Publications sur Radar a Ouverture Synthetique (SAR)

Résultat de la recherche dans la liste des publications :

• 1 Article de conférence
• 6 Rapports de recherche et Rapports techniques

nouvelle recherche | bibtex

affichage : 10 par page | 20 par page | 50 par page

Article de conférence

1 - Synthetic Aperture Radar Image Classification via Mixture Approaches. V. Krylov et J. Zerubia. Dans Proc. IEEE International Conference on Microwaves, Communications, Antennas and Electronic Systems (COMCAS), Tel Aviv, Israel, novembre 2011. Mots-clés : Radar a Ouverture Synthetique (SAR), remote sensing, high resolution, Classification, finite mixture models, generalized gamma distribution. Copyright : IEEE @INPROCEEDINGS{krylovCOMCAS11, author = {Krylov, V. and Zerubia, J.}, title = {Synthetic Aperture Radar Image Classification via Mixture Approaches}, year = {2011}, month = {novembre}, booktitle = {Proc. IEEE International Conference on Microwaves, Communications, Antennas and Electronic Systems (COMCAS)}, address = {Tel Aviv, Israel}, url = {http://www.ortra.biz/comcas/}, pdf = {http://hal.archives-ouvertes.fr/inria-00625551/en/}, keyword = {Radar a Ouverture Synthetique (SAR), remote sensing, high resolution, Classification, finite mixture models, generalized gamma distribution} } Abstract : In this paper we focus on the fundamental synthetic aperture radars (SAR) image processing problem of supervised classification. To address it we consider a statistical finite mixture approach to probability density function estimation. We develop a generalized approach to address the problem of mixture estimation and consider the use of several different classes of distributions as the base for mixture approaches. This allows performing the maximum likelihood classification which is then refined by Markov random field approach, and optimized by graph cuts. The developed method is experimentally validated on high resolution SAR imagery acquired by Cosmo-SkyMed and TerraSAR-X satellite sensors.

haut de la page

6 Rapports de recherche et Rapports techniques

1 - On the Method of Logarithmic Cumulants for Parametric Probability Density Function Estimation. V. Krylov et G. Moser et S.B. Serpico et J. Zerubia. Rapport de Recherche 7666, INRIA, juillet 2011. Mots-clés : Probability density function, Parameter estimation, generalized gamma distribution, K-distribution, Radar a Ouverture Synthetique (SAR), Classification. Copyright : INRIA/ARIANA @TECHREPORT{RR-7666, author = {Krylov, V. and Moser, G. and Serpico, S.B. and Zerubia, J.}, title = {On the Method of Logarithmic Cumulants for Parametric Probability Density Function Estimation}, year = {2011}, month = {juillet}, institution = {INRIA}, type = {Research Report}, number = {7666}, url = {http://hal.archives-ouvertes.fr/inria-00605274/en/}, keyword = {Probability density function, Parameter estimation, generalized gamma distribution, K-distribution, Radar a Ouverture Synthetique (SAR), Classification} } Résumé : L'estimation de paramètres de fonctions de densité de probabilité est une étape majeure dans le domaine du traitement statistique du signal et des images. Dans ce rapport, nous étudions les propriétés et les limites de l'estimation de paramètres par la méthode des cumulants logarithmiques (MoLC), qui est une alternative à la fois au maximum de vraisemblance (MV) classique et à la méthode des moments. Nous dérivons la condition générale suffisante de consistance forte de l'estimation par la méthode MoLC, qui représente une propriété asymptotique importante de tout estimateur statistique. Grâce à cela, nous démontrons la consistance forte de l'estimation par la méthode MoLC pour une sélection de familles de distributions particulièrement adaptées (mais non restreintes) au traitement d'images acquises par radar à synthèse d'ouverture (RSO). Nous dérivons ensuite les conditions analytiques d'applicabilité de la méthode MoLC à des échantillons générés qui suivent les lois des différentes familles de distribution de notre sélection. Enfin, nous testons la méthode MoLC sur des données synthétiques et réelles afin de comparer les différentes propriétés inhérentes aux différents types d'images, l'applicabilité de la méthode et les effets d'un nombre restreint d'échantillons. Nous avons, en particulier, considéré les distributions gamma généralisée et K. Comme exemple d'application, nous avons réalisé des classifications supervisées d'images médicales à ultrason ainsi que d'images de télédétection acquises par des capteurs RSO. Les résultats obtenus montrent que la méthode MoLC est une bonne alternative à la méthode des moments, bien qu'elle contienne certaines limitations. Elle est particulièrement utile lorsqu'une approche directe par MV n'est pas possible. Abstract : Parameter estimation of probability density functions is one of the major steps in the mainframe of statistical image and signal processing. In this report we explore the properties and limitations of the recently proposed method of logarithmic cumulants (MoLC) parameter estimation approach which is an alternative to the classical maximum likelihood (ML) and method of moments (MoM) approaches. We derive the general sufficient condition of strong consistency of MoLC estimates which represents an important asymptotic property of any statistical estimator. With its help we demonstrate the strong consistency of MoLC estimates for a selection of widely used distribution families originating (but not restricted to) synthetic aperture radar (SAR) image processing. We then derive the analytical conditions of applicability of MoLC to samples generated from several distribution families in our selection. Finally, we conduct various synthetic and real data experiments to assess the comparative properties, applicability and small sample performance of MoLC notably for the generalized gamma and K family of distributions. Supervised image classification experiments are considered for medical ultrasound and remote sensing SAR imagery. The obtained results suggest MoLC to be a feasible yet not universally applicable alternative to MoM that can be considered when the direct ML approach turns out to be unfeasible.

