EXTRACCIÓN SEMI-AUTOMÁTICA DE EDIFICACIONES

PARA LA ACTUALIZACIÓN PREDIAL DEL MUNICIPIO DE

BOLIVAR VALLE DEL CAUCA

UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA CIVIL Y GEOMÁTICA
INGENIERÍA TOPOGRÁFICA
MAYO DE 2018
EXTRACCIÓN SEMI-AUTOMÁTICA DE EDIFICACIONES PARA LA ACTUALIZACIÓN
PREDIAL DEL MUNICIPIO DE VERSALLES VALLE DEL CAUCA

VANESSA GARCIA CARDONA

CODIGO 0635347

UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA CIVIL Y GEOMÁTICA
INGENIERÍA TOPOGRÁFICA
MAYO DE 2018
EXTRACCIÓN SEMI-AUTOMÁTICA DE EDIFICACIONES PARA LA ACTUALIZACIÓN
PREDIAL DEL MUNICIPIO DE VERSALLES VALLE DEL CAUCA

Presentado por:
Vanessa García Cardona

Presentado a la asignatura de:

Fotogrametría digital
Profesor:
M.Sc. Francisco Luis Hernández Torres

UNIVERSIDAD DEL VALLE

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA CIVIL Y GEOMÁTICA
INGENIERÍA TOPOGRÁFICA
MAYO DE 2018
 TABLA DE CONTENIDO

Página

1. INTRODUCCIÓN ......................................................................................... 6
2. ANTECEDENTES ........................................................................................ 7
3. PLANTEAMIENTO DEL PROBLEMA ........................................................ 20
4. JUSTIFICACIÓN ........................................................................................ 21
5. METODOLOGÍA ......................................................................................... 22
5.1 Identificación de la zona de estudio ..................................................... 23
5.1.1 Búsqueda y adquisición de información base ............................... 24
5.2 Tratamiento de la información mediante métodos fotogramétricos ..... 24
5.2.1 Fotocontrol .................................................................................... 25
5.2.2 Determinación del tamaño del pixel .............................................. 25
5.2.3 Orientación interna ........................................................................ 25
5.2.4 Orientación externa ....................................................................... 25
5.2.5 Triangulación Aérea ...................................................................... 26
5.2.6 Obtención de las coordenadas en las que se generan las tomas de
las fotografías. ............................................................................................ 26
5.2.7 Orientación absoluta de las fotografías ......................................... 26
5.3 Implementación de modelos ................................................................ 27
5.3.1 Modelo digital de elevación ........................................................... 27
5.3.2 Ortofoto ......................................................................................... 27
5.3.3 Ortofotomosaico ............................................................................ 27
5.4 Filtrado y segmentación de las imágenes ............................................ 29
5.4.1 Filtro gaussiano de paso bajo ....................................................... 29
5.4.2 Operador de realce ....................................................................... 29
5.5 Actualización del catastro del municipio de Bolívar ............................. 30
5.5.1 Identificación de las manzanas ..................................................... 30
5.5.2 Identificación de las edificaciones ................................................. 31
5.5.3 Creación de un nuevo MDE .......................................................... 31
5.6 Salidas graficas ................................................................................... 32

4
6 BIBLIOGRAFÍA .......................................................................................... 33

INDICE DE FIGURAS

Página

Figura 1. Criterios filtro para unión de líneas ...................................................... 8

Figura 2. Diagrama de flujo del algoritmo semi-automático .............................. 10
Figura 3. Identificación de construcciones ........................................................ 12
Figura 4. Obtención de polígonos perfectamente formados ............................. 13
Figura 5. Metodología ....................................................................................... 14
Figura 6. Detección de bordes de edificaciones ............................................... 16
Figura 7. Primera prueba experimental ............................................................. 17
Figura 8. Sistema vecindario de objetos extraídos ........................................... 19
Figura 9. Comparación en los resultados de ambos enfoques ......................... 20
Figura 10. Diagrama de flujo metodológico ...................................................... 23
Figura 11. Localización Bolívar - Valle del Cauca ............................................. 24
Figura 12. Orientación fotos .............................................................................. 27
Figura 13. Ortofoto generada en Erdas Imagine ............................................... 27
Figura 14. Ortomosaico creado en Erdas Imagine del año 1998 ...................... 28
Figura 15. Ortomosaico del Municipio de Bolivar .............................................. 28
Figura 16. Filtrado final para la extracción de los bordes realizado en Matlab. 30
Figura 17. Comparación de manzanas entre los años 1998 (Rojo) y 2014 (Azul)
.......................................................................................................................... 30
Figura 18. Comparación de predios de los años 1998 (verde) y 2014 (rojo). ... 31
Figura 19. Nuevo modelo de cálculo de diferencias de alturas entre MDE y
MDS. ................................................................................................................. 31
Figura 20. MDE final ......................................................................................... 32

INDICE DE TABLAS

Página
Tabla 1. Estado del castro en Colombia 1° Enero de 2013 ............................. 21

5
 1. INTRODUCCIÓN

A nivel mundial según datos del departamento de asuntos económicos y sociales

de la ONU, El 54 % de la población reside en áreas urbanas y se prevé que
seguirá aumentando, la proyección para 2050 es del 66 % (Organización de las
naciones unidas - ONU, 2014).

En Colombia es sobrepasada la media mundial, la proyección para 2017 según

el Dane es que el 76% de la población estaría en las ciudades frente a un 24%
en las áreas rurales. En cuanto a las cabeceras municipales de menos de 50.000
habitantes las manzanas urbanas han aumentado entre 20% y 25% en promedio
entre 2005 y 2015 (Revista Dinero, 2017).

El crecimiento desmedido de la población urbana en la actualidad, conlleva a

una problemática territorial bastante compleja, ya que la migración a zonas
urbanas, hace que la población no crezca de manera ordenada, de ahí que los
municipios empiecen a tener problemas, urbanísticos, medioambientales,
sociales, de movilidad, contaminación, oferta insatisfecha de servicios públicos,
entre otros.

La dinámica actual del territorio pone un reto cada vez más grande a la gestión
por parte de los municipios, ya que existe una alteración constante de espacio
por la construcción de infraestructura y viviendas. Por ello cada vez es mayor la
necesidad de información cartográfica que permita visualizar los efectos de esta
dinámica territorial y que a partir de ello los municipios puedan tomar decisiones
para el desarrollo y planificación del territorio.

La producción de información cartográfica en el país, es realizada por métodos

tradicionales, que implican trabajo de campo, técnicas clásicas de
fotointerpretación, toma de fotografías aéreas de los municipios y son basadas
en métodos fundamentalmente manuales; lo que conlleva gastos enormes en
cuanto a tiempo y costos. Como respuesta a esto, cada vez son mayores las
investigaciones que buscan conseguir la automatización parcial o total en estos
procesos con el fin de reducir costos, humanos y temporales, incrementar la
productividad y, en consecuencia, responder a la cada vez mayor demanda de
información geográfica, para la gestión adecuada y planificada del territorio.

El presente proyecto presenta una metodología alternativa al proceso

convencional para la generación de cartografía catastral, basada en la detección
semi-automática de edificaciones, pretendiendo mejorar las condiciones en
cuanto a costos, precisión y tiempos que son los grandes obstáculos para este
proceso. La técnica planteada se aplica para la zona urbana del municipio de
Bolívar, Valle del Cauca, se basada en procesos de filtrado y un algoritmo

6
geométrico que permite determinar la forma de los techos de los edificios. Los
resultados de este trabajo serán validados con los determinados por
metodologías convencionales por parte del grupo de Cartografía y SIG del
Observatorio Sismológico y Geofísico del Suroccidente Colombiano - OSSO.

