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

MỞ ĐẦU 1. Tính cấp thiết của đề tài Những năm gần đây, việc ứng dụng thiết bị bay không người lái (UAV) để thu nhận ảnh phục vụ cho các lĩnh vực quân sự và dân sự đã khá phổ biến trên thế giới và ở Việt Nam do thiết bị này có những ưu điểm như: Thiết bị bay UAV có thể sử dụng trong các tình huống có độ rủi ro cao mà không nguy hại đến cuộc sống con người, các vùng không thể tiếp cận, ở cao độ thấp và bay gần với các đối tượng nơi mà hệ thống có người lái không thể bay được. Những nơi xảy ra các thảm họa tự nhiên hoặc những nơi có điều kiện thời tiết xấu như nhiều mây và mưa phùn. UAV còn có khả năng thu nhận dữ liệu nhanh chóng ở thời điểm tức thời, truyền tải hình ảnh xuống trạm điều khiển mặt đất. Việc kết hợp của hệ thống GPS/INS ổn định cho phép UAV đảm bảo độ chính xác về vị trí và hướng của hệ thống bay, mặt khác dữ liệu ảnh thu nhận được có độ phủ lớn từ 60 đến 90%, ảnh chụp ở nhiều góc độ, hình ảnh trung thực có độ phân giải cao, hàm chứa lượng thông tin lớn. Từ những ưu điểm đó, đã có khá nhiều các nghiên cứu về ứng dụng dữ liệu ảnh UAV vào trong các lĩnh vực như lập bản đồ địa hình, địa chính [3], giám sát sạt lở lưu vực sông [90], xây dựng dữ liệu 3D đô thị [11], xây dựng cơ sở dữ liệu 3D các khu vực khảo cổ [30],[32], xây dựng mô hình số độ cao [94], khảo sát mức độ thiệt hại do thiên tai, dịch họa, môi trường [54],.v.v. Và gần đây nhờ công nghệ quét đám mây điểm (3D point cloud) của UAV-LiDar một số nhóm nghiên cứu đã xây dựng dữ liệu không gian (3D) theo công nghệ hiện đại này. Tuy nhiên UAVLiDar chưa được phổ biến do giá thành của công nghệ này còn khá cao trên thị trường thương mại. Các nghiên cứu ứng dụng ảnh của UAV trong lĩnh vực dân sự trên thế giới và ở Việt Nam đa phần tập trung vào UAV giá rẻ, ảnh thu nhận của thiết bị là ảnh kỹ thuật số thông thường. Từ dữ liệu ảnh UAV thu nhận được, bằng các công nghệ xử lý ảnh tự động hiện nay dễ dàng cho ra được kết quả bình đồ ảnh, DSM và DEM. Tuy nhiên, để tạo lập cơ sở dữ liệu đòi hỏi phải có dữ liệu DEM và dữ liệu địa vật trên bề mặt một cách chính xác. Các nghiên cứu trên cho thấy, việc tạo DEM tự động trong quá trình xử lý ảnh UAV chưa đạt độ chính xác để có thể đưa vào sử dụng, do vậy kết quả DEM đang được tạo ra từ việc đo điểm độ cao địa hình trên mô hình các cặp ảnh lập thể UAV. Tuy nhiên, với kích thước ảnh nhỏ, số lượng ảnh UAV thu nhận sẽ là rất lớn trên khu vực bay chụp, để đo điểm độ cao trên một khối lượng lớn cặp ảnh lập thể sẽ là rất vất vả, đôi khi là không thể. Việc tạo lập dữ liệu các đối tượng địa vật từ bình đồ ảnh UAV (orthomosaic) cũng thực hiện phổ biến theo phương pháp véc tơ hóa. Gần đây đã có một số nghiên cứu sử dụng các thuật toán nhận dạng để chiết tách các đối tượng trên bề mặt trên ảnh có độ phân giải cao phục vụ cho công tác xây dựng CSDL [13],[18], [97], [101],v.v., kết quả của các nghiên cứu đã khẳng định nhận dạng theo thuật toán của phân loại định hướng đối tượng (PLĐHĐT) phù hợp với ảnh có độ phân giải cao như ảnh Worldview, ảnh hàng không có nhiều hơn 3 kênh phổ (RGB). Tuy nhiên để nhận dạng đối tượng trên bề mặt ảnh kỹ thuật số của UAV với ba kênh phổ (RGB) và có độ phân giải siêu cao thì chưa nghiên cứu nào đề cập đến. Ngoài ra, việc xây dựng cơ sở dữ liệu 3D (CSDL 3D) từ dữ liệu ảnh UAV cũng đang được nhiều tác giả trên thế giới nghiên cứu [37],[38],[42], v.v. Mô hình không gian trong CSDL 3D được xây dựng dưới hai dạng: (1) là mô hình 3D mô phỏng (3D model mapping) được xây dựng dựa trên các thành phần bình đồ ảnh của UAV, DEM và bộ ký hiệu thiết kế địa vật 3D và (2) là mô hình 3D thực (3D mapping in real time) được xây dựng từ các kết quả dữ liệu đám mây điểm (3D point cloud) và ảnh cấu trúc đối tượng (texture image) được tạo ra tự động trong quá trình xử lý ảnh UAV. Trên thế giới, mô hình 3D thực đang có xu hướng thay thế dần mô hình 3D mô phỏng do chúng có ưu điểm như: Mô hình biểu diễn hình ảnh thật mà không cần phải thiết kế mô phỏng các đối tượng, địa vật; Sử dụng trực tiếp DSM không cần dữ liệu DEM để xây dựng mô hình. Điển hình cho cách tiếp cận này là CSDL 3D của Google Earth với sản phẩm mô hình 3D thực rất trực quan và có độ chi tiết cao ở một số thành phố lớn trên thế giới, giúp người sử dụng dễ có cái nhìn tổng quan, dễ truy cập tìm kiếm. Tuy nhiên, các nghiên cứu trong nước mới đang tập trung nghiên cứu xây dựng cơ sở dữ liệu 3D với mô hình 3D ở dạng mô phỏng [11],[25]. Chưa có nghiên cứu nào đề cập đến xây dựng cơ sở dữ liệu 3D với mô hình 3D thực. Xuất phát từ những nhu cầu thực tế trên, đề tài “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” nhằm giải quyết và tiếp cận với các vấn đề trên.

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 LÁ I

LUẬN ÁN TIẾN SĨ KỸ THUẬT

HÀ NỘI - 2018

MỤC LỤC

Lời cam đoan i

MỤC LỤC ii

Danh mục các ký hiệu, chữ viết tắt tiếng Việt và tiếng Anh v

Danh mục các bảng, biểu đồ vi

Danh mục các hình vẽ, đồ thị vii

MỞ ĐẦU 10

Chương 1- TỔNG QUAN VỀ HỆ THỐNG UAV VÀ CÁC ỨNG DỤNG DỮ LIỆU ẢNH UAV TRONG TRẮC ĐỊA - BẢN ĐỒ 16

1.1 Định nghĩa UAV 16

1.2 Lịch sử phát triển hệ thống UAV 16

1.2.1 Trên thế giới 16

1.2.2 Ở Việt Nam 18

1.3 Ứng dụng dữ liệu ảnh thu nhận từ UAV trong Trắc địa - Bản đồ 22

1.4 Dữ liệu ảnh UAV phục vụ trong nghiên cứu của đề tài 25

1.4.1 Khu vực thu nhận ảnh và thiết bị bay chụp ảnh 25

1.4.2 Dữ liệu sử dụng trong nghiên cứu của đề tài 27

Chương 2 - NGHIÊN CỨU VÀ ĐỀ XUẤT THUẬT TOÁN TẠO DEM TỪ DỮ LIỆU DSM 28

2.1 Tổng quan về công tác tạo DEM trong xử lý ảnh UAV 28

2.2 Nghiên cứu và đề xuất thuật toán tạo DEM từ DSM 29

2.2.1 Tổng quan về các thuật toán tạo DEM từ DSM 29

2.2.2 Nghiên cứu thuật toán sử dụng trong công nghệ LiDar 31

2.2.2.1 Thuật toán lọc số liệu địa hình để thành lập DEM từ DSM [90] 31

2.2.2.2 Thuật toán lọc điểm địa vật và cây [90] 32

2.2.3 Nghiên cứu đề xuất thuật toán tạo DEM từ dữ liệu DSM trong xử lý ảnh UAV 34

2.2.3.1 Thuật toán xác định các điểm độ cao đột biến 34

2.2.3.2 Thuật toán xác định tập điểm độ cao địa vật 37

2.2.3.3 Thuật toán nội suy độ cao tái tạo nền địa hình 40

2.3 Thực nghiệm tạo DEM từ dữ liệu DSM bằng thuật toán đề xuất 42

2.3.1 Dữ liệu sử dụng 42

2.3.2 Sơ đồ thuật toán của chương trình tạo DEM từ dữ liệu DSM 43

2.3.3 Kết quả tạo DEM từ dữ liệu DSM và đánh giá độ chính xác 44

2.3.3.1 Kết quả thiết đặt ngưỡng độ cao đột biến 44

2.3.3.2 Kết quả phân ngưỡng địa hình tự động 45

2.3.3.3 Kết quả phân ngưỡng địa hình tùy chỉnh 46

2.3.3.4 Kết quả tái tạo nền địa hình 47

2.3.4 Đánh giá độ chính xác kết quả thực nghiệm 49

2.3.4.1 Khả năng xác định các khu vực địa vật, khu vực có độ cao đột biến 49

2.3.4.2 Khả năng tái tạo lại nền địa hình 50

2.3.4.3 Độ chính xác DEM của chương trình tạo ra so với kết quả DEM đo đạc thực địa 51

Chương 3 - NGHIÊN CỨU PHƯƠNG PHÁP NÂNG CAO ĐỘ CHÍNH XÁC NHẬN DẠNG TỰ ĐỘNG ĐỐI TƯỢNG TRÊN ẢNH UAV 55

3.1 Tổng quan về nhận dạng đối tượng ảnh 55

3.2 Cơ sở lý thuyết và thuật toán trong PLĐHĐT 58

3.2.1 Các cơ sở tri thức sử dụng trong PLĐHĐT 58

3.2.2 Thuật toán sử dụng trong phân mảnh ảnh 61

3.2.3 Phương pháp nâng cao độ chính xác nhận dạng đối tượng trên ảnh UAV 63

3.3 Thực nghiệm nhận dạng đối tượng trên ảnh UAV sử dụng dữ liệu DHM và các dữ liệu khác 64

3.3.1 Dữ liệu sử dụng 64

3.3.2 Quy trình nhận dạng đối tượng trên ảnh UAV sử dụng DHM và các dữ liệu khác 65

3.3.2.1 Công tác tiền xử lý dữ liệu 66

3.3.2.2 Phân mảnh ảnh 66

3.3.2.3 Thiết lập các lớp đối tượng 67

3.3.2.4 Thiết lập bộ quy tắc và tiến hành xác định lớp cho đối tượng 68

3.3.2.5 Định danh từng đối tượng địa vật 72

3.3.2.6 Đánh giá độ chính xác 74

Chương 4 - XÂY DỰNG CƠ SỞ DỮ LIỆU 3D TỪ KẾT QUẢ XỬ LÝ ẢNH UAV83 4.1 Tổng quan về xây dựng cơ sở dữ liệu 3D 83

