Este documento descreve uma metodologia para a vectorização de Planos Municipais de Ordenamento do Território (PMOT) através de processos automatizados e semiautomatizados utilizando software livre. A metodologia envolve pré-processamento das imagens raster dos PMOT, segmentação das imagens para identificar objetos, georreferenciação e vectorização dos objetos identificados. Os resultados demonstraram que a maior parte da informação pode ser vectorizada automaticamente, embora alguma edição manual ainda seja necessária.

1. VECTORIZAÇÃO DE PMOT´S
ATRAVÉS DE PROCESSOS
AUTOMÁTICOS E
SEMIAUTOMÁTICOS COM
RECURSO A SOFTWARE LIVRE
Marcelo Silva
Orientador: Prof. Alberto Gomes

2. OBJETIVOS GERAIS
 Explicitar a aprendizagem e as tarefas realizadas durante o
período de estágio no Serviço de SIG da Câmara Municipal de
Esposende;
 Desenvolvimento de uma metodologia apoiada em software
SIG livre, para a vectorização de Planos Municipais de
Ordenamento do Território (PMOT) elaborados em formato
raster;

3. OBJETIVOS ESPECÍFICOS: 1. ESTÁGIO
 Aquisição de informação geográfica através da digitalização
de plantas dos PMOT em suporte papel;
 Aquisição de técnicas de manuseamento e utilização
otimizada de scanner de grandes dimensões;
 Aquisição de competências na utilização de software SIG
Geomedia;
 Elaboração de um projeto SIG de espacialização da
informação;
 Disponibilização dos PMOT no portal webSIG;

4. OBJETIVOS ESPECÍFICOS: 2. METODOLOGIA
CONVERSÃO RASTER PARA VETORIAL
 Preparação dos mapas para digitalização;
 Digitalização dos PMOT;
 Seleção de softwares livres a utilizar;
 Pré-processamento das imagens;
 Experimentação dos diversos algoritmos de segmentação;
 Vectorização dos PMOT;
 Pós-processamento da informação vetorizada;

5. ESCOLHA DO TEMA:
 Existe uma quantidade expressiva de bibliografia sobre a
conversão de informação raster para vetorial;
 O boom no estudo da temática e no desenvolvimento de
algoritmos de segmentação deu-se na década de 80 e 90 do
século XX;
 A conversão de informação raster para vetorial é do interesse de
diversas áreas do saber
(medicina, geografia, indústria, segurança, etc)
 No domínio dos SIG, existe alguma metodologia desenvolvida:
 Extração de feições a partir de imagens de satélite (extração da rede
viária e edificado).
 No campo da conversão de informação gráfica disponível em
mapas e car tas para o formato vetorial, não foi encontrada uma
metodologia que abrangesse de uma forma relevante todos os
aspetos que envolvem este processo.

6. CRONOGRAMA

7. ESTÁGIO

8. ESTÁGIO: ATIVIDADES

9. ESTÁGIO: LISTA DE PMOT’S
SELECIONADOS
Plano Data Autor
Esboceto do Anteplano de Urbanização de
1967 Arq. Carlos Carvalho Dias e Arq. Lúcio Miranda
Esposende
Plano de Urbanização da Área Central de
1994 PLANUM
Esposende
Plano de Pormenor da Zona Centro de
1992/1996 Arq. Bernardo Ferrão
Esposende e Lagoa
Plano de Pormenor da Área Nascente do
1993/1998 Arq. Bernardo Ferrão
Aglomerado de Esposende
Plano de Pormenor da Zona Norte de Esposende 1983/1997 Arq. Bernardo Ferrão
Plano de Pormenor de Urbanização da Zona a
1985 TECNOPOR
Nascente da E.N.13
Plano Geral de Urbanização Apúlia 1986 TECNOPOR
Plano de Urbanização de Apúlia 1995 PLANUM
Plano Geral de Urbanização entre Ofir, Fão e
1984 TECNOPOR
Apúlia
Plano de Pormenor de Urbanização da Zona
1984 TECNOPOR
Situada entre Esposende e Marinhas.

