Xem mẫu
- Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR); Huế, ngày 07-08/6/2019
DOI: 10.15625/vap.2019.00042
NÂNG CAO CHẤT LƯỢNG ẢNH VIỄN THÁM DỰA TRÊN PHÂN CỤM
BÁN GIÁM SÁT MỜ
Nguyễn Tu Trung, Trần Mạnh Tuấn, Đặng Thị Thu Hiền, Nguyễn Huy Đức, Kiều Tuấn Dũng,
Nguyễn Văn Nam, Đỗ Oanh Cường
DS Lab – Khoa Công nghệ thông tin, Trường Đại học Thủy Lợi
trungnt@tlu.edu.vn, tmtuan@tlu.edu.vn, hiendt@tlu.edu.vn, ducnghuy@tlu.edu.vn, dungkt@tlu.edu.vn,
namnv@tlu.edu.vn, cuongdo@tlu.edu.vn
TÓM TẮT: Nâng cao chất lượng ảnh là một trong các công việc rất cần thiết của xử lý ảnh. Trong đó ảnh viễn thám thường có kích
thước lớn và độ phân giải không gian đa dạng, khi đó việc phân tích trở lên phức tạp hơn. Do vậy quá tiền xử ảnh rất quan trọng,
ảnh hưởng đến kết quả phân tích ảnh. Một số nghiên về nâng cao chất lượng ảnh dựa trên các phương pháp như khử nhiễu,
histogram, tăng độ tương phản, nâng cao mức xám,…. Trong bài này, chúng tôi sẽ cải tiến một nghiên cứu trước đây trong nâng
cao chất lượng ảnh viễn thám dựa vào việc tăng cường độ tương phản sử dụng phân cụm bán giám sát mờ.
Từ khóa: tăng cường độ tương phản, ảnh viễn thám, nâng cao chất lượng ảnh, phân cụm bám giám sát mờ, phân tích ảnh
I. GIỚI THIỆU
Ảnh viễn thám cho phép thu thập thông tin về một đối tượng, một khu vực. Tuy nhiên, ảnh viễn thám thường có
kích thước lớn và độ phân giải không gian đa dạng. Độ phân giải không gian càng cao thì ảnh càng chi tiết. Nó cũng có
thể chứa nhiễu. Để khử nhiễu và tăng cường chất lượng ảnh, chúng ta cần sử dụng các phương pháp nâng cao chất
lượng ảnh. Nâng cao chất lượng là bước cần thiết trong xử lý ảnh nhằm hoàn thiện một số đặc tính của ảnh như lọc
nhiễu, làm trơn, tăng cường độ tương phản, điều chỉnh mức xám, nổi biên ảnh. Nâng cao chất lượng ảnh gồm hai công
đoạn khác nhau là tăng cường ảnh và khôi phục ảnh. Nhiễu trong ảnh viễn thám bao gồm nhiễu thông thường giống
ảnh màu và các nhiễu mang tính đặc trưng như sương mù, đám mây,... Trong các bài toán xử lý ảnh, để thu được kết
quả tốt cần phải có quá trình tiền xử lý để nâng cao chất lượng ảnh đầu vào. Quá trình này bao gồm các công đoạn khôi
phục và tăng cường ảnh. Khôi phục ảnh thực hiện loại bỏ hay giảm thiểu các ảnh hưởng của môi trường tác động lên
ảnh nhằm giảm bớt các biến dạng của ảnh và đưa ảnh về trạng thái gần như ban đầu. Tăng cường ảnh làm nổi bật các
đặc trưng của ảnh giúp cho các bước tiếp theo được hiệu quả hơn. Theo [7], các kĩ thuật tăng cường ảnh chia làm ba
nhóm chính. Một là, nhóm các kĩ thuật xử lý ảnh dựa trên histogram mà tiêu biểu là cân bằng histogram và đặc tả
histogram. Hai là, nhóm các kĩ thuật xử lý ảnh dựa trên tiếp cận logic mờ với một số kĩ thuật được trình bày trong phần
III của bài báo này. Ba là, các kĩ thuật xử lý ảnh tăng cường dựa trên tối ưu. Trong này, Aman Tusia và cộng sự [10] đã
thực hiện một phân tích hiệu năng của hệ mờ loại 2 cho việc tăng cường ảnh sử dụng thuật toán tối ưu cuckoo.
