Clase de Filtro LIDAR

DTM Filtros Clasificacion mediante splines

Filtro LiDAR. Ejemplo practico: GRASS

Roberto Antoln Sanchez

Prof. Titular InterinoSec. Dptal. Astronoma y Geodesia

Facultad de CC. Matematicas (UCM)Plaza de Ciencias, 3

Madrid [email protected]

7 de Mayo de 2013

R. Antoln (UCM) FOSS para trabajar con LiDAR 07-05-2013 1 / 85


Contents1 Modelos Digitales del Terreno

Estructuras regularesTINCalidad de los DTMReduccion de los datos

2 Filtros ALSDefinicionMorfologicosDensificacion progresivaSuperficiesSegmentacionComparacion de filtros

3 Clasificacion mediante splinesSplinesPuntos groserosDeteccion de bordesRegion GrowingCorreccionVegetacion



LiDAR



Primer y ultimo impulso

1 Debido a la divergencia del laser, pueden recibirse mas de un eco parael mismo rayo.

2 Los sensores actuales son capaces de medir al menos dos retornos:primero y ultimo

3 Normalmente se producen por: bordes de edificios

o vegetacion



Primer y ultimo impulso

1 Debido a la divergencia del laser, pueden recibirse mas de un eco parael mismo rayo.

2 Los sensores actuales son capaces de medir al menos dos retornos:primero y ultimo

3 Normalmente se producen por: bordes de edificios o vegetacion



Para que sirve?

1 Una diferencia considerable entre el primer y ultimo impulso puede seruna pista para detectar vegetacion y otros objetos: edificios, puentes,tendidos electricos...

2 Los ultimos impulsos tienen mas probabilidad de ser terreno

Primer impulso: creacion de Modelo Digital de Superficie (DSM) Ultimo impulso: determinacion de Modelo Digital del Terreno (DTM)

3 Hay pocas posibilidades de, sin hacer ningun analisis, distinguir entreun punto objeto y uno terreno.



Para que sirve?


2 Los ultimos impulsos tienen mas probabilidad de ser terreno Primer impulso: creacion de Modelo Digital de Superficie (DSM)

Ultimo impulso: determinacion de Modelo Digital del Terreno (DTM)3 Hay pocas posibilidades de, sin hacer ningun analisis, distinguir entre

un punto objeto y uno terreno.



Para que sirve?


2 Los ultimos impulsos tienen mas probabilidad de ser terreno Primer impulso: creacion de Modelo Digital de Superficie (DSM) Ultimo impulso: determinacion de Modelo Digital del Terreno (DTM)

3 Hay pocas posibilidades de, sin hacer ningun analisis, distinguir entreun punto objeto y uno terreno.



Table of Contents

1 Modelos Digitales del TerrenoEstructuras regularesTINCalidad de los DTMReduccion de los datos

2 Filtros ALS

3 Clasificacion mediante splines



Modelos Digitales del Terreno (DTM)

Definicion

Teoricamente sera una representacion continua, f , del terreno en un ciertoarea local. Dadas las coordenadas planimetricas de un punto, p = (x , y),y su valor altimetrico asociado, z , la representacion 2.5D del terreno, sera:z = f (x , y)

2.5D 6= 3D

z1 = p(x , y); z2 = p(x , y) ! Puentes y pasos elevados No se consideran




Definicion


2.5D 6= 3D z1 = p(x , y); z2 = p(x , y) !

Puentes y pasos elevados No se consideran




Definicion


2.5D 6= 3D z1 = p(x , y); z2 = p(x , y) ! Puentes y pasos elevados No se consideran



