Extração e refinamento de contornos de telhados utilizando descritores geométricos e integração de dados LiDAR e imagens aéreas

Abstract

Este trabalho trata da extração automática de telhados de edificações a partir de dados de Sistema de Varredura LASER Aerotransportado (SVLA) e imagens aéreas de alta resolução. O foco se refere à regularização de telhados cujo contorno tenha sido obstruído por algum outro objeto, como copas de árvore, por exemplo. Existem diversos problemas envolvidos nesse processo, tais como a preparação dos dados (remoção de ruídos, segmentação de objetos e classificação), extração dos contornos, modelagem dos contornos, detecção das oclusões e a reconstrução do contorno. Dentre as contribuições desta Tese de doutorado, a principal é a utilização de descritor geométrico (assinatura do contorno) como uma maneira de modelar o polígono e detectar possíveis obstruções. Embora não seja possível resolver todos os casos, como oclusões severas, a abordagem proposta deve auxiliar na automação de processos por meio da diminuição da intervenção do operador. Além da contribuição mencionada, outras soluções foram propostas para etapas como a remoção de pontos espúrios, filtragem do modelo digital de terreno (MDT) utilizando um método adaptativo de ajuste de superfície polinomial bivariada, integração da informação radiométrica na nuvem de pontos, e a extração de contornos de telhados utilizando redes neurais convolucionais (RNC). Os experimentos foram realizados com dados derivados do Unesp Photogrammetry Data Set, adquiridos sobre o município de Presidente Prudente, São Paulo, Brasil. As análises quantitativas dos experimentos realizados demonstram que o método proposto consegue reconstruir obstruções em telhados de edificações que não sejam muito severas, isto é, não sejam maiores que 1/3 do segmento linear da borda do telhado e que não sejam em uma quina (vértice) do polígono. Além disso, todas as etapas precedentes apresentaram resultados satisfatórios, como a acurácia global da classificação acima de 93%.

This thesis discusses the automatic building roofs extraction from airborne laser scanning (ALS) data and high-resolution aerial images. The principal concern is the refinement of roofs whose contour has been obstructed by other objects, such as treetops. There are several problems involved in generating this result, such as data preparation (outlier detection, object segmentation and classification), contour extraction, contour modeling, occlusion detection and contour reconstruction. Among the contributions of this doctoral thesis, the main one is the use of geometric descriptor (signature) to model the polygon and detect possible obstructions. Although it is not possible to resolve all cases, such as severe occlusions, the proposed approach should aid in process automation by reducing operator intervention. In addition to the main contribution, other innovative solutions were proposed for steps such as the removal of outliers, digital terrain model (MDT) filtering using an adaptive bivariate polynomial surface fitting, integration of radiometric information in the point cloud, and the extraction of roof contours using convolutional neural networks (CNN). The experiments were carried out with data derived from the Unesp Photogrammetry Data Set, acquired over the municipality of Presidente Prudente, São Paulo, Brazil. The quantitative analysis of the experiments demonstrate that the proposed method can reconstruct obstructions in roofs of buildings that are not severe, that is, not larger than 1/3 of the linear segment of the roof edge and that is not in a corner (vertex) of the polygon. In addition, all the preceding steps showed adequate results, such as the overall accuracy of the classification above 93%, for example.