Nghiên cứu kết hợp thuật toán MCC và K-means trong phân loại đám mây điểm LiDAR

Bài viết tập trung vào nghiên cứu cách kết hợp thuật toán MCC và K-means nhằm tối ưu hơn trong bài toán phân loại đám mây điểm LiDAR để từ đó có thể sử dụng điểm sau phân loại vào bài toán khảo sát bề mặt của khu vực đo.
Nội dung trích xuất từ tài liệu:
Nghiên cứu kết hợp thuật toán MCC và K-means trong phân loại đám mây điểm LiDAR Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XI về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 09-10/8/2018 DOI: 10.15625/vap.2018.00050 NGHIÊN CỨU KẾT HỢP THUẬT TOÁN MCC VÀ K-MEANS TRONG PHÂN LOẠI ĐÁM MÂY ĐIỂM LIDAR Nguyễn Thị Hữu Phương1, Đặng Văn Đức2, Nguyễn Trường Xuân1, Trần Mạnh Trường2 1 Khoa Công nghệ thông tin, Trường Đại học Mỏ - Địa chất 2 Viện Công nghệ thông tin, Viện Hàn lâm Khoa học và Công nghệ Việt Nam nguyenphuong85.nb@gmail.com, dvduc@ioit.ac.vn, nguyentruongxuan@humg.edu.vn, tmtruong@ioit.ac.vn TÓM TẮT: Năm 2007, nhóm tác giả Jeffrey S.Evans và Andrew T.Hudak đã đề xuất thuật toán MCC (Multiscale Curvature Classification) để phân loại tự động đám mây điểm thành hai lớp mặt đất và không mặt đất. Trong quá trình phân loại, nhóm tác giả chỉ ghi nhận những điểm thuộc lớp mặt đất để tiến hành tạo DEM cho khu vực khảo sát, nhóm điểm không mặt đất bị loại bỏ, trong khi đây là nhóm điểm có chứa nhiều thông tin có ích về bề mặt không gian của khu vực khảo sát. Với mong muốn có thể thu thập và ghi nhận những thông tin có ích trong nhóm điểm trên, bài báo tập trung vào nghiên cứu cách kết hợp thuật toán MCC và K-means nhằm tối ưu hơn trong bài toán phân loại đám mây điểm LiDAR để từ đó có thể sử dụng điểm sau phân loại vào bài toán khảo sát bề mặt của khu vực đo. Từ khóa: MCC, K-Means, LiDAR, đám mây điểm. ĐẶT VẤN ĐỀ Công nghệ LiDAR là một công nghệ tiên tiến hàng đầu trong hệ thống các công nghệ thu thập dữ liệu không gian trên thế giới. Với khả năng trực tiếp thu nhận đám mây điểm 3D với hộ chính xác cao, LiDAR được áp dụng rộng rãi trong việc thành lập mô hình số độ cao (Digital Elevation Model - DEM) của bề mặt địa hình, dựa vào đó có thể theo dõi được dòng chảy của nước hay giám sát di chuyển khối, thành lập bản đồ và viễn thám. Công nghệ LiDAR là sự phát triển và ứng dụng các thiết bị laser, định vị vệ tinh và đo quán tính để thu thập dữ liệu địa lý trên bề mặt trái đất. So sánh với các phương pháp thu nhận và xử lý trắc địa ảnh truyền thống, xử lý dữ liệu LiDAR dễ dàng hơn, thành lập chính xác mô hình DEM. Hơn thế nữa, xung laser có thể xuyên qua các địa hình, địa vật như lá, mặt đất dưới tán cây. LiDAR là kỹ thuật viễn thám quang học chủ động, thu nhận thông tin về đối tượng bằng cách truyền chùm tia laser đến đối tượng cần khảo theo các tuyến khảo sát cụ thể. Sự phản xạ của chùm tia laser từ đối tượng được phát hiện và phân tích bởi bộ thu nhận trong bộ cảm biến LiDAR. Những bộ thu nhận này sẽ ghi lại chính xác thời gian từ khi xung laser được phát ra đến khi trở về để tính khoảng cách giữa cảm biến và mục tiêu. Kết hợp với