Khoảng cách Mahalanobis đóng vai trò gì trong thuật toán MLC?

Khoảng cách Mahalanobis đo khoảng cách thống kê từ một pixel đến tâm của lớp trong không gian phổ nhiều chiều. Đại lượng này tự động chuẩn hoá phương sai của từng kênh phổ và khử tương quan chéo giữa các kênh thông qua ma trận nghịch đảo hiệp phương sai, tạo nên ranh giới phân loại phi tuyến dạng ellipsoid chuẩn xác.

Vì sao cần đủ số lượng pixel huấn luyện khi áp dụng MLC?

Để tính toán nghịch đảo và định thức của ma trận hiệp phương sai kích thước p x p, ma trận này không được phép suy biến. Nếu số lượng mẫu huấn luyện quá ít so với số kênh phổ p, ma trận sẽ bị kỳ dị khiến thuật toán không thể tính toán xác suất, dẫn đến hiện tượng Hughes trong phân loại ảnh.

Khi nào nên sử dụng thuật toán máy học hiện đại (như SVM hay Random Forest) thay thế cho MLC?

Nên sử dụng SVM hoặc Random Forest khi dữ liệu viễn thám vi phạm nghiêm trọng giả định phân phối Gauss (như ảnh radar SAR, mô hình số độ cao, dữ liệu tích hợp đa nguồn), khi tập mẫu huấn luyện có quy mô hạn chế, hoặc khi phân loại ảnh siêu phổ có số lượng kênh quá lớn.

Maximum likelihood classification: Nguyên lý và ứng dụng

Q: Thuật toán Maximum Likelihood Classification hoạt động dựa trên nguyên lý then chốt nào?

MLC hoạt động dựa trên định lý xác suất Bayes và giả định dữ liệu phổ của mỗi lớp tuân theo phân phối chuẩn Gauss đa biến. Thuật toán ước tính vector kỳ vọng và ma trận hiệp phương sai từ mẫu huấn luyện, sau đó tính xác suất hậu nghiệm kết hợp khoảng cách Mahalanobis để gán pixel vào lớp có khả năng cao nhất.

Maximum likelihood classification (MLC, phân loại khả năng cực đại hoặc phân loại xác suất cực đại) là thuật toán phân loại có giám sát kinh điển và phổ biến bậc nhất trong xử lý ảnh viễn thám và nhận dạng mẫu thống kê. Thuật toán hoạt động dựa trên định lý xác suất Bayes và giả định rằng dữ liệu phổ của mỗi lớp đối tượng tuân theo phân phối chuẩn đa chiều (multivariate Gaussian distribution). Dựa trên tập mẫu huấn luyện đại diện, thuật toán ước tính vector kỳ vọng và ma trận hiệp phương sai cho từng lớp, từ đó tính toán xác suất hậu nghiệm để gán mỗi pixel trên ảnh vào lớp có khả năng xuất hiện cao nhất.

Nguyên lý toán học và hàm phân định Bayes

Nền tảng lý thuyết của thuật toán phân loại khả năng cực đại bắt nguồn từ lý thuyết quyết định thống kê Bayes. Khi phân loại một pixel chưa biết có vector giá trị phổ phản xạ $X$ vào một trong số các lớp đối tượng mặt đất $\omega_i$ , xác suất hậu nghiệm $P(\omega_i \mid X)$ được xác định theo công thức Bayes:

P(\omega_i \mid X) = \frac{P(X \mid \omega_i) P(\omega_i)}{P(X)}

Trong hệ thức này, đại lượng $P(\omega_i \mid X)$ là xác suất pixel $X$ thuộc về lớp $\omega_i$ ; đại lượng $P(X \mid \omega_i)$ là hàm mật độ xác suất có điều kiện (likelihood function); đại lượng $P(\omega_i)$ biểu thị xác suất tiên nghiệm của lớp $\omega_i$ ; và đại lượng mẫu số $P(X)$ là xác suất toàn phần đóng vai trò thừa số chuẩn hoá.

