Đặt vấn đề

Phân đoạn dữ liệu là quá trình thực hiện việc phân chia dữ liệu thành từng nhóm khác nhau dựa trên sự tương đồng về đặc trưng của dữ liệu. Kết quả của phân đoạn dữ liệu giúp chúng ta phân chia dữ liệu thành các nhóm nhỏ để dễ dàng thu thập và trích xuất thông tin chi tiết cụ thể và chính xác hơn [1]. 

LiDAR là công nghệ thu thập thông tin về đối tượng trên bề mặt Trái đất sử dụng tia quét laser. Dữ liệu thu được từ quá trình quét này ta sẽ có đám mây điểm với các đặc trưng như tọa độ (x, y), độ cao (z), cường độ phản xạ (intensity), giá trị độ xám,... Với mỗi đối tượng trên bề mặt khác nhau sẽ cho những giá trị đặc trưng riêng. Dựa vào những đặc trưng này giúp ta phân biệt và phân tách được đối tượng trong đám mây điểm thường có số lượng điểm rất lớn lên đến hàng trăm triệu điểm. 

Các đặc trưng của đám mây điểm LiDAR thường được sử dụng trong các bài toán xử lý dữ liệu LiDAR như phân cụm, phân loại, phân đoạn như sau [2]:

Dựa trên cường độ phản xạ (intensity – based): Một số thiết bị quét LiDAR thu nhận được cường độ ánh sáng phản hồi tại mỗi điểm. Thông tin này có thể được sử dụng để phân loại các điểm theo độ phản xạ hoặc đặc điểm bề mặt của chúng, chẳng hạn như phân biệt giữa thảm thực vật, đường nhựa hoặc các tòa nhà.

Dựa trên hình học (geometry – based): Đặc trưng hình học của điểm sử dụng vị trí và mối quan hệ không gian của các điểm để xác định các đối tượng. Đặc trưng này thường sử dụng trong các thuật toán phân tích mật độ điểm, hình dạng và cấu trúc của các điểm để xác định bề mặt, cạnh hoặc những thay đổi đột ngột về địa hình.

Dựa trên màu sắc (color – based): Trong một vài trường hợp, đám mây điểm LiDAR được bổ sung thêm màu sắc để thực hiện phân loại các điểm dựa trên hình thái màu sắc của chúng. Các bài toán ứng dụng như lập bản đồ đô thị.

Dựa trên các đặc trưng bổ sung: Tùy thuộc vào công nghệ quét, đặc trưng thu thập được như độ xám, nhiệt độ hoặc kết cấu có thể được cung cấp. Những đặc trưng này được sử dụng để phân loại điểm theo các thuộc tính cụ thể liên quan đến ứng dụng được đề cập.

Bằng cách sử dụng các đặc trưng này trong bài toán phân đoạn và phân loại các điểm trong đám mây điểm, ta có thể rút ra được những thông tin rất có giá trị phục vụ các ứng dụng như quản lý nước mặt, lập bản đồ đô thị, lập mô hình lũ lụt, phân loại bề mặt và các dự án kỹ thuật.

Nội dung nghiên cứu

Phân đoạn đám mây điểm LiDAR: Phân đoạn là bước cơ bản trong xử lý các đám mây điểm 3D. Phân đoạn hoặc phân đoạn ngữ nghĩa đám mây điểm là một quá trình gán từng điểm trong đám mây điểm với một nhãn ngữ nghĩa như cây, người, đường, phương tiện, đại dương hoặc tòa nhà [3]. Phân đoạn đám mây điểm 3D là quá trình phân chia các đám mây điểm thành nhiều vùng đồng nhất, các điểm trong cùng một vùng sẽ có những thuộc tính giống nhau [4]. Các vùng này tương ứng với các cấu trúc hoặc đối tượng cụ thể trong đám mây điểm. Đây là cách tiếp cận chính để phân đoạn ngữ nghĩa đám mây điểm [3].

