Foram selecionadas duas nuvens de pontos de diferentes estilos arquitetônicos para avaliar a eficácia do método de segmentação proposto, sendo estas: (1) Igreja de São Francisco de Assis, de moderno e (2) Igreja da Boa Morte, de estilo neoclássico. A única etapa de tratamento manual desses dados foi a exclusão de elementos não pertencentes à construção como: folhagens, árvores, veículos, entre outros. Nenhum tipo de remoção ou filtragem de ruído foi aplicada.
A estimação das métricas de avaliação, descritas na seção 4.3, foi dada ao se comparar o padrão ouro das nuvens escolhidas com cada uma das nuvens resultantes dos processos de segmentação avaliados. Além da propostas de segmentação com a Transformada Watershed com agrupamento via ALC, os métodos de crescimento de regiões baseados em curvatura e cor também foram computados para efeito comparativo. A escolha dessas técnicas de segmentação se deu por sua maior flexibilidade na segmentação de estruturas complexas.
Os seguintes parâmetros foram ajustados em cada cenário de teste, para cada um dos métodos empregados:
• Crescimento de Regiões baseado em Curvatura: – Limite angular entre normais (entre 1°e 10°) • Crescimento de Regiões baseado em Cor:
– Distância euclidiana colorimétrica (entre 1°e 10°) • Transformada Watershed + ALC:
– Sementes oriundas do crescimento de regiões (entre 1°e 10°)
– Número de regiões fixo (definido pelo número de regiões do padrão ouro)
Após as segmentação, ajustes de cores foram realizados a fim de manter a equivalência de classes entre o padrão ouro e as nuvens segmentadas. Caso o número de segmentos não fosse correspondente ao padrão ouro, regiões aproximadas tiverem a cor alterada, as demais ignoradas recebendo a cor vermelha (R = 255, G = 0, B = 0) e ignoradas na etapa de cálculo das métricas. Os cenários descritos estão ilustrados para os casos de teste nas Figuras 5.3 e 5.4, indo de 1°a 10°, ou 1 a 10, da esquerda para direita.
Todos os experimentos foram executados em um desktop Intel Xeon E3-1270v6 de 3.8GHz, 32 GB de RAM em um sistema operacional GNU/Linux. Vale ressaltar que o não houve
memória suficiente para se calcular o cenário com distância colorimétrica igual a 1 para a nuvem Igreja da Boa Morte.
Os gráficos ilustrados nas Figuras 5.1 e 5.2 descrevem o comportamento das métricas de precisão, revocação, acurácia, medida F e score para diferentes parâmetros dos algoritmos testados.
(a) (b)
(c)
Figura 5.1: Métricas de avaliação para diferentes cenários Igreja de São Francisco: (a) crescimento de regiões baseado em curvatura; (b) crescimento de regiões baseado em cor; (c) Transformada Watershed
5.3
Discussão
O alto número de pontos não correspondentes entre as classes dos padrões ouro elevou o número de verdadeiros negativos, ou seja, pontos corretamente não classificados. Por este motivo, o valor de acurácia se manteve elevado em todos os cenários em todos os algoritmos testados. As demais métricas calculadas podem ser consideradas informativas.
O número de pontos corretamente classificados, medido pelo score é um bom indicativo da assertividade dos métodos. Como destacado nos gráficos vistos nas Figuras 5.1 e 5.2, o valor
(a) (b)
(c)
Figura 5.2: Métricas de avaliação para diferentes cenários Igreja da Boa Morte: (a) crescimento de regiões baseado em curvatura; (b) crescimento de regiões baseado em cor; (c) Transformada Watershed
de score atingido pela Transformada Watershed foi o mais alto na comparação com as demais técnicas, aproximadamente 12% no primeiro caso e 9% no segundo. A diferença em ambos os casos é considerável. Entretanto, outras características qualitativas dos resultados podem comprovar a maior eficiência da Transformada Watershed em segmentar estruturas complexas. Ao se comparar regiões com alta variação angular, como as em destaque na Figura 5.5, ficam evidentes os seguintes aspectos: uma vantagem da Transforma Watershed é um maior equilíbrio entre super segmentação e sub segmentação, visto em 5.5 (a) e (b), respectivamente. Outra vantagem é sua elevada robustez a ruído, já que regiões de baixa influência e consequentemente baixo volume, serão fundidas no processo de fusão da ALC.
