Phân vùng ảnh viễn thám kích thước lớn dựa trên phân cụm mờ
Nguyễn Tu Trung, Vũ Văn Thỏa, Đặng Văn Đức
PHÂN VÙNG ẢNH VIỄN THÁM
KÍCH THƯỚC LỚN DỰA TRÊN PHÂN CỤM MỜ
Nguyễn Tu Trung*, Vũ Văn Thỏa+, Đặng Văn Đức*
* Viện Công Nghệ Thông Tin, Viện Hàn Lâm Khoa Học và Công Nghệ Việt Nam
+ Học Viện Công Nghệ Bưu Chính Viễn Thông
Tóm tắt: Phân vùng ảnh viễn thám là vấn đề được (FGMM), Tách và hợp, Các mô hình Markov, ...
các nhà nghiên cứu viễn thám quan tâm. Ảnh Hầu hết các phương pháp chỉ sử dụng cường độ
của mỗi điểm ảnh để định nghĩa các vùng, nhưng
đưa ra các phân đoạn rất hỗn tạp, cụ thể với các
ảnh đa phổ có độ phân giải cao. Hiện nay, một số
thuật toán bao gồm thông tin ngữ cảnh trong quy
trình để giảm bớt tính hỗn tạp của các phân đoạn.
Trong đó một số thông tin ngữ cảnh của các phân
đoạn này được trích chọn từ ảnh cũng được sử
dụng. Trong [1, 2], các tác giả đã đề xuất kĩ thuật
phân cụm kết hợp thuật toán Watershed và biến
đổi Wavelet để phân vùng ảnh.Trong [3], Balaji
và cộng sự trình bày một phân đoạn ảnh mới dựa
trên đặc trưng màu từ ảnh với việc chuyển điểm
ảnh từ không gian RGB sang không gian L*a*b*
và phân cụm trên không gian này. Trong [7], các
tác giả trình bày thuật toán 2D-KMeans. Trong
[9], Chang và cộng sự trình bày một thuật toán
phân cụm k-means mờ sử dụng khoảng cách tâm
cụm giữa các tiến trình xử lý lặp nối tiếp để giảm
độ phức tạp tính toán của thuật toán phân cụm
k-means mờ thông thường.
viễn thám có thể có nhiều kênh, độ phân giải rất
cao. Có nhiều kĩ thuật phân vùng khác nhau như
K-Means, C-Means, Watersed, ... Trong đó, Fuzzy
C-Means (FCM) được đánh giá rất cao về khả
năng phân vùng bằng việc sử dụng logic mờ.Tuy
nhiên, phương pháp này gặp vấn đề khi phân vùng
ảnh có kích thước lớn như ảnh viễn thám. Ngoài
ra, kết quả phân cụm phụ thuộc rất nhiều vào sự
tương phản của ảnh. Bài báo này trình bày một kĩ
thuật cải tiếnthuật toán FCM để có thể thực hiện
với ảnh viễn thám kích thước lớn.
Từ khóa: Phân vùng ảnh, Phân cụm mờ, Ảnh
viễn thám.1
I. GIỚI THIỆU
Xử lý ảnh viễn thám nói chung và phân vùng
ảnh (hay phân cụm) viễn thám nói riêng là vấn
đề được nghiên cứu từ rất lâu và hiện tại vẫn
đang được quan tâm. Phân cụm là một quy trình
dùng để trích chọn những nét chính của các đối
tượng nền bởi việc định nghĩa các vùng tương
ứng. Nhiệm vụ của chức năng phân vùng ảnh là
từ ảnh đa ban đầu, tiến hành xử lý và phân chia
thành các vùng, các cụm khác nhau. Hiện nay, có
nhiều phương pháp phân vùng khác nhau như:
Các phương pháp hình thái, Các phương pháp họ
K-means, Mô hình pha trộn Gaussian có giới hạn
Fuzzy C-Means (FCM) được đánh giá rất cao về
khả năng phân vùng bằng việc sử dụng logic mờ.