4.2 Cơ sở lý thuyết khoa học về xây dựng cơ sở dữ liệu 3D 87

4.2.1 Cơ sở dữ liệu 3D 87

4.2.2 Chuẩn hóa cơ sở dữ liệu 89

4.2.3 Một số phần mềm ứng dụng trong công tác xây dựng CSDL 3D 90

4.2.3.1 Phần mềm Pix4D mapper 90

4.2.3.2 Phần mềm Skyline 91

4.2.3.3 Phần mềm ArcGIS 92

4.2.4 Thiết kế mô hình 3D từ ảnh UAV 93

4.2.4.1 Mô hình 3D mô phỏng 94

4.2.4.2 Mô hình 3D thực 95

4.3 Thực nghiệm xây dựng CSDL 3D từ kết quả xử lý ảnh UAV 97

4.3.1 Dữ liệu sử dụng 97

4.3.2 Quy trình thực nghiệm xây dựng CSDL 3D 98

4.3.3 Kết quả xây dựng cơ sở dữ liệu 3D và đánh giá 104

KẾT LUẬN VÀ KIẾN NGHỊ 106

DANH MỤC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA TÁC GIẢ 108

TÀI LIỆU THAM KHẢO 110

PHỤ LỤC 122

Phụ lục 1: Thông số thiết đặt máy chụp ảnh, ảnh chụp và thiết bị bay 122

Phụ lục 1: Cơ sở lý thuyết thiết kế bay chụp ảnh UAV 123

Phụ lục 3: Chương trình tạo DEM từ dữ liệu DSM 125

Phụ lục 4: Một số đoạn Code của chương trình tạo DEM từ DSM 129

Phụ lục 5: Số liệu so sánh chênh độ cao giữa DEM đo đạc trực tiếp và DEM tạo ra từ DSM bằng thuật toán đề xuất 136

Phụ lục 6: Thiết kế cấu trúc dữ liệu nền địa lý tỷ lệ 1:2000 141

Danh mục các ký hiệu, chữ viết tắt tiếng Việt và tiếng Anh

UAV Unmanned Aircraft Vehicle: Thiết bị máy bay không người lái DEM Digital Elevation Model: Mô hình số độ cao

DSM Digital Surface Model: Mô hình số bề mặt

DTM Digital Terrain Model: Mô hình số địa hình

DHM Digital Height Model: Mô hình số độ cao địa vật

GIS Geographic Information System Hệ thống thông tin địa lý

GPS Global Positioning System: Hệ thống định vị toàn cầu INS Inertial Navigation System: Hệ thống dẫn đường quán tính IMU Inertial Measurement Unit: Đơn vị đo lường quán tính GCS Ground Control Systerm Trạm điều khiển mặt đất

Danh mục các bảng, biểu đồ

Bảng 2.1 Ký hiệu mức độ cao các đối tượng 35

Bảng 2.2 Bảng giá trị chênh cao giữa các lớp đối tượng 35

Biểu đồ 2.3 (a) So sánh chênh độ cao trên các mặt cắt địa hình 1-1’ 53

Biểu đồ 2.3 (b) So sánh chênh độ cao trên các mặt cắt địa hình 2-2’ 53

Biểu đồ 2.3 (c) So sánh chênh độ cao trên các mặt cắt địa hình 3-3’ 53

Bảng 3.1 Miêu tả các tiêu chí trong bộ quy tắc theo thuật toán PLĐHĐT ảnh UAV kết hợp dữ liệu DHM trên khu vực thực nghiệm 68

Bảng 3.2 Thống kê độ chính xác tổng thể nhận dạng theo lớp đối tượng trên ảnh UAV khi không kết hợp bình đồ ảnh với DHM so với kết quả véc tơ hóa ảnh tham chiếu 77

Bảng 3.3 Thống kê độ chính xác tổng thể nhận dạng theo lớp đối tượng trên ảnh UAV khi kết hợp bình đồ ảnh so với kết quả véc tơ hóa ảnh tham chiếu 78

Bảng 3.4 Kết quả thống kê và độ chính xác nhận dạng đối tượng trên Hình 3.13 80

Bảng 3.5 Kết quả thống kê và độ chính xác nhận dạng đối tượng trên Hình 3.14 80

Bảng 3.6 Kết quả thống kê và độ chính xác nhận dạng đối tượng trên Hình 3.15 81

Bảng 3.7 Kết quả thống kê và độ chính xác nhận dạng đối tượng trên Hình 3.16 81

Bảng 3.8 Kết quả thống kê và độ chính xác nhận dạng đối tượng trên Hình 3.17 82

Bảng 4.1 Danh mục các chuẩn TTĐLCS 90

Danh mục các hình vẽ, đồ thị

Hình 1.1 Một số UAV được phát triển và sử dụng thu nhận ảnh trên thế giới 18

Hình 1.2 Một số UAV được phát triển và sử dụng thu nhận ảnh ở Việt Nam 20

Hình 1.3 Một số kết quả ứng dụng dữ liệu ảnh UAV trong Trắc địa-bản đồ 24

Hình 1.4 Vị trí địa lý khu vực bay thử nghiệm UAV (Nguồn: Google Map) 25

Hình1.5 Thiết bị bay UAV Swinglet-CAM và máy ảnh Canon IXUS 127HS 26

Hình 1.6 Mô tả dải bay và hình ảnh 1 tấm ảnh thu nhận khu vực thử nghiệm 26

Hình 1.7 Các kết quả xử lý ảnh UAV bằng phần mềm Pix4D mapper 27

Hình 2.1 (a) Dữ liệu DSM, (b) Dữ liệu DEM được lọc trên TopoSys [49] 33

Hình 2.2 Mô tả dữ liệu ảnh DSM 35

Hình 2.3 Kết quả của Hình 2.2 với ngưỡng chênh cao đột biến là 1.5m 36

Hình 2.4 Xác định khu vực các đối tượng địa vật bằng phương pháp trực tiếp 38

Hình 2.5 Minh họa kết quả của Hình 2.3 với sự kết hợp ngưỡng đột biến được thiết lập 1.5m và ngưỡng địa hình tự động 39

Hình 2.6 Mối quan hệ giữa điểm ảnh p với các điểm địa hình xung quanh 41

Hình 2.7 (a) Mô hình số bề mặt (DSM); (b) Bình đồ ảnh UAV 43

Hình 2.8 Sơ đồ thuật toán của chương trình tạo DEM từ DSM 44

Hình 2.9 Thiết lập với các ngưỡng chênh cao đột biến khác nhau 45

Hình 2.10 (a) Mô hình số bề mặt; (b) Phân ngưỡng địa hình tự động 46

Hình 2.11 Kết quả đối tượng địa vật được xác định bằng thuật toán phân ngưỡng.47 Hình 2.12 So sánh DSM và kết quả DEM tạo ra bằng thuật toán đề xuất 48

Hình 2.13 So sánh DSM và kết quả DEM tạo ra bằng thuật toán đề xuất 49

Hình 2.14 Kết quả xác định các khu vực địa vật, khu vực có độ cao đột biến 50

Hình 2.15 (a) Dữ liệu DSM ; (b) Kết quả DEM không bổ sung tập điểm độ cao; (c) Kết quả DEM có bổ sung tập điểm độ cao 50

Hình 2.16 (a) Dữ liệu DSM; (b) Dữ liệu DEM; (c) Bình đồ ảnh 51

Hình 2.17 (a) Dữ liệu DSM; (b) Dữ liệu DEM; (c) Bình đồ ảnh 51

Hình 2.18 (a) Bình đồ ảnh tham chiếu; (b) Địa hình đo đạc trực tiếp; (c) Dữ liệu DSM sử dụng tạo DEM; (d) DEM được tạo từ thuật toán đề xuất; (e) Hình ảnh DSM ở dạng 3D; (f) Hình ảnh DEM ở dạng 3D 52

Hình 3.1 So sánh đặc trưng hình dạng của sông suối và ao, hồ 60

Hình 3.2 Quan hệ topo và khái niệm khoảng cách dùng trong PLĐHĐT [41] 60

Hình 3.3 So sánh kết quả phân mảnh ảnh với các tỷ lệ khác nhau 61

Hình 3.4 (a) Dữ liệu ảnh UAV và (b) Dữ liệu DHM khu vực Vật Lại-Ba Vì-Hà Nội 64

Hình 3.5 Quy trình nhận dạng đối tượng dựa vào thuật toán PLĐHĐT sử dụng DHM và các dữ liệu khác 65

Hình 3.6 Kết quả phân mảnh theo thuật toán Multiresolution segmentation với (Scale parameter =50; shape=0.3 và compactness = 0.7) 67

Hình 3.7 Một hình nón đôi của mô hình màu HSI [84] 70

Hình 3.8 Sơ đồ khái quát quá trình nhận dạng theo lớp đối tượng với tiêu chí trên Bảng 3.1 71

Hình 3.9 Kết quả nhận dạng theo từng lớp đối tượng trên UAV khi kết hợp 3 kênh phổ (Red, Green, Blue) và DHM khu vực thực nghiệm 72

Hình 3.10 Gộp mảnh ảnh từ kết quả nhận dạng đối tượng theo lớp 73

Hình 3.11 (a) Mẫu ảnh thử nghiệm; (b) Dữ liệu DHM; (c) Kết quả gộp vùng nhận dạng; (d) Kết quả nhận dạng hiển thị trên ArcGis 73

Hình 3.12 (a) Mẫu ảnh thử nghiệm; (b) Kết quả véc tơ hóa; (c) Kết quả nhận dạng đối tượng khi không kết hợp bình đồ ảnh với DHM; (d) Kết quả nhận dạng đối tượng khi kết hợp bình đồ ảnh với DHM 74

Hình 3.13 Kết quả nhận dạng đối tượng nhà mái tôn so với dữ liệu số hóa 79

Hình 3.14 Kết quả nhận dạng đối tượng mặt nước so với dữ liệu số hóa 79

Hình 3.15 Kết quả nhận dạng đối tượng nhà tầng so với dữ liệu số hóa 79

Hình 3.16 Kết quả nhận dạng đối tượng nhà mái ngói so với dữ liệu số hóa 79

Hình 3.17 Kết quả nhận dạng đối tượng nhà fibro xi nămg so với dữ liệu số hóa 80

Hình 4.1 (a) CSDL 3D thành phố Vĩnh Yên, tỉnh Vĩnh Phúc (theo[25]), (b) CSDL 3D thành phố Toronto, Canada (nguồn: Google earth) 86

