⚡ electrical engineering

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

Este estudo propõe um método de filtragem adaptativa baseado em inclinação de esquema duplo que segmenta modelos digitais de superfície em domínios de vegetação e edificações para melhorar a classificação de pontos de solo, alcançando alta precisão vertical (RMSE de 0,148 m) em levantamentos fotogramétricos complexos de UAV, enquanto identifica a extensão de vazios em vegetação densa como a principal limitação remanescente.

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

Publicado 2026-08-06

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um cartógrafo tentando desenhar um mapa do solo sob uma floresta. Você tem um drone que voa sobre o topo e tira milhares de fotos, costurando-as para criar um modelo 3D do mundo. Este modelo, chamado Modelo Digital de Superfície (MDS), é incrivelmente detalhado, mas tem um problema: ele mostra tudo, incluindo as árvores, os edifícios e os fios de alta tensão. Para obter um mapa verdadeiro da própria terra — um Modelo Digital de Terreno (MDT) — você precisa "descascar digitalmente" tudo o que não é o solo. É como tentar encontrar a forma de um bolo removendo todo o glacê, granulados e velas sem esmagar o bolo por baixo.

O desafio é que o solo nem sempre é plano. Às vezes tem colinas, e às vezes os "granulados" (como as árvores) são tão acidentados quanto o próprio solo. Métodos antigos tentavam usar uma regra única para tudo: "Se for íngreme, é um edifício; se for plano, é o solo". Mas isso é como tentar separar um saco misto de bolinhas de gude e pedras olhando apenas para o seu tamanho; você poderia acidentalmente jogar fora uma pedra pequena ou manter um cascalho grande. Este artigo aborda a realidade complexa das paisagens tropicais, onde vegetação densa e edifícios modernos residem lado a lado em terrenos irregulares, fazendo com que essas antigas regras de "tamanho único" falhem miseravelmente.

O Filtro de Duas Cabeças: Uma Maneira Inteligente de Limpar Mapas de Drones

Os pesquisadores, trabalhando no Instituto de Tecnologia de Sumatra na Indonésia, perceberam que tentar usar uma única regra para limpar o mapa de um drone de um campus era como tentar usar uma única tesoura para cortar tanto uma renda delicada quanto um couro grosso. Você acabaria estragando a renda ou falhando em cortar o couro. Então, eles inventaram um filtro de "Esquema Duplo" — um sistema inteligente que age como um segurança de clube, verificando sua identidade e decidindo em qual fila você deve entrar com base na sua aparência.

A Configuração: Um Campus Cheio de Pistas
A equipe voou um drone sobre um pedaço de 121 hectares do campus de sua universidade. Esta área foi o laboratório de teste perfeito: tinha 70 metros de colinas e vales, edifícios altos de vários andares com telhados planos e florestas secundárias densas e espessas. O drone tirou fotos de diferentes ângulos (não apenas de cima para baixo, mas também inclinadas) para construir uma nuvem de pontos 3D com uma resolução de 4,15 cm por pixel. Isso é nítido o suficiente para ver tijolos e folhas individuais.

O Problema: A Armadilha do "Tamanho Único"
Filtros tradicionais usam uma abordagem "baseada na inclinação". Eles observam o quão íngreme é um ponto. Se o terreno inclina bruscamente, o filtro assume que é uma parede de um edifício ou um tronco de árvore e o deleta. Se for suave, ele o mantém como solo. Mas em um lugar com tanto colinas íngremes quanto edifícios planos, isso falha.

Se você definir a regra como "deletar qualquer coisa íngreme", você acidentalmente deleta as colinas reais.
Se você definir a regra como "manter qualquer coisa íngreme", você deixa os edifícios de pé.

A Solução: Duas Regras Diferentes para Dois Mundos Diferentes
A grande ideia dos autores foi dividir o mapa em duas zonas antes de aplicar as regras. Eles criaram dois "descritores" — mapas especiais que descrevem a textura do solo.

