VT2019 Photogrammetrie - Revision history

Marceau.Decamps: /* Drone */

2019-12-01T20:18:08Z

Drone

← Older revision		Revision as of 20:18, 1 December 2019
Line 71:		Line 71:
	Le drone est un petit aéronef avec pilotage automatique ou télécommandé qui a une caméra attachée à lui.		Le drone est un petit aéronef avec pilotage automatique ou télécommandé qui a une caméra attachée à lui.

	~~Des~~ avantages :		Les avantages :
	* Il est très précis.		* Il est très précis.
	* Il permet de couvrir un large terrain.		* Il permet de couvrir un large terrain.

	~~Des~~ inconvénients :		Les inconvénients :
	* Il est très cher.		* Il est très cher.
	* Il a une technologie qui est parfois difficile à comprendre, ce qui nécessiterait une formation préalable ou l'intervention d'un utilisateur expérimenté.		* Il a une technologie qui est parfois difficile à comprendre, ce qui nécessiterait une formation préalable ou l'intervention d'un utilisateur expérimenté.

Marceau.Decamps: /* Caméra infrarouge */

2019-12-01T20:17:56Z

Caméra infrarouge

← Older revision		Revision as of 20:17, 1 December 2019
Line 57:		Line 57:
	La caméra infrarouge a un capteur RGB pour capturer l’image et en émetteur/récepteur infrarouge pour mesurer la distance. Elle utilise l'accumulation des deux pour obtenir le nuage de points.		La caméra infrarouge a un capteur RGB pour capturer l’image et en émetteur/récepteur infrarouge pour mesurer la distance. Elle utilise l'accumulation des deux pour obtenir le nuage de points.

	D'avantage :		L'avantage :
	* Elle est très précise.		* Elle est très précise.

	D'inconvénient :		L'inconvénient :
	* Elle est plus chère.		* Elle est plus chère.

Marceau.Decamps: /* PointCloud */

2019-12-01T20:17:02Z

PointCloud

← Older revision		Revision as of 20:17, 1 December 2019
Line 28:		Line 28:

	Un point cloud, en français nuage de points, est un ensemble de points dans le même système de coordonnées. Autrement dit, c'est une image classique excepté que les pixels, ici "points", ont des coordonnées XYZ.		Un point cloud, en français nuage de points, est un ensemble de points dans le même système de coordonnées. Autrement dit, c'est une image classique excepté que les pixels, ici "points", ont des coordonnées XYZ.

	Nous utilisons le nuage de points en photogrammétrie numérique pour représenter les données de l'objet ou de la scène.		Nous utilisons le nuage de points en photogrammétrie numérique pour représenter les données de l'objet ou de la scène.

Marceau.Decamps: /* PointCloud */

2019-12-01T20:16:49Z

PointCloud

← Older revision		Revision as of 20:16, 1 December 2019
Line 27:		Line 27:
	=PointCloud=		=PointCloud=

	Un point cloud, en français nuage de points, est un ensemble de points dans le même système de coordonnées. ~~Nous~~ ~~utilisons~~ le ~~nuage~~ de ~~points~~ en ~~photogrammétrie numérique pour représenter~~ les ~~données~~ de ~~l'objet~~ ou de la ~~scène~~.		Un point cloud, en français nuage de points, est un ensemble de points dans le même système de coordonnées. Autrement dit, c'est une image classique excepté que les pixels, ici "points", ont des coordonnées XYZ.
			Nous utilisons le nuage de points en photogrammétrie numérique pour représenter les données de l'objet ou de la scène.

