Textural-based methods for image superresolution : Application to Satellite-derived Sea Surface Temperature imagery
Méthodes stochastiques pour la super-résolution d'images texturées : Application à l'imagerie de télédétection satellitaire de la température de surface des océans
Résumé
The characterization of sub-mesoscale dynamics (<10 km) in the ocean surface and their impact on global ocean processes are major scientific issues. Satellite imagery is an essential tool within this framework. However, the use of remote sensing techniques still raise challenging. For instance, regarding Sea Surface Temperature (SST) images, satellite measurements of oceanic structures are limited by the coarse resolution of microwave sensors (~50km) on one hand, and by sensitivity to climatic conditions (eg., Cloud cover) of high-resolution infrared instruments on the other hand. In this thesis, we are interested in analysis, modeling and reconstruction of high-resolution turbulent structures captured by satellite SST imagery. In this context, we propose four main contributions. First, we develop a joint Fourier-Wavelet filtering method for the pre-processing of geometrical noises in satellite-based infrared observations, namely the striping noises. Secondly, we focus on the characterization of the geometric variability of sea surface temperature (SST) fields using random walk models applied to SST isolines. In particular, we consider the class of Schramm Loewner evolution curves (SLE). We then focus on the stochastic modeling of the cross-scale variabilities of SST fields. Stochastic multivariate texture-based models are introduced. These models are designed to reproduce several statistics and spectral properties that are observed on the data that are used to calibrate the model. We then develop our framework for stochastic super-resolution of SST fields conditionally to low-resolution observations. We use multivariate texture-based models formulated in the wavelet domain. These models exploit the formulation of statistical and spectral priors (i.e., covariances and cross-covariances) on wavelet subbands. These priors are directly learned from exemplar high-resolution images. Additional constraints imposed on the Fourier-phase of the different simulated subbands allow the reconstruction of coherent geometric structures such as the edge information. Our method is tested and validated using infrared high-resolution satellite SST images provided by Aqua Modis sensor.
La caractérisation des dynamiques de sous-mésoéchelle (<10km) à la surface de l'océan et leurs impacts sur les processus océaniques globaux sont des enjeux scientifiques majeurs. L'imagerie satellitaire est un outil essentiel dans ce contexte, qui présente toutefois des limitations liées aux instruments de télédétection. Dans le cas des images de température de surface des océans (SST), les mesures satellitaires des structures océaniques sont limitées par la résolution grossière des capteurs micro-ondes (~50km) d'une part, et par la sensibilité aux conditions climatiques (e.g., couverture nuageuse) des instruments de mesure infrarouge haute-résolution. Dans cette thèse, nous nous intéressons à l'analyse, la modélisation et la reconstruction des structures turbulentes haute-résolution capturées par imagerie satellitaire de SST, et proposons quatre contributions principales. Dans un premier temps, nous développons une méthode de filtrage conjointe Fourier-ondelettes pour le prétraitement d'artefacts géométriques dans les observations satellitaires infrarouges. Dans un deuxième temps, nous nous focalisons sur la caractérisation de la variabilité géométrique de champs de température de surface (SST) en utilisant des modèles de marches aléatoires appliqués aux lignes de niveaux. En particulier, nous considérons des processus aléatoires de type schramm Loewner (SLE). Nous nous intéressons ensuite à la modélisation stochastique des variabilités inter-échelles de champs de SST. Des modèles stochastiques de textures multivariées sont introduits. Ces modèles permettent de reproduire des propriétés statistiques et spectrales similaires à celles des données ayant servi à les calibrer. Nous développons ensuite des méthodes de super-résolution de champs de SST conditionnellement à une observation basse-résolution. Nous utilisons des modèles multivariés de textures formulés dans le domaine des ondelettes, en exploitant l'apprentissage d'à priori statistiques (i.e., covariances et covariances croisées) des différentes sous-bandes à partir d'images haute-résolution. Des contraintes supplémentaires imposées sur la phase de Fourier des différentes sous-bandes simulées permettent la reconstruction de structures géométriques marquées tels que les fronts. Nous démontrons la pertinence de la méthode proposée sur des images satellitaires de SST obtenues à partir du capteur Modis/Aqua.
Origine : Version validée par le jury (STAR)
Loading...