O Mapa de "Rugosidade" (Esquema A): Este observa o quão acidentado é um pequeno pedaço de solo. Pense nisso como passar a mão sobre uma superfície. A copa de uma floresta é como um tapete felpudo; é muito irregular e acidentada. Um telhado plano ou uma estrada pavimentada é como uma mesa lisa. O filtro usa essa "rugosidade" para identificar a floresta. Nessas áreas acidentadas, o filtro torna-se "permissivo". Ele sabe que o solo por baixo pode ser íngreme, então ele só deleta o que é realmente íngreme, salvando as colinas reais.
O Mapa de "Borda" (Esquema B): Este procura linhas nítidas, como o contorno de um edifício. Utiliza uma técnica chamada detecção de bordas Canny, que é como um esboço de lápis de alto contraste que desenha apenas as fronteiras onde as coisas mudam abruptamente. Um telhado plano é liso por dentro, mas tem uma borda dura e nítida ao redor do perímetro. O filtro usa isso para encontrar edifícios. Nessas áreas lisas, o filtro torna-se "estrito". Ele sabe que, se houver uma inclinação íngreme aqui, é quase certamente uma parede, então ele a deleta imediatamente.

O Processo: Classificação e Suavização
Uma vez que o mapa é dividido em "Zona de Floresta Acidentada" e "Zona de Edifício Lisa", o filtro aplica a regra correta para cada uma.

Na Floresta: Ele mantém as colinas íngremes, mas remove as árvores.
Na Cidade: Ele remove os edifícios, mas mantém o solo plano.

Após a remoção do conteúdo "não-solo" (árvores e edifícios), restam buracos no mapa. É como comer o glacê de um bolo e deixar espaços vazios. Para corrigir isso, a equipe usou um método de "interpolação híbrida". Imagine que você tem um buraco em um cobertor; você puxa os fios das bordas para preencher a lacuna. Eles usaram dois métodos: um que puxa dos vizinhos mais próximos e outro que faz a média da distância de todos os pontos circundantes. Finalmente, aplicaram um filtro de "suavização Gaussiana", que é como passar um ferro quente sobre o tecido para tornar as costuras invisíveis, garantindo que a transição entre o solo real e os buracos preenchidos pareça natural.

Os Resultados: Um Mapa que Funciona (Mais ou Menos)
A equipe testou seu novo mapa contra 12 pontos de GPS reais que mediram no chão.

A Boa Notícia: O novo mapa foi incrivelmente preciso. O erro foi de apenas 0,148 metros (cerca de 6 polegadas). Isso é quase a mesma precisão das fotos originais do drone antes de qualquer filtragem. Isso prova que o sistema inteligente de duas regras não estragou acidentalmente os dados do solo real.
A Ressalva: O artigo admite uma limitação. Nas partes de floresta maiores e mais densas, o drone não conseguiu ver o solo de forma alguma. Quando o filtro removeu as árvores, deixou um buraco gigante. O método de "preenchimento" teve que adivinhar como era o solo no meio desse buraco. O resultado foi uma superfície um pouco demais suave e plana, como uma rampa, em vez de um chão de floresta real e acidentado.

Por Que Isso Importa
Os autores não estão alegando que este é o método absolutamente perfeito que resolve todos os problemas do mundo. Eles não estão usando IA complexa ou aprendizado profundo que exige computadores massivos e dados de treinamento. Em vez disso, eles mostraram que, simplesmente olhando para a geometria do mundo — quão acidentado ele é e onde estão suas bordas — você pode criar um filtro muito mais inteligente do que os antigos sistemas de "regra única".

Eles descobriram que, para áreas com terrenos mistos (colinas, árvores e edifícios), você precisa de uma abordagem flexível. Você não pode tratar uma colina íngreme da mesma forma que trata a parede de um edifício. Ao dividir o problema em duas zonas e usar a ferramenta certa para cada uma, eles conseguiram criar um mapa limpo e preciso da terra nua sem precisar de scanners a laser caros ou supercomputadores. A principal lição é que, embora não possamos ver através de uma densa copa de floresta com uma câmera, podemos ser muito mais inteligentes sobre como estimamos o que está por baixo, desde que admitamos onde nossas estimativas são apenas isso — estimativas.

