Auto-similarité pour la compression haute précision des surfaces échantillonnées. - Archive ouverte HAL Access content directly
Journal Articles Actes des GTMG Year : 2014

Auto-similarité pour la compression haute précision des surfaces échantillonnées.

Abstract

La plupart des objets qui nous entourent sont caractérisés par une forte auto-similarité de leur surface, qui diffère suivant qu’il s’agisse d’une œuvre d’art en pierre ou en bronze ou bien d’un objet mécanique. Cette propriété est liée à l’essence même des formes naturelles dont l’homme s’inspire, mais aussi à leur processus de fabrication, comme la régularité du geste du sculpteur ou de la machine-outil, ou bien les mécanismes d’érosion. Dans cet article, nous nous proposons d’exploiter l’auto-similarité sous-jacente à chaque forme, pour comprimer les surfaces échantillonnées avec une haute précision, pouvant produire des nuages de plusieurs millions de points. Notre approche rééchantillonne la forme de manière à mettre en évidence l’auto-similarité de sa surface, mais demeure respectueuse de la forme originale et de la précision du scanner. L’auto-similarité peut alors être utilisée pour créer un dictionnaire adéquat, sur lequel les voisinages locaux seront représentés de manière parcimonieuse, offrant ainsi la perspective d’une représentation économique de la surface globale. Nous illustrons la validité de notre approche sur plusieurs nuages de points issus de la numérisation de statues ou d’objets mécaniques, mais aussi de scènes urbaines. De plus, nous montrons que notre approche permet d’obtenir un filtrage du bruit dont l’amplitude est plus petite que la précision du scanner. Cette communication est une traduction de [Digne, Chaine, Valette, Eurographics 2014]
No file

Dates and versions

hal-01301060 , version 1 (11-04-2016)

Identifiers

  • HAL Id : hal-01301060 , version 1

Cite

Julie Digne, Raphaëlle Chaine, Sébastien Valette. Auto-similarité pour la compression haute précision des surfaces échantillonnées.. Actes des GTMG, 2014, pp.1-11. ⟨hal-01301060⟩
87 View
0 Download

Share

Gmail Facebook X LinkedIn More