Trong [4], các tác giả cũng kết hợp giữa thuật
toán phân cụm mờ và các biểu thức điều chỉnh
mức xám khác để tăng cường độ ảnh y tế. Trong
[8], đề xuất một thuật toán C-Mean mờ song song
(FCM) cho phân đoạn ảnh bằng việc phân chia
tính toán giữa các bộ xử lý. Trong [10], các tác
giả đã thực hiện một nghiên cứu so sánh giữa
thuật toán phân cụm mờ và phân cụm mờ giữa
trên entropy. Các tập dữ liệu được sự dụng bao
gồm IRIS, WINES, OLITOS và andpsychosis.
Tác giả liên hệ: Nguyễn Tu Trung,
email: [email protected].
Đến tòa soạn: 12/2/2016, chỉnh sửa: 12/4/2016,
chấp nhận đăng: 30/05/2016.
Tạp chí KHOA HỌC CÔNG NGHỆ
Số 1 năm 2016
43
THÔNG TIN VÀ TRUYỀN THÔNG
PHÂN VÙNG ẢNH VIỄN THÁM KÍCH THƯỚC LỚN DỰA TRÊN PHÂN CỤM MỜ
Tuy nhiên, thuật toán FCM gặp vấn đề khi phân Để tối ưu hóa hàm mục tiêu trong công thức (2),
các trung tâm cụm Vj và μij giá trị có thể được tính
theo công thức sau:
vùng ảnh có kích thước lớn như ảnh viễn thám.
Trong nghiên cứu này, chúng tôi đề xuất một quy
trình phân vùng ảnh viễn thámnhằm khắc phục
hạn chế này.
Các phần còn lại của bài báo này được trình bày
như sau. Phần 2 trình bày thuật toán phân cụm
mờ gốc. Thuật toán phân cụm mờ cải tiến được
trình bày trong phần 3. Một số thử nghiệm được
trình bày trong phần 4. Phần 5 là kết luận bài báo.
Thuật toán FCM như sau:
Đầu vào: Số cụm c, tham số mờ, tiêu chuẩn dừng.
Đầu ra: c cụm dữ liệu sao cho hàm mục tiêu (2)
đạt giá trị tối thiểu.
II. THUẬT TOÁN PHÂN CỤM MỜ
A. Thuật toán phân cụm mờ
Bắt đầu
Phân cụm c-Means mờ [5] là thuật toán được
dùng rộng rãi của phân lớp mờ. Trong khi xem xét
logic tập mờ, thuật toán được phát triển dựa trên
phân cụm k-Means. Trong thuật toán này, mỗi
điểm ảnh không về duy nhất cụm nào và được
biểu diễn bởi nhiều thành viên của mỗi cụm.
1: Nhập giá trị cho 2 tham số c(1 ≤ i ≤ c), m ∈
∞ ; k = 0; khởi tạo ma trận phân hoạch
(1; )
U(o) = {μij}thỏa mãn (1a), (1b), (1c), điều kiện
dừng ε.
2: Tại bước k:
Bài toán phân cụm mờ phát biểu như sau. Cho tập
dữ liệu X gồm n đối tượng tổ chức thành c cụm
thể hiện qua hàm liên thuộc mô tả mức độ đối
tượng dữ liệu thuộc về cụm i với mọi :
2.1:Tính các tâm cụm Vi (1 ≤ i ≤ c) theo công
thức (3).
2.2:Tính ma trận thành viên cập nhật U(k+1)
theo công thức (4).
0 ≤ μij ≤ 1, (1 ≤ j ≤ n,1 ≤i ≤ c)
(1a)
(1b)
2.3:So sánh U(k) và U(k+1). Nếu ||U(k) - U(k+1)|| < ε
thì dừng. Ngược lại, tăng k, quay lại 2.1.
c
µij =1, (1 ≤ j ≤ n)
∑
i
Kết thúc.