Resumo Técnico: Filtragem Adaptativa de Inclinação Baseada em Esquema Duplo para Nuvens de Pontos Fotogramétricos

Definição do Problema
A geração de Modelos Digitais de Terreno (MDT) a partir de fotogrametria com Veículos Aéreos Não Tripulados (VANT) é frequentemente dificultada pelas limitações dos algoritmos convencionais de filtragem de terreno, particularmente a Filtragem Baseada em Inclinação (SBF - Slope-Based Filtering). A SBF padrão baseia-se em um único limiar de inclinação global para distinguir o terreno de feições não pertencentes ao terreno. Esta abordagem é insuficiente em ambientes heterogêneos que contêm tanto vegetação densa quanto edifícios próximos. Em tais configurações, um único limiar não consegue, simultaneamente, preservar o relevo real de terrenos íngremes (ex: encostas de 70 metros) e remover feições não pertencentes ao terreno de inclinação acentuada, como paredes de edifícios ou copas de vegetação. Além disso, classificadores aprendidos (aprendizado profundo/deep learning) oferecem alta precisão, mas exigem extensos dados de treinamento rotulados e recursos computacionais muitas vezes indisponíveis em contextos de mapeamento operacional. Adicionalmente, nuvens de pontos fotogramétricas sob dossel tropical fechado carecem de retornos de solo sub-dossel, o que significa que algoritmos de filtragem não podem recuperar terrenos que nunca foram observados, uma limitação distinta das aplicações de LiDAR.

Metodologia
O estudo propõe um fluxo de trabalho de "Filtragem de Inclinação Adaptativa de Esquema Duplo" que opera inteiramente no domínio raster utilizando um Modelo Digital de Superfície (MDS) derivado de fotogrametria de VANT. O método evita a necessidade de dados espectrais auxiliares ou informações de múltiplos retornos. O fluxo de trabalho consiste em cinco estágios primários:

Geração de Descritores: Dois descritores distintos são derivados do MDS:
- Rugosidade da Superfície (Descritor do Esquema A): Calculada como o desvio padrão local da elevação dentro de uma janela de 9 pixels (~0,75 m). Isto identifica áreas geometricamente rugosas, principalmente copas de vegetação e paredes de edifícios.
- Densidade de Bordas (Descritor do Esquema B): Gerada pela aplicação da detecção de bordas Canny ao MDS normalizado, seguida de um filtro de média de 7 pixels. Isto identifica os perímetros de edifícios (descontinuidades verticais fortes) enquanto ignora superfícies internas planas.
Zoneamento Baseado em Regras: Um raster de zoneamento atribui cada pixel a um de dois esquemas de processamento com base nos descritores:
- Esquema A (Terreno Variável): Atribuído a pixels onde a rugosidade excede um limiar. Este domínio é destinado a terrenos vegetados e íngremes.
- Esquema B (Terreno Plano): Atribuído a todos os outros pixels, incluindo solo aberto e interiores de edifícios. Este domínio é destinado a superfícies planas onde feições íngremes são provavelmente estruturas não pertencentes ao terreno.
Limiarização Dependente de Esquema: A inclinação é calculada para cada pixel e comparada a um limiar específico para o esquema atribuído:
- Limiar do Esquema A ( $\theta_A$ ): Definido em 25°. Este limiar permissivo evita a remoção de terrenos íngremes genuínos encontrados em áreas vegetadas.
- Limiar do Esquema B ( $\theta_B$ ): Definido em 15°. Este limiar estrito garante que feições íngremes em áreas planas (ex: paredes de edifícios) sejam corretamente classificadas como não-terreno.
Refinamento Morfológico: A máscara binária resultante passa por dilatação para garantir a cobertura total das bordas dos objetos e preenchimento de lacunas (hole filling) para converter contornos de edifícios em pegadas sólidas.
Preenchimento de Vazios e Suavização: Os pixels classificados como não-terreno são definidos como sem dados (no-data). Uma abordagem de interpolação híbrida preenche estes vazios: a interpolação de Distância Inversa Ponderada (IDW) é usada primeiro para grandes lacunas, seguida pela interpolação de vizinho mais próximo para lacunas residuais. Um filtro Gaussiano é aplicado para suavizar as transições entre superfícies observadas e interpoladas.