2. ANTECEDENTES
La detección y caracterización 3D en las áreas urbanas es un problema
complejo, aunque tiene muchas aplicaciones en gran variedad de ámbitos;
(Saeedi & Zwick, 2008) afirman que las azoteas de los edificios son el elemento
clave para la reconstrucción de los edificios en 3D, plantean una metodología
automática para reconstrucción de tejados, basada en el estudio del gradiente.
Hacen uso de imágenes pancromáticas obtenidas bajo condiciones ideales y una
base de cuadrilátero para asemejar la forma superior de los edificios, se realiza
un proceso de eliminación del ruido de la imagen, aplicando un filtro gaussiano
de paso bajo, asimismo se aplican una serie de algoritmos a las imágenes
originales en 2D, donde se obtiene el campo del gradiente de la imagen,
incluyendo su magnitud, dirección y un conjunto de segmentos de línea recta
encontrados en la imagen. A continuación, se aplica el algoritmo de Burns con el
objeto de detectar líneas con base en el gradiente previamente calculado, se
realiza un filtro y unión de las líneas extraídas que posiblemente pueden formar
parte de una misma figura, basado en 5 criterios fundamentales para determinar
esta relación los cuales se encuentran detallados en la figura 1, en ella se
describen los casos de vinculación a partir de los cuales el algoritmo debe unir
la línea para hacer coincidir la forma de la azotea en donde tienen en cuenta
distancia tanto vertical, horizontal y los ángulos que forman entre ellas.

Posteriormente se realiza una segmentación de la imagen aplicando un

algoritmo basado en segmentación morfológica, con el objeto de detectar las
líneas que conforman los bordes de las azoteas, basados en las hipótesis
generadas por la dirección de los gradientes en donde se crean subconjuntos de
imágenes a partir de la unión de pixeles cuyos valores y características son
similares generando una imagen sólida del objeto, las diferentes hipótesis
obtenidas de las formas de las azoteas son refinadas para eliminar las falsas, se
descartan elementos como piscinas y zonas verdes entre otros elementos que
puedan generar hipótesis alrededor de ellos, esta extracción se hace con base
en el valor del tono de los pixeles, finalmente se escoge la hipótesis más
representativa para cada azotea a partir de superposición geométrica obteniendo
un sistema automático de extracción de edificaciones que logran detectar
edificios pequeños con tejados a dos aguas además de que brinda una alta
exactitud posicional, la precisión de este método fue de más o menos 90%.

7
 (1)
Longitud 1 > Umbral longitud
O
Longitud 2 > Umbral longitud

(2) Distancia > Umbral

v lateral distancia
Distancia Lateral

(3) Separación
v Distancia > Umbral
separación separación

(4)
v Ángulo 1

Ángulo 2
|Ángulo 1 – Ángulo 2 | < Umbral ángulo

(5)
v Solape
Solape < Umbral
Distancia 1 solape
Distancia 1
Traslape o

Traslape < Umbral

Distancia 2 traslape
Distancia 2

Figura 1. Criterios filtro para unión de líneas

Saeedi & Zwick, 2008

Debido a la dinámica actual de la población y la tendencia a migrar a las zonas

urbanas, se han incrementado la necesidad de contar con catografía actualizada
para visualizar los efectos de las migraciones hacia estas zonas, Ioannidis,
Psaltis, & Potsiou (2009), proponen el uso de la de fotogrametría para la
detección automática de asentamientos informales en el municipio de Ag.
Stefanos en Attica, con el fin de hacer un seguimiento automático y detectar
nuevos edificios, el procedimiento propuesto se basa en el uso de imágenes de
alta resolución y la aplicación de algoritmos para auto-detección de cambios
mediante cálculo, comparación de modelos digitales de superficie y la extracción
de construcciones. Plantean una técnica, eficiente, robusta y precisa que da
como resultado automáticamente, polígonos en una ortofoto que denotan las
posibles construcciones informales. Luego, un usuario evalúa los resultados y
decide si ha habido realmente un cambio en la zona o no. La metodología
propuesta se aplicó, por razones prácticas, a un área pequeña del municipio, se
trabajó con fotos aéreas de 1996 y 2001 en una escala de aprox. 1:10.000,
inicialmente se realizó el proceso fotogramétrico y orientación de las imágenes,
se establecieron puntos de control terrestre con GPS, el siguiente paso fue un

8
proceso de filtrado mediante un algoritmo que selecciona los polígonos teniendo
en cuenta variables como el cambio de altura, rango, tamaño mínimo blob, NDVI,
elemento estructurador, umbral de desviación estándar, etc.; luego se realiza la
extracción DSM para cada período, lo que se realizó automáticamente en LPS
con una cuadrícula GSD de 3 m. En el algoritmo propuesto, utilizando
completamente procedimientos automáticos, el 72% de los edificios nuevos
fueron detectados, y 35% de los retornos no se refirió a los cambios reales.
Loannidis menciona que se obtendrían mejores resultados con sensores LIDAR,
pero esto tendría un impacto negativo en los costos, el procedimiento propuesto
para la detección de edificios informales puede contribuir al control de desarrollo
urbano no planificado y a la eliminación de la creación de nuevos asentamientos
informales.

Un sinnúmero de estudios que aborda el tema del cartografiado automático o

semi-automático de edificaciones, se han enfocado en trabajar con imágenes a
gran escala donde los edificios son identificados con mayor facilidad, (Avrahami,
Raizman, & Doytsher, 2007), proponen una metodología que tiene como objeto
la extracción semi-automática de edificios en fotografías a aéreas a escala
media, considerando, que a esta escala se pueden cubrir áreas mucho mayores
y además los métodos utilizados podrían dar buenos resultados para imágenes
satelitales, ya que la resolución espacial de las imágenes aéreas a escala media
es similar a la que se logra desde los satélites comerciales. Esta metodología se
denomina semi-automática, ya que, en la etapa inicial el proceso es
manualmente realizado por un operador. El algoritmo es desarrollado en el
software Matlab y se divide en 7 etapas (Figura 2).

En la primera etapa el operador es quien señala un punto central en las cubiertas

con el fin de iniciar la extracción de los posibles sitios de interés, marcando un
punto en cada cubierta en la imagen izquierda, los cuales serán los puntos
semillas para definir la región que corresponde a cada cubierta. De la segunda
etapa en adelante el proceso se considera automático; en esta etapa se utiliza
el algoritmo de crecimiento de región, basado en los puntos semilla que pone el
operador en la etapa inicial, en la tercera etapa se determina el valor aproximado
la altura de la azotea con base en los contornos previamente identificados, se
hace la comparación de puntos homólogos en ambas imágenes, se obtiene una
lista con las alturas, los resultados obtenidos son refinados y finalmente se
obtiene la mediana de estos, en la cuarta etapa los puntos de la imagen izquierda
son trasferidos a la imagen derecha, mediante transformación de coordenadas
locales, la quinta etapa consiste en simplificar los contornos obtenidos en cada
una de las imágenes (izquierda y derecha), en la quinta etapa con los contornos
simplificados se logra obtener la altura exacta de la azotea, basado en el criterio
de superposición. La última etapa del algoritmo consiste en obtener el contorno
final de las edificaciones, este contorno resulta de la intersección entre los dos

9
contornos obtenidos previamente. Para evaluar la eficiencia de este método, se
compararon los resultados con la base datos espacial israelí, los resultados
obtenidos se evaluaron teniendo en cuenta 3 indicadores, exactitud, calidad y
completitud. La precisión del método fue de 0.97 m en planimetría y 0.46 m en
datos altimétricos, los resultados obtenidos en cuanto a planimetría fueron
bastante inferiores comparados con el método manual en contraste con datos
altimétricos que presentaron resultados del mismo nivel de precisión que el
método manual.

