Standart Yöntem

A linha que atender simultaneamente as duas condições é então armazenada para o subsequente processo de dilatação. A Figura 36(a) exibe em preto as linhas que foram eliminadas e, em colorido, aquelas que permaneceram. Essas linhas são então dilatadas de modo a obter segmentos de regiões homogêneos, com bordas mais regular e com largura constante, como mostra a Figura 36(b), que apresenta as bordas das regiões dilatadas para cada uma das linhas. Nesta etapa, a dimensão para a dilatação da linha também baseia-se na

largura das vias, sendo considerado igual a semi-largura média das via, valor menor que o usado no processo de dilatação descrito na subseção 3.3.4.3.

É importante observar que há uma sobreposição das regiões dilatadas nas junções delas. Esse problema é eliminado através da união dos conjuntos (regiões) de pixels, permitindo integrar todas as regiões, obtidas por dilatação, em uma malha de regiões de via, como mostra a Figura 36(c).



(a) (b)

(c)

Figura 36 – Obtenção da malha de regiões de via. (a) Filtragem das linhas espúrias (em preto); (b) Linhas com suas correspondentes regiões dilatadas (representadas pelas suas bordas); e (c) União de

todas as regiões dilatadas.

As operações de dilatação e união, realizadas no software HALCON, são descritas a seguir.

i) A linha que atender as condições no procedimento anterior é dilatada usando o operador ‘dilation_circle’ com o elemento estruturante disco de raio igual a 16 pixels, conforme mostra a Figura 36(b). A dimensão

do raio do elemento estruturante baseia-se na semi-largura média das vias nas cenas; e

ii) O operador ‘union1’ é usado para unir todas as regiões dilatadas, formando ao final uma malha de regiões de via.

4 RESULTADOS EXPERIMENTAIS

Este capítulo apresenta os resultados experimentais do método proposto para detectar regiões de via em ambientes urbanos. Os resultados são avaliados para duas etapas do método proposto: a etapa de isolamento da classe via a partir da classificação por RNA e a etapa de refinamento das regiões de via.

Na etapa de isolamento da classe via, o resultado da classificação para cada uma das combinações de dados de entrada na rede (Tabela 2) é avaliado visualmente, com foco principal na classe via, verificando se as áreas mais críticas (por exemplo, áreas com obstruções provocadas por árvores ou sombras) foram corretamente classificadas. A análise numérica dos resultados da classificação é realizada baseando-se na matriz de confusão, e nos índices de acurácias calculados a partir dessa matriz. Baseando-se na análise visual e numérica, as combinações que apresentaram melhores resultados são selecionadas e a classe via é isolada em cada uma delas. A classe via isolada é então usada na etapa seguinte do refinamento das regiões de via.

O resultado obtido na etapa de refinamento é avaliado visual e numericamente. Na análise visual são verificadas se regiões de via puderam ser regularizadas e se as linhas derivadas destas regiões foram filtradas adequadamente, conforme o método proposto, apontando e analisando áreas mais críticas e definindo se a o refinamento foi bem sucedido ou não.

A análise numérica baseia-se na comparação entre as regiões de via detectadas e as regiões de via obtidas manualmente (regiões de via de referência), através de uma digitalização acurada e confiável da imagem aérea. Os parâmetros numéricos de qualidade usados são Completeza e Correção. A Figura 37 mostra as áreas das regiões de via usadas para calcular os parâmetros numéricos. A região em azul indica a área da região de via detectada (AD), a região em vermelho representa a área da região de via de referência (AR) e a região em verde mostra a área de intersecção entre essas duas regiões (AD∩R), que corresponde à área de região de via detectada corretamente.

região detectada região de referência região de intersecção

AD∩∩∩∩R

AD AR

Figura 37 – Regiões usadas para calcular os parâmetros numéricos de Completeza e Correção.

A Completeza é definida pela porcentagem da área da região de referência que foi detectada pelo método e é expressa por (WIEDEMANN, 2003):

Completeza=AD_‡R

AR

¶

37

A Correção é a porcentagem da área da região de via detectada de forma correta e é dada por (WIEDEMANN, 2003):

Correção= AD_‡R

AD

¶

38

De modo a avaliar o método proposto são apresentados os resultados para as etapas de isolamento e de refinamento da classe via, para cinco recortes.