	==Outils physiques==		==Outils physiques==

Marceau.Decamps: /* Caméra binoculaire */

2019-12-01T20:15:23Z

Caméra binoculaire

← Older revision		Revision as of 20:15, 1 December 2019
Line 39:		Line 39:
	[[File:Camera_Bino.png \| 300px \| thumb \| centre \| Figure 2 : Schéma de fonctionnement d'une caméra binoculaire]]		[[File:Camera_Bino.png \| 300px \| thumb \| centre \| Figure 2 : Schéma de fonctionnement d'une caméra binoculaire]]

	~~Des~~ avantages :		Les avantages :
	* Elle est petite, cela permet un transport et un positionnement faciles n'importe où.		* Elle est petite, cela permet un transport et un positionnement faciles n'importe où.
	* Elle n'est pas chère.		* Elle n'est pas chère.

	D'inconvénient :		L'inconvénient :
	* Elle est moins précise que d'autres équipements.		* Elle est moins précise que d'autres équipements.

	Dans la figure 3, on peut voir un exemple d'application avec des caméras binoculaires. On a les images des deux capteurs en haut à gauche, en faisant une analyse et des calculs, la caméra peut nous sortir une ''“depth map”'', carte de profondeur, (en bas à gauche). En accumulant les images sur la ''depth map'', on obtient un nuage de points.		Dans la figure 3, on peut voir un exemple d'application avec des caméras binoculaires. On a les images des deux capteurs en haut à gauche, en faisant une analyse et des calculs, la caméra peut nous sortir une ''“depth map”'', carte de profondeur, (en bas à gauche). En accumulant les images sur la ''depth map'', on obtient un nuage de points.

	Le nuage de points est comme une image JPEG, sauf que les pixel sont les points avec des coordonnées XYZ, au lieu de que XY.

Giulia.Bonaspetti at 17:13, 1 December 2019

2019-12-01T17:13:36Z

← Older revision		Revision as of 17:13, 1 December 2019
Line 46:		Line 46:
	* Elle est moins précise que d'autres équipements.		* Elle est moins précise que d'autres équipements.

			Dans la figure 3, on peut voir un exemple d'application avec des caméras binoculaires. On a les images des deux capteurs en haut à gauche, en faisant une analyse et des calculs, la caméra peut nous sortir une ''“depth map”'', carte de profondeur, (en bas à gauche). En accumulant les images sur la ''depth map'', on obtient un nuage de points.
⚫	[[File:Exemple_Bino.png \| 700px \| thumb \| center \| Figure 3 : ~~ORBBEC~~ - ~~Astra~~ S]]

			Le nuage de points est comme une image JPEG, sauf que les pixel sont les points avec des coordonnées XYZ, au lieu de que XY.


		⚫	[[File:Exemple_Bino.png \| 700px \| thumb \| center \| Figure 3 : Exemple d'application avec des caméras binoculaires]]

	===Caméra infrarouge===		===Caméra infrarouge===
	[[File:ASTRA.png \| 200px \| thumb \| right \| Figure 4 : ~~Schéma~~ de ~~fonctionnement~~ ~~d'une caméra binoculaire~~]]		[[File:ASTRA.png \| 200px \| thumb \| right \| Figure 4 : ORBBEC - Astra S]]
	La caméra infrarouge a un capteur RGB pour capturer l’image et en émetteur/récepteur infrarouge pour mesurer la distance. Elle utilise l'accumulation des deux pour obtenir le nuage de points.		La caméra infrarouge a un capteur RGB pour capturer l’image et en émetteur/récepteur infrarouge pour mesurer la distance. Elle utilise l'accumulation des deux pour obtenir le nuage de points.

Line 57:		Line 62:
	D'inconvénient :		D'inconvénient :
	* Elle est plus chère.		* Elle est plus chère.

			Dans la figure 5, on peut voir un exemple d'application avec des caméras infrarouges, où on a une photo de la scène originale à gauche et deux vues de l'image “brute” sortie de la caméra Astra.

