UNIVERSIDAD DE CORDOBATesis doctoralCorrecci on automatica de la geometra de fotogramascapturados desde plataformas aereas no tripuladasSebasti an Castillo CarrionC ordoba, 2014TITULO: Correccin automtica de la geometra de fotogramas capturadosdesde plataformas areas no tripuladas.AUTOR: Sebastin Castillo Carrin Edita: Servicio de Publicaciones de la Universidad de Crdoba. 2014 Campus de RabanalesCtra. Nacional IV, Km. 396 A14071 Crdobawww.uco.es/publicacionespublicaciones@uco.esUNIVERSIDAD DE CORDOBATESIS DOCTORALCorrecci on automatica de la geometra de fotogramascapturados desde plataformas aereas no tripuladasAutor:SebastianCastilloCarri onDirector:Dr.JoseEmilioGuerreroGinelC ordoba,Mayo2014 Dr.JOSEEMILIOGUERREROGINEL,CatedrticodeUniversidaddel Departamento de Produccin Animal de la Universidad de Crdoba. INFORMA:quelapresentetesisdoctoraltituladaCorreccinautomticadela geometradefotogramascapturadosdesdeplataformasareasnotripuladas,yque constituyelamemoriapresentadaporD.SebastinCastilloCarrin,hasidorealizada bajomidireccinduranteelperiodo2011-2014y,amiparecer,renelascondiciones acadmicasexigidasporlalegislacinvigenteparaaspiraralgradodeDoctorporla Universidad de Crdoba. y para que quede constancia, firmo el presente informe en Crdoba a 21 de mayo de 2014. Fdo.: Prof. Dr. Jos Emilio Guerrero Ginel 1 !"!#$% '( $) !(*+*, -Correccln auLomLlca de la geomeLrla de foLogramas capLurados desde plaLaformas aereas no Lrlpuladas"'%.!%/)0'%, u. SebasLln CasLlllo Carrln !"#$%&' %)*$")+$ +', +!%'-.$% +' ,) .'/!/ La presenLe Lesls docLoral supone un lmporLanLe avance en el conoclmlenLo y en su apllcacln,relaLlvosalacapLura,procesamlenLo,vlsuallzaclnyuLlllzaclnde foLogramas,queorlglnalmenLenodlsponendepreclslnmeLrlca.LalnvesLlgacln bslcayapllcadareallzadaconfluyeenlaobLenclnderesulLadosdelndudable relevancla clenLlflca y Lecnolglca.LalnvesLlgaclnreallzada,lncorporaeldesarrollomeLodolglcoparala lncorporacln de foLogramascon dlsLlnLa resolucln espaclal, en mosalcos consLruldos condlversasfuenLesfoLogrameLrlcasyqueabarcanampllasreasdelLerrlLorlo.Ll LraLamlenLodelmgenesprocedenLesdeuAvsylaopLlmlzaclndelos procedlmlenLos para reallzar correcclones geomeLrlcas auLomLlcamenLe, sln apoyo de daLosLopogrflcosdecampo,consLlLuyeunavancedlgnodemenclonar,porloque suponedeaporLaclnalconoclmlenLo,comoporlaenormerepercuslnpracLlcaque puedeLenerparaeldesarrollodeuLllldadesasocladasalageneraclndelmgenes que orlglnalmenLe no Llenen meLrlca, no solo en el caso de las lmgenes Lomadas con uAvs, slno Lamblen en el caso de oLras lmgenes,con poca preclsln meLrlca. 1amblensuponeunalmporLanLeaporLaclnalosprocedlmlenLosdenavegaclnde uAvsyasuslsLemaLlzacln,quepermlLlrnme[orarsusLanclalmenLelaeflclencladel proceso lnLegral de capLura, LraLamlenLo y uLlllzacln de lmgenes foLogrameLrlcas.LaLeslsseacompanadeunadesLacablecanLldaddeprogramaslnformLlcos orlglnales y con cdlgo ablerLo, que pueden suponeruna gran ayuda a lnvesLlgadores en el mblLo de la correccln auLomLlca de lmgenes foLogrameLrlcas.Los resulLados obLenldos en esLa LeslsdocLoralha dado lugar a una publlcacln en revlsLa lndexada y oLroesL en proceso deevaluacln para su poslble publlcacln. A conLlnuacln, se deLalla la referencla de dlcho arLlculo: Castillo-Carrin,S.,Romero-Jimnez,R.,Guerrero-Ginel,J.-E.,andMeroo-Larriva,J.-E.(2012). Algorithmsandaccuracyoftransformingorthophotomapsintoquadtreetilingforgooglemaps.Journal of Imaging Science & Technology, 56(1): 0105021-0105028. orLodoloanLerlor,plensoqueesLaLeslsdocLoralreunesuflclenLerequlslLospara ser someLlda a su defensa publlca. Crdoba, 21 de mayo de 2014 ldo.: Prof. Dr. Jos Emilio Guerrero GinelAgradecimientosQuieromostrarmi agradecimientoatodasaquellaspersonasquedeunmodouotrohanhechoposibleeldesarrollodeestatesis.En primer lugar quiero agradecer a D. Jose Emilio Guerrero Ginel, direc-tordeestatesis, porlamagncalabordedirecci onquehadesempe nado,mostrando gran exibilidad y adaptaci on en la forma de trabajar, ademas deserunextraordinarioprofesoryanimador.A todo el personal del departamento de Producci on Animal, por fomentarunbuenambientedetrabajo,demostrandoserunosexcelentescompa neros.Atodosaquellosquedealgunaformasehanvistoinvolucradosenlosvuelos deUAV. Nuncaolvidarelailusi onyel nerviosismoenlos das detrabajodecampo; lastardesconJoseEmilio,Angel yJoseCarloshacanagradableestar7horasenmitaddeunolivar, especialmenteenel mesdeJulio,am asde40C.A mi familia, especialmente mis padres, por su cari no, apoyo y conanza,quememotivabanaseguiradelante.Ypor ultimo, ynopor ellomenos importante, aReme, por suapoyoincondicional frente a la cantidad de horas que he estado ausente para poderelaborarestatesis,quetambiensehaconvertidoenunaexpertaenUAV.IndicegeneralListadeguras VListadetablas IXResumen 1Summary 31. Introducci on 52. Estadodelarte 92.1. Integraci ondeortofotografasprocedentesdevariosorgenesenunsistemauniversal . . . . . . . . . . . . . . . . . . . . . . 92.2. Tratamiento de im agenes procedentes de UAVs y optimizaci ondelosprocedimientosdegeneraci onautom aticadeim agenesconmetrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123. Materialesymetodos 213.1. Integraci ondeortofotografasprocedentesdevariosorgenesenunsistemauniversal . . . . . . . . . . . . . . . . . . . . . . 213.1.1. Materiales . . . . . . . . . . . . . . . . . . . . . . . . . 213.1.2. Principio b asico de una estructura Quadtreeen GoogleMaps. . . . . . . . . . . . . . . . . . . . . . . . . . . . 233.1.3. Precisiongeometricadel arboljer arquico . . . . . . . . 233.2. Tratamiento de im agenes procedentes de UAVs y optimizaci ondelosprocedimientosdegeneraci onautom aticadeim agenesconmetrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253.2.1. Softwaredecorrelaci ondeim agenes:ImageJ . . . . . . 253.2.2. Plataformaaerea, conjuntode imagenes yubicaci ongeogr aca . . . . . . . . . . . . . . . . . . . . . . . . . 253.2.3. An alisis estadstico aplicado a la optimizaci on de parame-tros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28IIIINDICEGENERAL3.3. Contraste de la optimizacion de los procedimientos de genera-ci onautom aticadeim agenesconmetrica. . . . . . . . . . . . 283.3.1. Plataformaaerea, conjuntode imagenes yubicaci ongeogr aca . . . . . . . . . . . . . . . . . . . . . . . . . 283.3.2. Parametrosdelvuelo . . . . . . . . . . . . . . . . . . . 303.3.3. Validaci ondelalgoritmoSIFToptimizado . . . . . . . 313.3.4. Softwarelibredecreaci ondeortofotografa:MicMac . 313.3.5. EquipamientoHardwareyHerramientasSoftware . . . 313.3.6. Precisiongeometricadelaortofoto . . . . . . . . . . . 314. Resultadosydiscusi on 334.1. Integraci ondeortofotografasprocedentesdevariosorgenesenunsistemauniversal . . . . . . . . . . . . . . . . . . . . . . 334.1.1. Generaciondelarboldeteselas . . . . . . . . . . . . . 334.1.1.1. Pasosprevios.Sistemadeproyecci onycoor-denadas . . . . . . . . . . . . . . . . . . . . . 334.1.1.2. Generaci ondeunsubarbol . . . . . . . . . . . 344.1.1.3. Resultadodelageneraci ondelossubarboles. 454.1.1.4. Resultado de la actualizaci on del sub arboltqssrrrtq. . . . . . . . . . . . . . . . . . . . . 474.1.2. Estudioestadsticodelaexactitudposicional . . . . . . 514.2. Tratamiento de im agenes procedentes de UAVs y optimizaci ondelosprocedimientosdegeneraci onautom aticadeim agenesconmetrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 564.2.1. Conguraciondelsensorymetodosdecaptura. . . . . 564.2.2. Conexioninal ambricaUAV-GCS . . . . . . . . . . . . 564.2.3. Establecimiento de correspondencias entre el chero detelemetraylasimagenesaereas . . . . . . . . . . . . . 574.2.4. Extraccionderegionesdeinteresdeunaortofoto . . . 584.2.5. Preparaciondelentornosoftware . . . . . . . . . . . . 604.2.6. Optimizaciondeparametros . . . . . . . . . . . . . . . 634.2.7. Estudio estadstico aplicado a la optimizacion de par ame-tros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 664.3. Contraste de la optimizacion de los procedimientos de genera-ci onautom aticadeim agenesconmetrica. . . . . . . . . . . . 694.3.1. Conguraciondelsensor . . . . . . . . . . . . . . . . . 694.3.2. Parametrosdelvuelo . . . . . . . . . . . . . . . . . . . 734.3.3. Ejecuciondelvuelo . . . . . . . . . . . . . . . . . . . . 744.3.4. Validaci ondelalgoritmoSIFToptimizado . . . . . . . 784.3.5. Generacion de ortofotografa asignando puntos de con-trolautomaticamente. . . . . . . . . . . . . . . . . . . 81INDICEGENERAL III4.3.5.1. Identicaci on de puntos correlativos entre im age-nesaereasyregionesdeunaortofotoyageo-referenciada. . . . . . . . . . . . . . . . . . . 824.3.5.2. Correlaci onautom aticadepuntosdecontrolentreim agenesaereas . . . . . . . . . . . . . 834.3.6. Testsdecalidadposicional . . . . . . . . . . . . . . . . 855. Conclusiones 93Bibliografa 95Anexos 109A. C odigodesarrolladoparaintegrarortofotografasenunsis-temauniversal 111A.1. JA2Google.pl . . . . . . . . . . . . . . . . . . . . . . . . . . . 111A.2. blank.tif,blank.jpg . . . . . . . . . . . . . . . . . . . . . . . . 112A.3. Orto.pm. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112A.4. params.pl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113B.Codigodesarrolladoparacontrol ytratamientodedatosdeAPM 115B.1. ardposatt.pl . . . . . . . . . . . . . . . . . . . . . . . . . . . 115B.2. Cambiodeformatotemporal . . . . . . . . . . . . . . . . . . . 115B.3. Listadodeim agenesymarcatemporaldeadquisici on . . . . . 116B.4. ardimg.pl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116B.5. CamMovement.pde . . . . . . . . . . . . . . . . . . . . . . . . 116B.6. scriptdecontrolautom aticodec amarasconrmwareCHDK . 117C.Ficherosyc odigodesarrolladoenel estudiodelaoptimiza-ci ondeparametrosdelalgoritmoSIFT 119C.1. crearortobase.sh+img.txt . . . . . . . . . . . . . . . . . . . 119C.2. siftGCP.ijm+img.txt . . . . . . . . . . . . . . . . . . . . . . 119C.3. Experimento1.pdf-Experimento12.pdf . . . . . . . . . . . . . . 119C.4. Experimento13.pdf . . . . . . . . . . . . . . . . . . . . . . . . 121D. Ficheros yc odigodesarrolladoparageneraci onautomaticadeimagenesconmetrica 123D.1. Validaci ondelaoptimizacionenunvueloprogramado . . . . 123D.2. IdenticaciondeGCPs . . . . . . . . . . . . . . . . . . . . . . 125D.3. imgcpimgcp.pl . . . . . . . . . . . . . . . . . . . . . . . . . . 125D.4. Rutinaauxiliarparaelc alculoestadstico . . . . . . . . . . . . 126IVINDICEGENERALD.5. TestsNSSDAdecadaensayoenlancadeSantaClotilde . . 134D.6. OrtofotoymodelodigitaldelterrenodelEnsayo1 . . . . . . . 147D.7. HerramientasMicMacutilizadasparaelaboraci ondeortofotos 147D.7.1. Comandossimplicados . . . . . . . . . . . . . . . . . 147D.7.2. Flujodetrabajo . . . . . . . . . . . . . . . . . . . . . . 152Indicedeguras3.1. Localizaci on geogr aca de una ortofoto de 15cm de resoluci ondeun areadelaprovinciadeCordoba . . . . . . . . . . . . . 223.2.Arboljer arquicodeteselas . . . . . . . . . . . . . . . . . . . . 233.3. Localizaci ondel areade adquisicionde imagenes obtenidasconcamaraGoPro . . . . . . . . . . . . . . . . . . . . . . . . 263.4. Ubicaci on geogr aca de la nca Santa Clotilde en Carde na(Cordo-ba) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304.1. Subramadelarbolgeneraldeteselas . . . . . . . . . . . . . . 