%% nav-debut : généré par gen_navigation.py, ne pas modifier à la main %% > [!nav] > ↩ [[Géomatique/Télédétection/Bases de la Photogrammétrie/Bases de la Photogrammétrie|Accueil · Bases de la Photogrammétrie]] %% nav-fin %% ## Sommaire - [Définition](#définition) - [De la 2D à la 3D](#de-la-2d-à-la-3d) - [Principes de traitement](#principes-de-traitement) - [Applications](#applications) --- ![[image1.png|500]] ## Définition ### Photogrammétrie vient des mots Photos, Gramma et Metron **Ou comment Mesurer [Metro] avec la Lumière[Photos] (des photographies) !** **La Photogrammétrie est l'estimation des paramètres géométriques d'un objet, basée sur des images** > [!quote] *Photogrammetry is the art, science, and technology of obtaining reliable information about physical objects and the environment, through processes of recording, measuring and interpreting images and patterns of electromagnetic radiant energy and other phenomena* American Society for Photogrammetry and Remote Sensing, 1980 --- ## Passer de la 2D à la 3D ### Concept de parallaxe C'est le décalage apparent d'un point entre deux vues. Il nous donne une impression de **profondeur**. ![[Paralaxe.gif]] > 💡 La parallaxe est le seul indice de profondeur qu'on puisse extraire d'images 2D sans autre information. C'est exactement ce que la stéréo-photogrammétrie exploite : en mesurant précisément ce décalage entre deux prises de vue calibrées, on peut calculer une distance réelle et non plus seulement une impression. Plus la base entre les deux points de vue est grande, plus la parallaxe est marquée, mais aussi plus il devient difficile de faire correspondre les mêmes points d'une image à l'autre. --- ### Le spectre électromagnétique Il correspond au spectre de la lumière du soleil. En photogrammétrie, nous utiliserons les ondes du **domaine du visible**.  > 💡 Cette limitation au domaine visible explique pourquoi la photogrammétrie ne peut pas voir à travers un couvert végétal dense, contrairement au Lidar qui exploite l'infrarouge et peut pénétrer partiellement la canopée. C'est un point qu'on retrouvera dans les inconvénients de la méthode : la couleur et la texture sont un vrai atout pour l'interprétation, mais la lumière visible reste bloquée par tout obstacle opaque. --- ### Principe de colinéarité En photogrammétrie, le principe de colinéarité affirme que le centre de perspective (caméra), un point de l'objet et son point image sont alignés sur **une même droite**. ![[Collinearité.png]] > 💡 C'est ce principe géométrique simple qui rend toute la photogrammétrie possible : si on connaît la position de la caméra et les coordonnées d'un point sur l'image, on sait que le point réel se trouve quelque part sur cette droite. Une seule photo ne suffit donc jamais à localiser un point en 3D. Il faut au moins deux droites issues de deux caméras différentes pour que leur intersection donne la position exacte. C'est le fondement mathématique des stéréo-paires vues juste après. --- ### Stéréo-paires d'images En utilisant des vues d'un même point venant de localisations différentes, on peut retrouver les informations X, Y et Z de ce point. ![[2.png]] > 💡 Chaque point commun retrouvé sur plusieurs images (feature point) donne une nouvelle droite de visée ; plus on multiplie les angles de vue sur le même point, plus l'intersection est précise. C'est le principe qui explique pourquoi un bon recouvrement (60% et plus, vu plus loin) est indispensable : sans point commun entre les images, il n'y a tout simplement rien à trianguler.  > 💡 Ces deux images forment une vraie stéréo-paire aérienne historique : la même zone photographiée avec un léger décalage de prise de vue, exactement le principe vu sur le schéma précédent. **Avant** les logiciels actuels, ce type de paire s'observait avec un stéréoscope optique, qui recréait artificiellement l'impression de relief en présentant une image différente à chaque œil. --- ### Stéréo-photogrammétrie vs SfM *Nissen et al., 2016* - **Photogrammétrie** : positions et orientations des caméras connues à l'avance. - **Structure-from-Motion (SfM)** : positions et orientations reconstruites automatiquement à partir des images elles-mêmes. ![[photoVSSFM.png]] > 💡 La contrainte de connaître précisément la position des caméras à l'avance limite la stéréo-photogrammétrie classique à des dispositifs contrôlés (bancs de mesure, capteurs calibrés). Le SfM lève cette contrainte en calculant lui-même les positions de caméra a posteriori à partir des correspondances entre images. C'est ce qui permet d'utiliser un simple drone ou même des photos de touristes prises au hasard, comme dans l'exemple qui arrive dans la suite du cours. --- ### Algorithme SIFT **Indispensable à la stéréo-photogrammétrie !** *Lowe, 1999 - Nissen et al., 2016* L'algorithme SIFT (**Scale Invariant Feature Transform**) a été créé en 1999. Il est capable de reconnaître et de faire correspondre des objets similaires, malgré des variations en taille, point de vue, et de luminosité. ![[9d135265-06b4-4e8d-a557-a59e0dbb4098.png]] > 💡 La force de SIFT, c'est justement son invariance : un même point identifié sur une image prise de près, de loin, ou sous un angle différent, reste reconnaissable. C'est ce qui permet d'automatiser complètement la mise en correspondance entre des centaines de photos, sans avoir à pointer les points communs à la main comme on le faisait en photogrammétrie analogique. --- ### La puissance de l'algorithme SIFT *Snavely et al., 2007* Nuage de points du Colisée à Rome, reconstruit à partir d'images de touristes prises depuis différents points de vue et récupérées (scraped) sur les réseaux sociaux.  > 💡 Cet exemple illustre bien la portée du SfM combiné à SIFT : les photos n'ont pas été prises dans un cadre scientifique contrôlé, mais récupérées après coup sur internet, avec des appareils, des dates et des angles complètement différents. Le nuage de points obtenu reste malgré tout exploitable, preuve que la méthode est robuste, même si la précision obtenue de cette façon reste bien inférieure à un vol drone dédié avec GCP. --- ### Notions de recouvrement Un recouvrement de **60%** est conseillé pour un traitement optimal des images. | Recouvrement plus important | Recouvrement moins important | |---|---| | Entraîne des redondances et augmente les tailles de fichiers et de traitement | Entraîne des manques de données et un besoin d'interpoler les zones de "trous" dans le modèle |  > 💡 Le compromis à 60% n'est pas arbitraire : il permet à un même point d'apparaître sur au moins 3 photos, ce qui rend le calcul de sa position beaucoup plus robuste qu'avec seulement 2 vues (où une erreur de correspondance passe inaperçue). C'est un bon réflexe à garder sur le terrain : mieux vaut viser un peu plus que 60% que de se retrouver avec des trous impossibles à corriger après coup. --- ### Notions de recouvrement - pour l'imagerie aérienne *Nissen et al., 2016* Pour un terrain avec du relief : ❌ Nadir, ❌ Divergent, ✅ **Convergent**.  > 💡 Sur un relief plat, une prise de vue Nadir suffit car chaque point du sol est vu sous un angle quasi identique d'une photo à l'autre. Mais dès qu'il y a du relief, cette redondance d'angle devient un problème : les flancs et creux du terrain ne sont vus que sous un seul angle, ce qui empêche toute triangulation fiable à cet endroit. La convergence résout ce problème en forçant des angles de vue vraiment différents sur les mêmes zones, exactement ce que demande le principe de colinéarité vu plus haut. --- ### Notions de recouvrement - pour l'imagerie aérienne (précision altitude) Pour avoir la plus grande précision dans l'altitude, l'axe de prise de vue doit être **perpendiculaire** à la surface étudiée.  > 💡 Ce n'est pas un hasard si l'angle optimal change selon la zone du relief : la précision d'un point mesuré est toujours meilleure dans l'axe perpendiculaire à la prise de vue, et plus faible dans l'axe parallèle à cette même prise de vue. Sur un terrain complexe (falaise, canyon), un seul angle de vol ne peut donc jamais être optimal partout, d'où l'intérêt de varier les angles de prise de vue plutôt que de s'en tenir à un survol nadir classique. --- ### Notions de recouvrement - pour les petits objets ![[Capture d'écran 2026-08-26 172831.png]] > 💡 La même logique de convergence vue pour l'imagerie aérienne s'applique ici à l'échelle d'un objet : des prises de vue trop éloignées, sans recouvrements les unes avec les autres laissent des zones couvertes par trop peu de photos. Tourner autour de l'objet en continu garantit au contraire qu'aucune face ne soit vue sous un seul angle isolé. C'est cette règle qu'il faudra appliquer pour valider la compétence en fin de module. --- ### Avantages et inconvénients **Avantages** - Peu cher - Donne une information 3D + colorée - Flexible : implémenté sur plusieurs plateformes - Avec SfM : pas besoin de connaître l'emplacement des caméras **Inconvénients** - Ne donne pas d'info topo sous le couvert végétal (contrairement au Lidar) - Besoin de GCP au sol - Traitements longs pour des zones étendues --- ## Principes de traitement ### Paramètres internes à la caméra - **Focal length** (longueur focale) - **Principal point** (point principal)  > 💡 Ces deux paramètres définissent la géométrie interne de l'image et doivent être connus avec précision pour que le principe de colinéarité fonctionne correctement. Contrairement aux paramètres externes (position, orientation), ils ne changent pas d'une photo à l'autre tant qu'on garde le même appareil et le même réglage d'objectif, c'est pourquoi les logiciels comme Metashape peuvent souvent les calibrer automatiquement une seule fois pour tout un jeu de photos. --- ### Paramètres internes à la caméra (distorsion) *Kelcey and Lucieer, 2012* **Lens distortion** : distorsion en barillet (barrel) ou en coussinet (pincushion) par rapport à l'image originale.  > 💡 Une distorsion non corrigée fausse directement les coordonnées du point image utilisées dans l'équation de colinéarité, donc toute la géométrie du modèle final. La photo aérienne à droite en est un exemple concret et spectaculaire : elle montre à quel point une caméra bon marché (non calibrée) peut déformer un bâtiment pourtant parfaitement rectiligne dans la réalité, un rappel de l'importance de corriger ce paramètre avant tout traitement sérieux. --- ### Paramètres externes à la caméra : localisation et orientations - **X, Y, Z** : Geotag, Ground Control Points (GCP) - **ω (oméga), φ (phi), κ (kappa)** : Roll, Pitch, Yaw  > 💡 Les GCP viennent compenser une faiblesse propre au SfM : sans eux, le modèle reconstruit une géométrie relative cohérente en interne, mais sans échelle ni position absolue fiable dans le monde réel. Les motifs en damier sont conçus pour être repérés facilement et automatiquement par le logiciel, ce qui rend leur pointage plus rapide et plus précis qu'un pointage manuel sur un détail naturel du terrain.  > 💡 Ces trois angles décrivent complètement l'orientation d'une caméra dans l'espace, exactement comme pour un avion ou un drone. Une petite erreur sur l'un de ces angles se répercute directement dans le calcul de la droite de visée du principe de colinéarité, c'est pourquoi les drones professionnels embarquent des centrales inertielles (IMU) précises en plus du GPS, pour enregistrer ces trois valeurs à chaque déclenchement. --- ### Logiciels **Photogrammétrie** - Agisoft Metashape - Pix4D : mobile and drone mapping - RealityCapture : state-of-the-art, mobile devices *Gratuits :* - MicMac - OpenDroneMap : aerial drone imagery - TeleSculptor **Structure-from-Motion** - VisualSFM - Meshroom - openSFM - BoofCV *La plupart sur GitHub, ils sont tous gratuits* --- ### Traitement 1. **Scale-Invariant Feature Detection** : correspondances entre les différentes images + **Least-square bundle adjustment algorithm** : alignement des photos --> Création du premier nuage de points avec les points clés reconnus sur différentes images (Tiepoints) 2. **Multi-view Stereo (SfM - MVS) algorithms** : densifie le nuage de points --> Nuage de point Dense (Dense cloud) 3. Calcul de l'**orthophoto, maillage ou MNT (Modèle numérique de terrain)** --- ### Traitement sous Metashape (pipeline) ![[Capture d'écran 2026-08-26 173337.png]] > 💡 Ce pipeline retrace en pratique tout ce qu'on a vu en