STRATEGIE DI CLASSIFICAZIONE DI DATI LASER SCANNING

Transcript

1 STRATEGIE DI CLASSIFICAZIONE DI DATI LASER SCANNING Fabio Menna, Salvatore Troisi Dipartimento di Scienze Applicate, Sezione di Geodesia Topografia e Idrografia Università degli Studi di Napoli Parthenope Via de Gasperi 5, Napoli fabio.menna@uniparthenope.it salvatore.troisi@uniparthenope.it Tel.: Fax.: KEY WORDS: laser scanning, nuvole di punti, classificazione, DEM/DTM, TIN. RIASSUNTO In questo lavoro vengono affrontate alcune problematiche relative alle procedure di classificazione automatiche dei punti rilevati con laser scanner aereo per la separazione dei punti del terreno nudo da quelli relativi ad oggetti ad esso sovrastanti. La presenza di dati con caratteristiche morfologiche e strutturali diverse, nonché di densità spesso disomogenee tra loro nell ambito di una stessa zona, solleva alcune questioni concernenti la necessità di operare in maniera diversificata a seconda delle caratteristiche del sito rilevato. Vengono mostrate alcune procedure utilizzabili in un software di classificazione messo a punto dagli autori che conducono a differenti strategie operative. ABSTRACT In this paper some issues relative to the automatic classification procedures of the Airborne Laser Scanning (ALS) point clouds for the separation of object points from bare earth are discussed. The presence of data with different morphological and structural characteristics, together with different point clouds density in the same zone, cause many problems concerning the necessity to operate in different modes according to the terrain characteristics. Some procedures exploitable in a filtering software that make use of an algorithm developed by the authors leading to different operational strategies are presented. 1. INTRODUZIONE La tecnica di rilievo automatico tramite sistemi a scansione laser rappresenta una delle maggiori promesse nel settore del rilevamento tridimensionale abbracciando un vasto campo di discipline applicative. Il suo utilizzo nel settore del telerilevamento del territorio ha conosciuto però importanti sviluppi soltanto negli ultimi anni grazie al perfezionamento di alcune tecnologie ad esso complementari, quali i sistemi di posizionamento globali e quelli inerziali. I progressi maturati nel settore delle tecnologie di registrazione digitale delle immagini e l abbattimento dei costi di tali dispositivi, grazie alla loro crescente diffusione sul mercato, consentono oggi di integrare il rilievo prettamente metrico dei sistemi automatici con informazioni qualitative molto dettagliate. Le prestazioni raggiunte dai moderni personal computer, unite a softwares specificamente progettati per operare con dati tridimensionali, consentono un agevole gestione del flusso di lavoro aumentandone l efficienza e le potenzialità. L integrazione di queste tecnologie diviene così fondamentale nelle operazioni di post processing dei dati che, data l elevata numerosità dei campioni discreti, diverrebbe altrimenti di insormontabile difficoltà operativa. Nel settore del processamento dei dati laser sono stati proposti vari e validi algoritmi di classificazione dei punti appartenenti al terreno che utilizzano procedure statistico-geometriche partendo da alcune supposizioni sull andamento del terreno nudo. Alcune di queste prevedono l utilizzo dei dati originali (irregolarmente spaziati), altri invece necessitano di dati grigliati ottenuti da interpolazione. Tra gli algoritmi che operano direttamente sulle nuvole di punti originali si ricordano quelli di Sohn, Vosselman and Sithole, Pfeifer & Briese e Axelsson che restituiscono i punti classificati come terreno nello stesso formato di input (Sithole et al., 2004). Alcuni algoritmi sfruttano per il filtraggio informazioni aggiuntive come le risposte multiple e l intensità dell eco di risposta (Brovelli, 2002). I fattori principali che influiscono sull esito del filtraggio sono: presenza di eco provenienti da bassa vegetazione; presenza di strutture basse in terreni a pendenza elevata; presenza di ponti; discontinuità; buchi nella copertura; strutture complesse; outliers; densità.