Solución de dos imágenes digitales

La
entrada
Pre-procesamiento Pre-procesamiento
imagen izquierda imagen derecha

Selección manual del Etapa

techo deseado 1

Extracción del
contorno 2D en la Etapa
imagen izquierda 2

Calculo de la
altura Etapa
aproximada 3

Extracción del
contorno 2D en la Etapa
imagen derecha 4

Simplificado del Simplificado del Etapa

contorno izquierdo contorno derecho 5

Calculo de la
altura exacta Etapa
6

Transferencia del Transferencia del

contorno izquierdo al contorno derecho al
sistema de sistema de
coordenadas local coordenadas local Etapa
7
Fusión de los contornos
construidos

Figura 2. Diagrama de flujo del algoritmo semi-automático

Avrahami, Raizman, & Doytsher, 2007

10
(Mayer S. , 2001) identifica un método práctico y preciso para la extracción
automática de objetos a partir de un modelo estadístico con participación activa
y continua al suministrar datos y administración del modelo por parte del usuario.
En este caso en particular se desarrolla un modelo que identifica a partir de
ciertas características los objetos requeridos de manera automática o
semiautomática. Dentro del proceso destacan la importancia de evaluar aquellos
detalles relacionados espacialmente con los objetos extraídos; como plan de
apoyo los autores plantean unas estrategias para desarrollar un modelo cuyo
proceso sea preciso y exitoso para ello determinan que los objetos deben ser de
fácil identificación, alto grado de interpolación y confiabilidad.

Para un mejor desarrollo del estudio los autores evalúan las diferentes fuentes
de datos para resultados de extracción precisos donde obtienen que la mejor
opción resulta a partir de la combinación de imágenes aéreas, datos de escáner
laser y datos SIG cada uno para un objetivo diferente de extracción, aunque
expresan ciertos errores al momento de utilizar datos SIG por la falta de
confiabilidad y precisión en la información que este proporciona. Para la
extracción de objetos se incorporan modelos estadísticos debido a que relaciona
el objeto con características que permita mejorar la precisión de los resultados,
dichos datos relacionados con el objeto requieren ser identificados manualmente
de manera aleatoria las cuales a partir de un criterio de verificación son filtradas
y visualiza la reconstrucción de la zona de estudio.

Resulta importante y fundamental el proceso de aprendizaje automático o

semiautomático debido a que elimina gran parte del trabajo de ingreso y
extracción de información manual para ello plantean dos tipos de forma de
aprendizaje la primera se basa en la segmentación y posterior clasificación de
los subconjuntos los cuales son reconocidos, categorizados y extraídos. Las
redes neuronales de acuerdo a los autores, son el método actual más preciso
para la identificación y extracción de objetos al tratarse de un algoritmo de
autoaprendizaje basado en muestras aleatorias, para ambos métodos de
extracción resulta de igual forma importante la intervención del usuario por los
errores que se llegan a presentar a razón de la variabilidad de características
entre datos. Los resultados de procesos de extracción automática aún es un
proceso que necesita ser trabajado y mejorado para ello los autores destacan la
importancia de imágenes de alta calidad, su correcta orientación y precisión de
puntos 3D lo que permite la generación de correctos modelos.

(Brédif, Tournaire, Vallet, & Champion, 2013) plantean un método de extracción

de edificaciones basado en un modelo digital de superficie (MDS) de manera
automática, con dos objetivos principales, el primero, la extracción de los
edificios del MDS de la manera más precisa posible y el segundo la corrección
de dicho proceso eliminando elementos no correspondientes; para la
construcción del marco metodológico se apoyan en MDS generados por nubes
de puntos tridimensionales o conjuntos de imágenes aéreas, donde destacan
mayor precisión del modelo a partir de las nubes de puntos.

11
En primera instancia se extraen las formas de los edificios del DSM identificando
dichas construcciones como formas rectangulares en donde se aplica un marco
de proceso de punto marcado para la búsqueda exhaustiva dentro de todo el
conjunto de la imagen sin problema alguno al presentarse características
variadas a lo largo del estudio.

Figura 3. Identificación de construcciones

Brédif et al, 2013

A continuación, como se puede observar en la figura 3, se construye de forma

automática la representación más adecuada de la terraza de cada edificio, a
partir de un modelo de energía. Posteriormente agregan parámetros
generalizados los cuales permiten no solo la identificación de bordes de edificios
de gran altura si no también construcciones pequeñas obteniendo resultados
buenos resultados.

La optimización consiste en un muestreo de las características de los objetos

enfocados en la energía capturada, para un desarrollo más eficiente que luego
son refinados en un Modelo Digital de Superficie Normalizado (MDSn) con el fin
de eliminar la superposición entre polígonos. El MDSn se crea aplicando
mascaras a los rectángulos formados de las edificaciones, seguidamente los
autores procedieron a extender las líneas dibujadas debido a que el algoritmo y
método utilizado no capta con precisión los puntos exactos donde ellas deben
empezar y terminar tal como se muestra en la figura 4.a las líneas en la figura
4.b son extendidas sin medida alguna y luego recortadas a partir de la
superposición entre ellas mismas formando finalmente polígonos perfectamente
formados los cuales son limpiados a partir de un filtro que elimina aquellos que
no forman parte de extracción de edificaciones como se puede observar en la
figura 6.d.

12
 (a) (b)

(c) (d)
Figura 4. Obtención de polígonos perfectamente formados
Brédif et al, 2013

Finalmente, se generan modelos de energía tanto unario como binario los cuales
cumplen las funciones de segmentar, establecer un rango entre las alturas de
los edificios encontrados y construir finalmente a partir de una orientación las
edificaciones presentes. Como resultado importante, el método fue bastante
preciso y confiable al compararse con extracción manual de edificaciones en la
misma área de estudio. Los errores se concentran en aquellas edificaciones de
alturas muy pequeñas y ubicaciones complicadas donde se argumentan que es
debido a la parametrización establecida en el proceso para evitar errores
mayores y resultados no compatibles. Se recomienda aplicar mascaras de
bosque para eliminar digitalizaciones de árboles y todos aquellos elementos
correspondientes a coberturas vegetales.

Las investigaciones en torno al método de extracción de edificaciones en zonas

urbanas, buscan métodos que permitan disminuir costos en cuanto a tiempo y
costos para el procesamiento de la información, Tian y Sui, (2011) presentan un
método sencillo, de bajo costo y rápido para la extracción de contornos de
edificios urbanos a partir de la construcción de un modelo digital de superficie
(MDS) construido a partir de una nube de puntos LiDAR, su objetivo es generar
un modelo tridimensional de ciudades. La metodología planteada se enfoca en
todo producto que sea posible de ser extraído únicamente de nubes de punto
LiDAR. El proceso comienza con la captura del terreno representado por un
conjunto de puntos coordenados a los cuales se les realiza un remuestreo
uniforme de grilla para la obtención del MDS y para la construcción de la región
se realiza una clasificación de la imagen, la metodología utilizada se muestra en
la Figura 7.

