Tóm tắt 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

 các điểm ݌௜ (i = 1 ÷ n) này. Gọi ℎ௣ là độ cao của nền địa 
hình tại điểm p, ℎ௣ có thể được biểu diễn dưới dạng toán học như sau: 
ℎ௣ = ݂(ℎ௜,݀௜)	ݒớ݅	݅ = 	1	 ÷ 	݊ 
Trong đó: ℎଵ (i = 1 ÷ n) lần lượt là độ cao của các điểm ݌ଵ (i = 1 ÷ n) 
 ݀ଵ (i = 1 ÷ n) lần lượt là khoảng cách từ điểm p tới các điểm ݌ଵ (i = 1 ÷ n) 
Chúng ta có thể mô tả mối tương quan giữa điểm p(x,y,h) với các điểm địa hình 
xung quanh ݌௜ (i = 1 ÷ n) như trên Hình 2.2 
Hình 2.2. Mối quan hệ giữa điểm ảnh p với các điểm địa hình xung quanh. 
݌௜ (݅ = 1,݊തതതതത) có tọa độ là (ݔ௜, ݕ௜,ℎ௜), với ݔ௜ , ݕ௜ lần lượt là hàng thứ ݔ௜ và cột thứ ݕ௜. 
Như vậy, khoảng cách ݀௜ được tính theo công thức Euclid sẽ là: 
݀௜ = ݀(݌,݌௜) = ඥ(ݔ − ݔ௜)ଶ + (ݕ − ݕ௜)ଶ + (ℎ − ℎ௜)ଶ	(2.3) 
Dựa vào thuật toán nội suy độ cao theo trọng số nghịch đảo khoảng cách 
(Inverse Distance Weighting (IDW)), độ cao điểm p được tính như sau: 
w
1
w
1
n
n
hi iihp
ii


 với 1wi kdi
 (2.4) 
Trong đó: pi (i = 1 ÷ n) là các điểm xung quanh đã biết độ cao; wi là trọng số 
nghịch đảo khoảng cách; hi là độ cao điểm thứ i ; di là khoảng cách từ điểm p đến 
điểm thứ i và k là hằng số ảnh hưởng (thông thường k được lấy bằng 2). 
2.2.4 Sơ đồ thuật toán của chương trình tạo DEM từ dữ liệu DSM 
Từ các thuật toán đề xuất, tác giả xây dựng chương trình tạo DEM từ DSM theo 
quy trình dưới đây. 
-8- 
Hình 2.3. Sơ đồ thuật toán của chương trình tạo DEM từ DSM 
Để có thể tái tạo đúng dáng địa hình sau khi đã loại bỏ tập điểm độ cao địa vật ở 
những khu vực bị che khuất hoàn toàn, cần có tập điểm độ cao địa hình bổ sung ở 
những khu vực này. Sau đó tập điểm độ cao này sẽ được kết hợp với tập điểm độ cao 
địa hình được tạo ra từ DSM để thực hiện phép nội suy. 
2.3 Kết quả tạo DEM từ DSM bằng thuật toán đề xuất và đánh giá độ chính xác 
2.3.1 Kết quả tạo DEM từ DSM 
Dữ liệu DSM được sử dụng cho thử nghiệm thuật toán là kết quả sau xử lý ảnh 
UAV khu vực Vật Lại - Ba Vì - Hà Nội. Hình 2.4(a) là mẫu DSM và Hình 2.4(b) là 
kết quả DEM tạo ra từ DSM bằng thuật toán đề xuất. 
(a) Hình ảnh DSM dạng 2D và 3D (b) Hình ảnh DEM dạng 2D và 3D 
Hình 2.4. (a) Mẫu DSM thử nghiệm và (b) Kết quả DEM tạo ra từ DSM 
Và kết quả so sánh theo mặt cắt địa hình giữa DSM và DEM: 
Biểu đồ 2.1. So sánh độ cao mặt cắt địa hình DSM và DEM tạo ra. 