Tipos de Modelos digitales

1 Realidad

2 Modelo Digital deSuperficie (DSM)

3 Modelo de Edificios(DBM)

4 Modelo Digital delTerreno (DTM)



DTM Vs. DSM

1 DTM Se busca un suavizado de la superficie Se utilizan los ultimos ecos para filtrar

2 DSM Se busca resaltar los detalles Se utilizan los primeros impulsos Errores en observaciones groseras Limpiar Objetos temporales (coches, gruas. . . ) Limpiar



nDSM

nDSM = DSM - DSM



Continuo Vs. Discreto

1 Interesa almacenar la representacion del DTM una vez conocida

2 Opcion: definicion de la funcion z = f (x , y) + el area

X Realmente continuo7 No siempre es conocida7 No es algo estandar

3 Discretizacion en un intervalos regulares

7 No es continuoX Facilmente almacenableX Existen multitud de formatos estandar



Estandares



Raster Vs. Mallado

1 Raster Cada celda representa la altura de todo el area que cubre la celda

2 Malla Representa la informacion de altura en puntos regularmente ordenados Cada altura es la evaluacion de f en cada punto (x , y) de la malla Interpolacion, aproximacion (inverso de la distancia pesada), mnimos

cuadrados moviles, kriging, etc,. . .

3 Son uno el dual del otro

4 Se suelen confundir



Raster Vs. Mallado

Raster



Raster Vs. Mallado

Malla



Raster Vs. Mallado

Malla hbrida



TIN

1 TIN: Triangulated irregular network

2 Los puntos topologicamente vecinos deben guardar unas reglasgeometricas: Triangulacion de Delaunay

3 Permiten tambien modelos hbridos con lneas de ruptura

4 Formatos estandares



TIN

Triangulacion



TIN

NO este TIN :-)



TIN

TIN



Triangulacion de Delaunay

Definicion: Triangulacion de Delaunay

Sea P un conjunto de puntos en el plano, se dice que T es una Triangulacionde Delaunay cualquier crculo que circunscriba cualquier triangulo de Tno encierra ningun otro punto de P

1 La mejor aproximacion posible genera triangulos regulares

2 En cualquier caso: maximiza el menor angulo de cada triangulo




Propiedad 1

Sea P un conjunto de puntos en el plano, entonces tres puntos pi , pj y pkson vertices del mismo triangulo de la triangulacion de Delaunay de P lacircunferencia que pasa por los tres puntos no encierra ningun punto de P




Propiedad 2

Sea P un conjunto de puntos en el plano, entonces, dos puntos, pi y pjforman un segmento de la triangulacion de Delaunay de P existe unacircunferencia que contiene a ambos pero no encierra ningun punto de P



Diagrama de Voronoi



Calidad de los DTM

1 Calidad de los datos Describe la calidad de los datos de entrada

2 Calidad del modelo Describe la calidad del modelo final generado



Calidad de los datos

1 Capa de densidad de puntos Permite identificar zonas con escasez de datos Ofrece informacion sobre las posibles interpolaciones y extrapolaciones

2 Capa de distancia entre puntos Parecida al mapa de densidad Permite conocer zona con pocos puntos Da informacion sobre la distancia del vecino mas proximo

3 Fuentes de datos Da informacion sobre la presencia de distintos tipos de inputs: ALS,

TLS, fotogrametra, etc. . .

4 Mapa de precision de las fuentes de datos Da informacion sobre la mejor o peor precision de los datos



Calidad de los datosPasadas



Calidad de los datosMapa de densidades



Calidad de los datosDensidad de pasadas



Calidad de los datos

1 Informacion sobre la consistencia de los datos

2 La calidad del filtro? (terreno vs. no-terreno) Introducen errores en zonas complejas No hay un modo preciso de calcular la calidad de la clasificacion Suelen estar basado en la experiencia practica

3 Vegetacion baja Dificil decir si un eco pertenece al terreno Introducen un sesgo sistematico en altura Se necesitan informacion adicional



Calidad del modelo

1 Calidad interior Es la calidad del modelo respecto a las propios datos

2 Calidad exterior Es la calidad del modelo respecto a puntos de control externos (GCP)



Calidad interior

1 Es la calidad del modelo respecto a las propios datos

2 Se aplica la ley propagacion de los errores

3 RMSE (raz del error cuadratico medio)

RMSE() =

E[( )2

]4 Representa la precision del proceso de generacion del DTM

5 Ayuda a identificar areas con diferencias significativas entre modelo ydatos



Calidad interior




RMSE() =

E[( )2

]

