- Trang Chủ
- Công nghệ thông tin
- Luận văn Thạc sĩ Hệ thống thông tin: Nghiên cứu đánh giá các phương pháp phân loại tàu thuyền tự động sử dụng ảnh viễn thám
Xem mẫu
- ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ
NGUYỄN ĐẮC HUY
NGHIÊN CỨU ĐÁNH GIÁ CÁC PHƢƠNG PHÁP
PHÂN LOẠI TÀU THUYỀN TỰ ĐỘNG SỬ DỤNG ẢNH
VIỄN THÁM
Ngành: Hệ Thống Thông Tin
Chuyên ngành: Hệ Thống Thông Tin
Mã Số: 8480104.01
LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN
NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS. TS Nguyễn Thị Nhật Thanh
Hà nội – 09/2020
- i
MỤC LỤC
LỜI CẢM ƠN ...................................................................................................... iii
LỜI CAM ĐOAN................................................................................................. iv
DANH MỤC HÌNH VẼ ........................................................................................ v
DANH MỤC BẢNG BIỂU ................................................................................ vii
DANH MỤC TỪ VIẾT TẮT ............................................................................. viii
MỞ ĐẦU ............................................................................................................... 1
Chương 1: Giới thiệu chung .................................................................................. 5
1.1 Tình hình nghiên cứu trên thế giới và Việt Nam .................................. 5
1.2 Giới thiệu về công nghệ viễn thám ....................................................... 6
1.2.1 Khái niệm, đặc điểm cơ bản viễn thám ................................... 6
1.2.2 Dữ liệu ảnh viễn thám quang học ............................................ 8
1.3 Giới thiệu về một số loại tàu thuyền quan tâm ................................... 10
1.3.1 Tàu vận tải [12]...................................................................... 10
1.3.2 Tàu chở dầu [12].................................................................... 11
1.3.3 Tàu chuyên chở công te nơ [12] ............................................ 11
1.3.4 Tàu sân bay [13] .................................................................... 12
1.3.5 Tàu ngầm [13] ....................................................................... 14
1.3.6 Khu trục hạm [13] ................................................................. 15
1.4 Bộ CSDL tàu thuyền mẫu ................................................................... 16
1.4.1 Nguồn dữ liệu ........................................................................ 16
1.4.2 Phương pháp thu thập bộ dữ liệu tàu thuyền mẫu ................. 17
1.4.3 Quy trình lấy mẫu dữ liệu ...................................................... 18
Chương 2: Nghiên cứu một số thuật toán nhận dạng tàu thuyền. ....................... 20
2.1 Nghiên cứu một số phương pháp, thuật toán trích chọn đặc trưng .... 20
2.1.1 Mô hình Bag of Features ....................................................... 20
2.1.2 Thuật toán Local Binary Patterns .......................................... 34
2.2 Nghiên cứu phương pháp, thuật toán phân lớp tàu thuyền. ................ 36
Chương 3: Ứng dụng phân lớp tàu thuyền ở cảng biển Việt Nam trên ảnh viễn
thám ..................................................................................................................... 41
- ii
3.1 Phương pháp đề xuất........................................................................... 41
3.1.1 Bộ cơ sở dữ liệu đầu vào ....................................................... 42
3.1.2 Trích chọn đặc trưng.............................................................. 43
3.1.3 Chọn thuật toán huấn luyện và phân lớp dữ liệu ................... 44
3.2 Kết quả và thảo luận ........................................................................... 46
3.2.1 Bộ cơ sở dữ liệu ..................................................................... 46
3.2.2 Kết quả phân lớp.................................................................... 48
3.2.3 Nhận xét, đánh giá ................................................................. 58
KẾT LUẬN ......................................................................................................... 61
TÀI LIỆU THAM KHẢO ................................................................................... 62
- iii
LỜI CẢM ƠN
Trước tiên tôi xin dành lời cảm ơn chân thành và sâu sắc đến cô giáo,
PGS. TS. Nguyễn Thị Nhật Thanh – người đã hướng dẫn, khuyến khích, chỉ bảo
và tạo cho tôi những điều kiện tốt nhất từ khi bắt đầu cho tới khi hoàn thành
công việc của mình.
Tôi xin dành lời cảm ơn chân thành tới các thầy cô giáo khoa Công nghệ
thông tin, trường Đại học Công nghệ, ĐHQGHN đã tận tình đào tạo, cung cấp
cho tôi những kiến thức vô cùng quý giá và đã tạo điều kiện tốt nhất cho tôi
trong suốt quá trình học tập, nghiên cứu tại trường.
Đồng thời tôi xin chân thành cảm ơn chủ nhiệm và nhóm nghiên cứu thực
hiện đề tài cấp nhà nước thuộc chương trình khoa học và công nghệ cấp quốc
gia về công nghệ vũ trụ giai đoạn 2016-2020, mã số đề tài VT-UD.06/16-20 đã
hỗ trợ tôi trong quá trình nghiên cứu thực nghiệm.
Cuối cùng, tôi xin cảm ơn tất cả những người thân yêu trong gia đình tôi
cùng toàn thể bạn bè, đồng nghiệp, những người đã luôn giúp đỡ, động viên, cổ
vũ, khích lệ và giúp đỡ tôi trong suốt thời gian qua. Trong quá trình thực hiện đề
tài có thể còn có những mặt hạn chế, thiếu sót. Tôi rất mong nhận được ý kiến
đóng góp và sự chỉ dẫn của các thầy cô giáo và các bạn đồng nghiệp.
