Currently, The commercial software eCognition has been proven to be the most advanced software tool for
object-based classification of high resolution remote sensing imagery. However, its segmentation process still
relies on trial and error to find proper segmentation parameters. The segmentation process is very time
consuming and the segmentation quality directly depends on the experience of the operator. To solve this
problem, this paper introduces a supervised methodology to estimate the optimal parameters of the multi
resolution segmentation in eCognition. The approach of the method is from the relationship of the spectrum and
the shape of the object of training and its child objects to find out proper parameters when segmentationcreates
the same object as the object of training. The steps are as follows: (1) open the satellite images need to segment
on ArcGIS and digitize a relatively homogeneous object in the image called object of training; (2) open the
image and select the area that contains the object of training on eCognition; (3) segmentation for the area of
selection with the default parameters of the software; (4) transfer results into the ArcGIS software with the
attribute data: the standard deviation of the spectral, Spectral stability, brightness and the number of Pixels of
each child object; (5) Merged sub-objects to get the training object for the supervised training and transfer
results into the ArcGIS software attributes similar to child objects; (6) calculate values of the parameters: Scale
parameter, Shape, Compactness for training object; (7) The estimated parameters are used for segmentation for
the entire Image.
13 trang |
Chia sẻ: huongthu9 | Lượt xem: 682 | Lượt tải: 0
Bạn đang xem nội dung tài liệu Ước tính giá trị các thông số khoanh vi ảnh hướng đối tượng phù hợp trên phần mềm ecognition: thử nghiệm với ảnh vệ, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
Quản lý Tài nguyên rừng & Môi trường
18 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
ƯỚC TÍNH GIÁ TRỊ CÁC THÔNG SỐ KHOANH VI ẢNH HƯỚNG
ĐỐI TƯỢNG PHÙ HỢP TRÊN PHẦN MỀM ECOGNITION:
THỬ NGHIỆM VỚI ẢNH VỆ TINH SPOT6
Phạm Văn Duẩn1, Vũ Thị Thìn2, Nguyễn Quốc Huy3
1,2Trường Đại học Lâm nghiệp
3Chi cục Kiểm lâm Vùng IV
TÓM TẮT
Hiện nay, quá trình khoanh vi ảnh trên phần mềm eCognition chủ yếu dựa vào việc thử nghiệm để tìm các
thông số khoanh vi thích hợp cho từng cảnh ảnh nên thường tốn thời gian và phụ thuộc nhiều vào kinh nghiệm
của người sử dụng. Bài báo giới thiệu một phương pháp ước lượng các thông số tối ưu nhằm khoanh vi ảnh đa
độ phân giải theo đối tượng trong eCognition. Cách tiếp cận của phương pháp là từ mối quan hệ về phổ và hình
dạng của đối tượng mẫu và các đối tượng con của nó tìm ra các thông số phù hợp để khi khoanh vi sẽ tạo ra các
đối tượng giống như đối tượng mẫu. Các bước thực hiện như sau: (1) Mở ảnh cần khoanh vi trên ArcGIS và số
hóa một đối tượng tương đối đồng nhất trên ảnh gọi là đối tượng mẫu; (2) Mở ảnh và lựa chọn khu vực chứa
đối tượng mẫu trên eCognition; (3) Khoanh vi cho khu vực lựa chọn với các thông số mặc định của phần mềm
hoặc theo kinh nghiệm; (4) Chuyển kết quả sang phần mềm ArcGIS với các dữ liệu thuộc tính: Sai tiêu chuẩn,
giá trị đồng nhất về phổ của đối tượng với các đối tượng liền kề, độ sáng chung (Brightness) và số lượng Pixel
(Area) của từng đối tượng con; (5) Ghép các đối tượng con nằm trong đối tượng mẫu thành khoanh vi tổng và
chuyển kết quả sang phần mềm ArcGIS với dữ liệu thuộc tính tương tự như đối tượng con; (6) Tính toán giá trị
các thông số: Scale parameter, Shape, Compactness cho đối tượng mẫu; (7) Sử dụng các thông số xác định
được để khoanh vi cho toàn bộ cảnh ảnh.
Từ khoá: Hướng đối tượng, khoanh vi ảnh, phần mềm eCognition, SPOT6.
I. ĐẶT VẤN ĐỀ
Hiện nay, việc chiết tách thông tin lớp phủ
bề mặt từ dữ liệu viễn thám chủ yếu sử dụng
hai phương pháp chính: (1) Phương pháp phân
loại dựa vào đặc trưng phổ của từng điểm ảnh
(pixel-based) thường được sử dụng để phân
loại ảnh có độ phân giải không gian thấp và
trung bình; (2) Phương pháp phân loại hướng
đối tượng (object-based) được phát triển và
ứng dụng để phân loại ảnh có độ phân giải
không gian cao và siêu cao.
Phân loại định hướng đối tượng không dựa
trên các điểm ảnh đơn lẻ mà dựa vào tập hợp
các điểm trên ảnh có giá trị đồng nhất ở một
mức độ nhất định về phổ và hình dạng của đối
tượng, nên ngoài giá trị phổ thì hình dạng của
đối tượng (shape), cấu trúc của đối tượng
(texture) và mối quan hệ giữa các đối tượng
cũng được xem xét phân tích trong phân loại.
Quá trình phân loại có thể chia thành hai bước
chính: (1) Khoanh vi ảnh; (2) Giải đoán ảnh
sau khoanh vi: gán tên hoặc đặc điểm đối
tượng dựa vào đặc trưng phổ và cấu trúc.
Trong đó công tác khoanh vi ảnh có tác động
rất lớn đến độ chính xác của kết quả giải đoán
theo phương pháp phân loại hướng đối tượng.
