EXTRAÇÃO SEMI-AUTOMÁTICA DE EDIFICAÇÕES COM ANÁLISE DO MODELO NUMÉRICO DE ELEVAÇÕES Dissertação apresentada ao Programa de Pós-Graduação em Ciências Cartográficas da Faculdade de Ciências e Tecnologia – UNESP, para obtenção do título de Mestre em Ciências Cartográficas. DANIEL RODRIGUES DOS SANTOS Presidente Prudente Março, 2002 DISSERTAÇÃO DE MESTRADO DANIEL RODRIGUES DOS SANTOS EXTRAÇÃO SEMI-AUTOMÁTICA DE EDIFICAÇÕES COM ANÁLISE DO MODELO NUMÉRICO DE ELEVAÇÕES Dissertação apresentada ao Programa de Pós-Graduação em Ciências Cartográficas da Faculdade de Ciências e Tecnologia –UNESP, para obtenção do título de Mestre em Ciências Cartográficas. Orientador: Prof. Dr. Antonio Maria Garcia Tommaselli Presidente Prudente Março, 2002 TERMO DE APROVAÇÃO DANIEL RODRIGUES DOS SANTOS EXTRAÇÃO SEMI-AUTOMÁTICA DE EDIFICAÇÕES COM ANÁLISE DO MODELO NUMÉRICO DE ELEVAÇÕES Comissão Julgadora Dissertação para obtenção do título de mestre Presidente e Orientador.................................................................................................. 20 Examinador................................................................................................................. 30 Examinador................................................................................................................. DEDICATÓRIA Dedico este trabalho ao meu filho João Victor, aos meus pais, minha avó+, meu avô, meu grande Maestro Antonio Carlos “Brasileiro” Jobim+ e ao grande trompetista “cool jazz” Chet Baker+. Gostaria também de dedicar este trabalho a todos os operadores de restituição fotogramétrica, pois a idéia deste trabalho surgiu com a preocupação da minimização do esforço operacional. AGRADECIMENTOS É difícil reunir todas as pessoas que tiveram contato direto e indireto ao longo de um trabalho extenso como este (considerando a formação acadêmica). Mas em particular expresso meus agradecimentos: ü ao Prof. Dr. Antonio Maria Garcia Tommaselli, que me orientou não somente às melhores diretrizes deste trabalho, como também em alguns momentos críticos de minha vida pessoal; ü aos professores do departamento de Cartografia e da Pós-Graduação; ü ao meu grande irmão Samuel, mostrando-me o caminho da serenidade; ü aos amigos: Ítalo; Danoninho, Mário; Fran; Geraldo; Wagninho; Milton; e Silvio por colaborarem com idéias (sem mesmo se conscientizarem disso); ü aos caros Prof. Dr. Nilton Imai, Prof. Dr. Arana e Prof. Galo, por terem proferido palavras de força em momentos difíceis; ü à todos os funcionários da FCT; ü aos caros colegas do laboratório de Fotogrametria Digital e da Pós- Graduação; ü à Empresa de Aerofotogrametria e Aerolevantamentos Esteio, por ter fornecido os dados para a realização deste trabalho; ü à Fapesp (Fundação de Amparo à Pesquisa do Estado de São Paulo) pelo apoio financeiro através dos auxílios n. 97-10749-4. (Infra III) e n. 00/00539-7 (Bolsa de Mestrado). EPÍGRAFE “Será possível um dia, o homem controlar as características instáveis da Ciência, buscando uma nova identidade de soluções e problemas, ao acaso infinito de possibilidades que o universo nos proporciona?”. Será sempre justo o homem da Ciência julgar-se soberano, desacreditado das forças exteriores que movem seus instintos? Talvez um dia então, ficará claro que todas as Ciências, conseguirão atribuir, relacionar e manipular todo seu potencial, unificando seus mistérios às outras formas em potencialidade!” Daniel, 03 de 2002 CONTEÚDO FOLHA DE ROSTO ................................................................................................................................ i TERMO DE APROVAÇÃO .................................................................................................................... ii DEDICATÓRIA ....................................................................................................................................... iii AGRADECIMENTOS ............................................................................................................................. iv EPÍGRAFE............................................................................................................................................... v LISTA DE FIGURAS............................................................................................................................... viii LISTA DE TABELAS.............................................................................................................................. xii RESUMO.................................................................................................................................................. xiii ABSTRACT.............................................................................................................................................. xiv CAPÍTULO 1............................................................................................................................................ 1 INTRODUÇÃO ........................................................................................................................................ 1 1.1 Considerações Iniciais ...................................................................................................................... 1 1.2 Objetivos do Trabalho ..................................................................................................................... 2 1.3 Estrutura do trabalho ...................................................................................................................... 3 CAPÍTULO 2............................................................................................................................................ 4 REVISÃO DA BIBLIOGRAFIA ............................................................................................................. 4 2.1 Extração de Feições.......................................................................................................................... 4 2.1.1 Considerações Iniciais ................................................................................................................ 4 2.1.2 Etapa de Suavização................................................................................................................... 6 2.1.2.1 Filtro Mediana ...................................................................................................................... 7 2.1.2.2 Filtro Mediana com Preservação de Bordas e Cantos.......................................................... 8 2.1.3 Etapa de Detecção de Bordas ..................................................................................................... 9 2.1.3.1 Detectores de Bordas ............................................................................................................ 11 2.1.3.2 Operadores de Prewitt e Sobel............................................................................................. 11 2.1.3.3. Operador de Nevatia e Babu............................................................................................... 12 2.1.4 Etapa de Limiarização Automática............................................................................................ 14 2.1.4.1 Técnicas de Obtenção de um Limiar.................................................................................... 15 2.1.5 Etapa de Afinamento de Bordas ................................................................................................ 19 2.1.5.1 Método de Supressão Não-Máxima...................................................................................... 20 2.1.6 Etapa de Conexão....................................................................................................................... 22 2.1.6.1 Método de Varredura e Rotulação ....................................................................................... 22 2.1.7 Etapa do Ajustamento................................................................................................................ 25 2.2 Etapa de Detecção de Cantos ........................................................................................................... 25 2.2.1 OPERADOR MORAVEC ......................................................................................................... 26 2.3 Geração do Modelo Numérico de Elevações..................................................................................... 30 2.3.1 Definições ................................................................................................................................... 30 2.3.2 Fontes de Dados ......................................................................................................................... 31 2.3.2.1 Varredura a Laser................................................................................................................ 31 2.3.2.2 Fotogrametria....................................................................................................................... 32 2.3.3 Aquisição dos Dados................................................................................................................... 33 2.3.3.1 Nível de Intervenção do Operador ....................................................................................... 33 2.3.3.1.1 Automática ..................................................................................................................... 33 2.3.4 Formas de Organização e Armazenamento do Modelo de Elevações ......................................... 34 2.3.4.1 Forma de Organização.......................................................................................................... 35 2.3.4.2 Forma de Armazenamento.................................................................................................... 36 2.4 Arquitetura e Rotinas Operacionais do Sistema Socet Set .............................................................. 37 2.5 Geração Automática de Modelos no Sistema Socet Set.................................................................... 37 2.5.1 Estratégia de Filtragem e Eliminação de Edificações e Árvores................................................ 38 2.6 Extração Automática de Feições no Socet Set .................................................................................. 40 2.6.1 Funções com Recursos de PDI.................................................................................................... 40 CAPÍTULO 3............................................................................................................................................ 41 MATERIAIS E MÉTODOS .................................................................................................................... 41 3.1 Materiais .......................................................................................................................................... 41 3.2 Metodologia...................................................................................................................................... 41 3.2.1 Definição de Parâmetros do Projeto........................................................................................... 43 3.2.2 Importação das Imagens............................................................................................................. 43 3.2.3 Orientação Interior..................................................................................................................... 