	[[File:Exemple_Infra.png \| 800px \| thumb \| center \| Figure 5 : Exemple d'application avec des caméras infrarouges]]		[[File:Exemple_Infra.png \| 800px \| thumb \| center \| Figure 5 : Exemple d'application avec des caméras infrarouges]]
Line 82:		Line 89:
	ORB-SLAM2 est un logiciel open source (GPLv3 license) proposé par R. Mur-Artal et J. D. Tardos en 2017 sur l'article ''ORB-SLAM2: an Open-Source SLAM System for Monocular, Stereo and RGB-D Cameras'' [[VT2019_Photogrammetrie#OrbSlam \| <nowiki>[1]</nowiki>]]. Ce logiciel a pour but de faire de la localisation and mapping system (SLAM).		ORB-SLAM2 est un logiciel open source (GPLv3 license) proposé par R. Mur-Artal et J. D. Tardos en 2017 sur l'article ''ORB-SLAM2: an Open-Source SLAM System for Monocular, Stereo and RGB-D Cameras'' [[VT2019_Photogrammetrie#OrbSlam \| <nowiki>[1]</nowiki>]]. Ce logiciel a pour but de faire de la localisation and mapping system (SLAM).

	Il utilise des caméras binoculaires et les “points of interest” pour traquer les mouvements de la caméra.		Il utilise des caméras binoculaires et les ''“points of interest”'', points d'intérêt, pour traquer les mouvements de la caméra.

			Dans la figure 7, on peut voir un exemple d'utilisation du logiciel ORB-SLAM2. En bas à droite on a l'image de la caméra (stéréo) avec tous les ''points of interest'' en vert, et sur la grande fenêtre on a le résultat de l'algorithme, on peut voir tous les ''points of interest'' calculés et chaque position clé de la caméra, ainsi que leurs liaisons.

	[[File:Exemple_ORB.png \| 600px \| thumb \| center \| Figure 7 : Exemple d'utilisation d'ORB-SLAM2]]		[[File:Exemple_ORB.png \| 600px \| thumb \| center \| Figure 7 : Exemple d'utilisation d'ORB-SLAM2]]

Giulia.Bonaspetti at 17:00, 1 December 2019

2019-12-01T17:00:20Z

← Older revision		Revision as of 17:00, 1 December 2019
Line 33:		Line 33:

	===Caméra binoculaire===		===Caméra binoculaire===
			[[File:DUO.png \| 200px \| thumb \| right \| Figure 1 : DUO3D - DUO MLX]]
	La caméra binoculaire est une caméra qui utilise deux objectifs différents pour, en plus de l'image, obtenir la profondeur de l'image.		La caméra binoculaire est une caméra qui utilise deux objectifs différents pour, en plus de l'image, obtenir la profondeur de l'image.

	Plus précisément, elle utilise des calculs mathématiques en comparant l'image des deux capteurs pour obtenir le nuage de points.		Plus précisément, elle utilise des calculs mathématiques en comparant l'image des deux capteurs pour obtenir le nuage de points.
			[[File:Camera_Bino.png \| 300px \| thumb \| centre \| Figure 2 : Schéma de fonctionnement d'une caméra binoculaire]]

	Des avantages :		Des avantages :
Line 43:		Line 45:
	D'inconvénient :		D'inconvénient :
	* Elle est moins précise que d'autres équipements.		* Elle est moins précise que d'autres équipements.

			[[File:Exemple_Bino.png \| 700px \| thumb \| center \| Figure 3 : ORBBEC - Astra S]]

	===Caméra infrarouge===		===Caméra infrarouge===
			[[File:ASTRA.png \| 200px \| thumb \| right \| Figure 4 : Schéma de fonctionnement d'une caméra binoculaire]]
	La caméra infrarouge a un capteur RGB pour capturer l’image et en émetteur/récepteur infrarouge pour mesurer la distance. Elle utilise l'accumulation des deux pour obtenir le nuage de points.		La caméra infrarouge a un capteur RGB pour capturer l’image et en émetteur/récepteur infrarouge pour mesurer la distance. Elle utilise l'accumulation des deux pour obtenir le nuage de points.

