Markovian models for SAR images : application to water detection in SWOT satellite images and multi-temporal analysis of urban areas
Modèles Markoviens pour les images SAR : application à la détection de l'eau dans les images satellitaires SWOT et analyse multi-temporelle de zones urbaines
Résumé
To obtain a better coverage both spatially and temporally, hydrologists use spaceborne data in addition to data acquired in situ. Resulting from a collaboration between NASA’s Jet Propulsion Laboratory (JPL) and the French Space Agency (CNES), the upcoming SWOT mission will provide global continental water elevation measures using Synthetic Aperture Radar (SAR) interferometry. In this dissertation, we address the problem of water detection in SWOT amplitude images, which is to be performed before the interferometric processing. To this end, we propose to use a method dedicated to the detection of large water bodies and a specific algorithm for the detection of narrow rivers. The first method is based on Markov Random Fields (MRF). The classification is regularized and the class parameters, which cannot be assumed constant in the case of SWOT, are jointly estimated. The second method is based on segment detection at the pixel level, completed by a connection step. To study the extension to multi-temporal data, we propose methods adapted to the processing of series of SAR images of urban areas. These areas feature strong scatterers, having a radiometry orders of magnitude higher than the other points in the image. The proposed models explicitly account for the presence of these strong scatterers by considering the images as a sum of two components (the background and the strong scatterers). Different regularization terms can then be applied to each of these components. Modeled as MRF, they can then be optimized exactly using graph cuts. We present applications for strong scatterers detection, regularization and change detection.
Afin d’obtenir une meilleure couverture, à la fois spatiale et temporelle de leurs mesures les hydrologues utilisent des données spatiales en plus de celles acquises sur place. Fruit d’une collaboration entre les agences spatiales française (le CNES) et américaine (JPL, NASA), la future mission SWOT a notamment pour but de fournir des mesures de hauteur des surfaces d’eau continentales en utilisant l’interférométrie radar à synthèse d’ouverture (SAR). Dans cette thèse, nous nous intéressons au problème de la détection de l’eau dans les images d’amplitude SWOT qui est ici un prérequis au traitement interférométrique. Dans cette optique, nous proposons d’utiliser une méthode dédiée à la détection des larges cours d’eau ainsi qu’un traitement spécifique pour la détection de rivières fines. La première méthode est basée sur un champ de Markov (MRF) pour la classification, conjointement à une estimation des paramètres de classes qui ne peuvent être supposés constants dans le cas de SWOT. L’estimation des paramètres peut également être modélisée par des champs de Markov. La seconde méthode s’appuie sur une détection de segments au niveau pixellique complétée par une connexion de ces segments. Afin d’étudier l’extension aux séries multi-temporelles, nous proposons des méthodes de traitement adaptées aux données SAR de zones urbaines. Ces zones présentent de forts rétro-diffuseurs, ayant une radiométrie largement supérieure à celle des autres points dans l’image. Les modèles présentés prennent explicitement en compte la présence de ces forts rétro-diffuseurs en considérant les images comme une somme de deux composantes (le fond et les cibles fortes). Différents termes de régularisation peuvent alors être utilisés pour chacune de ces deux composantes. Modélisés comme des champs de Markov, ils peuvent alors être optimisés exactement par recherche de coupure minimale dans un graphe. Nous présentons des applications en détection de cibles fortes, régularisation et détection de changement dans ces séries.
Origine : Version validée par le jury (STAR)