau. Hiện nay, có nhiều phương pháp 
phân vùng khác nhau như: Các phương pháp hình 
thái, Các phương pháp họ K-means, Mô hình pha 
trộn Gaussian có giới hạn (FGMM), Tách và hợp, 
Các mô hình Markov,... Hầu hết các phương pháp 
chỉ sử dụng cường độ của mỗi điểm ảnh để định 
nghĩa các vùng, nhưng đưa ra các phân đoạn rất 
hỗn tạp, cụ thể với các ảnh đa phổ có độ phân giải 
cao. Hiện nay một số thuật toán bao gồm thông tin 
ngữ cảnh trong quy trình để giảm bớt tính hỗn tạp 
của các phân đoạn. Trong đó một số thông tin ngữ 
cảnh của các phân đoạn này được trích chọn từ ảnh 
cũng được sử dụng.
Bảng I. Thuật toán KMeansCMN
Đầu vào: n đối tượng và số cụm k
Đầu ra: Các cụm Ci (i =1... k) sao cho hàm mục tiêu E sau 
đây đạt cực tiểu:
2
( 1) ( ) ( , )i
k
i x C iE d x m= ∈∑= ∑ 
Bước 1: Khởi tạo
Chọn k đối tượng Cj (j = 1... k) là tâm ban đầu của k cụm 
dữ liệu đầu vào (lựa chọn ngẫu nhiên hoặc theo kinh 
nghiệm).
Bước 2: Gán tâm cụm theo khoảng cách
Với mỗi đối tượng xi (1 ≤ i ≤ n), tính khoảng cách của 
nó tới mỗi tâm Cj với j = 1...k. Đối tượng thuộc về cụm 
CS mà khoảng cách từ tâm CS tương ứng đến đối tượng 
đó là nhỏ nhất.
( ), min ( , ),1S jd x C d x C j k= ≤ ≤ (10)
Bước 3: Cập nhật tâm cụm
Đối với mỗi j = 1...k, cập nhật lại tâm cụm Cj bằng cách 
xác định trung bình cộng của các vector đối tượng dữ 
liệu đã được gán về cụm.
Nếu số lượng điểm ảnh trong cụm nhỏ hơn hằng số rất 
lớn Max thì tâm vẫn tính theo công thức như sau:
( )
( ( ))
x cluster j
j
x
C
count cluster j
∈=
∑
 (11)
Nếu số lượng điểm ảnh trong cụm lớn hơn hằng số rất 
lớn Max thì tâm tính theo công thức như sau:
 j jC CMN(Cluster )= (11a)
Bước 4: Lặp và kiểm tra điều kiện dừng
Lặp lại các bước 2 và 3 cho đến khi các tâm cụm không 
thay đổi giữa hai lần lặp liên tiếp.
Một vấn đề chung với các hệ thống xử lý tiếng nói 
là các đặc trưng của các kênh có thể biến đổi từ một 
phiên sang phiên tiếp theo. Một phương pháp được 
sử dụng để cự tiểu hóa ảnh hưởng của những khác 
biệt này trên hiệu năng nhận dạng là phép chuẩn 
MỘT KỸ THUẬT PHÂN LỚP ẢNH VIỄN THÁM SỬ DỤNG TIẾP CẬN LAI
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG54 Số 2 (CS.01) 2016
hóa trung bình phổ (Cepstral Mean Normalisation 
- CMN) [12]. Phương pháp này được áp dụng rộng 
rãi và hiệu quả trong xử lý tín hiệu số và nhận dạng 
tiếng nói. Tuy nhiên, khi áp dụng trong xử lý tín 
hiệu số thời gian thực, các tham số và tính đúng 
đắn của CMN được chọn và kiểm chứng thông qua 
thực nghiệm trên tín hiệu thực cụ thể mà thiếu các 
phép chứng minh hình thức chặt chẽ bằng toán học.
Bài báo này chỉ ra một ứng dụng của phép chuẩn 
hóa CMN trong phân cụm ảnh viễn thám.