- iv
LỜI CAM ĐOAN
Tôi xin cam đoan rằng luận văn thạc sĩ công nghệ thông tin “Nghiên cứu
đánh giá các phương pháp phân loại tàu thuyền tự động sử dụng ảnh viễn
thám” là công trình nghiên cứu của riêng tôi, không sao chép lại của người
khác. Trong toàn bộ nội dung của luận văn, những điều đã được trình bày hoặc
là của chính cá nhân tôi hoặc là được tổng hợp từ nhiều nguồn tài liệu. Tất cả
các nguồn tài liệu tham khảo đều có xuất xứ rõ ràng và hợp pháp.
Tôi xin hoàn toàn chịu trách nhiệm và chịu mọi hình thức kỷ luật theo quy
định cho lời cam đoan này.
Hà Nội, ngày …. tháng … năm …..
- v
DANH MỤC HÌNH VẼ
Hình 1. 1 Dải sóng điện từ .................................................................................... 7
Hình 1. 2 Độ phân giải không gian của ảnh viễn thám trên cùng khu vực ........... 8
Hình 1. 3 Tàu vận tải ........................................................................................... 10
Hình 1. 4 Tàu chở dầu ......................................................................................... 11
Hình 1. 5 Tàu công ten nơ ................................................................................... 12
Hình 1. 6 Tàu sân bay.......................................................................................... 13
Hình 1. 7 Tàu ngầm ............................................................................................. 14
Hình 1. 8 Tàu khu trục ........................................................................................ 15
Hình 1. 9 Dữ liệu ảnh viễn thám Planet (trái), dữ liệu ảnh viễn thám Google
Earth (phải) .......................................................................................................... 16
Hình 1. 10 Sơ đồ cây phân lớp tàu thuyền .......................................................... 17
Hình 1. 11 Quy trình lấy mẫu tàu dựa trên kiến thức chuyên gia ....................... 18
Hình 1. 12 Mở dữ liệu ảnh và chọn khu vực nghiên cứu có đối tượng quan tâm
cần gán nhãn ........................................................................................................ 19
Hình 1. 13 Gán nhãn đối tượng quan tâm dựa trên việc vẽ đường bao xung
quanh ................................................................................................................... 19
Hình 2. 1 Minh họa mô hình BoF (nguồn [9]). ................................................... 20
Hình 2. 2 Minh họa các đặc trưng thu thập được (nguồn [9]). ........................... 21
Hình 2. 3 Minh họa các đặc trưng được phân cụm (nguồn [9]).......................... 21
Hình 2. 4 Biểu đồ đặc trưng (nguồn [9]). ............................................................ 21
Hình 2. 5 Minh họa các mức làm mờ khác nhau của hàm Gaussian. ................. 23
Hình 2. 6 Mô hình kim tự tháp ảnh trong SIFT (nguồn [5]). .............................. 24
Hình 2. 7Minh họa cách lấy điểm để xét cực trị với vị trí x là điểm đang xét
(nguồn [5])........................................................................................................... 25
Hình 2.8 Minh họa biểu đồ định hướng. ............................................................. 27
Hình 2.9 Minh họa bước lọc và gắn hướng cho điểm đặc trưng (nguồn [5]). .... 28
Hình 2.10 Mô tả điểm đặc trưng (nguồn [5]). ..................................................... 29
Hình 2.11 Minh họa phương pháp xấp xỉ của bộ lọc hộp (nguồn [8]). .............. 30
Hình 2.12 Ví dụ về phản ứng con sóng. .............................................................. 32
Hình 2.13 Ví dụ về biểu đồ hướng trong SURF (nguồn [10]). ........................... 32
Hình 2.14 Minh họa các vùng đặc trưng (nguồn [8]). ........................................ 33
Hình 2.15 Ví dụ giá trị của các thuộc tính trong SURF trong mỗi trường hợp ảnh
(nguồn [8])........................................................................................................... 33
Hình 2.16 Minh họa các hoạt động của thuật toán LBP đầu tiên (nguồn [15]). . 34
Hình 2.17 Mô tả cách lấy mẫu tron LBP cải thiện (nguồn [15]). ....................... 35
Hình 2. 18 Minh họa kết quả thu được qua thuật toán LBP ............................... 36
Hình 2.19 Ví dụ dữ liệu trong SVM (nguồn [11]). ............................................. 37
- vi
Hình 2.20 So sánh các mô hình. .......................................................................... 39
Hình 2.21 Ví dụ kết quả thuật toán SVM (hình bên trái là lề cứng và hình bên
phải là lề mềm). ................................................................................................... 39
Hình 2.22 Một số ví dụ về lõi của SVM. ............................................................ 40
Hình 3. 1 Sơ đồ quá trình phân lớp tàu thuyền ................................................... 41
Hình 3. 2 Dữ liệu ảnh viễn thám khu vực tập trung nhiều tàu thuyền ................ 42
Hình 3. 3 Đặc trưng trên ảnh bằng thuật toán SIFT và SURF. Từ trái sang lần
