Modèles, estimation bayésienne et algorithmes pour la déconvolution d'images satellitaires et aériennes

Models, bayesian estimation and algorithms for remote sensing data deconvolution

• Auteur / Autrice : André Jalobeanu
• Direction : Josiane Zerubia
• Type : Thèse de doctorat
• Discipline(s) : Traitement des images
• Date : Soutenance en 2001
• Etablissement(s) : Nice
• Ecole(s) doctorale(s) : École doctorale Sciences fondamentales et appliquées (Nice ; 2000-....)

Mots clés

Mots clés contrôlés

Ondelettes

Imagerie satellitaire

Résumé

Les images satellitaires ou aériennes sont dégradées par le système optique et par le capteur lors de leur acquisition. Pour reconstruire une image de bonne qualité à partir d'une observation floue et bruitée, il faut effectuer une déconvolution. Nous rappelons, dans un premier temps, quels sont les différents éléments de la chaîne d'acquisition, de l'optique au capteur (visible ou infrarouge), ce qui permet de modéliser les dégradations subies par les images. Afin de reconstruire l'image sans amplifier le bruit et tout en conservant les détails, il est nécessaire d'imposer des contraintes sur la solution reconstruite, ce qui consiste à choisir un modèle a priori. Nous étudions la modélisation des images satellitaires et aériennes, qui peut être effectuée dans un cadre probabiliste ou variationnel, par des modèles discrets ou continus. Nous proposons de nouveaux modèles statistiques qui tiennent compte des propriétés fractales des scènes naturelles et de leur non-stationnarité, fondés sur des approches multiéchelles et adaptatives. Ensuite nous étudions différentes techniques permettant d'estimer les paramètres de ces modèles, décrivant les propriétés de l'image que l'on cherche à reconstruire. Ces techniques sont développées dans un cadre bayésien, et donnent lieu à des algorithmes soit stochastiques, soit déterministes, selon le problème à résoudre. Enfin, nous proposons de nouveaux algorithmes de reconstruction, qui sont totalement automatiques. Dans un premier temps, nous supposons que les dégradations (flou et statistique du bruit) sont données et nous cherchons à reconstruire l'image inconnue. Dans un second temps, nous considérons le cas où ces dégradations sont inconnues. Nous effectuons alors une déconvolution aveugle, en deux étapes, la première consistant à estimer les paramètres instrumentaux et la seconde à déconvoluer l'image, ces paramètres étant fixés. Des tests ont été effectués sur des images satellitaires (simulations SPOT 5 et Pléiades), ainsi que sur des images aériennes à haute résolution, prises dans le visible ou dans l'infrarouge.

Satellite or aerial images are corrupted by the optical system and the sensor. To reconstruct a good quality image from a noisy and blurred observation, one needs to perform a déconvolution. First, we recall the principles of the acquisition chain, from optics to the sensor (visible or infrared), enabling us to model the degradation of the image. In order to reconstruct the image without amplifying the noise, while preserving edges and textures, it is s=necessary to impose constraints on the reconstructed solution, which consists of choosing a prior model. We study satellite and aerial image modeling, which can be done within both probabilistic and variational frameworks, and using both discrete and continuous models. We propose new statistical model that take into account the fractal properties of natural scenes and their non-stationarity, using multiscale and adaptive approaches. Next we study different techniques for estimating the model parameters, describing the properties of the images to be reconstructed. These techniques are developed within a Bayesian framework, and can be solved using either stochastic, or deterministic algorithms, depending on the problem. Finally, we propose new fully automatic reconstruction algorithms. First, we suppose that the degradations (blurring kernel and noise statistics) are known, and we try to reconstruct the unknown image. Second, we consider the case where these degradations are unknown. We perform a blind déconvolution, in two steps, the first step consisting of determining the instrumental parameters, and the second of deconvolving the image with fixed degradation parameters. Tests have been performed on remote sensing data such as satellite images (SPOT 5 and Pléïades simulations) and high resolution visible and infrared aerial images.