13
 Nube de puntos LiDAR

Remuestreo uniforme Cuantificación del

de la grilla nivel de gris

DSM Imágenes de
profundidad
Clasificación de
imágenes

Planos de candidatos

Detección de límites

Regiones construidas

Figura 5. Metodología
Brédif et al, 2013

A continuación, se generan modelos de energía tanto unarios como binarios, los

cuales cumplen la función de segmentar, establecer un rango entre las alturas
de los edificios encontrados y por último construir a partir de una orientación las
edificaciones presentes. Con los resultados obtenido, se realiza el proceso de
segmentación para la extracción de bordes aplicando el operador Canny, el cual
es elegido por su precisión y calidad en resultados, este operador se basa en
una función Gaussiana de dos dimensiones donde descompone y evalúa cada
una de las dos dimensiones (X, Y) por separado a partir de dos filtros de
dimensiones, tal como se expresa en las ecuaciones (1), (2), (3), (4) y (5).
Seguidamente es aplicado el algoritmo mejorado de transformación de Hough y
se extraen los bordes a partir de la clasificación por valores máximos y mínimos
produciendo una imagen donde se diferencia el suelo de los bordes de los
edificios.
1
𝐺𝜎 (𝑥, 𝑦) = −exp(2𝜎2 (𝑥 2 + 𝑦 2 )) (1)

La fórmula (1) para cada una de sus dimensiones, es dividida de la siguiente

forma:
∂𝐺𝜎 (𝑥,𝑦)
∂x
(2)

∂𝐺𝜎 (𝑥,𝑦)
∂y
(3)

Y finalmente se obtiene:
∂𝐺𝜎 (𝑥,𝑦)
𝐸𝑥 = ∂x
∗ 𝑓(𝑥, 𝑦) (4)

14
 ∂𝐺𝜎 (𝑥,𝑦)
𝐸𝑦 = ∂y
∗ 𝑓(𝑥, 𝑦) (5)

Como resultado en la clasificación dentro de las partes de las edificaciones no

solo de obtienen construcciones sino también árboles, vehículos y más objetos
diferenciables del suelo. Para refinar los resultados, se filtra por el método de
medición de áreas las clasificaciones identificadas como faltas y finalmente se
obtienen los bordes deseados.

Se demuestra que el método utilizado es bastante preciso y confiable al

compararse con los datos de extracción manual de edificaciones en la misma
área de estudio. Los autores concluyen que el método funciona mejor en zonas
planas y presenta inconvenientes en zonas onduladas o no planas, otra limitante
del método, son los errores que se presentan en aquellas edificaciones de
alturas muy pequeñas y ubicaciones complicadas donde se argumenta que se
deben a la parametrización establecida en el proceso para evitar errores
mayores y resultados no compatibles, además se recomienda aplicar mascaras
de bosque para eliminar digitalizaciones de árboles y todos aquellos elementos
correspondientes a coberturas vegetales.

(Mayer H. , 2008) presenta un método empleando un Modelo Digital de

Superficie (MDS) para la delineación de contornos de edificaciones basado en
un modelo poligonal cuya forma se adapta a la forma de una serpiente y permite
mejor adaptación a las diferentes geometrías de las edificaciones. La
metodología se basa en datos de alta precisión fotogramétrica los cuales son
georreferenciados a partir de dos formas el primero por Sistema de Navegación
Inercial y el segundo por un Sistema de Posicionamiento Global. Una vez
posicionadas los datos construyen el Modelo Digital de Superficie desde la
intersección de los datos que permite la construcción del terreno. También
generaron ortomosaicos a partir de la alineación y correspondencia entre puntos.

Los autores destacan la importancia de generar la forma rectangular o cuadrada

para la detección de contorno refiriéndose a una construcción más precisa y de
mejor calidad. Para ello utilizan un modelo de construcción genérico basado en
restricciones para una mejor adaptación a las formas originales descrito en dos
pasos el primero para ordenar los datos y el segundo en la aplicabilidad; para la
delimitación de los contornos de las edificaciones es necesario la generación de
una forma previa a la cual se adaptan los edificios normalmente, denominado
por los autores contorno inicial. Dicho contorno se extrae del MDS con una
condición de alturas del objetivo al cual se le aplica una simplificación de
polígono con el fin de pulir el contorno restringiendo el número de vértices.

Desde el modelo de contorno construido a partir del DSM se extraen los bordes
del ortomosaico el cual identifica por un detector de Canny toda aquella
geometría similar. A este primer proceso se aplica una deformación a partir de la
dirección de la imagen (gradiente) cuya restricción de deformación se enfoca en
la fuerza de aplicabilidad expresada en la formula (6).

𝑓(𝑆) = ∑𝑗 𝑔(𝑥𝑗 , 𝑦𝑗 ) (6)

15
Donde:
Xi, Yi: Es la posición de cada uno de los puntos que forman parte del contorno.
g: Mapa de distancia de borden del objeto extraído como contorno.

El proceso de optimización los autores lo plantean de manera individual para

cada vértice con el fin de llevar mayor control del resultado asemejando la
geometría a la forma de la edificación; como segunda restricción dentro del
proceso se aplica la rectangularidad donde se apoyan en la extracción y
construcción de bordes formados por ángulos rectos a partir de la orientación
media. Finalmente, los autores destacan la importancia tanto de la restricción de
vértices como la deformación del contorno para una mejor adaptación
obteniendo un resultado aceptable y semejante a la realidad tal como se muestra
en la figura 6, donde se ilustra el resultado de la aplicación de la metodología
propuesta.

(a) (b) (c)

Figura 6. Detección de bordes de edificaciones

Mayer, 2001

Los siguientes autores (Fazan & Dal Poz, 2013) extraen los bordes de edificios
en zona urbana a partir de restricción en la forma de su geometría y una
optimización respecto al modelado desde el algoritmo de programación dinámico
(DP) en imágenes digitales, la base principal para la detección de bordes en este
caso es el modelo matemático cuyo enfoque se concentra en las serpientes por
la curvatura que ellas forman tanto en X como en Y por la aplicación de fuerzas.
La funcionalidad se enfoca de dos maneras una energía externa desde la cual el
movimiento de la curvatura se adapta al edificio y una energía interna desde la
cual se lleva el control del movimiento. La energía externa funciona a partir de
dos variables principales la primera de ellas es el gradiente de la imagen y la
segunda la detección de esquinas en los vértices tal como se muestra en la
formula (7) y (8) que al ser integradas forman el modelo de detección de bordes
de serpientes.

𝐸𝐵𝑜𝑟𝑑𝑒 = ∑𝑘−1
𝑖=0 𝛾𝑖|𝛻𝐺(𝑣𝑖)| (7)

Donde:
𝛾i: Constante
l 𝛻G(vi)l: Magnitud del gradiente

16
 𝐸𝐸𝑠𝑞𝑢𝑖𝑛𝑎 = ∑𝑘−1
𝑖=0 𝑛𝑖[(1 − 𝑐𝑜𝑠𝛿𝑖). 𝐶𝑆(𝑉𝑖)]
2
(8)

Donde:
ni: Constante
CS(Vi): Respuesta ante la detección de una esquina.
𝛿: ángulo de la esquina entre vértices.

El proceso de optimización del algoritmo DP es aplicado al proceso llevado a

cabo el cual a partir de puntos de control en esquinas realiza un muestreo en las
geometrías y así generar la forma inicial, el algoritmo basa su proceso en puntos
de referencia bases los cuales son las esquinas, dichas esquinas son extraídas
automáticamente desde un punto inicial por el detector de esquinas de Harris el
cual también toma en cuenta los ángulos, para ello es necesario un refinamiento
con el fin de filtrar la esquina más adecuada y obviamente correspondiente; una
vez identificados los puntos de esquina el siguiente proceso es la unión de dichos
puntos por líneas formando los vértices de los edificios a partir del método de
regresión lineal robusto el cual se enfoca en una ecuación de línea la cual delinea
el contorno del borde desde la dirección de la imagen y los puntos de esquina y
a partir de ello comienza el ajuste a partir de líneas rectas. Por último, desde un
ajuste de mínimos cuadrados enfocado a un umbral filtran todos aquellos
polígonos que no pertenecen a edificaciones.

