⚡ electrical engineering

Rooftop planes segmentation for point cloud LiDAR data with the partitioning around medoids algorithm and geometrical elevation change variables

Este estudio propone un método de segmentación de tejados simple y robusto para nubes de puntos LiDAR que utiliza características de cambio de elevación y el algoritmo de Partición Alrededor de Medoides para lograr una alta precisión (95.9% de completitud y 98.1% de corrección) al tiempo que identifica eficazmente bordes y esquinas para la reconstrucción 3D.

Autores originales: Phuong Le, Jibran Khan, Mikko Kolehmainen

Publicado 2026-06-25

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Phuong Le, Jibran Khan, Mikko Kolehmainen

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 tienes una pila gigante y desordenada de piezas de Lego 3D esparcidas sobre una mesa. Estas piezas representan un mapa digital de los tejados de una ciudad, creado por un escáner láser que volaba por encima (LiDAR). Tu objetivo es clasificar estas piezas en pilas ordenadas y separadas, donde cada pila represente una sección de tejado plana (como una parte superior plana, un lateral inclinado o una esquina).

Este artículo presenta una forma ingeniosa y sencilla de clasificar estas "piezas" sin necesidad de una supercomputadora, un entrenamiento complejo o incluso mirar fotos de los tejados.

El Problema: Clasificar el Desorden

Normalmente, cuando las computadoras intentan clasificar estos puntos de tejados, actúan como un bibliotecario estricto que necesita saber la forma exacta de cada libro antes de clasificarlo. A menudo tienen que:

Desechar las "piezas malas" (puntos no planos) primero.
Realizar cálculos pesados para determinar hacia dónde mira cada pieza (usando "vectores normales").
Ejecutar programas de entrenamiento complejos o usar fotos aéreas costosas.

Esto es lento, complicado y requiere muchos pasos.

La Solución: El Organizador "Medoide"

Los autores proponen un nuevo método utilizando un algoritmo llamado Particiónalización Alrededor de Medoides (PAM).

Piensa en PAM como un organizador inteligente que no solo elige un "centro" para un grupo (como un blanco de tiro al blanco), sino que en su lugar elige una pieza real y auténtica del montón para representar al grupo. Esta "pieza representativa" se llama Medoide.

Por qué esto importa: Si tienes un tejado con una forma extraña (como una forma de L), un "centro" podría caer en el aire vacío entre las alas. Pero un "Medoide" es siempre una pieza real situada sobre el tejado. Esto permite al algoritmo agrupar formas extrañas e irregulares que otros métodos pasarían por alto.

El Ingrediente Secreto: "Cambios de Elevación"

En lugar de preguntar: "¿Hacia dónde mira esta pieza?" (lo cual es difícil de calcular y suele fallar en los bordes), el nuevo método hace una pregunta más simple: "¿Qué tan alta o baja es esta pieza en comparación con sus vecinas?"

Los autores llaman a esto Cambio de Elevación.

El Tejado Plano: Si estás en un tejado plano, tus vecinos están todos a la misma altura. El cambio es cero.
El Borde: Si estás en el borde, un vecino está alto y el otro está bajo. El cambio es grande.
La Esquina: Si estás en una esquina, tienes vecinos a diferentes alturas en múltiples direcciones.

La Analogía: Imagina caminar a través de una multitud.

Si todos a tu alrededor tienen la misma altura, estás en medio de un grupo plano.
Si de repente ves a un gigante a tu izquierda y a un niño a tu derecha, sabes que estás en un límite o en una esquina.

Al utilizar estos "cambios de altura" en lugar de complejos vectores de dirección, la computadora puede distinguir instantáneamente entre un tejado plano, un borde afilado y una esquina sin necesidad de desechar ningún dato primero.

Cómo decidieron cuántas pilas hacer

Una parte complicada de clasificar es saber cuántos grupos (clústeres) necesitas. ¿Necesitas 2 secciones de tejado o 10?
Los autores utilizaron un sistema de "Puntuación de Potencial". Imagina dejar caer un imán en la pila de piezas.

