ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ BÙI VĂN CHUNG PHÂN CỤM ĐA MÔ HÌNH VÀ ỨNG DỤNG TRONG PHÂN ĐOẠN ẢNH VIỄN THÁM LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN HÀ NỘI - 2016 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ BÙI VĂN CHUNG PHÂN CỤM ĐA MÔ HÌNH VÀ ỨNG DỤNG TRONG PHÂN ĐOẠN ẢNH VIỄN THÁM Ngành: Công nghệ thông tin Chuyên ngành: Kỹ thuật phần mềm Mã số: 60.48.01.03 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN NGƢỜI HƢỚNG DẪN KHOA HỌC: TS Lê Hoàng Sơn HÀ NỘI - 2016 PHÂN CỤM ĐA MÔ HÌNH VÀ ỨNG DỤNG TRONG PHÂN ĐOẠN ẢNH VIỄN THÁM Luận văn thạc sĩ ngành: Công nghệ thông tin - Mã số: 60.48.01.03 Người hướng dẫn khoa học: TS Lê Hoàng Sơn Học viên thực luận văn: Bùi Văn Chung Abstract: Tìm hiểu kiến thức tổng quan phân cụm, phân cụm đa mô hình Tổng hợp phương pháp phân đoạn ảnh đa mô hình, với phương pháp đưa thuật toán, đánh giá trực quan thuật toán Từ cho có nhìn từ tổng thể đến chi tiết thuật toán đa mô hình phân đoạn ảnh viễn thám LỜI MỞ ĐẦU ĐẶT VẤN ĐỀ Trong năm gần đây, công nghệ thông tin có chuyển biến mạnh mẽ, tác động lớn đến phát triển xã hội Sự bùng nổ thông tin đem đến lượng liệu khổng lồ Chúng ta có nhu cầu khám phá kho liệu phục vụ cho nhu cầu người, điều đòi hỏi người phải biết khai thác liệu xử lý thông tin thành tri thức có ích Một kỹ thuật quan trọng trình khai phá liệu xử lý liệu lớn kỹ thuật phân cụm liệu Phân cụm đặc biệt hiệu ta thông tin cụm, ta quan tâm tới thuộc tính cụm mà chưa biết biết thông tin Phân cụm coi công cụ độc lập để xem xét phân bố liệu, làm bước tiền xử lý cho thuật toán khác Việc phân cụm liệu có nhiều ứng dụng lập quy hoạch đô thị, nghiên cứu trái đất, địa lý, khai phá Web v.v MỤC ĐÍCH CỦA LUẬN VĂN Trong luận văn khảo sát môt số thuật toán phân cụm mờ, cụ thể thuật toán FCM, KFCM, MG, SCPA Các thuật toán áp dụng cho toán phân cụm ảnh viễn thám đa mô hình Cụ thể với sở liệu mẫu ảnh vệ tinh số khu vực khảo sát khu vực Bảo Lâm Thanh Hóa Qua đây, tính hiệu thuật toán đa mô hình cho toán phân cụm ảnh viễn thám theo tiêu chí chất lượng độ đo BỐ CỤC CỦA LUẬN VĂN Luận văn gồm chương, có phần mở đầu, phần kết luận, phần mục lục, phần tài liệu tham khảo Các nội dung luận văn trình bày theo cấu trúc sau: Chƣơng 1: Tổng quan phân cụm Trong chương này, luận văn trình bày tổng quan tập mờ, toán phân cụm phân cụm mờ thuật toán giải vấn đề phân cụm tập mờ thuật toán Fuzzy C – Means (FCM), KFCM Từ thuật toán đưa thuật toán đa mô hình cho toán phân cụm ảnh viễn thám Chƣơng 2: Phân cụm đa mô hình Trong chương này, tổng quan học đa mô hình phân cụm đa mô hình Tiếp theo, giới thiệu thuật toán đa mô hình SCPA, MCLA, HBGF MG Chƣơng 3: Ứng dụng phân đoạn ảnh viễn thám Trong chương này, cài đặt đánh giá hiệu thuật toán đa mô hình: MG SCPA từ thấy hiệu thuật toán phân cụm đa mô hình cho ảnh viễn thám khẳng định CHƢƠNG 1: TỔNG QUAN VỀ PHÂN CỤM 1.1 Khái