Trong nghiên cứu này, chúng tôi đã thử nghiệm 
cài đặt thuật toán KMeans [11] và cải tiến thành 
KMeansCMN. Thuật toán KMeansCMN được 
trình bày như bảng I:
Thủ tục tính tâm cụm CMN(Cluster
j
) tại vòng lặp 
thứ n như sau:
Bước 1: Khởi tạo tâm theo công thức
 1n nj jC Cβ
−= 
Bước 2: Với mỗi j x Cluster∈ tính theo công thức
 n n-1j jC = αC + βx 
Trong nghiên cứu này, chúng tôi chọn Max = 50000 
và a = 0.95.
B. Phân loại lai
Hàm phân biệt ( )ig x như được trình bày trong 
mục III.C của phương pháp phân loại hợp lý tối 
đa chỉ áp dụng cho từng điểm ảnh. Trong phần 
này, chúng tôi đề xuất một cải tiến cho hàm phân 
biệt này để áp dụng cho việc phân lớp các cụm-đối 
tượng đã thu được từ giai đoạn phân loại không 
giám sát trong mục IV.A.
Sau khi phân cụm ảnh gốc I ta được tập O cụm-đối 
tượng như sau:
{ }iO o : 0 i K= ≤ ≤ (12)
Trong đó, o
i
Ço
j
 = f; i∀ ¹ j, i, j = 1, 2,.., K; o1È 
o
2 
È...È o
K 
 = I.
Chúng tôi xây dựng hàm phân biệt cho mỗi cụm 
như sau:
( ) ( ) / ( )i i
x o
f o g x count o
∈
= ∑ (13)
Hoặc ( ) ( )maxi ix of o g x∈= (13.1)
Từ (6) chúng tôi đề xuất luật quyết định lớp cho 
mỗi cụm như sau:
( ) ( ), i i jo f o f o j iw∈ > ∀ ¹nÕu (14)
V. THỬ NGHIỆM
Tập dữ liệu phục vụ cho thử nghiệm gồm 2 loại. 
Một là, loại ảnh LANDSAT ETM+ chụp khu vực 
Hòa Bình, bao gồm các ảnh ranh giới từng huyện 
khu vưc tỉnh Hòa Bình.Hai là ảnh SPOT, loại ảnh 
có độ phân giải cao, gồm 4 kênh: Lục, Đỏ, Cận 
hồng ngoại, Hồng ngoại, chụp khu vực Hòa Bình 
và Sơn La với 21 ảnh chụp năm 2003 và 14 ảnh 
chụp năm 2008. Do khuôn khổ bài báo có hạn, 
nhóm tác giả trình việc thử nghiệm với hai mẫu 
ảnh đầu vào khác nhau.
Để đánh giá chất lượng phân cụm, trong [13], các 
tác giả đã sử dụng chỉ số F(I) [14], tuân theo các 
tiêu chí về sự đồng nhất cụm [13] [15], để so sánh 
kết quả phân cụm của các thuật toán. F(I) càng nhỏ 
thì độ đồng nhất càng cao. Chỉ số này được tính 
như sau:
( )
1
1
1000( )
R
i
ii
e
F I R
N M A=
=
× ∑ 
A. Thử nghiệm thuật toán phân cụm
1) Thử nghiệm 1
Hình 4 là ảnh kết quả phân cụm của KMeans và 
KMeansCMN trong trường hợp 5 cụm với ảnh 
SPOT. Các ảnh từ 1 đến 5 là ảnh từng cụm. Ảnh 
thứ 6 là ảnh đã thay các điểm ảnh gốc bằng tâm 
các cụm.
Bảng II. So sánh độ đồng nhất cụm (*1.0E + 3)
Số cụm KMeans KMeansCMN
5 2.24 2.04
10 1.58 1.81
Nguyễn Tu Trung, Ngô Hoàng Huy, Đặng Văn Đức, Vũ Văn Thỏa, Lại Anh Khôi
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG
Số 2 (CS.01) 2016 55
Bảng II so sánh độ đồng nhất tâm cụm giữa 
KMeans và KMeansCMN. Bảng III thống kê số 
thời gian thực thi của KMeans và KMeansCMN 
với 5 cụm và 10 cụm. Chúng ta thấy độ đồng nhất 
của KMeansCMN là tốt hơn so với KMeans. Ngoài 
ra, thời gian phân cụm của KMeansCMN cũng nhỏ 
hơn KMeans.
