CLASIFICACIÓN Y ESTRUCTURA DE LA … · información en cuatro grupos, con procesos independientes para cada uno: Fachadas, suelo, techo y elementos complejos. • La información

CLASIFICACIÓN Y ESTRUCTURA DE LA INFORMACIÓN DEL ESCÁNER LÁSER TERRESTRE

Metodología para el análisis del levantamiento de Vila Vella, Casco histórico de Tossa de Mar

• Levantamiento Arq. • Caso de estudio • Manejo de datos TLS • Estructura de datos • Análisis • Selección • Síntesis • Imagen como database • Manejo del Raster TLS • Conclusiones

PhD candidate. Arq. Juan M. Corso Sarmiento PhD, Director CPSV:Dr. Arq. Josep Roca Cladera

Centre of Land Policy and Valuations, CPSV | Polytechnic University of Catalonia, UPC

CLASIFICACIÓN Y ESTRUCTURA DE LA INFORMACIÓN DEL ESCÁNER LÁSER TERRESTRE Metodología para el análisis del levantamiento de Vila Vella, Casco histórico de Tossa de Mar




“El proceso analítico debe ir del todo a las partes, y viceversa, una y otra vez….” (NORBERG-SCHULZ, Christian., Intensiones en arquitectura)

G.H. Baker: génesis y articulación del volumen del edificio Humana (Louisville Kentucky), Michael Graves 1982.

“…..cada enfoque o cada descomposición, no debe entenderse como una simple disección o deconstrucción, sino como la creación de nuevos esquemas de conocimiento”

(GÁMIZ, Antonio., Ideas Sobre Análisis, Dibujo Y Arquitectura)

LEVANTAMIENTOS = ANÁLISIS + SELECCIÓN +SÍNTESIS

Levantamiento Arquitectónico

Segmentación RANSAC

Datos 3D a datos como plantas y fachadas

Análisis Selección Síntesis

Clasificación manual




Caso de estudio: Vila Vella, ciudad fortificada medieval, en Tossa de Mar, considerado monumento histórico-artístico nacional en 1931.




Método de registro, Iterative Closest Point ICP

Georreferenciación y verticalidad basada en el ICC

Se basa en minimizar la distancia entre dos nubes, punto a punto, por iteraciones sucesivas. Mejora su efectividad tener en cuenta: • Diferencias entre posiciones por el movimiento de

los objetos (ejm. Movimiento de la vegetación por el viento, su eliminación en el registro)

• Método topográfico Closed traverse • Unir en más de una dirección • Estadística entre posiciones

Cartografía: Institut Cartogràfic de Catalunya (ICC) Escala 1:1.000 (Diciembre de 2005) Georreferenciación con 150 puntos de referencia a lo largo de las 7 torres, la muralla y la vía.

Estadística del registro




Limpieza de las nubes de puntos 1. Manual, por posición 2. Manual, de todo el modelo urbano 3. Procesos semiautomáticos y extracción de intensidad por rango de selección (0.03 a 0.4db)

Segunda limpieza manual

Limpiar en base a datos de intensidad

Tres procesos de limpieza, dada la necesidad de tener un

modelo sin ruido, para el futuro análisis de la

información en 2D y 2.5D




Clasificación de planos RANSAC

RANSAC "RANdom SAmple Consensus". ”It is an iterative method to estimate parameters of a mathematical model from a set of observed data which contains outliers. It is a non-deterministic algorithm in the sense that it produces a reasonable result only with a certain probability, with this probability increasing as more iterations are allowed. The algorithm was first published by Fischler and Bolles in 1981”.

Basado en: • Peter Kovesi, Centre for Exploration Targeting School

of Earth and Environment The University of Western Australia.

• ZULIANI, Marco, RANSAC for Dummies With examples using the RANSAC toolbox for Matlab™ & Octave and more, Enero, 2012.

Vegetación y elementos complejos Detección de rugosidad con un radio de 0.6m y con un mínimo de 1000 puntos

RUGOSIDAD

PROXIMIDAD Detección de Superficies horizontales Slope 74% y mayores de 1.2m de altura

Programas LIDAR, ejemplo VRMesh Análisis, Segmentación de la nube de puntos




Selección, reorganización manual

• Superficies escaneadas de

forma directa: Fachada y muralla

• Superficies escaneadas de forma indirecta: El suelo

• Captura de puntos lejanos: Cubiertas

• Elementos complejos: vegetación y mobiliario




Síntesis. De 3D a Raster como base de datos Desdoblamiento de la información, conservando la transformación

15cm

Distancia entre parcelas

Muros bajos Edificado

Muros bajos analizados en planta y proyectados en pasos posteriores en fachada, igual que el techo y el suelo