43 3.2.4 Fototriangulação......................................................................................................................... 44 3.3 Técnicas de Extração de Feições em Empresas de Fotogrametria ................................................... 44 3.4 Metodologia Empregada para Elaboração de um Fluxo de Etapas para Extração de Semi-Automática de Feições.................................................................................................................. 46 3.5 Etapa de Intersecção de Retas ......................................................................................................... 47 3.6 Metodologia Utilizada para Converter MNE numa Imagem em Tons de Cinza ............................. 50 3.7 Estudo de Zonas sem Correspondência............................................................................................ 56 3.7.1 Estudo Teórico de Fatores que Provocam Perturbações na Geração do MNE.......................... 56 3.7.1.1 Deslocamento Devido ao Relevo............................................................................................ 56 3.7.1.2 Sombras................................................................................................................................ 61 3.7.1.3 Ângulo de Abertura da Câmara .......................................................................................... 62 3.7.2 Problemas no Algoritmo de Geração de Modelos de Elevações Utilizados pelo Sistema Socet Set......................................................................................................................... 64 3.8 Processo de Eliminação de Linhas Consideradas Insignificantes por Votação................................ 67 CAPÍTULO 4............................................................................................................................................ 70 EXPERIMENTOS E ANÁLISES............................................................................................................ 70 4.1 Ferramenta Sketch – Extração Semi-Automática de Feições do Socet Set ...................................... 70 4.2 Geração Automática de MNE .......................................................................................................... 71 4.3 Descrição e Análise da Ferramenta de Extração Semi-Automática de Edificações de Interesse.......................................................................................................................................... 78 CAPÍTULO 5............................................................................................................................................ 101 CONCLUSÕES E RECOMENDAÇÕES ................................................................................................ 101 5.1 Conclusões........................................................................................................................................ 101 5.2 Recomendações................................................................................................................................. 103 REFERÊNCIAS BIBLIOGRÁFICAS E BIBLIOGRAFIA.................................................................... 105 Referências Bibliográficas ..................................................................................................................... 105 Bibliografia ............................................................................................................................................ 107 APÊNDICE A........................................................................................................................................... 109 APÊNDICE B ........................................................................................................................................... 119 APÊNDICE C........................................................................................................................................... 128 APÊNDICE D........................................................................................................................................... 134 LISTA DE FIGURAS Figura 2.1 - Uma das seqüências utilizadas para extração de feições............................................................. 6 Figura 2.2 - Processo de convolução aplicado numa imagem digital ............................................................. 6 Figura 2.3 - Aplicação do filtro mediana3x1 numa linha da imagem............................................................... 7 Figura 2.4 - Filtros direcionados de suavização com preservação de bordas e cantos .................................... 8 Figura 2.5 - (a) Imagem original; (b) Aplicação do filtro mediana; (c) Aplicação do filtro de suavização com preservação de bordas ......................................................................................................... 9 Figura 2.6 - (a) imagem com descontinuidade, (b) sinal da descontinuidade, (c) primeira derivada do sinal e (d) segunda derivada do sinal.................................................................................... 10 Figura 2.7 - Determinação da magnitude e direção dos gradientes ................................................................ 11 Figura 2.8 - Máscaras utilizadas no operador de Prewitt .............................................................................. 12 Figura 2.9 - Máscaras utilizadas no operador de Sobel................................................................................. 12 Figura 2.10 - Máscaras utilizadas pelo operador Nevatia e Babu .................................................................. 13 Figura 2.11 - (a) Operador Sobel; (b) Operador Nevatia e Babu ................................................................... 14 Figura 2.12 - (a) Imagem aérea; (b) Histograma da imagem aérea (c) Imagem binária; (d) Histograma da imagem binária ............................................................................................ 15 Figura 2.13 – (a) Imagem original; (b) histograma da imagem; (c) Critério utilizado para a determinação do valor de limiar pelo Método do Triângulo (valores de borda alto e fundo baixo) ....................................................................................................................... 16 Figura 2.14 – (a) Método de limiarização OTSU; (b) Método de limiarização PUN ..................................... 19 Figura 2.15 – (a) Situação ideal dos pixels representando um segmento; (b) Situação real da borda com alguns pixels de largura.................................................................................................. 20 Figura 2.16 - Direções consideradas no método de afinamento por supressão não máxima ............................ 21 Figura 2.17 – Detalhe gráfico da necessidade de interpolação na comparação de vizinhos na diagonal ............................................................................................................................ 21 Figura 2.18 - Supressão não-máxima aplicada na imagem ............................................................................ 22 Figura 2.19 - Classificação dos pixels envolvidos no processo de conexão .................................................... 23 Figura 2.20 - Solução para evitar o problema quando o pixel não possui direção e magnitude ....................... 24 Figura 2.21 - Vizinhanças a serem verificadas no processo de conexão......................................................... 24 Figura 2.22 – (a) Caso em que não se consegue obter uma minimização suficiente; (b) Quebra das retas em retas menores........................................................................................................... 25 Figura 2.23 - (a) Janela 3x3 mostrando as direções 00, 450, 900 e 1350; (b) sistema de referencia com origem no centro da janela 3x3 ....................................................................................... 26 Figura 2.24 - (a) Imagem original em tons de cinza; (b) Resultado dos cantos detectados com uma máscara 3x3. ......................................................................................................................... 27 Figura 2.25 - Janela 3x3 mostrando as direções 26.60, 63.40, 116.60 e 153.40 (Fonte: Galo e Tozzi, 2000) .................................................................................................................................... 28 Figura 2.26 – (a) Imagem original; (b) Cantos detectados com 8 máscaras com um limiar obtido pelo método OTSU................................................................................................................ 29 Figura 2.27 - Geração de Modelo Digital de Elevação por varredura a laser (Fonte: Toposys) ...................... 31 Figura 2.28– Respostas da reflectância dos pulsos do laser ......................................................................... 32 Figura 2.29 – Organização no formato regular ............................................................................................. 35 Figura 2.30 – Forma de armazenamento dos dados da grade regular............................................................. 36 Figura 2.31 - Pirâmide Imagem (processo de Minificação). .......................................................................... 39 Figura 2.32 – Perfil do Modelo gerado automaticamente.............................................................................. 39 Figura 2.33 – Perfil do Modelo gerado com a utilização de filtros de suavização .......................................... 40 Figura 3.1 – Fluxograma para intersecção de retas ....................................................................................... 48 Figura 3.2 - (a), (b) e (c) Imagens originais; (d), (e) e (f) Intersecções dos cantos das retas calculadas ............................................................................................................................. 49 Figura 3.3 – Arquivo ASCII gerado pelo sistema ......................................................................................... 51 Figura 3.4 – Área de cobertura da edificação de interesse definida pelo operador ......................................... 51 Figura 3.5 – Representação do perfil do MNE gerado pelo sistema Socet Set ............................................... 52 Figura 3.6 – Região de pontos definidos dentro de um limiar de altitude do topo.......................................... 53 Figura 3.7 – Perfil de duas edificações ........................................................................................................ 54 Figura 3.8 – (a) Imagem original; (b) Modelo convertido numa imagem em tons de cinza; (c) Bordas detectadas ............................................................................................................... 54 Figura 3.9 - Fluxograma do processo de conversão do Modelo gerado numa imagem em tons de cinza ..................................................................................................................................... 55 Figura 3.10 – Parâmetros do deslocamento devido ao relevo ........................................................................ 57 Figura 3.11 – Deslocamento devido ao relevo.............................................................................................. 