4.1 Recorte 1

A Figura 38(a) mostra a imagem RGB que representa o recorte 1, destacando as áreas mais críticas, ou seja, onde supostamente haveriam maiores problemas para a discriminação da classe via. Por exemplo, a área A, que apresenta obstrução da via por sombras. A edificação de telhado cinza em destaque na área B apresenta resposta radiométrica similar às das vias. As áreas destacadas como C e D mostram árvores cujas copas causam obstrução total das vias. Note que no MDSn e no MDSn limiarizado (Figuras 38(b) e 38(c)), as árvores correspondentes, principalmente, à área D são representadas por várias regiões pequenas, indicando copas de árvores menos densas (em destaque em branco). Isso pode ser confirmado quando se analisa também a imagem de intensidade nessa mesma área, observando-se as vias bem identificáveis. A Figura 38(d) apresenta a imagem de intensidade

suavizada pela mediana e a Figura 38(e) apresenta a imagem de intensidade suavizada com MM. A área E destacada na Figura 38(a) também apresenta a via obstruída por árvores, sendo que uma delas aparece em tonalidade mais clara na imagem de intensidade (Figura 38(d)), não sendo possível a identificação de uma parte da via, tanto na imagem RGB, como na imagem de intensidade. A E B C D (a) (b) (c) (d) (e)

Figura 38 – Recorte 1. (a) Imagem RGB; (b) MDSn; (c) MDSn limiarizado; (d) Imagem de intensidade suavizada pela mediana; e (e) Imagem de intensidade suavizada com MM.

A Tabela 5 mostra os índices obtidos na avaliação do resultado da classificação para cada combinação dos dados para o recorte 1, com a arquitetura da rede que

apresentou melhor desempenho, o valor do coeficiente kappa obtido e as acurácias do usuário (AU) e do produtor (AP) para a classe via. Os maiores valores para o coeficiente kappa ocorreram para as combinações RGB+MDSnLim, RGB+MDSnLim+IS e RGB+MDSnLim+ISM. Destas combinações, aquelas que integram ambos os dados de VLA apresentaram valores maiores que 90% para AU e AP. As matrizes de confusão geradas para cada uma dessas combinações são apresentadas no Apêndice A.

Tabela 5 – Para o recorte 1 - Arquitetura com melhor desempenho, coeficiente kappa e a acurácia do usuário e do produtor para a classe via, para cada combinação.

Dados de entrada Arquitetura Kappa Classe via AU (%) AP (%) RGB 3 – 21 – 40 – 6 0,67 68,71 88,76 RGB + MDSn 4 – 24 – 40 – 6 0,75 79,56 96,01 RGB+MDSnLim 4 – 23 – 46 – 6 0,80 83,01 96,03 RGB + I 4 – 15 – 45 – 6 0,75 85,99 93,88 RGB + IS 4 – 45 – 15 – 6 0,74 89,37 95,13 RGB+ISM 4 – 37 – 45 – 6 0,76 91,06 96,25 RGB + MDSnLim + IS 5 – 30 – 50 – 6 0,80 90,69 96,17 RGB + MDSnLim + ISM 5 – 20 – 27 – 6 0,79 94,53 94,56 1as_CP+ _{3 – 18 – 33 – 6 0,60 89,64 93,52}

O resultado da classificação usando a combinação RGB pode ser visualizado na Figura 39, que apresenta regiões registradas como sombras na imagem RGB, classificadas como via (exemplos destacados em branco). Também, algumas edificações de telhado cinza foram classificadas como via, como por exemplo, a edificação em destaque na área B da Figura 38(a). Analisando somente a classe via, observa-se muitas falhas e grande quantidade de pixels classificados erroneamente no interior das quadras. Esta combinação obteve os menores valores para as AU e AP, respectivamente, iguais a 68,71% e 88,76%, conforme apresenta a Tabela 5. A classe via, juntamente com a classe edificação de telhado cinza e concreto foram as que causaram maior confusão no resultado da classificação.

