Luận án 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

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

pdf171 trang | Chia sẻ: honganh20 | Ngày: 26/02/2022 | Lượt xem: 283 | Lượt tải: 1download
Bạn đang xem trước 20 trang tài liệu Luận án 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, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
bất đồng nhất f không được vượt quá một ngưỡng nhất định như biểu diễn trong công thức dưới đây: ݂ = ௖ܹ௢௟௢௥ .∆ℎ௖௢௟௢௥ + ௦ܹ௛௔௣௘ .∆ℎ௦௛௔௣௘ (3.1) Trong đó: Wcolor , Wshape là các trọng số về màu và hình dạng Wcolor  [0,1] ; Wshape  [0,1] và Wcolor + Wshape = 1 Trong quá trình phân mảnh ảnh, ta có thể bổ sung trọng số Wk của kênh ảnh để tạo ra các phân mảnh khác nhau. Sự khác biệt về độ bất đồng nhất màu hcolor được xác định trong công thức sau:  ( ) _1 , _1 _ 2 , _ 2 1 w . ( . . ) m color k merge k merge obj k obj obj k obj k h n n n        (3.2) Trong đó: m_số kênh ảnh nmerge là số lượng pixel trong đối tượng được gộp nobj_1 là số lượng pixel của đối tượng 1 nobj_2 là số lượng pixel của đối tượng 2 k là độ lệch chuẩn của đối tượng ở kênh ảnh k. Các chỉ số merge dùng để chỉ đối tượng đã gộp, obj_1 và obj_2 dùng để chỉ các đối tượng 1, 2 trước khi được gộp vào đối tượng merge. Cũng theo tác giả Benz [101], độ bất đồng nhất hình dạng hshape là giá trị nói lên độ cải thiện về độ trơn (smoothness) và độ chặt (compactness) hình dạng của đối tượng. 63 ∆ℎ௦௛௔௣௘ = ௖ܹ௢௠௣௧ .∆ℎ௖௢௠௣௧ + ௦ܹ௠௢௢௧௛.∆ℎ௦௠௢௢௧௛ (3.3) Với: ∆ℎ௦௠௢௢௧௛ = ݊௠௘௥௚௘ . ௟೘೐ೝ೒೐௕೘೐ೝ೒೐ − ൬݊௢௕௝_ଵ. ௟೚್ೕ_భ௕೚್ೕ_భ + ݊௢௕௝_ଶ. ௟೚್ೕ_మ௕೚್ೕ_మ൰ (3.4) ∆ℎ௖௢௠௣௧ = ݊௠௘௥௚௘. ௟೘೐ೝ೒೐ ඥ௡೘೐ೝ೒೐ − ൬݊௢௕௝_ଵ. ௟೚್ೕ_భ ඥ௡೚್ೕ_భ + ݊௢௕௝_ଶ ௟೚್ೕ_మඥ௡೚್ೕ_మ൰ (3.5) Trong đó: l là chu vi của đối tượng và b là chu vi của khung chữ nhật bao quanh đối tượng. Căn cứ vào các công thức nêu trên đây, ta thấy độ bất đồng nhất của độ trơn chính là tỷ số giữa chu vi của đối tượng và độ dài của khung chữ nhật bao quanh đối tượng. Cũng theo các công thức này thì độ bất đồng nhất của độ chặt bằng tỷ số giữa chu vi của đối tượng và căn bậc hai của số pixel tạo nên đối tượng. Các trọng số Wk , Wcolor , Wshape , Wsmooth và Wcompt là các thông số mà ta có thể chọn, thay đổi để tách các đối tượng như mong muốn. Khi sự gia tăng độ bất đồng nhất f vượt quá giá trị của thông số tỷ lệ phân mảnh ảnh t mà người thực hiện thiết đặt thì quá trình gộp đối tượng ảnh sẽ dừng lại. Thông số tỷ lệ càng lớn thì phạm vi gộp các đối tượng ảnh càng rộng và kết quả vùng đối tượng được chiết xuất sẽ càng lớn [34], [35]. * Nhìn chung, quá trình thuật toán PLĐHĐT thực hiện chia làm hai giai đoạn: - Giai đoạn thứ nhất: Quá trình phân mảnh ảnh(segment). Kết quả của quá trình phân mảnh ảnh tạo ra các đối tượng ảnh. Cơ sở cho sự phân chia này dựa trên những thông số do người phân loại đặt ra ví dụ: thông số về