Đang tải... (xem toàn văn)
Bài viết Nghiên cứu kết hợp thuật toán K-Means và Quickshift trong tự động phân loại lớp phủ mặt đất từ ảnh vệ tinh VNREDSat-1 được nghiên với mục tiêu là nhận diện khả năng nâng cấp thuật toán WiPE thành thuật toán tự động hóa mới giúp phân loại riêng biệt các loại lớp phủ bề mặt Trái Đất (đất trống, công trình xây dựng, mặt nước, thực vật, và các đối tượng không quan tâm - mây, bóng mây) bằng kết hợp thuật toán K-means và Quickshift.
Nghiên cứu - Ứng dụng NGHIÊN CỨU KẾT HỢP THUẬT TOÁN K-MEANS VÀ QUICKSHIFT TRONG TỰ ĐỘNG PHÂN LOẠI LỚP PHỦ MẶT ĐẤT TỪ ẢNH VỆ TINH VNREDSat-1 ĐẶNG NGUYỄN HIỀN DƯƠNG(1), (2), ĐINH NGỌC ĐẠT(1), DOÃN MINH CHUNG(1) HUỲNH XUÂN QUANG(1), MAI THỊ HỒNG NGUYÊN(1) (1) Viện Công nghệ Vũ trụ (2) Trường Đại học Khoa học Cơng nghệ Hà Nội (USTH) Tóm tắt: Phân loại lớp phủ từ liệu ảnh vệ tinh quang học đóng vai trò quan trọng nhận diện biến động đối tượng bề mặt Trái Đất Đây nguồn liệu giúp ích nhiều cho trình theo dõi quản lý tài nguyên thiên nhiên, đánh giá tác động thiên tai Các nghiên cứu liên quan nước chủ yếu tiếp cận thuật tốn phân loại thơng dụng (K-Means, Iso Data, Random Forest…) để nhanh chóng thu liệu lớp phủ phù hợp với mục tiêu đặt Việc đánh giá phương pháp cần thiết để đưa lựa chọn phù hợp cho toán phân loại riêng biệt Thử nghiệm thuật toán phân loại khác K-means Quickshift ảnh VNREDSat-1 cho phép cải thiện độ tin cậy kết phân loại Từ đó, xem xét việc kết hợp ưu điểm hai thuật toán phân loại với nghiên cứu tương tự sử dụng phân tích phổ (như thuật tốn WiPE) để đề xuất phương án tốt cho xây dựng thuật toán phân loại lớp phủ tự động sử dụng cho tất ảnh chụp từ vệ tinh VNREDSat-1 Từ khóa: Phân loại ảnh, lớp phủ, K-means, Quick shift, VNREDSat-1 Giới thiệu Khó khăn tốn phân loại lớp phủ từ ảnh vệ tinh viễn thám quang học lựa chọn phương pháp phân loại phù hợp, đạt hiệu cao Song song với phát triển công nghệ viễn thám, chất lượng ảnh vệ tinh ngày cải thiện với độ phân giải độ che phủ cao Nhiều phương pháp phân loại ảnh sử dụng phổ biến phương pháp phân loại dựa điểm ảnh, phương pháp hướng đối tượng hay thuật toán áp dụng máy học, học sâu Mỗi phương pháp có ưu, nhược điểm riêng, phù hợp riêng cho số loại ảnh khu vực nghiên cứu Việc phân tích ưu, nhược điểm thuật toán cần thiết nghiên cứu biến đổi loại lớp phủ Từ đó, kết hợp điểm mạnh chúng để xây dựng nên phương pháp tối đa độ xác phân loại ảnh vệ tinh VNREDSat-1, vệ tinh quan sát Trái Đất Việt Nam nguồn ảnh vơ có giá trị, phục vụ cho việc phân tích giám sát đối tượng, tượng mặt đất Vệ tinh Ngày nhận bài: 11/7/2022, ngày chuyển phản biện: 15/7/2022, ngày chấp nhận phản biện: 19/7/2022, ngày chấp nhận đăng: 28/7/2022 32 TẠP CHÍ KHOA HỌC ĐO ĐẠC VÀ BẢN ĐỒ SỐ 53-9/2022 Nghiên cứu - Ứng dụng VNREDSat-1 chứng minh tiềm việc nhận dạng, quản lý biến đổi lớp phủ mặt đất giai đoạn dài Trong toán phân loại lớp phủ, phân đoạn tiền xử lý đóng vai trị vơ quan trọng Các ảnh chụp từ cảm biến viễn thám quang học bị ảnh hưởng nhiều mây bóng mây, gây khó khăn cho việc giải đoán phân loại đối tượng nằm bề mặt đất Tuy nhiên, bước tiền xử lý ảnh VNREDSat-1 cịn thủ cơng