Nghiên cứu một số thuật toán phân cụm dữ liệu lidar

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THƠNG HỒNG XN THƯƠNG NGHIÊN CỨU MỘT SỐ THUẬT TOÁN PHÂN CỤM DỮ LIỆU LIDAR LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH THÁI NGUYÊN – 2021 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THƠNG HỒNG XN THƯƠNG NGHIÊN CỨU MỘT SỐ THUẬT TOÁN PHÂN CỤM DỮ LIỆU LIDAR Chuyên ngành: Khoa học máy tính Mã số: 48 01 01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Giáo viên hướng dẫn: PGS.TS Đặng Văn Đức THÁI NGUYÊN - 2021 i LỜI CAM ĐOAN Tôi xin cam đoan luận văn cơng trình nghiên cứu riêng cá nhân tơi, kết luận văn hoàn toàn kết tự thân tơi tìm hiểu, nghiên cứu hướng dẫn giáo viên hướng dẫn PGS.TS Đặng Văn Đức Tơi hồn tồn chịu trách nhiệm tính pháp lý trình nghiên cứu khoa học luận văn Cẩm Phả, ngày … tháng … năm 2021 Học viên Hoàng Xuân Thương ii LỜI CẢM ƠN Lời đầu tiên, em xin gửi lời biết ơn sâu sắc đến PGS TS Đặng Văn Đức – Viện Công nghệ thơng tin Hà Nội người tận tình hướng dẫn, bảo, giúp đỡ em suốt trình làm luận văn Em xin gửi lời cảm ơn đến cô TS Nguyễn Thị Hữu Phương – Đại học mỏ địa chất Hà Nội, thầy cô giáo trường Đại học Công nghệ thông tin truyền thông - Đại học Thái Nguyên truyền đạt kiến thức giúp đỡ em suốt trình học Và học viên xin gửi lời cảm ơn tới đồng nghiệp, gia đình bạn bè người ủng hộ, động viên tạo điều kiện giúp đỡ để học viên có kết ngày hôm iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC BẢNG BIỂU vi DANH MỤC HÌNH ẢNH vii MỞ ĐẦU 1 Đặt vấn đề Những nội dung nghiên cứu CHƯƠNG 1: TỔNG QUAN VỀ CÔNG NGHỆ LIDAR VÀ BÀI TOÁN PHÂN CỤM 1.1 Tổng quan công nghệ LiDAR 1.1.1 Cấu trúc hệ thống LiDAR 1.1.2 Đặc điểm công nghệ LiDAR 1.2 Thu nhận liệu LiDAR 1.3 Xử lý liệu LiDAR 12 1.3.1 Quy trình xử lý liệu LiDAR 12 1.3.2 Thuộc tính liệu LiDAR 12 1.3.3 Phương pháp xử lý liệu LiDAR 14 1.4 Khả ứng dụng LiDAR 16 1.5 Bài toán phân cụm liệu LiDAR 18 1.5.1 Khái niệm phân cụm liệu 18 1.5.2 Các kiểu liệu độ đo tương tự 19 1.5.3 Các kỹ thuật tiếp cận phân cụm liệu 24 1.5.4 Các ứng dụng phân cụm liệu 27 1.5.5 Phân cụm liệu LiDAR 28 1.6 Kết chương 29 iv CHƯƠNG 2: MỘT SỐ THUẬT TOÁN PHÂN CỤM DỮ LIỆU LIDAR 30 2.1 Thuật toán MCC 30 2.2 Thuật toán EM 34 2.3 Thuật toán K-Means 39 2.4 Thuật toán H - Kmeans 43 2.5 Đánh giá thuật toán lựa chọn thuật toán để thực nghiệm 49 2.6 Đánh giá kết phân cụm liệu LiDAR MCC K-Means 50 2.6.1 Thuật toán MCC 50 2.6.2 Thuật toán K-Means 52 2.7 Kết chương 55 CHƯƠNG 3: XÂY DỰNG CHƯƠNG TRÌNH PHÂN CỤM DỮ LIỆU LIDAR 56 3.1 Giới thiệu toán thử nghiệm 56 3.2 Lựa chọn thuật toán phân cụm liệu thử nghiệm 56 3.3 Môi trường cơng cụ sử dụng để xây dựng chương trình 58 3.3.1 Ngôn ngữ C# 58 3.3.2 LASTool 59 3.4 Phát triển chương trình 60 3.4.1 Các bước thực 60 3.4.2 Giao diện chức chương trình 61 3.5 Đánh giá kết thu 63 3.5.1 Phân loại với MCC 63 3.5.2 Phân loại đám mây điểm với K-means 64 3.5.3 Đánh giá 