- PHƯƠNG PHÁP PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH VIỄN THÁM QUANG HỌC ỨNG DỤNG TRONG CÔNG TÁC TÌM KIẾM CỨU NẠN. - Phương pháp phát hiện dị thường trên ảnh viễn thám quang học ứng dụng trong công tác tìm kiếm cứu nạn. - School (2012) đã công bố nghiên cứu phát hiện đối tượng mìn kích thước dưới điểm ảnh dựa trên kỹ thuật phân tích phổ dữ liệu ảnh vệ tinh Worldview-2, thực nghiệm trên biển. - Marshall and Perkins, 2015) đã tập trung nghiên cứu phát hiện ngoại lai màu trên ảnh UAV ứng dụng cho công tác tìm kiếm cứu nạn, hiệu suất phát hiện các điểm ảnh ngoại lai trên tập dữ liệu mẫu của các thuật toán đều lớn hơn 95%. - Thứ ba, một máy dò các điểm ảnh dị thường (ngoại lai), xác định các vectơ phổ từ các điểm ảnh bị lệch hoặc có sự khác biệt phổ đáng kể so với các điểm ảnh nền xung quanh.. - có thể ảnh hưởng đến hiệu suất phát hiện các đối tượng cần tìm kiếm. - Cách tiếp cận thứ ba, máy dò dị thường được sử dụng để tìm những điểm ảnh dị thường. - Tập hợp của các điểm ảnh dị thường liền kề nhau tạo thành một vùng rất nhỏ về mặt không gian và tồn tại với xác suất thấp trong một cảnh, những điểm ảnh này chứa mục tiêu cần tìm kiếm hoặc là nhiễu. - Do đó, việc lựa chọn phương pháp phát hiện dị thường phổ (hoặc màu sắc) để xác định các vectơ phổ từ các điểm ảnh bị lệch hoặc có sự khác biệt phổ đáng kể so với các điểm ảnh nền xung quanh tương đối phù hợp cho công tác tìm kiếm cứu nạn.. - Các phần tiếp theo của bài báo sẽ trình bày phương pháp phát hiện dị thường trên ảnh đa phổ, siêu phổ. - 2 MỘT SỐ TIẾP CẬN PHÁT HIỆN DỊ THƯỜNG TRÊN ẢNH ĐA PHỔ, SIÊU PHỔ. - Dựa trên các phương pháp phát hiện các điểm ảnh dị thường trên ảnh đa phổ, siêu phổ khác nhau, năm nhóm phương pháp được phân chia như sau:. - Trên quan điểm lý thuyết, vấn đề phát hiện các điểm ảnh dị thường có thể được xem như là vấn đề phân lớp nhị phân (Manolakis and Shaw, 2002a), có nghĩa rằng mục đích của nhiệm vụ này là phân loại các điểm ảnh vào một trong hai lớp "dị thường". - máy dò dị thường theo phương pháp thống kê bậc cao;. - RXD được coi là máy phát hiện dị thường chuẩn cho hình ảnh đa phổ, siêu phổ (Smetek and Bauer, 2007). - Cốt lõi của quy tắc phát hiện các điểm ảnh dị thường được tính bằng cách tối đa hóa xác suất phát hiện với ràng buộc duy trì xác suất cảnh báo sai không đổi ở một giá trị mong muốn. - Thứ ba, RXD có tỷ lệ dương tính giả cao, nó phát hiện các điểm ảnh dị thường trong vùng cục bộ quanh điểm ảnh đang xét nhưng không phải trong toàn cục (một cái cây đơn lẻ trong đồng cỏ đồng nhất cục bộ được coi là dị thường cục bộ ngay cả khi toàn bộ ảnh có cả một khu rừng) (Stein et al., 2002. - Cách tiếp cận này đề xuất phân loại các điểm ảnh dị thường được phát hiện bằng biểu đồ của biện pháp lọc tương quan phù hợp và được xử lý theo thời gian thực. - Du and Zhang (2011) đã đề xuất một biến thể của RXD bằng cách lựa chọn tùy ý các điểm ảnh đại diện nền cho mỗi khối dữ liệu thay vì sử dụng toàn bộ hình ảnh.. - Biến thể thứ hai là LF-RXD (Linear Filter - RXD), việc tính toán RXD dựa trên bộ lọc tuyến tính sử dụng xác suất của từng điểm ảnh nền để lọc các trường hợp dị thường hoặc nhiễu.. - Cách tiếp cận này phù hợp để thực hiện trên các máy phát hiện dị thường: RXD. - phương pháp tiếp cận dựa trên cửa sổ không gian lồng nhau để phát hiện