4 Representa la precision del proceso de generacion del DTM




Calidad interior




RMSE() =

E[( )2

]4 Representa la precision del proceso de generacion del DTM




Calidad exterior

1 Es la calidad del modelo respecto a puntos de control externos (GCP) Los GCP no tienen que usarse durante la generacion del DTM Tienen que ser mucho mas precisos que los datos de input

2 Describe tanto los inputs como el proceso del modelado

3 Generalmente se utiliza RMSE

4 Estimacion en altura [Karel y Kraus (2006)]

z [cm] = (

6n

+ 30 tan()

) n: densidad puntual (pts/m2) tan(): inclinacion del terreno



Densidad puntual

1 Todava es importante una reduccion de la densidad puntual!

2 Escaneo: 100 KHz 10 pts/m2 Alta resolucion en el DTM3 Problemas de almacenamiento y procesado

4 Necesaria una reduccion de la densidad

5 Metodos Cambio de la estructura del DTM Sin cambio de la estructura del DTM



Remuestreo

1 Metodos estandar en el procesado de imagenes digitales

2 Menor resolucion con celdas mas grandes

3 El valor del pxel nuevo se deriva de las celdas originales

4 Ventajas Aplicable tambien para mallas Muy rapido y mantiene la estructura

5 Desventajas No son adaptativos: presentan problemas con diferencia de alturas

Raster adaptativos locales



Remuestreo

1 Metodos estandar en el procesado de imagenes digitales

2 Menor resolucion con celdas mas grandes

3 El valor del pxel nuevo se deriva de las celdas originales

4 Ventajas Aplicable tambien para mallas Muy rapido y mantiene la estructura

5 Desventajas No son adaptativos: presentan problemas con diferencia de alturas

Raster adaptativos locales: poco usados



TINs

1 Purga de puntos

Considera el TIN completo elimina puntos paso a paso

2 Aproximacion por subdivision

Empieza con un TIN aproximado Utiliza algoritmos divide y venceras hasta alcanzar cierto criterio

3 Necesitan teselar el TIN

4 Poco eficaces justo despues del filtrado Errores en las observaciones y en zonas de solape (poco eficaces) Interpolacion suavizada de alta resolucion de los puntos



TINs

1 Purga de puntos Considera el TIN completo

elimina puntos paso a paso







TINs

1 Purga de puntos Considera el TIN completo elimina puntos paso a paso







TINs


2 Aproximacion por subdivision Empieza con un TIN aproximado

Utiliza algoritmos divide y venceras hasta alcanzar cierto criterio3 Necesitan teselar el TIN




TINs


2 Aproximacion por subdivision Empieza con un TIN aproximado Utiliza algoritmos divide y venceras hasta alcanzar cierto criterio





Table of Contents

1 Modelos Digitales del Terreno

2 Filtros ALSDefinicionMorfologicosDensificacion progresivaSuperficiesSegmentacionComparacion de filtros

3 Clasificacion mediante splines



Filtros

1 Es necesario extraer informacion de la nube de puntos: terreno,no-terreno.

2 Paso imprescindible para la generacion de DTM

3 Clasificacion en diferentes categoras: Terreno Edificio Vegetacion Pasos elevados, etc. . .

4 Las idea subyacente son tambien aplicables otras tecnicas como TLS,pero con caractersticas diferentes (densidad).



Filtros ALSDefinicion: Clasificacion

Dada una nube de puntos,V ={

p = (x, c)x R3, c N}, se puede defi-

nir como clasificacion a la funcion f : x c que a cada punto tridimensio-nal, x, le asigna su atributo, c .

El problema formal de clasificar se restringe a encontrar la funcion f talque asigna:

1, si el punto pertenece a un objeto

0, si el punto pertenece al terreno

Definicion: Filtrar

Consiste en eliminar los puntos de V con atributo igual 1 (objeto) y dejarlos clasificados como 0 (terreno).








