LỜI MỞ ĐẦU Ảnh vệ tinh đã có ứng dụng rất quan trọng trong đời sống con người ngày nay. Chúng không chỉ là một công cụ hữu ích để quan sát và khám phá hành tinh mà chúng ta đang sống, mà còn mang lại nhiều lợi ích đáng kể trong nhiều lĩnh vực như giúp cải thiện dự báo thời tiết. Nhờ vào hệ thống này, chúng ta có thể quan sát các biến đổi trong khí tượng và khí hậu trên toàn cầu. Điều này giúp cải thiện khả năng dự đoán thời tiết, từ đó giúp người dân chuẩn bị tốt hơn cho các tình huống thời tiết cực đoan như cơn bão, lũ lụt, hay hạn hán.
Việc có thông tin chính xác và kịp thời từ ảnh vệ tinh cứu sống rất nhiều người và giảm thiểu thiệt hại do thời tiết gây ra. Ảnh vệ tinh cũng đóng một vai trò quan trọng trong quản lý tài nguyên tự nhiên. Chúng cung cấp thông tin chi tiết về sự thay đổi của môi trường, bao gồm cả sự biến đổi của rừng, đại dương, và khí quyển. Nhờ vào hình ảnh vệ tinh, chúng ta có thể theo dõi sự suy giảm của rừng ngập mặn, xác định mức độ ô nhiễm môi trường, và quản lý tài nguyên nước ngọt một cách hiệu quả hơn.
Do đó, ta có thể thấy được ảnh vệ tinh không chỉ là một công cụ mạnh mẽ để khám phá và hiểu rõ hành tinh của chúng ta, mà còn là một phần quan trọng của cuộc sống hàng ngày của con người, giúp chúng ta ứng phó với các thách thức và cải thiện chất lượng cuộc sống. Tuy nhiên, chất lượng của hình ảnh vệ tinh thường bị ảnh hưởng bởi nhiễu, mờ, và biến dạng do các yếu tố như khí quyển, góc chụp, và các vấn đề kỹ thuật khác. Ứng dụng bài toán tăng cường chất lượng ảnh (super resolution) vệ tinh là một lĩnh vực quan trọng trong nghiên cứu và ứng dụng công nghệ vệ tinh. Bài toán super resolution nhằm cải thiện độ phân giải của ảnh, giúp tạo ra các hình ảnh chất lượng cao hơn từ ảnh gốc có độ phân giải thấp, mang lại cơ hội cho nhiều ứng dụng như phân tích đất đai, quản lý tài nguyên tự nhiên, dự báo thảm họa tự nhiên,.
Chính vì vậy, việc nghiên cứu về thuật toán học sâu tăng cường chất lượng ảnh vệ tinh là một sự lựa chọn quan trọng. Mục đích chính của đề tài này là nghiên cứu và phát triển các thuật toán học sâu để cải thiện chất lượng ảnh vệ tinh. Cụ thể, nghiên cứu sẽ tập trung vào 2 việc giảm nhiễu, tăng độ phân giải, loại bỏ biến dạng, và cải thiện sự rõ ràng của hình ảnh vệ tinh. Bằng việc áp dụng các thuật toán học sâu, chẳng hạn như mạng nơ-ron tích chập (CNN) và mạng tạo ảnh (GAN), để tăng cường chất lượng của hình ảnh.
Nghiên cứu sẽ thử nghiệm và đánh giá hiệu suất của các thuật toán trên các tập dữ liệu ảnh vệ tinh thực tế. Việc tăng cường chất lượng ảnh sẽ giúp tạo ra các thông tin chính xác hơn và đáng tin cậy, từ đó cải thiện khả năng đưa ra quyết định và phát triển các dự án dựa trên ảnh vệ tinh trong thực tế. Đề tài đóng góp vào việc cải thiện hiểu biết về việc áp dụng học sâu cho việc xử lý hình ảnh vệ tinh và giải quyết các thách thức cụ thể liên quan đến loại hình ảnh này.1 Giới thiệu tổng quan Ảnh vệ tinh mang lại những ứng dụng to lớn, thiết thực cho đời sống ngày nay. Ứng dụng bài toán tăng cường chất lượng ảnh (super resolution) vệ tinh là một lĩnh vực quan trọng trong nghiên cứu và ứng dụng công nghệ vệ tinh.