 Điểm ảnh so sánh độ cao trên mặt cắt địa hình 
-9- 
2.3.2 Đánh giá độ chính xác kết quả thực nghiệm 
a. Khả năng xác định các khu vực địa vật, khu vực có độ cao đột biến 
Về mặt định tính có thể nhìn thấy trên Hình 2.5(b), các khu vực địa vật và khu 
vực có độ cao đột biến được thuật toán xác định có độ chính xác cao. Về mặt định 
lượng sẽ được đề cập trong phần đánh giá kết quả DEM tạo ra ở phần sau. 
(a) 
(b) 
Hình 2.5. Kết quả xác định các khu vực địa vật, khu vực có độ cao đột biến. 
b. Khả năng tái tạo lại nền địa hình 
Từ kết quả DEM (Hình 2.4(b)) ta nhận thấy: độ chính xác, tính hợp lý hóa nền 
địa hình được khôi phục phụ thuộc tập điểm độ cao địa hình lọc từ DSM và thuật 
toán nội suy. 
c. Độ chính xác bóc tách DEM của chương trình so với kết quả đo đạc thực địa 
Để đánh giá được độ chính xác kết quả DEM tạo ra từ DSM bằng thuật toán của 
chương trình, tác giả đã tiến hành đo đạc trực tiếp địa hình tỷ lệ 1: 1000 khu vực thực 
nghiệm. 
Chênh độ cao của DEM tạo ra từ DSM so với độ cao địa hình đo đạc trực tiếp đã 
được đánh giá độ chính xác dọc theo ba mặt cắt địa hình có chiều dài trung bình 270 
mét với khoảng cách lấy mẫu độ cao là 1 mét và đánh giá độ chính xác sai số trung 
phương độ chênh cao trên toàn bề mặt DEM. 
(a) (b) (c) 
Hình 2.6. (a) Dữ liệu DSM; (b) Địa hình đo đạc trực tiếp; (c) DEM được tạo từ DSM 
+ So sánh chênh độ cao trên cùng vị trí mặt cắt 
Kết quả đo đạc trực tiếp địa hình sẽ được nội suy DEM và so sánh với DEM tạo 
ra từ DSM trên cùng vị trí của ba mặt cắt địa hình (Hình 2.6). Kết quả so sánh chênh 
độ cao tại các vị trí lấy mẫu trên các mặt cắt địa hình 1-1’; 2-2’ và 3-3’được thể hiện 
tương ứng trên Biểu đồ 2.3(a,b,c) (trong đó: trục đứng là độ cao địa hình (đơn vị 
mét); trục ngang là khoảng cách điểm lấy mẫu độ cao trên mặt cắt). 
-10- 
Biểu đồ 2.3 (a). So sánh chênh độ cao trên các mặt cắt địa hình 1-1’ 
Biểu đồ 2.3 (b). So sánh chênh độ cao trên các mặt cắt địa hình 2-2’ 
Biểu đồ 2.3 (c). So sánh chênh độ cao trên các mặt cắt địa hình 3-3’ 
Kết quả so sánh cho thấy, chênh cao giữa DEM đo trực tiếp và DEM tạo ra từ 
DSM bằng thuật toán chương trình lớn nhất trên các mặt cắt như sau: 0.62m; 0.35m; 
0.35m tương ứng trên các mặt cắt tương ứng 1-1’; 2-2’ và 3-3’ 
+ So sánh độ cao trên toàn mặt DEM 
Mẫu DEM tạo ra từ DSM của chương trình và DEM đo đạc thực địa (Hình 2.6) 
được cắt cùng vị trí với kích thước (984 x 1469) pixel với độ phân giải 0.2m. Sử dụng 
công thức tính sai số trung phương (Root mean square error (RMSE)) để tính sai số 
chênh độ cao giữa các mặt DEM như sau. 
