Phát hiện sự thay đổi bề mặt địa hình trái đất sử dụng mạng nơ ron xung kép

Kỹ thuật điều khiển & Điện tử Đ. K. Hoài, Đ. D. Điệp, “Phát hiện sự thay đổi bề mặt địa hình mạng nơ ron xung kép.” 86 PHÁT HIỆN SỰ THAY ĐỔI BỀ MẶT ĐỊA HÌNH TRÁI ĐẤT SỬ DỤNG MẠNG NƠ RON XUNG KÉP Đào Khánh Hoài1*, Đỗ Danh Điệp2 Tóm tắt: Ảnh vệ tinh đa thời gian được được ứng dụng rộng rãi trong phát hiện biến động lớp phủ bề mặt trái đất. Cách tiếp cận có giám sát được áp dụng để đánh giá định lượng chính xác sự biến động của các lớp đối tượng cơ bản của lớp phủ như: lớp đối tượng nhà đô thị, lớp đối tượng mặt nước, lớp đối tượng đất trống Trong những năm gần đây, mạng nơ ron xung kép PCNN đã được ứng dụng trong xử lý ảnh đa thời gian để phát hiện sự thay đổi các đối tượng trên ảnh. Một đặc điểm ưu việt của kiểu mạng nơ ron nhân tạo này là tính bất biến với phép dịch, tỷ lệ và phép quay của ảnh. Tuy nhiên, với các loại ảnh vệ tinh có chất lượng tín hiệu thu nhận khác nhau cần có các khảo sát cụ thể. Trong nghiên cứu này, nhóm nghiên cứu khảo sát thực nghiệm phương pháp không giám sát sử dụng mạng nơ ron xung kép PCNN để phát hiện thay đổi bề mặt trái đất trên ảnh vệ tinh đa thời gian. Từ khóa: Thay đổi bề mặt lớp phủ, Mạng PCNN, Ảnh vệ tinh. 1. MỞ ĐẦU Trong viễn thám, việc phát hiện các vùng bị thay đổi trên các ảnh chụp cùng cảnh một khu vực ở các thời điểm khác nhau nhận được sự quan tâm đặc biệt do có liên quan đến số lượng lớn các ứng dụng khác nhau như phân tích sự thay đổi loại hình sử dụng đất, phân tích sự dịch chuyển của cơ cấu trồng trọt, quan trắc ô nhiễm, đánh giá các vùng cháy rừng, phân tích các khu vực phá rừng, phân tích sự thay đổi của thực vật, Các phương pháp đánh giá sự biến động hiện tại trong lĩnh vực viễn thám có thể được phân ra làm hai nhóm giám sát và không giám sát. Các phương pháp đánh giá biến động này áp dụng trên ảnh vệ tinh đa thời gian đã được nghiên cứu và công bố trong nhiều tài liệu khác nhau [1-3]. Các phương pháp có giám sát đòi hỏi sự có mặt dữ liệu đầu vào là các dữ liệu xác thực mặt đất như điểm khống chế, các mẫu học và mẫu kiểm tra. Trong khi đó, cách tiếp cận không giám sát phân tích sự thay đổi lớp phủ không cần sử dụng đến sự bổ sung các dữ liệu xác thực mặt đất. Nếu so sánh về độ chính xác thì các phương pháp phát hiện biến động có giám sát cho kết quả tốt hơn so với các phương pháp không giám sát. Các phương pháp phát hiện biến động không giám sát ảnh viễn thám bao gồm ba bước chính là tiền xử lý, so sánh ảnh và phân tích ảnh. Bước tiền xử lý thực hiện các phép xử lý để đưa hai ảnh đa thời gian khớp về cùng một khung tọa độ để có thể so sánh được với nhau. Trong bước thứ hai sự khác biệt giữa hai ảnh đa thời gian được xác định bằng các toán tử khác nhau như phân tích véc tơ thay đổi (CVA – Change vector analysis). Sau khi tính toán, tạo được ảnh khác biệt ảnh biến động cuối cùng nhận được thông qua