intTypePromotion=1
ADSENSE

Tóm tắt Luận án tiến sĩ Kỹ thuật: 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

Chia sẻ: Trần Văn Gan | Ngày: | Loại File: PDF | Số trang:29

25
lượt xem
1
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Nội dung nghiên cứu: Tổng quan hệ thống UAV và ứng dụng dữ liệu ảnh thu nhận từ UAV trong công tác Trắc địa - Bản đồ; Tổng quan về công tác tạo DEM trong công nghệ phần mềm xử lý ảnh, công tác nhận dạng đối tượng và xây dựng CSDL 3D từ các kết quả xử lý ảnh UAV trên Thế giới và ở Việt Nam;

Chủ đề:
Lưu

Nội dung Text: Tóm tắt Luận án tiến sĩ Kỹ thuật: 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

  1. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT ĐỖ VĂN DƯƠNG 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 Ngành: Kỹ thuật Trắc địa - Bản đồ Mã số: 9 52 05 03 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội- Năm 2018
  2. Công trình được hoàn thành tại: Bộ môn Đo ảnh và Viễn thám, Khoa Trắc địa - Bản đồ và Quản lý đất đai, trường Đại học Mỏ - Địa chất Người hướng dẫn khoa học: 1. PGS.TS Nguyễn Quang Minh 2. PGS.TS Trần Vân Anh Phản biện 1: PGS.TS Nguyễn Trường Xuân Phản biện 2: TS Cáp Xuân Tú Phản biện 3: GS.TSKH Phan Văn Lộc Luận án sẽ được bảo vệ trước Hội đồng đánh giá luận án cấp Trường họp tại Trường đại học Mỏ - Địa chất vào hồi …giờ … ngày … tháng… năm… Có thể tìm hiểu luận án tại thư viện: Thư viện Quốc Gia, Hà Nội hoặc Thư viện Trường đại học Mỏ - Địa chất
  3. -1- MỞ ĐẦU 1. Tính cấp thiết của đề tài Những năm gần đây, trên Thế giới và ở Việt Nam đã có khá nhiều các nghiên cứu về ứng dụng dữ liệu ảnh UAV trong các lĩnh vực dân sự như giám sát tài nguyên rừng, giám sát khí thải của nhà máy, khảo sát mức độ thiên tai dịch họa, xây dựng mô hình số độ cao, xây dựng cơ sở dữ liệu 3D (CSDL 3D) các khu vực khảo cổ,.v.v. Công nghệ xử lý ảnh UAV hiện nay dễ dàng tạo ra các sản phẩm như bình đồ ảnh, mô hình số bề mặt (DSM) và mô hình số độ cao (DEM). Tuy nhiên, một số kết quả nghiên cứu cho thấy kết quả tạo DEM tự động trong quá trình xử lý ảnh UAV chưa đạt độ chính xác để có thể đưa vào sử dụng, do vậy DEM đang sử dụng hiện nay chủ yếu được tạo ra từ đo cao địa hình trên cặp ảnh lập thể UAV. Tuy nhiên với kích thước ảnh nhỏ, số lượng ảnh UAV thu nhận sẽ là rất lớn trên khu vực bay chụp, để đo độ cao trên một khối lượng lớn cặp ảnh lập thể sẽ là rất vất vả, đôi khi là không thể. Việc tạo lập cơ sở dữ liệu (CSDL) địa vật trong các nghiên cứu cũng đang thực hiện phổ biến theo phương pháp số hóa từ bình đồ ảnh UAV. Gần đây, một số nghiên cứu đã sử dụng thuật toán nhận dạng đối tượng trên bề mặt ảnh viễn thám có độ phân giải cao phục vụ công tác xây dựng CSDL. Tuy nhiên để nhận dạng đối tượng trên ảnh kỹ thuật số (RGB) và có độ phân giải siêu cao được thu nhận từ UAV thì chưa có nghiên cứu nào đề cập đến. Công tác xây dựng CSDL 3D từ ảnh UAV cũng đang được nhiều tác giả quan tâm nghiên cứu. Mô hình đối tượng trong CSDL 3D hiện nay đang xây dựng dưới hai dạng: (1) là mô hình 3D mô phỏng và (2) là mô hình 3D thực được xây dựng từ hình ảnh thật của đối tượng. Tuy nhiên, ở Việt Nam khi nghiên cứu xây dựng CSDL 3D chưa có tác giả nào đề cập đến xây dựng mô hình 3D thực. Xuất phát từ những nhu cầu thực tế, đề tài “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” nhằm giải quyết và tiếp cận với các vấn đề trên. 2. Mục tiêu nghiên cứu - Xây dựng thuật toán và chương trình tạo DEM từ kết quả DSM phù hợp với một số địa hình ở Việt Nam; - Nhận dạng và nâng cao độ chính xác nhận dạng đối tượng trên bình đồ ảnh UAV; - Xây dựng cơ sở dữ liệu 3D từ kết quả xử lý ảnh UAV. 3. Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu chính, gồm: bình đồ ảnh UAV, dữ liệu DEM, DSM và cơ sở dữ liệu 3D . Phạm vi nghiên cứu của luận án bao gồm dữ liệu không gian và dữ liệu thuộc tính của các đối tượng trên ảnh UAV. 4. Nội dung nghiên cứu - Tổng quan hệ thống UAV và ứng dụng dữ liệu ảnh thu nhận từ UAV trong công tác Trắc địa - Bản đồ;
  4. -2- - Tổng quan về công tác tạo DEM trong công nghệ phần mềm xử lý ảnh, công tác nhận dạng đối tượng và xây dựng CSDL 3D từ các kết quả xử lý ảnh UAV trên Thế giới và ở Việt Nam; - Xây dựng thuật toán tạo DEM từ DSM (dữ liệu DSM được tạo ra trong quá trình xử lý ảnh UAV); - Nâng cao độ chính xác nhận dạng đối tượng trên bề mặt ảnh UAV khi kết hợp dữ liệu bình đồ ảnh và dữ liệu độ cao địa vật (DHM); - Xây dựng CSDL 3D từ các kết quả đám mây điểm, ảnh cấu trúc đối tượng được tạo ra trong quá trình xử lý ảnh UAV và cơ sở dữ liệu địa lý (GIS). 5. Ý nghĩa khoa học và thực tiễn của luận án Ý nghĩa khoa học: Luận án đã phân tích, đề xuất và khẳng định tính đúng đắn của việc đưa ra thuật toán tạo DEM từ DSM phù hợp với một số địa hình ở Việt Nam, phương pháp nhận dạng đối tượng trên ảnh UAV cũng như công tác xây dựng CSDL 3D từ mô hình 3D thực. Xác lập tính khoa học trong mỗi hướng nghiên cứu, đề xuất trong luận án, mở ra hướng tiếp cận mới trong việc xử lý và ứng dụng kết quả xử lý dữ liệu ảnh UAV. Ý nghĩa thực tiễn: Bằng cách thử nghiệm các dữ liệu thực tế để khẳng định mỗi nghiên cứu, đề xuất trong luận án hoàn toàn có thể ứng dụng trong thực tiễn, góp phần giảm thời gian và công sức trong công tác xử lý dữ liệu ảnh của UAV, đưa ra các sản phẩm có tính ứng dụng tốt nhất phục vụ cho các lĩnh vực khác nhau trong đời sống. 6. Các điểm mới của luận án - Đề xuất thuật toán và xây dựng chương trình tạo DEM từ kết quả DSM có được từ xử lý ảnh UAV; - Đề xuất phương pháp nâng cao độ chính xác nhận dạng đối tượng trên ảnh kỹ thuật số của UAV kết hợp với dữ liệu độ cao địa vật; - Góp phần hoàn thiện quy trình xây dựng CSDL 3D từ mô hình 3D thực kết hợp với CSDL thông tin địa lý 7. Cấu trúc và khối lượng luận án Luận án gồm phần mở đầu, kết luận, tài liệu tham khảo, các phụ lục và nội dung chính được kết cấu gồm 4 chương như sau: Chương 1- TỔNG QUAN VỀ HỆ THỐNG UAV VÀ CÁC ỨNG DỤNG DỮ LIỆU ẢNH UAV TRONG TRẮC ĐỊA - BẢN ĐỒ 1.1 Tổng quan về hệ thống UAV Hệ thống bay không người lái (UAV) còn được gọi là phương tiện cơ giới trên không có thể điều khiển từ xa, bán tự động, tự động, hoặc kết hợp giữa điều khiển từ xa và tự động. Hệ thống UAV đã được phát triển rất sớm từ thế kỷ 18 từ những phương tiện bay đơn giản có nguyên lý hoạt động gần giống với UAV như khinh khí cầu, diều, chim,.v.v., đến những phương tiện UAV hiện đại dạng máy bay có gắn động cơ cánh bằng, cánh quay.
