Phát Triển Kỹ Thuật Phát Hiện Dị Thường Trên Ảnh Viễn Thám Quang Học

Phát hiện dị thường trên ảnh viễn thám quang học là một lĩnh vực nghiên cứu quan trọng, đặc biệt trong công tác… 167 trang · Học viện Kỹ thuật Quân sự · 2023.

• Tác giả: Nguyễn Văn Phương
• Người hướng dẫn: TS. Đào Khánh Hoài
• Trường học: Học viện Kỹ thuật Quân sự
• Chuyên ngành: Cơ sở toán học cho tin học
• Đề tài: Phát Triển Kỹ Thuật Phát Hiện Dị Thường Trên Ảnh Viễn Thám Quang Học
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• 1. CHƯƠNG 1: TỔNG QUAN VỀ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH VIỄN THÁM QUANG HỌC
• 1.1. Ảnh viễn thám quang học
• 1.1.1. Phổ của ảnh viễn thám quang học
• 1.1.2. Các loại ảnh viễn thám quang học
• 1.1.3. Độ phân giải không gian
• 1.1.4. Cấu trúc dữ liệu của ảnh viễn thám quang học
• 1.1.5. Thư viện quang phổ và thư viện ảnh viễn thám quang học
• 1.2. Bài toán phát hiện dị thường trên ảnh viễn thám quang học phục vụ công tác tìm kiếm cứu nạn
• 1.2.1. Khái niệm dị thường
• 1.2.2. Công tác tìm kiếm cứu nạn
• 1.2.3. Phát biểu bài toán
• 1.3. Một số tiếp cận về phát hiện dị thường trên ảnh đa phổ, siêu phổ
• 1.3.1. Phương pháp dựa trên mô hình xác suất thống kê
• 1.3.2. Phương pháp dựa trên phân cụm và phân đoạn
• 1.3.3. Phương pháp dựa trên biến đổi phi tuyến
• 1.3.4. Phương pháp dựa trên biến đổi tuyến tính
• 1.3.5. Phương pháp dựa trên học máy
• 1.4. Tiêu chí đánh giá độ chính xác của các thuật toán phát hiện dị thường
• 1.5. Phương pháp tính độ phức tạp thuật toán
• 1.5.1. Đánh giá độ phức tạp thuật toán
• 1.5.2. Thời gian thực hiện các câu lệnh trong các ngôn ngữ lập trình
• 1.6. Thách thức và hướng phát triển
• 1.6.1. Thách thức về tăng độ chính xác phát hiện dị thường
• 1.6.2. Thách thức về phát hiện dị thường với các kích cỡ khác nhau
• 1.6.3. Thách thức về tốc độ tính toán
• 2. CHƯƠNG 2: KỸ THUẬT NÂNG CAO ĐỘ CHÍNH XÁC PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH VIỄN THÁM QUANG HỌC
• 2.1. Giới thiệu chung
• 2.2. Thuật toán phát hiện các điểm ảnh dị thường dựa trên KDE
• 2.3. Giải pháp tăng độ chính xác của thuật toán phát hiện các điểm ảnh dị thường dựa trên KDE
• 2.4. Tính đúng đắn của thuật toán IKDE
• 2.5. Đánh giá độ phức tạp tính toán của thuật toán KDE và IKDE
• 2.5.1. Độ phức tạp tính toán của thuật toán KDE
• 2.5.2. Độ phức tạp tính toán của thuật toán IKDE
• 2.6. Thử nghiệm và đánh giá kết quả đề xuất
• 2.6.1. Dữ liệu thử nghiệm
• 2.6.2. Phương pháp thử nghiệm
• 2.6.3. Kết quả thử nghiệm
• 3. CHƯƠNG 3: KỸ THUẬT TĂNG TỐC ĐỘ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH VIỄN THÁM QUANG HỌC
• 3.1. Giới thiệu chung
• 3.2. Tăng tốc độ tính toán của thuật toán IKDE
• 3.3. Kỹ thuật nhóm các điểm ảnh và sắp xếp
• 3.4. Tính toán PDF và phân loại các điểm ảnh
• 3.4.1. Ứng dụng cây kd-tree hỗ trợ tính toán PDF
• 3.4.2. Tính toán PDF đa luồng trên CPU
• 3.4.3. Tính toán PDF song song trên GPU
• 3.5. Đánh giá độ phức tạp của các thuật toán
• 3.5.1. Thuật toán nhóm các điểm ảnh (CreateGroupPixels)
• 3.5.2. Thuật toán tìm kiếm những nhóm điểm ảnh (SearchGroupPixels)
• 3.5.3. Cây kd-tree
• 3.5.4. Thuật toán phát hiện các điểm ảnh dị thường trên ảnh màu RGB sử dụng kỹ thuật nhóm các điểm ảnh và cây kd-tree
• 3.5.5. Thuật toán phát hiện các điểm ảnh dị thường trên ảnh màu MSI, HSI sử dụng kỹ thuật nhóm các điểm ảnh và cây kd-tree
• 3.5.6. Thuật toán phát hiện các điểm ảnh dị thường trên ảnh màu RGB sử dụng kỹ thuật nhóm các điểm ảnh và tính toán đa luồng trên CPU hoặc song song trên GPU
• 3.5.7. Thuật toán phát hiện các điểm ảnh dị thường trên ảnh màu MSI, HSI sử dụng kỹ thuật nhóm các điểm ảnh và tính toán đa luồng trên CPU hoặc song song trên GPU
• 3.6. Thử nghiệm và đánh giá kết quả đề xuất
• 3.6.1. Dữ liệu thử nghiệm
• 3.6.2. Phương pháp thử nghiệm
• 3.6.3. Kết quả thử nghiệm
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phát Hiện Dị Thường Trên Ảnh Viễn Thám Quang Học

Phát hiện dị thường trên ảnh viễn thám quang học là một lĩnh vực nghiên cứu quan trọng, đặc biệt trong công tác tìm kiếm cứu nạn. Công nghệ này cho phép phân tích và nhận diện các điểm ảnh bất thường trong các bức ảnh thu được từ vệ tinh hoặc máy bay không người lái. Việc áp dụng các kỹ thuật hiện đại giúp nâng cao độ chính xác và hiệu quả trong việc phát hiện các tình huống khẩn cấp.

1.1. Khái Niệm Về Ảnh Viễn Thám Quang Học

Ảnh viễn thám quang học là hình ảnh được thu thập từ các cảm biến quang học trên vệ tinh hoặc máy bay. Những ảnh này có thể được phân loại thành nhiều loại khác nhau dựa trên độ phân giải và phổ quang học.

1.2. Vai Trò Của Phát Hiện Dị Thường Trong Tìm Kiếm Cứu Nạn

Phát hiện dị thường giúp xác định nhanh chóng các đối tượng cần tìm kiếm trong các tình huống khẩn cấp. Công nghệ này có thể phát hiện các vật thể bị che khuất hoặc khó tiếp cận, từ đó nâng cao hiệu quả công tác cứu nạn.

II. Thách Thức Trong Phát Hiện Dị Thường Trên Ảnh Viễn Thám

Mặc dù có nhiều tiến bộ trong công nghệ phát hiện dị thường, nhưng vẫn tồn tại nhiều thách thức cần giải quyết. Các yếu tố như điều kiện thời tiết, địa hình phức tạp và sự biến đổi của môi trường có thể ảnh hưởng đến độ chính xác của các thuật toán phát hiện.

