Một số kỹ thuật phát hiện dị thường trên ảnh UAV ứng dụng trong công tác tìm kiếm cứu nạn

Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
Một số kỹ thuật phát hiện dị thường
trên ảnh UAV ứng dụng trong công tác
tìm kiếm cứu nạn
Nguyễn Văn Phương, Đào Khánh Hoài
Trường Đại học Kỹ thuật Lê Quý Đôn
Tác giả liên hệ: Nguyễn Văn Phương, phuongnv.dl@gmail.com
Ngày nhận: 19/09/2017, ngày sửa chữa: 14/06/2018, ngày duyệt đăng: 20/07/2018
Xem sớm trực tuyến: 08/11/2018, định danh DOI: 10.32913/rd-ict.vol1.no39.581
Biên tập lĩnh vực điều phối phản biện và quyết định nhận đăng: TS. Bùi Quang Hưng
Tóm tắt: Kỹ thuật phát hiện dị thường trên ảnh đa phổ và siêu phổ đã dành được nhiều quan tâm của cộng đồng xử lý
ảnh viễn thám. Đã có nhiều nghiên cứu phát hiện và khảo sát tính hiệu quả của các kỹ thuật phát hiện dị thường trên
một số loại ảnh vệ tinh siêu phổ và đa phổ. Trong thời gian gần đây dữ liệu ảnh của thiết bị bay không người lái (UAV)
đã trở thành nguồn dữ liệu quan trọng phục vụ công tác tìm kiếm cứu nạn cả trên biển và đất liền. Đây là giải pháp
công nghệ hiện đại và rất phù hợp với đặc thù của công tác này. Các kỹ thuật nhận dạng đối tượng cần tìm kiếm trên
ảnh UAV bằng các thuật toán nhận dạng hình học chưa bao hàm hết đặc thù của các dấu hiệu tìm kiếm cứu nạn. Trong
nghiên cứu này, nhóm tác giả kiểm chứng hiệu quả phát hiện dị thường trên các không gian màu khác nhau của ảnh
UAV để phát hiện các tín hiệu cần tìm kiếm dựa vào toán tử RX và một số biến thể của RX. Cách tiếp cận đề xuất được
kiểm chứng thực nghiệm trên các bộ dữ liệu mẫu cho kết quả khả quan.
Từ khóa: Phát hiện dị thường, ảnh UAV, tìm kiếm cứu nạn.
Title: Anomaly Detection Techniques on UAV Images for Search and Rescue
Abstract: Anomaly detection techniques on multispectral and hyperspectral images have attracted many researchers in the remote
sensing image processing community. Recently, unmanned aerial vehicles (UAVs) and UAV images have respectively
become a technology and a data source for search and rescue. Geometrical pattern recognition techniques based purely
on geometric features do not take into account many characteristics that are specific to search and rescue signatures.
In this research, we investigated the effectiveness of the RX operator and its modifications on different color spaces of
UAV images of different terrain types. The proposed approach was validated on sample images with positive results.
Keywords: Anomaly detection, UAV images, search and rescue.
I. MỞ ĐẦU
Trước sự phát triển mạnh mẽ và ngày càng được ứng
dụng phổ biến cả trong dân sự và quân sự của các thiết
bị bay không người lái (UAV) trong những năm gần đây,
UAV đã thực sự là một nguồn lực rất lớn cho sứ mệnh tìm
kiếm cứu nạn bởi chúng có thể mang các thiết bị thu thập
hình ảnh có độ phân giải cao, có thể hoạt động trong phạm
vi rộng lớn với địa hình đa dạng mà không cần quá nhiều
nhân lực và chi phí cho quá trình tìm kiếm. Nhưng với số
lượng lớn ảnh có thể thu thập được, vấn đề phát sinh là
xử lý, đánh giá và xác định các đối tượng cần quan tâm
khi tìm kiếm cứu nạn như người, vật thể hoặc các chi tiết
khác trong những ảnh này như thế nào? Nếu công việc này
được thực hiện chủ yếu bằng thủ công, sẽ tốn khá nhiều
thời gian và không đảm bảo độ tin cậy, làm giảm khả năng
sống sót của nạn nhân. Các kỹ thuật tự động phát hiện dị
thường màu trên ảnh có thể hỗ trợ đẩy nhanh quá trình
tìm kiếm cứu nạn. Dị thường màu có thể được xem là một
điểm, hoặc một cụm các điểm ảnh có sự khác biệt đáng kể
về màu sắc so với các điểm ảnh lân cận trên ảnh UAV.
Hầu hết các nghiên cứu trong lĩnh vực phát hiện dị
thường tập trung vào ảnh đa phổ hoặc ảnh siêu phổ (sử dụng
trong hình ảnh y tế và địa chất) [1]. Toán tử dò dị thường
Reed-Xiaoli (RX) đã được sử dụng rộng rãi và thường được
coi là một chuẩn mực [2]. Toán tử này so sánh các điểm
ảnh riêng lẻ với cửa sổ lân cận hoặc thống kê toàn cục
theo giả định rằng dữ liệu quang phổ đa biến tuân theo
phân bố Gauss [3]. Có rất nhiều biến thể của toán tử RX
1
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
dựa trên cửa sổ cho phép thích nghi tốt hơn trên toàn bộ
hình ảnh, chẳng hạn như RX cục bộ (local) và bán cục bộ
(quasi-local) [4].
