⚡ electrical engineering

Dual Scheme Adaptive Slope-Based Filtering of Photogrammetric Point Clouds for Digital Terrain Model Generation

Este estudio propone un método de filtrado adaptativo basado en la pendiente de doble esquema que segmenta los modelos digitales de superficie en dominios de vegetación y edificios para mejorar la clasificación de puntos de terreno, logrando una alta precisión vertical (RMSE de 0,148 m) en levantamientos fotogramétricos complejos con UAV, identificando la extensión del vacío en la vegetación densa como la principal limitación restante.

Autores originales: Muhammad Ulin Nuha, Musa Damar Hadi, Rizqi Aulia

Publicado 2026-08-06

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Muhammad Ulin Nuha, Musa Damar Hadi, Rizqi Aulia

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un cartógrafo intentando dibujar un mapa del suelo debajo de un bosque. Tienes un dron que vuela por encima y toma miles de fotos, uniéndolas para crear un modelo 3D del mundo. Este modelo, llamado Modelo Digital de Superficie (DSM), es increíblemente detallado, pero tiene un problema: muestra todo, incluyendo los árboles, los edificios y los cables eléctricos. Para obtener un mapa real de la tierra en sí —un Modelo Digital de Terreno (DTM)— necesitas "pelar digitalmente" todo lo que no sea el suelo. Es como intentar encontrar la forma de un pastel eliminando todo el glaseado, las chispas y las velas sin aplastar el pastel que hay debajo.

El desafío es que el suelo no siempre es plano. A veces tiene colinas, y a veces las "chispas" (como los árboles) son tan accidentadas como el propio terreno. Los métodos antiguos intentaban usar una única regla para todo: "Si es empinado, es un edificio; si es plano, es el suelo". Pero esto es como intentar clasificar una bolsa mixta de canicas y rocas mirando solamente su tamaño; podrías terminar tirando accidentalmente una roca pequeña o quedándote con un guijarro grande. Este artículo aborda la realidad desordenada de los paisajes tropicales, donde la vegetación densa y los edificios modernos se asientan uno al lado del otro sobre terrenos irregulares, haciendo que esas viejas reglas de "talla única" fallen estrepitosamente.

El Filtro de Dos Cabezas: Una Forma Inteligente de Limpiar Mapas de Drones

Los investigadores, trabajando en el Institut Teknologi Sumatera en Indonesia, se dieron cuenta de que intentar usar una sola regla para limpiar el mapa de un dron de un campus era como intentar usar un solo par de tijeras para cortar tanto encaje delicado como cuero grueso. O arruinarías el encaje o no lograrías cortar el cuero. Por ello, inventaron un filtro de "Esquema Dual": un sistema inteligente que actúa como un portero en un club, revisando tu identificación y luego decidiendo en qué fila debes hacer la fila según tu apariencia.

La Configuración: Un Campus Lleno de Pistas
El equipo voló un dron sobre un sector de 121 hectáreas de su campus universitario. Esta área era el laboratorio de pruebas perfecto: tenía 70 metros de colinas y valles, edificios altos de varios pisos con techos planos y bosques secundarios densos y espesos. El dron tomó fotos desde diferentes ángulos (no solo desde arriba, sino también inclinadas) para construir una nube de puntos 3D con una resolución de 4.15 cm por píxel. Eso es lo suficientemente nítido como para ver ladrillos y hojas individuales.

El Problema: La Trampa de la "Talla Única"
Los filtros tradicionales utilizan un enfoque basado en la "pendiente". Observan qué tan empinado es un punto. Si el suelo se inclina bruscamente, el filtro asume que es una pared de un edificio o el tronco de un árbol y lo elimina. Si es suave, lo mantiene como suelo. Pero en un lugar con tanto colinas empinadas como edificios planos, esto falla.

Si configuras la regla para "eliminar cualquier cosa empinada", accidentalmente eliminas las colinas reales.
Si configuras la regla para "mantener cualquier cosa empinada", dejas los edificios en pie.

La Solución: Dos Reglas Diferentes para Dos Mundos Diferentes
La gran idea de los autores fue dividir el mapa en dos zonas antes de aplicar las reglas. Crearon dos "descriptores": mapas especiales que describen la textura del suelo.

