estimationdelongueurde naviresparimagerierso · 2.5 algorithme de segmentation des navires [mt11]...

Version initiale : J. Habonneau, creation le 1er septembre 2011Tuteurs : N. Longepe, ingenieur R&D

G. Hajduch, Chef du departement SSDF. Maussang, Maıtre de conferences

Estimation de longueur denavires par imagerie RSO

Stage de fin d’etudes - Master SISEA ImageVersion : 1.0 Septembre 2011Periode de stage : Mars - Septembre 2011Diffusion : Ecole - CLS/DAR/SSD

2

Remerciements

En premier lieu, je tiens a remercier Vincent KERBAOL de m’avoir accueilli ausein de Collecte Localisation Satellites, dans la division Radar, situe a Brest.

Je remercie Nicolas LONGEPE et Guillaume HAJDUCH, mes tuteurs dans l’en-treprise, pour m’avoir suivi et guide tout au long du stage de fin d’etudes.

Ayant passe le stage dans une ambiance excellente, je tiens a remercier egalementtous mes collegues et plus particulierement, Nicolas stagiaire et collegue de bureau.

Resume

Dans ce stage de fin d’etudes, nous nous interessons a l’estimation de longueur desnavires detectes sur les images satellitaires issues de radars a synthese d’ouverture(RSO). En effet, la longueur est le principal parametre d’interet pour l’identificationet la classification des navires.

L’objectif du stage est d’ameliorer les performances de SARTool, logiciel devisualisation et d’extraction d’informations des images satellitaires de la divisionRadar de CLS.

Nous proposons differentes solutions dans cette demarche de controle qualite :– de nouvelles techniques de traitement d’images pour segmenter les navires,– un nouvel algorithme d’estimation de longueurs apres segmentation,– une approche radiometrique d’estimation de longueur,– un cadre theorique pour fusionner ces deux approches.Les images satellitaires etudiees proviennent de quatre capteurs (Envisat ASAR,

Radarsat 1 et 2 et Cosmo Skymed) en moyenne (75, 50 et 25 m) et haute resolutions( 6.5, 11 et 12.5 m). Les estimations de longueurs sont confrontees a une veriteterrain grace au syteme AIS.

Mots clefs : detection de navires, radar a synthese d’ouverture, longueur desnavires, imagerie satellitaire RSO, segmentation, fusion d’information, AIS.

Abstract

In this internship placement, we focus our study on estimating ship’s length onspaceborne Synthetic Aperture Radar (SAR) images. In fact, length is the mainparameter of interest to identify or to classify ships.

The internship’s goal is to improve the performances of the SARTool Ship mod-ule. SARTool is the CLS software for SAR data visualization and comprises 4 mod-ules dedicated to SARTool: Ship, Oil, Wind and Wave, and Doppler informationextraction.

We propose several solutions to improve the SARTool Ship module:

– new image processing algorithms to segment ships on SAR images,– a new algorithm to estimate the ship’s length after the segmentation process,– a radiometric approach to estimate the ship’s length for medium resolution

images,– a theoretical framework to combine the two estimations for medium resolution

images.

Satellite images are provided by four sensors (Envisat ASAR, Radarsat 1 and 2and Cosmo Skymed) at middle (75, 50 et 25 m) and high resolutions ( 6.5, 11 et12.5 m). Length’s estimations are compared to a truth ground thanks to the AISSystem.

Keywords: Ship detection, Synthetic Aperture Radar, Ship’s length, SAR satel-lite imagery, segmentation, information fusion, AIS.

Table des matieres

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1 Etat de l’art sur la detection de navires 11

1.1 Imagerie satellitaire par radar a synthese d’ouverture . . . . . . . . 11

1.2 Capteurs d’imagerie radar satellitaires . . . . . . . . . . . . . . . . 13

1.3 Imagerie satellitaire RSO de l’ocean . . . . . . . . . . . . . . . . . 14

1.4 Imagerie satellitaire RSO du navire . . . . . . . . . . . . . . . . . . 16

2 Estimation de longueur des navires 21

2.1 Segmentation des navires . . . . . . . . . . . . . . . . . . . . . . . 21

2.1.1 Algorithme actuel de SARTool . . . . . . . . . . . . . . . . 21

2.1.2 Images moyenne resolution . . . . . . . . . . . . . . . . . . 21

2.1.3 Images haute resolution . . . . . . . . . . . . . . . . . . . . 25

2.2 Approche empirique . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.3 Estimation de la longueur apres segmentation . . . . . . . . . . . . 30

2.4 Fusion des deux approches . . . . . . . . . . . . . . . . . . . . . . 32

3 Resultats 39

3.1 Images a moyenne resolution . . . . . . . . . . . . . . . . . . . . . 39

3.2 Images a haute resolution . . . . . . . . . . . . . . . . . . . . . . . 44

Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

A Capteurs satellitaires RSO 53

B Variabilites des methodes d’estimations 55

C Utilisation de la super resolution 59

Bibliographie 63

3

4 TABLE DES MATIERES

Table des figures

1.1 Principe de la synthese d’ouverture pour un capteur radar aeroporte. 11

1.2 Image radar satellitaire au large de la Bretagne . . . . . . . . . . . 12

1.3 Images RSO avec et sans ambiguites. . . . . . . . . . . . . . . . . . 13

1.4 Capteur Envisat . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

1.5 Image RSO ou la houle est visible au large d’Ouessant. . . . . . . . 15

1.6 Image RSO ou des tourbillons sont visibles. . . . . . . . . . . . . . 15

1.7 Zoom sur un navire detecte sur une image RSO ASAR WSM deresolution 150m . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1.8 Fenetre du Detecteur a seuil adaptatif . . . . . . . . . . . . . . . . 18

1.9 Sillage d’un navire sur une image RSO . . . . . . . . . . . . . . . . 19

2.1 Representation dans l’espace moyenne-variance. . . . . . . . . . . . 22

2.2 Principe de repartition des pixels des contours externe et interne. . . 24

2.3 Segmentation par contours actifs rapides . . . . . . . . . . . . . . . 24

2.4 Differentes etapes de l’algorithme de detection de contour sur imageSAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.5 Algorithme de segmentation des navires [MT11]. . . . . . . . . . . 28

2.6 Elimination des superstructures pour 3 exemples : segmentation ini-tiale en haut et suppression des superstructures en bas. . . . . . . . 28

2.7 Algorithme de segmentation des navires des images SAR en hauteresolution. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.8 Exemple de relation empirique entre section efficace et longueur . . 31

2.9 Principe de l’algorithme des compas rotatifs [Tou83] . . . . . . . . 31

2.10 Comparaison entre l’estimation actuelle dans SARTool, et celle obtenueavec l’approche du rectangle d’aire minimale sur des donnees ASARWSM polarisation VV. . . . . . . . . . . . . . . . . . . . . . . . . 33

2.11 Schema montrant le mecanisme de fusion des deux methodes . . . . 34

2.12 Distribution de possibilites trapezoidale avec ses parametres. . . . . 34

2.13 Distributions de possibilites pour une detection de bateaux sur uneimage SAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.14 Distributions de possibilites pour une detection de bateaux sur uneimage SAR avec une indetermination apres la fusion . . . . . . . . . 36

5

6 TABLE DES FIGURES

3.1 Comparaison entre histogrammes (bins de 15 m x 15 m) des esti-mations de SARTool et de fusion sur les donnees ASAR WSM enpolarisation VV (6447 navires). . . . . . . . . . . . . . . . . . . . . 41

3.2 Comparaison entre histogrammes (bins de 15 m x 15 m) des esti-mations de SARTool et de fusion sur les donnees ASAR WSM enpolarisation HH (762 navires). . . . . . . . . . . . . . . . . . . . . 41

3.3 Comparaison entre histogrammes (bins de 15 m x 15 m) des esti-mations de SARTool et de fusion sur les donnees ASAR IMM enpolarisation HH (245 navires). . . . . . . . . . . . . . . . . . . . . 42

3.4 Comparaison entre histogrammes (bins de 10 m x 10 m) des esti-mations de SARTool et de fusion sur les donnees CSK HR en polar-isation HH (201 navires). . . . . . . . . . . . . . . . . . . . . . . . 43

3.5 Comparaison entre histogrammes (bins de 10 m x 10 m) des es-timations de SARTool et de fusion sur les donnees RS2 SCNA enpolarisation HH (324 navires). . . . . . . . . . . . . . . . . . . . . 43

3.6 Comparaison entre l’estimation actuelle dans SARTool et celle obtenueavec la nouvelle segmentation sur des donnees ASA IMP en polari-sation HH sur 140 navires. . . . . . . . . . . . . . . . . . . . . . . 46

3.7 Comparaison entre l’estimation actuelle dans SARTool et celle obtenueavec la nouvelle segmentation sur des donnees RS1 Wide en polari-sation HH sur 65 navires. . . . . . . . . . . . . . . . . . . . . . . . 47

3.8 Comparaison entre l’estimation actuelle dans SARTool et celle obtenueavec la nouvelle segmentation sur des donnees RS2 Fine en polari-sation HH sur 11 navires. . . . . . . . . . . . . . . . . . . . . . . . 48

3.9 Comparaison entre l’estimation actuelle dans SARTool et celle obtenueavec la nouvelle segmentation sur des donnees RS2 Multilook Fineen polarisation HH sur 36 navires. . . . . . . . . . . . . . . . . . . 49

B.1 Variabilites des deux methodes d’estimations suivant les modes descapteurs, en moyenne resolution. . . . . . . . . . . . . . . . . . . . 55

Liste des tableaux

1.1 Taille du pixel suivant les capteurs en moyenne resolution. . . . . . 13

1.2 Taille du pixel suivant les capteurs en haute resolution. . . . . . . . 14

2.1 Taille de la fenetre pour le pretraitement, a savoir le filtrage de Lee,suivant le type d’images. . . . . . . . . . . . . . . . . . . . . . . . 26

2.2 Taille de la fenetre glissante pour la carte detectrice de bord suivantle type d’images. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.3 Valeurs des coefficients ai pour les differents capteurs en moyenneresolution. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.1 Caracteristiques des apprentissages pour les modes etudies. . . . . . 39

3.2 Biais (en m) des differentes estimations de longueurs suivant lescapteurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.3 Correlation des differentes estimations de longueurs suivant les cap-teurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.4 Erreur quadratique moyenne (en m) des differentes estimations delongueurs suivant les capteurs. . . . . . . . . . . . . . . . . . . . . 40

3.5 Biais (en m) des differentes estimations de longueurs suivant lescapteurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.6 Correlation des differentes estimations de longueurs suivant les cap-teurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.7 Erreur quadratique moyenne (en m) des differentes estimations delongueurs suivant les capteurs. . . . . . . . . . . . . . . . . . . . . 45

A.1 Caracteristiques des modes d’imageries de RADARSAT-2 etudies. . 54

B.1 Variabilite (en m) selon l’intervalle et la methode d’estimation delongueurs sur les donnees ASAR WSM VV. . . . . . . . . . . . . . 56

B.2 Variabilite (en m) selon l’intervalle et la methode d’estimation delongueurs sur les donnees ASAR WSM HH. . . . . . . . . . . . . . 56

B.3 Variabilite (en m) selon l’intervalle et la methode d’estimation delongueurs sur les donnees ASA IMM HH. . . . . . . . . . . . . . . 56

B.4 Variabilite (en m) selon l’intervalle et la methode d’estimation delongueurs sur les donnees CSK HR HH. . . . . . . . . . . . . . . . 57

7

8 LISTE DES TABLEAUX

B.5 Variabilite (en m) selon l’intervalle et la methode d’estimation delongueurs sur les donnees RS2 SCNA HH. . . . . . . . . . . . . . . 57

Introduction

Avec la mediatisation des catastrophes petrolieres dans les annees 2000, l’UnionEuropeenne decide de passer du concept de securite maritime a celui de surveillancemaritime. La surveillance maritime est une mission transverse qui comprend : lasecurite et la surete de la navigation, la surveillance des peches, le controle del’immigration clandestine, le controle des traffics illicites et le suivi des pollutions.