344.2. Diagramadeujodel algoritmogeneradordeidenticadoresdeteselas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354.3. Diagramadeujodelalgoritmodegeneraciondeteselashoja 364.4. Generaci ondelateselahojatqssrrrtqstqssqs. . . . . . . . . 384.5. Diagramadeujodel algoritmodegeneraciondeteselasdenivelessuperiores . . . . . . . . . . . . . . . . . . . . . . . . . 394.6. Ejemplodegeneraci ondeunateselatqssrrrtqstqssqapartirdesusteselashijas . . . . . . . . . . . . . . . . . . . . . . . . 404.7.Arboljerarquicoglobalysub arbolaactualizar.Encolorazulsemuestraelsubarbolaactualizar,enverdesemuestranlasteselashoja . . . . . . . . . . . . . . . . . . . . . . . . . . . . 414.8. Diagramadeujodelalgoritmodeactualizaciondelarbol . . 424.9. Diagrama de ujo del algoritmo optimizado generador/actua-lizadordel arboljerarquico . . . . . . . . . . . . . . . . . . . 434.10. Recorridooptimizadodel arbol, mostrandoenqueordensegeneracadatesela. . . . . . . . . . . . . . . . . . . . . . . . . 444.11. Coberturageogr acadenodosorigendevariossubarbolesenlaregiondeAndaluca . . . . . . . . . . . . . . . . . . . . . . 454.12. Teselasdelaramaconteselaorigentqssrrrtqyteselanaltqssrrrtqstqssqs. . . . . . . . . . . . . . . . . . . . . . . . . 464.13. Ortofotoaincorporarenel arboljer arquico . . . . . . . . . . 47VVIINDICEDEFIGURAS4.14. Teselas tqssrrrtqsqrqrqs (izquierda) ytqssrrrtqsqrqrrt (dere-cha),racesdelosdossub arbolesaactualizar . . . . . . . . . 484.15.Arboljerarquicoglobalactualizadoapartirdeunanuevaor-tofoto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 494.16. Teselas tqssrrrtqsqrqrqs (izquierda) ytqssrrrtqsqrqrrt (dere-cha)actualizadas . . . . . . . . . . . . . . . . . . . . . . . . . 504.17. Exactitudposicionaldel arboljer arquicogenerado.Diagramadebarrasydistribuci onnormaldeEx . . . . . . . . . . . . . . 544.18. Exactitudposicionaldel arboljer arquicogenerado.Diagramadebarrasydistribuci onnormaldeEy . . . . . . . . . . . . . . 544.19. Exactitudposicionaldel arboljer arquicogenerado.Diagramadebarrasydistribuci onnormaldeRMSE . . . . . . . . . . . 554.20. CorrespondenciaentrelatelemetradelUAVylasimagenes . 574.21. Diagramadeujodelalgoritmodeextraccionderegionesdeunaortofoto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 594.22. Tresim agenesaereastomadasconunacamaraGopro(partesuperior),ysuscorrespondientesregiones(parteinferior)ex-tradas de una ortofoto de la Consejera de Medio Ambiente yOrdenaci ondelTerritorio. . . . . . . . . . . . . . . . . . . . . 604.23. Diagrama de ujo de una macro implementada en ImageJ paracorrelacionarm ultiplesim agenes. . . . . . . . . . . . . . . . . 624.24. SM para diferentes valores de nScales y sigma asignados en elprocedimientodeoptimizaciondeSIFT. . . . . . . . . . . . . 644.25. CMRparadiferentesvaloresdenScalesysigmaasignadosenelprocedimientodeoptimizaci ondeSIFT. . . . . . . . . . . . 654.26. Correlaciones entre los puntos clave de la imagen aerea GOPR0061ysuregi oncorrespondienteenunaortofotodelaConsejeradeMedioAmbienteyOrdenaci ondelTerritorio. . . . . . . . . 664.27. Algoritmo de adquisici on de im agenes para c amara Canon conrmwareCHDK. . . . . . . . . . . . . . . . . . . . . . . . . . 704.28. Diagramadeujodel algoritmoqueestabilizael dispositivodeadquisiciondeimagenes. . . . . . . . . . . . . . . . . . . . 724.29. DeniciondeunarutadevueloenMissionPlanner . . . . . . 754.30. Rutas de la plataforma. Cada toma fotograca y su orientaci onserepresentaconuniconodeaeromodelo. . . . . . . . . . . . 774.31. Seleccion de 24 imagenes aleatorias en la nca de Santa Clotilde. 794.32. SM (izquierda), y CMR (derecha) sobre una muestra aleatoriade 50 correlaciones, aplicando RANSAC con error maximo dealineaci on=10pxeles . . . . . . . . . . . . . . . . . . . . . . . 804.33. SM(izquierda) yCMR(derecha) utilizando RANSACconerrormaximodealineaci on=1.1pxeles . . . . . . . . . . . . . 81INDICEDEFIGURAS VII4.34. Extracci onautom aticadepuntosdecontrolsobreelterreno . 824.35. Correlaci onautomaticadepuntosdecontrol entreimagenesaereas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 844.36. Distribuci ondepuntosdemayorprecision. . . . . . . . . . . . 874.37. Distribuci ondepuntosdecontroldelensayo1 . . . . . . . . . 894.38. Ortofotogeneradaenelensayo1 . . . . . . . . . . . . . . . . 904.39. Modelodigitaldelterrenogeneradoenelensayo1. . . . . . . 91Indicedetablas3.1. EspecicacionestecnicasdelaplataformaSkywalkerFPV . . 253.2. Especicacionestecnicasdel conjuntodeim agenes, criterios,ycamaraGoPro . . . . . . . . . . . . . . . . . . . . . . . . . . 273.3. EspecicacionestecnicasdeunaortofotodelaConsejeradeMedioAmbienteyOrdenaciondelTerritorio . . . . . . . . . . 283.4. Especicacionestecnicasdeunmodelodigital del terrenodela Consejera de Medio Ambiente y Ordenaci on del Territorio.CoordenadasenUTM30NETRS1989 . . . . . . . . . . . . . 293.5. Especicaciones tecnicas del modelo digital del terreno delIGN.CoordenadasenUTM30NETRS1989. . . . . . . . . . 293.6. EspecicacionestecnicasdelaplataformaSkywalkerX8 . . . 293.7. EspecicacionestecnicasdeunacamaraCanonIXUS220HS . 304.1. Variables estadsticas para el estudio de la exactitud posicionaldelarboljerarquicogenerado. . . . . . . . . . . . . . . . . . . 514.2. Variablesestadsticascomplementariasexpresadasenmetros . 514.3. Ex(m)paracadaintervalo . . . . . . . . . . . . . . . . . . . . 524.4. Ey(m)paracadaintervalo . . . . . . . . . . . . . . . . . . . . 534.5. Et(m)paracadaintervalo . . . . . . . . . . . . . . . . . . . . 534.6. Mediaydesviacionestandar . . . . . . . . . . . . . . . . . . . 534.7. Especicaciones de cada regi on extrada de una ortofoto de laConsejeradeMedioAmbienteyOrdenaciondelTerritorio . . 594.8. SM (normal) y CMR (cursiva) para diferentes valores de FDSyNNDRenelprocesodeoptimizaci ondeSIFT . . . . . . . . 634.9. An alis de varianza de la variable dependiente CMR frente a losfactoressigmaynScalesenelprocedimientodeoptimizaciondeSIFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 674.10. Test demedias delavariabledependienteCMRrespectoasigma y nScales en el procedimiento de optimizaci on de SIFT.Intervalodeconanzaal95 % . . . . . . . . . . . . . . . . . . 674.11. Mediaydesviaci onest andardelconjuntodevalidacion . . . . 68IXCorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladas4.12. Especicacionestecnicasdelasregionesextraidasdelaorto-fotoespecicadaenlatabla3.3 . . . . . . . . . . . . . . . . . 804.13. Mediaydesviaci ontpicadeCMRfrenteadiferenteserroresdealineacion . . . . . . . . . . . . . . . . . . . . . . . . . . . 814.14. Puntosdecontroldetectadosautom aticamente. . . . . . . . . 854.15. TestsNSSDAenvariosensayos . . . . . . . . . . . . . . . . . 874.16. Especicacionestecnicasdelaortofotogeneradaenelensayo1 924.17. Especicacionestecnicasdel modelodigital del terrenogene-radoenelensayo1 . . . . . . . . . . . . . . . . . . . . . . . . 92C.1. Resumendelos resultados mostrados enExperimento1.pdf-Experimento10.pdf . . . . . . . . . . . . . . . . . . . . . . . . 120C.2. ResumendelosresultadosmostradosenExperimento13.pdf . 122D.1. Optimizaciondel ltradoRANSAC. Valores deSMyCMRasignandodiferenteserroresdealineaci on. . . . . . . . . . . . 124D.2. Puntosdecontroldetectadosencadaimagenparacadaensayo 126D.3. TestNSSDA.Ensayo1,MDT05m . . . . . . . . . . . . . . . . 135D.4. TestNSSDA.Ensayo1,MDT10m . . . . . . . . . . . . . . . . 137D.5. TestNSSDA.Ensayo2,MDT05m . . . . . . . . . . . . . . . . 139D.6. TestNSSDA.Ensayo2,MDT10m . . . . . . . . . . . . . . . . 141D.7. TestNSSDA.Ensayo3,MDT05m . . . . . . . . . . . . . . . . 143D.8. TestNSSDA.Ensayo3,MDT10m . . . . . . . . . . . . . . . . 145XResumenEl documento consta de cuatro captulos, en el primero se dene el marcoen el que se desarrolla el trabajo de investigacion, y los objetivos a alcanzar.Elsegundocaptulopresentaelestadodelartesobrelageneraci ondeinfor-maci ongeoespacial,ysugesti onyactualizacion.Eltercercaptulomuestralos materiales y metodos utilizados: plataformas de vuelo, sensores, software,zonas devuelo, etc. Enel cuartocaptulosepresentanlos resultados queresumimosacontinuaci on:Conelobjetivodeintegrarygestionarortofotografascondiferentesca-ractersticas yprocedentes de varios orgenes, se hadesarrolladounasis-tem aticasustentadaenarboles jer arquicos, que permite gestionar las im-portantescantidadesdeinformaci onespacial disponibleyaccederaelladeforma sencilla y agil. La investigacion ha incluido, en un territorio de 89.000Km2, losprocedimientosparagenerarel arbol deteselas, lossub arbolesyunestudiodeexactitudposicional.Se hangeneradodistintas soluciones paraincrementar el potencial deplataformas de vuelo tripuladas remotamente, dotadas con sensores a bordo,deellassedestacan:Integraci ondelossensoresconlaplataformadevuelo, mediantepro-tocolosdeprocesamientodelainformaci on,consolucionesbasadasenhardware y software libre, destacando entre ellos el autopiloto Ardupi-lotMegayelprotocolodecomunicaci oninalambricaMAVLINK.Procesamiento automatico de la informaci on suministrada por la plata-forma y los sensores, utilizando software especializado de procesamientode im agenes y software fotogrametrico, y estableciendo ujos de trabajoentre ambos. Se ha empleado software de c odigo abierto para favorecerlainteroperatividadycompatibilidadentrelasdistintasherramientas;entre las herramientas utilizadas destacan ImageJ y MicMac, as comolaposibilidaddeadaptarelsoftwarealanaturalezadelasim agenesaprocesar, locual noshapermitidollevaracabounaoptimizaciondedichosoftware.1CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasEl procesodeoptimizaciondelosdiferentesparametrosparamejorarlageometra,paraelquesehanutilizadolasimagenescapturadascondoscamarasdiferentesydosplataformasdevuelo.Elprocedimientoparagenerarunaortofoto,analizandosufuncionali-dadylacalidaddelresultadonal.El documento se completa con las conclusiones del trabajo y con los Anexosenlosquesehanrecogidolaslneasdec odigocorrespondientesalosdis-tintosprogramasdesarrolladosparalacaptura, gesti on, optimizaciondelageometradelasimagenescapturadasyvisualizaciondelasortofotos.2SummaryThisdocumentconsistsof fourchapters, therstonecontainsthefra-meworkinwhichthe present PhDthesis is developed, anddescribes theobjectivesachievedinthisthesis. Thesecondchapterprovidesaliteraturereviewofcreation, managementandupdateofgeospatial information. Thethird chapter describes materials and methods used: aerial platforms, sensors,software, ight areas, etc. The fourth chapter provides the results, which herewedescribeageneralviewofthem:It has been developed a method based in hierachical trees to integrate andmanage orthophotos from dierent sources and with dierent characteristics,whichallowsamoreecientaccesstogeospatialinformation.Thisresearchincludesproceduresongeneratingtreetilesandevaluatesitspositional ac-curacyinanareaof89.000Km2.It has been developed dierent methodologies to explore the potential forusingunmannedaerialvehiclewithsensors:Sensors integrationwithaerial platformdevelopingnewprotocols ofinformationprocessing, basedinopensourcesoftwareandhardware,like Ardupilot Mega, an open source unmanned aerial vehicle, and