  5. -3- Thiết bị thu nhận hình ảnh của hệ thống UAV cũng được phát triển và cải tiến từ máy ảnh điều khiển bằng tay đến máy ảnh được thiết đặt chế độ chụp tự động và ngày nay công nghệ quét LiDar hiện đại nhất cũng đã được sử dụng gắn trên UAV phục vụ cho công tác thu nhận ảnh. Ngoài ra, các hệ thống UAV hiện đại còn được lắp đặt hệ thống chống rung, con quay hồi chuyển, các thiết bị định vị định hướng GPS/IMU, cảm biến (sensor) đo phổ,.v.v. nhằm thu nhận các tấm ảnh chính xác ở các vị trí đã thiết lập tọa độ tâm chụp với độ nghiêng, độ xoay của tấm ảnh là nhỏ nhất. 1.2 Ứng dụng dữ liệu ảnh thu nhận từ UAV trong Trắc địa - Bản đồ Dữ liệu ảnh thu nhận từ UAV đã được ứng dụng trong các nghiên cứu về lĩnh vực Trắc địa-Bản đồ, như: lập bản đồ địa hình, địa chính tỷ lệ lớn, xây dựng mô hình số độ cao (DEM), xây dựng CSDL GIS 3D phục vụ cho công tác quản lý và quy hoạch đô thị, quản lý không gian di sản văn hóa.v.v. Dữ liệu DEM được sử dụng trong các nghiên cứu chủ yếu được tạo ra từ số hóa đường bình độ, từ tập điểm độ cao đo trực tiếp hoặc đo độ cao trên cặp ảnh lập thể, chứ chưa sử dụng DEM tạo ra từ DSM. Đối tượng địa vật đa phần được số hóa trực tiếp từ bình đồ ảnh UAV chứ chưa sử dụng thuật toán nhận dạng tự động. Công tác xây dựng CSDL 3D ở Việt Nam mới đang tập trung vào nghiên cứu với mô hình 3D mô phỏng những khu vực có ít địa vật hoặc cấu trúc địa vật đơn giản mà chưa xây dựng mô hình 3D thực từ hình ảnh thật của các đối tượng. Trên cơ sở những tồn tại đã nêu, nội dung nghiên cứu chính của luận án nhằm giải quyết các vấn đề: - Nghiên cứu và đề xuất thử nghiệm thuật toán tạo DEM từ dữ liệu DSM; - Xây dựng, thử nghiệm thuật toán và quy trình nâng cao độ chính xác nhận dạng tự động đối tượng trên ảnh UAV; - Xây dựng CSDL 3D với mô hình 3D thực được xây dựng từ hình ảnh thật của các đối tượng địa vật. 1.3 Dữ liệu ảnh UAV phục vụ trong nghiên cứu của đề tài. 1.3.1 Khu vực thu nhận ảnh và thiết bị bay chụp ảnh Khu vực thu nhận ảnh tại thôn Yên Bồ, xã Vật Lại, huyện Ba Vì, Hà Nội. Trung tâm xã có tọa độ địa lý khoảng 21012’10” vĩ độ Bắc, 105024’26” kinh độ Đông. Hình 1.1. Vị trí địa lý khu vực bay thử nghiệm UAV (Nguồn: Google Map)
  6. -4- Thiết bị bay chụp ảnh là thiết bị bay UAV Swinglet-CAM được gắn hệ thống định hướng định vị INS/DGPS và camera chụp ảnh tự động Canon IXUS 127HS. Hình 1.2. Thiết bị bay UAV Swinglet-CAM và máy ảnh Canon IXUS 127HS Tuyến bay được thiết kế gồm có 2 tuyến bay tầm thấp vuông góc nhau và 1 tuyến bay tầm cao, mục đích là thu nhận đầy đủ hình ảnh đối tượng ở nhiều góc độ khác nhau để xây dựng mô hình 3D thực và lập bình đồ ảnh khu vực. Kết quả thu được là 73 tấm ảnh ở tầm bay thấp 100 m với độ phân giải mặt đất 3 cm và 27 tấm ảnh ở tầm bay cao 180 m với độ phân giải mặt đất 5.6 cm. Các tấm ảnh có đều độ chồng phủ dọc ngang từ 70% đến 90% . Hình 1.3. Mô tả dải bay và hình ảnh 1 tấm ảnh thu nhận khu vực thử nghiệm. 1.3.2 Dữ liệu sử dụng trong nghiên cứu của đề tài Dữ liệu ảnh UAV sau khi bay chụp sẽ được tiến hành xử lý trên phần mềm Pix4D mapper. Kết quả sau đó được đưa vào thực nghiệm các hướng nghiên cứu của đề tài, gồm có: bình đồ ảnh, dữ liệu DSM, dữ liệu đám mây điểm và ảnh cấu trúc đối tượng. (a) Bình đồ ảnh (b) Mô hình số bề mặt (DSM) (c) Đám mây điểm 3D (d) Ảnh cấu trúc bề mặt Hình 1.4. Các kết quả xử lý ảnh UAV bằng phần mềm Pix4D mapper.