58 Figura 3.12 – Esquema de correção do MNE gerado (sem escala) ................................................................ 60 Figura 3.13 – Perfil apresentado para ilustrar áreas de zonas sem correspondência; (b) Direção de correção do ∆r ....................................................................................................................... 60 Figura 3.14 – Presença de sombras na tomada de imagens aéreas. (a) Imagem da esquerda; (b) imagem da direita .................................................................................................................. 61 Figura 3.15 – (a) Modelo local deformado; (b) Representação da área interpolada........................................ 62 Figura 3.16 – Presença de sombra cobrindo uma parte da EI ........................................................................ 62 Figura 3.17 – Ilustração do ângulo morto. (a) Abertura angular pequena da câmara com altitude de vôo alta; (b) Abertura angular pequena com altitude de vôo baixa........................................... 63 Figura 3.18 – Ilustração de ângulo morto relacionado com a altura das edificações. (a) Edificação alta; (b) Edificação baixa ....................................................................................................... 64 Figura 3.19 – (a) Edificação localizada na imagem da esquerda; (b) Edificação localizada na imagem da direita ............................................................................................................... 65 Figura 3.20 – Perfil 3D da edificação. (a) Perfil da imagem da foto da esquerda; (b) Perfil da imagem da foto da direita.................................................................................................... 65 Figura 3.21 – Situação ideal na geração dos pontos por correlação automática.............................................. 66 Figura 3.22 – Situação anômala fornecida pelo sistema Socet Set ................................................................ 66 Figura 3.23 – (a) Vetores extraídos e borda do MNE; (b) Vetor que será analisado; (c) Comprimento da reta; (d) Sentido de varredura do algoritmo dentro do buffer ...................... 67 Figura 3.24 – (a) Edificação com duas retas paralelas e próximas a serem analisadas; (b) Análise da reta que define o topo da EI; (c) Análise da reta que não define o topo da EI; (d) Resultado obtido pelo processo de votação .......................................................................... 68 Figura 3.25 – Fluxograma do processo de votação ....................................................................................... 69 Figura 4.1 – (a) Imagem original; (b) Vista isométrica do MNE gerado com a estratégia adaptativa do aplicativo; (c) MNE gerado com a estratégia adaptativa modificada (parâmetro para não realização de interpolação de pontos críiticos); (d) Estratégia não- adaptativa steep. (e) Imagem do MNE gerado em tons de cinza com a estratégia adaptativa ........................................................................................................................... 71 Figura 4.2 – (a) Imagem Original; (b) vista isométrica do MNE gerado (método adaptativo); (c) Método adaptativo modificado; (d) Imagem do MNE em tons de cinza ................................... 73 Figura 4.3 – (a) Imagem Original; (b) vista isométrica do MNE gerado (método adaptativo); (c) Imagem do MNE em tons de cinza......................................................................................... 74 Figura 4.4 – (a) Imagem Original; (b) vista isométrica do MNE gerado (método adaptativo); (c) Imagem do MNE em tons de cinza......................................................................................... 75 Figura 4.5 – Experimentos realizados utilizando-se o método adaptativo para geração automática de MNE ................................................................................................................................ 76 Figura 4.6 – Imagens com sobreposição da cidade de Poços de Caldas e localização das edificações de interesse.......................................................................................................... 78 Figura 4.7 – Recorte da imagem que contém a edificação de interesse.......................................................... 80 Figura 4.8 – (a) Posição da edificação numa fotografia 23x23 cm; (b) Edificações em ambas as imagens do estéreo-par .......................................................................................................... 81 Figura 4.9 – (a) Bordas do MNE gerado; (b) Bordas sobrepostas à EI recortada............................................ 82 Figura 4.10 – (a) Vetores extraídos no processo de extração de feições; (b) Zoom das retas que compõem o topo da EI ........................................................................................................... 82 Figura 4.11 – (a) Edificação de interesse; (b) Imagem recortada................................................................... 83 Figura 4.12 – Posição da edificação numa fotografia 23x23 cm.................................................................... 83 Figura 4.13 – (a) Bordas do MNE gerado; (b) Bordas sobrepostas à EI recortada.......................................... 84 Figura 4.14 – (a) Vetores extraídos; (b) Resultado da operação realizada (zoom das retas significativas extraídas) ......................................................................................................... 84 Figura 4.15 – Edificação de interesse .......................................................................................................... 85 Figura 4.16 – (a) Bordas do MNE gerado com PL de 100%; (b) Bordas sobrepostas à EI .............................. 86 Figura 4.17 – (a) Pontos correlacionados e ZSC; (b) Perfil da EI mostrando zonas com e sem correspondência..................................................................................................................... 86 Figura 4.18 – (a) Vetores extraídos; (b) Retas significativas; (c) Zoom das retas significativas extraídas ............................................................................................................................... 87 Figura 4.19 – Imagem original e edificação de interesse............................................................................... 87 Figura 4.20 – (a) Bordas do MNE gerado com limiar de 70%; (b) Bordas sobrepostas à EI........................... 88 Figura 4.21 – (a) Retas extraídas; (b) Retas extraídas após o processo de eliminação de LI’s; (c) Retas significativas editadas .................................................................................................. 89 Figura 4.22 – Edificação com estrutura complexa ........................................................................................ 89 Figura 4.23 – (a) Posição da edificação numa fotografia 23x23 cm; (b) Edificações em ambas as imagens do estéreo-par .......................................................................................................... 90 Figura 4.24 – (a) Bordas do MNE gerado; (b) Bordas sobrepostas à EI......................................................... 91 Figura 4.25 – (a) Retas extraídas do processo de extração de feições; (b) Retas significativas ....................... 91 Figura 4.26 – Recorte da EI ........................................................................................................................ 92 Figura 4.27 – Posição da edificação numa fotografia 23x23 cm (posição SO, ponto 2).................................. 93 Figura 4.28 – (a) Bordas do MNE gerado com limiar de 60%; (b) Bordas do MNE sobrepostas à EI............. 93 Figura 4.29 – (a) Retas extraídas; Zoom das retas significativas extraídas .................................................... 94 Figura 4.30 – Imagem original e edificação de interesse............................................................................... 94 Figura 4.31 – Posição da edificação numa fotografia 23x23 cm (região SO, estrutura com exagero de escala) .............................................................................................................................. 95 Figura 4.32 – (a) Bordas do MNE gerado com limiar de 45%; (b) Bordas do MNE e EI............................... 96 Figura 4.33 – (a) Retas obtidas pelo fluxo de etapas de extração; (b) Retas significativas.............................. 96 Figura 4.34 – Imagem original e recorte da edificação de interesse............................................................... 97 Figura 4.35 – Bordas sobrepostas à edificação de interesse........................................................................... 97 Figura 4.36 – (a) Retas extraídas; (b) Resultado obtido................................................................................ 98 LISTA DE TABELAS Tabela 3.1 – Parâmetros utilizados no projeto de Poços de Caldas................................................................ 43 Tabela 3.2 – Percentual de extração de cada tipo de feição para um projeto cadastral. ................................... 45 Tabela 4.1 - Dados representativos da diminuição do esforço operacional no caso proposto........................... 99 Tabela 4.2 - Dados representativos da diminuição do esforço operacional em casos reais .............................. 99 RESUMO A tarefa que demanda maior tempo dos operadores fotogramétricos, ainda não está automatizada, a extração de feições. A extração semi-automática de feições tem sido apontada como a ferramenta que possibilitaria um substancial aumento na produção durante a restituição, particularmente de áreas urbanas, pois as feições lineares são bastante encontradas em regiões modificadas pelo homem. Para as empresas de Fotogrametria, as edificações são feições que exigem maior demanda do processo de extração, representando até 50% do total de feições que devem ser extraídas numa restituição com propósitos cadastrais. Entretanto, por apresentarem variadas formas é muito complicada a implementação de ferramentas automáticas para a extração destas feições. Uma das seqüências possíveis para a extração é: suavização da imagem; detecção de bordas; limiarização automática; afinamento por supressão não máxima; conexão por varredura e rotulação; ajuste das retas; e fechamento de polígonos. O processo de extração de feições é uma tarefa complexa, pelo fato da existência dos variados tipos de estruturas e formas de edificações, oclusões, efeitos de sombras, deslocamento devido ao relevo, ruídos, baixo contraste, entre outros fatores. Para a solução do problema é necessário implementar uma ferramenta que necessite da mínima interação possível com o operador, tornando o processo semi-automático. A solução ideal seria a coleta de apenas um ponto semente (dado pelo operador), e a utilização de um fluxo de etapas para extração de edificações, em conjunto com as informações de alta freqüência do MNE (Modelo Numérico de Elevações). O MNE seria usado como um canal adicional para eliminar as linhas consideradas insignificantes no processo, mantendo-se apenas as linhas de interesse, que definem o topo da edificação de interesse (EI). Os experimentos realizados apresentaram resultados satisfatórios, principalmente quando se tem EI isoladas, podendo-se afirmar que a metodologia proposta é válida, pois a interação com o operador é reduzida, mas ainda existe a necessidade de um considerável melhoramento no processo e principalmente na modelagem das elevações. ABSTRACT Feature extraction is the more time consuming photogrammetric task, and it is not fully automatic. Semi-automatic feature extraction has been considered as a tool that could increase the efficiency of photogrammetric restitution. Buildings are features that represent 50% of total of features that should be extracted in cadastral projects. There are several stages that can be performed for feature extraction. An example of such process is: smoothing; edge detection; thresholding; thinning; linking; adjustment of straight lines; and polygon closing. The process of feature extraction is a complex task, due to different types of structures and shapes of buildings, effect of shadows, relief displacement and others factors. The aim of this work is to implement a tool that reduces the effort of photogrammetric operators in feature extraction. An ideal solution should be collect just one seed point (by the operator), and to use an automatic pipeline of building extraction, using the DEM (Digital Elevation Model) as a additional level to remove lines in the process. The obtained results show that the number of selected points is reduced, mainly in isolated buildings, but there is a need to improved the process with better building modeling. Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 1 CAPÍTULO 1 INTRODUÇÃO 1.1 Considerações Iniciais De acordo com a ASPRS (American Society for Photogrammetry and Remote Sensing) 1979, a Fotogrametria é a Arte, Ciência e Tecnologia de obtenção de informações confiáveis sobre objetos físicos e o meio ambiente através de processos de gravação, medição e interpretação de imagens fotográficas e padrões de energia eletromagnética radiante e outros fenômenos. Nos primórdios da Fotogrametria surgiram os primeiros restituidores analógicos. Esses instrumentos eram de alto custo, introduziam erros provocados pelas tarefas repetitivas dos operadores e pelos componentes óticos e mecânicos, e não possuíam nenhum dispositivo automático. Com o advento dos computadores surgiu a Fotogrametria Digital, que é uma descrição genérica para uma nova forma de utilizar a Fotogrametria, baseada em imagens digitais (obtidas por meio de câmaras digitais ou digitalização). Com isto, foram desenvolvidos sistemas fotogramétricos digitais que, atualmente, são considerados a terceira geração dos instrumentos fotogramétricos, posterior aos instrumentos analíticos (2º geração) e analógicos (1º geração). Com o surgimento dos sistemas fotogramétricos digitais, o tempo necessário para a realização das tarefas fotogramétricas diminuiu consideravelmente, devido à automação de alguns processos, tais como a geração de MDT (Modelo Digital do Terreno), orientações interior e relativa, e a produção de ortoimagens. A fase que demanda maior tempo dos operadores e que, portanto, é a de maior custo, ainda não está automatizada: a extração de feições. Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 2 A tecnologia fotogramétrica ainda não conseguiu suprir a inteligência humana nos processos de identificação de feições, pois este processo exige “inteligência” e interpretação, que somente o sistema visual do ser humano pode realizar, por enquanto. Por isso, o operador é ainda uma peça imprescindível para o funcionamento eficiente das ferramentas de extração de feições. Pelo fato das edificações demandarem maior percentual de tempo de restituição (cerca de 55%) num projeto cadastral, é de extrema importância o estudo e a implementação de algoritmos para extração automática e semi- automática de Edificações de Interesse (EI). Isto ajudará na redução do custo e tempo de produção, abrindo um novo leque de possibilidades para pesquisas nesta linha, levando ao aumento de produtividade. Para a solução do problema (diminuição do esforço operacional) é necessário implementar uma ferramenta que necessite da mínima interação possível com o operador, tornando o processo semi-automático. A solução ideal seria a coleta de apenas um ponto semente (dado pelo operador), e a utilização de um fluxo de etapas para extração de edificações, em conjunto com as informações de alta freqüência do MNE (Modelo Numérico de Elevações). O MNE seria usado como um canal adicional para eliminar as linhas consideradas insignificantes (LI’s) no processo, mantendo-se apenas as linhas de interesse, que definem o topo da EI. 1.2 Objetivos do Trabalho As ferramentas para extração semi-automática de feições visam facilitar a tarefa dos operadores, bem como reduzir custos e diminuir o tempo de produção (restituição, orientação interior e relativa etc). Com a preocupação do esforço operacional despendido nas tarefas de restituição fotogramétrica (especificamente em projetos cadastrais) e a finalidade de contribuir com o conjunto de ferramentas existentes para extração semi-automática de feições, este trabalho tem como objetivo: Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 3 ü Analisar o tipo de feição que despende maior tempo na restituição fotogramétrica em projetos cadastrais; ü Empregar uma metodologia para extrair semi-automaticamente feições de interesse utilizando a informação do MNE como um canal adicional para eliminar linhas consideradas insignificantes; ü Estudar as possíveis etapas existentes num processo de extração de feições (especificamente edificações); ü Elaborar um fluxo de etapas para extração semi-automática de edificações; ü Realizar experimentos; e ü Analisar os resultados obtidos com dados reais. 1.3 Estrutura do Trabalho No capítulo 2 será apresentada a revisão da bibliografia realizada, incluindo uma das seqüências das etapas para extração de feições, identificação e detecção de cantos, geração de Modelos Numéricos de Elevação (aplicações, formas de coleta, organização e armazenamento dos dados) e a estrutura do sistema Socet Set, utilizado para gerar automaticamente o MNE. O capítulo 3 apresentará os materiais utilizados, a metodologia empregada na criação de projetos no sistema digital, a metodologia utilizada para gerar o MNE automaticamente no aplicativo Socet Set, para converter o MNE gerado numa imagem em tons de cinza (utilizado como um canal adicional), para eliminação de LI’s, por um processo de votação. O capítulo 4 apresentará os resultados e análises dos experimentos realizados e o capítulo 5 as conclusões e recomendações do trabalho. Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 4 CAPÍTULO 2 REVISÃO DA BIBLIOGRAFIA 2.1 Extração de Feições 2.1.1 Considerações Iniciais A análise de imagens é uma tarefa muito difícil de ser implementada e o que há de fato disponível, até o momento, é um conjunto de técnicas de processamento de imagens, que podem ser utilizadas para obter informações sobre os objetos presentes na cena. Devido a impossibilidade de uma análise confiável das imagens obtidas, dada por vários fatores tais como: luminosidade, presença de ruídos etc. Uma série de aplicações que atualmente precisam ser executadas pelo ser humano, ainda se apresentam sem solução automatizada. Abaixo serão relacionadas algumas das diversas aplicações que utilizam processamento de imagens: ü Cartografia: identificação, interpretação de objetos presentes nas imagens, lançamento de pontos sementes entre outras operações ainda são realizadas pelo operador humano; ü Medicina: técnicas de tomografia computadorizada, ressonância magnética e radiografia baseada em Raio-X, dependem de processos automáticos, para o auxílio do diagnóstico em imagens de órgãos do corpo humano; ü Visão Computacional: consiste na automação de tarefas realizadas pelos seres humanos. Para isso, todas as funções realizadas pelo cérebro humano devem ser automatizadas; ü Fotogrametria: tarefas como orientação interior e exterior, restituição, geração de MDTs entre outras, ainda não se encontram totalmente automatizadas. Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 5 Numa restituição fotogramétrica a extração de feições é a etapa da produção que exige maior esforço por parte do operador. Por isso, existe uma grande preocupação dos fotogrametristas em relação à produtividade e, atualmente, com a eficiência das ferramentas implementadas para esta tarefa. As edificações exigem maior demanda do processo de extração para as empresas de Fotogrametria, representando cerca de 55% do total de feições que devem ser extraídas numa restituição com propósitos cadastrais (ver capítulo 3, item 3.3). As formas das edificações são bastante diversificadas, isto é, não se tem uma forma padronizada, existindo edificações com cumes planos (plane roof), com duas ou mais águas (gable roof) entre outros tipos, dificultando a definição de um fluxo computacional para a implementação de ferramentas de extração automática de feições. Por isso, ainda é utilizado o operador humano para o reconhecimento de formas e fornecimento de pontos sementes (fornecem diretrizes para os algoritmos) tornando o processo semi-automático. Num processo de extração semi-automática de feições, existem variadas seqüências, estratégias e combinações de etapas. A seqüência proposta neste trabalho, incluindo uma estratégia para eliminação de LI’s, pode ser resumida na figura 2.1. Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 6 Figura 2.1- Uma das seqüências utilizadas para extração de feições. 2.1.2 Etapa de Suavização A etapa de suavização compreende um pré-processamento na imagem, de modo que o resultado obtido forneça uma imagem mais apropriada para uma aplicação específica. A suavização é considerada mais eficiente quando aplicado um filtro que atenue ou elimine ruídos e preserve as bordas presentes na imagem. A suavização é aplicada na imagem através de filtros que são definidos, normalmente, por uma máscara que se desloca sobre a imagem (figura 2.2). Figura 2.2 - Processo de convolução de máscaras. Máscara 3x3 Imagem digital SUAVIZAÇÃO DETECÇÃO DE BORDAS LIMIARIZAÇÃO AFINAMENTO CONEXÃO AJUSTAMENTO DE RETAS INTERSECÇÃO DE RETAS FECHAMENTO DE POLÍGONOS ELIMINAÇÃO DE LI’s Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 7 Existem vários tipos de filtros de suavização, com diferentes características e que podem ser utilizados para diferentes aplicações. No caso de extração de feições, a borda é uma das informações mais importantes e um filtro que atenue demasiadamente as informações de borda (filtro média, por exemplo) não é de interesse. Neste trabalho serão apresentados apenas o filtro da mediana e o filtro mediana com preservação de bordas e cantos. 2.1.2.1 Filtro Mediana A filtragem pela mediana, por ser um filtro não-linear, cuja função básica consiste em computar o valor médio dos níveis de cinza na vizinhança em que o filtro está posicionado (Gonzalez e Woods, 2000), não pode ser realizado tipicamente por meio de um processo de convolução de máscaras (figura 2.2), como mostra a figura 2.3. Figura 2.3- Aplicação do filtro mediana3x1 (Adaptado de Artero, 1999). O filtro da mediana apresenta bons resultados na suavização, eliminando os componentes de alta freqüência (ruídos e excesso de detalhes que não são de interesse para a detecção de bordas) e preservando as bordas. Máscara 3x1 Imagem original Imagem filtrada 180 200 200 205 ... 200 200 ... Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 8 2.1.2.2 Filtro Mediana com Preservação de Bordas e Cantos De acordo com Artero (1999) appud Newton1 (1993), neste filtro o valor a ser atribuído ao pixel será dado pela mediana da vizinhança que apresentar a menor variância. Para isto, é pesquisada a região de menor variância, sendo considerados 3 modelos: o 1º modelo possui 4 regiões (Nordeste, Sudeste, Sudoeste e Noroeste) com sete pixels cada (figura 2.4a); o 2º modelo também com 4 regiões (Norte, Sul, Leste e Oeste) e 7 pixels cada (figura 2.4b); e o 3º modelo possui apenas 1 região central (9 pixels), como mostra a figura 2.4c. Figura 2.4- Filtros direcionados de suavização com preservação de bordas e cantos. (a) 10 modelo (N, S, L, O); (b) 20 modelo (NO, ND, SD, SO); (c) Central (Adaptado de Artero, 1999). 1 NEWTON, W. An Approach to the Identification of Forest in Thematic Mapper Imagery Within the Context of Change Detection System. M. Sc. Tesis. University College London, 1993. (a) (b) (c) Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 9 A figura 2.5 mostra a diferença de resultados entre o filtro da mediana e o filtro de suavização com preservação de bordas e cantos. Figura 2.5 - (a) Imagem original; (b) Aplicação do filtro mediana; (c) Aplicação do filtro de suavização com preservação de bordas. Percebe-se na figura 2.5(c), que as bordas estão serrilhadas podendo provocar quebras no alinhamento contínuo das bordas dificultando e aumentando o custo computacional do processo de conexão e rotulação, enquanto que na figura 2.5(b), verifica-se que o filtro da mediana elimina os ruídos presentes na imagem, preservando muito bem as bordas. 2.1.3 Etapa de Detecção de Bordas A borda, sendo definida como uma descontinuidade abrupta dos valores de brilho numa imagem em tons de cinza, que define o contorno dos objetos presentes na imagem, é o elemento de maior interesse no processo de extração de feições. A figura 2.6 mostra uma borda dada numa imagem em tons de cinza e os gráficos da primeira e segunda derivada associada a esta borda. (a) (b) (c) Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 10 Figura 2.6- (a) Imagem com descontinuidade, (b) Sinal da descontinuidade, (c) Primeira derivada do sinal e (d) Segunda derivada do sinal (Fonte: Gonzalez e Woods, 2000). A segunda derivada apresentada na figura 2.6d, é também conhecida como laplaciano e neste caso apresenta uma passagem por zero (zero-crossing) exatamente na localização da descontinuidade. O operador laplaciano é pouco utilizado na prática por ser sensível a ruídos e também por produzir duplas bordas, sendo incapaz de detectar a direção das bordas (Gonzalez e Woods, 2000). Os detectores de borda formam um conjunto de métodos de pré- processamento utilizados para detectar mudanças abruptas na intensidade dos brilhos. Uma mudança da intensidade do brilho pode ser descrita por um gradiente nas direções x e y (Gx e Gy), sendo esses gradientes definidos da seguinte forma: y yxf Gy x yxf Gx ∂ ∂ = ∂ ∂ = ),( ),( (2.1) Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 11 Desta forma, através da equação (2.2) e (2.3), pode-se obter duas propriedades de borda, isto é, direção e magnitude (resultante de Gx e Gy) (Sonka et al, 1998). Figura 2.7- Determinação do gradiente de magnitude e direção. 22 GyGxmagnitudeGxGy += (2.2)      = Gx Gy arctanα (2.3) A detecção de bordas representa um passo extremamente importante na análise de imagens (Sonka et al, 1998). 2.1.3.1 Detectores de Bordas Uma das principais técnicas utilizadas para a detecção de bordas no domínio espacial é através de operadores diferenciais. Abaixo serão apresentados os principais operadores detectores de borda que são obtidos a partir de aproximações de derivadas parciais, tais como operador de Prewitt, Sobel e Nevatia e Babu. 2.1.3.2 Operadores de Prewitt e Sobel Dois dos operadores muito utilizados são os operadores de Prewitt e operador de Sobel (Gonzalez e Woods, 2000). O operador de Prewitt utiliza duas máscaras de convolução conforme apresentado na figura 2.8. α G G y Magnitude borda Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 12 Figura 2.8 – Máscaras utilizadas no operador de Prewitt. O operador de Sobel considera que os pixels mais próximos do centro da máscara possuem maior influência no gradiente, definindo assim máscaras com maior influência na região central (figura 2.9). Figura 2.9 - Máscaras utilizadas no operador de Sobel. Da aplicação dos operadores em Gx e Gy resultam os gradientes das bordas para as duas respectivas direções em x e y. Com Gx e Gy é possível calcular a magnitude da borda e o ângulo de direção utilizando as respectivas equações (2.2) e (2.3), como descrito anteriormente. 2.1.3.3 Operador Nevatia e Babu O conjunto de máscaras utilizadas por Nevatia e Babu é construído de tal forma a apresentar maior resposta para linhas com diversos ângulos de inclinação. O operador de Nevatia e Babu utiliza 12 máscaras para a detecção de linhas com inclinações variando de 300 em 300 (00 a 3300) (Artero, 1999). Neste operador é realizado um processo de convolução (figura 2.2), sendo calculada uma magnitude através de cada máscara e, para cada pixel a magnitude é dada pela maior resposta calculada e a direção é dada pelo ângulo associado à máscara de maior resposta. 1 0 -1 1 0 -1 1 0 -1 1/3 Gx 1 1 1 0 0 0 -1 -1 -1 1/3 Gy 1 0 -1 2 0 -2 1 0 -1 1/4 Gx 1 2 1 0 0 0 -1 -2 -1 1/4 Gy Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 13 Figura 2.10 - Máscaras do operador Nevatia e Babu (Fonte: Artero, 1999). 100 100 0 -100 -100 -100 -100 0 100 100 100 100 0 -100 -100 -100 -100 0 100 100 100 100 0 -100 -100 -100 -100 0 100 100 100 100 0 -100 -100 -100 -100 0 100 100 100 100 0 -100 -100 -100 -100 0 100 100 0º 180º 100 -32 100 -100 -100 -100 32 100 100 100 100 78 -92 -100 -100 -100 -78 92 100 100 100 100 0 -100 -100 -100 -100 0 100 100 100 100 92 -78 -100 -100 -100 -92 78 100 100 100 100 32 -100 -100 -100 -100 -320 100 30º 210º -100 -100 -100 -100 -100 100 100 100 100 100 32 -78 -100 -100 -100 -32 78 100 100 100 100 100 0 -92 -100 -100 -100 0 92 100 100 100 100 78 32 -100 -100 -100 -78 -32 100 100 100 100 100 -100 -100 -100 -100 -100 60º 240º -100 -100 -100 -100 -100 100 100 100 100 100 -100 -100 -100 -100 -100 100 100 100 100 100 0 0 0 0 0 0 0 0 0 0 100 100 100 100 100 -100 -100 -100 -100 -100 100 100 100 100 100 -100 -100 -100 -100 -100 90º 270º -100 -100 -100 -100 -100 100 100 100 100 100 -100 -100 -100 -78 32 100 100 100 78 -32 -100 -92 0 92 100 100 92 0 -92 -100 -32 78 100 100 100 32 -78 -100 -100 -100 100 100 100 100 100 -100 -100 -100 -100 -100 120º 300º -100 -100 -100 -32 -100 -100 -100 -100 -32 -100 -100 -100 -92 78 -100 -100 -100 -92 78 -100 -100 -100 0 100 100 -100 -100 0 100 100 100 -78 92 100 100 100 -78 92 100 100 100 32 100 100 100 100 32 100 100 100 150º 330º 1000 1 1000 1 1102 1 1102 1 1070 1 1142 1 1000 1 1000 1 1102 1 1102 1 1102 1 1102 1 Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 14 O operador de Nevatia e Babu, por utilizar máscaras maiores que os operadores citados acima, é considerado um operador menos sensível a ruídos presentes nas imagens (fornecendo respostas mais baixas nestes casos), enquanto que o operador Sobel, por exemplo, por utilizar uma máscara menor é mais suscetível à detecção de ruídos (Pratt, 1978). A figura 2.11 mostra a razão da utilização desse operador. Figura 2.11 - (a) Operador Sobel; (b) Operador Nevatia e Babu. Verifica-se na figura 2.11b, que bordas não detectadas com o operador Sobel (figura 2.11a) são detectadas utilizando-se o operador Nevatia e Babu, mostrando sua maior eficiência. 2.1.4 Etapa de Limiarização Automática Após a detecção de bordas numa imagem digital, a etapa de limiarização é utilizada para eliminar pixels redundantes que compõem a borda detectada. Uma maneira de se realizar esta tarefa é definir um limiar T de acordo com as características da imagem e classificar os pixels, com valores de brilho inferior a este limiar, à uma dada classe (por exemplo, fundo) e os pixels com valores de brilho igual ou superior à T, como outra classe (objeto, neste caso). (a) (b) Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 15 Quando se trabalha com imagens aéreas o problema é bem mais complexo, devido principalmente, ao fato de que nem sempre os objetos são bem definidos. Outro problema é que uma imagem aérea apresenta um histograma multi-modal (figura 2.12b), diferente das imagens binárias que apresentam histogramas bi- modais (figura 2.12d), tornando o processo automático mais complicado. Figura 2.12- (a) Imagem aérea; (b) Histograma da imagem aérea (c) Imagem binária; (d) Histograma da imagem binária. Existem vários métodos para obtenção de limiares, sendo tratado neste trabalho alguns dos métodos mais utilizados para casos de imagens em tons de cinza. 2.1.4.1 Técnicas de Obtenção de um Limiar Para Sonka et al (1998), se alguma propriedade da imagem é conhecida (por exemplo, a área) a tarefa da seleção do limiar T é simplificada. Assim, sabendo-se a porcentagem da área que o objeto ocupa na imagem, o limiar é definido pelo valor que resulta num percentual da imagem, acima deste valor. Este método é chamado P-Tile e não será abordado neste trabalho, por ser adequado (a) (b) (c) (d) Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 16 apenas em situações restritas, ou seja, é eficiente apenas em imagens definidas por histogramas bi-modais. Uma técnica bastante distinta é o método do triângulo, que sugere o traçado de uma linha entre os valores máximo e mínimo do histograma da imagem de bordas e utiliza como limiar o valor de brilho que apresenta o maior valor da distância entre a reta e os valores de freqüência não nulos (Artero, 1999). Figura 2.13 – (a) Imagem original; (b) histograma da imagem; (c) Critério utilizado para a determinação do valor de limiar pelo Método do Triângulo (valores de borda alto e fundo baixo). Outra técnica bastante utilizada, baseada na análise discriminante, é o método de OTSU. O valor do limiar é obtido supondo que os pixels da imagem podem ser classificados em duas classes (C0 e C1), isto é, objeto e fundo. Para a determinação do limiar ótimo, um dos critérios utilizados considera 2 Bσ e 2 Tσ como as variâncias do fundo e total entre as classes C0 e C1 (Sahoo et al, 1988). Desta forma, temos: (a) (b) d (c) 0 255 Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 17 ∑ − = = 1 0 l i T ipiµ (2.4) ∑ = = t i t ipi 0 µ (2.5) Sendo, µT: desvio padrão total da ocorrência dos níveis de cinza na imagem; µt: desvio padrão da ocorrência dos níveis de cinza na imagem até o valor de limiar; i: níveis de cinza presentes na imagem; e pi: probabilidade com que ocorrem estes níveis de cinza na imagem. ∑ = = t i pi 0 0ϖ (2.6) 01 1 ϖϖ −= (2.7) 1 1 ϖ µµ µ tT − = (2.8) 0 0 ϖ µ µ T= (2.9) 2 0110 2 1 0 22 )( )( µµϖϖσ µσ = −= ∑ − = B l i TT pii (2.10) 2 2 T B σ σ η = (2.11) Sendo, η: relação entre as variâncias dos pixels do fundo e total da imagem. O limiar ótimo é dado pela minimização da função η, ou seja, ηArgMint =* (Sahho et al, 1988). Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 18 Outro método interessante (utiliza a teoria da informação), que se baseia na premissa de que a geração de informação pode ser modelada como um processo probabilístico (Sahoo, 1998) é o método PUN. Por esta teoria define-se a entropia (quantidade de código necessária para representar um símbolo) de cada pixel da imagem por: )log()( xxxEntropia = 1 (2.12) Pelo método, para cada possível valor de limiar são definidas 2 entropias à posteriori (do objeto e do fundo da imagem), dadas por: ∑ = = t i ip 0 0ω (2.13) 01 1 ωω −= (2.14) O valor do limiar ótimo é dado por: { })()( tHtHArgMaxT wb += (2.15) A figura 2.14 apresenta resultados obtidos com a aplicação dos métodos de limiarização OTSU e PUN. Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 19 Figura 2.14 – (a) Método de limiarização OTSU; (b) Método de limiarização PUN. Percebe-se na figura 2.14a, que o método de limiarização OTSU elimina as bordas que, neste trabalho especificamente, também são consideradas insignificantes (quinas da fachada lateral da edificação). Enquanto que com o método PUN os pixels que compõem algumas linhas consideradas insignificantes (linhas que definem a faixada lateral da EI, muros etc) não são eliminados (figura 2.14b). 2.1.5 Etapa de Afinamento de Bordas Após o processo de detecção de bordas e limiarização, um conjunto de pixels é obtido formando uma borda espessa, com alguns pixels de largura (figura 2.15b). Desta maneira, é necessário realizar um processo de afinamento da borda, para que a mesma seja representada com largura de 1 pixel (figura 2.15a) (Pratt, 1978). (a) (b) Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 20 Figura 2.15 - (a) Situação ideal dos pixels representando um segmento; (b) Situação real da borda com alguns pixels de largura. 2.1.5.1 Método de Supressão Não-Máxima Na detecção de bordas utilizando os mais variados operadores de interesse, os ângulos das bordas obtidos têm distribuições diferentes das pré-definidas pelo operador de supressão não-máxima. Por isso, antes da execução do operador de supressão não-máxima é necessário quantizar os ângulos das bordas nas direções pré-definidas pelo operador de supressão. Neste método a eliminação dos pixels é feita perpendicularmente à direção da borda, sendo utilizadas as direções apresentadas na figuras 2.16, a fim de simplificar o processo de busca na vizinhança (Tommaselli, 1999), preservando os pixels na direção de maior variação do gradiente. (a) (b) Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 21 4 8 3 7 2 1 6 5 Figura 2.16- Exemplo de direções consideradas no método de afinamento por supressão não-máxima. A comparação é feita de acordo com as direções dos pixels; por exemplo, pixel com direção de 900 ou 2700 é comparado com seus vizinhos horizontais (à direita e à esquerda); já um pixel com direção de 00 ou 1800 é comparado com seus vizinhos verticais (acima e abaixo). Desta forma, é verificado se os pixels vizinhos possuem a mesma magnitude do pixel pesquisado, caso não tenham são eliminados do processo. No caso de bordas inclinadas os pixels devem ser comparados com seus vizinhos na diagonal. Neste caso, como os pixels a serem comparados precisam estar a uma distância unitária e por se trabalhar com uma malha regular (não existindo pixels nestes locais) é necessária a realização de uma interpolação bilinear (figura 2.17). Figura 2.17 – Detalhe gráfico da necessidade de interpolação na comparação de vizinhos na diagonal (p é a magnitude interpolada procurada). 8 6 7 p Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 22 Como descrito anteriormente, o que se tem, após as etapas de detecção de bordas e limiarização, é a presença de vários pixels de largura em cada borda, sendo necessário realizar um afinamento destes pixels para facilitar o processo de varredura e rotulação. A figura 2.18 mostra o resultado obtido após a etapa de afinamento por supressão não-máxima. Figura 2.18 - Supressão não-máxima aplicada na imagem. 2.1.6 Etapa de Conexão A etapa de conexão é necessária para a realização do agrupamento dos pixels pertencentes à mesma borda, formando segmentos de retas. Para este processo ser realizado é necessário que se disponha da magnitude e direção da borda em cada pixel. Existem vários métodos que realizam o agrupamento dos pixels, como por exemplo a Transformada de Hough, que permite a detecção de linhas em imagens digitais (Pratt, 1978). Neste trabalho será apresentado apenas o método de “varredura e rotulação” proposto por (Zhou et al, 1989), (Venkasteswar, 1994) e adaptado por (Tommaselli, 1999) e Artero (1999). 2.1.6.1 Método de Varredura e Rotulação (Scan & Label) Neste método, existem algumas convenções utilizadas que classificam os pixels envolvidos no processo de varredura e rotulação (figura 2.19). Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 23 Figura 2.19- Classificação dos pixels envolvidos no processo de conexão (adaptado de Tommaselli, 1999). Segundo Artero (1999), é realizada uma varredura na imagem da esquerda para a direita, de cima para baixo e para cada pixel, considerando sua direção, são verificados seus vizinhos. Ao mesmo tempo, uma estrutura de dados é utilizada para guardar as características das retas que estão sendo definidas (pixel inicial (xi, yi), pixel final (xf, yf), direção (dir) e número de pixels). Encontrado o primeiro pixel atribuí-se ao mesmo um rótulo de valor 1, sendo chamado agora de pixel rótulo. O pixel atual é aquele que está sendo pesquisado para que seja obtido um rótulo. Caso seja encontrado algum vizinho compatível e já rotulado do pixel atual, o último recebe o mesmo rótulo do primeiro. O pixel que se localiza a uma distância de no máximo 2 pixels e possui a mesma direção que o pixel atual é chamado de pixel vizinho (figura 2.20a). Quando este pixel estiver fazendo ligação entre o pixel rótulo e o atual, e não possuir rótulo, é chamado pixel ponte (figura 2.20b), sendo tratado então como um pixel sem magnitude e direção, representando um buraco na linha que está sendo traçada. Uma forma de evitar esse problema é incluir o pixel (sem magnitude e direção) na linha analisada e fornecer ao pixel ponte o mesmo rótulo e a mesma direção do pixel atual, bem como uma magnitude média (figura 2.20c) (média das magnitudes dos pixels atual e vizinho). Indica a direção do pixel Indica o pixel atual pixel rótulo pixel ponte pixel rótulo Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 24 Figura 2.20 - Solução para solucionar o problema de pixels sem direção e magnitude (Adaptado de Artero, 1999). A figura 2.21 mostra os modelos (templates) das vizinhanças com as respectivas direções de seus gradientes a serem verificados no processo de conexão. Figura 2.21 - Vizinhanças no processo de conexão (Fonte: Tommaselli, 1999). Ângulos de 600 e 2400 Ângulos de 300 e 2100 Ângulos de 900 e 2700 Ângulos de 1200 e 3000 Ângulos de 1500 e 3300 Ângulos de 00 e 1800 pixel rotulado solução (a) (b) (c) situação atual problema encontrado como ponte solução do problema Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 25 Pelo fato deste método não ser suficientemente robusto, fornece alguns resultados indesejáveis. Por isto, foram desenvolvidas algumas formas de solucionar esses problemas, que podem ser verificadas no apêndice A (seção A1). 2.1.7 Etapa do Ajustamento A próxima etapa realizada após a identificação dos pixels que pertencem a um dado segmento é um processo de ajustamento para que seja encontrada uma reta que melhor represente os pontos dos pixels rotulados. No apêndice A (seção A1.2) será apresentado o método paramétrico modificado, que é utilizado neste trabalho, para o ajustamento das retas encontradas. No caso de não se obter uma minimização suficiente (figura 2.22a), utiliza-se um critério de quebra da reta em outras menores (figura 2.22b), até que sejam obtidas retas adequadas aos pixels detectados, atendendo a um fator de qualidade previamente estabelecido. Figura 2.22 – (a) Caso em que não se consegue obter uma minimização suficiente; (b) Quebra das retas em retas menores. 2.2 Etapa de Detecção de Cantos Pelo fato dos operadores de detecção de bordas fornecerem uma baixa resposta nas regiões dos cantos das feições, é necessário realizar uma etapa final do processo de extração de feições, isto é, a identificação e detecção de cantos. (a) (b) Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 26 Existem vários métodos para esta tarefa e neste trabalho será abordado apenas o método proposto por Moravec (1989) e adaptado por Galo e Tozzi (2000). 2.2.1 Operador Moravec De acordo com Galo e Tozzi (2000), o operador Moravec é muito utilizado devido à velocidade no tempo de processamento e também por fornecer apenas as posições aproximadas dos cantos, mas que, seguido de uma aplicação de um operador que utiliza elementos do operador FÖRSTNER (não sensível a ruídos), permite a obtenção de resultados a nível de sub-pixel. Este método é baseado na determinação do quadrado das diferenças entre os níveis de cinza em 4 direções, sendo definidas para as direções 00, 450, 900 e 1350 (figura 2.23a). Figura 2.23- (a) Janela 3x3 mostrando as direções 00, 450, 900 e 1350; (b) sistema de referência com origem no centro da janela 3x3 (Fonte: Galo e Tozzi, 2000). Considerando a ilustração acima, os vetores direções podem ser calculados da seguinte forma: ∑∑ == −− − = 2 1 2 2 0 0 ))1,(),(( )1( 1 0 cr crgcrg nn V (2.16) ∑∑ == −+− − = 2 1 2 2 1 245 ))1,1(),(( )1( 1 0 cr crgcrg n V (2.17) ∑∑ == +− − = 2 1 2 2 2 90 )),1(),(( )1( 1 0 cr crgcrg nn V (2.18) r c (a) (b) Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 27 ∑∑ == ++− − = 2 1 2 1 2 2135 ))1,1(),(( )1( 1 0 cr crgcrg n V (2.19) Onde, Ø n: é o tamanho da janela; Ø r, c: linha e coluna da imagem; e Ø N: (n-1)/2. Considerando os resultados das equações acima a resposta do operador Moravec pode ser calculada por: ),,,min(),( 0000 13590450 VVVVcrIO = (2.20) Onde, IO: operador de interesse (Interest Operator); min: respostas de magnitude mais baixas. A figura 2.24 mostra o resultado de um teste realizado com uma imagem real utilizando o operador de Moravec. Figura 2.24– (a) Imagem original em tons de cinza; (b) Resultado dos cantos detectados com uma máscara 3x3. (a) (b) Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 28 Percebe-se na figura 2.24b, uma pequena translação na posição dos cantos detectados, bem como a presença de ruídos nas regiões de borda e sombras. Isto se dá pelo fato do tamanho da máscara ser pequena (3x3) e por não ser utilizado uma variação maior das direções utilizadas pelo operador Moravec (figura 2.23a). As feições existentes em imagens aéreas possuem várias inclinações e quando se encontra uma inclinação que não está representada nas máscaras, obtém-se presença de muitos ruídos nesta direção. Galo e Tozzi (2000), realizaram uma adaptação do operador Moravec, utilizando máscaras com mais direções (diferentes ângulos de inclinação). Foram utilizadas 4 máscaras adicionais, com a finalidade de aumentar a eficiência do algoritmo. A figura 2.25 ilustra as 4 máscaras com direções 26.60, 63.40, 116.60 e 153.40. Figura 2.25 - Janela 3x3 mostrando as direções 26.60, 63.40, 116.60 e 153.40 (Fonte: Galo e Tozzi, 2000). Considerando a figura 2.25, os vetores direções podem ser calculados da seguinte forma: ∑∑ == +−− − = 0 0 2 2 1 6.26 ))21(),(( )1( 1 0 cr crgcrg n V (2.21) ∑∑ == ++− − = 1 0 2 2 2 4.63 ))1,2(),(( )1( 1 0 cr crgcrg n V (2.22) ∑∑ == −+− − = 2 1 2 2 2 6.116 ))1,2(),(( )1( 1 0 cr crgcrg n V (2.23) ∑∑ == −+− − = 2 2 2 2 1 4.153 ))2,1(),(( )1( 1 0 cr crgcrg n V (2.24) Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 29 Considerando os resultados das equações acima a resposta do operador Moravec pode ser calculada por: ),,,,,,,min(),( 00000000 