MA-VLINK,aprotocolforcommunicatingwithsmallunmannedvehicle.Automated processing of information relating to logs generated by sen-sor andaerial platform, usingimageprocessingsoftwareandphoto-grammetrytools workows. It has beenusedopensource software,whichencouragessoftwarecompatibilityandinteroperability;wehaveusedMicMacandImageJ,and,astheyareopen-sourceprograms,wehave made optimization of their parameters, accomodating software toimagecontent.Twocamerasandtwoaerialplatformshavebeenusedtooptimizepa-rametersofthesoftwareinvolved.It has been designed and developed a workow to make an orthophoto,andithasbeenevaluateditsaccuracyandusefulness.Finally,thisdocumentendswithconclusionsandannexes,whichcollectsource code developedfor tasks of capturing, management andgeometryoptimizationofimages,andvisualizationoforthophotos.3Captulo1Introducci onSeg un el Instituto Geogr aco Nacional1(IGN), se conoce por informaciongeogr acaoespacialatododatovinculadoaunaposici onsobreelterreno.Debido a la complejidad que presenta la informacion geogr aca (cantidad deelementos que la componen, propiedades dimensionales, etc), explotar todo supotencial presenta cierta complejidad, por lo que es necesario almacenarlas deforma estructurada en bases de datos geogr acas, llevando a cabo operacionesde consulta y modicacion a traves de un Sistema de Informaci on Geograca(SIG).UnSIGesunatecnologaquepermiteanalizarygestionarlainforma-ci onespacial conel nderesolverproblemascomplejosdeplanicaci onygesti on(Llopis2006).M asinformalmente,sepuededenirunSIGcomounentornodetrabajoautomatizadoenel quesedisponetodalainformaci oncontenida en un conjunto de mapas necesarios para un determinado estudio,informaci on que se puede combinar y relacionar, estando cada elemento espa-cial identicado individualmente con todas sus caractersticas (Nu nez-Alonso1989).LosSIGscadavezgestionanmasinformaciondebidoalademandaqueseexperimentaen ambitoseducativos,gestiondelterritorio,medioambien-te, urbanismo, registrodelapropiedad, etc, aloquesesumael aumentodelvolumendedatosespacialesaportadospordiversasfuentes(telepercep-ci on, censos, etc), variedaddeformatos, diversas escalas, etc. Entornoaestaareaexisteunamplioyactivocampodeinvestigacion,desarrollandoeimplantandonuevosmetodosparatratamiento, organizaci onycompresionde imagenes (MeadenandKapetsky1992); plataformas universales como1http://www.ign.es/ign/resources/cartograaEnsenanza/ideeEso/I-IDE/I-IDE/recursos/I-IDE.pdf,accedido6Febrero20145CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasGoogleMaps2, Yahoomaps3yBingMaps4organizanyestructuranlainformaci onenmosaicosempleandometodologasqueagilizanelacceso.Otra importante evolucion ha tenido lugar en las tecnicas empleadas paragenerarinformaciongeogr acaatravesdefotogrametraaerea:laintroduc-ci ondevehculosaereosnotripulados(UAVs), lastecnologasdemapeadoyel usodecamarasfotogr acasdigitales, seempleanhoydacomoherra-mientas complementarias a sistemas convencionales como aviones tripuladosyteledetecci onenlaadquisiciondeinformacionapeque naogranescaladeunobjetoofen omeno.UnUAVpuedesercontroladodeformaremota,odeformaautonomaporundispositivointegradoenelUAV(Jenaro-deMencos2013,Eisenbeiss2004),cuyosparametrossepuedenmonitorizarymodicardesde una estaci on de control (GCS) a traves de un enlace inal ambrico; en los ultimosa nos, losmodulosxbeesepresentancomounaopci onecon omicayeciente, ampliamente utilizada en redes de sensores basados en el protocolo802.15.4Zigbee(Mayalarpetal. 2010); unUAVqueincorporeunmoduloxbee puede comunicarse con otros sistemas que integren estos modulos: GCS,otras redes de sensores, etc (Todd et al. 2007), con enlaces inal ambricos te ori-cosde40kmutilizandoantenasdipoloyvisi ondirecta5.LosUAVtienenunamplioabanicodeaplicaciones,comoelaboraciondemodelosdigitales,gestiondelterritorio,planicaci onurbana,evaluaci ondecat astrofes,agriculturadeprecisi on,inspecci ondelterreno,etc;seg unauto-rescomoJenaro-deMencosandPi neiro-Garca-deLeon(2014),losUAV,yenespecialunavarianteconocidacomoNAV(nanoUAV),conunpesotanreducidoquenoda naaunapersonaencasodeimpacto, ni requierecon-templar medidas especcas de coordinaci on del espacio aerea, en la proximadecadaestarancadavezmaspresentesenentornosurbanos.Losdatosrecopilados por el UAVpresentanciertas caractersticasqueexigen un tratamiento previo a la generaci on del producto nal como puedenserunaortofotodeprecisi on,unDTM,DSM,etc.Lograrefectuarestepro-cesadodeformaecazyautom aticaesunprocesoclaveenelusodeUAVsparateledetecci on.Las nuevas tecnologas permiten abaratar costes en sensores de captaci ondeimagenes, popularizandoel usodec amaras noprofesionales parausosmetricos; sin embargo estas imagenes no poseen metrica adecuada para nesprecisosypresentandeformacionesgeometricas,siendonecesarioalgoritmosdecorreccion.Noobstante,enlos ultimosa nos,lavisi oncomputacionalha2maps.google.es,accedido7Febrero20143http://espanol.maps.yahoo.com/,accedido7Febrero20144http://www.bing.com/maps/,accedido7Febrero20145http://www.digi.com/products/wireless-wired-embedded-solutions/zigbee-rf-modules/point-multipoint-rfmodules/xbee-pro-868#specs,accedido4Marzo20146Captulo1. Introducciontrabajadoactivamenteenel procesamientodeestetipodeim agenes paraaplicarenm ultiplesambitos, desarrollandoalgoritmosquepermitendetec-tar caractersticas distintivas en im agenes (correlacion de imagenes); un altoporcentaje de estos algoritmos est an enfocados al mercado reciente, cada vezm as amplio, de dispositivos moviles que integran sensores genericos, dotandoa estos dispositivos de valor a nadido y proporcionando un enorme potencial.Unodelosambitosdeaplicacionesel reconocimientodepatrones, inclusoencondiciones pocofavorables: iluminaci ondeciente, im agenes borrosas,cambios en la escena, etc, permitiendo relacionar imagenes entre s de formaeciente.Estosalgoritmospermitenqueundispositivom ovildetecteciertoselementos enim agenes yefect uediversas operaciones (rastrear objetos enmovimiento,fusionarim agenes,etc).Lasim agenesobtenidasencondicionesnofavorables,comoeselcasodelas recogidas desde UAVnormalmente conc amaras noprofesionales, unaveztratadascontecnicasdevisionporcomputadorpuedenalcanzarnivelesdeprecisi onycalidadsucientesparadesarrollarnumerosasutilidades. Unaspectoimportantearesaltaresquecombinandovisi onporcomputadoryfotogrametra, sepuedengenerarmodelostridimensionaleseimagenesconmetricadeformaautomaticaapartir deim agenes, simplicandoprocesosmanuales(Bejaranoetal.2013).Esporelloqueseplanteaunatesisconlossiguientesobjetivos:ObjetivosEl objetivo general de esta tesis es dise nar e implementar una sistematicadegeneraciondeortofotosyprocesamientodeimagenes,deformaautoma-tizadaapartirdevuelosUAVrealizadosconc amarassinmetricaprecisa,organizando,estructurandoeintegrandoelresultadoenunmosaicocompa-tibleconplataformasuniversales.Losobjetivosespeccosson:Dise nar eimplementar unalgoritmoqueorganiceyestructureorto-fotosenmosaicosfacilesdeusar, sinconsumodegrandesrecursosycompatiblesconplataformauniversales.Dise nareimplementarunasistem aticaparalacapturaytratamientodeimagenesprocedentesdeplataformasUAVs.Optimizar los procedimientos para la generaci on autom atica de image-nesconmetricapartiendodeim agenessinmetrica.7Captulo2Estadodelarte2.1. Integraci ondeortofotografasproceden-tesdevariosorgenesenunsistemauni-versalEl r apido crecimiento de hardware y software, unido a los requerimientosde informacion geogr aca por parte de la comunidad de usuarios, ha aumen-tadoelusodesistemasSIGparaanalizar,procesarygestionarinformaciongeoespacial. El hecho de que Internet se encuentra cada vez mas presente entodoslos ambitos, facilitandoel intercambiodeinformaci on, haocasionadouna evolucion natural de los SIG hacia las llamadas Infraestructuras de DatosEspaciales(IDE)(Rodrguez-Pascualetal.2007).UnIDEpermitevisualizar,superponer,consultaryanalizarlainforma-ci on geogr aca publicada en Internet, siguiendo unos est andares establecidospor la Directiva Inspire(EU 2007) y el OpenGeospatialConsortium(OGC);lainformacionest acompartidaenlared,yelusuarioaccedemedianteunodelosSistemasdeInformaci onqueconstituyeel IDE, el cual transmitelainformaci ongeogr acasiguiendoelest andarWMSdelOGCatravesdeunserviciodemapas(Pascualetal.2006).Laidoneidaddelformatodelosda-tos, medios de transmisi on, y cantidad de informaci on que se ha de transmitirdesempe naunpapelfundamentalenlapercepciondelatenciaoretrasoquetieneel usuariodel sistema, siendoel casodeimagenesrasterel elementom as representativo. Existennumerosos ejemplos de Sistemas de Informa-ci on, comosonel SistemadeInformaci onGeogr acadeIdenticaciondeParcelasAgrcolas(SIGPAC)(Miron-Perez2005),orientadoalagestiondeayudasagrarias;GEOPISTA1,SistemadeInformaci onterritorialdec odigo1http://www.geopista.com/,accedido30Noviembre20139CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasabiertoparalosAyuntamientosquepermitegeorreferenciartantolainfor-maci oncomolapropiagesti onmunicipal; IDEAndaluca2, geoportal delaInfraestructura de Datos Espaciales de Andaluca para consultar informaci ongeogr aca de la Comunidad Autonoma; IDEE3, Infraestructura de Datos Es-pacialesdeEspa na;etc.ElementosdegranimportanciaqueconstituyenunIDEsonlasortofotos, cuyon umeropuedellegarasermuyelevado, porloquepararealizarunusoygesti onecazde estasesnecesarioestructurarlasyorganizarlas;elPlanNacionaldeOrtofotografaAerea(PNOA)estableceunasdirectivasparaesten,dividiendolashojascartogracashastaescala1:5000, aunque en diversas situaciones la division de las hojas puede llegar aproducirsehastaescala1:500; Cuadradoetal.