Nhiều phương pháp tăng độ tương phản truyền thống sử dụng cách tiếp cận toàn cục để tăng cường tất cả mức
độ sáng của ảnh. Tuy nhiên, thường khó để tăng cường tất cả các đối tượng xuất hiện trong ảnh vệ tinh, bởi vì thông tin
tương phản cục bộ và chi tiết có thể bị mất trong các vùng sáng và tối. Trong [5, 6], các tác giả đã kết hợp giữa logic
mờ [12] và các công thức hiệu chỉnh mức xám để tăng cường độ tương phản của ảnh y tế. Phương pháp tăng cường
ảnh mờ [2] xem xét ma trận thành viên và các biểu thức điều chỉnh mức xám để tăng cường độ tương phản. Mặc dù
vậy, phương pháp này vẫn sử dụng tiếp cận toàn cục nên vẫn chưa giải quyết được vấn đề của các phương pháp truyền
thống. Ngoài ra, phương pháp tăng cường ảnh mờ vẫn chọn các giá trị cho các ngưỡng cận dưới, trung bình và cận trên
một cách thủ công nên không phải lúc nào cũng chọn được giá trị tốt. Điều này ảnh hưởng đến kết quả tăng cường ảnh.
Trong [6], các tác giả đã đề xuất một phương pháp tăng cường ảnh dựa trên tiếp cận cục bộ. Trong [9], các tác giả đề
xuất một số kĩ thuật tiền xử lý trong việc sử dụng phân cụm dữ liệu. Ngô Thành Long và cộng sự [4] sử dụng mờ loại 2
kết hợp với phân cụm mờ trong phân đoạn ảnh viễn thám. Ngoài ra , Lê Hoàng Sơn và cộng sự [8] đã sử dụng phân
cụm mờ bán giám sát trong phân đoạn ảnh X-quang nha khoa.
Do vậy đóng góp chính của bài báo này là trình bày mô hình nâng cao chất lượng ảnh viễn thám sử dụng
phương pháp phân cụm mờ bán giám sát. Nghiên cứu này có ý nghĩa trong việc tìm ra một thuật toán có hiệu quả để
nâng cao chất lượng ảnh viễn thám, từ đó hỗ trợ cho quá trình xử lý ảnh viễn thám.
Phần tiếp theo của bài báo được tổ chức như sau: trong phần II, chúng tôi trình bày tóm tắt các lý thuyết sử
dụng. Phần III trình bày lược đồ nâng cao chất lượng ảnh vệ tinh dựa trên phân cụm mờ bán giám sát. Phần IV là một
số kết quả thực nghiệm của phương pháp đã trình bày trên bộ dữ liệu thực tế và một vài độ đo đánh giá hiệu năng của
các thuật toán đã trình bày. Cuối cùng là kết luận và các hướng phát triển trong thời gian tới.
II. MỘT SỐ KIẾN THỨC LÝ THUYẾT LIÊN QUAN
Trong phần này, mục 2.1 sẽ trình bày về bài toán nâng cao chất lượng ảnh viễn thám. Mục 2.2 sẽ trình bày về
phân cụm bán giám sát mờ.
- Nguyễn
N Tu Trungg, Trần Mạnh Tuuấn, Đặng Thị Thhu Hiền, Nguyễn
n Huy Đức, Kiều
u Tuấn Dũng, Ngguyễn Văn Nam, Đỗ Oanh Cường
g 331
2.1
2 . Nâng caoo chất lượng ảảnh viễn thám
m
Bài toáán xử lý ảnh vviễn thám với ảnh đầu vào làl ảnh viễn thám, thực hiệnn hiệu chỉnh ảảnh viễn thám. Quá trình
hiệu
h chỉnh ảnhh có thể thực hhiện việc nângg cao chất lượn
ng ảnh viễn th
hám. Sau đó tiếến hành xử lýý ảnh viễn thám
m.
Việc nââng cao chất llượng ảnh viễễn thám là mộ ột khâu quan trọng trợ giúpp cho quá trìnnh xử lý ảnh viễn thám.
