Click here to load reader

Séminaire ONERA, le 15/03/11

  • View
    30

  • Download
    0

Embed Size (px)

DESCRIPTION

Approches non-locales et régularisation optimisée par coupure minimale pour le débruitage de données radar F. Tupin , C. Deledalle, L. Denis, A. Shabou, J. Darbon. L. Denis, Observatoire de Lyon J. Darbon, CMLA, ENS Cachan. Séminaire ONERA, le 15/03/11. 1420 students 188 faculty - PowerPoint PPT Presentation

Text of Séminaire ONERA, le 15/03/11

  • Approches non-locales et rgularisation optimise par coupure minimale pour le dbruitage de donnes radar

    F. Tupin, C. Deledalle, L. Denis, A. Shabou, J. Darbon Sminaire ONERA, le 15/03/11L. Denis, Observatoire de LyonJ. Darbon, CMLA, ENS Cachan

  • 12 schools18 900 students 3,650 faculty165,000 alumni1420 students 188 faculty10,000 alumni

  • ProblmatiqueObjectif: estimer un signal initial partir de donnes mesures

    Contexte : imagerie SAR, haute rsolution, interfromtrie, polarimtrieSignal bruit [email protected] Signal idal sans bruit(=100 vues @ONERA)

  • Problmatique

  • Approches par moyennes non-localesPrincipeCadre probabilisteApplication des donnes en amplitudeApplication des donnes interfromtriquesApplication des donnes polarimtriquesApproches markoviennes et coupuresPrincipeOptimisationApplication des donnes interfromtriques

  • Approches non-localesPrincipe : Saffranchir de la contrainte de localit et la remplacer par une contrainte de similarit

    Mesurer la similarit entre deux pixels en comparant des patchs centrs sur ces pixels (Buades, 2005)Hypothse sur le pixel central du patchHypothse de redondance dans les images

  • Approches non-localesPrincipe non-local :

    Calcul de similarit

  • Approches non-localesPrincipe non-local : exemples de similarits

    Force / limitePas de contraintes de connexit des pixels similairesHypothse de redondance

  • Approches non-localesExemple de rsultat :

  • Cadre probabilistePrincipe : reformulation des NL-means dans un cadre destimation probabilisteEstimation au sens du maximum de vraisemblance pondr:

    Poids : approchent la fonction indicatrice dun ensemble de pixels redondants pour lesquels us=ut

  • Cadre probabiliste

  • Cadre probabilisteDfinition des poids:

    Similarit statistique:

  • Cadre probabilisteSimilarit entre valeurs bruites : rapport de vraisemblance

    Rapport de vraisemblance gnralis (estimation au sens du MV des paramtres inconnus)

  • Cadre probabilisteSimilarit entre valeurs cherches: probabilit a priori

    Paramtres vrais inconnus: estimation itrative partir dune initialisation obtenue sans ce terme

  • Cadre probabiliste Algorithme itratif deux tapes :Estimation des poids w(s,t): combinaison de la similarit par GLR (calcule sur limage bruite) et la similarit a priori (calcule sur la solution courante)Estimation de la solution par maximisation de la vraisemblance pondreconvergence au bout dune dizaine ditrationsDeledalle et al.,Iterative weighted maximum likelihood denoising with probabilistic patch-based approach IEEE Trans. On Image Processing, dec. 2009

  • Application aux donnes en amplitude Notations :Solution : rflectivitDonne : amplitudeDistribution de Rayleigh (1-vue) ou Nakagami (L-vues)

    Maximum de vraisemblance pondr

  • Application aux donnes en amplitude Estimation des poidsGLR des donnes bruites

    Estimateurs au sens du MV:

  • Application aux donnes en amplitude Estimation des poidsSimilarit a priori

  • Application aux donnes en amplitudeAlgorithme itratif:2 tapes:

  • Amplitude Rsultats Image SAR originale1-vue @ONERADbruitage NL-SAR

  • Amplitude Rsultats Image SAR 100-vuesDbruitage NL-SAR de limage 1-vue

  • Application aux donnes interfromtriques Notations :Solution : rflectivit, phase, cohrenceDonnes : deux complexes Distribution complexe circulaire gaussienne de moyenne nulle

  • Application aux donnes interfromtriques Maximum de vraisemblance pondr :

    avec R=R

  • Application aux donnes interfromtriques Poids de similarit :GLR

    (+ hypothse R=R)Similarit a priori

    Deledalle et al., NL-InSAR: Non Local Interferogram Estimation,IEEE Trans. On Geosc. And Rem. Sens., 2011

  • NL-InSAR RsultatsDonnes [email protected]