quát phân cụm Phân cụm kỹ thuật quan trọng khai phá liệu, thuộc lớp phương pháp học không giám sát học máy, nhằm tìm kiếm, phát cụm, mẫu liệu tự nhiên tiềm ẩn quan trọng tập liệu lớn để từ cung cấp thông tin, tri thức cho việc định Có nhiều định nghĩa khác kỹ thuật này, chất ta hiểu phân cụm qui trình tìm cách nhóm đối tượng cho vào cụm, cho đối tượng cụm tương tự đối tượng khác cụm không tương tự [1] Định nghĩa 1.1 Cho X tập liệu gồm N vector:  x , x , , x N  Bài toán phân cụm chia tập liệu X , c cụm liệu c Thỏa mãn điều kiện sau: zi   , i  1, 2, , c  c  X  Ui 1 zi  zi I z j   với i  j ; i, j  1, 2, , c Phân cụm đóng vai trò quan trọng nghành khoa học: 1.2 Tổng quan thuật toán phân cụm tiêu biểu 1.2.1 Phân cụm cụm phân hoạch 1.2.2 Phân cụm phân cấp 1.2.3 Phân cụm dựa mật độ 1.2.4 Phân cụm dựa mô hình 1.2.5 Phân cụm mờ Phân cụm liệu đóng vai trò quan trọng giải toán nhân biết mẫu xác định mô hình mờ Thuật toán FCM phù hợp với liệu lớn nhỏ phân bố quanh tâm cụm Fuzzy C – Means phương pháp phân nhóm cho phép phần liệu thuộc hai hay nhiều cụm Phân cụm N vector X   x , x , , x N  thành c cụm dựa tính toán tối thiểu hóa hàm mục tiêu để đo chất lượng cụm tìm tâm cụm cho hàm độ đo không tương tự nhỏ Một phân cụm mờ vector X   x , x , , x N  biểu diễn ma trận U  U ki N c cho điểm liệu thuộc nhiều nhóm xác định giá trị hàm thuộc u Ma trận giá trị hàm thuộc có dạng sau: u11 L U  M O u N L u1c  M  u Nc  Thuật toán phân cụm mờ xuất phát từ việc cực tiểu giá trị hàm mục tiêu: c N J m   ukjm d ( xk , z j ) (1.5) k 1 j 1 d ( xk , z j ) : độ đo không tương tự Giải toán J m (u, z )  với ràng buộc sau:  0  u  kj   c  ukj   j 1 N  0   ukj  N k 1  j  1, 2, , c k  1, 2, , N Thuật toán Fuzzy C – Means phân tập N đối tượng không gian Rd z j   z j1 , z j , , x jd  , chiều với xi   x i1 , x i , , x id  thành c cụm mờ  c  N với tâm cụm Z   z , z , , z c  , với z j   z j1 , z j , , x jd  Cụm mờ N đối tượng biểu diễn ma trận mờ có N hàng c cột với N số đối tượng c số cụm Thuật toán Fuzzy C-Means FCM đề xuất Bezdek năm 1974:  Input X   x , x , , x N   - Số cụm c Tham số m Output Tâm cụm Z   z , z , , z c  - Giá trị hàm thuộc    ij  N c  Thuật toán Bước 1: Lựa chọn m(m  1) ; Khởi tạo giá trị hàm thuộc ij , i  1, 2, , N ; j  1, 2, , c Bước 2: Tính toán tâm cụm z j ; j  1,2, , c theo công thức (1.7)    N zj  x m i i 1 ij N m i 1 ij Bước  3: Tính khoảng cách Euclide dij , i  1, , N ; j  1, , c dij ( xi , z j )  x Bước Cập 4: i1  z j1    xi  z j     xid  z jd  2 nhật giá trị ij , i  1, 2, , N ; j  1, 2, , c theo công thức (1.8): ij  hàm thuộc (1  dij  m 1  k 1  d   ik  c 8) Bước 5: Nếu không hội tụ, lặp lại bước Một vài luật dừng sử dụng Thứ giá trị đầu giá trị cuối nhận giá trị nhỏ thay đổi giá trị tâm cụm Hoặc hàm mục tiêu (1.6) J m (  , Z)  N c   i 1 j 1 m ij xi  z j cực tiểu Thuật toán FCM nhạy cảm với giá trị khởi tạo sảy tối ưu cục Thuật