UNIVERSIDAD DE ALCALÁ

Transcripción

1 UNIVERSIDAD DE ALCALÁ FACULTAD DE CIENCIAS DEPARTAMENTO DE MATEMÁTICAS Tesis Doctoral EXTRACCIÓN AUTOMÁTICA DE ENTIDADES CARTOGRÁFICAS LINEALES EN ZONAS RURALES O SEMIURBANAS A PARTIR DE IMÁGENES SATÉLITE EN COLOR DE ALTA RESOLUCIÓN Juan Bta. Mena Berrios Alcalá de Henares, Diciembre de 2003

2 UNIVERSIDAD DE ALCALÁ FACULTAD DE CIENCIAS DEPARTAMENTO DE MATEMÁTICAS Tesis Doctoral Presentada por: D. Juan Bta. Mena Berrios Para obtener el título de: Doctor en Ciencias por la Universidad de Alcalá (Programa Matemáticas y Física) EXTRACCIÓN AUTOMÁTICA DE ENTIDADES CARTOGRÁFICAS LINEALES EN ZONAS RURALES O SEMIURBANAS A PARTIR DE IMÁGENES SATÉLITE EN COLOR DE ALTA RESOLUCIÓN Director: Dr. D. José Antonio Malpica Velasco Profesor Titular de Universidad Área de Ingeniería en Geodesia y Cartografía Alcalá de Henares, Diciembre de 2003

3 Después de tres días le encontraron en el templo, sentado entre los doctores, escuchándolos y haciéndoles preguntas; y todos los que le oían se pasmaban de su inteligencia y de sus respuestas. Lucas, 2, 46 47

4 Agradecimientos Al Dr. D. José Antonio Malpica Velasco, del Departamento de Matemáticas de la Universidad de Alcalá (Geodesia y Cartografía), por la sabia dirección de esta tesis que se ha traducido en un apoyo y ayuda inestimables en su elaboración desde el primero al último día. Mi más sincero agradecimiento y un fuerte abrazo de todo corazón.... A la Escuela de Geodesia y Topografía del Ejército donde recibí mi primera formación en las Ciencias de Geodesia, Fotogrametría y Cartografía Digital, y siempre seguí aprendiendo.... Al Servicio Geográfico del Ejército, que me ha permitido consolidar los conocimientos adquiridos durante años, prestándome el apoyo constante de todos sus Departamentos y Dependencias.... Al Real Observatorio de la Armada, por sus inestimables atenciones conmigo y por lo mucho que he aprendido de su buen hacer y de su elevado nivel científico.... Al Departamento de Matemáticas de la Universidad de Alcalá, por confiarme la tarea de profesor asociado, lo que ha impulsado muy directamente el llevar a buen término este trabajo.... Al Coronel de Artillería, Geodesta Militar, D. Valentín Oreja Pedraza, que fue Director de la Escuela de Geodesia siendo yo alumno, por la inmerecida valoración que siempre tuvo hacia mí.... Al Coronel de Artillería, Geodesta Militar, D. Héctor Sanchís Cortina, que durante su época de Mando del Servicio Geográfico apoyó de forma singular y notablemente intensa el reconocimiento civil tanto de la formación de los Geodestas como de las labores de alta calidad técnica del Servicio. En particular él fue quien me aportó la idea de abordar el reto de una tesis doctoral.... Al Coronel de Artillería, Geodesta Militar, E.M., D. Angel Pontijas Deus, actual Jefe del Centro Geográfico del Ejército, por su apoyo y valoración de mi trabajo. Al Dr. D. Juan Llovet Verdugo, Director del Dpto. de Matemáticas de esta Universidad, por su ánimo constante y confianza en mí. A la Dra. Dª. Mª Concepción Alonso Rodríguez, Subdirectora del Dpto. de Matemáticas de esta Universidad, por sus siempre claros y sinceros consejos.... Al Dr. Helmut Mayer, Chair for Photogrammetry and Remote Sensing de la Universidad Técnica de Munich (Alemania), por su aprobación a este trabajo otorgada durante su visita a la Escuela Politécnica de nuestra Universidad.... Al Dr. Enmanuel Baltsavias, del Instituto de Geodesia y Fotogrametría de Zurich (Suiza), por las mismas razones expuestas en el caso anterior. Y también a todos aquellos que han colaborado de un modo u otro en la realización de esta tarea.... Finalmente un agradecimiento muy especial a mi maravillosa mujer y a mis hijos, por el tiempo que sin duda he dejado de dedicarles con motivo de las grandes exigencias que siempre lleva asociadas una tesis doctoral.

5 Índice de materias. 1. Introducción Objetivos e hipótesis Proceso de extracción automática Exposición de la memoria en líneas generales 9 2. Estudio bibliográfico 2.1. Visión artificial y reconocimiento de patrones Actualización del SIG. Extracción de objetos cartográficos Actualización del SIG. Extracción de carreteras Clasificación de los métodos de extracción Esquema resumen de los principales equipos Revisión del conocimiento. Introducción Estudios generales en extracción y reconstrucción de redes Estudios particulares según la técnica de extracción Estudios de investigación parcial en el flujo de extracción El sistema de extracción (i): Descripción general 3.1. Motivo y fundamento Sistema de extracción de entidades cartográficas Información inicial. Preproceso de la imagen Detección de la red en el bajo nivel: Segmentación Geometría y topología en el medio nivel: Vectorización Evaluación, formación y registro en el alto nivel Esquema conjunto del procedimiento El sistema de extracción (ii): Módulo de segmentación 4.1. Introducción Procedimiento de segmentación automática Generalidades: La técnica APT Los sistemas RGB y HSV Imagen guía ejemplo del proceso Clasificador de Mahalanobis Detección intermedia Análisis de la textura conjunta Fusión de evidencia. Plausibilidad Estudio comparativo de los resultados Otros resultados obtenidos Estudio comparativo con otros procedimientos Mejoras del sistema y líneas de estudio en el bajo nivel Adición de capas adicionales. El KL y la SVD Depuración en plausibilidad. Análisis entrópico de bordes Conclusiones 73

6 5. El sistema de extracción (iii): Módulo de vectorización 5.1. Introducción Proceso de vectorización automática Generalidades. El método en conjunto Limpieza de la imagen a vectorizar Establecimiento y suavizado del borde Detección primaria del esqueleto. Distancia de Chamfer Detección complementaria. Triangulación de Delaunay Generación del grafo de objetos lineales Ajuste geométrico Ajuste topológico Análisis de resultados Otros resultados obtenidos Discusión de los resultados Mejoras del sistema y líneas de estudio en el medio nivel Conclusiones El sistema de extracción (iv): Módulo de evaluación y propuestas en el alto nivel 6.1. Evaluación del sistema de extracción Evaluación global por el método propuesto en nuestro sistema Evaluación en detalle por el método del Dr. C. Wiedemann Discusión de los resultados obtenidos por ambos métodos Formación de las entidades cartográficas en el alto nivel Línea de estudio para la formación de entidades en el alto nivel Transformación espacial de las entidades cartográficas Almacenamiento en el SIG de las entidades cartográficas Perspectivas y conclusiones 7.1. Perspectivas Crítica constructiva del sistema a grandes rasgos Posibles mejoras y perfeccionamiento del sistema Conclusiones Referencias básicas en el diseño del sistema Principales métodos y rasgos originales del sistema Conclusiones finales Anexos Anexo I. Referencias bibliográficas 174 Anexo II. Ejemplo de cálculo de la SVD 192 Anexo III. Estructura linestring-3d en formato DGN 193 Anexo IV. Lista de publicaciones y estudios 194 Anexo V. Relación de cuadros, tablas y figuras 197 Anexo VI. Siglas y términos utilizados 200