Bảng III. Thời gian phân cụm (MS)
Số cụm KMeans KMeansCMN
5 2,616,938 2,413,791
10 11,275,333 8,618,345
Hình 4. Kết quả phân cụm bởi KMeans (a) 
và KMeansCMN (b)
2) Thử nghiệm 2
Hình 5 là ảnh kết quả phân cụm của KMeans và 
KMeansCMN trong trường hợp 5 cụm với ảnh 
LANSAT. Các ảnh từ 1 đến 5 là ảnh từng cụm. Ảnh 
thứ 6 là ảnh đã thay các điểm ảnh gốc bằng tâm 
các cụm.
Hình 5. Kết quả phân cụm bởi KMeans (a) 
và KMeansCMN (b)
Bảng IV. So sánh độ đồng nhất cụm (*1.0E-05)
Số cụm KMeans KMeansCMN
5 1.66 1.5
8 1.61 1.53
Bảng IV so sánh độ đồng nhất tâm cụm giữa 
KMeans và KMeansCMN. Bảng V thống kê số 
bước lặp cũng như thời gian thực thi của KMeans 
MỘT KỸ THUẬT PHÂN LỚP ẢNH VIỄN THÁM SỬ DỤNG TIẾP CẬN LAI
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG56 Số 2 (CS.01) 2016
và KMeansCMN với 5 cụm và 8 cụm. Chúng ta 
thấy độ đồng nhất của KMeansCMN là tốt hơn 
so với KMeans. Ngoài ra, thời gian phân cụm của 
KMeansCMN cũng nhỏ hơn KMeans.
Bảng V. Thời gian phân cụm (MS)
Số cụm KMeans KMeansCMN
5 263,672 213,109
8 1,658,609 1,568,062
Nhận xét: Tốc độ hội tụ của KMeansCMN phân 
cụm tốt hơn và nhanh hơn so với KMeans.
B. Thử nghiệm thuật toán phân lớp
Kết quả thử nghiệm có sự so sánh giữa thuật toán 
phân loại theo phương pháp phân loại hợp lý tối 
đa (thuật toán gốc), được cài đặt trong phần mềm 
Grass và thuật toán dựa trên tiếp cậnlai (thuật toán 
cải tiến).
Mẫu thứ nhất là ảnh SPOT với kích thước 2201 × 
2101. Thực hiện việc phân loại ảnh đầu vào với 3 
lớp: đất (màu nâu trong ảnh kết quả), nước (màu 
vàng trong ảnh kết quả), rừng (màu xanh lam trong 
ảnh kết quả). Kết quả phân loại được thể hiện trong 
hình 7. Từ kết quả trong hình 7, quan sát vùng được 
khoanh tròn trên ảnh, vùng rừng có xen lẫn đất 
với tính hỗn tạp rất cao. Tuy nhiên, thuật toán gốc 
không phản ánh rõ sự đan xen này mà quy về một 
lớp. Trong khi thuật toán cải tiến phân biệt rất rõ.
Bảng VI. So sánh độ chính xác
Lớp MLK Lai
Đất 95% 98%
Rừng 100% 100%
Nước 98% 98%
Bảng VII. So sánh độ chính xác
Lớp MLK Lai
Núi đá 85% 84%
Rừng 90% 93%
Nước 100% 100%
Mẫu thứ hai là ảnh LANDSAT với kích thước 
1596 × 1333. Thực hiện việc phân loại ảnh đầu vào 
với 3 lớp: Núi đá, nước, rừng. Kết quả được thể 
hiện trong hình 7. Ảnh đầu vào cũng có tính hỗn 
tạp cao và được thể hiện rõ hơn qua ảnh kết quả của 
thuật toán phân loại đề xuất.