4.1536.1164.636.2613590450 VVVVVVVVcrIO = (2.25) A figura 2.26b mostra o resultado de um teste realizado com uma imagem real utilizando o operador de Moravec com 8 máscaras pré-definidas, aplicando-se um limiar global. Para a obtenção automática de um limiar global utilizou-se o método OTSU descrito no capítulo 2 (seção 2.1.4). Figura 2.26 – (a) Imagem original; (b) Cantos detectados com 8 máscaras com um limiar obtido pelo método OTSU. Percebe-se na figura 2.26b que, utilizando-se um limiar global, obtido pelo método OTSU, não se tem um bom resultado na detecção dos cantos. Percebe-se também a detecção de ruídos utilizando-se o operador Moravec. Isto pode ser explicado pelo fato de não terem sido implementadas mais máscaras contendo outras direções, ou seja, quando existe uma borda com uma inclinação não definida pelas máscaras, ruídos são detectados ao longo desta borda. Também pelo fato de não se ter uma situação controlada em imagens aéreas, é muito complicado implementar um algoritmo eficiente para detecção de cantos, além do fato de ocorrer uma translação nos cantos detectados. Por isso, optou-se por implementar uma rotina que calculasse analiticamente a intersecção entre as retas extraídas do processo de extração de edificações. (a) (b) Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 30 2.3 Geração do Modelo Numérico de Elevações 2.3.1 Definições De acordo com Petrie e Kennie (1990), o termo Modelo Digital do Terreno apareceu pela primeira vez no artigo The Digital Terrain Model – Theory and Aplications, com a seguinte definição: “O Modelo Digital do Terreno é simplesmente uma representação estatística da superfície contínua do terreno por um grande número de pontos selecionados com coordenadas XYZ conhecidas num sistema de coordenadas arbitrárias”. Haala (1999), considera como Modelo Digital de Superfície (MDS) aquele que inclui edificações e outros objetos (tais como árvores), ao passo que o Modelo Digital do Terreno (MDT) armazenaria apenas as altitudes dos pontos na superfície do terreno. Para Andrade (1998), entretanto, o Modelo Digital de Elevações (MDE) contém altimetria (Z) apenas, ao passo que o Modelo Digital de Terreno envolve outras feições, além da altimetria. Nevatia et al (1999), consideram o Modelo Digital de Elevações como aquele que contém todas as informações das elevações contidas em uma cena, incluindo, portanto, edificações e vegetação. No contexto deste trabalho, o Modelo Digital do Terreno (MDT) será entendido como aquele que contém apenas a informação de altitude dos pontos contidos no terreno e o Modelo Numérico de Elevações (MNE) como aquele que contém as informações de altitude das elevações existentes no terreno (edificações e vegetação). Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 31 2.3.2 Fontes de Dados Nas Ciências Cartográficas, as fontes de dados utilizadas na aquisição, para a geração dos Modelos (de Terreno ou Elevação), são: Sensores Remotos (Fotogrametria, varredura a Laser e Radar), cartas existentes e medidas diretas no Terreno (Topografia e rastreamento de satélites-GPS). Para Petrie e Kennie (1990), existem algumas técnicas que são utilizadas para extrair coordenadas XYZ para a geração de Modelos, sendo elas: Ø Diretamente no Terreno; Ø Cartas; Ø Varredura a Laser; e Ø Fotogrametria. Aqui serão apresentadas as apenas as técnicas de Fotogrametria e varredura a laser, por fazerem parte do enfoque do trabalho. 2.3.2.1 Varredura a Laser Uma das modernas opções para geração de Modelos é a varredura a laser, que permite uma exatidão da ordem de 15 cm com espaçamento entre pontos de até 1 metro (Haala e Brener, 1997). Figura 2.27 - Geração de Modelo Digital de Elevação por varredura a laser (fonte: TopoSys). Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 32 Uma característica marcante dos sistemas de varredura a Laser é a medição da primeira e última reflexão de cada pulso emitido (figura 2.28), além de detectar reflexões múltiplas oriundas de objetos (por exemplo, árvores). Este recurso permite, num processamento posterior, que se faça a discriminação de objetos acima do solo (edificações, árvores etc). Figura 2.28 - Respostas de reflectância dos pulsos do laser. 2.3.2.2 Fotogrametria Através de fotografias tomadas por câmaras digitais ou câmaras métricas convencionais, são formados os modelos fotogramétricos com sobreposição adequada. Os instrumentos utilizados para a geração dos Modelos de terreno e elevações são instrumentos analíticos ou analógicos, quando a fotografia é tratada analogicamente, ou seja, filme fotográfico convencional, e estações digitais quando a imagem é digital, tomada a partir de câmaras digitais ou digitalizadas. 1a reflexão n reflexões Última reflexão Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 33 2.3.3 Aquisição de Dados Existem várias formas de aquisição de dados para a geração do Modelo de Elevação, sendo que esses dados podem ser adquiridos com um certo nível de intervenção do operador: Ø Manual; Ø semi-automática; e Ø automática. Aqui será tratado apenas o nível de intervenção do operador de forma automática, que é a forma utilizada pelo sistema Socet Set para geração de Modelos de Terreno e Elevações. As demais formas podem ser encontradas no apêndice B (seção B1). 2.3.3.1 Nível de Intervenção do Operador 2.3.3.1.1 Automática A era digital, para a Fotogrametria, iniciou-se com a motivação para a geração automática de Modelos de Elevações, surgindo os algoritmos de correlação para determinação de pontos homólogos com o intuito de automatizar processos que são realizados pelo operador humano. Quando não se tem um nível de intervenção do operador com a máquina, a forma de aquisição dos dados é considerada automática. Devido ao alto grau de complexidade de reconhecimento e inteligência artificial, bem como a falta de condições de luminosidade controlada, presença de sombras entre outros aspectos, os algoritmos de correlação automática de imagens (oriundos deste processo) não são totalmente confiáveis em algumas situações, como por exemplo na aquisição de pontos medidos em áreas muito urbanizadas. Existem alguns sistemas fotogramétricos digitais que possuem ferramentas automáticas para geração de Modelos. De acordo com medidas empíricas Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 34 realizadas pelos autores, as mesmas fornecem uma confiabilidade de até 75% na medida dos pontos realizados por correlação automática de imagens. Para Schenk (1996), a geração automática de Modelo compreende os seguintes passos: Ø Determinação de pontos homólogos (correlação de imagens); Ø Interpolação e densificação da superfície; e Ø Edição do Modelo gerado (controle de qualidade). De acordo com Schenk (1996), existem vários métodos de correlação de imagens e os principais são: (a) correlação baseada em área: é feita uma comparação entre a distribuição do nível de cinza de uma janela de referência com seu homólogo na outra imagem (janela de pesquisa). A janela de referência é um pedaço da imagem que percorre a imagem de pesquisa por convulução. A comparação pode ser feita com vários critérios de medida de similaridade, tais como: função erro, correlação cruzada etc; (b) correlação baseada em feições: a correspondência é feita sobre propriedades das feições presentes na imagem. Tais feições podem ser retas, círculos ou áreas; e (c) correlação simbólica ou estrutural: este método compara descrições simbólicas nas imagens e medem a similaridade por uma função custo. As descrições simbólicas devem se referir ao nível de cinza ou feições derivadas. 2.3.4 Formas de Organização e Armazenamento do Modelo de Elevações Existem formas de organização e armazenamento para a geração de Modelos de Terreno e Elevações. Nesta seção será tratada apenas a forma regular (grades); as demais formas (por exemplo, TIN) de organização e armazenamento de dados podem ser encontradas no apêndice B. Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 35 2.3.4.1 Forma de Organização Os vértices dos retângulos podem ser os próprios pontos amostrados por perfilagem regular ou obtidos por um processo de interpolação, caso se tenha pontos amostrados de modo não regular. Uma das considerações importantes a respeito da grade regular é o espaçamento a ser estabelecido entre os seus elementos. A figura 2.29 mostra uma grade regular com pontos amostrados na grade. Figura 2.29 – Organização no formato regular. Para Burrough (1986), a forma de organização em malhas regulares possui algumas desvantagens. São elas: Ø Pelo fato da malha ser regular, em terrenos muito movimentados ocorre uma carência (sub-amostragem) de pontos para melhor explicitar o terreno; e Ø Incapacidade de se adaptar a áreas com relevo complexo sem alterar o tamanho da malha. Devido à própria característica da malha regular é impossível adaptá-la a relevos muito movimentados. De acordo com Wolf (2000), uma desvantagem associada ao armazenamento de informações de elevação, em grades regulares, é que para áreas planas uma grande porção da memória do computador é desperdiçada, pois são armazenadas informações redundantes. Uma vantagem da organização de dados, em forma de grade, é sua simplicidade computacional. Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 36 2.3.4.2 Formas de Armazenamento Para Fritsch e Pfannenstein (1992), o armazenamento dos dados do Modelo pode ser realizado a partir de arquivos seqüenciais ou por arquivos de acesso direto de estrutura de dados do tipo lista, na qual o posicionamento e a topologia são mantidos. O armazenamento em forma de grade possui como vantagem, em relação à estrutura de dados, o acesso rápido da topologia e dos dados. Os dados são armazenados numa matriz de linhas e colunas descrevendo dados planimétricos xy, onde os elementos das matrizes são os valores de Z (altitude) (figura 2.30). Com isto, a topologia da grade regular pode ser acessada diretamente. i j 1 2 3 4 1 Z11 Z12 Z13 Z14 2 Z21 Z22 Z23 Z24 3 Z31 Z32 Z33 Z134 Figura 2.30 – Forma de armazenamento dos dados da grade regular. Após o armazenamento dos valores de Z na matriz computacional em forma numérica, o processamento é realizado por meio de vários algoritmos. Estes algoritmos incluem geração de curvas, volumes e representação tridimensional do terreno. 2.4 Arquitetura e Rotinas Operacionais do Sistema Socet Set O sistema Socet Set foi adquirido através de projeto “FAPESP- Multiusuário”, sendo o único sistema comercial aberto, pois disponibiliza um “Kit” de desenvolvimento (DEVKIT) contendo bibliotecas, interface de Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 37 programação e interface gráfica, que permitem ao usuário o desenvolvimento de suas próprias aplicações em linguagem C++. O propósito do aplicativo Socet Set é utilizar e dar suporte à aplicações fotogramétricas baseadas em imagens, SIG (Sistema de Informação Geográfica), interpretação de imagens, produção de mapas e base de dados vetoriais e matriciais para simulações, bem como explorar ferramentas utilizadas também em equipamentos analógicos de forma automática facilitando o trabalho do operador. O aplicativo é escrito em linguagem C++, consistindo de bibliotecas, arquivos headers e aplicações. Uma variedade de bibliotecas está contida no Kit de desenvolvimento do sistema. 