7 1 Introducción. El rápido avance de la tecnología ha hecho crecer de forma espectacular, tanto el número y calidad de los sensores a bordo de los satélites, como el grado de sofisticación en los medios informáticos. Como consecuencia, el volumen de datos disponible en el ámbito geográfico, así como la precisión de éstos, abren un mundo de posibilidades hasta hace poco tiempo insospechadas. En el campo de la Geodesia, las nuevas técnicas cartográficas, fotogramétricas y geodésicas propiamente dichas, han permitido eliminar la mayor parte de los trabajos de campo con el consiguiente abaratamiento de los productos que les son característicos. Este importante ahorro económico ha provocado que se pongan casi al alcance de cualquiera, medios y sistemas hasta ahora reservados a determinados centros u organismos. Sin embargo, el incremento de las posibilidades que se ofrecen lleva un sinnúmero de problemas asociados ante la perspectiva de automatizar procesos cada vez más alejados de la máquina y más próximos al razonamiento del ser humano. Se hace pues, no ya necesaria, sino imprescindible, una extensa labor de investigación que combine el diseño de software inteligente con el profundo conocimiento de los fundamentos y técnicas de las Ciencias de la Tierra en general y de la Geodesia en particular. Este parece ser el camino más idóneo para encauzar nuestros estudios. Centrándonos en el terreno de la Cartografía Digital, la permanente actualización de los datos residentes en el Sistema de Información Geográfica (SIG) es una tarea sin fin de cuya eficacia depende la calidad de la cartografía resultante. Esta obligación continua se ve enormemente facilitada por el auxilio que prestan la Fotogrametría y la Teledetección [GIGER 01 y SCHENK 02 (b)], si bien existen aún muchos cabos sueltos que deben ser solventados manualmente por los operadores. Entre ellos figura principalmente la correcta incorporación a las bases de datos del SIG [CALVO 93] de los objetos y entidades cartográficas mediante los cuales se simbolizan los distintos elementos del terreno representados en las imágenes. Y aunque existen programas en el mercado diseñados para ayudar al operador en esta tarea, al día de hoy todos ellos son interactivos en mayor o menor grado, no encontrándose ninguno que logre automatizar el proceso por completo. La actualización de las bases de datos del SIG se realiza normalmente extrayendo de forma manual los distintos objetos cartográficos a partir de pares estereoscópicos de imágenes en un restituidor, ya sea éste analógico, analítico o digital [MENA 92]. Ello permite obtener simultáneamente para cada objeto tanto la planimetría, en proyección cartográfica sobre el elipsoide del sistema geodésico de referencia, como la correspondiente altimetría referida comúnmente al geoide [MENA 00]. También es frecuente, sobre todo cuando se tratan de actualizar elementos lineales, el levantamiento de los mismos directamente sobre el terreno mediante GPS [TOTH 02] y su posterior incorporación al SIG tras un proceso de cálculo y depuración que incluye, en su caso, el cambio de sistema geodésico de referencia [MENA 94]. No obstante, la necesidad creciente de extraer información cartográfica a partir de una única imagen, aérea o satélite, y de hacerlo del modo más automático posible, ha promovido tal inquietud en la comunidad científica que son muchos los relacionados actualmente con la investigación de métodos orientados a conseguir este objetivo; los cuales, entre otros, podemos encontrar en [ROSENFELD 00], [SOWMYA 00], [BALTSAVIAS 01] y [CHENG 01]. En estos casos, así como en aquellos donde la información se extrae considerando las bases de datos del SIG, e incluso otros tipos de documentación [MAYER 94 y YIN 01], los datos 2D deben complementarse con la tercera dimensión, la cual se obtiene del Modelo Digital del Terreno (MDT) o Modelo Digital de Superficie (MDS), si se dispone de él, o bien es introducida aparte cuando se trata de elementos puntuales o lineales de cota constante. Capítulo 1: Introducción. Pág. 1

8 Suponiendo la existencia de una sola imagen, bien aérea o de satélite, la incorporación de datos al SIG exige realizar una serie de operaciones sucesivas que, si bien pueden desarrollarse por métodos distintos, básicamente pueden resumirse en la forma siguiente: Primero será necesario rectificar la imagen y referenciarla conforme al sistema geodésico implantado en el SIG; se consigue así la ortoimagen correspondiente. En segundo lugar el operador deberá efectuar una clasificación de los distintos elementos reales presentes en la imagen, auxiliándose de la información del contexto y de la ya incluida en base de datos, procediendo a la extracción de los mismos en la forma más exacta posible dentro de las distintas clases y tipos. El tercer paso, solapado con el anterior, consiste en determinar la definición geométrica de cada elemento, así como sus relaciones topológicas con los elementos del entorno. La tarea siguiente será la asignación de los atributos y propiedades mediante el enlace de la geometría con los datos y tablas residentes en la Base de Datos Alfanumérica (BDA). Y finalmente, en una quinta etapa se validará la información obtenida, procediéndose al almacenamiento en la Base de Datos Cartográfica (BDC) de la geometría ya depurada y enlazada con las propiedades alfanuméricas que lleven asociados las ya denominadas entidades cartográficas. Esquemáticamente y a grandes rasgos, el mencionado flujo de trabajo para resolver el problema de actualización puede representarse así: 1. Rectificado y referenciación de la imagen. 2. Clasificación y extracción de elementos. 3. Definición geométrica y topológica. 4. Asignación de atributos y propiedades. 5. Validación y almacenamiento de entidades en el SIG. Si se analiza grosso modo el software de apoyo que existe en este campo, veremos que no es posible dar con alguno que permita prescindir del operador. Es más, el trabajo manual de éste es decisivo para la obtención de buenos resultados, y con frecuencia bastante más voluminoso que el resuelto automáticamente. Además es curioso observar cómo el citado software se limita a proporcionar solución en aquellos problemas parciales que la matemática clásica es capaz de solventar sin incertidumbre, aumentándose el grado de interactividad con el operador a medida que las tareas a resolver se aproximan al razonamiento humano alejándose de la monotonía reiterativa característica de la máquina. Prueba de ello la encontramos cuando se compara el grado de intervención del operador en las distintas etapas de trabajo que se han expuesto. Así, mientras que éste es mínimo en el punto 1, prácticamente es total en las tareas 4 y 5, siendo por ahora muy alto en los puntos 2 y 3 dependiendo del software en cuestión. Lo dicho en el párrafo anterior significa que la tecnología aún se encuentra muy lejos de resolver el problema de la actualización de datos cartográficos por sí sola; ni siquiera es capaz, y es posible que no lo sea en mucho tiempo, de minimizar con garantías el trabajo manual de los operadores. De hecho, como se desprende del estado actual de la investigación en análisis de imágenes y visión artificial [ROSENFELD 00] y se confirma por los métodos recientes donde la extracción es semiautomática [BAUMGARTNER 02 y ZHAO 02], resulta que aquello que parecía iba a constituir una labor sencilla, puede que no llegue a conseguirse nunca. En consecuencia, y sin necesidad de perder la esperanza en los futuros avances, lo cierto es que la producción completamente automatizada de cartografía a partir de imágenes aéreas o satélite sigue siendo en la actualidad una utopía Objetivos e hipótesis. Tras lo ya indicado sería incongruente afirmar que el procedimiento que aquí se propone para la actualización de datos en el SIG, va a permitir eliminar por completo la intervención de los operadores. Sin embargo, confiando en la certeza del refrán que dice siguiendo el hilo se llega al ovillo, es de lógica pensar que más vale dar un pequeño paso en la línea de trabajo marcada, que intentar abordar el problema de forma global, tratando inútilmente de solucionar en un solo estudio el sinfín de posibilidades y casos particulares que se pueden presentar. Por tanto, si restringimos el problema para unos tipos muy determinados de imágenes y entidades cartográficas, incrementaremos las probabilidades de Capítulo 1: Introducción. Pág. 2

