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

Multi-objective CNN-based algorithm for SAR despeckling / Sergio Vitale in IEEE Transactions on geoscience and remote sensing, vol 59 n° 11 (November 2021)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 59 n° 11 (November 2021) . - pp 9336 - 9349 Titre : Multi-objective CNN-based algorithm for SAR despeckling Type de document : Article/Communication Auteurs : Sergio Vitale, Auteur ; Giampaolo Ferraioli, Auteur ; Vito Pascazio, Auteur Année de publication : 2021 Article en page(s) : pp 9336 - 9349 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] apprentissage profond [Termes IGN] chatoiement [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] filtre de déchatoiement [Termes IGN] image radar moirée [Termes IGN] image Radarsat [Termes IGN] restauration d'image Résumé : (auteur) Deep learning (DL) in remote sensing has nowadays become an effective operative tool: it is largely used in applications, such as change detection, image restoration, segmentation, detection, and classification. With reference to the synthetic aperture radar (SAR) domain, the application of DL techniques is not straightforward due to the nontrivial interpretation of SAR images, especially caused by the presence of speckle. Several DL solutions for SAR despeckling have been proposed in the last few years. Most of these solutions focus on the definition of different network architectures with similar cost functions, not involving SAR image properties. In this article, a convolutional neural network (CNN) with a multi-objective cost function taking care of spatial and statistical properties of the SAR image is proposed. This is achieved by the definition of a peculiar loss function obtained by the weighted combination of three different terms. Each of these terms is dedicated mainly to one of the following SAR image characteristics: spatial details, speckle statistical properties, and strong scatterers identification. Their combination allows balancing these effects. Moreover, a specifically designed architecture is proposed to effectively extract distinctive features within the considered framework. Experiments on simulated and real SAR images show the accuracy of the proposed method compared with the state-of-art despeckling algorithms, both from a quantitative and qualitative point of view. The importance of considering such SAR properties in the cost function is crucial for correct noise rejection and details preservation in different underlined scenarios, such as homogeneous, heterogeneous, and extremely heterogeneous. Numéro de notice : A2021-810 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.3034852 Date de publication en ligne : 16/11/2020 En ligne : https://doi.org/10.1109/TGRS.2020.3034852 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98874 [article]

A feature based change detection approach using multi-scale orientation for multi-temporal SAR images / R. Vijaya Geetha in European journal of remote sensing, vol 54 sup 2 (2021)  

Public [article]  inEuropean journal of remote sensing > vol 54 sup 2 (2021) . - pp 248 - 264 Titre : A feature based change detection approach using multi-scale orientation for multi-temporal SAR images Type de document : Article/Communication Auteurs : R. Vijaya Geetha, Auteur ; S. Kalaivani, Auteur Année de publication : 2021 Article en page(s) : pp 248 - 264 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] analyse de groupement [Termes IGN] anisotropie [Termes IGN] chatoiement [Termes IGN] classification non dirigée [Termes IGN] classification par nuées dynamiques [Termes IGN] détection de changement [Termes IGN] filtre de Gabor [Termes IGN] image multitemporelle [Termes IGN] image radar moirée [Termes IGN] matrice de confusion [Termes IGN] transformation en ondelettes Résumé : (auteur) Excellent operation regardless of weather conditions and superior resolution independent of sensor light are the most attractive and desired features of synthetic aperture radar (SAR) imagery. This paper proposes an exclusive multi-scale with multiple orientation approach for multi-temporal SAR images. This approach integrates pre-processing and change detection. Pre-processing is performed on the SAR imagery through speckle reducing anisotropic diffusion and discrete wavelet transform. The processed speckle-free images are designed by Log-Gabor filter bank in terms of multi-scale with multiple orientations. The maximum magnitude of multiple orientations is concatenated to obtain feature-based scale representation. Each scale is dealt with multiple orientations and is compared by band-wise subtraction to retrieve difference image (DI) coefficient. The series of the difference coefficients from each scale are add-on together to estimate a DI. Thus, the resultant image of multi-scale orientation gives perception of detailed information with specific contour. Constrained k-means clustering algorithm is preferred to achieve change and un-change map. Performance of the proposed approach is validated on three real SAR image datasets. The effective change detection is examined by using confusion matrix parameters. Experimental results are described to show the efficacy of the proposed approach. Numéro de notice : A2021-819 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1080/22797254.2020.1759457 Date de publication en ligne : 12/06/2020 En ligne : https://doi.org/10.1080/22797254.2020.1759457 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98924 [article]

Extraction of impervious surface using Sentinel-1A time-series coherence images with the aid of a Sentinel-2A image / Wenfu Wu in Photogrammetric Engineering & Remote Sensing, PERS, vol 87 n° 3 (March 2021)  