hình dạng (shape), thông số về cấu trúc, kết cấu của đối tượng, v.v. - Giai đoạn thứ hai: Các đối tượng ảnh được chỉ định thuộc về các lớp chuyên đề (lớp thông tin) dựa theo các điều kiện đặt ra trong một bộ quy tắc do người thực hiện thiết lập ra. 3.2.3 Phương pháp nâng cao độ chính xác nhận dạng đối tượng trên ảnh UAV Đã có một số các nghiên cứu nhận dạng đối tượng trên ảnh viễn thám có độ phân giải cao và siêu cao có nhiều hơn 3 kênh phổ bằng thuật toán PLĐHĐT. Tuy nhiên với dữ liệu ảnh kỹ thuật số thu nhận từ UAV việc nhận dạng đối tượng là khó khăn nếu chỉ dựa vào giá trị độ xám của các kênh phổ, do một số đối tượng trên ảnh 64 UAV như đường đất, nhà lợp fibro xi măng, mặt nước hay nhà mái bằng và sân xi măng,.v.v. có giá trị độ xám trên các kênh phổ gần giống nhau, nếu chỉ sử dụng giá trị độ xám này và các thuộc tính khác của đối tượng trên ảnh để phân loại đối tượng thì độ chính xác nhận dạng sẽ không cao. Do vậy, trong nghiên cứu tác giả đề xuất kết hợp giá trị độ xám của ba kênh phổ (RGB), dữ liệu độ cao địa vật (DHM, DHM=DSM-DEM) và các thuộc tính khác của đối tượng nhằm để nâng cao độ chính xác chiết tách đối tượng trên ảnh. Kết quả nghiên cứu và đánh giá sẽ được trình bày trong phần thực nghiệm. 3.3 Thực nghiệm nhận dạng đối tượng trên ảnh UAV sử dụng dữ liệu DHM và các dữ liệu khác 3.3.1 Dữ liệu sử dụng Công tác thực nghiệm được tiến hành trên dữ liệu bình đồ ảnh của UAV tại khu vực thực nghiệm Vật Lại-Ba Vì-Hà Nội. Kết quả bình đồ ảnh của UAV là dữ liệu ảnh kỹ thuật số 3 kênh phổ Red, Green, Blue (RGB). Để cung cấp thêm kênh thông tin đối tượng, hướng nghiên cứu của đề tài đã đề xuất sử dụng bình đồ ảnh kết hợp với dữ liệu độ cao địa vật (DHM) được tạo ra từ thuật toán tạo DEM nhằm nâng cao độ chính xác trong công tác nhận dạng đối tượng trên ảnh. Công nghệ phần mềm eCognition và phương pháp PLĐHĐT được áp dụng trong phần thực nghiệm này. (a) (b) Hình 3.4. (a) Dữ liệu ảnh UAV và (b) Dữ liệu DHM khu vực Vật Lại-Ba Vì-Hà Nội 65 3.3.2 Quy trình nhận dạng đối tượng trên ảnh UAV sử dụng DHM và các dữ liệu khác Quy trình nhận dạng đối tượng trên ảnh UAV theo thuật toán PLĐHĐT sử dụng DHM và các dữ liệu khác bằng phần mềm eCognition được minh họa như Hình 3.5 bao gồm 6 bước chính: (1) Công tác tiền xử lý dữ liệu; (2) Phân mảnh ảnh (segmentation); (3) Thiết lập các lớp đối tượng; (4) Thiết lập bộ quy tắc và tiến hành xác định lớp cho đối tượng; (5) Định danh từng đối tượng thửa đất (6) Chiết xuất kết quả và đánh giá độ chính xác. Dữ liệu độ cao địa vật (DHM) được đưa vào ngay trong bước đầu của quy trình, mục đích cung cấp thông tin độ cao địa vật phục vụ xác định ngưỡng độ cao cho từng lớp đối tượng trong công tác thiết lập bộ quy tắc nhận dạng đối tượng. Hình 3.5 Quy trình nhận dạng đối tượng dựa vào thuật toán PLĐHĐT sử