10. ESTÁGIO: SINÓPSE

11. METODOLOGIA PARA
VECTORIZAÇÃO DOS
PMOT

12. SOFTWARE LIVRE
Software livre é aquele cuja licença de utilização, permite que
os utilizadores executem, copiem, distribuam, alterem e
melhorem o sof tware original.
Comparação aproximada de custos entre software proprietário e livre:

13. SOFTWARE UTILIZADO
Software Utilidade Funções
Fiji Pacote de processamento gráfico Segmentação
GIMP Processamento de imagens Segmentação/recorte de imagens
Mirone Processamento de imagens georreferenciadas Morfologia Matemática
Quantum GIS SIG Desktop Layout final/ Georreferenciação
Grass SIG Desktop Vectorização; pós-processamento

14. METODOLOGIA
Raster para Vectorial
Sistema de
Modelo de
Visão
Kolesnikov
Artificial

15. METODOLOGIA: SVA
 A estrutura de um Sistema de Visão Artificial” (SVA ) é um
sistema capaz de adquirir, processar e interpretar imagens
correspondentes a cenas reais.

16. METODOLOGIA: MODELO DE KOLESNIKOV
Pré-processamento Processamento Pós-processamento
a) Binarização a) Esqueletização a) Filtragem
b) Filtragem de ruído b) Vetorização b) Análise
c) Segmentação c) Interpretação

17. ESQUEMA METODOLÓGICO

18. METODOLOGIA: DIGITALIZAÇÃO
 Equipamento utilizado: Scanner de alimentação de grandes
dimensões e de grande precisão.
Site da CME: 100
DPI (JPEG)
Destino
Vectorização: 300
DPI (TIFF)
 Planta de Síntese do Plano de Pormenor de Urbanização da
Zona Situada entre Esposende e Cepães, (Escala 1/1000):
exemplar representativo ao nível das características dos
polígonos, áreas com trama, diversidade das feições, etc.

19. METODOLOGIA: PRÉ-PROCESSAMENTO
 Recorte da área de estudo:

20. METODOLOGIA: PRÉ-PROCESSAMENTO
 Eliminação da informação marginal
 Legendas, título, rosa-dos-ventos, margens, notas de rodapé, etc.
 Ajuste do contraste
 Realce da imagem
 Remoção do ruído
 Existe um conjunto de filtros, para este tipo de operação: ajuste do brilho
(brightness) da imagem, filtros morfológicos, filtro Gaussiano, etc .
Utilizou-se o filtro Gaussiano seletivo, que permite suavizar as áreas na
fotografia que se encontram abaixo de um determinado limiar sem afetar as
feições.

21. METODOLOGIA: PRÉ-PROCESSAMENTO
Filtro Gaussiano
Original Filtro Seletivo Gaussiano

22. METODOLOGIA: SEGMENTAÇÃO
 A Segmentação permite subdividir a imagem nas diversas
partes ou objetos constituintes:

23. TIPOS DE SEGMENTAÇÃO:
Crescimento de regiões:
•Os algoritmos de crescimento de regiões procedem a uma
busca por grupos de pixels com uma determinada
propriedade de similaridade, como pertencentes a uma
mesma região e por isso são utilizados para a deteção de
regiões homogéneas.
Contorno:
• É um algoritmo capaz de detetar as bordas dos objetos, a
partir dos quais, constrói os seus contornos, considerando
assim como um objeto a região dentro desse contorno.

