MỞ ĐẦU 1
Chƣơng 1: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU 7
1.1. Đặt vấn đề 7
1.2. Lịch sử phát triển của SAR 8
1.3. Tổng quan về các công trình nghiên cứu sử dụng phương pháp InSAR xây
dựng DSM
9
1.4. Đánh giá kết quả nghiên cứu đạt được trong và ngoài nước 20
1.5. Những vấn đề được phát triển trong luận án 21
Chƣơng 2: CƠ SỞ KHOA HỌC XÂY DỰNG MÔ HÌNH SỐ BỀ MẶT
(DSM) BẰNG ẢNH RADAR
22
2.1. Nguyên lý thu nhận ảnh radar 22
2.2. Hệ Radar nhìn xiên - SLAR 24
2.3. Radar độ mở tổng hợp - SAR 27
2.4. Các vệ tinh radar 29
2.5. Các tính chất đặc trưng của ảnh radar 34
2.6. Các phương pháp đo ảnh radar 35
2.7. Ứng dụng của viễn thám radar 40
2.8. Ứng dụng phương pháp Radar giao thoa - InSAR trong xây dựng mô hình
số bề mặt - DSM
44
2.9. Quy trình thành lập DSM bằng phương pháp Radar giao thoa - InSAR 51
Chƣơng 3: GIẢI PHÁP NÂNG CAO ĐỘ CHÍNH XÁC CỦA DSM ĐƢỢC
THÀNH LẬP BẰNG ẢNH RADAR 63
3.1. Giải pháp nâng cao độ chính xác của đồng đăng ký ảnh trong thành lập DSM 64
3.2. Giải pháp lọc nhiễu pha sử dụng phương pháp lọc nhiễu Goldstein tích
hợp kỹ thuật thích nghi láng giềng có trọng số
90
Chƣơng 4: THỰC NGHIỆM VÀ THẢO LUẬN 94
4.1. Khu vực nghiên cứu 94
4.2. Dữ liệu sử dụng 97
4.3. Xây dựng DSM-1 từ ảnh Sentinel-1A 102
4.4. Xây dựng DSM-2 bằng phần mềm SNAP kết hợp các giải pháp kỹ thuật đã
đề xuất
104
4.5. Đánh giá độ chính xác của DSM 119
KẾT LUẬN VÀ KIẾN NGHỊ 134
NHỮNG CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA NCS 136
TÀI LIỆU THAM KHẢO 138
PHỤ LỤC KÈM THEO 155
168 trang |
Chia sẻ: honganh20 | Ngày: 02/03/2022 | Lượt xem: 450 | Lượt tải: 1
Bạn đang xem trước 20 trang tài liệu Luận án Nghiên cứu giải pháp nâng cao độ chính xác của mô hình số bề mặt được thành lập từ ảnh radar, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
randient pha giữa các pixel liền kề được giới hạn (-π, π).
Lúc này pha đóng sẽ được xác định như sau:
kjiji 2,, (2.29)
Với k là số nguyên âm hoặc dương
1,...,0,1,...,0,, NjMiji (2.30)
Trong đó: i, j là hai chỉ số tương ứng vị trí hàng và cột của ma trận ảnh số.
Với một giá trị pha đóng ψi,j đã biết trước, muốn xác định giá trị pha mở i,j,
thì giả sử rằng đạo hàm của i,j có độ lớn nhỏ hơn π tại mọi vị trí. Do đó cần có
phương pháp để xác định giá trị từ ψ. Đây là mục tiêu của bài toán mở pha.
Trong bài toán mở pha có hai thành phần đạo hàm theo chỉ số i và j.
1,...,0,2,...0,,,1, NjMiW jijix ji (2.31)
0,
x
ji khác. Và
2,...,0,1,...0,,,1, NjMiW jijiy ji (2.32)
0,
x
ji khác
Trong đó: chỉ số x, y tương ứng với đạo hàm theo phương i và phương j.
Đối với bài toán mở pha, nhiều thuật toán đã được đưa ra để giải quyết vấn
đề hồi phục lại giá trị pha, phương pháp phổ biến để giải bài toán mở pha bao gồm:
- 60 -
cực tiểu nhỏ nhất, theo bài toán mạng, theo đường đi (Path-following) và năm 1998
Costantini [29], đã biến đổi bài toán mở pha thành bài toán mạng cực tiểu hóa toàn
cục. Trong mô hình mạng của Costantini, mỗi vòng xoay theo kim đồng hồ tính
tổng giá trị pha gradien của 2x2 pixel xung quanh được mô tả là một node. Node
tương ứng với phần dư dương hoặc âm thì được đánh dấu tương ứng + hoặc -. Hai
node kề nối nhau tạo thành một arc. Bài toán tối ưu hóa bằng cách dùng phương
pháp cực tiểu chi phí dòng mạng (MCF - Minimum Cost Flow) để xác định các
ràng buộc cho phép đạt lời giải pha chính xác.