Principais Contribuições
A principal contribuição do artigo é a demonstração de que a adaptatividade que falta na SBF convencional pode ser restaurada tornando o domínio de processamento adaptativo, em vez de tornar o próprio limiar adaptativo. Ao utilizar um passo de zoneamento de dois descritores (rugosidade e densidade de bordas) derivados exclusivamente do MDS, o método aplica regras geométricas distintas para tipos de superfície distintos sem exigir dados de treinamento de aprendizado de máquina. A abordagem oferece:

Transparência: Todos os parâmetros (tamanhos de janela, limiares de inclinação) são fisicamente interpretáveis e inspecionáveis.
Eficiência Computacional: O método opera em dados raster usando operadores padrão de processamento de imagem, evitando o alto custo computacional do processamento de nuvem de pontos ou aprendizado profundo.
Lógica Geométrica: Consegue distinguir com sucesso entre vegetação (rugosa) e edifícios (interiores lisos com bordas rugosas) usando apenas descritores geométricos.

Resultos
O método foi avaliado em um bloco de 121 hectares do campus ITERA em Lampung, Indonésia, caracterizado por vegetação secundária densa, edifícios de vários andares e 70 metros de relevo. Os dados de entrada foram de um levantamento oblíquo com VANT, com resolução espacial (GSD) de 4,15 cm e densidade de pontos de 145 pontos/m².

Precisão Vertical: A comparação com 12 pontos de controle GNSS independentes resultou em um Erro Quadrático Médio (RMSE) vertical de 0,148 m e um Erro Linear no 90% de confiança (LE90) de 0,244 m.
Impacto da Filtragem: O MDT filtrado mostrou um aumento de apenas 0,004 m no RMSE em relação ao MDS de entrada. Os autores observam que este incremento está abaixo do nível de ruído de validação (precisão GNSS e efeitos de amostragem de grade), indicando que o processo de filtragem não causou qualquer degradação mensurável da fidelidade de elevação no terreno observado.
Avaliação Visual: O MDT resultante removeu com sucesso edifícios e vegetação, preservando a forma topográfica ampla. No entanto, a inspeção visual revelou que grandes manchas de vegetação resultaram em superfícies "excessivamente suavizadas". Como o dossel foi removido inteiramente, não restando observações sub-dossel, a interpolação teve que depender de valores perimetrais, resultando em preenchimentos planares que carecem de detalhes locais do terreno.

Significância e Limitações
Os autores posicionam este trabalho não como uma alternativa superior aos filtros aprendidos ou à simulação de pano (cloth simulation), mas como uma solução prática e reproduzível para mapeamento operacional onde dados de treinamento não estão disponíveis. O estudo destaca que a principal limitação da geração de MDT fotogramétrico em áreas vegetadas não é o algoritmo de classificação, mas o gargalo de reconstrução: se a nuvem fotogramétrica carece de retornos de solo sob um dossel fechado, nenhum filtro pode recuperar o terreno, e a qualidade do MDT resultante é ditada pelo método de interpolação, e não pelo filtro.

O artigo conclui que, embora a abordagem de esquema duplo resolva eficazmente o compromisso entre preservar o relevo do terreno e remover estruturas em ambientes mistos, a precisão do produto final em vazios vegetados permanece não medida pelos pontos de controle padrão (que são colocados em terreno aberto). Os autores enfatizam que as métricas de precisão relatadas caracterizam apenas o terreno aberto e não devem ser extrapoladas para o interior vegetado, onde o modelo é mais fraco. Recomenda-se que trabalhos futuros foquem na preservação de evidências sub-dossel no domínio da nuvem de pontos e na realização de validações estratificadas utilizando referências escaneadas a laser para áreas vegetadas.

O Filtro de Duas Cabeças: Uma Maneira Inteligente de Limpar Mapas de Drones

Mais como este