Thực
T hiện tăngg cường chất llượng ảnh nhằằm hỗ trợ giảii đoán và phân
n tích ảnh. Cóó nhiều chức nnăng trong nân
ng cao chất
lư
ượng ảnh như ư dãn tương pphản, lọc khônng gian để làm
m nổi các mẫu u trên ảnh,…. Nhiễu trong ảnh viễn thám m bao gồm
nhiễu
n thông thhường giống ảảnh màu và cáác nhiễu man ng tính đặc trưưng (sương m mù, đám mây,. ..). Đối với nhiễu thông
th
hường, chúngg ta có thể dùnng các phươngg pháp khử nhhiễu thông thư ường như các pphương pháp lọc. Để tăng cường
c chất
lư
ượng ảnh viễnn thám, cũng ccó thể dùng cáác phương phááp tăng tính tư
ương phản (Hìình 1).
Hình 1.. Cân bằng lượcc đồ màu
Theo [77], các kĩ thuậật tăng cường ảnh chia làm ba loại. Một là, các kĩ thuậật histogram m mà tiêu biểu là cân bằng
histogram
h và đặc
đ tả histograam. Hai là, cáác kĩ thuật dựaa trên tiếp cận
n logic mờ. Baa là, các kĩ thhuật tăng cườn
ng dựa trên
tối ưu. Các kỹ thuật tăng cường có thể áp dụng trên từn ng kênh với cáác ảnh đa cấp xxám.
Trong nội dung nghhiên cứu này, cchúng tôi tập trung vào việc nâng cao chhất lượng ảnh viễn thám dự
ựa trên việc
tăng cường mức
m xám của ảnh. Khi đóó lưu đồ thuậật toán tăng cường ảnh vviễn thám dự ựa trên tiếp cận cục bộ
LoRSIE_FCM
L M [6] được biểuu diễn như troong Hình 2.
Hình 2. Lưu đồ thuật toán LoRSIE_FCM
L
Theo lư
ưu đồ trong HHình 2, ảnh viiễn thám đầu vào được cụcc bộ hóa dựa ttrên thuật toáán phân cụm FCM.
F Tiếp
th
heo, một mô hình
h hiệu chỉnnh mức xám đư ược xây dựng
g. Các hàm hiệệu chỉnh mức xxám được liệtt kê trong bảng
g 1.
Bảngg 1. Các hàm biến đổi mức xám
m theo từng cụm
m
Ý nghĩa Công thức biến đổi Ti(g)
Giãn mức xám 255 ∗
255
Biến đổổi Hyperbol 1
1
Trong đó:
đ
- 332
3 NÂNG CAO CHẤT LƯỢNG
G ẢNH VIỄN THÁM
T DỰA T
TRÊN PHÂN CỤ
ỤM BÁN GIÁM
M SÁT MỜ
+ g là giá
g trị mức xáám gốc.
+ là cận trêên của việc giããn cụm i.
+ là cận dướ ới của việc giããn cụm i.
+ làà tâm cụm i.
+ μ làà giá trị độ thuuộc của mức xám g theo cụmm i và được tín
nh theo công tthức
0,
,
1, 255
Các ngưưỡng , đượ
ợc xác định bằằng cách chọnn sao cho vùngg gạch chéo trrong Hình 3 có diện tích
bằng
b 95% tổngg diện tích đư
ược bao các đư
ường y = 0 vàà y = . Trrong đó, là hàm phân bố của mức xám
x theo
một
m cụm cho trước.
t
Hìn
nh 3. Hàm phân
n bố và các ngư
ưỡng theo từng ccụm
Cuối cùùng, ảnh tăng cường được ttổng hợp từ cáác giá trị đầu ra
r của hàm biiến đổi mức xáám theo từng cụm. Hàm
tổng hợp này có
c dạng tổng qquát như sau: g | g’ = T(g
g). Trong đó,
∑ μ , , (1)
0 255
2.2.
2 Phân cụm
m bán giám sáát mờ
Phân cụụm dữ liệu [1]] là quá trình nhóm một tập
p các đối tượn
ng tương tự nhhau trong tập ddữ liệu vào cá
ác cụm sao
cho
c các đối tượ
ợng thuộc cùnng một cụm làà tương đồng, còn các đối tư
ượng thuộc cácc cụm khác nhhau sẽ ít tươngg đồng.
Các kỹỹ thuật phân ccụm: phân cụm m cứng, phân cụm mờ, phâân cụm bán ggiám sát, phânn cụm bán giá ám sát mờ.
