La numérisation 3D de scène à grande échelle est un problème complexe sans solution à la fois précise, rapide et abordable. Les scènes à grande échelle comme les façades d'édices comportent cependant des éléments répétitifs (fenêtres, briques, panneaux de bois) qui peuvent être utilisés pour améliorer le processus de numérisation. Notre approche, Depth Texture Synthesis, utilise un scan haute résolution d'un de ces éléments, effectué avec un scanneur RGBD, et transmet cette résolution élevée aux endroits où l'élément est répété ailleurs dans la scène. Cette transmission s'effectue suivant l'information fournie par une reconstruction SfM. Pour effectuer une procédure de Depth Texture Synthesis, la façade de l'édice est simplifiée en une géométrie planaire qui nous sert de canevas. Sur ce canevas nous projetons l'information RGB ainsi que l'information de profondeur du modèle échantillon haute résolution et du modèle SfM basse résolution. Ensuite, un algorithme puissant de synthèse de texture 2D est employé pour transmettre l'information de profondeur haute résolution suivant les patrons de profondeur basse résolution et d'information RGB. La nouvelle carte de profondeur haute résolution peut alors être reconvertie en modèle 3D pour un résultat beaucoup plus réaliste et visuellement détaillé que la reconstruction SfM. Il est aussi intéressant de noter que notre approche est beaucoup moins fastidieuse qu'un scan complet de la scène utilisant des scanneurs RGBD. Les outils utilisés (Kinect v2 et appareil photo) sont aussi très abordables en comparaison avec le Lidar. / Large scenes such as building facades are challenging environments for 3D reconstruction. These scenes often include repeating elements (windows, bricks, wood paneling) that can be exploited for the task of 3D reconstruction. Our approach, Depth Texture Synthesis, is based on that idea and aims to improve the quality of 3D model representation of large scenes. By scanning a sample of a repeating structure using a RGBD sensor, Depth Texture Synthesis can propagate the high resolution of that sample to similar parts of the scene. It does so following RGB and low resolution depth information of a SfM reconstruction. To handle this information the building facade is simplified into a planar primitive and serves as our canvas. The high resolution depth of the Kinect sample and low resolution depth of the SfM model as well as the RGB information are projected onto the canvas. Then, powerful image based texture synthesis algorithms are used to propagate the high resolution depth following cues in RGB and low resolution depth. The resulting synthesized high resolution depth is converted back into a 3D model that greatly improves on the SfM model with more detailed, more realistic looking geometry. Our approach is also much less labor intensive than RGBD sensors in large scenes and it is much more affordable than Lidar.

On présente dans ce qui suit une étude détaillée de la performance du LACIF (locally adaptive contrast invariant filter), qui est à la base un filtre non linéaire invariant sous transformation linéaire d'intensité de la forme± af(x, y) + bO(x, y) ¿, où± f(x, y) ¿est l'objet à reconnaitre et± O(x, y) ¿ son support. ± a ¿ et ± b ¿ sont respectivement les facteurs multiplicatif et additif du changement d'intensité. Ainsi l'étude de performance est établie sous différents aspects et par le biais de différents outils qu'on a adopté tout au long de ce mémoire.

Titre de l'écran-titre (visionné le 25 mars 2024) / Ce mémoire présente une nouvelle approche automatisée pour détecter les fuites thermiques lors des inspections de bâtiments. Nous exposons un cadre intégrant de manière cohérente l'enregistrement automatique d'images, la segmentation d'images et la fusion des résultats segmentés issus à la fois d'images visibles et thermiques. Notre recherche compare rigoureusement les techniques d'enregistrement manuel et automatique d'images, démontrant que la méthode automatique, exploitant l'algorithme de la Transformée de Caractéristiques Invariantes à l'Échelle (SIFT), surpasse l'approche manuelle en termes d'efficacité, de précision et de reproductibilité. La segmentation des images utilise une approche supervisée pour les images visibles, en adoptant spécifiquement une architecture UNET++ et Resnet 152, tandis que les images thermiques sont segmentées en utilisant la méthode non supervisée de Kanezaki. Les résultats segmentés de ces divers types d'images sont ultérieurement fusionnés, fournissant une représentation exhaustive et précise des fuites thermiques à travers différentes parties du bâtiment. La qualité de la fusion dépend de la précision des étapes antérieures, soulignant l'importance de chaque étape dans ce système intégré. Ce travail démontre l'efficacité de notre nouvelle approche dans le domaine de l'inspection automatisée des bâtiments et ouvre la voie à de futures explorations et innovations dans ce domaine. Le mémoire est structuré en quatre chapitres, débutant par une revue exhaustive de la littérature, suivie de la méthodologie proposée, des résultats et des discussions, et se conclut par les orientations pour les travaux futurs.