Giả định phân phối chuẩn đa chiều

Theo công trình nền tảng của Strahler (1980), thuật toán giả định rằng vector phản xạ phổ của mỗi lớp lớp phủ phân bố theo luật phân phối Gauss đa biến trong không gian phổ đa chiều. Đối với dữ liệu viễn thám gồm $p$ kênh phổ, hàm mật độ xác suất có điều kiện $P(X \mid \omega_i)$ được biểu diễn bằng biểu thức giải tích:

P(X \mid \omega_i) = \frac{1}{(2\pi)^{p/2} |\Sigma_i|^{1/2}} \exp\left(-\frac{1}{2} (X - \mu_i)^T \Sigma_i^{-1} (X - \mu_i)\right)

Trong công thức trên, đại lượng $p$ là số lượng kênh phổ của cảm biến viễn thám; đại lượng $X$ là vector cột kích thước $p \times 1$ chứa các giá trị mức xám số học (DN) hoặc độ phản xạ bề mặt của pixel; đại lượng $\mu_i$ là vector giá trị trung bình đại diện cho tâm phổ của lớp $\omega_i$ ; đại lượng $\Sigma_i$ là ma trận hiệp phương sai kích thước $p \times p$ phản ánh mức độ phân tán và tương quan phổ giữa các kênh; đại lượng $|\Sigma_i|$ là định thức của ma trận hiệp phương sai; và đại lượng $\Sigma_i^{-1}$ là ma trận nghịch đảo tương ứng.

Hàm phân định thống kê và quy tắc gán nhãn

Để tối ưu hoá hiệu năng tính toán số học và tránh các sai số tràn số dấu phẩy động khi nhân các xác suất rất nhỏ, người ta lấy logarit tự nhiên của hàm mật độ xác suất kết hợp xác suất tiên nghiệm. Hàm phân định Bayes dạng logarit $g_i(X)$ sau khi loại bỏ hằng số độc lập với lớp được thiết lập như sau:

g_i(X) = \ln P(\omega_i) - \frac{1}{2} \ln |\Sigma_i| - \frac{1}{2} (X - \mu_i)^T \Sigma_i^{-1} (X - \mu_i)

Quy tắc quyết định của bộ phân loại MLC quy định rằng: pixel có vector phổ $X$ sẽ được gán chính thức vào lớp đối tượng $\omega_i$ khi và chỉ khi giá trị hàm phân định $g_i(X)$ đạt giá trị lớn nhất trong tất cả các lớp ứng viên:

X \in \omega_i \iff g_i(X) > g_j(X) \quad \forall j \neq i

Khi các lớp đối tượng được giả định có xác suất tiên nghiệm đồng đều như nhau, đại lượng $\ln P(\omega_i)$ trở thành hằng số và có thể giản lược khỏi hàm quyết định. Khi đó, ranh giới phân lớp phụ thuộc chặt chẽ vào số hạng bậc hai của khoảng cách Mahalanobis.

Khoảng cách Mahalanobis và hình học ranh giới phân lớp

Thành phần cốt lõi trong hàm phân định MLC là số hạng khoảng cách thống kê Mahalanobis bình phương giữa điểm ảnh $X$ và tâm lớp $\mu_i$ :

D_M^2 = (X - \mu_i)^T \Sigma_i^{-1} (X - \mu_i)

Khoảng cách Mahalanobis vượt trội hơn khoảng cách hình học Euclid nhờ hai đặc tính toán học căn bản:

Chuẩn hoá phương sai riêng biệt: Tự động co giãn tỷ lệ khoảng cách theo phương sai của từng kênh phổ, ngăn chặn tình trạng một kênh có biên độ dao động số học lớn lấn át hoàn toàn các kênh phổ khác.
Khử tương quan chéo: Nhờ ma trận nghịch đảo hiệp phương sai, khoảng cách này tính đến hướng phân bố elip của đám mây điểm ảnh trong không gian nhiều chiều, tạo ra các mặt đẳng xác suất dạng ellipsoid bao quanh tâm phổ của lớp.