dụng DHM và các dữ liệu khác Thực nghiệm các bước trong quy trình như sau: Định danh từng đối tượng địa vật Công tác tiền xử lý dữ liệu, (Bình đồ ảnh và DHM) Phân mảnh ảnh (Segmentation) Thiết lập các lớp đối tượng Thiết lập bộ quy tắc và tiến hành xác định lớp cho đối tượng Chiết xuất kết quả và đánh giá độ chính xác 66 3.3.2.1 Công tác tiền xử lý dữ liệu Đây là công việc tạo mới một dự án (project) và hiển thị dữ liệu trên cửa sổ phần mềm. Dữ liệu được sử dụng cho công tác chiết tách đối tượng là bình đồ ảnh và dữ liệu độ cao địa vật (DHM) trong hệ quy chiếu WGS84. Một số thông tin của ảnh như: hệ thống toạ độ (Coordinate system), độ phân giải của ảnh (Resolution), các kênh ảnh,.v.v. cũng được thiết đặt trong quá trình tạo Project. Sau khi hiển thị dữ liệu, cần tiến hành trộn các kênh ảnh mục đích tăng cường chất lượng hình ảnh giúp mắt người có thể nhận biết tốt nhất đối tượng trên ảnh cần chiết tách. Việc lựa chọn các cách tăng cường chất lượng ảnh có thể ở dạng tuyến tính (Linear), dạng biểu đồ (Histogram) hoặc dạng tinh chỉnh bằng tay (Manual). 3.3.2.2 Phân mảnh ảnh Quá trình phân mảnh là quá trình xác định các đối tượng trên ảnh. Phân mảnh (segmentation) sẽ xác định được 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. Trong thực nghiệm này, thuật toán xác định các đối tượng địa lý trên ảnh được sử dụng là thuật toán phân mảnh đa độ phân giải (Multiresolution segmentation). Ở đây phần mềm tự động gán lớp cho các kênh phổ và dữ liệu DHM như sau: Layer 1 = Red ; Layer 2 = Green ; Layer 3 = Blue và Layer 4 = DHM. Các kênh phổ Red, Green, Blue tham gia vào quá trình phân mảnh ảnh nên được thiết đặt với trọng số bằng 1, dữ liệu DHM không tham gia quá trình phân mảnh ảnh nên được thiết đặt trong số bằng 0. Tiếp đến thiết đặt tham số tỷ lệ (Scale parameter), thiết đặt các tiêu chí đồng nhất về hình dạng (Shape) và độ chặt (Compactness) của đối tượng. Từ một số nghiên cứu [18], [23] và quá trình thử nghiệm, tác giả thấy rằng thiết đặt giá trị các 67 tham số Scale parameter =50, shape=0.3 và compactness = 0.7 là phù hợp nhất với ảnh UAV có độ phân giải siêu cao và với yêu cầu tạo lập CSDL địa hình tỷ lệ lớn. Sau khi thiết đặt các thông số, tiến hành phân mảnh sẽ nhận được kết quả phân mảnh trên Hình 3.6. Hình 3.6. Kết quả phân mảnh theo thuật toán Multiresolution segmentation với (Scale parameter =50; shape=0.3 và compactness = 0.7) Sau khi phân mảnh, cần phải xem các đặc trưng của đối tượng để tìm ra ngưỡng (Threshold) cho quá trình nhận dạng đối tượng ảnh. Mỗi đối tượng ảnh có chứa những thông tin thuộc tính. Các thông tin thuộc tính này có thể là các thông tin về giá trị độ xám của các kênh phổ, độ sáng, hình dạng, vị trí, cấu trúc, diện tích, khoảng cách đến đường biên bên phải, đường bên bên trái của ảnh, v.v. 3.3.2.3 Thiết lập các lớp đối tượng Tùy thuộc vào mức độ chiết tách thông tin với độ chính xác đến đâu mà thiết lập các lớp cho công tác phân loại chi tiết hay không. Với dữ liệu ảnh UAV có độ phân giải rất cao cỡ 3cm và với yêu cầu mức độ chiết tách thông tin phục vụ thành lập CSDL địa hình tỷ lệ lớn, ta có thể thiết lập bảng lớp đối tượng chi tiết để chiết tách các thông tin chính xác hơn. 