7. Cấu trúc của luận văn
2.2.2 Lọc các đối tượng địa hình
49
Hình 2.4 Bóc tách đối tượng địa vật để tạo DTM
Để bóc tách các đối tượng trên DSM, cần dựa vào các chỉ số về góc dốc, khoảng cách hay độ dài của đường cắt và độ cao lớn nhất. Tổ hợp các chỉ số này sẽ được dùng để cắt cho toàn vùng (Hình 2.5)
DSM
Góc dốc Khoảng cách Độ cao
DTM
Bóc các đối tượng
50
Hình 2.5 Tham số địa hình trong pháp lọc DTM từ DSM
a) DSM b) DTM
Hình 2.6 Kết quả tạo mô hình số bề mặt (a) và mô hình số địa hình (b)
2.2.3Tái tạo mô hình mái nhà từ dữ liệu Lidar
Sau khi đã có dữ liệu DTM, để có thể tách được nhà cần dựa vào các chỉ số như độ cao, diện tích, độ dốc mái và cấu trục của cây để phân biệt, tách lọc ra nhà (hình 2.7)
51
Hình 2.7 Sơ đồ tách lọc đối tượng nhà
Trên thế giới hiện nay, người ta chủ yếu sử dụng dữ liệu Lidar để tiến hành xây dựng, tái tạo lại các mô hình nhà cửa, cây cối và một số các đối tượng khác trong môi trường đồ họa 3 chiều để thành lập nên các mô hình đô thị 3D.
Nhìn chung, quá trình tái tạo mô hình mái từ đám mây điểm Lidar bao gồm: Xác định những điểm trong đám mây điểm thuộc về mái
Xác định các mặt phẳng cấu thành mái
Xác định vị trí đường viền mái trên từng mặt phẳng này.
Trong các nghiên cứu gần đây cho thấy 2 hướng tiếp cận để đưa ra phương pháp mô hình hóa tự động mái nhà từ dữ liệu Lidar. Đó là dựa trên dữ liệu (data driven approach) và dựa trên mô hình mẫu (model driven approach).
Để đảm bảo tính hiệu quả và độ chính xác cao, phương pháp kết hợp dữ liệu Lidar và ảnh độ phân giải cao thường được áp dụng. Hai nguồn dữ liệu này có khả năng bổ trợ hiệu quả cho nhau. Dữ liệu điểm Lidar tham gia tạo mô hình DSM chi tiết cao giúp việc nắn ảnh trực giao thực chính xác hơn. Ảnh trực giao cũng cho phép nhận biết và vector hóa và chỉnh sửa đối tượng một cách chính xác hơn. Để nhận dạng và tái lập các công trình xây dựng trên mô hình 3D, người ta kết hợp phân nhóm dữ liệu dựa trên phép phân tích tính đồng phẳng của dữ liệu điểm Lidar cho các vùng của mái các công trình xây dựng (Soininen 2004).
DSML DTM Độ cao của địa vật bao gồm cả Diện tích Độ cao nhà Độ dốc của mái nhà Texture của cây (cấu trúc cây) Nh
52
Bảng 2.3 Kết quả phân loại điểm địa hình, địa vật nhà cửa, cây cối. Các tiêu chuẩn Các trường hợp Kết quả phân loại
(1): Điểm địa hình
(a) Điểm thực địa
(b) Điểm lọc khác
(c) Điểm thực địa gồ ghề Điểm lọc khác Điểm thực địa
(2): Điểm địa vật
(a) Điểm địa vật là nhà
(b) Điểm lọc khác
(c) Điểm địa vật là cây
Điểm lọc khác Điểm lọc khác
(3): Điểm không lọc
(a) Điểm thực địa
(b) Điểm lọc khác
(c) Điểm địa vật là cây
Điểm lọc khác Điểm lọc khác
Dựa trên các đánh giá thực tế này, để tái tạo mô hình nhà cho các khu đô thị phương pháp khả thi được đề xuất với các dữ liệu đầu vào là:
Điểm Lidar để dựng các mặt phẳng mái nhà
Ảnh máy bay (hoặc ảnh vũ trụ độ phân giải cao) dùng cho việc xác định chính xác đường viền mái nhà và để có thể nhìn thấy hay thể hiện các cấu trúc có kích thước nhỏ.
