Auteur / Autrice : | Adrien Hamelin |
Direction : | Emmanuel Dubois, Rémi 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 |
Mots clés
Résumé
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.