Nâng cao độ chính xác nhận dạng đối tượng trên ảnh thu nhận từ thiết bị bay không người lái (UAV) phục vụ công tác xây dựng cơ sở dữ liệu địa hình

 Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 58, Kỳ 1 (2017) 33-41 33 
Nâng cao độ chính xác nhận dạng đối tượng trên ảnh thu nhận 
từ thiết bị bay không người lái (UAV) phục vụ công tác xây 
dựng cơ sở dữ liệu địa hình 
Đỗ Văn Dương 1,*, Nguyễn Quang Minh 2, Lê Thị Nhung 1 
1 Khoa Trắc địa, Trường Đại học Tài nguyên và Môi trường Hà Nội, Việt Nam 
2 Khoa Trắc địa - Bản đồ và Quản lý đất đai, Trường Đại học Mỏ - Địa chất, Việt Nam 
THÔNG TIN BÀI BÁO TÓM TẮT 
Quá trình: 
Nhận bài 28/09/2016 
Chấp nhận 03/01/2017 
Đăng online 28/02/2017 
 Đã có một số các nghiên cứu nhận dạng đối tượng trên ảnh viễn thám có độ 
phân giải cao và siêu cao có nhiều hơn 3 kênh phổ bằng phương pháp phân 
loại định hướng đối tượng (PLĐHĐT). Tuy nhiên với dữ liệu ảnh kỹ thuật số 
ba kênh phổ thu nhận từ UAV việc nhận dạng đối tượng là khó khăn nếu chỉ 
dựa vào tính chất phổ của ảnh. Bài báo là kết quả nghiên cứu nâng cao độ 
chính xác nhận dạng đối tượng trên ảnh UAV khi kết hợp với dữ liệu độ cao 
địa vật (DHM). Kết quả nghiên cứu cho thấy, độ chính xác tổng thể nhận 
dạng đối tượng trên dữ liệu ảnh UAV 3 kênh phổ đã tăng lên đáng kể từ 
85,48% lên đến 94,72% khi có sự kết hợp các kênh phổ với thông tin độ cao 
địa vật.. 
© 2017 Trường Đại học Mỏ - Địa chất. Tất cả các quyền được bảo đảm. 
Từ khóa: 
Độ cao địa vật 
Máy bay không người lái 
Nhận dạng ảnh 
1. Đặt vấn đề 
Nhận dạng ảnh (pattern 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 dựa trên những quy luật và các mẫu 
chuẩn. Có 3 cách tiếp cận thường được sử dụng 
trong kỹ thuật nhận dạng là: nhận dạng dựa theo 
không gian; nhận dạng dựa vào kỹ thuật mạng nơ 
ron; nhận dạng theo cấu trúc đối tượng. 
Các kỹ thuật nhận dạng trên đã được áp 
dụng trong các phương pháp phân loại cứng, 
phân loại mềm và phân loại định hướng đối 
tượng (PLĐHĐT) để chiết tách thông tin lớp phủ 
trên ảnh viễn thám và cho kết quả có độ chính xác 
khá cao trong một số nghiên cứu (Baatz and 
Schäpe, 2000; Geneletti and Gorte, 2003; Nguyễn 
Thị Thu Hiền và nnk, 2014). Tuy nhiên, việc chiết 
tách đối tượng trên ảnh kỹ thuật số của UAV ba 
kênh phổ (RGB) có độ phân giải siêu cao thì chưa 
có nghiên cứu trong và ngoài nước nào đề cập 
đến. Do một số đối tượng trên ảnh UAV như 
đường đất, nhà lợp fibro xi măng, mặt nước hay 
nhà mái bằng và sân xi măng,.v.v. có giá trị phổ 
gần giống nhau, nếu chỉ sử dụng giá trị phổ và các 
thuộc tính khác của đối tượng trên ảnh để phân 
loại đối tượng thì độ chính xác phân loại sẽ không 
cao. Do vậy, trong nghiên cứu này sẽ kết hợp giá 
trị phổ, độ cao địa vật (DHM) và các thuộc tính 
_____________________ 
*Tác giả liên hệ 
E-mail: doduongtnmt@gmail.com 
34 Đỗ Văn Dương và nnk/ Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58(1), 33-41 
khác của đối tượng để nâng cao độ chính xác 
chiết tách đối tượng trên ảnh. Kết quả nghiên cứu 
sẽ được so sánh với kết quả PLĐHĐT ảnh UAV 
đơn thuần không kết hợp với DHM và kết quả véc 
tơ hóa đã được điều tra ngoại nghiệp chính xác 
trên cùng khu vực ảnh. Từ đó đưa ra những kết 
luận cụ thể về nghiên cứu này. 