Construcción imágenes TLS como base de datos • Resolución y tamaño del pixel (detalle alcanzado) • Manejo de la falta de datos (ignorar el “no data”) • Filtrado de la imagen base (interpolación de datos) • Superposición de imágenes raster (georreferenciación) • Información ortogonal (RANSAC en la alineación de datos) • Selección de información a extraer (min, max, sum, mean, etc.) • Escala de valores (rangos de profundidad 32bits y normalización 0-1)

Raster desde visualizadores de nubes de puntos, enfocado a las zonas de mayor detalle

Sistemas de Información Geografía SIG (procesos de filtrado Low Neighborhood)

Pointools

ArcGis




Manejo de información Raster proveniente del TLS • Información de intensidad y color

Resolución 2pix/cm 1er filtro Neighborhood 2er filtro Neighborhood

Arco con vegetación

Raster Suma resolución 1cm/pixel

Pérgola con vegetación

Jardineras

Árboles

arbustos

enredaderas

Planta

Cubiertas Vegetación y mobiliario

Suelo Fachada y muralla RGB Intensidad Clasificación supervisada

Orientación y cambios de pendiente Aspect

Superficies planas e inclinadas

3D del Slope de Int. Natural Neighbor extruido con el Raster Max. análisis superficie Natural Neighbor

Secciones

Por ser una superficies escaneadas de forma indirecta, necesitan una mayor interpolación y el uso de mascaras que complementen el vacío de datos.




DTM Neighborhood + Hillshade Raster min 0,02m pixel

• Información de profundidad

Raster máximos 5 cm/pixel, filtro. Neighborhood Low radio de 3 pixeles

Raster máximos, falso color

Raster mínimos, falso color

Surface Volume 1: Plane_Height: 24,48 Reference: ABOVE Z_Factor: 1,000000 Area_2D: 964,68 m2 Area_3D: 2482,93 m3 Volume: 7647,21 m3

Filtro Minus de 0,1 m

Raster mínimos 0,1 m

Raster máximos 0,1 m

Raster máx a puntos y a mallas

Raster máximos 0,1 m Algebra de mapas +25m


Suelo Fachada y muralla

Manejo de información Raster proveniente del TLS

Hillshade Raster máx 0,05m

Hillshade





Fachada y muralla

Manejo de información Raster proveniente del TLS

A partir de la malla de superficies horizontales

detectar los contorno

Pendientes

TIN 0,05m Optimizado

Contornos y líneas de quiebre

SHP raster clasificado

Áreas Shapefile

• Vectorización de superficies complejas

área vectorial de una clasificación por profundidad

Longitud mayor: Intersección de líneas y áreas vectoriales

Suelo




CONCLUSIONES • La complejidad de información TLS plantea la necesidad de distinción y

separación de las partes de un todo hasta llegar a conocer sus principios o elementos.

• Su manipulación final Raster requiere un control de la transformación de los datos en cada etapa, en términos de precisión, limpieza, interpolación de información y georreferenciación.

• Las características técnicas TLS y arquitectónicas permiten agrupar la información en cuatro grupos, con procesos independientes para cada uno: Fachadas, suelo, techo y elementos complejos.

• La información 2D y 2.5D permite la accesibilidad de los datos y el trabajo multidisciplinar en el Patrimonio.

• Los Sistemas de Información Geográfica y la Teledetección (procesamiento de imágenes) permiten una exploración continua, rigurosa y estandarizada de la información TLS.