tiêu tốn nhiều thời gian Nhiều thuật toán xây dựng để giải vấn đề hiệu suất chưa đạt yêu cầu Các thuật tốn tự động phân loại (gộp nhóm điểm ảnh đối tượng) dựa đồng cấu phổ đối tượng quy trình tự tính tốn K-means [1] hay dựa liệu điểm ảnh định nghĩa Random Forest [2] thể sai số đáng kể khơng gian ảnh phân loại Việc tự động hóa công tác phân loại dựa nhận diện chất, đặc tính phổ đối tượng mà điểm ảnh thể áp dụng rộng rãi gần Phổ biến cách tiếp cận thuật toán Fmask (Function of mask) dùng để tạo mặt nạ cho đám mây, bóng mây tuyết cho ảnh Landsat 4-9 ảnh Sentinel-2 [3], [4] ALCC phương pháp tự động tối ưu cho phân loại lớp phủ mặt đất [5] với hiệu suất ứng dụng cao, phát triển dựa kết hợp số phổ phù hợp phương pháp đánh giá không kiểm định K-means Trong nghiên cứu trước đây, nhóm phát triển thuật tốn WiPE tập trung vào xác định điểm ảnh mặt nước vùng nước tự nhiên áp dụng cho ảnh Landsat-8, Sentinel-2, VNREDSat-1 [6] Thuật toán thể hiệu suất cao việc xác định điểm ảnh nước, đặc biệt môi trường nước phức tạp bị ảnh hưởng nhiều mây che phủ Tuy nhiên, thuật toán tập trung phân tách điểm ảnh nước từ điểm ảnh khác chưa phân biệt đối tượng nghiên cứu cách riêng lẻ Mục tiêu nghiên cứu nhận diện khả nâng cấp thuật tốn WiPE thành thuật tốn tự động hóa giúp phân loại riêng biệt loại lớp phủ bề mặt Trái Đất (đất trống, cơng trình xây dựng, mặt nước, thực vật, đối tượng không quan tâm - mây, bóng mây) kết hợp thuật tốn K-means Quickshift Dữ liệu phương pháp 2.1 Khu vực nghiên cứu liệu sử dụng Hình 1: Khu vực nghiên cứu: Thành phố Hà Nội - Thành phố Quy Nhơn, tỉnh Bình Định Dữ liệu đầu vào cho cơng việc phát triển thuật tốn liệu ảnh vệ tinh VNREDSat1 chụp khu vực thành phố Hà Nội thành phố Quy Nhơn, thuộc tỉnh Bình Định Đây hai thành phố lớn miền Bắc miền Trung đất nước Hà Nội có hai dạng địa hình gồm đồng đồi núi, đồng chiếm 3/4 diện tích đất tự nhiên thành phố Hà Nội trung tâm trị kinh tế, văn hóa nước nên có đa dạng loại hình sử dụng đất Q trình cơng nghiệp hóa, thị hóa dẫn đến thu hẹp đất nơng nghiệp, chuyển mục đích sử dụng đất nông nghiệp sang phi nông nghiệp để phát triển cơng nghiệp thị Trong đó, Quy Nhơn thành phố nằm phía Đơng Nam tỉnh TẠP CHÍ KHOA HỌC ĐO ĐẠC VÀ BẢN ĐỒ SỐ 53-9/2022 33 Nghiên cứu - Ứng dụng Bình Định, với địa hình đa dạng với núi, đồng bằng, rừng, cồn cát ven biển, hải đảo nhiều kiểu lớp phủ sử dụng đất Có thể thấy rõ hai khu vực lựa chọn có biến động loại hình sử dụng đất nên đa dạng loại hình lớp phủ mặt đất sở thuận lợi để xây dựng sở liệu phát triển thuật toán phân loại lớp phủ mặt đất từ ảnh vệ tinh VNREDSat-1 Ảnh vệ tinh VNREDSat-1 với kênh đa phổ (RGB-NIR) có độ phân giải khơng gian điểm ảnh 10 m Ảnh VNREDSat-1 chụp khu vực thành phố Hà Nội năm 2015 khu vực thành phố Quy Nhơn, tỉnh Bình Định năm 2020 lựa chọn cho liệu phát triển thuật toán dựa đa dạng thông tin đối tượng mặt đất (mặt nước, thực vật, cơng trình xây dựng, đất trống, mây, bóng mây) thơng qua giải đốn sơ mắt Dữ liệu sau hiệu chỉnh ảnh hưởng tán xạ Rayleigh (ρrc(λ)), liệu loại bỏ ảnh hưởng ~90-96% [6], [7] khí lên ảnh, đưa vào sử dụng làm đầu vào để đánh giá hiệu phương