  7. -5- Chương 2 - NGHIÊN CỨU VÀ ĐỀ XUẤT THUẬT TOÁN TẠO DEM TỪ DỮ LIỆU DSM 2.1 Tổng quan về các thuật toán tạo DEM Trên thế giới, đã có nhiều thuật toán tạo DEM từ DSM như: thuật toán lọc điểm bằng cách sử dụng các cửa sổ lọc hình thể học (geomorphology filters); lọc điểm bằng màng lọc trung bình (Weidner (1995)); sử dụng các phương pháp nội suy bằng hàm tương quan (Lee (2003)); sử dụng ngưỡng độ dốc để loại bỏ các điểm có độ dốc lớn so với các điểm xung quanh (J. Susaki (2012)),.v.v. Tuy nhiên, khi sử dụng các thuật toán kể trên vào việc tạo DEM từ DSM trong xử lý ảnh UAV thì gặp khó khăn và đạt độ chính xác không cao do dữ liệu DSM chỉ có 1 lớp điểm không giống như dữ liệu LiDar có nhiều lớp điểm. Do vậy trên dữ liệu DSM tại những vị trí có địa vật và cây cối số lượng điểm mặt đất sẽ giảm đi sau khi sử dụng phép lọc điểm và không thể xác định các điểm độ cao mặt đất ở phía dưới tán cây như dữ liệu LiDar. Chính vì những hạn chế trên, nghiên cứu và đề xuất thuật toán tạo DEM từ DSM dạng bán tự động, phù hợp với một số địa hình ở Việt Nam là thực tiễn và cần thiết. 2.2 Nghiên cứu đề xuất thuật toán tạo DEM từ DSM trong xử lý ảnh UAV Các thuật toán được đề xuất bao gồm: Thuật toán xác định các điểm độ cao đột biến; thuật toán xác định tập điểm độ cao địa vật và thuật toán nội suy độ cao tái tạo nền địa hình. 2.2.1 Thuật toán xác định các điểm độ cao đột biến Giả sử X là ảnh mô hình số bề mặt có hàm ( , ) biểu diễn độ cao điểm ảnh p(x,y) với x là vị trí hàng và y là vị trí cột, khi đó xung quanh điểm p có thể xác định được tối đa 8 điểm ảnh lân cận là có hàm độ cao tương ứng ( , ). Giả sử, ta thiết lập giá trị ngưỡng chênh cao cho trước, nếu tồn tại điểm lân cận của điểm ( , ) là có độ cao ( , ) thỏa mãn: ( , )− ( , )≥ (2.1) thì ( , ) được gọi điểm độ cao đột biến. Như vậy với ngưỡng bất kỳ, ta sẽ thu được tập hợp các điểm độ cao đột biến. 2.2.2 Thuật toán xác định tập điểm độ cao địa vật Chúng ta có thể xác định khu vực của các đối tượng địa vật bằng hai phương pháp: phương pháp trực tiếp hoặc phương pháp gián tiếp. + Phương pháp trực tiếp Là phương pháp lựa chọn trực tiếp từng khu vực đối tượng địa vật trên ảnh. Giả sử, P là điểm thuộc khu vực đối tượng địa vật. Φ là tập hợp các điểm độ cao đột biến xung quanh khu vực đó. Khi đó, Φ sẽ là một đường khép kín. Như vậy, ta có thể sử dụng thuật toán loang, tô vùng (W.K.Prat (2007), Xiaoqing Zuo (2014)) để xác định các điểm thuộc khu vực đối tượng địa vật này. Tuy nhiên, cách xác định này không hiệu quả trong quá trình tính toán và lập trình.