Hình 6. Ảnh đầu vào, kết quả phân loại 
thuật toán gốc và cải tiến
Nguyễn Tu Trung, Ngô Hoàng Huy, Đặng Văn Đức, Vũ Văn Thỏa, Lại Anh Khôi
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG
Số 2 (CS.01) 2016 57
Hình 7. Ảnh đầu vào, kết quả phân loại 
thuật toán gốc và cải tiến
VI. KẾT LUẬN
Trong nghiên cứu này, chúng tôi đã đề xuất một 
tiếp cận phân loại lai với sự kết hợp cả hai tiếp 
cân hướng điểm ảnh và hướng đối tượng. Quy trình 
phân loại theo tiếp cận này gồm hai giai đoạn. Một 
là, phân vùng ảnh, trong thuật toán cải tiến theo 
tiếp cận này, chúng tôi sử dụng thuật toán KMeans. 
Hai là, phân loại lai, các vùng sau đó sẽ được phân 
lớp theo bộ phân loại lai sử dụng hàm quyết định 
phân lớp mới mà chúng tôi đề xuất để phân lớp các 
cụm-đối tượng. Hàm quyết định phân lớp này được 
cải tiến dựa trên hàm phân biệt của phương pháp 
phân loại hợp lý tối đa. Các kết quả thử nghiệm cho 
thấy kết quả phân loại của thuật toán dựa trên tiếp 
cận đề xuất cho độ chính xác cao hơn so với thuật 
toán của phương pháp hợp lý tối đa.
Ngoài ra, trong giai đoạn phân vùng, chúng tôi đã 
đề xuất thuật toán KMeansCMN với mục tiêu áp 
dụng phương thức chuẩn hóa trung bình phổ để 
tính tâm cụm cho việc phân vùng ảnh viễn thám 
kích thước lớn. Các kết quả thử nghiệm cho thấy 
KMeansCMN phân cụm tốt với ảnh viễn thám kích 
thước lớn. Tốc độ phân cụm của KMeansCMN là 
tốt hơn so với KMeans thông thường. Hiện tại, thủ 
tục tính tâm theo CMN vẫn sử dụng nhiều tính toán 
với số thực nên tốc độ chậm. Trong nghiên cứu tiếp 
theo, nhóm tác giả dự kiến sử dụng phương pháp 
tính toán chấm tĩnh để tăng cường tốc độ thủ tục 
này nhằm tăng tốc độ phân cụm.
TÀI LIỆU THAM KHẢO
[1] John A. Richards, Xiuping Jia, Remote Sensing 
Digital Image Analysis, Springer-Verlag Berlin 
Heidelberg 2006.
[2] Meritxell Bach Cuadra, Jean-Philippe 
Thiran, Satellite Image Segmentation and 
Classification, Fall 2004.
[3] MacQueen, J.: Some methods for classification 
and analysis of multivariate observations. In 
Proceedings of the 5th Berkeley Symposium on 
Mathematical Statistics and Probability, Vol.1. 
University of California Press (1967) 281-297.
[4] Chih-Tang Chang, Jimz. C. Lai, Muderjeng, A 
Fuzzy K-means Clustering Algorithm Using 
Cluster Center Displacement, Journal of 
Information Science and Engineering 27, 2011, 
pp. 995-1009.
[5] Balaji T., Sumathi M., “Relational Features 
of Remote Sensing Image classification using 
Effective K-Means Clustering”, International 
Journal of Advancements in Research & 
Technology, Volume 2, Issue 8, August-2013, 
pp. 103-107.
[6] Smriti Sehgal, “Remotely sensed Landsat 
Image Classification using Neural network 
approaches”, International Journal of 
Engineering Research and Applications, Vol. 
2, Issue 5, 2012, pp.043-046.
MỘT KỸ THUẬT PHÂN LỚP ẢNH VIỄN THÁM SỬ DỤNG TIẾP CẬN LAI
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG58 Số 2 (CS.01) 2016
[7] Nedeljkovic, “Image Classification based on 
fuzzy logic”, The International Archives of the 
Photogrammetry, Remote sensing and Spatial 
Information Sciences, Vol. 34, Part XXX, 2003.
[8] Sun Xiaoxia, Zhang Jixian, Liu Zhengjun, 
“A comparison of object-oriented and pixel-
based classification approachs using quickbird 
imagery”, Chinese Academy of Surveying and 
Mapping, Beijing, China.