toán KFCM Từ thuật toán FCM đề xuất thuật toán Kernel fuzzy C-means (KFCM) Xác định giá trị phi tuyến:  : x   x F x  X X không gian liệu F không gian đặc trưng biến đổi với kích thước vô hạn cao KFCM giảm thiểu hàm mục tiêu sau đây: c n J m (U, V)   u mjk ( xk )  (v j ) (1.9) i 1 k 1   xk     vi   K ( xk , xk )  K (vi , vi )  K ( xk , vi ) (1.10 ) Trong K ( x, y)  ( x) ( y) hàm nhân Nếu ta tính toán theo hàm Gaussian hàm nhân là: T K ( x, y )  exp( x  y /  ) trường hợp K ( x, x)  công thức (1.9) (1.10) viết lại sau: c n J m (U ,V )  2 uikm (1  K ( xk , vi )) (1.11) i 1 k 1 Tương tự FCM xây dựng hàm Lagrange giải (1.11) ta có: uik  (1 / (1  K ( xk , vi )))1/( m1) c  (1 / (1  K ( x , v ))) j 1 1/( m 1) k j (1.12) n vi  u k 1 n m ik u k 1 K ( xk , vi ) xk m ik (1.13) K ( xk , vi )  d ( x, y)  ( x)  ( y)  2(1  K ( x, y)) (1.14) Độ đo phân cụm Nhiều độ đo phân cụm tương đối khác tồn mà hữu ích thực tế biện pháp định lượng để đánh giá chất lượng phân cụm liệu, tiêu chí đề xuất Những tiêu chí có tính riêng biệt mà làm tốt trường hợp cụ thể độ đo phân cụm Ngoài ra, có yêu cầu tính toán hoàn toàn khác Khó khăn cho người dùng chọn lựa tiêu chí cụ thể phải đối mặt với hàng loạt khả Vì vấn đề liên quan đến phân cụm ta phải so sánh độ đo có tồn trước với tiêu chí độ đo đề xuất Các giải pháp khác có liên quan với kỹ thuật xác nhận phân cụm, để chất lượng truy cập phân nhóm dựa ba nhóm số giá trị phân cụm [6-8] phát triển cho đánh giá định lượng kết phân nhóm dựa vào bên ngoài, biện pháp bên trong, tương đối [9] tương ứng Cả hai phương pháp xác nhận bên bên dựa kiểm tra thống kê đòi hỏi chi phí tính toán cao Tuy nhiên, ý tưởng cách tiếp cận thứ ba, dựa tiêu chí tương đối, để xác định kết phân cụm tốt tạo từ thuật toán phân cụm tương tự với tham số khác 1.3 1.3.1 1.3.2 1.3.3 1.3.4 Adjusted Rand Index Jaccard Index Modified Hubert’s Γ Index Dunn’s Validity Index 1.3.5 Davies-Bouldin Validity Index 1.3.6 Normalized Mutual Information 1.3.7 Dunn's Index (DI) 1.3.8 Partition Coefficient (PC) 1.4 Kết luận chƣơng Chương tập trung giới thiệu hai vấn đề Vấn đề đầu tiên, giới thiệu tổng quan phân cụm, tổng quan thuật toán phân cụm mờ tiêu biểu FCM, KFCM độ đo phân cụm Vấn đề tiếp theo, trình bày khái niệm độ đo phân cụm số độ đo tiêu biểu Trong chương luận văn trình bày thuật toán phân cụm đa mô hình CHƢƠNG II: PHÂN CỤM ĐA MÔ HÌNH 2.1 Tổng quan học đa mô hình phân cụm đa mô hình 2.1.1 Học đa mô hình Học đa mô hình phương pháp học máy sử dụng nhiều nhóm học để giải vấn đề Ngược với cách tiếp cận phương pháp học thông thường cố gắng tìm hiểu giả thuyết từ liệu huấn luyện, phương pháp học tập hợp xây dựng tập giả thuyết kết hợp chúng để sử dụng [18] Phương pháp dùng để cải thiện hiệu xuất độ xác phân loại Hệ thống phân loại chia làm nhiều lớp dựa kết hợp tập phân loại hợp chúng để đạt hiệu suất cao Ý tưởng hầu hết phương pháp học tập