View
157
Download
3
Category
Preview:
Citation preview
VECTORIZAÇÃO DE PMOT´S ATRAVÉS DE PROCESSOS
AUTOMÁTICOS E SEMIAUTOMÁTICOS COM RECURSO A SOFTWARE
LIVRE
Marcelo SilvaOrientador: Prof. Alberto Gomes
Explicitar a aprendizagem e as tarefas realizadas durante o período de estágio no Serviço de SIG da Câmara Municipal de Esposende;
Desenvolvimento de uma metodologia apoiada em software SIG livre, para a vectorização de Planos Municipais de Ordenamento do Território (PMOT) elaborados em formato raster;
OBJETIVOS GERAIS
Aquisição de informação geográfica através da digitalização de plantas dos PMOT em suporte papel;
Aquisição de técnicas de manuseamento e utilização otimizada de scanner de grandes dimensões;
Aquisição de competências na utilização de software SIG Geomedia;
Elaboração de um projeto SIG de espacialização da informação;
Disponibilização dos PMOT no portal webSIG;
OBJETIVOS ESPECÍFICOS: 1. ESTÁGIO
Preparação dos mapas para digitalização;Digitalização dos PMOT;Seleção de softwares livres a utilizar;Pré-processamento das imagens;Experimentação dos diversos algoritmos de
segmentação;Vectorização dos PMOT;Pós-processamento da informação vetorizada;
OBJETIVOS ESPECÍFICOS: 2. METODOLOGIA CONVERSÃO RASTER PARA VETORIAL
Existe uma quantidade expressiva de bibliografi a sobre a conversão de informação raster para vetorial;
O boom no estudo da temática e no desenvolvimento de algoritmos de segmentação deu-se na década de 80 e 90 do século XX;
A conversão de informação raster para vetorial é do interesse de diversas áreas do saber (medicina, geografia, indústria, segurança, etc)
No domínio dos SIG, existe alguma metodologia desenvolvida: Extração de feições a partir de imagens de satélite (extração da
rede viária e edificado). No campo da conversão de informação gráfica disponível
em mapas e cartas para o formato vetorial, não foi encontrada uma metodologia que abrangesse de uma forma relevante todos os aspetos que envolvem este processo.
ESCOLHA DO TEMA:
CRONOGRAMA
ESTÁGIO
ESTÁGIO: ATIVIDADES
Plano Data Autor
Esboceto do Anteplano de
Urbanização de Esposende1967
Arq. Carlos Carvalho Dias e Arq.
Lúcio Miranda
Plano de Urbanização da Área
Central de Esposende1994 PLANUM
Plano de Pormenor da Zona Centro
de Esposende e Lagoa1992/1996 Arq. Bernardo Ferrão
Plano de Pormenor da Área Nascente
do Aglomerado de Esposende1993/1998 Arq. Bernardo Ferrão
Plano de Pormenor da Zona Norte de
Esposende1983/1997 Arq. Bernardo Ferrão
Plano de Pormenor de Urbanização
da Zona a Nascente da E.N.131985 TECNOPOR
Plano Geral de Urbanização Apúlia 1986 TECNOPOR
Plano de Urbanização de Apúlia 1995 PLANUM
Plano Geral de Urbanização entre
Ofir, Fão e Apúlia1984 TECNOPOR
Plano de Pormenor de Urbanização
da Zona Situada entre Esposende e
Marinhas.
1984 TECNOPOR
ESTÁGIO: LISTA DE PMOT’S SELECIONADOS
ESTÁGIO: SINÓPSE
METODOLOGIA PARA VECTORIZAÇÃO DOS
PMOT
Software livre é aquele cuja licença de utilização, permite que os utilizadores executem, copiem, distribuam, alterem e melhorem o software original.
SOFTWARE LIVRE
Comparação aproximada de custos entre software proprietário e livre:
SOFTWARE UTILIZADO
Software Utilidade FunçõesFiji Pacote de processamento gráfico Segmentação
GIMP Processamento de imagens Segmentação/recorte de imagens
Mirone Processamento de imagens georreferenciadas Morfologia Matemática
Quantum GIS
SIG Desktop Layout final/ Georreferenciação
Grass SIG Desktop Vectorização; pós-processamento
METODOLOGIA
Raster para Vectorial
Sistema de Visão Artific
ial
Modelo de Kolesnikov
A estrutura de um Sistema de Visão Artificial” (SVA) é um sistema capaz de adquirir, processar e interpretar imagens correspondentes a cenas reais.
METODOLOGIA: SVA
METODOLOGIA: MODELO DE KOLESNIKOV
Pré-processamentoa) Binarizaçãob) Filtragem de ruídoc) Segmentação
Processamentoa) Esqueletizaçãob) Vetorização
Pós-processamentoa) Filtragemb) Análisec) Interpretação
ESQUEMA METODOLÓGICO
Equipamento utilizado: Scanner de alimentação de grandes dimensões e de grande precisão.
Planta de Síntese do Plano de Pormenor de Urbanização da Zona Situada entre Esposende e Cepães, (Escala 1/1000): exemplar representativo ao nível das características dos polígonos, áreas com trama, diversidade das feições, etc.
METODOLOGIA: DIGITALIZAÇÃO
Destino
Site da CME: 100 DPI (JPEG)
Vectorização: 300 DPI (TIFF)
Recorte da área de estudo:
METODOLOGIA: PRÉ-PROCESSAMENTO
Eliminação da informação marginal Legendas, título, rosa-dos-ventos, margens, notas de rodapé,
etc. Ajuste do contraste
Realce da imagem Remoção do ruído
Existe um conjunto de fi ltros, para este tipo de operação: ajuste do brilho (brightness) da imagem, filtros morfológicos, filtro Gaussiano, etc.