Figura 39 - Resultado da classificação e a classe via isolada usando a combinação RGB para o recorte 1.

A Figura 40 apresenta os resultados para as combinações RGB+MDSn e RGB+MDSnLim. As imagens MDSn e MDSnLim contribuem para diminuir a confusão entre as classes via e edificação de telhado cinza, separando possíveis elementos com respostas radiométricas semelhantes e que estão em níveis de alturas diferentes, por exemplo, a edificação de telhado cinza em destaque nas Figuras 40(a) e 40(b), que na combinação RGB (Figura 39) foi classificada como via. De uma forma geral, verifica-se uma pequena diminuição dos pixels classificados como vias no interior das quadras para ambas as combinações, sendo que agora, a maior parte desses pixels representam regiões de sombras dos elementos projetadas sobre a superfície no nível do terreno. A melhora do resultado da classificação pode ser confirmada a partir dos valores do coeficiente kappa (Tabela 5), que aumentou de 0,67 (combinação RGB) para 0,75 (combinação RGB+MDSn) e para 0,80 (combinação RGB+MDSnLim) e o aumento dos valores para as AU e AP. As AP apresentaram valores próximos para ambas as combinações, já a AU apresentou valor maior para a combinação RGB+MDSnLim.

(a)

(b)

Figura 40 - Resultado da classificação e a classe via isolada para o recorte 1: (a) Combinação RGB+MDSn; e (b) Combinação RGB+MDSnLim.

Como na imagem MDSn cada pixel possui um nível de cinza relativo à sua altura real, acredita-se que os objetos mais elevados, são mais propícios de serem classificados corretamente. Comparando os resultados das combinações anteriores (Figura 40), verifica-se que algumas pequenas edificações (em destaque em preto), na combinação RGB+MDSn (Figura 40(a)) foram classificadas como concreto, enquanto na combinação RGB+MDSnLim (Figura 40(b)) essas edificações foram corretamente classificadas. Ainda verificou-se que a classe via apresentou maior confusão com a classe árvore. Isso pode ser em decorrência da variação da dimensão e da densidade das copas das árvores registradas na imagem RGB e nos dados de VLA, principalmente porque os dados não correspondem à mesma data.

A Figura 41 apresenta os resultados da classificação usando as combinações RGB+I, RGB+IS e RGB+ISM. Na combinação RGB+I (Figura 41 (a)), o resultado apresentou classes com aparência ruidosa, justamente devido aos ruídos inerentes à imagem de intensidade. Alguns elementos, que apresentaram respostas radiométricas similares à das vias na imagem de intensidade, foram classificados como via, como por exemplo, uma

edificação na parte central esquerda do recorte e algumas árvores ao redor das vias (em destaque em branco). Apesar disso, ao comparar com os resultados anteriores, observa-se que as vias apresentam-se mais homogêneas e livres de interferências de sombras projetadas sobre elas. A Figura 41(b) apresenta o resultado da combinação RGB+IS. Comparando com o resultado da combinação RGB+I, verificam-se, de um modo geral, classes mais homogêneas com diminuição significativa de pixels classificados como vias no interior das quadras. O resultado da combinação RGB+ISM é exibido na Figura 41(c), observando o efeito serrilhado na borda da classe via. Outro aspecto é a diminuição dos pixels no interior das quadras.

Vale notar que em todas as combinações foi possível a identificação das vias destacadas como áreas críticas (em destaque nas Figuras 41(b) e 41(c)), devido à presença de informação na imagem de intensidade correspondente. No entanto, algumas árvores causam obstrução total das vias. Nesses casos, nem a imagem RGB e nem a imagem de intensidade apresentam o registro da via, causando uma falha na sua continuidade. Dentre essas combinações, aquelas com a imagem suavizada (RGB+IS e RGB+ISM) foram as que apresentaram maiores valores para a AU e AP para a classe via. Pela análise visual, a combinação RGB+IS apresentou melhor resultado, principalmente, na área crítica em destaque, obtendo-a sem muitas falhas. A partir da análise numérica (Tabela 5) a combinação RGB+ISM apresentou valores mais altos para as acurácias, sendo igual a 91,06% para a AU e 96,25% para a AP.

