BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT

ĐỖ VĂN DƯƠNG

NGHIÊN CỨU PHƯƠNG PHÁP NHẬN DẠNG TỰ ĐỘNG MỘT SỐ
ĐỐI TƯỢNG VÀ XÂY DỰNG CƠ SỞ DỮ LIỆU 3D BẰNG DỮ LIỆU ẢNH
THU NHẬN TỪ THIẾT BỊ BAY KHÔNG NGƯỜI LÁI

Ngành: Kỹ thuật Trắc địa - Bản đồ
Mã số: 9 52 05 03

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT

Hà Nội- Năm 2018


Công trình được hoàn thành tại: Bộ môn Đo ảnh và Viễn thám, Khoa Trắc địa
- Bản đồ và Quản lý đất đai, trường Đại học Mỏ - Địa chất

Người hướng dẫn khoa học: 1. PGS.TS Nguyễn Quang Minh
2. PGS.TS Trần Vân Anh

Phản biện 1: PGS.TS Nguyễn Trường Xuân
Phản biện 2: TS Cáp Xuân Tú
Phản biện 3: GS.TSKH Phan Văn Lộc

Luận án sẽ được bảo vệ trước Hội đồng đánh giá luận án cấp Trường họp tại
Trường đại học Mỏ - Địa chất vào hồi …giờ … ngày … tháng… năm…

Có thể tìm hiểu luận án tại thư viện: Thư viện Quốc Gia, Hà Nội

2. Mục tiêu nghiên cứu
- Xây dựng thuật toán và chương trình tạo DEM từ kết quả DSM phù hợp với
một số địa hình ở Việt Nam;
- Nhận dạng và nâng cao độ chính xác nhận dạng đối tượng trên bình đồ ảnh UAV;
- Xây dựng cơ sở dữ liệu 3D từ kết quả xử lý ảnh UAV.
3. Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu chính, gồm: bình đồ ảnh UAV, dữ liệu DEM, DSM và
cơ sở dữ liệu 3D .
Phạm vi nghiên cứu của luận án bao gồm dữ liệu không gian và dữ liệu thuộc
tính của các đối tượng trên ảnh UAV.
4. Nội dung nghiên cứu
- Tổng quan hệ thống UAV và ứng dụng dữ liệu ảnh thu nhận từ UAV trong
công tác Trắc địa - Bản đồ;


-2- Tổng quan về công tác tạo DEM trong công nghệ phần mềm xử lý ảnh, công
tác nhận dạng đối tượng và xây dựng CSDL 3D từ các kết quả xử lý ảnh UAV
trên Thế giới và ở Việt Nam;
- Xây dựng thuật toán tạo DEM từ DSM (dữ liệu DSM được tạo ra trong quá
trình xử lý ảnh UAV);
- Nâng cao độ chính xác nhận dạng đối tượng trên bề mặt ảnh UAV khi kết hợp
dữ liệu bình đồ ảnh và dữ liệu độ cao địa vật (DHM);
- Xây dựng CSDL 3D từ các kết quả đám mây điểm, ảnh cấu trúc đối tượng
được tạo ra trong quá trình xử lý ảnh UAV và cơ sở dữ liệu địa lý (GIS).
5. Ý nghĩa khoa học và thực tiễn của luận án
Ý nghĩa khoa học: Luận án đã phân tích, đề xuất và khẳng định tính đúng đắn
của việc đưa ra thuật toán tạo DEM từ DSM phù hợp với một số địa hình ở Việt
Nam, phương pháp nhận dạng đối tượng trên ảnh UAV cũng như công tác xây dựng
CSDL 3D từ mô hình 3D thực. Xác lập tính khoa học trong mỗi hướng nghiên cứu,
đề xuất trong luận án, mở ra hướng tiếp cận mới trong việc xử lý và ứng dụng kết quả

