Descripteur
Termes IGN > imagerie > image radar > image radar moirée
image radar moiréeSynonyme(s)Interferogramme ;image SAR ;Image rso ;Image radar interférométrique Image par radar à antenne synthétiqueVoir aussi
|
Documents disponibles dans cette catégorie (425)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Studying informativeness of satellite image texture for sea ice state retrieval using deep learning methods / Clément Fougerouse (2022)
Titre : Studying informativeness of satellite image texture for sea ice state retrieval using deep learning methods Type de document : Mémoire Auteurs : Clément Fougerouse, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 47 p. Format : 21 x 30 cm Note générale : Bibliographie
Rapport de projet pluridisciplinaire, cycle ING2Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] données d'entrainement (apprentissage automatique)
[Termes IGN] glace de mer
[Termes IGN] image Aqua-AMSR
[Termes IGN] image C-SAR
[Termes IGN] image radar moirée
[Termes IGN] inférence
[Termes IGN] optimisation (mathématiques)
[Termes IGN] réseau neuronal convolutif
[Termes IGN] restauration d'imageIndex. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (Auteur) De nos jours, la détermination des glaces de mers se fait manuellement et est réalisée par des experts, les cartes obtenues ne sont donc pas bien précises et peuvent comporter des erreurs. L’objectif de l’étude est de pouvoir automatiser la classification des différents types de glaces de mer à partir d’images satellitaires SAR et AMSR2, en utilisant des réseaux de neurones convolutifs et d’améliorer la précision des réseaux déjà existants. Pour cela, nous partons des réseaux existants et nous rajoutons de nouvelles données d’apprentissages et nous modifions la structure du réseau de neurones convolutif. Puis nous étudions la texture des images pour pouvoir prendre en compte les formes des glaces et ainsi de créer plusieurs classes pour les glaces de mers. Que ce soit avec l’ajout de nouvelles données ou la modification de la structure du réseau, la précision des prédictions du réseau de neurones a grandement été amélioré. Nous passons d’une précision de 74% en moyenne sur les quatre classes utilisées à une moyenne de 95% après toutes les améliorations réalisées. Notons également, que la détection de la présence ou non de glace est très précise 98%. Quant à l’ajout des nouvelles classes et à la prise en compte de la texture des images satellitaires, nous obtenons des résultats très intéressants : le classificateur permet de distinguer certaines combinaisons, mais a du mal pour d’autres, notamment pour les glaces qui ont des petites formes. Ainsi, cette étude a permis d’améliorer considérablement la précision des réseaux existants pour classer la glace dans les quatre types habituels bien qu'ils restent moins performants pour classer en prenant en compte la forme des glaces. L’étude du caractère informatif a permis de connaitre les combinaisons détectées par la texture des images SAR. Note de contenu : 1. Introduction
2. Data used for training the CNN
2.1 NetCDF files
2.2 SAR data
2.3 AMSR2 data
2.4 Ice Chart
3. Processing
3.1 Overview
3.2 Statistical analysis
3.3 Preprocessing
3.3 Training
3.4 Inference
3.4 Baseline binary CNN
3.5 Baseline continuous CNN
3.6 Adding the larger area SAR data
3.7 Adding the AMSR2 data
3.8 Optimization
3.9 Experiments with informativeness
4. Results
4.1 Statistics
4.2 Baseline Binary
4.3 Hugo continuous
4.4 Extended SAR sub-image
4.5 AMSR2
4.6 Optimization
4.7 Informativeness tests
5. Conclusion and discussionNuméro de notice : 26868 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : Nansen Environmental and Remote Sensing Center NERSC Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101688 Documents numériques
en open access
Studying informativeness of satellite image texture for sea ice state retrieval using deep learning methods - pdf auteurAdobe Acrobat PDF Use of multi-temporal and multi-sensor data for continental water body extraction in the context of the SWOT mission / Nicolas Gasnier (2022)
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 ImagesLangues : 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 hyperfréquenceIndex. 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 perspectivesNuméro 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
Titre : Variations de volume des lacs pour l'analyse climatique : Améliorer la connaissance de la quantité d’eau des lacs et leur variation à partir de données satellitaires Type de document : Mémoire Auteurs : Iris Lucas, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 67 p. Format : 21 x 30 cm Note générale : bibliographie
Rapport de fin d'étude, cycle des Ingénieurs diplômés de l’ENSG 3ème année, Spécialité PPMDLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] bassin hydrographique
[Termes IGN] Canada
[Termes IGN] carte hypsométrique
[Termes IGN] Champagne (province, comté)
[Termes IGN] données altimétriques
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] image Landsat-8
[Termes IGN] image radar moirée
[Termes IGN] image Sentinel-MSI
[Termes IGN] lac
[Termes IGN] méthode robuste
[Termes IGN] modèle de Gauss-Helmert
[Termes IGN] Ransac (algorithme)
[Termes IGN] régression
[Termes IGN] variation temporelle
[Termes IGN] volume d'eauIndex. décimale : MPPMD Mémoires du mastère spécialisé Photogrammétrie, Positionnement et Mesures de Déformation Résumé : (auteur) La ressource en eau douce est limitée, son étude fait partie des axes majeurs des études environnementales. C’est au sein de la cellule hydrologie continentale de CLS, pour le compte d’Apside que je me suis penchée sur cette question, appliquant les savoirs acquis en géomatique durant mes années à l’ENSG. L’objectif de ce stage est d’améliorer la connaissance de la quantité d’eau des lacs et leur variation à partir de données satellitaires. Ce savoir pourra être appliqué dans divers projets sur l’étude des lacs à CLS. Etudier les variations de volume nécessite l’utilisation de surfaces d’eau que l’on peut extraire par imagerie satellitaire (Sentinel-2, Landsat-8) et hauteurs d’eau provenant de satellites altimétriques (accessibles sur la plateforme Hydroweb). Pour ce faire, j’ai développé un algorithme d’extraction de surfaces d’eau par télédétection optique, puis développé une méthode d’estimation robuste pour dégager une courbe hypsométrique. Grâce à cette courbe, j’ai pu déterminer des variations de volumes pour divers bassins. Ce rapport détaille le processus développé, la méthodologie suivie et les éventuelles pistes d’amélioration possibles. Note de contenu :