2. Phương pháp nghiên cứu 
Trong nghiên cứu này, tác giả sử dụng 
phương pháp PLĐHĐT để chiết tách lớp phủ trên 
ảnh. Dữ liệu đầu vào là bình đồ ảnh trực giao của 
UAV (3 kênh phổ RGB) và độ cao địa vật (DHM) 
trên cùng khu vực. Giá trị phổ và độ cao địa vật 
(DHM) và các thuộc tính khác sẽ được kết hợp 
trong việc thiết lập điều kiện phân loại đối tượng 
trên ảnh. Quy trình PLĐHĐT ảnh UAV (3 kênh phổ 
RGB) kết hợp với dữ liệu DHM được thực hiện 
trên phần mềm Ecognition như Hình 1 cụ thể theo 
các bước sau: 
2.1. 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 WGS84. 
2.2. Phân mảnh và xem đăc trưng đối tượng 
ảnh 
Trong phần thực nghiệm, tác giả đã sử dụng 
thuật toán phân mảnh đa độ phân giải 
(Multiresolution segmentation) để tạo đối tượng 
ảnh. 
Các kênh phổ Red, Green, Blue tham gia vào 
quá trình phân mảnh ảnh nên được thiết đặt với 
trọng số bằng 1, dữ liệu DHM không tham gia quá 
trình phân mảnh được thiết đặt trong số bằng 0. 
Tiếp đến thiết đặt tham số tỷ lệ (Scale 
parameter), thiết đặt các tiêu chí đồng nhất về 
hình dạng (shape) và độ chặt (compactness) của 
đối tượng. 
Sau khi phân mảnh, một công việc rất quan 
trọng đó là cần phải xem các đặc trưng của đối 
tượng để tìm ra ngưỡng (threshold) cho sự phân 
loại các đối tượng ảnh. Mỗi một đối tượng ảnh có 
chứa những thông tin thuộc tính. Các thông tin 
thuộc tính này có thể là các thông tin về giá trị phổ 
của các lớp, độ sáng, hình dạng, vị trí, cấu trúc,.v.v. 
2.3. Thiết lập các lớp đối tượng 
Tùy thuộc vào mức độ chiết tách thông tin với 
độ chính xác đến đâu mà thiết lập các lớp cho công 
tác phân loại chi tiết hay không. Với dữ liệu ảnh 
UAV có độ phân giải rất cao cỡ 0.02m và với yêu 
cầu mức độ chiết tách thông tin phục vụ thành lập 
CSDL địa hình tỷ lệ lớn, ta có thể thiết lập bảng lớp 
đối tượng chi tiết để chiết tách các thông tin chính 
xác hơn. 
2.4. Thiết lập quy tắc phân loại 
Để lập bộ quy tắc trong phân loại ảnh đối 
tượng đòi hỏi người phân tích ảnh phải có rất 
nhiều hiểu biết về các chỉ số như giá trị độ xám 
(Mean), độ lệch chuẩn (standard deviation); chỉ số 
màu sắc (Hue, Saturation, Intensity), chỉ số về hình 
dạng (Geometry), chỉ số về vị trí (Position), và chỉ 
số về mối quan hệ với các đối tượng gần bên 
(Relations to neighbor object). 