phân tích ảnh bằng các phương pháp lấy ngưỡng có hoặc không ràng buộc quan hệ không gian. Ngưỡng có thể nhận được bằng phương pháp thử sai thủ công hoặc các kỹ thuật lấy ngưỡng tự động. Trong nghiên cứu này, nhóm tác giả tiếp cận bài toán phát hiện thay đổi trên ảnh vệ tinh dựa trên ứng dụng mạng nơ ron xung kép PCNN (Pulse-coupled neural network). PCNN là mạng nơ ron nhân tạo mô phỏng hoạt động của các nơ ron vỏ não trực quan của mèo [4]. Vỏ não trực quan là một phần bộ não mèo nơi nhận tín Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 48, 04 - 2017 87 hiệu trực quan từ mắt và chuyển đổi tín hiệu ảnh về luồng các xung. Các xung sinh ra từ mỗi vòng lặp mạng PCNN mô phỏng lại các dấu hiệu đặc trưng trên cảnh. Các véc tơ chuỗi các xung hai cảnh ảnh khác nhau được đối sánh làm cơ sở kết luận có hay không sự thay đổi trên hai cảnh ảnh. Ưu điểm chính của mô hình PCNN là nó có cấu trúc đơn giản và hoạt động theo cơ chế không cần huấn luyện. Từ khi mạng PCNN được giới thiệu bởi Eckhon năm 1990 mô hình này đã chứng tỏ là một công cụ hiệu quả ứng dụng cho xử lý ảnh [5]. Với bài toán phát hiện thay đổi trên ảnh mạng PCNN có tính bất biến đổi với phép tỷ lệ, dịch, quay của các mẫu ảnh đầu vào. Thành thử việc ứng dụng mạng PCNN để phát hiện tự động thay đổi các đối tượng trên nền địa hình thu được trên ảnh vệ tinh đa thời gian với các góc chụp khác nhau, độ dịch khác nhau, ở các khu vực không tiếp cận, không thể lấy mẫu xác thực, kiểm chứng như hải đảo, biên giới là cách tiếp cận hợp lý và khoa học. 2. PHƯƠNG PHÁP PHÁT HIỆN THAY ĐỔI TRÊN ẢNH ĐA THỜI GIAN SỬ DỤNG MẠNG NƠ RON XUNG KÉP PCNN 2.1. Mạng nơ ron xung kép PCNN Vào cuối những năm 1980, Eckhorn trong khi nghiên cứu vỏ não trực quan của loài mèo [5], đã khám phá ra rằng, não giữa trong khi hoạt động, tạo ra các ảnh nhị phân có thể trích rút các đặc trưng khác nhau từ cảm nhận trực quan. Dựa trên các ảnh nhị phân này ảnh thực tế trong não mèo được tạo ra. Từ kết quả nghiên cứu, họ đã phát triển mô hình mạng nơ ron nhân tạo Eckhorn để mô phỏng hành vi. Trong đầu những năm 1990, Rybak cũng tìm ra hành vi thần kinh tương tự dựa trên nghiên cứu vỏ não thị giác của loài chuột bạch và cũng đã phát triển mạng nơ ron, gọi là mô hình Rybak [6]. Do các mô hình Rybak và Eckhorn đưa ra một cách đơn giản, hiệu quả cho việc nghiên cứu các giao động xung đồng bộ trong các mạng nên chúng được xem là rất tiềm năng trong xử lý ảnh. Các khám phá trên đã lát đường cho thế hệ mạng nơ ron xung kép. Sau đó Johnson và các cộng sự đã mang đến một số cải biên và biến thể để điều chỉnh hiệu suất của nó đáp ứng như các thuật toán xử lý ảnh [7]. Mô hình mạng nơ ron cải biên này được gọi là mạng nơ ron xung kép (PCNN). PCNN là mạng đơn lớp, hai chiều, kết nối ngang của các nơ ron xung kép kết nối với các điểm ảnh. Bởi vì mỗi điểm ảnh được liên kết với một nơ ron của mạng nên cấu trúc của mạng PCNN xuất