Tuy nhiên, quá trình phân đoạn điểm gặp nhiều khó khăn do số lượng điểm trong đám mây điểm LiDAR cao, mật độ bay quét không đồng đều và thiếu cấu trúc rõ ràng của dữ liệu đám mây điểm. Bài toán này có nhiều ứng dụng trong chế tạo robot như xe thông minh, lập bản đồ tự động và điều hướng [4].

Các thuật toán phân đoạn đám mây điểm chủ yếu tập trung dựa vào các quy tắc nghiệm ngặt thông qua ràng buộc hình học và các quy tắc thống kê. Các bước chính của phân đoạn nhằm mục đích nhóm các điểm LiDAR thô thành các vùng không chồng chéo nhau. Các vùng đó tương ứng với các vùng cấu trúc cụ thể hoặc đối tượng trong đám mây điểm [5]. 
Sử dụng đặc trưng điểm trong bài toán phân đoạn đám mây điểm LiDAR: Đám mây điểm LiDAR được thu nhận, ngoài thông tin về tọa độ và độ cao của điểm được sử dụng, trong bài báo này những đặc trưng của đám mây điểm LiDAR được nghiên cứu với bài toán phân đoạn bao gồm:

Mật độ điểm (point density): Đây là một đặc trưng quan trọng của dữ liệu đám mây điểm. Khi sử dụng thông tin tối đa các đặc trưng mật độ là mục tiêu chung của phân đoạn và trích xuất thông tin đối tượng trong đám mây điểm. Mật độ điểm có thể được định nghĩa là số lượng đám mây điểm trong một khu vực được lấy mẫu chia cho bề mặt mặt đất [6].

Cường độ phản xạ của điểm: Mỗi điểm trên bề mặt luôn có cường độ phản xạ khác nhau với tia quét laser. Giá trị cường độ phản xạ thường được thu thập sẵn trong bộ dữ liệu thu được từ LiDAR có thể cung cấp nhiều thông tin có giá trị với bài toán phân đoạn và gán nhãn. Cường độ phản xạ đo tỷ lệ lượng bức xạ được gửi tới bề mặt đối tượng so với lượng phản hồi mà thiết bị LiDAR thu nhận được. Cường độ phản xạ được sử dụng để phân đoạn đối tượng hoặc cấu trúc có thể cải thiện tổng thể hiệu suất của các loại ứng dụng khác nhau như điều khiển ô tô tự hành, phân tích nông nghiệp, phân tích thời tiết, phân tích khu vực nguy hiểm, phát hiện loại bề mặt địa hình [7]. 

Số tia phản xạ (Return Number): Khi một xung laser được gửi và quay trở lại cảm biến LiDAR, xung này có thể tách ra và trở lại nhiều lần tạo ra nhiều tia phản xạ. Thông tin này được thu thập cùng với dữ liệu LiDAR và được lưu dưới dạng thuộc tính số trả về. Các bề mặt rắn như mặt đất hoặc các tòa nhà có nhiều khả năng được tạo thành từ các phản hồi đơn lẻ, trong khi cây cối có cấu trúc cho phép xung bị chia tách khỏi chùm tia do có nhiều cành và lá tạo ra nhiều phản hồi [8].

Quy trình phân đoạn đám mây điểm LiDAR sử dụng các đặc trưng điểm được thực hiện như trong ảnh 1 dưới đây:

Trong quy trình, việc nhận dạng điểm mặt đất được thực hiện ngay sau bước trích xuất đặc trưng điểm nhằm phân tách nhóm điểm mặt đất và nhóm điểm không mặt đất. Từ đó, dễ dàng áp dụng và thực hiện phân đoạn điểm không mặt đất.