El Mapa de "Rugosidad" (Esquema A): Este observa qué tan accidentada es una pequeña sección del suelo. Piensa en ello como pasar la mano sobre una superficie. El dosel de un bosque es como una alfombra despeinada; es muy irregular y accidentado. Un techo plano o una carretera pavimentada es como una mesa lisa. El filtro utiliza esta "rugosidad" para identificar el bosque. En estas áreas accidentadas, el filtro se vuelve "permisivo". Sabe que el suelo debajo podría ser empinado, por lo que solo elimina lo que es realmente empinado, salvando así las colinas reales.
El Mapa de "Bordes" (Esquema B): Este busca líneas nítidas, como el contorno de un edificio. Utiliza una técnica llamada detección de bordes Canny, que es como un boceto a lápiz de alto contraste que solo dibuja los bordes donde las cosas cambian abruptamente. Un techo plano es liso por dentro, pero tiene un borde nítido y duro alrededor del perímetro. El filtro utiliza esto para encontrar edificios. En estas áreas lisas, el filtro se vuelve "estricto". Sabe que si hay una pendiente pronunciada aquí, es casi seguro que es una pared, por lo que la elimina inmediatamente.

El Proceso: Clasificación y Suavizado
Una vez que el mapa se divide en "Zona de Bosque Accidentada" y "Zona de Edificios Lisa", el filtro aplica la regla correcta a cada una.

En el Bosque: Mantiene las colinas empinadas pero elimina los árboles.
En la Ciudad: Elimina los edificios pero mantiene el suelo plano.

Después de eliminar lo que "no es suelo" (árboles y edificios), quedan huecos en el mapa. Es como comerse el glaseado de un pastel y dejar espacios vacíos. Para solucionar esto, el equipo utilizó un método de "interpolación híbrida". Imagina que tienes un agujero en una manta; tiras de los hilos de los bordes para llenar el espacio. Utilizaron dos métodos: uno que tira de los vecinos más cercanos y otro que promedia la distancia de todos los puntos circundantes. Finalmente, aplicaron un filtro de "suavizado Gaussiano", que es como pasar suavemente una plancha caliente sobre la tela para que las costuras sean invisibles, asegurando que la transición entre el suelo real y los huecos rellenados se vea natural.

Los Resultados: Un Mapa que Funciona (Mayormente)
El equipo probó su nuevo mapa contra 12 puntos GPS reales que midieron en el terreno.

La Buena Noticia: El nuevo mapa fue increíblemente preciso. El error fue de solo 0.148 metros (unos 6 pulgadas). Esto es casi la misma precisión que las fotos originales del dron antes de cualquier filtrado. Esto demuestra que su sistema inteligente de dos reglas no arruinó accidentalmente los datos del suelo real.
El Problema: El artículo admite una limitación. En las zonas de bosque más grandes y densas, el dron no pudo ver el suelo en absoluto. Cuando el filtro eliminó los árboles, dejó un gran hueco. El método de "relleno" tuvo que adivinar cómo era el suelo en medio de ese hueco. El resultado fue una superficie que era un poco demasiado suave y plana, como una rampa, en lugar de un suelo de bosque real y accidentado.

Por Qué Esto Importa
Los autores no pretenden que este sea el método perfecto que resuelva todos los problemas del mundo. No están utilizando IA compleja o aprendizaje profundo que requiera computadoras masivas y datos de entrenamiento. En cambio, demostraron que, simplemente observando la geometría del mundo —qué tan rugoso es y dónde están sus bordes—, se puede crear un filtro mucho más inteligente que los antiguos sistemas de "una sola regla".

Descubrieron que para áreas con terrenos mixtos (colinas, árboles y edificios), se necesita un enfoque flexible. No se puede tratar una colina empinada de la misma manera que se trata la pared de un edificio. Al dividir el problema en dos zonas y usar la herramienta adecuada para cada una, lograron crear un mapa limpio y preciso de la tierra desnuda sin necesidad de escáneres láser costosos o supercomputadoras. La principal conclusión es que, aunque no podemos ver a través de un espeso dosel selvático con una cámara, podemos ser mucho más inteligentes sobre cómo adivinamos qué hay debajo, siempre y cuando admitamos que nuestras suposiciones son precisamente eso: suposiciones.