Chỉ số độ cao địa vật (DHM) được đưa vào 
trong thiết lập bộ quy tắc này nhằm tăng độ chính 
xác khi chiết tách các đối tượng có giá trị phổ gần 
giống nhau như đường đất, nhà lợp fibro xi măng, 
mặt nước hay nhà mái bằng và sân xi măng,.v.v. 
2.5. Phân loại đối tượng ảnh 
Phân loại đối tượng ảnh được tiến hành sau 
khi đã thiết lập các lớp đối tượng và thiết lập bộ 
quy tắc phân loại. Các đối tượng ảnh sẽ được phân 
về các lớp theo giá trị ngưỡng của các chỉ số đã 
thiết đặt trong bộ quy tắc phân loại. 
2.6. Chỉnh sửa kết quả phân loại 
Sau khi kết thúc phân loại, cần thực hiện công 
việc chỉnh sửa sản phẩm tạo ra bao gồm: gộp đối 
tượng (Merge Objects Manually), phân loại đối 
tượng ảnh (Classify Image Objects Manually) hoặc 
chia nhỏ một đối tượng ảnh (Cut an Object 
Manually). 
2.7. Xuất kết quả sang GIS 
Kết quả phân loại sau khi chỉnh sửa sẽ chiết 
xuất ra khuôn dạng vector (Shape file) để chuyển 
sang phần mềm ArcGIS. Với kết quả này, chúng sẽ 
được gộp lại theo quy định thể hiện các lớp đối 
tượng trong cơ sở dữ liệu (CSDL) địa hình. 
 Đỗ Văn Dương và nnk/ Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58(1), 33-41 35 
3. Thực nghiệm 
3.1. Khu vực nghiên cứu 
Dữ liệu ảnh được UAV thu nhận tại thôn Yên 
Bồ - xã Vật Lại-Ba Vì-Hà Nội. Xã Vật Lại nằm ở phía 
Tây huyện Ba Vì, cách trung tâm huyện Ba Vì 
khoảng 1,5km, cách trung tâm Hà Nội khoảng 
50km như Hình 2. 
3.2. Dữ liệu thực nghiệm 
Dữ liệu được đưa vào nghiên cứu nhận dạng 
là bình đồ ảnh trực giao và dữ liệu DHM trên cùng 
mẫu thử nghiệm. Dữ liệu ảnh bao gồm 3 kênh phổ 
tương ứng với các lớp thông tin Layer1=Red, 
Layer 2=Green và Layer 3=Blue. Dữ liệu DHM 
tương ứng với Layer 4. 
Công tác tiền xử lý dữ liệu (ảnh 
trực giao UAV và DHM) 
Phân mảnh và xem đặc trưng 
đối tượng ảnh 
Thiết lập các lớp 
đối tượng 
Thiết lập bộ quy 
tắc phân loại 
Chỉnh sửa kết quả phân loại 
Xuất kết quả sang GIS 
Phân loại đối tượng ảnh 
Hình 1. Quy trình PLĐHĐT ảnh UAV (RGB) kết hợp với DHM. 
Hình 2. Khu vực thu nhận ảnh UAV thuộc thôn Yên Bồ - Vật Lại - Ba Vì - Hà Nội (nguồn: Google Earth). 
36 Đỗ Văn Dương và nnk/ Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58(1), 33-41 
Hình 3. (a)Dữ liệu ảnh UAV; (b)Dữ liệu DHM khu vực Vật Lại - Ba Vì - Hà Nội. 
Hình 4. Sơ đồ khái quát hóa quá trình phân loại theo các tiêu chí trên Bảng 1. 