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. 68 3.3.2.4. Thiết lập bộ quy tắc và tiến hành xác định lớp cho đối tượng Bộ quy tắc (Rule set) bao gồm các thuật toán phân mảnh ảnh (Segment), các thuật toán phân loại đối tượng ảnh, cũng như các thuật toán kiểm tra thông tin đối tượng ảnh, nhập dữ liệu, xuất dữ liệu, v.v. được thiết lập trên cửa sổ Process Tree. Việc thiết lập được bộ quy tắc này đòi hỏi người phân tích ảnh phải có rất nhiều hiểu biết khác nhau như: Với dữ liệu ảnh khu vực thực nghiệm, bộ quy tắc được xây dựng dựa trên các chỉ số về giá trị độ xám (Mean), độ lệch chuẩn (standard deviation); chỉ số màu sắc (Hue, Saturation, Intensity), chỉ số về hình dạng (Geometry), chỉ số về vị trí (Position), và chỉ số về mối quan hệ với các đối tượng gần bên (Relations to neighbor object). Do dữ liệu ảnh UAV chỉ có 3 kênh phổ Red, Green và Blue. Các đối tượng trên ảnh có độ tương phản khá giống nhau, hay nói một cách khác là biểu đồ màu sắc của các đối tượng khá đồng đều. Do vậy để chiết tách được các đối tượng một cách chính xác nhất, đòi hỏi cần phải có dữ liệu khác hỗ trợ, cụ thể chỉ số độ cao địa vật (DHM) đã được đưa vào ở đây để xây dựng bộ quy tắc này. 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 Kết quả phân mảnh ảnh (level_1) (Scale parameter = 50; shape = 0.3; compactness = 0.7) Nhận dạng lần 1 Đối tượng ảnh Tiêu chí 1 Tiêu chí 2 KQ nhận dạng Level_1 (Chưa nhận dạng) Standard deviation Layer 3 <= 7.35 HSI Transformation Saturation(R=Layer 1,G=Layer 2,B=Layer 3) <= 0.13 mat_nuoc mat_nuoc Mean Layer 4 >= 0.9 không nhận dạng Brightness <= 101 Brightness >= 128.5 Nhận dạng lần 2 Đối tượng ảnh Tiêu chí 1 Tiêu chí 2 KQ nhận dạng Chưa được nhận dạng + không nhận dạng HSI Transformation Saturation(R=Layer 1,G=Layer 2,B=Layer 3) >= 0.236 Mean Layer 4 >= 3 nha_mai_ton HSI Transformation Saturation(R=Layer Mean Layer 4 > 1.8 nha_fibro ximang 69 1,G=Layer 2,B=Layer 3) <= 0.061 nha_fibro ximang Mean Layer 3 <= 109 không nhận dạng Rectangular Fit <= 0.26 Chưa được nhận dạng + không nhận dạng HSI Transformation Saturation(R=Layer 1,G=Layer 2,B=Layer 3) <= 0.06 Brightness > 130 san Y distance to scene top border < 753 Pxl HSI Transformation Intensity(R=Layer 1,G=Layer 2,B=Layer 3) > 0.78 san Length\Width > 3 không nhận dạng X distance to scene right border > 1039 Pxl Mean Layer 4 > 4 Chưa được nhận dạng + không nhận dạng HSI Transformation