2 - SAR Image Filtering Based on the Heavy-Tailed Rayleigh Model. A. Achim et E.E. Kuruoglu et J. Zerubia. Rapport de Recherche 5493, INRIA, France, février 2005. Mots-clés : Radar a Ouverture Synthetique (SAR), Estimation MAP, Distribution alpha-stable, Transformee de Mellin. @TECHREPORT{5493, author = {Achim, A. and Kuruoglu, E.E. and Zerubia, J.}, title = {SAR Image Filtering Based on the Heavy-Tailed Rayleigh Model}, year = {2005}, month = {février}, institution = {INRIA}, type = {Research Report}, number = {5493}, address = {France}, url = {https://hal.inria.fr/inria-00070514}, pdf = {https://hal.inria.fr/file/index/docid/70514/filename/RR-5493.pdf}, ps = {https://hal.inria.fr/docs/00/07/05/14/PS/RR-5493.ps}, keyword = {Radar a Ouverture Synthetique (SAR), Estimation MAP, Distribution alpha-stable, Transformee de Mellin} } Résumé : Les images issues d'un radar à synthèse d'ouverture (RSO) sont affectées de manière inhérente par un bruit dépendant du signal, généralement connu sous le nom de bruit de chatoiement et qui est dû à la cohérence de l'onde radar. Dans ce rapport, nous proposons un nouveau filtre adaptatif pour débruiter les images RSO et nous déduisons un estimateur du maximum a posteriori (MAP) pour la section efficace du diagramme de gain en radar. On utilise d'abord une transformée logarithmique afin de changer le bruit multiplicatif en bruit additif. Nous modélisons la section efficace à l'aide d'une densité de probabilité récemment introduite - la densité de Rayleigh à queue lourde, qui a été obtenue en supposant que les parties réelles et imaginaires du signal complexe reçu peuvent être mieux caractérisées à l'aide de la famille des distributions alpha-stables. Nous estimons les paramètres du modèle à partir d'observations bruitées en faisant appel à la théorie statistique de deuxième espèce qui est fondée sur la transformée de Mellin. Enfin, nous faisons la comparaison entre la méthode que nous proposons et d'autres filtres classiques pour le débruitage d'images RSO. Nos résultats expérimentaux démontrent que le filtre MAP homomorphique fondé sur le modèle de Rayleigh à queue lourde est parmi les meilleurs pour enlever le bruit de chatoiement. Abstract : Synthetic aperture radar (SAR) images are inherently affected by a signal dependent noise known as speckle, which is due to the radar wave coherence. In this report, we propose a novel adaptive despeckling filter and derive a maximum a posteriori (MAP) estimator for the radar cross section (RCS). We first employ a logarithmic transformation to change the multiplicative speckle into additive noise. We model the RCS using the recently introduced heavy-tailed Rayleigh density function, which was derived based on the assumption that the real and imaginary parts of the received complex signal are best described using the alpha-stable family of distribution. We estimate model parameters from noisy observations by means of second-kind statistics theory, which relies on the Mellin transform. Finally, we compare our proposed algorithm with several classical speckle filters applied on actual SAR images. Experimental results show that the homomorphic MAP filter based on the heavy-tailed Rayleigh prior for the RCS is among the best for speckle removal.