-11- 
2( )( , ) ( , )1 1
m n DEM DEMtính i j đo i ji jRMSE
m n
   
 (2.5)
Với: m = 984 là số hàng; n = 1469 là số cột pixel trong mẫu DEM 
Kết quả tính toán sai số trung phương chênh độ cao giữa DEM tạo ra từ DSM 
theo thuật toán đề xuất so với DEM đo đạc trực tiếp trên thực địa là 0.23 m. 
Nhận xét: Độ chính xác độ cao của kết quả đo đạc trực tiếp và độ chính xác độ 
cao của DSM là hai yếu tố chính ảnh hưởng đến sai số chênh độ cao giữa DEM đo 
đạc và DEM tạo ra từ chương trình đề xuất. Có thể thấy chênh độ cao giữa DEM đo 
đạc và DEM tạo ra từ chương trình ở mặt cắt 1-1’ là lớn nhất 0.62m, có thể giải thích 
như sau: Vị trí có chênh độ cao lớn là những vị trí ao, hồ, vũng lầy có nền đất sụt lún 
không ổn định, chính vì điều này đã ảnh hưởng đến độ chính xác của kết quả đo đạc 
trực tiếp. Giá trị chênh độ cao giữa hai kết quả DEM này sẽ càng nhỏ ở những khu 
vực thoáng đãng và có nền địa hình ổn định. 
Với các kết quả trên, có thể khẳng định thuật toán của chương trình hoàn toàn áp 
dụng được để tạo DEM từ dữ liệu DSM với độ chính xác cho phép thành lập CSDL 
nền địa hình tỷ lệ trung bình và lớn (với khoảng cao đều bình độ 1m trở lên). 
Tuy nhiên thuật toán tạo DEM từ DSM do tác giả đề xuất vẫn còn có một số hạn 
chế, đó là: chưa thể tạo DEM tự động trên khu vực có địa hình dốc phức tạp mà vẫn 
cần công tác tinh chỉnh từ người sử dụng. 
Chương 3 - NGHIÊN CỨU PHƯƠNG PHÁP NÂNG CAO ĐỘ CHÍNH XÁC 
NHẬN DẠNG TỰ ĐỘNG ĐỐI TƯỢNG TRÊN ẢNH UAV 
3.1 Tổng quan về nhận dạng đối tượng ảnh 
Theo định nghĩa của Lexing Xie (2009), nhận dạng đối tượng ảnh (object 
recognition) là quá trình phân loại các đối tượng được biểu diễn theo một mô hình 
nào đó và gán chúng vào một lớp chuyên đề (gán cho đối tượng một tên gọi) dựa trên 
những quy luật và các mẫu chuẩn. 
Có 3 cách tiếp cận thường được sử dụng trong kỹ thuật nhận dạng, đó là: (1) 
nhận dạng dựa theo không gian; (2) nhận dạng dựa vào kỹ thuật mạng nơ ron và (3) 
nhận dạng theo cấu trúc đối tượng. 
Trong nhận dạng ảnh dựa theo cấu trúc đối tượng, thuật toán hay được nhắc đến 
những năm gần đây là thuật toán phân loại định hướng đối tượng (PLĐHĐT). Thuật 
toán trong PLĐHĐT không dựa trên các pixel đơn lẻ mà dựa vào toàn bộ đối tượng 
mà mắt ta có thể nhận biết được trong ảnh. Ngoài giá trị phổ của các pixel, hình dạng 
của đối tượng (shape), kiến trúc của đối tượng (texture) và mối quan hệ giữa các đối 
tượng cũng được xem xét phân tích để nhận dạng đối tượng. 
Đã có nhiều nghiên cứu cho thấy nhận dạng đối tượng theo thuật toán PLĐHĐT 
cho độ chính xác hơn nhiều so với hai phương pháp nhận dạng (1) và (2) trên ảnh có 
độ phân giải cao, siêu cao. Tuy nhiên, nghiên cứu nhận dạng đối tượng trên ảnh kỹ 
thuật số (RGB) thu nhận từ UAV thì chưa có nghiên cứu nào đề cập đến. 