lượt là ảnh gốc, đặc trưng tìm được từ SIFT và đặc trưng tìm được từ SURF. .. 44
Hình 3. 4 Đặc trưng trên ảnh bằng thuật toán LBP. Từ trái sang lần lượt là ảnh
gốc và ảnh qua xử lý bằng thuật toán LBP trước khi tính histogram. ................ 44
Hình 3. 5 Hình ảnh đánh dấu vùng biển trên bản đồ .......................................... 46
Hình 3. 6 Một số tàu mã tau dau. ........................................................................ 47
Hình 3. 7 Một số tàu mã tau cong ten no. ........................................................... 47
Hình 3. 8 Một số tàu mã tau van tai. ................................................................... 47
Hình 3. 9 Biểu đồ mô tả vecto đặc trưng tàu thuyền sử dụng phương pháp SIFT
............................................................................................................................. 49
Hình 3. 10 Biểu đồ mô tả vecto đặc trưng tàu thuyền sử dụng phương pháp
SURF ................................................................................................................... 50
Hình 3. 11 Hình ảnh các lớp tàu thuyền được nhận dạng chính xác .................. 51
Hình 3. 12 Hình ảnh các lớp tàu thuyền nhận dạng chưa chính xác ................... 51
Hình 3. 13 Biểu đồ mô tả vecto đặc trưng tàu thuyền sử dụng thuật toán LBP . 53
Hình 3. 14 Hình ảnh các lớp tàu thuyền được nhận dạng chính xác .................. 53
Hình 3. 15 Hình ảnh các lớp tàu thuyền được nhận dạng chưa chính xác.......... 54
Hình 3. 16 Biểu đồ mô tả vecto đặc trưng tàu thuyền sử dụng phương pháp SIFT
kết hợp LBP......................................................................................................... 55
Hình 3. 17 Biểu đồ mô tả vecto đặc trưng tàu thuyền sử dụng phương pháp BOF
- SURF kết hợp LBP. .......................................................................................... 56
Hình 3. 18 Hình ảnh các lớp tàu thuyền được nhận dạng chính xác .................. 56
Hình 3. 19 Hình ảnh các lớp tàu thuyền được nhận dạng không chính xác ....... 57
- vii
DANH MỤC BẢNG BIỂU
Bảng 1. 1 Thông số kỹ thuật kênh phổ ảnh VNREDSAT-1 ................................. 9
Bảng 1. 2 Thông tin thuộc tính của ảnh Planet ................................................... 10
Bảng 3. 1 Bảng thống kê chi tiết cơ sở dữ liệu tàu thuyền ................................. 48
Bảng 3. 2 Bảng kết quả kiểm chứng bộ phân lớp bằng máy học SVM sử dụng
thuật toán SIFT .................................................................................................... 51
Bảng 3. 3 Bảng kết quả kiểm chứng bộ phân lớp bằng máy học SVM sử dụng
thuật toán SURF .................................................................................................. 51
Bảng 3. 4 Bảng kết quả kiểm chứng bộ phân lớp bằng máy học SVM sử dụng
thuật toán LPB ..................................................................................................... 54
Bảng 3. 5 Bảng kết quả kiểm chứng bộ phân lớp bằng máy học SVM sử dụng
thuật toán SIFT kết hợp LBP .............................................................................. 57
Bảng 3. 6 Bảng kết quả kiểm chứng bộ phân lớp bằng máy học SVM sử dụng
thuật toán SURF kết hợp LBP............................................................................. 57
Bảng 3. 7 Bảng tổng hợp kết quả kiểm chứng bằng máy học SVM................... 58
- viii
DANH MỤC TỪ VIẾT TẮT
AIS Automatic Identification Systems
ANQP An ninh quốc phòng
BoF Bag of Features
CSDL Cơ sở dữ liệu
the difference-of-Gaussian function
DoG
convolved
FOV Field of view
International Standard Classification
ICST
of Ships by Type
IFOV instantaneous field of view
LBP Local Binary Patterns
SIFT Scale-Invariant Feature Transform
SURF Speeded-Up Robust Features
SVM Support Vector Machine
VHF Very high frequency
VTS Vessel Traffic Services
- 1
MỞ ĐẦU
Tính cấp thiết
Vệ tinh viễn thám có lợi thế đặc biệt quan trọng so với viễn thám hàng
không do có khả năng chụp ảnh ở bất kỳ điểm nào trên bề mặt trái đất mà không
phải xin phép nước sở hữu, quản lý vùng địa lý đó. Đây là lợi thế mà bất kỳ
quốc gia nào cũng muốn khai thác phục vụ cho công tác ANQP, vì vậy các quốc
gia phát triển như Mỹ, Nga, TQ, Pháp... đã triển khai mạng lưới vệ tinh viễn
thám để do thám các mục tiêu quan tâm. Công nghệ vệ tinh, công nghệ viễn
thám là những lĩnh vực công nghệ cao mà các nước phát triển hạn chế xuất khẩu
và chuyển giao công nghệ. Do đó, để nắm bắt được những công nghệ này đòi
hỏi phải được đào tạo bài bản và có quá trình tiếp cận công nghệ trong thời gian
dài từ khâu thiết kế chế tạo, quản lý vận hành khai thác và ứng dụng. Hướng ứng
dụng là một trong những hướng đặc biệt được quan tâm nghiên cứu tại các nước,
nhất là những nước đi sau về công nghệ vũ trụ. Đây là giải pháp để các nước có
thể tiếp cận nhanh nhất và được thừa hưởng nhiều nhất, tận dụng tốt nhất những
thành tựu mới nhất của khoa học công nghệ thế giới cho nghiên cứu phát triển
khoa học, công nghệ.