phục vụ cho công tác thu nhận ảnh.
Ngoài ra, các hệ thống UAV hiện đại còn được lắp đặt hệ thống chống rung, con
quay hồi chuyển, các thiết bị định vị định hướng GPS/IMU, cảm biến (sensor) đo
phổ,.v.v. nhằm thu nhận các tấm ảnh chính xác ở các vị trí đã thiết lập tọa độ tâm
chụp với độ nghiêng, độ xoay của tấm ảnh là nhỏ nhất.
1.2 Ứng dụng dữ liệu ảnh thu nhận từ UAV trong Trắc địa - Bản đồ
Dữ liệu ảnh thu nhận từ UAV đã được ứng dụng trong các nghiên cứu về lĩnh
vực Trắc địa-Bản đồ, như: lập bản đồ địa hình, địa chính tỷ lệ lớn, xây dựng mô hình
số độ cao (DEM), xây dựng CSDL GIS 3D phục vụ cho công tác quản lý và quy
hoạch đô thị, quản lý không gian di sản văn hóa.v.v.
Dữ liệu DEM được sử dụng trong các nghiên cứu chủ yếu được tạo ra từ số hóa
đường bình độ, từ tập điểm độ cao đo trực tiếp hoặc đo độ cao trên cặp ảnh lập thể,
chứ chưa sử dụng DEM tạo ra từ DSM. Đối tượng địa vật đa phần được số hóa trực
tiếp từ bình đồ ảnh UAV chứ chưa sử dụng thuật toán nhận dạng tự động. Công tác
xây dựng CSDL 3D ở Việt Nam mới đang tập trung vào nghiên cứu với mô hình 3D
mô phỏng những khu vực có ít địa vật hoặc cấu trúc địa vật đơn giản mà chưa xây
dựng mô hình 3D thực từ hình ảnh thật của các đối tượng. Trên cơ sở những tồn tại
đã nêu, nội dung nghiên cứu chính của luận án nhằm giải quyết các vấn đề:
- Nghiên cứu và đề xuất thử nghiệm thuật toán tạo DEM từ dữ liệu DSM;
- Xây dựng, thử nghiệm thuật toán và quy trình nâng cao độ chính xác nhận
dạng tự động đối tượng trên ảnh UAV;
- Xây dựng CSDL 3D với mô hình 3D thực được xây dựng từ hình ảnh thật của
các đối tượng địa vật.
1.3 Dữ liệu ảnh UAV phục vụ trong nghiên cứu của đề tài.
1.3.1 Khu vực thu nhận ảnh và thiết bị bay chụp ảnh
Khu vực thu nhận ảnh tại thôn Yên Bồ, xã Vật Lại, huyện Ba Vì, Hà Nội. Trung
tâm xã có tọa độ địa lý khoảng 21012’10” vĩ độ Bắc, 105024’26” kinh độ Đông.

Hình 1.1. Vị trí địa lý khu vực bay thử nghiệm UAV (Nguồn: Google Map)