(2006)exponenladicultadde lograr continuidad geometrica y homogeneidad entre las series cartogra-casydentrodeellas,analizandodiferentessolucionesalproblema,perosinllegaraningunadenitiva.Elavancetecnologicoyprogresivoabaratamientodesensorescontribuyeaquelainformaci ongeoespacial generadaseacadavezmayor, llegandoalacantidadde varios terabytes al da(Li andBretschneider 2007). Paraagilizarlatransmisi ondedatos, unaopcionesemplearlasnuevastecnicasdesarrolladas entransmisiondeimagenes. Srinivas et al. (1999) proponentransmisi on progresiva de imagenes raster, comprimiendo y transmitiendolasgradualmente. Unavezlasimagenescomprimidashanllegadoal cliente, sereconstruyen.Noobstante, estastecnicasnosonsucientespor el volumendedatosespaciales que deben gestionar los servidores, por lo que es necesario recurrira otras tecnicas. Cuando se lleva a cabo una consulta a un servidor de mapas,este determina cual es el area de interes a transmitir. Para acelerar el procesoy no procesar el mapa raster completo, los servidores de mapas implementanunmecanismodenominadoteselado: el mapasedivideenregiones m aspeque nas denominadas teselas, siendo cada una de estas la unidad mnima detransmisi on; se pueden denir varios niveles de detalle y establecer jerarquas,constituyendo una estructura piramidal de teselas que es almacenada en unacacheconespaciolimitado.Cuandoelclienteefect uaconsultasespacialesalservidor,estedeterminaqueteselasconstituyenlaregiondeinteresy,encaso de que no esten en cache, procede a la generaci on piramidal de teselasysutransmisi onbajodemandahaciaelcliente.Kang et al. (2001) proponen uso de cache en los clientes para acelerarel acceso a las teselas, y anticiparse a la petici on de nuevas teselas generandoaquellasconmayorprobabilidaddeseraccedidasenfunci ondel patr onde2www.ideandalucia.es,accedido30Noviembre20133www.idee.es,accedido07Abril201410Captulo2. Estadodelarteacceso de los usuarios, operaci on denominada precacheo. Por otro lado, crearlasteselasenlacachedel servidorpresentael inconvenientedequepuedellegaracrecerexponencialmentealincorporarsucesivamentenuevosnivelesde detalle, por lo que no siempre es posible crear una pir amide de teselas de unmapacompleto;QuinnandGahegan(2010)proponenunmodelopredictivode las areas m as accedidas de un mapa, precacheando en el servidor piramidedeteselasde areasconcretasdeunmapa.Lasplataformauniversalestienencomoobjetivohacerllegarlainforma-ci ongeogracaacolectivosheterogeneosnoespecializados,ofreciendointer-faces sencillos ypolivalentes (Battyet al. 2010). El ejemplom as claroyconocidoesGoogleMaps4,geoportalquetuvosuscomienzosenela no2005,cuyoobjetivoeraorganizar lainformacionmundial yhacerlaaccesiblealusuario(Metternicht2006);parapermitiralosusuariosdesarrollargeopor-tales a medida, Google publico una interfaz de programaci on de aplicaciones(API) en Junio de 2005 dando la oportunidad a los usuarios de integrar ma-pasdeGoogleenaplicacionespropias, desarrollandotecnologasorientadasalusuarioaltamenteinteractivas,favoreciendosuintegraci onenlaWeb2.0.Otros ejemplos populares de geoportales universales son Bing Maps5, YahooMaps6,OpenStreetMap7.Estos geoportales estructuranlainformaci ongeoespacial de formadi-ferentealas plataformas tradicionales, yaquelametodologaanterior decacheadonoesescalableal volumendeusuariosquesoportanlosgeopor-talesuniversales. Implementanunatecnicasimilaral teselado, denominadaquadtree, estructura en arbol en la que cada nodo tiene 4 hijos (Samet 1984),siguiendo los mapas una division espacial recursiva, muy util para visualizarmapasenaplicacionesdetiemporeal, porejemploservicioswebonlinedemapas(BereuterandWeibel2012).Losnodosrepresentanunmapaconundeterminadonivel dedetalle; estemapasedivideencuatroareas, ycadauno de sus cuatro hijos representa una de estas cuatro areas, pero con mayorniveldedetallequeelnodopadre.Deestaforma,amedidaqueseexploranlosnivelesm asprofundosdel arbol,losnodossecorrespondencon areasdemenor extensi on geograca y mayor resolucion de pxel. Cada nodo del arbolrecibe el nombre de tesela, y el camino seguido desde la tesela origen o prin-cipal del arbol, hastaunateselaenparticular, deneunanomenclaturadeteselado.Losgeoportalesimplementanlajerarquadeformasimilar,siendolaprincipal diferencialanomenclaturadeteselado, quesepuedeconsultar4https://maps.google.es/,accedido3Diciembre20135http://www.bing.com/maps/,accedido3Diciembre20136http://maps.yahoo.com/,accedido3Diciembre20137http://www.openstreetmap.org,accedido3Diciembre201311Correccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasen Google Maps API documentation8, OSGEO Tile Map Service(TMS) Spe-cication9,VirtualEarthTileSystemdeMicrosoft10.ElOGCadoptaestatecnicaatravesdelestandarWebMapTileService(WMTS),mejorandoelrendimientoyescalabilidaddelos servicios webdemapas al simplicarseel procedimiento, yaquerecibedirectamentepeticionesdeteselas. Laop-timizaci ondelasistematicadegeneraci ondel arbol esunaspectocrucial,particularmenteimportantecuandosepretendeincorporarimagenesdedis-tinta resoluci on espacial, procedentes de diversas fuentes, distinta resoluci ontemporal, etc; variarel ordendegeneraci onyrecorridodel arbol produceidenticosresultados,perodiereengranmedidaenlaeciencialograda.2.2. Tratamiento de imagenes procedentes deUAVs y optimizaci on de los procedimien-tosdegeneracionautomaticadeimage-nesconmetricaLatecnicadecorrelaci ondeim agenesseempleaparaidenticarpxelescomunes en un conjunto de im agenes, pxeles que pasan a denominarse puntosdeinteres. Enfotogrametra, lospuntosdeinteressehanvenidoutilizandoprincipalmente para aplicaciones de orientacion de im agenes o reconstruccion3D. La ecacia de un detector se establece en funci on de la precision con queidenticael punto, suestabilidadfrenteatransformacionesgeometricas, einvarianzafrenteacambiosdeiluminacionycontraste(Remondino2006).Se han desarrollado algoritmos de correlacion que emplean imagenes cap-turadas a partir de c amaras sin metrica precisa. Basan su funcionamiento enla deteccion de puntos de interes, e identica una region elptica e invariantealrededor de cadapuntoque se dene comoregi onde interes. Las regio-nesdetectadassoninvariantesatransformacionesgeometricas,iluminaci on,contraste,escalado,etc,yhandemostradoserherramientasmuy utilesparagenerarmodelostridimensionales,detectarpatrones,detectarobjetos,crearpanoramas, etc. (SimaandBuckley2013). Unaaplicaci onmuypopular yextendidaeslacreacionautom aticadepanoramas(BrownandLowe2003),tareaqueantesrequerair introduciendodeformainteractivayordenadalasimagenes,yajustarmanualmentelaunionentreimagenes;sinembargo,8https://developers.google.com/maps/documentation/javascript/v2/overlays?hl=es-ES&csw=1#GoogleMapsCoordinates,accedido7Diciembre20139http://wiki.osgeo.org/wiki/TileMapServiceSpecication, accedido 7 Diciembre201310http://msdn.microsoft.com/en-us/library/bb259689.aspx,accedido7Diciembre201312Captulo2. Estadodelartelosalgoritmosdesarrolladospermitenrealizartodoel procesodeformaau-tom atica y sin necesidad de grandes recursos, actualmente un gran n umero dec amarasfotogr acasdigitalesgeneranpanoramasdeformaautonoma. M asejemplosdeaplicaciondeestosalgoritmoslosencontramosenunalgoritmodesarrolladopor Achantayetal. (2009)paraidenticarautom aticamenteobjetosquevisualmenteresaltansobreel restodelaimagen. Otraareaodisciplinaqueseestaviendorevolucionadaeslabiometrica,cuyo ambitodeaplicaci onmaspopulareslavideovigilanciaylossistemasdeidenticaci on,entreotros(Kiskuetal.2007); Bicegoetal.(2006)investiganel potencialdeestos detectores parareconocimientodecaras, Alonso-Fernandezet al.(2009)llevanacaboensayosenlosqueestosalgoritmosseempleanenelreconocimientodeiris,Rattanietal.(2007)losaplicanparareconocimientofacialyhuellasdactilares,yArbab-Zavaretal.(2007)enelreconocimientodeodos.Laincorporaci ondec amarasendispositivosm oviles, unidoalamayorpotencia de c alculo de estos y su uso cada vez mas generalizado, ha converti-do estos dispositivos en un importante ambito de aplicaci on, en el que el usodealgoritmosdevisionporcomputadorproporcionaungranvalora nadi-do. Henzeetal. (2009)destacanlaimportanciadelosdispositivosmovilescomomediodeinteraccionconobjetosparaobtenerinformaciondetallada;esta interacci on requera el uso de algunos marcas visuales (c odigos QR, c odi-godebarrabidimensionales)oderadiofrecuencia(RFID,etc),sinembargo,el usoderegionesdeinteresposibilitalainteracci onnatural conlosobje-tos, sin necesidad de marcas visuales adicionales, ya que el algoritmo detectacaractersticas inherentes alapropiaimagen(Chenet al. 2011), yrealizauna b usqueda en una base de datos remota (Girod et al. 2011); el dispositivom ovil enva la imagen a un sistema que extrae las regiones y realiza la b usque-da,oextraelasregionesylasenvaalsistemaparaefectuarlab usqueda,laelecci onde unmetodo u otro viene determinado por eltipo de conexi onqueposeeel dispositivo. Otrosautoresllevanacaboseguimientodeobjetosentiempo real, implementando una version simplicada de los algoritmos debi-doalalimitaci ondepotenciadecalculodeestosdispositivos, imponiendociertas restricciones al sistema (Wagner et al. 2008), y ltrando correlacionesincorrectasmedianteRANSAC(RandomSampleConsensus)(FischlerandBolles1981).RANSACesunalgoritmoiterativonodeterministaparaesti-marlosparametrosdelmodelomatematicoqueestablecehomografasentredosconjuntodedatos; laprobabilidaddeexitoensuejecuci ondependeengranmedidadeln umerodeiteraciones,obteniendocomoresultadouncon-juntodeinliersodatosqueseajustanalmodelo,youtliersodatosquenoseajustanalmodelo.Otra aplicacion de estos algoritmos es la generaci on de modelos tridimen-13Correccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladassionales. Una tarea necesaria en toda operaci on de reconstrucci on 3D es la ca-libraci on del dispositivo de captura de imagenes. Con los algoritmos actualesdevisi onporcomputador,elprocesosesimplicaatravesdeprocedimien-tos de auto calibraci on, que dependen unicamente de las regiones detectadasentreim agenes,lograndomayorexibilidadyunentornodetrabajomenosrestrictivo (Geng et al. 2013). Kittenberger et al. (2014) muestran un sistemaMAV(microairvehicle)conunamicrocamarade23gramos,sinnecesidadde disponer de una c amara ja y calibrada en el area de vuelo; PapachristouandDelopoulos(2014)desarrollanunalgoritmocapazdeevaluarlacalidadgeometrica de los puntos correlacionados en un escenario del que se posee unmodelodecalibraci ondebil.Enfotogrametra, el desarrollodenuevas tecnologas, comoel casodelos UAVs, hace que el procedimiento de adquisicion de im agenes sea diferen-teynosehagabajolascondicioneshabituales, sinoexpuestasamayoresdeformacionesgeometricasytexturizadodeciente, porloqueesnecesarioincorporarnuevasmetodologas; Linguaetal. (2009b)exponenquesepue-denaplicartecnicasdevisionporcomputador,concretamentedetectoresderegionesdeinteres,lograndoresultadosmasecaces.Actualmente existenm ultiples detectores de regiones de interes. Bayetal.(2006)presentanundetectorydescriptordepuntosinvarianteacam-bios de escalayrotaci on, denominadoSpeedUpRobust Features(SURF),mejorandolavelocidadrespectoaotrosdetectores,muy utilparaaplicacio-nesentiemporeal, peronoesecazcuandolasim agenessevensometidasa rotaciones considerables (Lingua et al. 2009a). Lowe (2004) propone ScaleInvariant FeatureTransform(SIFT), algoritmoque, atravesdecuatrofa-ses, detectapuntosrobustoseinvariantesarotacionesycambiosdeescala,iluminaci on, puntos devista, ydesenfoquedelaimagen. UnavariantedeSIFTesPCA-SIFT(KeandSukthankar2004), queempleandounarepre-sentaci onsimplicadaderegionesdeintereslograunalgoritmomasrapidoyconmenorconsumoderecursos,perosensibleaoperacionesdeescaladoydesenfoque(Linguaetal.2009a).SIFTesmaslentoynosiemprerespondebien ante fuertes cambios de iluminaci on, pero no se ve afectado por rotacio-nes, cambios de escala, transformaciones anes, y es robusto ante condicionesgeometricasyradiometricasadversas (Wessel etal. 2007). Esundetectormuyvers atilparatodotipodeaplicaciones.Lingua et al. (2009a) aplicanSIFTjunto conotros algoritmos foto-grametricostradicionales, obteniendoresultados comparablesalosobteni-dos con la tecnica fotogrametrica tradicional LSM(Least Squared Mat-ching). Cuandoexistengrandes distorsiones noes posibleaplicar tecnicasfotogrametricastradicionalesenesteescenario,ofreciendoSIFTmejoresre-sultados.14Captulo2. EstadodelarteEn fotogrametra, SIFT se ha empleado mayormente para registrar image-nes (De Matas et al. 2009). Obtener la orientaci on de las im agenes es un re-quisito obligado en todas aquellas tareas que implican alg un tipo de c omputo3D, como generar el modelo digital del terreno (DTM). La orientacion de lasim agenes puede venir dada en diversos modelos de orientaci on; en un proyec-toquerequiereunresultadoencoordenadasgeodesicassegeneraenprimerlugarlosmodelosdeorientaci