Kỹ thuật xử lý ảnh viễn thám với nền tảng là xử lý ảnh số đã giải quyết
được một số vấn đề cơ bản trong khai thác, trích xuất thông tin từ ảnh viễn thám
bằng một số phần mềm khá thông dụng như ENVI, ERDAS,... song mức độ
chuyên sâu và tự động hóa chưa cao và chỉ sử dụng trong lĩnh vực dân sự. Các
phần mềm chuyên dụng trong lĩnh vực ANQP thường bị hạn chế điều kiện
thương mại hoặc có giá thành rất cao, ngoài khả năng tài chính của người sử
dụng và gần như không tiếp cận được yếu tố khoa học công nghệ. Việc chuyển
giao công nghệ chỉ giới hạn ở hướng dẫn sử dụng, khai thác phần mềm.
Đến nay, Việt Nam đã có hệ thống vệ tinh viễn thám (VNREDSat-1) hoàn
chỉnh từ trạm mặt đất đến vệ tinh và các cơ quan ứng dụng, song việc khai thác,
sử dụng hiệu quả các sảm phẩm của hệ thống này cho mục đích ANQP là một
bài toán khó, còn nhiều hạn chế từ độ phân giải ảnh VNREDSat-1 đến trình độ
xử lý, phân tích, giải đoán ảnh viễn thám, tích hợp các thông tin khai được từ
các nguồn ảnh của cán bộ trong ngành.
Với chiều dài bờ biển hơn 3000km và diện tích biển hơn một triệu ki-lô-
mét vuông, cùng hàng trăm hòn đảo lớn nhỏ, Việt Nam có nhiều tiềm năng phát
triển kinh tế biển như: cảng biển và công nghiệp tàu thủy, đánh bắt thủy hải sản,
khai thác dầu khí,... song cũng đặt ra hàng loạt thách thức về công tác thực thi
- 2
pháp luật, quản lý nhà nước, an ninh an toàn hàng hải, an ninh chủ quyền quốc
gia,... trên những vùng biển rộng lớn tại Biển Đông.
Quản lý, giám sát đối tượng tàu biển sẽ góp phần quan trọng trong việc
giải quyết các thách thức về công tác quản lý nhà nước, bảo đảm an ninh quốc
gia của Việt Nam trên Biển Đông. Một trong những vấn đề cấp thiết và khó
khăn nhất trong môi trường an ninh hàng hải ngày nay (với sự đa dạng, phức tạp
của các chủng loại tàu, thuyền cũng như các hoạt động của chúng) là làm thế
nào để có sự phân biệt rõ ràng giữa các loại tàu quân sự và các loại tàu thương
mại thông thường hay phân loại gữa các loại tàu quân sự, dân sự với nhau, từ đó
phát hiện và xử lý kịp thời những hoạt động của chúng trong khu vực.
Ngày nay, sự phát triển vượt bậc của các vệ tinh quan sát trái đất, cung
cấp ảnh vệ tinh độ phân giải cao phục vụ cho nhiều lĩnh vực khác nhau. Một
trong số đó là sử dụng ảnh vệ tinh độ phân giải trung bình, cao để phát hiện và
phân loại tàu thuyền trên biển với nhiều mục đích khác nhau như giám sát hoạt
động đánh bắt cá, giám sát hàng hải, giám sát lịch trình trong khi các công nghệ
truyền thống quản lý tàu thuyền có thể kể đến như Automatic Identification
Systems (AIS) và Vessel Traffic Services (VTS)…chỉ thực hiện được khi ở gần
bờ và tương tác với tàu khác hoạt động gần đó.
Mặc dù có rất nhiều nghiên cứu về việc phát hiện tàu thuyền nhưng hầu
hết các nghiên cứu liên quan đến việc phát hiện tàu (hoặc sóng tàu) sử dụng
thông tin radar. Điều này là do điều kiện ánh sáng và thời tiết không ảnh hưởng
đến ảnh SAR khi nó cung cấp thông tin trên các khu vực rộng lớn. Tuy nhiên,
nguồn thông tin này cản trở việc xác định và phân loại tàu. Đặc biệt, nó trở
thành một nhược điểm quan trọng đối với một số ứng dụng cụ thể. Việc sử dụng
hình ảnh quang học để nhận dạng tàu nhận được ít sự quan tâm hơn, chủ yếu là
do những hạn chế thuộc về bản chất của nó, tức là cần điều kiện ánh sáng và
thời tiết thích hợp. Tuy nhiên, ở những nơi có những mặt hạn chế không xuất
hiện thường xuyên, ảnh quang học sẽ cung cấp nhiều thông tin hơn cho phép
phân loại tàu được cụ thể hơn [14].
Như vậy, bài toán nhận dạng tàu thuyền có ý nghĩa rất to lớn trong hoạt
động quản lý, giám sát đối tượng tàu biển phục vụ mục đích dân sự, an ninh
quốc phòng. Với nhu cầu cấp thiết đó và mong muốn đóng góp phần nhỏ kiến
thức bản thân cho sự phát triển của công nghệ viễn thám. Do đó, chúng tôi quyết
định chọn đề tài “Nghiên cứu đánh giá các phương pháp phân loại tàu thuyền tự
động sử dụng ảnh viễn thám” cho nghiên cứu của mình.