Trong nghiên cứu của Harsanyi [5], một biến thể của toán
tử RX là UTD-RX được bổ sung để phát hiện các mục tiêu
có xác suất thấp trên các khung cảnh trong ảnh có mô
hình phân bố dữ liệu chưa rõ. Nghiên cứu của Chang và
nhóm nghiên cứu [6] đã khảo sát tính hiệu quả của UTD-
RX và một số biến thể khác như RX chuẩn hóa (NRX:
Normalized RX) và RX cải tiến (MRX: Modified RX) trên
ảnh siêu phổ AVIRIS.
Trong một số trường hợp, khi số lượng điểm dị thường
lớn, dữ liệu ảnh có phân bố yếu hoặc không rõ ràng, khi đó
ma trận hiệp phương sai không phản ánh sát với phân bố
nền và hệ quả là toán tử RX không phát huy tốt hiệu quả
phát hiện dị thường. Để giải quyết tình huống này, nhóm
nghiên cứu của Ren [7] đã đề xuất một biến thể khác của
RX là RX có trọng số (WRX: Weighted RX).
Trong một số tài liệu nghiên cứu phục vụ cho công tác
tìm kiếm cứu nạn, một cách tiếp cận của các phương pháp
phân tích ảnh màu thu nhận từ các thiết bị bay là tăng độ
bão hòa của màu hiếm và giảm độ bão hòa của các màu
phổ biến để giúp người sử dụng xác định được các màu
dị thường [8]. Các nghiên cứu gần đây đã khảo sát việc
điều chỉnh một số kỹ thuật siêu phổ và nhận thấy rằng các
toán tử dò tìm mục tiêu được mô tả ở trên có thể hỗ trợ
được trong tìm kiếm cứu nạn và toán tử RX có ưu thế phát
hiện hiệu quả hơn và ít phụ thuộc vào việc điều chỉnh tham
số [3]. Vì vậy, trong nghiên cứu này, nhóm tác giả tập trung
nghiên cứu khảo sát khả năng phát hiện dị thường trên ảnh
màu RGB thu từ UAV trên các địa hình khác nhau phục
vụ cho công tác tìm kiếm cứu nạn.
II. THUẬT TOÁN RX VÀ CÁC BIẾN THỂ CỦA NÓ
1. Thuật toán RX
Thuật toán RX cơ bản là thuật toán chuẩn phát hiện dị
thường, ban đầu được phát triển bởi Reed và Yu [3] cho
các ảnh đa phổ. Thuật toán cơ bản được mô tả bao gồm
hai giả thiết. Giả thiết thứ nhất, H0: ảnh nền tuân theo một
phân phối chuẩn (phân phối Gauss) với trung bình không
và ma trận hiệp phương sai chưa biết, N(0,K), được ước
lượng từ dữ liệu toàn cục hoặc cục bộ. Giả thiết thứ hai,
H1: mục tiêu là sự kết hợp tuyến tính của tín hiệu mục tiêu
và nhiễu nền. Vì vậy, vector phổ được biểu diễn bởi một
phân phối chuẩn (phân phối Gauss) với giá trị trung bình
bằng tín hiệu mục tiêu (hoặc nhiều mục tiêu) và nhiễu cộng
bằng ma trận hiệp phương sai nền trong giả thiết thứ nhất.
H0 : x(n) = x0(n),
H1 : x(n) = x0(n) + bs(n),
(1)
trong đó, s(n) ∈ S = [s(1), s(2), ..., s(N)] là một mẫu
tín hiệu dạng vector hàng gồm J phần tử, x(n) =
[x1(n), x2(n), ..., xJ (n)]T , n = 1,2, ...,N , đại diện cho J ảnh
phổ con tương quan (N > J) có thể chứa tín hiệu quang học
với hình dạng biết trước và vị trí không biết trước. x0(n)
là vector nhiễu tạp dư, b = [b1, b2, ..., bj]T là vector cường
độ tín hiệu không biết trước gồm j phần tử, j = 1,2, ..., J.
Khi đó, toán tử dò tìm dị thường của RX như sau:
δRX (r) = (r − µ)TK−1L×L(r − µ), (2)
trong đó, r là vector phổ của điểm ảnh, µ =
1
N
∑N
i=1 ri (N
là tổng số điểm ảnh) là vector phổ trung bình của khu vực
quan tâm, L là số kênh phổ, K =
1
N
∑N
i=1(ri − µ)(ri − µ)T
là ma trận hiệp phương sai của các kênh phổ.
Quá trình dò tìm dị thường của RX dựa trên việc khai
thác sự khác biệt giữa các điểm ảnh của tín hiệu phổ đầu
vào và các điểm ảnh xung quanh. Công thức (2) cơ bản rất
giống với công thức tính khoảng cách Mahalanobis.