Phân mảnh ảnh 
 (shape=0.3; compactness=0.7) 
Phan loai 1 
Mat_nuoc 
Không phân loại 
(unclassified) 
Phan loai 2 
nha_fibro ximang; nha_mai_ton; 
san, nha_tang; nha_ngoi 
Không phân loại 
(unclassified) 
Không phân loại 
(unclassified) 
Không phân loại 
(unclassified) 
Phan loại 3 
cay_cao; thuc_vat 
Không phân loại 
(unclassified) 
Không phân loại 
(unclassified) 
Phan loai 4 
duong; dat_trong; 
san_dat; thuc_vat 
 Đỗ Văn Dương và nnk/ Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58(1), 33-41 37 
Kết quả phân mảnh ảnh (level_1) (Scale parameter = 50; shape = 0.3; compactness = 0.7) 
Phân loại lần 1 
Đối tượng ảnh Tiêu chí 1 Tiêu chí 2 KQ phân loại 
level1 
(unclassified) 
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 
unclassified Brightness <= 101 
Brightness >= 128.5 
Phân loại lần 2 
Đối tượng ảnh Tiêu chí 1 Tiêu chí 2 KQ phân loại 
unclassified 
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 
unclassified 
Rectangular Fit <= 0.26 
unclassified 
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 
unclassified 
X distance to scene right border > 
1039 Pxl 
Mean Layer 4 > 4 
unclassified 
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 
unclassified 
Mean Layer 4 <= 3 
X distance to scene right border > 
845 Pxl 
Rectangular Fit <= 0.8 
Phân loại lần 3 
Đối tượng ảnh Tiêu chí 1 Tiêu chí 2 KQ phân loại 
unclassified 
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 unclassified 
Bảng 1. Miêu tả các tiêu chí trong bộ quy tắc PLĐHĐT ảnh UAV kết hợp dữ liệu DHM . 
38 Đỗ Văn Dương và nnk/ Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58(1), 33-41 
Phân loại lần 4 
Đối tượng ảnh Tiêu chí 1 Tiêu chí 2 KQ phân loại 
unclassified 
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 
unclassified 
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 
3.3. Xây dựng bảng lớp và bộ quy tắc phân loại 
Bảng phân lớp được xây dựng cho khu vực 
thực nghiệm gồm các lớp như: đat_trong; duong; 
mat_nuoc; nha_fibro ximang; nha_ngoi; nha_ton; 
nha_tang; san_dat; san; thuc_vat. Ở đây, tác giả xây 
dựng 2 bộ quy tắc phân loại đối tượng cho dữ liệu 
ảnh UAV đơn thuần và cho dữ liệu ảnh UAV khi kết 
hợp với DHM (Bảng 1). Quá trình phân loại với các 
tiêu chí trên Bảng 1 cũng có thể khái quát hóa theo 
cây phân loại (classification tree) như Hình 4. 
Với các tiêu chí được thiết lập trong bộ quy 
tắc khi sử dụng các kênh thông tin Red, Green, 
Blue và thông tin độ cao DHM. Kết quả phân loại 
ảnh nhận được như trên Hình 5. 
3.4. Kết quả sau phân loại 
Để xây dựng các lớp đối tượng như quy định 
trong cơ sở dữ liệu địa hình, kết quả chiết tách các 
lớp đối tượng sẽ được gộp lại trên phần mềm 
ArcGis như sau (Hình 6): 
Thực vật = cay_cao + dat_trong + thuc_vat 
Dân cư = nha_fibro ximang + nha_mai_ton + 
nha_ngoi +nha_tang + san_dat + san 
Đường = duong 
Mặt nước = mat_nuoc 
4. Đánh giá kết quả sau phân loại 
Để đánh giá độ chính xác của kết quả phân 
loại, tác giả đã tiến hành véc tơ hóa và điều vẽ 
chính xác bình đồ ảnh trực giao UAV khu vực thực 
nghiệm để làm dữ liệu tham chiếu. Kết quả so sánh 
độ chính xác phân loại đối tượng dựa trên hai 
phương diện là: đánh giá trực quan và đánh giá 
định lượng. 