9 lograr buenos resultados, aportando con ello a la comunidad científica un pequeño avance en el propósito establecido. Para decidir el tipo de imágenes a tratar nos apoyaremos en la gran variedad de aplicaciones que hoy en día tienen los sistemas de información geográfica. Ello implica la existencia de múltiples valores en la escala máxima de almacenamiento de la información en las correspondientes bases de datos geométricas. En consecuencia, y puesto que siempre es posible la generalización de los datos al objeto de representarlos en escalas menores, resulta evidente el incremento del abanico de posibilidades en las aplicaciones de extracción automática a medida que aumenta la resolución de las imágenes sobre las que aquellas se diseñan. Por tanto, y si consideramos el progresivo abaratamiento de imágenes satélite tipo HELIOS, IKONOS o QUICK BIRD, donde la resolución es del orden de unos pocos metros (en torno al metro para la banda monocromática), parece más lógico desarrollar las labores de investigación sobre este tipo de información que sobre la procedente de otros satélites más antiguos como la serie LANDSAT o SPOT. Asimismo también será conveniente el tratamiento de imágenes aéreas (de resolución submétrica en muchos casos), si bien en éstas el coste resulta más elevado que el correspondiente a las tomas de satélite. Por otra parte, la información multiespectral que algunos satélites pasivos son capaces de proporcionar en sus imágenes, junto con la técnica activa radar (Synthetic Aperture Radar - SAR), hacen que el conjunto de bandas disponibles para la imagen de una misma zona del terreno sea en ocasiones superabundante. Y si bien es cierto que existen métodos de fusión [HALL 92] para tratar este volumen de información y reducirlo de la forma más apropiada a cada caso [FORD 98 y HELLWICH 01], ha de considerarse que no siempre se tiene acceso a dicha cantidad de datos. Lo que sí es frecuente, y cada vez más, es la posibilidad de adquirir las tres bandas color RGB de imágenes con un alto grado de resolución. En consecuencia, si se atiende sólo a dichas bandas como dato de entrada, incluyendo si acaso como banda adicional la monocromática, cualquier procedimiento mediante el cual se consiga algún progreso en la automatización del problema no tiene porqué interferir con otros métodos apoyados en una mayor cantidad de información de partida. Con respecto al tipo de entidades cartográficas que se pretenden extraer, la elección de entidades lineales como son las vías de comunicación, carreteras en particular, puede justificarse de dos formas. En primer lugar las características topológicas y morfológicas de tales vías, por las cuales estos elementos se organizan en redes, posibilitan la descomposición de una imagen en regiones; ello facilita enormemente la restitución fotogramétrica en los aparatos analógicos y analíticos (donde existe intervención manual del operador), no sólo de las propias carreteras, sino también de muchos otros objetos cartográficos. Por otro lado, las vías de comunicación aparecen intuitivamente como objetos simples e inmediatamente identificables en la imagen o el mapa, lo que las convierte en una valiosa herramienta para el análisis global de la imagen. En consecuencia el automatismo en su extracción parece ser una tarea de gran importancia de cara a futuros trabajos dentro del marco general del reconocimiento de patrones en Cartografía Digital. Otro punto de interés en los límites a imponer a los datos de entrada reside en las características de la zona de terreno abarcada por la imagen. Así, en los medios urbanos el número de objetos potencialmente presentes es mucho más elevado que en zonas rurales o semiurbanas. Ello, unido a que cada objeto requiere de un procedimiento de reconocimiento particular, hace que la interpretación y extracción en cascos urbanos se torne en extremo compleja. Por esta razón restringiremos, al menos por el momento, el diseño del método que se presenta a zonas de naturaleza rural o semiurbana. Con las mencionadas especificaciones como hipótesis inicial de nuestro trabajo, el objetivo general que se pretende lograr se concreta pues en: Conseguir, al mayor grado posible de automatización, la extracción y definición de vías de comunicación (carreteras) en zonas rurales o semiurbanas, a partir de las tres bandas color de imágenes aéreas o satélite de alta resolución, con la finalidad de actualizar la capa vectorial del SIG. Capítulo 1: Introducción. Pág. 3