Miralles Enric Cómo acotar un croissant

Revista croquis 49/50 España, 1991

Bibliography: • AXELSSON, P., Processing of Laser Scanner Data-Algorithms and Applications. ISPRS Journal of Photogrammetry & Remote Sensing, vol. 54, 1999. • Al Shawa, Majd, Consolidation Points In Des Nuages In Lasergrammetrie Terrestrial Sur Les Nouvelle Approche Basée Entités linéaires, Master Thesis, Ecole Nationale Supérieure d'Architecture de Nancy, Université Henri Poincaré, 2006. • ARUN K. S., Huang, T. S., Blostein, S. D., Least square fitting of two 3-d point sets. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 9, Washington, DC, USA, 1987. • Albacete, Antonio San Jose., LiDAR data processing with ArcGIS Desktop 10, Thesis of Master of Geographic Information Technologies, University Complutense of Madrid, 2011 • BEDFORD, Jon Papworth, Heather., Measured and Drawn, Techniques and Practice for the metric survey of historic buildings (second edition), English Heritage, England, 2009 • BESL, Paul, MCKAY, Neil., "A method for registration of 3D shapes." IEEE Transactions on pattern analysis and machine intelligence, Vol 14, 1992 • BOULAASSAL, H,. Automatic Segmentation of Building Facades Using Terrestrial Laser Data, ISPRS Workshop on Laser Scanning and SilviLaser, Espoo, Finland, 2007. • CHEN, C., HUNG, Y CHENG, J,. RANSAC-based DARCES: A New approch to fast Automatic Registration of Partially Overlapping Image Gande, IEEE Transacrions on Ptattern Analysis and Machine Intelligence, vol 21 n 11, 1999. • Deveau, M., Utilisation of données conjointe laser image et pour la segmentation et la 3D Modelling. Doctoral Thesis of Université René Descartes À, Paris, 2006. • Fischler M, Bolles, R., Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography, Vol 24, Comm. of the ACM, 1981, • FITZGIBBON. A., Robust registration of 2d and 3d point sets. Image and Vision Computing, vol. 21, UK, 2003 • GAMIZ, Antonio., Ideas on analysis, design and architecture, University of Seville, Secretariat Publications, Seville, 2003. • HORN, BKP, Closed-form solution of absolute orientation using unit quaternion's Journal of the Optical Society of America A, vol. 4, no. 4, HAWAII, 1987, p. 629-642. • Haralick, R.M. and JANSSEN, L. Suitability of laser data for DTM generation: A case study in the context of road planning and design. ISPRS Journal of Photogrammetry and Remote Sensing, 54 (4), Netherlands, 1999. • KOVESI, Peter. "MATLAB and Octave Functions for Computer Vision and Image Processing". http://people.csse.uwa.edu.au/pk/Research/MatlabFns/index.html ", 2006. • Lari, Z., Habib, A, KWAK, E., AN ADAPTIVE APPROACH FOR 3D SEGMENTATION OF LASER POINT CLOUD, ISPRS 2011, Laser Scanning Workshop • LI, Y. WANG, Y., An acurrate registration method based on point clouds and redundancy elimination of LIDAR data. The Proc International Archive of the Photogrametry, Remote Sensing and Spatial Information Scinces. Vol XXXVII. Part B5, Beijing, 2008. • LERMA, Jose Luis, Classification of multispectral digital images for recognition and characterization of materials and architectural facades pathologies, Ph.D. thesis, Department of Cartographic Engineering, Geodesy and Photogrammetry, Polytechnic University of Valencia, 1999 • Masaharu, H., Hasegawa, H., Three-Dimensional Laser Scanner from City Modeling Extracting Data by Using Region Segmentation Building Polygons Method, Proc. International Archives of Photogrammetry and Remote Sensing, Amsterdam, 2000. • Mitra, Niloy, Gelfand, Natasha, POTTMANN, Helmut, Guibas, Leonidas., Registration of point cloud data from a geometric optimization perspective, Eurographics Symposium on Geometry Processing in, Nice, France, 2004. • PFEIFERA, Norbert, Investigating Terrestrial Laser Scanning Intensity Data: Quality And Functional Relations, "International Conference on Optical 3-D Measurement Techniques VIII", ISBN: 3-906467-67-8, pp. 328 to 337.2007. • PU, Shi, Vosselman, G., Building facade reconstruction by fusing terrestrial laser points and images Sensors. Vol. 9, No. 6, Netherlands, 2009. • PU, Shi, Extracting From Terrestrial Laser Scanning Windows, ISPRS Workshop on Laser Scanning and SilviLaser, Espoo, Finland, 2007. • Stamos, I., Allen, P., Geometry and texture recovery of scenes of large scale. CVIU, vol. 88, No. 2, New York, 2002. • SCHNABEL, R, WAHL, R., KLEIN, R., 2007. Efficient RANSAC for Point-Cloud Shape Detection. In Computer Graphics Forum, vol. 26, no. 2, Blackwell Publishing, 2007. • SEGUÍ, Javier., Writings for an introduction to architectural design, Madrid, 1996. • Vosselman, George, MAAS, Hans / Gerd,. Airborne and Terrestrial Laser Scanning, Whittles Publishing, Scotland, 2010. • Vosselman, George, Gorte, BGH, Sithole, G., Rabbani, T., Recognising structure in laser scanner point clouds. IAPRS, vol. 46, part 8/W2, Freiburg, 2004. • WANG, M., TSENG, Y., LIDAR data segmentation and classification based on octree structure. XXth ISPRS Congress, Istanbul, Turkey, 2004. • ULLRICH, Wagner, Gaussian Decomposition and Calibration of a Novel Small-Footprint Full-Waveform Digitising Airborne Laser Scanner. ISPRS Journal of Photogrammetry and Remote Sensing, Volume 60, Issue 2, 2006. • Zuliani, Marco, RANSAC for Dummies With examples using the RANSAC toolbox for Matlab ™ & Octave and more, 2012.

Documents

CLASIFICACIÓN Y ESTRUCTURA DE LA … · información en cuatro grupos, con procesos independientes para cada uno: Fachadas, suelo, techo y elementos complejos. • La información