+ Đánh giá kết quả bằng trực quan 
Với PLĐHĐT ảnh UAV không kết hợp với 
DHM (Hình 6(d)), kết quả hình ảnh cho thấy các 
lớp nhận dạng nhầm lẫn rất nhiều, các đối tượng 
như: đường đất, sân đất, đất trống, nhà fibro xi 
măng cũ, nhà mái ngói cũ rất khó để phân loại do 
chúng có màu sắc (tính chất phổ) tương đối giống 
nhau. 
Với kết quả PLĐHĐT kết hợp ảnh UAV với 
DHM (Hình 6(c)), ta thấy các lớp đối tượng như 
dân cư, thực vật, mặt nước và lớp đường được 
phân loại rất tốt khi có sự bổ sung thông tin về độ 
cao địa vật (DHM). 
Hình 5. Kết quả phân loại đối tượng trên ảnh UAV 
khi kết hợp các kênh thông tin (Red, Green, Blue 
và DHM) với các tiêu chí được thiết lập trong bộ 
quy tắc Bảng 1. 
 Đỗ Văn Dương và nnk/ Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58(1), 33-41 39 
Tuy vậy, hai trường hợp phân loại trên vẫn 
còn tồn tại hạn chế chung là: Một số đối tượng như 
giao thông, nhà, sân,.v.v. bị các đối tượng cây cao 
có tán rộng che phủ, ở những khu vực này đường 
biên của đối tượng chưa được xác định chính xác 
như ngoài thực tế 
+ Đánh giá định lượng 
Để đánh giá độ chính xác kết quả PLĐHĐT 
trên ảnh (RGB) của UAV kết hợp với DHM so với 
kết quả véc tơ hóa tham chiếu, tác giả đã tiến hành 
chồng xếp lớp dữ liệu phân loại với lớp dữ liệu đo 
và điều vẽ ngoại nghiệp có độ chính xác cao khu 
vực thực nghiệm trên phần mềm ArcGis. Đồng 
thời cũng tiến hành đánh giá độ chính xác kết quả 
PLĐHĐT trên ảnh (RGB) của UAV khi không được 
kết hợp với DHM so với kết quả véc tơ hóa tham 
chiếu. 
Và số liệu thống kê độ chính xác PLĐHĐT khi 
đã gộp lớp theo quy định CSDL địa hình thể hiện 
trong Bảng 2 và Bảng 3. 
Khi so sánh với dữ liệu tham chiếu theo chuẩn 
lớp CSDL địa hình, kết quả PLĐHĐT ảnh UAV 
không kết hợp với DHM (Bảng 2) có độ chính xác 
tổng thể đạt được là 85,48% và hệ số Kappa là 
0,74. Trong đó độ chính xác phân loại của lớp 
“Đường” là thấp nhất với (User’s Accuracy) = 
56,59% , do phản xạ phổ của đối tượng so với các 
đối tượng như thực vật, đất trống, sân và sân đất 
là tương đối giống nhau. Lớp “Thực vật” được 
chiết tách có độ chính xác cao nhất (User’s 
Accuracy) = 94,09%. 
Tuy nhiên, khi kết hợp ảnh UAV với dữ liệu 
DHM thì kết quả PLĐHĐT (Bảng 3) cho thấy độ 
chính xác tổng thể đạt được lên đến 94,72% với hệ 
số Kappa có giá trị là 0,91. Độ chính xác phân loại 
lớp “Đường” là thấp nhất cũng đạt được đến 
83,49% và lớp “Thực vật” được nhận dạng tốt 
nhất có độ chính xác lên tới 97,27%. Phần trăm về 
sai số đọc nhầm với lớp “Đường” là lớn nhất 
16,51% (so với 43,41% khi nhận phân loại ảnh 
không kết hợp DHM (Bảng 2)).