3 - SAR Amplitude Probability Density Function Estimation based on a Generalized Gaussian Scattering Model. G. Moser et J. Zerubia et S.B. Serpico. Rapport de Recherche 5153, INRIA, France, mars 2004. Mots-clés : Radar a Ouverture Synthetique (SAR), Gaussiennes generalisees. @TECHREPORT{5153, author = {Moser, G. and Zerubia, J. and Serpico, S.B.}, title = {SAR Amplitude Probability Density Function Estimation based on a Generalized Gaussian Scattering Model}, year = {2004}, month = {mars}, institution = {INRIA}, type = {Research Report}, number = {5153}, address = {France}, url = {https://hal.inria.fr/inria-00071430}, pdf = {https://hal.inria.fr/file/index/docid/71430/filename/RR-5153.pdf}, ps = {https://hal.inria.fr/docs/00/07/14/30/PS/RR-5153.ps}, keyword = {Radar a Ouverture Synthetique (SAR), Gaussiennes generalisees} } Résumé : En télédetection, un problème important est celui de développer des modèles précis pour representer les statistiques des intensités des pixels. En ce qui concerne les données du type Radar à Synthèse d'Ouverture (RSO), cette modélisation constitue un point capital pour la classification ou le débruitage d'une image, par exemple. Dans ce rapport de recherche, une nouvelle méthode d'estimation paramétrique pour les amplitudes d'images RSO est proposée. Elle tient compte de la nature physique des phénomènes de diffusion qui générent une image RSO en adoptant une modèle de gaussiennes generalisées pour les phénomènes de rétrodiffusion. Une expression, sous forme explicite, de la densité de probabilité de l'amplitude est obtenue et un algorithme spécifique d'estimation des paramètres est proposé afin de pouvoir utiliser le modèle proposé. Une mèthode récente fondée sur les «logs-cumulants» est appliquée, dérivant de l'utilisation d'une transformée de Mellin (à la place de la transformée de Fourier usuelle) dans le calcul des fonctions caractéristiques et de la généralisation des concepts de moment et de cumulant correspondante. Les estimées obtenues par la mèthode des log-cumulants pour le modèle d'amplitude fondé sur des gaussiennes généralisées se révelent être calculables numériquement et également consistantes. Dans ce rapport de recherche, l'approche paramètrique proposée est validée sur diverses images radar RSO (ERS, XSAR, ESAR et des radar aéroportés). Les résultats expérimentaux montrent que la mèthode proposée modèlise mieux la densité de probabilité de l'amplitude que beaucoup de modèles paramétriques proposés précédemment pour les phénomènes de rétrodiffusion. Abstract : In the context of remotely sensed data analysis, an important problem is the development of accurate models for the statistics of the pixel intensities. Focusing on Synthetic Aperture Radar (SAR) data, this modelling process turns out to be a crucial task, for instance, for classification or for denoising purposes. In the present report, an innovative parametric estimation methodology for SAR amplitude data is proposed, which takes into account the physical nature of the scattering phenomena generating a SAR image by adopting a generalized Gaussian (GG) model for the backscattering phenomena. A closed form expression for the corresponding amplitude probability density function (PDF) is derived and a specific parameter estimation algorithm is developed in order to deal with the proposed model. Specifically, the recently proposed «method-of-log-cumulants» (MoLC) is applied, which stems from the adoption of the Mellin transform (instead of the usual Fourier transform) in the computation of characteristic functions, and from the corresponding generalization of the concepts of moment and of cumulant. For the developed GG-based amplitude model, the resulting MoLC estimates turn out to be numerically feasible and are also proved to be consistent. The proposed parametric approach is validated using several real ERS-1, XSAR, ESAR and airborne SAR images and the experimental results prove that the method models the amplitude probability density function better than several previously proposed parametric models for the backscattering phenomena.