2 Allo scopo di valutare il comportamento dei vari algoritmi in presenza dei suddetti fattori, è stato condotto uno studio da parte della Commission III/WG3 ISPRS attraverso un test eseguito su otto siti differenti. Su ciascun di questi siti sono stati classificati manualmente uno o più campioni dando luogo a dati di riferimento su cui poter confrontare i risultati dei filtraggi (Sithole et al., 2004). La valutazione della bontà dei risultati di una classificazione avviene tramite la definizione di tre tipi di errore calcolati in modo assoluto e relativo: errori di tipo I: terreno nudo (Bare Earth-BE) classificato come oggetto; errori di tipo II: oggetti (Objects-Obj) classificati come terreno nudo; errore totale: somma degli errori di tipo I e II. Quali tra questi tipi d errore è meglio evitare è una scelta dipendente dal tipo d applicazione che si vuole effettuare e dalla quantità di tempo che richiede la correzione degli errori in modalità manuale. In linea di massima da esperienze di classificazione manuale si è notato che risulta molto meno dispendioso, in termini di tempo e difficoltà, correggere errori di secondo tipo piuttosto che quelli di primo tipo. Ciò accade perché osservando la classe di punti classificati come terreno nudo, gli errori di primo tipo appaiono come una mancanza di dati, e risulta quindi difficile individuare manualmente i punti appartenenti al terreno; oggetti come un muretto o un ponte, che siano stati erroneamente classificati come terreno nudo (errori di tipo II), sono invece facilmente riconoscibili e quindi correggibili se si hanno a disposizione strumenti grafici con funzioni di snap e selezione spaziale tipici dei softwares CAD. In generale gli algoritmi sono stati progettati in modo da limitare il numero degli errori di secondo tipo (più temibili nella generazione di un DTM in maniera automatica, senza supervisione), a scapito di un incremento di quelli di primo tipo in zone caratterizzate da forti variazioni di pendenza (ad esempio i bordi di terrazzamenti), con conseguente mancanza di dati nella costruzione del modello digitale del terreno (effetto smoothing). Uno degli algoritmi che generalmente commette in queste zone meno errori di primo tipo pur limitando quelli di secondo tipo è quello di Axelsson per la sua peculiarità di utilizzare i cosiddetti mirror points (Axelsson, 2000) che però possono produrre errori di secondo tipo in presenza di ponti. È utile puntualizzare che se in una stessa zona sono presenti campioni con caratteristiche diverse, i parametri di filtraggio possono essere non ottimali per l intero sito. Si verifica così che un algoritmo fornisce ottimi risultati su una zona campione di un sito ma risultati non soddisfacenti per un altra zona campione. In generale gli algoritmi tendono a commettere un numero maggiore di errori quando la densità dei punti diminuisce, per cui la scelta degli stessi parametri di filtraggio deve essere effettuata tenendo in debito conto di ciò. L algoritmo descritto nel paragrafo successivo può essere considerato come una variante di quello di Axelsson che, in generale, ha fornito per il test ISPRS i risultati più attendibili. 2. STRATEGIE DI FILTRAGGIO Recentemente gli autori (Menna et al., 2005) hanno proposto un nuovo algoritmo di filtraggio degli oggetti per la generazione di DTM che può essere visto come una variante di quello di Axelsson: l algoritmo si basa sempre sulla densificazione iterativa di TIN ma pone dei limiti alla distanza dei punti da sottoporre a test dai punti ground relativi alla precedente iterazione. L individuazione dei punti seme iniziali, punti di certa appartenenza al terreno, avviene partizionando l intera area in triangoli equilateri di lato determinato in accordo con la massima larghezza degli edifici presenti, Max Buildings Width (MBW). Diversamente da quanto avviene nell algoritmo di Axelsson, si privilegiano le zone più vicine ai punti già classificati come terreno per assicurare una continuità nella conformazione dello stesso. La densificazione avviene quindi come una espansione attorno ai punti seme, in modo analogo agli algoritmi di region growing. I parametri di filtraggio, illustrati in figura 1, sono: distanza dalla faccia del triangolo di base; distanza dal punto seme più vicino; pendenza del triangolo di base. Figura 1: schema geometrico dei parametri di filtraggio in un generico triangolo del TIN.