- 3
Mục tiêu nghiên cứu của đề tài
Thông qua tình hình chung và các vấn đề được đặt ra ở trên, mục tiêu
chính của bài luận văn này tập trung giải quyết các vấn đề sau:
Cung cấp thông tin nghiệp vụ về tàu thuyền trên biển và hải đảo
phục vụ công tác đảm bảo an ninh quốc gia.
Nghiên cứu và đánh giá thuật toán nhận dạng hay phân loại tự động
tàu thuyền sử dụng ảnh vệ tinh quang học phục vụ mục đích giám
sát hoạt động đánh bắt cá trên biển, giao thông biển, kiểm soát hàng
hải…
Mô tả bài toán
Để giải quyết các vấn đề được đặt ra trong mục tiêu luận văn, hướng tiếp
cận của chúng tôi là giải quyết bài toán nhận dạng tàu thuyền trên ảnh giống với
bài toán nhận dạng mặt người. Bằng cách sử dụng phương pháp học máy truyền
thống kết hợp với một số thuật toán trích chọn đặc trưng trên ảnh. Cụ thể như
sau, đầu tiên chúng tôi tiến hành thu thập, xây dựng bộ CSDL mẫu ảnh tàu
thuyền phục vụ mục đích xây dựng mô hình phân loại đối tượng tàu thuyền. Dữ
liệu được sử dụng là tập dữ liệu ảnh viễn thám về các mẫu tàu thuyền trên vùng
biển Việt Nam. Chúng tôi tiến hành lấy mẫu và đánh nhãn dữ liệu tàu thuyền
bằng công cụ miễn phí trên phần mềm ENVI 5.2.
Sau đó, chúng tôi tiên hành trích chọn đặc trưng trên bộ dữ liệu này bằng
cách sử dụng các thuật toán Bag of Feature (BoF), Local Binary Patterns (LBP),
BoF kết hợp LBP và đưa vào máy huấn luyện phân lớp. Căn cứ vào chất lượng,
số lượng nguồn dữ liều, yêu cầu, mục tiêu của luận văn, chúng tôi quyết định lựa
chọn thuật toán phân lớp máy hỗ trợ véc tơ SVM. Sau khi kết thúc quá trình
huấn luyện, hệ thống sẽ lưu lại giá trị các tham số này (các tham số quyết định
phân lớp - mô hình sau khi huấn luyện) để phục vụ cho quá trình nhận dạng sau
này. Quá trình huấn luyện dữ liệu nhanh hay chậm phụ thuộc vào số lượng mẫu
dữ liệu tham gia huấn luyện, thuật toán chọn để huấn luyện dữ liệu. Kết quả thu
được là việc phân loại từng mẫu tàu thuyền vào các lớp tương ứng. Qua đó,
chúng tôi tiến hành so sánh về độ chính xác của bài toán phân lớp sử dụng
phương pháp máy hỗ trợ véc tơ kết hợp với các thuật toán trích chọn đặc trưng
khác nhau.
Bố cục của luận văn
- 4
Chương 1 trình bày các khái niệm cơ bản phục vụ cho nghiên cứu của đề
tài, trình bày về nội dung xây dựng CSDL ảnh mẫu tàu thuyền từ ảnh vệ tinh độ
phân giải cao phục vụ xây dựng và kiểm tra mô hình phân lớp tàu thuyền. Nội
dung chính của Chương 2 trình bày về một số thuật toán nhận dạng tàu thuyền
trên ảnh viễn thám. Dựa trên bộ CSDL ảnh mẫu được xây dựng ở Chương 1, nội
dung chính của Chương 3 trình bày về kết quả, đánh giá ứng dụng phân lớp tàu
thuyền ở cảng biển Việt Nam sử dụng ảnh Planet. Cuối cùng nội kết luận và
kiến nghị cùng với các tài liệu tham khảo sẽ được trình bày.
- 5
Chƣơng 1: Giới thiệu chung
Trong nghiên cứu này, đối tượng nghiên cứu tập trung chủ yếu là tàu
thuyền. Do đó, chương 1 sẽ trình bày tổng quan về một số tàu thuyền trên thế
giới. Ngoài ra, giới thiệu một số khái niệm, đặc điểm về dữ liệu ảnh viễn thám
(vệ tinh) và cách tiến hành xây dựng bộ cơ sở dữ liệu tàu thuyền. CSDL giám
sát tàu thuyền là bộ cơ sở dữ liệu ảnh mẫu tàu thuyền được thu thập và gán nhãn
từ ảnh vệ tinh quang học Planet, bộ CSDL này được xây dựng với mục đích
huấn luyện các mô hình nhận dạng đối tượng tàu thuyền.
1.1 Tình hình nghiên cứu trên thế giới và Việt Nam
Qua tìm hiểu, khảo sát, có một số phương pháp sử dụng ảnh viễn thám
quang học để phân loại tàu thuyền trên thế giới ứng dụng thực tế trong việc nhận
dạng tàu thuyền phục vụ mục đích an ninh quốc gia đạt được một số kết quả
nhất định như sau.