Trong bài báo này, chúng tôi thực hiện hai phiên bản của
thuật toán RX, đó là:
◦ RX toàn cục (GRX: Global-RX): ma trận hiệp phương
sai K và vector phổ trung bình toàn cục µ được xác
định từ toàn bộ hình ảnh và tất cả các dải phổ được
áp dụng cho phương trình (2).
◦ RX địa phương (LRX: Local-RX): từng điểm ảnh được
đánh giá một cách riêng lẻ, ma trận hiệp phương sai K
và vector phổ trung bình cục bộ µ được xác định cục
bộ trong một cửa sổ xung quanh điểm ảnh đang xét.
2. Các thuật toán NRX và MRX
Thật thú vị khi thấy rằng phương trình (2) hoạt động
theo kiểu bộ lọc khớp, hiệu quả của bộ lọc này phụ thuộc
vào hai tham số: tín hiệu khớp (phù hợp) (r − µ)TK−1L×L và
hằng số tỷ lệ k (k = 1 trong công thức (2)). Với lợi thế
này, có hai lựa chọn để thay thế RX là NRX và MRX. Hai
thuật toán thay thế RX này được biểu diễn lần lượt theo
công thức (3) và (4), được phát triển bằng cách thiết lập
lần lượt k = [(r − µ)T (r − µ)]−1 và k = [(r − µ)T (r − µ)]−1/2
theo trình bày tại [6]:
δNRX (r) =
(r − µ)TK−1L×L(r − µ)
(r − µ)T (r − µ) , (3)
δNRX (r) =
(r − µ)TK−1L×L(r − µ)√(r − µ)T (r − µ) . (4)
3. Thuật toán WRX
Mục tiêu dị thường được coi là nhỏ và phần nền ảnh có
tính đồng nhất, ma trận hiệp phương sai của toàn bộ ảnh
có thể xem như là ma trận hiệp phương sai của tập mẫu
2
Tập V-1, Số 39, 11.2018
ảnh nền. Ngoài ra, các mục tiêu dị thường hoặc mục tiêu
nhỏ nhân tạo (do con người tạo ra) có thể được tách ra ở
dạng các giá trị ngoại lai trên ảnh. Do đó, thuật toán RX sử
dụng khoảng cách Mahalanobis để tìm mục tiêu dị thường
bằng cách sử dụng ma trận hiệp phương sai của tập mẫu để
làm trơn các điểm ảnh nền, sau đó các điểm ảnh dị thường
được tách ra. Không thành vấn đề khi số lượng điểm ảnh
dị thường là ít. Nhưng bởi vì thuật toán này giả định mô
hình nhiễu Gauss và sử dụng ma trận hiệp phương sai của
tập mẫu để làm trơn dữ liệu, nếu tỉ lệ số điểm dị thường
trên tổng số điểm ảnh tương đối lớn, ma trận hiệp phương
sai của tập mẫu có thể không đại diện cho phân phối nền.
Trong trường hợp này, thuật toán RX sẽ hoạt động không
tốt. Để giải quyết vấn đề này, Ren và nhóm nghiên cứu [7]
đã đề xuất thuật toán phát hiện dị thường trên ảnh siêu phổ
sử dụng ma trận hiệp phương sai có trọng số. Trọng số
thích hợp được gán cho mỗi điểm ảnh trong ma trận hiệp
phương sai của tập mẫu sử dụng khoảng cách của nó tới
trung tâm của dữ liệu đại diện cho phân bố nền. Vì vậy, ma
trận hiệp phương sai có trọng số có thể được viết lại thành:
Kw =
∑N
i=1 wi(ri − µw)(ri − µw)T∑N
i=1 wi
, (5)
µw =
∑N
i=1 qiri∑N
i=1 qi
, (6)
trong đó, wi và qi lần lượt là các trọng số vô hướng của
các điểm trong ảnh, được mô tả như sau:
qi =
1
1 + ‖ri − µ‖ ,
wi =
1
1 + ‖ri − µw ‖ .
(7)
Cuối cùng, bộ lọc RX với ma trận hiệp phương sai có trọng
số có thể được áp dụng cho ảnh,
δWRX (r) = (r − µw)TK−1w (r − µw). (8)
4. Thuật toán UTD
Một kỹ thuật phát hiện dị thường được Harsanyi [5] phát
triển, gọi là phát hiện mục tiêu xác suất thấp (LPTD: Low
probability target detector), công thức như sau:
δLPTD(r) = 1L×LR−1L×Lr . (9)
Kỹ thuật phát hiện được thiết kế dựa trên ma trận tương
quan mẫu R. Nếu R được thay thế bằng ma trận hiệp phương
sai mẫu K thì LPTD sử dụng ma trận hiệp phương sai mẫu
K được gọi là kỹ thuật phát hiện mục tiêu đồng nhất (UTD:
Uniform target detector), công thức như sau:
δUTD(r) = (1L×1 − µ)TK−1L×L(r − µ), (10)
trong đó, 1L×1 là vector có kích thước L với các phần tử
đều là 1. Vì vậy, các mục tiêu dị thường được giả định là
tuân theo phân phối đều trên tất cả các kênh phổ. Do đó,
UTD dự đoán để trích xuất tín hiệu nền, tín hiệu này có
phân bố đều trong ảnh.