Intensity(R=Layer 1,G=Layer 2,B=Layer 3) > 0.709 Mean Layer 4 >= 4.5 nha_tang Brightness >= 160 Mean Layer 4 >= 3 Mean Layer 2 >= 113 Mean Layer 2 <= 200 nha_ngoi nha_ngoi Mean Layer 4 >= 6.5 không nhận dạng Mean Layer 4 <= 3 X distance to scene right border > 845 Pxl Rectangular Fit <= 0.8 Nhận dạng lần 3 Đối tượng ảnh Tiêu chí 1 Tiêu chí 2 KQ nhận dạng Chưa được nhận dạng + không nhận dạng Mean Layer 1 = 4.5 cay_cao HSI Transformation Intensity(R=Layer 1,G=Layer 2,B=Layer 3) <= 0.6 thuc_vat thuc_vat Mean Layer 4 >= 0.65 Mean Layer 4 <= 0.85 không nhận dạng Nhận dạng lần 4 Đối tượng ảnh Tiêu chí 1 Tiêu chí 2 KQ phân loại Chưa được nhận dạng + không nhận dạng HSI Transformation Intensity(R=Layer 1,G=Layer 2,B=Layer 3) > 0.66 Mean Layer 4 <= 1 duong Mean Layer 1 >= 117 Mean Layer 4 <= 1.1 Rel. border to duong > 0 duong Rel. border to dat_trong > 0 dat_trong Chưa được nhận dạng HSI Transformation Saturation(R=Layer HSI Transformation Saturation(R=Layer 1,G=Layer 70 + không nhận dạng 1,G=Layer 2,B=Layer 3) >= 0.15 2,B=Layer 3) <= 0.5 Y distance to scene top border <= 650 Pxl Mean Layer 1 < 120 san_dat Brightness >= 80 Brightness <= 110 Brightness 0 thuc_vat Có thể giải thích một số chỉ số dùng để thiết lập các tiêu chí trong bộ quy tắc Bảng 3.1 như sau [48], [59], [84]: + Standard deviation: Độ lệch chuẩn ký hiệu  (sigma) và được tính theo công thức  2 1 1 N i i x x N     (3.6) Trong đó: xi là độ sáng trung bình (Brightness) của 3 kênh phổ (RGB) của pixel thứ i x là giá trị độ sáng trung bình trong 1 vùng N pixel và được tính: 1 1 N i i x x N    + Mô hình màu HSI bao gồm các chỉ số về màu sắc (Hình 3.7) Hình 3.7. Một hình nón đôi của mô hình màu HSI [84]. Cụ thể là: - Saturation (S): chỉ độ bão hòa (cường độ hay độ tinh khiết của màu) và ܵுௌூ = ቊ0 ݊ếݑ ܫ = 01 − ௠ ூ ݊ếݑ ܫ  0ቋ với m = min (R,G,B) độ sắc nét của màu. 71 - Hue (H): chỉ tên màu sắc , H() [00 , 3600] với  = 00 thì H là màu đỏ;  = 1800 thì H là màu lục lam;.v.v. - Intensity (I): Cường độ sáng, I[0,1] và ܫ = 1/3 (ܴ + ܩ + ܤ) với: R, G, B [0,1]. Cường độ sáng I = 0 tương đương với màu đen, I = 1 tương đương với màu trắng. Hình 3.8. Sơ đồ khái quát quá trình nhận dạng theo lớp đối tượng với tiêu chí trên Bảng 3.1 Phân mảnh ảnh (shape=0.3; compactness=0.7) Nhận dạng lần 1 Mat_nuoc Không nhận dạng Nhận dạng lần 2 nha_fibro ximang; nha_mai_ton; san, nha_tang; nha_ngoi Không nhận dạng Chưa được nhận dạng Chưa được nhận dạng Nhận dạng lần 3 cay_cao; thuc_vat Không nhận dạng Chưa được nhận dạng Nhận dạng lần 4 duong; dat_trong; san_dat; thuc_vat 72 Quá trình nhận dạng theo đối tượng với các tiêu chí trên Bảng 3.1 cũng có thể khái quát hóa theo sơ đồ như Hình 3.8. Dưới đây là kết quả nhận dạng đối tượng theo từng lớp trên ảnh khu vực Vật Lại khi có sự tham gia của các kênh phổ Red, Green, Blue và thông tin độ cao địa vật DHM (Hình 3.9) . 