3 Ad ogni iterazione i punti da classificare sono indicizzati in funzione dell appartenenza al triangolo planimetrico del TIN costruito tra i punti ground classificati nella precedente iterazione; per ogni triangolo vengono individuati i punti che sono al di sotto delle soglie e vengono aggiunti alla classe dei punti ground per la costruzione del nuovo TIN. La densificazione termina quando non si aggiungono più punti. L algoritmo descritto è stato implementato in un software, denominato LAIM (LAser IMmagini), sviluppato in ambiente MATLAB che prevede un flusso di lavoro per la classificazione dei punti laser che consta di due fasi: una di analisi visiva dei dati (esplorazione del modello) tramite l utilizzo di tools specifici di visualizzazione presenti nel software, e una di processamento. La prima fase risulta necessaria per la conoscenza delle caratteristiche morfologiche della superficie rilevata così come per l individuazione di zone particolarmente critiche da trattare isolatamente (con break-lines); attraverso una prima analisi dei dati è infatti quasi sempre possibile individuare la strategia di filtraggio Ground più adatta al sito e relativi parametri da adottare. La seconda fase, di processamento, si divide in quattro parti: eliminazione dei low-points; selezione automatica e/o manuale dei punti seme; reintroduzione dei low-points nella classe da filtrare; classificazione tramite filtro Ground. La rimozione dei low-points risulta necessaria se si vogliono selezionare i punti seme utilizzando la procedura automatica. La selezione automatica dei punti seme utilizza il criterio del punto di quota minima all interno di partizioni regolari le cui dimensioni, scelte dall utente, sono da stabilire in funzione della massima larghezza degli edifici. In presenza di low-points l algoritmo di selezione automatica sceglie tali punti come punti-seme con conseguenti errori di costruzione del TIN iniziale che non rappresenta così una corretta approssimazione del terreno nudo. La procedura, utilizzata anche da altri autori nei loro algoritmi (Axelsson, 2000), (Brovelli 2002), prevede la rimozione dei low-points prima del filtraggio. In LAIM il filtraggio di questi outliers avviene su un set di candidati low-points che possono essere individuati a priori attraverso l analisi dei residui in quota da superfici (piano, paraboloide, ecc.) approssimanti localmente la nuvola dei punti, oppure durante la fase di selezione automatica dei punti seme. In quest ultimo caso tutti i punti seme sono considerati candidati lowpoints e vengono successivamente analizzati e classificati con il seguente criterio. I low-points sono individuati attraverso un analisi delle quote dei punti in un intorno circolare planimetrico del candidato low-point: se esso risulta essere il più basso tra tutti i punti interni, con una differenza che supera un determinato valore, allora può essere considerato un outlier e spostato in un apposita classe. In presenza di low-points multipli, l algoritmo descritto fallisce poiché in un intorno circolare del candidato capitano altri punti con quota simile; il problema è risolvibile se si dispone di una stima a priori della numerosità n di low-points presenti nell intorno circolare. La differenza tra i due metodi di individuazione esposti è che nel primo caso si riesce ad avere una rimozione completa dei lowpoints e quindi un set di dati esente da outliers, mentre nel secondo caso si ottiene un set di punti di certa appartenenza al terreno. Il secondo metodo risulta più veloce da applicare ma necessita in genere di successive iterazioni per ripristinare i punti seme nelle celle triangolari in cui erano stati individuati come low-points. Una procedura di eliminazione temporanea dei low-points dal set di dati da filtrare fa uso della procedura di selezione automatica dei punti seme supponendo presenze di low-points multipli; con i punti seme si costruisce un primo TIN e si considerano low-points tutti i punti al di sotto di una certa distanza dalle sue facce (figura 3). Una volta rimossi tali punti si reitera la scelta dei punti seme diminuendo la supposta numerosità dei low-points. La scelta dei punti seme iniziali è una fase importante di questo algoritmo: più numerosi sono i punti seme e più accuratamente verrà riprodotto il terreno nudo, particolarmente in presenza di morfologie complesse. La scelta del parametro MBW determina la densità di campionamento dei punti seme sul set di punti da filtrare, per cui risulta evidente che in presenza di zone urbane con strutture di dimensioni molto differenti, essa sia vincolata alla larghezza della massima struttura a discapito di una buona approssimazione iniziale del terreno. In figura 2 viene riportato un esempio di dati laser del test ISPRS 2003 in cui si manifesta la contemporanea presenza di edifici di dimensione ordinaria e di una stazione ferroviaria dall ingombro planimetrico considerevole che vincola la scelta della MBW a valori elevati affinché nessun punto seme ricada sulla sua copertura. Figura 2 : immagine del sito 4 sottoposto a test (sinistra) e risultati del filtraggio (destra). In bianco i punti classificati come oggetti e in blu i punti del terreno.