Bằng cách kết hợp UTD vào RX cơ bản, có thể loại bỏ
nhiễu, cải thiện hiệu suất phát hiện của RX cơ bản. Ưu điểm
này cho phép phát triển một thuật toán tìm kiếm dị thường
mới bằng cách kết hợp giữa RX và UTD [6] như sau:
δRX−UTD(r) = (r − 1)TK−1L×L(r − µ). (11)
5. Thuật toán CRX
Kể từ khi ra đời, thuật toán dò tìm RX bao gồm các phép
tính vector trung bình và ma trận hiệp phương sai không
thể thực hiện trong thời gian thực. Do đó, để thực hiện tính
toán theo thời gian thực, một phiên bản của RX được đề
xuất, sử dụng ma trận tương quan R thay cho ma trận hiệp
phương sai K . Phiên bản RX này được gọi là “nhân quả”
(CRX: Causal RX) có nghĩa là các thông tin sử dụng cho
xử lý dữ liệu tại mỗi điểm ảnh chỉ dựa trên các điểm ảnh
đã được xử lý,
R(rk) = 1k
k∑
i=1
rirTi . (12)
Ma trận tương quan mẫu R(rk) có thể được tính toán song
song, do đó thuật toán tìm kiếm có thể thực hiện trong thời
gian thực [6],
δCRX (rk) = (r − 1)T R−1L×L(r − µ). (13)
III. PHƯƠNG PHÁP PHÁT HIỆN DỊ THƯỜNG
TRÊN ẢNH UAV DỰA TRÊN SỰ KHÁC BIỆT
VỀ MÀU SẮC
Phân tích ảnh UAV ứng dụng trong công tác tìm kiếm
cứu nạn có thể được tổng quát hóa là công việc nhận dạng
các dấu hiệu dị thường có liên quan đến các đối tượng cần
tìm kiếm cứu nạn. Các dấu hiệu tìm kiếm rất đa dạng và
trong nhiều trường hợp rất khác biệt, tách rời và thậm chí
là không liên quan trực tiếp đến đối tượng cần tìm kiếm.
Các dấu hiệu tìm kiếm còn phụ thuộc vào cả thời gian tiến
hành tìm kiếm. Ví dụ, khi sử dụng ảnh hàng không hoặc
ảnh vệ tinh để tìm kiếm máy bay rơi trên đất liền. Nếu ảnh
chụp khu vực báo nạn trong khoảng thời gian ngắn sau tai
nạn thì dấu hiệu tìm kiếm đầu tiên nảy ra trong đầu các
nhà phân tích ảnh sẽ là các đám khói. Nếu ảnh chụp sau
thời điểm báo nạn một khoảng thời gian dài hơn, dấu hiệu
tìm kiếm có thể là các vệt đổ của thực vật do máy bay
gây ra khi tiếp đất. Khi đối tượng tìm kiếm là con người
thì dấu hiệu tìm kiếm trên ảnh hàng không cũng khá đa
dạng. Độ phân giải không gian của ảnh UAV phổ biến ở
dải 0,07–0,3 m. Đối tượng vật lý con người thường không
hiện diện trên ảnh để nhận dạng, nếu có thì do cấu trúc địa
3
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
hình bề mặt trái đất, sự che khuất bởi các đối tượng khác,
độ phân giải ảnh và tư thế ngẫu nhiên khi bị nạn, hình
dạng đối tượng người trên ảnh hàng không thường không
tuân theo một khuôn mẫu chuẩn mực nào thuận lợi cho
việc nhận dạng hình học. Một gợi ý tiếp theo chính là các
đồ vật đi kèm với đối tượng tìm kiếm. Tương tự như đối
tượng người, cách tìm kiếm bằng nhận dạng hình học cũng
sẽ gặp khó khăn do mẫu nhận dạng không chuẩn tắc. Một
cách tiếp cận nữa có thể ứng dụng được để phân tích ảnh
hàng không ứng dụng trong tìm kiếm cứu nạn là phân tích
màu sắc các vật thể có liên quan hoặc đi kèm với đối tượng
cần tìm kiếm. Nhiều vật thể đi kèm trên máy bay bị nạn
có màu sắc khác biệt với màu nền xung quanh trên bề mặt,
đặc biệt khi tai nạn xảy ra ở các khu vực rừng núi hay trên
biển. Một câu hỏi tiếp theo được đặt ra là sự khác biệt về
màu sắc thể hiện như thế nào trên ảnh màu ba kênh RGB
thu từ máy ảnh quang học. Các thành phần màu sắc có ảnh
hưởng như thế nào trong quá trình phân tích dị thường bằng
thuật toán tự động. Theo cách tư duy này nhóm nghiên cứu
tiến hành khảo sát và phân tích hiệu quả của các thuật toán
phát hiện khác biệt màu dựa trên toán tử RX và một số
biến thể của toán tử RX trên các không gian màu RGB,
LAB, XYZ, HSL, HSB, CMYK, YUV và YCbCr.
