Phân loại ảnh siêu phổ (hyperspectral image classification) là phương pháp gán nhãn chuyên đề hoặc lớp phủ bề mặt cho từng điểm ảnh trong khối dữ liệu ảnh quang học dựa trên việc phân tích đặc trưng đường cong phổ liên tục qua hàng trăm dải bước sóng điện từ hẹp và liền kề nhau. Khác với ảnh đa phổ truyền thống chỉ ghi nhận một số dải phổ rộng và rời rạc, ảnh siêu phổ cung cấp thông tin phổ gần như liên tục, cho phép nhận diện tinh vi các hợp chất hóa học, khoáng vật và trạng thái sinh lý của thảm thực vật từ quy mô viễn thám Trái Đất đến nông nghiệp chính xác và hình ảnh y sinh. Bài viết phân tích các nguyên lý vật lý cốt lõi, hiện tượng suy giảm độ chính xác do số chiều cao, các giải pháp nhân hạt, phương pháp kết hợp không gian và phổ, các kiến trúc học sâu phân cấp, mô hình biến đổi chú ý và các thách thức kỹ thuật khi triển khai thực tế.
Bản chất vật lý và đặc thù của dữ liệu ảnh siêu phổ
Dữ liệu ảnh siêu phổ được thu nhận bởi các bộ cảm biến quang học gắn trên vệ tinh, máy bay hoặc thiết bị chuyên dụng, đo lường năng lượng bức xạ phản xạ hoặc bức xạ phát xạ từ bề mặt quan sát. Việc khai thác dữ liệu này đòi hỏi nắm vững hai đặc tính nền tảng:
Cấu trúc khối dữ liệu lập thể và chữ ký phổ
Dữ liệu ảnh siêu phổ có dạng một khối lập thể ba chiều, bao gồm hai chiều không gian biểu thị tọa độ địa lý của bề mặt địa hình và một chiều thứ ba là trục phổ biểu diễn hàng trăm bước sóng điện từ liên tục từ vùng ánh sáng khả kiến qua hồng ngoại gần đến hồng ngoại sóng ngắn. Tại mỗi tọa độ điểm ảnh, chuỗi giá trị phản xạ bức xạ theo các bước sóng tạo thành một đường cong chữ ký phổ duy nhất. Chữ ký này phản ánh đặc tính hấp thụ và phản xạ phân tử đặc trưng của vật liệu bề mặt, cho phép phân biệt các đối tượng có hình dạng và màu sắc quang học tương đồng nhưng khác biệt về thành phần hóa lý.
Hiện tượng Hughes và lời nguyền số chiều
Mặc dù cung cấp độ phân giải phổ chi tiết, số lượng kênh phổ lớn lại dẫn đến hiện tượng Hughes trong lý thuyết nhận dạng mẫu thống kê. Năm 1968, Hughes đã công bố nghiên cứu chứng minh mối quan hệ giữa số lượng thuộc tính và độ chính xác phân loại trung bình. Khi số chiều của không gian đặc trưng tăng lên trong khi số lượng mẫu dữ liệu huấn luyện có nhãn bị giới hạn do chi phí khảo sát tốn kém, độ chính xác phân loại ban đầu sẽ tăng nhưng sau đó suy giảm nghiêm trọng sau khi vượt qua một ngưỡng tối ưu. Đối với các bộ phân loại thống kê tham số, ma trận hiệp phương sai mẫu rơi vào trạng thái kỳ dị hoặc không khả nghịch do số tham số bậc hai cần ước lượng vượt quá số lượng mẫu huấn luyện, đòi hỏi các kỹ thuật giảm chiều dữ liệu, lựa chọn kênh phổ tối ưu hoặc các thuật toán phân loại phi tham số bền vững.
Tiến trình phát triển các phương pháp phân loại
Nhằm khắc phục những giới hạn của các phương pháp thống kê tham số truyền thống khi đối mặt với dữ liệu phi tuyến số chiều lớn, tiến trình nghiên cứu phân loại ảnh siêu phổ đã ghi nhận những bước chuyển dịch mang tính bước ngoặt:
Năm 2005, Camps-Valls và Bruzzone đã công bố nghiên cứu hệ thống hóa các phương pháp nhân hạt cho phân loại ảnh siêu phổ trên tạp chí chuyên ngành viễn thám quốc tế. Nhóm tác giả đã chứng minh rằng việc áp dụng máy vector hỗ trợ kết hợp các hàm nhân hạt phi tuyến như nhân Gauss và các nhân chuyên dụng cho phép ánh xạ dữ liệu phổ lên không gian Hilbert nhiều chiều hơn. Cách tiếp cận này giúp tìm ra siêu phẳng phân chia tối ưu giữa các lớp phủ với biên độ phân cách cực đại, kiểm soát chặt chẽ nguy cơ quá khớp và thể hiện sự vượt trội rõ rệt so với các bộ phân loại xác suất truyền thống trong điều kiện mẫu huấn luyện ít ỏi.