pháp phân nhóm điểm ảnh 2.2 Thuật toán K-means Hai loại kĩ thuật toán phân loại phân loại có giám sát (Supervised Classification) phân loại khơng giám sát (Unsupervised Classification) Sự khác biệt lớn hai phương pháp trợ giúp liệu mẫu Phân loại có giám sát sử dụng để phân tách đối tượng lớp phủ bề mặt dựa mẫu liệu chọn trước (bằng mắt liệu mẫu có sẵn) Kmeans [1] thuật tốn phân loại khơng giám sát K-means phân nhóm đối tượng lớp phủ mặt đất dựa phân nhóm dựa tương đồng phổ điểm ảnh liệu đầu vào (ảnh vệ tinh) Thuật tốn u cầu 34 lựa chọn số nhóm phân loại mong muốn lặp lại bước phân nhóm điểm ảnh đến tổng phương sai nhóm thấp 2.3 Thuật tốn Quick Shift Phân mảnh liệu ảnh (segmentation) trình phân tách ảnh thành cụm điểm ảnh khống chế thơng số thiết lập (cửa sổ phân nhóm, tỉ lệ khác biệt giá trị phổ lân cận…) Thuật toán Quickshift thuật phân mảnh [8] Thuật toán Quickshift khác với thuật tốn phân loại khơng kiểm định không cho vượt số lượng điểm ảnh dựa cửa sổ định nghĩa ban đầu Cụm điểm ảnh thay đổi dựa việc lựa chọn ba tham số kích thước Kernel (σ), tỷ lệ (λ), khoảng cách tối đa (τ) Kích thước Kernel giá trị sử dụng để xác định cửa sổ phân nhóm Giá trị kích thước Kernel cao đồng nghĩa vùng lân cận điểm ảnh cần nghiên cứu lớn Tỷ lệ cân tầm quan trọng màu sắc tầm quan trọng khơng gian, có giá trị chạy từ đến giá trị lớn thể tầm quan trọng màu sắc ngược lại, số tỷ lệ thấp đánh dấu tầm quan trọng không gian cao Khoảng cách tối đa thể khoảng cách hai điểm ảnh xem xét thuật tốn xây dựng nhóm điểm ảnh τ ảnh hưởng đến số lượng điểm ảnh nhóm tăng lên đồng nghĩa số lượng điểm ảnh nhóm nhiều Thuật toán Quickshift sử dụng số nghiên cứu phương pháp tiếp cận hướng đối tượng để phân loại hình ảnh qua phân mảnh 2.4 Phương pháp thực nghiệm Dữ liệu ảnh VNREDSat-1 tiền xử lý loại bỏ ảnh hưởng khí phương pháp trừ đối tượng tối (Dark Object Subtraction - DOS) Đây phương pháp phổ TẠP CHÍ KHOA HỌC ĐO ĐẠC VÀ BẢN ĐỒ SỐ 53-9/2022 Nghiên cứu - Ứng dụng biến để hiệu chỉnh khí cách loại bỏ ảnh hưởng tán xạ ánh sáng đến chất lượng ảnh vệ tinh dựa điểm ảnh tối Dữ liệu sau bước tiền xử lý đưa vào phân loại theo hai phương pháp K-means Quick shift, sử dụng ngơn ngữ lập trình Python Việc lựa chọn số nhóm phân loại nhiều số lượng lớp phủ mặt đất cần phân loại để đảm bảo giảm thiểu nhiễu đối tượng lân cận (ví dụ: mây mỏng đối tượng cần phân loại khác) đóng vai trị quan trọng phương pháp phân cụm K-means Để thực hai thuật toán phân loại trên, nghiên cứu tận dụng thư viện xây dựng sẵn Python Scikit-learn Skimage hai thư viện mã nguồn mở xây dựng NumPy SciPy, chứa hầu hết thuật tốn thơng dụng cho học máy trình xử lý hình Thư viện scikit-learn sử dụng để biểu diễn model ứng với giải thuật học máy từ phương pháp K-means Với phương pháp phân mảnh Quick shift, nghiên cứu tiếp tục sử dụng thư viện skimage để biểu diễn Như nhắc tới trên, kết phân mảnh Quick shift định ba tham số tỷ lệ (λ), kích thước Kernel (σ) khoảng cách tối đa (τ) Ở đây, nghiên cứu chọn giá trị tham số 0.95, Các bước thực thuật tốn trình bày sơ đồ Hình Kết Sau phân loại, nghiên cứu ghi nhận kết phân loại ảnh vệ tinh VNREDSat-1 