2.1. Ảnh Hưởng Của Điều Kiện Thời Tiết

Điều kiện thời tiết xấu như mưa, sương mù có thể làm giảm chất lượng ảnh viễn thám, từ đó ảnh hưởng đến khả năng phát hiện dị thường.

2.2. Địa Hình Phức Tạp

Địa hình gồ ghề hoặc có nhiều cây cối có thể che khuất các đối tượng cần tìm kiếm, làm cho việc phát hiện trở nên khó khăn hơn.

III. Phương Pháp Phát Hiện Dị Thường Trên Ảnh Viễn Thám Quang Học

Có nhiều phương pháp khác nhau được áp dụng để phát hiện dị thường trên ảnh viễn thám. Những phương pháp này bao gồm các kỹ thuật học máy, phân cụm và phân đoạn, giúp nâng cao độ chính xác trong việc nhận diện các điểm ảnh bất thường.

3.1. Kỹ Thuật Học Máy Trong Phát Hiện Dị Thường

Kỹ thuật học máy cho phép xây dựng các mô hình dự đoán dựa trên dữ liệu huấn luyện, từ đó cải thiện khả năng phát hiện các điểm ảnh dị thường.

3.2. Phân Cụm Và Phân Đoạn Ảnh

Phân cụm và phân đoạn ảnh giúp nhóm các điểm ảnh tương tự lại với nhau, từ đó dễ dàng phát hiện các điểm ảnh khác biệt so với nhóm.

IV. Ứng Dụng Thực Tiễn Của Phát Hiện Dị Thường

Phát hiện dị thường trên ảnh viễn thám quang học không chỉ có ứng dụng trong tìm kiếm cứu nạn mà còn trong nhiều lĩnh vực khác như nông nghiệp, quản lý tài nguyên và bảo vệ môi trường. Các ứng dụng này giúp tối ưu hóa quy trình và nâng cao hiệu quả công việc.

4.1. Ứng Dụng Trong Nông Nghiệp

Công nghệ phát hiện dị thường giúp theo dõi tình trạng cây trồng, phát hiện sâu bệnh và tối ưu hóa việc sử dụng nước và phân bón.

4.2. Ứng Dụng Trong Quản Lý Tài Nguyên

Việc phát hiện dị thường có thể hỗ trợ trong việc quản lý tài nguyên nước, rừng và các khu vực bảo tồn, từ đó bảo vệ môi trường hiệu quả hơn.

V. Kết Luận Và Hướng Phát Triển Tương Lai

Phát hiện dị thường trên ảnh viễn thám quang học là một lĩnh vực đầy tiềm năng với nhiều ứng dụng thực tiễn. Tương lai của công nghệ này hứa hẹn sẽ tiếp tục phát triển với sự hỗ trợ của các kỹ thuật mới và cải tiến trong công nghệ cảm biến.

5.1. Tiềm Năng Phát Triển Công Nghệ

Công nghệ cảm biến ngày càng tiên tiến sẽ mở ra nhiều cơ hội mới cho việc phát hiện dị thường, từ đó nâng cao hiệu quả trong nhiều lĩnh vực.

5.2. Hợp Tác Giữa Các Ngành

Sự hợp tác giữa các ngành khoa học và công nghệ sẽ thúc đẩy nghiên cứu và phát triển các phương pháp mới trong phát hiện dị thường.

Nội dung chính

Tổng quan luận án

Luận án tiến sĩ kỹ thuật với đề tài "Phát triển một số kỹ thuật phát hiện dị thường trên ảnh viễn thám quang học phục vụ công tác tìm kiếm cứu nạn" được thực hiện bởi nghiên cứu sinh Nguyễn Văn Phương, thuộc chuyên ngành Cơ sở toán học cho tin học (mã số: 9 46 01 10) tại Học viện Kỹ thuật Quân sự, dưới sự hướng dẫn khoa học của TS Đào Khánh Hoài và TS Tống Minh Đức (bảo vệ năm 2023).

Tính cấp thiết và khoảng trống nghiên cứu

Theo số liệu thống kê từ Ủy ban Quốc gia Ứng phó sự cố thiên tai và tìm kiếm cứu nạn, trong giai đoạn từ năm 2004 đến năm 2021, tại Việt Nam đã ghi nhận 54.964 vụ thiên tai và sự cố, gây thiệt hại làm 14.937 người chết, 2.616 người mất tích, 15.502 người bị thương, đồng thời làm hư hỏng hàng chục ngàn trang thiết bị. Trong bối cảnh biến đổi khí hậu và tác động môi trường gia tăng, các sự cố thiên tai diễn biến phức tạp với cường độ tàn phá lớn.

Việc ứng dụng ảnh viễn thám quang học thu nhận từ các phương tiện bay không người lái (UAV), máy bay hoặc vệ tinh mang lại ưu thế về độ phủ trùm rộng, thời gian cập nhật ngắn và khả năng tiếp cận các khu vực hiểm trở (vùng núi cao, rừng rậm, hải đảo). Tuy nhiên, trong bài toán tìm kiếm cứu nạn, các mục tiêu cần tìm kiếm (người bị nạn, phương tiện, lều bạt, mảnh vỡ) thường có kích thước nhỏ, nằm phân tán, bị che khuất bởi thực vật hoặc chìm một phần dưới nước.

Trong ba hướng tiếp cận phát hiện mục tiêu trên ảnh đa phổ và siêu phổ (gồm: so khớp đặc trưng quang phổ đã biết - SSTD; phát hiện sự thay đổi theo chuỗi thời gian; và phát hiện dị thường quang phổ), hướng tiếp cận phát hiện dị thường (Anomaly Detection - AD) thể hiện tính phù hợp cao nhất do không đòi hỏi thông tin tiên nghiệm về phổ mục tiêu. Mặc dù vậy, các kỹ thuật phát hiện dị thường hiện hữu đối mặt với ba thách thức kỹ thuật:

1. Tỷ lệ báo động giả (dương tính giả) còn cao do ảnh viễn thám thường xuyên bị tác động bởi nhiễu môi trường, khí quyển và thiết bị.
2. Khả năng phát hiện các đối tượng dị thường có hình dạng và kích thước biến đổi từ kích thước dưới điểm ảnh (sub-pixel) đến vài điểm ảnh.
3. Chi phí tính toán lớn, đặc biệt đối với các phương pháp phi tham số có độ phức tạp thuật toán $O(N^2)$, gây cản trở khả năng xử lý trong thời gian thực.

Luận án lựa chọn giải quyết hai khoảng trống kỹ thuật trọng tâm: nâng cao độ chính xác phát hiện điểm ảnh dị thường (giảm tỷ lệ dương tính giả) và tăng tốc độ tính toán cho phương pháp ước lượng mật độ nhân (Kernel Density Estimation - KDE).

Mục tiêu nghiên cứu

Mục tiêu tổng quát của luận án là đề xuất các thuật toán nhằm tăng độ chính xác và giảm thời gian tính toán phát hiện các điểm ảnh dị thường trên ảnh viễn thám quang học theo phương pháp thống kê phục vụ công tác tìm kiếm cứu nạn.