Thuật toán phân cụm FCM [5] được thực hiện lặp
nhằm tối ưu (cực tiểu hóa) hàm mục tiêu (Jm) sau:
B. Nhược điểm của FCM với ảnh viễn thám kích
thước lớn
c
n
Jm =
(µij )2 d2 (xj ,Vi )
(2)
∑i=1∑j=1
Thuật toán phân cụm mờ [5] nảy sinh vấn đề khi
gặp ảnh có kích thước rất lớn mà cụ thể ở đây là
ảnh viễn thám độ phân giải cao. Vấn đề nảy sinh
từ ma trận độ thuộc µ. Theo công thức (4), kích
thước của µ được tính như sau:
Trong đó:
c - số cụm;
n - số pixel của ảnh;
μij - giá trị thành viên của pixel thứ j và trung tâm
cụm thứ i;
Sizeμ = c.n.8 (Byte)
(5)
Trong đó: c là số cụm, n là số pixel (kích thước)
của ảnh. Giả sử ta có một ảnh kích thước 2048 x
2048. Ta muốn phân thành 20 cụm. Khi đó, Sizeµ
là 2048 x 2048 x 20 x 8 (B) = 4 x 20 x 8 (MB)
= 640 (MB). Ma trận độ thuộc được lưu trong
m - trọng số mũ, tham số mờ;
xi- vector thứ j;
Vi- vector trung tâm của cụm thứ i;
d2(xj, Vi)- khoảng cách giữa xj và Vi .
Tạp chí KHOA HỌC CÔNG NGHỆ
Số 1 năm 2016
44
THÔNG TIN VÀ TRUYỀN THÔNG
Nguyễn Tu Trung, Vũ Văn Thỏa, Đặng Văn Đức
chúng tôi tạm gọi là lsiFCM (large size image
Fuzzy cMeans). Sơ đồ thuật toán được minh hoạ
trong Hình 1.
RAM. Như vậy, chỉ cần có RAM 1GB thì có thể
lưu ma trận độ thuộc trong trường hợp này. Tuy
nhiên, nếu chúng ta muốn phân thành 40 cụm thì
Sizeµ là 1280 (MB) > 1024 (MB) = 1GB. Điều
này nghĩa là nếu chỉ có RAM 1GB thì không đủ
để chứa các phần tử của ma trận độ thuộc. Và
để thuật toán FCM có thể thực hiện ta buộc phải
tăng RAM.
B1: Chia ô
Chúng ta có thể biểu diễn lại ảnh theo khía cạnh tập
hợp. Biểu diễn ban đầu của ảnh theo tập các pixel.
Giả sử ảnh có kích thước M x N. Khi đó ta có:
Image = {Pix(i,j): 1 ≤ i ≤ M, 1 ≤ j ≤ N}
(6)
Nếu ảnh có kích thước 16000 x 16000, số lớp
c = 20, Sizeµ là 16000 x 16000 x 20 x 8 (B) =
39062.5 (MB) ≈ 39 (GB). Chúng ta thấy, với
ảnh kích thước và số lớp như trên thì kể cả bộ
nhớ RAM lớn nhất hiện nay cho máy tính cá
nhân cũng không thể chứa dẫn tới FCM không
thể thực thi nếu ma trận độ thuộc được lưu trên
RAM. Chúng ta có thể nghĩ đến việc dùng đĩa
cứng để lưu ma trận này thay vì dung RAM. Tuy
nhiên, khi đó ngay cả với ảnh màu thông thường
thì thời gian thực hiện của FCM là rất chậm. Với
ảnh viễn thám, thời gian này có thể lên tới đơn
vị ngày. Như vậy là không hiệu quả. Tất cả điều
này đã giải thích nguyên nhân vì sao FCM [5]
gặp vấn đề với ảnh kích thước rất lớn mà cụ thể
là ảnh viễn thám.