Neubert et al, 2008 và Marpu et al, 2010 so
sánh hơn mười phần mềm phân loại hướng đối
tượng khác nhau kết luận rằng eCognition là
một trong những phần mềm phân loại ảnh
hướng đối tượng tốt nhất hiện nay. Trong đó,
kỹ thuật khoanh vi ảnh đa độ phân giải
(multiresolution) trên eCognition là phổ biến
nhất. Nhưng việc khoanh vi ảnh theo kỹ thuật
này lại phụ thuộc vào ba thông số: Scale
parameter, Shape và Compactness (Hay et al,
2003; Maxwell, 2005; Marpu et al, 2010). Quá
trình khoanh vi ảnh hiện nay chủ yếu được
thực hiện bằng cách lựa chọn tập hợp các
thông số: Scale parameter, Shape và
Compactness theo kinh nghiệm, sau đó chạy và
kiểm tra bằng mắt đến khi tìm ra các thông số
được cho là tốt nhất trên từng cảnh ảnh
(Flanders et al, 2003; Maxwell, 2005; Platt và
Quản lý Tài nguyên rừng & Môi trường
19TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
Rapoza, 2008) – Phương pháp này gọi là
phương pháp thử và kiểm tra sự phù hợp. Quá
trình này mất nhiều thời gian, chất lượng
khoanh vi phụ thuộc nhiều vào kinh nghiệm
của người giải đoán và việc đưa ra các thông
số khoanh vi hiệu quả cho từng đối tượng trên
cảnh ảnh là thiếu sự thuyết phục.
Để giải quyết vấn đề này, một số nhà nghiên
cứu đã đề xuất các giải pháp nhằm ước lượng
thông số khoanh vi ảnh trên eCognition.
Maxwell, 2005 đề xuất phương pháp sử dụng
giá trị: quang phổ, kết cấu, hình dạng, kích
thước và các thuộc tính của đối tượng mẫu và
đối tượng con của nó để xác định giá trị các
thông số khoanh vi sử dụng hệ thống suy luận
mờ. Costa và cộng sự, 2008 sử dụng một thuật
toán di truyền để ước lượng các thông số
khoanh vi hiệu quả. Với các phương pháp trên,
việc ước tính giá trị các thông số khoanh vi đã
nhanh hơn so với phương pháp thử và kiểm tra
sự phù hợp (Zhang et al, 2010). Mặc dù các
phương pháp tiếp cận trên được chứng minh
chắc chắn xác định được các tham số khoanh
vi hiệu quả nhưng do sự phức tạp của phương
pháp dẫn đến việc áp dụng vào thực tế găp
khó khăn.
Ngày 9/9/2012 vệ tinh SPOT6 được đưa lên
quĩ đạo thu nhận thông tin quan sát trái đất. Độ
phân giải không gian của vệ tinh này được
nâng lên 1,5 m so với 2,5 m của vệ tinh
SPOT5, là thế hệ mới của loạt vệ tinh quang
học SPOT với nhiều cải tiến về kỹ thuật và khả
năng thu nhận ảnh cũng như đơn giản hoá việc
truy cập thông tin. SPOT6 đảm bảo tính liên
tục dữ liệu từ một loạt vệ tinh đã hoạt động từ
năm 1986 cùng với những tiến bộ trong công
nghệ. Khả năng đáp ứng và thu thập độc đáo
của SPOT6 mang lại lợi ích cho một loạt ứng
dụng nhất là trong công tác lập bản đồ đô thị
và tài nguyên thiên nhiên hoặc ứng dụng trong
quan trắc nông nghiệp và môi trường. Với dải
bay chụp rộng (60 km) như đặc điểm chung
của các vệ tinh SPOT khác, SPOT6 trở thành
một công cụ lý tưởng để chụp được các vùng
lãnh thổ rộng lớn. Tuy nhiên, với dải bay chụp
rộng, độ phân giải không gian cao nếu không
chọn được các thông số khoanh vi ảnh phù hợp
thì kết quả khoanh vi cho một cảnh ảnh SPOT6
có thể tạo ra số lượng đối tượng rất lớn nhiều
khi không thực hiện được.
Để góp phần giải quyết tồn tại trong công
tác khoanh vi ảnh nói chung và khoanh vi với
ảnh SPOT6 nói riêng việc: “Ước tính giá trị
các thông số khoanh vi ảnh hướng đối
tượng phù hợp trên phần mềm eCognition:
thử nghiệm với ảnh vệ tinh SPOT6” được
thực hiện.
II. PHƯƠNG PHÁP NGHIÊN CỨU
2.1. Tư liệu nghiên cứu
Tư liệu chủ yếu của nghiên cứu này là ảnh
vệ tinh SPOT6 chụp khu vực tỉnh Đắk Nông
ngày 12 tháng 02 năm 2013, độ phân giải
không gian là 6 m với kênh đa phổ và 1,5 m
với kênh toàn sắc được nắn chỉnh trực giao phù
hợp với địa hình ở mức xử lý 1T.
2.2. Phương pháp nghiên cứu
2.2.1. Phương pháp nghiên cứu nguyên lý
khoanh vi ảnh đa độ phân giải trên phần
mềm eCognition
Trong xử lý ảnh, sự chia nhỏ hình ảnh thành
các phần dựa trên các tiêu chí: màu sắc (color),
hình dạng (shape), độ chặt (compactness), độ
trơn (smoothness) hoặc một số thông số khác
gọi là khoanh vi ảnh (Segment). Sản phẩm của
công tác khoanh vi ảnh tạo ra các đối tượng
ảnh gọi là các đối tượng nguyên thủy hay đối
tượng chưa phân loại và là đầu vào của quá
trình phân loại (giải đoán) ảnh. Mỗi đối tượng
ảnh là một hoặc một nhóm Pixel có thể chứa
các loại thông tin: (1) Thông tin về đặc trưng
phổ ảnh của đối tượng; (2) Thông tin về các
yếu tố hình dạng của đối tượng; (3) Thông tin
về quan hệ của đối tượng với các đối tượng
Quản lý Tài nguyên rừng & Môi trường
20 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
khác liền kề trên ảnh và; (4) Thông tin về quan
hệ của đối tượng trên ảnh với các đối tượng
bên ngoài ảnh lấy từ các nguồn thông tin khác
như: bản đồ địa hình, bản đồ đất, bản đồ thuỷ
văn, bản đồ hiện trạng...
Phần mềm eCognition cung cấp một số
thuật toán cho khoanh vi ảnh như: chessboard
segmentation, quatree based segmentation,
multiresolution segmentation. Tuy nhiên, thuật
toán thường xuyên được sử dụng trong quá
tình xử lý ảnh là khoanh vi đa độ phân giải
(Multi-segmentation). Nguyên nhân thuật toán
này hay được sử dụng do: (1) Thuật toán cho
phép làm giảm thiểu mức độ bất đồng nhất của
đối tượng ảnh cho một độ phân giải nhất định;
(2) Thuật toán có thể ứng dụng ở cả mức Pixel
hoặc mức đối tượng ảnh; (3) Dễ sử dụng vì
được thực hiện dựa theo việc lựa chọn các
thông số về hình dạng (shape), màu sắc (color),
độ chặt (compactness), độ trơn (smothness)
của người phân loại. Như vậy, để khoanh vi
theo thuật toán Multi-segmentation, các thông
số khoanh vi được lựa chọn bởi người sử dụng.