Line 52:		Line 57:
	D'inconvénient :		D'inconvénient :
	* Elle est plus chère.		* Elle est plus chère.

			[[File:Exemple_Infra.png \| 800px \| thumb \| center \| Figure 5 : Exemple d'application avec des caméras infrarouges]]

	===Drone===		===Drone===
			[[File:INTEL.png \| 200px \| thumb \| right \| Figure 6 : INTEL Aero Plataform avec camèra]]
	Le drone est un petit aéronef avec pilotage automatique ou télécommandé qui a une caméra attachée à lui.		Le drone est un petit aéronef avec pilotage automatique ou télécommandé qui a une caméra attachée à lui.

Line 75:		Line 83:

	Il utilise des caméras binoculaires et les “points of interest” pour traquer les mouvements de la caméra.		Il utilise des caméras binoculaires et les “points of interest” pour traquer les mouvements de la caméra.

			[[File:Exemple_ORB.png \| 600px \| thumb \| center \| Figure 7 : Exemple d'utilisation d'ORB-SLAM2]]

	=Accumulation & Traitement=		=Accumulation & Traitement=
Line 131:		Line 141:

	=<div id="SPTitle">ScanPyramids</div>=		=<div id="SPTitle">ScanPyramids</div>=
			[[File:ScanPyramids.png \| 300px \| thumb \| right \| Figure 8 : Schéma de ScanPiramyds]]
	La mission ScanPyramids (2015), conçue et coordonnée par la Faculté des Ingénieurs de l'Université du Caire et l'Institut français HIP (Héritage, Innovation, Préservation), visait à sonder, sans faire un seul trou, le cœur des plus grandes pyramides d'Egypte [[VT2019_Photogrammetrie#ScanPyramids \| <nowiki>[4]</nowiki>]].		La mission ScanPyramids (2015), conçue et coordonnée par la Faculté des Ingénieurs de l'Université du Caire et l'Institut français HIP (Héritage, Innovation, Préservation), visait à sonder, sans faire un seul trou, le cœur des plus grandes pyramides d'Egypte [[VT2019_Photogrammetrie#ScanPyramids \| <nowiki>[4]</nowiki>]].

Giulia.Bonaspetti at 15:50, 1 December 2019

2019-12-01T15:50:36Z

← Older revision		Revision as of 15:50, 1 December 2019
Line 26:		Line 26:

	=PointCloud=		=PointCloud=

			Un point cloud, en français nuage de points, est un ensemble de points dans le même système de coordonnées. Nous utilisons le nuage de points en photogrammétrie numérique pour représenter les données de l'objet ou de la scène.

	==Outils physiques==		==Outils physiques==
Line 70:		Line 72:

	===ORB-SLAM2===		===ORB-SLAM2===
			ORB-SLAM2 est un logiciel open source (GPLv3 license) proposé par R. Mur-Artal et J. D. Tardos en 2017 sur l'article ''ORB-SLAM2: an Open-Source SLAM System for Monocular, Stereo and RGB-D Cameras'' [[VT2019_Photogrammetrie#OrbSlam \| <nowiki>[1]</nowiki>]]. Ce logiciel a pour but de faire de la localisation and mapping system (SLAM).

			Il utilise des caméras binoculaires et les “points of interest” pour traquer les mouvements de la caméra.

	=Accumulation & Traitement=		=Accumulation & Traitement=
Line 82:		Line 87:
	Le nuage de points acquis a inévitablement de bruit visuelle et contient des valeurs''outliner'' dues aux limitations ou conditions des capteurs, à l'éclairage de la scène, etc. Par conséquent, il est nécessaire d'effectuer des opérations de filtrage sur le nuage de points pour obtenir des données plus précises afin de pouvoir effectuer les traitements suivants.		Le nuage de points acquis a inévitablement de bruit visuelle et contient des valeurs''outliner'' dues aux limitations ou conditions des capteurs, à l'éclairage de la scène, etc. Par conséquent, il est nécessaire d'effectuer des opérations de filtrage sur le nuage de points pour obtenir des données plus précises afin de pouvoir effectuer les traitements suivants.