theo hai phương pháp phân cụm K-means phân mảnh Quick shift Hình Hình biểu diễn khác hai phương pháp phân loại Trọng tâm phương pháp phân cụm Kmeans phân chia lớp cách nhóm điểm ảnh có giá trị đặc điểm phổ tương đồng Do đó, tập hợp phân chia rõ ràng không lẫn với loại khác Tuy nhiên, lớp đối tượng tạo Kmeans nói riêng hay phương pháp phân loại khơng giám sát khác nói chung khơng thể xác hết tính chất đối tượng thực tế Phương pháp K-means tính tốn đến độ tương đồng phổ nên hai đối tượng khác có chung đặc tính quang phổ bị nhận diện sai lệch hợp phân loại vào nhóm Bên cạnh đó, mục tiêu thuật toán Quick shift phân mảnh ảnh thành siêu điểm ảnh cách nhóm gộp điểm ảnh tương tự với Điều giúp giảm từ khoảng triệu điểm ảnh ảnh xuống vài nghìn cụm điểm ảnh để giảm mức độ phức tạp ảnh dễ dàng xử lý Các cụm điểm ảnh phân tách theo ranh giới đối tượng ảnh Trong toán phân loại, Quickshift thường bước đệm trước đến bước phân loại, đặc biệt toán phân loại hướng đối tượng Với đối tượng mặt nước, K-means phân loại thành lớp đối tượng (dựa tương đồng phổ) Quickshift phân mảnh thành nhiều cụm điểm ảnh (Hình 4) Đây bước quan trọng Quickshift phân mảnh hết đối tượng, kể đối tượng mà K-means phân loại sót Đây tiền đề để thực Hình 2: Sơ đồ thuật toán tự động phân loại bước điền trống lớp chưa phân loại lớp phủ K-means cụm điểm ảnh TẠP CHÍ KHOA HỌC ĐO ĐẠC VÀ BẢN ĐỒ SỐ 53-9/2022 35 Nghiên cứu - Ứng dụng Quickshift Tuy nhiên, hạn chế thuật toán Quickshift ranh giới hai đối tượng, điểm ảnh bị phân loại lẫn với Quan sát Hình 3, phân đoạn điểm ảnh khu vực xây dựng bị lẫn với điểm ảnh đám mây (ở vùng mây mỏng) Trên Hình 4, khu vực ven biển, phân đoạn nước chứa điểm ảnh đất cát vùng lân cận 36 Hình 3: Phân loại sử dụng cảnh ảnh Hà Nội Sơ đồ đường cong phổ thể khác biệt hai phương pháp phân loại Nghiên cứu trình bày giá trị nhỏ lớn lớp đối tượng (thực vật mặt nước) kênh đa phổ hai liệu K-means Quickshift Trên liệu K-means, chênh lệch đường cong phổ hai giá trị kênh khơng q lớn có đồng phổ lớp đối tượng phân loại Bên cạnh đó, liệu Quickshift, chênh lệch dễ quan sát nhiều Lý cho biến động với cách phân mảnh Quickshift, cụm điểm ảnh bị ảnh hưởng nhiễu aerosol, tượng liền kề (adjacency effect)… Vì vậy, việc kết hợp kết giải đoán, phân loại hai thuật toán K-means Quickshift mong đợi cải thiện độ xác phân loại giải hạn chế chúng TẠP CHÍ KHOA HỌC ĐO ĐẠC VÀ BẢN ĐỒ SỐ 53-9/2022 Nghiên cứu - Ứng dụng Ứng dụng việc phân tích mối quan hệ phổ vùng tạo thuật toán Kmeans Quickshift liệu tương tự với nghiên cứu trước [7] không cho đối tượng nước mà áp dụng cho đối tượng khác (đất trống, cơng trình xây dựng, thực vật, mây bóng mây) Một qui trình tự động bước đầu thử nghiệm cảnh ảnh độc lập (Hình 5), khác biệt với liệu đưa vào phát triển thuật toán Hình 5: Bước đầu thử nghiệm thuật tốn phân loại lớp phủ (ảnh phải) cho ảnh vệ tinh VNREDSat-1 Trong Mặt nước (Xanh lam), thực vật (xanh cây), cơng trình xây dựng (đỏ), đất trống (vàng) Hiệu suất phương pháp đánh giá chênh lệch tỷ lệ phần trăm tuyệt Hình 4: Phân loại sử dụng cảnh ảnh Quy Nhơn đối trung bình (MAPD) Đối với cảnh ảnh chọn thử nghiệm, đồ TẠP