Ngoài ra Chaubey [23], cũng khẳng định rằng mở pha là một trong những
bước quan trọng nhất trong quá trình tạo DEM bằng phương pháp InSAR. Khó
khăn trong mở pha là do các pha giao thoa bị nhiễu. Nguyên nhân gây ra nhiễu pha
có thể do lỗi hệ thống, mất tương quan của cặp ảnh, đồng đăng ký sai, bài toán lọc
nhiễu pha không phù hợp với dữ liệu. Vì vậy để kết quả DEM đạt độ chính xác cao
thì tất cả các công đoạn trong quy trình phải được kiểm soát chặt chẽ.
2.9.6. Chuyển đổi pha thành giá trị độ cao
Chuyển đổi từ pha sang độ cao liên quan đến chuyển đổi pha đã mở sang độ
cao địa hình mặc dù các điểm ảnh vẫn nằm trong hệ tọa ảnh Radar. Công thức tính
chuyển đã được trình bày trong mục 2.8 (công thức 2.22)
Độ cao được tính từ pha giao thoa theo công thức sau:
B
H
B
R
ha
2
tan
2
sin
(2.33)
Trong đó: )cos( BB
2.9.7. C yê ổi tọ và nắn chỉnh hình học - Hi u chỉnh hình học (Geocoding)
Chuyển đổi hình học đề cập đến việc chuyển đổi tọa độ từ tọa độ Radar
(khoảng cách/phương vị/chiều cao) sang hệ tọa độ trắc địa
Ở bước xử lý này cần thực hiện các yêu cầu sau:
Chuyển đổi mô hình DSM trên hệ tọa độ Radar thành hệ tọa độ trên
mặt đất.
Tái chia mẫu ảnh ở tỷ lệ tầm xiên thành ảnh tham chiếu trên mặt đất.
- 61 -
Xoay hướng phương vị thành hướng Bắc.
Để chuyển đổi tọa độ của một điểm trên hệ tọa độ Radar (khoảng
cách/phương vị/chiều cao) sang hệ tọa độ trắc địa, thì sử dụng phương trình [30]:
tsts
sl
D VVRR
R
f
2
(2.34)
tssl RRR (2.35)
1
2
arg
2
.2
arg
22
t
s
t
ss
hb
zR
ha
yRxR
(2.36)
Trong đó: fd: là tần số Doppler.
Rs, Vs là vị trí và vận tốc của bộ cảm.
Rt, Vt là vị trí và vận tốc của đối tượng.
a, b là bán trục lớn, bán trục bé của ellipsoid tham chiếu.
Rs và Vs được tính dựa vào việc nội suy từ quỹ đạo vệ tinh.
2.9.8. Đánh giá hất ƣợng của DSM
Để đánh giá độ chính xác của mô hình số bề mặt (DSM) thường tính độ cao
tương đối giữa các điểm lẫy mẫu của DSM so sánh với dữ liệu tham chiếu. Sai số
trung phương được tính như sau [14]:
n
i
ih
n
RMSE
1
21 (2.37)
Với rs hhh
Trong đó: h là tổng khoảng chênh lệch độ cao.
hs là độ cao của điểm trên DSM.
hr là độ cao của điểm tham khảo.
n là số điểm lẫy mẫu.
Đơn vị của RMSE thường là mét.
Ngoài ra độ chính xác của DSM được thành lập bằng phương pháp InSAR,
có thể được đánh giá bằng tổng độ lệch pha SPD ( sum of the diference). Đối với
mỗi pixel trong giao thoa tương ứng với một độ lệch pha SPD. Trong toàn bộ ảnh
- 62 -
giao thoa, giá trị SPD được tổng hợp từ các giá trị SPD thành phần của toàn bộ
pixel với công thức tính là [141]:
1
0
1
0
,
p
x
q
y
local yxSPDSPD (2.38)
Trong đó qp là kích thước của ảnh, yxSPDlocal , là độ lệch pha của pixel
có vị trí hàng x, cột y.
