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.