Ảnh gốc được chia thành P x Q ô (p ô theo chiều
ngang, q ô theo chiều dọc). Mỗi ô có kích thước
không quá 512 x 512 (Mc x Nc) pixel để đảm bảo
thủ tục FCM có thể thực thi. Theo chiều ngang,
2 ô liền kề có phần xếp chồng bằng một nửa kích
thước mỗi ô Cell(x,y). Theo chiều dọc, 2 ô liền kề
có phần xếp chồng bằng một nửa kích thước mỗi
ô. Khi đó, ta có biểu diễn mới của ảnh như sau:
Image = {Cell(x,y): 1 ≤ x ≤ P, 1 ≤ y ≤ Q}
(7)
Trong đó:
Cell(x,y) = {Pix(i,j): 1 ≤ i ≤ Mc, 1 ≤ j ≤ Nc} (8)
Mc, Nc < 1024
B2: Phân cụm FCM các ô
III. THUẬT TOÁN PHÂN CỤM MỜ CẢI TIẾN
Tiến hành phân cụm mỗi ô Cell(x,y) với thuật toán
FCM.Gọi V(x,y,k) là tâm thứ k tại ô Cell(x,y), ta
được c tâm cụm của ô Cell(x,y):
CentersCell(x,y) = {V(x,y,k): 1 ≤ k ≤ c }
(9)
1 ≤ x ≤ P, 1 ≤ y ≤ Q
Tính trọng số mỗi tâm thứ k của ô Cell(x,y) theo
công thức:
trong đó, μ(Pix(i, j), k) là giá trị thành viên của
điểm ảnh Pix(i, j) với cụm thứ k trong ô Cell(x,y).
Sau khi đã phân cụm tất cả các ô, ta được tập tâm
cụm như sau:
CentersImage={CentersCell(x,y) :1≤x≤P,1≤y≤Q} (11)
CentersImage={V(x,y,k):1≤x≤P,1≤y≤Q,1≤k≤c} (12)
Hình 1: Lưu đồ thuật toán lsiFCM
Trong phần này, chúng tôi đề xuất thuật toán
phân cụm mờ ảnh viễn thám kích thước lớn mà
và tập các trọng số như sau:
Tạp chí KHOA HỌC CÔNG NGHỆ
Số 1 năm 2016
45
THÔNG TIN VÀ TRUYỀN THÔNG
PHÂN VÙNG ẢNH VIỄN THÁM KÍCH THƯỚC LỚN DỰA TRÊN PHÂN CỤM MỜ
mềm GRASS’. Đây là đề tài cấp nhà nước, thuộc
WeiImage={Wei(x,y,k):1≤x≤P,1≤y≤Q,1≤k≤c} (13)
Chương trình KHCN Vũ Trụ. Trong đó, ảnh
SPOT với độ phân giải cao, được bán với giá khá
cao bởi Cục Viễn thám - Bộ Tài nguyên và Môi
trường, khoảng vài chục triệu một ảnh. Hai là,
loại ảnh Quickbird, gồm 4 kênh: Lam, Lục, Đỏ,
và cận hồng ngoại, được tải từ dữ liệu mẫu trên
hạn, nhóm tác giả trình việc thử nghiệm với hai
mẫu ảnh đầu vào khác nhau.
B3: Phân cụm tập tâm cụm sử dụng FCM
Sau khi thu được tập các tâm cụm của các ô, tiếp
tục thực hiện thuật toán phân cụm FCM trên tập
các tâm cụm này với hàm mục tiêu và công thức
tính tâm hiệu chỉnh như sau:
Trong thử nghiệm này chúng tôi chọn máy tính
có RAM 1GB. Mẫu còn lại là ảnh lớn mà với số
cụm trong thử nghiệm đủ để FCM không thể thực
hiện với RAM 1GB. Các mẫu này được liệt kê
trong Bảng I.
Từ đây, ta thu được tập tâm cụm với c tâm cụm
cuối cùng.
B4: Tổng hợp
Từ c tâm cụm thu được trong B3, tính lại giá trị
thành viên của từng điểm trong ảnh ảnh đầu vào
với mỗi tâm cụm.
Bảng I. Các ảnh dùng trong các thử nghiệm.
Thử nghiệm 1
Thử nghiệm 2
IV. THỬ NGHIỆM
Chúng tôi tiến hànhthử nghiệm thuật toán đề
xuất lsiFCM và so sánh với thuật toán gốc FCM.