mục tiêu (Liu and Chang, 2004). - qua Gabor thuật toán RXD sẽ được áp dụng để phát hiện các điểm ảnh dị thường.. - (2019) đã đề xuất phương pháp SSAC (spectral and spatial approximate computing) để phát hiện nhanh các điểm ảnh dị thường trên ảnh siêu phổ thông qua ba giai đoạn. - Giai đoạn thứ hai sử dụng thuật toán k-mean để phân cụm dữ liệu, và giai đoạn cuối cùng sử dụng RXD để phát hiện các điểm ảnh dị thường.. - and Tran (2012) đã xây dựng kiểm nghiệm giả thuyết nhị phân cho phát hiện dị thường và sử dụng thuật toán KNN để tìm k láng giềng gần nhất để tính hàm mật độ xác suất phi tham số cho điểm ảnh đang xét. - (2014) đã đưa ra chiến lược để quyết định một điểm ảnh có phải là dị thường hay là nền dựa trên định lý Neyman-Pearson sử dụng các hàm PDF. - Năm 2005, Carlotto (2005) đã đề xuất máy dò dị thường dựa trên cụm (CBAD - cluster based anomaly detector), được coi là máy phát hiện dị thường chuẩn cho các phương pháp tiếp cận dựa trên phân cụm (Salem et al., 2014. - Cách tiếp cận này là phân cụm các điểm ảnh để thu được bản đồ chủ đề theo phương pháp lượng tử hóa biểu đồ của các thành phần chính hình ảnh.. - Điểm ảnh vượt quá ngưỡng được coi là dị thường. - Trong bước đầu, sử dụng một tỷ lệ nhỏ ngẫu nhiên các điểm ảnh để phân cụm, do dó làm tăng tốc độ tính toán. - 2.2.2 Máy phát hiện dị thường dựa trên phân đoạn không gian. - Một phương pháp phát hiện dị thường dựa trên cách tiếp cận vectơ hỗ trợ được đưa ra và áp dụng cho ảnh siêu phổ (Banerjee et al., 2006). - Ở đây, dữ liệu huấn luyện là các điểm ảnh nền được bắt bởi các cửa sổ trượt kép. - Phân tích thành phần độc lập (Hyvarinen and Oja, 2000) và theo đuổi phép chiếu (Huber, 1985) tuân theo cách tiếp cận chiếu dữ liệu siêu phổ chiều cao vào không gian dữ liệu chiều thấp, trong khi vẫn giữ lại những thông tin quan tâm trong các ứng dụng phát hiện dị thường và mục tiêu, thường được xác định là sự hiện diện của các điểm ảnh dị thường đi lệch khỏi phân bố nền. - Cách tiếp cận này được áp dụng rộng rãi trong phát hiện dị thường và mục tiêu (Ifarraguerri and Chang, 2000. - Nó dựa trên khái niệm rằng mỗi điểm ảnh trong nền có thể được biểu diễn xấp xỉ bởi các vùng lân cận không gian của nó, trong khi dị thường không thể. - Tuy nhiên, không có phương pháp nào trong số các phương pháp này xem xét mối tương quan của tất cả các điểm ảnh trong ảnh siêu phổ. - Một phương pháp phát hiện dị thường mới dựa trên biểu diễn hạng thấp và biểu diễn thưa được Xu et al. - Biểu diễn hạng thấp có thể được sử dụng để tìm biểu diễn hạng thấp nhất của tất cả các điểm ảnh cùng chung tính chất. - (2018) đã có sự kết hợp giữa LRX và biểu diễn thưa để phát hiện các điểm ảnh dị thường trên ảnh siêu phổ. - Đầu tiên, LRX được sử dụng để thu được các điểm ảnh nền, những điểm ảnh nền này được sử dụng để xây dựng từ điển. - Sau khi có được từ điển, nó được dùng để biểu biễn các điểm ảnh, độ lệch giữa vector điểm ảnh gốc và vector điểm ảnh được tái tạo sau biểu diễn thưa được dùng để phát hiện các điểm ảnh dị thường.. - Vafadar and Ghassemian (2018) đã đề xuất phương pháp CRBORAD (collaborative- representation-based with outlier removal anomaly detector) và CRBORAD-Gaussian-kernel sử dụng cả thông tin phổ và không gian để phát hiện các điểm ảnh dị thường. - Chính vì vậy, phải đi tìm một vector