A Bayesian approach for inverse problems. Application to scattering imaging in the microwave and optical domains
Une approche bayésienne de l'inversion. Application à l'imagerie de diffraction dans les domaines micro-onde et optique
Abstract
In this work, we are interested in scattering imaging in 2D and 3D configurations, where our objective is to reconstruct an image (contrast function) of an unknown object using measurements of the scattered field that results from the interaction between the unknown object and a known incident field whose propagation direction and frequency can be varied. The difficulty of this problem lies in the non-linearity of the forward model and in the ill-posed nature of the inverse problem which requires the introduction of prior information (regularization). For this purpose, we use a Bayesian approach with a joint estimation of the object contrast, currents induced inside the objects and other model parameters. The forward continuous model is described by two coupled integral equations. The discrete counterparts of the latter are obtained by means of the method of moments (MoM). For the inversion, the Bayesian approach allows us to model our knowledge about the object in a probabilistic way. For the given applications, the object under test is known to be composed of a finite number of materials, which implies that the desired image consists of a finite number of compact homogeneous regions. This justifies the choice of a prior model based upon a mixture of Gaussian with a hidden Markovian variable that represents the label of the regions. The nonlinear nature of the forward model and the use of this prior leads to joint posterior estimators which are intractable. Therefore, an approximation of the posterior distribution is needed. Two approaches are possible : a numerical approach, for example MCMC, and an analytical approach as the variational Bayesian approach. We have tested both approaches and both of them yield very good reconstruction results compared to classical methods. However, the variational Bayesian approach allows a much faster reconstruction as compared to the MCMC stochastic sampling method.
Dans ce travail, nous nous intéressons à l'imagerie de diffraction dans des configurations à deux ou trois dimensions avec pour objectif la reconstruction d'une image (fonction contraste) d'un objet inconnu à l'aide de plusieurs mesures du champ qu'il diffracte. Ce champ résulte de l'interaction entre l'objet et un champ incident connu dont la direction de propagation et la fréquence peuvent varier. La difficulté de ce problème réside dans la non-linéarité du modèle direct et le caractère mal posé du problème inverse qui nécessite l'introduction d'une information a priori (régularisation). Pour cela, nous utilisons une approche bayésienne avec une estimation conjointe du contraste de l'objet, des courants induits et des autres paramètres du modèle. Le modèle direct est décrit par deux équations intégrales couplées exprimant les champs électriques observé et existant à l'intérieur de l'objet, dont les versions discrètes sont obtenues à l'aide de la méthode des moments. Pour l'inversion, l'approche bayésienne permet de modéliser notre connaissance a priori sur l'objet sous forme probabiliste. Les objets que nous étudions ici sont connus pour être constitués d'un nombre fini de matériaux homogènes répartis en régions compactes. Cette information a priori est introduite dans l'algorithme d'inversion à l'aide d'un mélange de gaussiennes, où chaque gaussienne représente une classe de matériaux, tandis que la compacité des régions est prise en compte au travers d'un modèle de Markov caché. La nature non linéaire du modèle direct et l'utilisation de cet a priori nous amènent à des estimateurs qui n'ont pas de formes explicites. Une approximation est donc nécessaire et deux voies sont possibles pour cela: une approche numérique, par exemple MCMC, et une approche analytique comme l'approche bayésienne variationnelle. Nous avons testé ces deux approches qui ont donné de bons résultats de reconstruction par rapport aux méthodes classiques. Cependant, l'approche bayésienne variationnelle permet de gagner énormément en temps de calcul par rapport à la méthode MCMC.