Trong đó, 2 mẫu với kích thước trung bình mà
vẫn có thể thực hiện với FCM (trong điều kiện
RAM không lớn) để so sánh kết quả của hai thuật
toán. Kích thước mỗi ô không lớn hơn 250 x 250
điểm ảnh. Để đánh giá chất lượng phân cụm,
chúng tôi sử dụng chỉ số độ đồng nhất cụm [6][7]
được cho như sau:
A. Thử nghiệm 1
Ảnh gốc là ảnh vệ tinh Quickbird có kích thước
2056 x 2065 (điểm ảnh). Hình 2 và 3 mô tả ảnh
mỗi cụm được sinh ra bởi thuật toán FCM và
lsiFCM với 5 cụm.
trong đó, I là ảnh phân đoạn, là kích thước ảnh, R
là số vùng trong ảnh phân cụm, là diện tích điểm
ảnh vùng thứ i, và là lỗi màu vùng i (khoảng cách
Euclidean giữa các vector màu mức xám của các
điểm ảnh của vùng thứ i và vector màu qui cho
vùng i trong ảnh phân đoạn).
Hình 2. Chi tiết từng cụm của FCM của thử nghiệm 1.
Tập dữ liệu phục vụ cho thử nghiệm gồm hai loại.
Một là, loại ảnh SPOT 4, gồm 4 kênh: Lục, Đỏ,
Cận hồng ngoại, Hồng ngoại, chụp khu vực Hòa
Bình và Sơn La với 21 ảnh chụp năm 2003 và 14
ảnh chụp năm 2008. Loại ảnh này, nhóm tác giả
có được khi tham gia thực hiện đề tài “Phát triển
phần mềm xử lý ảnh viễn thám trên nền phần
Hình 3. Chi tiết từng cụm của lsiFCM của thử nghiệm 1.
Hình 4 và 5 thống kê độ đồng nhất theo các chỉ
số F(I) và F’(I) của các cụm sinh ra bởi FCM và
lsiFCM với số cụm lần lượt là 5, 7, 9.
Tạp chí KHOA HỌC CÔNG NGHỆ
Số 1 năm 2016
46
THÔNG TIN VÀ TRUYỀN THÔNG
Nguyễn Tu Trung, Vũ Văn Thỏa, Đặng Văn Đức
Hình 8. Chi tiết từng cụm của lsiFCM của thử nghiệm 2.
Ảnh gốc là ảnh vệ tinh SPOTcó kích thước 2200
x 2101. Hình 7 và 8 mô tả ảnh mỗi cụm được sinh
ra bởi thuật toán FCM và lsiFCM với 4 cụm.
Hình 9 và 10 thống kê độ đồng nhất theo các
chỉ số F(I) và F’(I) các cụm sinh ra bởi FCM và
lsiFCM với số cụm lần lượt là 4, 6, 7, 9.
Hình 4. Biểu đồ so sánh chỉ số F(I) các cụm sinh ra
bởi FCM và lsiFCM của thử nghiệm 1 (*1.0e+3).
Hình 9. Biểu đồ so sánh chỉ số F(I) các cụm sinh ra bởi FCM và
lsiFCM của thử nghiệm 2(*1.0e+3).
Hình 5. Biểu đồ so sánh chỉ số F’(I) các cụm sinh ra bởi FCM và
lsiFCM của thử nghiệm 1 (*1.0e-3).
Hình 10. Biểu đồ so sánh chỉ số F’(I) các cụm sinh ra bởi FCM
và lsiFCM của thử nghiệm 2(*1.0e-3).
Hình 6. Biểu đồ so sánh thời gian thực thi
của FCM và lsiFCM của thử nghiệm 1.
Hình 6 thống kê thời gian thực thi của FCM,
lsiFCM trong các trường hợp 5, 7, 9 cụm với ảnh
trong thử nghiệm 1.
B. Thử nghiệm 2
Hình 11. Biểu đồ so sánh thời gian thực thi
của FCM và lsiFCM của thử nghiệm 2.
Hình 7. Chi tiết từng cụm của FCM của thử nghiệm 2.
Tạp chí KHOA HỌC CÔNG NGHỆ
Số 1 năm 2016
47
THÔNG TIN VÀ TRUYỀN THÔNG
PHÂN VÙNG ẢNH VIỄN THÁM KÍCH THƯỚC LỚN DỰA TRÊN PHÂN CỤM MỜ
Hình 11 thống kê thời gian thực thi của FCM,
lsiFCM trong các trường hợp 4, 6, 7, 9 cụm với
ảnh trong thử nghiệm 2.
