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

Sintesi Tecnica: Segmentazione dei Piani del Tetto per Dati LiDAR utilizzando PAM e Variabili di Variazione di Elevazione

Problematica
La segmentazione dei piani dei tetti da nuvole di punti LiDAR aeree è un passaggio critico per la modellazione urbana, la ricostruzione degli edifici e la valutazione del potenziale solare. Gli approcci esistenti rientrano generalmente in due categorie: metodi basati su modelli (ad es. RANSAC, deep learning) e metodi di clustering (ad es. K-means). Tuttavia, questi metodi soffrono spesso di svantaggi significativi, tra cui elevati costi computazionali, la necessità di un pre-processing esteso (come la rimozione dei punti non planari), la dipendenza da immagini aeree, l'ottimizzazione complessa e la sensibilità agli outlier. Inoltre, gli algoritmi di clustering tradizionali come il K-means tendono a formare cluster iper-sferici e faticano con le forme irregolari comuni nelle strutture dei tetti. Una limitazione specifica nei set di caratteristiche attuali è la dipendenza dai vettori normali, che possono essere instabili nelle aree con dati sparsi e non riescono a identificare efficacemente bordi e punti di angolo senza un ulteriore riprocessamento.

Metodologia
Gli autori propongono una procedura di segmentazione "istantanea" e diretta che opera direttamente sui dati LiDAR grezzi, senza la necessità di riprocessamento o addestramento di modelli complessi. La metodologia consiste in tre componenti primarie:

1. Algoritmo di Clustering (Partitioning Around Medoids - PAM):
   Invece del K-means, lo studio utilizza l'algoritmo Partitioning Around Medoids (PAM). PAM è stato selezionato per la sua robustezza contro gli outlier e la sua capacità di formare cluster di varie forme irregolari minimizzando la somma delle dissimilarità tra i punti all'interno di un cluster, piuttosto che minimizzare le distanze euclidee al quadrato rispetto a un centroide. Ciò lo rende adatto alle geometrie complesse dei tetti.

2. Ingegneria delle Caratteristiche (Variabili di Variazione di Elevazione):
   Lo studio sostituisce la tradizionale variabile del vettore normale con caratteristiche di "variazione di elevazione". Per ogni punto, le variazioni di elevazione sono calcolate rispetto ai suoi vicini più prossimi in quattro direzioni: fronte, retro, sinistra e destra (lungo e trasversalmente alle linee di volo).

• Significato Geometrico: Queste variazioni possono essere positive, negative o nulle. Fondamentalmente, la combinazione e il numero di queste variazioni permettono all'algoritmo di distinguere tra punti che giacciono su piani piatti, bordi e angoli. Ciò elimina la necessità di separare preventivamente i punti planari da quelli non planari, poiché la variabile di variazione di elevazione identifica intrinsecamente intersezioni e confini.

3. Determinazione del Numero di Cluster:
   Poiché il PAM richiede un numero predefinito di cluster ($k$), gli autori impiegano un sistema di selezione basato sul potenziale (Chiu, 1994) per stimare $k$ automaticamente.

• Calcolo del Potenziale: Un punteggio di potenziale viene calcolato per ogni punto dati in base alla sua distanza dai vicini entro un raggio fisso ($r_\alpha$).
• Raggio Ottimale: Lo studio determina che l' $r_\alpha$ ottimale si trova tra il 20% e il 40% della distanza tra i due punti più distanti sul tetto.
• Processo di Selezione: Il punto con il potenziale più alto viene selezionato come primo medoide. I medoidi successivi vengono selezionati iterativamente, con punteggi di potenziale rivisti per evitare la selezione di medoidi troppo vicini ai medoidi precedentemente scelti. Il processo si interrompe quando il potenziale di un nuovo candidato scende al di sotto di una soglia specifica rispetto al primo medoide.

Contributi Chiave

• Semplicità ed Efficienza: Il metodo proposto raggiunge una segmentazione di alta qualità senza l'oneroso carico computazionale, l'addestramento del modello o l'ottimizzazione multi-stadio richiesti dal deep learning o da complessi algoritmi di crescita delle regioni.
• Applicazione Diretta: Il metodo elabora direttamente i dati LiDAR grezzi, evitando la necessità di rimuovere i punti non planari o di ri-adattarli dopo il clustering.
• Set di Caratteristiche Innovativo: Utilizzando le variazioni di elevazione invece dei vettori normali, il metodo segmenta simultaneamente i piani e identifica le caratteristiche geometriche (bordi e angoli) che i vettori normali spesso perdono.
• Clustering Robusto: L'applicazione del PAM alla segmentazione dei tetti dimostra che i metodi di hard clustering possono gestire efficacemente le geometrie irregolari dei tetti se accoppiati con variabili di input appropriate.

Risultati
Il metodo è stato testato su dati LiDAR di 150 edifici a Kuopio e Vuorela, in Finlandia, con una densità media di punti di 5 punti per metro quadrato. I risultati della segmentazione sono stati valutati in termini di completezza (a livello di segmento) e correttezza (a livello di punto).

• Metriche di Prestazione: Il metodo proposto ha raggiunto una completezza media del 95,9% e una correttezza del 98,1%.
• Analisi Comparativa: Come mostrato nel confronto quantitativo del documento, questi risultati sono competitivi con, e in termini di correttezza superiori a, metodi allo stato dell'arte più complessi, inclusi il clustering consapevole dei bordi (93,3% di correttezza), il deep learning basato su metric learning (97,1% di correttezza) e l'ibrido a crescita di regione basato su octree (93,3% di correttezza).
• Osservazioni: Sebbene il metodo funzioni bene, gli autori notano che l'errata etichettatura può occasionalmente verificarsi ai bordi e alle intersezioni dei segmenti a causa di somiglianze geometriche, e i confini dei segmenti possono apparire irregolari a causa della distribuzione inconsistente dei punti LiDAR.

Significatività e Rivendicazioni
Il documento sostiene che la sua principale significatività risieda nel dimostrare che un approccio semplice e con pochi parametri può produrre risultati comparabili a metodi multi-stadio complessi. Gli autori sottolineano che la combinazione di variazioni di elevazione funge da robusto sostituto per i vettori normali, fornendo informazioni geometriche essenziali (rilevamento di bordi e angoli) che agevolano la ricostruzione 3D e l'estrazione dei confini. Lo studio conclude che il metodo proposto è altamente adattabile a varie strutture di tetti e riduce la dipendenza da fonti di dati esterne come le immagini aeree, rendendolo una soluzione pratica per la segmentazione immediata dei piani dei tetti. Gli autori suggeriscono con modestia che, sebbene gli attuali risultati siano solidi, un'ulteriore ottimizzazione potrebbe potenzialmente migliorare ulteriormente le prestazioni.