-5Chương 2 - NGHIÊN CỨU VÀ ĐỀ XUẤT THUẬT TOÁN TẠO DEM TỪ DỮ
LIỆU DSM
2.1 Tổng quan về các thuật toán tạo DEM
Trên thế giới, đã có nhiều thuật toán tạo DEM từ DSM như: thuật toán lọc điểm
bằng cách sử dụng các cửa sổ lọc hình thể học (geomorphology filters); lọc điểm
bằng màng lọc trung bình (Weidner (1995)); sử dụng các phương pháp nội suy bằng
hàm tương quan (Lee (2003)); sử dụng ngưỡng độ dốc để loại bỏ các điểm có độ dốc
lớn so với các điểm xung quanh (J. Susaki (2012)),.v.v. Tuy nhiên, khi sử dụng các
thuật toán kể trên vào việc tạo DEM từ DSM trong xử lý ảnh UAV thì gặp khó khăn
và đạt độ chính xác không cao do dữ liệu DSM chỉ có 1 lớp điểm không giống như
dữ liệu LiDar có nhiều lớp điểm. Do vậy trên dữ liệu DSM tại những vị trí có địa vật
và cây cối số lượng điểm mặt đất sẽ giảm đi sau khi sử dụng phép lọc điểm và không
thể xác định các điểm độ cao mặt đất ở phía dưới tán cây như dữ liệu LiDar.
Chính vì những hạn chế trên, nghiên cứu và đề xuất thuật toán tạo DEM từ DSM
dạng bán tự động, phù hợp với một số địa hình ở Việt Nam là thực tiễn và cần thiết.
2.2 Nghiên cứu đề xuất thuật toán tạo DEM từ DSM trong xử lý ảnh UAV
Các thuật toán được đề xuất bao gồm: Thuật toán xác định các điểm độ cao
đột biến; thuật toán xác định tập điểm độ cao địa vật và thuật toán nội suy độ cao
tái tạo nền địa hình.
2.2.1 Thuật toán xác định các điểm độ cao đột biến
Giả sử X là ảnh mô hình số bề mặt có hàm ( , ) biểu diễn độ cao điểm ảnh
p(x,y) với x là vị trí hàng và y là vị trí cột, khi đó xung quanh điểm p có thể xác định
được tối đa 8 điểm ảnh lân cận là có hàm độ cao tương ứng ( , ).
Giả sử, ta thiết lập giá trị ngưỡng chênh cao cho trước, nếu tồn tại điểm lân
cận của điểm ( , ) là có độ cao ( , )thỏa mãn:
( , )− ( , )≥
(2.1)
thì ( , ) được gọi điểm độ cao đột biến.
Như vậy với ngưỡng bất kỳ, ta sẽ thu được tập hợp các điểm độ cao đột biến.


ℎ( ) + ℎ( ) + ⋯ + ℎ(


)

(2.2)

Xét điểm ảnh
có độ cao ℎ :
- Nếu ℎ  thì
là điểm thuộc đối tượng địa vật.
- Nếu ℎ ≤ thì
là điểm thuộc địa hình.
Tuy nhiên, ngưỡng địa hình tự động chỉ phù hợp và cho kết quả chính xác với
những nền địa hình bằng phẳng. Nguyên nhân là do giá trị ngưỡng này là ngưỡng địa
hình toàn cục (global threshold) được xác định là ngưỡng chung cho cả khu vực nền
địa hình. Để khắc phục được nhược điểm này, ta có thể xây dựng các ngưỡng địa
hình tùy chỉnh với phạm vi cục bộ (local threshold). Các giá trị ngưỡng cục bộ này
cần phải được xác định dựa trên độ cao trung bình của nền địa hình ở từng khu vực đó.
* Ngưỡng địa hình tùy chỉnh
Giả sử X là ảnh mô hình số bề mặt, có giá trị độ cao điểm ảnh được biểu diễn
bởi hàm ( , )với x là vị trí hàng, y là vị trí cột. Gọi min là giá trị độ cao nhỏ nhất,
max là giá trị độ cao lớn nhất trên ảnh X:
= min ( , )
= max ( , )
là giá trị ngưỡng tùy chỉnh.
≤
≤
Φ( , ) là tập các điểm độ cao đột biến, Φ ( , ) là tập các điểm đột biến thuộc các

) +( −

và cột thứ

.

) + (ℎ − ℎ ) (2.3)

Dựa vào thuật toán nội suy độ cao theo trọng số nghịch đảo khoảng cách
(Inverse Distance Weighting (IDW)), độ cao điểm p được tính như sau:
n

 wi hi
i
h p  1n
 wi
i 1

với

wi 

1
dik

(2.4)

Trong đó: p i (i = 1 ÷ n) là các điểm xung quanh đã biết độ cao; wi là trọng số
nghịch đảo khoảng cách; hi là độ cao điểm thứ i ; di là khoảng cách từ điểm p đến
điểm thứ i và k là hằng số ảnh hưởng (thông thường k được lấy bằng 2).

a. Khả năng xác định các khu vực địa vật, khu vực có độ cao đột biến
Về mặt định tính có thể nhìn thấy trên Hình 2.5(b), các khu vực địa vật và khu
vực có độ cao đột biến được thuật toán xác định có độ chính xác cao. Về mặt định
lượng sẽ được đề cập trong phần đánh giá kết quả DEM tạo ra ở phần sau.