1, si el punto pertenece a un objeto

0, si el punto pertenece al terrenoDefinicion: Filtrar









1, si el punto pertenece a un objeto 0, si el punto pertenece al terreno

Definicion: Filtrar




Tipos de clasificaciones

1 Morfologicos

2 Densificacion progresiva

3 Basado en superficies

4 Segmentacion y clustering

5 Estudio de pendientes (splines)



Filtros morfologicos1 Morfologa: Conjunto de metodos del analisis de imagenes que dan

una descripcion cuantitativa de estructuras geometricas.

2 Existen dos operadores basicos: Erosion y dilatacion.3 Ayudan a simplificar la estructura de una superficie basandose en un

cierto elemento estructural.4 Combinaciones de ambos:

apertura

: erosion dilatacion

clausura

: dilatacion erosion

Ayudan a determina el maximo y el mnimo basandose en un ciertoelemento.

5 Normalmente los algoritmos se aplican a los puntos6 La morfologa matematica tiene sus orgenes en estructuras raster:

ayudan a agilizar los calculos




una descripcion cuantitativa de estructuras geometricas.2 Existen dos operadores basicos: Erosion y dilatacion.3 Ayudan a simplificar la estructura de una superficie basandose en un

cierto elemento estructural.

4 Combinaciones de ambos:

apertura


clausura










apertura


clausura

: dilatacion erosion Ayudan a determina el maximo y el mnimo basandose en un cierto

elemento.








apertura


clausura


Y NO, NO ES FUTBOL, CARAJO!









apertura: erosion dilatacion clausura: dilatacion erosion









apertura: erosion dilatacion clausura: dilatacion erosion Ayudan a determina el maximo y el mnimo basandose en un cierto

elemento.





Filtros morfologicos: Linderberger (1993)

1 Utiliza como elemento estructural una ventana movil que desplaza alo largo de todos los puntos

2 La ventana se puede adaptar segun la densidad de puntos

3 Las operaciones de apertura y clausura generan la superficie superiore inferior que representan los puntos en la ventana

4 La erosion y la dilatacion determinan el punto central de la ventanasegun el punto mas bajo y mas alto en ella

5 La superficie mas baja es considerada como el DTM y se usa parafiltrar los puntos segun una tolerancia en altura



Filtros morfologicos



Filtros morfologicos: Vosselman (2000)

1 El elemento estructural es una funcion que describe la diferencia dealtura maxima admisible segun la distancia al punto

Generalmente un crculo La funcion se puede definir a partir de la pendiente maxima del

escenario Mediante areas de entrenamiento se puede llegar a un elemento optimo

que minimice los errores por comision y omision

2 Se posiciona el elemento estructural en cada punto

3 Si alguna de las alturas de los puntos en el ambito del elementoestructural es mayor que la maxima altura permitida, el punto esconsiderado como no-terreno.



Filtros morfologicos: Vosselman (2000)



Filtros morfologicos: Sithole (2001)

1 Basado en Vosselman (2000)

2 Utiliza una funcion adaptativa segun en la pendiente del terreno paradeterminar la diferencia de altura admitida

3 Necesita un DTM inicial cuyas celdas toman el valor de la menoraltura entre todos los puntos del pxel



Filtros de densificacion progresiva

1 Triangulacion progresiva de un TIN

2 Empiezan con un pequeno subconjunto de puntos de la nube:pre-clasificacion del terreno

3 Incrementan de manera iterativa la cantidad de informacion paraclasificar todo la nube paso a paso.

4 Para incrementar siguen varios criterios: angulos y altura respecto alos triangulos del TIN

Hansen y Vogtle (1999) Axelsson (2000) Sohn y Dowman (2002)



Filtros de densificacion progresiva: Axelsson (2000)

1 El conjunto inicial de puntos se genera a partir de una comparticionen bloques y eligiendo, para cada bloque, el punto con altura mas baja

2 Este conjunto se triangula generando una aproximacion del terreno

3 Se anade un punto mas al modelo si se verifica cierto criterio

Los angulos i = PAi , i = 1, 2, 3 entre la cara del triangulo y las lneasque unen los tres puntos Ai son mas pequenos que ciertos valores dados

4 El proceso se repite hasta que: no se pueden anadir mas puntos al TIN, o si se alcanza cierta densidad puntual: los lados de todos los triangulos

son mas pequenos que un umbral



Filtros de densificacion progresiva: Hansen y Vogtle (1999)