Nhờ đặc tính này, ranh giới phân lớp giữa hai đối tượng trong thuật toán MLC là các mặt cong bậc hai phi tuyến trong không gian $p$ chiều. Điều này cho phép thuật toán phân tách chính xác các đối tượng có mức độ biến thiên phổ không đồng nhất, mang lại độ mềm dẻo vượt trội so với các bộ phân loại tuyến tính đơn giản như phương pháp khoảng cách tối thiểu (minimum distance) hay phương pháp hộp phân loại (parallelepiped).

Quy trình thực thi phân loại ảnh viễn thám

Việc áp dụng thuật toán MLC trên thực tế đòi hỏi một quy trình xử lý dữ liệu chặt chẽ từ tiền xử lý đến đánh giá chất lượng sản phẩm chuyên đề:

Lựa chọn mẫu huấn luyện

Chất lượng của bản đồ phân loại phụ thuộc mang tính quyết định vào tập mẫu huấn luyện (training samples). Người phân tích phải khoanh vẽ các vùng mẫu đại diện trên ảnh dựa trên kiến thức thực địa hoặc ảnh hàng không độ phân giải cao. Tập mẫu phải thoả mãn các yêu cầu khắt khe sau:

Kích thước mẫu đủ lớn: Để ma trận hiệp phương sai không bị suy biến (kỳ dị), số lượng pixel huấn luyện cho mỗi lớp bắt buộc phải lớn hơn đáng kể so với số kênh phổ $p$ . Quy tắc thực nghiệm yêu cầu tối thiểu số pixel phải gấp 10 lần đến 30 lần số kênh phổ.
Độ thuần khiết phổ: Tránh đưa các pixel biên hoặc pixel hỗn hợp vào tập huấn luyện nhằm bảo toàn phân phối chuẩn đơn đỉnh của mẫu.
Kiểm định tính chuẩn: Phải kiểm tra biểu đồ tần số và độ lệch (skewness), độ nhọn (kurtosis) để đảm bảo dữ liệu xấp xỉ phân phối Gauss.

Ngưỡng từ chối xác suất

Trong thực tế, ảnh viễn thám luôn chứa các đối tượng không thuộc bất kỳ lớp huấn luyện nào hoặc các pixel dị thường. Thuật toán MLC cho phép thiết lập một ngưỡng từ chối (rejection threshold) dựa trên phân phối Chi bình phương của khoảng cách Mahalanobis. Nếu khoảng cách thống kê từ một pixel đến tâm của tất cả các lớp đều vượt quá ngưỡng xác suất cho phép, pixel đó sẽ được gán nhãn là chưa phân loại thay vì bị ép gán sai vào một lớp có sẵn.

Đánh giá độ chính xác phân loại

Theo phân tích toàn diện của Congalton (1991) và Foody (2002), kiểm định độ chính xác là bước bắt buộc để chứng minh giá trị khoa học của bản đồ viễn thám. Công cụ tiêu chuẩn để đánh giá là ma trận nhầm lẫn (confusion matrix hoặc error matrix) đối chiếu giữa kết quả phân loại và dữ liệu thực tế tại các điểm kiểm tra độc lập.

Các chỉ số độ chính xác cốt lõi

Từ ma trận sai số kích thước $k \times k$ với tổng số điểm khảo sát $N$ , các tham số định lượng được trích xuất:

Độ chính xác tổng thể: Ký hiệu là $\text{OA}$ , phản ánh tỷ lệ phần trăm số pixel được phân loại đúng trên tổng số pixel kiểm tra:
$\text{OA} = \frac{\sum_{i=1}^k x_{ii}}{N}$
Độ chính xác của người sản xuất: Đo lường xác suất một điểm thực tế trên mặt đất được phân loại đúng trên bản đồ, phản ánh mức độ sai số bỏ sót (omission error).
Độ chính xác của người sử dụng: Đo lường xác suất một điểm trên bản đồ thể hiện đúng đối tượng ngoài thực địa, phản ánh mức độ sai số nhận nhầm (commission error).
Hệ số chỉ số Kappa: Đo lường mức độ tương đồng giữa kết quả phân loại và dữ liệu thực địa sau khi đã loại trừ yếu tố trùng lặp ngẫu nhiên:
$\hat{\kappa} = \frac{N \sum_{i=1}^k x_{ii} - \sum_{i=1}^k (x_{i+} x_{+i})}{N^2 - \sum_{i=1}^k (x_{i+} x_{+i})}$