65 KẾT LUẬN 68 TÀI LIỆU THAM KHẢO 69 v DANH MỤC CHỮ VIẾT TẮT LiDAR: Light Detection And Ranging Laser: Light amplification by stimulated emission of radiation GNSS: Global Navigation Sattelite System INS: Inertial Navigation System IMU: Inertial measurement unit DEM: Digital Elevation Model DSM: Digital Surface Model DTM: Digital terrain model MCC: Multiscale Curvature Classification EM: Expectation Maximization CURE: Clustering Using Representatives BIRCH: Balanced Interative Reducing and Clustering Hierarchies ALS: Aerial Scanning Laser PCDL Phân cụm liệu H-Kmeans Hierarchical – Kmeans (Kmeans phân cấp) vi DANH MỤC BẢNG BIỂU Bảng 1.1: Thuộc tính liệu LiDAR 14 Bảng 3.1 Thông số file las 57 Bảng 3.2: Thống kê thay đổi tỉ lệ % phân loại ứng với miền tỉ lệ 64 Bảng 3.3: Số lượng điểm cụm 65 Bảng 3.4: So sánh với kết phân cụm với trang Opentopo 65 Bảng 3.5: So sánh với kết phân loại trang Opentopo với K-Means 65 vii DANH MỤC HÌNH ẢNH Hình 1.1: Hệ thống LiDAR Hình 1.2: Tổng quan nguyên lý hoạt động hệ thống LiDAR Hình 1.3: Cách phát thu nhận tín hiệu phản hồi Hình 1.4: Tia laser phản xạ qua mục tiêu 10 Hình 1.5: Quy trình tổng quát xử lý liệu LiDar 12 Hình 1.6: Ví dụ đám mây điểm LiDAR hiển thị dạng 3D 15 Hình 1.7: Quy trình phân loại đám mây điểm LiDAR 15 Hình 1.8: Ứng dụng khảo sát địa hình lập đồ 16 Hình 1.9: Ứng dụng lâm nghiệp 16 Hình 1.10: Ứng dụng lập đồ ngập úng 16 Hình 1.11: Ứng dụng cho đới duyên hải 17 Hình 1.12:Ứng dụng lập đồ địa hình ven biển 17 Hình 1.13: Ứng dụng quan trắc dự báo trượt lở 17 Hình 1.14: Ứng dụng lập đồ tuyến truyền tải 17 Hình 1.15: Ứng dụng lập đồ tuyến truyền tải 18 Hình 1.16: Ứng dụng quy hoạch quản lý mạng điện thoại di động 18 Hình 1.17: Ứng dụng lập mơ hình mơ thị 18 Hình 1.18: Tác vụ Khai phá liệu 19 Hình 1.19 : Một số hình dạng cụm liệu khám phá kỹ thuật PCDL dựa mật độ 26 Hình 1.20: Mơ hình cấu trúc liệu lưới 27 Hình 2.1: Tiến trình phân cụm sử dụng MCC 32 Hình 2.2: Mơ tả thuật toán EM phân loại đám mây điểm LiDAR 35 Hình 2.3: Phân cụm đối tượng bề mặt đo vẽ 35 Hình 2.4: Tiến trình thuật tốn EM 37 Hình 2.5: Mơ tả thuật tốn K-Means 40 viii Hình 2.6: Ví dụ phân loại với K-Means 41 Hình 2.7: Pseudo code thuật tốn K-means 43 Hình 2.8: Seeded-Kmeans khởi tạo cụm ban đầu 47 Hình 2.9: Dùng 2-KMeans để chia cụm cha thành hai cụm 47 Hình 2.10: Áp dụng tiêu chuẩn BIC 47 Hình 2.11: Kết có cụm 47 Hình 2.12: Khu vực thực nghiệm nghiên cứu 50 Hình 2.13: Tỉ lệ điểm thuộc hai lớp sau phân loại 51 Hình 2.14: Kết phân loại với K=5 52 Hình 2.15: Kết phân loại với K=7 53 Hình 3.1: Thơng tin file las sau xử lý lasinfo LASTools 57 Hình 3.2: Đám mây điểm khu vực khảo sát 58 Hình 3.3: Ảnh vệ tinh khu vực đo vẽ 58 Hình 3.4: Giao diện GUI LasTool 60 Hình 3.5: Giao diện chương trình 61 Hình 3.6: Cửa sổ Setting thiết lập thơng số cho MCC K-Means 61 Hình 3.7: Dữ liệu file *.txt chứa toạ độ (x, y, x) điểm 62 Hình 3.8: Phân loại