Alguns elementos arquitetônicos podem não obedecer um padrão angular ou de coloração em uma região da nuvem, como destaca a Figura 5.6. Nesses casos, a aplicação da Transformada Watershed resulta em segmentos mais representativos em comparação com as técnicas de crescimento de regiões, demonstrando maior sensibilidade as variações angulares e robustez a mudanças de luminosidade.
(b) (c) (d)
Figura 5.3: Igreja de São Francisco segmentada por: (a) crescimento regiões baseado em curvatura; (b) crescimento regiões baseado em cores; (c) Transformada Watershed (proposta).
(a) (b) (c)
Figura 5.4: Igreja da Boa Morte segmentada por: (a) crescimento regiões baseado em curvatura (RUSU; COUSINS, 2011); (b) crescimento regiões baseado em cores (ZHAN; LIANG; XIAO, 2009); (c) Transformada Watershed
(a)
(b)
(c)
(d)
Figura 5.5: Comparativo entre áreas segmentadas por: (a) referência; (b) crescimento de regiões baseado em curvatura; (c) crescimento de regiões baseado em cor; e (d) Transformada WatershedFonte: autor
(a)
(b) (c) (d)
Figura 5.6: Comparativo entre áreas segmentadas por: (a) referência; (b) crescimento de regiões baseado em curvatura; (c) crescimento de regiões baseado em cor; e (d) Transformada WatershedFonte: autor
A possibilidade de definição do número de regiões a serem obtidas após a segmentação é outra propriedade que difere o método proposto dos demais encontrados na literatura.
Capítulo 6
Conclusões
A criação de modelos inteligentes de construções históricas é uma tarefa árdua do ponto de vista de modelagem, já que tais representações exigem níveis de precisão elevado. Técnicas de segmentação de nuvens de pontos podem otimizar esse processo, caso o método considere os requisito singulares dessa aplicação. Neste trabalho, propomos a aplicação da Transformada Watershed como técnica de segmentação de elementos arquitetônicos em nuvens de pontos não organizadas.
A aplicação da Transformada Watershed em nuvens de pontos não organizadas, particularmente oriundas da captura de construções históricas, se mostrou eficaz na segmentação de elementos arquitetônicos complexos, cumprindo assim o principal objetivo deste trabalho. A proposta a aplicação de operações morfológicas em nuvens de pontos não organizadas a partir de grafos não orientados empregando voxelização por meio de octree, comparada com a literatura, mostra-se mais intuitiva para o problema de adjacência, além de produzir resultado similares a aplicação das mesmas técnicas em imagens.
As principais contribuições desta dissertação são: (1) uma revisão sistemática da aplicação de técnicas de segmentação de nuvens de pontos na criação de modelos digitais da construção; (2) uma proposta de implementação de operadores morfológicos em nuvens de pontos por meio de octree e layout retangular; (3) proposta de um protocolo de aquisição de imagens por meio de VANT capaz de gerar modelos fotogramétricos satisfatórios; (4) a construção de um datasetde nuvens de pontos rotuladas em elementos arquitetônicos por especialistas, contendo diferentes estilos arquitetônicos e; (5) a proposta de um método de segmentação de nuvens de pontos híbrido, baseado em análise de curvatura, Transformada Watershed implementada pela
Transformada Imagem-Floresta e agrupamento hierárquico de bacias por meio da Árvore dos Lagos Críticos.
6.1
Trabalhos Futuros
Pretende-se realizar publicações em periódicos para a revisão sistemática da segmentação de nuvens de pontos da construção, para a proposta de implementação de operações morfológicas em nuvens de pontos e para o método de segmentação proposto. Também será criado e disponibilizado de forma aberta uma base de dados com as nuvens coletadas, tal base deve auxiliar pesquisas futuras nas áreas de segmentação semânticas de nuvens de pontos do patrimônio histórico e na automação de modelos inteligentes da construção. Como trabalhos futuros são sugeridos: experimentos com nuvens de pontos não organizadas oriundas de áreas diversas; extensão das operações morfológicas em nuvens de pontos e aplicação de técnicas de classificação no reconhecimento de elementos arquitetônicos.