Extraction et reconstruction de bâtiments en 3D à partir de relevés lidar aéroportés 3D extraction and modelling of building by using lidar data Lidar modélisation segmentation bâtiment MNS détection RANSAC automatique Pas de mots clés en anglais 621.38 526.9 Modélisation tridimensionnelle Thèses et écrits académiques Constructions Thèses et écrits académiques Lidar Thèses et écrits académiques Pour construire automatiquement un modèle 3D d'une ville à partir de données lidar, deux étapes sont indispensables. La première consiste à segmenter automatiquement le nuage de points pour en extraire des classes (en général le sol, les bâtiments et la végétation). La seconde se base ensuite sur la classe bâtiments pour en modéliser les éléments de manière automatique. L'approche proposée consiste à réaliser une segmentation automatique en deux étapes. La première étape vise à segmenter le Modèle Numérique de Surface (MNS) en deux classes que sont le sol et le sursol . Pour cela, un seuillage local est appliqué par le biais d'un opérateur de convolution. Cette procédure permet de séparer le sursol du sol, même dans les régions de topographie accidentée. La deuxième étape consiste à détecter les bâtiments à partir de la classe sursol . A cet effet, le MNS et le nuage de points sont utilisés conjointement de manière à profiter des atouts de chacun. Pour la modélisation automatique de bâtiments, l'approche proposée est composée de trois étapes essentielles : la modélisation des façades, la modélisation 2D des toits et la modélisation 3D des toits. La technique RANSAC (RANdom SAmple Consensus) a été adaptée et appliquée afin de détecter automatiquement les plans les plus probables du toit. Enfin, la détection des plans des toits, des arêtes et des nœuds de toits permettent des modéliser les toits des bâtiments en 3D. In order to construct automatically a 3D city model from lidar data, two steps are essential. The first one is the automatic segmentation of the point cloud into three mean classes (terrain, vegetation and buildings). Once the buildings are detected, the automatic building construction can start. The proposed approach achieves automatically the segmentation task into two stages. The first one is the segmentation of the Digital Surface Model (DSM) into two classes which are terrain and off-terrain. For this purpose, a local thresholding is applied through a convolution operator. This operation allows to separate the two classes even in rugged topography areas. The second step is the automatic building detection from the off-terrain class. At this stage, the DSM and the point cloud are used together in order to take advantage of each one. For automatic modelling of buildings, the proposed approach consists of three phases: buildings facade modelling by detection and segmentation of building outline polygons, construction of 2D roof model starting from the automatic detection of roof planes and finally, the total 3D building model is calculated by analysing the mutual relationships between adjacent roof planes. The technique RANSAC (Random Sample Consensus) has been extended and applied to detect automatically the roof planes. Finally the detection of roof planes, borders and nodes allows to construct the 3D building model. Electronic Thesis or Dissertation Text fr France PDF https://publication-theses.unistra.fr/public/theses_doctorat/2008/TARSHA_KURDI_Fayez_2008.pdf Université de Strasbourg Strasbourg Tarsha Kurdi Fayez 1977-01-01T00:00:00 FR 076699072 http://www.theses.fr/2008STR13077 2008STR13077 2008-11-06T00:00:00 Géomatique-Topographie Université Louis Pasteur (Strasbourg) 026404540 Doctorat Docteur es non oui Grussenmeyer Pierre 035306858 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) ED269 156504863 ddc:520 ddc:620