Giá trị của các thông số này phụ thuộc vào: (1)
Loại ảnh; (2) thời gian chụp ảnh của từng loại
ảnh; (3) đối tượng cần phân loại trên ảnh. Do
đó, việc xác định các thông số này cần thực
hiện cho từng cảnh ảnh cụ thể. Nghĩa là không
thể xác định thông số chung áp dụng cho từng
loại ảnh nhất định hoặc từng đối tượng nhất
định trên ảnh.
Từ các phân tích trên, phương pháp tiếp cận
trong nghiên cứu xác định các thông số khoanh
vi phù hợp với đối tượng trên ảnh của nghiên
cứu này như sau: Giả sử có một đối tượng trên
ảnh (một mảnh rừng, một hồ nước) về
nguyên tắc khi khoanh vi thì mỗi đối tượng
này là một khoanh vi. Tuy nhiên, do chưa lựa
chọn được các thông số khoanh vi phù hợp nên
khi khoanh vi một đối tượng trên ảnh lại chứa
nhiều khoanh vi hoặc khoanh vi không bám sát
với đối tượng. Nếu coi đối tượng trên ảnh
(Mảnh rừng, hồ nước) là đối tượng mẫu, khi
khoanh vi ảnh theo các thông số mặc định của
phần mềm (Scale parameter=10; Shape=0,1;
Compactness=0,5) một đối tượng mẫu thường
chứa nhiều đối tượng con. Khi xác định được
đối tượng mẫu và đối tượng con của nó sẽ xác
định được giá trị: (1) Thông tin về đặc trưng
phổ ảnh; (2) Thông tin về các yếu tố hình
dạng; (3) Thông tin về quan hệ của đối tượng
với các đối tượng khác liền kề trên ảnh cho
từng đối tượng con và đối tượng mẫu. Từ các
thông tin trên, kết hợp với thông số khoanh vi
cho đối tượng con (theo mặc định của phần
mềm) cần xác định các thông số khoanh vi
(Scale parameter, Shape, Compactness) phù
hợp cho đối tượng mẫu để khi khoanh vi theo
các thông số này sẽ tạo ra các đối tượng giống
như đối tượng mẫu.
Để xác định được các thông số khoanh vi
ảnh phù hợp cần phải nắm rõ nguyên lý
khoanh vi ảnh của phần mềm eCognition.
Nguyên lý khoanh vi ảnh được nghiên cứu
bằng phương pháp chuyên gia thông qua việc
kế thừa các nghiên cứu của các tác giả đã công
bố về vấn đề này. Trong đó, tập trung vào hai
vấn đề chính: (1) Nguyên lý khoanh vi ảnh
theo giá trị phổ và; (2) Nguyên lý khoanh vi
ảnh theo hình dạng đối tượng. Đây là hai vấn
đề đặc trưng của khoanh vi ảnh hướng đối
tượng.
Việc khoanh vi ảnh đa độ phân giải trên
eCognition được thực hiện theo nguyên lý sau:
ban đầu coi từng điểm ảnh (pixel) như một đối
tượng riêng biệt sau đó từng đối tượng nhỏ kề
nhau được hợp nhất thành đối tượng lớn hơn.
Sự hợp nhất này dựa trên tiêu chuẩn không
đồng nhất về: giá trị phổ (hspectral) và hình dạng
(hshape) của đối tượng.
Sự không đồng nhất về phổ của hai đối
tượng liền kề được định nghĩa là:
Quản lý Tài nguyên rừng & Môi trường
21TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
(2.1)
Trong đó: m là số lớp hình ảnh được lựa
chọn cho khoanh vi, wi là trọng số của lớp i
tham gia khoanh vi – thông thường giá trị này
được chọn là 1, obj1 và obj2 là hai đối tượng
liền kề được lựa chọn cho việc sáp nhập thành
1 đối tượng, n là số lượng điểm ảnh của đối
tượng, obj1 + obj2 đại diện cho các đối tượng
hợp nhất tạo thành từ sự kết hợp của hai đối
tượng liền kề obj1 và obj2, và σi là độ lệch
chuẩn của các đối tượng của lớp i (Benz et
al, 2004).
Trong khi sự không đồng nhất về phổ chỉ sử
dụng chỉ tiêu độ lệch chuẩn phổ, sự không
đồng nhất về hình dạng (hshape) bao gồm: sự
không đồng nhất về tính nhỏ gọn (hcompactness)
và sự không đồng nhất về độ trơn của đối
tượng (hsmoothness). Sự không đồng nhất về hình
dạng được định nghĩa như sau:
(2.2)
Trong đó: wcompactness là giá trị do người
dùng định nghĩa có giá trị trong khoảng từ 0
đến 1, hcompactness là sự không đồng nhất về tính
nhỏ gọn, hsmoothness là sự không đồng nhất về độ
trơn của hai đối tượng liền kề được xác định
theo các công thức sau (Benz et al, 2004):
(2.3)
(2.4)
Trong đó: lobj là chu vi của đối tượng; nobj là
số lượng điểm ảnh của đối tượng, bobj là chu vi
của khung giới hạn của đối tượng.
Sự không đồng nhất tổng thể do việc sáp
nhập hai đối tượng liền kề thành một đối tượng
là tổng trọng số của hspectral và hshape được xác
định theo công thức:
(2.5)
Trong đó: wshape là tham số do người dùng
định nghĩa cho sự thay đổi hình dạng không
đồng nhất có giá trị từ 0,0 - 0,9.
Hai đối tượng liền kề trong quá trình
khoanh vi đủ điều kiện để sáp nhập vào nhau
nếu Mc xác định từ công thức (2.5) nhỏ hơn
bình phương giá trị Scale parameter (S) do
người dùng định nghĩa (Mc <S
2). Quá trình sáp
nhập cũng đòi hỏi bốn thông số người dùng
xác định theo quy định của phương trình (2.1),
(2.2), (2.4), (2.5) và (2.6). Những thông số
người dùng định nghĩa là: S, wshape, wcompactness,
và wi (i = 1 đến n).
Các công thức, nguyên lý nêu trên là cơ sở
để xác định các thông số khoanh vi ảnh hướng
đối tượng phù hợp.