Hình 6. (a) Mẫu ảnh thử nghiệm; (b) Kết quả véc tơ hóa; (c) Kết quả PLĐHĐT ảnh kết hợp với 
DHM và (d) Kết quả PLĐHĐT ảnh không kết hợp với DHM (đã gộp lớp theo quy định CSDL địa 
hình). 
40 Đỗ Văn Dương và nnk/ Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58(1), 33-41 
 Tham chiếu 
 Ortho_NoDHM 
Thực_vật 
(m2) 
Dân_cư 
(m2) 
Đường 
(m2) 
Mặt_nước 
(m2) 
Tổng diện 
tích theo 
hàng (m2) 
Độ chính 
xác phân 
loại (%) 
Sai số 
đọc nhầm 
(%) 
Thực vật (m2) 6434,072 274,270 126,199 3,472 6838,014 94,09 5,91 
Dân cư (m2) 748,862 2099,731 60,930 0,000 2909,523 72,17 27,83 
Đường (m2) 232,436 103,806 440,742 1,909 778,893 56,59 43,41 
Mặt nước (m2) 93,738 77,941 3,472 1189,084 1364,235 87,16 12,84 
Tổng diện tích theo cột 
(m2) 
7509,108 2555,749 631,343 1194,465 11890,665 
Độ chính xác kiểm chứng( 
%) 
85,68 82,16 69,81 99,55 Độ chính xác tổng thể = 85,48 
Sai số bỏ sót (%) 14,32 17,84 30,19 0,45 Kappa = 0,74 
5. Kết luận 
Có thể thấy rằng sự kết hợp giữa ảnh UAV ba 
kênh phổ Red, Green, Blue và dữ liệu độ cao địa 
vật DHM trong quá trình phân loại theo PLĐHĐT 
cho kết quả có độ chính xác cao hơn hẳn so với 
PLĐHĐT ảnh UAV (RGB) đơn thuần và so với kết 
quả của các nghiên cứu trong và ngoài nước 
(Schneider and SteinWender, 1999; Baatz and 
Schäpe, 2000; Suzuki, et al, 2001; Geneletti and 
Gorte, 2003; Chauhan, et al, 2004; Trịnh Thị Hoài 
Thu và nnk, 2012; Nguyễn Thị Thu Hiền và nnk, 
2014) đã được công bố trước đó. 
Kết quả phân loại đối tượng đủ độ tin cậy sử 
dụng cho công tác xây dựng cơ sở dữ liệu địa hình, 
giảm bớt được công việc số hóa. 
Ngoài ra kết quả phân loại này còn có thể ứng 
 dụng mục đích quân sự như nhận dạng các mục 
tiêu cụ thể trên ảnh, cho dân sự như lập quy hoạch, 
kế hoạch sử dụng đất, quy hoạch cảnh quan, 
không gian đô thị,.v.v. 
Tài liệu tham khảo 
Baatz, M. and Schäpe, A., 2000. Multiresolution 
segmentation: an optimization approach for 
high quality multi - scale image segmentation. 
XII Angewandte Geographische 
Informationsverarbeitung, Wichmann-Verlag, 
Heidelberg. 
Benz, U., Hofmann, P., Willhauck, G., Lingenfelder, 
I., & Heynen, M., 2004. Multi-resolution, object-
oriented fuzzy analysis of remote sensing data 
for GIS-ready information. ISPRS Journal of 
 Tham chiếu 
 Ortho+DHM 
Thực_vật 
(m2) 
Dân_cư 
(m2) 
Ðường 
(m2) 
Mặt_nước 
(m2) 
Tổng diện 
tích theo 
hàng (m2) 
Độ chính 
xác phân 
loại (%) 
Sai số 
đọc nhầm 
(%) 
Thực vật (m2) 6654,830 116,709 58,875 11,462 6841,876 97,27 2,73 
Dân cư (m2) 232,375 2665,197 11,810 0,000 2909,382 91,61 8,39 
Đường (m2) 105,420 15,804 651,797 7,642 780,663 83,49 16,51 
Mặt nước (m2) 67,385 0,000 0,347 1296,822 1364,554 95,04 4,96 
Tổng diện tích theo cột 
(m2) 
7060,010 2797,710 722,830 1315,926 11896,476 
Độ chính xác kiểm chứng( 
%) 
94,26 95,26 90,17 98,55 Độ chính xác tổng thể = 94,72 
Sai số bỏ sót (%) 5,74 4,74 9,83 1,45 Kappa = 0,91 
Bảng 2. Số liệu thống kê độ chính xác PLĐHĐT ảnh UAV không kết hợp dữ liệu DHM so với kết quả véc tơ 
hóa ảnh tham chiếu với 4 lớp dữ liệu theo quy định CSDL địa hình. 