théorie : la détection de points homologues (SIFT), le calcul de position des caméras (bundle adjustment), puis la densification du nuage. La branche GCP vient se greffer en parallèle pour ancrer le modèle dans un système de coordonnées réel, sans elle, l'alignement reste possible, mais le modèle final n'a ni échelle ni position absolue garantie. --- ### Traitement sous Metashape (alignement) *Tous exemples par David Hérisson, CNRS* **Alignement des photos (SIFT, tiepoints)**  > 💡 Ce résultat correspond à l'étape "Alignement" du pipeline vue juste avant : chaque réctangle bleu représente une caméra (donc une photo qui a été alignée par le logiciel) repositionnée dans l'espace grâce aux tie points SIFT. À ce stade, le nuage de points est encore épars, seuls les points caractéristiques ont été triangulés, la densification vient à l'étape suivante. --- ### Traitement sous Metashape (nuage dense) *Tous exemples par David Hérisson, CNRS* **Création du nuage de points dense**  > 💡 Ce nuage dense est calculé par un algorithme différent du SIFT initial (Multi-View Stereo), qui exploite cette fois non seulement les points caractéristiques mais la quasi-totalité des pixels communs entre images voisines. C'est ce qui permet de passer de quelques milliers de points épars à plusieurs millions de points, suffisamment pour distinguer le relief fin d'un chantier comme ici. --- ### Traitement sous Metashape (maillage) *Tous exemples par David Hérisson, CNRS* **Maillage (mesh)**  > 💡 Le maillage résout un problème pratique : un nuage de points, aussi dense soit-il, reste un ensemble de points isolés sans surface entre eux, donc impossible à texturer proprement ou à utiliser pour un calcul de volume. En reliant les points voisins par des triangles, on obtient une vraie surface continue, exploitable ensuite pour n'importe quel livrable (orthophoto, modèle 3D texturé, etc.). --- ### Livrables *ItecDrone*  > 💡 Ce qu'il faut retenir ici, c'est qu'un seul nuage de points dense peut donner des livrables très différents selon le traitement appliqué après coup, pas besoin de refaire l'acquisition photo pour changer de produit final. Le choix entre MNT (altitude du sol), orthomosaïque (carte photo plane) ou modèle 3D texturé dépend uniquement du besoin final : cartographie, calcul de volume, ou simple visualisation réaliste. --- ### Précision des modèles - Points de vérification **Points de contrôle** Sont utilisés pour ajuster le modèle (Bundle Block Adjustment). **Points de vérification** Ne sont pas utilisés pour créer le modèle (indépendant du Bundle Block Adjustment). Sont utilisés pour estimer l'erreur dans la modélisation. > 💡 Si on utilisait les mêmes points pour construire ET vérifier le modèle, l'erreur mesurée serait artificiellement basse (biaisée), un peu comme corriger sa propre copie avec le corrigé sous les yeux. En gardant certains GCP de côté comme points de vérification indépendants, on obtient une mesure honnête de la précision réelle du modèle, c'est cette logique qui produit les chiffres d'erreur qu'on va voir juste après. --- ### Précision des modèles *Johnson et al., 2014* Orthomosaïque : >[!tip] Une orthomosaïque est une grande image aérienne très précise, créée en assemblant des dizaines ou des centaines de photos prises par un drone, un avion ou un satellite ![[Capture d'écran 2026-08-27 102713.png]] >💡 Cette carte de couverture est calculée a posteriori, en croisant les positions réelles de chaque photo du vol avec le modèle final : pour chaque pixel de l'orthomosaïque, on compte combien de photos différentes le "voient". Le bleu (9+ photos) domine largement le centre, c'est la preuve concrète que le recouvrement théorique (60% vu plus tôt) a bien été atteint sur le terrain, et pas seulement prévu sur le papier. Le dégradé vert-jaune-rouge sur les bords n'est pas une erreur de vol : c'est un effet de bord inévitable, les zones en périphérie du site étant nécessairement couvertes par moins de photos que le centre, simplement parce qu'il n'y a pas de photos "au-delà" de la zone survolée pour continuer à les recouvrir. --- ### Précision