TÀI LIỆU THAM KHẢO
[1]. C. R. Jung, J. Scharcanski, “Robust
Watershed segmentation using the wavelet
transforms”,ProceedingsoftheXVBrazilian
Symposium on Computer Graphics and
Image Processing. (SIBGRAPI’02) 1530-
1834/02,2000, IEEE.
Nhận xét:
- Về mặt chất lượng phân cụm, theo đánh giá
độ đồng nhất từ các bảng và biểu đồ trên,
lsiFCM vẫn đảm bảo độ ổn định so với FCM,
thậm chí có trường hợp tốt hơn FCM.
[2]. Claudio
Rosito
Jung.
“Multiscale
Image Segmentation using Wavelets
and Watersheds”, Proceedings of the
XVI Brazilian Symposium on Computer
- Về mặt tốc độ thực thi, lsiFCM chậm hơn
nhiều so với FCM. Điều này là hiển nhiên
vì số lượng ô cần phân cụm khá nhiều. Tuy
nhiên, chúng ta có thể cải thiện một cách đột
biến tốc độ thực thi của lsiFCM nếu song
song hoá giai đoạn phân cụm các ô.
Graphics
and
Image
Processing.
(SIBGRAPI’02) 1530-1834/03, 2003,
IEEE.
[3]. T. Balaji, M. Sumathi, “Relational Features
of Remote Sensing Image lassification
using Effective K-Means Clustering”,
International Journal of Advancements in
Research & Technology, vol. 2, no. 8, pp.
103-107, Aug. 2013.
V. KẾT LUẬN
Trong nghiên cứu này, chúng tôi đã đề xuất một
thuật toán phân vùng ảnh viễn thám mới lsiFCM.
Ý tưởng của thuật toán này là cải tiến thuật toán
phân cụm mờ cho việc phân vùng ảnh viễn thám
kích thước lớn. Đầu tiên, ảnh được chia thành
nhiều ô có kích thước bằng nhau. Sau đó, tiến
hành phân cụm mỗi ô với thuật toán FCM để thu
[4]. A.E. Hasanien, A. Badr, A Comparative
Study
on
Digital
Mamography
Enhancement Algorithms Based on Fuzzy
Theory, Studies in Informatics and Control,
vol. 12, no. 1, Mar. 2003.
được tập các tâm cụm. Sau khi tất cả các ô đều [5]. Bezdek J.C., R. Ehrlich, W. Full, FCM:
The fuzzy c-Means clustering algorithm,
Computers & Geosciences, vol. 10, no.
2-3, pp. 191-203, 1984
được phân cụm, ta có tập các tâm cụm của các ô
này trọng số tương ứng. Tiếp tục sử dụng thuật
toán FCM với công thức tính tâm mới để phân
cụm tập các tâm này. Kết quả thu được tập các
tâm mới. Quá trình tổng hợp là việc tính lại giá
trị thành viên từng điểm ảnh và tập các tâm cuối
cùng. Các kết quả thử nghiệm chứng tỏ lsiFCM
cho kết quả phân vùng tốt, vẫn đạt độ ổn định so
với FCM.
[6]. J. Liu, andY. H.Yang, Multiresolution color
image segmentation, IEEE Transactions on
Partern Analysis and Machine Intelligence,
vol. 16, no. 7, pp. 689-700, Jul. 1994.
[7]. Intan Aidha Yusoff, Nor Ashidi Mat Isa,
Two-Dimensional Clustering Algorithms
for
Image
Segmentation,
WSEAS
Tuy nhiên, do việc thực hiện thuật toán FCM với
rất nhiều ô, tốc độ thực thi của lsiFCM chậm hơn
nhiều so với FCM. Do đó, trong nghiên cứu tiếp
theo, chúng tôi hướng tới việc song song hóa giai
đoạn phân cụm các ô để tăng tốc độ thực thi của
thuật toán đề xuất.