Pour surveiller le traffic maritime, il faut etre capable d’identifier les navires 24hsur 24 dans toutes les conditions. L’imagerie satellite radar haute resolutionoffre, aujourd’hui, un potentiel considerable dans le domaine de l’observationet la surveillance de l’environnement marin.

Ce potentiel existe tant a travers la diversite des informations qu’il est possi-ble d’en extraire qu’a l’opportunite unique d’obtenir de telles informations dans ledomaine du proche cotier avec des resolutions spatiales inegalees, quelque soit lanebulosite, de jour comme de nuit.

BOOST Technologies, start-up issue de Telecom Bretagne, pionniere dans l’im-agerie satellitaire radar, a developpe le logiciel SARTool, qui permet d’extrairedes informations sur les navires detectes. Depuis, elle a ete integree dans CLS,filiale du CNES et de l’IFREMER, en devenant sa division des applications radar.

Une demarche de controle qualite et d’innovation est mise en oeuvre par CLSafin de valider, calibrer et ameliorer les performances des algorithmes de detectionde navires.

L’objectif du stage consiste a ameliorer les performances de SARTool quanta l’estimation de longueur de navire sur des images satellitaires radar a haute etmoyenne resolutions. Les images a haute resolution sont des images qui permettentde zoomer sur une zone donnee tandis que les images en moyenne resolution offrentune plus grande couverture.

Quelle que soit la resolution de l’image radar satellitaire, la longueur representele principal parametre d’interet pour retrouver le type du navire et eventuellementl’identifier.

Les resultats de cette etude sont evalues grace a une verite terrainobtenue par l’Automatic Identification System (AIS). L’AIS est un systemeanti-collision fonde sur l’echange automatise de messages entre navires qui per-met, aux navires et aux systemes de surveillance de trafic, de connaıtre l’identite etd’autres parametres d’un navire naviguant dans la meme zone. Ce systeme peut etreecoute depuis les cotes ou depuis l’espace. Actuellement, CLS dispose de donneesde balises AIS cotieres. L’AIS cotier a ses limites :

– la couverture des emetteurs est d’environ 25 nautiques,– certains navires se deconnectent volontairement.

Les navires de plaisance ne sont pas obliges reglementairement de l’utiliser. L’interetd’identifier la longueur d’un navire sur une image satellitaire s’en trouve accru.

Le chapitre 1 commence par un etat de l’art sur la detection de navires parimagerie SAR satellitaire. Ensuite, le chapitre 2 introduit les nouveaux algorithmesde traitement d’images qui ont ete implementes et compares aux performances deSARTool durant le stage. Les resultats des correlations entre les longueurs SAR etAIS sont exposes dans le chapitre 3.

10 LISTE DES TABLEAUX

Chapitre 1

Etat de l’art sur la detectionde navires

Dans ce chapitre, des notions sur l’imagerie SAR satellitaire sont introduites afinde mieux comprendre le mecanisme de detection de navires a partir de ces images.

1.1 Imagerie satellitaire par radar a synthese d’ou-verture

L’imagerie Radar par Synthese d’Ouverture (RSO ou SAR : Synthetic ApertureRadar) forme une image representative de la reflectivite electromagnetique de lascene d’observation. La reflectivite s’exprime avec la surface equivalente radar (SERou RCS : Radar Cross Section). En pratique, la section efficace radar est utiliseepour des cibles ponctuelles tandis que la section efficace radar normalisee est utiliseepour des cibles etendues (surfaces).

L’imagerie SAR utilise le principe de la synthese d’ouverture pour simuler unelongueur d’antenne plus grande (cf Figure 1.1). Les radars a ouverture d’antenne

Figure 1.1 – Principe de la synthese d’ouverture pour un capteur radar aeroporte.

reelle (RAR : Real Aperture Radar) ne peuvent fournir une resolution fine pourbeaucoup d’applications de teledetection car il est encombrant de transporter uneantenne tres longue. Pour resoudre ce probleme, les radars a synthese d’ouverture

11

12 CHAPITRE 1. ETAT DE L’ART SUR LA DETECTION DE NAVIRES

(RSO) ont ete mis au point. Ils ont une antenne physiquement plus courte, qui simuleou synthetise une tres longue antenne grace a des techniques d’enregistrement dedonnees et de traitement de signal 1.

Le principal avantage de l’imagerie RSO satellitaire sur d’autres capteurs deteledetection est qu’elle permet d’avoir une bonne resolution a la fois en azimut eten distance. Elle autorise egalement une surveillance de zones de l’ordre de 100 km,quelque soit la nebulosite, de jour comme de nuit.

Pour la surveillance maritime, un compromis doit etre trouve entre la resolutionet la couverture de la zone. De hautes resolutions autorisent la detection de naviresplus petits mais impliquent des largeurs de fauchee etroites et des temps de revisiteplus longs. Ainsi, la resolution la plus fine n’est pas forcement la plus pertinente.Le choix de la resolution depend du type de cible que l’on veut detecter (petitsnavires, gros cargos....). Par exemple dans le cadre de la surveillance maritime, uncompromis doit etre trouve si on veut a la fois detecter les pollutions et les navires.

(a) Image radar au large de la bretagne (b) Zoom sur la pollution

Figure 1.2 – Image radar satellitaire de l’ocean au large de la Bretagne. Les points brillantssur l’eau correspondent aux echos des navires. Une nappe de petrole sombre orienteediagonalement se trouve au milieu de l’image.

D’autres parametres peuvent etre pertinents comme le nombre de vues, la tailledes pixels, le temps de revisite lie a l’altitude nominale du satellite et son inclinaison.

Les algorithmes de detection de cibles sur imagerie RSO doivent prendre encompte les proprietes de l’imagerie, et des cibles que l’on veut detecter. Generalement,les parametres les plus importants sont :

– la resolution,– l’angle d’incidence,– la polarisation,– la frequence du radar.L’imagerie RSO satellitaire ou aeroportee a des proprietes particulieres dues a

la geometrie de la prise de vue et des phenomenes physiques mis en jeux. Parmi lesplus notables :

– le bruit de type � speckle �,– le deplacement en azimut,– la defocalisation azimutale,– les ombres radar.

1. La synthese d’ouverture correspond au traitement en azimut. Le deplacement du porteurengendre une modulation en frequence du signal recu. Apres traitement en distance, un filtrageadapte est utilise pour localiser precisement les reflecteurs dans l’axe azimutal.

1.2. CAPTEURS D’IMAGERIE RADAR SATELLITAIRES 13

La qualite des images RSO satellitaires doit egalement etre prise en consideration.Celle-ci peut dependre d’un grand nombres de parametres :

– la precision radiometrique,– la precision polarimetrique,– les interferences radio...

Des ambiguıtes peuvent apparaıtre. Elles peuvent correspondre a des repliques decaracteristiques reelles de l’image mais deplacees en azimut (cf Figure 1.3). Afin dene pas perturber la detection de cibles, il est necessaire de supprimer ces ambiguıtes[HKL].

(a) Avec ambiguites (b) Sans ambiguites

Figure 1.3 – Images RSO avec et sans ambiguites.

1.2 Capteurs d’imagerie radar satellitaires

De nombreux systemes d’imagerie RSO satellitaires existent actuellement. Dansle cadre du stage, les donnees issues de quatre capteurs sont utilisees :

– Envisat (Standard Product),– Cosmo Sky Med,– RadarSat-2,– RadarSat-1.

Dans le cadre de notre etude, la taille des pixels est un parametre primordialpour estimer la longueur du navire apres l’avoir detecte.

Mode du capteur Taille du pixel (en m)ASA WSM VV 75ASA WSM HH 75ASA IMM HH 75CSK HR HH 50

RS2 SCNA HH 25

Table 1.1 – Taille du pixel suivant les capteurs en moyenne resolution.


Mode du capteur Taille du pixel (en m)ASA IMP HH 12.5RS1 Wide HH 12.5

RS2 Multilook Fine HH 6.25RS2 Fine HH 11

Table 1.2 – Taille du pixel suivant les capteurs en haute resolution.

L’annexe A recense les differents modes et caracteristiques de ces quatre cap-teurs.

Figure 1.4 – Capteur Envisat

1.3 Imagerie satellitaire RSO de l’ocean

L’eau possede une constante dielectrique elevee. Ainsi, elle reflechit les micro-ondes fortement. L’imagerie satellitaire RSO, en tant que capteur de teledetectionactif, enregistre les details de la surface de l’ocean grace a cette retrodiffusion.

Les mecanismes de retro-propagation des ondes electro-magnetiques varient enfonction de l’angle d’incidence :

– la resonance de Bragg pour des angles de plus de 20 degrees,– une reflexion speculaire pour des angles en dessous de 20 degrees.Il est possible de retrouver les conditions de vent grace a l’imagerie RSO. En

effet, le champ de vent pres de la surface a un effet sur la surface de l’eau encreant des ondulations (les vagues de capillarites). De forts vents augmentent lesamplitudes des vagues a l’origine de la retrodiffusion de Bragg augmentant ainsi lasection efficace radar.

La houle est egalement visible sur les images radar (cf Figure 1.5).

D’autres phenomenes meteorologiques ou oceaniques sont visibles sur les imagesRSO :

– les fronts atmospheriques ou oceaniques,– les courants oceaniques et des tourbillons (cf Figure 1.6),– les nappes de petroles,– les glaces...Ils peuvent tous provoquer l’apparition de fausses alarmes. Par exemple, sous

de faibles vents, la section efficace radar varie beaucoup, ce qui peut provoquer

1.3. IMAGERIE SATELLITAIRE RSO DE L’OCEAN 15

Figure 1.5 – Image RSO ou la houle est visible au large d’Ouessant.

Figure 1.6 – Image RSO ou des tourbillons sont visibles.


l’apparition de points brillants qui ne correspondent en aucun cas a un navire [Haj07].La section efficace radar varie egalement en fonction de l’angle d’incidence et de lafrequence du radar.

Extraire les parametres sur les conditions meteo-oceaniques est donc primordialpour la detection de navires car cela permet de mesurer leurs influences sur lesalgorithmes de detection.

1.4 Imagerie satellitaire RSO du navire

Generalement, les navires sont construits a partir de grandes pieces metalliques.Sur une image radar SAR, ils vont donc correspondre a des taches brillantes puisquel’onde electromagnetique va etre reflechie fortement. Ce phenomene autorise leurdetection (cf Figure 1.7).

Figure 1.7 – Zoom sur un navire detecte sur une image RSO ASAR WSM de resolution150m

Le sillage genere par le navire est egalement un autre moyen de les detecter.En pratique, on utilise ces deux moyens pour detecter les navires et obtenir desparametres d’interet tels que la longueur, la route et la vitesse du navire.

Imagerie des navires

De nombreux mecanismes de propagations ont lieu au niveau de la surface dunavire : reflexion directe pour des zones perpendiculaires a l’onde electro-magnetiqueincidente, effets de coin et reflexions multiples.