10 Para conseguir este objetivo nos planteamos desarrollar un procedimiento novedoso cuyo título se enuncia como sigue: EXTRACCIÓN AUTOMÁTICA DE ENTIDADES CARTOGRÁFICAS LINEALES EN ZONAS RURA- LES O SEMIURBANAS A PARTIR DE IMÁGENES SATÉLITE EN COLOR DE ALTA RESOLUCIÓN. Esta pretensión merece de las aclaraciones que a continuación se indican, las cuales se exponen a modo de objetivos e hipótesis específicas que resumen lo dicho en los párrafos anteriores: * EXTRACCIÓN AUTOMÁTICA: Puesto que el calificativo automático indica la carencia total de intervención humana en el proceso correspondiente, el estudio que se propone permitirá la extracción de objetos de una imagen de forma íntegramente gobernada por los algoritmos a diseñar. Ello no implica que los resultados hayan de ser idóneos bajo cualquier circunstancia, pero sí ha de obtenerse una respuesta adecuada en un porcentaje razonable de los casos, cuando se aplique el proceso dentro de unas hipótesis concretas respecto a los datos de entrada. * ENTIDADES CARTOGRÁFICAS LINEALES: Los objetos a extraer de las imágenes serán entidades cartográficas de naturaleza lineal, en particular vías de comunicación (carreteras). No se tratará, por tanto, el estudio de objetos superficiales como áreas de vegetación, edificaciones, etc. Y si bien el proceso pudiera extenderse a otros tipos de entidades lineales como son los ríos, canales o vías férreas, dicha extensión conllevaría la modificación de algunos puntos en el desarrollo del trabajo, por lo cual el objetivo se centra específicamente en la extracción y definición vectorial de las mencionadas vías de comunicación al objeto de actualizar la base de datos de un Sistema de Información Geográfica. Tal actualización atañe básicamente a la geometría y topología de las entidades, y se realizará independientemente de la resolución elegida para el almacenamiento de los objetos ya que la definición de éstos se pretende hacer mediante el ajuste polinómico de grado variable de los correspondientes ejes centrales extraídos. * ZONAS RURALES O SEMIURBANAS: Dada la naturaleza del proceso que se diseñará para la extracción, las imágenes a tratar se reducen a aquellas zonas no pertenecientes a casco urbano. Se suponen por tanto áreas rurales o, como mucho, zonas residenciales anexas al casco urbano donde no existen edificaciones de mucha altura y donde puede evaluarse sin dificultad la textura [CROSS 83 y GAGALOWICZ 87] sobre las vías de comunicación. * IMÁGENES SATÉLITE EN COLOR: Aunque el proceso también es aplicable en imágenes aéreas sin variación alguna, se elige partir de imágenes satélite dado que en un futuro ya muy próximo resultarán más económicas que las capturadas con cámara aérea, estando caracterizadas por propiedades de igual o mayor interés que estas últimas. Por otra parte las imágenes han de ser en color, ya que solamente se requieren las bandas RGB de una única imagen para la ejecución del proceso que se propone. En consecuencia se omite el estudio hiperespectral de la imagen, así como la detección radar puesto que, si bien estos tipos de sensor pudieran mejorar los resultados del método, se pretende construir un procedimiento sencillo que rinda salidas aceptables a partir de un mínimo de requerimientos de entrada y que esté al alcance de cualquier usuario. Por esta misma razón se prescinde de la estereoscopía y del estudio multitemporal de la imagen. * ALTA RESOLUCIÓN: En cuanto a resolución se refiere, el método exige que las vías de comunicación se muestren en la imagen con un ancho apreciable, de forma que se puedan evaluar las relaciones estadísticas existentes entre los pixeles que representan el piso de las mismas, normalmente asfalto. No se tratarán por tanto imágenes tipo LANDSAT o SPOT, y sí imágenes IKONOS o QUICK BIRD cuya resolución ronda el metro. Además, y como ya se dijo, también tendrán cabida imágenes aéreas de resolución similar. Capítulo 1: Introducción. Pág. 4

11 * Situación del método de extracción en el marco general a que pertenece. Seguidamente se expone mediante un gráfico la situación concreta del proceso a estudiar dentro del entorno general Visión Artificial y Reconocimiento de Patrones, acompañado de otras aplicaciones paralelas en cuyo desarrollo se encuentra actualmente ocupada una parte de la comunidad científica internacional. Cuadro 1.1. VISIÓN ARTIFICIAL Y RECONOCIMIENTO DE PATRONES TELEDETECCIÓN Medicina, Biología, Robótica, etc. AÉREA SATÉLITE CARTOGRAFÍA DIGITAL SIG / GIS Atmósfera, Suelos, Temperaturas, Agricultura, Geología, Oceanografía, etc. CARTOGRAFÍA MATEMÁTICA Cartografía temática y otros productos EXTRACCIÓN DE OBJETOS CARTOGRÁFICOS MDT MDS Radar Pendientes, Transitabilidad, Hidrografía, Vegetación, etc. EXTRACCIÓN DE VÍAS DE COMUNICACIÓN (Carreteras) Extracción de edificios, vegetación, ríos, obras de fábrica, etc. UNA SOLA IMAGEN Varias imágenes Estereoscopía Multitemporal ALTA RESOLUCIÓN IKONOS, QUICK BIRD, AÉREA Media y Baja resolución Landsat, Spot, Otros ZONA RURAL O SEMIURBANA Casco urbano Color RGB Monocromática... HYDICE Entorno general del proceso de extracción automática. Capítulo 1: Introducción. Pág. 5

12 1.2. Proceso de extracción automática. En palabras de Hadamard, según se indica en [RUSKONÉ 96], un problema está bien planteado cuando es continuamente dependiente de los datos de entrada y posee una solución única. El análisis de imágenes en general y la extracción automática de objetos en particular no son problemas que satisfagan tales criterios. De hecho cuando se analiza manualmente una imagen por dos fotointérpretes distintos es común obtener resultados discrepantes, aún suponiendo un mismo grado de experiencia en ambos individuos. La extracción automática a partir de imágenes es consecuentemente un problema que los investigadores denominan como ill pose ; calificación inglesa que hace referencia a la falta de especificación, exactitud y determinación en la definición y resolución del problema. Nos encontramos por tanto ante la perspectiva de no tener claramente expuesto el objetivo global que a largo plazo se persigue, y no digamos ya los objetivos más puntuales a lograr en el medio y corto plazo. El tipo de problema al que nos enfrentamos requiere para su tratamiento reducir el espacio de posibles soluciones subdividiendo la cuestión general en problemas de menor envergadura. Asimismo se hace necesario proporcionar, en la mayor medida posible, conocimiento adicional a la información contenida en la imagen. Ambos aspectos, como se verá en el capítulo siguiente, son característicos de los trabajos que la comunidad científica se encuentra realizando en este campo, existiendo estudios sobre diferentes métodos encaminados a conseguir la mayor automatización posible en extracción de edificaciones, vegetación, vías de comunicación, hidrografía, etc... Sin embargo parece que no existe una línea de trabajo a nivel global que aglutine y dirija hacia un punto común los múltiples ensayos e investigaciones que se realizan. De hecho, salvo algunos artículos donde se trata la necesidad de una coordinación de esfuerzos [MEES 95], y los estándares (STANAG) utilizados por los ejércitos de la OTAN [OHLHOF 00], no se han encontrado en la literatura otras normas concretas referentes a los tipos de imágenes, bandas a tratar, escala de trabajo, o cualquier otra hipótesis cuyo propósito sea orientar las distintas labores en una misma dirección. Lo dicho en el párrafo anterior tal vez esté causado por los resultados siempre mejorables que los actuales estudios proporcionan, no existiendo método alguno que logre la completa automatización bajo cualquier elección de la información de entrada y requerimientos de salida. Por ello se hace necesaria una severa matización del problema que a nuestro entender se pretende resolver, así como una exhaustiva limitación en la entrada / salida, tal y como se ha indicado, al objeto de conseguir resultados interesantes. Nos proponemos pues colaborar con un nuevo algoritmo en aquello que sí parece estar de acuerdo la comunidad científica, y que por el momento consiste en la reducción del trabajo manual de los operadores analistas de imágenes en alguna de sus labores parciales. Para conseguir nuestro objetivo, y en lo que respecta a la información de entrada y salida, el método que aquí se presenta está caracterizado por su estructuración en módulos o fases sucesivas que van desde el bajo al alto nivel de conocimiento requerido por la máquina. El estudio a bajo nivel se hace necesario dado que la mayor parte de las carreteras representadas en las imágenes pueden ser extraídas mediante criterios propios de dicho nivel como son la radiometría, la textura o la forma geométrica. Sin embargo, como lo que se pretende es la actualización de la base de datos del SIG, no podemos conformarnos con un resultado identificado por el computador como un mero conjunto de pixeles carente de información geométrica y topológica de conjunto. En consecuencia a continuación deberemos aplicar algún proceso de nivel medio con el propósito de establecer los distintos objetos lineales que, definidos por sus ejes centrales, constituyen la red extraída. Aún así, y por muy exacta que pudiera resultar la definición geométrica de los distintos objetos y las relaciones entre ellos, la dependencia de la red de vías de comunicación con otras entidades cartográficas como son ríos, edificaciones, etc..., es de vital importancia para conseguir la integración en la BDC de la salida vectorial obtenida. Dicha integración no es posible de lograr sin proporcionar a la máquina un conocimiento del entorno similar al que posee el operador cuando extrae manualmente los distintos objetos. Existe pues la necesidad de tratar los datos geométricos y topológicos resultantes de la fase anterior mediante un aporte de conocimiento de alto nivel que resuelva conflictos, incertidumbres y otros casos problemáticos. Capítulo 1: Introducción. Pág. 6