Hình 4.2 Dữ liệu không gian và dữ liệu thuộc tính trong cơ sở dữ liệu 89

Hình 4.3 Mô hình nhà được lập trên phần mềm Pix4D mapper (Nguồn: Google.com) 91

Hình 4.4 Các gói dữ liệu cơ bản của Skyline (Nguồn: skylineglobe.com) 91

Hình 4.5 Ba phần mềm ứng dụng chính của ArcGis (Nguồn: ESRI.com) 93

Hình 4.6 Năm mức độ chi tiết (LoD) được định nghĩa bởi CityGML [61] 94

Hình 4.7 Quy trình xây dựng mô hình 3D mô phỏng 95

Hình 4.8 Thiết kế tuyến bay thu nhận ảnh phục vụ tái tạo mô hình 3D thực [4] 96

Hình 4.9 Kết quả thu nhận hình ảnh đối tượng theo 4 hướng cơ bản 96

Hình 4.10 Quy trình xây dựng mô hình 3D thực 97

Hình 4.11 Dữ liệu thực nghiệm sử dụng xây dựng cơ sở dữ liệu 3D 98

Hình 4.12 Quy trình xây dựng cơ sở dữ liệu 3D 98

Hình 4.13 Kết quả véc tơ hệ thống giao thông, thủy hệ và bình độ khu vực thực nghiệm 99

Hình 4.14 Xây dựng các gói dữ liệu và lớp đối tượng trên ArcCatalog 100

Hình 4.15 Load dữ liệu véc tơ vào các lớp trong cấu trúc CSDL 100

Hình 4.16 (a) Đám mây điểm (b) Ảnh cấu trúc và (c) Mô hình 3D thực 101

Hình 4.17 Load các lớp đối tượng vào CSDL trên TerraExplorer Pro 103

Hình 4.18 Nhập dữ liệu thuộc tính vào CSDL trên TerraExplorer Pro 103

Hình 4.19 Trình bày cơ sở dữ liệu 3D trên TerraExplorer Pro 104

Hình 4.20 Tìm kiếm thông tin trên CSDL 3D 105

MỞ ĐẦU

1 Tính cấp thiết của đề tài

Những năm gần đây, việc ứng dụng thiết bị bay không người lái (UAV) để thu nhận ảnh phục vụ cho các lĩnh vực quân sự và dân sự đã khá phổ biến trên thế giới và ở Việt Nam do thiết bị này có những ưu điểm như: Thiết bị bay UAV có thể

sử dụng trong các tình huống có độ rủi ro cao mà không nguy hại đến cuộc sống con người, các vùng không thể tiếp cận, ở cao độ thấp và bay gần với các đối tượng nơi mà hệ thống có người lái không thể bay được Những nơi xảy ra các thảm họa

tự nhiên hoặc những nơi có điều kiện thời tiết xấu như nhiều mây và mưa phùn UAV còn có khả năng thu nhận dữ liệu nhanh chóng ở thời điểm tức thời, truyền tải hình ảnh xuống trạm điều khiển mặt đất Việc kết hợp của hệ thống GPS/INS ổn định cho phép UAV đảm bảo độ chính xác về vị trí và hướng của hệ thống bay, mặt khác dữ liệu ảnh thu nhận được có độ phủ lớn từ 60 đến 90%, ảnh chụp ở nhiều góc

độ, hình ảnh trung thực có độ phân giải cao, hàm chứa lượng thông tin lớn

Từ những ưu điểm đó, đã có khá nhiều các nghiên cứu về ứng dụng dữ liệu ảnh UAV vào trong các lĩnh vực như lập bản đồ địa hình, địa chính [3], giám sát sạt lở lưu vực sông [90], xây dựng dữ liệu 3D đô thị [11], xây dựng cơ sở dữ liệu 3D các khu vực khảo cổ [30],[32], xây dựng mô hình số độ cao [94], khảo sát mức

độ thiệt hại do thiên tai, dịch họa, môi trường [54],.v.v Và gần đây nhờ công nghệ quét đám mây điểm (3D point cloud) của UAV-LiDar một số nhóm nghiên cứu đã xây dựng dữ liệu không gian (3D) theo công nghệ hiện đại này Tuy nhiên UAV-LiDar chưa được phổ biến do giá thành của công nghệ này còn khá cao trên thị trường thương mại

Các nghiên cứu ứng dụng ảnh của UAV trong lĩnh vực dân sự trên thế giới

và ở Việt Nam đa phần tập trung vào UAV giá rẻ, ảnh thu nhận của thiết bị là ảnh

kỹ thuật số thông thường Từ dữ liệu ảnh UAV thu nhận được, bằng các công nghệ

xử lý ảnh tự động hiện nay dễ dàng cho ra được kết quả bình đồ ảnh, DSM và DEM Tuy nhiên, để tạo lập cơ sở dữ liệu đòi hỏi phải có dữ liệu DEM và dữ liệu

địa vật trên bề mặt một cách chính xác Các nghiên cứu trên cho thấy, việc tạo DEM

tự động trong quá trình xử lý ảnh UAV chưa đạt độ chính xác để có thể đưa vào sử dụng, do vậy kết quả DEM đang được tạo ra từ việc đo điểm độ cao địa hình trên

mô hình các cặp ảnh lập thể UAV Tuy nhiên, với kích thước ảnh nhỏ, số lượng ảnh UAV thu nhận sẽ là rất lớn trên khu vực bay chụp, để đo điểm độ cao trên một khối lượng lớn cặp ảnh lập thể sẽ là rất vất vả, đôi khi là không thể

Việc tạo lập dữ liệu các đối tượng địa vật từ bình đồ ảnh UAV (orthomosaic) cũng thực hiện phổ biến theo phương pháp véc tơ hóa Gần đây đã có một số nghiên cứu sử dụng các thuật toán nhận dạng để chiết tách các đối tượng trên bề mặt trên ảnh có độ phân giải cao phục vụ cho công tác xây dựng CSDL [13],[18], [97], [101],v.v., kết quả của các nghiên cứu đã khẳng định nhận dạng theo thuật toán của phân loại định hướng đối tượng (PLĐHĐT) phù hợp với ảnh có độ phân giải cao như ảnh Worldview, ảnh hàng không có nhiều hơn 3 kênh phổ (RGB) Tuy nhiên để nhận dạng đối tượng trên bề mặt ảnh kỹ thuật số của UAV với ba kênh phổ (RGB)

và có độ phân giải siêu cao thì chưa nghiên cứu nào đề cập đến

Ngoài ra, việc xây dựng cơ sở dữ liệu 3D (CSDL 3D) từ dữ liệu ảnh UAV cũng đang được nhiều tác giả trên thế giới nghiên cứu [37],[38],[42], v.v Mô hình không gian trong CSDL 3D được xây dựng dưới hai dạng: (1) là mô hình 3D mô

phỏng (3D model mapping) được xây dựng dựa trên các thành phần bình đồ ảnh của UAV, DEM và bộ ký hiệu thiết kế địa vật 3D và (2) là mô hình 3D thực (3D

mapping in real time) được xây dựng từ các kết quả dữ liệu đám mây điểm (3D

point cloud) và ảnh cấu trúc đối tượng (texture image) được tạo ra tự động trong quá trình xử lý ảnh UAV Trên thế giới, mô hình 3D thực đang có xu hướng thay thế dần mô hình 3D mô phỏng do chúng có ưu điểm như: Mô hình biểu diễn hình ảnh thật mà không cần phải thiết kế mô phỏng các đối tượng, địa vật; Sử dụng trực tiếp DSM không cần dữ liệu DEM để xây dựng mô hình Điển hình cho cách tiếp cận này là CSDL 3D của Google Earth với sản phẩm mô hình 3D thực rất trực quan

và có độ chi tiết cao ở một số thành phố lớn trên thế giới, giúp người sử dụng dễ có cái nhìn tổng quan, dễ truy cập tìm kiếm Tuy nhiên, các nghiên cứu trong nước mới

đang tập trung nghiên cứu xây dựng cơ sở dữ liệu 3D với mô hình 3D ở dạng mô phỏng [11],[25] Chưa có nghiên cứu nào đề cập đến xây dựng cơ sở dữ liệu 3D với

mô hình 3D thực

Xuất phát từ những nhu cầu thực tế trên, đề tài “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” nhằm giải quyết và tiếp cận với các

vấn đề trên

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: các thuật toán về tách DEM từ DSM, thuật toán nhận dạng đối tượng, và xây dựng cơ sở dữ liệu 3D từ dữ liệu DSM, ảnh trực giao và ảnh xiên có được bằng UAV sau khi đã xử lý

Phạm vi nghiên cứu của luận án bao gồm dữ liệu DSM và ảnh trực giao, ảnh xiên sau khi đã xử lý có được bằng một số UAV đã được kiểm định tại Việt Nam

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;

- 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 (3D point cloud), ảnh cấu trúc đối tượng (texture image) tạo ra trong quá trình xử lý ảnh UAV và cơ sở

dữ liệu địa lý (GIS)

5 Phương pháp nghiên cứu

- Phương pháp tiếp cận lý thuyết, phân tích và tổng hợp các dữ liệu, tài liệu liên quan;

- Phương pháp thực nghiệm: Thử nghiệm các dữ liệu thực tế để sáng tỏ cơ sở lý thuyết cho các hướng nghiên cứu đưa ra;

- Phương pháp mô hình hoá: Các hướng nghiên cứu trong luận án được mô hình hóa giúp dễ hiểu, dễ sử dụng trong quá trình xử lý dữ liệu;

- Phương pháp so sánh: Đối chiếu các kết quả nghiên cứu theo các hướng tiếp cận khác nhau để đưa ra nhận định và chứng minh tính đúng đắn trong các đề xuất mới của luận án;

- Phương pháp chuyên gia: Tiếp thu ý kiến của người hướng dẫn, tham khảo ý kiến các nhà khoa học và đồng nghiệp về các vấn đề trong nội dung luận án

6 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 xử lý dữ liệu ảnh UAV

Ý nghĩa thực tiễn: Bằng cách thử nghiệm các dữ liệu thực tế để khẳng định

mỗi nghiên cứu, đề xuất trong luận án hoàn toàn có thể ứng dụng trong thực tiễn, góp phần giảm thời gian và công sức trong công tác xử lý dữ liệu ảnh của UAV, đưa ra các sản phẩm có tính ứng dụng tốt nhất phục vụ cho các lĩnh vực khác nhau trong đời sống

7 Các luận điểm bảo vệ

- Thuật toán tạo DEM từ kết quả DSM có được trong xử lý ảnh UAV và cho phép nâng cao độ chính xác của mô hình DEM;

- Độ chính xác nhận dạng đối tượng trên ảnh kỹ thuật số UAV khi kết hợp giá trị độ xám các kênh phổ và dữ liệu độ cao địa vật (DHM) được nâng cao;

