Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 89-93

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 89-93 89

Detección automática de edificios medianteimágenes de alta resolución y datos Lidar para la actualización de bases de datos

cartográficas en entornos urbanosAutomatic building location using high

resolution images and Lidar data for landuse/land cover geospatial database updating

in urban environmentsT. Hermosilla, L. A. Ruiz y J. A. Recio

txohergo@topo.upv.es

Grupo de Cartografía GeoAmbiental y Teledetección. Departamento de Ingeniería Cartográfica,Geodesia y fotogrametría. Universidad Politécnica de Valencia. Camino de Vera, s/n. 46022 Valencia.

España

Recibido el 11 de febrero de 2010, aceptado el 8 de octubre de 2010

RESUMEN

En este trabajo se estudia la viabilidad de em-pleo de una metodología de detección de edifi-cios para la determinación automática del tan-to por ciento de ocupación de edif icios enpolígonos de bases de datos geoespaciales deusos del suelo tales como el SIOSE (Sistema deInformación de Ocupación del Suelo en Espa-ña). La metodología de detección de edificioscombina información espectral proveniente deortofotografías de alta resolución con datos al-timétricos obtenidos a partir de tecnología Li-dar aerotransportado. Los resultados obtenidosde superficie edificada y porcentaje de edifi-caciones en una serie de polígonos SIOSE seevalúan y analizan con los datos de referenciaobtenidos mediante digitalización de las edifi-caciones.

PALABRAS CLAVE: detección automática deedificios, Lidar, imágenes de alta resolución,SIOSE, actualización cartográfica.

ABSTRACT

This paper studies the viability of the use of abuilding detection methodology for updatinggeospatial databases. Building detection methodcombines two types of data: spectral and heights.Spectral information is composed by aerialortophotographs. Surface digital model hasbeen generated using Lidar data. The experi-ments have been performed using polygonsfrom the SIOSE (Spanish land use/land coverinformation system) geospatial database. Theachieved results regarding surface of buildingsand percentage of built area are analyzed andcompared to the reference data, which havebeen created through digitalization.

KEY WORDS: automatic building detection,Lidar, high resolution images, SIOSE, carto-graphic updating.

INTRODUCCIÓN

Una correcta gestión del requiere de informa-ción precisa y actualizada del mismo. El alto gra-do de dinamismo al que se encuentra sometidoconlleva una constante alteración de los paisajesy usos característicos de entornos periurbanoscausada por la construcción de nuevas infraes-tructuras, viviendas y edificaciones. Por ello, sehace patente la necesidad de emplear una meto-dología rápida, eficiente y sistemática que per-mita un continuo mantenimiento y actualizaciónde la información sobre edificaciones contenidaen las bases de datos cartográficas. Hoy en día,estos procedimientos requieren de un gran es-fuerzo económico y de recursos humanos. La in-formación obtenida a través de técnicas de tele-detección y el tratamiento digital de estos datosfacilita la actualización cartográfica.

La detección automática de edificios, así co-mo de otros elementos propios de entornos ur-banos y periurbanos, es una tarea compleja derealizar mediante técnicas de procesado digitalde imágenes que ha llevado a un gran número deautores a realizar investigaciones en este área,proponiendo diferentes metodologías que no hanllegado a ofrecer una solución completamentesatisfactoria. Liu et al. (2005) distingue, en fun-ción de las fuentes de información utilizadas,dos tipologías principales de métodos para la de-tección y localización de edificios. La primerase basa únicamente en imágenes aéreas o de sa-télite, combinando algoritmos de procesado deimágenes con distintos métodos de reconoci-miento de formas o de clasificación. Estos mé-todos tienen una serie de dificultades técnicasque deben solucionarse, principalmente la au-sencia de una tridimensionalidad explícita. Lasegunda tipología de métodos realiza la detec-ción de los edificios combinando informaciónde la imagen con información altimétrica, deri-vada mediante técnicas de estereoscopía o utili-zando otras fuentes más modernas, como los sis-temas de láser escáner.