IV. THỰC NGHIỆM PHÁT HIỆN DỊ THƯỜNG
TRÊN TẬP ẢNH UAV
1. Cấy mẫu dị thường
Dữ liệu ảnh hàng không thu trong các tình huống tìm
kiếm cứu nạn thực tế ở Việt Nam còn rất hiếm và cơ bản
là không được phát hành công khai. Để kiểm nghiệm kết
quả nghiên cứu, chúng tôi đã tiếp cận theo cách cấy một
số mẫu dị thường vào các ảnh chụp từ thiết bị UAV, những
ảnh này được trích từ phần dữ liệu thực nghiệm của đề tài
cấp nhà nước mã số VT-UD.04/16-20 thuộc chương trình
KHCN vũ trụ, sao cho có một cái nhìn thực tế nhất. Những
ảnh này được chụp trên ba dạng địa hình khác nhau; ảnh
1 được thể hiện trên Hình 1, chụp ở địa hình đồng bằng
bằng máy ảnh Canon IXUS 127 HS ở độ cao 190 m, độ
phân giải mặt đất là 62,7 mm/điểm ảnh; ảnh 2 và ảnh 3
được thể hiện lần lượt trên Hình 2 và Hình 4, chụp ở địa
hình tương ứng là rừng thưa và vùng biển bằng máy ảnh
Sony DSC-WX220 ở độ cao 200m, độ phân giải mặt đất là
63,4 mm/điểm ảnh. Mỗi ảnh đưa vào kiểm nghiệm ở trên
có kích thước 1000×1000 điểm ảnh và được cấy 03 mẫu
dị thường khác nhau tùy theo các địa hình khác nhau, quy
trình cấy mẫu như sau đây.
Đối với ảnh 1 (xem Hình 1) và ảnh 2 (xem Hình 2), là
hai mẫu ảnh chụp địa hình tương ứng là đồng bằng và rừng
thưa, ba mẫu áo có màu sắc khác nhau nhưng không quá
nổi bật được cấy vào các vị trí có màu sắc gần với ảnh nền.
Hình 1. Ảnh 1 chụp tai khu vực đồng bằng đã được cấy ba mẫu
(mẫu 1, mẫu 2 và mẫu 3).
Hình 2. Ảnh 2 chụp tai khu vực rừng thưa đã được cấy ba mẫu
(mẫu 1, mẫu 2 và mẫu 3).
Hình 3. Ba mẫu dị thường dùng để cấy vào ảnh 1 và ảnh 2.
Trong thực tế, mẫu 1 có kích thước 750× 683 mm, mẫu
2 có kích thước 670× 787 mm, mẫu 3 có kích thước 700×
750 mm (xem Hình 3). Khi cấy vào các ảnh, các mẫu này
cũng phải thu nhỏ theo tỉ lệ tương đồng với độ phân giải
4
Tập V-1, Số 39, 11.2018
Hình 4. Ảnh 3 chụp tai khu vực vùng biển đã được cấy ba mẫu
(mẫu 4, mẫu 5 và mẫu 6).
Hình 5. Ba mẫu dị thường dùng để cấy vào ảnh 3.
của ảnh, cụ thể:
◦ Đối với ảnh 1, mẫu 1 kích thước co lại còn 12×11 điểm
ảnh; mẫu 2 kích thước co lại là 11×13 điểm ảnh; mẫu
3 kích thước co lại là 11 × 12 điểm ảnh;
◦ Đối với ảnh 2, mẫu 1 kích thước co lại là 12×11 điểm
ảnh; mẫu 2 kích thước co lại là 11×12 điểm ảnh; mẫu
3 kích thước co lại là 11 × 12 điểm ảnh.
Đối với ảnh 3 (xem Hình 4), là ảnh chụp địa hình vùng
biển, hai mẫu áo phao cứu sinh có màu sắc khác nhau và
một mẫu phao cứu sinh được cấy ngẫu nhiên, chi tiết tại
Hình 5.
Trong thực tế, mẫu 4 có kích thước 610× 530 mm, mẫu
5 có kích thước 610× 708 mm, mẫu 6 có kích thước 900×
900 mm. Khi cấy vào ảnh 3, các mẫu này cũng phải thu
nhỏ theo tỉ lệ tương đồng với độ phân giải của ảnh, cụ thể:
mẫu 4 kích thước co lại còn 10 × 8 điểm ảnh; mẫu 2 kích
thước co lại là 10 × 11 điểm ảnh; mẫu 3 kích thước co lại
là 14 × 14 điểm ảnh.
Để các mẫu giống tự nhiên hơn, chúng tôi đã tăng độ
trong suốt của các mẫu lên 50% trước khi cấy vào. Điều
này hoàn toàn phù hợp với tự nhiên là các mục tiêu thường
bị lẫn vào các đối tượng lân cận.
Hình 6. Các mẫu đã được cấy trên ảnh 1.
Hình 7. Các mẫu đã được cấy trên ảnh 2.
Hình 8. Các mẫu đã được cấy trên ảnh 3.