Trong
T bài báo,, nhóm nghiênn cứu tập trungg vào thuật toán phân cụm mờ
m và phân cụụm mờ bán giiám sát. Thuậtt toán phân
cụm
c mờ (FCM M) được Bezddek [1] đề xuấất dựa trên việệc tối ưu hóa khoảng
k cách ccác điểm dữ lliệu với tâm. Thuật toán
phân
p cụm mờ bán giám sát được xây dựnng dựa trên cáác thuật toán phân
p cụm mờ kkết hợp với cáác thông tin bổ
b trợ được
người
n dùng cuung cấp. Thôngg tin bổ trợ [113] cho phân cụm
c mờ bán giám sát có 3 ddạng cơ bản gồm các ràng buộcb Must-
link và Cannott-link; một phần dữ liệu đượ ợc gán nhãn và
v độ thuộc đư
ược xác định trrước.
Yasunoori et al. [11] đã đề xuất m
một thuật toán phân
p cụm mờ ờ bán giám sátt với thông tinn bổ trợ là hàm
m độ thuộc
được
đ bổ sung vào
v hàm mục tiêu của FCM M nhằm cải thiiện hiệu quả trrong quá trìnhh phân cụm. K
Khi đó hàm mụ ục tiêu [11]
được
đ xác định như sau:
, ∑ ∑ | ̄ | || || → (2)
Trong đó:
đ
m là sốố mờ hóa;
C là sốố cụm, N là sốố phần tử dữ liệu, r là số chiiều của dữ liệu
u;
ukj là độ
đ thuộc của pphần tử dữ liệuu Xk từ cụm j;
X k R r là phẩn tửử thứ k của X X 1 , X 2 ,..., X N ;
Vj là tââm của cụm j.
Với điềều kiện ràng bbuộc (3), khi đó hàm độ th
huộc bổ trợ củ
ủa phần tử với cụm llà ∈ 0,1 đồng thời
th
hỏa mãn
∑ 1; ∈ 0,1 ; ∀ 1,
| ∈ 0,1 , 1, , 1, , ∑ 1, ∀ 1, (3)
- Nguyễn
N Tu Trungg, Trần Mạnh Tuuấn, Đặng Thị Thhu Hiền, Nguyễn
n Huy Đức, Kiều
u Tuấn Dũng, Ngguyễn Văn Nam, Đỗ Oanh Cường
g 333
Khi đó dựa vào điều kiện (3) và hààm mục tiêu (2
2) ta có:
∑ ̄
, 1, (4)
∑ ̄
Các giáá trị của đư
ược xác định ttheo 2 trường hợp sau
1::
1 ∑ , 1, , 1, . (5)
∑
1::
1 ∑ , ‖ ‖
, 1, , 1, . (6)
, .
Các bưước thực hiện thuật toán phhân cụm mờ chuẩn bản giáám sát (SSSF
FC- Semi-Suppervised Stand
dard Fuzzy
Clustering)
C đư
ược trình bày nnhư trong Bảnng 2 dưới đây.
Bảng 2. Thhuật toán Semi--Supervised Staandard Fuzzy Cllustering
Input Tập dữ liệuu X gồm N pphần tử, số cụm C, ma trận
n độ thuộc bổ trợ , ngưỡnng , số lần lặ
ặp tối đa
maxStep > 0..
Output Ma trận U vvà tâm cụm V
V.
SSSFC
1: t=0
2: Khởi tạo nggẫu nhiên ; ( 1, )
3: Repeat
4: t=t+1
5: Tính ( 1, ; 1, ) bởi côn
ng thức (5) vớ
ới 1 hoặcc công thức (66) với 1.
6: Tính ( 1, ) bbởi công thức (4)
7: Until or t > maxS
Step
III. MÔ HÌN
NH NÂNG CAO CHẤT L
LƯỢNG ẢNH
H VIỄN THÁ
ÁM DỰA TRÊ
ÊN PHÂN CỤ
ỤM BÁN GIÁ
ÁM SÁT
Dựa trêên mô hình nââng cao chất llượng ảnh viễn n thám LoRSIIE_FCM [6] đđã trình bày ở trên, chúng tôi đề xuất
một
m cải tiến bằằng cách sử ddụng phân cụm m bán giám sáát mờ thay cho thuật toán pphân cụm mờ FCM. Hình 4 biểu diễn
lư
ưu đồ thuật tooán tăng cườnng ảnh viễn tháám dựa trên phân cụm bán giám sát mờ. Với thuật toáán mới này, ản nh đầu vào,
th
hay vì được cục
c bộ hóa bởii FCM, sẽ đượ ợc cục bộ hóa bởi một thuậtt toán phân cụụm bán giám ssát mờ. Khi đóó, chúng ta
th
hu được tập tâm
t cụm và m
ma trận độ thuuộc mới từ việệc áp dụng thu
uật toán SemiiFCM. Như vvậy, thay vì ch húng ta thu
được
đ hàm hàmm d(g)FCM, ta tthu được hàm d(g)SemiFCM, các tham số và liên quann đến từng cụ
ụm đưa vào
mô
m hình hiệu chỉnh
c mức xámm cũng thay đđổi. Từ đây, các
c giá trị mứcc xám đầu ra tthay đổi, dẫn đến sự thay đổi
đ của ảnh
sau
s tăng cườngg so với việc ssử dụng thuật toán FCM gốc.
Hìn
nh 4. Lưu đồ th
huật toán LoRSIIE_SemiFCM
- 334
3 NÂNG CAO CHẤT LƯỢNG
G ẢNH VIỄN THÁM
T DỰA T
TRÊN PHÂN CỤ
ỤM BÁN GIÁM
M SÁT MỜ
IV. KẾT QU
UẢ THỰC NGHIỆM
4.1.
4 Mô tả thự
ực nghiệm
Chúng tôi tiến hành cài đặt thuật ttoán LoRSIE_ _SemiFCM trrên bộ dữ liệuu cụ thể LAND
DSAT ETM+ và so sánh
với
v kết quả củủa thuật toán L
LoRSIE_FCM M cùng trên bộ dữ liệu này. Trong
T các thửử nghiệm, đđược tính bằng
g cách thực
hiện
h trước mộtt phân cụm FC CM. Từ ma trrận U thu đượ ợc, xác định như sau với mỗi điểm ảnhh, giữ nguyên giá trị của
phần
p tử có độ thuộc
t lớn nhấất, các giá trị ccòn lại gán lại bằng 0.
Mô tả dữ
d liệu: Tập ddữ liệu phục vvụ cho thử ngh hiệm là loại ảnnh LANDSAT T ETM+ chụp khu vực Hòa Bình ngày
15/02/2001,
1 b gồm các ảnh ranh giớ
bao ới từng huyệện và một ản nh theo ranh giới tỉnh củủa tỉnh Hòa Bình. B Ảnh
LANDSATET
L TM+ gồm 7 kêênh [12]: Chàm m, Lục, Đỏ, Cận
C hồng ngoạại, Hồng ngoạii trung, Hồng ngoại nhiệt, Hồng H ngoại
trrung. Các ảnhh này được thuu thập khi thànnh viên của nh
hóm tác giả th ham gia thực hhiện đề tài “Phhát triển phần mềm xử lý
ảnh
ả viễn thám trên nền phần mềm GRASS S”. Đây là đề tàài cấp nhà nướ
ớc, thuộc Chươơng trình KHC CN Vũ trụ.
Độ đo đánh giá: Đểể đo chất lượ ợng của ảnh gốc
g và các ản nh tăng cườngg chúng tôi ssử dụng chỉ số Entropy.
Shannon
S Entroopy (hoặc entrropy thông tinn) là một phươ
ơng pháp đo tính
t không chhắc chắn của thhông tin. Giả sử có n sự
kiện
k trong khôông gian mẫu,, xác suất mỗii sự kiện là pi (i = 1, 2, …,, n), mỗi pi ≥ 0, và tổng củủa pi bằng 1. Do
D đó, một
hàm
h H được địnhđ nghĩa để đđo độ không cchắc chắn của không gian mẫum [3]. Giá trrị của H được tính theo côn ng thức (7).
Với
V xử lý ảnh,, n đưa ra bởi số mức xám.
∑ ln (7)
Trong
T đó:
n là số mức xám;
pi là xáác xuất của mứ
ức i trong histtogram.
4.2.
4 Kết quả thực
t nghiệm
Do khuuôn khổ bài bááo có hạn, nhhóm tác giả trìình bày các kếết quả thử nghhiệm trên bốnn mẫu ảnh đầu
u vào khác
nhau.
n Các thử nghiệm này bbao gồm các ảnnh vệ tinh khuu vực huyện Cao
C Phong, Đàà Bắc, Kim Bôôi và Lạc Thủy.
