Classificação de faces e orientação dos telhados

Seguindo o mesmo princípio da fotointerpretação foi aplicada a classificação semiautomática para identificação de faces e orientação destas, porém os

resultados obtidos não mostraram a eficiência como a fotointerpretação, apresentando um grande número de áreas classificadas erroneamente.

Foi possível notar muitas inconsistências entre os tipos de classes, misturando ou invertendo as classes geradas (Figura 11). Para as segmentações 8-100, 10-100 e 12-8-100, foi observado o mesmo tipo de problema, onde em alguns casos específicos de telhados, este método de classificação consegue distinguir bem as diferenças dos valores de pixels encontrados para cada face, porém, quando expandido para toda a imagem a classificação não segue o mesmo padrão. Em todas as formas de segmentação e classificação usadas para identificar faces e orientação dos telhados ocorre uma grande mistura das classes, tornando a correção manual dos erros de classificação mais trabalhosa do que a classificação manual de telhados individualmente.

Figura 11 - Exemplos de classificação de faces e orientações de telhados

Fonte: Autoria Própria.

Mesmo testando as várias combinações de segmentações diferentes não foi possível isolar as faces, logo optou-se neste trabalho, por deixar a orientação para classificação manual, analisando cada telhado separadamente. Quando comparado com os dados LiDAR, é visto que já é possível identificar áreas de telhados, faces e suas respectivas orientações, através da nuvem de pontos, criando uma grade altimétrica para cada telhado separadamente como demonstra Mitishita e Centeno (2015) em seu trabalho com este tipo de classificação. Oliveira e Galo (2011) chegam a resultados satisfatórios na classificação aplicando o método de Otsu (1979), para telhados de até duas faces. Yano e Poz (2016) demonstraram um satisfatório resultado, com valores acima de 90% na identificação de faces e orientação de diferentes telhados, aplicando a detecção automática de segmentos de planos representando faces de telhados, tendo por base o método RANSAC.

Awrangjeb, Zhang e Fraser (2013) demonstram um método para a extração automática de telhado 3D através de uma integração de dados LiDAR e ortoimagem aérea de alta resolução, chegando a extrair planos tão pequenos quanto 1m² e presença de vegetação densa, alcançando altíssima precisão na identificação de faces e orientação de telhados (Figura 12), em comparação com métodos de outros autores que necessitam de no mínimo 6 a 9 m² de área para chegar a precisão de 90 a 100%.

Figura 12 - Resultados da extração de plano iterativo

Fonte: Awrangjeb, Zhang e Fraser (2013).

5.1.2 Classificação de áreas dos telhados

Para a identificação de área de telhados cada uma das segmentações aplicadas gerou um resultado diferente em área classificada (Tabela 3) apresentando divergências para cada classificação em relação à realidade terrestre (Figura 13).

Tabela 3 - Resultado em áreas de classes segundo as segmentações utilizadas.

Segmentação aplicada

Área total Classe telhado Classe outros

Área (m²) Percentual (%) Área (m²) Percentual (%)

10-100 803.837 310.841,31 38,7 492.996,03 61,3

10-250 804.068,48 352.272,94 43,8 451.795,54 56,2

12-100 801.081,42 280.236,36 35,0 520.845,06 65,0

8-100 804.039,72 370.103,47 46,0 433.936,25 54,0

Fonte: Autoria própria.

Figura 13 - Diferença da classificação realizada em cada segmentação.

Fonte: Autoria própria.

É notável que cada uma das segmentações gere um resultado de classificação diferente, incluindo ou excluindo valores de pixels nas classes determinadas e gerando áreas classificadas de formas diferentes. Os objetos claros como calçadas e carros (Figura 13A) geralmente eram consideradas como extensão dos telhados em todas as segmentações. As Segmentações 10-100 (Figura 13D) e 12-100 (Figura 13F) são as que mais apresentaram buracos na classificação. A segmentação 8-100 (Figura 13C) é a que mais engloba outros objetos na classe telhado, porém, destaca-se como a mais fácil de realizar a correção manual, já que para o processo de correção é mais fácil retirar áreas extras ao invés de adicionar feições.

A próxima etapa foi a criação de um algoritmo em LEGAL, aplicando análise ponderada entre a classificação por fotointerpretação e cada uma das segmentações geradas, considerando os valores de 0 para classe Outros e 1 para classe Telhados. O resultado é um PI em Modelo Numérico do Terreno (MNT), com valores na grade de 0 para telhado igual, 1 para diferentes e 2 para Outros igual.

Esta grade foi fatiada para um PI temático criando-se duas classes, sendo (Tabela 4) em cada classificação feita.

Tabela 4 - Percentual de erros gerados para cada segmentação.

PI

comparado Área igual (m²) Área diferente (m²) Área total (m²) Percentual de erro (%)

10-100 647.364,71 156.634,56 803.999,27 19,48

10-250 623.567,52 180.431,75 803.999,27 22,44

12-100 632.167,92 171.915,45 804.083,37 21,38

8-100 624.638,20 179.360,65 803.998,85 22,31

Fonte: Autoria própria.

Os resultados obtidos para a comparação do PI corrigido com os tipos de classificações realizadas apresentou um erro percentual muito próximo entre os PIs analisados, ficando em torno de 20 por cento de erro. O PI 10-100 foi o que apresentou o melhor resultado de classificação semiautomática com 19,48% de erro, seguido do 12-100 com 21,38 %, 8-100 com 22,31% e 10-250 com 22,44%.

Estes erros ocorrem quando não há um número de amostragens suficientemente realizado anteriormente, logo, após o processamento há uma inversão das casses para valores de pixel que mais se aproximam da classe, ficando classificados erroneamente. Outro fator que influencia no erro final, é a aproximação de valores de pixel como da classe telhado com outros objetos presentes na imagem de satélite, como por exemplo, calçadas muito claras e carros (Figura 14a, 14b), alguns tipos de cerâmica da cor das telhas de barro (Figura 15a, 15b), dentre outros.

Figura 14 - Identificação de calçada e carros como classe Telhado.

Fonte: Autoria própria.

Figura 15 - Identificação de Pisos de cerâmica usados em piscinas como classe Telhado.

Fonte: Autoria própria.

No trabalho realizado por Deus et al.(2011) na identificação de edificações e não edificações usando dados LiDAR, através do software TerraScan, a identificação de edificações apresentou um erro de 29,06% para erros de omissão e 13,23% para erros de comissão, totalizando 42,29% de erro nesta classificação, porém mostra-se mais eficiente quando comparado com outros parâmetros, chegando a uma exatidão de 88,68%. Barbosa e Galo (2014) demonstram que a utilização de classificação por crescimento de regiões utilizando dados LiDAR pode apresentar uma série de erros no resultado final devido a complexidade dos tipos de telhados, proximidade dos mesmos ou confusão com outros objetos como árvores.