[9] H.R. Matinfar, F. Sarmadian, S.K. Alavi Panah, 
R.J. Heck, “Comparison of object-oriented and 
pixel-based classification on Lansadsat7, Etm+ 
Spectral Bands (Case Study: Arid Region of Iran)”, 
American-Eurasian J. Agric. &Environ, 2007.
[10] Leukert k., “Transferability of knowledge-
based classification rules”, ISPRS2004, 
Istanbul, 2004.
[11] 
clustering.
[12] 
cepstral-mean-normalization
[13] Intan aidha yusoff, Nor ashidi mat isa, Two-
Dimensional Clustering Algorithms for Image 
Segmentation, WSEAS Transactions on 
Computers, Issue 10, Volume 10, October 2011.
[14] J. Liu, and Y. H. Yang, Multiresolution color 
image segmentation, IEEE Transactions on 
Pattern Analysis and Machine Intelligence, 
vol.16, no.7, pp.689-700, Jul 1994.
[15] R. H. Haralick, and L. G. Shapiro, Image 
segmentations techniques, Computer Vision 
Graphics Image Processing 29, pp. 100-132, 
1985.
A TECHNIQUE OF CLASSIFYING 
REMOTE SENSING IMAGES BASED ON 
HYDRID APPROACH
Abstract: Remote sensing image classification 
is interested by reseachers. Having two main 
approachs include the pixel based approach and the 
object oriented based approach. Remote sensing 
images can have multichannel and high resolution. 
The pixel based approach usually has high accuracy 
but having problem with large size images as 
remote sensing images. While the object oriented 
based approach the problem but usually having 
accuracy lower than the pixel based approach. This 
paper presents a hybrid technique which combines 
both of the approachs to propose a more effective 
classifying algorithm of the remote sensing image 
classification. The algorithm is experimented on 
data set which is remote sensing images of Hoa 
Binh province.
Keyword: remote sensing, image classification, 
Object Oriented approach, Hybrid approach.
Nguyễn Tu Trung, tốt nghiệp 
đại học Trường ĐH Sư phạm 2 
Hà Nội năm 2007 và Thạc sỹ tại 
trường ĐH Công Nghệ, ĐHQGHN 
năm 2011, nghiên cứu sinh 
khóa 2013, Học viện Công nghệ 
Bưu chính Viễn thông. Lĩnh vực 
nghiên cứu: Xử lý ảnh, xử lý tiếng 
nói, hệ thống thông tin, hệ thống 
nhúng.
Ngô Hoàng Huy, tốt nghiệp đại 
học trường ĐH Sư phạm Hà Nội 
năm 1990. Nơi công tác: Viện 
CNTT, Viện Hàn lâm KHCNVN.
Hiện đang làm nghiên cứu sinh 
tại VCNTT, Viện Hàn lâm KHCNVN.
Lĩnh vực nghiên cứu: Xử lý ảnh, 
xử lý tiếng nói, hệ thống thông 
tin, hệ thống nhúng.
Đặng Văn Đức, nhận học vị Tiến 
sĩ năm 1996, Việt Nam. Nhận 
chức danh PGS năm 2002. Nơi 
công tác: Viện CNTT, Viện Hàn 
lâm KHCNVN. Lĩnh vực nghiên 
cứu: GIS và Viễn thám, Đa phương 
tiện, Công nghệ phần mềm.
Vũ Văn Thoả, tốt nghiệp Đại học 
Sư phạm Vinh năm 1975, Tiến sĩ 
năm 1990 Viện Điều khiển tại Liên 
Xô cũ. Hiện công tác tại Khoa Quốc 
tế và Đào tạo Sau Đại học, Học viện 
Công nghệ Bưu chính Viễn thông. 
Lĩnh vực nghiên cứu: Lý thuyết 
thuật toán, tối ưu hóa, hệ thông tin 
địa lý, mạng viễn thông.
Lại Anh Khôi, hiện công tác tại 
Viện Công nghệ Vũ Trụ, Viện Hàn 
lâm KHCNVN. Lĩnh vực nghiên 
cứu: Viễn thám.