des modèles (erreur avec/sans GCP) *Johnson et al., 2014* Évaluation de l'erreur **sans points de contrôle au sol (GCP)** par rapport à l'évaluation de l'erreur **avec points de contrôle au sol (GCP)** ![[Capture d'écran 2026-08-27 102148 1.png]] > 💡 Cette comparaison est la démonstration chiffrée de ce qu'on a vu sur la diapo des GCP : sans point de contrôle au sol, l'erreur d'altitude dépasse 40 cm sur 90% des points, alors qu'avec des GCP bien répartis elle descend sous les 13 cm. C'est cet écart concret qui justifie, en pratique, d'investir le temps nécessaire à poser des GCP sur le terrain plutôt que de se fier uniquement au GPS embarqué du drone. --- ## Applications ### Photogrammétrie aérienne - **Cartographie de tourbières** - **Évolution de dunes littorales** - **Calculs de canopée et de biomasse** ![[Capture d'écran 2026-08-27 095632 1.png]] > 💡 Ces trois cas illustrent des usages très différents d'un même socle méthodologique : suivi temporel de zones humides, comparaison multi-dates pour quantifier l'érosion côtière, ou validation d'une méthode moins coûteuse (SfM) par rapport à une référence plus chère (Lidar aéroporté ALS) pour mesurer la hauteur de canopée. Dans les trois cas, la photogrammétrie sert autant à produire une carte qu'à suivre une évolution dans le temps. #### Références **1 - Comparaison de Lidar et SfM, pour intégration dans une séquence de Réalité Virtuelle** Source : Kalacska, M., Arroyo-Mora, J. P., & Lucanus, O. (2021). *Comparing UAS LiDAR and Structure-from-Motion Photogrammetry for Peatland Mapping and Virtual Reality (VR) Visualization.* Drones, 5(2), 36. https://doi.org/10.3390/drones5020036 **2 - UAVs for Structure-From-Motion Coastal Monitoring** Source : Taddia, Y., Corbau, C., Zambello, E., & Pellegrinelli, A. (2019). *UAVs for Structure-From-Motion Coastal Monitoring: A Case Study to Assess the Evolution of Embryo Dunes over a Two-Year Time Frame in the Po River Delta, Italy.* Sensors, 19(7), 1717. https://doi.org/10.3390/s19071717 **3 - Mapping Canopy Heights in Dense Tropical Forests** Source : Zhang, H., Bauters, M., Boeckx, P., & Van Oost, K. (2021). *Mapping Canopy Heights in Dense Tropical Forests Using Low-Cost UAV-Derived Photogrammetric Point Clouds and Machine Learning Approaches.* Remote Sensing, 13(18), 3777. https://doi.org/10.3390/rs13183777 --- ### Photogrammétrie de petits objets Valorisation scientifique de modèles fossiles et de minéraux (exemple : modèle 3D "Fluorite" par APEX UniLaSalle et publication pour le MorphoMuseuM). ![[2a12a084-71e4-48bb-8c10-c16dc1ba4a1c.png|500]] <div class="sketchfab-embed-wrapper"> <iframe title="Fluorite" frameborder="0" allowfullscreen mozallowfullscreen="true" webkitallowfullscreen="true" allow="autoplay; fullscreen; xr-spatial-tracking" xr-spatial-tracking execution-while-out-of-viewport execution-while-not-rendered web-share src="https://sketchfab.com/models/3405df3f7e974708958ef80d9694c42e/embed"> </iframe> <p style="font-size: 13px; font-weight: large; margin: 5px; color: #4A4A4A;"> <a href="https://sketchfab.com/3d-models/fluorite-3405df3f7e974708958ef80d9694c42e" target="_blank" rel="nofollow" style="font-weight: bold; color: #1CAAD9;"> Fluorite </a> by <a href="https://sketchfab.com/apex.unilasalle" target="_blank" rel="nofollow" style="font-weight: bold; color: #1CAAD9;"> APEX UniLaSalle </a> on <a href="https://sketchfab.com" target="_blank" rel="nofollow" style="font-weight: bold; color: #1CAAD9;">Sketchfab</a></p></div> > 💡 Ce type de valorisation change la façon de publier en paléontologie ou en minéralogie : au lieu de décrire un spécimen uniquement par du texte et quelques photos figées, le modèle 3D interactif permet à n'importe quel chercheur, où qu'il soit, d'examiner la pièce sous tous les angles sans avoir à se déplacer ni manipuler l'original, un vrai gain pour les spécimens fragiles ou rares. --- %% nav-debut : généré par gen_navigation.py, ne pas modifier à la main %% > [!nav] > ↩ [[Géomatique/Télédétection/Bases de la Photogrammétrie/Bases de la Photogrammétrie|Accueil · Bases de la Photogrammétrie]] %% nav-fin %%