(b)
(a)
Hình 2.5. Kết quả xác định các khu vực địa vật, khu vực có độ cao đột biến.

b. Khả năng tái tạo lại nền địa hình
Từ kết quả DEM (Hình 2.4(b)) ta nhận thấy: độ chính xác, tính hợp lý hóa nền
địa hình được khôi phục phụ thuộc tập điểm độ cao địa hình lọc từ DSM và thuật
toán nội suy.
c. Độ chính xác bóc tách DEM của chương trình so với kết quả đo đạc thực địa
Để đánh giá được độ chính xác kết quả DEM tạo ra từ DSM bằng thuật toán của
chương trình, tác giả đã tiến hành đo đạc trực tiếp địa hình tỷ lệ 1: 1000 khu vực thực
nghiệm.
Chênh độ cao của DEM tạo ra từ DSM so với độ cao địa hình đo đạc trực tiếp đã
được đánh giá độ chính xác dọc theo ba mặt cắt địa hình có chiều dài trung bình 270
mét với khoảng cách lấy mẫu độ cao là 1 mét và đánh giá độ chính xác sai số trung
phương độ chênh cao trên toàn bề mặt DEM.

(a)
(b)
(c)
Hình 2.6. (a) Dữ liệu DSM; (b) Địa hình đo đạc trực tiếp; (c) DEM được tạo từ DSM

+ So sánh chênh độ cao trên cùng vị trí mặt cắt
Kết quả đo đạc trực tiếp địa hình sẽ được nội suy DEM và so sánh với DEM tạo
ra từ DSM trên cùng vị trí của ba mặt cắt địa hình (Hình 2.6). Kết quả so sánh chênh

Với: m = 984 là số hàng; n = 1469 là số cột pixel trong mẫu DEM
Kết quả tính toán sai số trung phương chênh độ cao giữa DEM tạo ra từ DSM
theo thuật toán đề xuất so với DEM đo đạc trực tiếp trên thực địa là 0.23 m.
Nhận xét: Độ chính xác độ cao của kết quả đo đạc trực tiếp và độ chính xác độ
cao của DSM là hai yếu tố chính ảnh hưởng đến sai số chênh độ cao giữa DEM đo
đạc và DEM tạo ra từ chương trình đề xuất. Có thể thấy chênh độ cao giữa DEM đo
đạc và DEM tạo ra từ chương trình ở mặt cắt 1-1’ là lớn nhất 0.62m, có thể giải thích
như sau: Vị trí có chênh độ cao lớn là những vị trí ao, hồ, vũng lầy có nền đất sụt lún
không ổn định, chính vì điều này đã ảnh hưởng đến độ chính xác của kết quả đo đạc
trực tiếp. Giá trị chênh độ cao giữa hai kết quả DEM này sẽ càng nhỏ ở những khu
vực thoáng đãng và có nền địa hình ổn định.
Với các kết quả trên, có thể khẳng định thuật toán của chương trình hoàn toàn áp
dụng được để tạo DEM từ dữ liệu DSM với độ chính xác cho phép thành lập CSDL
nền địa hình tỷ lệ trung bình và lớn (với khoảng cao đều bình độ 1m trở lên).
Tuy nhiên thuật toán tạo DEM từ DSM do tác giả đề xuất vẫn còn có một số hạn
chế, đó là: chưa thể tạo DEM tự động trên khu vực có địa hình dốc phức tạp mà vẫn
cần công tác tinh chỉnh từ người sử dụng.
Chương 3 - NGHIÊN CỨU PHƯƠNG PHÁP NÂNG CAO ĐỘ CHÍNH XÁC
NHẬN DẠNG TỰ ĐỘNG ĐỐI TƯỢNG TRÊN ẢNH UAV
3.1 Tổng quan về nhận dạng đối tượng ảnh
Theo định nghĩa của Lexing Xie (2009), nhận dạng đối tượng ảnh (object
recognition) là quá trình phân loại các đối tượng được biểu diễn theo một mô hình
nào đó và gán chúng vào một lớp chuyên đề (gán cho đối tượng một tên gọi) dựa trên
những quy luật và các mẫu chuẩn.
Có 3 cách tiếp cận thường được sử dụng trong kỹ thuật nhận dạng, đó là: (1)
nhận dạng dựa theo không gian; (2) nhận dạng dựa vào kỹ thuật mạng nơ ron và (3)
nhận dạng theo cấu trúc đối tượng.
Trong nhận dạng ảnh dựa theo cấu trúc đối tượng, thuật toán hay được nhắc đến
những năm gần đây là thuật toán phân loại định hướng đối tượng (PLĐHĐT). Thuật
toán trong PLĐHĐT không dựa trên các pixel đơn lẻ mà dựa vào toàn bộ đối tượng