  8. -6- Hình 2.1. Xác định khu vực các đối tượng địa vật bằng phương pháp trực tiếp. + Phương pháp gián tiếp Phương pháp này sẽ xác định khu vực nền địa hình trước. Sau đó loại bỏ những điểm địa hình này, chúng ta sẽ còn lại khu vực của các đối tượng địa vật. Để phân tách nền địa hình, chúng ta sẽ thiết lập một giá trị gọi là ngưỡng địa hình. Giá trị ngưỡng này có thể được xác định tự động hoặc tùy chỉnh. * Ngưỡng địa hình tự động Giả sử gọi X là ảnh mô hình số bề mặt với là điểm ảnh ở vị trí hàng i, cột j; ℎ là giá trị độ cao của điểm . Thiết lập giá trị ngưỡng độ cao đột biến là , chúng ta thu được tập hợp các điểm đột biến , , … , với giá trị độ cao điểm ảnh lần lượt là ℎ( ), ℎ ( ), … , ℎ( ). Khi đó giá trị ngưỡng độ cao tự động được xác định theo công thức: ℎ( ) + ℎ( ) + ⋯ + ℎ( ) = (2.2) Xét điểm ảnh có độ cao ℎ : - Nếu ℎ  thì là điểm thuộc đối tượng địa vật. - Nếu ℎ ≤ thì là điểm thuộc địa hình. Tuy nhiên, ngưỡng địa hình tự động chỉ phù hợp và cho kết quả chính xác với những nền địa hình bằng phẳng. Nguyên nhân là do giá trị ngưỡng này là ngưỡng địa hình toàn cục (global threshold) được xác định là ngưỡng chung cho cả khu vực nền địa hình. Để khắc phục được nhược điểm này, ta có thể xây dựng các ngưỡng địa hình tùy chỉnh với phạm vi cục bộ (local threshold). Các giá trị ngưỡng cục bộ này cần phải được xác định dựa trên độ cao trung bình của nền địa hình ở từng khu vực đó. * Ngưỡng địa hình tùy chỉnh Giả sử X là ảnh mô hình số bề mặt, có giá trị độ cao điểm ảnh được biểu diễn bởi hàm ( , ) với x là vị trí hàng, y là vị trí cột. Gọi min là giá trị độ cao nhỏ nhất, max là giá trị độ cao lớn nhất trên ảnh X: = min ( , ) = max ( , ) là giá trị ngưỡng tùy chỉnh. ≤ ≤ Φ( , ) là tập các điểm độ cao đột biến, Φ ( , ) là tập các điểm đột biến thuộc các đối tượng địa vật. Khi đó, Φ ( , ) sẽ là tập hợp các đường bao kín. Xét điểm ảnh p(x, y) có độ cao là f(x, y). - Nếu ( , ) ≤ và ( , ) ∉ Φ ( , ) thì ( , ) là điểm địa hình.