Theo [14] nhóm tác giả đã sử dụng phần mềm Vyamsat cho phép xử lý
ảnh màu QuickBird để giám sát sự xuất hiện của tàu trên những vùng biển quan
tâm (interest regions). Vyamsat tích hợp việc quản lý, nhận dạng các vùng quan
tâm dựa trên công cụ ArcGis/ArcObject và các thuật toán phát hiện và nhận
dạng tàu dựa trên bộ nhận dạng Bayessian trích rút các đặc trưng từ ảnh đầu vào.
Trong bước phân biệt tàu thuyền, mỗi tàu được mô tả bởi một vetor đặc trưng
kích thước 7x3 (7 Hu moments được tính dựa trên 3 kênh ảnh đỏ, xanh lục, xanh
lam của ảnh). Việc phân loại được dựa trên bộ phân loại Bayessian.
Nhóm nghiên cứu khác là Katie Rainey và John Stastny cho rằng vấn đề
nhận dạng và phân loại tàu thuyền trên ảnh vệ tinh quang học là tương tự với
nhận dạng mặt người. Sự xuất hiện của tàu có thể rất khác nhau giữa các ảnh,
phụ thuộc vào nhiều yếu tố như điều kiện ánh sáng, góc của cảm biến, trạng thái
của biển. Ngoài ra cũng có sự khác nhau rất lớn giữa các tàu trong cùng một
loại. Việc thu thập và gán nhãn với tập dữ liệu huấn luyện đủ lớn cũng là một
thách thức không nhỏ. Để giải quyết vấn đề này, Katie Rainey và John Stastny
đề xuất giải thuật phân loại tàu là sự kết hợp của mô hình Bag-of-Words (BoW)
trong kết hợp phương pháp phân loại hỗ trợ máy véc tơ. Trong mô hình BoW tác
giả dùng cấu trúc đặc trưng vectơ sử dụng keypoint và bộ mô tả bất biến như
SIFT. Bộ mô tả của Scale-Invariant Feature Transform (SIFT) là bất biến đối
với những thay đổi về kích thước của ảnh và sự chiếu sáng, do đó các đặc trưng
tương tự từ các hình ảnh khác nhau của cùng một lớp nên sẽ được nhóm lại với
nhau. Nhóm nghiên cứu đã sử dụng bộ dữ liệu gồm bốn loại tàu dân sự như tàu
- 6
dầu, tàu vận tải, tàu công ten nơ và xà lan. Phương pháp này đã được áp dụng
thành công trong việc phân lớp tàu thuyền sử dựng ảnh viễn thám quang học độ
phân giải cao (dữ liệu thu từ hệ thống RAPIER) có độ chính xác trung bình đạt
xấp xỉ 80% [16].
Tại Việt Nam việc quản lý, phát hiện, theo dõi, giám sát tàu thuyền được
đầu tư phát triển theo một số chương trình và dự án cấp địa phương và nhà nước.
Tuy nhiên, số lượng các nghiên cứu và ứng dụng còn khác hạn chế. Tiêu biểu về
nghiên cứu nhận dạng, phân lớp tàu thuyền trên ảnh viễn thám là công trình sử
dụng mô hình trích xuất đặc trưng Spatial Pyramid Bag of Word và phương
pháp phân lớp SVM để phân loại tàu thuyền trên ảnh vệ tinh độ phân giải siêu
cao (Quick Bird) của nhóm nghiên cứu Lưu Việt Hưng, Đinh Văn Kiệt, Lương
Nguyễn Hoàng Hoa, Bùi Quang Hưng và Nguyễn Thị Nhật Thanh [18]. Kết quả
đạt được có độ chính xác cao (94%) đã đăng trên tạp chí Remote Sensing
Letters.
1.2 Giới thiệu về công nghệ viễn thám
1.2.1 Khái niệm, đặc điểm cơ bản viễn thám
Viễn thám (Remote sensing - tiếng Anh) được hiểu là một khoa học và
nghệ thuật để thu nhận thông tin về một đối tượng, một khu vực hoặc một hiện
tượng thông qua việc phân tích tài liệu thu nhận được bằng các phương tiện.
Những phương tiện này không có sự tiếp xúc trực tiếp với đối tượng, khu vực
hoặc với hiện tượng được nghiên cứu [2].
Thực hiện được những công việc đó chính là thực hiện viễn thám - hay
hiểu đơn giản: Viễn thám là thăm dò từ xa về một đối tượng hoặc một hiện
tượng mà không có sự tiếp xúc trực tiếp với đối tượng hoặc hiện tượng đó. Mặc
dù có rất nhiều định nghĩa khác nhau về viễn thám, nhưng mọi định nghĩa đều
có nét chung, nhấn mạnh "viễn thám là khoa học thu nhận từ xa các thông tin về
các đối tượng, hiện tượng trên trái đất".
Viễn thám điện từ là khoa học và công nghệ sử dụng sóng điện từ để
chuyển tải thông tin từ vật cần nghiên cứu tới thiết bị thu nhận thông tin cũng
như công nghệ xử lý để các thông tin thu nhận có ý nghĩa. Viễn thám điện từ
bao gồm viễn thám quang học và viễn thám radar.