(a)

(b)

(c)

Figura 41 - Resultado da classificação e a classe via isolada para o recorte 1. (a) Combinação RGB+I; (b) Combinação RGB+IS; e (c) Combinação RGB+ISM.

Com o objetivo de melhorar o resultado da classificação, ambos os dados geométricos e radiométricos de VLA são combinados com a imagem RGB. Com base nos resultados das classificações anteriores, as combinações RGB+MDSnLim+IS e RGB+MDSnLim+ISM são propostas, conforme apresentado na Tabela 2, e os resultados da classificação são apresentados na Figura 42. O resultado da combinação RGB+MDSnLim+IS (Figura 42(a)) mostra que as edificações, de uma forma geral, foram classificadas corretamente e a classe via foi classificada com sucesso nas regiões obstruídas por árvores

(em destaque em preto). Também é nítida a diminuição de pixels no interior das quadras correspondentes a outros elementos, mas permanecem alguns deles ainda relacionados às sombras. No entanto, a quantidade é bem menor do que os resultados anteriores apresentaram. O resultado da combinação RGB+MDSnLim+ISM pode ser visto na Figura 42(b), onde observa-se que a influência da sombra diminuiu ainda mais, e consequentemente, diminuiu os pixels no interior das quadras classificados incorretamente como via. A análise visual indica que a combinação RGB+MDSnLim+IS apresentou regiões mais homogêneas, principalmente, na área crítica em destaque. No entanto, apresentou também mais pixels classificados incorretamente no interior das quadras, e por isso o valor de AU (Tabela 5) foi um pouco menor quando comparado com a combinação RGB+MDSnLim+ISM. A AP obteve um valor maior para a combinação RGB+MDSnLim+IS, revelando que 96,17% dos pixels definidos como amostras de referência para a classe via foram corretamente classificados.

O resultado da combinação usando as três primeiras CP (combinação 1asCP+) é apresentada na Figura 42(c), onde observa-se certa confusão, principalmente, entre as classes de edificação de telhado cinza, edificação de telhado vermelho e árvore, obtendo um valor muito baixo para o coeficiente kappa (Tabela 5). Mas, um fato interessante é que a classe via foi detectada de forma homogênea, com poucos pixels no interior das quadras, no entanto, na área crítica em destaque cinza na Figura 42(c), apresenta-se com muitos pixels ao redor que não correspondem às vias.

(a)

(b)

(c)

Figura 42 - Resultado da classificação e a classe via isolada para o recorte 1. (a) Combinação RGB+MDSnLim+IS; (b) Combinação RGB+MDSnLim+ISM; e (c) Combinação 1as_CP+_.

Dentre os resultados obtidos, verifica-se pela análise visual descrita anteriormente e pela análise numérica (Tabela 5) que as combinações RGB+MDSnLim+IS, RGB+MDSnLim+ISM e 1asCP+ foram aquelas que apresentaram melhores resultados. A classe via resultante de cada uma das combinações é refinada conforme o método proposto.

A Figura 43 ilustra, para cada uma das combinações supracitadas, a região regularizada por MM (início do processo de refinamento) na parte superior e na parte inferior, o resultado final, que apresenta regiões dilatadas após serem selecionadas a partir de

parâmetros de Comprimento e Área. Os valores dos limiares usados foram Comprimento igual a 80 pixels e Área = 50%.

RGB+MDSnLim+IS RGB+MDSnLim+ISM RGB+MDSnLim+IS

(a) (b) (c)

Figura 43 - Resultado do processo de refinamento para o recorte 1, apresentando as regiões regularizadas por MM (parte superior) e o resultado final (parte inferior). (a) Combinação

RGB+MDSnLim+IS; (b) Combinação RGB+MDSnLim+ISM; e (c) Combinação 1as_CP+_.