Bảng 3 thể hiện ảnnh đầu vào vvà ảnh kết quả q khi tăng cường chất lượng ảnh kkhi áp dụng thuật toán
LoRSIE_FCM
L M và thuật toánn SemiFCM vvới tổ hợp 3 kênh
k Chàm, Lụ ục, Đỏ. Chúngg ta thấy, các ảnh sau tăng cường, độ
sáng
s và độ tươ
ơng phản đều ttốt hơn so vớii ảnh gốc. Tuy
y nhiên, nếu qu
uan sát kỹ hơnn, chúng ta sẽẽ thấy độ tương phản của
ảnh
ả sau tăng cư ường bởi thuậật toán sử dụngg SemiFCM là tốt hơn một chút so với thhuật toán sử dụụng FCM.
Bản
ng 3. Tăng cườn
ng ảnh với FCM
M và SemiFCM
- Nguyễn Tu Trung, Trần Mạnh Tuấn, Đặng Thị Thu Hiền, Nguyễn Huy Đức, Kiều Tuấn Dũng, Nguyễn Văn Nam, Đỗ Oanh Cường 335
Kết quả thực nghiệm khi tăng cường chất lượng ảnh theo giá trị chỉ số ở các huyện Cao Phong, Đà Bắc, Kim
Bôi, Lạc Thủy được chỉ ra ở các bảng 4, 5, 6 và 7 với việc áp dụng các thuật toán sử dụng FCM và SemiFCM. Dựa vào
kết quả thực nghiệm này chúng ta có thể thấy rất rõ giá trị Entropy ứng với các kênh của ảnh sau tăng cường bởi thuật
toán sử dụng SemiFCM là cao hơn thuật toán LoRSIE_FCM. Điều này chứng tỏ chất lượng ảnh sau tăng cường thuật
toán sử dụng SemiFCM là tốt hơn so với ảnh sau tăng cường thuật toán LoRSIE_FCM.
Bảng 4. Giá trị Entropy của ảnh sau tăng cường huyện Cao Phong
Kênh Tăng cường với Tăng cường với SemiFCM
LoRSIE_FCM
1 3.44578672451698 3.75960630294584
2 3.53055329114634 3.87734956539595
3 3.57985248661498 3.92747171506403
Bảng 5. Giá trị Entropy của ảnh sau tăng cường huyện Đà Bắc
Kênh Tăng cường với Tăng cường với SemiFCM
LoRSIE_FCM
1 2.45684844447667 3.50167678500134
2 2.66391133356626 3.49133354235306
3 2.65419094174343 3.44077893674379
Bảng 6. Giá trị Entropy của ảnh sau tăng cường huyện Kim Bôi
Kênh Tăng cường với Tăng cường với SemiFCM
LoRSIE_FCM
1 4.1858282177615 4.49061166054001
2 4.19923187498745 4.53125963217986
3 4.27514951159837 4.54546630160856
Bảng 7. Giá trị Entropy của ảnh sau tăng cường huyện Lạc Thủy
Kênh Tăng cường với Tăng cường với SemiFCM
LoRSIE_FCM
1 2.40240944416823 3.11144330891485
2 2.61518856088777 3.22093197523361
3 2.77044329227435 3.24632169784426
IV. KẾT LUẬN
Trong bài báo này, chúng tôi tập trung nghiên cứu về bài toán nâng cao chất lượng ảnh viễn thám dựa trên phân
cụm bán giám sát mờ. Đóng góp chính của bài báo là đã sử dụng phân cụm bán giám sát mờ áp dụng cho nâng cao chất
lượng ảnh viễn thám trong quá trình cục bộ hóa ảnh viễn thám. Ngoài ra, nhóm tác giả cũng đã cài đặt thực nghiệm
thuật toán đề xuất với các ảnh viễn thám thu thập ở khu vực Hòa Bình. Các kết quả thực nghiệm cũng chỉ ra các giá trị
Entropy của phương pháp SemiFCM có giá trị tốt hơn với kết quả nhận được khi áp dụng thuật toán LoRSIE_FCM. Từ
nghiên cứu này, chúng tôi sẽ tiếp tục nghiên cứu các thông số khác để nâng cao chất lượng ảnh. Đồng thời nghiên cứu
này còn mở ra hướng nghiên cứu phát triển cho các thuật toán sử dụng phân cụm dựa trên các tập mờ nâng cao.