Ảnh viễn thám (ảnh vệ tinh): là ảnh số thể hiện các vật thể trên bề mặt trái
đất được thu nhận bởi các bộ cảm biến đặt trên vệ tinh. Ảnh quang học dựa trên
cơ sở đo sóng phản xả từ bề mặt trái đất ở giải sóng nhìn thấy và một phần của
- 7
sóng hồng ngoại trong khoảng từ 300-1500 nm. Giải phổ từ 300-700 nm là vùng
dải phổ của màu xanh lam (Blue) - xanh lá cây (Green) - màu đỏ (Red), khu vực
700-1500 nm thuộc về dải phổ hồng ngoại của vùng hồng ngoại gần. Khu vực
hồng ngoại trung và hồng ngoại xa thường gọi là hồng ngoại nhiệt. Cảm biến
toàn sắc bao trùm giải bước sóng rộng từ 400-900 nm kết quả của nó cho ta một
tấm ảnh gần giống như ảnh đen trắng [1].
Hình 1. 1 Dải sóng điện từ
Năng lượng sóng phản xạ từ đối tượng bao gồm hai phần:
- Năng lượng phản xạ trực tiếp từ bề mặt đối tượng;
- Năng lượng tán xạ bởi cấu trúc bề mặt đối tượng.
Độ phân giải không gian.
Độ phân giải không gian của một ảnh vệ tinh, do đặc tính của đầu thu, phụ
thuộc vào hai thông số FOV (Field of view-trường/góc nhìn) và IFOV
(instantaneous field of view - trường/góc nhìn tức thì) được thiết kế sẵn. Thông
số FOV cho ta thấy được phạm vi không gian mà đầu thu có thể thu nhận được
sóng điện từ từ đối tượng. Rõ ràng là với góc nhìn càng lớn (FOV càng lớn) thì
ảnh thu được càng rộng, và với cùng một góc nhìn, vệ tinh nào có độ cao lớn
hơn sẽ có khoảng thu ảnh lớn hơn [1].
Ngược với FOV, IFOV của đầu thu đặc trưng cho phạm vi không gian mà
đầu thu có thể nhận được sóng điện từ trong một thời điểm. Tức là đầu thu sẽ
không thể “nhìn” được các đối tượng nhỏ hơn trong góc nhìn IFOV. Tổng hợp
giá trị bức xạ của các đối tượng trong một góc IFOV được thu nhận cùng một
lúc và mang một giá trị, được ghi nhận như một điểm ảnh. Trong ảnh số, một
- 8
điểm ảnh được gọi là một pixel và giá trị kích thước pixel đặc trưng cho khả
năng phân giải không gian của ảnh. Góc IFOV càng nhỏ thì khả năng phân biệt
các đối tượng trong không gian càng lớn, nghĩa là giá trị pixel càng nhỏ và phạm
vi “chụp” ảnh càng hẹp (hình 1.2).
Ý nghĩa quan trọng nhất của độ phân giải không gian là cho ta biết các đối
tượng nhỏ nhất mà có thể phân biệt được trên ảnh. Ví dụ, ảnh có độ phân giải
không gian là 30 x 30m sẽ cho phép phân biệt được các đối tượng có kích thước
lớn hơn 30 x 30m. Tuy hiện nay đã có những nghiên cứu về phương pháp phân
loại dưới pixel, nhưng để áp dụng rộng rãi cần được nghiên cứu thêm.
10m 3m 0.4m
Hình 1. 2 Độ phân giải không gian của ảnh viễn thám trên cùng khu vực
Dữ liệu viễn thám cung cấp nhiều thông tin quan trọng trong nhiều ứng
dụng giám sát như gom ảnh, phát hiện biến đổi và phân loại lớp phủ. Kỹ thuật
viễn thám là một trong những kỹ thuật quan trọng được áp dụng để thu thập
thông tin liên quan đến tài nguyên môi trường của Trái Đất. Các dữ liệu ảnh vệ
tinh phổ biến dễ dàng tiếp cận và truy cập qua các ứng dụng bản đồ nổi tiếng
như Google Earth, Bing Maps, …
1.2.2 Dữ liệu ảnh viễn thám quang học
a) Ảnh vệ tinh QuickBird
Được cung cấp bởi Công ty Digital Globe, ảnh QuickBird hiện nay là một
trong những loại ảnh vệ tinh thương mại có độ phân giải cao nhất, được thu thập
miễn phí từ nền tảng Google Earth. Hệ thống thu ảnh QuickBird có thể thu được
đồng thời các tấm ảnh toàn sắc lập thể có độ phân giải từ 67cm đến 72cm và các
tấm ảnh đa phổ có độ phân giải từ 2,44m đến 2,88m. Với cùng một cảnh, Công
ty Digital Globe có thể cung cấp cho khách hàng 3 loại sản phẩm, ảnh
QuickBird được sử dụng các cấp độ xử lý khác nhau là Basic, Standard và
Orthorectified. Một ảnh QuickBird chuẩn có kích thước 16,5km x 16,5km. Với
ảnh viễn thám QuickBird, có thể làm được nhiều việc mà trước đây chỉ có thể
thực hiện với ảnh chụp từ máy bay. Các ứng dụng ảnh QuickBird tập trung chủ
- 9
yếu vào nhiệm vụ quan sát theo dõi chi tiết các đảo hoặc các khu vực dải ven
biển, bến cảng, lập bản đồ vùng bờ,… Tuy nhiên, số lượng dữ liệu ảnh vệ tinh
QuickBird thu thập từ nền tảng Google Earth còn hạn chế, không đủ đáp ứng
yêu cầu để thực hiện bài toán của luận văn này.
b) Dữ liệu ảnh vệ tinh VNREDSat-1
VNREDSat-1 (Vietnam Natural Resources, Environment and Disaster-
monitoring Satellite-1) là vệ tinh quang học quan sát Trái Đất đầu tiên của Việt
Nam, do Công ty EADS Astrium (Pháp) thiết kế, chế tạo.