phát từ cấu trúc ảnh đầu vào (ảnh sẽ được xử lý). Cấu trúc một nơ ron của mạng PCNN được mô hình hóa như hình 1. Nơron cấu thành từ ba phần: phần đầu vào, phần liên kết, phần sinh xung [8]. Nơ ron nhận các tín hiệu đầu vào từ các đầu vào cung cấp và đầu vào liên kết. Đầu vào cung cấp là đầu vào chính từ vùng tiếp nhận của nơ ron. Vùng tiếp nhận của nơ ron cấu thành từ các điểm ảnh láng giềng của điểm ảnh tương ứng với nơ ron trên ảnh đầu vào. Đầu vào liên kết là đầu vào thứ hai từ các kết nối ngang với các nơ ron láng giềng. Sự khác biệt giữa các đầu vào này là các kết nối cung cấp có hằng số thời gian phản ứng chậm hơn các kết nối liên kết. Mô hình mạng PCNN chuẩn được mô tả như phép lặp của các phương trình (1) đến (5) [8]: Kỹ thuật điều khiển & Điện tử Đ. K. Hoài, Đ. D. Điệp, “Phát hiện sự thay đổi bề mặt địa hình mạng nơ ron xung kép.” 88 Hình 1. Cấu trúc nơron mạng PCNN.      lk jijilkjiFjiji SnYmVnFenF F , ,,,,,,, ]1[]1[  (1)      lk jilkjiLjiji nYwVnLenL L , ,,,,,, ]1[]1[  (2)   ])[1]([ ,,, nLnFnU jijiji  (3) (4)   nYVnTenT jiTjiji T ]1[]1[ ,,,   (5) Trong các phương trình này, Si,j là kích thích đầu vào như là mức xám chuẩn hóa của các điểm ảnh tại vị trí (i,j), Fi,j[n] là đầu vào phản hồi của nơ ron tại vị trí (i,j) và Li,j[n] là số hạng liên kết. Ui,j[n] là phần tử kích hoạt bên trong nơ ron và - Ti,j[n] là ngưỡng động. Yi,j[n] là giá trị xung đầu ra của nơ ron và nhận một trong hai giá trị không hoặc một. Kích thích đầu vào (cường độ xám điểm ảnh) được nhận bởi phần tử cung cấp, phần tử kích hoạt bên trong tổ hợp phần tử cung cấp với phần tử liên kết. Giá trị của phần tử kích hoạt bên trong được so sánh với ngưỡng động, ngưỡng động này giảm dần qua mỗi vòng lặp. Phần tử kích hoạt bên trong tích lũy các tín hiệu cho đến khi nó vượt qua ngưỡng động để kích hoạt mở phần tử đầu ra và sau đó ngưỡng động tăng đồng thời một cách mạnh mẽ. Giá trị đầu ra của nơ ron sau đó theo vòng lặp cấp lại cho các phần tử liên kết và ngưỡng động với độ trễ một vòng lặp. Các kết nối tương kết M và W được biểu diễn bởi các ma trận hằng số trọng số tiếp hợp cho các đầu vào cung cấp và đầu vào liên kết tương ứng phụ thuộc vào khoảng cách giữa các nơron. Nói chung, M và W (thường thì M = W) tham chiếu tới các hàm trọng số gauss. β là hệ số liên kết. αF , αL và αT là các hằng số suy giảm thời gian của các phần tử Fi,j[n], Li,j[n] và Ti,j[n] tương ứng. VF, VL và VT biểu thị điện thế vốn có của các phần tử Fi,j[n], Li,j[n] và Ti,j[n]. 2.2. Phát hiện thay đổi trên ảnh vệ tinh bằng mạng nơ ron PCNN Ứng dụng mạng nơ ron PCNN để phát hiện thay đổi trên ảnh đa thời gian được tiến hành bằng cách đo sự giống nhau giữa hai tín hiệu trích xuất từ ảnh thời gian trước I1 và ảnh thời gian sau I2. Phương trình (7) được sử dụng để chuyển đổi các ảnh xung của các vòng lặp PCNN về một véc tơ thông tin cho một ảnh và gọi là Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 48, 04 - 2017 89 véc tơ đặc trưng PCNN của ảnh đó. Sự giống nhau của các véc tơ đặc trưng tương ứng với các ảnh đa thời gian được xác định bởi hàm tương quan.      