2.2.2. Phương pháp nghiên cứu xác định các
thông số khoanh vi ảnh phù hợp
Từ nguyên lý khoanh vi ảnh căn cứ vào giá
trị phổ và hình dạng đối tượng xác định được ở
nội dung trên, thiết lập công thức tính toán ba
thông số: Scale parameter, Shape,
Compactness cho đối tượng mẫu từ: (1) giá trị
của các thông số ban đầu (Scale parameter=10,
Shape=0,1, Compactness=0,5); (2) Sai tiêu
chuẩn về phổ, giá trị đồng nhất về phổ của đối
tượng với các đối tượng liền kề, độ sáng chung
và số lượng Pixel của từng đối tượng con; (3)
Sai tiêu chuẩn về phổ, giá trị đồng nhất về phổ
của đối tượng với các đối tượng liền kề, độ
Quản lý Tài nguyên rừng & Môi trường
22 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
sáng chung và số lượng Pixel của đối tượng
mẫu (chứa các đối tượng con).
Mục đích của khoanh vi ảnh là lựa chọn
được các thông số để khoanh vẽ các đối tượng
có ý nghĩa trên ảnh, nghĩa là: đối tượng khoanh
vẽ trên ảnh có hình dạng và kích thước giống
với đối tượng che phủ đất ngoài thực tế. Vì
vậy, việc khoanh vi hiệu quả cần xác định đối
tượng chính cần quan tâm khoanh vi: nếu
nghiên cứu xây dựng bản đồ hiện trạng rừng
thì đối tượng quan tâm khoanh vi là các trạng
thái rừng, nếu nghiên cứu xây dựng bản đồ
thủy văn thì đối tượng quan tâm khoanh vi là
hệ thống: hồ, sông, suối trên ảnh Mặt khác,
việc khoanh vi ảnh phụ thuộc vào ba thông số
chính gồm: Scale parameter, Shape và
compactness. Do đó, khoanh vi ảnh hiệu quả
cần xác định các thông số khoanh vi phù hợp
với đối tượng quan tâm nghiên cứu trên ảnh để
cho số đối tượng tạo ra sau khoanh vi là nhỏ
nhất. Phương pháp ước lượng tham số khoanh
vi phải có khả năng ước tính giá trị khác nhau
cho việc xác định các đối tượng ở những kích
cỡ khác nhau. Từ các phân tích trên, nghiên
cứu đề xuất cách thức ước tính giá trị các tham
số khoanh vi cho một đối tượng che phủ đất
như sau:
- Cắt một phần ảnh khu vực nghiên cứu đặc
trưng cho đối tượng cần khoanh vi để ước tính
các thông số khoanh vi (gọi là ảnh A).
- Khoanh vi cho ảnh A theo các thông số
mặc định của phần mềm (Scale parameter=10;
Shape=0,1; Compactness=0,5) đảm bảo tất cả
các đối tượng trên ảnh được khoanh vi tương
đối phù hợp nhưng nhược điểm là số lượng
khoanh vi tạo ra rất lớn (Nếu áp dụng cho cả
cảnh ảnh lớn có thể không thực hiện được vì
dung lượng quá lớn).
- Lựa chọn các mảnh ảnh liền kề (đối tượng
con) của một đối tượng quan tâm nghiên cứu
trên ảnh (các mảnh ảnh của một đám rừng
đồng nhất, các mảnh ảnh của một hồ nước
đồng nhất gọi là đối tượng mẫu) để tính toán
các giá trị về sai tiêu chuẩn giá trị phổ, sự khác
biệt giá trị phổ trung bình giữa đối tượng lựa
chọn với các đối tượng xung quanh, kích thước
cho từng mảnh ảnh (đối tượng con) và cho đối
tượng mẫu (đối tượng to).
Hình 2.1. Lựa chọn mảnh liền kề
tạo nên đối tượng mẫu
Hình 2.2. Đối tượng mẫu cần xác định
các thông số khoanh vi
+ Trên hình 2.1 là kết quả lựa chọn các
mảnh liền kề tạo nên đối tượng mẫu là một
mảnh rừng trên kết quả khoanh vi theo thông
số mặc định ban đầu.
+ Trên hình 2.2 là đối tượng mẫu cần xác
định các thông số khoanh vi từ việc ghép các
đối tượng con ban đầu.
- Mỗi đối tượng con (SO) và đối tượng mẫu
(TO) cần tính toán các chỉ tiêu sau:
+ Giá trị đồng nhất về phổ của một đối
tượng: được xác định bằng độ lệch chuẩn và
kích thước của đối tượng (phương trình 2.1).
Độ lệch chuẩn của một đối tượng (σi) cho thấy
sai số về phổ nội bộ của đối tượng và được
(Maxwell, 2005) xác định theo công thức sau:
Quản lý Tài nguyên rừng & Môi trường
23TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
σi= (2.6)
Trong đó: m là số band ảnh tham gia
khoanh vi; σi
obj là độ lệch chuẩn giá trị phổ của
đối tượng tại band ảnh thứ i.
+ Giá trị đồng nhất về phổ của một đối
tượng với các đối tượng liền kề (Spectral
stability) được (Maxwell, 2005) xác định theo
công thức sau:
(2.7)
Trong đó: m là số band ảnh tham gia khoanh
vi; si
obj là giá trị đồng nhất về phổ của một đối
tượng với các đối tượng liền kề tại band ảnh thứ
i. Công thức xác định si
obj như sau:
(2.8)
Trong đó: l là chu vi của đối tượng; p là số
đối tượng liền kề; ls
objp là chiều dài của đường
biên giới chung giữa đối tượng và một đối
tượng liền kề p; là giá trị phổ trung bình của
đối tượng; và là giá trị phổ trung bình của
đối tượng liền kề p.
Một giá trị đồng nhất về phổ của đối tượng
và giữa đối tượng với các đối tượng liền kề
thấp hơn so với đối tượng mẫu là cơ sở cho
việc sáp nhập của các đối tượng con với nhau
và ngược lại.