Hiệu năng thực nghiệm trên dữ liệu vệ tinh

Nghiên cứu thực nghiệm so sánh của Tan và cộng sự (2011) trên tư liệu ảnh vệ tinh Landsat 7 ETM+ gồm 4 băng phổ với độ phân giải không gian 30 m đã chứng minh hiệu năng vững chắc của thuật toán MLC. Trong bài toán phân loại lớp phủ thực vật và mặt nước, thuật toán MLC đạt độ chính xác tổng thể 88%, tiệm cận sát sao độ chính xác của các mạng nơ-ron nhân tạo phức tạp trong khi đòi hỏi thời gian huấn luyện và tài nguyên tính toán thấp hơn rất nhiều.

Bảng so sánh với các thuật toán phân loại phổ biến

Bảng tổng hợp dưới đây so sánh các đặc tính kỹ thuật cơ bản giữa Maximum Likelihood Classification và các thuật toán phân loại khác trong viễn thám:

Thuật toán	Giả định phân phối	Dạng ranh giới quyết định	Độ nhạy kích thước mẫu	Ưu điểm nổi bật
Maximum Likelihood (MLC)	Chuẩn đa biến (Gauss)	Mặt cong bậc hai phi tuyến	Cao (cần mẫu lớn để tính ma trận hiệp phương sai)	Tối ưu xác suất toán học khi dữ liệu chuẩn
Khoảng cách tối thiểu (Minimum Distance)	Không giả định (dùng tâm cụm)	Đường thẳng / siêu phẳng tuyến tính	Thấp (chỉ cần tính vector trung bình)	Tốc độ xử lý cực nhanh, không suy biến mẫu
Support Vector Machine (SVM)	Phi tham số (không giả định)	Siêu phẳng tối đa hoá lề trong không gian nhân	Thấp đến trung bình (dựa vào vector hỗ trợ)	Xử lý tốt dữ liệu số chiều lớn và mẫu nhỏ
Random Forest (RF)	Phi tham số (tập hợp cây)	Phân vùng phi tuyến trực giao trục toạ độ	Trung bình (chống quá khớp mạnh mẽ)	Kháng nhiễu tốt, xử lý tốt dữ liệu đa nguồn

Ưu điểm, hạn chế và điều kiện áp dụng

Mặc dù là chuẩn mực kinh điển trong phân loại ảnh viễn thám suốt nhiều thập kỷ, thuật toán MLC bộc lộ những giới hạn nội tại cần được nhận thức đầy đủ khi áp dụng vào các đề tài khoa học:

Phụ thuộc giả định phân phối chuẩn: Dữ liệu viễn thám thực tế (như ảnh radar SAR, ảnh địa hình số DEM hoặc các chỉ số thực vật) thường có phân phối lệch, đa đỉnh hoặc bất đối xứng. Khi dữ liệu vi phạm nghiêm trọng giả định Gauss, sai số phân loại của MLC sẽ gia tăng đáng kể.
Vấn đề pixel hỗn hợp (Mixed pixels): Theo phân tích của Foody (2002), tại các vùng chuyển tiếp sinh thái hoặc cảnh quan đô thị phân mảnh cao, các pixel có kích thước 30 m thường chứa hỗn hợp nhiều lớp phủ khác nhau. Phương pháp gán nhãn cứng đơn nhất của MLC không thể biểu diễn sự pha trộn liên tục này, đòi hỏi phải chuyển sang các phương pháp phân loại mờ (fuzzy classification) hoặc giải chập phổ (spectral unmixing).
Yêu cầu số lượng mẫu huấn luyện: Trong các bài toán sử dụng ảnh siêu phổ (hyperspectral) với hàng trăm kênh, số lượng tham số trong ma trận hiệp phương sai đối xứng tăng theo hàm bậc hai (tỷ lệ thuận với bình phương số kênh phổ), dẫn đến hiện tượng Hughes (lời nguyền số chiều) khiến ma trận bị suy biến trừ khi có số lượng mẫu huấn luyện khổng lồ.