Tuy nhiên, các phương pháp phân loại đơn điểm ảnh thuần phổ thường tạo ra hiệu ứng nhiễu hạt muối tiêu trên bản đồ phân loại do sự biến thiên phổ nội lớp và nhiễu cảm biến. Năm 2013, Fauvel và các cộng sự đã công bố tổng quan chuyên sâu trên kỷ yếu của hiệp hội kỹ sư điện quốc tế về các tiến bộ trong kỹ thuật phân loại kết hợp phổ và không gian. Công trình đã phân tích toàn diện việc tích hợp các đặc trưng hình học lân cận, bộ lọc hình thái học toán học và mô hình trường ngẫu nhiên Markov vào tiến trình phân loại, giúp gắn kết mối tương quan giữa các điểm ảnh liền kề, làm mịn ranh giới chuyên đề và cải thiện đáng kể độ đồng nhất của các vùng đồng chất.
Sự bùng nổ của trí tuệ nhân tạo đã mở ra kỷ nguyên trích xuất đặc trưng tự động cho ảnh siêu phổ. Năm 2014, Chen và các cộng sự là nhóm tác giả tiên phong công bố giải pháp phân loại dữ liệu siêu phổ dựa trên học sâu trên ấn phẩm chuyên ngành quốc tế. Thay vì dựa vào các chỉ số thực vật hay đặc trưng kết cấu do con người thiết kế thủ công, các tác giả đã ứng dụng mạng tự mã hóa xếp chồng để học các biểu diễn phân cấp phi tuyến sâu trực tiếp từ dữ liệu quang phổ, khẳng định tiềm năng to lớn của các mạng nơ-ron học sâu trong việc tự động hóa quá trình nhận dạng các đối tượng bề mặt phức tạp.
Các kiến trúc học sâu phân cấp và mô hình biến đổi chú ý
Các mạng nơ-ron tích chập hai chiều tiêu chuẩn thường gặp khó khăn trong việc đồng thời khai thác mối tương quan liên dải phổ chặt chẽ và bối cảnh không gian lân cận. Để giải quyết triệt để sự mất cân xứng này, các kiến trúc học sâu hiện đại đã có những cải tiến kiến trúc vượt bậc:
Năm 2020, Roy và các cộng sự đã đề xuất mô hình mạng nơ-ron tích chập phân cấp kết hợp ba chiều và hai chiều trên ấn phẩm chuyên ngành quốc tế. Mô hình này vận dụng các bộ lọc tích chập ba chiều ở những tầng đầu tiên nhằm cùng lúc trích xuất các mẫu hình phổ và không gian từ khối lập thể, sau đó chuyển tiếp biểu diễn đặc trưng sang các tầng tích chập hai chiều phía sau để tinh chỉnh cấu trúc không gian mức cao với chi phí tính toán được tiết giảm tối đa, mang lại độ chính xác phân loại vượt trội trên nhiều bộ dữ liệu chuẩn.
Tiếp nối xu hướng phát triển của các mạng nơ-ron sâu, kiến trúc mô hình biến đổi dựa trên cơ chế tự chú ý đã được định hình lại cho dữ liệu siêu phổ. Năm 2022, Hong và các cộng sự đã công bố mô hình biến đổi chú ý phổ trên tạp chí của hiệp hội viễn thám quốc tế. Khác với mô hình biến đổi chuẩn trong thị giác máy tính vốn dễ gặp khó khăn do bỏ qua tính tương quan cao giữa các dải bước sóng liền kề, mô hình này tích hợp cơ chế nhúng phổ theo nhóm để học thông tin chuỗi phổ cục bộ, kết hợp cơ chế hợp nhất thích ứng xuyên tầng để nắm bắt cấu trúc phổ toàn diện, mở ra hướng nghiên cứu mới trong việc giải mã các mối tương tác quang phổ phức tạp.