Các nội dung nghiên cứu cụ thể được xác định gồm:

1. Đề xuất thuật toán tăng độ chính xác phát hiện các điểm ảnh dị thường của thuật toán KDE bằng cách giảm tỷ lệ dương tính giả (gọi tắt là thuật toán IKDE).
2. Đề xuất thuật toán tăng tốc độ tính toán của thuật toán IKDE bằng cách sử dụng kỹ thuật nhóm điểm ảnh, sắp xếp điểm ảnh, áp dụng cây kd-tree và tính toán hàm mật độ xác suất đa luồng trên CPU hoặc song song trên GPU.
3. Cài đặt, thực nghiệm nhằm kiểm chứng tính đúng đắn và hiệu năng của các thuật toán đã đề xuất.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu:
  • Các điểm ảnh dị thường trên ảnh viễn thám quang học.
  • Các thuật toán phát hiện điểm ảnh dị thường trên ảnh viễn thám quang học.
  • Các mô hình tính toán đa luồng trên CPU (Central Processing Unit) và tính toán song song trên GPU (Graphics Processing Unit).
• Phạm vi nghiên cứu: Luận án tập trung nghiên cứu phát hiện các điểm ảnh dị thường có màu sắc hoặc phổ bất kỳ trên ảnh đa phổ (MSI) và siêu phổ (HSI) thu nhận từ các bộ cảm quang học gắn trên thiết bị bay, phục vụ việc định vị các đối tượng có kích thước nhỏ, lẫn trong nền địa hình hoặc mặt nước.

---

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu đã được điểm lại trong văn bản

Luận án tiến hành phân loại và tổng hợp các công trình nghiên cứu về phát hiện dị thường trên ảnh đa phổ và siêu phổ theo 5 nhóm tiếp cận chính:

1. Phương pháp dựa trên mô hình xác suất thống kê:

   • Thuật toán Reed-Xiaoli (RXD) công bố năm 1990 bởi Reed và Xiaoli, sử dụng nguyên lý Neyman-Pearson và kiểm nghiệm tỷ lệ khả năng tổng quát (GLRT) với giả thiết nền tuân theo phân phối chuẩn.
   • Phiên bản cục bộ LRXD (Local RXD) sử dụng cửa sổ trượt và phiên bản thời gian thực của Stellman và cộng sự trên hệ thống Dark HORSE 1.
   • Các biến thể của RXD nhằm giảm tỷ lệ dương tính giả: NRXD, MRXD, RXD-UTD, CRXD do Chang và Chiang đề xuất; phương pháp chọn điểm ảnh đại diện của Du và Zhang; WRXD và LF-RXD của Guo và cộng sự; triển khai song song GRXD/LRXD của Molero và cộng sự; tiếp cận đa cửa sổ của Liu và Chang, Ren và cộng sự; lọc không gian Gabor kết hợp RXD của Imani; phương pháp xấp xỉ không gian - phổ SSAC của Wu và cộng sự.
   • Phương pháp thống kê bậc cao: phân tích thành phần độc lập của Ren và cộng sự; phân tích thành phần chính hạt nhân kết hợp độ dị biệt cục bộ trung bình (ALS) của Gu và cộng sự.
   • Phương pháp ước lượng mật độ xác suất phi tham số: Parzen Window (PW) của Veracini và cộng sự (2011); ước lượng mật độ phi tham số kết hợp k láng giềng gần nhất (KNN) của Bolukbasi và Tran (2012); kiểm nghiệm Neyman-Pearson trên ba loại hạt nhân của Matteoli và cộng sự (2014); kết hợp ước lượng phi tham số với biểu diễn tương quan của Zhao và cộng sự (2017).

2. Phương pháp dựa trên phân cụm và phân đoạn:

   • Bộ phát hiện dị thường dựa trên cụm (CBAD) của Carlotto (2005) sử dụng lượng tử hóa thành phần chính kết hợp mô hình hỗn hợp Gaussian (GMM) và khoảng cách Mahalanobis; các khảo sát GMM của Hyta và cộng sự; biến thể CBAD sử dụng mạng tự tổ chức (SOM) của các nghiên cứu liên quan.

3. Các nghiên cứu ứng dụng công nghệ viễn thám trong tìm kiếm cứu nạn:

   • Hệ thống Sarsat phối hợp Cospas và NASA (Wallacea và cộng sự);
   • Hệ thống cảm biến ARCHER trên máy bay tuần tra hàng không dân dụng Mỹ (CAP) phát hiện vị trí máy bay rơi dựa trên ảnh siêu phổ xử lý thời gian thực;
   • Phát hiện thuyền nhỏ trên ảnh SPOT-5 độ phân giải 5m (Corbane và cộng sự, 2010);
   • Quy trình phân tích ảnh WorldView-2 độ phân giải 0,5m phát hiện mảnh vỡ trên biển (Harris và cộng sự, 2012);
   • Phát hiện mìn dưới điểm ảnh (School, 2012); dò vết đối tượng (Meng và Kerekes); trích xuất đối tượng chuyển động (Gao và cộng sự, 2014);
   • Thuật toán lọc khớp phổ cải tiến cho mục tiêu nhỏ (Grossman, 2014);
   • Kỹ thuật phát hiện ngoại lai màu trên ảnh UAV của nhóm nghiên cứu Đại học Boston (2012, 2013, 2015);
   • Mô hình 4 mô-đun tìm kiếm cứu hộ hàng hải của Jing Peng và cộng sự.

Khoảng trống luận án lựa chọn giải quyết

Phương pháp phát hiện dị thường dựa trên ước lượng mật độ nhân (KDE) có ưu điểm là không cần giả định dạng phân phối chuẩn của dữ liệu nền và tính toán trên toàn cục nên giảm bớt các nhược điểm của RXD. Tuy nhiên, KDE có hai hạn chế lớn:

• Vẫn chịu ảnh hưởng của các điểm ảnh nhiễu, dẫn đến việc phân loại nhầm nhiễu thành dị thường (tỷ lệ dương tính giả tăng khi ảnh có độ nhiễu cao).
• Chi phí tính toán lớn với độ phức tạp $O(N^2)$ (với $N$ là số điểm ảnh), không đáp ứng yêu cầu xử lý nhanh trong cứu hộ khẩn cấp.

Luận án tập trung giải quyết việc khử nhiễu kết hợp phân vùng nghi ngờ để tăng độ chính xác cho KDE, đồng thời thiết kế cấu trúc dữ liệu và mô hình tính toán song song nhằm giảm thời gian thực thi.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