- CSDL 3D từ mô hình 3D thực kết hợp với CSDL thông tin địa lý (GIS) có tính trực quan cao và phản ảnh đúng bề mặt địa hình

8 Các điểm mới của luận án

- Đề xuất thuật toán và xây dựng chương trình tạo DEM từ kết quả DSM có được từ xử lý ảnh UAV;

- Đề xuất phương pháp nâng cao độ chính xác nhận dạng đối tượng trên ảnh

kỹ thuật số của UAV kết hợp với dữ liệu độ cao địa vật;

- Góp phần hoàn thiện quy trình xây dựng CSDL 3D từ mô hình 3D thực kết hợp với CSDL thông tin địa lý

9 Cấu trúc và khối lượng luận án

Luận án có các phần như sau:

Mở đầu

Chương 1 - Tổng quan về hệ thống UAV và các ứng dụng dữ liệu ảnh UAV

trong Trắc địa - Bản đồ Chương 2 - Nghiên cứu và đề xuất thuật toán tạo DEM từ dữ liệu DSM

Chương 3 - Nghiên cứu phương pháp nâng cao độ chính xác nhận dạng tự

động đối tượng trên ảnh UAV Chương 4 - Xây dựng cơ sở dữ liệu 3D từ kết quả xử lý ảnh UAV

Kết luận và kiến nghị

10 Lời cảm ơn

Trước tiên, tôi xin bày tỏ sự kính trọng và lòng biết ơn sâu sắc tới PGS.TS Nguyễn Quang Minh và PGS.TS Trần Vân Anh, hai người Thầy đã tận tình hướng dẫn, động viên, giúp đỡ tôi trong suốt quá trình nghiên cứu và viết luận án này Những nhận xét, đánh giá và đặc biệt là những gợi ý của Thầy Cô về hướng giải quyết các vấn đề thực sự là những bài học vô cùng quý giá đối với tôi trong suốt quá trình nghiên cứu và viết luận án

Tôi xin gửi lời cảm ơn chân thành tới các Thầy Cô trong Bộ môn Đo ảnh và Viễn thám, Khoa Trắc địa - Bản đồ và Quản lý đất đai, trường Đại học Mỏ - Địa chất đã tạo điều kiện thuận lợi giúp đỡ tôi trong quá trình học tập và nghiên cứu Tôi xin gửi lời cảm ơn chân thành đến TS Lê Đại Ngọc cùng toàn thể các cán

bộ, nhân viên trong Cục Bản đồ, Bộ Tổng tham mưu đã nhiệt tình cung cấp các số liệu, tài liệu để giúp tôi hoàn thành các nghiên cứu của mình

Tôi xin cảm ơn Ban Giám hiệu và tập thể giảng viên Khoa Trắc địa - Bản đồ, trường Đại học Tài nguyên và Môi trường Hà Nội nơi tôi đang công tác, những người bạn Nguyễn Sách Thành, Lã Phú Hiến, Dương Thành Trung và Tống Thị Huyền Ái đã chia sẽ, giúp đỡ tôi trong quá trình nghiên cứu luận án

Cuối cùng, tôi xin cảm ơn tới gia đình và người thân đã luôn bên cạnh động viên, cổ vũ tinh thần để giúp tôi hoàn thành luận án này

Nghiên cứu sinh

Đỗ Văn Dương

Chương 1- TỔNG QUAN VỀ HỆ THỐNG UAV VÀ CÁC ỨNG DỤNG

DỮ LIỆU ẢNH UAV TRONG TRẮC ĐỊA - BẢN ĐỒ

1.1 Định nghĩa UAV

Hệ thống bay không người lái (UAV) còn được gọi là phương tiện cơ giới trên không [102] có thể điều khiển từ xa, bán tự động, tự động, hoặc kết hợp giữa điều khiển từ xa và tự động Có một số định nghĩa khác nhau về thiết bị bay không người lái, tuy nhiên người ta vẫn quen sử dụng thuật ngữ UAV (Unmanned Aerial Vehicle) hơn cả [64]

Trong quân sự, UAV đã được sử dụng rất sớm trong các cuộc chiến tranh thế giới và ở Việt Nam Nhiệm vụ của UAV quân sự làm trinh sát, tìm mục tiêu, thu thập hình ảnh cả vào ban ngày và ban đêm Do vậy, thiết bị UAV dùng trong quân

sự hiện đại, phức tạp, đắt tiền và có tính bảo mật rất cao

Trong thập niên 90 của thế kỷ trước, NASA đã xây dựng một chương trình phối hợp với các đối tác công nghiệp để phát triển công nghệ để hỗ trợ cho thị trường UAV thương mại Từ đó đến nay đã có rất nhiều các công ty của các nước trên thế giới đã bắt tay vào việc nghiên cứu, chế tạo và thương mại hóa thiết bị này với các mẫu và tên gọi khác nhau [4] UAV được sử dụng trong dân sự là các hệ thống đơn giản, có trọng lượng nhẹ hoặc siêu nhẹ thuận tiện cho công tác vận chuyển và quan trọng là giá thành rẻ

Đối với công tác Trắc địa, hệ thống UAV giống như một hệ thống viễn thám thông thường, trong đó thiết bị bay UAV đóng vai trò là vật mang (carriers), trên thiết bay UAV có thể mang các bộ cảm biến như sensor viễn thám, máy ảnh, máy quét laser phục vụ cho công tác quay video và thu nhận hình ảnh

1.2 Lịch sử phát triển hệ thống UAV

1.2.1 Trên thế giới

Năm 1858, hệ thống UAV đầu tiên được ứng dụng công tác đo ảnh, các bức ảnh hàng không đầu tiên của ngôi làng của Pháp Petit-Becetre được thực hiện bởi nhiếp ảnh gia Gaspard Tournachon (được gọi là NaDar) từ phương tiện bay là một khinh khí cầu ở độ cao 80m [51]

Năm 1882, nhà khí tượng học ED Archibald người Anh là một trong những người đầu tiên chụp ảnh thành công khi ông sử dụng phương tiện bay là một chuỗi Diều được gắn trên đó một máy ảnh Năm 1888, Arthur Batut cũng đã chụp các tấm ảnh hàng không trên phương tiện Diều bay ở Labruguiere, Pháp

Ở California, sự tàn phá của San Francisco sau khi trận động đất và hỏa hoạn năm 1906 đã được ghi lại bởi nhiếp ảnh gia George R Lawrence, khi ông sử dụng một máy ảnh gắn liền với phương tiện bay là chuỗi 17 diều bay ở độ cao 2000 feet

để thu nhận hình ảnh trên thành phố [51]

Trong năm 1903, Julius Neubranner đã sử dụng phương tiện bay là chim bồ câu có gắn máy ảnh được thiếp lập chụp tự động trong thời gian 30 giây, những tấm ảnh chụp được sử dụng trong quân sự và đã được giới thiệu tại triển lãm nhiếp ảnh quốc tế năm 1909 ở Dresden [51]

Năm 1906, Albert Maul người Đức cũng đã thử nghiệm thành công phương pháp chụp ảnh gắn trên một tên lửa đẩy bằng khí nén Máy ảnh của ông đã chụp được những bức ảnh hàng không tại vùng nông thôn ở Thụy Điển và ở Đức từ độ cao 2.600 feet, trước khi máy ảnh được đẩy ra và đưa trở lại trái đất bằng dù [57]

Năm 1980, lần đầu tiên một UAV máy bay trực thăng mô hình gắn động cơ cánh quay đã được Wester-Ebbinghaus sử dụng vào mục đích đo ảnh Hệ thống trọng tải là 3kg, có thể bay ở độ cao đến 100m Hệ thống UAV được gắn thiết bị định vị và máy ảnh dạng phổ thông loại Rolleiflex SLX [109]

Năm 2006, công ty Microdrone của Đức cũng đã giới thiệu một UAV phiên bản đầu tiên MD4-200 trọng lượng cất cánh là 1100g và thời gian hoạt động 35 phút Từ đó đến nay các phiên bản khác như MD4-1000, MD4-2000 cũng đã được giới thiệu với các tính năng vượt trội về thời gian bay và trọng lượng cất cánh,.v.v.[54]

Năm 2009, Imbach và Eck cũng giới thiệu hệ thống UAV gồm một chiếc trực thăng mô hình của công ty Aeroscout được trang bị với một máy quét laser nhỏ gọn và nhẹ trong không khí LMS-Q160 của Riegl [66]

Năm 2012, Luke Wallace và các cộng sự chuyên nghiên cứu về lĩnh vực địa

lý và môi trường thuộc Đại học Tasmania, Úc đã đưa ra một hệ thống UAV-LiDAR với ứng dụng để kiểm kê rừng [106]

Năm 2013, tại hội chợ triển lãm về công nghệ UAV ở San Francisco, Wolfgang Juchmann Velodyne đã giới thiệu hệ thống UAV-Phoenix được gắn thiết

bị quét LiDar HDL-32E và công nghệ GNSS mới nhất phục vụ lập bản đồ 3D dạng đám mây điểm [58]

Năm 2014, I Colomina và P Molina cũng đã có bài viết tổng quan về hệ

thống UAV sử dụng trong đo ảnh và viễn thám trên Tạp chí ISPRS Journal of

Photogrammetry and Remote Sensing [65] Trong bài viết này, tác giả đã liệt kê khá

đầy đủ về các hệ thống UAV và ứng dụng của nó trong các lĩnh vực như: nông nghiệp và môi trường, kỹ thuật giám sát không khí, bảo tồn di sản văn hóa,.v.v., giúp người đọc hiểu hơn về vai trò của UAV trong thế giới ngày nay

(e) UAV-trực thăng

cánh bằng

(f) UAV-trực thăng cánh quay

(g) UAV- 4 cánh quay (h) UAV LiDar-6 cánh

vùng rừng, vùng biển, làm nhiệm vụ thông tin liên lạc, quay phim chụp ảnh những vùng con người không tiếp cận được như vùng nhiễm xạ, đường hiểm trở, vùng lũ lụt, quan sát vị trí cứu hộ cứu nạn, v.v.[8]

Năm 2010, một nhóm sinh viên Trường ĐH Bách Khoa TPHCM đã chế tạo thành công máy bay không người lái bằng vật liệu composite, sải cánh 2,5 m, tổng trọng lượng 12 kg Máy bay có vận tốc trung bình 85 km/giờ, chở được vật nặng 4

kg, có thể mang camera quay phim, chụp ảnh trên không, thiết bị đo nhiệt độ, áp suất không khí,.v.v., nhằm ứng dụng trong công tác quản lý môi trường và tài nguyên thiên nhiên [7]

Cũng trong năm 2010, tác giả Lê Văn Trung, Giám đốc Trung tâm địa tin học (Đại học quốc gia TP.HCM) đã giới thiệu hệ thống UAV do trung tâm chế tạo