1 El conjunto inicial de puntos se genera como la parte mas baja decierre convexo de los puntos de la nube

2 Este conjunto se triangula generando una aproximacion del terreno

3 Se anade un punto mas al modelo si se verifica cierto criterio La diferencia de alturas entre el punto candidato y la superficie del

triangulo

4 El proceso se repite hasta que: no se pueden anadir mas puntos al TIN, o si se alcanza cierta densidad puntual: los lados de todos los triangulos

son mas pequenos que un humbral



Filtros de densificacion progresiva: Sohn y Dowman (2002)

1 El conjunto inicial de puntos se genera mediante: los puntos mas bajo de las cuatro esquinas del area a filtrar Se densifica el conjunto inicial anadiendo el punto mas bajo en cada

triangulo hasta que no se pueden anadir mas

2 Se anade un punto mas al modelo si esta en un buffer respecto a lasuperficie actual y si verifica un criterio de Minimum DescriptionLength (MDL)

Minimiza la cantidad necesaria de puntos para describir la superficie



Filtros basados en superficies

1 Utilizan una reconstruccion de superficies de referencia

2 Similares a la densificacion progresiva

3 Asumen que todos los puntos de la superficie pertenecen al terreno

4 Progresivamente eliminan puntos que no se ajustan al modelo detereno



Filtros basados en superficies: Kraus y Pfeifer (1998)

1 Basado en una interpolacion robusta: trata de determinar un pesopi [0; 1] para cada punto Pi de modo que la superficie modeladarepresente el terreno

1 Interpolacion de la superficie considerando los pesos. Al inicio pi = 12 Calculo de valores fi : distancia entre la superficie y el punto Pi3 Calculo de un nuevo peso pi en base a los fi4 Estos pasos se repiten hasta:

Llegar a una superficie estable (los pesos permanecen estables) Alcanzar un numero maximo de repeticiones

2 Integra el filtrado y la generacion del DTM en el mismo proceso

3 Los puntos son clasificados como terreno y no-terreno basandose enun umbral para la diferencia de altura entre el punto y la superficie





1 Interpolacion de la superficie considerando los pesos. Al inicio pi = 1

2 Calculo de valores fi : distancia entre la superficie y el punto Pi3 Calculo de un nuevo peso pi en base a los fi4 Estos pasos se repiten hasta:








1 Interpolacion de la superficie considerando los pesos. Al inicio pi = 12 Calculo de valores fi : distancia entre la superficie y el punto Pi

3 Calculo de un nuevo peso pi en base a los fi4 Estos pasos se repiten hasta:








1 Interpolacion de la superficie considerando los pesos. Al inicio pi = 12 Calculo de valores fi : distancia entre la superficie y el punto Pi3 Calculo de un nuevo peso pi en base a los fi

4 Estos pasos se repiten hasta:








1 Interpolacion de la superficie considerando los pesos. Al inicio pi = 12 Calculo de valores fi : distancia entre la superficie y el punto Pi3 Calculo de un nuevo peso pi en base a los fi4 Estos pasos se repiten hasta:






Filtros basados en superficies: Elmqvist et al. (2001)1 La superficie se determina minimizando una funcion energa en la que

entran en juego dos parametros: Rigidez o fuerza interna: Las observaciones o fuerza externa que obliga a la superficie a pasar

por ellas

2 La superficie inicial es horizontal y esta por debajo de todos los puntos3 La fuerza de los puntos se aplica de manera iterativa La

superficie se deforma hacia los puntos4 La deformacion esta restringida por la rigidez de la superficie5 Asegura la poca influencia de puntos objetos y su aproximacion al

terreno6 La clasificacion se realiza con una banda de tolerancia alrededor de la

superficie final



Filtros de segmentacion

1 Clasifican segmentos enteros de puntos: conjuntos de puntos vecinoscon propiedades similares

2 Intentan evitar el problema de puntos individuales mal clasificados

3 Hay dos pasos basicos Generar por agregacion segmentos de puntos Clasificar dichos segmentos

4 Se pueden elegir varios algoritmos para cada paso




1 Se utilizan tecnicas de crecimiento de regiones

2 Se agrupan puntos vecinos con propiedades similares dentro de unumbral: altura, vector normal, etc,. . .

3 La segmentacion se puede hacer en el espacio objeto: segmentacion

4 o en el espacio de las caractersticas: clustering



Sithole (2005) y Sithole y Vosselman(2005)

