Geometric modeling of urban scenes with LOD2 formalism from satellite images

La demande pour des modèles urbains 3D est en hausse suite à l'augmentation de leur cas d'application. Si ces modèles sont généralement créés à partir de nuages de points LiDAR ou d'images multi-vues prises par des acquisitions aériennes, l'utilisation d'images satellites permettrait une meilleure couverture et une meilleure fréquence d'acquisition, tout en étant moins couteux. La nouvelle génération d'images satellites tend vers cet objectif avec des résolutions proches de celle des images aériennes. Cependant, les méthodes de reconstruction pour des données aériennes ne sont pas directement applicables aux images satellites, à cause de la faible visibilité des façades, du nombre de vues par images réduit et des distorsions géométriques possibles. Développer des méthodes adaptées aux images satellites est donc un défi scientifique important. Dans cette thèse nous proposons une chaîne de traitement pour la reconstruction 3D des bâtiments à partir d'images satellites. Contrairement aux méthodes de l'état de l'art qui commencent par une segmentation sémantique et dont les erreurs vont se propager dans le reste des traitements sans possibilité de correction, nous proposons d'exploiter les informations sémantiques et géométriques au même niveau. La chaîne de traitement est composée de deux algorithmes principaux. Le premier a pour but d'extraire des primitives géométriques 2D dans des nuages de points 2D calculés à partir des images. Le deuxième algorithme assemble ces primitives pour construire une représentation structurelle des toits de bâtiments sous forme de graphe planaires, appelée le wireframe 2D. Il s'appuie sur une segmentation sémantique des toits des bâtiments et les informations 3D de l'image, le Modèle Numérique de Surface. Les deux algorithmes utilisent une minimisation d'énergie pour concilier la fidélité aux types de données utilisés et la simplicité voulue de la sortie, nécessaire pour représenter des scènes complexes. Pour démontrer l'efficacité de nos algorithmes, nous avons créé un dataset constitué à partir d'extraits d'images Pleiades Neo. Nous avons aussi fait des expériences sur des datasets plus variés, qui montrent le potentiel de nos algorithmes.