• Đặc trưng dị thường: Dị thường trên ảnh viễn thám quang học được định nghĩa theo M. Hawkins và Ettabaa với 4 đặc tính: không có thông tin tiên nghiệm về sự tồn tại; có dấu hiệu quang phổ khác biệt đáng kể so với nền lân cận; xác suất xuất hiện rất thấp trong toàn cảnh; phạm vi không gian hạn chế (chiếm một phần hoặc một vài điểm ảnh).
• Mô hình toán học bài toán: Cho ảnh $X = {x_i}_{i=1}^N \in \mathbb{R}^{L \times N}$ gồm $N$ điểm ảnh và $L$ kênh phổ. Bài toán phát hiện dị thường quy về bài toán phân lớp nhị phân cho từng điểm ảnh $x_i \in \mathbb{R}^L$ vào tập các điểm ảnh bình thường ($C_1$) hoặc tập các điểm ảnh dị thường ($C_2$).
• Phương pháp ước lượng mật độ nhân (KDE): Sử dụng hàm nhân $K(u)$ và băng thông $h$ để ước lượng hàm mật độ xác suất (PDF) $\hat{f}(x)$ của nền: $$\hat{f}(x) = \frac{1}{N h^L} \sum_{i=1}^N K\left(\frac{x - x_i}{h}\right)$$ Điểm ảnh có giá trị $\hat{f}(x)$ nhỏ hơn ngưỡng $\eta$ được xác định là dị thường.
• Bộ lọc Gaussian Blur: Sử dụng phép nhân tích chập ma trận ảnh với toán tử Gaussian để làm mịn, triệt tiêu các thành phần nhiễu tần số cao.
• Thuật toán trích chọn đặc trưng SIFT: Sử dụng không gian tỷ lệ và hàm sai phân Gauss (DoG - Difference of Gaussians) để xác định các cực trị cục bộ bất biến, làm tâm định vị các cửa sổ nghi ngờ $W$.
• Cấu trúc dữ liệu và giải thuật tính toán: Sử dụng cấu trúc cây kd-tree để tổ chức không gian dữ liệu đa chiều, giới hạn phạm vi tìm kiếm láng giềng trong bán kính siêu cầu $r = h \times \epsilon$ (với $\epsilon$ là ngưỡng giới hạn để hàm nhân $K(u) \neq 0$). Áp dụng kỹ thuật tính toán đa luồng (multithreading) trên CPU và lập trình song song trên GPU qua nền tảng CUDA.

Phương pháp nghiên cứu

• Phương pháp lý thuyết: Khảo sát, phân tích toán học các giải thuật ước lượng mật độ, phân tích cấu trúc dữ liệu không gian, đánh giá độ phức tạp tính toán theo ký pháp Big-O.
• Phương pháp thực nghiệm: Lập trình cài đặt các thuật toán bằng ngôn ngữ C++ và C#. Thực hiện đánh giá hiệu năng trên các tập ảnh thực nghiệm dựa trên đường cong đặc trưng hoạt động của bộ thu (ROC), diện tích dưới đường cong ROC (AUC) và thời gian thực thi tính bằng giây (s).

Nguồn tư liệu và dữ liệu thực nghiệm

Luận án sử dụng ba nhóm dữ liệu để kiểm chứng:

1. Dữ liệu cấy mẫu dị thường: Cấy các mẫu dị thường nhân tạo vào ảnh để kiểm soát hoàn toàn vị trí và diện tích dị thường.
2. Dữ liệu thực địa: Dữ liệu ảnh bố trí các mục tiêu thực tế trên địa hình.
3. Bộ dữ liệu chuẩn và ảnh mở:
   • Tập dữ liệu từ cuộc thi "Dstl Satellite Imagery Feature Detection" của Phòng thí nghiệm Khoa học và Công nghệ Quốc phòng Vương quốc Anh (DSTL), chụp từ cảm biến WorldView-3 độ phân giải cao với 3 loại ảnh: ảnh màu RGB (3 kênh), ảnh đa phổ 8 kênh cận hồng ngoại (VNIR: 400 - 1040nm), và ảnh đa phổ 8 kênh hồng ngoại sóng ngắn (SWIR: 1195 - 2365nm), diện tích mỗi cảnh $1\text{ km}^2$.
   • Bộ dữ liệu ảnh siêu phổ từ Đại học Xứ Basque (M. Graña và cộng sự): Salinas (512 × 217 điểm ảnh, 224 kênh phổ, độ phân giải 3,7m), Indian Pines (145 × 145 điểm ảnh, 224 kênh phổ), Pavia Centre (1096 × 1096 điểm ảnh, 102 kênh phổ), Pavia University (610 × 610 điểm ảnh, 103 kênh phổ), Kennedy Space Center (224 kênh phổ), Botswana (242 kênh phổ).

Loại ảnh	Dải bước sóng	Độ phân giải không gian điển hình	Đặc điểm cấu trúc dữ liệu
Toàn sắc (Panchromatic)	0,5 - 0,8 µm	Cao (0,44m - 2,5m)	1 kênh phổ đơn sắc, mã hóa 8 - 16 bit
Đa phổ (Multispectral - MSI)	0,4 - 0,7 µm (RGB) đến 0,8 - 10 µm (NIR/SWIR)	Trung bình đến cao (0,5m - 30m)	3 đến 10+ kênh phổ, dung lượng $V = h \times w \times k \times q$
Siêu phổ (Hyperspectral - HSI)	0,4 - 2,7 µm	Trung bình (3,7m - 30m)	Hàng trăm kênh phổ hẹp (độ rộng ~10nm), số chiều dữ liệu rất lớn

---

Nội dung chính theo từng chương

Chương 1: Tổng quan về phát hiện dị thường trên ảnh viễn thám quang học

Chương 1 hệ thống hóa cơ sở lý thuyết về ảnh viễn thám quang học, nguyên lý tán xạ và hấp thụ photon của các lớp phủ bề mặt, cũng như cấu trúc lưu trữ ma trận điểm ảnh theo các mức lượng tử hóa từ 8 bit đến 16 bit. Chương này trình bày chi tiết quy định pháp lý về tìm kiếm cứu nạn tại Việt Nam theo Nghị định số 30/2017/NĐ-CP, đồng thời phân tích cơ chế ứng dụng công nghệ viễn thám trong cứu hộ quốc tế.

Nội dung chương phân tích chi tiết 5 nhóm giải thuật phát hiện dị thường hiện đại, đánh giá các tiêu chí đo lường chất lượng bằng đường cong ROC (biểu diễn mối quan hệ giữa tỷ lệ dương tính đúng TPR và tỷ lệ dương tính sai FPR), chỉ số AUC, cùng các phương pháp tính toán độ phức tạp thuật toán. Chương 1 xác định ba thách thức kỹ thuật cốt lõi: nâng cao độ chính xác phát hiện, xử lý dị thường đa kích thước, và rút ngắn thời gian tính toán.

Chương 2: Kỹ thuật nâng cao độ chính xác phát hiện dị thường trên ảnh viễn thám quang học

Chương 2 tập trung giải quyết bài toán giảm tỷ lệ dương tính giả của thuật toán ước lượng mật độ nhân (KDE) khi ảnh đầu vào bị tác động bởi nhiễu. Luận án đề xuất thuật toán cải tiến IKDE (Improved Kernel Density Estimation) gồm ba giai đoạn:

1. Khử nhiễu dữ liệu: Áp dụng phép tích chập ảnh với toán tử Gaussian Blur sử dụng hệ số làm mịn $\sigma$ để loại bỏ nhiễu cục bộ.
2. Định vị vùng nghi ngờ: Ứng dụng thuật toán SIFT để trích chọn các điểm đặc trưng cực trị cục bộ không gian tỷ lệ (thông qua hàm DoG). Xung quanh mỗi điểm đặc trưng được xác định, thiết lập một cửa sổ giới hạn $W$. Tập hợp các cửa sổ này tạo thành không gian nghi ngờ chứa điểm dị thường.
3. Ước lượng mật độ và phân lớp: Chỉ thực hiện thuật toán KDE đối với các điểm ảnh nằm trong vùng nghi ngờ $W$. Toàn bộ các điểm ảnh nằm ngoài vùng nghi ngờ được gán trực tiếp vào tập điểm ảnh bình thường $C_1$.

[Ảnh đầu vào] 

Luận án chứng minh tính đúng đắn toán học của IKDE và so sánh độ phức tạp với KDE gốc. Thực nghiệm được tiến hành trên 36 ảnh chọn từ thư viện DSTL dưới ba kịch bản: ảnh gốc, ảnh thêm 2% nhiễu Gaussian, và ảnh thêm 5% nhiễu Gaussian.

