Norbert Haala, Michael Kolle, Dominik

Nhóm Kỹ thuật Công nghệ Công ty TNHH ANTHI Việt Nam dịch và biên soạn.

Hình 8 và 9 thể hiện sự bổ khuyết các đặc điểm của LiDAR và MVS cho các điểm 3D tại những vị trí khác nhau trên khu vực triển khai Dự án thử nghiệm. Hình 8 thể hiện các điểm đã màu hoá RGB tổng hợp bởi MVS; số liệu LiDAR chồng phủ được mã hoá màu theo cao độ tương ứng. Cuối cùng, đường màu vàng thể hiện mặt cắt ngang sử dụng để trích xuất các điểm thể hiện trong Hình 9. Những khác biệt giữa đám mây điểm tổng hợp từ MVS (màu đỏ) và từ LiDAR (màu xanh) thể hiện rõ ràng nhất ở các đối tượng cây cao, nơi mà số liệu LiDAR trả về nhiều số liệu trên một đường di chuyển của tia laser, đó chính là khả năng xuyên tán của laser cường độ cao, khả năng này cho chúng ta những tập hợp số liệu chi tiết hơn rất nhiều.

Hình 8: So sánh điểm 3D từ MVS (RGB) và LiDAR với mã màu độ cao. Đường màu vàng là mặt cắt ngang trích xuất số liệu thể hiện trong Hình 9.

Hình 9: Mặt cắt ngang với các điểm 3D từ số liệu LiDAR (xanh) và MVS (đỏ).

Các đám mây điểm trong Hình 8 và 9 là một tập hợp các điểm chưa được xếp đặt, thì các bề mặt thể hiện trong Hình 6 và 7 lại là các đối tượng hình học bao gồm các cạnh, bề mặt và hướng đảm bảo đủ thông tin để phân biệt rõ ranh giới của từng đối tượng thực tiễn. Những điểm khác nhau cơ bản giữa việc thể hiện đối tượng bằng các mặt (Meshes) và đám mây điểm (Point Cloud) là tính khả dụng về mức độ chi tiết bề mặt đối tượng (Texture) độ phân giải cao và sự suy giảm số lượng các thực thể. Điều này đặc biệt hữu dụng khi thực hiện các phép trích xuất nội suy tự động các yếu tố nội dung. Nhìn chung hầu hết các điểm đo LiDAR đều có thể liên kết với bề mặt. Nhóm tác giả của Dự án cũng sử dụng phương pháp nội suy để cải thiện chất lượng các bề mặt bằng các đối tượng LiDAR tạo ra từ việc kết hợp với các điểm tương ứng. Điều này cho phép họ tích hợp cải thiện thông tin từ hai cảm biến số liệu trong quá trình thể hiện lại chi tiết các đối tượng thực tiễn để nhận được các kết quả tốt nhất cho từng hợp phần số liệu đã thu nhận được.

Hình 10 thể hiện các bề mặt đã được gắn nhãn (Label) được đoán định bởi chức năng phân loại PointNet++ Classifier và các nhãn được chuyển đổi sang đám mây điểm LiDAR mật độ cao (bên phải), lấy mẫu cấp thấp theo yếu tố 20 để phục vụ hiển thị. Các phân lớp mã màu được sử dụng trong tập hợp số liệu gồm: Mặt trước (Facade) màu vàng; mái nhà (Roof) màu đỏ; bề mặt nội suy nâng cao màu tím; cây xanh thấp màu xanh nhạt; cây xanh trung bình và cao màu xanh đậm, phương tiện giao thông màu lục lam; ống khói và cột ăng ten màu cam và các đối tượng khác màu xám.

KẾT LUẬN

Dự án thử nghiệm này nghiên cứu và triển khai quy trình hoàn chỉnh đối với kỹ thuật tham chiếu địa lý lai (Hybrid Georeferencing), cải thiện chất lượng số liệu và phân loại đối tượng sử dụng ảnh độ phân giải siêu cao, số liệu LiDAR và số liệu đám mây điểm từ ảnh. So sánh với các phương pháp xử lý đánh giá độc lập, phương pháp định hướng và tham chiếu địa lý lai tăng cường độ chính xác từ 5cm tới nhỏ hơn 1cm. Hơn thế nữa, các bề mặt kiểm tra LiDAR trở nên không cần thiết trong quá trình xử lý số liệu, từ đó giúp giảm số lượng và thời gian cung cấp thông tin liên quan tới điểm khống chế mặt đất. Các tác giả cũng nhận thấy và sẽ triển khai bước tiếp theo bằng việc thay máy ảnh Sony Alpha bằng máy ảnh độ phân giải cao hơn nữa Phase One iXM để thu nhận các bức ảnh tốt cả về độ phân giải lẫn các yếu tố hình học khác nhằm hỗ trợ tốt hơn nữa cho quá trình tổng hợp và phân tích số liệu độ phân giải cao đủ khả năng đáp ứng những thách thức mà các ứng dụng mới đề ra.

Hình 10: Các bề mặt (trái) đã gắn nhãn và các nhãn chuyển sang đám mây điểm LiDAR (phải).

 Mọi thông tin xin liên hệ với chúng tôi qua hòm thư: info@anthi.com.vn