4 In questo sito vi sono edifici il cui cortile interno non viene classificato come ground per il limite apposto alla distanza piana e per la mancanza locale di punti seme. Una procedura di densificazione dei punti seme iniziali, che risolve in genere tale problema (figura 3), può essere riassunta nei seguenti passi: selezione automatica dei punti seme supponendo low-points multipli e MBW adatta all intera area; costruzione di un TIN con i punti seme trovati; spostamento in una classe temporanea di tutti i punti al di sopra delle facce del TIN oltre una certa distanza verticale (in genere 5 metri in zone pianeggianti); nuova selezione dei punti seme con MBW ridotta. In questo flusso di operazioni la selezione automatica dei punti seme con low-points multipli è un passo comune anche alla procedura di eliminazione dei low-points e serve a garantire un set di punti seme di certa appartenenza al terreno nudo; le due procedure, che fanno uso entrambe del TIN dei punti seme, possono essere quindi applicate in maniera sequenziale ed automatizzata. A meno di casi particolari in cui il terreno risulti morfologicamente complesso, tutti gli edifici saranno temporaneamente assenti dalla classe da filtrare. Reintroducendo in quest ultima i punti della classe temporanea, si potrà iniziare il filtraggio Ground partendo da un set di punti seme più numeroso e meglio distribuito. Applicando tale procedura all esempio suddetto è stato possibile apporre un numero notevole di punti seme senza il rischio che fossero posizionati sugli edifici ottenendo il risultato mostrato in figura 4. Figura 3 : procedura di classificazione temporanea tramite distanze verticali dal TIN iniziale dei punti seme, rispettivamente negative a sinistra (low points in rosso) e positive a destra (oggetti in bianco). In figura 4 e 5 sono riportati i risultati delle classificazioni finali ottenute rispettivamente con e senza procedura di densificazione dei punti seme iniziali. Sono visibili in figura 5 i cortili interni degli edifici classificati erroneamente come oggetti a causa della mancanza locale di punti seme (edifici adiacenti alla stazione). Figura 4: risultati della classificazione ottenuta utilizzando la procedura di densificazione dei punti seme iniziali. In arancione i punti seme iniziali, in bianco i punti classificati come oggetti, in blu come terreno.

5 Figura 5: risultati della classificazione ottenuta senza procedura di densificazione dei punti seme iniziali. In arancione i punti seme iniziali, in bianco i punti classificati come oggetti, in blu come terreno. La fase di classificazione tramite filtro ground, successiva a quella di selezione dei punti seme, avviene attraverso la scelta della strategia più adatta alle caratteristiche morfologiche del sito e attraverso la scelta dei valori dei parametri di filtraggio. Le distanze dalla faccia del triangolo di base e quella dal punto seme più vicino, possono essere intese in differenti modi che danno luogo a diverse strategie da applicare nelle varie tipologie di terreno e densità di dati. Le figure 6, 7 e 8 mostrano lo schema geometrico delle due distanze soglia usate nell algoritmo durante una fase intermedia di filtraggio. Figura 6 : strategia 1. Distanza sulla faccia del triangolo di base (plane distance) dal nodo più vicino, distanza lungo la normale al triangolo di base dalla faccia al punto. Figura 7 : strategia 2. Distanza planimetrica dal nodo più vicino, distanza lungo la verticale dalla faccia del triangolo di base al punto.