So sánh các phương pháp tiếp cận trong phân loại ảnh siêu phổ
Bảng dưới đây so sánh các đặc tính kỹ thuật cốt lõi giữa bốn trường phái phân loại ảnh siêu phổ chính:
| Tiêu chí so sánh | Bộ phân loại thống kê tham số | Máy vector hỗ trợ dùng nhân hạt | Mạng tích chập không gian và phổ | Mô hình biến đổi chú ý phổ |
|---|---|---|---|---|
| Bản chất trích xuất đặc trưng | Ước lượng tham số phân bố xác suất thống kê | Ánh xạ véc-tơ phổ sang không gian nhiều chiều qua hàm nhân | Học biểu diễn phân cấp kết hợp bộ lọc ba chiều và hai chiều | Học chuỗi phổ cục bộ theo nhóm kết hợp cơ chế tự chú ý |
| Yêu cầu mẫu huấn luyện | Rất cao (đòi hỏi số mẫu lớn hơn số chiều để ước lượng hiệp phương sai) | Vừa phải (hoạt động bền vững với tập mẫu nhỏ) | Cao (cần đủ dữ liệu để tối ưu hóa trọng số mạng nơ-ron) | Rất cao (đòi hỏi khối lượng mẫu lớn để tránh hiện tượng quá khớp) |
| Tận dụng thông tin không gian | Không (chỉ xử lý từng điểm ảnh độc lập) | Gián tiếp (cần kết hợp thêm bộ lọc hình thái học) | Trực tiếp qua các cửa sổ lân cận cục bộ | Toàn cục và linh hoạt theo từng dải phổ |
| Độ phức tạp tính toán | Thấp (nghịch đảo ma trận theo số chiều dữ liệu) | Trung bình (quy mô theo số lượng điểm ảnh huấn luyện) | Cao (đòi hỏi xử lý trên bộ xử lý đồ họa chuyên dụng) | Rất cao (đòi hỏi bộ nhớ lớn để tính ma trận chú ý) |
| Độ nhạy với hiện tượng Hughes | Rất cao (ma trận hiệp phương sai bị kỳ dị khi mẫu ít) | Thấp (siêu phẳng phân chia bền vững với số chiều) | Rất thấp (tự động nén và chọn lọc đặc trưng phân cấp) | Cao (dễ quá khớp khi kích thước mẫu huấn luyện hạn chế) |
Thách thức kỹ thuật và ranh giới nghiên cứu
Mặc dù đạt được những bước tiến vượt bậc trong môi trường thử nghiệm chuẩn, việc triển khai các hệ thống phân loại ảnh siêu phổ trong các ứng dụng thực tế quy mô lớn vẫn đối mặt với các thách thức kỹ thuật bản chất:
- Điểm ảnh hỗn hợp và độ phân giải không gian: Do độ phân giải không gian của cảm biến viễn thám thường dao động từ vài mét đến hàng chục mét trên mỗi điểm ảnh, tín hiệu thu nhận tại một điểm ảnh đơn lẻ thực chất là tổ hợp bức xạ từ nhiều bề mặt khác nhau như đất trống, mặt nước và các tán cây. Tình trạng này khiến việc gán một nhãn đơn lẻ không phản ánh hết thực tế, thúc đẩy nhu cầu áp dụng các phương pháp phân loại mềm hoặc giải trộn phổ để xác định tỷ lệ diện tích các thành phần khi cần lập bản đồ chi tiết ở mức dưới điểm ảnh.
- Chi phí và khó khăn trong gán nhãn thực địa: Việc thu thập dữ liệu nhãn thực địa đòi hỏi công sức khảo sát hiện trường, đối chiếu tọa độ định vị chính xác và giải đoán dữ liệu ảnh độ phân giải siêu cao. Quá trình này đòi hỏi kinh phí lớn và tiềm ẩn nhiều rủi ro ở những vùng địa hình hiểm trở, dẫn đến tình trạng mất cân bằng mẫu huấn luyện nghiêm trọng giữa các lớp đối tượng phổ biến và các đối tượng quý hiếm.
- Thách thức thích ứng miền dữ liệu: Cùng một đối tượng bề mặt nhưng chữ ký phổ thu nhận được tại các thời điểm khác nhau sẽ bị biến đổi do góc chiếu của mặt trời, độ ẩm của không khí và hiệu ứng hấp thụ khí quyển. Các mô hình học sâu huấn luyện trên một cảnh chụp cụ thể thường suy giảm độ chính xác khi áp dụng sang một khu vực địa lý khác hoặc một mùa khí hậu khác, đặt ra yêu cầu cấp thiết về các giải pháp học thích ứng miền và chuẩn hóa phổ bất biến.
- Độ trễ xử lý trên thiết bị bo mạch: Khối lượng dữ liệu siêu phổ khổng lồ tạo ra áp lực truyền tải băng thông rất lớn từ vệ tinh về trạm thu mặt đất. Việc nén và triển khai trực tiếp các mô hình phân loại thông minh ngay trên bo mạch cảm biến với mức tiêu thụ năng lượng giới hạn đang là rào cản kỹ thuật then chốt cần được tháo gỡ.