hợp sửa đổi tập liệu huấn luyện , xây dựng n tập đào tạo Trong mô hình học tập hợp lỗi sai lệch phận bù đắp thành viên khác toàn tập hợp Khả tổng quát hóa phương pháp tập hợp thường mạnh nhiều so với phân loại đơn Dietterich [30] đưa ba lý cách xem chất máy học tìm kiếm không gian cho giả thuyết xác Lý liệu huấn luyện không cung cấp đủ thông tin lựa chọn phân loại tốt 2.1.2 Phân cụm đa mô hình Phân cụm đa mô hình chứng minh lựa chọn tốt phải xử lý vấn đề phân tích cụm bao gồm việc tạo tập hợp cụm từ số liệu tương tự kết hợp chúng thành cụm đồng Mục tiêu trình kết hợp để nâng cao chất lượng phân cụm liệu riêng lẻ Có nhiều phương pháp phân cụm khác sử dụng như: phân cụm phân hoạch, phân cụm phân cấp, phân cụm dựa mật độ, phân cụm dựa lưới, v.v Tuy nhiên, phương pháp có đặc trưng cách thức thực khác nhau; không thuật toán làm việc hiệu tập liệu Phân cụm đa mô hình cách tiếp cận kết hợp giải pháp thuật toán phân cụm đơn nhằm thu nghiệm có chất lượng tốt nghiệm thuật toán đơn phản ánh xác phân bố điểm liệu Các thuật toán phân cụm đa mô hình xây dựng theo nhiều tiếp cận khác Các thuật toán phân cụm đa mô hình có tính ổn định, độ tin cậy, khả song song hóa tính co giãn tốt thuật toán phân cụm đơn [18] 2.2 Thuật toán phân cụm đa mô hình CSPA (sCSPA) sCSPA mở rộng CSPA cách sử dụng giá trị S để tính toán ma trận tương đồng Nếu hình dung đối tượng điểm  r q 1 k   chiều không gian, với q chiều tương ứng với xác suất thuộc cụm, sau SS T giống việc tìm kiếm điểm không gian Như kỹ thuật biến đổi đối tượng vào không gian gán nhãn sau giải thích điểm vectơ biểu diễn đối tượng Sử dụng khoảng cách Euclide không gian gán nhãn để có độ đo tương tự Các điểm chấm tìm cao liên quan với đo Euclide, khoảng cách Euclide cung cấp ngữ nghĩa tốt Khoảng cách Euclide va vb tính như: d va ,vb    S r k (q) q 1 i 1 q va i q  Svbi  (2.1) Điều giải thích độ đo khác biệt thành viên đối tượng cho cụm Khác biệt chuyển đổi thành độ đo tương tự cách sử dụng sva ,vb  e  dv2a ,vb (q) 1k sim  va , vb    Sv(aqi)  Sv(bqi ) r i 1 2.3 (2.2) Thuật toán phân cụm đa mô hình MCLA (sMCLA) Trong MCLA cụm đại diện vector n-chiều kết hợp Ý tưởng để nhóm thu gọn cụm vào siêu cụm, sau gán đối tượng để siêu cụm tốt Các cụm chia nhóm theo phân vùng đồ thị dựa phân cụm sMCLA mở rộng MCLA cách chấp nhận phân cụm mềm đầu vào sMCLA chia thành bước sau: Xây dựng Meta-Graph cụm: Tất  r q 1 k ( q ) theo cụm số vector si (với trọng số), siêu cạnh S, xem đỉnh đồ thị vô hướng Các trọng số cạnh hai cụm sa sb thiết lập Wa,b  Euclidean _ dist (sa , sb ) Khoảng cách Euclide thước đo khác biệt thành viên tất đối tượng đến hai cụm Như thuật toán SCSPA, khoảng cách Euclid chuyển đổi thành giá trị tương tự Nhóm cụm vào siêu cụm: Các Meta-graph xây dựng bước trước phân chia sử dụng để tạo METIS k cân siêu cụm Vì đỉnh Meta - graph đại diện cho nhãn cụm riêng 10 biệt, cụm Meta đại diện cho