3.3.2 Quy trình nâng cao độ chính xác nhận dạng đối tượng trên ảnh UAV
Quy trình thực hiện trên phần mềm eCognition và được minh họa như Hình 3.2

Hình 3.2 Quy trình nâng cao độ chính xác nhận dạng đối tượng bằng thuật toán PLĐHĐT

Cụ thể các bước như sau:


-13a. Công tác tiền xử lý dữ liệu
Đây là công việc tạo mới một dự án (project) và hiển thị dữ liệu đầu vào trên
cửa sổ phần mềm. Dữ liệu đầu vào được sử dụng cho công tác chiết tách đối tượng là
bình đồ ảnh trực giao UAV và dữ liệu DHM trong hệ quy chiếu WGS-84.
b. Phân mảnh ảnh
Phân mảnh (segmentation) là quá trình xác định trên ảnh có bao nhiêu đối
tượng, thông qua việc so sánh độ đồng nhất giữa các điểm ảnh và gom các điểm ảnh
đồng nhất thành các đối tượng. Các đối tượng xác định ở phần này chưa được định
danh, nghĩa là chưa xác định được đây là đối tượng địa lý gì? Thuộc tính của các đối
tượng như thế nào?. Tuy nhiên đây là quá trình rất quan trọng trong nhận dạng và độ
chính xác của phân mảnh sẽ ảnh hưởng đến độ chính xác về mặt không gian cho các
đối tượng được nhận dạng sau này.
c. Thiết lập các lớp đối tượng
Để phục vụ thành lập CSDL địa hình tỷ lệ lớn, ở đây khu vực thực nghiệm được
phân thành các lớp đối tượng như sau: cay_cao; dat_trong; duong; mat_nuoc;
nha_fibro ximang; nha_mai_ton; nha_ngoi; nha_tang; san_dat; san; thuc_vat.
d. Thiết lập bộ quy tắc và tiến hành xác định lớp cho đối tượng
Bộ quy tắc nhận dạng lớp đối tượng được xây dựng dựa trên các chỉ số: giá trị
trung bình (Mean) về màu sắc, độ lệch chuẩn (standard deviation), chỉ số màu sắc
(Hue, Saturation, Intensity), chỉ số về hình dạng (Geometry), chỉ số về vị trí
(Position), chỉ số về mối quan hệ các đối tượng (Relations to neighbor object), và chỉ

Đối tượng ảnh
Chưa được nhận
dạng
+
không nhận
dạng
nha_fibro
ximang

Tiêu chí 1
HSI Transformation
Saturation(R=Layer 1,G=Layer
2,B=Layer 3) >= 0.236
HSI Transformation
Saturation(R=Layer 1,G=Layer
2,B=Layer 3)
Mean Layer 4 >= 6.5
Mean Layer 4
845 Pxl
Rectangular Fit 130

HSI Transformation
Intensity(R=Layer 1,G=Layer
2,B=Layer 3) > 0.78

san

không nhận dạng

Mean Layer 4 >= 4.5
nha_tang
Mean Layer 4 >= 3
Mean Layer 2
Chưa được nhận
dạng
+
không nhận
dạng