TIỂU KẾT CHƢƠN 2
Viễn thám radar chủ động hoạt động trong dải phổ siêu cao tần của sóng điện
từ, với bước sóng khoảng từ 1cm đến 100cm. Nguồn năng lượng tạo ra từ anten có
thể được phát đi theo một hướng quan tâm, và thu lại tín hiệu phản hồi - năng lượng
tán xạ ngược, có độ phân giải từ thấp đến cao với góc nhìn xiên. Viễn thám radar có
thể hoạt động trong mọi điều kiện của khí quyển, được sử dụng để nghiên cứu các
đối tượng của bề mặt Trái Đất, xác định vị trí của các chúng. Hệ thống radar có thể
tạo hình ảnh hay không tạo hình ảnh theo các trị số đo. Các hệ thống vệ tinh và tư liệu
ảnh radar đang được sử dụng hiện nay trong thành lập bản đồ, trong xây dựng DEM, DSM.
Phương pháp đo ảnh radar sử dụng chủ yếu hiện nay là phương pháp đo giao thoa - InSAR.
Trong qui trình xây dựng DSM tử ảnh radar theo phương pháp InSAR, các
công đọan: đồng đăng ký ảnh và lọc nhiễu pha là những công đoạn quan trọng, ảnh
hưởng trực tiếp đến chất lượng của ảnh giao thoa để tạo ra sản phẩm DSM.
Đồng đăng ký ảnh là bước đầu tiên trong qui trình tạo giao thoa và là bước
quan trọng nhất ảnh hưởng trực tiếp đến chất lượng của ảnh giao thoa. Để nâng cao
độ chính xác của DSM được thành lập ảnh giao thoa của phương pháp InSAR thì
việc chiết xuất các điểm đặc trưng trên ảnh và kích thước của cửa sổ cần phải được
nghiên cứu.
Ngoài ra, để quá trình giải mở pha đạt chính xác cao thì lọc nhiễu pha là một
bước quan trọng trong quy trình xử lý InSAR. Một phương pháp lọc nhiễu lý tưởng
phải có khả năng giảm tối đa các vùng pha bị lỗi nhưng vẫn bảo tồn được các vân
giao thoa.
- 63 -
CHƢƠNG 3
GIẢI PHÁP NÂNG CAO ĐỘ CHÍNH XÁC CỦA DSM ĐƢỢC THÀNH LẬP
BẰNG ẢNH RADAR
Radar giao thoa độ mở tổng hợp (InSAR) là một kỹ thuật sử dụng thông tin
pha để tạo ra DSM và đo biến dạng địa hình. Tuy nhiên, việc xử lý dữ liệu InSAR
vẫn là một nhiệm vụ đầy thách thức đối với các nhà khoa học. Đối với mỗi cặp ảnh
đã chọn, cần phải xử lý một số bước để cho ra được sản phẩm InSAR tốt nhất.
Trong đó có đồng đăng ký ảnh và lọc nhiễu pha. Đối với đồng đăng ký ảnh có hai
vấn đề cần lưu ý:
Đầu tiên là việc lựa chọn điểm khớp phải là điểm đặc trưng trên ảnh SAR.
Thứ hai là độ chính xác khớp điểm còn phụ thuộc vào hai yếu tố: kích thước cửa sổ
và phương pháp khớp. Nhìn chung, phương pháp khớp điểm được dựa trên tương
quan chéo cực đại. Kích thước cửa sổ là thông số rất quan trọng cần phải được xem
xét. Kích thước cửa sổ quá lớn sẽ không chỉ tác động đến khối lượng tính toán mà
còn phát sinh điểm khống chế giả. Tuy nhiên, kích thước cửa sổ quá nhỏ, có thể sẽ
gây ra sự nhầm lẫn sang các điểm khác gần với điểm thực tế tương ứng trong cửa sổ
tìm kiếm. Do đó, sẽ dẫn đến kết quả đồng đăng ký không đáng tin cậy. Đã có rất
nhiều các nghiên cứu khảo sát các phương pháp để tìm ra kích thước cửa sổ tối ưu
cho việc khớp điểm. Tuy nhiên, đến nay vẫn chưa có lý thuyết nào được phát triển
để hướng dẫn lựa chọn kích thước cửa sổ phù hợp.
Như đã trình bày về cơ sở lý thuyết trong chương 2 để chuyển giá trị pha
thành giá trị độ cao, chúng ta cần phải thực hiện bài toán mở pha. Tuy nhiên để bài
toán này được chính xác thì pha giao thoa phải có chất lượng tốt, các vân phải rõ
nét. Nhưng do bản chất thu nhận ảnh SAR và do ảnh hưởng của địa hình nên ảnh
giao thoa thường bị nhiễu, nhất là khu vực nhiệt đới gió mùa như ở Việt Nam, vì
vậy chúng ta cần phải lọc nhiễu cho toàn ảnh.