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 3.3.2.5 Định danh từng đối tượng địa vật Đối tượng được nhận dạng trên ảnh UAV bằng thuật toán PLĐHĐT là các mảnh ảnh liền kề có các giá trị ngưỡng về độ xám, độ cao,.v.v. giống nhau được thiết lập trong bộ quy tắc nhận dạng. Quá trình định danh đối tượng chính là quá trình gộp các mảnh ảnh thành một đối tượng hoặc phân nhỏ mảnh ảnh thành nhiều đối tượng. Kết quả gộp đối tượng được trình bày trong Hình 3.10, trong đó các đối tượng nhỏ liền nhau thuộc cùng một lớp sẽ được gộp lại hoặc tách ra. Mỗi đối tượng được định danh sẽ là một đối tượng địa lý được nhận dạng trên ảnh UAV. 73 Hình 3.10. Gộp mảnh ảnh từ kết quả nhận dạng đối tượng theo lớp Các đối tượng này sau đó được chuyển sang dạng Vector như Shapefile, để có thể đưa vào cơ sở dữ liệu dạng thông tin địa lý. Trong phần thực nghiệm này, kết quả được đưa sang dạng Vector dưới dạng Shapfile và thể hiện trên Hình 3.10. Dưới đây là kết quả chiết tách đối tượng sau khi chuyển sang ArcGis. (a) (b) (c) (d) 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. 74 3.3.2.6 Đánh giá độ chính xác Để đánh giá độ chính xác nhận dạng đối tượng theo thuật toán PLĐHĐT trên ảnh của UAV ba kênh phổ (RGB) kết hợp với DHM, tác giả đã tiến hành véc tơ hóa ảnh UAV khu vực thực nghiệm để làm dữ liệu tham chiếu và đồng thời cũng tiến hành nhận dạng đối tượng trên cùng mẫu ảnh khi không sử dụng dữ liệu DHM. Kết quả so sánh độ chính xác nhận dạng đối tượng dựa trên hai phương diện là: đánh giá trực quan và đánh giá định lượng. A. Đánh giá trực quan Hình 3.12 là các kết quả véc tơ hóa ảnh tham chiếu, kết quả nhận dạng đối tượng trên ảnh (RGB) của UAV kết hợp với DHM và trên ảnh (RGB) của UAV khi không kết hợp với DHM trên cùng khu vực thực nghiệm. (a) (b) (c) (d) 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. 75 Từ kết quả trên Hình 3.12, có thể thấy rằng khi so sánh với kết quả véc tơ hóa cùng khu vực thì kết quả nhận dạng đối tượng trong trường hợp kết hợp bình đồ ảnh với DHM có độ chính xác hơn rất nhiều so với trường hợp nhận dạng đối tượng ảnh UAV khi không có sự hỗ trợ thông tin độ cao đối tượng (DHM). Với kết quả nhận dạng đối tượng khi kết hợp bình đồ ảnh với DHM (Hình 3.12(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. Nhận dạng đối tượng trên ảnh UAV trong trường hợp không kết hợp bình đồ ảnh với thông tin độ cao của DHM (Hình 3.12(c)), kết quả hình ảnh cho thấy các lớp nhận dạng nhầm lẫn rất nhiều, do một số đối tượng trên ảnh có màu sắc tương đối giống nhau, như: đường đất, sân đất, đất trống, nhà bro ximăng cũ, nhà mái ngói cũ. Các 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 DHM hỗ trợ. Tuy vậy, cả hai trường hợp nhận dạng trên vẫn còn tồn tại