De plus, d’autres facteurs influencent ces mecanismes : des materiaux de differentesproprietes electromagnetiques, les superstructures, les angles d’incidence, la polari-sation et la frequence du radar.

Les mouvements du bateaux tels que le roulis ou le tangage peuvent induire unedefocalisation (en azimut) qui tend a etaler l’energie renvoyee et donc diminuer lecontraste dans la zone du navire.

La retrodiffusion radar est la somme coherente des reponses , i-e la phase est priseen compte, de chaque diffuseur elementaire present dans la cellule de resolution.L’addition coherente des ondes produit un phenomene d’interference a la base du“speckle” (chatoiement).

De par la complexite et le nombre de facteurs influencant leurs retrodiffusions,il existe peu de modeles de retrodiffusion a la surface d’un navire [Cri04] :

– Un modele de cible circulaire a processus gaussien complexe [LBS+98],

1.4. IMAGERIE SATELLITAIRE RSO DU NAVIRE 17

– un modele de bulle gaussienne [GS00].Toutefois, Ferrando et al. [RFJ93] ont developpe un outil numerique, GRECOSAR,capable de simuler la signature SAR d’un navire en fonction du capteur et desconditions environnementales.

Un modele relie la section efficace radar au tonnage et a la longueur du bateau demaniere empirique sur des donnees Radarsat 2 [VTC+00]. Ce modele peut prendreegalement en compte l’angle d’incidence [AZ00] [VTC+00] :

σ = 0.08(0.78 + 0.11θ)L73 (1.1)

avec σ la section efficace radar, θ l’angle d’incidence et L la longueur du navire.L’absence de modelisation fiable impose de detecter les navires sur l’image radar,puis d’estimer la longueur par des algorithmes de traitement d’images.

La detection de navires consiste a rechercher des singularites dans l’imagerie del’ocean. Generalement, les hypotheses suivantes sont prises :

– les pixels sont le resultat de deux phenomenes statistiques : la retrodiffusiondu fouillis de mer ou les retrodiffusions du fouillis de mer et du bateau,

– les pixels du bateau sont plus lumineux que ceux du fouillis de mer environnant,– les proprietes statistiques du bateau sont estimees sur l’image de l’ocean.

L’algorithme de detection de navires, utilise par CLS, est detaille ci dessous.Quatre etapes classiques existent dans les algorithmes de detection de navires.Detaillons-les pour l’algorithme de SARTool [Haj07] :

Masque de Terre Le masque est obtenu en utilisant une base de donnees detrait de cote et en appliquant une zone tampon. Elle permet de s’affranchir desproblemes de geolocalisation des donnees radar en cours de traitement, du manquede precision eventuel de la base de donnees de trait de cote, ainsi que de l’estran.

Pre-traitement Des pre-traitements sont envisageables : filtrage du speckle (Lee),ou reduction de lobes secondaires (SVA : Spatialy Variable Apodization , ASR :Adaptative Sidelobe Reduction). Toutefois, ils ne sont pas ou pas encore implementes.Une calibration et des algorithmes de rehaussement facilitent l’etape suivante depre-visualisation.

Pre-visualisation Les algorithmes qui cherchent les pixels potentiellement de bateauxdans l’image font partie de l’etape de pre-visualisation. Generalement, ils disposentde parametres qui assurent un compromis entre fausse alarmes et detections manquees.

Les navires dans les images SAR sont caracterises par un pixel ou un groupede pixels qui sont tres lumineux par rapport a leurs voisinages. L’objectif de cetetape consiste donc a trouver des anomalies lumineuses dans le fouillis de mer. Enpratique, le fouillis de mer est decrit par une loi statistique (ici, gaussienne) et l’onrecherche les pixels aux valeurs brillantes, “anormales“ d’un point de vue statistique.

Les algorithmes a seuil adaptatif (par exemple, le detecteur CFAR : ConstantFalse Alarm Ratio) sont utilises afin de pouvoir discriminer le navire de son envi-ronnement.

L’estimation des parametres du fouillis de mer peut-etre effectuee soit :


Figure 1.8 – Fenetre du Detecteur a seuil adaptatif

– globalement sur l’image,– localement sur des zones etendues et supposees homogenes,– localement sur une fenetre glissante.L’utilisation d’une fenetre glissante semble etre la plus pertinente dans la mesure

ou elle permet de s’affranchir davantage des inhomogeneites de l’image. La fenetreglissante est en general constituee de trois zones : une zone centrale permettantde calculer une moyenne correspondant a la cible eventuelle, une zone de fondpour estimer les parametres du clutter (moyenne et variance), une zone de gardepermettant d’assurer qu’aucune partie de cible etendue n’est presente dans la zonede fond (cf Figure 1.8).

Differentes variantes d’algorithmes a seuil adaptatifs de type CFAR existent.

Discrimination Cette etape consiste a detecter a posteriori les fausses alarmestypiques liees aux caracteristiques instrumentales ou aux conditions meteo-oceaniques.Les principales fausses alarmes a discriminer sont :

– les ambiguıtes azimutales,– les ambiguıtes au nadir, a l’aplomb des satellites,– les zones de faibles vents.SARTool a un algorithme de discrimination qui permet de traiter ces trois types

d’ambiguites [HKL].

Estimation des parametres du navire Quatre parametres peuvent etre determinesa partir de la signature du navire sur l’image radar : sa taille, son orientation (etdonc la route du navire), son sillage (qui permet de retrouver sa vitesse), et enfinl’energie retrodiffusee (section efficace).

Imagerie de leurs sillages

Les sillages des bateaux sont egalement visibles sur les images radars (cf Figure1.9). Plusieurs composantes modulent le coefficient de retrodiffusion de l’ocean.Ainsi, les elements du sillage peuvent etre plus sombres ou plus lumineux que lasurface de l’ocean.

La question principale est de savoir dans quel ordre faire les deux detections.Pour de multiples raisons, la detection du navire est generalement realisee dans un

1.4. IMAGERIE SATELLITAIRE RSO DU NAVIRE 19

Figure 1.9 – Sillage d’un navire sur une image RSO

premier temps :– les bateaux a l’arret n’ont pas de sillages,– la retrodiffusion du bateau est robuste et independante de l’etat de mer,– le sillage depend des conditions meteo-oceaniques (etat de mer) et des routes

et vitesses du navires,– un bateau manoeuvrant a un sillage avec des formes variables,– les algorithmes de detection de sillage sont plus chronophages.Dans le cadre du stage, la detection de sillage ne sera pas etudiee. Le reste du

rapport aborde donc l’imagerie des navires, leurs segmentations et l’estimation delongueur.

Chapitre 2

Estimation de longueur desnavires

Dans ce chapitre, deux methodes d’estimation de longueur sont explicitees :l’approche “traitement d’images“ et l’approche radiometrique. La logique floue estintroduite pour tenter de diminuer l’imprecision des deux estimations.

Enfin, un nouvel algorithme d’estimation de longueur apres segmentation estpresente.

2.1 Segmentation des navires

2.1.1 Algorithme actuel de SARTool

L’algorithme utilise l’histogramme en niveaux de gris de l’imagette centree sur lenavire. Il cherche a detecter un changement de pente dans la densite de probabilitesde la distribution des niveaux de gris. Pour cela, un seuillage est effectue sur legradient de la densite de probabilites. Une ouverture morphologique est ensuiterealisee. L’element structurant est un cercle de rayon 3. Une approche region permetde supprimer les zones non connexes de la tache centrale en utilisant des criteresde taille et de moyenne de l’image.

Le principal inconvenient de cet algorithme est que l’element structurant necorrespond pas a la forme a priori du navire.

Les differents algorithmes de segmentation de l’image SAR du navire sont ex-plicites ci-dessous. Dans un premier temps, les images moyenne resolution (resolutionde l’ordre de 75 m) sont abordees puis, dans un second temps, les images hauteresolution (resolution de l’ordre de 10 m).

2.1.2 Images moyenne resolution

Interessons nous a des images a moyenne resolution ou il est difficile de s’af-franchir des limites du capteur.

Differents algorithmes ont ete teste :

21

22 CHAPITRE 2. ESTIMATION DE LONGUEUR DES NAVIRES

– detecteur de contours Canny-Deriche [Der87],– segmentation dans le plan moyenne-variance [Mau06],– contours actifs approche regions [Pro10],– contours actifs rapide (cf Figure 2.3) [SK08],– seuillage Polsar [LM05].Detaillons-les.

Algorithmes testes

Detecteur de contours de Canny-Deriche [Der87]

Une approche possible pour la detection de navires est d’essayer de detecterle contour du bateau. Un detecteur de type Canny-Deriche sur l’image SAR suivied’une ligne de partage des eaux a ete implemente (avec prise en compte ou non ducontour dans l’image binarisee). Un filtrage de Lee a ete realise au prealable poureliminer le speckle (sans le filtrage, la methode n’etait pas robuste).

Le resultat est peu correle avec la longueur du bateau. Il semble plus difficile dedetecter le contour du navire que le navire lui-meme sur les imagettes SAR.

Segmentation dans le plan moyenne-variance [Mau06]

Une fenetre glissante parcours l’imagette centree sur le navire. En chaque pixelde l’imagette, la moyenne et l’ecart type des pixels de la fenetre centree sur le pixelcourant sont calcules. De cette maniere, on obtient les coordonnes du pixel courantdans l’espace moyenne/ecart-type (cf Figure 2.1).

Figure 2.1 – Representation dans l’espace moyenne-variance.

Un seuillage dans l’espace moyenne/ecart-type permet une segmentation del’image SAR. L’automatisation de la segmentation se fonde sur un critere d’entropied’histogramme pour trouver le seuil. Toutefois, l’automatisation ne donne guere deresultats pertinents.

Contours actifs approche region [Pro10]

Une autre approche envisageable consiste a utiliser les methodes des contours ac-tifs (“snakes”) de type regions. Cela consiste a definir un contour initial puis a le faire

2.1. SEGMENTATION DES NAVIRES 23

evoluer en minimisant une fonctionnelle qui depend de deux termes energetiques,interieurs et exterieurs :

E = αEint + βEext (2.1)

L’energie interne Eint est liee aux caracteristiques de la courbe qui forme lecontour (regularite de la courbe). L’energie externe Eext est liee aux caracteristiquesde l’image. De maniere pratique, l’energie E est definie par des valeurs statistiques,moyenne m et nombre de pixels N, des deux regions, w et w :

E = −(Nwm2w +Nwm

2w +NBm

2B) (2.2)

et B l’ensemble de l’image.

Dans le cas des imagettes SAR de bateaux, le contour initial correspond au pixelle plus brillant (cas du petit bateau ne comprenant qu’un pixel).

Les differentes etapes de l’algorithme se resument de la maniere suivante :– wcurrent = w0, ou w0 est un pixel,– Calcul de E(wcurrent ),– Selection d’un noeud puis deplacement de ce noeud. wtest est obtenu.– Calcul de E(wtest ),– si E(wtest ) < E(wcurrent) alors wcurrent = wtest,– reiteration des trois etapes precedentes.Le deplacement du noeud est choisie de maniere aleatoire. Le critere d’arret est

un nombre d’iterations maximale.

En termes de resultats, l’energie definie reste enfermee dans un minimum local.Le contour est trop eloignee de la solution finale souhaitee.