6 Figura 8 : strategia 3. Distanza planimetrica dal nodo più vicino, distanza lungo la normale dalla faccia del triangolo di base al punto, amplificata di un fattore proporzionale alla secante della pendenza del triangolo di base. Le tre strategie conducono a risultati equivalenti in presenza di terreni pianeggianti dal momento che distanza verticale e distanza normale (analogamente distanze piana e planimetrica) si equivalgono quando i triangoli del TIN sono pressocchè orizzontali mentre le differenze nella classificazione divengono più sostanziali man mano che la pendenza del terreno aumenta. La strategia tre risulta conveniente nei terreni con forti discontinuità soprattutto quando la densità dei punti è bassa, tuttavia può produrre errori di secondo tipo in presenza di ponti e di vegetazione o oggetti bassi su forti pendii. In 9 sono rappresentati i risultati grafici e numerici delle classificazioni BE-Obj sul sito 1.1 del test ISPRS, contraddistinto dalla presenza simultanea di un edificato denso e di vegetazione su terreno con forte pendenza. La difficoltà del filtraggio risulta ancor più messa in evidenza dalla presenza di numerosi terrazzamenti con coperture degli edifici sullo stesso livello delle strade e a distanze dalle stesse molto ridotte; risulta evidente quindi la possibilità di commettere numerosi errori di secondo tipo. In questa zona le tre strategie, applicate con valori uguali di distanze dal punto seme più vicino e distanza dalla faccia del TIN, hanno evidenziato differenze notevoli da un punto di vista della tipologia degli errori commessi. Con la strategia 1 si è riscontrato il valore minore di errore totale mentre con le strategie 2 e 3 rispettivamente il minor numero di errori di secondo e primo tipo. Da evidenziare l inversione quasi speculare degli errori di primo e secondo tipo nelle strategie 2 e 3. Figura 9 : risultati grafici e numerici delle classificazioni ottenute sul sito 1.1 del test ISPRS utilizzando le tre differenti strategie.

7 3. CONCLUSIONI Sono state evidenziate alcune problematiche relative alle procedure di classificazione automatiche dei punti rilevati con laser scanner aereo per la separazione dei punti del terreno nudo da quelli relativi ad oggetti ad esso sovrastanti. Sono state utilizzate alcune procedure nell ambito di un software di classificazione messo a punto dagli autori che facilitano le procedure di filtraggio dei punti del terreno producendo risultati più attendibili. La possibilità di aggiungere manualmente dei punti seme in zone di sicura appartenenza al terreno, con l ausilio di opportuni strumenti grafici, apporta sicuramente significativi vantaggi nel filtraggio facendo diminuire la percentuale di errori soprattutto di primo tipo. La possibilità di usufruire di immagini riprese contestualmente alla fase di rilievo, insieme ad una preventiva analisi dei dati tramite visualizzazione grafica dei punti, può essere utile all individuazione di zone critiche da trattare in maniera isolata. 4. BIBLIOGRAFIA Axelsson P. 1999, Processing of laser scanning data - algorithms and applications. ISPRS Journal of Photogrammetry & Remote Sensing, vol. 54 July 1999, pp Axelsson P. 2000, DEM Generation from Laser Scanner Data Using Adaptive TIN Models. IAPRS, vol. 33. part B4/1, pp Axelsson P., 2001, Ground estimation of laser data using adaptive TIN-models. Proceedings of OEEPE workshop on airborne laserscanning and interferometric SAR for detailed digital elevation models 1-3 March Official Publication No. 40. CD-ROM. pp Royal Institute of Technology Department of Geodesy and Photogrammetry 100 Stockholm, Sweden. Fazio C. 2001, Una procedura di classificazione ed editing di dati laser per l ottenimento di DTM in versanti in frana con presenza di vegetazione, Bollettino SIFET, supplemento speciale al n.2/2001, Parma. Brovelli M.A., Cannata M. and Longoni U.M., 2002, Managing and processing LIDAR data within GRASS. Proceedings of the GRASS Users Conference 2002, Trento, September 2002 (in print on Transaction in GIS). Sithole G., Vosselman G. 2004, Experimental comparison of filter algorithms for bare-earth extraction from airborne laser scanning point clouds, ISPRS Journal of Photogrammetry & remote Sensing, vol. 59 (2004), pp Menna F., Troisi S., 2005, Filtraggio dati laser scanning, Atti della 9 a Conferenza Nazionale ASITA Catania, Novembre 2005, pp