24. METODOLOGIA: SEGMENTAÇÃO
Parâmetros para alcançar uma boa segmentação:
 As regiões de uma imagem a segmentar deverão ser
uniformes e homogéneas no que diz respeito a determinadas
características: como a textura ou os tons de cinzento;
 O interior das regiões deverá ser simples e com poucos
“buracos”;
 As regiões adjacentes deverão ter valores muito diferentes no
que diz respeito às características que as caracterizam e
deverão ser também uniformes;
 Os limites de cada segmento deverão ser simples e não
rugosos e espacialmente precisos;

25. METODOLOGIA: SEGMENTAÇÃO
 Experimentação de 11 algoritmos de segmentação disponíveis
nos softwares GIMP e FIJI:
Seleção de 2 algoritmos com os melhores resultados.
Original Adaptive edge Statistical Region
detection Merging

26. SEGMENTAÇÃO
Statistical
Adaptive Edge
Region
Detection
Merging
Vantagens: Bons Vantagens: Facilidade
resultados na deteção de uso; bons resultados
de bordas; facilidade de na criação de regiões de
uso devido a ser um interesse e
método automático; descriminação de
pouco sensível ao ruído feições.
Desvantagens:
Desvantagens: não
Dificuldade na deteção
permite ajustes pelo
de linhas mais
operador.
esbatidas.

27. METODOLOGIA: REFINAMENTO
 Consiste na filtragem dos objetos segmentados através de um
método designado de morfologia matemática. A morfologia
permite: realce da imagem, esqueletização, filtragem do
ruído, etc.
Imagem Original Encerramento Esqueletização
(Segmentanção)

28. METODOLOGIA: GEORREFERENCIAÇÃO
 Georreferenciação: Elaborado com a ferramenta
“georreferenciador” do Quantum GIS, tendo por base os
ortofotos do concelho de Esposende (2003);

29. METODOLOGIA: VECTORIZAÇÃO
 Vectorização: elaborado a partir do módulo “ r.to.vect” do
GRASS, com as opções “s” (suavização) e “ area” ativas;
Adaptive edge
detection
Output
Segmentação Statistical
Region
Merging

30. METODOLOGIA: PÓS-PROCESSAMENTO
 Módulo “v.clean” do Grass para resolução de problemas
“topológicos”:
Feições duplicadas
Remoção de “ruído”
Eliminação de áreas
de pequenas
dimensões
Vectorização
manual de feições
Pós-processamento não reconhecidas
Recuperação de
entidades
Edição de feições
incorretamente
representadas
Reconhecimento de Definição dos
objetos atributos

31. RESULTADOS

32. VECTORIZAÇÃO: STATICAL REGION
MERGING

33. VECTORIZAÇÃO: ADAPTIVE EDGE
DETECTION

34. VECTORIZAÇÃO: NÍVEL DE ALTERAÇÕES
Verde (original); amarelo (alterado); vermelho (vetorizado manualmente)

35. RESULTADOS: ÁREA DAS FEIÇÕES POR
TIPOLOGIA (M 2 E %)
Área total vetorizada: 46 617 m 2 ;
 78% da área total vetorizada não sofreu qualquer edição;
 10% da área foi alterada as suas feições em parte;
 12% da área total teve de ser vetorizada novamente;
Área das feições
78%
Inalteradas 36536,11 m2
10%
Alteradas 4739,32 m2
12%
Vetorizadas manualmente 5341,94 m2
100%
Total 46617,37 m2

36. RESULTADOS: PERCENTAGEM DAS
FEIÇÕES POR TIPOLOGIA
199 Feições digitalizadas:
 64% das feições não sofreu qualquer tipo de intervenção;
 21% das feições sofreu alterações ao nível da edição;
 15% das feições tiveram de ser manualmente vetorizadas;
Feições:
Inalteradas Alteradas Vetorizadas manualmente
15%
21%
64%

37. RESULTADO FINAL

38. METODOLOGIA: CONCLUSÃO
 Resultados satisfatórios: permite a poupança de tempo e
trabalho na vectorização;
 Metodologia orientada para documentos a vetorizar
complexos e extensos;
 Necessidade de experiência e conhecimento do operador
para:
 Decidir quais etapas necessárias e dispensáveis, tendo em conta as
características do documento a digitalizar (estado de
conservação, cor, tipo e forma de representação da informação na
planta);
 Utilizar e configurar o software para obter os melhores resultados
possíveis;
 Metodologia complexa do ponto de vista do número de etapas
a realizar;

39. FIM