Hệ thống bao gồm: phương tiện bay UAV, thiết bị định vị toàn cầu GPS, thiết bị thu nhận hình ảnh, phần mềm xử lý ảnh Hệ thống có thể chụp ảnh ở hai chế độ: chụp tự động theo toạ độ GPS được cài đặt sẵn hoặc chụp ảnh thông qua thiết bị điều khiển trên mặt đất [21]

Năm 2013, Viện Công nghệ không gian (Viện Hàn lâm Khoa học - Công nghệ Việt Nam) đã thử nghiệm thành công chiếc máy bay AV.UAV.S2 mang theo camera, máy ảnh và thiết bị đo phổ kế Hệ thống UAV đã tiến hành ghi hình, chụp ảnh và đo phổ các đối tượng tự nhiên trên mặt đất để chuẩn hóa số liệu ảnh viễn thám thu được từ vệ tinh khu vực huyện Lạc Dương, tỉnh Lâm Đồng [9]

Năm 2011 lần đầu tiên Cục Bản đồ - Bộ Tổng tham mưu đã tiến hành bay thử nghiệm mẫu UAV MD4-1000 của hãng Microdrones tại Mỹ Đình và Thái Nguyên phục vụ thành lập bản đồ 3D Thiết bị UAV MD4-1000 được thiết kế bay hoàn toàn tự động bằng thiết bị dẫn đường GPS và có gắn máy ảnh phổ thông Olympus EP; Canon-550D với chế độ chụp tự động Trong quá trình bay chụp ảnh theo tuyến, MD4-1000 có thể tự động hiệu chỉnh vị trí cân bằng nhờ thiết bị con quay hồi chuyển IMU để thu nhận những tấm ảnh luôn ở vị trí nằm ngang Hình ảnh thu nhận được từ hệ thống MD4-1000 có độ phân giải lên đến 2.6 cm, độ phủ dọc

80% và độ phủ ngang 60% thuận lợi cho công tác đo ảnh lập thể và tạo mô hình số

bề mặt (DSM) [11],[29]

Năm 2014, Cục Bản đồ - Bộ Tổng tham mưu tiếp tục mua và thử nghiệm hai

hệ thống UAV Swinglet CAM của hãng Sensefly (Thụy Sĩ) và UAV UX-5 của hãng Trimble (Mỹ) lập thành lập bản đồ 3D hành lang tuyến điện [26] và đánh giá khả năng ứng dụng lập bản đồ tại xã Vật Lại - Ba Vì - Hà Nội [14] Các báo cáo đánh giá cho thấy với tốc độ gió cấp 4 - cấp 5, góc nghiêng của tấm ảnh vẫn có thể đạt được dưới 10, độ phủ ngang dọc của ảnh là 80%, độ phân giải ảnh của Swinglet CAM sử dụng máy ảnh Canon IXUS là 6cm và của hệ thống UX-5 sử dụng máy ảnh Sony NEX5R có thể đạt đến 2.4cm ở độ cao bay 75m

Hình 1.2 Một số UAV được phát triển và sử dụng thu nhận ảnh ở Việt Nam

* Nhìn chung, hệ thống UAV đã được phát triển rất sớm từ thế kỷ 18 từ những

phương tiện bay đơn giản có nguyên lý hoạt động gần giống với UAV như khinh khí cầu, diều, chim,.v.v., đến những phương tiện hiện đại dạng máy bay có gắn động cơ cánh bằng, cánh quay

Thiết bị thu nhận hình ảnh của hệ thống UAV cũng được phát triển và cải tiến không ngừng từ những máy ảnh điều khiển bằng tay đến các máy ảnh được thiết đặt chế độ chụp tự động và ngày nay công nghệ quét LiDar hiện đại nhất cũng đã được

sử dụng gắn trên phương tiện bay UAV phục vụ cho các 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

Do hệ thống UAV có những đặc điểm kỹ thuật khá đặc trưng nên hệ thống

có một số ưu và nhược điểm như sau:

* Ưu điểm

Ưu điểm chính của UAV so với hệ thống máy bay có người lái là UAV có thể

sử dụng trong các tình huống có độ rủi ro cao mà không nguy hại đến cuộc sống con người, các vùng không thể tiếp cận, ở cao độ thấp và bay gần với các đối tượng nơi

mà hệ thống có người lái không thể bay được, những nơi xảy ra các thảm họa tự nhiên, ví dụ các khu vực núi lửa, lũ lụt ở đồng bằng, động đất và các vùng sa mạc v.v Hơn nữa, trong điều kiện thời tiết nhiều mây và mưa phùn, thu nhận dữ liệu bằng UAV vẫn tốt vì UAV có tầm bay thấp nên có thể bay dưới các đám mây Ngoài ra, UAV còn có khả năng thu nhận dữ liệu nhanh chóng ở thời điểm tức thời, truyền tải hình ảnh và các thông số định vị trong thời gian đó xuống trạm điều khiển mặt đất

Hầu hết các hệ thống UAV thương mại hiện có trên thị trường phục vụ cho các mục đích dân dụng tập trung vào các hệ thống giá rẻ, và như vậy một ưu điểm lớn của việc sử dụng UAV còn là yếu tố giá thành, các hệ thống UAV ít tốn kém

và chí phí điều hành thấp hơn so với các máy bay có người lái Do đó, UAV có thể được xem như là việc bổ sung hoặc thay thế cho các thiết bị chụp ảnh mặt đất trong các ứng dụng ở một khu vực nào đó Ngoài những ưu điểm này, hình ảnh thu nhận từ UAV cũng có thể được sử dụng để lập mô hình số cấu trúc bề mặt 3D

độ phân giải cao và các mô hình số địa hình, cũng như sử dụng nó trong việc hiệu chỉnh hình ảnh

Mặt khác dữ liệu ảnh thu nhận từ UAV có độ chồng phủ lớn Ảnh chụp ở nhiều góc độ, hình ảnh trung thực, hàm lượng thông tin lớn, độ phân giải cao cho phép người sử dụng có thể ước tính được độ chính xác sản phẩm dự kiến [29]

* Nhược điểm

Hệ thống UAV, thông thường có giá rẻ sẽ hạn chế về trọng lượng và kích thước của cảm biến, vì vậy trọng lượng của cảm biến thường nhẹ, thường là dạng camera nghiệp dư vừa và nhỏ Vì thế, khi so sánh với camera dạng lớn, UAV phải

có được số lượng hình ảnh cao hơn nhằm có được cùng độ bao phủ hình ảnh và độ

phân giải hình ảnh tương đương Hơn nữa, bộ cảm biến giá rẻ thường kém ổn định hơn so với bộ cảm biến cao cấp, kết quả là chất lượng hình ảnh giảm Thêm vào đó, những hạn chế về tải trọng đó dẫn đến nhu cầu việc sử dụng những thiết bị định vị nhẹ, đồng nghĩa với kém độ chính xác trong việc xác định hướng của các cảm biến Hơn nữa, UAV giá rẻ thường được trang bị với động cơ yếu, do vậy hạn chế về cao

độ đạt được và thời gian bay, ảnh hưởng đến năng suất công việc

Ngoài những hạn chế trên, UAV không thể phản ứng giống như con người trong những tình huống bất thường, ví dụ: trong trường hợp, bất ngờ xuất hiện một chướng ngại vật [64] UAV giá rẻ không được trang bị với các thiết bị truyền không lưu và hệ thống phòng tránh va chạm giống như máy bay có người lái Chính vì sự thiếu thông tin liên lạc với cơ quan không lưu nên UAV bị giới hạn phạm vi bay

Để vận hành hoàn toàn tự động UAV cánh quay, nhất thiết phải có một người điều khiển đào tạo tốt để điều hành, người điều khiển có thể chủ động tiếp xúc với hệ thống tại bất kỳ thời gian nào

1.3 Ứng dụng dữ liệu ảnh thu nhận từ UAV trong Trắc địa - Bản đồ

Trên thế giới đã có khá nhiều nghiên cứu tiêu biểu về ứng dụng dữ liệu thu nhận từ UAV trong công tác Trắc địa - Bản đồ có thể kể tới như: Tampubolon và Reinhardt (2014) [105] đã thử nghiệm lập bản đồ địa hình tỷ lệ lớn khu vực Đền Borobudur, Indonesia từ dữ liệu UAV, trong nghiên cứu này các tác giả đã thử nghiệm xử lý ảnh UAV bằng hai phần mềm PCI Geomatica và Agisoft PhotoScan, kết quả cho thấy ảnh chụp bằng UAV có thể sử dụng để thành lập bản đồ địa hình 1:1000, theo tiêu chuẩn độ chính xác của Indonesia; Xue và cộng sự (2015) [111] cũng sử dụng ảnh chụp từ UAV để thành lập bản đồ tỷ lệ 1:1000 một khu vực ở cao nguyên Tibetan, Trung Quốc, trong nghiên cứu này ảnh UAV được xử lý bằng phần mềm PixelGrid UAV Leitão và cộng sự (2016) [72] đã tiến hành một nghiên cứu nhằm đánh giá độ chính xác của DEM tạo tự động từ ảnh chụp UAV bằng phần mềm Pix4D, đây là phần mềm thương mại với giá tương đối đắt; Dowling và Gallant (2013) [100] đã thử nghiệm tạo DEM từ ảnh chụp UAV bằng phần mềm miễn phí SFM Trong các nghiên cứu trên có thể thấy ảnh chụp bằng UAV có thể

được xử lý bằng nhiều công cụ khác nhau, DEM có thể được tạo bằng phương pháp hoàn toàn tự động hoặc bán tự động Còn nhiều các nghiên cứu khác nữa về ứng dụng ảnh UAV trong Trắc địa - Bản đồ như xây dựng mô hình số độ cao [94], lập bản đồ giám sát sạt lở lưu vực sông [90], lập bản đồ khảo sát mức độ thiệt hại do thiên tại, dịch họa, môi trường [54], [106], lập bản đồ địa hình [32], lập mô hình dữ liệu 3D các khu vực khảo cổ [30], [32], [44],.v.v

Ở Việt Nam, sử dụng dữ liệu ảnh UAV vào trong công tác Trắc địa-Bản đồ cũng đang dần phổ biến như một số nghiên cứu: Đào Ngọc Long (2011) [3] đã thử nghiệm thành lập bản đồ địa hình, địa chính từ dữ liệu ảnh UAV M100-CT, trong nghiên cứu này tác giả đã sử dụng công nghệ đo vẽ của hãng InterGraph để xử lý ảnh, công nghệ này đã cho thấy sự hạn chế khi phải xử lý nắn, cắt ghép một khối lượng lớn ảnh UAV và xây dựng mô hình số độ cao (DEM); Phan Thị Anh Thư và

Lê Văn Trung (2011) [21] đã thử nghiệm thiết bị bay chụp AscTec Falcon 8 (Đức)

