Centre de documentation
scientifique

Apprentissage profond pour l'imagerie SAR : du débruitage à l'interprétation de scène / Emanuele Dalsasso (2022)  

Public Titre : Apprentissage profond pour l'imagerie SAR : du débruitage à l'interprétation de scène Titre original : Deep Learning for SAR Imagery: from denoising to scene understanding Type de document : Thèse/HDR Auteurs : Emanuele Dalsasso, Auteur ; Florence Tupin, Directeur de thèse ; Loïc Denis, Directeur de thèse Editeur : Paris [France] : Télécom ParisTech Année de publication : 2022 Autre Editeur : Paris : Institut Polytechnique de Paris Importance : 165 p. Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] apprentissage profond [Termes IGN] chatoiement [Termes IGN] image radar moirée Index. décimale : THESE Thèses et HDR Résumé : (auteur) Le Radar à Synthèse d’Ouverture (RSO, aussi appelé SAR en anglais) permet d’acquérir des données pour l’observation de la Terre de jour comme de nuit, quelles que soient les conditions météorologiques. Grâce notamment au programme Copernicus de l’Agence Spatiale Européenne, nous disposons aujourd’hui d’un grand nombre de données distribuées librement. Cependant, l’exploitation de données satellitaires radar est limitée par la présence de très fortes fluctuations du signal rétrodiffusé par la scène imagée. En effet, les images SAR sont entachées par un phénomène intrinsèque aux systèmes d’imagerie cohérente : le chatoiement, communément appelé speckle. Dans cette thèse, nous visons à faciliter l’interprétation des images SAR grâce au développement de techniques de réduction de speckle. Les approches existantes reposent sur le modèle de Goodman, décrivant le speckle comme un bruit multiplicatif et spatialement non corrélé. Dans le domaine de la vision par ordinateur, les méthodes de débruitage s’appuyant sur un réseau neuronal convolutif (approches d’apprentissage profond) ont permis des grandes avancées et représentent aujourd’hui l’état de l’art. Nous proposons donc d’utiliser les techniques de débruitage basées sur les algorithmes d’apprentissage profond pour la réduction de speckle dans les images SAR (méthodes de despeckling). Premièrement, nous étudions l’adaptation des techniques dites supervisées, c.à.d. visant à minimiser l’écart, selon un certain critère, entre l’estimation fournie par le réseau et une image de référence, dite vérité terrain. Nous proposons la création d’une base de données d’images de référence en moyennant des piles d’images multi-temporelles acquises sur la même zone. Des paires d’images pour entraîner un réseau peuvent être générées en synthétisant du speckle selon le modèle de Goodman. Cependant, dans les images réelles le speckle est spatialement corrélé. La corrélation peut être typiquement réduite par un sous-échantillonnage d’un facteur 2, mais cela engendre une perte de résolution. Au vu des limites des approches supervisées, inspirés par la méthode auto-supervisée noise2noise, nous proposons d’apprendre un réseau directement sur des données réelles. Le principe des méthodes de débruitage auto-supervisées est le suivant : si un signal contient une composante déterministe et une composante aléatoire, un réseau entraîné à prédire une nouvelle réalisation de ce signal à partir d’une première réalisation indépendante ne pourra prédire que la composante déterministe, c.à.d. la scène sous-jacente, supprimant ainsi le speckle. Dans la méthode que nous développons, SAR2SAR, nous utilisons des séries multi-temporelles sous hypothèse de speckle temporellement décorrélé pour obtenir des réalisations indépendantes. Les changements sont compensés en recourant à une stratégie d’entraînement itérative. Le réseau SAR2SAR est donc entraîné sur des images dont le speckle est corrélé spatialement et peut être par conséquent appliqué directement sur les images radar, donnant des performances de très bonne qualité en termes de préservation de la résolution spatiale. L’apprentissage de SAR2SAR reste cependant lourd : la stratégie se déroule en plusieurs étapes pour compenser les changements et un jeu de données contenant des piles d’images doit être constitué. Avec l’approche MERLIN, nous relâchons ces contraintes en proposant une méthode d’apprentissage auto-supervisée mono-image. En effet dans les images SAR complexes, les partie réelles et imaginaires sont mutuellement indépendantes et elles peuvent être naturellement utilisées pour apprendre un réseau de manière auto-supervisée. Nous montrons la simplicité de mise en œuvre d’un tel cadre en entraînant un réseau pour trois modalités d’acquisitions, présentant des différences en termes de résolution spatiale, de textures et de corrélation spatiale du speckle. Numéro de notice : 17717 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : thèse : Signal, Images, Automatique et robotique : Institut Polytechnique de Paris : 2022 Organisme de stage : Laboratoire Traitement et Communication de l'Information LTCI DOI : sans Date de publication en ligne : 12/05/2022 En ligne : https://theses.hal.science/tel-03666646 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100034