4 - Dictionary-based Stochastic Expectation-Maximization for SAR amplitude probability density function estimation. G. Moser et J. Zerubia et S.B. Serpico. Rapport de Recherche 5154, INRIA, France, mars 2004. Mots-clés : Radar a Ouverture Synthetique (SAR), EM Stochastique (SEM), Modeles de melange fini. @TECHREPORT{5154, author = {Moser, G. and Zerubia, J. and Serpico, S.B.}, title = {Dictionary-based Stochastic Expectation-Maximization for SAR amplitude probability density function estimation}, year = {2004}, month = {mars}, institution = {INRIA}, type = {Research Report}, number = {5154}, address = {France}, url = {https://hal.inria.fr/inria-00071429}, pdf = {https://hal.inria.fr/file/index/docid/71429/filename/RR-5154.pdf}, ps = {https://hal.inria.fr/docs/00/07/14/29/PS/RR-5154.ps}, keyword = {Radar a Ouverture Synthetique (SAR), EM Stochastique (SEM), Modeles de melange fini} } Résumé : En télédetection, un problème vital est le besoin de développer des modèles précis pour représenter les statistiques des intensités des images. Dans ce rapport de recherche, nous traitons le problème de l'estimation de la densité de probabilité de l'amplitude d'une image de type Radar à Synthèse d'Ouverture (RSO). Plusieurs modèles théoriques ou heuristiques, ultilisés pour représenter l'amplitude d'un signal du type RSO, ont été proposés dans la littérature et ce sont révelés être efficaces pour différentes types de classes dans le contexte des cartes d'occupation des sols, rendant ainsi difficile le choix d'une seule densité de probabilité paramétrique. Dans ce rapport de recherche, un algorithme d'estimation innovant est proposé, se fondant sur un modèle de mélange fini pour la densité de probabilité de l'amplitude, les diverses composantes du mélange appartenant à un dictionnaire specifique. La mèthode proposée dans ce rapport intégre, de fa on automatique, les procédures de sélection d'un modèle optimal pour chaque composante, d'estimation de paramètres et d'optimisation du nombre de composantes, en combinant un algorithme EM stochastique et la méthode des logs-cumulants pour l'estimation de la densité de probabilité paramètrique. Des resultats expérimentaux sur plusieurs images RSO réelles sont présentés, montrant ainsi que la mèthode proposée est suffisamment précise pour modéliser les statistiques du signal d'amplitude radar de type RSO. Abstract : In the context of remotely sensed data analysis, a crucial problem is represented by the need to develop accurate models for the statistics of the pixel intensities. In the current research report, we address the problem of parametric probability density function (PDF) estimation in the context of Synthetic Aperture Radar (SAR) amplitude data analysis. Specifically, several theoretical and heuristic models for the PDFs of SAR data have been proposed in the literature, and have been proved to be effective for different land-cover typologies, thus making the choice of a single optimal SAR parametric PDF a hard task. In thia report, an innovative estimation algorithm is proposed, which addresses this problem by adopting a finite mixture model (FMM) for the amplitude PDF, with mixture components belonging to a given dictionary of SAR-specific PDFs. The proposed method automatically integrates the procedures of selection of the optimal model for each component, of parameter estimation, and of optimization of the number of components, by combining the Stochastic Expectation Maximization (SEM) iterative methodology and the recently proposed «method-of-log-cumulants» (MoLC) for parametric PDF estimation for non-negative random variables. Experimental results on several real SAR images are presented, showing the proposed method is accurately modelling the statistics of SAR amplitude data.