Kết quả thử nghiệm

Dữ liệu thử nghiệm: Bộ dữ liệu thử nghiệm cho phương pháp đề xuất tại khu vực nội thành của TP. Hà Nội, dữ liệu được thu thập bởi công nghệ LiDAR hàng không, trên một diện tích 0.6 km2, thời gian thu nhận là 8/2019. Thông tin về metadata của bộ dữ liệu được thể hiện trong bảng 1, đám mây điểm trước phân loại được thể hiện trong Hình 1.

Hình 1: Quy trình phân đoạn đám mây điểm LiDAR sử dụng đặc trưng điểm

Bảng 1: Thông tin về bộ dữ liệu

Kết quả

Thực hiện phân đoạn đám mây điểm LiDAR được kết quả trong các hình ảnh dưới đây:

Hình 2: Thông tin độ cao và cường độ phản xạ của đám mây điểm được trích xuất

Thực hiện tách các điểm thuộc nhóm mặt đất và hiển thị thành màu xám đậm như trong hình ảnh dưới đây:

Hình 3: Nhóm điểm mặt đất được hiển thị và gán nhãn trong đám mây điểm

Hình 3: Nhóm điểm mặt đất được hiển thị và gán nhãn trong đám mây điểm

Hình 5: Nhóm điểm không mặt đất sau khi được phân loại

Đánh giá và kết luận

Đám mây điểm LiDAR với nhiều thông tin có giá trị về các đối tượng trên bề mặt trái đất. Từ những thông tin này, ta có thể ứng dụng cho nhiều bài toán khác nhau, điều quan trọng là lựa chọn được thông tin phù hợp và các điểm trong đám mây điểm cần được gán nhãn một cách chính xác. Trong bài báo này, nhóm tác giả đã sử dụng những đặc trưng thu được trong quá trình thu thập dữ liệu trong bài toán phân đoạn đám mây điểm LiDAR. Điểm được phân thành các nhóm điểm có cùng đặc trưng và được gán nhãn, sau đó được hiển thị 3D. Từ kết quả phân đoạn và gán nhãn điểm này, ta có thể sử dụng cho các bài toán như phân tích bề mặt, nhận dạng đối tượng trên bề mặt, xe tự hành,…

Tài liệu tham khảo

1. M. Gibbons, "What Is Data Segmentation, and Why Do You Need It?," WebFX, 2023. [Online]. Available: https://webfx.com/blog/marketing/ data-segmentation/;

2. C. t. Build, "Point clouds: all you need to know," 2023. [Online]. Available: https://checktobuild.com/point-clouds- all-you-need-to-know/#auto-popup;

3. MathWorks, "Semantic Segmentation in Point Clouds Using Deep Learning," 2024. [Online]. Available: https://www. mathworks.com/ help/lidar/ug/sematic- segmentation-with-point-clouds.html;

4. C. Vision, "Point Cloud Segmentation," [Online]. Available: https://paperswithcode.com/task/ point-cloud-segmentation;

5. J. T. X. X. Z. Yuxing Xie, "Linking Points With Labels in 3D: A Review of point cloud semantic segmentation," IEE Geoscience and Remote Sensingn Magazine, 2020;

6. Z. Z. Wenbo Zhao Qing Dong, "A point cloud segmentation method for power lines and towers based on a combination of multiscale density features and point-based deep learning," International Journal of Digital Earrth, vol. 16, no. 1, 2023;

7. K. P. Akin Tatoglu, "Point Cloud Segmentation with LIDAR Reflection Intensity Behavior," IEEE Xplore, 2010;

8.M. Mills, "Point Cloud Segmentation Analysis in Global Mapper Pro," Blue Marble Geographics, 2021. [Online]. Available: https://www.bluemarblegeo.com/ blog/point-cloud-segmentation-analysis-in-global-mapper-pro/.

NGUYỄN THỊ HỮU PHƯƠNG
Khoa Công nghệ thông tin, Trường Đại học Mỏ - Địa chất
Nguồn: Tạp chí Tài nguyên và Môi trường số 10 năm 2024