La validación de la información es realizada a partir de polígonos base extraídos

manualmente por un operados. El proceso consta en la comparación de
variables como área y error medio cuadrático entre el polígono manual y el
automático.

Figura 7. Primera prueba experimental

Fazan y Dal Poz, 2013

La primera prueba experimental se detalla en la figura 7 donde se evidencia

primero las geometrías iniciales para el proceso (a-d), segundo los contornos

17
extraídos automáticamente por el algoritmo (e-h) y tercero el dibujo manual por
el operador (i). Del experimento encontraron que la sombra es un impedimento
para la adecuada extracción debido a que no es posible identificar al algoritmo
el borde correspondiente al edificio. A lo largo de los experimentos el resultado
y las conclusiones fueron las mismas, en aquellas edificaciones donde se
proyectaba sombra el algoritmo fallaba al dibujar el borde. Además de eso la
metodología planteada mostró resultados de alta calidad hasta en contornos
curvos.

De acuerdo (Bouziani, Goïta, & He, 2010) plantean una metodología de fácil
aplicación y efectiva para la actualización de base de datos catastral a partir de
análisis fotogramétrico de detección de cambios en los edificios y construcciones
ubicados en zona urbana. Las fuentes de información básicas a usar por los
autores están compuestas por datos cartográficos digitales existentes que
permiten una visualización e identificación de las características y formas previas
de la zona a partir de un modelo y segundo imágenes de buena calidad como
elemento de comparación de detección de cambios automático.

El proceso metodológico consiste primero que todo en el modelado del entorno

urbano donde se identifica los elementos que componen la zona urbana y sus
características de identificación como parte de los atributos. Después de ello
establecen las relaciones entre dichos elementos con el fin de generar
información para su detección automática; Luego los autores comienzan a
generar reglas sobre las cuales el algoritmo tenga facilidad de identificación de
cambio, es decir establecer a partir de análisis aquellas zonas características
donde se presenten cambios importantes para el catastro como construcción de
nuevas edificaciones, nuevas vías o simplemente la destrucción o perdida de
alguno de ellos. El funcionamiento de dichas reglas se desarrolla a partir del
cálculo de distancias desde un umbral permitido y comparación de la geometría.
El segundo paso de la metodología es la segmentación es decir la generación
de subconjuntos que agrupe aquellos objetos cuyos valores o características
sean similares para mayor facilidad en el análisis; finalmente aplican el algoritmo
de segmentación de región de crecimiento automático el cual agrupa los pixeles
adyacentes que presenten semejanza establecidos por un umbral establecido.

Según (Tournaire, Brédif, Boldo, & Durupt, 2010) construyen los bordes de las
edificaciones a partir de un modelo de energía que permite formar la geometría
extraída de los Modelos Digitales de Terreno (DTM). El principio básico del
desarrollo del trabajo se basa en identificar formas rectangulares y comparar los
resultados con proyectos que hayan empleado una metodología similar.

Como se mencionó la metodología de extracción de edificaciones se basa en la

aplicación de energías la cual es creada para identificar homogeneidad entre
objetos. La energía propuesta por los autores fue un ajuste a los términos de
energía de Ortner minimizando ciertos parámetros para hacer su uso más
sencillo. Primero que todo se enfocan en la regularización de las formas
geométricas cuyo enfoque son las rectangulares y en un sistema de
identificación de vecindario definido como los objetos que se cruzan, en este

18
caso vacío, contiguo o pequeño grado de superposición. La energía comienza a
trabajar a partir de las interacciones entre objetos. La energía externa del modelo
enfoca su trabajo en la detección de las figuras configuradas es decir las figuras
geométricas rectangulares en los DEM. Las formas son extraídas
automáticamente a partir de una evaluación en el DEM enfocadas en las zonas
cuyo gradiente sea de alto valor debido a que en ese punto se enfoca la
probabilidad de detectar un borde por ser una edificación. Además del gradiente
también influye dentro de la formulación la asignación de un peso inicial el cual
es el valor que permitirá detectar las geometrías.

La implementación de las energías consiste en la generación aleatoria de objetos

el análisis de ella y la modificación de él con el fin de adaptarlo a la forma de la
imagen además de ello por medio de la propiedad de Markov el proceso guarda
no solo la información y características del objeto sino también de su interacción
con objetos vecinos creando el conjunto completo integrando el sistema
vecindario mencionado tal como se muestra en la figura 8.

Figura 8. Sistema vecindario de objetos extraídos

Tournaire, Brédif, Boldo, & Durupt, 2010

Por último, para la realización del borde por medio de rectángulo se identifica el
punto central, la distancia hasta los lados que forman los vértices y el ángulo
entre vértices. Luego se analiza si existe superposición o intersección entre dos
polígonos y se calcula dicha área; los resultados obtenidos por este proceso
demuestran que a lo largo del desarrollo las formas de van adaptando a la
imagen de manera precisa a pesar de ser un modelo de energía más sencilla a
comparación con el planteado por Ortner. Los errores obtenidos son en aquellas
edificaciones muy pequeñas, con alturas poco diferenciables. Los resultados
obtenidos por el método de Ortner son superpuestos con aquellos obtenidos por
los autores y solo se presentan pequeños errores admisibles debido a las pocas
condiciones que aquí se impusieron producto reflejado en la figura 9.

19
 Figura 9. Comparación en los resultados de ambos enfoques
Tournaire, Brédif, Boldo, & Durupt, 2010

3. PLANTEAMIENTO DEL PROBLEMA

El catastro constituye una herramienta fundamental para el conocimiento y la
gestión del territorio, de ahí que cada vez cobre mayor importancia para la
formulación y seguimiento de planes y políticas de desarrollo coherentes con la
realidad que favorezcan el desarrollo sostenible. A pesar de, lo anterior, los
recursos humanos, tecnológicos y financieros, determinantes para el desarrollo
del sistema catastral, se han visto reducidos en forma paulatina (Ramos
Rodríguez & Ubaque Ubaque, 2014).
Existen 3 tipos de catastro, (IGAC Instituto Geográfico Agustin Codazzi, 2011):
Catastro Fiscal es el encargado de recoger y administrar los valores de los
inmuebles, es decir es el encargado de la cobranza de los inmuebles, Catastro
Jurídico es el encargado de recoger la relación entre propietario, propiedad y
comunidad y Catastro Geométrico es el encargado de recoger la medición,
subdivisión, representación y ubicación de los inmuebles, donde en este
participan 3 aspectos generales, 1. Geometría 2D donde se representa en dos
ejes cartesianos las medidas de los inmuebles 2. Geometría 3D donde participan
la geometría 2D y las alturas de los inmuebles (por ejemplo edificios) 3. Catastro
4D esté al aspecto más reciente no se conoce mucho de él, pero es el encargado
de registrar los cambios de los inmuebles durante el tiempo (Erba et al., 2016.)
Según la Ley 14 de 1983, articulo 5; norma actualmente vigente en Colombia la
actualización catastral a nivel nacional se debería realizar cada 5 años. A pesar
de ello, actualmente, el territorio colombiano padece de una desactualización
catastral alarmante y un catastro incompleto, que supera el 58% del territorio,
estos datos se pueden evidenciar en la Tabla 1. Factores como, una técnica
inadecuada para el cálculo de los predios, un desconocimiento de los mercados
inmobiliarios y una desarticulación entre el catastro y el registro (IGAC Instituto
Geográfico Agustin Codazzi, 2015) contribuyen a esta problemática.