nhóm các nhãn cụm tương ứng Thu gọn Meta-clusters sử dụng trọng số: Thu gọn tất cụm chứa meta-cluster để tạo thành vector liên kết Mỗi meta-clusters chứa giá trị cho đối tượng Vector liên kết tính trung bình vectơ liên kết để cụm nhóm lại thành meta-cluster Đây hình thức có trọng số bước thực MCLA 2.4 Thuật toán phân cụm đa mô hình HBGF (sHBGF) X  x1, x2 , , xn  Phân cụm đa mô hình tập hợp giải pháp S phân cụm: C  c1 , c2 , , cs  Mỗi giải pháp phân cụm Cl l  1, , S phân vùng Xét tập liệu tập X , tức  Cl  Cl1 , Cl2 , , ClKl  K ClK  X Với tập hợp giải pháp phân nhóm C số cụm K Mục tiêu để kết hợp phân nhóm khác giải pháp tính toán phân vùng X vào K cụm rời Một phân vùng đồ thị có đầu vào đồ thị có trọng số số nguyên K Một đồ thị có trọng số G định nghĩa G  V , E  , V tập hợp đỉnh E ma trận V  V tương tự Mỗi phần tử Eij E giống đỉnh Vi V j , với Eij  E ji Eij  0i, j Cho G K , vấn đề phân vùng G vào đồ thị K bao gồm tính toán phân vùng V thành K nhóm đỉnh V  V1,V2 , ,VK  Đề xuất phương pháp HBGF để tìm phân vùng K có giống trường cụm Cụ thể với cụm Cl  C1 , C2 , , Cs  HBGF xây dựng đồ cặp 11 thị hai phía G  V , E  sau: V  V c V I c I đỉnh V đại diện cho cụm tập C V chứa N đỉnh đại diện cho thể tập liệu X Nếu đỉnh i j đại diện cho cụm trường hớp Eij  ; không i thuộc j , Eij  Eji  ngược lại sử dụng thuật toán đa chiều phân vùng đồ thị để tìm phân vùng K đồ thị hai phía cụm [28] 2.5 Thuật toán MG 2.5.1 Phân cụm thuật toán đơn Cho tập liệu X gồm N điểm liệu kích thước r Chia số liệu vào cụm C với số tham số xác định trước số m số lượng tối đa bước lặp Bước thuật toán sử dụng số thuật toán phân cụm mờ đơn lẻ FCM [5] KFCM [23] để tạo giải pháp phân cụm khác 2.5.2 Tổng hợp kết phân cụm đơn Sau nhận giải pháp phân cụm đơn tập hợp chúng thành cách thức sau Hãy xem xét khoảng cách Euclide hai điểm liệu chương trình đa phân cụm sau d (q) ij d (q) C (q) X i , X j     uil( q )  u (jlq )  l 1      1/ , (2.3) i, j  1, N ; i  j , Trong U il(q ) độ thuộc điểm liệu l th ( i  1, N , l  1, C (q) ) kết phân cụm q th i th đến cụm Nó khác C (q) cho kết phân cụm khác nhau, 12 trường hợp C (q)  C , q  1,2,3 Ma trận thành viên cho kết phân cụm thỏa mãn ràng buộc (2.3) sau:  u kj( q )  [0,1]  C (q)  u kj( q )    j 1   k  1, N ; j  1, C (q ) Ma trận tương tự S (q ) cho kết phân cụm (2.4) qth với ( q  1,2,3 ) tính toán như: N N S ( q )   S ij( q ) , (2.5) i 1 j 1 S ij( q )  e   d ij( q )  (2.6) Ma trận tương tự cuối tổng hợp tổng trực tiếp vector trọng số sau   S  F S (1) , S ( ) , S ( 3)   wq  S ( q ) , (2.7) q 1 Trong wq trọng số ma trận tương tự S (q ) thỏa mãn, w q 1 2.5.3 q  Đi tìm trọng số thích hợp 13 (2.8) Theo phương trình (2.7), trọng số ma trận tương tự phải xác định để tính toán ma trận tương tự cuối Ý tưởng sử dụng số biện pháp xác định phân cụm bên số Dunn's (DI) Partition Coefficient (PC) [22] để tạo trọng số định nghĩa độ đo Từ phương trình (2.7-2.8), kết hợp với độ đo DI, PC công thức sau sử dụng để tạo trọng số: wqh  Vh( q ) , V q 1   wq '    wqh  / ,  h 1  wq  wq ' , w q 1 (2.9) (q) h q (2.10) (2.11) ' Trong Vh(q ) giá trị độ đo xác thực hth (h = 1(DI) or (PC)) cho kết phân cụm ( q  1,2,3 ) Bằng cách sử dụng biện pháp xác thực phân cụm bên trong, ma trận tương tự cuối nghiêng vào kết phân cụm có hiệu tốt số 2.5.4 Xác định kết cuối Bây giờ, ta có ma trận tương tự cuối S Để xác định ma trận thành viên cuối từ S, cần thiết để giải phương trình: 14 C S kl   u kj u lj   kl , (2.12) j 1 Trong  kl sai số điểm liệu X k X l Các phương pháp Gradient áp dụng để giải phương trình (2.12) cách giảm thiểu tổng sau ô lỗi: C     S    kl  u kj u lj  k 1 l 1  j 1     N N  S kl  S N N  (2.13)  k 1 l 1 Giảm (2.13), ta có: C   J    S kl    u kj u lj   k 1 l 1  j 1  N N (2.14) Lấy đạo hàm J  , ta N  N C  S kl  u kj u lj k 1 l 1 j 1  C    u kj u lj     k 1 l 1  j 1  N N (2.15) Các vectơ gốc xác định sau N C   J  2  u lj  S kl    u kj u lj  u kj l 1 j 1   l k 15 (2.16) Từ (2.15-2.16), phương pháp sau sử dụng để tìm giải pháp cuối 2.5.5 Mã giả 2.6 Kết luận chƣơng Trong chương giới thiệu số thuật toán phân cụm đa mô hình tiêu biểu Tiếp theo chương xây dựng ứng dụng phân đoạn ảnh viễn thám kết thực nghiệm CHƢƠNG III: ỨNG DỤNG PHÂN ĐOẠN ẢNH VIỄN THÁM 3.1 Tổng quan ảnh viễn thám 3.1.1 Tổng quan 3.1.2 Nguyên lý viễn thám Sóng điện từ phản xạ xạ từ vật thể nguồn cung cấp thông tin chủ yếu đặc tính đối tượng Ảnh viễn thám cung cấp thông tin vật thể tương ứng với lượng xạ ứng với bước sóng xác định Đo lường phân tích lượng phản xạ phổ ghi nhận ảnh viễn thám, cho phép tách thông tin hữu ích lớp phủ mặt đất khác tương tác xạ điện từ vật thể Thiết bị dùng để cảm nhận sóng điện từ phản xạ hay xạ từ vật thể gọi cảm biến Bộ cảm biến máy chụp ảnh máy quét Phương tiện mang cảm biến gọi vật mang (máy bay, khinh khí cầu, tàu thoi vệ tinh, v.v.) [3] 3.1.3 Bộ cảm máy chụp ảnh 3.1.4 Phân loại ảnh viễn thám 3.2 Nhu cầu thực tế toán phân đoạn ảnh viễn thám 3.2.1 Nhu cầu thực tế 3.3 Đặc tả liệu 16 3.4 Các bƣớc phân đoạn ảnh 3.4.1 Tiền xử lý ảnh 3.4.2 Các bƣớc trình phân đoạn ảnh 3.5 Thiết kế hệ thống Hệ thống cho phép người dùng phân đoạn ảnh viễn thám, xem chi tiết kết thời gian chạy độ đo đánh giá chất lượng phân cụm 3.5.1 Chức phân đoạn ảnh viễn thám - Biểu đồ trình tự: Hình 8: Biểu đồ trình tự chức phân đoạn ảnh 3.5.2 Chức xem chi tiết kết 3.5.3 thám Chức đánh giá chất lƣợng phân đoạn ảnh viễn 17 3.6 Minh họa chƣơng trình đánh giá tổng hợp 3.6.1 Giao diện ứng dụng 3.6.2 Chọn ảnh cần phân đoạn 3.6.3 Chọn tham số thuật toán phân đoạn ảnh 3.6.4 Kết phân đoạn ảnh độ đo Hình 14: Kết phân đoạn ảnh độ đo 3.7 Kết ảnh thu đƣợc 3.8 Đánh giá kết phân đoạn Kết phân đoạn ảnh thuật toán phân cụm đa mô hình sử dụng sCSPA, GM đánh giá cách so sánh thời gian tính toán, độ đo PC, DI với số cụm đầu vào ảnh Ảnh PC Số cụm GM 18 sCSPA Thanhhoa1993 0.49957 0.32681 Thanhhoa2000 0.72774 0.33549 Thanhhoa2003 0.51785 0.46461 Thanhhoa2009 0.68921 0.35549 Thanhhoa2013 0.50017 0.32584 Bảng 3.1: Bảng giá trị PC Từ bảng so sánh ta thấy qua số độ đo PC ta thấy thuật toán MG có giá trị lớn thuật toán sCSPA chứng tỏ thuật toán MG phân cụm tốt 3.9 Tổng kết chƣơng Chương III mô tả trình xây dựng ứng dụng phân đoạn ảnh viễn thám phương pháp phân cụm phân cụm đa mô hình, cụ thể thuật toán sCSPA, GM: từ đặc tả yêu cầu, thiết kế hệ thống đến triển khai cài đặt chương trình Từ minh họa cách rõ ràng cách hoạt động, ứng dụng hiệu thuật toán phân cụm đa mô hình phân đoạn ảnh viễn thám Một số kết ảnh phân đoạn đưa Đặc biệt có so sánh tính hiệu trình phân đoạn thuật toán sCSPA, GM từ cho thấy tính giá trị phân cụm đa mô hình ứng dụng phân đoạn ảnh viễn thám KẾT LUẬN Luận văn trình bày: - Tìm hiểu kiến thức tổng quan phân cụm, phân cụm đa mô hình - Tổng hợp phương pháp phân đoạn ảnh đa mô hình, với phương pháp đưa thuật toán, đánh giá trực quan thuật toán Từ cho có nhìn từ tổng thể đến chi tiết thuật toán đa mô hình phân đoạn ảnh viễn thám 19 - Cài đặt thuật toán phân cụm mờ đơn FCM, KFCM thuật toán phân cụm đa mô hình sCSPA, GM để phân đoạn ảnh viễn thám Trong có đưa độ đo PC thời gian chạy để đánh giá chất lượng kết thu Từ cho thấy tính hiệu thuật toán phân cụm đa mô hình mờ ứng dụng việc phân đoạn ảnh viễn thám TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt [1] Bùi Công Cường, Nguyễn Doãn Phước (2006) Hệ mờ, mạng nơron ứng dụng, Nhà xuất Khoa học kỹ thuật [2] Nguyễn Đình Dương (1998) Bài giảng: Kỹ thuật phương pháp viễn thám Trường ĐH Mỏ Địa Chất [3] Nguyễn Khắc Thời (2011) Giáo trình: Ảnh viễn thám Trường ĐH Nông nghiệp Hà Nội – 2011 Tài liệu tiếng Anh [4] Bezdek, J C (1981) Pattern recognition with fuzzy objective function algorithms Kluwer Academic Publishers [5] Bezdek, J C., Ehrlich, R., & Full, W (1984) FCM: The fuzzy c-means clustering algorithm Computers & Geosciences, 10(2), 191-203 [6] Dunn, J C (1974) "Well-separated clusters and optimal fuzzy partitions." Cybernetics and Systems 4(1): 95-104 [7] Davies, D L and Bouldin, D W (1979) "A cluster separation measure." IEEE Transactions on Pattern Analysis and Machine Intelligence 1(2): 95-104 [8] Halkidi, M., Batistakis, Y., et al (2001) "On clustering validation techniques." Journal of Intelligent Information Systems 17(2): 107-145 [9] Theodoridis, S., Koutroumbas, K., et al (1999) Pattern Recognition, Academic Press 20 [10] Halkidi, M., Batistakis, Y., et al (2002) "Cluster validity methods: part I." ACM SIGMOD Record 31(2): 40-45 [11] Zhi-Hua Zhou: “Ensemble Methods Foundations and Algorithms”, pages 135–155.Ensemble [12] Dunn, J C (1974) "Well-separated clusters and optimal fuzzy partitions." Cybernetics and Systems 4(1): 95-104 [13] Lesot, M