13 El proceso indicado, que representamos en el esquema del cuadro 1.2, parece en un principio que debería ser capaz de rendir automáticamente los resultados deseados. Sin embargo, el gran número de casos particulares que se presentan hace que esto no sea así. Además hay que tener en cuenta que no sólo son la geometría y topología de los elementos los datos suficientes para definir completamente las entidades cartográficas. Aunque de hecho constituyen una información necesaria, ésta debe ser complementada con una serie de atributos y propiedades adicionales, como es la simbología, que residen en la base de datos alfanumérica del SIG y que no pueden extraerse de la imagen por no figurar en ella. Por consiguiente la completa automatización del proceso de extracción de entidades cartográficas requiere de una retroalimentación de los datos de salida complementada con información de alto nivel, más algún procedimiento adicional que sea capaz de añadir los atributos y propiedades correspondientes en cada caso. Y si bien tal retroalimentación parece factible de conseguirse mediante el gobierno de un Sistema Basado en el Conocimiento (SBC), redes neuronales o reglas y redes semánticas [MARR 82], el añadido completamente automático a la geometría (BDC) de los atributos y propiedades de los elementos (BDA) es hoy por hoy utópico. Cuadro 1.2. IMAGEN DE ENTRADA PREPROCESO EXTRACCIÓN A BAJO NIVEL (SEGMENTACIÓN) SBC DEFINICIÓN GEOMÉTRICA Y TOPOLÓGICA A NIVEL MEDIO (VECTORIZACIÓN) INFORMACIÓN RESIDENTE EN EL SIG EVALUACIÓN DE RESULTADOS EN EL ALTO NIVEL ACTUALIZACIÓN BDC ENLACE GEOMETRÍA Y ATRIBUTOS ACTUALIZACIÓN BDA Flujo del proceso teórico de extracción automática. Capítulo 1: Introducción. Pág. 7

14 El proceso teórico que se ha presentado supera los propósitos de nuestro sistema dada la enorme complejidad (y pudiera ser que imposibilidad) asociada a la implementación automática de alguna de las tareas parciales. Por ello nos limitaremos a proporcionar un método original para obtener resultados razonables en el bajo y medio nivel, que incluya ideas concretas para el tratamiento de la información en el alto nivel y que permita rebajar los tiempos de trabajo manual de los operadores. En el cuadro 1.3 se expone el algoritmo general correspondiente cuyo detalle se desarrolla a partir del capítulo tercero. En dicho cuadro se representan con línea gruesa aquellos procesos para cuya resolución se aportan algoritmos y propuestas en este trabajo; en línea delgada se establecen aquellas otras relaciones del flujo global tales que su implementación requiere de posteriores estudios e investigación por encontrarse lejos de resolverse al día de hoy. Cuadro 1.3. IMAGEN DE ENTRADA PREPROCESO EXTRACCIÓN A BAJO NIVEL (SEGMENTACIÓN) SBC DEFINICIÓN GEOMÉTRICA Y TOPOLÓGICA A NIVEL MEDIO (VECTORIZACIÓN) INFORMACIÓN RESIDENTE EN EL SIG EVALUACIÓN GLOBAL DE RESULTADOS FORMACIÓN DE ENTIDADES CARTOGRÁFICAS EN EL ALTO NIVEL MDT BDC ACTUALIZACIÓN SIG BDA SBC Flujo del proceso específico de extracción automática. Capítulo 1: Introducción. Pág. 8

15 1.3. Exposición de la memoria en líneas generales. La presente memoria se organiza en ocho capítulos o bloques principales, siguiendo una estructura y metodología inspirada en la correspondiente de [RUSKONÉ 96] donde se trata un problema análogo al aquí considerado. Tras esta introducción se realiza un estudio bibliográfico, o revisión de conocimientos, no exclusivo de los actuales estudios en extracción automática de carreteras, sino enmarcado en el amplio espacio de la Cartografía Digital y los Sistemas de Información Geográfica. Aquí se expondrán los diferentes equipos de trabajo de más relevancia en este campo, así como las publicaciones más importantes realizadas hasta el momento que sirven de referencia para la implementación del algoritmo presentado en nuestro sistema. En el capítulo tercero se aborda la descripción general del procedimiento a modo de resumen en bloques de sus diferentes módulos o fases, los cuales se desarrollan en detalle respectivamente en los capítulos cuatro, cinco y seis. En éstos se tratan los algoritmos correspondientes a los procesos parciales y sucesivos de segmentación, vectorización y evaluación, presentando sobre una imagen guía y ejemplo los resultados alcanzados en cada fase, así como las propuestas para la formación y almacenamiento en el SIG de las entidades cartográficas en el alto nivel. En definitiva se trata de mostrar, apoyándonos en trabajos ya realizados, la arquitectura, viabilidad y consistencia de un método original cuyas etapas, a bajo, medio y alto nivel, conducen sucesivamente a alcanzar los objetivos prefijados. En cada uno de los módulos principales se incluye un apartado donde se proponen líneas de investigación a seguir en el respectivo nivel de conocimiento, así como también una exposición de resultados sobre un conjunto de imágenes. Dichos resultados servirán para la evaluación aislada de cada fase independientemente de las restantes. No obstante, y aparte de ello, en el capítulo seis se evalúa el sistema en su conjunto a través de dos procedimientos diferentes al objeto de obtener, tanto un porcentaje indicador de la bondad de los resultados globales, como los valores de un conjunto de parámetros que expresan la eficacia del método en sus distintos aspectos. El capítulo siete refleja las perspectivas y conclusiones referentes al diseño y aplicación del sistema. Y finalmente, en un octavo capítulo se muestran distintos anexos que complementan la exposición de la memoria. Capítulo 1: Introducción. Pág. 9