Contours actifs rapide [SK08]

Deux listes de pixels sont definies : ceux des contours interne Lin et externe Lout

(cf Figure 2.2). Cet algorithme est plus rapide que les contours actifs classiques gracea l’utilisation de ces deux listes. En faisant evoluer les pixels d’une liste a l’autre,une fonctionnelle est minimisee. La fonction level set φ est definie de la manieresuivante :

φ(x) =

3, x est un point exterieur

1, x est dans Lout

−1, x est dans Lout

−3, x est un point exterieur

tandis que la fonction de vitesse F est definit en fonction de la courbure del’image. L’algorithme des contours actifs comprend differentes etapes

1. calcul des matrices initiales φ et F et des listes Lin et Lout

2. calcul de la fonction vitesse F pour tous les points de Lin et Lout. Stockagedu signe dans F

3. scan des deux listes Lin et Lout et mise a jour de :

evolution vers l’exterieur : scan sur Lout. Pour chaque point x de Lout, siF (x) > 0 alors x ∈ Lin


elimination des points redondants de Lin : scan sur Lin. Pour chaque pointx de Lin. Pout tout x ∈ Lin, si pour tout point du voisinage de x, φest negatif alors suppression de x de Lin et affectation de la valeur −3a φ(x).

evolution vers l’interieur : scan sur Lin. Pour chaque point x de Lin, siF (x) < 0 alors x ∈ Lout.

elimination des points redondants de Lout : scan sur Lout. Pour chaquepoint x de Lout. Pout tout x ∈ Lout, si pour tout point du voisinage dex, φ est negatif alors suppression de x de Lout et affectation de la valeur3 a φ(x).

4. si le critere d’arret n’est pas satisfait (nombre maximal d’iterations), retour al’etape 2.

Deux types de masques initiaux ont ete utilises en fonction de la taille de lasignature : un masque 3 ∗ 3 et un masque 5 ∗ 5. Initialement, un masque 5 ∗ 5 estdefini comme forme de base. Lorsque la segmentation converge vers une masque 3∗3,l’algorithme est relance avec un masque initial 3 ∗ 3 afin d’affiner la segmentation.

Figure 2.2 – Principe de repartition des pixels des contours externe et interne.

Figure 2.3 – Segmentation par contours actifs rapides avec un masque 3x3 sur une imageASAR WSM. Le contour rouge delimite la zone du navire.

Des segmentations sont pertinentes comme sur la figure 2.3, mais le masqueinitial evolue souvent vers les memes formes.

Seuillage Polsar [LM05]

Cette methode est implementee sur des donnees RadarSat en mode polarimetriqueen quadrature. L’algorithme est decrit pour un seul canal. Il se decompose enplusieurs etapes :


1. calcul de la moyenne du carre de l’imagette Immoy,

2. calcul de l’intensite de l’imagette,

3. calcul de la moyenne et de la mediane de l’intensite,

4. calcul du seuil pour la detection de navire (seuil par rapport a l’intensite),

5. seuillage de l’imagette.

L’intensite U se definit par :

U(i, j) =Im(i, j)2

Immoy(2.3)

Le seuil pour la detection du navire se calcule notamment a partir de la medianede l’intensite. Une suppression de l’echo maximal peut etre pris en compte pourcalculer les statistiques de l’ocean.

Les resultats sont quasi-identiques a SARTool . Du coup, cette methode n’a pasete retenue.

Conclusion A l’heure actuelle, la methode de segmentation du navire sur l’imageSAR n’a pas ete modifiee car elle reste la plus performante sur les segmentationsdes deux types d’images.

Pour les images moyennes resolutions, aucun changement n’a ete implementeet valide au niveau traitement d’images.

2.1.3 Images haute resolution

Avant de segmenter l’imagette SAR centree sur le navire, des pre-traitementssont realises sur les donnees SLC (Single Look Complex).

Pre-traitements L’imagette radar du navire issue du rapport de detection estdecompose en trois sous-vues. En effet, la decomposition en sous-vue reduit lebruit de “speckle” et facilite la segmentation [LJ89]. De plus, un filtrage de Lee[Lee81], est realise pour attenuer le bruit de speckle sur la moyenne des sous-vues.La segmentation est realisee sur la moyenne des trois sous-vues filtree. Le tableau2.1 reference les differentes tailles de fenetre pour le filtrage de Lee en fonction dutype d’images radar satellitaires en haute resolution.

Le filtrage de Lee est supprime si l’estimation de longueur est inferieure a 100m. Ainsi, la segmentation est relancee sur la moyenne des trois sous vues. Sur despetites cibles, la perte de signal utile est plus dommageable que sur de grandescibles.

Voici les differents algorithmes de segmentation utilises :

Algorithme de detection de contour sur des images SAR [Ger01] Les algo-rithmes de detection de contours ont pour but de trouver les transitions entre leszones uniformes au lieu de les identifier directement. Generalement, ils comprennentdeux etapes :

– calcul d’une carte “detectrice de bords”,– extraction des maxima locaux de cette carte.


Mode Taille fenetre Filtrage de Lee Taille sous vueASA IMP HH sans 67x67 (image initiale)RS1 WDB HH 3 67x22

RS2 F HH 5 83x27RS2 MF HH 3 285x95

Table 2.1 – Taille de la fenetre pour le pretraitement, a savoir le filtrage de Lee, suivantle type d’images.

Le calcul de la carte est realise en utilisant un filtre detecteur de bords specifiquesaux images SAR. Un fenetre glissante a deux regions permet d’evaluer en chaquepixel si il y a un changement entre deux regions. La taille de cette fenetre (cf Tableau2.2) est un parametre influent sur la qualite de la carte “detectrice de bords”. Uncompromis entre precision et resolution doıt etre trouve.

Mode Taille fenetre Edge map Taille sous vueASA IMP HH 12 67x67 (image initiale)RS1 WDB HH 12 67x22

RS2 F HH 12 83x27RS2 MF HH 14 285x95

Table 2.2 – Taille de la fenetre glissante pour la carte detectrice de bord suivant le typed’images.

L’imagette SAR entiere est scannee par cette fenetre glissante.

Le filtre a rapport de vraisemblance [OCDW95] est utilise pour obtenir la carte.En pratique, ce filtre est realise avec huit fenetres orientees differemment(0°, 22.5°,45°,...,157.5°).

La valeur finale du filtre en un pixel est obtenue en prenant la valeur maximalede ces huit fenetres en ce pixel.

Apres avoir localise les contours, il est necessaire de les extraire. La ligne departage des eaux [VP91] permet de le faire. Pour mieux comprendre comment laligne de partage des eaux fonctionne, une image en niveaux de gris peut etre vuecomme une image 3D, le niveau de gris correspondant a la troisieme dimension,c’est-a-dire l’altitude. Dans ce type d’image topographique, il y a trois types depoints :

– les points appartenant a un minimum regional,– les points sur lesquels une goutte d’eau tomberait vers un unique minimum

(bassin),– les points sur lesquels une goutte d’eau tomberait vers plus d’un minimum

(ligne de partage des eaux).L’objectif de l’algorithme est de retrouver les lignes de partage des eaux, comme

son nom l’indique. Avec cette transformation, le contour du bateau est obtenuedirectement sur l’image SAR (cf Figure 2.4). Lorsque la ligne de partage des eauxa travers la carte detectrice de bords ne fournit pas un contour ferme, un autrealgorithme [MT11] est utilise pour la segmentationdu navire.


(a) Image SAR du navire (b) Carte “detectrice de bords”

(c) Ligne de partage des eaux de lacarte

(d) Image segmentee du navire

Figure 2.4 – Differentes etapes de l’algorithme de detection de contour sur image SAR

Un contour actif statistique peut servir pour affiner la segmentation. Sur lestests realises, le gain obtenu etait faible vis-a-vis de la charge de calcul.

Algorithme fonde sur le calcul d’un seuil sur l’histogramme en niveaux degris Un algorithme [MT11] utilisant un seuillage fonde sur un calcul de maximalocaux d’histogrammes iteratifs, a ete implemente donnant des resultats plutot con-vaincants quoique moins robustes. En effet, ce seuillage repose sur la position demaxima locaux dans l’histogramme (cf Figure 2.5). Parfois, un maxima local faibleempeche un seuillage fiable. Lorsque c’est le cas, un seuillage proportionnel a lamediane de l’imagette est effectue. Le parametre qui determine la taille des inter-valles pour etablir l’histogramme de l’imagette du navire a un role preponderantdans la qualite du seuillage.

Suppression des taches lies a l’etalement azimutal de la retrodiffusion dessuperstructures Pour les images haute resolution, une suppression des tachesliees a l’etalement azimutal et en distance de la retrodiffusion des superstructures aete implemente en complement de l’algorithme de segmentation. Dans un premiertemps, le nombre de pixels, par ligne et par colonne, du navire sont calcules surl’image binaire. Ensuite, un seuillage par rapport aux valeurs medianes du nombrede pixels par colonnes et par lignes est effectue. Ceci a pour effet de supprimer lessuperstructures qui “bavent“ sur l’image (cf Figure 2.6). Cet algorithme est utiliseen sortie de l’algorithme [MT11].

L’algorithme final de segmentation est decrit sur la Figure 2.7


Figure 2.5 – Algorithme de segmentation des navires [MT11].

Figure 2.6 – Elimination des superstructures pour 3 exemples : segmentation initiale enhaut et suppression des superstructures en bas.


Figure 2.7 – Algorithme de segmentation des navires des images SAR en haute resolution.


2.2 Approche radiometrique pour des images de moyenneresolution

Dans la litterature, une formule empirique permet de relier la section efficaceradar a l’angle d’incidence et la longueur du bateau [VTC+00][AZ00]. De la mememaniere, une relation empirique entre la section efficace radar σ, la longueur dunavire L et l’angle d’incidence θ est obtenue sur les donnees correlees AIS/SAR enmoyenne resolution sous la forme :

L =σ

a0(a1 − a2θ)

1a3 . (2.4)

Les differentes valeurs des coefficients ai (cf Table 2.3) sont obtenues grace aune fonction qui permet de minimiser l’erreur par rapport a un modele donne pourdeux variables [Mar] lors d’un processus d’apprentissage.

Mode a0 a1 a2 a3ASA WSM VV 0.7240 32.7967 0.1131 0.1499ASA WSM HH 0.5557 32.7650 0.1036 0.1663ASA IMM HH 0.6216 43.5251 0.1086 0.6216

CSK HR HH 0.9327 38.1860 0.2005 0.0977RS2 SCNA HH 0.9099 41.2843 0.3883 0.0956

Table 2.3 – Valeurs des coefficients ai pour les differents capteurs en moyenne resolution.

De cette facon, l’estimation de longueur du bateau connaissant sa section effi-cace et l’angle d’incidence de l’onde electro-magnetique est realisee.

Cette approche n’est valable qu’en moyenne ou basse resolution. En effet, ahaute resolution, la section efficace radar du navire n’a plus de correspondance ausens physique avec la longueur, la section efficace radar consideree etant la sectionefficace radar maximale de la segmentation du navire. Un exemple est donne sur laFigure 2.8.

2.3 Estimation de la longueur apres segmentation

Le calcul de la longueur apres segmentation a ete change. Au lieu de realiserune regression lineaire sur les points de l’image binaire, la longueur est obtenuea partir de la methode du rectangle d’aire minimale qui entoure le polygone queconstitue la segmentation du bateau. La longueur constitue la dimension maximaledu rectangle. La largeur du rectangle peut etre egalement conservee.