- Ước lượng các tham số: Scale parameter,
shape, Compactness:
+ Uớc lượng tham số Scale parameter:
Scale parameter là tham số quan trọng nhất vì
nó quyết định kích thước trung bình của kết
quả khoanh vi, là ngưỡng sáp nhập (hoặc
không sáp nhập) của quá trình phân chia nhỏ
một đối tượng (phương trình 2.5). Do đó, để
ước lượng tham số Scale parameter cần sử
dụng các thông tin kích thước của các đối
tượng. Công thức ước lượng giá trị Scale
parameter căn cứ vào các giá trị tính toán cho
đối tượng con, đối tượng mẫu và giá trị Scale
parameter ban đầu (mặc định trong eCognition
là 10) như sau:
(2.9)
Trong đó: S là thông số Scale parameter cần
ước lượng; S1 là thống số Scale parameter ban
đầu chạy tạo các đối tượng con; Wshape là giá
trị tham số hình dạng Shape; σTO là giá trị đồng
nhất về phổ của đối tượng mẫu được xác định
bằng công thức (2.6); σTO là trung bình giá trị
đồng nhất về phổ của các đối tượng con; mTO
là số điểm ảnh của đối tượng mẫu; max(mSO)
là số điểm ảnh của đối tượng con có kích thước
lớn nhất.
- Ước lượng tham số hình dạng (Shape):
Đối với việc sáp nhập các đối tượng con, có
hai lựa chọn: (1) Tăng giá trị Scale parameter
và giữ nguyên giá trị shape nhằm tăng mức độ
không đồng nhất giá trị phổ; (2) Tăng cả giá trị
Scale parameter và giá trị shape để giảm tác
dụng của mức độ không đồng nhất giá trị phổ.
Tham số hình dạng (Shape) được xem như là
một cách để giảm bớt sự đóng góp của giá trị
phổ trong công thức (2.5). Khác với giá trị của
thông số Scale parameter được xác định thông
qua sự đồng nhất giá trị phổ, kích thước của
đối tượng mẫu và các đối tượng con của nó thì
giá trị của thông số Shape được xác định thông
qua giá trị đồng nhất về phổ của đối tượng với
đối tượng lền kề. Cụ thể:
+ Tính giá trị ki= Spectral stabilityi*mSOi
cho tất cả các đối tượng con với: Spectral
stabilityi là giá trị đồng nhất về phổ của đối
tượng con i với các đối tượng liền kề (xác định
theo công thức 2.7); mSOi là số điểm ảnh của
đối tượng con thứ i. Các giá trị ki của đối
tượng con và trung bình các giá trị này có liên
quan đến hình dạng của đối tượng mẫu. Nếu
giá trị ki lớn nhất là lớn hơn nhiều so với giá trị
ki trung bình thì giá trị WShape cần được tăng
lên. Từ đó, giá trị WShape được ước lượng thông
qua công thức sau:
Quản lý Tài nguyên rừng & Môi trường
24 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
WShape/(1-WShape) = ki(max)/ki(TB) (2.10)
Tuy nhiên, công thức (2.10) có nhược điểm
là ki(max)/ki(TB) luôn lớn hơn 1, do đó giá trị
WShape luôn lớn hơn 0,5 là không phù hợp với
thực tế. (Dey Vivek, 2011) sử dụng giá trị
ki(max) hiệu chỉnh bằng cách tính giá trị Yi là sự
khác biệt độ sáng (Brightness) đối với độ sáng
trung bình cho tất cả các đối tượng con, giá trị
ki(max) chỉ xác định cho các đối tượng có Yi >
Max(Yi) – Std(Yi). Sau đó sử dụng công thức
(2.10) để xác định (WShape).
+ Ước lượng tham số Compactness: theo
(Dey Vivek, 2011) giá trị WCompactness phụ
thuộc tuyến tính vào giá trị Compactness của
đối tượng mẫu. Công thức xác định giá trị
Compactness như sau:
(2.11)
Trong đó: lobj là chu vi của đối tượng; nobj là
số lượng điểm ảnh của đối tượng.
Dey Vivek, 2011 đưa ra công thức tính
WCompactness như sau:
(2.12)
Trong đó: CompactnessTO là giá trị
Compactness xác định theo công thức (2.11)
cho đối tượng mẫu.
Sau khi tìm được các thông số khoanh vi
phù hợp, sử dụng các thông số này để khoanh
vi cho toàn cảnh ảnh.
Nghiên cứu áp dụng thử nghiệm xác định
các thông số khoanh vi phù hợp và khoanh vi
cho một số loại đối tượng thực phủ trên ảnh
SPOT6 tại Đắk Nông.
III. KẾT QUẢ NGHIÊN CỨU, THẢO LUẬN
3.1. Kết quả thử nghiệm xác định các thông
số khoanh vi phù hợp cho ảnh SPOT6
Trong nghiên cứu, sử dụng ảnh vệ tinh
SPOT6 chụp ngày 12/2/2013 khu vực huyện
Đắk Song, tỉnh Đắk Nông, mã hiệu
DS_SPOT6_201302120247497, độ che phủ
của mây 0,2%, góc thiên đỉnh 127,6990, góc
cao mặt trời 47,40, gồm 4 band đa phổ và 1
band toàn sắc (Panchromatic) để thử nghiệm
khoanh vi ảnh.
3.1.1. Kết quả thử nghiệm xác định các thông
số khoanh vi phù hợp từ thông số mặc định
của phần mềm
Quá trình xác định các thông số khoanh vi
được thực hiện như sau:
Bước 1: Mở ảnh cần khoanh vi trên
ArcGIS, số hóa một mảnh rừng tương đối đồng
nhất trên ảnh và lưu lại dưới dạng Shape file.
Ranh giới mảnh rừng này được gọi là đối
tượng mẫu (đối tượng đích – mảnh rừng trong
khung hình vuông tại hình 3.1).
Bước 2: Mở ảnh và lựa chọn một khu vực
chứa đối tượng mẫu (đối tượng đích) cần thử
nghiệm xác định các thông số khoanh vi phù
hợp trên phần mềm eCognition (hình 3.1).
Bước 3: Khoanh vi cho khu vực lựa chọn ở
bước 2 với các tham số mặc định của phần
mềm: (Scale parameter=10; Shape=0,1;
Compactness=0,5) và trọng số của cả 4 band
ảnh (Image Layer Weights) bằng 1 (hình 3.2).
Hình 3.1. Khu vực đặc trưng của đối tượng
(rừng) cần khoanh vi
Hình 3.2. Cửa sổ lựa chọn thông số
khoanh vi ảnh
Quản lý Tài nguyên rừng & Môi trường
25TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
Bước 4: Lựa chọn tất cả các khoanh vi của
đám rừng trong khung tại hình 3.3 và chuyển
kết quả sang phần mềm ArcGIS định dạng
Vector với các dữ liệu thuộc tính: Sai tiêu chuẩn
(Standard deviation), giá trị đồng nhất về phổ
của đối tượng với các đối tượng liền kề (Mean
Diff. to neighbors) của từng band ảnh, độ sáng
chung (Brightness) và số lượng Pixel (Area).
