Resposta direta: limpar e classificar uma nuvem de pontos significa remover pontos espúrios, atribuir classes semânticas (solo, vegetação, edificações, ruído etc.), reduzir densidade onde necessário e gerar produtos prontos para desenho, topografia ou modelagem (DTM/DSM, malha, curvas de nível). A escolha dos métodos e parâmetros depende do sensor, da densidade original e do objetivo final (levantamento topográfico, modelagem arquitetônica, inspeção vegetal, etc.).
Fluxo de trabalho resumido
- 1) Inspeção e preparação: verificar sistema de coordenadas, unidades, cobertura e metadados.
- 2) Recorte espacial e remoção de pontos fora de área de interesse.
- 3) Remoção de ruído (outliers) e filtragem inicial.
- 4) Classificação primária (solo/ground).
- 5) Classificação secundária (edificações, vegetação por classes de altura, postes, água, etc.).
- 6) Redução de densidade (decimação) preservando feições críticas.
- 7) Geração de produtos (DTM/DSM, malha, curvas, ortofoto se aplicável) e exportação com metadados.
- 8) QA/QC: mapas de densidade, seções transversais, histogramas de elevação e verificação visual.
Como remover ruídos: critérios e métodos
Objetivo: eliminar pontos isolados e erros sistemáticos sem apagar feições verdadeiras.
- Filtragem estatística de vizinhança: detecta pontos cuja distância média ao conjunto de vizinhos excede um desvio; útil contra pontos isolados.
- Filtro por raio (radius outlier): remove pontos com menos de N vizinhos em um raio R — bom para eliminar pontos soltos em áreas com densidade relativamente uniforme.
- Filtragem por atributos do sensor: excluir pontos por return number, intensidade ou classificação pré-existente quando esses atributos indicam ruído (se disponíveis).
- Segmentação por plano/RANSAC: para eliminar reflexos fora de superfície principal (por exemplo pontos de céu em varreduras TLS), identificando planos ou grandes superfícies e retirando outliers.
Observação: escolha métodos e parâmetros com base na densidade e no tipo de ruído; sempre validar visualmente após cada etapa.
Como classificar: estratégias para solo, vegetação e edificações
Uma boa classificação segue ordem lógica: primeiro solo (ground), depois estruturas e vegetação. Isso evita que vegetação alta seja classificada como solo por engano.
Classificação do solo (ground)
- Métodos comuns: filtros morfológicos progressivos, modelagem TIN iterativa e algoritmos baseados em pontos locais.
- Critério: identificar a menor elevação local que represente a superfície de terreno natural/removendo vegetação e objetos acima do terreno.
- Aplicação: essencial para gerar DTM e curvas de nível confiáveis.
Identificação de edificações e estruturas
- Procedimentos: segmentação por planaridade (detecção de planos e telhados), agrupamento por conectividade e análise de declividade.
- Dica: combinar critérios geométricos (planaridade, altura relativa) e análises topológicas (contiguidade) para separar edifícios de muros e grandes rochas.
Classificação de vegetação
- Abordagens: separar vegetação por classes de altura (baixa, média, alta) ou por comportamento de retorno (multi-return em LiDAR aerotransportado).
- Uso prático: quantificação de biomassa, filtragem para DTM (remove-se a vegetação) e geração de CHM (canopy height model).
Redução de densidade: quando e como decimar sem perder informação
Reduzir densidade é muitas vezes necessário para processamento rápido, visualização ou para adequar dados a softwares de CAD/CAM. A escolha do método deve preservar bordas, linhas e detalhes relevantes.
- Voxel grid (grid de voxels): substitui pontos dentro de cada célula por um ponto representativo (centroide). É simples e preserva cobertura geral.
- Amostragem uniforme aleatória: rápida, mas pode perder feições finas; útil quando a perda de detalhe é aceitável.
- Amostragem adaptativa baseada em curvatura/variância: mantém mais pontos em regiões de alta curvatura (arestas, fachadas) e reduz em superfícies planas.
- Octree / subdivisão hierárquica: permite níveis de detalhe controlados por área e facilita visualização progressiva.
Escolha: use métodos adaptativos quando o objetivo for desenho ou modelagem detalhada; métodos uniformes servem para análises gerais e economia de armazenamento.
Preparar a nuvem para desenho ou modelagem
- Normalização e versão “normalized”: subtrair o terreno do ponto para obter alturas relativas (útil para telhados e vegetação).
- Reconhecimento de feições lineares: extração de linhas de beira, meio-fio e bordas de telhado para exportação como CAD/vektor.
- Geração de superfícies: criar DTM (somente solo) e DSM (superfície superior), malhas poligonais (meshes) e modelos NURBS quando necessário.
- Quebra de polígonos e breaklines: adicionar ou extrair breaklines a partir de pontos classificados para evitar suavização indevida do terreno em áreas com descontinuidades.
- Exportação: manter metadados, sistema de referência e manter versões em formato classificado (por exemplo LAS/LAZ com classes) para interoperabilidade.
Verificações de qualidade (QA/QC) essenciais
- Visualização por classes: habilitar/desabilitar classes para confirmar separação correta.
- Mapas de densidade: detectar zonas com subamostragem ou vazios.
- Seções transversais: comparar perfis antes/depois da classificação para checar deslocamentos ou remoção indevida de pontos.
- Histograma de elevação e análise de resíduos contra pontos de controle (se houver).
- Relatório de estatísticas por classe: contagem de pontos, cobertura e percentuais para documentação.
Exemplo prático (parâmetros didáticos — apenas ilustração)
Como guia de inicialização (ajuste conforme seu projeto e sensor):
- Remoção de outliers: radius = exemplo 0,5 m e N vizinhos = 6 (usar apenas como referência; testar no seu dado).
- Filtro de solo inicial: aplicar filtro morfológico progressivo com janela crescente até estabilizar as cotas do terreno.
- Decimação por voxel: voxel size = exemplo 0,05–0,25 m para TLS; ajustar para resolução de detalhe necessária.
Estes números são exemplos didáticos — sempre validar e ajustar para o tipo de sensor (TLS vs. LiDAR aerotransportado), densidade original e objetivo do levantamento.
Boas práticas e recomendações finais
- Trabalhe sempre com cópias dos dados originais; mantenha uma versão bruta e uma versão processada com histórico de operações.
- Documente parâmetros e passos do processamento para reprodutibilidade e auditoria.
- Combinar vários critérios (geométricos + atributos do sensor) resulta em classificações mais robustas que usar apenas um método.
- Teste workflows em amostras representativas antes de aplicar em toda a nuvem.
- Considere a finalidade final: um DTM topográfico exige tratamento mais conservador do que um modelo arquitetônico que precisa de superfícies limpas.
Para saber mais sobre captura e fluxos de trabalho com scanners a laser, veja as soluções de Laser Scanner da Geomensura.