Do đó, một giải pháp đáng tin cậy nhằm nâng cao độ chính xác đồng đăng ký
ảnh và thuật toán lọc nhiễu phù hợp là rất cần được nghiên cứu để nâng cao độ
chính xác của DSM.
- 64 -
3.1. Giải pháp nâng cao độ chính xác của đồng đăng ký ảnh trong thành lập DSM
Như đã phân tích ở mục 2.9.1, các nhược điểm chính làm ảnh hưởng đến độ
chính xác đồng đăng ký ảnh bao gồm: sử dụng điểm khớp được phân bố theo lưới ô
vuông (grid), sử dụng một cửa sổ có kích thước cố định. Trong nghiên cứu này,
NCS đề xuất giải pháp khắc phục hai nhược điểm trên. Giải pháp bao gồm: tự động
chiết tách điểm đặc trưng và xác định cửa sổ tối ưu.
Quá trình đồng đăng ký ảnh thường sử dụng các cặp điểm khớp thu được
thông qua một mạng lưới (grid) với khoảng cách mắt lưới tùy chọn. Tuy nhiên,
phương pháp sử dụng grid sẽ cho độ chính xác xác định cặp điểm ảnh khớp rất thấp
khi các điểm mắt lưới không phải là điểm đặc trưng, hay nằm ở vùng ảnh có sự
đồng nhất cao. Điều này thể hiện thông qua giá trị tương quan chéo của cặp điểm sẽ
thấp. Xuất phát từ nhược điểm này, một giải pháp tự động chiết tách điểm đặc trưng
được đưa ra. Giải pháp sử dụng phép biến đổi sóng nhỏ (wavelet) phân tích ảnh
chính, tính giá trị gradient cực đại của hệ số wavelet, từ đó chiết tách các điểm đặc
trưng trên ảnh chính.
Kích thước cửa sổ được xem như là một yếu tố có thể ảnh hưởng lớn đến kết
quả đồng đăng ký ảnh. Việc lựa chọn kích thước cửa sổ là một bước quan trọng
trong đồng đăng ký ảnh. Một phần của giải pháp đưa ra để nâng cao độ chính xác
đồng đăng ký ảnh là chương trình tự động phân tích ảnh chính để xác định kích
thước cửa sổ tối ưu. Giải pháp bao gồm phân tích hệ số tự tương quan của ảnh chính
bằng phép biến đổi sóng nhỏ (wavelet) 1 chiều, dựa trên hệ số wavelet để xác định
kích thước cửa sổ tối ưu.
Với giải pháp được đề xuất, qui trình đồng đăng ký ảnh được mô tả như sau:
- 65 -
Hình 3.1. Các bƣớc trong quá trình đồng đăng ký ảnh SAR
3.1.1. Khái niệm chung về các phƣơng pháp xử lý tín hiệu
Biến đổi tín hiệu hay phân tích tín hiệu là thay đổi cách biểu diễn một tín
hiệu hoặc một hàm nhờ sử dụng một phép toán nào đó. Nhờ đó chúng ta có thể phân
tích một vấn đề kỹ thuật phức tạp thành các khía cạnh đơn giản hơn để dễ giải
quyết. Các phép biến đổi tín hiệu có vai trò khác nhau trong các ứng dụng xử lý tín
hiệu như: lọc, nhận dạng mẫu, dãn, định vị và nén tín hiệu. Hiệu suất của mỗi ứng
dụng phụ thuộc vào nhiều yếu tố, và do đó mỗi ứng dụng cần một kỹ thuật biến đổi
khác nhau để có được một kết quả tốt nhất. Trong các ứng dụng xử lý tín hiệu rời
- 66 -
rạc, các biến đổi wavelet rất phổ biến nhờ một số tính chất nổi bật. Trong chương
này chúng ta sẽ xét một số biến đổi tín hiệu và ứng dụng nó trong phân tich tín hiệu
ảnh SAR.
3.1.1.1. Phép biến đổi Fourier
Biến đổi Fourier dựa trên cơ sở chia một tín hiệu thành tổng các hàm sin với
tần số khác nhau hay nó là kỹ thuật biến đổi tín hiệu từ miền thời gian sang miền
tần số. Nhưng hạn chế lớn của phương pháp này là khi biến đổi sang miền tần số thì
thông tin thời gian bị mất đi, khi nhìn vào một biến đổi Fourier của tín hiệu không
thể biết được thời gian xảy ra sự kiện. Nó chỉ thích hợp với các tín hiệu dừng,
không thích hợp trong xử lý những tín hiệu liên tục. Dennis Gabor đã khắc phục
hạn chế trên bằng cách chấp nhận biến đổi Fourier để phân tích trong một đoạn
ngắn của tín hiệu theo thời gian gọi là cửa sổ tín hiệu, việc này biến tín hiệu thành
các hàm hai chiều của thời gian và tần số. Tuy nhiên, nó vẫn có nhược điểm là kích
thước cửa sổ thời gian thì bằng nhau đối với mọi tần số. Ta cần biến đổi kích thước
cửa sổ mềm dẻo hơn để đạt độ chính xác cao cả về thời gian và tần số.