16 2 Estudio bibliográfico. RESUMEN. En este capítulo se realiza una revisión del conocimiento actualmente alcanzado por la comunidad científica en lo referente a la extracción automática de objetos a partir de imágenes aéreas o de satélite. El recorrido por los distintos trabajos existentes parte del entorno general de la visión artificial y el reconocimiento de patrones, continúa con la investigación en actualización del SIG y la extracción de objetos cartográficos, y finaliza con el análisis más detallado de los estudios que ofrece la literatura sobre extracción de entidades lineales en general y carreteras en particular. En este último punto se incluye la relación de los equipos de mayor relevancia que se dedican al tema en cuestión, así como una clasificación de los diferentes métodos que se han propuesto hasta el momento con sus correspondientes comentarios. Entre dichos métodos se referencian tanto los semiautomáticos como los dirigidos a la completa automatización, y en ambos casos los relativos al bajo, medio y alto nivel de conocimiento; por lo tanto el lector encontrará alusiones a múltiples procesos parciales en el flujo de extracción como son la segmentación, vectorización, evaluación, optimización, modelización de objetos, etc... La estructura utilizada para la exposición se apoya en el flujo representado esquemáticamente en el cuadro 1.1 del presente trabajo Visión Artificial y Reconocimiento de Patrones. Pretender relacionar aquí la totalidad de las publicaciones que en mayor o menor grado tienen puntos comunes con el tema que nos incumbe, sería ilusorio dada la gran cantidad de estudios y experimentos existentes en el marco general de Visión Artificial y Reconocimiento de Patrones. Tomando como punto de partida el conjunto de técnicas reunidas y analizadas en el texto [MARR 82], desde entonces hasta ahora son múltiples las aplicaciones que el análisis de imágenes ha promovido en las distintas ramas de la Ciencia y la Técnica. De hecho, en [ROSENFELD 00] podemos encontrar una recopilación de 1700 referencias que ya en el año 2000 mostraban distintas aplicaciones, técnicas computacionales, métodos de detección y segmentación de imágenes, estudios de la textura, etc... Anteriormente al citado artículo, y centrado en el terreno de la Fotogrametría, [FÖRSTNER 96] presenta un trabajo consistente en la crítica constructiva de los algoritmos de visión artificial, mediante el estudio en pro y contra de las diez características generales más indicativas de los mismos. De la lectura de este artículo se desprende una cierta sensación acerca de la posibilidad de que transcurra mucho tiempo antes de que se obtengan métodos de automatización efectivos al cien por cien. Más recientemente, en [PETERSEN 02] leemos una exposición de 254 referencias dedicadas al procesamiento de imágenes con el empleo de las redes neuronales [FREEMAN 91 y RIPLEY 96] como factor común. Actualmente parece ser que los investigadores han comprendido que no es posible obtener resultados óptimos trabajando únicamente a bajo nivel, sino que es necesario incluir conocimiento en los algoritmos de visión artificial, modelizando de alguna forma los distintos objetos que se pretenden detectar en las imágenes. Ejemplo de ello lo observamos en [McKEOWN 99 (b)] donde se añaden a los algoritmos de extracción chequeos automáticos para prevenir las anomalías más comunes en lo referente a la topología de objetos lineales y rasgos principales del terreno. Asimismo, en [GROWE 99] se propone la adición de conocimiento utilizando el ya contenido en el SIG, la información acerca de las proyecciones utilizadas por los sensores y los cambios que se producen en la representación de los ob- Capítulo 2: Estudio bibliográfico. Pág. 10

17 jetos en función del tiempo. En este caso, dicho conocimiento se implementa en los algoritmos mediante el establecimiento de reglas y redes semánticas [HENRY 92]. Más recientemente cabe citar a [KOENDERICK 02] cuando afirma que la imagen no es un espacio euclídeo, sino un espacio geométrico de Cayley Klein con una sola dimensión isotrópica [GOLDSTEIN 80], requiriendo para su análisis definir claramente los rasgos y características principales, así como los operadores a aplicar en cada caso. Por su parte [DUYGULU 02] presenta un modelo de reconocimiento de objetos basado en el aprendizaje de un léxico concreto para la identificación de aquéllos, que sea factible de ser traducido y comprendido por la máquina. Algo similar se propone en [AGARWAL 02], obteniendo algunos resultados, si bien en este caso el proceso de aprendizaje se aplica únicamente sobre imágenes monocromáticas. Finalmente, nombraremos a [PEDERSEN 02] donde se opta por la representación en multiescala de la imagen definiendo un proceso gaussiano que transforma la imagen con el propósito de modelizar objetos (ejes en particular) y conseguir la extracción de los mismos mediante el estudio de los valores de diversas variables estadísticas. Evidentemente los trabajos que se han nombrado constituyen una minúscula parte de los dedicados al estudio general de la visión artificial. Sin embargo todos ellos tienen algún punto de enlace con la extracción automática de entidades cartográficas; tema cuyo estado del conocimiento puede encontrarse en [BALTSAVIAS 01], y que pasamos a revisar y completar en los puntos siguientes Actualización del SIG. Extracción de objetos cartográficos. La actualización de cartas y mapas utilizando datos extraídos de imágenes es una importante aplicación en el área de la Cartografía Digital. Como es sabido, los conjuntos cartográficos son almacenados en las bases de datos (BDC y BDA) de un Sistema de Información Geográfica que permite la actualización en pantalla, hasta ahora interactiva, de los distintos objetos cuya geometría, topología, atributos y propiedades componen la carta. Dado que los mapas son representaciones abstractas del mundo real, si se pretende lograr la automatización del proceso de actualización [MAYER 99 (b)] es necesario que exista previamente una representación de los objetos cartográficos capaz de permitir la comparación y asociación entre el objeto que el ordenador observa en la imagen y el correspondiente que debe almacenar en base de datos. Esto es así en virtud de la palpable diferencia existente, en cuanto al nivel de abstracción se refiere, entre la imagen y el mapa. Por ejemplo, cuando observamos una carretera en una imagen, nuestro cerebro la detecta inmediatamente debido a las características típicas de este objeto como son la linealidad, la textura, la compartimentación que realiza de la imagen, etc. Sin embargo la mayoría de estos rasgos desaparecen cuando se considera su representación geométrica comúnmente constituida por una linestring [MENA 92] o cadena de segmentos enlazados; representación igual a la correspondiente de una curva de nivel. Es necesario, por tanto, añadir una serie de atributos que distingan la citada carretera de otros objetos lineales de similar naturaleza. Dichos atributos, normalmente asociados a códigos particulares, no podrán ser adquiridos automáticamente por el ordenador si no se le proporciona al mismo información adicional al tratamiento de la imagen a nivel pixel [BÜCKNER 02]. Volvemos así al requerimiento de complementar el análisis a bajo nivel de la imagen con el proceso a los niveles medio y alto, lo que enlaza con lo dicho en 2.1. * Estudios muy orientados a la actualización del SIG. Una idea para afrontar el problema indicado se presenta en [BRENNAN 98], donde se opta por aportar razonamiento a la máquina mediante una interpretación de la imagen guiada de continuo por la información contenida en los mapas ya residentes en el SIG. Esta adición de conocimiento, si bien no consigue la completa automatización del proceso, parece ser que disminuye en cierto grado el trabajo manual de los operadores. En esta línea de considerar como importante punto de apoyo para la actualización del SIG los datos ya contenidos en el mismo, encontramos [HEIPKE 99 (a)] y [DOUCETTE 99]. Este último propone utilizar una red neuronal definida según el aprendizaje de Kohonen [FREEMAN 91], cuyos datos iniciales referentes a pesos y topología los tomará semiautomáticamente del SIG. El logro de este trabajo, que está aplicado a la extracción de objetos lineales en la imagen hiperespectral, consiste en obtener buenas definiciones de los ejes centrales a partir de una información más o menos grosera como dato de entrada. Capítulo 2: Estudio bibliográfico. Pág. 11