20
 Tabla 1. Estado del castro en Colombia 1° Enero de 2013
Entidad Estado Catastral Total Urbanos Rurales
Predios % Predios % Predios %
Total Actualizado 10.082.295 67.0 8.443.763 76,0 1.638.532 41.5
Nacional Desactualizado 4.876.728 32.4 2.666.801 24,0 2.209.927 56.0
Por formar 98.064 0.7 1 0,0 98.063 2.5
Total 15.057.087 100 11.110.565 100 3.946.522 100
IGAC,2013

En el mundo se reconoce lo importante que es el catastro y el buen manejo del

estado por la propiedad rural y urbana, el catastro como se ha mencionado antes
en breves palabras, es el inventario de las tierras del país, incluyendo los
derechos, restricciones y responsabilidades que pesan sobre ellas (IGAC
Instituto Geográfico Agustin Codazzi, 2015). Sin embargo, en Colombia solo el
30% de los predios están debidamente clasificados y actualizados en las
diferentes oficinas de catastro regionales y nacionales, se habla que la mayoría
del 70% restante hace referencia a predios o inmuebles del sector rural.

En la actualidad el uso de las nuevas tecnologías ha permitido importantes

avances que simplifican y agilizan este trabajo, los métodos más utilizados para
automatizar el proceso de cartografiado en bases de datos cartográficas
catastrales y nacionales, tiene como fuente principal las imágenes tanto aéreas
como satelitales.

Por lo anteriormente mencionado, se evidencia la necesidad de establecer

metodologías a partir de las nuevas tecnologías, para agilizar y hacer más
eficiente la adquisición de información catastral en el territorio, el presente
proyecto tiene como objetivo definir una metodología para la detección
semiautomática de edificaciones en zonas urbanas, buscando así alternativas
que permitan mejorar el déficit de información cartográfica de las zonas urbanas
actual.

4. JUSTIFICACIÓN
La extracción de objetos a partir de métodos fotogramétricos, es una forma
innovadora que proporciona datos geométricos para variedades de aplicaciones
tales como; situaciones de emergencia civil, la gestión de desastres naturales
(inundaciones, terremotos y deslizamientos de tierra), situaciones militares
(participación activa de la fuerza, lucha contra el terrorismo y la paz
mantenimiento de las medidas), la planificación urbana, la localización
geográfica de estadísticas, (como la salud, la delincuencia, y el pasado los
desastres naturales) entre otros (Perez & Delgado, 2004). Los métodos más
utilizados para la extracción de información, tienen como fuente principal las
imágenes tanto aéreas como satelitales, este proceso es costoso y
fundamentalmente manual, aunque cada vez son mayores las investigaciones
que buscan conseguir la automatización parcial o total en estos procesos con el
fin de reducir costos, humanos y temporales, incrementar la productividad y, en

21
consecuencia, responder a la cada vez mayor demanda de información
geográfica.

En las últimas dos décadas, se ha llevado a cabo una amplia investigación

acerca de la extracción de edificios en 3D a partir de imágenes aéreas por las
asociaciones fotogramétricas y de visión por computador. Sin embargo, la plena
automatización de la extracción de objetos espaciales está todavía lejos de ser
una aplicación práctica. La gran cantidad de trabajo manual requerido para
extraer los edificios a partir de imágenes aéreas, así como el creciente del uso
de bases de datos como los modelos 3D de ciudades y los SIG para control
nacional, gestión y planificación, apunta a la necesidad para el desarrollo de
métodos automatizados para crear y mantener estas bases de datos. Algunos
de los métodos más populares son: matemática morfológica, la segmentación
del DSM, contornos activos o serpientes, redes neuronales y sistemas basados
en el conocimiento. [3] Debido al crecimiento exponencial de la población en los
últimos años, es indispensable contar con una cartografía precisa y actualizada
como herramienta fundamental para la planificación y gestión de los espacios y
recursos, como respuesta a esto se plantea este proyecto, cuyo producto final
será un algoritmo que permita la detección y extracción semiautomática de
edificaciones, más una cartografía que muestre los cambio multitemporales, para
que se pueda observar el desarrollo urbano e identificar nuevos asentamientos
o cambios en las edificaciones de la zona estudiada. El proyecto generará
grandes ventajas en cuanto a costos y tiempo de realización de la cartografía a
diferencia del método tradicional, lo que permitirá a los encargados de
planificación, tomar decisiones y hacer un seguimiento continuo del territorio.

5. METODOLOGÍA

Este marco metodológico se elaboró con base en la bibliografía consultada sobre

detección y extracción de edificaciones con métodos fotogramétricos digitales
para fines catastrales, en la bibliografía consultada se pudo observar que existen
gran cantidad de métodos para llegar a este objetivo basados en diferentes
algoritmos, de tipo automático y semiautomático, a partir de ello se decidió
trabajar con un método semiautomático.

22
 Identificación de la zona de estudio:
Zona Urbana del municipio de Bolivar, Valle del
Cauca

Busqueda y adquisición de información base

Tratamiento de información Actualización del

Filtrado y segmentación de las
mediante métodos Implementación de modelos catastro del municipio
imágenes
fotogramétricos de Bolivar

Modelo digital de Filtro gaussiano de Identificación de

Fotocontrol
elevación paso bajo edificaciones

Determinación del tamaño Operador de realce Creación de un nuevo

Modelo digital de superficie
del pixel Sobel MDE

Orientación interna Ortofoto

Generación
Orientación externa
ortofotomosaico

Triangulación Aérea

Obtención de las
coordenadas en las que se
generan las tomas de las
fotografías

Orientación absoluta de las

fotografías

Figura 10. Diagrama de flujo metodológico

Fuente: Propia

5.1 Identificación de la zona de estudio

El municipio de Bolívar es uno de los 42 municipios que conforman el

departamento del Valle del Cauca, se encuentra ubicado en la región norte del
departamento. Su cabecera municipal llamada Bolívar, se localiza en el valle
geográfico del Río Cauca sobre la margen izquierda del mismo, dista
aproximadamente unos 161 km de Cali, la capital del departamento. El municipio
de Bolívar, limita al Norte con los municipios de El Dovio y Roldanillo, al Sur con
el municipio de Trujillo, por el Oriente con el río Cauca y los municipios de

23
Bugalagrande y Zarzal y al Occidente con el departamento del Chocó, como se
puede observar en la figura 11 (Alcaldía de Bolívar - Valle del Cauca, 2015).

Figura 11. Localización Bolívar - Valle del Cauca

Alcaldía de Bolívar,2016

5.1.1 Búsqueda y adquisición de información base

Se realiza una búsqueda exhaustiva de información, fotografías aéreas,

cartografía base, antecedentes, estudios demográficos, estadísticas, cifras, etc.
Después de realizada esta búsqueda bibliográfica se debe filtrar la información
más relevante para el trabajo. Las fuentes de información principales para el
proyecto son, fotografías aéreas en formato digital TIFF a escala 1:32.100 de la
zona de estudio, se obtuvieron las fotografías 436, 437, 438 y 439 del vuelo FAL-
407, Faja-34 del año 1998. Además, se obtuvieron un modelo digital de terreno
del municipio y las capas en formato vectorial de la cartografía base de la zona
de estudio de la cual se obtienen las coordenadas planas geográficas (X, Y, Z)
de los puntos de control que servirán de base para el proceso de
georreferenciación de las imágenes. Para el proceso de actualización se tiene
además 4 fotos del municipio del año 2014. La fuente de adquisición de esta
información fue la Corporación Autónoma Regional del Valle CVC. Para el
procesamiento de la información se utilizaron diferentes software de acuerdo a
la etapa, entre estos, ERDAS, ArcGIS, AutoCAD y Google Earth para establecer
coordenadas elipsoidales.
5.2 Tratamiento de la información mediante métodos fotogramétricos

Para el análisis aerofotogramétrico de las fotografías aéreas se hizo uso del

programa de tratamiento de imágenes digitales ERDAS hasta el proceso de
obtención de las ortofotos.