Kịch bản thử nghiệm	Thuật toán KDE (Gốc)	Thuật toán IKDE (Đề xuất)	Đánh giá so sánh
36 ảnh gốc (không nhiễu)	AUC đạt mức cơ sở	AUC tương đương KDE	Độ chính xác phát hiện tương đương
36 ảnh thêm 2% nhiễu Gaussian	AUC suy giảm rõ rệt	AUC duy trì ổn định	IKDE có AUC cao hơn rõ rệt
36 ảnh thêm 5% nhiễu Gaussian	AUC giảm mạnh do dương tính giả	AUC vượt trội so với KDE	IKDE loại bỏ hiệu quả các điểm nhiễu giả dị thường

Chương 3: Kỹ thuật tăng tốc độ phát hiện dị thường trên ảnh viễn thám quang học

Chương 3 giải quyết bài toán giảm thiểu chi phí tính toán của thuật toán IKDE thông qua quy trình 4 bước tối ưu hóa:

[Bước 1: Nhóm điểm ảnh cùng giá trị (CreateGroupPixels)]
[Bước 2: Sắp xếp các nhóm theo chiều dữ liệu thứ nhất (SearchGroupPixels)]
[Bước 4: Phân loại dị thường theo ngưỡng xác suất η]

• Bước 1 (Nhóm điểm ảnh): Sử dụng thuật toán CreateGroupPixels để gộp $N$ điểm ảnh thành $M$ nhóm điểm ảnh ($M \ll N$) có cùng giá trị phổ/màu sắc, gán trọng số theo số lượng phần tử của mỗi nhóm, giúp giảm số lượng mẫu tham gia tính toán PDF.
• Bước 2 (Sắp xếp): Sắp xếp $M$ nhóm điểm ảnh tăng dần theo chiều dữ liệu thứ nhất (SearchGroupPixels) để tối ưu việc truy xuất bộ nhớ.
• Bước 3 (Tính toán PDF tối ưu): Đề xuất ba kỹ thuật tính toán:
  1. Ứng dụng cây kd-tree: Xây dựng cây kd-tree từ các nhóm điểm ảnh để thu hẹp phạm vi tìm kiếm các điểm láng giềng nằm trong hình siêu cầu bán kính $r = h \times \epsilon$ quanh điểm cần xét (PUT). Đề xuất giải thuật GP-KDT1 (cho ảnh RGB 3 kênh) và GP-KDT2 (cho ảnh đa phổ MSI, siêu phổ HSI).
  2. Tính toán đa luồng trên CPU: Đề xuất giải thuật GP-MC1 (ảnh RGB) và GP-MC2 (ảnh MSI/HSI) phân chia dữ liệu tính toán song song trên các luồng CPU (sử dụng thư viện Intel TBB).
  3. Tính toán song song trên GPU: Đề xuất giải thuật GP-PC1 (ảnh RGB) và GP-PC2 (ảnh MSI/HSI) tận dụng hàng ngàn nhân xử lý trên kiến trúc GPU CUDA.
• Bước 4 (Phân loại): So sánh giá trị hàm mật độ xác suất tính được với ngưỡng $\eta$ để phân lớp điểm ảnh.

Thực nghiệm kiểm chứng trên ảnh màu RGB (mã 6010_1_2), ảnh đa phổ 8 kênh (mã 6010_1_2_M), và ảnh siêu phổ 224 kênh phổ Salinas:

• So sánh thời gian thực thi với thuật toán KDE trực tiếp, thuật toán biến đổi Gauss nhanh cải tiến (IFGT), thuật toán CPU đa luồng của Michailidis và cộng sự, và thuật toán GPU CUDA của Michailidis và cộng sự.
• Kết quả cho thấy các thuật toán đề xuất (GP-KDT, GP-MC, GP-PC) rút ngắn hơn 80% thời gian thực thi đối với ảnh đa phổ và siêu phổ, và rút ngắn tới 99% thời gian thực thi đối với ảnh RGB so với thuật toán gốc, trong khi giữ nguyên độ chính xác phát hiện.

---

Kết quả và những đóng góp mới

Đóng góp mới về mặt lý luận và khoa học

1. Đề xuất thuật toán IKDE nâng cao độ chính xác phát hiện điểm ảnh dị thường dựa trên ước lượng mật độ nhân phi tham số, bằng cách kết hợp toán tử làm mịn Gaussian Blur để khử nhiễu và thuật toán SIFT để định vị không gian nghi ngờ chứa dị thường, giải quyết vấn đề tăng tỷ lệ dương tính giả của thuật toán KDE gốc.
2. Đề xuất mô hình kết hợp giữa kỹ thuật tiền xử lý dữ liệu (nhóm điểm ảnh cùng giá trị, sắp xếp dữ liệu), cấu trúc dữ liệu cây kd-tree và các mô hình tính toán hiệu năng cao (đa luồng CPU và song song trên GPU) để giải quyết triệt để rào cản về độ phức tạp tính toán $O(N^2)$ của phương pháp ước lượng mật độ nhân trên ảnh viễn thám quang học.

Đóng góp mới về mặt thực tiễn

1. Cung cấp bộ thuật toán hoàn chỉnh (IKDE, GP-KDT1/2, GP-MC1/2, GP-PC1/2) có khả năng phát hiện các đối tượng kích thước nhỏ, màu sắc hoặc phổ bất kỳ trên ảnh viễn thám quang học độ phân giải cao trong điều kiện ảnh có độ nhiễu cao (2% và 5%).
2. Giảm thiểu đáng kể thời gian tính toán thực tế: giảm hơn 80% thời gian xử lý trên ảnh đa phổ và siêu phổ, giảm 99% thời gian trên ảnh màu RGB so với thuật toán KDE truyền thống, tạo điều kiện thuận lợi cho việc tích hợp thuật toán lên các hệ thống xử lý trên trạm mặt đất hoặc thiết bị bay không người lái (UAV).
3. Đóng góp công cụ kỹ thuật hỗ trợ tự động hóa công tác quan sát, định vị mục tiêu trong hoạt động ứng phó sự cố thiên tai và tìm kiếm cứu nạn tại Việt Nam.

Kiến nghị và giải pháp đề xuất

• Kiến nghị ứng dụng các thuật toán phát hiện dị thường đề xuất vào các phần mềm chuyên dụng xử lý dữ liệu ảnh viễn thám phục vụ tìm kiếm cứu nạn thuộc Ủy ban Quốc gia Ứng phó sự cố thiên tai và Tìm kiếm cứu nạn.
• Đề xuất tích hợp các gói thuật toán song song trên phần cứng GPU và hệ thống nhúng của UAV để xử lý dữ liệu trinh sát cứu nạn trực tiếp trong quá trình bay quét.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

• Do tính chất bảo mật quốc gia, các bộ dữ liệu ảnh viễn thám chụp trong các tình huống cứu nạn thực tế không được công bố công khai, do đó nghiên cứu phải sử dụng dữ liệu mô phỏng cấy mẫu, dữ liệu tự bố trí thực địa và các bộ dữ liệu mở quốc tế (DSTL, Salinas) để kiểm chứng.
• Thuật toán tập trung vào phát hiện dị thường phổ và màu sắc, chưa giải quyết trọn vẹn thách thức về nhận dạng hình học khi kích thước dị thường biến đổi phức tạp ở quy mô lớn.