Afin de calculer ces dimensions, l’algorithme des compas rotatifs [Tou83] a eteimplemente. Considerons les sommets du polygone que constitue la tache de seg-mentation du navire. Tracons deux lignes paralleles tangentes a un cote du polygone(cf Figure 2.9). Le processus est reitere pour tous les cotes du polygone. La largeuret la longueur sont simplement la dimension minimale et maximale atteintes par ladistance entre les paires de lignes paralleles.

2.3. ESTIMATION DE LA LONGUEUR APRES SEGMENTATION 31

Figure 2.8 – Exemple de relation empirique entre section efficace et longueur en moyenneresolution (ASA WSM VV). La courbe rouge correspond a cette relation.

Figure 2.9 – Principe de l’algorithme des compas rotatifs [Tou83]


Sur la figure 2.10, se trouvent les resultats comparatifs des deux methodesd’estimation de longueur apres la segmentation. La nouvelle methode ameliore lapente de la droite de regression de 0.08, diminue le biais de 26 m mais augmentel’erreur quadratique moyenne de 6 m.

Dans la suite du rapport, les resultats de SARTool prennent en compte le pre-mier algorithme tandis que les nouvelles methodes utilisent l’estimation de longueurobtenue par le rectangle d’aire minimale.

2.4 Fusion des deux approches

La fusion d’informations est apparue pour gerer de nombreuses donnees mul-tisources dans le domaine militaire [Mar05]. Elle est souvent utilisee dans des ap-plications de reconnaissance (classification, identification). Elle consiste a combinerdes informations issues de plusieurs sources afin d’aider a la prise de decision. Pourse faire, il est necessaire de modeliser les differentes imperfections des donnees(imprecisions, incertitudes, conflit, ambiguıte, incompletude, fiabilite des sources...).

Avec deux estimations de longueurs provenant de deux methodes differentespour des images de resolutions moyennes (cf Figure 2.11), definissons un cadrepour les fusionner afin d’obtenir une longueur plausible.

Distributions de possibilites

Une grande souplesse d’utilisation caracterise les distributions de possibilites[Mas87] [ZAD65]. C’est la raison pour laquelle les caracteristiques des distributionsutilisees vont etre detaillees dans cette section.

Intervalle des distributions de possibilite Le plus grand navire au monde 1

mesure 450 metres. L’intervalle des valeurs possibles de longueurs est donc [0, 450].Si une estimation de longueur depasse la valeur Lmax = 450, la valeur Lmax estassignee a l’estimation de longueur, quelque soit la methode utilisee.

De plus, les valeurs des deux methodes d’estimation sont arrondies car vu laprecision des methodes, il semble inutile de donner une precision decimetrique.

Distributions Les distributions de possibilites ont une forme trapezoıdale (cf Fig-ure 2.12). Les parametres donnes ci-dessous sont des valeurs par defaut. Ils represententla variabilite de l’estimation ou son imprecision.

Les deux parametres, noyau et support, representent la variabilite des methodesd’estimations. Pour trouver leurs valeurs, nous avons calculer l’erreur sur des inter-valles du domaine [0,450m] pour chaque methode pour chaque mode en moyenneresolution (cf Annexe B).

Le modele radiometrique est globalement plus precis pour de faibles longueurs .Au dela de 300 m, la variabilite des deux modeles devient importante.

1. Le Knock Nevis est un petrolier geant. Il fait 458 m de long et 69 m de large. Il n’est plusen circulation actuellement.

2.4. FUSION DES DEUX APPROCHES 33

(a) SARTool©

(b) Avec rectangle d’aire minimale

Figure 2.10 – Comparaison entre l’estimation actuelle dans SARTool, et celle obtenueavec l’approche du rectangle d’aire minimale sur des donnees ASAR WSM polarisationVV.


Figure 2.11 – Schema montrant le mecanisme de fusion des deux methodes. L’extractionde longueur est faite grace a l’algorithme des compas tournants, tandis que l’inversionempirique est realisee par la relation liant l’angle d’incidence, la section efficace et lalongueur.

Figure 2.12 – Distribution de possibilites trapezoidale avec ses parametres.


Noyau La valeur du noyau est affectee selon la variabilite de l’intervalle danslaquelle se trouve l’estimation (en pratique, la moitie de la variabilite). Leurs possi-bilites sont egales a 1. Cela equivaut a dire qu’un battement d’un certain nombrede metres est autorisee.

Support De meme, le support correspond a la variabilite de l’intervalle danslaquelle se trouve l’estimation.

Lorsque le support est trop court pour une longueur faible ou tres elevee (effetsde bords), le support est coupee artificiellement a gauche ou a droite.

Pente du trapeze La pente du trapeze est parametree par la taille du supportet de la taille du noyau.

Fusion La T-norme de Zadeh [ZAD65] est utilisee : a savoir le minimum des deuxdistributions (cf Figure 2.13). Un comportement severe est desire car on desirele moins d’imprecision possible. Avec un comportement severe, les capteurs sontconsideres comme fiables, fournissant une information commune et non en conflit.

Figure 2.13 – Distributions de possibilites pour une detection de bateaux sur une imageSAR

La longueur issue du mecanisme de fusion correspond a celle dont le degre depossibilite est maximale. Sur la Figure 2.13, la longueur du navire vaut 90 m alors quele traitement d’image donnait une longueur de 130 m et l’approche radiometrique70 m.


Figure 2.14 – Distributions de possibilites pour une detection de bateaux sur une imageSAR avec une indetermination apres la fusion

Indetermination : Comment choisir ?

Dans certains cas, il arrive que les deux estimations ne donnent pas une mesurede longueur la plus plausible. Soit parce que les deux estimations sont en conflit(cf Figure 2.14), soit parce qu’il y a plusieurs mesures avec la meme possibilitemaximale.

Dans cette situation, l’indetermination est levee en utilisant les indicateurs devent, des statistiques CFAR, et de la taille de la segmentation du navire.

Prise en compte de certaines caracteristiques de l’image SAR Afin deconnaıtre quelle estimation peut etre la plus fiable, certains indicateurs sont con-serves : la vitesse du vent, les statistiques de la detection par algorithme CFAR(Constant False Alarm Rate) ainsi que le nombre de pixels du bateau.

Vent La vitesse du vent (m/s) provient du module ancillary de SARToolfournie par NCEP (National Centers for Environmental Prediction). Plus le ventest fort, plus la segmentation du bateau risque d’etre difficile a realiser.

Statistiques CFAR Cette donnee correspond au rapport entre les statistiquesdes distributions de probabilites du bateau et du fouillis de mer. Plus elle est elevee,meilleure sera la segmentation du navire.

Nombre de pixels du bateau de l’image SAR segmentee Cette informa-tion nous indique le nombre de pixels du navire sur l’image binaire issue de la seg-mentation. S’il est eleve, l’estimation du traitement d’image est vraisemblablement


pertinente 2.

Tout d’abord, un indice compris entre 0 et 1 est defini pour le vent, ainsi quepour le CFAR et le nombre de pixels (normalisation par la valeur maximale de chaqueindice sur l’ensemble des images SAR).

A partir de ces trois indices, deux indices de fiabilites sont construits pour chaqueestimation. Pour l’estimation statistique, l’indice sur le nombre de pixels corresponda 1− l’indice du nombre de pixels. Les indices de fiabilites de chaque estimationcorrespondent a la moyenne des trois indices respectifs. En cas d’indetermination,l’estimee avec l’indice de fiabilite le plus fort est choisie. Dans ce cas precis, il n’ya plus de logique floue 3.

2. Hypothese : en realite une mauvaise segmentation peut amener le bateau a avoir un grandnombre de pixels alors qu’il n’en a que tres peu.

3. Pour tenter de rester dans le cadre de la theorie des ensembles flous, les indices de fiabilitesont ete integres aux distributions de possibilites. La distribution de posssibilites associee a lafiabilite de la source correspond a une droite constante ayant pour valeur la fiabilite de la source.Les resultats, avec prise en compte des indices de fiabilite dans les distributions, ne sont pasconcluants.

Chapitre 3

Resultats

Apres avoir decrit les choix algorithmiques qui semblaient pertinents pour ameliorerl’estimation de longueur des navires, interessons nous aux differents resultats sur lesjeux de donnees suivants :

– ASAR WSM, IMM, et IMP,– Radarsat 1 Wide,– RadarSat 2 mode Fine, Multilook fine, et Scansar Narrow,– Cosmo SkymedHuge Region,

en polarisation HH et/ou VV.

Les statistiques ne prennent pas en compte les valeurs d’estimations superieurs a450 m. Au dela de cette limite, qui correspond au plus grand navire jamais construit,l’estimation est consideree comme fausse.

3.1 Images a moyenne resolution

Les resultats decrits ci-dessous utilisent les distributions de possibilites pourfusionner les deux methodes d’estimation : par traitement d’images et par approcheradiometrique. Les parametres des distributions sont obtenus par un apprentissagesur une base de donnees de couplage AIS/SAR (cf Tableau 3.1).

Mode Nb bateaux pour l’apprentissage Nb de bateaux pour le testASA WSM VV 1930 6447ASA WSM HH 290 762ASA IMM HH 140 245CSK HR HH 56 201

RS2 SCNA HH 92 324

Table 3.1 – Caracteristiques des apprentissages pour les modes etudies.

Evaluons les performances statistiques entre SARTool et la nouvelle methoded’estimation de longueur suivant trois criteres :

1. biais (cf Tableau 3.5),

2. coefficient de correlation (cf Tableau 3.6),

39

40 CHAPITRE 3. RESULTATS

3. erreur quadratique moyenne (cf Tableau 3.7) .

Mode SARTool Nouvelle methodeASA WSM VV 128 68ASA WSM HH 160 104ASA IMM HH 196 -16CSK HR HH 200 5

RS2 SCNA HH 97 53

Table 3.2 – Biais (en m) des differentes estimations de longueurs suivant les capteurs.

Mode SARTool Nouvelle methodeASA WSM VV 0.63 0.55ASA WSM HH 0.4 0.48ASA IMM HH 0.58 0.78CSK HR HH 0.45 0.51

RS2 SCNA HH 0.79 0.92

Table 3.3 – Correlation des differentes estimations de longueurs suivant les capteurs.

Mode SARTool Nouvelle methodeASA WSM VV 112 92ASA WSM HH 115 103ASA IMM HH 163 85CSK HR HH 153 103

RS2 SCNA HH 93 106

Table 3.4 – Erreur quadratique moyenne (en m) des differentes estimations de longueurssuivant les capteurs.

Clairement, la methode floue ameliore les performances statistiques de la seulesegmentation sur toutes les types d’images en moyenne resolution :

– meilleur coefficient de correlation,– biais plus faible,– erreur quadratique moyenne plus faible (excepte en RS2 SCNA).La variabilite des resultats peut provenir de plusieurs facteurs :– variabilite de la precision de la relation empirique par radiometrie,– variabilite des conditions meteorologiques (pris en compte dans l’indice de

confiance vent),– variabilite des statistiques CFAR (pris en compte dans l’indice de confiance

CFAR).La fusion des deux estimations de longueurs est donc pertinente pour des tailles

de pixels eleves (75 m). L’apport de la fusion semble discutable pour le mode RS2SCNA . Voyons l’aspect des figures de correlations des donnees AIS/SAR. Le typede representation choisie correspond a un histogramme 2D et non un nuage depoints, car le nombre de navires est tres eleve. L’histogramme est normalise par lenombre de navires.