1 Utilizan los ultimos impulsos

2 Metodologa basada en la interseccion de perfiles La nube es dividida en diferentes perfiles y los puntos son unidos por

segmentos siguiendo ciertos criterios Los segmentos se hallan agrupando los segmentos de los perfiles

3 La clasificacion se basa las relaciones de vecindad de los segmentos

4 Durante el proceso global se utilizan diferentes criterios para hallarpuentes, micro y macro objetos y objetos artificiales o naturales



Tovari y Pfeifer (2005)

1 La segmentacion se basa en algoritmos de region growing

2 Empezando por un punto, se anaden puntos con caractersticassimilares:

Similitud entre los vectores normales Proximidad espacial

3 Despues de la segmentacion se sigue un filtrado basado en superficiesmediante una tecnica de interpolacion robusta



Comparacion de filtros

Estudio del rendimiento de los 8 filtros distintos Auspiciado por el International Society of Photogrammetry and

Remote Sensing (ISPRS)

Estudio cualitativo y cuantitativo



Resultados

1 Todos los filtros funcionan correctamente con escenarios pocoexigentes

Poca o nula pendiente, y extensas zonas de terreno Pequenos edificios Vegetacion dispersa

2 Mayores problemas en zonas con: Edificios voluminosos con escasa extension de terreno Parches de terreno a diferentes alturas o con alturas variables

3 Mejores prestaciones: densificacion progresiva y los basados en ladeterminacion de superficies

4 Los mas desarrollados: segmentacion y clustering

5 Combinacion de varios algoritmos e inputs distintos



Automatizacion Vs Manual

1 Comparados con la fotogrametra, los filtros son procesos automaticos

2 Todava no se ha encontrado un filtro completamente automatico yuniversal

3 Necesaria una revision y edicion manual

(cercados, umbrales. . . ) Zonas urbanas Innecesaria en zonas rurales Puentes y pasos elevados Algoritmos basados en relaciones geometricas de puntos vecinos El terreno no puede ser identificado por escasez de puntos

4 Fuentes de datos adicionales pueden disminuir la revision Delimitacion de edificios Contexto de terreno local Informacion radiometrica: externa o la devuelta por el laser



Automatizacion Vs Manual1 Comparados con la fotogrametra, los filtros son procesos automaticos2 Todava no se ha encontrado un filtro completamente automatico y

universal3 Necesaria una revision y edicion manual

(cercados, umbrales. . . )

Zonas urbanas Innecesaria en zonas rurales Puentes y pasos elevados Algoritmos basados en relaciones geometricas de puntos vecinos El terreno no puede ser identificado por escasez de puntos




Automatizacion Vs Manual

1 Comparados con la fotogrametra, los filtros son procesos automaticos

2 Todava no se ha encontrado un filtro completamente automatico yuniversal

3 Necesaria una revision y edicion manual (cercados, umbrales. . . ) Zonas urbanas Innecesaria en zonas rurales Puentes y pasos elevados Algoritmos basados en relaciones geometricas de puntos vecinos El terreno no puede ser identificado por escasez de puntos




Densidad puntual

La influencia de la densidad depende fuertemente de la topografa Se necesita una densidad mnima para asegurar cierta penetracion en

zonas vegetales

En zonas complejas es ademas importante para asegurar larepresentacion de calidad de los detalles del escenario

Incluso con alta densidad, los filtros presentan problemas declasificacion

Segun disminuye la densidad los resultados empobrecen rapidamente



Table of Contents

1 Modelos Digitales del Terreno

2 Filtros ALS

3 Clasificacion mediante splinesSplinesPuntos groserosDeteccion de bordesRegion GrowingCorreccionVegetacion



Objetivos y metodologa

1 Objetivo

Generar un DTM, un modelo de vegetacion, un modelo de edificios...2 Como?