  9. -7- - Nếu ( , ) ≥ và ( , ) ∈ Φ ( , ) thì ( , ) là điểm địa vật. Sau khi xác định được khu vực các đối tượng địa vật. Sử dụng phép trừ giữa tập điểm dữ liệu DSM với tập điểm độ cao địa vật. Kết quả thu được của công việc này là tập các điểm độ cao địa hình 2.2.3 Thuật toán nội suy độ cao tái tạo nền địa hình Giả sử điểm p nằm trong khu vực đối tượng địa vật Y. Khi đó sẽ có n điểm ảnh (i = 1 ÷ n) lân cận và tạo ra n hướng xung quanh điểm p, khi đó ta có thể tính toán được độ cao điểm p dựa vào 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 , ) ớ = 1 ÷ Trong đó: ℎ (i = 1 ÷ n) lần lượt là độ cao của các điểm (i = 1 ÷ n) (i = 1 ÷ n) lần lượt là khoảng cách từ điểm p tới các điểm (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, ) có tọa độ là ( , , ℎ ), với , lần lượt là hàng thứ và cột thứ . Như vậy, khoảng cách được tính theo công thức Euclid sẽ là: = ( , )= ( − ) +( − ) + (ℎ − ℎ ) (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: n  wi hi 1 h p  1n i với wi  (2.4)  wi dik i 1 Trong đó: p i (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.
  10. -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
  11. -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).
  12. -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.
  13. -11- 2  im1  nj 1 ( DEM tính(i , j )  DEM đo ( i , j ) ) RMSE  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.
  14. -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:
  15. -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 Standard deviation Layer 3 = 3 Chưa được nhận Saturation(R=Layer 1,G=Layer nha_mai_ton dạng 2,B=Layer 3) >= 0.236 + HSI Transformation Mean Layer 4 > 1.8 không nhận Saturation(R=Layer 1,G=Layer nha_fibro ximang dạng 2,B=Layer 3)
  16. -14- Chưa được nhận HSI Transformation Brightness > 130 dạng Saturation(R=Layer 1,G=Layer 2,B=Layer 3) 0.78 Length\Width > 3 san X distance to scene right border > không nhận dạng 1039 Pxl Mean Layer 4 > 4 Chưa được nhận HSI Transformation Mean Layer 4 >= 4.5 dạng Intensity(R=Layer 1,G=Layer 2,B=Layer 3) > 0.709 nha_tang + không nhận Brightness >= 160 Mean Layer 4 >= 3 dạng Mean Layer 2 >= 113 Mean Layer 2 = 6.5 Mean Layer 4 không nhận dạng 845 Pxl Rectangular Fit 0 HSI Transformation HSI Transformation dat_trong Chưa được nhận Saturation(R=Layer 1,G=Layer Saturation(R=Layer 1,G=Layer dạng 2,B=Layer 3) >= 0.15 2,B=Layer 3)
  17. -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
  18. -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 Tổng diện Phần trăm NHÀ Phần trăm tích được diện tích Ortho_NoDHM THỰC ĐẤT FIBRO NHÀ NHÀ MẶT diện tích SÂN ĐƯỜNG nhận dạng nhận dạng VẬT TRỐNG XI NGÓI MÁI TÔN NƯỚC nhận dạng theo từng đúng của MĂNG nhầm lớp mỗi lớp Tham chiếu (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 96.689 0.521 800.245 8.506 0.347 108.667 4.860 0.000 1019.835 78.47 21.53 măng (m2) 2 Nhà ngói (m ) 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 6387.377 1121.731 1231.613 293.539 335.027 695.571 631.343 1194.465 11890.665 mỗi lớp (m2) Phần trăm diện tích nhận dạng đúng so với 71.67 68.49 64.98 43.23 98.76 69.81 69.81 99.55 Overall Accuracy = 73.20 diện tích tham chiếu (%) Phần trăm diện tích không 28.33 31.51 35.02 56.77 1.24 30.19 30.19 0.45 Kappa = 0.63 nhận dạng được (%)