oninterioryrelativo,paratransformarposte-riormenteelmodelodeorientaci onrelativoenabsoluto(Horn1987).Una vez se obtiene el modelo de orientacion absoluto, se debe incorporarun informe de calidad del resultado. El Comite Federal de Datos Geogracos(FGDC) establece y desarrolla estandares que denen procedimientos de ge-neraci on de datos, transferencia, y requisitos de calidad (Federal GeographicDataCommittee1998a).ElFDGCdeneelEstandarNacionalparalaPre-cisi ondeDatosEspaciales(NSSDA)(Federal GeographicDataCommittee1998c), metodoestadsticoconel queseestimalaexactitudposicional deciertospuntos,tantoenmapascomoenestructurasgeoespaciales,tomandocomoreferenciapuntosgeoreferenciadosconmayorprecision(Federal Geo-graphicDataCommittee1998b).Obtener el modelodeorientacionabsolutoes unaoperacioncompleja,clasic andoselosmetodosexistentesenlinealesynolineales. Losmetodoslineales son mas ecientes computacionalmente, pero menos precisos y robus-tos;losmetodosnolinealessonm asprecisosyrobustos,peropresentanunmayor costo computacional, y parten de una estimaci on inicial del resultado.Unaaproximaci onpararesolverel problemaesdenirunmodelonolinealdemnimoscuadrados, obtenerunaestimaci oninicial delaorientaci onab-soluta a traves de tecnicas lineales, transformar el sistema no lineal en linealyresolveriterativamente. Laadecuaciondelaestimacioninicial escrticaparalograrunaconvergenciacorrectayeciente,dandolugarapropuestasparaobteneranalticamentelaorientaci onabsolutainicial;estastecnicasseconocen en fotogrametra bajo la denominacion DLT (transformacion directalineal)(Abdel-AzizandKarara1971). DLTempleacorrespondenciasentrepxelesdelaimagenycoordenadasgeodesicasdel terrenoparaobtenerlamatrizdetransformacion.LosmetodosDLTempleancorrespondenciaentre3puntos(FischlerandBolles 1981), 4 puntos (Hung et al. 1985), 6 o m as puntos (Sutherland 1974).Sonmetodosefectivosyfacilesdeimplementar, aunquenosonrobustosyson altamente susceptibles a posibles variaciones en coordenadas 2D de pun-tos de la imagen, m as a un si se emplean escasos puntos (Wan and Xu 1996).Haralicketal.(1989)se nalanqueusandometodosdemnimoscuadradoselerrordisminuyeaportandom aspuntosdecontrol, peroesunprocesocom-plejo, costoso, requiere una gran inversi on de tiempo, adem as de la dicultad15Correccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasde asignar coordenadas 3D a pxeles de la imagen con la precision y exactitudadecuadas; Haralick et al. (1994) han realizado ensayos con algoritmos DLTbasadosen3puntos, llegandoalaconclusi ondequeel ordenenel queseefect uan las operaciones, o una inadecuada distribucion de puntos de controlsobreel terreno, afectaal resultadonal, aspectodeenormeimportanciaya unnoresuelto,porloqueesnecesariodesarrollarnuevasmetodologasquepermitanobtenerunn umeroadecuadodepuntosdistribuidoshomogenea-menteportodoelterreno.Otrosautoresproponenmetodosenlosquelascorrespondenciasnoseestablecenentrepuntos, sinoentreguras, argumentandoquesecometenmenoserrores,lograndoalgoritmosmasrobustosyprecisos. DrewniokandRohr(1997)presentanunalgoritmobasadoenlalocalizaciondedetermina-dosobjetosconocidosparaorientardeformaautomaticaimagenesaereas.Ethrog(1984)emplealneasparalelasyperpendicularespresentesenobje-tosdelaimagen. Ji etal. (2000)establececorrespondenciaentrepuntos,lneas,elipsesycrculos.Noobstante,nosiempreesposiblelocalizargurasgeometricasdistribuidasdeformahomogenea.Seg unHaralicketal. (1989), laprecisiondelosmetodosqueestablecencorrespondenciasentrepuntossepuedemejoraraumentandoel n umerodepuntosylaprecisi ondelascoordenadas2Dy3D; parasimplicarel costeycomplejidaddel procesoseestablececomoobjetivoclavesuoptimizaciony automatizacion. Morgado and Dowman (1997) proponen un algoritmo quedetecta puntos correlativos entre imagenes aereas y un mapa georeferenciadodeescalasimilar, aunquealgunosdelospuntosdecontrol nosecorrelacio-nancorrectamentedebidoalaalturadelterreno,ytampocopresentanunadistribuci onhomogenea; Heipke(1997)estudiounaposibleautomatizaciondelproceso,llegandoalaconclusiondequenoeraposiblelograrunproce-dimientogeneral validoparacualquiersituaci on, yaquesuecienciavienedeterminadaporcaractersticasinherentesdelapropiaimagenylaexisten-cia de objetos identicables, requisito que suelen cumplir las im agenes aereasde un nucleo urbano, pero de difcil cumplimiento en otras situaciones, comopor ejemplo parcelas agrarias. Zhao et al. (2008) proponen una metodologaque permite generar ortofotos a traves de un UAV sin necesidad de puntos decontrol;cadavezqueelsistemacapturaunaimagen,obtienelainformaci ondeposici onyorientaciondelossensoresdelUAV,ylaencapsulajuntoalaimagencapturada, peropodemosdecirque, aunquelaprecisiondelossen-sores de posicion y orientaci on es adecuada para localizar y orientar al UAV,noessucienteparagenerarunaortofoto,siendonecesariocorregirelerrorde los sensores; para ello, partiendo de las coordenadas geodesicas asignadasaunaimagen, esposibleobtenerlascoordenadasgeodesicasdecadapxelde la imagen, contrast andolas con las coordenadas obtenidas a traves de una16Captulo2. Estadodelartefuentedemayorprecision; trascorregirloserroresdelossensores, el autorllegaalaconclusi ondequeel error delocalizaci onyorientacionsedebeprincipalmentealaposici ondelossensoresenel UAV, ypermanececons-tantealolargodetodaslasim agenes,porloques oloesnecesariocalcularel errorenunadelasimagenes, yaplicarlamismacorreccional resto. Sinembargo, aunque este metodo permite obtener ortofotos en un perodo cortodetiempo,elerrorquesubyacedespuesdeaplicarlacorrecci onesdevariosmetros;losautoresnoconcretansielestudioesv alidoparacualquierUAVyotrossensoresdeposicionyorientacion.Wessel etal. (2007)desarrollanunalgoritmocuyoobjetivoesgenerar,entiemporeal,ortofotosgeoreferenciadasapartirdeimagenesSAR(RadardeAperturaSintetica)tomadasdesdesatelite.Unavezsehanobtenidolasim agenes, para generar la orientacion absoluta de estas se necesita disponer,entreotrascosas, delatrayectoriaseguidaporel satelite. Deniendopun-tosdecontrol enlasim agenes, sepuedecalcularlatrayectoriaseguidaporel satelite; identicaryposicionarestospuntosmanualmenteenlasimage-nes SARes unatareacompleja. Atraves deSIFT, Wessel et al. (2007)correlacionanlas im agenes recientes conotras georeferenciadas existentes,utilizandolospuntosdetectadosenlaimagengeoreferenciadacomopuntosdecontrol, yatravesdelacoordenadaZdeunmodelodigital del terrenoexistente (DEM) se obtiene la tercera coordenada del punto sobre el terreno.A traves de varios tests, comprueban que el algoritmo funciona correctamen-teutilizandoim agenesdediferenteszonasurbanas, escenascapturadascondiferentesangulosdeincidencia,distintas orbitasysensores,etc;noobstan-te, laecaciadeSIFTpresentaunafuertedependenciadel contenidodelaimagenydeunatexturaadecuada, afectandoalacantidadyprecisiondepuntos de control detectados, prueba de ello son los resultados obtenidos porChureesampantandSusaki(2014),quedesarrollanunalgoritmoqueextraedeformaautomaticapuntosdecontroldeimagenesSARpolarimetricasob-tenidas dediferentes satelites ydistintos puntos devista, aplicandoSIFTjuntoconunaminimizaci ondel error cuadr aticomediosobreunaimagenresultante de la combinacion de las diferentes imagenes polarizadas; el resul-tadodelacombinaci onpresentaunarelacionse nalruido(SNR)mayorquelarelacionSNRdecadaimagen,quecontribuyeaquelaprecisi onobtenidaenlospuntosdecontrol seamayorqueaplicandoSIFTsobrecadaimagenpolarizada.Unaestrategiaparahacer m as ecientelaautomatizaci ondel procesodegeneraciondel modelodeorientaci onabsolutaesabordarel problemaatraves deSIFT, peroaplicandounaoptimizacionqueidentiqueconpre-cisi onunn umeroelevadodepuntosal correlacionarim agenesprocedentesdediferentesfuentes. Lowe(2004)proponeunaseriedevalorespordefecto17CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasparalosparametrosdeSIFT,pero Mayetal.(2010)exponenqueunaop-timizaci ondelospar ametrosenfunci ondelanaturalezadelasim agenesyel tipo de aplicaci on permitira mejores resultados. SIFT se controla a travesde17par ametros(Mayetal. 2010); determinarel valor optimoparacadapar ametro implicara millones de pruebas con imagenes, por lo que los autoresinvestigan la inuencia de los par ametros mas representativos en un conjuntodeim agenesenparticular.Sehanllevadoacabonumerosostrabajosdein-vestigaci on sobre optimizaci on en diversos campos, Yi et al. (2008) proponeun criterio de restriccion de escalas (nScales) para correlacionar puntos clave;Cheung and Hamarneh (2009) presentan una extensi on para el caso de im age-nesmultimodales,utilizandohistogramasmultidimensionalesparacrearlosdescriptoresdepuntosclave. JagadishandSinzinger(2008)trabajanconim agenes con alto rango dinamico (HDR), adaptan el detector a este tipo deim agenes y modican el umbral de rechazo del vecino mas proximo (NNDR)a0.6, loquelespermiteincrementarlaprecisi ondel algoritmo. Battiatoetal.(2007)y Heipke(1997)pruebanvariosvaloresdelumbralderechazomedianteexperimentaci on, eigualmentecompruebanquedisminuyendoelumbral mnimo de contraste, se reduce el n umero de puntos detectados, peroson m as estables. Park et al. (2008) optimizan los par ametros de SIFT paraidenticarhuellasdactilares, utilizando4octavascon5escalasyunvalorsigmade1.8,comprobandoquevaloresmayoresdesigmareduceeln umerode caractersticas. Sima and Buckley (2013) y May et al. (2010) exponen, deforma general, que los parametros con mayor inuencia en el funcionamientodelalgoritmosonsigma,escalasporoctava,umbraldecontraste,umbralderechazodel vecinom aspr oximo; enel casodeimagenesaereas, estosauto-ressostienenqueelumbralmnimodecontraste,escalasporoctavaysigmasonlospar ametrosm assignicativos, perosonnecesariosestudioscomple-mentarios para optimizarlos y contrastar su utilidad frente a diferentes tiposdeim agenesyaplicaciones. El umbral decontrasteinuyeenlaejecuci ondel algoritmoSIFTcuandoseaplicaenimagenesaereasnourbanas, comopastizales, dondelaimagenestamal texturizada; Linguaetal. (2009b)y Cesettietal.