Mitigação dos problemas de oclusão, causados por vegetação, na extração dos contornos de telhados de edificações a partir de nuvens de pontos fotogramétricas

Abstract

Este trabalho trata da extração automática dos contornos de telhados de edificações a partir de nuvens de pontos fotogramétricas. O foco desta Tese se refere à extração dos contornos em situação de oclusão, causada por copas de árvores próximas às edificações. Diversos problemas estão envolvidos nos subprocessos que vão da geração das nuvens de pontos até a extração dos contornos propriamente ditos, passando pela filtragem, classificação, segmentação, detecção das oclusões, integração de nuvens de pontos e a extração de contornos. Dentre as contribuições desta Tese, a principal é a determinação de uma metodologia para extração dos contornos oclusos do ponto de vista aéreo. Nesta Tese é explorada a complementariedade de informações proporcionada por nuvens de pontos fotogramétricas tomadas a partir de dois pontos de vista, aéreo e terrestre. Como contribuições secundárias é possível citar a exploração de nuvens de pontos fotogramétricas geradas a partir de dados adquiridos por drones, a exploração da complementariedade de atributos radiométricos e geométricos extraídos de nuvem de pontos fotogramétricas para auxiliar a tarefa de classificação executada em algoritmo de aprendizado de máquina (Random Forest) e a detecção de oclusão por meio de análise da relação topológica entre os vértices dos contornos das edificações e das árvores. Os dados utilizados nesta Tese foram adquiridos a partir de aerolevantamento por Drone e mapeamento terrestre utilizando Sistema de Mapeamento Móvel (SMM). Os experimentos foram realizados para uma área teste localizada em Espigão, distrito de Regente Feijó, São Paulo, Brasil. Foram realizadas análises das etapas de extração de atributos e classificação da nuvem de pontos fotogramétrica aérea, e de todas as etapas seguintes do método. As análises quantitativas dos experimentos acerca dos atributos e da classificação demonstram a potencialidade do uso combinado de atributos radiométricos e geométricos para a tarefa de classificação, mesmo estes tendo sido extraídos de nuvens de pontos fotogramétricas, as quais usualmente apresentam maior quantidade de dados espúrios se comparadas às nuvens LiDAR. A classificação apenas com atributos geométricos atingiu acurácia global de 74%, enquanto a classificação com atributos radiométricos atingiu valores de 80%, sendo os melhores resultados verificados para a classificação que utilizou ambos os atributos, atingindo valores de acurácia global de 98%. O processo de segmentação aplicado foi capaz de individualizar as edificações e aglomerados de árvores para a maioria dos casos, porém foram verificadas dificuldades na separação de edificações vizinhas contíguas. O processo de detecção de oclusões atingiu valores de completeza e nível de acerto da ordem de 94% e 73%, respectivamente. Por fim, as análises dos contornos finais demostram o potencial da integração de nuvens de diferentes pontos de vistas como forma de contornar problemas de oclusão aéreas, causados por árvores. Após a aplicação da metodologia, as edificações em que oclusões foram verificadas tiveram seus contornos corrigidos, impactando positivamente nas métricas utilizadas nas análises.

This thesis deals with the automatic extraction of building roof contours from photogrammetric point clouds. The focus refers to the extraction of contours in a situation of occlusion caused by tree canopy overlapping the buildings. Several problems are involved in the subprocesses that range from the generation of point clouds to the extraction of the contours themselves, passing through filtering, classification, segmentation, occlusion detection, and point cloud integration. The main contributions of this thesis is the methodology for extracting occluded contours through the combination of photogrammetric point clouds taken from aerial and terrestrial points of view. As secondary contributions, it is possible to mention the exploration of the complementarity of radiometric and geometric attributes extracted from photogrammetric point clouds generated from data acquired by UAV. The complementarity of both radiometric and geometric attributes helps the classification task performed in a machine learning algorithm (Random Forest). In addition, this thesis explores the detection of occlusion by analyzing the topological relationship between the vertices of the contours of buildings and trees. The data used in this thesis were acquired from aerial survey using a UAV, and by terrestrial mapping using a Mobile Mapping System (SMM). The experiments were carried out in a test area located in Espigão, district of Regente Feijó, São Paulo, Brazil. There were performed analyzes of attributes extraction and classification of the aerial photogrammetric point cloud and all subsequent steps. The quantitative analysis of the experiments on attributes extraction and classification demonstrates the potential of the combined use of radiometric and geometric attributes for the classification task, even though these attributes were extracted from photogrammetric point clouds, which are generally noisier compared to LiDAR point clouds. The classification with only geometric attributes reached an overall accuracy of 74%, while the classification with radiometric attributes reached values of 80%, being the best results for classification step verified for the classification that used both attributes, reaching global accuracy values of 98%. The segmentation process applied was able to individualize the buildings and clusters of trees in most cases, but some issues were observed in the separation of adjacent buildings. The occlusion detection process reached completeness and correctness values of 94% and 73%, respectively. The analysis of the final contours demonstrates the potential of the integration of clouds from different points of view to overcome aerial occlusion problems caused by trees. After applying the methodology, the buildings in which occlusions were verified had their contours extracted correctly, positively impacting the metrics used in the analyses.