Analyse multiéchelle d'images radar application au filtrage, à la classification et à la fusion d'images radar et optiques

Abstract

Les images radar sont perturbées par un bruit multiplicatif (chatoiement) réduisant sensiblement la résolution radiométrique des cibles homogènes étendues. Le but de cette thèse est d'étudier l'apport de l'analyse multiéchelle, plus particulièrement de la transformée en ondelettes, dans le problème de la réduction du chatoiement et de la classification non dirigée des images radar. Dans le cadre de la transformée en ondelettes stationnaire, garantissant l'invariance par translation de la représentation, les techniques usuelles de filtrage adaptatif sont étendues au domaine multiéchelle. Nous proposons de prendre en compte les spécificités statistiques de l'image radar (modèle multiplicatif, loi K) afin de séparer les coefficients d'ondelettes engendrés par le bruit seul de ceux engendrés par les structures significatives de l'image. Le système de distribution de Pearson est appliqué afin de modéliser la distribution de probabilités des coefficients d'ondelettes. Lorsque l'intensité observée obéit à une loi K, le système de Pearson conduit à une loi de type IV (loi Beta complexe). Le type IV de Pearson est mis en oeuvre dans une pondération de type MAP (Maximum A Posteriori). L'influence de la corrélation du chatoiement sur les moments d'ordre supérieur est ensuite évaluée quantitativement à partir d'une modélisation MA ("Moving Average") de l'image radar corrélée.Les résultats obtenus sur un ensemble d'images artificielles montrent que l'approche multiéchelle permet d'atteindre un meilleur compromis entre préservation des détails et lissage des régions homogènes par rapport aux méthodes de filtrage traditionnelles. En classification, la représentation multiéchelle permet de faire fluctuer le compromis précision spatiale/incertitude radiométrique. La théorie des croyances fournit un cadre théorique afin de manipuler les notions d'incertitude et d'imprécision. Nous proposons de combiner directement les décisions multiéchelles par la règle de Dempster en intégrant l'énergie locale des coefficients d'ondelettes comme degré de fiabilité. L'information ainsi fusionnée est ensuite utilisée comme champ de Markov"évidentiel" dans un algorithme de relaxation stochastique (MPM). L'intégration de l'information multiéchelle améliore les résultats de l'algorithme MPM. La méthode proposée est ensuite étendue à un domaine multisource où l'image radar, plus incertaine, est intégrée à la classification de l'image optique via un champ de Markov"évidentiel" multiéchelle.