CHÍ KHOA HỌC ĐO ĐẠC VÀ BẢN ĐỒ SỐ 53-9/2022 37 Nghiên cứu - Ứng dụng điểm ảnh mặt nước tham chiếu tạo dựa phân tích trực quan thực phần mềm QGIS Chỉ số MAPD tính tốn số điểm ảnh nước tham chiếu số điểm ảnh nước phân loại tự động phương pháp Giá trị MAPD tính theo cơng thức: 𝑛 𝜌𝑇𝐷,𝑖 − 𝜌𝑇𝐶,𝑖 𝑀𝐴𝑃𝐷 = ∑ 100 | | 𝜌𝑊𝑖𝑃𝐸,𝑖 (1) 𝑖=1 đó, 𝜌𝑇𝐷,𝑖 𝜌𝑇𝐶,𝑖 số điểm ảnh mặt nước phân loại tự động theo phương pháp thủ cơng dựa phân tích trực quan QGIS Bảng 1: Đánh giá thuật tốn tính tốn MAPD (%) cảnh ảnh đối tượng nước Phương pháp kết Phân tích trực Vị trí MAPD (%) hợp (Điểm ảnh) quan (Điểm ảnh) Ven bờ Đà Nẵng, Quảng Nam 1754460 1731648 1.301 Ven bờ tỉnh Tiền Giang 2485485 2486356 0.035 Svayrieng, Campuchia 1374327 1281921 6.723 Kết cho thấy giá trị MAPD chạy Svayrieng-Campuchia) Với kết bước đầu khoảng 0.035% đến 6.723% ba cảnh ảnh thuật tốn (Hình 5), nhận thấy quy thử nghiệm đối tượng nước Giá trị trình thành lập đồ lớp phủ tự động từ ảnh MAPD cao (6.723%) ghi nhận cảnh vệ tinh VNREDSat-1 hoàn toàn khả thi ảnh lũ lụt Svayrieng, Campuchia Cảnh ảnh sớm hoàn thiện tương lai Phương có tỷ lệ mây bóng mây nhiều pháp đề xuất ban đầu phát triển ba ảnh, đất thực phủ xuất dày đặc cảnh ảnh có chất lượng tốt (ít mây) nên việc Khác với hai cảnh ảnh vùng biển ven bờ chứa áp dụng cho ảnh có chất lượng tương tự nhiều điểm ảnh nước dễ phân loại, cảnh dễ nhận thấy Phương pháp cần hồn ảnh ghi nhận tình trạng lũ lụt với phần lớn thiện dựa cập nhật liệu phát triển thuật nước đục, nước che phủ đất, khiến nhiều tốn phải chứa đựng nhiều cảnh ảnh điểm ảnh đất điểm ảnh nước đục bị có cường độ mây khác nhau, chụp nhiều phân loại nhầm lẫn với Tuy nhiên, qua vùng sinh thái khác nhau, áp đánh giá thuật tốn có tiềm dụng cho ảnh chụp chứa tỉ lệ mây khác việc phân tách nhiều lớp phủ đất khác Thuật tốn hồn thiện đánh nhau, kể trường hợp khó giải giá với liệu truyền thống tương đoán lai (dữ liệu trạng sử dụng đất quan Kết luận kiến nghị quản lý nhà nước liệu vệ tinh độ phân Công tác phân loại ảnh vệ tinh quang học giải cao Google Earth) Mơ hình thuật đa phổ thành lập đồ lớp phủ tốn hồn tồn áp dụng sang gặp nhiều thách thức đặc biệt thời gian ảnh vệ tinh có độ phân giải khơng gian, độ giải đốn biên tập liệu Một quy trình tự phân giải phổ tương tự (Sentinel-2, Landsat-8, động (thuật toán) bước đầu phát triển 9…). dựa ảnh vệ tinh hai khu vực Hà Nội Lời cảm ơn: Nhóm tác giả xin gửi lời cảm Bình Định thử nghiệm khu vực ơn đến Viện Công nghệ vũ trụ, Viện Hàn lâm độc lập khác (Đà Nẵng, Tiền Giang Khoa học Công nghệ Việt Nam tạo điều TẠP CHÍ KHOA HỌC ĐO ĐẠC VÀ BẢN ĐỒ SỐ 53-9/2022 38 Nghiên cứu - Ứng dụng kiện cho thực thành công đề tài mã số NVCC34.01/22-22 Tài liệu tham khảo [1] J MacQueen, “Some methods for classification and analysis of multivariate observations,” in Proceedings of the fifth Berkeley Symposium on Mathematical Statistics and Probability, 1967, vol [2] P O Gislason, J A Benediktsson, and J R Sveinsson, “Random forests for land cover classification,” in Pattern Recognition Letters, 2006, vol 27, no doi: 10.1016/j.patrec.2005.08.011 [3] Z Zhu and C E Woodcock, “Objectbased cloud and cloud shadow