Pela análise visual dos resultados na Figura 43, constata-se que na combinação RGB+MDSnLim+ISM (Figura 43(b)), vias importantes foram eliminadas. Isso ocorreu devido a classe via apresentar-se com falhas nessas regiões e mesmo após a etapas de regularização por MM e conexão das linhas, não foi possível manter essas linhas que representam estas regiões usando os limiares adotados. Essa combinação foi a que apresentou menor valor para o parâmetro de Completeza (Tabela 6). A região que corresponde ao estacionamento permaneceu em todas as combinações, sendo considerada como falso positivo, afetando os valores de Correção. No resultado da combinação 1asCP+ (Figura 43(c)), verifica-se que um pequeno segmento de via não permaneceu e apresentou também regiões consideradas como falso positivo. A combinação RGB+MDSnLim+IS (Figura 43(a)) apresentou melhor resultado, com a detecção de quase toda a malha viária e atingindo um valor igual a 80,29% para a Completeza (Tabela 4). A Figura 44 mostra a malha de regiões de via detectada em maiores detalhes.

Tabela 6 - Parâmetros de qualidade estimados a partir dos resultados obtidos para o recorte 1.

Combinação Completeza _(%) Correção _(%)

RGB + MDSnLim + IS 80,29 75,37 RGB + MDSnLim + ISM 74,29 78,14 1as_CP+ _{78,06 75,78} falso positivo

E

D

Figura 44 – Recorte 1 – Região de via detectada (azul) e região de via de referência (vermelho), ambas com as bordas sobrepostas na imagem RGB.

A Figura 44 mostra a borda da região de via detectada pelo método proposto (em azul) e a borda da região de via de referência (em vermelho), ambas sobrepostas na imagem RGB. A região destacada como falso positivo corresponde a uma área de estacionamento. Mesmo testando outros conjuntos de limiares constatou-se que não é possível eliminá-las sem eliminar regiões que realmente correspondem às vias, prejudicando ainda mais o resultado. É importante considerar que a maioria dos problemas destacados nas áreas críticas (Figura 38), pôde ser contornada, por exemplo, a área crítica D, cujas vias são totalmente obstruídas na imagem RGB e que foram detectadas com sucesso pelo método proposto. Entretanto, na área crítica E (em destaque na Figura 44), não foi possível detectar a região de via de forma contínua, devido à árvore que causa obstrução da via em todas as imagens.

4.2 Recorte 2

As imagens que correspondem ao recorte 2 são apresentadas na Figura 45. As regiões mais críticas estão em destaque na imagem RGB (Figura 45(a)). A área A apresenta um exemplo de obstrução da via por sombras. Nas áreas definidas como B verifica- se a presença de uma região de calçada em torno das edificações e uma quadra de esporte, cujas características radiométricas podem coincidir com as das vias. As edificações de telhado cinza também são elementos que podem ser classificados como vias, algumas delas destacadas como áreas C. A área D apresenta árvores com copas menos densas e no MDSn (Figura 45(b)) essas árvores são representadas por pequenas regiões (em destaque em branco). O correspondente MDSn limiarizado é apresentado na Figura 45(c). As Figuras 45(d) e 45(e) mostram as imagens de intensidade suavizadas, respectivamente, pela mediana e com MM. Nelas, observa-se que a área crítica D e outras árvores apresentam a mesma característica radiométrica das vias.

C A B B D C (a) (b) © (d) (e)

Figura 45 – Recorte 2. (a) Imagem RGB; (b) MDSn; (c) MDSn limiarizado; (d) Imagem de intensidade suavizada pela mediana; e (e) Imagem de intensidade suavizada com MM.

Os resultados da validação da classificação usando as diferentes combinações são apresentados na Tabela 7. Analisando o coeficiente kappa, os menores valores ocorreram para as combinações RGB, RGB+I e 1asCP+, enquanto que os maiores valores ocorreram para as combinações RGB+MDSnLim+IS e RGB+MDSnLim+ISM, onde ambos os dados de VLA foram inseridos. As matrizes de confusão geradas para cada uma dessas combinações são apresentadas no Apêndice B.

Tabela 7 - Para o recorte 2 - Arquitetura com melhor desempenho, coeficiente kappa e a acurácia do usuário e do produtor para a classe via, para cada combinação.