Bài toán super resolution nhằm cải thiện độ phân giải của ảnh, giúp tạo ra các hình ảnh chất lượng cao hơn từ ảnh gốc có độ phân giải thấp, mang lại cơ hội cho nhiều ứng dụng, bao gồm lập bản đồ, giám sát, phân tích, nhận dạng đối tượng. Một số ứng dụng quan trọng của việc áp dụng super resolution cho ảnh vệ tinh như: Phân Tích Đất Đai: Các ảnh vệ tinh với độ phân giải cao có thể được sử dụng để theo dõi và phân tích tình hình sử dụng đất đai. Việc tăng cường độ phân giải giúp phát hiện chi tiết nhỏ hơn, như biên giới của các khu vực đất đai khác nhau, đồng thời cải thiện khả năng xác định sự thay đổi về đất đai theo thời gian. Quản Lý Tài Nguyên Tự Nhiên: Super resolution giúp nâng cao khả năng quan sát thiên nhiên và tài nguyên tự nhiên, chẳng hạn như rừng, hồ, sông, và biển.
Điều này có thể hỗ trợ trong việc giám sát biến đổi khí hậu, theo dõi thay đổi môi trường, và quản lý tài nguyên tự nhiên một cách hiệu quả hơn. Dự Báo Thảm Họa Tự Nhiên: Việc cải thiện độ phân giải của ảnh vệ tinh cho phép nhìn thấy các chi tiết nhỏ hơn của các sự kiện tự nhiên như lũ lụt, hoặc sạt lở. Điều này có thể giúp cải thiện khả năng dự báo và phản ứng nhanh chóng đối với các thảm họa tự nhiên. Quản Lý Đô Thị: Trong việc quản lý đô thị, super resolution có thể giúp trong việc theo dõi cơ sở hạ tầng đô thị, đánh giá tình trạng giao thông, và cải thiện quản lý đô thị thông qua việc thu thập dữ liệu về kích thước và hình dạng của các cấu trúc đô thị.
Bảo Vệ Môi Trường: Cải thiện độ phân giải của ảnh vệ tinh cũng hỗ trợ trong việc theo dõi và bảo vệ môi trường. Các chi tiết nhỏ hơn có thể giúp trong việc giám sát ô nhiễm môi trường, tìm hiểu tình hình thay đổi của các khu vực tự nhiên, và thúc đẩy các biện pháp bảo vệ môi trường. 4 Việc áp dụng super resolution cho ảnh vệ tinh không chỉ cải thiện chất lượng hình ảnh mà còn mở ra nhiều cơ hội mới trong việc nghiên cứu và ứng dụng công nghệ vệ tinh để giải quyết các vấn đề quan trọng của thế giới hiện đại.2 Lý do chọn đề tài Việc tăng cường chất lượng ảnh từ ảnh có chất lượng thấp (low resolution) thành ảnh có chất lượng cao đã đạt được những thành công đáng kể [1][[2]. Tuy nhiên, có những thách thức nảy sinh khi áp dụng super resolution cho ảnh vệ tinh, những điều kiện khí quyển và ánh sáng đặt ra những rào cản khiến cho mô hình học sâu bị nhận diện sai các hình thái của vật thể hay chất lượng của ảnh vệ tinh.
Nhằm giải quyết các vấn đề tăng cường chất lượng ảnh, tôi chọn đề tài “Nghiên cứu thuật toán học sâu tăng cường chất lượng ảnh vệ tinh” với mục đích tận dụng được những ứng dụng của học sâu vào bài toán tăng cường chất lượng ảnh vệ tinh.3 Mục tiêu nghiên cứu Mục tiêu chính của đồ án tốt nghiệp là đề xuất các phương pháp tiếp cận phù hợp cho bài toán tăng cường chất lượng ảnh vệ tinh. Cụ thể là qua quá trình nghiên cứu các tài liệu, tôi đã lựa chọn được ba mô hình tương đối phù hợp cho bài toán này, đó là Super-Resolution Convolutional Neural Network (SRCNN), Efficient sub-pixel convolutional neural network (ESPCN) và Super-Resolution Generative Adversarial Network (SRGAN). Do đó, mục tiêu đề ra của đồ án tốt nghiệp là: Hiểu về các mô hình SRCNN, ESPCN, SRGAN Phân tích tổng quan về bộ dữ liệu và bài toán tăng cường chất lượng ảnh vệ tinh. Thiết kế thực nghiệm và xây dựng mô hình.