18 También importante es el artículo [HEIPKE 00] por introducir un marco general para la interpretación de la imagen basado en la integración del análisis de imágenes con el modelo de datos almacenados en el SIG. Aplicado a la extracción simultánea de árboles y carreteras, realiza un estudio multitemporal de la misma zona de terreno al objeto de actualizar las bases de datos. Por su parte el trabajo [EIDENBENZ 00] nos presenta un proceso de actualización de la capa vectorial del SIG en lo referente a carreteras y edificios, que consigue precisiones de un metro en planimetría y de uno a dos metros en altitudes. Este método toma como información de entrada la contenida en el SIG en forma de reglas y modelos, interpreta la imagen valorando el color, la textura, las sombras y otros aspectos, y establece una clasificación jerárquica de los distintos objetos en grupos como paso previo a la obtención final de los resultados. Según afirma, el proceso rinde buenas salidas en un 80% de los casos. Las ideas del apoyo en modelos existentes en el SIG y en la formación de una clasificación jerarquizada de los objetos cartográficos también figuran en [STRAUB 00 (a) y (b)]. En ambos casos aplicadas a la extracción conjunta de árboles y carreteras, se hace uso mediante reglas de las relaciones existentes entre ambos tipos de objetos y de las funciones que las vías de comunicación tienen en el mundo real. Estos trabajos tienen su complemento en [STRAUB 00 (c)] donde se discute la forma de modelizar los objetos evitando en lo posible las incertidumbres, a la vez que se propone un método para evaluar los resultados de las extracciones automáticas. Aunque sólidamente apoyado en los datos residentes en el SIG, la integración de la información geoespacial preexistente con la contenida en la imagen al objeto de actualizar el Sistema, se realiza de forma distinta en [AGOURIS 98]. Aquí se asegura que el empleo del tratamiento borroso o técnica fuzzy [ZADEH 65], constituye una poderosa y óptima herramienta para particularizar a cada caso la ejecución de los variados métodos de extracción, posibilitando el flujo de información en ambos sentidos entre la imagen y las bases de datos del SIG. Y si bien no consigue la completa automatización del proceso de actualización, afirma que la técnica descrita ofrece potencial para ello. Adicionalmente, en [AGOURIS 01 (b) y (d)] se propone un esquema para la actualización del SIG basado en un modelo de extracción de objetos cartográficos que estudia la detección de cambios a través del empleo de contornos activos, más conocidos como snakes [KASS 87]. IMÁGENES SATÉLITE Cuadro 2.1. PREPROCESO DE DATOS EXTRACCIÓN DE OBJETOS CARTOGRÁFICOS CONVERSIÓN RÁSTER -VECTOR ASIGNACIÓN DE ATRIBUTOS VALIDACIÓN DE LA INFORMACIÓN ACTUALIZACIÓN DATOS VECTOR VMAP ACTUALIZADO Proceso de actualización de la información cartográfica en formato vectorial. Capítulo 2: Estudio bibliográfico. Pág. 12