Interpolacion de superficies mediante un ajuste de mnimos cuadradosde splines utilizando una norma de Tychonov

Estudio de pendientes: Morfologa Segmentacion de objetos




1 Objetivo Generar un DTM, un modelo de vegetacion, un modelo de edificios...

2 Como?

Interpolacion de superficies mediante un ajuste de mnimos cuadradosde splines utilizando una norma de Tychonov






2 Como? Interpolacion de superficies mediante un ajuste de mnimos cuadrados

de splines utilizando una norma de Tychonov







de splines utilizando una norma de Tychonov Estudio de pendientes: Morfologa

Segmentacion de objetos






de splines utilizando una norma de Tychonov Estudio de pendientes: Morfologa Segmentacion de objetos



Spline bilineares y bicubicas



Puntos groseros1 Hay siempre puntos anomalos debido a diferentes eventos:

Pajaros Nubes de agua Multipath...

2 Deben ser eliminados!!




Pajaros

Nubes de agua Multipath...





Pajaros Nubes de agua

Multipath...2 Deben ser eliminados!!




Pajaros Nubes de agua Multipath...




Deteccion de puntos groseros La eliminacion se hace mediante una interpolacion con splines

bicubicas bastante lisa y baja resolucion.

Aquellos puntos que se alejen mas de un umbral determinado sonconsiderados como puntos groseros y eliminados.

El umbral por defecto son 50 m




bicubicas bastante lisa y baja resolucion. Aquellos puntos que se alejen mas de un umbral determinado son

considerados como puntos groseros y eliminados.

El umbral por defecto son 50 m




bicubicas bastante lisa y baja resolucion. Aquellos puntos que se alejen mas de un umbral determinado son

considerados como puntos groseros y eliminados. El umbral por defecto son 50 m



Deteccion de bordes

Definicion: Borde

NO es un senor antipatico NO es tu jefe

1 El analisis de bordes no es facil porque los puntos no estandistribuidos regularmente

2 Se pueden regularizar los puntos se rasteriza:

mnimo y maximo Media Interpolacion kriging...

3 Perdida de informacion altimetrica



Deteccion de bordesDefinicion: Borde

Es una fuerte variacion en altura correspondiente a una pequena variacionen planimetra

Objeto










2 Se pueden regularizar los puntos se rasteriza: mnimo y maximo

Media Interpolacion kriging...







2 Se pueden regularizar los puntos se rasteriza: mnimo y maximo Media

Interpolacion kriging...







2 Se pueden regularizar los puntos se rasteriza: mnimo y maximo Media Interpolacion

kriging...3 Perdida de informacion altimetrica






2 Se pueden regularizar los puntos se rasteriza: mnimo y maximo Media Interpolacion kriging...




Calculo de bordes

1 Se trabaja con una interpolacion con spline bilineares que se ajustemucho a las observaciones (nuestros puntos)

2 Para esta superficie se calcula:

El Gradiente para cada punto:

Gm =

G 2x + G2y =

(dz

dx

)2+

(dz

dy

)2 La direccion normal: P = arctan

(GyGx

)

Estos dos parametros no son suficientes!!



Calculo de bordes


2 Para esta superficie se calcula: El Gradiente para cada punto:

Gm =

G 2x + G2y =

(dz

dx

)2+

(dz

dy

)2

La direccion normal: P = arctan(

GyGx

)Estos dos parametros no son suficientes!!



Calculo de bordes



Gm =

G 2x + G2y =

(dz

dx

)2+

(dz

dy


(GyGx

)

Estos dos parametros no son suficientes!!



Calculo de bordes



Gm =

G 2x + G2y =

(dz

dx

)2+

(dz

dy


(GyGx

)Estos dos parametros no son suficientes!!



