Détection et classification de cibles en imagerie SAR haute résolution

Automatic target detection and classification in SAR images

• Auteur / Autrice : Tristan Porgès
• Direction : Gérard Favier
• Type : Thèse de doctorat
• Discipline(s) : Automatique, traitement du signal et des images
• Date : Soutenance en 2012
• Etablissement(s) : Nice

Mots clés

Mots clés contrôlés

Calcul tensoriel

Classification

Démodulation (électronique)

Radar à antenne synthétique

Résumé

Cette thèse présente une chaîne de détection et de classification de cibles en imagerie SAR haute résolution. La chaîne de traitement est constituée de deux étapes : l’étape de détection des pixels de la cible ou ATD (automatic target detection) et l’étape de reconnaissance de l’identité de la cible ou ATR (automatic target recognition). Les algorithmes à fenêtre glissante généralement utilisés pour la phase de détection voient leurs performances chuter dans les configurations de cibles proches. La méthode de séparation de mélange statistique proposée dans cette thèse permet de garantir un bon niveau de détection dans toutes les configurations multicibles. Cette approche modélise l’intensité des pixels d’une images SAR comme un mélange de deux lois statistiques associées aux pixels du fouillis et aux pixels des cibles. Un algorithme d’estimation des paramètres du mélange permet de calibrer un seuil de détection à taux de fausse alarme constant. L’étape de reconnaissance de la cible est effectuée à l’aide d’un algorithme tensoriel de classification supervisée. Les bases de données d’apprentissages de cibles SAR sont constituées d’images des différentes cibles qui résultent de la confluence de différents paramètres : angles de pose, angles de site… Un tenseur dont chaque dimension est associée à un des paramètres est construit avec toutes les images de la base d’apprentissage. La décomposition de ce tenseur permet d’utilise les corrélations aux ordres supérieures des données pour élaborer un critère de décision qui va attribuer une identité à la cible inconnue ou la rejeter si celle-ci n’appartient pas à une cible de la base d’apprentissage. L’algorithme tensoriel MPCA (multilinear principal component analysis) développée dans cette thèse garantit un taux élevé de bonne reconnaissance et permet d’estimer l’ensemble des facteur qui caractérisent l’image testée. De plus, il permet d’obtenir un très fort taux de compression des données utiles pour procéder à la classification.

This thesis is concerned with a complete processing chain for terget detection and recognition in high resolution SAR images. It consists in two steps : the automatic target detection (ATD) and the automatic target recognition (ATR). Algorithms using a sliding window over images generally don’t provide good results for multitarget detection. The probability distribution mixture model proposed for pixel intensity distribution provides good detection rates in such configurations. This approach characterises each image by means of two distributions : one related to the targets and one related to the background clutter. The algorithm used to estimate the mixture parameters allows to calibrate the detection threshold to get a desired false alarm rate. A supervised classification algorithm based on a tensor analysis is used for the recognition step. A SAR database is composed of a set of images of targets with different parameters : aspect angles, graying angles… These images form a high-order tensor whose each dimension is associated with a parameter. HOSVD (high order singular value decomposition) is applied to this tensor and a decision criterion based on this decomposition labels the unknown target or reject it if it doesn’t belong to the training database. The MPCA (multilinear principal component analysis) algorithm proposed in this thesis provides hign recognition rate and is able to estimate all the parameters of one tested image. Moreover, it allows a very high compression rate of the training database. Simulation results illustrate the performance of both proposed detection and recognition algorithms, including comparisons with other existing methods.