với MCC 62 Hình 3.9: Phân loại với K-Means (K = 2) 63 Hình 3.10: Tham số lựa chọn giải thuật MCC 63 Hình 3.11: Các điểm gán nhãn sau phân loại với MCC 64 Hình 3.12: Kết phân loại với K-means 64 Hình 3.13: Mơ hình số địa hình khu vực thử nghiệm 66 Hình 3.14: Mơ hình số bề mặt khu vực thử nghiệm 67 Hình 3.15: Mơ hình địa hình kỹ thuật số khu vực thử nghiệm 67 56 CHƯƠNG 3: XÂY DỰNG CHƯƠNG TRÌNH PHÂN CỤM DỮ LIỆU LIDAR 3.1 Giới thiệu tốn thử nghiệm Việc xây dựng mơ hình số địa hình (DEM – Digital Elavation Model), mơ hình số bề mặt (DSM – Digital Surface Model) mơ hình địa hình kỹ thuật số (DTM) Thành phố phát triển có ý nghĩa quan trọng quản lý, định hướng quy hoạch phát triển Với liệu điểm có giá trị tọa độ ba chiều (x, y, z) tạo công nghệ LiDAR có mật độ dày đặc (tới hàng triệu điểm, bao hàm điểm nhiễu), chứa thông tin hữu ích bề mặt địa hình khu vực địa lý Để xác định nhãn lớp mà điểm thuộc cần phải tiến hành toán phân cụm đám mây điểm Việc phân cụm liệu tự động đám mây điểm phải tách đám mây liệu thành lớp khác nhau: tòa nhà, mặt đất, thực vật,… từ xây dựng mơ hình DEM/DSM/DTM cách xác Như vậy, toán đặt là: Từ liệu điểm có giá trị tọa độ ba chiều (x, y, z) tạo công nghệ LiDAR khu vực thử nghiệm, đưa điểm mặt đất không mặt đất, điểm không mặt đất phân thành K cụm liệu khác *Input: Tệp *.las có chứa toạ độ (x, y, z) điểm; *Output: Các điểm gán nhãn (điểm mặt đất), 1(điểm không mặt đất); Các điểm mặt đất phân thành K cụm (gán nhãn từ → K-1) 3.2 Lựa chọn thuật toán phân cụm liệu thử nghiệm Sau nghiên cứu thuật toán Chương 2, học viên nhận thấy: Thuật tốn MCC có ưu điểm với địa hình có độ dốc thay đổi liên tục, MCC có độ xác cao Thuật tốn có độ tin cậy cao, giúp cực tiểu sai số lại tỉ lệ cao điểm mặt đất Cịn thuật tốn KMeans có ưu điểm độ phức tạp tính tốn nhỏ Bên cạnh đó, tính chất liệu địa hình khu vực thử nghiệm qua hình 3.2, 3.3 (địa hình có độ dốc thay đổi, đa 57 dạng nhóm đối tượng) cho thấy phù hợp khu vực khảo sát với hai thuật tốn Chính lý trên, học viên lựa chọn hai thuật toán MCC KMeans làm thuật tốn lõi chương trình thực nghiệm Dữ liệu thử nghiệm thu nhận khu vực thành phố Bắc Giang, download trang web www.opentopography.org, thời gian đo năm 2018 Công nghệ LiDAR sử dụng ALS, mật độ điểm 2,98pt/m2, tổng số điểm 5.238.839 Dữ liệu sau thu nhận lưu dạng file *.las với chuẩn 1.2 Các tham số liệu thể bảng 3.1 hình 3.1: STT Tên thuộc tính Mơ tả Cường độ Phân loại điểm Thời gian GPS Toạ độ x (min, max) Toạ độ y (min, max) Toạ độ z (min, max) 5, 5100 1, 413035.417958, 504007.039214 295511870, 296941950 -241204270, -240559180 216750, 708970 Bảng 3.1 Thơng số file las Hình 3.1: Thông tin file las sau xử lý lasinfo LASTools Dữ liệu LiDAR khu vực khảo sát tiền xử lý ban đầu trang web www.opentopography.org Có thể nhận thấy khu vực có kết cấu phức tạp, đa dạng đối tượng cụ thể: + Điểm mặt đất: 1317739 điểm; + Thảm thực vật thấp: 2938181 điểm; 