Dados de entrada Arquitetura Kappa Classe via AU (%) AP (%) RGB 3 – 21 – 30 – 7 0,62 68,98 80,62 RGB + MDSn 4 – 10 – 33 – 7 0,69 79,07 74,37 RGB+MDSnLim 4 – 17 – 30 – 7 0,71 73,12 84,84 RGB + I 4 – 23 – 35 – 7 0,62 75,38 69,04 RGB + IS 4 – 13 – 28 – 7 0,64 86,94 67,44 RGB+ISM 4 – 23 – 27 – 7 0,67 82,76 71,82 RGB + MDSnLim + IS 5 – 15 – 35 – 7 0,76 90,48 75,67 RGB + MDSnLim + ISM 5 – 12 – 25 – 7 0,78 85,41 78,48 1asCP+ 3 – 35– 7 0,60 83,83 77,61

A Figura 46 apresenta os resultados da combinação usando somente as imagens RGB e a partir da análise visual verifica-se que a região de cruzamento das vias apresentou-se mal definida, sendo difícil definir as bordas das vias. Na área em destaque em preto tem-se uma edificação classificada como via e em destaque em branco, verifica-se a influência das regiões de sombras, alargando a via. Também é notável a grande quantidade de pixels erroneamente classificados como vias no interior das quadras, o que resultou num valor baixo (68,98%) para a AU (Tabela 7). Um valor mais alto foi obtido para a AP, constatando que 80,62% dos pixels usados como referência para a classe via foram corretamente classificados.

(a) (b)

Figura 46 – Resultado da classificação e a classe via isolada usando a combinação RGB para o recorte 2.

A Figura 47 apresenta os resultados para as combinações RGB+MDSn e RGB+MDSnLim. Para as duas combinações, verifica-se a permanência de muitos pixels no

interior das quadras classificados incorretamente como vias, principalmente aqueles que correspondem às sombras de árvores e edificações projetadas no nível do terreno e à quadra de esporte. Justamente devido à sombra, a via na área em destaque em branco na Figura 47(b) apresenta-se mais larga, já na Figura 47(a), a via apresenta-se falhada (também em destaque em branco). A Tabela 7 mostra que a combinação RGB+MDSn apresentou um valor maior para a AU (79,07%), indicando que um menor número de pixels foram classificados erroneamente como via, e a combinação RGB+MDSnLim obteve um valor maior para a AP (84,84%).

(a)

(b)

Figura 47 – Resultado da classificação e a classe via isolada para o recorte 2. (a) Combinação RGB+MDSn; e (b) Combinação RGB+MDSnLim.

A Figura 48 apresenta o resultado para as combinações que adicionam as imagens oriundas dos dados radiométricos de VLA. O aspecto ruidoso da imagem de intensidade pode ser visualizado no resultado da combinação RGB+I (Figura 48(a)). Para a combinação RGB+IS (Figura 48(b)), o resultado apresentou classes mais homogêneas e reduziu a quantidade de pixels classificados como vias no interior das classes. Na combinação RGB+ISM (Figura 48(c)), essa diminuição foi um pouco mais significativa e observa-se o efeito serrilhado nas bordas da classe via. A característica radiométrica das vias na imagem de intensidade “força” o resultado para detectar a classe via mais homogênea e sem perturbações

provenientes de sombras. No entanto, no interior das quadras aglomerados de pixels podem ser observados, que representam elementos com propriedades radiométricas similares à das via na imagem de intensidade. Dentre as combinações apresentadas na Figura 48, a combinação RGB+I foi a que apresentou resultados mais baixos para o coeficiente kappa e para as acurácias. A combinação RGB+IS obteve o maior valor para a AU (86,94%) enquanto que a combinação RGB+ISM foi a que apresentou maior valor para a AP (71,82%) (Tabela 7).

(a)

(b)

(c)

Figura 48 – Resultado da classificação e a classe via isolada para o recorte 2. (a) Combinação RGB+I; (b) Combinação RGB+IS; e (c) Combinação RGB+ISM.

Os resultados para as combinações RGB+MDSnLim+IS e