Use of multi-temporal and multi-sensor data for continental water body extraction in the context of the SWOT mission / Nicolas Gasnier (2022)  

Public Titre : Use of multi-temporal and multi-sensor data for continental water body extraction in the context of the SWOT mission Type de document : Thèse/HDR Auteurs : Nicolas Gasnier, Auteur ; Florence Tupin, Directeur de thèse ; Loïc Denis, Directeur de thèse Editeur : Paris : Institut Polytechnique de Paris Année de publication : 2022 Importance : 213 p. Format : 21 x 30 cm Note générale : Bibliographie Thèse de doctorat présentée à l’Institut Polytechnique de Paris, spécialité Images Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] base de données localisées [Termes IGN] détection d'objet [Termes IGN] détection de changement [Termes IGN] données hydrographiques [Termes IGN] hauteurs de mer [Termes IGN] image multitemporelle [Termes IGN] image radar moirée [Termes IGN] image Sentinel-SAR [Termes IGN] image SWOT [Termes IGN] lac [Termes IGN] rivière [Termes IGN] série temporelle [Termes IGN] télédétection en hyperfréquence Index. décimale : THESE Thèses et HDR Résumé : (Auteur) Spaceborne remote sensing provides hydrologists and decision-makers with data that are essential for understanding the water cycle and managing the associated resources and risks. The SWOT satellite, which is a collaboration between the French (CNES) and American (NASA, JPL) space agencies, is scheduled for launch in 2022 and will measure the height of lakes, rivers, and oceans with high spatial resolution. It will complement existing sensors, such as the SAR and optical constellations Sentinel-1 and 2, and in situ measurements. SWOT represents a technological breakthrough as it is the first satellite to carry a near-nadir swath altimeter. The estimation of water levels is done by interferometry on the SAR images acquired by SWOT. Detecting water in these images is therefore an essential step in processing SWOT data, but it can be very difficult, especially with low signal-to-noise ratios, or in the presence of unusual radiometries. In this thesis, we seek to develop new methods to make water detection more robust. To this end, we focus on the use of exogenous data to guide detection, the combination of multi-temporal and multi-sensor data and denoising approaches. The first proposed method exploits information from the river database used by SWOT (derived from GRWL) to detect narrow rivers in the image in a way that is robust to both noise in the image, potential errors in the database, and temporal changes. This method relies on a new linear structure detector, a least-cost path algorithm, and a new Conditional Random Field segmentation method that combines data attachment and regularization terms adapted to the problem. We also proposed a method derived from GrabCut that uses an a priori polygon containing a lake to detect it on a SAR image or a time series of SAR images. Within this framework, we also studied the use of a multi-temporal and multi-sensor combination between Sentinel-1 SAR and Sentinel-2 optical images. Finally, as part of a preliminary study on denoising methods applied to water detection, we studied the statistical properties of the geometric temporal mean and proposed an adaptation of the variational method MuLoG to denoise it. Note de contenu : 1. Introduction 1.1 Context 1.2 Contributions 1.3 Organization of the manuscript I BACKGROUND ON SAR REMOTE SENSING AND WATER SURFACE MONITORING WITH SAR IMAGES 2. SAR images 2.1 Physics and statistics of SAR images 2.2 The SWOT mission 2.3 Sentinel-1 3. SAR water detection and hydrological prior 3.1 Water detection in SAR images 3.2 SWOT processing and products 3.3 Prior water masks and databases 4. Methodological background 4.1 Markov random fields 4.2 Variational methods for image denoising PROPOSED APPROACHES 5. Guided extraction of narrow rivers on SAR images using an exogenous river database 5.1 Introduction 5.2 Proposed river segmentation pipeline 5.3 Experimental results 5.4 Conclusion 6. Adaptation of the GrabCut method to SAR images: lake detection from a priori polygon 6.1 Single-date GrabCut method for lake detection from a priori polygon 6.2 Multitemporal and multi-sensor adaptations of the method 6.3 2D+T GrabCut of SAR images with temporal regularization for lake detection within an a priori mask 6.4 Joint 2D+T segmentation of SAR and optical images 7. Denoising of the temporal geometric mean 7.1 Introduction 7.2 Statistics of the temporal geometric mean of SAR intensities 7.3 Denoising method 7.4 Experiments 7.5 Application to change detection 7.6 Application to ratio-based denoising of single SAR images within a time series 7.7 Conclusion 8 Conclusion and perspectives Numéro de notice : 26762 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Images : Palaiseau : 2022 Organisme de stage : Télécom Paris nature-HAL : Thèse DOI : sans Date de publication en ligne : 17/02/2022 En ligne : https://tel.hal.science/tel-03578831/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99823

