Parameter Estimation and Modeling of High Resolution Synthetic Aperutre Radar Data - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2010

Parameter Estimation and Modeling of High Resolution Synthetic Aperutre Radar Data

Estimation de Paramètres et Modélisation des Données Radar à Synthèse d'Ouverture à Haute Résolution

Résumé

The thesis is approaching this problematic by statistical modeling and Bayesian inference for complex SAR image analysis. The Tikhonov regularization method is applied for image restoration because it allows to reformulate the ill-posed image estimation problem into a well-posed problem by the selection of a convex function. It allows to use the required image and prior models and to find the Maximum A Posteriori (MAP) estimate solution, exploiting the connection to the Bayesian framework. Furthermore it allows the optimization to be performed on complex-valued data and to include the system impulse response which has to be included to correctly model the SAR image. The use of the Rate Distortion for model selection is possible because of the connection between the mutual information and the Occam factor which permits the model selection in the first level of Bayesian inference. The model selection is applied in order to optimize the parameters of the Model Based Despeckling (MBD) algorithm for image denoising and feature extraction : the optimal average analyzing window and the optimal average model order. The method is a global approach and suits in case of large data sets because of its simplicity and fastness. The Rate Distortion based model selection is appropriate for the design of image information mining systems. The Tikhonov regularization shows to be a powerfulmethod for the regularization of complex-valued images. It is recommended in applications where the phase is required, e.g. interferometry, target analysis, because it provides an estimation of the image reflectivity while preserving the phase of the signal.
La thèse porte sur l'extraction d'informations et l'amélioration des données RSO de un mètre de résolution visant à fournir des meilleurs descripteurs de contenu pour la compréhension des scènes et la reconnaissance de cibles, pour des produits améliorés radiométriquement et spatialement. Pour atteindre cet objectif, la thèse approche le problème de la modélisation des images RSO et propose une nouvelle solution fondée sur l'estimation du problème inverse pour l'extraction d'information. Le problème de la sélection du modèle est géré par le taux de distorsion, en raison de sa correspondance avec le cadre de l'inférence bayésienne. Nous commençons l'analyse avec l'extension de la famille de champs aléatoires de Gauss-Markov linéaires a des données à valeurs complexes, qui s'applique aux variables aléatoires à valeurs complexes : la distribution normale à plusieurs variables complexes et le modèle paramétriques des champs aléatoires de Gauss-Markov en cas de variables aléatoires correctes et incorrectes. La méthode proposée est une régularisation de Tikhonov dans le domaine complexe. Le speckle est traité comme un processus aléatoire à valeurs réelles. L'approche dans le domaine complexe permet de gérer la formation de l'image cohérente comme information ou comme incertitude dans le cas de structures ou de textures de la scène. Dans le contexte de l'optimisation des paramètres pour l'extraction de caractéristiques, a fenêtre d'analyse optimale (moyenne) et l'ordre optimal (moyen) du processus d'auto-régression sont estimés à l'aide du taux de distorsion. Cela confirme que le taux de distorsion est une bonne méthode basée sur l'entropie pour la sélection de modèle.
Fichier principal
Vignette du fichier
these_soccorsi.pdf (30.98 Mo) Télécharger le fichier

Dates et versions

pastel-00561766 , version 1 (01-02-2011)

Identifiants

  • HAL Id : pastel-00561766 , version 1

Citer

Matteo Soccorsi. Parameter Estimation and Modeling of High Resolution Synthetic Aperutre Radar Data. Signal and Image processing. Télécom ParisTech, 2010. English. ⟨NNT : ⟩. ⟨pastel-00561766⟩
250 Consultations
366 Téléchargements

Partager

Gmail Facebook X LinkedIn More