để biểu diễn điểm ảnh đang xét. - (2018) đã thay đổi cách tính toán để đưa ra một vector trọng số mới, kết quả kiểm nghiệm đã vượt qua CRBORAD về hiệu suất phát hiện các điểm ảnh dị thường.. - (2018) cũng cho rằng, các điểm ảnh nền có thể được biểu diễn thưa bởi các vùng lân cận của chúng, trong khi các điểm ảnh dị thường thì không thể. - (2018) đề xuất một phương pháp phát hiện dị thường từ việc trích trọn đặc trưng. - (2018) cho rằng, vector phổ của các điểm ảnh có thể được biểu diễn thưa bởi một vài kênh phổ nổi bật, sử dụng phương pháp biểu diễn thưa thông qua việc xây dựng đa từ điển sẽ được một vector phổ đặc trưng mới. - (2019) đã đề xuất hai kỹ thuật để phát hiện các điểm ảnh dị thường. - (2019) cho rằng sự hiện diện của các điểm ảnh ngoại lai sẽ ảnh hưởng đến độ chính xác phát hiện dị thường của thuật toán.. - dụng thuật toán UNRS (Li et al., 2014) để phát hiện các điểm ảnh dị thường. - Chín cửa sổ cục bộ này được sử dụng để tính toán khoảng cách Mahalanobis của điểm ảnh thử nghiệm, từ đó phân tách được điểm ảnh nền và điểm ảnh dị thường.. - Để thực hiện phương pháp phát hiện dị thường này, Li et al. - Trung bình giá trị đầu ra của CNN làm đầu ra để phát hiện các điểm ảnh dị thường. - (2018) đề xuất kỹ thuật DBN (deep belief network) để phát phát hiện các điểm dị thường. - Khi đó, các điểm ảnh sẽ được biểu diễn dưới dạng một loạt các mã ngắn. - Để phân loại các điểm ảnh dị thường, sử dụng phương pháp tính khoảng cách giữa điểm ảnh đang xét và các điểm ảnh lân cận của nó.. - Giai đoạn đầu thông tin về phổ được sử dụng để phân loại, giai đoạn hai là sự kết hợp thông tin về không gian để loại bỏ các vùng không chắc chắn dẫn đến sự cải thiện về hiệu suất phát hiện các điểm ảnh dị thường. - SAE (stacked autoencoders) thực hiện nhiệm vụ tìm các đặc trưng khác biệt giữa điểm ảnh đang xét và các điểm ảnh từ điển cục bộ. - Sau khi thu được các đặc trưng, sử dụng 2-norm dựa trên mô hình không gian con thích ứng để phát hiện các điểm ảnh dị thường.. - Bảng 1: Đặc điểm của một số phương pháp phát hiện dị thường Cách tiếp cận Phạm vi Kích thước. - Dữ liệu phổ Từ một phần điểm ảnh đến vài điểm ảnh. - Từ một phần điểm ảnh đến vài điểm ảnh. - Có hiệu suât phát hiện dị thường cao hơn RXD;. - Máy dò dị thường theo phương pháp thống kê bậc. - Có tốc độ và hiệu suât phát hiện dị thường cao hơn RXD.. - Hiệu suất phát hiện dị thường cao hơn RXD;. - Bộ dò dị thường. - dựa trên cụm Dữ liệu phổ Từ một phần điểm ảnh đến vài điểm ảnh. - Máy phát hiện dị thường dựa trên phân đoạn không gian. - hỗ trợ nền Dữ liệu phổ Từ một phần điểm ảnh đến vài điểm ảnh. - Hiệu suất phát hiện dị thường cao;. - 3 TIÊU CHÍ ĐÁNH GIÁ HIỆU QUẢ CỦA CÁC THUẬT TOÁN PHÁT HIỆN DỊ THƯỜNG. - Đánh giá hiệu quả của một thuật toán phát hiện dị thường là vấn đề khó, bởi vì những điểm ảnh dị thường là rất hiếm. - Hầu hết các thuật toán đưa ra giá trị dị thường và ngưỡng để kết luận các điểm ảnh có là dị thường hay không. - Gọi G là tập các điểm ảnh dị thường trên ảnh, S(t) là tập các điểm ảnh dị thường thu được sau khi chạy thuật toán, với ngưỡng là t. - Độ chính xác được định nghĩa là phần trăm số điểm ảnh dị thường tìm được đúng trên tổng số điểm ảnh dị thường thu được.. - Độ bao phủ được định nghĩa là phần trăm số điểm ảnh dị thường tìm được đúng (với ngưỡng t) trên