58 + Thảm thực vật cao: 717030 điểm; + Cơng trình xây dựng: 261724 điểm + Tiếng ồn: 486 + Không phân loại: 3679 điểm Đám mây điểm LiDAR thể hình vẽ 3.2 ảnh vệ tinh khu vực khảo sát thể hình 3.3 Hình 3.2: Đám mây điểm khu vực khảo sát Hình 3.3: Ảnh vệ tinh khu vực đo vẽ 3.3 Môi trường công cụ sử dụng để xây dựng chương trình Chương trình xây dựng ngôn ngữ C# Visual Studio 2019 tích hợp với cơng cụ LASTools 3.3.1 Ngơn ngữ C# C# ngơn ngữ lập trình hướng đối tượng đại phát triển Microsoft phê duyệt European Computer Manufacturers Association (ECMA) International Standards Organization (ISO) C# 59 phát triển dựa C++ Java C # thiết kế cho ngôn ngữ chung sở hạ tầng (Common Language Infrastructure – CLI), bao gồm mã (Executable Code) môi trường thực thi (Runtime Environment) cho phép sử dụng ngôn ngữ cấp cao khác đa tảng máy tính kiến trúc khác Ngôn ngữ thiết kế để phù hợp với việc viết ứng dụng cho hai hệ thống: hosted nhúng, từ phần mềm quy mô lớn, đến phần mềm có chức đơn giản C# với hỗ trợ mạnh mẽ NET Framework giúp cho việc tạo ứng dụng Windows Forms hay WPF (Windows Presentation Foundation), Console ứng dụng Web trở nên dễ dàng 3.3.2 LASTool LasTools công cụ độc lập để xử lý xử lý hiệu liệu LiDAR hàng không (ALS) LASTool đời vào năm 2007 với cộng đồng sử dụng 5000 người, công cụ thương mại hóa vào năm 2010, trở thành giao diện người dùng vào năm 2011 trở thành cơng cụ tích hợp vào ARCGIS vào năm 2012 LASTools tập hợp cơng cụ chạy qua GUI có sẵn dạng hộp cơng cụ xử lý LiDAR cho phiên ArcGIS 9.3, 10.0 10.1 ESRI: API để đọc/ghi file LAS, lasinfo, lasview, las2txt txt2las, laszip, las2las…, cụ thể chương trình thực nghiệm có sử dụng cơng cụ: - las2txt: Trích xuất toạ độ (x, y, z) nhãn phân loại từ file *.las file *.txt; - txt2las: Chuyển file từ định dạng *.txt sang định dạng *.las; - las2dem: Xây dựng đồ DEM từ file *.las; - lasground: Xây dựng đồ DSM từ file *.las; - lasheight: Xây dựng đồ DTM từ file *.las 60 Hình 3.4: Giao diện GUI LasTool 3.4 Phát triển chương trình 3.4.1 Các bước thực - Bước 1: Truy cập trang web www.opentopography.org, download liệu LiDAR (file *.las) khu vực thử nghiệm, file liệu đầu vào chương trình thực nghiệm; - Bước 2: Xác định input, output, ý tưởng thuật toán MCC, K-Means + Input MCC: file *.las khu vực khảo sát; + Output MCC: file *.las chứa toạ độ (x, y, z) nhãn (1 – điểm không mặt đất; – điểm mặt đất) điểm; + Input K-Means: file *.las chứa toạ độ (x, y, z) có nhãn điểm, trích xuất từ file kết phân cụm MCC; + Output K-Means: file *.las (hoặc *.txt; *.csv) chứa kết xử lý tâm cụm, toạ độ (x, y, z) nhãn cụm (0 → K-1) điểm - Bước 3: Tìm kiếm, tham khảo, phân tích lựa chọn mơ tả thuật tốn MCC, K-Means phù hợp; 61 - Bước 4: Sử dụng C# công cụ LASTool (las2txt, txt2las) để xây dựng chương trình; - Bước 5: Test tinh chỉnh chương trình 3.4.2 Giao diện chức chương trình Hình 3.5: Giao diện chương trình Các chức chương