2.5 Geração Automática de Modelos de Elevação no Sistema Socet Set O algoritmo de geração automática de Modelos de Elevações do aplicativo Socet Set, inicia seu processamento com as imagens em seu menor nível da pirâmide e com uma malha pouco densa, sendo aumentada sucessivamente a densidade da malha para cada nível da pirâmide, até atingir o nível 1:1. No aplicativo Socet Set, existem dois métodos de geração de Modelos de Elevações: Ø Método adaptativo: gera estratégias de correlação que se adaptam às movimentações do terreno; e Ø Método não-adaptativo: requer uma estratégia definida pelo usuário. De acordo com o User’s Manual (1998) do Socet Set, quando se trabalha em regiões muito urbanizadas, principalmente com fotografias de escala grande, ocorrem falhas nas medidas dos pontos por correlação, pois a ferramenta automática, disponível no aplicativo, não modela as edificações, ou seja, não é capaz de fazer uma distinção entre pontos das edificações e pontos do terreno. As estratégias utilizadas pelo sistema na geração de Modelos estão apresentadas no apêndice C. Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 38 2.5.1 Estratégia de Filtragem e Eliminação de Edificações e Árvores Os filtros existentes no aplicativo, tentam eliminar os objetos existentes no terreno, tais como, árvores e edificações. Quando se seleciona a ferramenta é necessário fornecer a altura e a largura dos objetos de interesse. O operador deve fornecer a altura mínima e a largura máxima do objeto que se deseja eliminar. Pode-se fornecer uma altura um pouco menor que o objeto real devido à rampa lateral do mesmo. O aplicativo gera automaticamente um Modelo por meio de estéreo-pares. O operador especifica o espaçamento entre as curvas e pode obter como informação de saída o Modelo na forma digital, para ser importado para algum CAD (Computer Aided Device), ou até mesmo pode ser utilizado para dar suporte para a geração de algum produto adicional, tal como a ortofoto digital. As elevações são determinadas através das diferenças de paralaxe em x, na imagem retificada. A geração automática de terreno é um algoritmo iterativo que inicia com um nível de minificação3 (figura 2.31) pequeno e um espaçamento esparso. Posteriormente é aumentada a densidade de pontos para cada nível de minificação, até que o nível da imagem original seja alcançado. 73 processo que reamostra a imagem original em arquivos menores, através da mediana dos quatro pixels vizinhos. Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 39 Figura 2.31 – Pirâmide de imagens (processo de Minificação). A figura 2.32 ilustra o perfil do Modelo gerado pelo aplicativo sem a utilização de filtros, considerando uma edificação existente no terreno. Percebe-se que ocorre uma suavização na geração dos dados. No processo de correlação de imagens, o algoritmo procura pontos homólogos por correlação, não encontrando os mesmos em áreas de oclusão (ângulo morto, sombras etc). edificação Pontos gerados Figura 2.32 – Perfil do modelo gerado automaticamente. A figura 2.33 ilustra o perfil do Modelo de Elevação gerado pelo aplicativo com a utilização de filtros. Percebe-se que mesmo com o uso de filtros o problema de suavização na geração dos dados é pertinente ao processo. 1: 256 1: 128 1:64 1: 32 1:16 1: 8 1:4 1: 2 1 : 1 Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 40 edificação Pontos gerados Figura 2.33 – Perfil do Modelo de Elevação gerado com a utilização de filtros de suavização. 2.6 Extração Semi-Automática de Feições no Sistema Socet Set O sistema Socet Set possui duas ferramentas para o processo de extração de feições: o módulo EAF (Extração Automática de Feições); e o módulo Sketch. Neste trabalho foi analisado apenas as ferramentas do módulo sketch, com recursos de PDI (Processamento Digital de Imagens) para o processo de extração de feições. Essas ferramentas permitem o traçado de polígonos regulares, irregulares e o traçado de retas, a partir de um estéreo-par orientado. 2.6.1 Funções com Recursos de PDI Com as ferramentas de extração semi-automática de feições, do módulo Sketch, que utilizam recursos de PDI, as bordas de uma feição podem ser delineadas pelo operador, sem a necessidade de selecionar pontos exatamente nos cantos, ou realizar o contorno das bordas com extrema precisão, pois a função refina o polígono, encontrando os cantos e as bordas, diminuindo o esforço operacional. Maiores detalhes do funcionamento desta ferramenta podem ser encontrados em Santos e Tommaselli (2001). Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 41 CAPÍTULO 3 MATERIAIS E MÉTODOS 3.1 Materiais Para o desenvolvimento deste trabalho foram utilizados os seguintes equipamentos e materiais: ü 01 Microcomputador Pentium(r) III MMX 128 MB RAM com 9 GB de Winchester; ü 01 Sistema Fotogramétrico Digital com o aplicativo SOCET SET para Windows NT v4.0 Workstation; ü 02 fotografias aéreas convencionais da cidade de Minnieapolis dos Estados Unidos da América na escala 1:8000; ü 02 fotografias aéreas convencionais da cidade de Poços de Caldas na escala 1:8000, cedidas pela Empresa Esteio, digitalizadas com pixel de 12 µm, coloridas, convertidas para tons de cinza; e ü Ambiente de programação C++ Builder versão 4.0. 3.2 Metodologia A proposta da pesquisa é trabalhar com uma área de estudo restrita à apenas uma EI (Edificação de Interesse), que possui seu centro de massa localizado no centro da imagem recortada pelo operador (extração semi- automática). Por isso, haverá preocupação apenas com edificações isoladas na imagem recortada. A hipótese do trabalho é utilizar um fluxo de etapas para a extração semi-automática da EI, com a finalidade de detectar retas presentes na Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 42 imagem recortada. Utilizando as regiões de alta freqüência do MNE (Modelo Numérico de Elevações) gerado automaticamente pelo sistema Socet Set, como uma informação adicional para eliminar LI’s (Linhas consideradas Insignificantes) (obtidas no processo de extração semi-automática de edificações) por meio de um processo de votação, para que posteriormente sejam fechados os polígonos extraídos. Nesta seção do capítulo 3 serão apresentadas as metodologias utilizadas para: ü Fechamento de polígonos; ü Gerar o MNE automaticamente no aplicativo Socet Set; ü Converter o MNE gerado numa imagem em tons de cinza; e ü Eliminar LI’s, por um processo de votação. Neste trabalho, utilizou-se o sistema fotogramétrico digital Socet Set para gerar automaticamente o MNE. Para a utilização do sistema, é necessário que o operador realize algumas etapas, tais como: ü Especificação de diretórios; ü Criação de projetos; ü Importação de imagens; ü Orientação interior; ü Importação dos pontos de apoio; e ü Aerotriangulação. Um projeto da cidade de Poços de Caldas (realizado pela empresa Esteio) foi utilizado na etapa de geração automática de Modelos de Elevações para as análises da ferramenta desenvolvida. Abaixo será apresentada apenas uma visão geral dos procedimentos necessários para a criação de um projeto no Socet Set. Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 43 3.2.1 Definição de Parâmetros do Projeto Para a realização de qualquer projeto no sistema, o operador deve definir alguns parâmetros para que sejam atendidas as especificações cartográficas do trabalho, tais como Datum, Sistema de Coordenadas, entre outras. A tabela 3.1 mostra os parâmetros referentes a cada projeto. Tabela 3.1 – Parâmetros utilizados no projeto de Poços de Caldas. 3.2.2 Importação das Imagens O certificado de calibração da câmara e os parâmetros de orientação exterior aproximados são dados necessários para a importação das imagens no Socet Set, para se garantir uma orientação adequada. Na importação das imagens, é realizado um processo onde a imagem original é reamostrada em vários arquivos (pirâmides de imagens), melhorando a eficiência do recurso de zoom. 3.2.3 Orientação Interior O sistema possui ferramentas automáticas e semi-automáticas para a realização deste procedimento. Para a realização da orientação interior são utilizados parâmetros intrínsecos inseridos no arquivo de calibração. Após a execução da tarefa para cada imagem, é retornado um E.M.Q. (Erro Médio Quadrático), dado em unidades de pixel. 3.2.4 Aerofototriangulação Poços de Caldas Datum SAD69 Formato DD0 MM’ SS” Unidade Metros Sistema de Coordenadas UTM Referência Vertical Elipsóide Altitudes máxima e mínima 1500 e 1000 m Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 44 Existem ferramentas automáticas e interativas para a realização da fototriangulação do modelo ou bloco. No sistema, a triangulação se inicia pela importação do arquivo dos pontos de apoio. Posteriormente, o operador realiza a concatenação dos modelos determinando os pontos de passagem interativamente ou automaticamente, orientando o modelo relativamente, e a partir dos pontos de apoio materializa o referencial que se está trabalhando. 3.3 Técnicas de Extração de Feições em Empresas de Fotogrametria Com o objetivo de realizar uma análise quantitativa e uma avaliação do processo de extração de feições que é empregada em empresas de Fotogrametria, foi realizado um estágio na Empresa AEROCARTA. Aqui, cabe apenas uma síntese do que foi visto e analisado neste estágio. No período da avaliação, a empresa estava executando um cadastro técnico urbano, que abrangia a cidade de Mauá do ABC paulista. A escala das fotografias era 1:5000 e o produto final na escala 1:1000. Para a execução da restituição no sistema digital, o aplicativo utiliza o módulo PRO600, que é um pacote do sistema Socet Set com ferramentas que customizam o aplicativo MicroStation para aplicações fotogramétricas, gerenciando uma conexão online com o aplicativo, ajudando na coleta de linhas, curvas, textos e símbolos, bem como outros elementos específicos. Na restituição digital, mesmo sendo realizada com o módulo PRO600, constatou-se que os operadores não exploram os recursos de automação de extração de feições existentes no Socet Set (como por exemplo, a ferramenta rooftop), sendo apenas utilizadas os recursos gráficos do MicroStation. Na geração de MDTs, quando se tem uma área muito urbanizada, existe a necessidade da interação do operador (edição), pois a ferramenta não modela edificações eficientemente, ou seja o algoritmo não consegue distinguir edificações de terreno. Quando se trata de áreas não urbanizadas, a geração do Modelo de Terreno é totalmente automática. Dissertação de Mestrado Extração Semi-Automática de Edificações com Análise do Modelo Numérico de Elevações 45 Foi feita uma análise quantitativa dos tipos de feições restituídas e do percentual que representam. Na tabela 3.2 é apresentado o percentual de extração de feições planimétricas mais significativas, quando se está realizando um projeto cadastral. Tabela 3.2 - Percentual de extração de cada tipo de feição para o projeto cadastral de Mauá-SP. Feições cartográficas Tipo Percentual (%) Edificações Área 55 Boca de lobo Pontual 5 Hidrografia Linear 10 Rodovias Linear 10 Postes Pontual 5 Linhas de transmissão Linear 5 Ferrovias Linear 10 Analisando-se a tabela 3.2 podemos afirmar que as edificações demandam maior percentual do tempo de restituição (cerca de 55%), por isso provocam maior esforço operacional, quando se está extraindo feições planimétricas. Por este motivo é de grande interesse a automação das ferramentas de extração para este tipo de feições. As rodovias, ferrovias e hidrografia, por serem representadas linearmente, representam menor e