Développement et caractérisation de méthodes statistiques de détection et de localisation d'objets dans des images fortement bruitées

Development and caracterisation of statistical methods for detecting and locating objects in high level of noise images

• Auteur / Autrice : Vincent Pagé
• Direction : Philippe Réfrégier, François Goudail
• Type : Thèse de doctorat
• Discipline(s) : Traitement des images
• Date : Soutenance en 2001
• Etablissement(s) : Aix-Marseille 3

Mots clés

Mots clés contrôlés

Traitement d'images

Estimation, Théorie de l'

Reconnaissance optique des formes (informatique)

Résumé

Cette thèse est consacrée à la caractérisation et à la généralisation de techniques statistiques de détection et de localisation d'objets de forme connue dans des images fortement bruitées. Nous présentons tout d'abord un algorithme de détection optimale au sens de la théorie statistique de l'estimation adapté à des scènes perturbées par du bruit non-recouvrant décorrélé, dans lequel apparait un objet de forme connue, mais dont les niveaux de gris peuvent fluctuer. Cet algorithme utilise une fenetre d'analyse dont nous montrons que le choix dev la taille relève d'un compromis entre précision de l'estimation des paramètres de nuisance et robustesse aux inhomogénéités du fond. Nous généralisons ensuite le filtre précédent au cas de cibles de taille inconnues, en considérant le paramètre de taille comme un paramètre de nuisance supplémentaire. Nous donnons ensuite deux exemples d'applications ou cet algorithme peut etre employé avec profit, pour des scènes acquises à l'aide d'imageurs actifs, tel que les images SAR et les images polarimétriques.

The object of this thesis is to caracterise and improve the existing methods for locating and detecting objects of known shapes and unknown greylevel distribution in noisy images. We use parametric image models that are different from the classic gaussian additive noise and more adapted to realistic situations. From these models, we determine some detection algorithms based on the Generalised Likelihood Test (GLRT) that optimize the probability of detection for a given fase alarm ratio. These algorithms use a test window to scan the image. We analyse the influence of the size of this test window as a compromise between the quality of estimation of the parameters of the model and the robustness to the inhomogeneities of the background. We then generalise this approach to the case of unknown size, by estimating the size of the target