Trên các Hình 1, 2 và 4 ta thấy rằng các mẫu dị thường
sau khi được cấy lên ảnh cơ bản mắt thường khó có thể
phát hiện được. Các Hình 6, 7 và 8 là các hình ảnh phóng
đại lên gấp ba lần so với các Hình 4, 5 và 6 để minh họa
các vị trí cấy mẫu.
5
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
Bảng I
GIÁ TRỊ AUC TRUNG BÌNH CỦA TÁM THUẬT TOÁN ĐÁNH GIÁ CHO TÁM KHÔNG GIAN MÀU
GRX LRX NRX MRX WRX UTD RX-UTD CRX
RGB 0,817 0,735 0,571 0,721 0,764 0,619 0,631 0,312
LAB 0,821 0,735 0,566 0,757 0,800 0,612 0,623 0,371
XYZ 0,746 0,708 0,559 0,672 0,675 0,645 0,649 0,325
YCbCr 0,817 0,736 0,557 0,716 0,787 0,446 0,565 0,317
HSL 0,747 0,704 0,475 0,526 0,720 0,528 0,595 0,656
HSB 0,755 0,701 0,472 0,574 0,720 0,520 0,552 0,656
YUV 0,817 0,735 0,555 0,719 0,794 0,475 0,564 0,322
CMYK 0,737 0,628 0,620 0,724 0,818 0,763 0,239 0,816
Bảng II
GIÁ TRỊ AUC CỦA TÁM THUẬT TOÁN ĐÁNH GIÁ CHO TÁM KHÔNG GIAN MÀU TRÊN ẢNH NỀN KHU VỰC ĐỒNG BẰNG
GRX LRX NRX MRX WRX UTD RX-UTD CRX
RGB 0,901 0,706 0,556 0,785 0,879 0,522 0,755 0,368
LAB 0,902 0,707 0,588 0,856 0,887 0,524 0,730 0,431
XYZ 0,781 0,702 0,526 0,741 0,758 0,598 0,743 0,391
YCbCr 0,901 0,707 0,551 0,791 0,883 0,383 0,641 0,375
HSL 0,887 0,705 0,484 0,479 0,945 0,678 0,516 0,644
HSB 0,902 0,703 0,481 0,472 0,945 0,642 0,547 0,644
YUV 0,901 0,706 0,544 0,791 0,888 0,463 0,585 0,379
CMYK 0,727 0,617 0,577 0,732 0,935 0,823 0,167 0,763
Hình 9. Giá trị AUC của tám thuật toán đánh giá cho tám không
gian màu.
Sử dụng tám thuật toán đã nêu ở trong Mục II (GRX,
LRX, NRX, MRX, WRX, UTD, RX-UTD, CRX) để đánh
giá hiệu quả phát hiện dị thường trên tám không gian
màu khác nhau (RGB, LAB, XYZ, YcbCr, HSL, HSB,
YUV, CMYK), hiệu suất của mỗi thuật toán trên các không
gian màu khác nhau được thể hiện thông qua đường cong
đặc trưng hoạt động phí thu (ROC: Receiver operating
characteristic). Diện tích dưới đường cong ROC (AUC:
Area under the ROC curve) được sử dụng làm thước đo
so sánh hiệu suất phát hiện dị thường giữa các thuật toán
trên các không gian màu. Đầu vào của mỗi thuật toán là
các ảnh đã cấy mẫu nêu ở trên, các ảnh này được biến đổi
về các không gian màu khác nhau để đánh giá những ưu
điểm và hạn chế. Bằng cách này, nhóm tác giả kỳ vọng sẽ
đưa ra thuật toán phát hiện dị thường hoạt động trên các
không gian màu phù hợp với từng địa hình hỗ trợ công tác
tìm kiếm cứu nạn.
Hình 10. Giá trị AUC của tám thuật toán đánh giá cho tám không
gian màu trên ảnh nền khu vực đồng bằng.
2. Thuật toán
Bảng I và Hình 9 so sánh giá trị AUC cho tám thuật toán
trên tám không gian màu, hiệu suất này dựa trên kêt quả của
các thuật chạy trên ba ảnh đầu vào với các dị thường được
cấy vào như đã nêu ở trên. Trên Bảng I, các giá trị AUC
này được tính trên cả ba ảnh sau đó lấy giá trị trung bình.
Bảng I và Hình 9 cho thấy, thuật toán GRX cho hiệu suất
phát hiện dị thường tốt nhất trên không gian màu LAB và
thuật toán này cũng cho thấy sự hiệu quả trên các không
gian màu khác nhau, dù chuyển đổi từ không gian màu RGB
sang các không gian màu khác nhưng hiệu suất phát hiện
dị thường ít bị ảnh hưởng. Tiếp theo là thuật toán WRX
và CRX, thuật toán WRX cũng cho hiệu suất tương đối
ổn định trên các không gian màu khác nhau nhưng thuật
toán CRX chỉ cho hiệu suất tốt nhất trên không gian màu
CMYK, còn với các không gian màu khác cho hiệu suất
thấp. Thuật toán NRX là thuật toán kém hiệu quả nhất.