24
5.2.1 Fotocontrol

El proceso de fotocontrol se realiza a partir de la identificación de puntos de

control con sus correspondientes coordenadas (X, Y, Z); tanto en las
aerofotografías como en campo. Para este fin, se determinan las coordenadas Z
de los puntos en campo, a partir de un modelo digital de elevación para las
correspondientes cotas y las coordenadas X, Y se obtienen de la cartografía en
formato digital del municipio, la zona correspondiente a las fotografías aéreas.

Dentro del desarrollo de esta fase, es importante tener claridad del sistema de
referencia y la proyección con la cual se debe trabajar el proyecto fotogramétrico
ya que el software requiere, parámetros como el Datum, el tipo de proyección, la
zona UTM, el elipsoide de referencia horizontal y vertical.
5.2.2 Determinación del tamaño del pixel

Se determina la resolución geométrica de la imagen, la cual servirá para realizar

procesos posteriores como el de la realización de la ortofoto, el tamaño del pixel
está establecido en metros y se determina con la siguiente ecuación:

𝑒𝑠𝑐𝑎𝑙𝑎
𝑃𝑀 = ( ) /39.37 (9)
𝑑𝑝𝑖

-Escala de las fotografías: 1:32100

- Escaneo: 600 dpi
Lo que implica que el tamaño del pixel es igual a 1,359 metros.

5.2.3 Orientación interna

Después de calcular el tamaño de pixel se realiza la orientación interna de las

fotografías, con el fin de calcular los parámetros de transformación, para pasar
las coordenadas que están sobre la imagen a un sistema de tercera dimensión
que tiene su origen en el centro de proyección de la cámara, este procedimiento
está muy relacionado con el certificado de calibración de la cámara, el cual brinda
los valores de las coordenadas pixeles y de las coordenadas imagen de las
marcas fiduciales.
Al realizar este paso es importante que el error medio cuadrático no supere el
valor de 0.2 (1/3 de pixel), esto con el fin de obtener una mayor precisión en los
datos a generar, este proceso se desarrollara con el software Erdas Imagine. El
sistema de referencia que se les asocio a las fotografías es el magna Colombia
Oeste.

5.2.4 Orientación externa

Establece la relación entre los sistemas de coordenadas espaciales de la imagen

y el objeto, básicamente consiste se determinar los parámetros de orientación

25
de la cámara referidos a un sistema de coordenadas espaciales objeto, esta se
realiza siguiendo la ecuación (6).

cosØcosk cos⍵senk + sen⍵senØcosk sen⍵senκ − cos⍵senØcosk

𝑀 = ⌊−cosØsenk cos⍵cosk − sen⍵senØsenk sen⍵cosκ + cos⍵senØsenk⌋ (10)
senoØ −sen⍵ cosØ cos⍵ cosØ

Donde:

⍵: Representa el ángulo de giro alrededor del eje x.

Ø: Representa el ángulo de giro alrededor del eje y.
Κ: Representa el ángulo de giro alrededor del eje z.

Se establecen puntos de control homólogos que se encuentren en las fotografías

para superponerlas y generar un traslape con una cobertura aproximada del 60%
y con ello se define un marco de referencia equivalente sobre las cinco
fotografías.

5.2.5 Triangulación Aérea

Consiste en extraer coordenadas de diversos puntos del terreno a partir de poca

información base sobre la superficie, es decir se encarga de obtener el mayor
número de puntos de apoyo en función de orientaciones de los modelos
estereoscópicos de las fajas que son el conjunto de fotografías consecutivas que
recubren toda la información espacial del terreno.

5.2.6 Obtención de las coordenadas en las que se generan las tomas de

las fotografías.

Es importante conocer las coordenadas en que se realizaron la toma de las

fotografías para transformar estas a un sistema de referencia que sea acorde al
utilizado sobre los puntos de apoyo realizados en la triangulación aérea.

5.2.7 Orientación absoluta de las fotografías

Se establecen puntos de control homólogos que se encuentren en las fotografías

para superponerlas y generar un traslape con una cobertura aproximada del
60%.

26
 Figura 12. Orientación fotos
Otero et al, 2013

5.3 Implementación de modelos

5.3.1 Modelo digital de elevación

Es necesario generar un modelo digital de elevación para establecer el

comportamiento del terreno en el área de estudio en el cual se realizará la
actualización catastral del Municipio de Bolívar.

5.3.2 Ortofoto

Después de realizar correctamente el MDE y corregirlo se generara la ortofoto

que representa el área de estudio con una calidad métrica similar a un plano, los
objetos dentro de la zona se deben encontrar a una posición planimetríca muy
aproximada a la realidad, para este proceso es necesario contar con las dos
orientaciones (interna y externa) previamente realizadas, es importante obtener
un MDE con valores de elevaciones fiables para poder obtener posiciones
correctas sobre la ortofoto, para su realización se utiliza el remuestreo por
convolución cubica, ya que este toma la mayor información posible de los pixeles
vecinos.

Figura 13. Ortofoto generada en Erdas Imagine

Fuente: Propia

27
5.3.3 Ortofotomosaico

Es la delimitación o corte de área que se desea obtener, para este proyecto, la

información predial; para la zona urbana del municipio de Bolívar, excluyendo la
información que no tiene ninguna importancia en el desarrollo del proyecto.

Figura 14. Ortomosaico creado en Erdas Imagine del año 1998

Fuente: Propia

Luego de obtener los ortomosaico de las 2 épocas correspondientes se recortó

solamente la zona de interés, en este caso el municipio de Bolivar en el valle del
Cauca, esto se realizó con un aoi en Erdas Imagine.

Figura 15. Ortomosaico del Municipio de Bolivar

Fuente: Propia

28
NOTA: El recorte también se le realizo a los MDE y a los MDS de cada una de
las épocas.

5.4 Filtrado y segmentación de las imágenes

El filtrado, tienen por objeto reducir el ruido y/o efectos espurios que pueden
presentarse en la imagen a consecuencia del proceso de captura, digitalización
y transmisión, Su utilización es necesaria antes de la aplicación del detector de
bordes. Para este caso el filtro utilizado es el filtro gaussiano que es de tipo paso
bajo, pero no lineal. La segmentación consiste en dividir la imagen en sus partes
constituyentes u objetos, el nivel al que se lleva a cabo la segmentación depende
del problema a resolver, esta segmentación se debe detener cuando los objetos
de interés de la imagen hayan sido aislados.
5.4.1 Filtro gaussiano de paso bajo

Se aplica al mosaico obtenido en el paso anterior, este filtro simula una

distribución gaussiana bivariante; donde el valor máximo aparece en el pixel
central y disminuye hacia los extremos tanto más rápido cuanto menor sea el
parámetro de desviación típica s. El resultado será un conjunto de valores entre
0 y 1. Para transformar la matriz a una matriz de números enteros se divide toda
la matriz por el menor de los valores obtenidos (Saeedi & Zwick, 2008).La
ecuación para calcularlo es la siguiente:

𝑥2 +𝑦2
−
𝑔(𝑥, 𝑦) = 𝑒 2+𝑠2 (11)

𝑔(𝑥,𝑦)
𝐺(𝑥, 𝑦) = 𝑚𝑖𝑛 (12)
𝑥,𝑦 (𝑔(𝑥,𝑦))

5.4.2 Operador de realce

Para este caso es conveniente realzar pequeños detalles, que son componentes
de alta frecuencia, como el resalte o subrayado de los bordes, para dotarles de
mejor nitidez (Mayer H. , 2008). Para realizar este procedimiento se aplica el filtro
de Sobel con ayuda del software MATLAB, creando una máscara con la función
fspecial, imfilter. De esta forma se obtiene una imagen de bordes en escala de
grises. Para obtener tanto los bordes horizontales cómo los verticales se utilizará
la función imadd (Aguilera, 2006).