LỜI CẢM ƠN
Nghiên cứu này được tài trợ bởi Quỹ Khoa học và Công nghệ Trường Đại học Thủy lợi trong đề tài mã số:
TLU.STF.19-02.
TÀI LIỆU THAM KHẢO
[1]. Bezdek, J. C. (1981). Pattern recognition with fuzzy objective function algorithms. Kluwer Academic Publishers.
[2]. Hassanien, A. E., & Badr, A. (2003). A comparative study on digital mamography enhancement algorithms based
on fuzzy theory. Studies in informatics and control, 12(1), 21-32.
[3]. Jaynes, E. T. (1957). Information theory and statistical mechanics. Physical review, 106(4), 620-630.
[4]. Ngo, L. T., Mai, D. S., & Pedrycz, W. (2015). Semi-supervising Interval Type-2 Fuzzy C-Means clustering with
spatial information for multi-spectral satellite image classification and change detection. Computers &
geosciences, 83, 1-16.
[5]. Nguyễn Tu Trung, Đặng Văn Đức, Vũ Văn Thỏa (2016), Một số cải tiến kĩ thuật phân cụm cho ảnh viễn thám, Tạp
chí Công nghệ thông tin và Truyền thông, Bộ Thông tin và Truyền thông, số 16 (36).
[6]. Nguyễn Tu Trung, Vũ Văn Thoả, Đặng Văn Đức (2015), Một phương pháp tăng cường độ tương phản ảnh viễn
thám dựa trên tiếp cận cục bộ, Chuyên san các công trình nghiên cứu, Tạp chí Công nghệ thông tin và Truyền
thông, Bộ Thông tin và Truyền thông, Kỳ 3, tập V-2, số 14 (34).
- 336 NÂNG CAO CHẤT LƯỢNG ẢNH VIỄN THÁM DỰA TRÊN PHÂN CỤM BÁN GIÁM SÁT MỜ
[7]. Sharo, T. A., & Raimond, K. (2013). A Survey on Color Image Enhancement Techniques. IOSR J. Eng, 3, 20-24.
[8]. Son, L. H., Tuan, T. M. (2017). Dental segmentation from X-ray images using semi-supervised fuzzy clustering
with spatial constraints. Engineering Applications of Artificial Intelligence, 59, 186-195.
[9]. Sudhavani, G., Srilakshmi, M., Rao, P. V., & Prasad, K. S. (2014). Comparison of fuzzy contrast enhancement
techniques. International Journal of Computer Applications, 95(22). pp. 0975 – 8887.
[10]. Tusia, A., & KUMAR, D. N. (2014). Performance analysis of type-2 fuzzy system for image enhancement using
optimization. International Journal of Enhanced Research in Science Technology & Engineering, 3(7), 108-116.
[11]. Yasunori, E., Yukihiro, H., Makito, Y., & Sadaaki, M. (2009, August). On semi-supervised fuzzy c-means
clustering. In Fuzzy Systems, 2009. FUZZ-IEEE 2009. IEEE International Conference on (pp. 1119-1124). IEEE.
[12]. Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8, 338-353.
[13]. Zhang, H., & Lu, J. (2009). Semi-supervised fuzzy clustering: A kernel-based approach. Knowledge-Based
Systems, 22(6), 477-481.
IMPROVING THE QUALITY OF MULTISPECTRAL IMAGES USING
SEMI-SUPERVISED FUZZY CLUSTERING
Nguyen Tu Trung, Tran Manh Tuan, Dang Thi Thu Hien, Nguyen Huy Duc, Kieu Tuan Dung,
Nguyen Van Nam, Do Oanh Cuong
ABSTRACT: Improving the quality of images is one of necessary stages in image processing. Multispectral images are the images
with a large size and high spatial resolution. Therefore, the analysis of multispectral images is complex. The results of pre-
processing progess are very important. These results affect directly to the results of image analysis progress. There were some
researches related to the improvement of image quality such as noise reduction, contrast increment, histogram techniques, etc. In
this paper, we propose an novel method in order to improve the quality of multispectral images by contrast increasing approach
using semi-supervised clustering.
nguon tai.lieu . vn