Tiêu chí 1
HSI Transformation
Intensity(R=Layer 1,G=Layer
2,B=Layer 3) > 0.66
Mean Layer 1 >= 117
Rel. border to duong > 0
Rel. border to dat_trong > 0
HSI Transformation
Saturation(R=Layer 1,G=Layer
2,B=Layer 3) >= 0.15
Y distance to scene top border = 80
Brightness 0

Tiêu chí 2
Mean Layer 4
đánh giá định lượng.
* Đánh giá trực quan
Với kết quả nhận dạng đối tượng khi kết hợp bình đồ ảnh với DHM (Hình
3.4(d)), ta thấy các đối tượng mặt nước, nhà mái tôn, mái ngói, nhà fibro ximăng
được nhận dạng tốt nhất. Ngoài ra khu vực cây cao, cây bụi cũng được nhận dạng khi
có sự bổ sung độ cao từ kênh thông tin của DHM.

(a)

(b)

(c)
(d)
Hình 3.4. (a) Mẫu ảnh thử nghiệm; (b) Kết quả véc tơ hóa; (c) Kết quả nhận dạng trên bình đồ ảnh
UAV đơn thuần; (d) Kết quả nhận dạng khi kết hợp bình đồ ảnh với DHM


-16Trường hợp không kết hợp bình đồ ảnh với DHM (Hình 3.4(c)), kết quả hình
ảnh cho thấy các lớp nhận dạng nhầm lẫn rất nhiều, lý do một số đối tượng trên ảnh
có màu sắc tương đối giống nhau, như: đường đất, sân đất, đất trống, nhà fibro
ximăng cũ, nhà mái ngói cũ. Đối tượng cây cao, cây bụi cũng không thể tách riêng do
màu sắc giống các thảm thực vật thông thường và do không có thông tin độ cao địa
vật hỗ trợ.
* Đánh giá định lượng
Tác giả đã tiến hành đánh giá theo hai phương pháp, đó là: đánh giá độ chính
xác thông qua sự sai khác về tổng diện tích các đối tượng trên cùng một lớp và đánh
giá độ chính xác bằng cách so sánh các đối tượng nhận dạng độc lập trên dữ liệu
tham chiếu và dữ liệu nhận dạng
+ Sự sai khác về tổng diện tích các đối tượng trên cùng một lớp
Để đánh giá độ chính xác thông qua so sánh tổng diện tích của từng lớp đối


(m2)

NHÀ
NGÓI

NHÀ
MÁI TÔN

SÂN

ĐƯỜNG

MẶT
NƯỚC

(m2)

(m2)

(m2)

(m2)

(m2)

Tổng diện
tích được
nhận dạng
theo từng

58.673

2.083

5025.572

91.10

8.90

Đất trống (m2)

921.583

768.304

15.797

17.012

0.174

20.657

67.526

1.389

1812.442



Nhà ngói (m )

67.179

17.359

8.679

126.893

0.347

21.699

0.174

0.000

242.330

52.36

47.64

Nhà tôn (m2)

26.559

22.567


470.079

49.299

0.000

1246.021

37.73

62.27

Đường (m2)

227.575

4.860

62.839

8.159

0.000

32.808

440.742

1.909


1121.731

1231.613

293.539

335.027

695.571

631.343

1194.465

11890.665

71.67

68.49

64.98

43.23

98.76

69.81

69.81

mỗi lớp (m2)
Phần trăm diện
tích nhận dạng
đúng so với
diện tích tham
chiếu (%)
Phần trăm diện
tích không
nhận dạng
được (%)


-17Bảng 3.3. Thống kê độ chính xác tổng thể nhận dạng theo lớp đối tượng trên ảnh UAV khi kết hợp
bình đồ ảnh với DHM so với kết quả số hóa ảnh tham chiếu
Ortho+DHM

Tham chiếu
2

Cây cao (m )
Thực vật (m2)
Đất trồng (m2)
Nhà bro
ximang (m2)
Nhà ngói (m2)
Nhà tôn(m2)
Nhà tầng (m2)
2

Sân (m )


NHÀ
FIBRO
XI
MĂNG

(m2)

(m2)