6
Tập V-1, Số 39, 11.2018
Bảng III
GIÁ TRỊ AUC CỦA TÁM THUẬT TOÁN ĐÁNH GIÁ CHO TÁM KHÔNG GIAN MÀU TRÊN ẢNH NỀN KHU VỰC RỪNG NÚI
GRX LRX NRX MRX WRX UTD RX-UTD CRX
RGB 0,891 0,809 0,519 0,736 0,890 0,669 0,565 0,276
LAB 0,909 0,809 0,489 0,807 0,917 0,645 0,580 0,326
XYZ 0,813 0,730 0,527 0,633 0,830 0,678 0,599 0,287
YCbCr 0,891 0,810 0,484 0,719 0,904 0,324 0,687 0.289
HSL 0,688 0,717 0,440 0,592 0,626 0,317 0,691 0,772
HSB 0,693 0,710 0,429 0,640 0,626 0,315 0,691 0,772
YUV 0,891 0,809 0,487 0,725 0,904 0,328 0,739 0,291
CMYK 0,811 0,566 0,615 0,788 0,912 0,835 0,177 0,828
Bảng IV
GIÁ TRỊ AUC CỦA TÁM THUẬT TOÁN ĐÁNH GIÁ CHO TÁM KHÔNG GIAN MÀU TRÊN ẢNH NỀN KHU VỰC BIỂN
GRX LRX NRX MRX WRX UTD RX-UTD CRX
RGB 0,659 0,691 0,639 0,641 0,524 0,667 0,572 0,293
LAB 0,651 0,689 0,622 0,609 0,596 0,668 0,558 0,357
XYZ 0,645 0,690 0,625 0,643 0,436 0,659 0,604 0,297
YCbCr 0,659 0,691 0,637 0,639 0,574 0,631 0,366 0,286
HSL 0,667 0,689 0,501 0,507 0,589 0,590 0,578 0,553
HSB 0,670 0,691 0,505 0,609 0,589 0,604 0,418 0,553
YUV 0,659 0,691 0,635 0,642 0,589 0,633 0,367 0,296
CMYK 0,672 0,702 0,668 0,651 0,606 0,632 0,373 0,857
Hình 11. Giá trị AUC của tám thuật toán đánh giá cho tám không
gian màu trên ảnh nền khu vực rừng núi.
Hiệu suất phát hiện dị thường của các thuật toán trên
từng loại địa hình được thử nghiệm và phân tích cụ thể
dưới đây.
Bảng II và Hình 10 cho thấy, thuật toán WRX cho hiệu
suất phát hiện dị thường tốt nhất, sau đó đến thuật toán
GRX. Thuật toán yếu nhất vẫn là NRX.
Bảng III và Hình 11 cho thấy, hiệu suất phát hiện dị
thường của tốt nhất vẫn là thuật toán WRX, sau đó đến
thuật toán GRX. Thuật toán yếu nhất vẫn là NRX.
Bảng IV và Hình 12 cho thấy, thuật toán WRX không
còn chiếm ưu thế về hiệu suất phát hiện nữa, lúc này thuật
toán CRX cho hiệu suất tốt nhất, sau đó đến thuật toán
LRX, UTD và GRX. Thuật toán yếu nhất lại là RX-UTD
Hình 12. Giá trị AUC của tám thuật toán đánh giá cho tám không
gian màu trên ảnh nền khu vực biển.
và WRX. Hiệu suất phát hiện dị thường của các thuật toán
trên nền địa hình biển đã kém đi rất nhiều so với khi thực
hiện trên địa hình đồng bằng.
Từ dữ liệu thu được ta thấy rằng, ở những địa hình càng
phức tạp thì khả năng phát hiện dị thường của các thuật
toán càng thấp, điều này hoàn toàn phù hợp với thực tế.
3. Không gian màu
Hình 9 cho thấy kết quả phát hiện dị thường của tám
thuật toán thực hiện trên tám không gian màu khác nhau.
Trên không gian màu RGB, mặc dù không cho hiệu quả
tốt nhất với tất cả các thuật toán trên cả ba loại địa hình
7
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
nhưng đây là không gian màu đáng tin cậy để thực hiện
các thuật toán.
Trên không gian màu LAB, các thuật toán MRX trên địa
hình đồng bằng và WRX trên địa hình rừng núi cho kết quả
tốt nhất. Xét về tổng thể, không gian màu LAB tương đối
ổn định và là không gian màu đáng tin cậy để ứng dụng
vào các thuật toán phát hiện dị trường trên ảnh UAV.
Trên các không gian màu XYZ, HSL, HSB hiệu suất
phát hiện dị thường của các thuật toán không ổn định, vì
vậy nên cẩn trọng khi áp dụng chúng.
Các không gian màu YcbCr và YUV giường như có sự
tương đồng, mặc dù có sự sụt giảm nhẹ về hiệu suất trong
các thuật toán CRX và RX-UTD nhưng đây là hai không
gian màu cũng đáng tin cậy để được sử dụng.
