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