Ngoài ra, Kumar [63] kết luận rằng biến đổi Fourier thời gian ngắn (Short
Time Fourier Transform - STFT) với cửa sổ thời gian ngắn có thể quan sát được sự
biến đổi của phổ theo thời gian nhưng không áp dụng được trong một thời gian tối
ưu hoặc sự phân tích tần số cho tín hiệu liên tục [99]. Phép biến đổi Fourier là một
công cụ toán học hữu ích và quan trọng nhưng nó chỉ cung cấp thông tin có tính
toàn cục, thích hợp cho những tín hiệu tuần hoàn, không chứa các đột biến hoặc các
thay đổi không dự báo được.
Công thức biến đổi Fourier thời gian ngắn STFT, được mô tả như sau [99]:
dtetwtxftSTFT ft 2., (3.1)
Với f là tần số và w(t −τ ) là hàm cửa số, trong đó t đóng vai trò để dịch
chuyển cửa sổ theo x.
- 67 -
Hình 3.2. Phép biến đổi Fourier trong thời gian ngắn (STFT) [99]
3.1.1.2. Phép biến đổi wavelet
Một lý do chính trong việc khám phá wavelet và phép biến đổi wavelet là
phép biến đổi Fourier không chứa thông tin cục bộ của tín hiệu. Vì thế phép biến
đổi Fourier không được sử dụng để phân tích tín hiệu trong cùng một miền thời gian
và tần số. Trong khi đó, wavelet lại có ưu điểm chính là khả năng thực hiện phân
tích cục bộ, thể hiện được đặc tính của dữ liệu mà các kỹ thuật phân tích khác
không có. Wavelet là dạng sóng có thời gian duy trì tới hạn với giá trị trung bình
bằng không. Wavelet có thời gian giới hạn, bất thường và bất đối xứng. Phân tích
wavelet chia các tín hiệu thành các tham số dịch chuyển và tham số tỷ lệ của các
wavelet mẹ.
Hình 3.3. Phép biến đổi wavelet [99]
Năm 1982, Jean Morlet [88], lần đầu tiên đưa ra ý tưởng về wavelet như là
một hàm cấu trúc phức tạp bằng cách dịch và dãn một hàm đơn, được gọi là wavelet
- 68 -
mẹ (Mother wavelet), để phân tích tín hiệu không dừng. Tuy nhiên, khái niệm mới
này có thể được quan sát như sự tổng hợp của nhiều ý tưởng ban đầu từ những lĩnh
vực khác nhau bao gồm toán, lý, kỹ thuật. Phân tích wavelet là một phương pháp
mới thú vị để giải quyết vấn đề khó khăn trong các vấn đền này, với áp dụng hiện
đại như lan truyền sóng, so sánh dữ liệu, xử lý hình ảnh, nhận dạng mẫu, đồ họa
máy tính, phát hiện máy bay và tàu ngầm, cải thiện kỹ thuật của công nghệ hình ảnh
y tế.
Trong phân tích Morlet, tín hiệu bao gồm những thuộc tính khác nhau trong
thời gian và tần số, nhưng thành phần tần số cao sẽ tồn tại trong một thời gian ngắn
hơn thành phần tần số thấp. Để đạt được độ phân giải thời gian tốt cho các tần số
cao và phân giải tốt cho thành phần tần số thấp, Morlet giới thiệu ý tưởng đầu tiên
của wavelet như một hàm phức tạp được xây dựng từ sự dịch và dãn của một hàm
đơn được gọi là “Mother wavelet” ψ (t) và được xác định như sau [40]:
dt
a
b
t
a
baX w
11
, * 0,, aRba (3.2)
Đặt
a
b
tab
1* là phiên bản dịch và dãn của wavelet mẹ. Dấu * ký
hiệu là liên hợp phức của biểu thức đó.
