Advanced methods for high resolution SAR information extraction : data and user-driven evaluation approaches for image information mining

• Auteur / Autrice : Daniela Espinoza Molina
• Direction : Mihai Datcu, Dušan Gleich
• Type : Thèse de doctorat
• Discipline(s) : Signal et images
• Date : Soutenance en 2011
• Etablissement(s) : Paris, Télécom ParisTech

Mots clés

Mots clés contrôlés

Exploration de données

Radar à antenne synthétique

Imagerie (technique)

Résumé

Nous nous sommes intéressés au problème de l'extraction d'information dans des images (Image Information Mining IIM) pour mieux comprendre et exploiter des données en provenance du high resolution Synthetic Aperture Radar (SAR) les avancements dans ce champ de recherche contribuent à l'élaboration d'outils d'exploration interactive et l'extraction du contenu de l'image. Dans ce contexte , analyser et évaluer les modèles d'image et méthodes d'extraction d'information adéquats selon les conjectures de l'utilisateur, constituent des problèmes difficiles. Notre travail contribue avec des solutions pour la modélisation de SAR de haute résolution et pour l'estimation du contenu en utilisant une approche d'évaluation pilotés par les données (data-driven), et avec la conception de scénarios pour l'extraction d'information dans des images en y associant l'utilisateur et ses conjectures, réalisée par une approche d'évaluation axée sur l'utilisateur. Nous réalisons une évaluation et une validation guidée par les données des méthodes d'extraction automatique d'informations pour des scènes en haute résolution SAR basée sur le modèle Gibbs Random Field (GRF). Plus précisément, des modèles Gauss Markov Random Field (GMRF) et Auto-binomial (ABM) sont mis en place dans les méthodes d'extraction d'information suite aux deux niveaux d'inférence bayésienne: ajustement du modèle et sélection du modèle. Les deux méthodes donnent comme résultat une image sans tache (speckle-free) et ses paramètres de la structure. Le modèle GMRF est plus approprié pour les scènes naturelles et le modèle ABM pour les structures artificielles (man-made).

We are concerned in this thesis by the problem of Image Information Mining for exploitation and understanding of high resolution (HR) Synthetic Aperture Radar (SAR) data. Advances in this field of research contribute to the elaboration of tools for interactive exploration and extraction of the image content. In this context, analyzing and evaluating adequate image models and image information extraction methods according to user conjectures, constitute challenging issues. Our work contributes with solutions to HR SAR modeling and content estimation with a data-driven evaluation approach, and with the design of image mining scenarios by involving the user and his conjectures, achieved through an user-driven evaluation approach. We perform a data-driven evaluation and validation of automatic information extraction methods for high resolution SAR scenes based on Gibbs Random Field (GRF) models. Specifically, Gauss Markov Random Field (GMRF) and Auto-binomial (ABM) models are implemented in information extraction methods following the two levels of Bayesian inference: model fitting and model selection. We perform detection tests on classes such as cities, vegetation, and water bodies; using specific qualitative metrics to quantify the quality of speckle removal. The accuracy of modelling and characterization of the image content are determined using both supervised and unsupervised classifications, and confusion matrices. We conclude that both methods enhance the image during the despeckling process. The GMRF model is more suitable for natural scenes and the ABM model for man-made structures. We design and generate two study cases: oil spill and flood detection.