3.1. IMAGES A MOYENNE RESOLUTION 41

Mode ASAR WSM

Polarisation VV En polarisation VV, plus de 6400 bateaux ont ete detectes parimagerie RSO et couples a une verite terrain AIS. La fusion des estimations, issuesde la segmentation et de l’approche empirique, permet de se liberer de la limitationdu capteur, visible grace aux effets de seuils tous les 15 m sur la figure 3.1 (a). Laplupart des navires, ayant une longueur AIS entre 100 et 200 m, ont dorenavantune longueur estimee entre 50 et 200 m. La densite des donnees est plus proche dela droite y = x avec la methode de fusion.

(a) SARTool (b) Fusion des deux approches

Figure 3.1 – Comparaison entre histogrammes (bins de 15 m x 15 m) des estimations deSARTool et de fusion sur les donnees ASAR WSM en polarisation VV (6447 navires).


Figure 3.2 – Comparaison entre histogrammes (bins de 15 m x 15 m) des estimations deSARTool et de fusion sur les donnees ASAR WSM en polarisation HH (762 navires).

Polarisation HH En polarisation HH, environ 800 bateaux ont ete detectes parimagerie RSO et couples a une verite terrain AIS. La fusion des estimations, issuesde la segmentation et de l’approche empirique, permet egalement de se liberer de


la limitation du capteur, visible grace aux effets de seuils tous les 15 m sur la figure3.2 (a). La plupart des navires, ayant une longueur AIS entre 100 et 200 m, ontdorenavant une longueur estimee entre 50 et 200 m. La densite des donnees est plusproche de la droite y = x avec la methode de fusion qu’auparavant avec la seuleestimation issue du traitement d’images.

Mode ASAR IMM


Figure 3.3 – Comparaison entre histogrammes (bins de 15 m x 15 m) des estimations deSARTool et de fusion sur les donnees ASAR IMM en polarisation HH (245 navires).

Polarisation HH Sur la Figure 3.3, la densite des donnees est moins eloignee dela droite y = x. Pour ce capteur, une tendance a la sous-estimation est notablepour la methode de fusion. L’approche empirique par radiometrie doit avoir unindice de confiance plus eleve que celui du traitement d’images. Les valeurs issuesde la relation empirique sont souvent plus faibles que la realite. Cela explique lasous-estimation dans ce mode.

Mode CSK HR HH

Sur la Figure 3.4, la densite des donnees est moins eloignee de la droite y = x.Pour ce capteur, une tendance a la sous-estimation est egalement notable pour lamethode de fusion pour la meme raison que le mode ASAR IMM.

Il semble que l’interet de la methode de fusion diminue lorsque la taille du pixeldiminue egalement. En effet, la taille du pixel vaut 50 m et non plus 75 m commeprecedemment. Cela corrobore le fait que plus la taille du pixel est faible, moins lasection efficace maximale du navire a de correspondance avec la longueur du navire.

Mode RS2 SCNA HH

Sur la Figure 3.5, la densite des donnees est eloignee de la droite y = x pour lesdeux methodes d’estimation de longueurs de navires. Pour ce capteur, une tendancea la sous-estimation est egalement notable pour la methode de fusion. La taille du

3.1. IMAGES A MOYENNE RESOLUTION 43


Figure 3.4 – Comparaison entre histogrammes (bins de 10 m x 10 m) des estimations deSARTool et de fusion sur les donnees CSK HR en polarisation HH (201 navires).


Figure 3.5 – Comparaison entre histogrammes (bins de 10 m x 10 m) des estimations deSARTool et de fusion sur les donnees RS2 SCNA en polarisation HH (324 navires).


pixel vaut 25 m. L’interet de la methode de fusion diminue lorsque la taille du pixeldiminue comme pour le mode CSK HR HH.

La Figure 3.5 (b) montre bien les deux approches d’estimations :– par approche radiometrique pour les navires inferieurs a 100 m,– par traitement d’images pour les navires superieurs a 100 m.Dans ce mode, l’indetermination est forte. Elle est levee grace aux indices de

confiances respectifs de chaque methode.

En moyenne resolution, la fusion des deux estimations de longueurs permetde s’affranchir de la resolution du capteur. L’utilisation de differents modes dedifferents capteurs prouve la genericite de la methode. Un processus d’apprentissage“offline” est cependant necessaire pour parametrer les distributions de possibilitespour chaque mode et chaque polarisation d’un capteur donne. Toutefois, l’interetde ce mecanisme de fusion diminue lorsque la taille du pixel du capteur diminue.

3.2 Images a haute resolution

Abordons maintenant les images en haute resolution. De par la nature de cesimages, moins de couplages AIS/SAR sont disponibles compares aux images enmoyenne resolution. Ainsi, le nuage de points est la representation la plus adequatepour visualiser la correlation entre les longueurs AIS et mesurees sur l’image SAR.

De la meme maniere qu’en moyenne resolution, les performances des algorithmesde segmentation sont compares graces aux biais, coefficient de correlation et erreurquadratique moyenne. Toutefois, vu le peu de couplages pour certains capteurs, ilvaut mieux se fier a l’apparence des nuages de points avant de pouvoir conclure surleurs performances.

Pour le mode RS2 Fine, il n’y a que dix couplages ; ce qui limite l’interpretationdes performances des algorithmes sur ce mode.

Mode SARTool Nouvelle segmentationASA IMP HH 112 99RS1 Wide HH 75 40RS2 Fine HH -10 85

RS2 Multilook Fine HH 131 59

Table 3.5 – Biais (en m) des differentes estimations de longueurs suivant les capteurs.

Mode SARTool Nouvelles segmentationASA IMP HH 0.67 0.57RS1 Wide HH 0.65 0.81RS2 Fine HH 0.35 0.45

RS2 Multilook Fine HH 0.52 0.6

Table 3.6 – Correlation des differentes estimations de longueurs suivant les capteurs.

La nouvelle segmentation ameliore les performances statistiques de l’estimationde longueur sur tous les types d’images en haute resolution :

3.2. IMAGES A HAUTE RESOLUTION 45

Mode SARTool Nouvelle segmentationASA IMP HH 110 71RS1 Wide HH 59 64RS2 Fine HH 154 62

RS2 Multilook Fine HH 120 49

Table 3.7 – Erreur quadratique moyenne (en m) des differentes estimations de longueurssuivant les capteurs.

– meilleur coefficient de correlation (excepte en ASA IMP),– biais plus faible,– erreur quadratique moyenne plus faible (excepte en RS1 WDB).

Observons l’aspect des figures de correlations des donnees AISSAR. Les pointsrepresentes par une etoile correspondent a la segmentation par carte detectricede bords puis ligne de partage des eaux tandis que ceux representes par une croixcorrespondent a la segmentation alternative suivant le schema de la Figure 2.7.

Mode ASA IMP

La plupart des points de correlation (les etoiles sur la Figure 3.6) correspondenta la segmentation par carte detectrice de bords suivie d’une ligne de partage deseaux. La nouvelle segmentation apporte une amelioration significative meme si lecoefficient de correlation entre les donnees SAR et AIS diminue ( du au navire ayantune longueur AIS a 350 m estimee a 170 m).

Le pretraitement n’est pas utilise pour ce mode car il degradait les performancesde l’estimation.

14 estimations de longueurs (soit 10�des donnees) sont quasi-exactes avec lanouvelle segmentation (6, soit 4�des donnees avec SARTool), au sens ou elles sontsur la droite y = x.

Mode RS1 Wide

Sur la Figure 3.7, la nouvelle segmentation fournit une bonne estimation delongueur dans 25�des cas. Un ”outlier” empeche de voir l’amelioration au niveaude l’erreur quadratique moyenne. Les deux methodes de segmentation en hauteresolution fonctionnent.

Mode RS2 Fine

La tendance a la sous-estimation disparait avec le nouvel algorithme de seg-mentation (cf Figure 3.8). L’algorithme de seuillage par histogrammes iteratifs estutilise uniquement sur ces donnees car le contour de la zone supposee du navireapres la ligne de partage des eaux n’est pas ferme. Le faible nombre de couplageslimite l’interpretation des performances.


(a) SARTool

(b) Nouvelle Segmentation

Figure 3.6 – Comparaison entre l’estimation actuelle dans SARTool et celle obtenue avecla nouvelle segmentation sur des donnees ASA IMP en polarisation HH sur 140 navires.


(a) SARTool


Figure 3.7 – Comparaison entre l’estimation actuelle dans SARTool et celle obtenue avecla nouvelle segmentation sur des donnees RS1 Wide en polarisation HH sur 65 navires.


(a) SARTool


Figure 3.8 – Comparaison entre l’estimation actuelle dans SARTool et celle obtenue avecla nouvelle segmentation sur des donnees RS2 Fine en polarisation HH sur 11 navires.


(a) SARTool


Figure 3.9 – Comparaison entre l’estimation actuelle dans SARTool et celle obtenue avecla nouvelle segmentation sur des donnees RS2 Multilook Fine en polarisation HH sur 36navires.


Mode RS2 MultiLook Fine

Sur la Figure 3.9, la plupart des points de correlation correspondent a la seg-mentation par carte detectrice de bords suivie d’une ligne de partage des eaux.La nouvelle segmentation apporte une amelioration significative : 4 estimations delongueurs (soit 8�des donnees) sont quasi-exactes avec la nouvelle segmentation (0avec SARTool).

Les valeurs des parametres des algorithmes de segmentation et des pretraitements(cf Tableaux 2.2 et 2.1) ont une influence sur les resultats des correlation AIS/SAR. Ilest necessaire de les fixer pour chaque type d’images radar satellitaires afin d’obtenirles meilleurs performances possibles.


Conclusion

Dans le premier chapitre, nous avons presente le cadre du stage en abordantl’imagerie radar satellitaire et la detection de navires sur ce type d’images.

Dans le deuxieme chapitre, differents traitements ont ete decrits : une nouvellemethode d’obtention de longueur apres segmentation, les differents algorithmes desegmentation et une approche empirique d’estimation de longueur de navire pourles images en moyenne resolution. Un cadre theorique a ete defini pour diminuerl’imprecision lors de la fusion des deux estimations en moyenne resolution.

Dans le troisieme chapitre, les resultats sont exposes : differents jeux de donneescomprenant des couplages AIS/SAR sont traites. Les performances de SARTool sontcomparees aux nouveaux algorithmes proposes.

Trois points ameliorent l’estimation de longueur :– l’obtention de la longueur par la methode du rectangle d’aire minimale apres

segmentation,– l’approche floue entre l’approche traitement d’image et radiometrique sur des

images en moyenne resolution,– la nouvelle technique de segmentation sur les images en haute resolution.Les resultats obtenus sur differents modes et differents capteurs confirment le

caractere generique des methodes. Les limites de la fusion d’estimation sont iden-tiques a celles du modele d’estimation radiometrique de longueur : plus la tailledu pixel est faible plus l’interet de la fusion diminue. La segmentation du navireest encore perfectible sur les deux types d’images, moyenne et haute resolutions.Il serait interessant en haute resolution d’obtenir une erreur quadratique moyenneproche de 20 m comme dans [BLF+10].

Des techniques de super resolution (cf Annexe C) ont ete etudiees mais nonimplementees. Elles seraient utiles pour ameliorer la resolution de l’image avant deproceder a la segmentation.

Les algorithmes ont ete valides. Les codes ont ete integres dans le module SHIPde SARTool. Il est envisage de decrire ces ameliorations dans un article scientifique.