-12- 
Do vậy, nghiên cứu nâng cao độ chính xác nhận dạng đối tượng theo thuật toán 
PLĐHĐT trên ảnh UAV sẽ là một hướng nghiên cứu mới trong luận án. 
3.2 Phương pháp nâng cao độ chính xác nhận dạng đối tượng trên ảnh UAV 
Vì ảnh UAV là ảnh kỹ thuật số, chỉ có 3 kênh phổ (R,G,B) nên khi nghiên cứu 
nhận dạng đối tượng trên ảnh này sẽ gặp khó khăn, đó là: nếu chỉ dựa vào giá trị độ 
xám của kênh phổ, một số đối tượng như đường đất, nhà fibro xi măng, mặt nước hay 
nhà mái bằng và sân xi măng,.v.v. sẽ có giá trị độ xám trên các kênh phổ gần tương 
đồng nhau, khi đó độ chính xác kết quả nhận dạng đối tượng sẽ không cao. 
Do vậy, trong nghiên cứu này tác giả đề xuất phương pháp kết hợp giá trị độ 
xám của ba kênh phổ (R,G,B) và dữ liệu độ cao địa vật (DHM) nhằm nâng cao độ 
chính xác kết quả nhận dạng đối tượng trên ảnh UAV. 
3.3 Thực nghiệm nâng cao độ chính xác nhận dạng đối tượng trên ảnh UAV 
3.3.1 Dữ liệu sử dụng 
Bao gồm: bình đồ ảnh UAV và dữ liệu độ cao địa vật (DHM) được trích xuất từ 
thuật toán đề xuất ở Chương 2 luận án. 
(a) (b) 
Hình 3.1. (a) Dữ liệu ảnh UAV và (b) Dữ liệu DHM khu vực Vật Lại-Ba Vì-Hà Nội 
3.3.2 Quy trình nâng cao độ chính xác nhận dạng đối tượng trên ảnh UAV 
Quy trình thực hiện trên phần mềm eCognition và được minh họa như Hình 3.2 
Hình 3.2 Quy trình nâng cao độ chính xác nhận dạng đối tượng bằng thuật toán PLĐHĐT 
Cụ thể các bước như sau: 
-13- 
a. Công tác tiền xử lý dữ liệu 
Đây là công việc tạo mới một dự án (project) và hiển thị dữ liệu đầu vào trên 
cửa sổ phần mềm. Dữ liệu đầu vào được sử dụng cho công tác chiết tách đối tượng là 
bình đồ ảnh trực giao UAV và dữ liệu DHM trong hệ quy chiếu WGS-84. 
b. Phân mảnh ảnh 
Phân mảnh (segmentation) là quá trình xác định 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. 
c. Thiết lập các lớp đối tượng 
Để phục vụ thành lập CSDL địa hình tỷ lệ lớn, 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. 
d. Thiết lập bộ quy tắc và tiến hành xác định lớp cho đối tượng 
Bộ quy tắc nhận dạng lớp đối tượng được xây dựng dựa trên các chỉ số: giá trị 
trung bình (Mean) về màu sắc, độ lệch chuẩn (standard deviation), chỉ số màu sắc 
(Hue, Saturation, Intensity), chỉ số về hình dạng (Geometry), chỉ số về vị trí 
(Position), chỉ số về mối quan hệ các đối tượng (Relations to neighbor object), và chỉ 
số độ cao địa vật (DHM).. 