Hướng phát triển tiếp theo

• Tối ưu hóa sâu hơn các thuật toán tính toán song song trên các hệ thống tính toán nhúng có tài nguyên giới hạn gắn trực tiếp trên UAV để đạt tốc độ xử lý thời gian thực tại hiện trường.
• Mở rộng nghiên cứu kết hợp dữ liệu ảnh quang học với các nguồn dữ liệu viễn thám khác (như Radar khẩu độ tổng hợp - SAR, LiDAR) để nâng cao hiệu quả tìm kiếm cứu nạn trong điều kiện thời tiết khắc nghiệt, mây mù hoặc ban đêm.
• Nghiên cứu cơ chế tự động hóa việc xác định tham số băng thông $h$ và ngưỡng phân loại $\eta$ thích nghi theo từng bối cảnh địa hình.

---

Giá trị tham khảo

Đối tượng thụ hưởng

• Nghiên cứu sinh, học viên cao học, giảng viên: Thuộc các chuyên ngành Cơ sở toán học cho tin học, Khoa học máy tính, Xử lý ảnh, Kỹ thuật Viễn thám và Trắc địa bản đồ; có thể sử dụng luận án làm tài liệu tham khảo chuyên sâu về các phương pháp ước lượng phi tham số và kỹ thuật xử lý dữ liệu đa chiều.
• Kỹ sư phát triển hệ thống: Các nhà phát triển phần mềm xử lý ảnh viễn thám, hệ thống thông tin địa lý (GIS), các hệ thống giám sát trên thiết bị bay không người lái (UAV).
• Cơ quan quản lý và lực lượng cứu nạn: Cán bộ tham mưu, tác chiến thuộc Ủy ban Quốc gia Ứng phó sự cố thiên tai và Tìm kiếm cứu nạn, lực lượng cứu hộ quân sự và dân sự trong việc ứng dụng công nghệ viễn thám hiện đại.

Các phần nội dung có giá trị tham khảo cao

• Chương 1: Bảng tổng hợp phân loại chi tiết các giải thuật phát hiện dị thường trên ảnh đa phổ, siêu phổ cùng hệ thống công thức tính dung lượng, độ phân giải của các cảm biến vệ tinh phổ biến.
• Chương 2: Kỹ thuật kết hợp biến đổi DoG/SIFT với ước lượng mật độ nhân Parzen/KDE và quy trình kiểm thử độ chính xác trên dữ liệu ảnh có nhiễu Gaussian.
• Chương 3: Các thuật toán chi tiết về nhóm điểm ảnh (CreateGroupPixels), tìm kiếm nhóm (SearchGroupPixels), cấu trúc cây kd-tree đa chiều và mã nguồn/mô hình luồng xử lý song song trên CPU (Intel TBB) và GPU (CUDA).

---

Câu hỏi thường gặp

1. Thuật toán IKDE giải quyết nhược điểm nào của thuật toán KDE gốc và sử dụng cơ chế gì?

Thuật toán IKDE giải quyết nhược điểm tỷ lệ báo động giả (dương tính giả) cao của thuật toán KDE khi ảnh đầu vào có nhiễu. IKDE thực hiện cơ chế hai bước: (1) Khử nhiễu cục bộ bằng cách nhân tích chập ma trận ảnh với toán tử Gaussian Blur; (2) Giới hạn không gian tìm kiếm bằng cách trích xuất các điểm đặc trưng bất biến SIFT (thông qua hàm sai phân Gauss DoG) để tạo các cửa sổ nghi ngờ $W$. Việc ước lượng mật độ KDE chỉ thực hiện trong các vùng $W$, các điểm ảnh còn lại mặc định thuộc lớp bình thường.

2. Kỹ thuật tăng tốc độ tính toán trong Chương 3 gồm những bước cơ bản nào?

Kỹ thuật tăng tốc độ tính toán thực hiện qua 4 bước:

1. Nhóm các điểm ảnh có cùng giá trị quang phổ/màu sắc thành $M$ nhóm ($M \ll N$) thông qua thuật toán CreateGroupPixels.
2. Sắp xếp $M$ nhóm điểm ảnh tăng dần theo chiều dữ liệu thứ nhất qua thuật toán SearchGroupPixels.
3. Tính toán hàm mật độ xác suất (PDF) bằng một trong ba phương án: áp dụng cấu trúc cây kd-tree (GP-KDT), tính toán đa luồng trên CPU (GP-MC), hoặc tính toán song song trên GPU CUDA (GP-PC).
4. Phân loại điểm ảnh thành dị thường hoặc bình thường dựa trên ngưỡng xác suất $\eta$.

3. Luận án sử dụng những bộ dữ liệu nào để thực nghiệm kiểm chứng?

Luận án sử dụng ba nhóm dữ liệu:

• Dữ liệu cấy mẫu dị thường nhân tạo vào ảnh.
• Dữ liệu ảnh thực nghiệm do tác giả thu thập có bố trí mẫu vật trên thực địa.
• Dữ liệu chuẩn quốc tế gồm: Thư viện ảnh đa phổ WorldView-3 từ cuộc thi DSTL (ảnh RGB 3 kênh, ảnh 8 kênh VNIR, ảnh 8 kênh SWIR); Thư viện ảnh siêu phổ AVIRIS/ROSIS/Hyperion gồm các cảnh Salinas (224 kênh phổ), Indian Pines, Pavia Centre, Pavia University, Kennedy Space Center và Botswana.

4. Hiệu năng tính toán của các thuật toán đề xuất đạt mức cải thiện thời gian như thế nào?

Kết quả thực nghiệm trên ảnh màu RGB (mã 6010_1_2), ảnh đa phổ 8 kênh (mã 6010_1_2_M) và ảnh siêu phổ Salinas (224 kênh phổ) chứng minh: các giải thuật đề xuất (GP-KDT, GP-MC, GP-PC) giúp giảm hơn 80% thời gian thực thi đối với ảnh đa phổ và siêu phổ, và giảm tới 99% thời gian thực thi đối với ảnh màu RGB so với thuật toán KDE gốc, trong khi độ chính xác phát hiện (chỉ số AUC) tương đương với thuật toán gốc.

5. Tại sao phương pháp phát hiện dị thường quang phổ lại phù hợp cho công tác tìm kiếm cứu nạn hơn phương pháp so khớp phổ tham chiếu?

Phương pháp so khớp phổ tham chiếu (SSTD) đòi hỏi phải biết trước đặc trưng quang phổ của mục tiêu đo từ phòng thí nghiệm và phải qua bước bù trừ khí quyển phức tạp, dễ bị sai lệch do tán xạ môi trường. Trong tìm kiếm cứu nạn, các vật thể cần tìm (quần áo, mảnh vỡ, lều bạt, phương tiện) có đặc trưng quang phổ rất đa dạng và không thể biết trước. Phương pháp phát hiện dị thường không cần thông tin tiên nghiệm, tự động tìm kiếm các điểm ảnh có sự sai khác quang phổ nổi bật so với nền xung quanh, do đó có tính ứng dụng cao hơn trong các tình huống cứu hộ thực tế.