Hình 3.3. Đối tượng lựa chọn để thử nghiệm xác
định thông số khoanh vi
Hình 3.4. Kết quả khoanh vi theo tham số mặc
định của phần mềm
Bước 5: Ghép các khoanh vi ở bước 4 bằng
công cụ Meger objects trên eCognition tạo
thành khoanh vi tổng chưa toàn bộ mảnh rừng
(hình 3.5) và chuyển kết quả sang phần mềm
ArcGIS với dữ liệu thuộc tính tương tự như
thực hiện tại bước 4.
Bước 6: Tính toán giá trị các thông số theo
trình tự như sau: (1) Xác định giá trị trung bình
về độ sáng (Brightness) của các đối tượng con;
(2) Xác định sự khác biệt độ sáng với độ sáng
trung bình (Yi) cho từng đối tượng con bằng
hiệu của giá trị cấp độ sáng của đối tượng trừ
đi giá trị cấp độ sáng trung bình; (3) Xác định
giá trị lớn nhất của sự khác biệt cấp độ sáng
Max(Yi) và sai tiêu chuẩn của sự khác biệt cấp
độ sáng Std(Yi) sau đó lựa chọn các đối tượng
con có Yi > Max(Yi) – Std(Yi); (4) Sử dụng
công thức (2.7) để xác định giá trị đồng nhất về
phổ của đối tượng với các đối tượng liền kề
cho từng đối tượng con và đối tượng mẫu; (5)
Tính giá trị ki=Spectral stabilityi*mSOi cho tất
cả các đối tượng con với: Spectral stabilityi là
giá trị đồng nhất về phổ của đối tượng con thứ
i với các đối tượng liền kề xác định theo công
thức (2.7); mSOi là số điểm ảnh của đối tượng
con thứ i sau đó tính giá trị trung bình của ki;
(6) Xác định giá trị ki lớn nhất cho đối tượng
con thỏa mãn điều kiện Yi >Max(Yi)–Std(Yi)
xác định tại bước 3; (7) Sử dụng công thức
(2.6) để xác định giá trị đồng nhất về phổ của
từng đối tượng con và đối tượng mẫu; (8) Sử
dụng công thức (2.10) để xác định giá trị thông
số Wshape (thông số Shape); (9) Sử dụng công
thức (2.9) để xác định giá trị thông số S
(Thông số Scale parameter); (10) Sử dụng
công thức (2.11) và (2.12) để xác định giá trị
thông số WCompactness (Thông số Compactness).
Kết quả ước lượng các thông số khoanh vi
phù hợp cho đối tượng mẫu tại hình 3.5 được
tập hợp tại bảng 3.1.
Bảng 3.1. Kết quả ước lượng các thông số khoanh vi phù hợp cho đối tượng mẫu
từ thông số mặc định
Thông số
Giá trị các thông số khoanh vi
ban đầu theo mặc định
Giá trị các thông số xác định theo
phương pháp nghiên cứu
Scale parameter 10 146
Shape 0,1 0,61
Compactness 0,5 0,40
Số đối tượng 764.911 2.306
Quản lý Tài nguyên rừng & Môi trường
26 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
Bước 7. Sử dụng các thông số ước tính
được để khoanh vi cho toàn cảnh ảnh. Bước
này đánh dấu sự chấm dứt của công việc với
các thông số được chấp nhận và kết quả
khoanh vi phù hợp với đối tượng cho toàn cảnh
ảnh được tạo ra.
Kết quả sử dụng các thông số ước tính để
khoanh vi ảnh cho cảnh ảnh được minh họa
cho đối tượng mẫu tại hình 3.6 và toàn cảnh
ảnh tại hình 3.7.
Hình 3.5. Khoanh vi tổng chứa đối tượng mẫu
Hình 3.6. Đối tượng mẫu tạo ra khi khoanh vi
bằng các thông số ước tính
Kết quả khoanh vi theo các thông số ước
tính được cho thấy:
- Đối tượng tạo ra khi khoanh vi tại hình 3.6
sát và phù hợp với ranh giới của mảnh rừng là
đối tượng mẫu tại hình 3.5 chứng tỏ các thông
số xác định được phù hợp với đối tượng mẫu.
- Kết quả khoanh vi cho toàn bộ cảnh ảnh
tại hình 3.7 cho thấy: ranh giới khoanh vi bám
sát với ranh giới của các đám rừng trên ảnh.
- Tại cùng một khu vực ảnh thử nghiệm, số
lượng đối tượng tạo ra khi khoanh vi với thông
số mặc định của phần mềm là 764.911 đối
tượng, trong khi đó số đối tượng tạo ra khi
khoanh vi bằng các thông số xác định theo
phương pháp nghiên cứu là 2.306 đối tượng.
Như vậy, tùy vào đối tượng trên ảnh cần
nghiên cứu, số lượng đối tượng tạo ra khi
khoanh vi bằng thông số mặc định của phần
mềm có thể lớn hơn rất nhiều so với số lượng
đối tượng tạo ra khi khoanh vi bằng các thông
số xác định theo phương pháp nghiên cứu này
(cụ thể trong thử nghiệm này số đối tượng theo
thông số mặc định lớn hơn 330 lần so với số
đối tượng tạo ra theo thông số nghiên cứu).
Như vậy, có thể xác định các thông số
khoanh vi phù hợp cho từng loại đối tượng
trên ảnh SPOT6 từ các thông số mặc định của
phần mềm thông qua các bước công việc nêu
trong phần phương pháp thực hiện của nghiên
cứu này.
Hình 3.7. Kết quả khoanh vi cho cảnh ảnh theo các thông số ước tính
Quản lý Tài nguyên rừng & Môi trường
27TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
Trong trường hợp đối tượng tạo ra sau
khoanh vi khác với đối tượng mẫu ban đầu chủ
yếu do việc lựa chọn đối tượng mẫu và đối
tượng con ban đầu chưa phù hợp (một đối
tượng mẫu chứa nhiều trạng thái rừng) cần lựa
chọn lại đối tượng mẫu và các đối tượng con
sau đó thực hiện lại các bước công việc để xác
định các thông số khoanh vi phù hợp hơn.
