Rééchantillonnage des nuages de points gigantesques produits lors de la numérisation 3D de monuments - Archive ouverte HAL Access content directly
Conference Papers Year : 2019

Rééchantillonnage des nuages de points gigantesques produits lors de la numérisation 3D de monuments

Abstract

We present an original method for resampling point clouds provided by aggregation of LiDAR acquisitions, using a Poisson-disk sampling. It is based on a set of local graphs connected together to get a global representation of the acquired site. This approach allows us to improve the quality of gigantic 3D scans such as the ones generated for cultural heritage preservation, even if the initial volume of data largely exceed the memory capacity of the machine on which those processings are performed.
Nous présentons une nouvelle méthode pour rééchantillonner des nuages de points générés par agrégation d'acquisitions LiDAR, à l'aide d'un échantillonnage en disques de Poisson. Celle-ci s'appuie sur un ensemble de graphes locaux représentant la connectivité locale de la surface sous-jacente au nuage, mis en correspondance pour assurer une cohérence globale lors de l'échantillonnage. Cette approche nous permet d'améliorer la qualité des numérisations 3D gigantesques telles que celles produites par les projets de préservation du patrimoine mondial, même si le volume initial des données dépasse très largement la capacité mémoire de la machine sur laquelle ces calculs sont effectués.
Fichier principal
Vignette du fichier
2019_BPA_Gretsi_resampling.pdf (11.79 Mo) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

hal-02147754 , version 1 (05-06-2019)
hal-02147754 , version 2 (17-06-2019)

Identifiers

  • HAL Id : hal-02147754 , version 2

Cite

Arnaud Bletterer, Frédéric Payan, Marc Antonini. Rééchantillonnage des nuages de points gigantesques produits lors de la numérisation 3D de monuments. Groupe de Recherche et d'Etudes du Traitement du Signal et des Images (GRETSI), Aug 2019, Lille, France. ⟨hal-02147754v2⟩
116 View
21 Download

Share

Gmail Facebook X LinkedIn More