Vệ tinh VNREDSAT-1 mang 02 bộ cảm đa phổ và toàn sắc với độ phân
giải là 2.5m và 10m cho kênh đa phổ. Thông tin các kênh phổ của ảnh vệ tinh
VNREDSAT-1 như sau
Bảng 1. 1 Thông số kỹ thuật kênh phổ ảnh VNREDSAT-1
Bƣớc sóng Độ phân giải
Kênh
(micrometers) (meters)
Blue 0.45 - 0.52 10
Green 0.53 - 0.60 10
Red 0.62 - 0.69 10
PAN 0.76 - 0.89 2.5
c) Dữ liệu ảnh vệ tinh Planet
Dữ liệu ảnh vệ tinh được cung cấp bởi Công ty Planet Labs Inc, ảnh
Planet hiện nay là một trong những loại ảnh vệ tinh thương mại có độ phân giải
trung bình, cao. Các sản phẩm ảnh Planet cung cấp tới người sử dụng là dữ liệu
ảnh viễn thám đã qua quy trình hiệu chỉnh về tọa độ, nắn chỉnh hình học, hiệu
chỉnh bức xạ cảm biến, bức xạ bề mặt, sản phẩm ở mức độ phù hợp với từng bài
toán ứng dụng khác nhau.
Một cảnh ảnh Planet chuẩn có kích thước 24km x 8km. Các ứng dụng ảnh
Planet tập trung chủ yếu vào nhiệm vụ quan sát theo dõi chi tiết các đảo hoặc
các khu vực dải ven biển, bến cảng, lập bản đồ vùng bờ…
- 10
Bảng 1. 2 Thông tin thuộc tính của ảnh Planet
Thuộc tính Mô tả
Định dạng ảnh GeoTiff, xml
Kích thước điểm ảnh 3m
Kích thước cảnh ảnh 24kmx8km
Hệ tọa độ WGS-84
Kênh phổ 3 kênh (Red, Green Blue
1.3 Giới thiệu về một số loại tàu thuyền quan tâm
1.3.1 Tàu vận tải [12]
Các tàu vận tải thường được đặc trưng bởi các hầm chứa hàng trong bụng
tàu, phía trên có thể được đậy bởi các tấm chắn lớn; mũi tàu có dạng cánh cung
buồng điều khiển thường được đặt ở phía đuôi tàu, trên boong tàu thường có các
cần cẩu hỗ trợ việc nâng, dỡ hàng. Các tàu vận tải hiện nay đều được được thiết
kế bằng thép, trung bình độ dài của một tàu vận tải hiện nay khoảng 80 m (độ
dài tính từ mũi tàu tới đuôi tàu).
Có thể căn cứ vào dạng cánh cung của mũi tàu, vị trí đặt buồng điều
khiển, các cần cẩu trên tàu và quan trọng nhất là các hầm chứa hàng hoặc các
tấm chắn hầm chứa hàng để nhận dạng tàu vận tải.
Hình 1. 3 Tàu vận tải
- 11
1.3.2 Tàu chở dầu [12]
Tàu chở dầu là loại tàu được thiết kế để chuyên vận chuyển chất lỏng
hoặc chất khí với số lượng lớn. Dựa vào chất được vận chuyển có thể phân tàu
chở dầu thành 3 loại chính là tàu chở dầu, tàu chở khí ga và tàu chở hóa chất.
Tàu chở dầu có thiết kế khá giống với các tàu vận tải thông thường tuy nhiên
phần boong tàu được thiết kế khép kín; giữa boong tàu là hệ thống đường ống
chạy dọc theo chiều dài thân tàu, có từ 2-3 cột được lắp nối tiếp trên boong tạo
thành đường thẳng từ buồng điều khiển ra phía mũi tàu (đây là phần khung
xương chịu lực của tàu). Trên boong tàu được trang bị nhiều cần cầu, buồng
điều khiển của tàu chở dầu nằm ở phía đuôi tàu, các tàu trở dầu lớn thường có
sân đáp trực thăng trên boong.
Đối với các tàu chở khí thì phần boong tàu được đặc trưng bởi các bồn
chứa khí dạng vòm, bán cầu. Các tàu chở khí lớn thường có 4-6 bồn chứa khí có
thể quan sát trên boong tàu. Tàu chở dầu lớn nhất thế giới hiện nay là tàu Knock
Nevis của Nauy với chiều dài 458m, trọng tải lên tới 564.763 tấn.
Có thể căn cứ vào hình dạng, phần boong tàu được thiết kế khép kín, vị trí
buồng điều khiển, phần khung chịu lực của tàu và đặc biệt là các bồn chứa khí
dạng vòm, bán cầu để nhận dạng tàu chở dầu, tàu chở khí.
Hình 1. 4 Tàu chở dầu
1.3.3 Tàu chuyên chở công te nơ [12]
Tàu công te nơ là một dạng tàu vận tải, được thiết kế chỉ để chuyên chở
các thùng công te nơ. Các tàu công te nơ được thiết kế để có thể di chuyển với
tốc độ cao trong điều kiện đầy tải (khoảng 26 hải lý/ giờ)
nguon tai.lieu . vn