Patch-based image modeling gor their restoration and interepretation. Applications in SAR imagery.
Modélisation des images par patchs pour leur restauration et leur interprétation. Applications à l'imagerie SAR.
Résumé
Satellite image processing is an important issue in our society because of the need to monitor the planet, for example, to evaluate the effects of a natural disaster. SAR (Synthetic Aperture Radar) images are useful for this purpose because they can be acquired day and night and through clouds since they are the result of a backscaterred echo from earth’s surface. This acquisition system produces the speckle phenomenon modeled by a multiplicative noise wich makes it diffucult to adapt traditional image processing methods often developed to reduce additive noise.
In this thesis, we focused on approaches based on patches which are small windows extracted from images. The first type of appraoch used is dictionary-based. A dictionary is a set of patches named atoms representing the basic textures and structures observed in images such as edges or targets. Each patch of an image can be approximated by a linear combination of few atoms. Once the approximated patches are combined, we obtain an approximation of the image. The second type of approach used is based on Gaussian Mixture Models (GMM) that model the distribution of patches efficiently.
The main problem adressed in this thesis is how to model the distribution of the patches with invariance
properties ? To this end, we propose several methods in order to learn dictionaries and GMMs with
shift-invariance and affine radiometric transform invariance properties. We applied these methods in
denoising and despeckling tasks and the GMM based method provided similar results as state of the
art methods. Finally, we proposed a supervised SAR image classification algorithm based on GMM which
shows their potential in modeling the distribution of patches extracted from SAR images.
RESUME : Le traitement des images satéllitaire est un enjeu important dans notre société où l’on a besoin de surveiller la planète pour évaluer la déforestation ou encore réaliser le bilan d’une catastrophe naturelle. Les images radar
sont utiles pour cela car elles sont obtenues par un système actif et donc indépendamment de l’éclairement solaire et
du couvert nuageux. Ce système d’acquisition entraîne le phénomène de speckle modélisé par un bruit multiplicatif.
C’est donc un véritable défi d’adapter à ces données les outils de traitements classiques souvent développés pour du
bruit additif.
Nous nous sommes intéressés dans cette thèse à des approches utilisant une décomposition de l’image en patchs
(petites imagettes d’une dizaine de pixels de côté). Le premier type d’approche est basé sur l’apprentissage de dictionnaires. Un dictionnaire est un ensemble de patchs, appelés atomes, représentant les structures de base d’une image,
par exemple des contours et des textures. Chaque patch d’une image peut être représenté par une combinaison linéaire
de peu d’atomes du dictionnaire et une fois tous les patchs recombinés, ils constituent une approximation de l’image
d’intérêt. Nous nous sommes également intéressés à un second type d’approche modélisant la distribution des patchs
des images par des modèles de mélange de gaussiennes ou Gaussian Mixture Models (GMM) en anglais.
La problématique au coeur de cette thèse porte sur la modélisation de la distribution des patchs avec des propriétés
d’invariance. Pour cela, nous avons proposé plusieurs manières d’introduire l’invariance par translation et l’invariance
aux transformations radiométriques affines dans l’apprentissage de dictionnaires et dans l’apprentissage de GMM. Nous
avons également appliqué les méthodes proposées au débruitage d’images naturelles et à la réduction de speckle dans
les images radar. La méthode de restauration proposée basée sur les GMM présente des performances du même ordre
que les méthodes état de l’art. Enfin, une procédure de classification supervisée d’images radar basée sur les GMM a
été élaborée et montre leur potentiel à bien représenter la distribution des patchs des images radar.
Le traitement des images satellitaire est un enjeu important dans notre société où l’on a besoin de surveiller la planète pour évaluer la déforestation ou encore réaliser le bilan d’une catastrophe naturelle. Les images radar
sont utiles pour cela car elles sont obtenues par un système actif et donc indépendamment de l’éclairement solaire et
du couvert nuageux. Ce système d’acquisition entraîne le phénomène de speckle modélisé par un bruit multiplicatif.
C’est donc un véritable défi d’adapter à ces données les outils de traitements classiques souvent développés pour du
bruit additif.
Nous nous sommes intéressés dans cette thèse à des approches utilisant une décomposition de l’image en patchs
(petites imagettes d’une dizaine de pixels de côté). Le premier type d’approche est basé sur l’apprentissage de dictionnaires. Un dictionnaire est un ensemble de patchs, appelés atomes, représentant les structures de base d’une image,
par exemple des contours et des textures. Chaque patch d’une image peut être représenté par une combinaison linéaire
de peu d’atomes du dictionnaire et une fois tous les patchs recombinés, ils constituent une approximation de l’image
d’intérêt. Nous nous sommes également intéressés à un second type d’approche modélisant la distribution des patchs
des images par des modèles de mélange de gaussiennes ou Gaussian Mixture Models (GMM) en anglais.
La problématique au cœur de cette thèse porte sur la modélisation de la distribution des patchs avec des propriétés
d’invariance. Pour cela, nous avons proposé plusieurs manières d’introduire l’invariance par translation et l’invariance
aux transformations radiométriques affines dans l’apprentissage de dictionnaires et dans l’apprentissage de GMM. Nous
avons également appliqué les méthodes proposées au débruitage d’images naturelles et à la réduction de speckle dans
les images radar. La méthode de restauration proposée basée sur les GMM présente des performances du même ordre
que les méthodes état de l’art. Enfin, une procédure de classification supervisée d’images radar basée sur les GMM a
été élaborée et montre leur potentiel à bien représenter la distribution des patchs des images radar.
Loading...