trình: Setting: Cho phép thiết lập thông số s, t thuật toán MCC; k – số cụm thuật toán K-Means Hình 3.6: Cửa sổ Setting thiết lập thơng số cho MCC K-Means 62 Chọn file liệu đầu vào (*.las) (*.las; *.txt; *.csv) chương trình Chương trình khởi chạy las2txt chuyển file *.las thành file *.txt hình 3.8: Hình 3.7: Dữ liệu file *.txt chứa toạ độ (x, y, x) điểm Phân loại với thuật toán MCC: Kết đầu file *.las, điểm gán nhãn điểm mặt đất (2) không mặt đất (1) Hình 3.8: Phân loại với MCC Phân loại với thuật toán K-Means: Từ file kết thuật tốn MCC, trích chọn điểm khơng mặt đất (có nhãn 1) file *.txt Khởi chạy txt2las LASTools tạo file *.las đầu vào cho thuật toán KMeans 63 Hình 3.9: Phân loại với K-Means (K = 2) Sử dụng công cụ LASTools: las2dem xây dựng đồ DEM; lasground xây dựng đồ DSM; lasheight xây dựng đồ DTM 3.5 Đánh giá kết thu 3.5.1 Phân loại với MCC Lựa chọn tham số thực thuật toán MCC s = 1.0, t = 0.05 Ta có kết cụ thể sau: Hình 3.10: Tham số lựa chọn giải thuật MCC 64 Qua miền tỉ lệ với miền tỉ lệ đầu (SD1) có giá trị 0.5, miền tỉ lệ thứ hai (SD2) có giá trị miền tỉ lệ thứ (SD3) có giá trị 1.5 Trong đó, miền tỉ lệ đầu qua 16 lần lặp, thứ hai lần lặp thứ lần lặp có 1998159 điểm tổng số 5238839 điểm gán vào lớp mặt đất cịn lại lớp khơng mặt đất Hình 3.11: Các điểm gán nhãn sau phân loại với MCC Tỉ lệ phân loại thay đổi sau: % phân loại SD1 21 11 6.7 4.6 3.4 2.7 SD2 0.47 0.29 0.17 0.18 0.023 0.2 0.027 0.072 0.012 0.004 SD3 0.66 2.2 1.9 1.7 1.5 1.3 1.2 1.2 1.1 0.96 Bảng 3.2: Thống kê thay đổi tỉ lệ % phân loại ứng với miền tỉ lệ 3.5.2 Phân loại đám mây điểm với K-means Sau phân cụm với K-Means, với K = 2, kết phân cụm thể hình 3.12 bảng 3.3: Hình 3.12: Kết phân loại với K-means 65 Number of Cases in each Cluster Cluster 137.000 3499.000 Valid Missing 1317739.000 3921100.000 Bảng 3.3: Số lượng điểm cụm 3.5.3 Đánh giá Để đánh giá độ xác hai thuật tốn sau phân loại, học viên so sánh kết với giải thuật sử dụng trang Opentopo, cụ thể bảng 3.4 3.5: STT Opentopo MCC K-Means Không phân loại: 3678 Không phân loại: 1132220 Không phân loại 3921100 Điểm mặt đất: 1317739 Điểm mặt đất: 1998159 Điểm hợp lệ: 1317739 Điểm không mặt đất: 3917421 Điểm không mặt đất: 2108460 Bảng 3.4: So sánh với kết phân cụm với trang Opentopo STT Opentopo K-Means Thảm thực vật thấp: 2938181 Cụm 1: 3499 Thảm thực vật cao: 717030 Cụm 0: 137 Bảng 3.5: So sánh với kết phân loại trang Opentopo với K-Means Có thể thấy số điểm hợp lệ K-Means trùng hoàn toàn với số điểm mặt đất trang Opentopo, thuật tốn giúp xây dựng hiệu đồ DTM xác Số điểm mặt đất nhận biết MCC nhiều 680420 điểm so với K-Means, nên thuật toán giúp xây dựng đồ DEM DSM tốt 66 Khi dựa thuộc tính độ cao để phân cụm, với thảm thực vật thấp cao trang Opentopo có số lượng điểm 3655211 K-Means lại cho thấy hiệu trích xuất 3636 điểm; số lượng điểm không phân loại MCC lệch 1128542 điểm, K-Means lệch lớn nhiều, lên tới 