để thu nhận ảnh phục vụ lập bản đồ, công nghệ xử lý ảnh tự động đã được nhóm nghiên cứu sử dụng để tạo ra các sản phẩm ảnh trực giao, dữ liệu DSM và DEM, tuy vậy dữ liệu DEM tạo ra tự động không được sử dụng vì chưa kiểm chứng được

độ chính xác; Vũ Phan Long và Lê Thắng (2014) [26] đã thử nghiệm thiết bị bay không người lái thành lập bản đồ 3D hành lang tuyến điện, trong nghiên cứu này nhóm tác giả cũng đã sử dụng công nghệ xử lý tự động để xử lý ảnh UAV, kết quả tạo ra là bình độ ảnh, DSM và đám mây điểm (3D point cloud) Nghiên cứu của các tác giả Vũ Đức Minh (2013) [25], Vương Tuấn Huy và cộng sự (2016) [28], Trần Thị Phương và cộng sự (2016) [22] đã ứng dụng dữ liệu xử lý ảnh UAV 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 Trong các nghiên cứu này các tác giả đã tích hợp dữ liệu GIS(trong đó có lớp phủ bề mặt) với dữ liệu DEM và mô hình các đối tượng địa vật

để tạo ra CSDL GIS 3D

(a) Kết quả lập BĐĐH khu vực

khảo cổ [32]

(b) Kết quả lập mô hình 3D từ point cloud [44]

(c) Kết quả lập DEM [44]

(d) Kết quả lập bản đồ địa chính[3] (e) Kết quả lập BĐĐH [3] (f) Kết quả lập bản đồ 3D [25]

Hình 1.3 Một số kết quả ứng dụng dữ liệu ảnh UAV trong Trắc địa-bản đồ

Có thể thấy, trong các nghiên cứu ứng dụng dữ liệu ảnh UAV kể trên, các phương pháp tạo DEM được sử dụng chủ yếu là phương pháp trực tiếp, thủ công hoặc bán tự động chứ chưa sử dụng các phương pháp tự động để có DEM từ DSM,

dữ liệu địa vật trên bề mặt địa hình trong các nghiên cứu này đa phần được số hóa trực tiếp từ bình đồ ảnh chứ chưa sử dụng thuật toán khoanh vùng tự động (nhận dạng) trên ảnh UAV Trong khi đó, CSDL 3D được xây dựng với hai dạng mô hình

dữ liệu không gian 3D: (1) là mô hình 3D mô phỏng đối tượng đã được thiết kế sẵn

và (2) là mô hình 3D thực được xây dựng từ hình ảnh thật đối tượng, tuy nhiên các nghiên cứu trong nước mới chủ yếu tập trung vào nghiên cứu xây dựng 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 địa vật đó Trên cơ sở những tồn tại đã nêu, nội dung nghiên cứu 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 được xây dựng từ hình ảnh thật của các đối tượng địa vật (hay gọi là mô hình 3D thực)

Quá trình giải quyết mỗi vấn đề bao gồm xây dựng thuật toán, quy trình và thử nghiệm đánh giá quy trình sẽ được trình bày trong 3 chương khác nhau của luận án

1.4 Dữ liệu ảnh UAV phục vụ trong nghiên cứu của đề tài

1.4.1 Khu vực thu nhận ảnh và thiết bị bay chụp ảnh

Để nghiên cứu về 3 thuật toán nói trên, đề tài sử dụng dữ liệu ảnh UAV Swinglet của hãng Sensefly được bay chụp và xử lý ảnh tại Cục Bản đồ, Bộ Tổng tham mưu Dữ liệu này đã được kiểm nghiệm và đánh giá cho thấy đủ điều kiện về độ chính xác bản đồ địa hình, bình đồ ảnh đạt độ chính xác tương đương 1:2000, mô hình số bề mặt DSM đạt độ chính xác 0.2m tại bãi kiểm nghiệm thuộc Xã Vật Lại, Ba

Vì, Hà Nội Kết quả đã được công bố bởi Lê Đại Ngọc (2015) trong Báo cáo tại Hội nghị GIS toàn quốc tổ chức tại Trường Đại học Khoa học tự nhiên[10] Khu vực thu nhận ảnh được tiến hành tại thôn Yên Bồ, xã Vật Lại, huyện Ba Vì, Hà Nội

Hình 1.4 Vị trí địa lý khu vực bay thử nghiệm UAV (Nguồn: Google Map)

Trung tâm xã có tọa độ địa lý khoảng 21012’10” vĩ độ Bắc, 105024’26” kinh

độ Đông Xã Vật Lại nằm ở phía Tây huyện Ba Vì, cách trung tâm huyện Ba Vì khoảng 1,5km, cách trung tâm Hà Nội khoảng 50km Khu vực thực nghiệm có địa

hình chuyển tiếp giữa vùng đồi gò bán sơn địa và vùng đồng bằng Địa vật trong khu vực bay chụp ảnh đa phần là nhà xây cấp 4 lợp ngói đỏ, thực vật là những cây bụi xen lẫn một số cây cao trên 4 mét có tán rộng, đường xá chủ yếu là đường bê tông liên thôn, thủy hệ gồm một số ao, hồ nhỏ

Thiết bị bay chụp ảnh là thiết bị bay UAV Swinglet-CAM được gắn hệ thống định hướng định vị INS/DGPS và camera chụp ảnh tự động Canon IXUS 127HS Các thông số thiết đặt máy chụp ảnh, ảnh chụp và thiết bị bay được trình bày cụ thể trong Phụ lục 1

Hình1.5 Thiết bị bay UAV Swinglet-CAM và máy ảnh Canon IXUS 127HS

Tuyến bay được thiết kế gồm có 2 tuyến bay tầm thấp vuông góc nhau để thu nhận hình ảnh xiên của các đối tượng và 1 tuyến bay tầm cao để thu nhận mái nóc công trình nhà và ảnh bề mặt mặt đất, mục đích là thu nhận đầy đủ hình ảnh đối tượng ở nhiều góc độ khác nhau để phục dựng mô hình 3D thực và lập bình đồ ảnh khu vực Kết quả thu được là 73 tấm ảnh ở tầm bay thấp 100 m với độ phân giải mặt đất 3 cm và 27 tấm ảnh ở tầm bay cao 180 m với độ phân giải mặt đất 5.6 cm Các tấm ảnh có đều độ chồng phủ dọc ngang từ 70% đến 90% Cơ sở lý thuyết trong thiết kế bay chụp ảnh của UAV được trình bày khái quát trong Phụ lục 2 [27]

Hình 1.6 Mô tả dải bay và hình ảnh 1 tấm ảnh thu nhận khu vực thử nghiệm

1.4.2 Dữ liệu sử dụng trong nghiên cứu của đề tài

Sau khi thực hiện các công tác trắc địa và bay chụp ảnh khu vực thực nghiệm Dữ liệu ảnh UAV sẽ được tiến hành xử lý trên phần mềm Pix4D mapper Các kết quả sau quá trình xử lý ảnh bằng Pix4D mapper được đưa vào sử dụng để thực nghiệm các hướng nghiên cứu của đề tài gồm có: bình đồ ảnh; mô hình số bề mặt (DSM); dữ liệu đám mây điểm (3D points cloud) và ảnh cấu trúc đối tượng (texture image)

(c) Đám mây điểm (3D points cloud) (d) Ảnh cấu trúc đối tượng (texture image)

Hình 1.7 Các kết quả xử lý ảnh UAV bằng phần mềm Pix4D mapper

Chương 2 - NGHIÊN CỨU VÀ ĐỀ XUẤT THUẬT TOÁN TẠO DEM

TỪ DỮ LIỆU DSM 2.1 Tổng quan về công tác tạo DEM trong xử lý ảnh UAV

Cùng với sự nghiên cứu và phát triển các ứng dụng của Viễn thám cũng như

Hệ thống thông tin địa lý (GIS - Geographical Information Systems), việc cung cấp

dữ liệu DEM cho các ứng dụng GIS là một nhu cầu khá cấp thiết hiện nay Mô hình

số độ cao DEM (Digital Elevation Model) thường được quản lý trong GIS dưới dạng cấu trúc dữ liệu raster, cho phép thể hiện đơn giản, phân tích hiệu quả và tương thích với dữ liệu UAV

Theo các phương pháp truyền thống, DEM được xây dựng chủ yếu dựa trên đường đồng mức của bản đồ đã được số hóa hoặc các kỹ thuật quan sát lập thể của ảnh hàng không hay trực tiếp từ việc khảo sát thực địa của khu vực Trong những năm gần đây, thiết bị UAV phát triển mạnh mẽ, cho phép thu ảnh có độ phân giải rất cao và áp dụng kỹ thuật quan sát lập thể cặp ảnh ta cũng có thể dễ dàng xây dựng được DEM

Đối với công nghệ phần mềm xử lý ảnh truyền thống, DEM được tạo ra từ kết quả đo thủ công các điểm độ cao trên mô hình cặp ảnh lập thể Kết quả DEM tạo ra

có độ chính xác cao và đã được ứng dụng vào trong công tác như: lưu trữ dữ liệu bản đồ số địa hình trong các cơ sở dữ liệu (CSDL) quốc gia; giải quyết tính toán đào đắp đất trong thiết kế đường và các dự án kỹ thuật công trình khác; biểu thị mô hình 3D địa hình cho mục đích thiết kế và quy hoạch cảnh quan (kiến trúc cảnh quan);.v.v Tuy nhiên khi xử lý ảnh UAV trên phần mềm xử lý ảnh truyền thống như ImageStation, Erdas Imagine, Imagine Photogrammetry, một số nghiên cứu của tác giả Đào Ngọc Long (2011) [3], Lê Đại Ngọc (2014) [11], N.Yastikl và cộng sự (2013) [83] đã chỉ ra những hạn chế của công nghệ này, đó là khi xử lý ảnh UAV, phạm vi thu nhận của một tấm ảnh UAV rất hẹp và phải thực hiện đo DEM trên một khối lượng lớn cặp ảnh lập thể thì công nghệ xử lý ảnh truyền thống này tỏ ra không khả thi, tốn rất nhiều thời gian và công sức

Phần mềm xử lý ảnh đi kèm với hệ thống UAV hiện nay cho phép xử lý tự động dữ liệu ảnh để tạo ra DSM và từ dữ liệu DSM phần mềm tiếp tục xử lý tạo ra DEM Đã có một số nghiên cứu trong nước như tác giả Lều Huy Nam (2014) [14],

Vũ Phan Long (2014) [26] và trên thế giới như Beumier C và Idrissa M (2015) [36], Haugerud R A và Hardding D J (2001) [49], Melamed S (2013) [81] sử dụng các phần mềm như Pix4D mapper, Obit GIS, Geomedia, Agisoft PhotoScan