---

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Văn Phương đã hoàn thành việc nghiên cứu, phát triển các giải pháp nâng cao độ chính xác và tốc độ tính toán cho bài toán phát hiện dị thường trên ảnh viễn thám quang học phục vụ tìm kiếm cứu nạn. Bằng việc đề xuất thuật toán IKDE kết hợp Gaussian Blur và SIFT, luận án đã giảm thiểu tỷ lệ dương tính giả dưới tác động của nhiễu môi trường. Đồng thời, thông qua việc kết hợp kỹ thuật nhóm điểm ảnh, cấu trúc cây kd-tree và các mô hình tính toán đa luồng CPU, song song GPU (GP-KDT, GP-MC, GP-PC), thời gian thực thi của thuật toán đã được cắt giảm trên 80% đối với ảnh đa phổ, siêu phổ và 99% đối với ảnh RGB. Các kết quả nghiên cứu đã được kiểm chứng thực nghiệm trên các tập dữ liệu ảnh viễn thám chuẩn, đóng góp cơ sở lý thuyết và giải thuật thực nghiệm phục vụ việc phát triển các hệ thống xử lý ảnh trinh sát, cứu hộ tại Việt Nam.

Trích đoạn nội dung tài liệu

MỞ ĐẦU. TỔNG QUAN VỀ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH VIỄN THÁM QUANG HỌC 9 1.1 Ảnh viễn thám quang học .1 Phổ của ảnh viễn thám quang học .2 Các loại ảnh viễn thám quang học .3 Độ phân giải không gian .4 Cấu trúc dữ liệu của ảnh viễn thám quang học .5 Thư viện quang phổ và thư viện ảnh viễn thám quang học .2 Bài toán phát hiện dị thường trên ảnh viễn thám quang học phục vụ công tác tìm kiếm cứu nạn .1 Khái niệm dị thường .2 Công tác tìm kiếm cứu nạn .3 Phát biểu bài toán .3 Một số tiếp cận về phát hiện dị thường trên ảnh đa phổ, siêu phổ 27 1.1 Phương pháp dựa trên mô hình xác suất thống kê .2 Phương pháp dựa trên phân cụm và phân đoạn .3 Phương pháp dựa trên biến đổi phi tuyến .4 Phương pháp dựa trên biến đổi tuyến tính .5 Phương pháp dựa trên học máy .4 Tiêu chí đánh giá độ chính xác của các thuật toán phát hiện dị thường .5 Phương pháp tính độ phức tạp thuật toán .2 Đánh giá độ phức tạp thuật toán .3 Thời gian thực hiện các câu lệnh trong các ngôn ngữ lập trình .6 Thách thức và hướng phát triển .1 Thách thức về tăng độ chính xác phát hiện dị thường 49 1.2 Thách thức về phát hiện dị thường với các kích cỡ khác nhau .3 Thách thức về tốc độ tính toán. KỸ THUẬT NÂNG CAO ĐỘ CHÍNH XÁC PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH VIỄN THÁM QUANG HỌC 54 2.1 Giới thiệu chung .2 Thuật toán phát hiện các điểm ảnh dị thường dựa trên KDE 55 2.3 Giải pháp tăng độ chính xác của thuật toán phát hiện các điểm ảnh dị thường dựa trên KDE .4 Tính đúng đắn của thuật toán IKDE .5 Đánh giá độ phức tạp tính toán của thuật toán KDE và IKDE 71 2.1 Độ phức tạp tính toán của thuật toán KDE .2 Độ phức tạp tính toán của thuật toán IKDE .6 Thử nghiệm và đánh giá kết quả đề xuất .1 Dữ liệu thử nghiệm .2 Phương pháp thử nghiệm .3 Kết quả thử nghiệm. KỸ THUẬT TĂNG TỐC ĐỘ PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH VIỄN THÁM QUANG HỌC 91 v 3.1 Giới thiệu chung .2 Tăng tốc độ tính toán của thuật toán IKDE .3 Kỹ thuật nhóm các điểm ảnh và sắp xếp .4 Tính toán PDF và phân loại các điểm ảnh .1 Ứng dụng cây kd-tree hỗ trợ tính toán PDF .2 Tính toán PDF đa luồng trên CPU .3 Tính toán PDF song song trên GPU .5 Đánh giá độ phức tạp của các thuật toán .1 Thuật toán nhóm các điểm ảnh (CreateGroupPixels) .2 Thuật toán tìm kiếm những nhóm điểm ảnh (Search- GroupPixels) .3 Cây kd-tree .4 Thuật toán phát hiện các điểm ảnh dị thường trên ảnh màu RGB sử dụng kỹ thuật nhóm các điểm ảnh và cây kd-tree .5 Thuật toán phát hiện các điểm ảnh dị thường trên ảnh màu MSI, HSI sử dụng kỹ thuật nhóm các điểm ảnh và cây kd-tree .6 Thuật toán phát hiện các điểm ảnh dị thường trên ảnh màu RGB sử dụng kỹ thuật nhóm các điểm ảnh và tính toán đa luồng trên CPU hoặc song song trên GPU .7 Thuật toán phát hiện các điểm ảnh dị thường trên ảnh màu MSI, HSI sử dụng kỹ thuật nhóm các điểm ảnh và tính toán đa luồng trên CPU hoặc song song trên GPU 118 3.6 Thử nghiệm và đánh giá kết quả đề xuất .1 Dữ liệu thử nghiệm .2 Phương pháp thử nghiệm .3 Kết quả thử nghiệm.