3.1.2. Kết quả thử nghiệm xác định các thông
số khoanh vi phù hợp từ thông số kinh nghiệm
Trong nội dung nghiên cứu này, sử dụng
thông số kinh nghiệm (Scale parameter=200;
Shape=0,5; Compactness=0,8) để khoanh vi
cho ảnh SPOT6 khu vực huyện Đắk G’Long,
tỉnh Đắk Nông với đối tượng mẫu là khu vực
đất trống nằm trong hình elip tại hình 3.8.
Hình 3.8. Đối tượng mẫu trên ảnh cần khoanh vi
Kết quả khoanh vi anh khu vực theo các thông số kinh nghiệm được minh họa tại hình 3.9.
Hình 3.9. Kết quả khoanh vi ảnh theo thông số kinh nghiệm
Áp dụng các công thức tính toán như trong
phần phương pháp nghiên cứu được kết quả
xác định các thông số khoanh vi phù hợp với
đối tượng (khu vực đất trống) như bảng 3.2.
Bảng 3.2. Kết quả ước lượng các thông số khoanh vi phù hợp cho đối tượng mẫu
từ thông số kinh nghiệm
Thông số
Giá trị các thông số khoanh vi
ban đầu theo kinh nghiệm
Giá trị các thông số xác định theo phương
pháp nghiên cứu
Scale parameter 200 464
Shape 0,5 0,597
Compactness 0,8 0,359
Số đối tượng 4.535 548
Quản lý Tài nguyên rừng & Môi trường
28 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
Kết quả khoanh vi theo các thông số ước
tính được cho thấy:
- Đối tượng tạo ra khi khoanh vi tại hình
3.10 sát và phù hợp với ranh giới của khu vực
đất trống là đối tượng mẫu tại hình 3.8 và 3.9
chứng tỏ các thông số xác định được phù hợp
với đối tượng mẫu.
- Tại cùng một khu vực ảnh thử nghiệm, số
lượng đối tượng tạo ra khi khoanh vi với thông
số mặc định của phần mềm là 4.535 đối tượng,
trong khi đó số đối tượng tạo ra khi khoanh vi
bằng các thông số xác định theo phương pháp
nghiên cứu là 548 đối tượng.
Hình 3.10. Kết quả khoanh vi ảnh theo thông số ước tính
Nếu đường khoanh theo các thông số kinh
nghiệm của đối tượng con không bám sát đối
tượng mẫu có thể sử dụng chức năng Cut an
Object Manually trên eCognition để tách một
đối tượng con thành hai đối tượng trước khi
lựa chọn đối tượng con phù hợp với đối
tượng mẫu.
Như vậy, có thể xác định các thông số
khoanh vi phù hợp cho từng loại đối tượng trên
ảnh SPOT6 từ các thông số kinh nghiệm của
người khoanh vi thông qua các bước công việc
nêu trong phần phương pháp thực hiện của
nghiên cứu này.
3.2. Thảo luận
Phương pháp ước tính giá trị các thông số
khoanh vi ảnh đề xuất trong nghiên cứu sử
dụng quá trình đào tạo một đối tượng che phủ
đất quan tâm (đối tượng mẫu) được xác định
bởi việc sáp nhập bằng các đối tượng con của
nó tương tự phương pháp nghiên cứu của
Maxwell. Tuy nhiên, cách tiếp cận đề xuất sử
dụng một logic rõ nét thay vì logic mờ được sử
dụng bởi Maxwell (2005).
Ý tưởng về việc sáp nhập các đối tượng con
để tạo thành đối tượng mẫu là phù hợp với
nguyên lý khoanh vi các đối tượng trong
eCognition (Benz et al, 2004). Theo nguyên lý
này, ban đầu coi từng điểm ảnh (pixel) như
một đối tượng riêng biệt sau đó từng đối tượng
nhỏ kề nhau được hợp nhất thành đối tượng
lớn hơn. Sự hợp nhất này dựa trên tiêu chuẩn
không đồng nhất về: giá trị phổ (hspectral) và
hình dạng (hshape) của đối tượng. Hai đối tượng
liền kề trong quá trình khoanh vi đủ điều kiện
để sáp nhập vào nhau nếu Mc xác định từ công
thức (2.5) nhỏ hơn bình phương giá trị Scale
parameter (S) do người dùng định nghĩa (Mc
<S2). Quá trình sáp nhập cũng đòi hỏi bốn
thông số người dùng xác định theo quy định
của phương trình (2.1), (2.2), (2.4), (2.5) và
(2.6). Những thông số người dùng định nghĩa
là: S, wshape, wcompactness, và wi (i = 1 đến n).
Mỗi đối tượng trên ảnh sẽ có thông số
khoanh vi khác nhau. Do đó không thể có
thông số khoanh vi nào phù hợp với tất cả các
loại đối tượng trên ảnh. Vì vậy, để khoanh vi
hiệu quả cho các loại đối tượng trên ảnh nên
thực hiện theo phương pháp khoanh vi đa cấp
theo loại đối tượng.
Trong trường hợp kết quả khoanh vi theo
Quản lý Tài nguyên rừng & Môi trường
29TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
các thông số ước tính còn chứa nhiều đối
tượng liền kề có cùng trạng thái rừng thì lựa
chọn lại đối tượng mẫu với đối tượng con là
kết quả khoanh vi theo các thông số ước tính.
Trong trường hợp này, giá trị các thông số ước
tính được coi là giá trị khoanh vi ban đầu thay
cho giá trị mặc định của phần mềm và thực
hiện lại các bước công việc để xác định lại các
thông số khoanh vi lần thứ 2, thứ 3 cho đến khi
kết quả khoanh vi cho đối tượng phù hợp.
IV. KẾT LUẬN
Kết quả nghiên cứu cho phép đi đến kết
luận sau:
Để ước tính giá trị các thông số khoanh vi
phù hợp và khoanh vi cho ảnh SPOT6 cần thực
hiện 7 bước công việc như sau: (1) Mở ảnh cần
khoanh vi và số hóa một đối tượng tương đối
đồng nhất trên ảnh gọi là đối tượng mẫu; (2)
Mở ảnh và lựa chọn khu vực chứa đối tượng
mẫu trên eCognition; (3) Khoanh vi cho khu
vực lựa chọn với các thông số mặc định của
phần mềm hoặc theo kinh nghiệm; (4) Chuyển
kết quả sang phần mềm ArcGIS với các dữ liệu
thuộc tính: Sai tiêu chuẩn, giá trị đồng nhất về
phổ của đối tượng với các đối tượng liền kề, độ
sáng chung (Brightness) và số lượng Pixel
(Area) của từng đối tượng con; (5) Ghép các
đối tượng con nằm trong đối tượng mẫu thành
khoanh vi tổng và chuyển kết quả sang phần
mềm ArcGIS với dữ liệu thuộc tính tương tự
như đối tượng con; (6) Tính toán giá trị các
tham số: Scale parameter, Shape,
Compactness cho đối tượng mẫu; (7) Sử dụng
các thông số xác định được để khoanh vi cho
toàn bộ cảnh ảnh.
