Difference between revisions of "VT2019 Photogrammetrie"
| Line 28: | Line 28: | ||
==Outils physiques== |
==Outils physiques== |
||
==Odométrie== |
==Odométrie== |
||
| − | === |
+ | ===ORB-SLAM2=== |
=Accumulation & Traitement= |
=Accumulation & Traitement= |
||
==Démarrage== |
==Démarrage== |
||
==Filtrage== |
==Filtrage== |
||
==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. |
||
| + | Pour faire cette segmentation on peut utiliser plusieurs approches, voici quelques exemples |
||
| + | '''La segmentation par lisières''' |
||
| + | Cette segmentation s'est basé sur les lisières, l'algorithme déduit les arêtes de l’image à travers la position des points. |
||
| + | '''La segmentation par croissance des régions''' |
||
| + | Sur la croissance des régions le but c'est de voir la similarité entre les pixels. Chaque objet sera une région avec des pixels voisins similaires. |
||
| + | '''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. |
||
| + | '''La segmentation par clustering''' |
||
| + | Cette segmentation utilise des algorithmes mathématiques pour déterminer chaque ''cluster'' qui sera l'objet. Une méthode de segmentation par clustering assez courante est basée sur la distance euclidienne entre les points. |
||
| + | |||
==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. |
||
| + | |||
| + | 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>]]. |
||
| + | |||
==Ajustement d’un modèle== |
==Ajustement d’un modèle== |
||
Souvent, pour terminer le processus de modélisation 3D, il est nécessaire d'appliquer un modèle à cette image, c'est-à-dire une sorte de texture ou d'image, qui complétera chaque partie de la surface. La qualité du résultat de l'ajustement basé sur le modèle dépend de deux facteurs : l'approximation géométrique et la qualité de la maille obtenue dans la reconstruction. |
Souvent, pour terminer le processus de modélisation 3D, il est nécessaire d'appliquer un modèle à cette image, c'est-à-dire une sorte de texture ou d'image, qui complétera chaque partie de la surface. La qualité du résultat de l'ajustement basé sur le modèle dépend de deux facteurs : l'approximation géométrique et la qualité de la maille obtenue dans la reconstruction. |
||
| Line 39: | Line 54: | ||
Pour obtenir le meilleur ajustement possible de ce modèle, on peut également utiliser plusieurs algorithmes, qui peuvent être divisés en deux grands groupes. |
Pour obtenir le meilleur ajustement possible de ce modèle, on peut également utiliser plusieurs algorithmes, qui peuvent être divisés en deux grands groupes. |
||
| − | + | '''L'ajustement par template rigide''' |
|
Pour l'ajustement par template rigide la position à laquelle le modèle sera placé est estimé et il est placé tel qu'il est à cet endroit. |
Pour l'ajustement par template rigide la position à laquelle le modèle sera placé est estimé et il est placé tel qu'il est à cet endroit. |
||
| − | + | '''L'ajustement non-rigide''' |
|
Pour l'ajustement non-rigide, également appelé ajustement paramétrique, la position à laquelle le modèle sera placé est estimé et avant de l'appliquer les autres modèles qui sont déjà dans l'image sont déformés pour l'assortir et enfin le modèle est appliqué. Ce processus de déformation est appelé transformation homographique. |
Pour l'ajustement non-rigide, également appelé ajustement paramétrique, la position à laquelle le modèle sera placé est estimé et avant de l'appliquer les autres modèles qui sont déjà dans l'image sont déformés pour l'assortir et enfin le modèle est appliqué. Ce processus de déformation est appelé transformation homographique. |
||
| Line 52: | Line 67: | ||
=Sources= |
=Sources= |
||
# <div id="PCL">[http://pointclouds.org/ '''PCL : Point Cloud Library''' - Site Officiel]</div> |
# <div id="PCL">[http://pointclouds.org/ '''PCL : Point Cloud Library''' - Site Officiel]</div> |
||
| − | # <div id=" |
+ | # <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="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> |
||
Revision as of 14:12, 1 December 2019
La photogrammétrie numérique est la technique d’accumulation et de calcul à partir de plusieurs données afin de reconstruire une scène en 3D de la manière la plus précise possible. En d'autres termes, la photogrammétrie c'est le fait de se déplacer autour d’un sujet (par exemple une montagne) en recueillant des données pour pouvoir le reconstruire numériquement en trois dimensions.
Abstract
Digital photogrammetry is the technique of accumulating and calculating from several data in order to reconstruct a 3D scene as accurately as possible. In other words, photogrammetry is the act of moving around a subject (e.g. a mountain) by collecting data to be able to digitally reconstruct it in three dimensions.
It can be used in multiple domains such as topography, cartography and archaeology. This wiki presents the step-by-step approach to 3D modeling using a point cloud, as well as some examples of physical and digital tools and methods used.
Keywords: 3D Modeling, Digital Photogrammetry, Point Cloud, Odometry, Filtering, Segmentation, Reconstruction
Domaines d’application
La photogrammétrie peut être utilisée dans de multiples domaines, étant très importante principalement pour faciliter l'exploration et la reconnaissance d'objets dans lesquels l'homme a des difficultés d'accès, comme les très grandes ou très petites surfaces.
Voici quelques exemples de domaines d'application :
- Topographie
- Cartographie
- Système d'information géographique (SIG)
- Architecture
- Investigations de police
- Géologie
- Archéologie
Un exemple d'application dans le domaine de l'archéologie est la mission ScanPyramids, citée plus en détail à la fin de ce wiki.
PointCloud
Outils physiques
Odométrie
ORB-SLAM2
Accumulation & Traitement
Démarrage
Filtrage
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. Pour faire cette segmentation on peut utiliser plusieurs approches, voici quelques exemples La segmentation par lisières Cette segmentation s'est basé sur les lisières, l'algorithme déduit les arêtes de l’image à travers la position des points. La segmentation par croissance des régions Sur la croissance des régions le but c'est de voir la similarité entre les pixels. Chaque objet sera une région avec des pixels voisins similaires. 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. La segmentation par clustering Cette segmentation utilise des algorithmes mathématiques pour déterminer chaque cluster qui sera l'objet. Une méthode de segmentation par clustering assez courante est basée sur la distance euclidienne entre les points.
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.
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 [2].
Ajustement d’un modèle
Souvent, pour terminer le processus de modélisation 3D, il est nécessaire d'appliquer un modèle à cette image, c'est-à-dire une sorte de texture ou d'image, qui complétera chaque partie de la surface. La qualité du résultat de l'ajustement basé sur le modèle dépend de deux facteurs : l'approximation géométrique et la qualité de la maille obtenue dans la reconstruction.
Pour obtenir le meilleur ajustement possible de ce modèle, on peut également utiliser plusieurs algorithmes, qui peuvent être divisés en deux grands groupes.
L'ajustement par template rigide Pour l'ajustement par template rigide la position à laquelle le modèle sera placé est estimé et il est placé tel qu'il est à cet endroit.
L'ajustement non-rigide Pour l'ajustement non-rigide, également appelé ajustement paramétrique, la position à laquelle le modèle sera placé est estimé et avant de l'appliquer les autres modèles qui sont déjà dans l'image sont déformés pour l'assortir et enfin le modèle est appliqué. Ce processus de déformation est appelé transformation homographique.
ScanPyramids
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 : Démonstration
Sources
Veille Technologique 2019
- Année : VT2019
- Sujet : Photogrammétrie
- Slides : Slides
- Auteurs : Giulia BONASPETTI MARTINS, Marceau DECAMPS