J., & Kruse, R (2006) Gustafson-Kessel-like clustering algorithm based on typicality degrees International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems, IPMU (pp 1300-1307) [14] Davies, D L and Bouldin, D W (1979) "A cluster separation measure." IEEE Transactions on Pattern Analysis and Machine Intelligence 1(2): 95-104 [15] Vinh, N., Epps, J., et al (2009) Information theoretic measures for clusterings comparison: is a correction for chance necessary? in the Proceedings of the 26th International Conference on Machine Learning (ICML'09) [16] Son, L H., Thong, N T (2015) Intuitionistic Fuzzy Recommender Systems: An Effective Tool for Medical Diagnosis Knowledge-Based Systems, 74, 133–150 [17] Srivastava, V., Tripathi, B K., & Pathak, V K (2013) Evolutionary fuzzy clustering and functional modular neural network-based human recognition Neural Computing and Applications, 22(1), 411-419 [18] Strehl, A., & Ghosh, J (2003) Cluster ensembles -a knowledge reuse framework for combining multiple partitions The Journal of Machine Learning Research, 3, 583-617 [19] Alexander Hinneburg, Daniel A Keim (1998) An Efficient Approach to Clustering in Large Multimedia Databases with Noise Knowledge-Based Systems [20] UC Irvine (2015) UCI Machine Learning Repository Available at: http://archive.ics.uci.edu/ml 21 [21] Vega-Pons, S., & Ruiz-Shulcloper, J (2011) A survey of clustering ensemble algorithms International Journal of Pattern Recognition and Artificial Intelligence, 25(03), 337-372 [22] Vendramin, L., Campello, RJ, & Hruschka, ER (2010) Relative clustering validity criteria: A comparative overview Statistical Analysis and Data Mining: The ASA Data Science Journal, 3(4), 209-235 [23] Zhang, D., & Chen, S (2002) Fuzzy clustering using kernel method 2002 International Conference on Control and Automation, 2002 ICCA, 2002 [24] Karypis G and Kumar V 1998 A fast and high quality multilevel scheme for partitioning irregular graphs SIAM Journal on Scientific Computing 20(1), 359–392 [25] D E Gustafson and W C Kessel: in Proc IEEE CDC, Vol.2, pp.761-766(1979) [26] Le Hoang Son, Pham Van Hai (2016) A novel multiple fuzzy clustering method based on internal clustering validation measures with gradient descent Inernational Journal of Fuzzy Systems [27] J Valente de Oliveira and W Pedrycz: Advances in Fuzzy Clustering and Its Applications IEEE Press, Piscataway, NJ [28] Bojun Yan and Carlotta Domeniconi Subspace Metric Ensembles for Semi- supervised Clustering of High Dimensional Data IEEE Trans Pattern Anal Mach Intell (TPAMI) [29] Fern XZ and Brodley CE 2003 Random projection for high dimensional clustering: A cluster ensemble approach Proceedings of the Twentieth International Conference on Machine Learning ACM Press [30] Thomas G Dietterich: Ensemble Methods in Machine Learning Oregon State University Corvallis Oregon USA 22