1- Introduction
2- Extraire les données de surfaces d’eau
3- Extraire le profil des lacs : la courbe hypsométrique
4- Dernière étape de la chaine : génération des variations de volume
5- ConclusionNuméro de notice : 24053 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de fin d'études IT Organisme de stage : Apside Toulouse Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101951 Documents numériques
en open access
Variations de volume... - pdf auteur -Adobe Acrobat PDF Bagging and boosting ensemble classifiers for classification of multispectral, hyperspectral and PolSAR data: A comparative evaluation / Hamid Jafarzadeh in Remote sensing, vol 13 n° 21 (November-1 2021)
[article]
Titre : Bagging and boosting ensemble classifiers for classification of multispectral, hyperspectral and PolSAR data: A comparative evaluation Type de document : Article/Communication Auteurs : Hamid Jafarzadeh, Auteur ; Masoud Mahdianpari, Auteur ; Eric Gill, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : n° 4405 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte
[Termes IGN] analyse comparative
[Termes IGN] apprentissage automatique
[Termes IGN] arbre de décision
[Termes IGN] boosting adapté
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] données polarimétriques
[Termes IGN] ensachage
[Termes IGN] Extreme Gradient Machine
[Termes IGN] image hyperspectrale
[Termes IGN] image multibande
[Termes IGN] image radar moirée
[Termes IGN] image ROSISRésumé : (auteur) In recent years, several powerful machine learning (ML) algorithms have been developed for image classification, especially those based on ensemble learning (EL). In particular, Extreme Gradient Boosting (XGBoost) and Light Gradient Boosting Machine (LightGBM) methods have attracted researchers’ attention in data science due to their superior results compared to other commonly used ML algorithms. Despite their popularity within the computer science community, they have not yet been well examined in detail in the field of Earth Observation (EO) for satellite image classification. As such, this study investigates the capability of different EL algorithms, generally known as bagging and boosting algorithms, including Adaptive Boosting (AdaBoost), Gradient Boosting Machine (GBM), XGBoost, LightGBM, and Random Forest (RF), for the classification of Remote Sensing (RS) data. In particular, different classification scenarios were designed to compare the performance of these algorithms on three different types of RS data, namely high-resolution multispectral, hyperspectral, and Polarimetric Synthetic Aperture Radar (PolSAR) data. Moreover, the Decision Tree (DT) single classifier, as a base classifier, is considered to evaluate the classification’s accuracy. The experimental results demonstrated that the RF and XGBoost methods for the multispectral image, the LightGBM and XGBoost methods for hyperspectral data, and the XGBoost and RF algorithms for PolSAR data produced higher classification accuracies compared to other ML techniques. This demonstrates the great capability of the XGBoost method for the classification of different types of RS data. Numéro de notice : A2021-823 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/rs13214405 Date de publication en ligne : 02/11/2021 En ligne : https://doi.org/10.3390/rs13214405 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98938
in Remote sensing > vol 13 n° 21 (November-1 2021) . - n° 4405[article]Multi-objective CNN-based algorithm for SAR despeckling / Sergio Vitale in IEEE Transactions on geoscience and remote sensing, vol 59 n° 11 (November 2021)
[article]
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'imageRésumé : (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
in IEEE Transactions on geoscience and remote sensing > vol 59 n° 11 (November 2021) . - pp 9336 - 9349[article]Persistent scatterer interferometry for Pettimudi (India) landslide monitoring using Sentinel-1A images / Hari Shankar in Photogrammetric Engineering & Remote Sensing, PERS, vol 87 n° 11 (November 2021)PermalinkA repeatable change detection approach to map extreme storm-related damages caused by intense surface runoff based on optical and SAR remote sensing: Evidence from three case studies in the South of France / Arnaud Cerbelaud in ISPRS Journal of photogrammetry and remote sensing, Vol 182 (December 2021)PermalinkA 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)PermalinkInvestigation of the landslides in Beylikdüzü-Esenyurt districts of Istanbul from InSAR and GNSS observations / Caglar Bayik in Natural Hazards, vol 109 n° 1 (October 2021)PermalinkOrbit error removal in InSAR/MTInSAR with a patch-based polynomial model / Yanan Du in International journal of applied Earth observation and geoinformation, vol 102 (October 2021)PermalinkPhase unmixing of TerraSAR-X staring spotlight interferograms in building scale for PS height and deformation / Peng Liu in ISPRS Journal of photogrammetry and remote sensing, vol 180 (October 2021)PermalinkConiferous and broad-leaved forest distinguishing using L-band polarimetric SAR data / Fang Shang in IEEE Transactions on geoscience and remote sensing, Vol 59 n° 9 (September 2021)PermalinkA deep translation (GAN) based change detection network for optical and SAR remote sensing images / Xinghua Li in ISPRS Journal of photogrammetry and remote sensing, vol 179 (September 2021)PermalinkEstimation of surface deformation due to Pasni earthquake using RADAR interferometry / Muhammad Ali in Geocarto international, vol 36 n° 14 ([01/08/2021])PermalinkRapid and large-scale mapping of flood inundation via integrating spaceborne synthetic aperture radar imagery with unsupervised deep learning / Xin Jiang in ISPRS Journal of photogrammetry and remote sensing, vol 178 (August 2021)Permalink