(2010)proponenmetodosparacorregirautomaticamenteelumbral decontraste. Liuet al. (2008) llevanacabounaoptimizaci ondelalgoritmoparacorrelacionarimagenesSARmultitemporalesenlosquelospxeles presentan mayor correlacion con sus pxeles vecinos que en el caso deim agenesopticas,modicandolosvalorespordefectodelumbralderechazodelvecinom asproximo(empleandoelvalor1.2frentea0.8), eln umerodeescalasvaraentre2y15yel tama nodelamatrizdehistogramasentre2y22; losexperimentosmuestranqueaumentarel tama nodelamatrizdehistogramasnoinuyesignicativamenteenel resultado, peroaumentareln umerodeescalass mejoralaecienciadeSIFTenimagenesSARmulti-18Captulo2. Estadodelartetemporales; el resultado de la optimizaci on es un incremento en el n umero decorrelaciones detectadas, y un algoritmo m as robusto a la presencia de ruidoenlaimagen.Traslarevisi onbibliogr acadealgoritmosdesarrolladosenlos ultimosa nos para correlacionar imagenes opticas multitemporales, sin metrica preci-sa,tomadasdem ultiplesfuentes,teniendocomoobjetivonallageneraci onautom aticadeim agenesconmetrica,lostrabajosdesarrolladossonescasos,ysepuedeconcluirquealgunosaspectosnecesitanmejorarse.19Captulo3Materialesymetodos3.1. Integraci ondeortofotografasproceden-tesdevariosorgenesenunsistemauni-versal3.1.1. MaterialesElareadetrabajoseleccionadacomprendetodalaComunidadAutono-madeAndaluca.Sehanempleadosdossubconjuntosdeortofotos.Unpri-mer subconjuntoest aconstituidopor 2.744ortofotos generadas enel a no2004, dentrodel espectrovisible; laresoluci onespacial es de1metro, di-mensi onmediade7.600x5.000pxelesygeoreferenciacionEuropeanDatum1950 (ED50)consistemadeproyecci onUniversal TransversadeMercator(UTM).Elsegundosubconjuntoest aconstituidoporunaortofotogeneradaen el a no 2007, dentro del espectro visible, con el mismo sistema de referenciayproyecci onquelaanterior, conresolucionespacial de15cmydimensi on30.188x17.812 pxeles, ubicada en las coordenadas geogr acas 381542.46N;44046.94W,enlaprovinciadeCordoba(vergura3.1).21CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasFigura3.1: Localizaciongeogracadeunaortofotode15cmderesoluciondeunareadelaprovinciadeCordobaEl equipamientoinformaticohardwarequeseemple oparaesteestudioest aconstituidoporunordenadordesobremesaconvencional Intel Core2,1.86Ghz,4GBdeRAM,consistemaoperativoWindowsXP.Lasherramientassoftwareempleadashansidoellenguajedeprograma-ci onperl1. Dise nadoporLarryWall en1987, esunlenguajedepropositogeneral consintaxis similar aC, awkysed. Es f acil de usar, eciente ycompleto, interpretado, soporta programaci on estructurada, como la progra-maci onorientadaaobjetosylaprogramacionfuncional. Essoftwarelibre,tienelicenciaGNUyesmultiplataforma.Para llevar a cabo manipulaciones m as especcas de las ortofotos sehanempleadolospaquetesdesoftwaremultiplataformaydecodigoabier-toImagemagick2, GDAL3ylibgeo-coordinates-utm-perl4. Imagemagickesunconjuntodeutilidadesquepermiteleerymanipularim agenesatravesde lneas de comandos, permitiendoatraves de los m ultiples parametroscombinaroperacionesdeconversi ondeformato, edicion, ycomposici ondeim agenes.GDALesunalibreradeutilidadesdelecturaymanipulaci ondedatos geoespaciales. Libgeo-coordinates-utm-perl es una librera de perl paramanipularcoordenadasUTM. OtraherramientasoftwareempleadaesOr-topnoaEtrs89vsEd50(Hern andez-L opezet al. 2006), desarrolladoenlaUniversidaddeCastilla. SeempleaparaconvertirdesistemadereferenciaED50aETRS89yviceversa.1http://www.perl.org/,accedido26Noviembre20132http://www.imagemagick.org,accedido26Noviembre20133http://www.gdal.org/,accedido26Noviembre20134http://packages.ubuntu.com/uk/source/lucid/all/libgeo-coordinates-utm-perl, acce-dido10Abril201422Captulo3. Materialesymetodos3.1.2. PrincipiobasicodeunaestructuraQuadtreeenGoogleMapsSe ha utilizado como elemento de referencia para integrar fotografasaereas el mosaico creado por Google Maps, que esta constituido principalmen-te por im agenes satelite y fotografas aereas, ambas de actualizaci on peri odi-ca; son imagenes de 256x256 pxeles (Aydin et al. 2008), denominadas teselas,conproyecci ongeogracadeMercatorysistemadereferenciaWGS84.Las teselas se estructuran en una jerarqua en arbol de cuatro ramas (Elis-salde2007, Samet1984), comoseilustraenlagura3.2, dondelosnivelesinferioresincrementanlaresolucionespacial, ylosnivelessuperioreslaco-berturageograca.ttq tr ts tttqq tqr tqs tqt trq trr trs trt tsq tsr tss tst ttq ttr tts tttq r s tq r s t q r s t q r s t q r s tFigura3.2:ArboljerarquicodeteselasLapropiaestructuraquadtree(cuatroramas)llevaimplcitaunsistemadegeoreferenciacionquedeterminalas coordenadas centrales decualquierteseladel arbol;separtededosvariablesx,yquetomanvaloresenelrango[0,1] sobre la tesela origen del mapa mundial, xtoma valores de 0 a 1 de OesteaEste,eytomavalores0a1deNorteaSur.Enfunci ondelaetiquetadelatesela, es posiblecalcular las coordenadas (x,y) desuesquinasuperiorizquierda, y calcular sus coordenadas geogr acas5aplicando la ecuacion 3.1.latitud = 2 arctan(e(12y)) 180 90longitud = 360 x 180(3.1)3.1.3. Precisi ongeometricadelarboljerarquicoSe han utilizado los datos de 588 puntos geodesicos levantados topogr a-camente, repartidos por laComunidadAut onomadeAndaluca(Romero-5http://msdn.microsoft.com/en-us/library/bb259689.aspx,accedido9Diciembre201323CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasJimenez et al. 2011), y se eval ua la exactitud geometrica del arbol jerarquicoquadtree aplicandolas funciones de laecuacion3.2, donde Et es el errortotal, Exlaexactitudposicional enlacoordenadahorizontal X, Eyes laexactitudposicionalenlacoordenadahorizontalY,(xg, yg)lascoordenadashorizontalesdeunpuntogeodesicogidenticadoenunmapa,y(x

g, y

g)lascoordenadas del punto geodesico gseg un otra fuente de mayor precisi on. Pa-rael estudiodeloserroreshemosutilizadoladistribuci onnormal decadavariable.Et(g) =

(x

g xg)2+ (y

g yg)2Ex(g) = x

g xgEy(g)= y

g yg(3.2)24Captulo3. Materialesymetodos3.2. Tratamiento de imagenes procedentes deUAVs y optimizaci on de los procedimien-tosdegeneracionautomaticadeimage-nesconmetrica3.2.1. Softwaredecorrelaciondeimagenes:ImageJSehaempleadolaaplicacionFiji6, distribuciondel softwarelibreIma-geJ7(Abr` amo et al. 2004), junto al plugin Feature Extraction, el cual imple-menta SIFT con ltrado RANSAC, para detectar puntos claves en imagenesy correlacionarlos entre s. La documentacion de Feature Extractionse puedeconsultarenlaweb8.3.2.2. Plataformaaerea, conjuntodeimagenesyubi-caci ongeogracaSe han utilizado dos conjuntos de im agenes de una misma area geogr aca,correspondiendocadaconjuntoaa nosdiferentes.ComoplataformaaereasehautilizadounaeromodeloSkywalker EPOFPV9, capazderealizarvuelosde30-45minutos, cuyasespecicacionesseindicaenlatabla3.1.Tabla3.1:EspecicacionestecnicasdelaplataformaSkywalkerFPVEnvergadura 1.68mHelice 9x6Batera 6S5000mahVariador 85ACargaMaxima 3.050gMotor 1100kwServomotores 8ContieneunaplacaautopilotodehardwarelibreArduPilot Mega v1.46http://ji.sc/Fiji,accedido5Marzo20147http://imagej.nih.gov/ij/index.html,accedido3Marzo20148http://ji.sc/wiki/index.php/FeatureExtraction,accedido3Marzo20149http://www.skywalker-model.com/,accedido1Diciembre201325Correccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladas(APM)10, queproporcionaunvueloseguro, estableyrobustounavezcon-gurada. Se incorporaal sistemaunaplacade hardware libre OnScreenDisplay (OSD)11, sensor de velocidaddel aire12, sensores de voltaje e in-tensidad13, unemisor de videoinalambrico, yunac amaraboscamHD19ExplorerHDFullHD1080pFPV14parapilotajemanual.Paramaniobrarmanualmenteel aeromodeloseemple ounaemisoraderadiocontrol(RC)FutabaFF915yreceptorcompatible,operandoenlafre-cuenciade433Mhz.ElGCSqueseutiliz ofueelsoftwaredec odigoabiertoMissionPlanner16,quesecomunicaconelUAVdeformainalambricautili-zandom odulosXbee868Mhz17.LoscherosdetelemetrageneradosporelGCS se ltran y procesan en un entorno linux (Ubuntu 12.04 LTS), a travesdeshellscriptsyalgoritmosimplementadosenperl.LasimagenesaereassetomaronconunacamaraGoProYHDC517018,situadaenlaparteinferiordelfuselajedelaeromodeloconorientaci onceni-tal.Esunacamararobusta,compacta,bajopeso,universal,bajocoste,altadenici on, conunobjetivodegranangular, loquedalugaragrandefor-maci ondelasimagenes.Lasespecicacionesdelac amarasemuestranenlatabla3.2.EsteconjuntodeimagenesseadquirioenNoviembrede2011,enlapro-vinciadeM alaga(al surdeAndaluca, Espa na), concoordenadasWGS84363941N;42755W(vergura 3.3).Figura 3.3: Localizacion del area de adquisicion de imagenes obtenidas con camara GoPro10http://www.ardupilot.co.uk/, http://code.google.com/p/ardupilot-mega/, accedido 1Diciembre201311http://code.google.com/p/ardupilot-mega/wiki/OSD,accedido4Marzo201412http://code.google.com/p/ardupilot-mega/wiki/Airspeed,accedido4Marzo201413http://code.google.com/p/ardupilot-mega/wiki/Voltage,accedido4Marzo201414http://www.boscamhobby.com/hd19.html#.UxW-pbOd7Lc,accedido4Marzo201415http://www.futaba-rc.com/,accedido3Marzo201416http://code.google.com/p/ardupilot-mega/wiki/Mission,accedido6Diciembre201317http://www.digi.com/products/wireless-wired-embedded-solutions/zigbee-rf-modules/point-multipoint-rfmodules/xbee-pro-868,accedido6Diciembre201318http://es.gopro.com/,accedido6Diciembre201326Captulo3. MaterialesymetodosElUAVtomafotoscadadossegundos,variandolaaltitudyorientaci ondel aeromodelo con objeto de disponer de im agenes similares del mismo areageogr aca, tomadasdesdediversospuntosdevistayadiferentealtura. Latabla3.2deneunoscriteriosenbaseaaltitud,cabeceoyalabeoquedebencumplir las fotografas. Detodas las fotografas quecumplenlos criterios,seseleccionan25aleatoriamenteparagenerarunmodelooptimizadodelospar ametrosdelalgoritmoSIFT,yotras10paravalidarelmodelo.ComoreferenciadeimagenfotogrametricacongeometraconocidasehautilizadounaortofotografadelaConsejeradeMedioAmbienteyOrdena-ci ondel Territorio19. Lasespecicacionesdelaortofotosepuedeverenlatabla3.2.Tabla3.2:Especicacionestecnicasdelconjuntodeimagenes,criterios,ycamaraGoProEspecicaciondelacamaraGoProTama noselsensor 1/2.5CampodeVision 170Resolucion 2.592pxx1.944pxDistanciafocal 5mmAutodisparo 2segundosCriterioacumplirporlasimagenesaereasAltitudniveldelmar 153m-378mCabeceo -3a15Alabeo -16a29Imagenesquecumplenelcriterio 25Imagenesadicionales(quecumplenelcriterio)paravalidacion 10EspecicacionesdelaortofotoNombre 1067-1-1(a no2010)Resolucion 15.460pxx9.900pxResoluciondepixel 0.5mResolucionespectral 3(rojo,verde,azul)Coordenadascentrales 367.775,4.056.605(UTM30NETRS1989)Extension 7.730m(horizontal),4.950m(vertical)19http://www.juntadeandalucia.es/medioambiente/site/rediam, accedido 6 Diciembre201327Correccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladas3.2.3. Analisis estadstico aplicado a la optimizaci ondeparametrosCon objeto de cuanticar y contrastar la potencial optimizacion de SIFT,se lleva a cabo un analisis de la varianza de un dise no factorial, considerando3 niveles de nScale y 3 niveles de sigma, y del que se realiz o el correspondienteestudioestadsticoenelconjuntodevalidacion.3.3. Contrastedelaoptimizaci ondelospro-cedimientos de generaci on automatica deimagenesconmetrica3.3.1. Plataformaaerea, conjuntodeimagenesyubi-caci ongeogracaSeutilizarondosortofotografasdelaConsejeradeMedioAmbienteyOrdenaci on del Territorio que contienen el area de estudio, cuya especicacionsepuedeobservarenlatabla3.3; tambienseutilizaron2modelosdigitalesdel terreno, uno obtenido de la Consejera de Medio Ambiente y Ordenaci ondel Territorio(tabla3.4), yotrodel InstitutoGeogr acoNacional (IGN)(tabla3.5).Tabla3.3:EspecicacionestecnicasdeunaortofotodelaConsejeradeMedioAmbienteyOrdenaciondelTerritorioEspecicacionesdelaortofotoNombre 882-3-3,882-3-4(a no2010)Resoluci on 15.140pxx9.880pxResoluci ondepixel 0.5m/pxelResoluci onespectral 3(rojo,verde,azul)Coordenadascentrales 385.125,4.232.060y385.055,4.227.435y(UTM30NETRS1989)Extensi on 7.570m(horizontal),4.940m(vertical)28Captulo3. MaterialesymetodosTabla3.4: Especicacionestecnicasdeunmodelodigital del terrenodelaConsejeradeMedioAmbienteyOrdenaciondelTerritorio.CoordenadasenUTM30NETRS1989Nombre 882-3-3.xyz,882-3-4.xyz(a no2010-2011)(formatoASCII)Coordenadasesquinasuperiorizquierda 381.260,4.234.540Coordenadasesquinainferiorderecha 388.900,4.224.980Pasodemalla 10mTabla3.5:EspecicacionestecnicasdelmodelodigitaldelterrenodelIGN.CoordenadasenUTM30NETRS1989Nombre MDT05-0882-H30.asc(a no2010-2011)(formatoASCIIGrid)Coordenadasesquinasuperiorizquierda 