Resumen Técnico: Filtrado de Nube de Puntos Fotogramétricos Basado en Pendiente Adaptativa de Esquema Dual

Planteamiento del Problema
La generación de Modelos Digitales de Terreno (MDT) a partir de fotogrametría con Vehículos Aéreos No Tripulados (VANT) se ve frecuentemente obstaculizada por las limitaciones de los algoritmos convencionales de filtrado de terreno, particularmente el Filtrado Basado en la Pendiente (SBF, por sus siglas en inglés). El SBF estándar depende de un único umbral de pendiente global para distinguir el terreno de las características que no son terreno. Este enfoque es insuficiente en entornos heterogéneos que contienen tanto vegetación densa como edificios estrechamente espaciados. En tales entornos, un único umbral no puede preservar simultáneamente el relieve real de terrenos empinados (por ejemplo, pendientes de 70 metros) y eliminar características empinadas que no son terreno, como paredes de edificios o doseles de vegetación. Además, aunque los clasificadores aprendidos (aprendizaje profundo) ofrecen una alta precisión, requieren extensos datos de entrenamiento etiquetados y recursos computacionales que a menudo no están disponibles en contextos de mapeo operativo. Adicionalmente, las nubes de puntos fotogramétricas bajo doseles tropicales cerrados carecen de retornos de terreno sub-dosel, lo que significa que los algoritmos de filtrado no pueden recuperar el terreno que nunca fue observado, una limitación distinta de las aplicaciones LiDAR.

Metodología
El estudio propone un flujo de trabajo de "Filtrado de Pendiente Adaptativa de Esquema Dual" que opera enteramente dentro del dominio de la ráster utilizando un Modelo Digital de Superficie (MDS) derivado de la fotogrametría con VANT. El método evita la necesidad de datos espectrales auxiliares o información de múltiples retornos. El flujo de trabajo consta de cinco etapas principales:

Generación de Descriptores: Se derivan dos descriptores distintos del MDS:
- Rugosidad de la Superficie (Descriptor del Esquema A): Calculada como la desviación estándar local de la elevación dentro de una ventana de 9 píxeles (~0.75 m). Esto identifica áreas geométricamente rugosas, principalmente doseles de vegetación y paredes de edificios.
- Densidad de Bordes (Descriptor del Esquema B): Generado mediante la aplicación de la detección de bordes de Canny al MDS normalizado, seguido de un filtro de media de 7 píxeles. Esto identifica los perímetros de los edificios (discontinuidades verticales fuertes) mientras ignora las superficies internas planas.
Zonificación Basada en Reglas: Una ráster de zonificación asigna cada píxel a uno de dos esquemas de procesamiento basados en los descriptores:
- Esquema A (Terreno Variable): Asignado a píxeles donde la rugosidad excede un umbral. Este dominio está destinado a terrenos vegetados y empinados.
- Esquema B (Terreno Plano): Asignado a todos los demás píxeles, incluyendo terrenos abiertos e interiores de edificios. Este dominio está destinado a superficies planas donde las características empinadas son probablemente estructuras que no son terreno.
Umbralización Dependiente del Esquema: La pendiente se calcula para cada píxel y se compara con un umbral específico para su esquema asignado:
- Umbral del Esquema A ( $\theta_A$ ): Establecido en 25°. Este umbral permisivo evita la eliminación de terreno empinado genuino encontrado en áreas vegetadas.
- Umbral del Esquema B ( $\theta_B$ ): Establecido en 15°. Este umbral estricto asegura que las características empinadas en áreas planas (por ejemplo, paredes de edificios) sean clasificadas correctamente como no-terreno.
Refinamiento Morfológico: La máscara binaria resultante se somete a una dilatación para asegurar la cobertura total de los límites de los objetos y al llenado de huecos para convertir los contornos de los edificios en huellas sólidas.
Llenado de Vacíos y Suavizado: Los píxeles clasificados como no-terreno se establecen como sin datos (no-data). Un enfoque de interpolación híbrido llena estos vacíos: se utiliza la interpolación de Distancia Inversa Ponderada (IDW) primero para brechas grandes, seguida de la interpolación de vecino más cercano para brechas residuales. Se aplica un filtro Gaussiano para suavizar las transiciones entre las superficies observadas e interpoladas.