Trong đó: a là tham số tỷ lệ đặc trưng cho mức độ nén và dãn, còn b là một
tham số dịch chuyển xác định vị trí thời gian của wavelet. Nếu 1a , thì ψab (t) là
phiên bản nén và giãn của wavelet mẹ và chủ yếu tương ứng với tần số cao. Mặt
khác, khi a > 1 thì ψab(t) có một chiều rộng thời gian lớn hơn ψ (t) và tương ứng với
thành phần tần số thấp. Vì vậy, wavelet có bề rộng thời gian thích nghi với tần số
của chúng. Đây là lí do chính cho thành công của Mother wavelet trong xử lý tín
hiệu và phân tích tín hiệu thời gian tần số. Cần lưu ý rằng độ phân giải của wavelet
phụ thuộc vào sự thay đổi tỷ lệ khác nhau trong miền thời gian và tần số.
Quy trình phân tích wavelet là chọn một hàm wavelet nguyên mẫu, được gọi là
wavelet phân tích (analyzing wavelet) hay wavelet mẹ (mother wavelet). Phân tích thời
gian được thực hiện với dạng co lại (version), tần số cao của wavelet mẹ, trong khi
- 69 -
phân tích tần số được thực hiện với dạng giãn ra, tần số thấp của cùng wavelet mẹ. Vì
tín hiệu nguyên bản hay hàm có thể được biểu diễn dưới dạng một khai triển wavelet
(sử dụng các hệ số trong tổ hợp tuyến tính của các hàm wavelet), các tính toán dữ liệu
có thể được thực hiện sử dụng các hệ số wavelet tương ứng. Và nếu như chọn được
wavelet phù hợp với dữ liệu, hay bỏ bớt các hệ số dưới một ngưỡng nào đó, chúng ta
thu được dữ liệu được biểu diễn rời rạc. Mã hoá rời rạc (sparse coding) làm cho
wavelet trở thành một công cụ tuyệt vời trong lĩnh vực nén dữ liệu.
Các lĩnh vực ứng dụng khác sử dụng wavelet bao gồm thiên văn học, âm
học, kỹ thuật hạt nhân, mã hoá băng con, xử lý tín hiệu và xử lý ảnh, bệnh học thần
kinh, âm nhạc, ảnh cộng hưởng từ (magnetic resonance imaging), quang học, dự
báo động đất, radar, và các ứng dụng thuần tuý toán học như giải phương trình vi
phân từng phần (partial differential equation).
3.1.1.3. So sánh biến đổi Wavelet và biến đổi Fourier
* Sự giống nhau
Biến đổi Fourier nhanh (FFT) và biến đổi Wavelet rời rạc (DWT) đều là
phép toán tuyến tính sinh ra cấu trúc dữ liệu bao gồm các đoạn log2n độ dài thay đổi,
và biến đổi chúng thành các vectơ dữ liệu với độ dài 2n.
Đặc điểm toán học của các ma trận liên quan trong các biến đổi FFT và
DWT là tương tự nhau. Ma trận biến đổi ngược của cả FFT và DWT là ma trận
chuyển vị của ma trận nguyên gốc. Và kết quả là, cả hai biến đổi có thể xem như là
một phép quay không gian hàm tới một miền khác. Với FFT, miền mới này bao
gồm các hàm cơ sở đó là sin và cosin. Với biến đổi wavelet, miền mới này bao gồm
các hàm cơ sở phức tạp hơn được gọi là các Wavelet, Wavelet gốc (mother wavelet)
hay Wavelet phân tích (analyzing wavelet). Cả hai biến đổi còn có những điểm
tương đồng khác, các hàm cơ sở được phân bố theo tần số, các công cụ toán học
như phổ và biểu đồ tỷ lệ có thể được sử dụng để phân biệt các tần số và tính phân
bố công suất.
* Sự khác nhau
Một phương pháp để xem xét sự khác biệt về độ phân giải thời gian-tần số
giữa biến đổi Fourier và biến đổi Wavelet là xem sự hội tụ hàm cơ sở trên mặt
- 70 -
phẳng thời gian-tần số. Vì một cửa sổ duy nhất được sử dụng với mọi tần số trong
FT, độ phân giải của phân tích là giống nhau ở mọi khu vực trên mặt phẳng thời
gian - tần số.
Một ưu điểm của biến đổi Wavelet là các cửa sổ có thể thay đổi. Để tách các
điểm gián đoạn của tín hiệu, người ta có các hàm cơ sở rất ngắn và cùng thời điểm
đó để có được các phân tích tần số chi tiết người ta cần các hàm cơ sở rất dài.