N i i N i i N i ii gggg gggg r 2 22 2 11 2211 )()( ))(( (6) Trong đó, g[n] là dấu hiệu đặc trưng ảnh xung ở vòng lặp n, N là số điểm ảnh trên ảnh xung.   N nY ng ji ji  , , ][ , với N là tổng số điểm ảnh. (7) Mô hình ứng dụng mạng nơ ron PCNN để phát hiện thay đổi trên ảnh vệ tinh đa thời gian được nhóm tác giả đề xuất gồm năm bước chính, theo lược đồ sau sau: Hình 2. Lược đồ thuật toán phát hiện thay đổi trên ảnh vệ tinh đa thời gian. Bước 1: Đọc và biến đổi 2 ảnh đầu vào I1, I2 thành ảnh xám, chuẩn hóa về cùng kích thước, chuẩn hóa giá trị mức xám điểm ảnh về miền [0, 1]. Changed Image I1 Image I2 g1 g1 Cal. Corr. Coeff. r, compare r to threshold r < Threshold r > Threshold No changed PCNN Parameters initialization Update T Calculation and update feeding và linking Calculation U Compare U and T Kỹ thuật điều khiển & Điện tử Đ. K. Hoài, Đ. D. Điệp, “Phát hiện sự thay đổi bề mặt địa hình mạng nơ ron xung kép.” 90 Bước 2: Khởi tạo các giá trị ma trận hằng số trọng số M, W; Các hằng số suy giảm thời gian αF , αL và αT của các phần tử Fi,j[n], Li,j[n] và Ti,j[n], tương ứng với các hằng số VF, VL và VT biểu thị điện thế vốn có của các phần tử Fi,j[n], Li,j[n] và Ti,j[n]; Khởi tạo hệ số liên kết β; Khởi tạo số vòng lặp N (Hoặc được tính toán tự động dựa vào ảnh đầu vào); Khởi tạo các giá trị F, L, T, U, Y; Vector G để tính giá trị tương quan. Bước 3: Vòng lặp tính toán các dấu hiệu đặc trưng g1[n], g2[n] của các ảnh đa thời gian I1 và I2 dựa trên các giá trị PCNN: F[n], L[n], U[n], T[n], Y[n] theo các công thức (1), (2), (3), (4), (5), (7). Bước 4: Tính hệ số tương quan r giữa 2 ảnh (Pearson correlation coefficient ) từ 2 giá trị g1 và g2 ở bước 4, theo công thức (6). Bước 5: Đánh giá mức độ thay đổi của ảnh dựa trên việc so sánh giá trị tương quan với một giá trị ngưỡng. Giá trị ngưỡng này sẽ được tự định nghĩa. If (r < ngưỡng) then “Thay đổi” else “Không thay đổi”; 3. THỰC NGHIỆM KHẢO SÁT KHẢ NĂNG PHÁT HIỆN THAY ĐỔI TRÊN ẢNH VỆ TINH ĐA THỜI GIAN SỬ DỤNG MẠNG NƠ RON PCNN 3.1. Phát hiện thay đổi bề mặt địa hình trên ảnh vệ tinh đa thời gian sử dụng phương pháp có giám sát Ảnh vệ tinh đa thời gian là các cảnh ảnh một khu vực bề mặt trái đất thu nhận từ một hoặc nhiều vệ tinh khác nhau ở những thời điểm khác nhau. Ảnh vệ tinh đa thời gian được ứng dụng nhiều trong các bài toán đánh giá biến động các loại hình sử dụng đất, đánh giá các tham số môi trường. Ảnh vệ tinh được thu nhận từ bộ cảm biến quang học trên quỹ đạo vệ tinh vài trăm ki lô mét nên ảnh hưởng bởi các điều kiện khí quyển khác nhau tạo ra tín hiệu nhiễu khác nhau ở các thời điểm thu ảnh khác nhau. Ngoài ra, do các chuyển động lắc của vệ tinh, ảnh hưởng méo hình do trái đất quay nên các