để xử lý tạo DEM từ dữ liệu DSM Tuy nhiên kết quả các nghiên cứu cho thấy thuật toán trong các phần mềm này chỉ phù hợp với việc tạo DEM từ đám mây điểm (3D point cloud) trong công nghệ LiDar và tạo DEM từ DSM những khu vực có địa hình bằng phẳng Những khu vực có địa hình phức tạp, kết quả DEM tạo ra có độ chính xác không cao, địa vật đôi khi bị nhầm lẫn là địa hình mặt đất và không được loại bỏ

Có thể nói, việc tạo tự động DEM từ DSM và tái tạo nền địa hình ở những khu vực địa hình có thực phủ rậm rạp hoặc che khuất hoàn toàn là rất khó Nghiên cứu các thuật toán tạo DEM từ DSM đã có trên thế giới, từ đó đề xuất thuật toán phù hợp để xử lý DEM là rất thực tiễn và cần thiết

2.2 Nghiên cứu và đề xuất thuật toán tạo DEM từ DSM

2.2.1 Tổng quan về các thuật toán tạo DEM từ DSM

Đã có nhiều thuật toán tạo DEM từ các sản phẩm DSM được nghiên cứu trên thế giới Các thuật toán tạo DEM từ DSM được chủ yếu dựa trên phương pháp lọc điểm, tách các điểm không nằm trên bề mặt tự nhiên của Trái đất và để lại các điểm nằm trên bề mặt Trái đất từ đó tạo ra mô hình số độ cao DEM [92] Các thuật toán lọc điểm này có thể dễ dàng hơn khi áp dụng đối với các dữ liệu LiDar vì đặc điểm của dữ liệu này Dữ liệu điểm thu được từ kết quả quét LiDAR sẽ bao gồm nhiều tầng điểm trong đó điểm dữ liệu mặt đất thường ở tầng cuối cùng Việc lọc điểm có thể thực hiện bằng cách sử dụng các cửa sổ lọc hình thể học (geomorphology filters) như trong các nghiên cứu của Weidner và Förstner (1995) [108] Một số nghiên cứu khác của Morgan và Habib (2002) [82] sử dụng phương pháp nội suy để chuyển dữ liệu dạng điểm thành dữ liệu dạng grid (raster) rồi từ đó xác định bề mặt

DEM dựa trên dữ liệu raster được nội suy này Tuy nhiên, việc sử dụng geomorphology filters có một số hạn chế khi kết quả có thể dễ dàng bị ảnh hưởng bởi một số điểm chứa sai số thô

Để khắc phục hạn chế này, một số tác giả khác sử dụng màng lọc trung bình (medium filters) để giảm ảnh hưởng của các điểm chứa sai số [39] Tuy nhiên, kết quả chỉ khắc phục để làm giảm sai số của các điểm đơn lẻ chứa sai số mà không thể loại bỏ ảnh hưởng của một nhóm các điểm có sai số Chính vì vậy, Killian (1996) [75] đã sử dụng phối hợp nhiều toán tử hình thể học với kích thước khác nhau để loại bỏ các điểm không phải trên mặt đất trong đó những điểm thuộc các đối tượng nhỏ không thuộc mặt đất có thể loại bỏ bằng phương pháp này Tương tự như vậy, Keqi Zhang và cộng sự (2003) [74], Ismail và công sự (2015) [68] sử dụng màng lọc cải tiến để nâng cao độ chính xác của DEM chiết tách ra từ DSM Axelsson (1999) [86] đã sử dụng phương pháp tách điểm mặt đất và điểm không phải mặt đất bằng cách xây dựng các bề mặt bằng dữ liệu điểm LiDAR và từ đó so sánh các bề mặt để loại bỏ các điểm không phải mặt đất

Một số tác giả đã sử dụng phương pháp nội suy trong đó sử dụng các phương pháp nội suy bằng hàm tương quan (covariance) để loại bỏ các điểm sai số bằng trọng số Những điểm không có tương quan với các điểm xung quanh sẽ có trọng số rất thấp và không ảnh hưởng đến kết quả nội suy DEM (Lee và cộng sự (2003)) [76] Một cách tiếp cận khác để xác định DEM bằng cách sử dụng phương pháp xác định độ dốc để xác định các điểm không phải trên mặt đất trong đó có thể sử dụng phương pháp ngưỡng độ dốc để loại bỏ các điểm có độ dốc lớn so với các điểm xung quanh (Vosselman (2000) [103], Sithole (2001) [96], J Susaki (2012) [69]) Đối với tạo DEM từ dữ liệu DSM trong xử lý ảnh UAV thì gần đây đã có một

số nghiên cứu như: Năm 2009, tác giả Markus Unger và các cộng sự [79] đã nghiên cứu và đề xuất thuật toán bán tự động dựa trên sự tối thiểu hóa của một hàm năng lượng toán học Thuật toán đã sử dụng hàm tổng quát hóa Huber và một hàm ràng buộc để giữ các điểm địa hình luôn có độ cao thấp hơn DSM gốc Từ đó, toàn bộ các đối tượng địa vật như nhà cửa, cây cối sẽ được kéo xuống Bằng cách đặt

ngưỡng khác biệt giữa kết quả tổng quát hóa và ảnh đầu vào để tạo ra các điểm (detection mask) để đánh dấu những vùng địa vật Cuối cùng sử dụng hàm năng lượng nội suy lại địa hình các khu vực này Tuy nhiên, thuật toán nhóm nghiên cứu

đề xuất mới thực hiện tối ưu ở quy mô tổng thể và chưa có số liệu kiểm chứng thực địa Một số những khu vực địa vật che khuất hoàn toàn, việc tái tạo nền địa hình những khu vực này cũng chưa được đề cập đến Năm 2014, tác giả T Kattenborn và các cộng sự [98] đã sử dụng phương pháp màng lọc cải tiến để tạo DEM, tuy nhiên nghiên cứu chỉ thực nghiệm ở khu vực thực vật thưa thớt Việc tạo DEM/DTM từ DSM trong trường hợp này có một số khó khăn như dữ liệu đám mây điểm chỉ có 1 lớp chứ không phải nhiều lớp như dữ liệu LiDAR nên việc lọc điểm sẽ khó khăn hơn rất nhiều Tại những vị trí có địa vật và cây cối số lượng điểm mặt đất sẽ giảm

đi và không thể đo để xác định các điểm mặt đất ở phía dưới tán cây như dữ liệu LiDar (Sammartano và Spano (2016)) [93]

Để đi sâu hơn nữa vào việc nghiên cứu về vấn đề này, các phần tiếp theo sẽ trình bày cụ thể về thuật toán tạo DEM từ DSM đã được áp dụng trong công nghệ LiDar Và nghiên cứu đề xuất thuật toán tạo DEM từ DSM dạng bán tự động phù hợp với một số địa hình ở Việt Nam

2.2.2 Nghiên cứu thuật toán sử dụng trong công nghệ LiDar

2.2.2.1 Thuật toán lọc số liệu địa hình để thành lập DEM từ DSM [91]

Để phát hiện điểm địa hình thuộc tập hợp điểm A (A là tập điểm của DSM) người ta dựa vào “hàm hiệu số độ cao cực đại” giữa hai điểm pi và pj Ứng dụng lý thuyết topo học, DEM được định nghĩa như sau:

Biểu thức (2.1) phát biểu như sau: DEM là tập hợp các điểm địa hình p i được

lọc từ tập hợp A nếu tồn tại điểm p j nào khác, sao cho hiệu số độ cao giữa các điểm

ℎ − ℎ nhỏ hơn hiệu số độ cao cực đại ∆ℎ trong phạm vi khoảng cách , giữa chúng Các điểm p i được sắp xếp tuần tự theo độ dài tăng dần bắt đầu

từ điểm p min cục bộ có độ cao thấp nhất (hmin) Độ dốc địa hình b được tính toán dựa vào độ dài khoảng cách ( , ) và chênh cao (ℎ − ℎ ):

= ( , ), (ℎ − ℎ ) (2.2) Phụ thuộc vào tham số ngưỡng độ cao a và phương sai a của nó, đồng thời

phụ thuộc vào độ dốc địa hình b và phương sai  b cũng như tham số k a , k b mô tả

đặc thù địa hình, giá trị ∆h max xác định theo hàm hồi quy sau:

∆h max = a + k a 2 a 2 + b.d + k b 2 d 2b 2 (2.3) Sau khi tính DEM lần thứ nhất theo (2.1) và (2.3), chúng ta tiến hành lọc số liệu địa hình ra khỏi tập hợp thô (chứa các số liệu địa hình và số liệu địa vật) dựa vào khoảng cách dọc theo phương dây dọi (trục Z) của DEM Trước hết cần xác lập

ngưỡng k 1 , k 2 (k 1 <k 2) chúng ta sẽ có chuẩn lọc điểm như sau:

a) (h i - h min ) < k 1 / cosb → điểm đó là điểm địa hình

b) (h i - h min ) > k 2 / cosb → điểm đó là điểm địa vật

c) k 1 / cosb ≤ (h i - h min ) ≤ k 2 /cosb → điểm không được lọc (không được phân loại)

2.2.2.2 Thuật toán lọc điểm địa vật và cây [91]

Thuật toán lọc điểm địa vật nhà và cây từ tập hợp thô rất cần thiết trong thực

tế Mỗi địa vật này đặc trưng bằng giá trị phương sai trong luật phân phối sai số

Điểm P( x j , y j , z j ) được lọc từ N điểm Q i ( x i , y i , z i ) với i= 1, 2, 3, …,N nếu

khoảng cách từ điểm P tới điểm Q i (viết tắt là d(P, Q i )) nhỏ hơn hoặc bằng ngưỡng r

cho trước, nghĩa là:

trong đó: r   là một tham số phụ thuộc vào mật độ điểm quét và khoảng cách

d(P, Q i ) được tính theo công thức

Có 3 trường hợp xảy ra:

(1)_ Tồn tại mặt phẳng cục bộ và điểm P thuộc mặt phẳng đó

(2)_ Tồn tại mặt phẳng cục bộ và điểm P không thuộc mặt phẳng đó

(3)_ Không tồn tại mặt phẳng cục bộ

Dưới đây là kết quả tạo DEM tự động từ tập dữ liệu DSM xử lý trên phần mềm TopoSys của hãng Trimble tại khu vực miền Đông của thành phố Seattle thuộc tiểu bang Washington

Hình 2.1 (a) Dữ liệu DSM, (b) Dữ liệu DEM được lọc trên TopoSys [49]

Kết quả tạo DEM cho thấy, các điểm địa vật nhỏ trên ảnh loại bỏ hoàn toàn ở

vị trí (A), các địa vật hình khối đôi khi bị nhầm lẫn là địa hình mặt đất và không được loại bỏ ở các vị trí (D) và (E) Các vị trí (B) và (C) nơi có thực phủ rậm rạp nhưng vẫn tồn tại một số điểm mặt đất, khi xử lý kết quả DEM tạo ra không mang lại kết quả tốt, tại vị trí (C) đỉnh núi bị cụt đi so với thực tế của nó [49], [80] Do vậy, rất khó đạt được kết quả tốt khi xử lý địa hình bằng thuật toán này