Si un punto está rodeado por muchas piezas, tiene un alto "potencial" para ser un líder de grupo (Medoide).
Calculan esto para cada punto, eligen al mejor líder y luego bajan el potencial de los puntos cercanos para que el siguiente líder esté lejos.
Descubrieron que establecer el "tamaño del imán" (radio) a aproximadamente el 20% al 40% de la distancia a través de todo el tejado funcionaba mejor.

Los Resultados

Los autores probaron esto en 150 edificios reales en Finlandia.

Tasa de Éxito: Identificaron correctamente el 95.9% de las secciones de los tejados (Completitud) y obtuvieron el 98.1% de los puntos individuales correctamente (Exactitud).
Comparación: Aunque su método es mucho más simple y rápido que los métodos complejos de Aprendizaje Profundo (Deep Learning) u Octree, funcionó igual de bien, y en algunos casos (exactitud), incluso mejor.

Por qué esto es importante

El artículo afirma que este es un método de "un solo paso". No necesitas:

Eliminar puntos de datos malos primero.
Usar fotos aéreas.
Entrenar un modelo de IA complejo.
Reprocesar los datos.

Simplemente introduces los datos brutos del láser y el sistema te entrega los planos de los tejados separados. Es como tener una varita mágica que instantáneamente clasifica una pila desordenada de Legos en formas de tejados perfectas y distintas, incluyendo las esquinas y bordes complicados que normalmente confunden a las computadoras.

Resumen Técnico: Segmentación de Planos de Techos para Datos LiDAR mediante PAM y Variables de Cambio de Elevación

Planteamiento del Problema
La segmentación de planos de techos a partir de nubes de puntos LiDAR capturadas desde plataformas aéreas es un paso crítico para el modelado urbano, la reconstrucción de edificios y la evaluación del potencial solar. Los enfoques existentes generalmente se dividen en dos categorías: métodos basados en modelos (por ejemplo, RANSAC, aprendizaje profundo) y métodos de agrupamiento o clustering (por ejemplo, K-means). Sin embargo, estos métodos suelen sufrir de desventajas significativas, incluyendo altos costos computacionales, la necesidad de un preprocesamiento extensivo (como la eliminación de puntos no planos), la dependencia de imágenes aéreas, optimizaciones complejas y sensibilidad a los valores atípicos (outliers). Además, los algoritmos de agrupamiento tradicionales como K-means tienden a formar cúmulos hiperesféricos y tienen dificultades con las formas irregulares comunes en las estructuras de los techos. Una limitación específica en los conjuntos de características actuales es la dependencia de los vectores normales, que pueden ser inestables en áreas de datos dispersos y no logran identificar eficazmente los puntos de bordes y esquinas sin un reprocesamiento adicional.

Metodología
Los autores proponen un procedimiento de segmentación directo e "instantáneo" que opera directamente sobre los datos LiDAR brutos sin la necesidad de reprocesamiento o entrenamiento de modelos complejos. La metodología consta de tres componentes principales:

Algoritmo de Agrupamiento (Particionamiento alrededor de Medoides - PAM):
En lugar de K-means, el estudio utiliza el algoritmo de Particionamiento alrededor de Medoides (PAM). Se seleccionó PAM por su robustez frente a los valores atípicos y su capacidad para formar cúmulos de diversas formas irregulares al minimizar la suma de las disimilitudes entre los puntos dentro de un cúmulo, en lugar de minimizar las distancias euclidianas al cuadrado respecto a un centroide. Esto lo hace adecuado para las geometrías complejas de los techos.
Ingeniería de Características (Variables de Cambio de Elevación):
El estudio reemplaza la variable tradicional del vector normal por características de "cambio de elevación". Para cada punto, se calculan los cambios de elevación en relación con sus vecinos más cercanos en cuatro direcciones: frente, atrás, izquierda y derecha (a lo largo y a través de las líneas de vuelo).
- Significado Geométrico: Estos cambios pueden ser positivos, negativos o cero. Crucialmente, la combinación y el número de estos cambios permiten al algoritmo distinguir entre puntos que yacen en planos planos, bordes y esquinas. Esto elimina la necesidad de separar previamente los puntos planares y no planares, ya que la variable de cambio de elevación identifica intrínsecamente las intersecciones y los límites.
Determinación del Número de Cúmulos:
Dado que PAM requiere un número predefinido de cúmulos ( $k$ ), los autores emplean un sistema de selección basado en el potencial (Chiu, 1994) para estimar $k$ de forma automática.
- Cálculo del Potencial: Se calcula una puntuación de potencial para cada punto de datos basada en su distancia a los vecinos dentro de un radio fijo ( $r_\alpha$ ).
- Radio Óptimo: El estudio determina que el $r_\alpha$ óptimo se encuentra entre el 20% y el 40% de la distancia entre los dos puntos más distantes en el techo.
- Proceso de Selección: El punto con el mayor potencial se selecciona como el primer medoide. Los medoides subsiguientes se seleccionan iterativamente, revisando las puntuaciones de potencial para evitar la selección de medoides que estén demasiado cerca de los ya elegidos. El proceso se detiene cuando el potencial de un nuevo candidato cae por debajo de un umbral específico relativo al primer medoide.

Contribuciones Clave

Simplicidad y Eficiencia: El método propuesto logra una segmentación de alta calidad sin la pesada carga computacional, el entrenamiento de modelos o la optimización de múltiples etapas requerida por el aprendizaje profundo o los algoritmos complejos de crecimiento de regiones.
Aplicación Directa: El método procesa directamente los datos LiDAR brutos, evitando la necesidad de eliminar puntos no planares o reajustarlos después del agrupamiento.
Conjunto de Características Novedoso: Al utilizar cambios de elevación en lugar de vectores normales, el método segmenta simultáneamente los planos e identifica características geométricas (bordes y esquinas) que los vectores normales suelen omitir.
Agrupamiento Robusto: La aplicación de PAM a la segmentación de techos demuestra que los métodos de agrupamiento rígido (hard clustering) pueden manejar eficazmente las geometrías irregulares de los techos cuando se combinan con las variables de entrada adecuadas.

Resultados
El método fue probado con datos LiDAR de 150 edificios en Kuopio y Vuorela, Finlandia, con una densidad de puntos promedio de 5 puntos por metro cuadrado. Los resultados de la segmentación se evaluaron utilizando la completitud (a nivel de segmento) y la corrección (a nivel de punto).

Métricas de Desempeño: El método propuesto logró una completitud promedio del 95.9% y una corrección del 98.1%.
Análisis Comparativo: Como se muestra en la comparación cuantitativa del artículo, estos resultados son competitivos con, y en términos de corrección superiores a, métodos más complejos y de vanguardia, incluyendo el agrupamiento consciente de bordes (93.3% de corrección), el aprendizaje profundo de aprendizaje métrico (97.1% de corrección) y el crecimiento de regiones híbrido basado en octree (93.3% de corrección).
Observaciones: Aunque el método funciona bien, los autores señalan que ocasionalmente puede ocurrir un etiquetado erróneo en los bordes e intersecciones de los segmentos debido a similitudes geométricas, y que los límites de los segmentos pueden parecer rugosos debido a la distribución inconsistente de los puntos LiDAR.

Significancia y Reivindicaciones
El artículo afirma que su principal significancia radica en demostrar que un enfoque simple y de pocos parámetros puede producir resultados comparables a los métodos complejos de múltiples etapas. Los autores enfatizan que la combinación de cambios de elevación sirve como un reemplazo robusto para los vectores normales, proporcionando información geométrica esencial (detección de bordes y esquinas) que ayuda a la reconstrucción 3D y la extracción de límites. El estudio concluye que el método propuesto es altamente adaptable a diversas estructuras de techos y reduce la dependencia de fuentes de datos externas como las imágenes aéreas, lo que lo convierte en una solución práctica para la segmentación inmediata de planos de techos. Los autores sugieren modestamente que, si bien los resultados actuales son sólidos, una optimización adicional podría potencialmente mejorar aún más el desempeño.