Valor gradiente

1 El gradiente tiene un valor muy alto en el borde de los objetos perotambien el punto exterior mas proximo

2 Debido al ruido en las observaciones, el valor mas alto del gradientepuede ser el equivocado



Calculo de residuos

1 Se trabaja con una interpolacion con spline bicubicas con resolucionmuy baja para obtener una superficie muy lisa

2 Se calcula el residuo entre la superficie y las observaciones

3 El punto con residuo positivo sera nuestro punto borde

Objeto

Interpolacion

+

+ Borde Terreno



Identificacion final de bordes

Para que un punto sea considerado como el borde de un objeto se debecumplir:

1 El gradiente debe ser mayor que un cierto umbral dado por el usario

2 Si el gradiente es grande pero sin llegar al umbral, ademas se debeverificar que:

El residuo es positivo La direccion normal no se desva mas de un valor dado.







El residuo es positivo

La direccion normal no se desva mas de un valor dado.







El residuo es positivo La direccion normal no se desva mas de un valor dado.



Region Growing

Hipotesis

El interior del objeto sera siempre igual o mas alto que los bordes (su alturamedia)

1 El objetivo en este paso es reconocer el interior de los objetos

2 Para cada borde se construye un conj. convexo y en su interior seejecuta un algoritmo de region growing para verificar la hipotesis



Primera clasificacion

Los puntos viene clasificados por su posicion con respecto al terreno:

1 Objeto: Si estan dentro del conj. convexo y su altura es mayor que laaltura media del borde

2 Terreno: En cualquier otro caso.

Y por el tipo de impulso:

1 Unico impulso: Si solo se ha recibido un eco de ese punto

2 Doble impulso: Si se han recibido mas impulsos



Errores en la clasificacion

1 La hipotesis de las alturas falla

2 Confusion de alturas

3 Se han identificado bordespertenecientes al terreno perono a objetos



Correccion final

Se utilizan los puntos Terreno unico impulso para realizar unainterpolacion con splines bilineares y resolucion baja para obtener unasuperficie bastante lisa.

1 Si un punto terreno esta losuficientemente alejado de lasuperficie se reclasifica comoobjeto

2 Si un punto objeto esta losuficientemente cercano a lasuperficie se reclasifica comoterreno



Motivaciones

1 El filtro anterior clasifica entre terreno Vs. objeto:

Participo en el test del ISPRS: Buenos resultados Incompleta: NO distingue vegetacion

2 Detectar vegetacion en una nube ALS es importante para

estudioshidrologicos

,

modelizacion urbana, estudios forestales, etc. . .

3 Desarrollo del filtro de vegetacion porque:

Existe ya una estructura adecuada de datos Dado que esta bajo licencia libre, su publicacion tambien debera ser

libre Completar el algoritmo que participo en el ISPRS



Motivaciones

1 El filtro anterior clasifica entre terreno Vs. objeto: Participo en el test del ISPRS: Buenos resultados

Incompleta: NO distingue vegetacion2 Detectar vegetacion en una nube ALS es importante para


,







Motivaciones

1 El filtro anterior clasifica entre terreno Vs. objeto: Participo en el test del ISPRS: Buenos resultados Incompleta: NO distingue vegetacion

2 Detectar vegetacion en una nube ALS es importante para


,







Motivaciones


2 Detectar vegetacion en una nube ALS es importante para estudioshidrologicos,







Motivaciones


2 Detectar vegetacion en una nube ALS es importante para estudioshidrologicos, modelizacion urbana,

estudios forestales, etc. . .






Motivaciones


2 Detectar vegetacion en una nube ALS es importante para estudioshidrologicos, modelizacion urbana, estudios forestales, etc. . .






Motivaciones


2 Detectar vegetacion en una nube ALS es importante para estudioshidrologicos, modelizacion urbana, estudios forestales, etc. . .

3 Desarrollo del filtro de vegetacion porque: Existe ya una estructura adecuada de datos Dado que esta bajo licencia libre, su publicacion tambien debera ser




Clasificacion de vegetacion

1 Los datos de partida son los clasificados como terreno u objecto(tanto unico como doble impulso).

2 Se crea una mascara raster.

3 Podemos buscar:

1 Edificios valor celda = 1 si al menos un

Clase de Filtro LIDAR

Documents

Transcript of Clase de Filtro LIDAR