So sánh kết quả thu được từ ba phương pháp.4 Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu của đề tài là ảnh vệ tinh có kích thước lớn (15000x5000 pixel), được chia ra thành nhiều phần (patch) và áp dụng super resolution cho các patch của ảnh vệ tinh để tối ưu bộ nhớ của máy. Phạm vi nghiên cứu của đồ án tốt nghiệp: 5 Tìm hiểu về các mô hình SRCNN, ESPCN, SRGAN Chạy thực nghiệm, huấn luyện mô hình trên máy tính hiệu năng cao (HPC) Đưa ra mô hình có kết quả tối ưu nhất phù hợp với bài toán tăng cường chất lượng ảnh vệ tinh 1.5 Phương pháp nghiên cứu Phương pháp nghiên cứu khi thực hiện đồ án tốt nghiệp là tìm hiểu cơ sở lý thuyết chung về áp dụng các phương pháp học sâu giải quyết cho bài toán tăng cường chất lượng ảnh vệ tinh, bao gồm SRCNN, ESPCN, SRGAN, lựa chọn được phương pháp phù hợp nhất. Nhằm chứng minh tính hiệu quả của học sâu đối với bài toán tăng cường chất lượng ảnh vệ tinh.1 Tổng quan về học máy Học máy (Machine Learning)[3][4] đã nổi lên như một trong những xu hướng công nghệ đáng chú ý của thế giới trong suốt một thập kỷ qua. Trong lĩnh vực khoa học, hàng ngàn bài báo được công bố hàng năm về chủ đề này, chứng tỏ sự tạo ấn tượng mạnh mẽ của nó.
Các tên tuổi lớn như Google, Facebook, Microsoft và các công ty khởi nghiệp đang đổ vốn đầu tư đáng kể vào lĩnh vực Học máy. Đến nay, chúng ta đã chứng kiến nhiều ứng dụng xuất sắc của Học máy không chỉ trong lĩnh vực Khoa học máy tính mà còn mở rộng đến các lĩnh vực truyền thống ít liên quan như Vật lý, Hóa học, Y học và thậm chí cả Chính trị. Những điển hình như xe tự hành của Google và Tesla, hệ thống tự động nhận dạng khuôn mặt của Facebook, trợ lý ảo Siri của Apple, hệ thống gợi ý sản phẩm của Amazon, hệ thống gợi ý phim của Netflix, và AlphaGo - máy chơi cờ vây của Google DeepMind, đều là những ví dụ sáng sủa cho sức mạnh phi thường của Học máy so với các phương pháp truyền thống. Lĩnh vực Học máy xuất phát từ những khám phá của Arthur Samuel vào năm 1959 và đã được định nghĩa là một lĩnh vực cho phép máy tính tự học mà không cần phải được lập trình một cách rõ ràng.
Điều đó có nghĩa là máy tính có khả năng tiếp thu thông tin và kiến thức một cách "tự động" mà không cần sự can thiệp chi tiết của con người. Học máy đã lan tỏa và tiến bộ mạnh mẽ qua thời gian, từ việc chúng ta giờ đây có khả năng xây dựng máy tính có khả năng học và tự điều chỉnh thông qua việc xử lý dữ liệu. Học máy không chỉ mang lại những lợi ích như tăng hiệu suất và tiết kiệm thời gian trong việc tự động hóa và học từ dữ liệu, mà còn giúp chúng ta thấu hiểu và khám phá dữ liệu một cách sâu sắc hơn. Nó giúp chúng ta phát hiện ra các mối liên hệ và mẫu mã ẩn bên trong dữ liệu, và giải quyết các vấn đề phức tạp mà trước đây là không thể thực hiện được.