NHÀ
NGÓI

NHÀ
MÁI
TÔN

NHÀ
TẦNG

SÂN

SÂN
ĐẤT

ĐƯỜNG

MẶT
NƯỚC


(%)
(%)

1138.423

177.570

10.925

0.173

0.347

0.173

0.000

0.000

7.977

1.907

3.121

1340.616

84.92

15.08


563.749

1190.965

1.734

0.000

0.000

0.000

12.659

3.815

18.728

2.428

1803.788

66.03

33.97

13.699

26.185


29.133

214.852

0.173

3.642

0.520

1.907

1.734

0.000

252.655

85.04

14.96

1.561

1.734

0.000

1.387


1.387

235.661

0.000

0.694

0.000

0.000

238.089

98.98

1.02

12.485

41.444

9.191

3.988

2.948

0.694


3.988

235.314

1.561

0.000

376.468

62.51

37.49

17.341

65.722

21.676

4.855

1.561

0.000

0.000

1.907


0.173

1292.062

1359.171

95.06

4.94

1368.015

4280.920

1392.465

973.685

228.725

351.324

296.181

582.824

370.052

722.244


16.78

23.58

14.47

7.32

6.07

2.02

20.43

7.68

36.41

9.87

1.51

Kappa =

0.81

+ Đánh giá độ chính xác các đối tượng nhận dạng độc lập
Ở đây tác giả tiến hành đánh giá độ chính xác nhận dạng các đối tượng độc lập
trên một số lớp có phần trăm nhận dạng đúng trên 85%.

(a) Đối tượng số hóa

(b) Đối tượng nhận dạng

(c) Chồng xếp đối tượng

Hình 3.8. Kết quả nhận dạng đối tượng nhà fibro xi nămg so với dữ liệu số hóa

(a) Đối tượng số hóa

(b) Đối tượng nhận dạng

(c) Chồng xếp đối tượng

Hình 3.9. Kết quả nhận dạng đối tượng nhà mái ngói so với dữ liệu số hóa

Kết quả thống kê số lượng đối tượng và đánh giá sai số vị trí điểm trên đường
biên tương ứng giữa hai đối tượng cùng tên theo tiêu chuẩn kỹ thuật BĐĐH tỷ lệ
1/2000. Kết quả nhận được trong các Bảng 3.4 đến Bảng 3.8 dưới đây.
Bảng 3.4. Kết quả thống kê và độ chính xác nhận dạng đối tượng trên Hình 3.5
STT

Đối tượng
số hóa

Đối tượng
nhận dạng

Sai số vị trí
Kết luận

Có thể thay thế

4

nha_ton

nha_mai_ton

0.22

Có thể thay thế

5

nha_ton

nha_mai_ton

0.41

Có thể thay thế

6

nha_ton

nha_mai_ton

0.30


mat_nuoc

3.60

Không

2

mat_nuoc

mat_nuoc

5.14

Không

3

mat_nuoc

mat_nuoc

0.89

Có thể thay thế

4

mat_nuoc



nha_tang

1.37

Không

3

nha_tang

nha_tang

0.44

Có thể thay thế

4

nha_tang

nha_tang

0.68

Có thể thay thế

5

nha_tang


Không

Có thể thay thế

Bảng 3.7. Kết quả thống kê và độ chính xác nhận dạng đối tượng trên Hình 3.8


-20Bảng 3.8. Kết quả thống kê và độ chính xác nhận dạng đối tượng trên Hình 3.9
STT

Đối tượng
số hóa

Đối tượng
nhận dạng

Sai số vị trí
Kết luận
điểm lớn nhất (m) (Có thể thay thế/ Không)