Transactions on Computers, vol. 10, no.
10, pp. 332-342, Oct. 2011.
[8]. Shahram Rahimi, M. Zargham, A. Thakre,
“A Parallel Fuzzy C-Mean Algorithm
for Image Segmentation”, Processing
NAFIPS’04, pp. 234-237, 2004, http://
Tạp chí KHOA HỌC CÔNG NGHỆ
Số 1 năm 2016
48
THÔNG TIN VÀ TRUYỀN THÔNG
Nguyễn Tu Trung, Vũ Văn Thỏa, Đặng Văn Đức
opensiuc.lib.siu.edu/cs_pubs/26.
Nguyễn Tu Trung
[9]. Chih-tang Chang, Jim Z. C. Lai, and Mu-
der Jeng, A Fuzzy K-means Clustering
Sinh năm 1985 tại Hà Nội.
Tốt nghiệp trường ĐH Sư phạm Hà Nội 2
năm 2007 và thạc sỹ tại trường ĐH Công
Nghệ, ĐH Quốc Gia HN năm 2011, nghiên
cứu sinh khóa 2013, Học viện Công nghệ
Bưu chính Viễn thông.
Algorithm
Using
Cluster
Center
Displacement, Journal of Information
Science and Engineering 27, pp. 995-1009,
2011.
Hiện công tác tại Viện CNTT, Viện Hàn lâm
KHCNVN.
[10]. Subhagata Chattopadhyay, DilipKumar
Pratihar, SanjibChandra DeSarkar, A
comparative study of fuzzy c-means
algorithm and entropy-based fuzzy
clustering algorithms, Computing and
Informatics, vol. 30, pp. 701–720, 2011
Lĩnh vực nghiên cứu: Xử lý ảnh, xử lý tiếng
nói, hệ thống thông tin, hệ thống nhúng.
Điện thoại: 0936 114 331
E-mail: [email protected]n
Vũ Văn Thỏa
Sinh năm 1955 tại Ninh Binh.
Tốt nghiệp Đại học Sư phạm Vinh năm
1975, Tiến Sĩ Viện Điều khiển tại Liên Xô
cũ năm 1990.
SEGMENTING THE LARGE SIZE
REMOTE SENSING IMAGES BASED
ON FUZZY CLUSTERING
Hiện công tác tại Khoa Quốc tế và Đào
tạo Sau Đại học, Học viện Công nghệ Bưu
chính Viễn thông
Abstract: Remote sensing image clustering is
the issue that is interested by remote sensing
researchers. Remote sensing image can have
multi bands and high resolution. There are multi
algorimths as K-Means, C-Means, Watersed, ...
Therein, Fuzzy C-Means (FCM) is estimated
very hight because it can cluster by using fuzzy
logic. However, this method has problem when
clustering images with large size as remote
sensing image. In addition, results of clustering
dependences the enhancement of image very
much. This paper presents a technique which
improves the algorimth FCM to execute remote
sensing image with large.
Lĩnh vực nghiên cứu: Lý thuyết thuật
toán, tối ưu hóa, hệ thông tin địa lý, mạng
viễn thông.
Điện thoại: 0913 321 674
E-mail: [email protected]m
Đặng Văn Đức
Sinh năm 1951.
Nhận học vị Tiến sĩ năm 1996. Nhận chức
danh Phó Giáo sư năm 2002.
Hiện công tác tại Viện CNTT, Viện Hàn lâm
KHCNVN
Lĩnh vực nghiên cứu: GIS và Viễn thám,
Đa phương tiện, Công nghệ phần mềm.
Điện thoại: 0912 223 163
E-mail: [email protected]n
Tạp chí KHOA HỌC CÔNG NGHỆ
Số 1 năm 2016
49
THÔNG TIN VÀ TRUYỀN THÔNG
7 trang
12/01/2024
9640
Free
Bạn đang xem tài liệu "Phân vùng ảnh viễn thám kích thước lớn dựa trên phân cụm mờ", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- phan_vung_anh_vien_tham_kich_thuoc_lon_dua_tren_phan_cum_mo.pdf