19 Por ser el utilizado en muchos de los actuales sistemas militares dedicados a la elaboración y mantenimiento de Cartografía digital de extensas zonas de terreno a distintas escalas, incluido el Servicio Geográfico del Ejército (SGE) en España, es de un gran interés el flujo de trabajo para la actualización de la capa vectorial del SIG (VMAP) descrito en [OHLHOF 00]. Dicho flujo, que representamos esquemáticamente en el cuadro 2.1, no implica que se haya conseguido la automatización completa en sus distintas etapas, es más, como ya se dijo en el apartado introducción, el trabajo manual necesario supera con mucho al que se obtiene automáticamente. Sin embargo este organigrama implica un cierto acuerdo en las labores a realizar con vistas a la colaboración internacional en el tema de la automatización de la información geográfica. En el ámbito militar el acuerdo se establece en forma de normas editadas mediante los denominados STANAG, que son de obligado cumplimiento para los países de la OTAN. Dichas normas coordinan múltiples aspectos como son: el sistema geodésico de referencia (WGS-84), las escalas básicas a tratar (VMAP nivel 0: 1/ , VMAP nivel 1: 1/ y VMAP nivel 2: 1/50000), los modelos digitales del terreno (Digital Terrain Model - DTM / Digital Terrain Elevation Data - DTED) y otras consideraciones de naturaleza operativa y de seguridad. Asimismo también en el campo militar encontramos normas y recomendaciones referentes a los formatos y el software más apropiados a utilizar, como es el DGN en el primer caso y la base de datos relacional (BDA) ORACLE [MENA 92] o el SIG DYNAMO / GEOMEDIA en el segundo. Fuera del entorno militar, otro interesante trabajo que emplea bases de datos existentes, y de reciente aparición, lo encontramos en [BONNEFON 02]. En este caso se utilizan imágenes SPOT como referencia, analizándose dos problemas distintos de cara a la actualización del SIG. El primero reside en las distintas precisiones que normalmente caracterizan a las imágenes y a las bases de datos del Sistema de Información (estudios sobre este problema figuran también en [BUSCH 02]). El segundo problema se centra en el proceso de extracción en sí de los objetos cartográficos, si bien limitado a entidades lineales como carreteras, vías de ferrocarril, ríos, etc. En este tema se propone un método de seguimiento de ruta de forma que, partiendo de una dirección y un punto semilla inicial, el ordenador detecte en cada momento el camino óptimo. Los resultados que aporta indican una reducción del trabajo del operador, aunque su intervención sigue siendo necesaria. * Estudios más centrados en la extracción de objetos cartográficos. Importantes trabajos en clasificación y extracción supervisada [GONZALEZ 92] los encontramos ya en [FORD 92], donde se describe el empleo de la imagen multiespectral como medio de apoyo para proceder posteriormente a la extracción de objetos cartográficos en imágenes pancromáticas de mayor resolución. Más adelante, en [McKEOWN 96] se estudia el refinamiento de la información contenida en múltiples imágenes estereoscópicas, considerando la altimetría del terreno (3D) unida a la valoración de la proximidad entre unos y otros objetos (2D), como ayuda en el desarrollo de métodos orientados a la evaluación de resultados de extracción de objetos cartográficos. Por otra parte, en [MIRMEHDI 97] aparece una de las referencias encaminadas al empleo de algoritmos genéticos [GOLDBERG 89] como método robusto de optimización de los procesos de extracción de objetos a medio nivel. Y en [BULWINKLE 98] se define un procedimiento para permitir la transferencia de diversos modelos de carreteras, superficies, edificios, etc., entre sistemas de características diferentes, intentando con ello la integración de la información geográfica en el medio alto nivel. > En las décadas de los 80 y 90 el avance de la tecnología hace que la información proporcionada por los satélites sea superabundante. Se genera así la necesidad de compactar dicha información al objeto de separar lo importante de lo superfluo en cada aplicación. Un exhaustivo estudio sobre los fundamentos de los distintos métodos matemáticos utilizados para la fusión de información lo hallamos en el texto [HALL 92]. Y entre los trabajos puntuales más importantes en este campo cabe nombrar a [FORD 98], [EBNER 99] y [McKEOWN 99 (a)]. En este último se afirma que la consecución del automatismo en los métodos de extracción sólo será posible mediante la fusión de resultados procedentes de múltiples fuentes y métodos. Como ejemplo combina la imagen pancromática con las bandas hiperespectrales (HYDICE) y el modelo digital del terreno para la extracción de edificios, mejorando sensiblemente los resultados con respecto a otros métodos existentes en la fecha. Sin embargo, es en [MAYER 99 (a)] donde encontramos un detallado análisis sobre la complejidad del problema de Capítulo 2: Estudio bibliográfico. Pág. 13

20 la extracción de objetos cartográficos incluyendo indicaciones concretas para el mismo. En este artículo, aplicado a la extracción de edificios, se insiste sobre la modelización de las entidades (tejados); lo que necesariamente ha de comprender: (i) Herencia en las propiedades y características de los objetos padre a los hijos; (ii) utilización de geometría tridimensional; (iii) procesamiento de la imagen a distintas escalas y niveles de abstracción; y finalmente (iv) empleo de la información de contexto a nivel local y global. Estas cuatro normas se resumen en una estrategia de agrupamiento (grouping) y fusión de datos [HALL 92] mediante generación previa de evidencia en el proceso multiescala de extracción. Siguiendo con la fusión de información también es de destacar [HELLWICH 00] donde se expone, enfocado a la extracción de carreteras, un método basado en reglas para combinar las clasificaciones procedentes de segmentación en la imagen multiespectral y radar (SAR). El marco de este artículo se amplía en [HELLWICH 01] al tratar el concepto de la fusión de datos en el contexto general de la extracción de objetos cartográficos y la infraestructura de la información geográfica, proponiendo la realización de un test para evaluar distintos métodos experimentales. Por otra parte, dado que el semiautomatismo característico de los algoritmos de extracción y fusión obliga a determinar manualmente los valores de muchas variables paramétricas, [PEDDLE 02] nos presenta tres métodos de optimización en la fusión de información, cuyo objetivo común es el establecimiento automático de los valores finales para dichos parámetros. Estos métodos, denominados respectivamente (i) búsqueda exhaustiva por recursión, (ii) búsqueda aislada independiente, y (iii) búsqueda secuencial dependiente, fueron comparados con métodos clásicos como las redes neuronales y el proceso de máxima verosimilitud [FUKUNAGA 90], obteniéndose una mayor eficiencia demostrada en los resultados finales. También de interés es el estudio sobre fusión presentado en [FABRE 01] por utilizar la Teoría de la Evidencia de Dempster Shafer [BAUER 97] como base en el proceso de decisión; tema éste de capital importancia en nuestro sistema. Asimismo interesante en lo relativo a fusión de datos en los procesos automáticos de extracción es [KIEMA 02]; aquí se procede a la clasificación de la imagen por máxima verosimilitud, realizando la segmentación de objetos cartográficos mediante la fusión de información multiespectral con el análisis de la textura [CROSS 83 y GAGALOWICZ 87]. Dicho análisis, aunque con modificaciones sustanciales, será utilizado en nuestro sistema durante la fase de segmentación tal y como se indica en [MALPICA 02] y en [MENA 03]. También cabe destacar aquí la comparación entre imagen aérea radar y satélite multiespectral realizada en [HELLWICH 02], donde se propone la combinación de ambos tipos de datos. Análogamente, en [SCHENK 02 (a)] se discute la fusión entre la información propia de las imágenes aéreas en general y aquellas obtenidas mediante tecnología láser (Light Detection and Ranging LIDAR), con vistas a la descripción más exacta de la superficie del terreno, en concreto al levantamiento del MDT / DTED. > Otro punto importante a considerar en los métodos de extracción automática reside en el establecimiento de modelos para la representación del conocimiento, lo que es frecuente realizar mediante reglas y redes semánticas [FÖRSTNER 97]. Una revisión de las investigaciones existentes en este tema hasta el momento de su edición puede consultarse en [SOWMYA 00]. Aquí, si bien encontramos distintas técnicas de representación, control y extracción, se concluye afirmando que el estudio en modelización y representación del conocimiento se encuentra aún muy lejos de lograr resultados comparables a los obtenidos manualmente por el ser humano. Más recientemente encontramos en [DELL AQUA 01] un estudio sobre imágenes SAR basado en el empleo de algoritmos de clustering [DUDA 01] gobernados por razonamiento borroso o fuzzy [ZADEH 65]. Tales algoritmos los aplica a la detección de estructuras en zonas urbanas, como son las calles, áreas de vegetación y superficies construidas. También es de interés [ANDERSEN 02] por presentar un análisis acerca del empleo de imágenes LIDAR para el reconocimiento de objetos cartográficos en general en zonas de bosque o densa vegetación. > De gran interés por el estudio que realiza sobre las distintas fases a seguir en los procesos generales de extracción automática de información geográfica a partir de imágenes, es [MARKOV 00]. Según se indica en esta cita, el proceso general deberá incluir: Capítulo 2: Estudio bibliográfico. Pág. 14