Nesse artigo é proposto um método para refinar geometricamente telhados 3D extraídos dos dados LASER com o uso de uma imagem aérea de alta-resolução e modelos de campo aleatório de Markov (MRF - Markov Random Field).Para tanto, uma descrição MRF para agrupamento de retas é desenvolvida, assumindo que cada lado de contorno e cumeeira projetado está topologicamente correto e que é necessário apenas melhorar sua acurácia. Embora a combinação de dados LASER com dados de imagem é justificada mais para o refinamento de contorno de telhado, a estrutura de cumeeiras pode dar maior robustez na descrição topológica da estrutura de telhado. O modelo MRF é formulado com base em relações (de comprimento, proximidade e orientação) entre as retas extraídas da imagem e o polígono projetado e, também, em injunções de retangularidade e quina. A função de energia associada à descrição MRF é minimizada via algoritmo genético, resultando em um agrupamento de retas para cada telhado. Finalmente, o agrupamento de retas é topologicamente reconstruído baseando-se na topologia do correspondente polígono projetado no espaço imagem. Os resultados obtidos foram satisfatórios. Esse método foi capaz de fornecer polígonos de telhado refinados em que a maioria de seus lados de contorno e cumeeira foram geometricamente melhorados.

In this paper, a method is proposed to refine the LASER 3D roofs geometrically by using a high-resolution aerial image and Markov Random Field (MRF) models. In order to do so, a MRF description for grouping straight lines is developed, assuming that each projected side contour and ridge is topologically correct and that it is only necessary to improve its accuracy. Although the combination of laser data with data from image is most justified for refining roof contour, the structure of ridges can give greater robustness in the topological description of the roof structure. The MRF model is formulated based on relationships (length, proximity, and orientation) between the straight lines extracted from the image and projected polygon and also on retangularity and corner injunctions. The energy function associated with MRF is minimized by the genetic algorithm optimization method, resulting in the grouping of straight lines for each roof object. Finally, each grouping of straight lines is topologically reconstructed based on the topology of the corresponding LASER scanning polygon projected onto the image-space. The results obtained were satisfactory. This method was able to provide polygons roof refined buildings in which most of its contour sides and ridges were geometrically improved.

O problema de extração automática da malha viária urbana é extremamente complexo, uma vez que em cenas urbanas as vias apresentam forte interação com os outros objetos da cena (vegetação, edificações, veículos etc.). Esse problema pode ser simplificado se regiões correspondente às vias forem previamente isoladas. Na sequência, a malha viária urbana pode ser extraída baseando-se apenas nessas regiões, reduzindo a área de busca e o esforço computacional. A classificação de imagens pode ser usada no intuito de isolar as regiões de via, mas em cenas urbanas complexas a utilização de somente dados espectrais pode não ser suficiente para separar com confiabilidade classes com comportamento espectral similar. Para contornar esse problema, é proposta a integração dos dados geométricos e radiométricos de varredura a laser com imagem aérea RGB de alta resolução numa classificação por Redes Neurais Artificiais, tendo por foco principal o isolamento de regiões de via. O benefício desta integração foi verificado usando diferentes combinações de dados de entrada na rede. Os experimentos mostraram que a combinação que integra diferentes fontes de dados permitiu separar a classe via com melhor acurácia e que problemas relacionados com as respostas espectrais similares foram minimizados.

The problem of automated urban road network extraction is extremely complex, as roads in urban scenes interact strongly with other scene objects (vegetation, buildings and vehicles). This problem can be simplified if regions corresponding to roads were previously isolated using a classification procedure. Next, the urban road network can be extracted from these regions previously detected, leading to a geometric and semantic description. The image classification procedure can be used in order to isolate regions of road, but in complex urban scenes, the use of only spectral data may not be sufficient for a reliable separation of classes with similar spectral characteristics. To overcome the problem, it is proposed the integration of laser scanner geometric and radiometric data with high-resolution RGB aerial images in the classification using Artificial Neural Network, with main focus to isolate regions of road. The benefit of this integration was cheked using different combinations of input data. The experiments showed that the combination that integrates different sources of data allows the separations of the road class with better accuracy and the problems related to spectral similar responses were minimized.

Neste artigo é proposto um método semiautomático para extração de rodovias combinando um estereopar de imagens aéreas de baixa resolução com um poliedro gerado a partir de um modelo digital do terreno (MDT). O problema é formulado no espaço-objeto através de uma função objetivo que modela o objeto 'rodovia' como uma curva suave e pertencente a uma superfície poliédrica. A função objetivo proposta depende também de informações radiométricas, que são acessadas no espaço-imagem via relação de colinearidade entre pontos da rodovia no espaço-objeto e os correspondentes nos espaços imagem do estereopar. A linha poligonal que melhor modela a rodovia selecionada é obtida por otimização no espaço-objeto da função objetivo, tendo por base o algoritmo de programação dinâmica. O processo de otimização é iterativo e dependente do fornecimento por um operador de uma aproximação inicial para a rodovia selecionada. Os resultados obtidos mostraram que o método é robusto frente a anomalias existentes ao longo das rodovias, tais como obstruções causadas por sombras e árvores.

In this paper a semiautomatic method is proposed for road extraction by combining a stereoscopic pair of low-resolution aerial images and a polyhedron generated by using a digital terrain model (DTM). The problem is formulated in the object space by means of an objective function which models the object 'road' as a smooth curve that belongs to a polyhedral surface. The proposed objective function also depends on the radiometric information, which is accessed in the image space via collinearity relation between road points, in the object space and corresponding points in the image spaces of stereoscopic images. The polyline providing the best representation for a selected road is obtained in the object space via optimization of the objective function by using the dynamic programming algorithm. The optimization process is iterative and an operator needs to supply an initial polyline approximating the selected road. The obtained results showed that the method is robust against anomalies existing along roads, such as obstruction caused by shadows and trees.

Este trabalho apresenta um método para a extração de contornos de telhado de edifícios a partir de imagens digitais tomadas sobre cenas urbanas complexas. O método proposto é baseado na otimização de uma função de energia snakes, que representa contornos de telhado de edifícios em imagens digitais, através da técnica de otimização por programação dinâmica. Como a grande maioria dos contornos de telhado de edifícios possui lados retilíneos se interceptando em ângulos retos, foram aplicadas restrições à função de energia snakes de modo a atender esta condição geométrica. A principal vantagem de se usar o algoritmo de programação dinâmica para otimizar a função de energia snakes é o aumento do raio de convergência, quando comparado com o que é normalmente obtido na solução original baseada em cálculo variacional. A avaliação experimental foi realizada a partir de dados reais e os resultados obtidos na inspeção visual e análise numérica dos experimentos mostraram o potencial do método para a extração de contornos de telhado de edifícios a partir de imagens digitais.

This paper presents a method for building roof contours extraction from digital image taken over complex urban scenes. The proposed method is based on the optimization of a snakes' energy function that represents building roof contours in digital images by using the dynamic programming optimization technique. As most of the building roof contours contains straight edges intercepting at right angles, appropriate geometrics constraints are enforced into the original snakes' energy function. The main advantage of using the dynamic programming algorithm for optimizing the snakes' energy function is the augmentation of the pull-in-range, when compared to the one that is usually obtained in the original solution based on variational approaches. Experimental evaluation, including visual inspection and numeric analysis, was performed by using real data and the obtained results showed the potentiality of the proposed method for extracting building roof contours from digital imagery.