hạn chế chung là: Một số đối tượng như giao thông, nhà, sân, v.v. bị các đối tượng cây cao có tán rộng che phủ, ở những khu vực này đường biên của đối tượng chưa được xác định chính xác như ngoài thực tế B. Đánh giá định lượng Để đánh giá độ chính xác kết quả nhận dạng đối tượng theo thuật toán PLĐHĐT trên ảnh (RGB) của UAV kết hợp với DHM so với kết quả véc tơ hóa tham chiếu, 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 tượng được nhận dạng trên ảnh UAV, tác giả đã tiến hành chồng xếp lớp dữ liệu véc tơ hóa tham chiếu, lớp dữ liệu nhận dạng trên ảnh RGB của UAV và dữ liệu 76 nhận dạng trên ảnh RGB khi kết hợp với DHM của cùng khu vực thực nghiệm trên phần mềm ArcGis. Kết quả thống kê độ chính xác nhận dạng đối tượng theo thuật toán PLĐHĐT so với kết quả véc tơ hóa tham chiếu được thể hiện trong Bảng 3.2 và Bảng 3.3. Độ chính xác tổng thể kết quả nhận dạng đối tượng trên mỗi lớp được đánh giá bằng tổng diện tích nhận dạng đúng của từng lớp, phần trăm tổng diện tích nhận dạng đúng so với tổng diện tích được nhận dạng của mỗi lớp, phần trăm tổng diện tích nhận dạng đúng so với tổng diện tích của mỗi lớp trên ảnh tham chiếu, và phần trăm tổng diện tích nhận dạng đúng của tất cả các lớp. Với số liệu trên Bảng 3.2 và Bảng 3.3 ta thấy rằng khi kết hợp ảnh (RGB) của UAV với dữ liệu độ cao địa vật (DHM), các lớp đối tượng trên ảnh sẽ được nhận dạng chi tiết hơn và có tỷ lệ phần trăm tổng diện tích nhận dạng đúng cao hơn khi nhận dạng ảnh UAV không có sự kết hợp cùng dữ liệu DHM cụ thể như một số lớp: nhà fibro xi măng độ chính xác nhận dạng tăng từ 78.47% lên 91.68% , nhà mái ngói tăng từ 52.36% lên 85.04% , nhà mái tôn tăng từ 82.44% lên 97.16 , mặt nước tăng từ 87.16% lên 95.06% . + Đánh giá độ chính xác các đối tượng nhận dạng độc lập Để đánh giá kết quả nhận dạng có thể sử dụng nhằm thay thế cho công tác số hóa một số đối tượng trên ảnh hay không, tác giả đã thực hiện chồng xếp lớp đối tượng cùng tên và tiến hành thống kê số lượng đối tượng được nhận dạng so với kết quả véc tơ hóa trên ảnh, đồng thời đánh giá sai số vị trí điểm trên đường biên tương ứng trên hai đối tượng cùng tên theo tiêu chuẩn kỹ thuật bản đồ địa hình tỷ lệ 1/2000. Phương pháp đánh giá này được thực hiện trên một số lớp là đối tượng độc lập có độ chính xác nhận dạng trên 85% như nhà mái tôn, mặt nước, nhà ngói, nhà tầng, nhà fibro xi măng. Kết quả nhận dạng các đối tượng độc lập được so sánh về hình dạng và vị trí của chúng so với kết quả số hóa từ ảnh trên các Hình 3.13 đến Hình 3.17. 