Introducing spatial regularization in SAR tomography reconstruction / Clément Rambour in IEEE Transactions on geoscience and remote sensing, vol 57 n° 11 (November 2019)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 57 n° 11 (November 2019) . - pp 8600 - 8617 Titre : Introducing spatial regularization in SAR tomography reconstruction Type de document : Article/Communication Auteurs : Clément Rambour, Auteur ; Loïc Denis, Auteur ; Florence Tupin, Auteur ; Hélène Oriot, Auteur Année de publication : 2019 Article en page(s) : pp 8600 - 8617 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] acquisition comprimée [Termes IGN] analyse spectrale [Termes IGN] écho radar [Termes IGN] fractionnement [Termes IGN] image à très haute résolution [Termes IGN] image radar moirée [Termes IGN] image TerraSAR-X [Termes IGN] mécanique de Lagrange [Termes IGN] reconstruction 3D du bâti [Termes IGN] scène urbaine [Termes IGN] TerraSAR-X [Termes IGN] tomographie radar Résumé : (auteur) The resolution achieved by current synthetic aperture radar (SAR) sensors provides a detailed visualization of urban areas. Spaceborne sensors such as TerraSAR-X can be used to analyze large areas at a very high resolution. In addition, repeated passes of the satellite give access to temporal and interferometric information on the scene. Because of the complex 3-D structure of urban surfaces, scatterers located at different heights (ground, building facade, and roof) produce radar echoes that often get mixed within the same radar cells. These echoes must be numerically unmixed in order to get a fine understanding of the radar images. This unmixing is at the core of SAR tomography. SAR tomography reconstruction is generally performed in two steps: 1) reconstruction of the so-called tomogram by vertical focusing, at each radar resolution cell, to extract the complex amplitudes (a 1-D processing) and 2) transformation from radar geometry to ground geometry and extraction of significant scatterers. We propose to perform the tomographic inversion directly in ground geometry in order to enforce spatial regularity in 3-D space. This inversion requires solving a large-scale nonconvex optimization problem. We describe an iterative method based on variable splitting and the augmented Lagrangian technique. Spatial regularizations can easily be included in this generic scheme. We illustrate, on simulated data and a TerraSAR-X tomographic data set, the potential of this approach to produce 3-D reconstructions of urban surfaces. Numéro de notice : A2019-596 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2921756 Date de publication en ligne : 04/07/2019 En ligne : https://doi.org/10.1109/TGRS.2019.2921756 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94588 [article]

NL-SAR : a unified nonlocal framework for resolution-preserving (Pol) (In) SAR denoising / Charles-Alban Deledalle in IEEE Transactions on geoscience and remote sensing, vol 53 n° 4 (April 2015)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 53 n° 4 (April 2015) . - pp 2021 - 2038 Titre : NL-SAR : a unified nonlocal framework for resolution-preserving (Pol) (In) SAR denoising Type de document : Article/Communication Auteurs : Charles-Alban Deledalle, Auteur ; Loïc Denis, Auteur ; Florence Tupin, Auteur ; et al., Auteur Année de publication : 2015 Article en page(s) : pp 2021 - 2038 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] filtrage du bruit [Termes IGN] interféromètrie par radar à antenne synthétique [Termes IGN] Pol-INSAR [Termes IGN] polarimétrie radar Résumé : (Auteur) Speckle noise is an inherent problem in coherent imaging systems such as synthetic aperture radar. It creates strong intensity fluctuations and hampers the analysis of images and the estimation of local radiometric, polarimetric, or interferometric properties. Synthetic aperture radar (SAR) processing chains thus often include a multilooking (i.e., averaging) filter for speckle reduction, at the expense of a strong resolution loss. Preservation of point-like and fine structures and textures requires to adapt locally the estimation. Nonlocal (NL)-means successfully adapt smoothing by deriving data-driven weights from the similarity between small image patches. The generalization of nonlocal approaches offers a flexible framework for resolution-preserving speckle reduction. We describe a general method, i.e., NL-SAR, that builds extended nonlocal neighborhoods for denoising amplitude, polarimetric, and/or interferometric SAR images. These neighborhoods are defined on the basis of pixel similarity as evaluated by multichannel comparison of patches. Several nonlocal estimations are performed, and the best one is locally selected to form a single restored image with good preservation of radar structures and discontinuities. The proposed method is fully automatic and handles single and multilook images, with or without interferometric or polarimetric channels. Efficient speckle reduction with very good resolution preservation is demonstrated both on numerical experiments using simulated data, airborne, and spaceborne radar images. The source code of a parallel implementation of NL-SAR is released with this paper. Numéro de notice : A2015-177 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2014.2352555 En ligne : https://doi.org/10.1109/TGRS.2014.2352555 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=75905 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
065-2015041	RAB	Revue	Centre de documentation	En réserve L003	Disponible