366.397,4.244.202Coordenadasesquinainferiorderecha 396.602,4.224.597Pasodemalla 5mSehautilizadounaplataformaaereaSkywalkerX820, cuyasespecica-cionestecnicassepuedenverenlatabla3.6Tabla3.6:EspecicacionestecnicasdelaplataformaSkywalkerX8Envergadura 2.12mHelice 12x6-13x8Batera 4S3000mah-6S5000mahVariador 40-70ACargaMaxima 3.000gServomotores 4Estaplataformaes capazderealizar vuelos de40-45minutos conunacarga de 3.000g. Contiene una placa autopiloto APM, ya descrita en la seccion3.2.2, al igual que sistemas ysensores paracontrol del UAV(emisoraderadiocontrol,estaci onGCS,sensordevelocidaddelaire,...).Lasim agenesaereassetomaronconunacamaraCanonIXUS220HS21,cuyasespecicacionestecnicassemuestranenlatabla3.7. Comormware20http://www.skywalker-model.com/,accedido4Enero201421http://www.canon.es/,accedido4Enero201329Correccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasse utilizoCHDK22(canonhackdevelopment Kit), kit de desarrolloquepermite acceder a m ultiples funciones de la camara e implementar funcionesadicionales.Tabla3.7:EspecicacionestecnicasdeunacamaraCanonIXUS220HSResoluci on 4.000x3.000pxelesTama nodelsensor 6.17x4.55mmDistanciafocal 4.3-21.5mmVelocidaddeobturaci on 15-1/2000segEstasimagenesfueronadquiridasel 23deJuliode2013enlancadeSantaClotilde,enelterminomunicipaldeCarde na(C ordoba),polgono63(parcela 5) y 64 (parcela 1), 255.6319 ha seg un el SIGPAC, con coordenadas381210.29N;41711.79W(vergura3.4).Figura3.4:UbicaciongeogracadelancaSantaClotildeenCarde na(Cordoba)3.3.2. ParametrosdelvueloSedeseabaunaresoluci onaproximadade12cm/pxel. El terrenodelancapresentadesniveles, por loquelacotanoes constante, el puntodemayoralturaest aa757metros,yelpuntodemenoraltura650metros.22http://chdk.wikia.com/wiki/CHDK,accedido4Enero201330Captulo3. Materialesymetodos3.3.3. ValidaciondelalgoritmoSIFToptimizadoSeextraenregionesdelaortofotodelaConsejeradeMedioAmbienteyOrdenaciondel Territorio, yutilizandoImageJsecorrelacionanconlasim agenesaereas,conobjetodevalidarelmodelodeoptimizaciongenerado.3.3.4. Software libre de creacion de ortofotografa: Mic-MacMicMac23es unconjuntode utilidades fotogrametricas que se puedenemplearencontextosheterogeneos,porloqueofrecem ultiplesposibilidadesyopcionesfotogrametricas; enel anexoD.7sedescribenlasutilidadesmascaractersticas y que se han empleado para generar ortofotos en el desarrollodeestatesis.3.3.5. Equipamiento Hardware yHerramientas Soft-wareSehautilizadounservidorcon40GBdememoriaRAM, 2CPUsIntelXeon E5620 2.40GHz 64bits, disco duro 5TB y Ubuntu 10.10, y se ha creadounam aquinavirtual especcade16GBdememoriaRAM, condiscodurode 1.8TB, CPU Intel Xeon E5620 2.40Ghz 64 bits, sistema operativo Ubuntu12.04LTS, enlaquesehanejecutadolosprocesosnecesariosparagenerarlaortofoto;tambiensehaprobadosatisfactoriamenteenMacOSX10.7.5.3.3.6. Precisi ongeometricadelaortofotoSehautilizadoeltestdecalidadposicionalNSSDA(FederalGeographicDataCommittee1998c)enlaortofotoresultante, tantodelacomponentehorizontalcomovertical.23http://www.micmac.ign.fr/,accedido5Marzo201431Captulo4Resultadosydiscusi on4.1. Integraci ondeortofotografasproceden-tesdevariosorgenesenunsistemauni-versal4.1.1. Generaci ondelarboldeteselasPartiendode2.744ortofotosgeneradasenel a no2004yresoluci on1m,formato jpg y archivo worldlejgw asociado, se han generado 12 sub arbolesjer arquicos de teselas compatibles con plataformas universales, concretamen-teconGoogleMaps, desdeel nivel 8hastael nivel 15del arbol jer arquicomundial. Dossubarbolesseactualizaronconunaortofotom asrecientedela no 2007 y resolucion 15cm, a nadiendo mas niveles en algunas de sus ramas.Paraello, sedenieronvariasfasesoetapasdetratamientodelainfor-maci onespacial, dise nandoydesarrollandolos algoritmos necesarios paracompletarcadaetapa.4.1.1.1. Pasosprevios.SistemadeproyeccionycoordenadasSeproponeunasistematicadetransformacional sistemadereferenciaETRS89, y una transformacion del sistema de proyecci on UTM a proyecci ongeogr acadeMercatorparacadaortofoto,atravesdeunarchivoporlotes,obteniendoseunconjuntodecheros tif consus correspondientes cherosworldletfw,alosqueserealizaunaconversi ondeformatotifajpg,yunrenombradodelcheroworldletfwajgw.33Correccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladas4.1.1.2. Generaci ondeunsubarbolPartiendo del arbol general que presenta al mapa del mundo como teselaorigen, se dene que sub arbol S se desea generar; para ello, se debe especicarelidenticadoradelnodorazdelsubarbolSyeln umerodenivelesNagenerar(esdecir,laprofundidaddel arbol),comoilustralagura4.1.ttq tr ts ttaSFigura4.1:SubramadelarbolgeneraldeteselasEl orden de inserci on de las teselas en el arbol no inuye en la estructurayorganizaciondel arbol nal (BereuterandWeibel 2012). Enestatesis, sehapropuestounmodelodeabajohaciaarribaquehaconsistidoengenerarenprimerlugartodaslasteselashojadel arbol.34Captulo4. ResultadosydiscusionGeneraci ondelosidenticadoresdelasteselashoja. Sehangene-radolosidenticadoresdelas4NteselasdelnivelNutilizandounalgoritmorecursivodise nadoadhoc;eldiagramadeujoqueproponemossepuedeobservarenlagura4.2.Figura4.2:DiagramadeujodelalgoritmogeneradordeidenticadoresdeteselasEl algoritmocompruebasi el nivel enel queseencuentraactualmente(nactual) coincideconlaprofundidadmaximaqueserequiere(nn), encasoarmativosehallegadoal nodohojadel subarbol agenerar; encasocontrario, se realizan cuatro llamadas recursivas al algoritmo para recorrer lasramas hijas q-r-s-t, pasando como par ametros el nivel actual incrementado enuno, el identicador actual concatenando la letra correspondiente en funcionde la rama a recorrer, y el nivel maximo requerido. B asicamente, el algoritmohace un recorrido preorden del arbol hasta llegar a la profundidad requerida.35CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasGeneraci ondeteselashoja. Enlagura 4.3sepuedeobservareldia-gramadeujodelalgoritmoqueproponemosparagenerarlasteselashoja.Figura4.3:DiagramadeujodelalgoritmodegeneraciondeteselashojaEnestafaseyasehabr angeneradolosidenticadoresdetodaslaste-selashojaagenerar,nuestrapropuestapermitecalcularlascoordenadasdelaesquinasuperiorizquierdasiguiendolametodologadescritaenel apar-tado3.1.2. Paragenerarlascoordenadasdelaesquinainferiorderecha, sedise naeimplementaunafunci onrecursivaqueobtieneel identicador de36Captulo4. Resultadosydiscusionlateselaadyacentedel mismonivel conubicaci ongeogracaabajoyaladerechadelateselaactual,cuyopseudocodigosemuestraacontinuaci onenlafunci onAbaDer, queasuvezhaceusodelasfuncionesauxiliaresrecur-sivasDeryAbaparaobtenerel identicadordelasteselasadyacentesdelmismonivel,cuyaubicaciongeogracaest aaladerecha,enelcasodeDer,y abajo en el caso de Aba; una vez se obtiene el identicador, se obtienen lascoordenadasgeogracasaplicandolocomentadoenelapartado3.1.2.FuncionAbaDer(idtesela)Quitarultimaletradelidenticadordelatesela,yguardarelresultadoenlavariableid2teselaSilaultimaletraesq,Devolverid2tesela,a nadiendosalnalSilaultimaletraesr,DevolverDer(id2tesela),a nadiendotalnalSilaultimaletraess,DevolverAbaDer(id2tesela),a nadiendoqalnalSilaultimaletraest,DevolverAba(id2tesela),a nadiendoralnalFuncionDer(idtesela)Quitarultimaletradelidenticadordelatesela,yguardarelresultadoenlavariableid2teselaSilaultimaletraesq,Devolverid2tesela,a nadiendoralnalSilaultimaletraesr,DevolverDer(id2tesela),a nadiendoqalnalSilaultimaletraess,DevolverDer(id2tesela),a nadiendotalnalSilaultimaletraest,Devolverid2tesela,a nadiendosalnalFuncionAba(idtesela)Quitarultimaletradelidenticadordelatesela,yguardarelresultadoenlavariableid2teselaSilaultimaletraesq,Devolverid2tesela,a nadiendotalnalSilaultimaletraesr,Devolverid2tesela,a nadiendosalnalSilaultimaletraess,DevolverAba(id2tesela),a nadiendoralnalSilaultimaletraest,DevolverAba(id2tesela),a nadiendoqalnalConociendolaregi ongeogracadenidaporlascoordenadasdelasdosesquinasdeunatesela, proponemosunametodologadelocalizaci onyex-tracci ondelasortofotosquelacontengan,yaseaparcialototalmente,redi-mensionando a 256x256 pxeles y generando la tesela. En caso de que ningunaortofotocontengalaregion,segeneraunateselanegra.37CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasLagura4.4esunejemploilustradodeaplicaciondel algoritmo, enlaquesemuestralateselatqssrrrtqstqssqs.+qssrrrtqstqssqs.jpg0.00004300120.00000000000.0000000000-0.0000339750-4.779039352037.8835185517qssrrrtqstqssqs.jgwFigura4.4:GeneraciondelateselahojatqssrrrtqstqssqsGeneraci ondelas teselas del restodeniveles . Unavezgeneradastodaslasteselashoja, seprocedeagenerarlasteselasdelosnivelessupe-rioresdelarbol.Elprimerpasodelalgoritmopropuestoesmarcartodaslasteselashojadel nivel Ncomonoprocesadas. Acontinuacion, el algoritmobuscauncuartetodeteselasnoprocesadasdeunnivelcualquieraMN(enlaprimeraiteraciondel algoritmotodaslasteselassondel nivel N, yestansinprocesar), quetenganidenticadoresIDq, IDr, IDs, IDt, siendoIDunprejo com un a estas cuatro formado por combinaci on de las letras q,r,s,t;secombinanentresgenerandounateselaintermediaderesoluci on512x512pxeles.Estateselaintermediaseredimensionaa256x256pxelesgenerandounateseladelnivelM-1conidenticadorID,ylascuatroteselassemarcancomo procesadas; se repite todo el proceso con otro cuarteto de teselas IDq,IDr, IDs, IDt, yas sucesivamente. Enlasprimerasiteracionesdel algo-ritmo, existir anteselashojadel nivel Nnoprocesadas, teselasdel nivel Nprocesadas,teselasdelnivelN-1procesadasynoprocesadas;amedidaqueel algoritmo siga iterando, llegara un momento que no existan mas cuartetosde teselas del nivel N por procesar, por lo que se habr a generado el nivel N-1porcompleto. El algoritmoterminacuandonoquedancuartetosdeteselaspor procesar. En la gura 4.5 se muestra un diagrama de ujo del algoritmodescrito.38Captulo4. ResultadosydiscusionFigura4.5:Diagramadeujodelalgoritmodegeneraciondeteselasdenivelessuperiores39CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasEnlagura 4.6semuestraunejemplodelresultadoobtenidoalaplicarel algoritmo propuesto sobre un cuarteto de teselas, en el que se detallanlosidenticadorescorrespondientesacadauna.qssrrrtqstqssqq qssrrrtqstqssqrqssrrrtqstqssqs qssrrrtqstqssqtqssrrrtqstqssq(512 x 512 pxeles)qssrrrtqstqssq(256 x 256 pxeles)Figura4.6: Ejemplodegeneraciondeunateselatqssrrrtqstqssqapartir desus teselashijasActualizaci on del mosaico. Se proporciona un conjunto O de ortofotoscon el que llevar a cabo una actualizaci on del arbol jer arquico, siendo S el areacubiertaporestasortofotos, yn1,n2losnivelessuperioreinferiordel arbol que se va a actualizar. El primer paso es localizar el conjunto de nodospdelniveln1quecontengapartedel areaSyquesedeseenactualizar.Unavezlocalizados,paracadanodopsedeneunsub arbolA,siendopelnodoraz,ydelquecuelgansusnodoshijoshastauntotalde |n2-n1|nivelespordebajo. Lagura4.7muestraunejemploenel quehayuns olonodopyunsoloarbolAaactualizar.40Captulo4. Resultadosydiscusion..................... ...........................NIVEL 0NIVEL 1NIVEL n1NIVEL n2...................................................pAH......... ..............................Figura4.7:Arbol jerarquicoglobal ysubarbol aactualizar. Encolorazul semuestraelsubarbolaactualizar,enverdesemuestranlasteselashoja41CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasUna vez denido el sub