Utilizou-se o fi ltro Gaussiano seletivo, que permite suavizar as áreas na fotografia que se encontram abaixo de um determinado limiar sem afetar as feições.
METODOLOGIA: PRÉ-PROCESSAMENTO
Filtro Gaussiano
METODOLOGIA: PRÉ-PROCESSAMENTO
Original Filtro Seletivo Gaussiano
A Segmentação permite subdividir a imagem nas diversas partes ou objetos constituintes:
METODOLOGIA: SEGMENTAÇÃO
Crescimento de regiões:• Os algoritmos de crescimento de regiões
procedem a uma busca por grupos de pixels com uma determinada propriedade de similaridade, como pertencentes a uma mesma região e por isso são utilizados para a deteção de regiões homogéneas.
Contorno:• É um algoritmo capaz de detetar as bordas dos
objetos, a partir dos quais, constrói os seus contornos, considerando assim como um objeto a região dentro desse contorno.
TIPOS DE SEGMENTAÇÃO:
Parâmetros para alcançar uma boa segmentação:
As regiões de uma imagem a segmentar deverão ser uniformes e homogéneas no que diz respeito a determinadas características: como a textura ou os tons de cinzento;
O interior das regiões deverá ser simples e com poucos “buracos”;
As regiões adjacentes deverão ter valores muito diferentes no que diz respeito às características que as caracterizam e deverão ser também uniformes;
Os limites de cada segmento deverão ser simples e não rugosos e espacialmente precisos;
METODOLOGIA: SEGMENTAÇÃO
Experimentação de 11 algoritmos de segmentação disponíveis nos softwares GIMP e FIJI:
Seleção de 2 algoritmos com os melhores resultados.
METODOLOGIA: SEGMENTAÇÃO
Original Statistical Region Merging
Adaptive edge detection
SEGMENTAÇÃO
Adaptive Edge
DetectionVantagens: Bons resultados na deteção de bordas; facilidade de uso devido a ser um método automático; pouco sensível ao ruído
Desvantagens: não permite ajustes pelo operador.
Statistical Region Merging
Vantagens: Facilidade de uso; bons resultados na criação de regiões de interesse e descriminação de feições.
Desvantagens: Dificuldade na deteção de linhas mais esbatidas.
Consiste na fi ltragem dos objetos segmentados através de um método designado de morfologia matemática. A morfologia permite: realce da imagem, esqueletização, fi ltragem do ruído, etc.
METODOLOGIA: REFINAMENTO
Imagem Original (Segmentanção)
Encerramento Esqueletização
Georreferenciação: Elaborado com a ferramenta “georreferenciador” do Quantum GIS, tendo por base os ortofotos do concelho de Esposende (2003);
METODOLOGIA: GEORREFERENCIAÇÃO
Vectorização: elaborado a partir do módulo “r.to.vect” do GRASS, com as opções “s” (suavização) e “area” ativas;
METODOLOGIA: VECTORIZAÇÃO
Output Segmentaçã
o
Adaptive edge
detection
Statistical Region Merging
Módulo “v.clean” do Grass para resolução de problemas “topológicos”:
METODOLOGIA: PÓS-PROCESSAMENTO
Pós-processamento
Remoção de “ruído”
Feições duplicadas
Eliminação de áreas de pequenas dimensões
Recuperação de entidades
Vectorização manual de feições não
reconhecidas
Edição de feições
incorretamente representadas
Reconhecimento de objetos
Definição dos atributos
RESULTADOS
VECTORIZAÇÃO: STATICAL REGION MERGING
VECTORIZAÇÃO: ADAPTIVE EDGE DETECTION
VECTORIZAÇÃO: NÍVEL DE ALTERAÇÕES
Verde (original); amarelo (alterado); vermelho (vetorizado manualmente)
Área total vetorizada: 46 617 m2;
78% da área total vetorizada não sofreu qualquer edição;
10% da área foi alterada as suas feições em parte;12% da área total teve de ser vetorizada novamente;
RESULTADOS: ÁREA DAS FEIÇÕES POR TIPOLOGIA (M2 E %)
Área das feições
Inalteradas 36536,11 m278%
Alteradas 4739,32 m210%
Vetorizadas manualmente 5341,94 m212%
Total 46617,37 m2100%
199 Feições digitalizadas:
64% das feições não sofreu qualquer tipo de intervenção;
21% das feições sofreu alterações ao nível da edição;15% das feições tiveram de ser manualmente
vetorizadas;
RESULTADOS: PERCENTAGEM DAS FEIÇÕES POR TIPOLOGIA
64%
21%15%
Feições:
Inalteradas AlteradasVetorizadas manualmente
RESULTADO FINAL
Resultados satisfatórios: permite a poupança de tempo e trabalho na vectorização;
Metodologia orientada para documentos a vetorizar complexos e extensos;
Necessidade de experiência e conhecimento do operador para: Decidir quais etapas necessárias e dispensáveis, tendo em
conta as características do documento a digitalizar (estado de conservação, cor, tipo e forma de representação da informação na planta);
Utilizar e configurar o software para obter os melhores resultados possíveis;
Metodologia complexa do ponto de vista do número de etapas a realizar;
METODOLOGIA: CONCLUSÃO
FIM
Recommended