Note publique d'information : Les images satellitaires ou aériennes sont dégradées par le système optique et par
le capteur lors de leur acquisition. Pour reconstruire une image de bonne qualité
à partir d'une observation floue et bruitée, il faut effectuer une déconvolution.
Nous rappelons, dans un premier temps, quels sont les différents éléments de la chaîne
d'acquisition, de l'optique au capteur (visible ou infrarouge), ce qui permet de modéliser
les dégradations subies par les images. Afin de reconstruire l'image sans amplifier
le bruit et tout en conservant les détails, il est nécessaire d'imposer des contraintes
sur la solution reconstruite, ce qui consiste à choisir un modèle a priori. Nous étudions
la modélisation des images satellitaires et aériennes, qui peut être effectuée dans
un cadre probabiliste ou variationnel, par des modèles discrets ou continus. Nous
proposons de nouveaux modèles statistiques qui tiennent compte des propriétés fractales
des scènes naturelles et de leur non-stationnarité, fondés sur des approches multiéchelles
et adaptatives. Ensuite nous étudions différentes techniques permettant d'estimer
les paramètres de ces modèles, décrivant les propriétés de l'image que l'on cherche
à reconstruire. Ces techniques sont développées dans un cadre bayésien, et donnent
lieu à des algorithmes soit stochastiques, soit déterministes, selon le problème à
résoudre. Enfin, nous proposons de nouveaux algorithmes de reconstruction, qui sont
totalement automatiques. Dans un premier temps, nous supposons que les dégradations
(flou et statistique du bruit) sont données et nous cherchons à reconstruire l'image
inconnue. Dans un second temps, nous considérons le cas où ces dégradations sont inconnues.
Nous effectuons alors une déconvolution aveugle, en deux étapes, la première consistant
à estimer les paramètres instrumentaux et la seconde à déconvoluer l'image, ces paramètres
étant fixés. Des tests ont été effectués sur des images satellitaires (simulations
SPOT 5 et Pléiades), ainsi que sur des images aériennes à haute résolution, prises
dans le visible ou dans l'infrarouge.
Note publique d'information : Satellite or aerial images are corrupted by the optical system and the sensor. To
reconstruct a good quality image from a noisy and blurred observation, one needs to
perform a déconvolution. First, we recall the principles of the acquisition chain,
from optics to the sensor (visible or infrared), enabling us to model the degradation
of the image. In order to reconstruct the image without amplifying the noise, while
preserving edges and textures, it is s=necessary to impose constraints on the reconstructed
solution, which consists of choosing a prior model. We study satellite and aerial
image modeling, which can be done within both probabilistic and variational frameworks,
and using both discrete and continuous models. We propose new statistical model that
take into account the fractal properties of natural scenes and their non-stationarity,
using multiscale and adaptive approaches. Next we study different techniques for estimating
the model parameters, describing the properties of the images to be reconstructed.
These techniques are developed within a Bayesian framework, and can be solved using
either stochastic, or deterministic algorithms, depending on the problem. Finally,
we propose new fully automatic reconstruction algorithms. First, we suppose that the
degradations (blurring kernel and noise statistics) are known, and we try to reconstruct
the unknown image. Second, we consider the case where these degradations are unknown.
We perform a blind déconvolution, in two steps, the first step consisting of determining
the instrumental parameters, and the second of deconvolving the image with fixed degradation
parameters. Tests have been performed on remote sensing data such as satellite images
(SPOT 5 and Pléïades simulations) and high resolution visible and infrared aerial
images.
paprika.idref.fr
data.idref.fr
Documentation