	Pour cette opération de filtrage, différents filtres peuvent être utilisés et existent plusieurs façons de diviser ces filtres. Dans ce wiki on va regarder les détails de trois types de filtrage basées sur la division présentée sur l'article ~~[[VT2019_Photogrammetrie#Filter \|~~ ''A review of algorithms for filtering the 3D point cloud <nowiki>[2]</nowiki>'']].		Pour cette opération de filtrage, différents filtres peuvent être utilisés et existent plusieurs façons de diviser ces filtres. Dans ce wiki on va regarder les détails de trois types de filtrage basées sur la division présentée sur l'article ''A review of algorithms for filtering the 3D point cloud'' [[VT2019_Photogrammetrie#Filter \| <nowiki>[2]</nowiki>]].

	;Filtrage statistique		;Filtrage statistique
Line 112:		Line 117:
	La reconstruction de surface est le processus par lequel un objet 3D est déduit, ou "reconstruit", à partir du nuage de points qui échantillonnent la forme. Donc, une maille est créée sur cet ensemble des points. Cette maille peut être polygonale, triangulaire, entre autres.		La reconstruction de surface est le processus par lequel un objet 3D est déduit, ou "reconstruit", à partir du nuage de points qui échantillonnent la forme. Donc, une maille est créée sur cet ensemble des points. Cette maille peut être polygonale, triangulaire, entre autres.

	Il existe de nombreuses techniques pour convertir un nuage de points en surface 3D. Certaines approches, telles que la triangulation de Delaunay, revêtent les sommets du nuage d'une maille triangulaire, alors que d'autres approches convertissent les points en champ volumétrique à l'aide d'un algorithme infographique[[VT2019_Photogrammetrie#WikiPC \| <nowiki>[2]</nowiki>]].		Il existe de nombreuses techniques pour convertir un nuage de points en surface 3D. Certaines approches, telles que la triangulation de Delaunay, revêtent les sommets du nuage d'une maille triangulaire, alors que d'autres approches convertissent les points en champ volumétrique à l'aide d'un algorithme infographique[[VT2019_Photogrammetrie#WikiPC \| <nowiki>[3]</nowiki>]].

	==Ajustement d’un modèle==		==Ajustement d’un modèle==
Line 126:		Line 131:

	=<div id="SPTitle">ScanPyramids</div>=		=<div id="SPTitle">ScanPyramids</div>=
			La mission ScanPyramids (2015), conçue et coordonnée par la Faculté des Ingénieurs de l'Université du Caire et l'Institut français HIP (Héritage, Innovation, Préservation), visait à sonder, sans faire un seul trou, le cœur des plus grandes pyramides d'Egypte [[VT2019_Photogrammetrie#ScanPyramids \| <nowiki>[4]</nowiki>]].

			Deux missions de thermographie infrarouge ont été effectuées pour établir une carte thermique des monuments et révéler les vides sous la surface visible de la pyramide, puis deux missions de radiographie par muons ont été effectuées pour vérifier et visualiser avec précision la présence de structures inconnues dans les pyramides.

			Parallèlement aux missions d'exploration, une campagne de photogrammétrie à l'aide de drones a été fait, ce qui a permis la reconstruction 3D précise du plateau de Gizeh et du site du Dahchour, ainsi que de tous les monuments qui y sont érigés. Ces modèles sont mis à la disposition du public sous forme de données ouvertes par l'Institut HIP.

			;Drones
			: Ils ont utiliser deux types de drones :
			* Type avion : il dispose d'une grande autonomie et il est rapide et précis (~5cm).
			* Type hélicoptère : il effectue un vol stationnaire, avec une grande précision (~1cm) et un scanner infrarouge.