Có thể sử dụng giá trị thông số khoanh vi
ban đầu theo mặc định của phần mềm (Scale
parameter=10; Shape=0,1; Compactness=0,5)
để lựa chọn các thông số khoanh vi phù hợp
cho đối tượng trên ảnh SPOT6.
Thay vì sử dụng thông số mặc định của
phần mềm, có thể sử dụng các thông số khoanh
vi ban đầu theo kinh nghiệm để xác định các
thông số phù hợp sẽ giảm được số đối tượng
con trong đối tượng mẫu và quá trình tính toán
các thông số phù hợp sẽ tiết kiệm được thời
gian hơn.
TÀI LIỆU THAM KHẢO
1. Baatz, M. and A. Schape (2000). Multiresolution
segmentation an optimization approach for high quality
multiscale image segmentation. Angewandte
Geographische Informations Verarbeitung XII. Ed. J.
Strobl et al. AGIT Symposium, Salzburg, Germany,
2000, pp. 12-23.
2. Benz, U. C, Hofmann, P, Willhauck, G,
Lingenfelder, I. and M. Heynen (2004). Multiresolution,
object-oriented fuzzy analysis of remote sensing data for
GIS ready information. ISPRS Journal of
Photogrammetry & Remote Sensing, Vol. 58, No.3-4,
pp. 239-258.
3. Dey, Vivek (2011). A Supervised Approach for the
Estimation of Parameters of Multiresolution
Segmentation and its Application in Building Feature
Extraction from VHR Imagery. M.Sc.E. thesis,
Department of Geodesy and Geomatics Engineering
Technical Report No. 278, University of New Brunswick,
Fredericton, New Brunswick, Canada, 162 pp.
4. Flanders, D., M. Hall-Beyer, and J. Pereverzoff
(2003). Preliminary Evaluation of eCognition Object-
Based software for Cut Block Delinieation and Feature
Extraction. Canadian Journal of Remote Sensing, Vol.
29, No. 4, pp. 441-452.
5. Hay, G.J., T. Blaschke, , D.J. Marceau, and A.
Bouchard (2003). A comparison of three image object
methods for the multiscale analysis of landscape
structure. ISPRS Journal of Photogrammetry and
Remote Sensing, Vol. 57, No. 5-6, pp. 327-345.
6. Hofmann, P, (2001). Detecting urban features
from IKONOS data using object oriented approach. In
Proceedings of the First Annual conference of the
Remote Sensing and Photogrammetry Society, 12-14
September, RSPS, Munich, Germany, pp. 79-91.
7. Marpu, P.R., M. Neubert, H. Herold, and I.
Niemeyer (2010). Enhanced evaluation of image
segmentation results. Journal of Spatial Science, Vol.
55, No. 1, pp. 55-68.
8. Maxwell, T., 2005. Object-Oriented
Classification: Classification of Pan-Sharpened
QuickBird Imagery and a Fuzzy Approach to Improving
Image Segmentation Efficiency. M.Sc.E. thesis,
Department of Geodesy and Geomatics Engineering
Technical report No. 233, University of New
Brunswick, Fredericton, New Brunswick, 157 pp.
Quản lý Tài nguyên rừng & Môi trường
30 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ 6-2016
9. Neubert, M., H. Herold and G. Meinel, G. (2008).
Assessing image segmentation quality concepts,
methods and applications. In: Object Based Image
Analysis, Eds. Blaschke T., S. Lang and G.J. Hay,
Springer-Verlag, Berlin, Germany, pp. 760–784.
10. Platt, R. V., and L. Rapoza (2008). An evaluation
of an object-oriented paradigm for land use/land cover
classification. The Professional Geographer, Vol. 60,
No.1, pp. 87-100.
ESTIMATED VALUE OF THE OBJECT-ORIENTED OPTIMAL
SEGMENTATION PARAMETERS WITHIN ECOGNITION SOFTWARE:
EXPERIMENTS IN SATELLITE IMAGES SPOT6
Pham Van Duan1, Vu Thi Thin2, Nguyen Quoc Huy3
1,2Vietnam National University of Forestry
3Area 4 Forest Protection Department
SUMMARY
Currently, The commercial software eCognition has been proven to be the most advanced software tool for
object-based classification of high resolution remote sensing imagery. However, its segmentation process still
relies on trial and error to find proper segmentation parameters. The segmentation process is very time
consuming and the segmentation quality directly depends on the experience of the operator. To solve this
problem, this paper introduces a supervised methodology to estimate the optimal parameters of the multi
resolution segmentation in eCognition. The approach of the method is from the relationship of the spectrum and
the shape of the object of training and its child objects to find out proper parameters when segmentationcreates
the same object as the object of training. The steps are as follows: (1) open the satellite images need to segment
on ArcGIS and digitize a relatively homogeneous object in the image called object of training; (2) open the
image and select the area that contains the object of training on eCognition; (3) segmentation for the area of
selection with the default parameters of the software; (4) transfer results into the ArcGIS software with the
attribute data: the standard deviation of the spectral, Spectral stability, brightness and the number of Pixels of
each child object; (5) Merged sub-objects to get the training object for the supervised training and transfer
results into the ArcGIS software attributes similar to child objects; (6) calculate values of the parameters: Scale
parameter, Shape, Compactness for training object; (7) The estimated parameters are used for segmentation for
the entire Image.
Keywords: ECognition software, object-oriented, segmentation inmages, SPOT6.
Người phản biện : GS.TS. Vương Văn Quỳnh
Ngày nhận bài : 07/11/2016
Ngày phản biện : 21/11/2016
Ngày quyết định đăng : 02/12/2016
Các file đính kèm theo tài liệu này:
- uoc_tinh_gia_tri_cac_thong_so_khoanh_vi_anh_huong_doi_tuong.pdf