Annexe A

Capteurs satellitaires RSO

ASAR

Le systeme d’imagerie SAR satellitaire d’Envisat se nomme ASAR (AdvancedSAR). Il a une geometrie de visualisation variable et peut transmettre ou recevoirdes polarisations variables. Il dispose d’un reseau d’antennes actives avec sept anglesd’incidences compris entre 15 et 45 degrees. Quatre modes sont disponibles :

– le mode image (IM : Image Mode),– le mode a large fauchee (WSM : Wide Swath Mode),– le mode surveillance mondial (GM : Global Monitoring),– le mode a polarisation alternee (AP : Alternating Polarisation).

Les largeurs de fauchees varient de 60 a 110 km en fonction de l’angle d’inci-dence. Les polarisations HH, VV peuvent etre choisies dans le mode IM. En modeWS, une technique scanSAR est utilisee pour fournir des images sur une large bande(405 km) avec un resolution moyenne 150 m sur des polarisations HH ou VV. Lafauchee totale est le resultat de 5 sous fauchees. Le mode GM est identique au modeWS excepte qu’il a une resolution plus faible (1 km). Pour le mode AP une tech-niques ScanSar est utilisee avec un changement de polarisation plutot que d’angled’incidence. Le resultat final est compose de deux images de la meme scene d’ob-servation mais avec differentes combinaisons de polarisations. Les memes faucheesque l’IM peuvent etre utilisees et la resolution est de 30 m. Toutefois, la resolutionradiometrique est reduite comparee au mode IM.

RadarSat-1

RadarSat-1 emet et recoit uniquement en polarization horizontale. Il a 7 modesd’acquisitions : haute resolution, standard, large, scansar etroit ou large, faisceauetendu haute et faible incidence. En mode Wide, la largeur de fauchee est de 150km et la resolution nominale de 30 m.

53

54 ANNEXE A. CAPTEURS SATELLITAIRES RSO

RadarSat-2

RADARSAT-2 emet en polarisation horizontale (H) ou verticale (V), et le cap-teur peut recevoir l’onde reflechit dans l’un des deux modes et dans certains cas,les deux simultanement. Il existe 11 differents modes, classifies en trois genres :

– polarisation simple,– polarisation double,– polarisation en quadrature.Voici un tableau repertoriant les caracteristiques des trois modes d’imagerie

utilisees. La resolution au sol varie en fonction de l’angle d’incidence et d’autresparametres.

Mode Largeur de Fauchee Resolution (Distance x Azimuth) Angle d’incidenceFine 50 km 10.4 m x 7.7 m 29 - 50 degres

Multilook Fine 50 km 10.4 m x 7.6 m 30 - 50 degresScansar Narrow 300 km 79.9 m x 60 m 20 - 46 degres

Table A.1 – Caracteristiques des modes d’imageries de RADARSAT-2 etudies.

Cosmo Skymed

Les quatre satellites emettent dans la bande X. L’angle d’incidence varie entre20 degres et 59 degres. Il existe 3 modes d’acquisition :

– ScanSar,– StripMap,– Spotlight -2.En mode Wide, la largeur de fauchee est de 200 km et la resolution nominale

de 30 m.

Annexe B

Variabilites des methodesd’estimations

(a) ASA WSM VV (b) ASA WSM HH

(c) ASA IMM HH (d) CSK HR HH

(e) RS2 SCNA HH

Figure B.1 – Variabilites des deux methodes d’estimations suivant les modes des capteurs,en moyenne resolution.

Afin de parametrer les distributions de possibilites, il etait necessaire de car-

55

56 ANNEXE B. VARIABILITES DES METHODES D’ESTIMATIONS

acteriser l’imprecision des deux methodes d’estimation de longueurs. Deux parametresdes distributions, noyau et support, representent la variabilite des methodes d’esti-mations. Pour trouver leurs valeurs, nous avons calculer l’erreur sur des intervallesdu domaine [0,450m] pour chaque methode (cf Figure B.1).

Le modele radiometrique est globalement plus precis pour de faibles longueurs.Pour RS2 SCNA, l’estimation par traitement d’images est plus precise que le modeleradiometrique. La limite du modele est atteinte car pour cette taille du pixel, lasection efficace radar maximum n’a plus de lien avec la longueur du navire saufpour les navires de taille inferieur a la taille du pixel (25 m pour RS2 SNCA).

Les tableaux B.1, B.2, B.3, B.4, B.5 recensent les valeurs des variabilites surchaque sous intervalle du domaine [0,450m] pour chaque mode en moyenne resolution.

0-75 m 75-150 m 150-225 m 225-300 m 300-375 m 375-450 mImage 102 54 80 110 146 178

Radiometrie 74 80 64 90 148 216

Table B.1 – Variabilite (en m) selon l’intervalle et la methode d’estimation de longueurssur les donnees ASAR WSM VV.

0-75 m 75-150 m 150-225 m 225-300 m 300-375 m 375-450 mImage 114 84 82 130 152 184

Radiometrie 78 72 58 92 154 156

Table B.2 – Variabilite (en m) selon l’intervalle et la methode d’estimation de longueurssur les donnees ASAR WSM HH.

0-75 m 75-150 m 150-225 m 225-300 m 300-375 m 375-450 mImage 44 58 94 130 152 204

Radiometrie 108 90 56 110 144 66

Table B.3 – Variabilite (en m) selon l’intervalle et la methode d’estimation de longueurssur les donnees ASA IMM HH.

57

0-75 m 75-150 m 150-225 m 225-300 m 300-375 m 375-450 mImage 134 134 134 114 212 230

Radiometrie 110 88 82 108 152 190

Table B.4 – Variabilite (en m) selon l’intervalle et la methode d’estimation de longueurssur les donnees CSK HR HH.

0-75 m 75-150 m 150-225 m 225-300 m 300-375 m 375-450 mImage 88 46 54 66 114 198

Radiometrie 92 62 66 96 122 232

Table B.5 – Variabilite (en m) selon l’intervalle et la methode d’estimation de longueurssur les donnees RS2 SCNA HH.

58 ANNEXE B. VARIABILITES DES METHODES D’ESTIMATIONS

Annexe C

Utilisation de la superresolution

Les techniques de super resolution sont des technologies actuelles d’interet. Ellesont ete utilisees avec succes dans plusieurs domaines : analyse spectrale, parole,sismologie...

Dans le cas d’images SAR a tres haute resolution, des techniques de superresolution peuvent etre utiles pour plusieurs raisons

– debruitage du speckle,– resolution sous-pixel,– reduction des lobes secondaires,– reduction du fouillis.

Ces techniques seraient un pretraitement prealable aux algorithmes de traite-ments d’images decrits dans les parties precedentes.

Cet annexe dresse un etat de l’art des differentes methodes employees sur desimages SAR.

Notions

Le principe de la super resolution offre un potentiel en terme de resolutionsuperieures aux limites classiques.

La super resolution correspond a la recuperation de l’information spectrale endehors de la bande passante du systeme[DRD01].

La super resolution essaye d’extrapoler la transformee de Fourier d’une imageau-dela de la bande passante du systeme d’acquisition. En effet, la transformeede Fourier d’un objet fini (en terme de champs de vision) est analytique et laconnaissance de la transformee de l’image est limitee par la bande passante dusysteme imageur.

La partie du spectre en dehors de la bande passante du systeme est obtenue enutilisant la methode du prolongement analytique. Le probleme est que la sommed’une fonction analytique et de bruit n’est plus analytique. De plus, la methode duprolongement analytique comprend des derivees, qui sont sensibles au bruit.

59

60 ANNEXE C. UTILISATION DE LA SUPER RESOLUTION

N’ayant acces qu’aux produits de niveaux 1 (image Single Look Complex deRadarsat-2), le type de donnees en entree des algorithmes sera precise si possible.

Les differentes techniques de super resolution pourl’imagerie SAR

Ne sont considerees dans cette section que les techniques qui “ameliorent” l’ap-parence de l’image tout en augmentant le contenu spectral du systeme imageur.

Des difficultes apparaissent a la lecture d’articles traitant de super resolution :– des algorithmes non lineaires,– des algorithmes non explicites,– un jeu de test trop faible pour pouvoir tirer des conclusions,– des articles qui traitent plus d’amelioration de l’apparence de l’image que de

recuperation de contenu spectral.Six grands types d’algorithmes sont devoiles dans cet annexe.

Deconvolution par pseudo-inverse de la fonction d’etalement du point (PSF)du systeme imageur

L’observation radar est modelisee comme une sequence d’operations matriciellessur les signaux electromagnetiques retrodiffuses par la scene. Ainsi, l’estimation dela reflectivite de la scene est percue comme un probleme inverse.

Une solution possible pour retrouver l’image a partie des mesures peut etreobtenue en inversant les operations matricielles. Toutefois, cela necessite de con-naitre la fonction d’etalement du point exacte. Dans ce cas, la pseudo-inverse dela PSF fournit l’estimee au sens des moindres carres de la scene observee [HE92].

En pratique, le probleme est mal pose. Pour obtenir une estimee stable, unetechnique de regularisation est appliquee [GCP]. Dans les systemes SAR aeroportes,meme apres la compensation de mouvement, les mouvements residuels de la plate-forme SAR vont causer des perturbations inconnues de la PSF [BQ] ; ce qui vaaffecter le gain apporte par la superresolution.

Bandwith Extrapolation (BWE)

Cette technique de prediction lineaire est une approche uni-dimensionnelle. Ellepeut etre appliquee dans la dimension azimutale ou distance.

Les donnees radars recus sont modelisees par un processus auto-regressif dont lesparametres sont estimees de maniere adaptative a partir des donnees. Le processusAR (auto-regressive) est utile pour developper les donnes en dehors de la fenetre demesure. Ensuite, la transformee de Fourier est appliquee pour reconstruire l’image[Gab].

61

Analyse spectrale

Les donnees radar brutes sont transformees en combinaison lineaire de sinu-soides bidimensionnelles bruitees. L’amplitude de la sinusoide est liee a l’intensitedu reflecteur, tandis que la frequence de la sinusoide indique la position spatiale dureflecteur.

Les outils modernes d’analyse spectrale, essentiellement fondes sur les modelesAR des donnees, sont plus efficaces que la Transformee de Fourier pour estimerl’amplitude et la frequence des sinusoides bidimensionnelles[MLNC].

Analyse spectrale moderne

Les algorithmes, appliquees sur les donnees brutes, sont les suivants :

– MUSIC [Sch80],– ESPRIT [PRK],– Capon [Cap69],– APES (Amplitude and Phase estimation) [LS69].

Ils ne sont pas explicites dans cette annexe car ceux sont des algorithmes clas-siques d’analyse spectrale modernes .

Techniques d’apodisations

L’ASR et le SVA tentent d’annuler les lobes secondaires sans calculer au prealableune matrice de covariance provoquant une annulation des faibles reflecteurs. Le Svan’est d’ailleurs qu’un cas particulier de l’ASR.

Adaptative Sidelobe Reduction (ASR)

Cet algorithme [DG94] est utilisable dans n’importe quel probleme d’analysespectrale. Il utilise des fonctions de ponderations adaptatives pour faire augmenterle rapport signal sur interferences. Il s’implemente sous la forme d’un filtre a reponseimpulsionnelle finie sur la transformee de Fourier.

Differents parametres sont a choisir : l’ordre du filtre, le type et le niveau de con-traintes, implementation separable ou non-separable . Cela lui confere une certaineflexibilite.