Dữ liệu 2D đường viền chân nhà (nếu có) dựng tường đúng vị trí và trợ giúp xác định hướng chính của nhà
Công đoạn chuẩn bị dữ liệu Lidar và ảnh bao gồm 2 bước chính. Phân loại điểm Lidar thành 2 nhóm riêng biệt:
Điểm mặt đất
Điểm thuộc về đối tượng có độ cao riêng trên mặt đất như nhà, cây, cầu, dây và cột điện.
53
Việc tái tạo mô hình mái nhà bao gồm các bước sau:
Tìm kiếm các mặt phẳng dựa trên tập hợp điểm Lidar và tách các điểm nằm trên các mặt phẳng này thành nhóm điểm mái nhà
Chia nhỏ nhóm điểm mái nhà, mỗi nhóm thể hiện 1 mặt phẳng.
Xác định các yếu tố mang tính đối xứng và điều chỉnh lại phương trình mặt phẳng
Tìm kiếm tự động polygon đường bao mái dựa trên tập hợp điểm Lidar
Tạo các đường giao giữa các mặt phẳng mái, chỉnh sửa thủ công đường bao mái dựa trên ảnh trực giao bằng các công cụ đồ họa để đảm bảo tính đối xứng, tính cộng tuyến của các bề mặt cấu thành mái khi tác nghiệp viên đánh giá và kết luận rằng những nguyên tắc này thật sự phù hợp với thực tế.
a) Nhà b) Cây
Hình 2.8 Đối tượng nhà sau khi được tách lọc
Sau khi có được DTM, việc dùng độ cao DSMLE trừ đi độ cao của DTM sẽ cho độ cao của các đối tượng ở trên mặt đất.Tất cả các đối tượng đó sẽ giữ được các thông tin như độ rộng, độ dốc và độ cao.Như vậy, có thể dựa vào các thông tin để tách ra được nhà. Phân biệt nhà với các đối tượng có diện nhưng độ cao lại thấp hơn nhà như oto cần dựa vào các thông tin độ cao nhà, còn các thông tin về diện tích nhà có thể giúp lọc bỏ các đối tượng nhỏ hơn nhà như cây cối của nhà, ngoài ra thông tin về độ dốc của mái nhà trong khu vực cũng giúp cho việc tách ra được đối tượng nhà thêm chính xác. Tuy nhiên, nhà và cây cối xen lẫn nhau hay một vùng rừng cây
54
rộng lớn, thiết lập các chỉ số về diện tích và độ cao vẫn chưa đủ, cần thêm thông tin về texture của cây, các gradien sẽ giúp cho việc lọc bỏ cây tốt hơn
2.2.3 Tái tạo mô hình bề mặt tường nhà
Với dữ liệu Lidar, ảnh máy bay hay ảnh vũ trụ độ phân giải cao, thông tin và hình ảnh mái thu được rất nhiều nhưng thông tin về các mặt tường bao quanh khối nhà là rất hạn chế và không khả dụng cho mục đích tái tạo bề mặt tường cho mô hình khối nhà 3D. Đường viền mái không phải lúc nào cũng đúng vào vị trí của tường do đó hoặc phải chấp nhận mô hình khối nhà đơn giản với mức độ chi tiết không cao và mặc định là đường bao mái đồng thời cũng là đường viền chân nhà hoặc cần có các nguồn thông tin bổ sung khác để thực hiện công đoạn này.
Thông tin về đường viền chân nhà này cũng có thể được chiết tách từ các CSDL GIS 2D tỷ lệ lớn, CSDL địa chính hay cơ sở dữ liệu nhà (BIM – Building Information management system). Mô hình bản đồ 3D của Helsinki, Phần Lan cũng là 1 ví dụ thành công về việc kết hợp dữ liệu Lidar và CSDL địa lý nền tỷ lệ 1/500. Khi kết hợp dữ liệu Lidar với 1 CSDL địa lý khác, cần phải đặc biệt quan tâm đến tính đồng bộ về hệ qui chiếu, về độ chính xác, về mức độ khái quát hóa và về tính cập nhật của 2 nguồn dữ liệu này.
Hình 2.9 Mô hình 3D được xây dựng bằng phần mềm Sketchup