Multitemporal SAR images denoising and change detection : applications to Sentinel-1 data - Archive ouverte HAL Access content directly
Theses Year : 2019

Multitemporal SAR images denoising and change detection : applications to Sentinel-1 data

Débruitage et détection de changements pour les séries temporelles d'images SAR : applications aux données Sentinel-1

(1)
1

Abstract

The inherent speckle which is attached to any coherent imaging system affects the analysis and interpretation of synthetic aperture radar (SAR) images. To take advantage of well-registered multi-temporal SAR images, we improve the adaptive nonlocal temporal filter with state-of-the-art adaptive denoising methods and propose a patch based adaptive temporal filter. To address the bias problem of the denoising results, we propose a fast and efficient multitemporal despeckling method. The key idea of the proposed approach is the use of the ratio image, provided by the ratio between an image and the temporal mean of the stack. This ratio image is easier to denoise than a single image thanks to its improved stationarity. Besides, temporally stable thin structures are well-preserved thanks to the multi-temporal mean. Without reference image, we propose to use a patch-based auto-covariance residual evaluation method to examine the residual image and look for possible remaining structural contents. With speckle reduction images, we propose to use simplified generalized likelihood ratio method to detect the change area, change magnitude and change times in long series of well-registered images. Based on spectral clustering, we apply the simplified generalized likelihood ratio to detect the time series change types. Then, jet colormap and HSV colorization may be used to vividly visualize the detection results. These methods have been successfully applied to monitor farmland area, urban area, harbor region, and flooding area changes.
Le bruit de chatoiement (speckle) lié aux systèmes d'imagerie cohérente a des conséquences sur l'analyse et l'interprétation des images radar à synthèse d'ouverture (RSO). Pour corriger ce défaut, nous profitons de séries temporelles d'images RSO bien recalées. Nous améliorons le filtre adaptatif temporel non-local à l'aide de méthodes performantes de débruitage adaptatif et proposons un filtrage temporel adaptatif basé sur les patchs. Pour réduire le biais du débruitage, nous proposons une méthode originale, rapide et efficace de débruitage multitemporel. L'idée principale de l'approche proposée est d'utiliser l'image dite "de ratio", donnée par le rapport entre l'image et la moyenne temporelle de la pile. Cette image de ratio est plus facile à débruiter qu'une image isolée en raison de sa meilleure stationnarité. Par ailleurs, les structures fines stables dans le temps sont bien préservées grâce au moyennage multitemporel. Disposant d'images débruitées, nous proposons ensuite d'utiliser la méthode du rapport de vraisemblance généralisé simplifié pour détecter les zones de changement ainsi que l'amplitude des changements et les instants de changements intéressants dans de longues séries d'images correctement recalées. En utilisant le partitionnement spectral, on applique le rapport de vraisemblance généralisé simplifié pour caractériser les changements des séries temporelles. Nous visualisons les résultats de détection en utilisant l'échelle de couleur 'jet' et une colorisation HSV. Ces méthodes ont été appliquées avec succès pour étudier des zones cultivées, des zones urbaines, des régions portuaires et des changements dus à des inondations.
Fichier principal
Vignette du fichier
76761_ZHAO_2019_archivage.pdf (19.44 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)
Loading...

Dates and versions

tel-02095817 , version 1 (10-04-2019)

Identifiers

  • HAL Id : tel-02095817 , version 1

Cite

Weiying Zhao. Multitemporal SAR images denoising and change detection : applications to Sentinel-1 data. Image Processing [eess.IV]. Université Paris-Saclay, 2019. English. ⟨NNT : 2019SACLT003⟩. ⟨tel-02095817⟩
537 View
204 Download

Share

Gmail Facebook Twitter LinkedIn More