	=Démonstration=		=Démonstration=
Line 131:		Line 146:

	=Sources=		=Sources=
⚫	# <div id="PCL">[http://pointclouds.org/ '''PCL : Point Cloud Library''' - Site Officiel]</div>
⚫	# <div id="WikiPC">[https://en.wikipedia.org/wiki/Point_cloud Wikipédia : '''Point Cloud''']</div>
⚫	# <div id="WikiPhoto">[https://fr.wikipedia.org/wiki/Photogramm%C3%A9trie Wikipédia : '''Photogrammétrie''']</div>
⚫	# <div id="ScanPyramids">[http://www.scanpyramids.org/ '''ScanPyramids Mission''' - Site Officiel]</div>
	# <div id="OrbSlam">[https://arxiv.org/pdf/1610.06475.pdf Mur-Artal, Raul & D. Tardós, Juan. (2017). '''ORB-SLAM2: an Open-Source SLAM System for Monocular, Stereo and RGB-D Cameras''']</div>		# <div id="OrbSlam">[https://arxiv.org/pdf/1610.06475.pdf Mur-Artal, Raul & D. Tardós, Juan. (2017). '''ORB-SLAM2: an Open-Source SLAM System for Monocular, Stereo and RGB-D Cameras''']</div>
	# <div id="Filter">[https://www.researchgate.net/publication/317146336_A_review_of_algorithms_for_filtering_the_3D_point_cloud Han, Xian-Feng & Jin, Jesse & Wang, Ming-Jie & Jiang, Wei & Gao, Lei & Xiao, Liping. (2017). '''A review of algorithms for filtering the 3D point cloud.''']</div>		# <div id="Filter">[https://www.researchgate.net/publication/317146336_A_review_of_algorithms_for_filtering_the_3D_point_cloud Han, Xian-Feng & Jin, Jesse & Wang, Ming-Jie & Jiang, Wei & Gao, Lei & Xiao, Liping. (2017). '''A review of algorithms for filtering the 3D point cloud.''']</div>
		⚫	# <div id="WikiPC">[https://en.wikipedia.org/wiki/Point_cloud Wikipédia : '''Point Cloud''']</div>
		⚫	# <div id="ScanPyramids">[http://www.scanpyramids.org/ '''ScanPyramids Mission''' - Site Officiel]</div>
		⚫	# <div id="PCL">[http://pointclouds.org/ '''PCL : Point Cloud Library''' - Site Officiel]</div>
		⚫	# <div id="WikiPhoto">[https://fr.wikipedia.org/wiki/Photogramm%C3%A9trie Wikipédia : '''Photogrammétrie''']</div>
	# <div id="Fitting">[https://igl.ethz.ch/projects/template-fitting/template_matching.pdf Yeh, I-Cheng & Lin, Chao-Hung & Sorkine, Olga & Lee, Tong-Yee. '''Template-based 3D Model Fitting Using Dual-domain Relaxation''']</div>		# <div id="Fitting">[https://igl.ethz.ch/projects/template-fitting/template_matching.pdf Yeh, I-Cheng & Lin, Chao-Hung & Sorkine, Olga & Lee, Tong-Yee. '''Template-based 3D Model Fitting Using Dual-domain Relaxation''']</div>
	# <div id="Segmentation">[https://arxiv.org/pdf/1908.08854.pdf Xie, Yuxing & Tian, Jiaojiao & Zhu, Xiao Xiang. (2019). '''A Review of Point Cloud Semantic Segmentation.''']</div>		# <div id="Segmentation">[https://arxiv.org/pdf/1908.08854.pdf Xie, Yuxing & Tian, Jiaojiao & Zhu, Xiao Xiang. (2019). '''A Review of Point Cloud Semantic Segmentation.''']</div>

Giulia.Bonaspetti at 13:25, 1 December 2019

2019-12-01T13:25:46Z

@@ Line 31: / Line 31: @@
 ===Caméra binoculaire===
 ===Caméra infrarouge===
 ==Odométrie==

Giulia.Bonaspetti at 12:52, 1 December 2019

2019-12-01T12:52:25Z

← Older revision		Revision as of 12:52, 1 December 2019
Line 26:		Line 26:

	=PointCloud=		=PointCloud=

	==Outils physiques==		==Outils physiques==
			Pour obtenir le nuage de points, on utilise des outils physiques qui permettent de capturer des informations "3D".