3917422 điểm Có kết thuật tốn KMeans khơng có khả tìm cụm khơng lồi cụm có hình dạng phức tạp, độ xác phân cụm với liệu thảm thực vật theo thuộc tính độ cao xác thuật tốn MCC Với phân tích kết đánh giá sau thực nghiệm trên, học viên sử dụng kết phân cụm liệu thuật toán MCC K-Means kết hợp với công cụ LASTools để xây dựng đồ DEM, DSM, DTM, cụ thể sau: - Dùng công cụ las2dem xử lý tệp kết thuật tốn MCC để xây dụng mơ hình số địa hình DEM khu vực thực nghiệm (Hình 3.13), mơ hình có điểm mặt đất, khơng có thảm thực vật, tịa nhà vật thể “khơng phải mặt đất” khác: Hình 3.13: Mơ hình số địa hình khu vực thử nghiệm 67 - Dùng công cụ lasground xử lý tệp kết thuật tốn MCC để xây dụng mơ hình số bề mặt DSM khu vực thực nghiệm (Hình 3.14), mơ hình độ cao bao gồm đỉnh tịa nhà, cối, đường dây điện vật thể khác: Hình 3.14: Mơ hình số bề mặt khu vực thử nghiệm - Dùng công cụ lasheight xử lý tệp kết thuật toán K-Means để xây dụng mơ hình địa hình kỹ thuật số DTM khu vực thực nghiệm (Hình 3.15), mơ hình có chứa độ cao đặc điểm địa hình tự nhiên đỉnh sườn núi cằn cỗi thung lũng sông Độ cao thảm thực vật đặc điểm văn hóa: tịa nhà đường, loại bỏ kỹ thuật số: Hình 3.15: Mơ hình địa hình kỹ thuật số khu vực thử nghiệm 68 KẾT LUẬN Hiện nay, Việt Nam công nghệ LiDAR ứng dụng rộng rãi nhiều lĩnh vực như: Trắc địa đồ, kỹ thuật môi trường, vật lý, khảo cổ học,… Tệp liệu LiDAR, gọi siêu tệp liệu, có chứa tới hàng triệu điểm thu nhận công nghệ LiDAR Ứng dụng xử lý loại tệp cịn hạn chế (nếu có chi phí lớn) Thuật tốn xử lý đa dạng thực trạng sở hạ tầng để triển khai chưa đủ đáp ứng nhu cầu Vì vậy, việc lựa chọn thuật tốn phù hợp để xây dựng chương trình xử lý hiệu tệp liệu yêu cầu cấp thiết Chương trình phân cụm tự động liệu đám mây điểm, tách thành cụm khác nhau: tịa nhà, mặt đất, thực vật,… từ xây dựng mơ hình DEM/DSM/DTM cách hiệu quả, xác Việc xây dựng mơ hình Thành phố phát triển có ý nghĩa quan trọng, đặc biệt công tác quản lý, định hướng quy hoạch phát triển Các mơ hình giúp thành lập đồ tỷ lệ lớn, hỗ trợ cơng tác phát triển, quản lý trì hạ tầng sở, quy hoạch kiến trúc, xây dựng, giao thông Luận văn nghiên cứu cách tổng quan công nghệ LiDAR tập trung nghiên cứu nội dung, ưu/nhược điểm thuật toán phân cụm phổ biến MCC, EM, K-Means H-Kmeans Đồng thời đưa hướng vận dụng hai thuật toán MCC K-Means cách hiệu để xây dựng chương trình thử nghiệm Hiệu chương trình chứng nghiệm khu vực địa lý Thành phố Bắc Giang, khu vực có kết cấu phức tạp, đa dạng đối tượng, địa hình đặc biệt có nhiều điểm tương đồng với khu vực tỉnh Quảng Ninh Vì vậy, đề tài có tính thực tiễn cao hồn tồn khả thi thực tỉnh Quảng Ninh 69 TÀI LIỆU THAM KHẢO TRONG NƯỚC [1] Nguyễn Thị Hữu Phương, Đặng Văn Đức, Nguyễn Trường Xuân, “Lựa chọn tham số t cho toán phân loại đám mây điểm LiDAR với thuật tốn MCC”, tạp chí Chun san Các cơng trình nghiên cứu, phát triển ứng dụng CNTT – TT, 2018 [2] Nguyễn Thị Hữu