Contribuciones Clave
La contribución principal del artículo es la demostración de que la adaptabilidad que le falta al SBF convencional puede restaurarse haciendo que el dominio de procesamiento sea adaptativo en lugar de que lo sea el umbral mismo. Al utilizar un paso de zonificación de dos descriptores (rugosidad y densidad de bordes) derivados únicamente del MDS, el método aplica reglas geométricas distintas a distintos tipos de superficie sin requerir datos de entrenamiento de aprendizaje automático. El enfoque ofrece:

Transparencia: Todos los parámetros (tamaños de ventana, umbrales de pendiente) son físicamente interpretables e inspeccionables.
Eficiencia Computacional: El método opera sobre datos ráster utilizando operadores de procesamiento de imágenes estándar, evitando el alto costo computacional del procesamiento de nubes de puntos o del aprendizaje profundo.
Lógica Geométrica: Logra distinguir entre la vegetación (rugosa) y los edificios (interiores lisos con bordes rugosos) utilizando únicamente descriptores geométricos.

Resultados
El método fue evaluado en un bloque de 121 hectáreas del campus ITERA en Lampung, Indonesia, caracterizado por vegetación secundaria densa, edificios de varios niveles y 70 metros de relieve. Los datos de entrada fueron un levantamiento oblicuo con VANT con una distancia de muestreo de terreno (GSD) de 4.15 cm y una densidad de puntos de 145 puntos/m².

Precisión Vertical: La comparación con 12 puntos de control GNSS independientes arrojó un Error Cuadrático Medio (RMSE) vertical de 0.148 m y un Error Lineal al 90% de confianza (LE90) de 0.244 m.
Impacto del Filtrado: El MDT filtrado mostró un incremento de solo 0.004 m en el RMSE en comparación con el MDS de entrada. Los autores señalan que este incremento está por debajo del umbral de ruido de validación (precisión GNSS y efectos de muestreo de la rejilla), lo que indica que el proceso de filtrado no causó una degradación medible de la fidelidad de la elevación en el terreno observado.
Evaluación Visual: El MDT filtrado eliminó con éxito los edificios y la vegetación, preservando la forma topográfica general. Sin embargo, la inspección visual reveló que los parches de vegetación extensos resultaron en superficies "sobre-suavizadas". Debido a que el dosel fue eliminado por completo, dejando sin observaciones el sub-dosel, la interpolación tuvo que depender de los valores perimetrales, lo que resultó en rellenos planares que carecen de detalle local del terreno.

Significancia y Limitaciones
Los autores posicionan este trabajo no como una alternativa superior a los filtros aprendidos o a la simulación de telas (cloth simulation), sino como una solución práctica y reproducible para el mapeo operativo donde no hay datos de entrenamiento disponibles. El estudio destaca que la limitación principal de la generación de MDT fotogramétricos en áreas vegetadas no es el algoritmo de clasificación, sino el cuello de botella de la reconstrucción: si la nube fotogramétrica carece de retornos de terreno bajo un dosel cerrado, ningún filtro puede recuperar el terreno, y la calidad del MDT resultante queda dictada por el método de interpolación en lugar del filtro.

El artículo concluye que, si bien el enfoque de esquema dual resuelve eficazmente la compensación entre preservar el relieve del terreno y eliminar estructuras en entornos mixtos, la precisión del producto final en los vacíos vegetados permanece sin medir mediante puntos de control estándar (que se colocan en terreno abierto). Los autores enfatizan que las métricas de precisión reportadas caracterizan únicamente el terreno abierto y no deben extrapolarse a los interiores vegetados, donde el modelo es más débil. Se recomienda que el trabajo futuro se centre en preservar la evidencia del sub-dosel en el dominio de la nube de puntos y en realizar una validación estratificada utilizando referencias escaneadas por láser para las áreas vegetadas.

El Filtro de Dos Cabezas: Una Forma Inteligente de Limpiar Mapas de Drones

Más como este