La detección de edificios utilizando metodo-logías basadas en imágenes aéreas o de satélitesupone, aún hoy en día, una tarea difícil, puestoque los edificios pueden mostrarse como estruc-turas complejas con muchos detalles arquitectó-nicos, o estar rodeados por objetos que dificultensu detección. Además, las respuestas espectra-

les de los tejados son muy diferentes debido a ladiversidad de materiales empleados en su cons-trucción. Esta problemática requiere, por tanto,la utilización no sólo de técnicas de visión de ba-jo nivel (low-level vision), como extracción debordes o detección de alineaciones, sino tambiénde técnicas de visión de nivel medio o alto (high-level vision), como son el reconocimiento de for-mas o la clasificación (Kim y Muller, 1999). Así,en función de las metodologías utilizadas, lastécnicas de localización de edificios empleandoúnicamente imágenes pueden dividirse en dosgrandes grupos: de bajo nivel y de alto nivel. Lastécnicas de bajo nivel consisten, fundamental-mente, en la detección y extracción de bordes ylíneas de las imágenes y la posterior construc-ción de una serie de reglas o hipótesis que éstashan de cumplir para ser definidas como perte-necientes a edificios (Irvin y McKeown, 1989;Lin y Nevatia, 1998). Por su parte, las técnicasde procesado digital de imágenes de alto niveltratan de imitar la cognición humana y la habi-lidad de tomar decisiones en función de la infor-mación contenida en la imagen. Así, metodolo-gías propias de estas técnicas son la detecciónde objetos, el reconocimiento de formas y la cla-sificación de imágenes (Wei et al., 2004; Her-mosilla et al., 2008).

La detección de edificios combinando imáge-nes de satélite e información altimétrica conlle-va una menor dificultad y proporciona mejoresresultados que los obtenidos empleando única-mente imágenes o información altimétrica. Unagran parte de los autores recurre a la clasif i-cación a nivel de objetos generados por segmen-tación automática basados en criterios de ho-mogeneidad. Los objetos son caracterizados,además de por sus respuestas espectrales, de tex-tura, tamaño y forma, a través de la informacióntridimensional (Kokubu et al., 2001; Teo y Chen,2004). Otros autores obtienen un conjunto deedificios candidatos a partir de umbralizacionesdel nDSM (modelo de superficies normalizado)y del enmascaramiento de la vegetación utilizan-do la información multiespectral, principalmen-te el índice de vegetación NDVI (Vögtle y Stein-le, 2000; Rottensteiner, 2003). En el análisiscomparativo realizado por Hermosilla y Ruiz(2009) se comprueba cómo el método de esta-blecimiento de umbrales en altura y vegetaciónproporciona, por lo general, mejores resultados

T. Hermosilla et al.

90 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 89-93

que el empleo del método aparentemente másrobusto basado en clasificación orientada a ob-jeto, que requiere la selección de los datos conlos que realizar la segmentación, la selección delmétodo de segmentación, el cálculo de caracte-rísticas descriptivas, la selección de las más sig-nificativas y la selección de un algoritmo de cla-sificación.

El objetivo de este trabajo es comprobar laviabilidad de la utilización de técnicas de detec-ción automática de edif icios basadas en datosLidar para la actualización de bases de datos geo-espaciales de ocupación del suelo, específica-mente el SIOSE (Sistema de Información deOcupación del Suelo en España). Este proyecto,enmarcado dentro del Plan Nacional de Obser-vación del Territorio en España, y dirigido y coor-dinado por el Instituto Geográf ico Nacional(IGN), pretende reunir en un único sistema deinformación los datos precisos para el conoci-miento integral de la ocupación del suelo en Es-paña, con el propósito general de «recoger la in-formación una vez» y «utilizarla por todos», deacuerdo a los principios de la iniciativa INSPI-RE de la Unión Europea. (Instituto GeográficoNacional, 2007). La unidad básica de esta basede datos es el polígono SIOSE, que representauna ocupación de suelo con cobertura uniformey homogénea. En lo referido a edificaciones, pa-ra cada polígono se describe, además de la tipo-logía de las construcciones existentes, el porcen-taje de la superf icie que ocupan. Hasta elmomento, la asignación del porcentaje se ha re-alizado mediante estimaciones visuales y técni-cas de fotointerpretación. Consecuentemente,estas metodologías conllevan un gran coste eco-nómico y temporal. Es por ello que se pretendeevaluar la posibilidad de estimar el porcentajede superficie edificada de los polígonos SIOSEutilizando metodologías de detección automáti-ca de edificios.