			===Caméra binoculaire===

			===Caméra infrarouge===

			===Drones===

	==Odométrie==		==Odométrie==
			Odométrie est la technique permettant de calculer la position d’un objet en mesurant tous les déplacements d’un point A au point B.

			Elle est utilisée dans la robotique, permet aussi de mesurer la position d’une caméra en analysant les images.

			Il existe des outils numériques qui peuvent vous aider à calculer l'odométrie entre les points. Un exemple est le logiciel ORB-SLAM2.

	===ORB-SLAM2===		===ORB-SLAM2===

	=Accumulation & Traitement=		=Accumulation & Traitement=
			Le processus d'accumulation et traitement vise à transformer un nuage de points en un modèle 3D, ce qui se fait en cinq étapes principales.

	==Démarrage==		==Démarrage==
	Pour commencer le processus d'accumulation et traitement est indispensable une réflexion sur les méthodes et algorithmes qui seront utilisés afin de pouvoir capter les données nécessaires.		Pour commencer le processus d'accumulation et traitement est indispensable une réflexion sur les méthodes et algorithmes qui seront utilisés afin de pouvoir capter les données nécessaires.
Line 36:		Line 54:

	==Filtrage==		==Filtrage==
	Le ~~point~~ ~~cloud~~ acquis a inévitablement de bruit visuelle et contient des valeurs''outliner'' dues aux limitations ou conditions des capteurs, à l'éclairage de la scène, etc. Par conséquent, il est nécessaire d'effectuer des opérations de filtrage sur le ~~point~~ ~~cloud~~ pour obtenir des données plus précises afin de pouvoir effectuer les traitements suivants.		Le nuage de points acquis a inévitablement de bruit visuelle et contient des valeurs''outliner'' dues aux limitations ou conditions des capteurs, à l'éclairage de la scène, etc. Par conséquent, il est nécessaire d'effectuer des opérations de filtrage sur le nuage de points pour obtenir des données plus précises afin de pouvoir effectuer les traitements suivants.

	Pour cette opération de filtrage, différents filtres peuvent être utilisés et existent plusieurs façons de diviser ces filtres. Dans ce wiki on va regarder les détails de trois types de filtrage basées sur la division présentée sur l'article [[VT2019_Photogrammetrie#Filter \| ''A review of algorithms for filtering the 3D point cloud <nowiki>[2]</nowiki>'']].		Pour cette opération de filtrage, différents filtres peuvent être utilisés et existent plusieurs façons de diviser ces filtres. Dans ce wiki on va regarder les détails de trois types de filtrage basées sur la division présentée sur l'article [[VT2019_Photogrammetrie#Filter \| ''A review of algorithms for filtering the 3D point cloud <nowiki>[2]</nowiki>'']].
Line 47:		Line 65:

	;Filtrage basé sur les PDEs		;Filtrage basé sur les PDEs
	: Les techniques basées sur les PDEs (Partial Differential Equations) pour filtrer ~~les~~ ~~point~~ ~~clouds~~ peuvent être considérées comme une extension des mailles triangulaires. Ces méthodes utilisent des équations aux dérivées partielles, y compris le deuxième ordre, le quatrième ordre et la dérivée partielle complexe. Ainsi, dans cette méthode, le voisinage influence aussi la pertinence du point.		: Les techniques basées sur les PDEs (Partial Differential Equations) pour filtrer le nuage de points peuvent être considérées comme une extension des mailles triangulaires. Ces méthodes utilisent des équations aux dérivées partielles, y compris le deuxième ordre, le quatrième ordre et la dérivée partielle complexe. Ainsi, dans cette méthode, le voisinage influence aussi la pertinence du point.