5 - Image Decomposition : Application to Textured Images and SAR Images. J.F. Aujol et G. Aubert et L. Blanc-Féraud et A. Chambolle. Rapport de Recherche 4704, INRIA, France, janvier 2003. Mots-clés : Variation totale, Espace Variations Bornees, Texture, Classification, Restauration, Radar a Ouverture Synthetique (SAR). @TECHREPORT{4704, author = {Aujol, J.F. and Aubert, G. and Blanc-Féraud, L. and Chambolle, A.}, title = {Image Decomposition : Application to Textured Images and SAR Images}, year = {2003}, month = {janvier}, institution = {INRIA}, type = {Research Report}, number = {4704}, address = {France}, url = {https://hal.inria.fr/inria-00071882}, pdf = {https://hal.inria.fr/file/index/docid/71882/filename/RR-4704.pdf}, ps = {https://hal.inria.fr/docs/00/07/18/82/PS/RR-4704.ps}, keyword = {Variation totale, Espace Variations Bornees, Texture, Classification, Restauration, Radar a Ouverture Synthetique (SAR)} } Résumé : Dans ce rapport, nous présentons un nouvel algorithme pour décomposer une imagef en u+v, u étant à variation bornée, et v contenant les textures et le bruit de l'image originale. Nous introduisons une fonctionnelle adaptée à ce problème. Le minimum de cette fonctionnelle correspond à la décomposition cherchée de l'image. Le calcul de ce minimum se fait par minimisation successive par rapport à chacune des variables, chaque minimisati- on étant réalisée à l'aide d'un algorithme de projection. Nous faisons l'étude théorique de notre modèle, et nous présentons des résultats numériques. D'une part, nous montrons comment la composante v peut être utilisée pour faire de la classification d'images texturées, et d'autre part nous montrons comment la composante u peut être utilisée en restauration d'images SAR. Abstract : In this report, we present a new algorithm to split an image f into a component u belonging to BV and a component v made of textures and noise of the initial image. We introduce a functional adapted to this problem. The minimum of this functional corresponds to the image decomposition we want to get. We compute this minimum by minimizing successively our functional with respect to u and v. We carry out the mathematical study of our algorithm. We present some numerical results. On the one hand, we show how the v component can be used to classify textured images, and on the other hand, we show how the u component can be used in SAR image restoration.

6 - Mathematical Statement to one Dimensional Phase Unwrapping : a Variational Approach. C. Lacombe et G. Aubert et L. Blanc-Féraud. Rapport de Recherche 4521, Inria, France, juillet 2002. Mots-clés : Espaces de Sobolev, Espace Variations Bornees, Radar a Ouverture Synthetique (SAR), Interferometrie, Deroulement de phases. @TECHREPORT{4521, author = {Lacombe, C. and Aubert, G. and Blanc-Féraud, L.}, title = {Mathematical Statement to one Dimensional Phase Unwrapping : a Variational Approach}, year = {2002}, month = {juillet}, institution = {Inria}, type = {Research Report}, number = {4521}, address = {France}, url = {https://hal.inria.fr/inria-00072067}, pdf = {https://hal.inria.fr/file/index/docid/72067/filename/RR-4521.pdf}, ps = {https://hal.inria.fr/docs/00/07/20/67/PS/RR-4521.ps}, keyword = {Espaces de Sobolev, Espace Variations Bornees, Radar a Ouverture Synthetique (SAR), Interferometrie, Deroulement de phases} } Résumé : Beaucoup d'alogorithmes de déroulement de phase ont été développés et formulés dans le domaine discret durant ces dix dernières années. Nous proposons ici, une formulation variationnelle pour résoudre le problème. Cette étude dans le domaine continu va nous permettre d'imposer quelques contraintes sur la régularité de la solution et de les implémenter efficacement. Cette méthode est présentée dans le cas unidimensionnel, et servira de base pour nos développement futurs pour le cas réel en 2D. Abstract : Over the past ten years, many phase unwrapping algorithms have been developed and formulated in a discrete setting. Here we propose a variational formulatio- n to solve the problem. This continuous framework will allow us to impose some constraints on the smoothness of the solution and to implement them efficiently. This method is presented in the one dimensional case, and will serve as a basis for future developments in the real 2D case.

haut de la page

affichage : 10 par page | 20 par page | 50 par page

Ces pages sont générées par