detection in Landsat imagery,” Remote Sens Environ, vol 118, 2012, doi: 10.1016/j.rse.2011.10.028 [4] S Qiu, Z Zhu, and B He, “Fmask 4.0: Improved cloud and cloud shadow detection in Landsat 4–8 and Sentinel-2 imagery,” Remote Sens Environ, vol 231, 2019, doi: 10.1016/j.rse.2019.05.024 [5] M Gašparović, M Zrinjski, and M Gudelj, “Automatic cost-effective method for land cover classification (ALCC),” Comput Environ Urban Syst, vol 76, 2019, doi: 10.1016/j.compenvurbsys.2019.03.001 [6] D D Ngoc et al., “Atmospheric correction algorithm over coastal and inland waters based on the red and NIR bands: application to Landsat-8/OLI and VNREDSat1/NAOMI observations,” Opt Express, vol 27, no 22, 2019, doi: 10.1364/oe.27.031676 [7] D D Ngoc et al., “Coastal and inland water pixels extraction algorithm (WiPE) from spectral shape analysis and HSV transformation applied to Landsat OLI and Sentinel-2 MSI,” Remote Sens Environ, vol 223, 2019, doi: 10.1016/j.rse.2019.01.024 [8] A Vedaldi and S Soatto, “Quick shift and kernel methods for mode seeking,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2008, vol 5305 LNCS, no PART doi: 10.1007/978-3-54088693-8_52. Summary Development of automated algorithm for land cover classification applied to VNREDSat-1 images Dang Nguyen Hien Duong, Institute of Space Technology Hanoi University of Science and Technology (USTH) Dinh Ngoc Dat, Doan Minh Chung, Huynh Xuan Quang, Mai Thi Hong Nguyen Institute of Space Technology Land cover classification using optical satellite images plays an important role in the change detection of materials on Earth This data source has contributed significantly to monitoring and managing natural resources, as well as hazard analysis and risk assessment Various presented studies have approached traditional algorithms such as K-Means, Iso Data, Random Forest, etc, to quickly obtain the classification output for further research It is crucial to assess each classificaiton method's performance to select the most optimal algorithm for different classification projects Applying different methods, such as K-means and Quick shift to VNREDSat-1 images, allows us to improve classification accuracy From that, the study considers the combination of these classification approaches, along with spectral analysis developed in previous works (WiPE algorithm), to propose an automated land cover classification method taking advantages of all results applied to VNREDSat-1 images. TẠP CHÍ KHOA HỌC ĐO ĐẠC VÀ BẢN ĐỒ SỐ 53-9/2022 39 ... loại hình sử dụng đất nên đa dạng loại hình lớp phủ mặt đất sở thuận lợi để xây dựng sở liệu phát triển thuật toán phân loại lớp phủ mặt đất từ ảnh vệ tinh VNREDSat-1 Ảnh vệ tinh VNREDSat-1 với... 0.95, Các bước thực thuật toán trình bày sơ đồ Hình Kết Sau phân loại, nghiên cứu ghi nhận kết phân loại ảnh vệ tinh VNREDSat-1 theo hai phương pháp phân cụm K-means phân mảnh Quick shift Hình... Quickshift phân mảnh hết đối tượng, kể đối tượng mà K-means phân loại sót Đây tiền đề để thực Hình 2: Sơ đồ thuật tốn tự động phân loại bước điền trống lớp chưa phân loại lớp phủ K-means cụm điểm ảnh