arbol A, se dene H como el conjunto formadoportodaslasteselashojadeA.Paracadateselah H,si existealgunaortofotoo Oconunaregi onscom unconpartedelateselah,seactualizalateselahconlaregionsdeo.Unavezactualizadastodaslasteselashoja,seprocedeagenerarlosnivelessuperioresdelsubarbol,sinsuperarelniveln1del arbol jerarquicoglobal. Lagura4.8presentaundiagramadeujodelalgoritmo.Figura4.8:Diagramadeujodelalgoritmodeactualizaciondelarbol42Captulo4. ResultadosydiscusionOptimizaci ondel algoritmodegeneraci ondehojas/generaciondeniveles superiores/actualizaci ondel arbol. Parahacer m as ecaceslasoperacionessobreel arbol,seimplementounalgoritmoquellevaacabolos procedimientos de generaci onde hojas yniveles superiores enel casode creaci ondel arbol, oactualizaci onde hojas yniveles superiores enelcaso de actualizacion. En los apartados anteriores, hemos descrito la primeraaproximaci on efectuada para generar el arbol, que comprende dos fases, unaenlaque seact ua sobrelas hojas,yotra enlaque seact uasobrelos nivelessuperiores, por lo que requerira recorrer el arbol dos veces. Se unicaron lasoperacionesenunalgoritmorecursivoquerecorreenpreordencadaunadelas cuatro ramas del arbol, cuyo caso base es la generaci on de una tesela hoja.Unavezllegaalcasobase,genera/actualizalateselahojayvuelvealpuntodeejecuci ondelapen ultimallamada.Cuandosehanrecorridoenpreordenlas cuatro ramas, se genera la tesela padre de las cuatro ramas. La gura 4.9muestraeldiagramadeujodelalgoritmo.Figura4.9:Diagramadeujodelalgoritmooptimizadogenerador/actualizadordelarboljerarquicoLa gura 4.10 muestra un esquema de recorrido de una de las ramas de un43Correccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladas arboldetresniveles,secuenciandoconn umeroselordenenelquesegeneracadateselattqtr ts tttqq tqr tqs tqttrq trr trs trt tsq tsr tss tst ttq ttr tts ttt1 3 4 25Figura 4.10: Recorrido optimizado del arbol, mostrando en que orden se genera cada tesela.Algunosautoresproponenunalgoritmodivididoendosfasesparagene-rarel arbol: unaprimerafaseenlaquesegeneranlasteselashoja, yunasegundafaseenlaquesegeneranlosnivelessuperiores(SampleandIoup2010); estadivisionimplicaunaejecuci onm asinecientequelaquehemospropuestoal sernecesariorecorrerel arbol m asdeunavez. Otrosautoresempleansistemasquepermitengenerarlajerarquadeformaparalela(ar-quitecturasconm ultiplesunidadesdeejecuci on,sistemasdistribuidos,...),creando varias subtareas que se ejecutan simult aneamente (Guan et al. 2012,SampleandIoup2010); ennuestrocaso, el algoritmoquehemospropuestopermite hacer uso de este tipo de arquitecturas sin requerir para ello grandesmodicaciones,deniendounacoladetareasqueseinicializarecorriendoel arbol recursivamenteeinsertandolas tareas decreaciondeteselas hojaynivelessuperiores, paraasignarposteriormentelastareasacadaunidaddeejecuci ondisponible.44Captulo4. Resultadosydiscusion4.1.1.3. Resultadodelageneraci ondelossubarbolesSe generaronlos niveles comprendidos entre 8 y15 de 12 sub arbolesjer arquicoscorrespondientealaregiondeAndaluca,conunaresoluci ones-pacial m aximadeunmetroenlas teselas del nivel 15. Las teselas origendeestossub arbolesson: tqssrrqsq, tqssrrqst, tqssrrqsr, tqssrrqss, tqssrrtrr,tqssrrrtq, tqssrrrtt, tqssrrsqq, tqssrrrtr, tqssrrrts, tqssrrrsq, tqssrrrst, comose muestra en la gura 4.11. Una vez optimizado el proceso, se generaron untotalde136.593teselasconproyecci ongeogracadeMercatorysistemadereferenciaWGS84, paralocual senecesitarontresdasyseishorasenunequipoIntelCore2a1.86Ghz,con4GBdeRAM.tqssrrqsq tqssrrqsr tqssrrrtq tqssrrrtr tqssrrrsqtqssrrqst tqssrrqss tqssrrrtt tqssrrrts tqssrrrsttqssrrtrr tqssrrsqqFigura4.11: CoberturageogracadenodosorigendevariossubarbolesenlaregiondeAndaluca45CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasUna muestra de las teselas que se generaron se presenta en la gura 4.12,que presenta las teselas del camino seguido desde el nodo origen del subarboltqssrrrtqhastalateselatqssrrrtqstqssqs.tqssrrrtqstqssqs tqssrrrtqstqssq tqssrrrtqstqss tqssrrrtqstqstqssrrrtqstq tqssrrrtqsttqssrrrtq tqssrrrtqsFigura 4.12: Teselas de la rama con tesela origen tqssrrrtq y tesela nal tqss-rrrtqstqssqsUnavezgeneradoslossub arboles,sehacorroboradoqueelsistemapro-puestovericaconclusionesdeautorescomoXuetal.(2012),quesostienenque el uso de jerarquas de teselas optimiza el tiempo de respuesta de servido-resdemapas,ofreciendosecomounaalternativaparaalmacenarygestionarecientementevolumeneselevadosdedatosespacialesconm ultipleresolu-ci onespacial ytemporal, yaquelasherramientasSIGtradicionalesnosonlasmasindicadas,comoYuanetal.(2011)exponen.46Captulo4. Resultadosydiscusion4.1.1.4. Resultadodelaactualizaci ondelsubarboltqssrrrtqComose hadescritoanteriormente enlasecci on3.1.1, se dispone deunaortofotode 0.15m/pxel,proyecci onUTMyED50,quese transformoalsistemadeproyecciongeogr acadeMercatoryWGS84, cuyoresultadosemuestra en la gura 4.13. Concretamente, se desea actualizar las teselas hojadenivel15 quecontenganel areageogr aca delanueva ortofoto,y a nadir 5nivelesadicionales.Figura4.13:Ortofotoaincorporarenelarboljerarquico47CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasAplicandolaecuaci on3.1ylosalgoritmosexpuestosalolargodeestasecci on,seobtienelacoberturageogr acadecadaunodelos12subarboles,siendotqssrrrtqel sub arbol quecontieneel areageogracacubiertaporlanuevaortofoto;descendiendoporlasramasdelsubarbolalasdiferenteste-selasdecadanivel,secalculalacoberturageogr acadecadaunadeellasyse obtiene que las teselas de nivel 15 a actualizar son tqssrrrtqsqrqrqs y tqss-rrrtqsqrqrrt, que se muestran en la gura 4.14. Se a naden 5 niveles adicionalespordebajodeestasdosteselas,siendoelnivel20eldemayorprofundidad;deestasituacionsededucequeactualizarel arbol, apartirdeortofotosdemayor resolucion espacial con cobertura geogr aca de zonas de mayor interes,hacequequenotodaslasramastenganlamismaprofundidad.Figura 4.14: Teselas tqssrrrtqsqrqrqs (izquierda) y tqssrrrtqsqrqrrt (derecha), races de losdossubarbolesaactualizar48Captulo4. ResultadosydiscusionLa gura 4.15 muestra los dos sub arboles una vez actualizados, mostran-dolasramasrecorridasdesdeel nodoorigendel arbol global hastalosdossub arboles,mostrandocondetalleciertasramasdelsubarbolconnodoraiztqssrrrtqsqrqrrt.Nosemuestranmasramasniotrosdetallesparanoa nadircomplejidadalagura.NIVEL 0NIVEL 15NIVEL 20tqssrrrtqsqrqrqstqssrrrtqsqrqrrttqssrrrtqsqrqrrtqqsqrtqssrrrtqsqrqrrtqqsqtqssrrrtqsqrqrrtqqstqssrrrtqsqrqrrtqqtqssrrrtqsqrqrrtq.......Figura4.15:Arboljerarquicoglobalactualizadoapartirdeunanuevaortofoto49CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasLagura4.16muestralasdosteselasdelnivel15unavezactualizadas.Figura4.16:Teselastqssrrrtqsqrqrqs(izquierda)ytqssrrrtqsqrqrrt(derecha)actualizadasEl algoritmoquehemos propuestoactualizaparcialmentelajerarqua,actuandosobreaquellasramasynivelesmascaractersticos,yaqueactuali-zar todos los niveles de las ramas implicadas requerira una gran inversion detiempo, ademasdecargarconsiderablementeal sistema. Estametodologatambienhasidoadoptadaporotrosautores(GarcaMartnetal.2013,Ke-faloukosetal.2012),quesostienenqueactualizarparcialmenteeslaopcionm asindicada,especialmentecuandolarenovaci ondeortofotosesfrecuente.Lapropuestaquerealizamosescompatibleconlassolucionessugeridaspor otros autores,como la propuesta por Zhang and You (2010), que generalajerarquaal solicitarregionesconcretas, o Kefaloukosetal. (2012), queenfunci ondelasteselasm asdemandadas, seanticipaafuturaspeticionesygeneralosnivelesyramasconmayorprobabilidaddeseraccedidosenlosintervalosdetiempoenlosqueelsistemapresentemenorcargadetrabajo;enambos casos, lageneraci ondelajerarquasepuedellevar acaboconnuestrapropuesta. Lageneraci onparcial del arbol estajusticadaencasosdejerarquas denumerosos niveles enlos quenoes ecienteni necesariogenerarlajerarquacompleta.Existenotrasaplicacionesenlaqueesnecesariollevaracabotareasdeprocesamientoenun areadeterminada, locual suponeunusointensivoderecursos mediante tecnicas tradicionales; una alternativa mas eciente es em-plear sistemas de procesamiento paralelo (Wallis et al. 2009), siendo necesariodescomponer la tarea principal en m ultiples subtareas que act uan sobre areasdiferentes, procedimientoquesevefacilitadoal representarlainformaci onmedianteunarbolgeneradoconelalgoritmoquehemospropuesto.50Captulo4. Resultadosydiscusion4.1.2. EstudioestadsticodelaexactitudposicionalPara cada uno de las 588 puntos geodesicos levantados topogr acamente,se llevo a cabo un estudio de la exactitud posicional, simplicando y norma-lizandolosresultadosmediantedistribucionesnormalesdelasfuncionesEt,Ex, Ey (Castillo-Carrion et al. 2012). Para ello, en primer lugar se calcul o elvalordelassiguientesvariables:Mnimo:Valormnimodelamuestra,enmetros.M aximo:Valormaximodelamuestra,enmetros.Rango: Intervalo de menor tama no que contiene los datos de la muestra,enmetros.N:N umerodedatosdelamuestra.NSturges: DivisiondelamuestraenintervalosaplicandolaregladeSturges,1 + log2N 10Amplitud:Redondeocondosdecimalesdeladivisionentreelrangoyeln umerodeintervalos.El resultado del an alisis estadstico se muestra en la tabla 4.1, las unidadesest anexpresadasenmetros;latabla4.2muestraotrasvariablesestadsticascomplementarias.Tabla 4.1: Variables estadsticas para el estudio de la exactitud posicional del arboljerarquicogenerado.Funcion Ex Ey EtMnimo -2.6201 -4.5524 0M aximo 3.5802 4.1636 6.7834039Rango 6.2003 8.716 6.7834039N 588 588 588Tabla4.2:VariablesestadsticascomplementariasexpresadasenmetrosFuncion Ex Ey EtNSturges 10 10 10Amplitud 0.63 0.88 0.68NSturges Amplitud 6.3 8.8 6.8NSturges Amplitud-rango 0.0997 0.084 0.0165961(NSturges Amplitud-rango)/2 0.04985 0.042 0.008298151CorreccionautomaticadelageometradefotogramascapturadosdesdeplataformasaereasnotripuladasEx,EyyEtposeenunaamplitudde0.63,0.88y0.68,respectivamente.NSturges Amplitudmuestraelnuevorangodevaloresdecadaintervalo,queexcedeen0.0997, 0.084y0.0165961el rangodevaloresoriginal deEx,Ey, Et, respectivamente, porloqueel valormnimoym aximosedebein-crementarydecrementarporlamitaddetal cantidadencadafunci on, esdecir, 0.04985, 0.042y0.0082981respectivamente. Apartirdelasvariablescalculadas,seobtieneparacadaintervalo:Extremoinferior:Extremoinferiordelintervalo.Extremosuperior:Extremosuperiordelintervalo.Media:Puntomediodecadaunodelosintervalos.Frecuencia: N umero de datos que pertenece al intervalo, es decir, n ume-rodepuntosgeodesicascuyaexactitudposicional estadentrodel in-tervalo.CuyoresultadoparaEt, Ex, Eysepresentanenlastablas4.3, 4.4, 4.5.Losvaloresseexpresanenmetros.Tabla4.3:Ex(m)paracadaintervaloExtremoInferior ExtremoSuperior Media Frecuencia-2.67 -2.04 -2.355 18-2.04 -1.41 -1.725 28-1.41 -0.78 -1.095 50-0.78 -0.15 -0.465 89-0.15 0.48 0.165 1220.48 1.11 0.795 1221.11 1.74 1.425 701.74 2.37 2.055 532.37 3 2.685 223 3.63 3.315 1452Captulo4. ResultadosydiscusionTabla4.4:Ey(m)paracadaintervaloExtremoInferior ExtremoSuperior Media Frecuencia-4.6 -3.72 -4.16 13-3.72 -2.84 -3.28 19-2.84 -1.96 -2.4 36-1.96 -1.08 -1.52 68-1.08 -0.2 -0.64 106-0.2 0.68 0.24 1900.68 1.56 1.12 951.56 2.44 2 502.44 3.32 2.88 163.32 4.2 3.76 11Tabla4.5:Et(m)paracadaintervaloExtremoInferior ExtremoSuperior Media Frecue