Spatially Variant Apodization (SVA)

Les donnees de l’image sont supposees limitees en contenu spectral.

Une apodization non lineaire [SDF95] est appliquee sur l’image pour eliminerles lobes secondaires des points brillants. Generalement, cela produit un contenuspectral en dehors de la bande passante du systeme imageur. Le traitement peutetre applique de maniere iterative.

Le SVA est populaire en tant qu’outil d’amelioration d’apparence de l’image plusque comme outil de super resolution. L’algorithme s’applique sur l’image SLC gracea un masque de convolution.

62 ANNEXE C. UTILISATION DE LA SUPER RESOLUTION

High Definition Vector Imaging

Cet algorithme [Ben] est une approche de reconstruction d’image SAR qui sefonde sur des techniques de super resolution developpees originellement pour desreseaux de capteurs passifs. Le cas vectoriel n’est pas considere ci-dessous.

Il considere la formation d’image SAR comme un probleme d’estimation spec-trale, traitant les pixels comme des sorties de formation de voies. Il utilise l’algo-rithme de Capon (MLM). Il travaille directement sur les deux dimensions et nonpas en distance puis en azimut.

L’algorithme fonctionne de la maniere suivante pour estimer la section efficaceradar :

– transformee de Fourier sur l’image SLC,– suppression de la fenetre de controle des lobes secondaires– mosaique d’imagettes (12 ∗ 12 pixels),– generation de vues independantes,– decomposition en valeurs propres de la matrice de covariance,– calcul de la fonction reponse du reflecteur a savoir le vecteur de direction.Ensuite, une version modifiee de la methode de Capon est utilisee pour estimer

la section efficace radar des reflecteurs car la matrice de covariance n’est pas derang suffisant. Un ensemble optimal de coefficients est utilise pour ponderer chaquepixel. L’objectif est de minimiser l’energie des interferences pour chaque pixel, maisaussi de conserver un gain unitaire pour un reflecteur ponctuel ideal. Differents jeuxde coefficients de ponderation vont etre appliques aux sous-images afin de satisfairedes contraintes d’optimisation.

Cette technique produit une image de sortie avec une resolution amelioree. Lacharge de calcul avec la technique de Capon est approximativement mille fois plusimportante qu’avec la simple transformee de Fourier, independamment de la taillede l’image.

D’autres techniques moderne d’estimation de spectre peuvent etre appliquees(MUSIC, ESPRIT, Li,...)

Conclusion Le SVA et le HDVI sont deux algorithmes de super resolution appli-cables sur les images Single Look Complex. Le SVA a ete teste sur des images denavires afin d’ameliorer les performances de l’algorithme d’estimation de longueurde navires. En vain. Il serait interessant de tester les performances du HDVI sur cesimages pour pouvoir appliquer ensuite l’algorithme d’estimation de longueurs.

Ainsi, on pourrait conclure sur l’utilite de la super resolution pour la detectionde navires sur des images SAR haute resolution.

Bibliographie

[AZ00] F. Askari and B. Zerr. Automatic approach to ship detection in space-borne synthetic aperture radar imagery : An assesment of ship detec-tion capability using radarsat. Technical report, SACLANT UnderseaResearch Centre, La Spezia, 2000.

[Ben] G.R. Benitz. High-definition vector imaging for synthetic aperture radar.In Signals, Systems and Computers, on the thirty-first Asilomar Con-ference, 1997.

[BLF+10] S. Brusch, S. Lehner, T. Fritz, M. Soccorsi, A. Soloviev, and B. VanSchie. Ship surveillance with terrasar-x. IEEE Transactions on Geo-science and Remote Sensing, 2010.

[BQ] D. Blacknell and S. Quegan. Sar super-resolution with a stochasticpoint spread function. In IEE colloquium on Synthetic aperture radar.

[Cap69] J. Capon. High-resolution frequency-wavenumber spectrum analysis.Proc. IEEE, 1969.

[Cri04] D.J. Crisp. The state-of-the-art in ship detection in synthetic aper-ture radar imagery. Technical report, Defense Science and TechnologyOrganisation Document Control Data, May 2004.

[Der87] R. Deriche. Using canny’s criteria to derive a recursively implementedoptimal edge detector. Int. J. Computer Vision, 1 :167–187, Avril 1987.

[DG94] S.R. De Graaf. Sidelobe reduction via adaptive fir filtering in sar im-agery. IEEE Transactions on image processing, 1994.

[DRD01] F. Dickey, L. Romero, and A. Doerry. Superresolution and syntheticaperture radar. Technical report, Sandia National Laboratories, SandiaCorporation, 2001.

[Gab] W.F. Gabriel. Improved range superresolution via bandwidth extrapo-lation. In Proceedings of the National Radar Conference.

[GCP] V. Guglielmi, F Castanie, and P Piau. Applications de methodes super-resolvantes au traitement des donnees d’un radar a synthese d’ouver-ture. In Proceedings of EUSIPCO 92.

[Ger01] O. Germain. Segmentation d’images radar : caracterisation desdetecteurs de bord et apports des contours actifs statistiques. PhDthesis, Universite de Droit, d’Economie et des sciences d’Aix-Marseille,2001.

[GS00] J. Gower and S. Skey. Wind, slick and fishing boat observations withradarsat scansar. Johns Hopkins APL Technical Digest, pages 484–493,2000.

63

64 BIBLIOGRAPHIE

[Haj07] G. Hajduch. Sartool©, algorithm basis document. Technical report,Boost Technologies, Octobre 2007.

[HE92] R. Haywood and R.J. Evans. Discrete 2-d system identification forimaging rotating radar targets. Signal Processing, 29, 1992.

[HKL] G. Hajduch, V. Kerbaol, and P. Leilde. Ship detection on envisat asardata : results, limitations and perspectives.

[LBS+98] A. Lopes, J. Bruniquel, F. Sery, J-C. Souyris, and F. Adragna. Optimaltarget detection using one channel sar complex imagery : applicationto ship detection. IEEE 1998 International Geoscience and RemoteSensing Symposium (IGARSS), 2 :913–815, 1998.

[Lee81] J. S. Lee. Speckle analysis and smoothing of synthetic aperture radarimages. Comput. Graph. Image Process., 17 :24–32, 1981.

[LJ89] J. S. Lee and I. Jurkevitch. Segmentation of sar images. IEEE Trans-actions on Geoscience and Remote Sensing, 27(6), 1989.

[LM05] C. Liu and A. Meek. Likelihood ratio test polarimetric sar ship detec-tion application. Technical report, Defense and Research DevelopmentCanada, 2005.

[LS69] J. Li and P Stoica. An adaptative filtering approach to spectral esti-mation and sar imaging. Proc. IEEE, 1969.

[Mar] Craig B. Markwardt. http ://www.physics.wisc.edu/˜craigm/idl/down/mpfit2dfun.pro.

[Mar05] A. Martin. La fusion d’informations. Technical report, Ensieta, Janvier2005.

[Mas87] Masson, editor. Theorie des possibilites. D. Dubois and H. Prade,Novembre 1987.

[Mau06] F. Maussang. TRAITEMENT D’IMAGES ET FUSION DE DONNEESPOUR LA DETECTION D’OBJETS ENFOUIS EN ACOUSTIQUESOUS-MARINE. PhD thesis, Universite Joseph Fourier de Grenoble,2006.

[MLNC] G. Mesnager, C. Lambert-Nebout, and F. Castanie. Sar processing :spectral analysis through parametric models. In Proceedings of Gretsi1995.

[MT11] G. Margarit and A. Tabasco. Ship classification in single-pol sar imagesbased on fuzzy logic. IEEE transactions on geoscience and remotesensing, 2011.

[OCDW95] C.J. Oliver, I. Mc Connell, D.Blacknell, and R. G. White. Optimumedge detection in sar. Conf on Satellite Remote Sensing, 2584 :152–163, 1995.

[PRK] A. Paulraj, R. Roy, and T. Kailah. Estimation of signal parameters viarotational invariance techniques. In Circuits, Systems and Computers,on Nineteenth Asilomar Conference, 1985.

[Pro10] N. Proia. Surveillance maritime par analyse d’images panchromatiques.PhD thesis, Universite des Antilles et de la Guyane, 2010.

[RFJ93] J. M. Rius, M. Ferrando, and L. Jofre. Greco : Graphical electromag-netic computing for rcs prediction in real time. IEEE Antenna andpropagations magazine, 35(2), 1993.

BIBLIOGRAPHIE 65

[Sch80] R.O. Schmidt. Multiple emitter location and signal parameter estima-tion. IEEE Transaction on Antennas Propagation, AP-34, 276-280.

[SDF95] H. C. Stankwitz, R. J. Dallaire, and J. R. Fienup. Non linear apodizationfor sidelobe control in sar imagery. IEEE Transactions on Aerospace andElectronic Systems, 31(1), Janvier 1995.

[SK08] Y. Shi and W.C. Karl. A real-time algorithm for the approximation oflevel-set-based curve evolution. IEE Transactions on Image processing,17(5), May 2008.

[Tou83] G. Toussaint. Solving geometric problems with the rotating calipers. InIEEE MELECON, 1983.

[VP91] L. Vincent and P.Soille. Watersheds in digital spaces : an efficient algo-rithm based on immersion simulations. IEEE Transactions on PatternAnalysis and Machine Intelligence, 13(6) :583–598, 1991.

[VTC+00] P.W. Vachon, S.J. Thomas, J. Cranton, H.R. Edel, and M.D. Henschel.Validation of ship detection by the radarsat synthetic aperture radarand the ocean monitoring workstation. Canadian Journal of RemoteSensing, pages 200–212, 2000.

[ZAD65] Fuzzy sets. Information and Control. L.Zadeh, 1965.

Index

AIS, 1, 9, 30, 37, 38, 41, 44ambiguıtes, 13, 18apprentissage, 30, 37, 41ASAR, 1, 37ASR, 17

Bragg, 14

Canny-Deriche, 22CFAR, 17, 18, 35CLS, 1, 9contours actifs, 22, 23, 26Cosmo Skymed, 1, 37

detection de navires, 9, 11, 16, 17

fouillis de mer, 17fusion, 31, 34, 38, 40, 41

ligne de partage des eaux, 26

nadir, 18NCEP, 35

possibilites, 31, 37

radars a synthese d’ouverture, 1Radarsat 1, 1, 37Radarsat 2, 1, 17, 37, 38

SAR, 1, 9, 11, 21, 26, 30, 37, 38, 41,44

SARTool, 1, 9, 17, 21, 25, 31, 35, 37section efficace radar, 11, 14, 17, 27segmentation, 1, 19, 21, 22, 25–27,

31, 35, 38, 42sillages, 18speckle, 12, 16, 17, 22, 25SVA, 17

66

www.telecom

-bretagne.eu

Campus de BrestTechnopole Brest-IroiseCS 8381829238 Brest Cedex 3FranceTel : + 33 (0)2 29 00 11 11Fax : + 33 (0)2 29 00 10 00

Campus de Rennes2, rue de la ChataigneraieCS 1760735576 Cesson Sevigne CedexFranceTel : + 33 (0)2 99 12 70 00Fax : + 33 (0)2 99 12 70 19

Campus de Toulouse10, avenue Edouard BelinBP 4400431028 Toulouse Cedex 04FranceTel : + 33 (0)5 61 33 83 65Fax : + 33 (0)5 61 33 83 75

estimationdelongueurde naviresparimagerierso · 2.5 algorithme de segmentation des navires [mt11]...

Documents