>>im1=imread('direccion de la imagen');
>>sf=fspecial('sobel');
>>sc=sf';
>>b1=imfilter(im1,sf);
>>b2=imfilter(im1,sc);
>>b3=imadd(b1,b2);
>>subplot(2,2,1),subimage(im1),Title('Imagen Original');

29
>>subplot(2,2,4),subimage(b3),Title('Sobel');

Figura 16. Filtrado final para la extracción de los bordes realizado en Matlab
Fuente: Propia

5.5 Actualización del catastro del municipio de Bolívar

5.5.1 Identificación de las manzanas

Al obtener la imagen filtrada se procede a identificar cada una de las manzanas

las épocas e identificar el crecimiento de la población urbana de este municipio,
para ello se realizó la respectiva vectorización de cada una de las manzanas de
cada una de las épocas, esto facilita la identificación de los predios al momento
de vectorizarlos, este proceso se realizó mediante el Software Arcgis.

Figura 17. Comparación de manzanas entre los años 1998 (Rojo) y 2014 (Azul)
Fuente: Propia

30
5.5.2 Identificación de las edificaciones

Realizados los anteriores pasos se empiezan a verificar los bordes detectados,

y a partir de estos se generan las hipótesis de las edificaciones, ubicadas en la
zona de estudio.

Figura 18. Comparación de predios de los años 1998 (verde) y 2014 (rojo)
Fuente: Propia

5.5.3 Creación de un nuevo MDE

Se realizará de nuevo un modelo digital de elevación el cual consiste en

encontrar las diferencias de elevaciones para conocer las alturas de cada uno
de los predios y así se podrá generar este modelo 3D de los edificios, lo que
permitirá, observar las modificaciones que han sufrido predios antiguos o la
nueva aparición de edificaciones en el municipio, esto se efectuó con la
herramienta Raster Calculator en Arcgis.

Figura 19. Nuevo modelo de cálculo de diferencias de alturas entre MDE y MDS
Fuente: Propia

31
5.6 Salidas graficas

Como salidas graficas se espera obtener un modelo digital de elevación en 3D

(MDE), los predios en 3D de cada una de las épocas y un ortofotomosaico con
la identificación de los predios nuevos posterior a la comparación de los predios
detectados en el ortofotomosaico de 1998 y 2013 respectivamente, altimetría y
vías a escala 1:2000.

Figura 20. Modelo 3D de la comparación de predios de 1998 (Verde) y 2014 (rojo)

Fuente: Propia

Figura 21. Modelo 3D del catastro del municipio de Bolivar.

Fuente: Propia

32
 6 BIBLIOGRAFÍA

Alcaldía de Bolívar - Valle del Cauca. (22 de Diciembre de 2015). Sitio oficial de
Bolívar en Valle del Cauca, Colombia. Obtenido de http://www.bolivar-
valle.gov.co/informacion_general.shtml#geografia

Avrahami, Y., Raizman, Y., & Doytsher, Y. (2007). Semi-automatic approach

toward mapping of flat-roofed buildings within a non-stereoscopic
environment. The Photogrammetric Record, 22, 53-74. Obtenido de
https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1477-9730.2007.00417

Bouziani, M., Goïta, K., & He, D.-C. (2010). Automatic change detection of
buildings in urban environment from very high spatial resolution images
using existing geodatabase and prior knowledge. ISPRS Journal of
Photogrammetry and Remote Sensing, 65. Obtenido de
http://www.sciencedirect.com/science/article/pii/S092427160900121X

Brédif, M., Tournaire, O., Vallet, B., & Champion, N. (2013). Extracting polygonal
building footprints from digital surface models: A fully-automatic global
optimization framework. ISPRS Journal of Photogrammetry and Remote
Sensing, 77, 57-65. Obtenido de
http://www.sciencedirect.com/science/article/pii/S0924271612002080

Fazan, A. J., & Dal Poz, A. P. (2013). Rectilinear building roof contour extraction
based on snakes and dynamic programming. International Journal of
Applied Earth Observation and Geoinformation, 25, 1-10. Obtenido de
http://www.sciencedirect.com/science/article/pii/S0303243413000329

IGAC Instituto Geográfico Agustin Codazzi. (7 de Mayo de 2015). Servicio de

noticias Instituto Geográfico Agustin Codazzi. El catastro multipropósito
herramienta fundamental del El catastro multipropósito herramienta
fundamental del. Bogotá. Recuperado el 25 de Abril de 2018, de
http://noticias.igac.gov.co/el-catastro-multiproposito-herramienta-
fundamental-del-pnd-para-ordenar-el-territorio-nieto-escalante/

Ioannidis, C., Psaltis, C., & Potsiou, C. (2009). Towards a strategy for control of
suburban informal buildings through automatic change detection.
Computers, Environment and Urban Systems, 33, 64-74. Recuperado el
24 de Febrero de 2018, de
http://www.sciencedirect.com/science/article/pii/S0198971508000665

Mayer, H. (2008). Object extraction in photogrammetric computer vision. ISPRS

Journal of Photogrammetry and Remote Sensing, 63, 213-222. Obtenido
de http://www.sciencedirect.com/science/article/pii/S0924271607001207

33
Mayer, S. (2001). Constrained optimization of building contours from high-
resolution ortho-images. International Conference on Image Processing,
1, págs. 838-841. Thessaloniki. Obtenido de
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=959176&isnu
mber=20726

Organización de las naciones unidas - ONU. (10 de Julio de 2014). Más de la

mitad de la población vive en áreas urbanas y seguirá creciendo. Obtenido
de ONU: http://www.un.org/es/development/desa/news/population/world-
urbanization-prospects-2014.html

Perez, J. L., & Delgado, J. (2004). Extracción semiautomática de edificios

mediante imágenes áereas monoscópicas y MDS. Congreso nacional de
topografía y cartografía TOPCART 2004. Madrid.

Ramos Rodríguez, L., & Ubaque Ubaque, N. A. (2014). La Proyección Del

Catastro Colombiano. Revista de Ingeniería(19), 140-149. Recuperado el
1 de Marzo de 2018, de
https://ojsrevistaing.uniandes.edu.co/ojs/index.php/revista/article/view/44
8

Revista Dinero. (28 de septiembre de 2017). Qué significa que Colombia alcance
50 millones de habitantes. Obtenido de Dinero: https://c/edicion-
impresa/pais/articulo/implicaciones-del-crecimiento-poblacional-de-
colombia-en-los-ultimos-anos/250398

Saeedi, P., & Zwick, H. (2008). Automatic building detection in aerial and satellite
images. 10th International Conference on Control, Automation, Robotics
and Vision, (págs. 623-629). Hanoi.

Tournaire, O., Brédif, M., Boldo, D., & Durupt, M. (2010). An efficient stochastic
approach for building footprint extraction from digital elevation models.
ISPRS Journal of Photogrammetry and Remote Sensing, 65, 317-327.
Obtenido de
http://www.sciencedirect.com/science/article/pii/S0924271610000171

34