ảnh ở các thời điểm khác nhau chụp cùng một khu vực bề mặt trái đất có sai số vị trí dao động từ vài chục mét đến vài trăm mét. Trong các bài toán đánh giá biến động bề mặt trái đất sử dụng ảnh vệ tinh đa thời gian thì cách tiếp cận phổ biến nhất, đảm bảo độ chính xác là cách tiếp cận có giám sát. Phương pháp có giám sát được triển khai theo bốn bước cơ bản chính sau: Tiền xử lý các ảnh đa thời gian đưa các ảnh này trùng khớp tọa độ không gian với nhau, lấy mẫu đối tượng, phân loại đối tượng và cuối cùng là đánh giá biến động. Bước tiền xử lý yêu cầu cần có các điểm khống chế có tọa độ không gian chính xác cùng xuất hiện trên hai ảnh để khớp hai ảnh đa thời gian về trùng khớp với nhau. Các điểm khống chế này phải được đo đạc trực tiếp ngoài thực địa hoặc trích từ các bản đồ địa hình có độ chính xác tương ứng với độ phân giải của ảnh vệ tinh. Trong bước lấy mẫu các đối tượng phân loại trên ảnh cũng cần khảo sát thực địa một số vị trí để xác thực các mẫu. Bước phân loại sử dụng các thuật toán thống kê hoặc trí tuệ nhân tạo. Như vậy, cách tiếp cận có giám sát yêu cầu tiếp cận thực địa khu vực đánh giá biến động để đo đạc khống chế hoặc xác thực mẫu phân loại. Trong Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 48, 04 - 2017 91 phương pháp này mặc dù các ảnh đa thời gian đã được đưa về trùng khớp về mặt không gian nhưng các thuật toán đối sánh ảnh cũng không được sử dụng để phát hiện thay đổi do tín hiệu nhiễu trên các ảnh đa thời gian khác nhau nhiều ở các thời điểm chụp. 3.2. Thực nghiệm phát hiện thay đổi trên ảnh vệ tinh đa thời gian bằng mạng nơ ron PCNN Một đặc điểm cơ bản mà phương pháp phát hiện biến động bề mặt địa hình có giám sát không phù hợp với ngữ cảnh cần phát hiện tự động thông tin có hay không sự thay đổi trên bề mặt địa hình một khu vực cụ thể mà không thể tiếp cận tới khu vực đó để đo đạc tọa độ chính xác hay xác thực các mẫu đối tượng. Yêu cầu bắt buộc phải có các điểm khống chế tọa độ và xác thực các mẫu đối tượng làm cho phương pháp phát hiện biến động có giám sát giảm đi đáng kể khả năng tự động hóa. 1a. Mẫu ảnh thời gian 1 - ảnh gốc. 1b. Mẫu ảnh thời gian 2 - ảnh gốc. 1c. ảnh thời gian 2 xoay 45 độ. 1d. ảnh thời gian 2 biến đổi và xoay 5 độ. 1e. ảnh thời gian 2 biến đổi và xoay 5 độ. Hình 3. Cặp mẫu ảnh vệ tinh gốc và các biến thể. Tính bất biến với các phép tỷ lệ, phép dịch, phép quay và khả năng trích rút xung đặc trưng làm cho mạng nơ ron xung kép PCNN trở thành một công cụ tiềm năng cho bài toán phát hiện nhanh và tự động sự thay đổi trên bề mặt địa hình một khu vực cụ thể. Trong nghiên cứu tiền đề này, nhóm tác giả đã triển khai cài đặt thuật toán và thử nghiệm phát hiện thay đổi trên hai ảnh vệ tinh đa thời gian sử dụng mạng nơ ron PCNN theo lược đồ thuật toán đề xuất ở hình 2 mục 2.2. Cặp Kỹ thuật điều khiển & Điện tử Đ. K. Hoài, Đ. D. Điệp, “Phát hiện sự thay đổi bề mặt địa hình mạng nơ ron xung kép.” 92 mẫu ảnh vệ tinh đa thời gian (hình 3) được trích xuất từ hai cảnh ảnh vệ tinh đa thời gian độ phân giải cao 0.5 mét khu vực Hà Nội từ bộ cảm biến quang học trên vệ tinh Worlview2. Cặp mẫu ảnh được biến thể thêm ba cặp mẫu ảnh mới bằng cách xoay bổ sung một góc 45 và 5 độ ảnh thời gian sau so với ảnh thời gian trước, thay đổi ảnh thời gian sau theo chủ định để kiểm chứng tính bất biến với phép quay và khả năng phát hiện thay đổi trên ảnh của mạng nơ ron PCNN. Kết quả thử nghiệm thuật toán phát hiện thay đổi trên ảnh đa thời gian bằng PCNN theo lược đồ 2.2 được trình bày trong bảng 1. Bảng 1. Kết quả phát hiện thay đổi trên các cặp mẫu ảnh vệ tinh đa thời gian. STT Cặp ảnh Hệ số tương quan Véc tơ xung đặc trưng 1a.-1b. 0.9703 1a.-1c. 0.8531 1a.-1d. 0.5615 1a.-1e. 0.3251 Kết quả thử nghiệm thuật toán PCNN với các cặp mẫu ảnh cho thấy rằng PCNN phát hiện được sự thay đổi trên hai ảnh vệ tinh chứa tín hiệu nhiễu khác nhau do thời gian, góc chụp và điều kiện khí quyển khác nhau. Các hệ số tương quan phản ảnh gần trung thực về định lượng sự thay đổi trên hai ảnh. 4. KẾT LUẬN Trong công tác trinh sát kỹ thuật các khu vực không tiếp cận như biên giới, hải đảo hay các vùng quan tâm ảnh vệ tinh đa thời gian đóng vai trò quan trọng trong Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 48, 04 - 2017 93 việc cung cấp thông tin về các cơ sở, trận địa quân sự. Giải đoán, làm tin từ ảnh vệ tinh là quy trình nhiều bước. Để hỗ trợ quá trình này thì việc phát hiện tự động những thay đổi bất thường trên ảnh làm tăng thêm khả năng tự động hóa đồng thời rút ngắn thời gian giải đoán ảnh bằng mắt thường. Cách tiếp cận truyền thống của bài toán phát hiện thay đổi trên ảnh vệ tinh đảm bảo độ chính xác nhất định là ứng dụng phương pháp phân loại đối tượng có giám sát làm cơ sở để đánh giá biến động. Cách tiếp cận này đòi hỏi sự có mặt của các cặp điểm khống chế trên hai ảnh thông qua đo đạc trực tiếp hoặc trích xuất từ bản đồ địa hình. Trong nghiên cứu này, mô hình đơn giản ứng dụng mạng nơ ron PCNN để phát hiện thay đổi trên hai ảnh vệ tinh đa thời gian do nhóm tác giả khảo sát, phân tích và đề xuất đã chứng tỏ được tính ưu việt của PCNN về tính bất biết với phép quay, phép tỷ lệ. Trong các nghiên cứu tiếp theo, nhóm tác giả sẽ khai thác sâu hơn việc ứng dụng mạng PCNN kết hợp với các công cụ khác như khớp ảnh tự động, nhận dạng đối tượng cụ thể, cài đặt thuật toán song song để quá trình phát hiện thay đổi trên ảnh vệ tinh đa thời gian nhanh, chi tiết và chính xác hơn. Lời cảm ơn: Nhóm tác giả cảm ơn sự tài trợ về kinh phí từ đề tài nghiên cứu cứu khoa học cấp quốc gia mã số VT-UD.04/16-20 thuộc Chương trình KHCN vũ trụ và kinh phí NCKH thường xuyên của Cục KHQS, sự giúp đỡ về ý tưởng khoa học của Thiếu tướng GS. TS. Nguyễn Lạc Hồng PGĐ Học viện KTQS, sự góp ý chuyên môn của các cộng sự Khoa CNTT, sự tạo điều kiện của Viện Kỹ thuật CTĐB - HVKTQS để nghiên cứu này được tiến hành thuận lợi. TÀI LIỆU THAM KHẢO [1]. Suparn Pathack, “New Change Detection Techniques to monitor land cover dynamics in mine environment”. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XL, No. 8(2014). [2]. Katherine S. Willis, “Remote sensing change detection for ecological monitoring in United States protected areas”, ScienceDirect – Biological Conservation, Vol. 182, February 2015, pp. 233-242. [3]. J.S. Rawat, Manish Kumar, “Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India”, ScienceDirect - The Egyptian Journal of Remote Sensing and Space Science, Vol. 18, No. 1 (2015), pp. 77-84. [4]. Book by T. Lindbad and J.M. Kinser, “image processing using pulse coupled neural networks” springer second edition. [5]. R. Eckhorn, H.J. Reitboeck, M. Arndt, P.W. Dicke, “A neural network for feature linking via synchronous activity: results from cat visual cortex and from simulations, in: Models of Brain Function”, Cambridge University Press,Cambridge, UK, (1989), pp. 255–272. [6]. I.A. Rybak, N.A. Shevtsova, L.N. Podladchikova, A.V. Golovan, “A visual cortex domain model and its use for visual information processing”, Neural Networks 4 (1991) 3–13. [7]. H.S. Ranganath, G. Kuntimad, J.L. Johnson, “Pulse coupled neural networks for image processing”, in: Proc. of the Southeast Conference on ‘Visualize the future’, (1995), pp. 37–43. Kỹ thuật điều khiển & Điện tử Đ. K. Hoài, Đ. D. Điệp, “Phát hiện sự thay đổi bề mặt địa hình mạng nơ ron xung kép.” 94 [8]. Zhaobin Wang, Yide Ma, Feiyan Cheng, Lizhen Yang, “Review of pulse- coupled neural networks”. Elsevior on image and vision computing, (2010), pp. 5-13. ABSTRACT AN ALGORITHM FOR CHANGE DETECTION ON MULTI-TEMPORAL SATELLITE IMAGES USING PULSE-COUPLE NEURAL NETWORK Multi-temporal satellite images are applied broadly for land cover change detection. Supervise approaches are suitable for change detection of basic classes like urban land, water bodies, bare land.with high accuracy. In recent years, Pulse-couple neural networks (PCNN) were applied intensively for object change detection in consecutive images. An advantage of PCNN is its invariance with scaling, translating and rotating operations. However, different satellite sensor has unique noise characteristics and the application of PCNN to various sensors needs to be investigated in detail. In this study, authors have constructed a simple algorithm scheme using PCNN for change detection on multitemporal high resolution satellite images and some experiments have showed promissable results. Keywords: Land cover change, PCNN netwwork, Satellite imagery. Nhận bài ngày 01 tháng 3 năm 2017 Hoàn thiện ngày 03 tháng 4 năm 2017 Chấp nhận đăng ngày 05 tháng 4 năm 2017 Địa chỉ: 1Học viện Kỹ thuật quân sự; 2Dự khóa NCS tại Học viện Kỹ thuật quân sự. *Email: geogroup2008@gmail.com