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

Resumo Técnico: Segmentação de Planos de Telhados para Dados LiDAR Usando PAM e Variáveis de Mudança de Elevação

Definição do Problema
A segmentação de planos de telhados a partir de nuvens de pontos LiDAR aerotransportadas é uma etapa crítica para modelagem urbana, reconstrução de edifícios e avaliação de potencial solar. As abordagens existentes geralmente se dividem em duas categorias: métodos baseados em modelos (ex: RANSAC, aprendizado profundo) e métodos de agrupamento (ex: K-means). No entanto, esses métodos frequentemente sofrem com desvantagens significativas, incluindo altos custos computacionais, a necessidade de pré-processamento extensivo (como a remoção de pontos não planares), dependência de imagens aéreas, otimização complexa e sensibilidade a valores atípicos (outliers). Além disso, algoritmos de agrupamento tradicionais como o K-means tendem a formar agrupamentos hiperesféricos e têm dificuldade com formas irregulares comuns em estruturas de telhados. Uma limitação específica nos conjuntos de características atuais é a dependência de vetores normais, que podem ser instáveis em áreas de dados esparsos e falhar em identificar efetivamente bordas e pontos de canto sem o reprocessamento adicional.

Metodologia
Os autores propõem um procedimento de segmentação direto e "instantâneo" que opera diretamente sobre dados LiDAR brutos, sem a necessidade de reprocessamento ou treinamento de modelos complexos. A metodologia consiste em três componentes primários:

1. Algoritmo de Agrupamento (Partitioning Around Medoids - PAM):
   Em vez do K-means, o estudo utiliza o algoritmo Partitioning Around Medoids (PAM). O PAM foi selecionado por sua robustez contra outliers e sua capacidade de formar agrupamentos de várias formas irregulares ao minimizar a soma das dissimilaridades entre os pontos dentro de um grupo, em vez de minimizar as distâncias euclidianas quadráticas até um centroide. Isso o torna adequado para as geometrias complexas de telhados.

2. Engenharia de Atributos (Variáveis de Mudança de Elevação):
   O estudo substitui a variável tradicional do vetor normal por atributos de "mudança de elevação". Para cada ponto, as mudanças de elevação são calculadas em relação aos seus vizinhos mais próximos em quatro direções: frente, trás, esquerda e direita (ao longo e através das linhas de voo).

• Significância Geométrica: Essas mudanças podem ser positivas, negativas ou zero. Crucialmente, a combinação e o número dessas mudanças permitem que o algoritmo distinga entre pontos que estão em planos planos, bordas e cantos. Isso elimina a necessidade de separar previamente pontos planares e não planares, pois a variável de mudança de elevação identifica inerentemente interseções e limites.

3. Determinação do Número de Agrupamentos:
   Como o PAM requer um número pré-definido de agrupamentos ($k$), os autores empregam um sistema de seleção baseado em potencial (Chiu, 1994) para estimar $k$ automaticamente.

• Cálculo de Potencial: Um escore de potencial é computado para cada ponto de dados com base em sua distância aos vizinhos dentro de um raio fixo ($r_\alpha$).
• Raio Ótimo: O estudo determina que o $r_\alpha$ ótimo situa-se entre 20% e 40% da distância entre os dois pontos mais distantes no telhado.
• Processo de Seleção: O ponto com o maior potencial é selecionado como o primeiro medoide. Medoides subsequentes são selecionados iterativamente, com os escores de potencial revisados para evitar a seleção de medoides que estejam muito próximos dos já escolhidos. O processo para quando o potencial de um novo candidato cai abaixo de um limite específico em relação ao primeiro medoide.

Principais Contribuições

• Simplicidade e Eficiência: O método proposto alcança uma segmentação de alta qualidade sem o pesado fardo computacional, treinamento de modelo ou otimização de múltiplos estágios exigidos pelo aprendizado profundo ou algoritmos complexos de crescimento de região.
• Aplicação Direta: O método processa dados LiDAR brutos diretamente, evitando a necessidade de remover pontos não planares ou reajustá-los após o agrupamento.
• Conjunto de Atributos Inovador: Ao utilizar mudanças de elevação em vez de vetores normais, o método segmenta simultaneamente os planos e identifica características geométricas (bordas e cantos) que os vetores normais frequentemente perdem.
• Agrupamento Robusto: A aplicação do PAM à segmentação de telhados demonstra que métodos de agrupamento rígido (hard clustering) podem lidar efetivamente com geometrias de telhados irregulares quando pareados com variáveis de entrada apropriadas.

Resultados
O método foi testado em dados LiDAR de 150 edifícios em Kuopio e Vuorela, Finlândia, com uma densidade média de pontos de 5 pontos por metro quadrado. Os resultados da segmentação foram avaliados usando completude (ao nível do segmento) e correção (ao nível do ponto).

• Métricas de Desempenho: O método proposto alcançou uma completude média de 95,9% e uma correção de 98,1%.
• Análise Comparativa: Conforme mostrado na comparação quantitativa do artigo, esses resultados são competitivos com, e em termos de correção superiores a, métodos de estado da arte mais complexos, incluindo agrupamento consciente de bordas (boundary-aware clustering) (93,3% de correção), aprendizado profundo de aprendizado métrico (97,1% de correção) e crescimento de região híbrido baseado em octree (93,3% de correção).
• Observações: Embora o método funcione bem, os autores observam que erros de rotulagem podem ocorrer ocasionalmente em bordas e interseções de segmentos devido a similaridades geométricas, e as fronteiras dos segmentos podem parecer irregulares devido à distribuição inconsistente dos pontos LiDAR.

Significância e Alegações
O artigo alega que sua principal significância reside em demonstrar que uma abordagem simples, com poucos parâmetros, pode produzir resultados comparáveis a métodos complexos de múltiplos estágios. Os autores enfatizam que a combinação de mudanças de elevação serve como um substituto robusto para os vetores normais, fornecendo informações geométricas essenciais (detecção de bordas e cantos) que auxiliam na reconstrução 3D e extração de limites. O estudo conclui que o método proposto é altamente adaptável a várias estruturas de telhado e reduz a dependência de fontes de dados externas, como imagens aéreas, tornando-o uma solução prática para a segmentação imediata de planos de telhado. Os autores sugerem modestamente que, embora os resultados atuais sejam fortes, uma otimização adicional poderia potencialmente aumentar ainda mais o desempenho.