  19. -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 Tổng diện Phần trăm NHÀ Phần trăm Ortho+DHM CÂY THỰC NHÀ tích được diện tích ĐẤT FIBRO NHÀ NHÀ SÂN MẶT diện tích CAO VẬT TRỐNG XI NGÓI MÁI TẦNG SÂN ĐẤT ĐƯỜNG NƯỚC nhận dạng nhận dạng TÔN nhận dạng MĂNG theo từng đúng của nhầm Tham chiếu lớp mỗi lớp (m2) (m2) (m2) (m2) (m2) (m2) (m2) (m2) (m2) (m2) (m2) (m2) (%) (%) 2 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 Cây cao (m ) 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 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 ximang (m2) 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(m2) 1.561 1.734 0.000 1.387 0.173 344.215 3.642 1.040 0.173 0.347 0.000 354.272 97.16 2.84 Nhà tầng (m2) 0.000 0.173 0.000 0.173 0.000 1.387 235.661 0.000 0.694 0.000 0.000 238.089 98.98 1.02 2 12.485 41.444 9.191 3.988 2.948 0.694 19.422 538.085 66.068 7.283 0.000 701.608 76.69 23.31 Sân (m ) Sân đất (m2) 16.821 71.444 32.080 4.682 2.254 0.520 7.803 3.988 235.314 1.561 0.000 376.468 62.51 37.49 2 17.341 65.722 21.676 4.855 1.561 0.000 0.000 1.907 8.497 650.973 7.630 780.162 83.44 16.56 Đường (m ) Mặt nước (m2) 4.509 61.213 0.867 0.347 0.000 0.000 0.000 0.000 0.000 0.173 1292.062 1359.171 95.06 4.94 Tổng diện tích tham chiếu của 1368.015 4280.920 1392.465 973.685 228.725 351.324 296.181 582.824 370.052 722.244 1311.830 11878.264 mỗi lớp (m2) Phần trăm diện tích nhận dạng đúng so với 83.22 76.42 85.53 92.68 93.93 97.98 79.57 92.32 63.59 90.13 98.49 Overall Accuracy = 84.31 diện tích tham chiếu (%) Phần trăm diện tích không 16.78 23.58 14.47 7.32 6.07 2.02 20.43 7.68 36.41 9.87 1.51 Kappa = 0.81 nhận dạng được (%) + 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
  20. -18- (a) Đối tượng số hóa (b) Đối tượng nhận dạng (c) Chồng xếp đối tượng Hình 3.7. Kết quả nhận dạng đối tượng nhà tầng so với dữ liệu số hóa (a) Đối tượng số hóa (b) Đối tượng nhận dạng (c) Chồng xếp đối tượng Hình 3.8. Kết quả nhận dạng đối tượng nhà fibro xi nămg so với dữ liệu số hóa (a) Đối tượng số hóa (b) Đối tượng nhận dạng (c) Chồng xếp đối tượng Hình 3.9. Kết quả nhận dạng đối tượng nhà mái ngói so với dữ liệu số hóa Kết quả thống kê số lượng đối tượng và đánh giá sai số vị trí điểm trên đường biên tương ứng giữa hai đối tượng cùng tên theo tiêu chuẩn kỹ thuật BĐĐH tỷ lệ 1/2000. Kết quả nhận được trong các Bảng 3.4 đến Bảng 3.8 dưới đây. Bảng 3.4. Kết quả thống kê và độ chính xác nhận dạng đối tượng trên Hình 3.5 Đối tượng Đối tượng Sai số vị trí Kết luận STT số hóa nhận dạng điểm lớn nhất (m) (Có thể thay thế/ Không) 1 nha_ton nha_mai_ton 0.53 Có thể thay thế 2 nha_ton nha_mai_ton 1.00 Có thể thay thế 3 nha_ton nha_mai_ton 0.36 Có thể thay thế 4 nha_ton nha_mai_ton 0.22 Có thể thay thế 5 nha_ton nha_mai_ton 0.41 Có thể thay thế 6 nha_ton nha_mai_ton 0.30 Có thể thay thế 7 nha_ton nha_mai_ton 0.22 Có thể thay thế
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD


intNumView=25

 

Đồng bộ tài khoản
2=>2