77 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 78 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 79 (a) Đối tượng số hóa (b) Đối tượng nhận dạng (c) Chồng xếp đối tượng Hình 3.13. Kết quả nhận dạng đối tượng nhà mái tôn so với dữ liệu số hóa (a) Đối tượng số hóa (b) Đối tượng nhận dạng (c) Chồng xếp đối tượng Hình 3.14. Kết quả nhận dạng đối tượng mặt nước so với dữ liệu số hóa (a) Đối tượng số hóa (b) Đối tượng nhận dạng (c) Chồng xếp đối tượng Hình 3.15. Kết quả nhận dạng đối tượng nhà tầng so với dữ liệu số hóa (a) Đối tượng số hóa (b) Đối tượng nhận dạng (c) Chồng xếp đối tượng Hình 3.16. Kết quả nhận dạng đối tượng nhà mái ngói so với dữ liệu số hóa 80 (a) Đối tượng số hóa (b) Đối tượng nhận dạng (c) Chồng xếp đối tượng Hình 3.17. Kết quả nhận dạng đối tượng nhà fibro xi nămg so với dữ liệu số hóa Từ kết quả nhận dạng đối tượng và dữ liệu số hóa, tác giả đã tiến hành 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 bản đồ địa hình 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 3.13 Bảng 3.5. Kết quả thống kê và độ chính xác nhận dạng đối tượng trên Hình 3.14 STT Đối tượng số hóa Đối tượng nhận dạng Sai số vị trí điểm lớn nhất (m) Kết luận (Có thể thay thế/ Không) 1 nha_ton nha_mai_ton 0.53 Có thể thay thế 2 nha_ton nha_mai_ton 1.00 Có thể thay thế 3 nha_ton nha_mai_ton 0.36 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 Có thể thay thế 7 nha_ton nha_mai_ton 0.22 Có thể thay thế STT Đối tượng số hóa Đối tượng nhận dạng Sai số vị trí điểm lớn nhất (m) Kết luận (Có thể thay thế/ Không) 1 mat_nuoc 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 mat_nuoc 1.12 Có thể thay thế 81 Bảng 3.6. Kết quả thống kê và độ chính xác nhận dạng đối tượng trên Hình 3.15 Bảng 3.7. Kết quả thống kê và độ chính xác nhận dạng đối tượng trên Hình 3.16 Từ các kết quả so sánh trên, ta nhận thấy đối tượng nhà mái tôn được nhận dạng tốt nhất, các đối tượng được nhận dạng có độ chính xác cao về số lượng, cấu trúc hình dạng và đều đạt giới hạn về sai số vị trí điểm đường biên. Một số đối tượng mặt nước có cấu trúc hình dạng và sai số vị trí điểm trên đường biên lớn là do đường mép nước của các đối tượng này không rõ ràng, chúng bị che khuất bởi thực phủ ven bờ. Kết quả nhận dạng những đối tượng này sẽ không sử dụng để thay thế cho kết quả số hóa. Với các đối tượng nhà tầng, nhà mái ngói và nhà fibro xi măng, ngoài những đối tượng nhận dạng đúng và chính xác về cấu trúc hình dạng, đôi khi còn một số đối tượng bị nhận dạng nhầm hoặc không nhận dạng, có sai số vị trí điểm trên STT Đối tượng số hóa Đối tượng nhận dạng Sai số vị trí điểm lớn nhất (m) Kết luận (Có thể thay thế/ Không) 1 nha_tang nha_tang 0.49 Có thể thay thế 2 nha_tang 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 nha_tang 2.90 Không 6 nha_tang nha_tang 0.72 Có thể thay thế 7 nha_tang nha_tang 1.98 Không 8 nha_tang 9 nha_tang 10 nha_tang STT Đối tượng số hóa Đối tượng nhận dạng Sai s

Các file đính kèm theo tài liệu này:

  • pdfluan_an_nghien_cuu_phuong_phap_nhan_dang_tu_dong_mot_so_doi.pdf
Tài liệu liên quan