	==Segmentation==		==Segmentation==
	La segmentation c’est un groupement qui est utilisé pour décomposer le ~~point~~ ~~cloud~~ en parties constitutives, qui peuvent être traitées indépendamment. Chaque partie normalement correspondent à des structures ou des objets spécifiques dans une scène.		La segmentation c’est un groupement qui est utilisé pour décomposer le nuage de points en parties constitutives, qui peuvent être traitées indépendamment. Chaque partie normalement correspondent à des structures ou des objets spécifiques dans une scène.
	Pour faire cette segmentation on peut utiliser plusieurs approches, voici quelques exemples :		Pour faire cette segmentation on peut utiliser plusieurs approches, voici quelques exemples :

Line 60:		Line 78:

	;La segmentation par ajustement des modèles		;La segmentation par ajustement des modèles
	: L'ajustement des modèles compare le ~~point~~ ~~cloud~~ avec les modèles préexistants (comme les formes géométriques) et le découpage de chaque objet est défini pour la similarité avec ce modèle.		: L'ajustement des modèles compare le nuage de points avec les modèles préexistants (comme les formes géométriques) et le découpage de chaque objet est défini pour la similarité avec ce modèle.

	;La segmentation par clustering		;La segmentation par clustering
Line 66:		Line 84:

	==Reconstruction de surface==		==Reconstruction de surface==
	La reconstruction de surface est le processus par lequel un objet 3D est déduit, ou "reconstruit", à partir du ~~point~~ ~~cloud~~ qui échantillonnent la forme. Donc, une maille est créée sur cet ensemble des points. Cette maille peut être polygonale, triangulaire, entre autres.		La reconstruction de surface est le processus par lequel un objet 3D est déduit, ou "reconstruit", à partir du nuage de points qui échantillonnent la forme. Donc, une maille est créée sur cet ensemble des points. Cette maille peut être polygonale, triangulaire, entre autres.

	Il existe de nombreuses techniques pour convertir un ~~point~~ ~~cloud~~ en surface 3D. Certaines approches, telles que la triangulation de Delaunay, revêtent les sommets du nuage d'une maille triangulaire, alors que d'autres approches convertissent les points en champ volumétrique à l'aide d'un algorithme infographique[[VT2019_Photogrammetrie#WikiPC \| <nowiki>[2]</nowiki>]].		Il existe de nombreuses techniques pour convertir un nuage de points en surface 3D. Certaines approches, telles que la triangulation de Delaunay, revêtent les sommets du nuage d'une maille triangulaire, alors que d'autres approches convertissent les points en champ volumétrique à l'aide d'un algorithme infographique[[VT2019_Photogrammetrie#WikiPC \| <nowiki>[2]</nowiki>]].

	==Ajustement d’un modèle==		==Ajustement d’un modèle==
Line 84:		Line 102:

	=Démonstration=		=Démonstration=
	Voyez ici une démonstration d'un ~~point~~ ~~cloud~~ publié par l'entreprise Sketchfab, dans lequel nous pouvons voir certains des différents types de données que nous pouvons obtenir avec un ~~point~~ ~~cloud~~. La démonstration est itérative et les données représentent le Natural History Museum de Londres : [https://sketchfab.com/3d-models/point-cloud-demo-natural-history-museum-london-05940cf8ceaa44b4852bb6f04537cb97 Démonstration]		Voyez ici une démonstration d'un nuage de points publié par l'entreprise Sketchfab, dans lequel nous pouvons voir certains des différents types de données que nous pouvons obtenir avec un nuage de points. La démonstration est itérative et les données représentent le Natural History Museum de Londres : [https://sketchfab.com/3d-models/point-cloud-demo-natural-history-museum-london-05940cf8ceaa44b4852bb6f04537cb97 Démonstration]

	=Sources=		=Sources=