Không gian màu cuối cùng trong danh sách đánh giá là
CMYK, không gian màu này cho hiệu năng tốt nhất khi sử
dụng thuật toán UTD, CRX đối với ảnh nền khu vực đồng
bằng; cho hiệu suất tốt nhất khi sử dụng thuật toán NRX,
UTD, CRX đối với ảnh nền khu vực rừng núi; cho hiệu
suất tốt nhất khi sử dụng thuật toán LRX, NRX, MRX,
WRX và CRX đối với ảnh nền khu vực biển. Tuy nhiên,
không gian màu CMYK lại là không giam màu cho hiệu
suất kém nhất khi thực hiện thuật toán RX-UTD trên cả hai
ảnh nền khu vực đồng bằng và rừng núi.
V. KẾT LUẬN
Trong công tác tìm kiếm cứu nạn, việc nâng cao hiệu suất
phát hiện dấu hiệu dị thường mang ý nghĩa quan trọng, rút
ngắn thời gian và phí tổn tài chính, sức lực, tinh thần, đồng
thời nâng cao cơ hội cứu nạn. Kết quả khảo sát đánh giá
các kỹ thuật phát hiện dị thường trên ảnh UAV thực hiện
trong nghiên cứu này đã được tiếp cận khoa học dựa trên
sự kết hợp của toán tử phát hiện dị thường RX và một số
biến thể của RX với các không gian màu khác nhau.
Kết quả thực nghiệm trên các bộ dữ liệu mẫu cho thấy
rằng trong các tình huống tìm kiếm cứu nạn khác nhau có
sử dụng ảnh UAV, một không gian màu phù hợp cùng với
một thuật toán phát hiện có thể được chọn để cho hiệu suất
phát hiện dị thường tốt nhất. Kết quả ban đầu này của nhóm
nghiên cứu sẽ từng bước được kiểm nghiệm trên các loại
dữ liệu ảnh vệ tinh quang học trong các nghiên cứu tiếp
theo để phát hiện đối tượng trôi dạt trên biển. Các mô hình
cải biên của bộ phát hiện RX và giải pháp song song trên
tập dữ liệu lớn cũng sẽ được khảo sát trong các nghiên cứu
tiếp theo.
LỜI CẢM ƠN
Nghiên cứu này được tài trợ kinh phí từ đề tài nghiên
cứu cứu khoa học cấp quốc gia mã số VT-UD.04/16-20
thuộc Chương trình Khoa học Công nghệ vũ trụ. Nhóm tác
giả cảm ơn sự ủng hộ và đồng hành của Ban chủ nhiệm
Chương trình.
TÀI LIỆU THAM KHẢO
[1] D. Manolakis, D. Marden, and G. A. Shaw, “Hyperspectral
image processing for automatic target detection applications,”
Lincoln Laboratory Journal, vol. 14, no. 1, pp. 79–116, 2003.
[2] T. E. Smetek and K. W. Bauer, “Finding hyperspectral anoma-
lies using multivariate outlier detection,” in Proceedings of the
Aerospace Conference, 2007.
[3] I. S. Reed and X. Yu, “Adaptive Multiple-Band CFAR De-
tection of an Optical Pattern with Unknown Spectral Distri-
bution,” IEEE Transactions on Acoustics, Speech, and Signal
Processing, vol. 38, no. 10, pp. 1760–1770, 1990.
[4] D. C. Borghys, V. Achard, S. R. Rotman, N. Gorelik,
C. Perneel, Scwheicher, and Emile, “Hyperspectral anomaly
detection: a comparative evaluation of methods,” in Pro-
ceedings of the General Assembly and Scientific Symposium,
XXXth URSI, Feb 2011, pp. 1–4.
[5] J. C. Harsanyi, Detection and classification of subpixel spec-
tral signatures in hyperspectral image sequences. Ph.D.
dissertation, Univ. Maryland, Baltimore County, 1993.
[6] C.-I. Chang and S.-S. Chiang, “Anomaly detection and clas-
sification for hyperspectral imagery,” IEEE Transactions on
Geoscience and Remote Sensing, vol. 40, no. 6, pp. 1314–
1325, 2002.
[7] H. Ren, C. Chen, and H. Chen, “Weighted anomaly detection
for hyperspectral remotely sensed images,” in Proceedings of
the Chemical and Biological Standoff Detection III, Nov 2005.
[8] N. D. Rasmussen, D. R. Thornton, and B. S. Morse, “En-
hancement of unusual color in aerial video sequences for
assisting wilderness search and rescue,” in Proceedings of
the 15th IEEE International Conference on Image Processing,
2008, pp. 1356–1359.
Nguyễn Văn Phương nhận bằng Kỹ sư và
Thạc sĩ tại Học viện Kỹ thuật Quân sự vào
các năm 2003 và 2009. Hiện nay, tác giả là
nghiên cứu sinh tại Khoa Công nghệ Thông
tin, Học viện Kỹ thuật Quân sự. Lĩnh vực
nghiên cứu của tác giả là GIS và xử lý ảnh
viễn thám quang học.
Đào Khánh Hoài nhận học vị Tiến sĩ
năm 2005. Hiện nay, tác giả đang công tác
tại Học viện Kỹ thuật Quân sự. Lĩnh vực
nghiên cứu của tác giả là GIS, xử lý ảnh
vệ tinh, UAV, đo ảnh và thị giác máy tính.
8