Thèse soutenue

Sélection et amélioration de nuages de points 3D
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Adrien Hamelin
Direction : Emmanuel DuboisRémi Cabanac
Type : Thèse de doctorat
Discipline(s) : Image, Information et Hypermédia
Date : Soutenance le 16/12/2015
Etablissement(s) : Toulouse, INPT
Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....)
Jury : Président / Présidente : Jean-Philippe Pernot
Examinateurs / Examinatrices : Emmanuel Dubois, Minica Houry-Panchetti
Rapporteurs / Rapporteuses : Jean-Philippe Pernot, Nadine Rouillon-Couture

Résumé

FR  |  
EN

Le domaine de l’informatique 3D est vaste, contenant de nombreuses directions de recherche possible. Une de ces directions est la numérisation d’objetsréels, via des scanners. De nombreux objectifs peuvent requérir cela, de l’affichage et de l’interaction avec le modèle dans un environnement 3D comme un jeu vidéo à l’analyse dudit modèle pour de la rétro-ingénierie, comme l’analyse de l’évolution de l’objet dans le temps pour de la maintenance. Le problème est alors d’être capable de traiter les modèles ainsi acquis. Cette thèse se focalise plus particulièrement sur les modèles de bâtiments acquis à l’aide d’un scanner laser, résultant en un nuage de points 3D. Le processus d’acquisition n’étant pas parfait, le modèle obtenu comporte des défauts comme des trous ou du bruit. Notre première contribution est alors de pouvoir sélectionner une partie de ce nuage de points, dans le but par exemple de cibler des traitements. Le principe est de faire une sélection par étape en créant un volume formé d’une succession de contours de forme libre. Des tests expérimentaux ont montré que cette technique est efficace et préférée par rapport aux deux autres techniques de sélection testées. Notre deuxième contribution est un processus visant à corriger les défauts dus à l’acquisition du modèle. Pour cela, le processus se base sur d’autres sources contenant des informations sur l’objet représenté pour détecter un ensemble de zones contenant des problèmes. Il essaie ensuite autant que possible de prendre automatiquement des décisions pour la correction, mais laisse toujours le choix final à un utilisateur. Les résultats montrent que le modèle obtenu est d’une bien meilleure qualité visuelle.