Bảng 3. Số liệu thống kê độ chính xác PLĐHĐT ảnh UAV kết hợp dữ liệu DHM so với kết quả véc tơ hóa ảnh 
tham chiếu với 4 lớp dữ liệu theo quy định CSDL địa hình. 
 Đỗ Văn Dương và nnk/ Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 58(1), 33-41 41 
Photogrammetry and Remote Sensing 58, 239-
258. 
Chauhan, R., Tripathi, N.K., and Chowdhury, S.R., 
2004. Extraction of Shrimp Ponds Using Object 
Oriented Classification vis-a-vis Pixel Based 
Classification. Proceedings of the 25th Asian 
Conference on Remote Sensing, 22-26 
November Chiang Mai, Thailand. 
Geneletti, D. and Gorte, B.G.H., 2003. A method for 
object-oriented land cover classification 
combining Landsat TM data and aerial 
photographs. International Journal of Remote 
Sensing 24 (6), 1273-1286. 
Nguyễn Thị Thu Hiền, Phạm Vọng Thành , Nguyễn 
Khắc Thời, 2014. Đánh giá biến động sử dụng 
đất/ huyện Tiên Yên, tỉnh Quảng Ninh giai 
đoạn 2000-2010, Tạp chí Khoa học và Phát 
triển 12, 43-51. 
Schneider, W. and SteinWender , J., 1999. Land 
cover mapping by interrelated segmentation 
and classification of satellite images. 
International Archives of Photogrammetry and 
Remote Sensing 30(7), 4-3. 
Suzuki, H., Matsakis, P., Andréfouët, S., Desachy, J., 
2001. Satellite image classification using 
expert structural knowledge : a method based 
on fuzzy partition computation and simulated 
annealing. Annual Conference of the 
International Association for Mathematical 
Geology, Cancun, Mexico. 
Trịnh Thị Hoài Thu, Lê Thị Thu Hà , Phạm Thị Làn, 
2012. So sánh phương pháp phân loại dựa trên 
điểm ảnh và phân loại định hướng đối tượng 
chiết xuất thông tin lớp phủ bề mặt từ ảnh có 
độ phân giải cao. Tạp chí KHKT Mỏ - Địa chất 
39, 59-64. 
ABSTRACT 
Accuracy improvement of object recognition for establishment of 
topographic database from UAV images 
Duong Van Do 1,*, Minh Quang Nguyen 2, Nhung Thi Le 1 
1 Faculty of Geomatics, Hanoi University of Natural Resources and Environment, Vietnam. 
2 Faculty of Geomatics and Land Administration, Hanoi University of Mining and Geology, Vietnam. 
Several studies have been conducted on object recognition by using high spatial resolution remote 
sensing images, which have more than three spectral bands and using object-oriented classification. 
However, using three bands (Red, Green, Blue) images derived from UAV is difficult to recognize an object 
based only on spectral information. This paper focuses on improving accuracy of object recognition from 
UAV images with digital height model (DHM). The study results showed that the overall accuracy of object 
recognition of three band UAV images has been increased significantly from 85,48% to 94,72% when the 
combination of spectral bands and digital height model was made.