1

nha_ngoi

nha_ngoi

0.45

Có thể thay thế


5

nha_ngoi

nha_ngoi

0.64

Có thể thay thế

6

nha_ngoi

nha_ngoi

2.15

Không

7
8
9
10
11

nha_ngoi

nha_ngoi

4.1 Tổng quan về xây dựng cơ sở dữ liệu 3D
Những năm gần đây, công nghệ lập bản đồ và hệ thống thông tin địa lý GIS đã có
những bước phát triển mạnh mẽ trong công tác xây dựng cơ sở dữ liệu (CSDL) trong
đó có việc xây dựng CSDL 3D. Trên Thế giới và ở Việt Nam đã có rất nhiều các
nghiên cứu xây dựng CSDL 3D từ ảnh UAV. Tuy nhiên, khi xây dựng mô hình trong
CSDL 3D thì các nghiên cứu trong nước mới tập trung nghiên cứu xây dựng mô hình


-213D mô phỏng, trong khi đó việc xây dựng mô hình 3D thực từ đám mây điểm (3D
point cloud) và ảnh cấu trúc (texture image) tạo ra trong xử lý ảnh UAV thì chưa có
nghiên cứu nào đề cập đến. Đây sẽ là một hướng nghiên cứu tiếp theo trong nội dung
của luận án.
4.2 Xây dựng mô hình 3D thực
Mô hình 3D thực được xây dựng từ đám mây điểm (3D point cloud) và ảnh cấu
trúc (texture image) tạo ra trong xử lý ảnh UAV được thực hiện theo quy trình sau:

Hình 4.1 Quy trình xây dựng mô hình 3D thực

4.3. Thực nghiệm xây dựng CSDL 3D từ kết quả xử lý ảnh UAV
Trong phần thực nghiệm của đề tài, tác giả tiến hành xây dựng CSDL 3D với
mô hình 3D thực, nhằm tiếp cận với xu thế hiện nay trên thế giới về công tác xây
dựng CSDL 3D.
4.3.1 Dữ liệu sử dụng
Dữ liệu sử dụng để xây dựng CSDL 3D là kết quả xử lý ảnh UAV gồm bình đồ
ảnh, dữ liệu đám mây điểm và ảnh cấu trúc. Dữ liệu DEM và dữ liệu địa vật trong kết
quả nghiên cứu của luận án cũng được đưa vào để tạo lập CSDL.

(a) Bình đồ ảnh trưc giao

(b) DEM tạo ra từ DSM


d. Xây dựng mô hình 3D thực

(a)

(b)

(c)

Hình 4.4. (a) Đám mây điểm (b) Ảnh cấu trúc và (c) Mô hình 3D thực

Kết quả xây dựng mô hình 3D thực được tạo lập bằng công nghệ dán tự động từ
dữ liệu đám mây điểm và ảnh cấu trúc đối tượng trên phần mềm Pix4D mapper. Mô
hình 3D thực sau khi được tạo trên Pix4D mapper sẽ được chuyển sang phần Skyline
để tích hợp cơ sở dữ liệu 3D cho khu vực.
e. Dữ liệu thuộc tính
Dữ liệu thuộc tính đối tượng được thu thập thông qua công tác điều tra xác định
các yếu tố định tính, định lượng của các đối tượng, các nội dung ghi chú tên riêng,
tính chất và phân hạng hệ thống giao thông, thủy hệ, dân cư, địa lý, hành chính,.v.v.
f. Tích hợp cơ sở dữ liệu 3D
Tích hợp cơ sở dữ liệu 3D được thực hiện trên phần mềm TerraBuilder và
TerraExplorer Pro của Skyline. Mục đích của công tác này chính là việc tích hợp cơ
sở dữ liệu địa lý với mô hình 3D thực và dữ liệu thuộc tính của các đối tượng
g. Biên tập và trình bày cơ sở dữ liệu 3D
Công tác biên tập và trình bày cơ sở dữ liệu 3D được thực hiện gồm các công
việc đặt các chú dẫn, ghi chú và ký hiệu biểu tượng cho các đối tượng địa lý trên kết
quả mô hình đã được tích hợp CSDL.
4.3.3 Kết quả xây dựng cơ sở dữ liệu 3D và đánh giá
Kết quả xây dựng CSDL 3D được biểu diễn trên phần mềm TerraExplorer Pro
cho phép hiển thị và tra cứu các thông tin đối tượng trên mô hình 3D thực đã được