I. Tổng quan về phân loại dữ liệu đám mây điểm LiDAR
Chương này giới thiệu tổng quan về công nghệ LiDAR và phương pháp phân loại dữ liệu đám mây điểm (ĐMĐ) LiDAR. Các khái niệm cơ bản về kiến trúc hệ thống LiDAR, hoạt động của LiDAR, và đặc trưng dữ liệu LiDAR được trình bày chi tiết. Bài toán phân loại dữ liệu ĐMĐ LiDAR được đặt ra với mục tiêu tối ưu hóa việc sử dụng dữ liệu LiDAR trong các ứng dụng thực tế như thành lập mô hình số địa hình (DTM), mô hình số độ cao (DEM), và mô hình số bề mặt (DSM).
1.1. Kiến trúc hệ thống LiDAR
Hệ thống LiDAR bao gồm các thành phần chính như máy phát laser, hệ thống định vị vệ tinh (GNSS), và hệ thống đo quán tính (INS). LiDAR hoạt động bằng cách phát tia laser tới bề mặt đối tượng và thu nhận tia phản xạ để tính toán khoảng cách và tọa độ không gian. Dữ liệu LiDAR được thu thập dưới dạng đám mây điểm (ĐMĐ), mỗi điểm được xác định bởi tọa độ (x, y, z) và cường độ phản xạ.
1.2. Bài toán phân loại dữ liệu ĐMĐ LiDAR
Bài toán phân loại dữ liệu ĐMĐ LiDAR nhằm mục đích phân loại các điểm trong ĐMĐ thành các lớp như điểm mặt đất, điểm thực vật, điểm công trình xây dựng, và điểm trên mặt nước. Việc phân loại này giúp tăng độ chính xác của các mô hình số và hỗ trợ các ứng dụng như quản lý đất đai, khảo sát địa hình, và mô phỏng 3D. Các phương pháp phân loại truyền thống thường tốn nhiều thời gian và có độ chính xác không cao, do đó cần phát triển các thuật toán tự động để cải thiện hiệu quả.
II. Phát triển thuật toán nâng cao chất lượng phân loại ĐMĐ LiDAR
Chương này tập trung vào việc cải tiến các thuật toán EM (Expectation Maximization) và MCC (Multiscale Curvature Classification) để nâng cao chất lượng phân loại ĐMĐ LiDAR. Các thuật toán này được thử nghiệm trên các bộ dữ liệu thực tế để đánh giá hiệu quả và độ chính xác. Kết quả cho thấy các thuật toán cải tiến có khả năng phân loại chính xác hơn so với các phương pháp truyền thống.
2.1. Cải tiến thuật toán EM
Thuật toán EM được cải tiến để tăng độ chính xác trong việc phân loại các điểm trong ĐMĐ LiDAR. Cải tiến này bao gồm việc tối ưu hóa quá trình tính toán và cập nhật các tham số của mô hình. Kết quả thử nghiệm cho thấy thuật toán EM cải tiến có khả năng phân loại chính xác các điểm mặt đất và điểm thực vật với độ chính xác cao hơn so với phiên bản gốc.
2.2. Cải tiến thuật toán MCC
Thuật toán MCC được cải tiến để xử lý các điểm nhiễu và tăng độ chính xác trong việc phân loại các điểm trong ĐMĐ LiDAR. Cải tiến này bao gồm việc sử dụng các phương pháp lọc nhiễu và tối ưu hóa quá trình phân loại. Kết quả thử nghiệm cho thấy thuật toán MCC cải tiến có khả năng phân loại chính xác các điểm công trình xây dựng và điểm trên mặt nước với độ chính xác cao hơn so với phiên bản gốc.
III. Ứng dụng dữ liệu LiDAR sau phân loại
Chương này trình bày các ứng dụng thực tế của dữ liệu LiDAR sau khi được phân loại. Các ứng dụng bao gồm phân loại lớp phủ bề mặt khu vực đô thị và tạo bộ dữ liệu đầu vào cho hệ thống hỗ trợ quyết định (DSS) trong quản lý đất đai. Kết quả cho thấy dữ liệu LiDAR sau phân loại có thể được sử dụng hiệu quả trong các bài toán thực tế.
3.1. Phân loại lớp phủ bề mặt khu vực đô thị
Dữ liệu LiDAR sau phân loại được sử dụng để phân loại lớp phủ bề mặt khu vực đô thị. Kết quả cho thấy việc sử dụng dữ liệu LiDAR sau phân loại giúp tăng độ chính xác trong việc xác định các lớp phủ như cây cối, đường xá, và công trình xây dựng. Điều này hỗ trợ hiệu quả trong việc quản lý và quy hoạch đô thị.
3.2. Tạo bộ dữ liệu đầu vào cho DSS
Dữ liệu LiDAR sau phân loại được sử dụng để tạo bộ dữ liệu đầu vào cho hệ thống hỗ trợ quyết định (DSS) trong quản lý đất đai. Kết quả cho thấy việc sử dụng dữ liệu LiDAR sau phân loại giúp tăng độ chính xác và hiệu quả trong việc ra quyết định quản lý đất đai. Điều này hỗ trợ hiệu quả trong việc quản lý và quy hoạch đất đai.