Bảng 3.1. Bộ quy tắc theo thuật toán PLĐHĐT ảnh UAV kết hợp DHM 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 được 
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 1,G=Layer 
2,B=Layer 3) <= 0.061 
Mean Layer 4 > 1.8 
nha_fibro ximang 
nha_fibro 
ximang 
Mean Layer 3 <= 109 
không nhận dạng 
Rectangular Fit <= 0.26 
-14- 
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 
+ 
không nhận 
dạng 
HSI Transformation 
Saturation(R=Layer 1,G=Layer 
2,B=Layer 3) >= 0.15 
HSI Transformation 
Saturation(R=Layer 1,G=Layer 
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 
e. Định danh từng đối tượng địa vật 
Đối tượng nhận dạng trên ảnh UAV bằng thuật toán PLĐHĐT là các mảnh ảnh 
liền kề (Hình 3.3(a)) có giá trị ngưỡng về độ xám, độ cao,.v.v. giống nhau được thiết 
lập trong bộ quy tắc nhận dạng. Chỉnh sửa kết quả chính là việc gộp các mảnh ảnh 
thành một đối tượng hoặc phân nhỏ mảnh ảnh thành nhiều đối tượng (Hình 3.3(b). 
-15- 
(a) (b) 
Hình 3.3. Gộp mảnh ảnh từ kết quả nhận dạng đối tượng theo lớp 
Các đối tượng này sau đó được chuyển sang dạng Vector dưới dạng Shapefile, 
để có thể đưa vào cơ sở dữ liệu dạng thông tin địa lý. 
f. Đánh giá độ chính xác 
Để đánh giá độ chính xác kết quả nhận dạng, tác giả đã tiến hành số hóa bình đồ 
ảnh UAV khu vực thực nghiệm để làm dữ liệu tham chiếu và đồng thời cũng tiến 
hành nhận dạng trên cùng mẫu ảnh khi không kết hợp với 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. 
* Đánh giá trực quan 
Với kết quả nhận dạng đối tượng khi kết hợp bình đồ ảnh với DHM (Hình 
3.4(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. 
(a) (b) 
(c) (d) 
Hình 3.4. (a) Mẫu ảnh thử nghiệm; (b) Kết quả véc tơ hóa; (c) Kết quả nhận dạng trên bình đồ ảnh 
UAV đơn thuần; (d) Kết quả nhận dạng khi kết hợp bình đồ ảnh với DHM 
-16- 
Trường hợp không kết hợp bình đồ ảnh với DHM (Hình 3.4(c)), kết quả hình 
ảnh cho thấy các lớp nhận dạng nhầm lẫn rất nhiều, lý do một số đối tượng trên ảnh 
có màu sắc tương đối giống nhau, như: đường đất, sân đất, đất trống, nhà fibro 
ximăng cũ, nhà mái ngói cũ. 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 địa 
vật hỗ trợ. 
* Đánh giá định lượng 
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 số 
hóa tham chiếu, lớp dữ liệu nhận dạng trên ảnh RGB của UAV và dữ liệu nhận dạng 
trên ảnh RGB khi kết hợp với DHM của cùng khu vực trên phần mềm ArcGis. 
Với kết quả thống kê độ chính xác nhận dạng đối tượng theo thuật toán 
PLĐHĐT so với kết quả số hóa tham chiếu trong 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%. 