Một điểm quan trọng là các biến đổi Wavelet không chỉ gồm một tập hợp
đơn của các hàm cơ sở như biến đổi Fourier với hàm sin và cosin. Thay vào đó, các
biến đổi Wavelet có một tập hợp vô hạn của các hàm cơ sở khả năng. Do
vậy, phân tích Wavelet đưa ra một phương pháp phân tích trực tiếp, mang lại kết
quả tốt hơn so với các phương pháp thời gian- tần số truyền thống như biến đổi
Fourier
3.1.2. Phép biến đổi Wavelet liên tục (CWT - Continous Wavelet Transform)
Biến đổi Wavelet liên tục được xác định là tổng trên toàn khoảng thời gian của
tín hiệu nhân theo tỷ lệ, dịch mức của hàm Wavelet. Gọi f(t) là tín hiệu 1-D, phép biến
đổi liên tục của f(t) sử dụng hàm wavelet ψ (t) được biểu diễn như sau [47]:
dt
a
b
tf
a
baW
11
, * (3.3)
Trong đó: f (t): tín hiệu vào
ψ (t) : Hàm Wavelet mẹ (Mother Wavelet).
a
b1* : là hàm liên hợp phức của wavelet ψ (t) được gọi là hàm
wavelet phân tích.
a : Hệ số tỷ lệ (co giãn).
b : Hệ số dịch chuyển.
a
1
: Hệ số chuẩn hóa đảm bảo tích phân năng lượng độc lập với a và b.
Phương trình (3.3) cho thấy, phép biến đổi wavelet là một ánh xạ chuyển từ
hàm một biến f(x) thành hàm W(a,b) phụ thuộc hai biến số là biến tỉ lệ a và biến
dịch chuyển b.
- 71 -
3.1.3. Biến đổi Wavelet rời rạc (DWT - Discrete Wavelet Transform)
Việc tính toán các hệ số wavelet tại tất cả các tỷ lệ là một công việc hết sức
phức tạp. Nếu tính toán như vậy sẽ tạo ra một lượng dữ liệu khổng lồ, các hệ số sinh
ra nhiều hơn cần thiết để tạo ra tín hiệu duy nhất, nó ảnh hưởng nhiều nếu cần phải
tái tạo lại tín hiệu gốc. Trong nhiều ứng dụng, đòi hỏi phải chuyển đổi qua lại,
chúng ta cần một phương pháp có số lượng hệ số tối thiểu để chuyển đổi ngược về
tín hiệu gốc và để giảm thiểu công việc tính toán này người ta chỉ chọn ra một tập
nhỏ các giá trị và các vị trí để tiến hành tính toán. Các giá trị này được tính toán tại
các tỷ lệ và các vị trí trên cơ sở lũy thừa cơ số 2 thì kết quả thu được sẽ hiệu quả và
chính xác hơn nhiều. Ta thực hiện một phép như vậy trong biến đổi wavelet rời rạc
(Discrete wavelet Tranform - DWT). Thực chất biến đổi wavelet rời rạc là sự rời rạc
hóa biến đổi wavelet liên tục. Việc rời rạc hóa được thực hiện với việc chọn các hệ
số a, b như sau a = 2j, b = a.k, với j, k ϵ Z. Biến đổi wavelet rời rạc có thể viết như
sau [63]:
dtkttfkjDWT j22, 21 (3.4)
Trong đó k=0, 1,,N-1 là hệ số của bộ lọc, f(t) là tín hiệu vào, ψ(2-jt-k) là
hàm wavelet mẹ.
Phân tích đa phân giải (Multi Resolution Analysis - MRA)
Phân tích đa phân giải là sử dụng các kỹ thuật lọc số trong quá trình phân
tích. Trong đó, mỗi một tín hiệu được phân tích thành hai thành phần: thành phần
xấp xỉ A (Approximation) „tương ứng với thành phần tần số thấp‟ và thành phần chi
tiết D (Detail) „tương ứng với thành phần tần số cao‟, thông qua hai bộ lọc thông
thấp và thông cao như mô tả trong hình 3.4. Trong đó, bộ lọc thông cao sử dụng
hàm wavelet ψ(x) và bộ lọc thông thấp sử dụng hàm tỉ lệ (scaling function) Φ(x).
Mối quan hệ giữa hàm tỉ lệ và hàm wavelet được xác định theo công thức
như sau [12]:
1
0
2
N
k
k kxcx (3.5)
- 72 -
1
0
121
N
k
k
k
Nkxcx (3.6)
Trong đó: ck là chỉ số vô hướng nhằm để xác định các hệ số tỷ lệ, N là số
mẫu trong tín hiệu.
Các phép lọc được tiến hành với nhiều tầng (level) khác nhau và để khối
lượng tính toán không tăng, khi qua mỗi bộ lọc, tín hiệu được lấy mẫu xuống 2 lần.