thông tin về vị trí từ thiết bị GPS, những phép đo khoảng cách này sẽ được chuyển thành các phép đo ba chiều thực tế của mục tiêu phản xạ trong không gian đối tượng (ESRI, 2018). Công nghệ LiDAR có thể tạo ra được đám mây điểm lớn chứa nhiều thông tin có giá trị về khu vực đo vẽ, khảo sát. Đám mây điểm là tập hợp các điểm đại diện cho hình dạng và đặc trưng 3D. Mỗi điểm có bộ toạ độ (X, Y, Z) và trong một số trường hợp có các đặc trưng bổ sung thêm. Đám mây điểm có nguồn gốc từ dữ liệu thô được quét từ các đối tượng vật lý trên bề mặt Trái đất như toà nhà, cây cối, nhà máy, đường dây điện, …. Một đám mây điểm thường rất lớn từ hàng chục nghìn đến hàng chục triệu điểm. Do đó, để có thể sử dụng đám mây điểm vào các mục đích như thành lập DEM/DTM phải tiến hành phân loại đám mây điểm thành các lớp chuyên biệt như lớp mặt đất, không mặt đất, lớp nhà cao tầng, …. (Knowlegde Center, 2015) Với bài toán phân phân loại đám mây điểm LiDAR, đã có nhiều nhà khoa học trên thế giới nghiên cứu và đã có những thành công nhất định. Như trong nghiên cứu của nhóm tác giả (Borja Rodriguez - Cuenca, nnk, 2015) đã sử dụng thuật toán phát hiện điểm để phát hiện và phân loại các đối tượng đô thị và cây cối từ dữ liệu 3D MLS (Mobile Laser Scanning) và TLS. Phương pháp bao gồm cả việc phân đoạn tự động để loại bỏ đi những phần không liên quan đến quá trình phân đoạn dọc đối tượng. Những đối tượng này được phân đoạn bằng thuật toán RX và sau đó được phân cụm để chia lớp đối tượng thành các lớp như cây cối, hồ nhân tạo,…. Hay trong nghiên cứu (A.Brzank, C.Heipke, 2005), đã đưa ra phương pháp mới để phân loại dữ liệu LiDAR thành các điểm mặt nước và mặt đất. Những điểm đo sẽ được phân loại theo đường quét và trong nghiên cứu này các tác giả cũng áp dụng logic mờ trong việc xác định những giá trị thành viên cho mỗi điểm thuộc về lớp mặt nước. Sau đó, phép phân loại sẽ phát hiện và làm chính xác bằng cách so sánh độ cao khác nhau giữa những điểm gần mặt nước và không phải mặt nước. Trong khi đó, các nghiên cứu (Suresh K. Lodha và nnk., 2003), (Yu chuan chang và nnk., 2008, (Zhuqiang Li và nnk., 2016) cũng đã đưa ra những phương pháp và thuật toán để phân loại đám mây điểm LiDAR nhằm trích xuất ra thông tin phục vụ cho quá trình nghiên cứu. Năm 2007, hai tác giả J. Evans và T. Hudak đã đề xuất thuật toán phân loại đám mây điểm LiDAR dựa trên miền cong đa tỉ lệ MCC (Multiscale Curvature Classification), sau phân loại đám mây điểm sẽ được phân thành hai lớp điểm mặt đất (ground) và không mặt đất (non-ground). Nhóm tác giả sử dụng nhóm điểm mặt đất để thành lập DEM của khu vực khảo sát, trong khi đó, nhóm điểm không mặt đất bị loại bỏ, nhưng đây lại là nhóm điểm chứa nhiều thông tin có ích về khu vực khảo sát. Với mong muốn thu nhận và phân loại nhóm điểm không mặt đất bị loại bỏ trong thuật toán MCC, nhóm tác giả đã áp dụng thuật toán K-means cho nhóm điểm này. Thuật toán K-means là thuật toán phân 380 NGHIÊN CỨU KẾT HỢP THUẬT TOÁN MCC VÀ K-MEANS TRONG PHÂN LOẠI ĐÁM MÂY ĐIỂM LIDAR cụm phổ biến, t ...