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 số hóa ảnh tham chiếu 
Ortho_NoDHM 
Tham chiếu 
THỰC 
VẬT 
ĐẤT 
TRỐNG 
NHÀ 
FIBRO 
XI 
MĂNG 
NHÀ 
NGÓI 
NHÀ 
MÁI TÔN SÂN ĐƯỜNG 
MẶT 
NƯỚC 
Tổng diện 
tích được 
nhận dạng 
theo từng 
lớp 
Phần trăm 
diện tích 
nhận dạng 
đúng của 
mỗi lớp 
Phần trăm 
diện tích 
nhận dạng 
nhầm 
(m2) (m2) (m2) (m2) (m2) (m2) (m2) (m2) (m2) (%) (%) 
Thưc vật (m2) 4578.060 166.125 74.470 120.471 1.909 23.782 58.673 2.083 5025.572 91.10 8.90 
Đất trống (m2) 921.583 768.304 15.797 17.012 0.174 20.657 67.526 1.389 1812.442 42.39 57.61 
Nhà fibro xi 
măng (m2) 96.689 0.521 800.245 8.506 0.347 108.667 4.860 0.000 1019.835 78.47 21.53 
Nhà ngói (m2) 67.179 17.359 8.679 126.893 0.347 21.699 0.174 0.000 242.330 52.36 47.64 
Nhà tôn (m2) 26.559 22.567 0.694 2.951 330.860 11.110 6.596 0.000 401.338 82.44 17.56 
Sân (m2) 380.160 137.830 202.752 4.513 1.389 470.079 49.299 0.000 1246.021 37.73 62.27 
Đường (m2) 227.575 4.860 62.839 8.159 0.000 32.808 440.742 1.909 778.893 56.59 43.41 
Mặt nước (m2) 89.572 4.166 66.137 5.034 0.000 6.770 3.472 1189.084 1364.235 87.16 12.84 
Tổng diện tích 
tham chiếu của 
mỗi lớp (m2) 
6387.377 1121.731 1231.613 293.539 335.027 695.571 631.343 1194.465 11890.665 
Phần trăm diện 
tích nhận dạng 
đúng so với 
diện tích tham 
chiếu (%) 
71.67 68.49 64.98 43.23 98.76 69.81 69.81 99.55 Overall Accuracy = 73.20 
Phần trăm diện 
tích không 
nhận dạng 
được (%) 
28.33 31.51 35.02 56.77 1.24 30.19 30.19 0.45 Kappa = 0.63 
-17- 
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 với DHM so với kết quả số hóa ảnh tham chiếu 
+ Đánh giá độ chính xác các đối tượng nhận dạng độc lập 
Ở đây tác giả tiến hành đánh giá độ chính xác nhận dạng các đối tượng độc lập 
trên một số lớp có phần trăm nhận dạng đúng trên 85%. 
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 3.5 đến Hình 3.9 
(a) Đối tượng số hóa (b) Đối tượng nhận dạng (c) Chồng xếp đối tượng 
Hình 3.5. 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 3.6. Kết quả nhận dạng đối tượng mặt nước so với dữ liệu số hóa 
Ortho+DHM 
Tham chiếu 
CÂY 
CAO 
THỰC 
VẬT 
ĐẤT 
TRỐNG 
NHÀ 
FIBRO 
XI 
MĂNG 
NHÀ 
NGÓI 
NHÀ 
MÁI 
TÔN 
NHÀ 
TẦNG SÂN 
SÂN 
ĐẤT ĐƯỜNG 
MẶT 
NƯỚC 
Tổng diện 
tích được 
nhận dạng 
theo từng 
lớp 
Phần trăm 
diện tích 
nhận dạng 
đúng của 
mỗi lớp 
Phần trăm 
diện tích 
nhận dạng 
nhầm 
(m2) (m2) (m2) (m2) (m2) (m2) (m2) (m2) (m2) (m2) (m2) (m2) (%) (%) 
Cây cao (m2) 1138.423 177.570 10.925 0.173 0.347 0.173 0.000 0.000 7.977 1.907 3.121 1340.616 84.92 15.08 
Thực vật (m2) 152.772 3271.686 126.068 24.797 0.347 3.642 2.081 21.676 39.537 37.976 6.589 3687.171 88.73 11.27 
Đất trồng (m2) 9.711 563.749 1190.965 1.734 0.000 0.000 0.000 12.659 3.815 18.728 2.428 1803.788 66.03 33.97 
Nhà bro 
ximang (m2) 
13.699 26.185 0.694 902.414 6.243 0.520 23.930 2.948 6.069 1.561 0.000 984.263 91.68 8.32 
Nhà ngói (m2) 0.694 0.000 0.000 29.133 214.852 0.173 3.642 0.520 1.907 1.734 0.000 252.655 85.04 14.96 
Nhà tôn(