2.2.3 Nghiên cứu đề xuất thuật toán tạo DEM từ dữ liệu DSM trong xử lý ảnh UAV

Có thể nói, thuật toán tự động tạo DEM không hiệu quả với các địa hình đồi núi, nhiều địa vật và nhiều cây, địa hình bị che khuất nhiều Do vậy, việc nghiên cứu đề xuất thuật toán tự động và bán tự động kết hợp với chọn các tham

số và biên tập trực tiếp để tạo DEM từ dữ liệu DSM là hợp lý

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

2.2.3.1 Thuật toán xác định các điểm độ cao đột biến

Đối với dữ liệu ảnh mô hình số bề mặt, tập hợp các điểm ảnh có thể được chia thành 2 loại: điểm địa hình và điểm địa vật Điểm địa hình hay còn gọi là điểm mặt đất (ground point) là điểm biểu diễn độ cao nền địa hình, còn điểm địa vật (non-ground point) là điểm biểu diễn độ cao của các đối tượng như nhà cửa, cây cối, v.v

Để tạo mô hình số độ cao từ mô hình số bề mặt, chúng ta cần phải xác định được khu vực của các đối tượng địa vật, có nghĩa là phải xác định được các điểm địa vật và sau

đó loại bỏ giá trị chênh cao của chúng so với độ cao của nền địa hình xung quanh Trong tự nhiên, nền địa hình (vùng đồng bằng, cao nguyên, đồi núi thấp, v.v.) thường có sự biến đổi độ cao từ từ hoặc dốc thoải Cho nên, các điểm địa hình lân cận nhau thường có sự chênh cao không lớn Trong khi đó, khu vực đối tượng địa vật (nhà cửa, cây cối, v.v) lại có độ cao tăng đột biến so với nền địa hình bao quanh

do có thêm độ cao của bản thân các đối tượng đó

Dựa vào đặc điểm tự nhiên đó, nên khi nhận biết được khu vực các đối tượng địa vật trên dữ liệu ảnh mô hình số bề mặt điều đầu tiên là phải xác định được khu vực có độ cao tăng đột biến so với nền địa hình xung quanh Tức là vấn đề ban đầu của bài toán cần đặt ra là phải thiết lập được giá trị ngưỡng chênh cao mà giá trị này

sẽ quy định đó là độ chênh cao để phân biệt vùng đối tượng với nền địa hình Các điểm ảnh có độ chênh cao so với các điểm lân cận nó một giá trị lớn hơn hoặc bằng giá trị ngưỡng này được gọi là các điểm độ cao đột biến Qua nghiên cứu thực

nghiệm, tác giả nhận thấy độ chính xác của mô hình số độ cao được tạo ra phụ thuộc nhiều vào giá trị ngưỡng chênh cao này Quá trình tìm kiếm các điểm độ cao đột biến bằng ví dụ minh họa dưới đây Giả sử ảnh mô hình số bề mặt có kích thước (14 x 14) điểm ảnh như Hình 2.2

Hình 2.2 Mô tả dữ liệu ảnh DSM

Mỗi điểm ảnh là một ô vuông biểu diễn độ cao của một khu vực trên thực địa với giá trị và màu sắc được thể hiện như Bảng 2.1 Trên thực tế thì độ cao của nền địa hình cũng như độ cao của các đối tượng địa vật sẽ đa dạng hơn nhiều Ở đây, tác giả lấy ví dụ với 5 mức độ cao khác nhau

Bảng 2.1 Ký hiệu mức độ cao các đối tượng

Bảng 2.2 Bảng giá trị chênh cao giữa các lớp đối tượng

Kết quả trên Bảng 2.2 cho thấy:

Giá trị chênh cao trung bình giữa các đối tượng địa vật (cây, nhà) với nền địa hình (đất) là:

Nếu ta thiết lập giá trị ngưỡng chênh cao là 1.5m thì những điểm có giá trị chênh cao lớn hơn hoặc bằng 1.5m so với điểm lân cận sẽ là điểm độ cao đột biến Những điểm độ cao đột biến này được xác định như trên Hình 2.3, đó là những điểm màu đỏ Những điểm màu đỏ này chính là những điểm đường biên của khu vực các đối tượng địa vật Chúng tạo nên một đường khép kín Còn đối với nền địa hình, những điểm đỏ này lại tạo thành những đứt đoạn, không liên tục

Hình 2.3 Kết quả của Hình 2.2 với ngưỡng chênh cao đột biến là 1.5m

Điểm độ cao đột biến

Tổng quát lại, 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:

( , ) − ( , ) ≥ (2.9) 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

2.2.3.2 Thuật toán xác định tập điểm độ cao địa vật

Để xác định tập điểm độ cao địa vật hay khu vực các đối tượng địa vật,

chúng ta cần phải dựa vào đặc điểm của các điểm độ cao đột biến mà đã được chỉ ra

ở phần trước:

- Tập hợp các điểm độ cao đột biến của các đối tượng địa vật là tập hợp các

điểm đường biên, bao quanh khu vực các lớp đối tượng đó Chúng tạo ra các đường

khép kín

- Tập hợp các điểm độ cao đột biến của nền địa hình là tập hợp các đoạn rời

rạc, không tạo thành các đường khép kín

Từ đặc điểm này, chúng ta có thể xác định khu vực của các đối tượng địa vật

bằng hai phương pháp: phương pháp trực tiếp hoặc phương pháp gián tiếp

+ Phương pháp trực tiếp

Đối với phương pháp này, chúng ta phải lựa chọn từng khu vực đối tượng địa

vật trên ảnh

Giả sử, P là điểm thuộc khu vực đối tượng địa vật là tập hợp các điểm độ

cao đột biến xung quanh khu vực đó Khi đó, sẽ là một đường khép kín Như vậy,

ta có thể sử dụng thuật toán loang, tô vùng [104], [110] để xác định các điểm thuộc

khu vực đối tượng địa vật này

Quá trình này được mô tả như trên Hình 2.4 Tuy nhiên, cách xác định này

không hiệu quả trong quá trình tính toán và lập trình

Hình 2.4 Xác định khu vực các đối tượng địa vật bằng phương pháp trực tiếp

+ Phương pháp gián tiếp

Phương pháp này sẽ xác định khu vực nền địa hình trước Sau đó, loại bỏ những điểm địa hình này, chúng ta sẽ còn lại khu vực của các đối tượng địa vật Phương pháp gián tiếp cũng dựa trên giải thuật loang, tô vùng để tìm kiếm các điểm địa hình Quá trình tìm kiếm này được gọi là phân tách nền địa hình Để phân tách nền địa hình, chúng ta sẽ thiết lập một giá trị được gọi là ngưỡng địa hình Đây là giá trị dùng để phân tách khu vực các đối tượng địa vật với nền địa hình Giá trị ngưỡng này có thể được xác định tự động hoặc tùy chỉnh

* Ngưỡng địa hình tự động

Ngưỡng tự động được tính toán dựa trên tập các điểm có độ cao đột biến mà chúng ta đã xác định được ở bước trên

Giả sử X là ảnh mô hình số bề mặt với là điểm ảnh ở vị trí hàng i, cột j;

ℎ là giá trị độ cao của điểm Thiết lập giá trị ngưỡng độ cao đột biến là , chúng ta thu được tập hợp các điểm đột biến , , … , với giá trị độ cao điểm ảnh lần lượt là ℎ( ), ℎ( ), … , ℎ( ) Khi đó giá trị ngưỡng độ cao tự động được xác định theo công thức:

=ℎ( ) + ℎ( ) + ⋯ + ℎ( )

(2.10) 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

Quay trở lại ví dụ ở trên, nếu chúng ta thiết lập giá trị ngưỡng đột biến

= 1.5 thì giá trị ngưỡng tự động sẽ là:

p

= 14 × 13.5 + 16 × 12.7 + 13 × 9

Ở đây, các con số 14, 16, 13 được ví dụ lần lượt là số lượng điểm độ cao đột biến mà chúng ta xác định được thuộc các lớp đối tượng cây (có độ cao là 13.5m), nhà (có độ cao 12.7m), đất 1(có độ cao là 9m) trong Bảng 2.1

Khi đó, khu vực của các đối tượng địa vật là những vùng có độ cao lớn hơn hoặc bằng 11.8m còn khu vực nền địa hình có độ cao nhỏ hơn 11.8m Màu vàng, màu đỏ và màu cam thể hiện khu vực các đối tượng địa vật còn màu xám thể hiện khu vực nền địa hình (Hình 2.5)

Hình 2.5 Minh họa kết quả của Hình 2.3 với sự kết hợp ngưỡng đột biến được thiết lập 1.5m

và ngưỡng địa hình tự động

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 Vì thế đối với những khu vực có nền địa hình mà độ cao thay đổi lớn thì quá trình áp dụng giá trị ngưỡng này có thể dẫn đến kết quả không chính xác 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

Ngưỡng địa hình tùy chỉnh được xác định thông qua sự thay đổi giá trị độ cao Giá trị độ cao này nằm trong khoảng từ độ cao nhỏ nhất đến độ cao lớn nhất của khu vực ảnh mô hình số bề mặt

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:

- Nếu ( , ) ≤ và ( , ) ∉ ( , ) thì ( , ) là điểm địa hình

- Nếu ( , ) ≥ và ( , ) ∈ ( , ) thì ( , ) là điểm địa vật Sau khi xác định được khu vực các đối tượng địa vật, nhiệm vụ còn lại là loại

bỏ độ chênh cao của khu vực địa vật đó so với nền địa hình xung quanh Sử dụng phép trừ giữa tập điểm dữ liệu DSM với tập điểm độ cao địa vật Kết quả thu được của công việc này là tập các điểm độ cao địa hình

2.2.3.3 Thuật toán nội suy độ cao tái tạo nền địa hình

Mục đích của quá trình này là thiết lập độ cao nền địa hình ở các khu vực bị che phủ bởi các lớp đối tượng địa vật

Giả sử điểm p nằm trong khu vực đối tượng địa vật Y Nhiệm vụ là cần phải

xác định được độ cao của nền địa hình tại điểm p Muốn xác định độ cao của điểm p

ta cần phải dựa vào độ cao của các điểm địa hình xung quanh

Nếu gọi (i = 1 ÷ n) là các điểm địa hình theo các hướng xung quanh điểm

p Các điểm p i này nằm bên ngoài ngay sát với đường bao khép kín bởi các điểm có

độ cao đột biến gần nhất với điểm p, khi đó chúng ta có thể tính toán được độ cao điểm p dựa vào các điểm (i = 1 ÷ n) này, có nghĩa là cần phải xây dựng được một hàm toán học để tính toán nội suy độ cao điểm p từ các điểm độ cao biết trước (i= 1 ÷ n) Hàm toán học này cần phải được xây dựng dựa trên các tham số là độ