130 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 132 CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ 135 TÀI LIỆU THAM KHẢO 136 vi DANH MỤC CÁC KÝ HIỆU A Mảng hai chiều lưu chỉ số các điểm ảnh C0 Tập các điểm ảnh C1 Tập các điểm ảnh "bình thường" C2 Tập các điểm ảnh "dị thường" G Tập các nhóm điểm ảnh K(u) Hàm nhân [122] L Số kênh phổ M Số lượng các nhóm điểm ảnh N Số điểm ảnh P Tập các điểm ảnh thỏa mãn điều kiện K(u) ̸= 0 S Tập các điểm ảnh đặc trưng X Ma trận điểm ảnh W Cửa sổ giới hạn ˆ f (·) Hàm mật độ xắc suất q Số phần đều nhau của ma trận A h băng thông Bán kính siêu cầu chứa các điểm ảnh thỏa mãn điều kiện r K(u) ̸= 0 (r = h × ϵ) xi Điểm ảnh thứ i ϵ Ngưỡng giới hạn để K(u)̸= 0 σ Hệ số làm mịn η Ngưỡng phát hiện các điểm ảnh dị thường Φ(·) Hàm ánh xạ phi tuyến * Toán hạng tích chập vii DANH MỤC CÁC KÝ HIỆU THUẬT TOÁN TT Thuật toán Ký hiệu Mô tả 1 Thuật toán 2.1 KDE Thuật toán phát hiện các điểm ảnh dị thường dựa trên KDE 2 Thuật toán 2.2 GaussianBlur Thuật toán làm mịn ảnh 3 Thuật toán 2.3 IKDE Cải tiến thuật toán phát hiện các điểm ảnh dị thường dựa trên KDE 4 Thuật toán 3.1 CreateGroupPixels Thuật toán nhóm các điểm ảnh 5 Thuật toán 3.2 SearchGroupPixels Thuật toán tìm kiếm những nhóm điểm ảnh nằm trong bán kính r, tâm là PUT 6 Thuật toán 3.3 CreateKdTree Thuật toán tạo cây kd-tree 7 Thuật toán 3.4 SearchKdTree Thuật toán tìm kiếm trên cây kd-tree 8 Thuật toán 3.5 GP-KDT1 Thuật toán phát hiện các điểm ảnh dị thường trên ảnh màu RGB sử dụng kỹ thuật nhóm các điểm ảnh cùng giá trị và cây kd- tree viii 9 Thuật toán 3.6 GP-KDT2 Thuật toán phát hiện các điểm ảnh dị thường trên ảnh đa phổ, siêu phổ sử dụng kỹ thuật nhóm các điểm ảnh cùng giá trị và cây kd-tree 10 Thuật toán 3.7 GP-MC1 Thuật toán phát hiện các điểm ảnh dị thường trên ảnh màu RGB sử dụng kỹ thuật nhóm các điểm ảnh cùng giá trị và tính toán đa luồng trên CPU 11 Thuật toán 3.8 GP-MC2 Thuật toán phát hiện các điểm ảnh dị thường trên ảnh đa phổ, siêu phổ sử dụng kỹ thuật nhóm các điểm ảnh cùng giá trị và tính toán đa luồng trên CPU 12 Thuật toán 3.9 GP-PC1 Thuật toán phát hiện các điểm ảnh dị thường trên ảnh màu RGB sử dụng kỹ thuật nhóm các điểm ảnh cùng giá trị và tính toán song song trên GPU 13 Thuật toán 3.10 GP-PC2 Thuật toán phát hiện các điểm ảnh dị thường trên ảnh đa phổ, siêu phổ sử dụng kỹ thuật nhóm các điểm ảnh cùng giá trị và tính toán song song trên GPU ix DANH MỤC TỪ VIẾT TẮT, Ý NGHĨA Viết tắt Nghĩa tiếng Anh Nghĩa tiếng Việt AD Anomaly Detection Bộ dò dị thường AIC Akaike Information Criterion Tiêu chuẩn Thông tin Akaike BIC Bayesian Information Criterion Tiêu chuẩn Thông tin Bayesian CAP Civil Air Patrol Tuần tra hàng không dân dụng CBAD Cluster Based Anomaly Detec- Bộ dò dị thường trên cụm tor CFAR Constant False alarm Rate Tỉ lệ cảnh báo sai bất biến CKM Constrained Kurtosis Maxi- Tối đa hóa Kurtosis cưỡng mization bức CPU Central Processing Unit Bộ xử lý trung tâm DSPAD Deterministic Signal Subspace AD xử lý không gian tín Processing AD hiệu xác định EM Expectation-Maximisation FA False Alarm Báo động sai FAR False Alarm Ratio Tỷ lệ cảnh báo sai FGT Fast Gauss Transform Biến đổi Gauss nhanh FPR False Positive Rate Tỷ lệ dương tính sai GIC Generalized Information Crite- Tiêu chuẩn Thông tin tổng rion quát GLRT Generalised Likelihood Ratio Thử nghiệm tỉ lệ hợp lý Test tổng quát GPU Graphics Processing Unit Bộ xử lý đồ họa GMM Gaussian-Mixture Model Mô hình hỗn hợp Gaussian GMRF Gaussian Markov Random Field Trường ngẫu nhiên Markov Gaussian x GNM Global Normal Model Mô hình phân phối chuẩn toàn cục GSNR Generalized Signal to Noise Ra- Tỉ lệ nhiễu-tín hiệu tổng tio quát GP-KDT Group Pixels and use KD-Tree Nhóm các điểm ảnh và sử dụng cây kd-tree GP-MC Group Pixels and Multithread- Nhóm các điểm ảnh và tính ing Computation toán đa luồng GP-PC Group Pixels and Parallel Com- Nhóm các điểm ảnh và tính putation toán song song IIR Infinite Impulse Response Đáp ứng xung vô hạn IFGT Improved Fast Gauss Transform Cải tiến thuật toán biến đổi Gauss nhanh IKDE Improved KDE Cải tiến thuật toán KDE KR Likelihood Ratio Tỷ lệ hợp lý KDE Kernel Density Estimation Ước lượng mật độ nhân LMM Linear Mixing Model Mô hình trộn tuyến tính LNM Local Normal Model Mô hình phân phối chuẩn cục bộ LRT Likelihood Ratio Test Thử nghiệm tỉ lệ hợp lý LRXD Local RXD Thuật toán RX cục bộ MAP Maximum A Posteriori Quy tắc Posteriori tối đa MD Mahalanobis Distance Khoảng cách Mahalanobis MDL Minimum Description Length Độ dài mô tả tối thiểu ML Maximum Likelihood Hợp lý tối đa MLE Maximum Likelihood Estima- Ước lượng hợp lý tối đa tion NP Neyman-Pearson Neyman-Pearson OSP Orthogonal Subspace Projection Phép chiếu không gian con trực giao PCA Principal Component Analysis Phân tích thành phần chính PDF Probability density function Hàm mật độ xác suất PR Precision-Recall Độ chính xác - Độ bao phủ xi PUT Pixel Under Test Điểm ảnh đang xét ROC Receiver Operating Characteris- Đường cong đặc trưng tics ROI Regions of Interest Khu vực quan tâm RX Reed-Xiaoli Thuật toán RX SET Stochastic Expectation Maxi- Tối đa hóa kì vọng ngẫu mization nhiên SIFT Scale-invariant feature trans- Thuật toán trích rút các form điểm đặc trưng SURF Speeded up robust features Thuật toán trích rút các điểm đặc trưng SSP Signal Subspace Processing Xử lý không gian con tín hiệu SSTD Spectral Signature-based Target Bộ dò mục tiêu dựa trên Detector đặc trưng quang phổ SVD Singular Value Decomposition Phân rã giá trị kì dị SVDD Support Vector Data Descrip- Phương pháp mô tả SVD tion TPR true positive rate Tỷ lệ dương tính đúng UAV Unmanned aerial vehicle Phương tiện bay không người lái VQ Vector Quantization Vector lượng tử hóa xii DANH MỤC CÁC HÌNH VẼ Hình 1.1 Nguyên lý của ảnh quang phổ [94] .2 Biểu đồ mối quan hệ giá trị phản xạ và bước sóng [85] .3 Ví dụ một ảnh toàn sắc, ảnh có mã là 6010_1_2_P do DSTL cung cấp [24] .4 Các kênh đa phổ và độ rộng của một bộ cảm biến đa phổ TM/ETM+ [2] .5 Cấu trúc của một bộ cảm siêu phổ. Các kênh ảnh được thu nhận đồng thời trên nhiều kênh phổ hẹp [2] .6 Khuôn viên của Đại học Maryland tại College Park với bốn phân giải không gian khác nhau [66].7 Ví dụ minh họa hệ tọa độ ảnh số .8 Kênh Pan trên ảnh SPOT được mã hóa 8 bit [2] .9 Ảnh Envisat ASAR được mã hóa 16 bit [2] .10 Mô hình hoạt động của hệ thống tìm kiếm và cứu hộ hàng hải dựa trên ứng dụng công nghệ viễn thám [92] .11 Đường cong ROC [6] .1 Các bước nhằm tăng độ chính xác phát hiện dị thường.2 Ảnh được làm mịn với các hệ số làm mịn ( σ ) khác nhau 60 Hình 2.3 Ví dụ minh họa việc thực hiện hàm DoG để tìm những điểm đặc trưng bất biến cao.4 Ví dụ minh họa việc tìm các cực trị cục bộ [71] .5 Ví dụ minh họa việc tìm các cực trị cục bộ trên ảnh.