ÁREA DE ESTUDIO Y DATOS

El estudio se ha realizado en el término mu-nicipal de Alcalá de Henares, Madrid, trabajan-do con los datos disponibles para la elaboracióndel SIOSE. La imagen utilizada es una ortofo-tografía del Plan Nacional de Ortofotografía Aé-rea (PNOA) en color verdadero con una resolu-

ción espacial de 0,5 metros por píxel. Los datosLidar tienen una densidad de 0,5 puntos/m2. Seha dispuesto, además, de la definición geomé-trica de los polígonos SIOSE para este munici-pio y de la información alfanumérica referentea la ocupación de los polígonos.

METODOLOGÍA DE DETECCIÓNDE EDIFICIOS

El método de detección de edificios emplea-do se basa en el establecimiento de umbrales(Hermosilla y Ruiz, 2009) que consiste funda-mentalmente en la definición de dos valores deumbralización, uno en altura y otro con respec-to a la presencia de vegetación. El umbral conrespecto a las alturas de los edificios se estable-ce sobre el nDSM. Para aislar y enmascarar lavegetación se establece un umbral sobre la ima-gen de NDVI. Al no disponerse de banda infra-rroja, la vegetación se enmascaró utilizando elcociente entre la banda del verde y la banda delrojo. El procedimiento para la definición de losvalores umbral es similar en ambos casos, to-mándose muestras de entrenamiento de las áre-as que se desea diferenciar: el suelo de las zonascon edificios, y las áreas sin vegetación de laszonas con vegetación. Una vez tomadas lasmuestras, se calculan ambos histogramas y seaproximan posteriormente a curvas gaussianascon el fin de simplificar su forma. El valor um-bral es el correspondiente a la intersección deambas curvas. A la máscara resultante de la um-bralización de la vegetación se le aplica un fil-tro de cierre morfológico, descartando los obje-tos muy pequeños.

El último paso es la combinación de ambasmáscaras, obteniéndose objetos que, una vez re-finadas sus formas y eliminados los de menortamaño, representarán los edificios detectados.Este método se ha combinado con el estudio delas relaciones contextuales de los edificios de-tectados con las sombras. Para ello se ha segui-do la metodología descrita en Hermosilla et al.(2008). Tras la detección y un posterior refina-miento en la forma de las sombras, se establececomo requisito que los objetos detectados comoedificios sean contiguos a una sombra proyecta-da siguiendo la dirección del ángulo de inciden-cia solar.

Detección automática de edificios mediante imágenes de alta resolución y datos Lidar para la actualización...

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 89-93 91

RESULTADOS

Las Figuras 1 y 2 muestran la relación entre ladetección automática con respecto a los edificiosde referencia para las superficies, y el porcenta-je de zona edificada, respectivamente, para los 68polígonos SIOSE analizados. Analizando la grá-fica referente a las áreas, se observa una fuertecorrelación lineal entre las áreas automáticamen-te detectadas y las de referencia, que muestran uncoeficiente de correlación R2 superior a 0,95, conun error medio cuadrático de 11,69%. Este coe-ficiente de correlación es de 0,75 para el porcen-taje de superficie edificada con un error mediocuadrático de 3.827,8 m2. Se observa un excesode detección al obtenerse sesgos positivos, convalores de 0,672 para el porcentaje y 0,919 parael área edificada. Este efecto es más acusado enel caso de las parcelas más pequeñas ya que pe-queñas alteraciones en la superficie edificada de-tectada se traducirán en grandes variaciones en elporcentaje de superficie del polígono SIOSE.

Analizando las causas de los errores de detec-ción se confirma, por lo general, la sobre-detec-ción de la superficie de los edificios. Es decir, losedificios detectados muestran un tamaño mayor alos de referencia. Esto es debido a la baja densi-dad de los puntos Lidar. Además, una gran fuen-te de error es debida a la detección errónea de ve-getación arbolada asignada a edificios. Esta causade error puede ser paliada en gran medida median-te la utilización de información multiespectral in-

frarroja, tal y como ha sido comprobado por Her-mosilla y Ruiz (2009). Los errores de omisión dedetección de edificios también son producidos, engran medida, por la ausencia de información es-pectral infrarroja y debido al índice de vegetaciónutilizado, que en algunos casos se detecta comovegetación edificios cuyos tejados presentan unarespuesta espectral similar, principalmente en zo-nas industriales. En la Figura 3 se muestra gráfi-camente el resultado de la detección de edificios.

CONCLUSIONES

En este trabajo se ha analizado la posibilidadde inclusión de un método de detección automá-tica de edificios en el proceso de la actualiza-ción del porcentaje de ocupación de edificios enpolígonos SIOSE. Los resultados obtenidosmuestran la adecuación de estas técnicas. Lasprecisiones pueden ser mejoradas utilizando in-formación multiespectral del infrarrojo cercano,para evitar la detección errónea de árboles co-mo zonas edificadas.