Ứng với mỗi tầng, tín hiệu có độ phân giải khác nhau. Do đó, phép biến đổi wavelet
rời rạc được gọi là phân tích đa phân giải (MRA, multi resolution analysis).
Hình 3.4. Phân tích đa phân giải sử dụng biến đổi wavelet rời rạc [12]
Tại mỗi tầng lọc, biểu thức của phép lọc được xác định theo công thức như
sau [12]:
n
high nkgnSny 2 (3.7)
n
low nkhnSny 2 (3.8)
- 73 -
Trong đó, S(n) là tín hiệu, h(n) là đáp ứng xung của các bộ lọc thông thấp
tương ứng với hàm tỉ lệ Φ(n) và g(n) là đáp ứng xung của các bộ lọc thông cao
tương ứng với hàm wavelet ψ(n). Hai bộ lọc này liên hệ nhau theo hệ thức:
h(N - 1 - n)=(-1)
n
g(n) (3.9)
Lưu ý là không phải các hàm wavelet nào cũng tồn tại hàm tỉ lệ tương ứng
xác định từ biểu thức (3.7) và (3.8); nên khi thực hiện phép biến đổi wavelet rời rạc,
phải chọn lựa các hàm wavelet có hàm tỉ lệ tương ứng như hệ hàm wavelet
Daubechies trực chuẩn - họ hàm này đều có các hàm tỉ lệ tương ứng.
Về lý thuyết, quá trình phân tách tín hiệu có thể lặp lại mãi mãi. Trong thực tế,
sự phân tách được thực hiện cho đến khi các chi tiết chỉ còn một mẫu hoặc một điểm.
Phép biến đổi wavelet rời rạc hai chiều
Khác hẳn với tín hiệu thời gian thông thường là chỉ có một chiều thời gian,
các pixel của ảnh phân bố theo hai chiều ngang và dọc. Do vậy để xử lý một hình
ảnh ta sử dụng wavelet 2D (Two - Dimensional Wavelet Transform), biến đổi
wavelet hai chiều được coi như là một tầng các phép toán biến đổi wavelet một
chiều. Biến đổi wavelet đầu tiên tính theo hướng ngang, biến đổi thứ hai tính theo
hướng dọc.
Gọi x và y là hai trục tọa độ của tín hiệu 2-D, L là phép lọc thông thấp, H là
phép lọc thông cao, phép biến đổi wavelet 2-D được tính cụ thể như sau [96]:
LLyxyx :, (3.10)
LHyxyxH :, (3.11)
HLyxyxV :, (3.12)
HHyxyxD :, (3.13)
Trong đó ψH là biến đổi theo hướng ngang, ψV là sự thay đổi theo hướng dọc
ψD là sự thay đổi theo đường chéo, υ(x), υ(y) là hàm tỷ lệ của tín hiệu 1D và ψ(x),
ψ(y) là hàm wavelet của tín hiệu 1D.
- 74 -
Hình 3.5. Sơ đồ biểu diễn một tầng biến đổi wavelet 2D [12]
Trong lĩnh vực xử lý tín hiệu, các bộ lọc được sử dụng phổ biến. Wavelet có thể
được thực hiện bởi các bộ lọc lặp đi lặp lại với tỷ lệ thay đổi. Độ phân giải của tín hiệu là
tiêu chuẩn để đánh giá lượng thông tin chi tiết trong tín hiệu. Độ phân giải của tín hiệu
được xác định bởi các quá trình lọc, và tỷ lệ được xác định bởi sự phân chia (upsampling)
và nội suy (downsampling) còn gọi là quá trình lấy mẫu con (subsampling).
Phép biến đổi wavelet phức (Complex Wavelet Transforms - CWT)
Hàm wavelet phức cho bốn thông tin về phần thực, phần ảo, độ lớn và pha của
tín hiệu. Nó thích hợp khi phân tích các tín hiệu dao động mạnh. Hàm wavelet thực,
chỉ cung cấp thông tin về độ lớn của tín hiệu nên thích hợp cho việc phát hiện các
điểm gián đoạn hay các đỉnh cực đại của tín hiệu, hàm wavelet phức, tạo ra từ đạo
hàm bậc năm của hàm Gauss thực và phức được viết như sau [62]:
υ(t) = υh(t) + iυg(t) (3.14)
Trong đó : υh(t) là phần thực, iυg(t) là phần ảo. Tương đư
Các file đính kèm theo tài liệu này:
- luan_an_nghien_cuu_giai_phap_nang_cao_do_chinh_xac_cua_mo_hi.pdf