Public [article]  inPhotogrammetric Engineering & Remote Sensing, PERS > vol 87 n° 3 (March 2021) . - pp 161-170 Titre : Extraction of impervious surface using Sentinel-1A time-series coherence images with the aid of a Sentinel-2A image Type de document : Article/Communication Auteurs : Wenfu Wu, Auteur ; Jiahua Teng, Auteur ; Qimin Cheng, Auteur ; Songjing Guo, Auteur Année de publication : 2021 Article en page(s) : pp 161-170 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes IGN] chatoiement [Termes IGN] cohérence (physique) [Termes IGN] cohérence temporelle [Termes IGN] extraction automatique [Termes IGN] image Sentinel-MSI [Termes IGN] image Sentinel-SAR [Termes IGN] segmentation d'image [Termes IGN] segmentation multi-échelle [Termes IGN] série temporelle [Termes IGN] surface imperméable Résumé : (Auteur) The continuous increasing of impervious surface (IS) hinders the sustainable development of cities. Using optical images alone to extract IS is usually limited by weather, which obliges us to develop new data sources. The obvious differences between natural and artificial targets in interferometric synthetic-aperture radar coherence images have attracted the attention of researchers. A few studies have attempted to use coherence images to extract IS—mostly single-temporal coherence images, which are affected by de-coherence factors. And due to speckle, the results are rather fragmented. In this study, we used time-series coherence images and introduced multi-resolution segmentation as a postprocessing step to extract IS. From our experiments, the results from the proposed method were more complete and achieved considerable accuracy, confirming the potential of time-series coherence images for extracting IS. Numéro de notice : A2021-240 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.87.3.161 Date de publication en ligne : 01/03/2021 En ligne : https://doi.org/10.14358/PERS.87.3.161 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97264 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
105-2021031	SL	Revue	Centre de documentation	Revues en salle	Disponible

SAR image speckle reduction based on nonconvex hybrid total variation model / Yuli Sun in IEEE Transactions on geoscience and remote sensing, vol 59 n° 2 (February 2021)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 59 n° 2 (February 2021) . - pp 1231 - 1249 Titre : SAR image speckle reduction based on nonconvex hybrid total variation model Type de document : Article/Communication Auteurs : Yuli Sun, Auteur ; Lin Lei, Auteur ; Dongdong Guan, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 1231 - 1249 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] artefact [Termes IGN] chatoiement [Termes IGN] détection de contours [Termes IGN] distribution de Fisher [Termes IGN] gradient [Termes IGN] image radar moirée [Termes IGN] régularisation d'image [Termes IGN] variable Résumé : (auteur) Speckle noise inherent in synthetic aperture radar (SAR) images seriously affects the visual effect and brings great difficulties to the postprocessing of the SAR image. Due to the edge-preserving feature, total variation (TV) regularization-based techniques have been extensively utilized to reduce the speckle. However, the strong scatters in SAR image with radiometry several orders of magnitude larger than their surrounding regions limit the effectiveness of TV regularization. Meanwhile, the ℓ1 -norm first-order TV regularization sometimes causes staircase artifacts as it favors solutions that are piecewise constant, and it usually underestimates high-amplitude components of image gradient as the ℓ1 -norm uniformly penalizes the amplitude. To overcome these shortcomings, a new hybrid variation model, called Fisher–Tippett (FT) distribution- ℓp -norm first-and second-order hybrid TVs (HTpVs), is proposed to reduce the speckle after removing the strong scatters. Especially, the FT-HTpV inherits the advantages of the distribution based data fidelity term, the nonconvex regularization, and the higher order TV regularization. Therefore, it can effectively remove the speckle while preserving point scatters and edges and reducing staircase artifacts well. To efficiently solve the nonconvex minimization problem, an iterative framework with a nonmonotone-accelerated proximal gradient (nmAPG) method and a matrix-vector acceleration strategy are used. Extensive experiments on both the simulated and real SAR images demonstrate the effectiveness of the proposed method. Numéro de notice : A2021-114 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.3002561 Date de publication en ligne : 08/07/2020 En ligne : https://doi.org/10.1109/TGRS.2020.3002561 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96924 [article]

Region level SAR image classification using deep features and spatial constraints / Anjun Zhang in ISPRS Journal of photogrammetry and remote sensing, vol 163 (May 2020)  

Permalink

Adaptive Statistical Superpixel Merging With Edge Penalty for PolSAR Image Segmentation / Deliang Xiang in IEEE Transactions on geoscience and remote sensing, vol 58 n° 4 (April 2020)  

Permalink

Optical Coherence Tomography and Its Non-medical Applications / Michael R. Wang (2020)  

Permalink

Application des algorithmes de Deep learning pour les images SAR / Luc Baudoux (2019) 

Permalink

New point matching algorithm using sparse representation of image patch feature for SAR image registration / Jianwei Fan in IEEE Transactions on geoscience and remote sensing, vol 55 n° 3 (March 2017)  

Permalink

Démélange d’images radar polarimétrique par séparation thématique de sources / Sébastien Giordano (2015)  

Permalink

SAR-SIFT : a SIFT-like algorithm for SAR images / Flora Dellinger in IEEE Transactions on geoscience and remote sensing, vol 53 n° 1 (January 2015)  

Permalink

Blind speckle decorrelation for SAR image despeckling / Alessandro Lapini in IEEE Transactions on geoscience and remote sensing, vol 52 n° 2 (February 2014)  

Permalink

An unsupervised approach based on the generalized Gaussian model to automatic change detection in multitemporal SAR images / Y. Bazi in IEEE Transactions on geoscience and remote sensing, vol 43 n° 4 (April 2005)  

Permalink

Evaluation of speckle noise MAP filtering algorithms applied to SAR images / F.N.S. Medeiros in International Journal of Remote Sensing IJRS, vol 24 n° 24 (December 2003)  

Permalink