AGRADECIMIENTOS

Los autores agradecen la f inanciación por partedel Ministerio de Ciencia e Innovación y el FEDERen el marco de los proyectos CTM2006-11767/TEC-NO y CLG2006-11242-C03/BTE. Así mismo, al Ins-tituto Geográfico Nacional por su apoyo y por facili-tar los datos necesarios para realizar este trabajo.

T. Hermosilla et al.

92 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 89-93

R2 = 0,9594

0

5.000

10.000

15.000

20.000

25.000

30.000

35.000

40.000

45.000

50.000

0

Área detectada (m2)

Área

de

refe

renc

ia (m

2 )

05.00010.000

15.00020.000

25.00030.000

35.00040.000

45.00050.000

Figura 1. Relación entre las superficies edificadas de re-ferencia y las estimadas automáticamente. Ecuación dela recta y = 0,8256x – 481,79.

R2 = 0,7493

0

10

20

30

40

50

60

0 10 20 30 40 50 60

Área detectada (%)

Área

de

refe

renc

ia (%

)

Figura 2. Relación entre los porcentajes de superficie edi-ficada dentro del polígono y el estimado automáticamen-te. Ecuación de la recta y = 0,6999x + 1,8331.

REFERENCIAS

HERMOSILLA, T. & RUIZ, L. A. 2009. Detecciónautomática de edificios combinando imágenes desatélite y datos lidar. Semana Geomática, 2-4 fe-brero 2009. Barcelona.

HERMOSILLA, T., RUIZ, L. A., FERNÁNDEZ-SA-RRÍA, A. & RECIO, J. A. 2008. Detección auto-mática de edificios en imágenes aéreas mediantetécnicas de teledetección y análisis contextual.Congreso Internacional sobre Ingeniería Geomá-tica y Topográfica, TOP-CART 2008. Febrero 2008,Valencia.

INSTITUTO GEOGRÁFICO NACIONAL 2007. Sis-tema de información de ocupación del suelo en Es-paña. Manual de Fotointerpretación. versión 1.2.

IRVIN, R. B. & MCKEOWN, D. M. Jr. 1989. Methodsfor exploiting the relationship between buildingsand their shadows in aerial imagery, IEEE Trans-actions on Systems, Man, and Cybernetics, 19:1564-1575.

KIM, T. & MULLER, J. 1999. Development of agraph based approach for building detection. Ima-ge and Vision Computing, 17: 3-14.

KOKUBU, K., KOHIYAMA, M., UMEMURA F. &YAMAZAKI, F. 2001. Automatic Detection ofBuilding Properties from Aerial Photographs UsingColor and 3D Configuration. 22nd Asian Confe-rence on Remote Sensing, Singapore.

LIN, C. & NEVATIA, R. 1998. Building detec-tion and description from a single intensity image.Computer Vision and Image Understanding, 72:101-121.

LIU, Z. J., WANG, J. & LIU, W. P. 2005. Building ex-traction from high resolution imagery based onmulti-scale object oriented classification and pro-babilistic Hough transform. Proceedings of Inter-national Geoscience and Remote Sensing Sympo-sium, 4: 2250- 2253.

ROTTENSTEINER, F., TRINDER, J., CLODE, S. &KUBIC, K. 2003. Building dectection using LI-DAR data and multispectral images. Proceedingsof DICTA, Sydney, Australia. pp. 673-682.

TEO, T. A. & CHEN, L. C. 2004. Object-based buil-ding detection from LiDAR data and high resolu-tion satellite imagery, Proceedings of the 25th AsianConference on Remote Sensing. Chiang Mai, Thai-land. 22-26 November.

VÖGTLE, T. & STEINLE, E. 2000. 3D modelling ofbuildings using laser scanning and spectral in-formation. International Archives of Photogram-metry and Remote Sensing, XXXIII, Part B3, pp. 927-934.

WEI, Y., ZHAO, Z. & SONG, J. 2004. Urban buildingextraction from high-resolution satellite panchro-matic image using clustering and edge detection.Geoscience and Remote Sensing Symposium, 3:2008-2010.

Detección automática de edificios mediante imágenes de alta resolución y datos Lidar para la actualización...

Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 89-93 93

Figura 3. Ejemplos de edificios detectados.