Phương, Đặng Văn Đức, Nguyễn Trường Xuân, “Sử dụng thuật toán K-means toàn phân loại đám mây điểm LiDAR”, tạp chí Khoa học cơng nghệ Việt Nam, 2017 [3] Lê Tuấn Anh, Trần Đức Thuận, Phạm Văn Tuân, Lê Đình Hiển, “Ứng dụng cơng nghệ tích hợp LiDAR chụp ảnh hàng không (Citymapper – Leica) thu nhận, xử lý thành lập liệu không gian địa lý”, Báo cáo khoa học Hội nghị khoa học, cơng nghệ tồn quốc ngành đo đạc đồ, 2018 [4] Nguyễn Thị Hữu Phương, Đặng Văn Đức, Nguyễn Trường Xuân, “Khai phá liệu LiDAR nghiên cứu đối tượng bề mặt địa hình”, Kỷ yếu Hội nghị Quốc gia lần thữ X Nghiên cứu ứng dụng Cộng nghệ thông [5] Trần Đình Trí, “Cơng nghệ LiDAR”, Bài giảng dành cho cao học, Trường Đại học Mỏ - Địa chất, 2013 [6] ThS Nguyễn Thị Hữu Phương, "Nghiên cứu cải tiến thuật tốn cực đại hóa kỳ vọng phân loại tự động đám mây điểm LiDAR phục vụ đánh giá thay đổi lớp phủ bề mặt đô thị Hà Nội", Đề tài nghiên cứu cấp sở, Trường Đại học Mỏ Địa chất, 2019.tin (FAIR), Đà Nẵng, 2017 [7] Hoàng Xuân Huấn, Nguyễn Trung Thông, "Phương pháp phân cụm nửa giám sát", Kỷ yếu FAIR'05, 2006 [8] T L C Kế, "Thành lập DEM/DTM DSM công nghệ LiDAR", 2005 70 NƯỚC NGOÀI [9] Jeffrey S.Evans, Andrew T.Hudak, "A multiscale curvature algorithm for classifying discrete return LiDAR in forested environments" IEEE, vol 45, pp 1029-1038, 2007 [10] Jorge Garcia Gutierrez, Francisco Martinez Alvarez, Jose C.Riquelme, "Using remote data mining on LiDAR and Imagery Fusion data to develop Land Cover maps", IEA/AIE, vol I, pp 378-387, 2010 [11] Alex Berson, nnk, "An overview of data mining technique", Building DM Applications for CRM, 2005 [12] CS247A, "The EM algorithm for Gaussian Mixtures", [Online] Available: http://www.ics.uci.edu/~smyth/courses/cs274/notes/EMnotes.pdf [13] VojTech Franc, "EM algorithm for data clustering", 31/8/2004 [Online] Available: http://cmp.felk.cvut.cz/cmp/courses/recognition/eprc/node5.html [14] Mauela M.Vesolo, Eric P.Xing, “The EM algorithm”, Springer, 2017 [15] Kun Zhang, Weihong Bi, Xiaoming Zhang, Xinghu Fu, Kunpeng Zhu, Li Zhu, "A new kmeans clustering algorithm for point cloud", International Journal of Hybrid Information Technology, vol 8, no 9, pp 157-170, 2015 [16] Wade T.Tinkham, Hongyu Huang, "A comparision of two open source LiDAR surface classification algorithm", Remote Sensing, vol 3, pp 638-649, 2011 ... toán phân cụm liệu LiDAR chương luận văn, cụ thể thuật toán: EM, MMC, K-Means KMeans phân cấp 30 CHƯƠNG 2: MỘT SỐ THUẬT TOÁN PHÂN CỤM DỮ LIỆU LIDAR 2.1 Thuật toán MCC Trên giới, nghiên cứu công... Phương pháp phân cụm dựa mơ hình, phương pháp phân cụm có liệu ràng buộc, phân cụm thống kê, phân cụm khái niệm, phân cụm mờ, phân cụm mạng Kohonen… 1.5.4 Các ứng dụng phân cụm liệu Phân cụm liệu có... kỹ thuật tiếp cận phân cụm liệu 24 1.5.4 Các ứng dụng phân cụm liệu 27 1.5.5 Phân cụm liệu LiDAR 28 1.6 Kết chương 29 iv CHƯƠNG 2: MỘT SỐ THUẬT TOÁN PHÂN CỤM DỮ