tổng số điểm dị thường trên ảnh.. - Một thuật toán phát hiện các điểm ảnh dị thường tốt là thuật toán có cả Precision và Recall đều cao, tức càng gần 100 càng tốt.. - Tỷ lệ dương tính giả ký hiệu FPR (False Positive Rate) được định nghĩa là phần trăm tỷ lệ những kết quả sai tìm được (dương tính giả) trên tổng số điểm ảnh không phải điểm dị thường. - Các thách thức đặt ra trong việc phát hiện các điểm ảnh dị thường trên ảnh đa phổ, siêu phổ gồm:. - Thách thức thứ hai liên quan đến việc phát hiện dị thường với. - Trong thực tế, kích thước của dị thường có thể dao động từ một phần điểm ảnh đến vài điểm ảnh và việc phát hiện các dị thường với kích thước khác nhau cùng một máy dò dị thường là một thách thức lớn. - Cách tiếp cận này cung cấp một giải pháp xử lý gần như theo thời gian thực cho từng điểm ảnh.. - Chúng có khả năng phát hiện dị thường có kích thước khác nhau nhưng rất tốn thời gian. - (2011a, b) sử dụng phương pháp biểu diễn thưa để phát hiện các điểm ảnh dị thường, trong nghiên cứu (Xu et al., 2016) Xu và các cộng sự đề xuất phương phát phát hiện dị thường dựa trên biểu diễn hạng thấp. - Các phương pháp này sử dụng cho cảnh có độ phân giải cao và có thể phát hiện dị thường có kích thước khác nhau. - Tuy nhiên, xử lý thời gian thực rất khó thực hiện do phải trải qua giai đoạn tìm nghiệm thưa hoặc tìm ra ma trận hạng thấp sau đó mới có thể tìm được các điểm ảnh dị thường.. - (2019) đề xuất phương pháp 2SHyperNet, Zhang and Cheng (2019) đề xuất phương pháp SAEASM để phát hiện các điểm ảnh dị thường.. - Nghiên cứu phân tích mối quan hệ, ràng buộc dữ liệu, mối tương quan về mặt không gian của các điểm ảnh có thể làm tăng hiệu quả phát hiện dị thường trong thời gian tới.. - Tỷ lệ dương tính giả cao do hai nguyên nhân chính: thứ nhất, các thuật toán phát hiện dị thường tính toán cục bộ nên không xét đến mối tương quan của các điểm ảnh trong toàn bộ cảnh làm cho tỷ lệ dương tính giả cao. - Trong khi đó, hầu hết các thuật toán hoạt động như một bộ lọc dẫn đến các điểm ảnh là nhiễu sẽ được đưa vào lớp dị thường làm cho tỷ lệ dương tính giả cao. - liệu có thể làm tăng hiệu suất phát hiện dị thường của các thuật toán.. - Kỹ thuật phát hiện dị thường dựa trên ước lượng hàm mật độ xác suất phi tham số nền (mục 2.1.3) có hiệu suất phát hiện các điểm ảnh dị thường cao và đáng tin cậy, tuy nhiên nó có chi phí tính toán rất lớn nên khó áp dụng vào thực tế. - Các máy dò dị thường đầu tiên được đề xuất dựa trên các phương pháp thống kê, mặc dù phương pháp này rất mạnh để phát hiện các điểm ảnh dị thường nhưng chúng cũng gặp phải nhiều vấn đề như chi phí tính toán cao, khả năng phát hiện ra các dị thường có kích thước nhỏ rất hạn chế, có tỷ lệ dương tính giả cao. - Một số đặc điểm của các phương pháp phát hiện dị thường trên ảnh đa phổ, siêu phổ được liệt kê trong Bảng 1.. - Một trong những thách thức là tối ưu các thuật toán phát hiện dị thường hiện có để tăng tốc độ tính toán.. - Dựa trên những thách thức đó, một số định hướng nghiên cứu phát triển trong thời gian tới đã được đề xuất như: khai thác mối tương quan về không gian của các điểm ảnh. - có thể làm tăng hiệu quả phát hiện dị thường của các thuật toán, giảm tỷ lệ dương tính giả. - Một số kỹ thuật phát hiện dị thường trên ảnh UAV ứng dụng cho công tác tìm kiếm cứu nạn