  • NL-InSAR RsultatsDonnes [email protected]

  • Application aux donnes polarimtriques Cas multi-vues notationsMesures : matrices de covariance Solution cherche :Distribution (Wishart) :

    Maximum de vraisemblance

  • Application aux donnes polarimtriques Poids de similaritGLR :

  • Application aux donnes polarimtriques Poids de similaritSimilarit a priori :

    Deledalle et al., Polarimetric SAR estimation based on non-local means, IGARSS 2010

  • NLPolSAR Rsultats

  • NLPolSAR Rsultats

  • NLPolSAR Rsultats

  • Moyennes non-localesProblmes non abords dans cette prsentationComment choisir les paramtres dans les poids de similarit ?Approche probabiliste sur la distribution des critresComment choisir la taille et la forme des patchs ?Adaptation locale possibleDeledalle et al., Poisson NL-means: unsupervised non local means for Poisson noise, ICIP 2010

  • Approches par moyennes non-localesPrincipeCadre probabilisteApplication des donnes en amplitudeApplication des donnes interfromtriquesApplication des donnes polarimtriquesApproches markoviennes et coupuresPrincipeOptimisationApplication des donnes interfromtriques

  • Approches markoviennes - principesExpression du problme destimation sous la forme :

    Choix du terme de vraisemblance (modles de distribution)Choix du terme de rgularisation (rgularit de u)Choix du paramtre de rgularisationChoix dune mthode doptimisationMinu

  • Terme de rgularisationWhich prior model is best?should enforce image regularity (smooth regions)should not over-penalize transitions (image edges)should be easy to minimizegray level difference between neighbor pixelsprior energyL2 prior: leads to over-smooth imagesTotal variation: preserves transitions and is still convexNon-convex priors such as: preserves transitions but are difficult to minimize

    [Rudin-Osher-Fatemi 92] "Nonlinear total variation based noise removal algorithms"

  • Mthodes doptimisationRecherche du minimum global de lnergieProblme difficile: le terme dattache aux donnes nest pas ncessairement convexe (ex cas radar) et le terme de rgularisation non plus (dpend du choix du modle)Plusieurs approches possibles en fonction des nergies minimiser

  • Mthodes doptimisationLe bruit de speckle suit une loi queue lourde

    dont la neg log-vraisemblance est non convexe

  • Mthodes doptimisationApproches possibles:approches variationnellesoptimisation continueoptimisation discrteimage dans un espace de dimension infinieimage dans un espace de dimension finie (chantillonnage)image dans un espace de dimension finie (chantillonnage+quantification)outils thoriques dexistence, unicit du minimum, preuves de convergence dune suite minimisantealgorithmes rapides (quasi-Newton)minimisation non-lissealgorithmes rapides (graph-cuts)minimisation globale parfois possible

  • Mthodes doptimisationApproches par coupure minimalePrincipe : construction dun graphe appropri puis recherche de la coupe de cot minimal dans ce graphe ; elle correspond une solution minimisant globalement lnergieExemple :

    Limites : espace dtats quantifi, terme dinteraction convexe

  • Minimisation exacte (i.e., globale)1D imageColonne de noeuds = chaque pixel de limageLigne de noeuds = un niveau de grisCoupe = une image niveaux de grisCot de la coupe = nergie de limage correspondante1D imagePrincipe: construction du graphe

  • Minimisation exacte (i.e., globale)15 octobre 2009Limite:1D image2D imageLa minimisation exacte dun terme dattache aux donnes non-convexe ncessite la construction dun graphe de NpixelsNgray levels noeuds.

  • Optimisation - variantesApproches multi-labels (solution approche)Optimisation itrative sur un sous-ensemble restreint dtatsStratgies stochastiques : sous-ensemble dtats tirs alatoirementStratgies hirarchiques : diminution progressive du pas de quantification de lespace dtats ou couplage avec une approche continue(espace dtats variable pour chaque pixel)Shabou et al., A graph-cut based algorithm for approximate MRF optimization, ICIP 2009

  • Application linterfromtrieContexteDonnes:Images ariennes, HR, phase droule

    Objectif:Rgulariser la phase avant une reconstruction 3D optique / radarPrendre en compte simultanment les discontinuits en phase et en amplitudeDenis et al., Joint regularization of phase and amplitude of InSAR data: application to 3D reconstruction, IEEE Trans. On Image Processing, 2009

  • Application linterfromtrieRgularisation conjointe phase / amplitudeTerme de vraisemblance:

    Terme de rgularisation:Denis et al., Joint regularization of phase and amplitude of InSAR data: application to 3D reconstruction, IEEE Trans. On Geosc. And Rem. Sens., 2009Arg()

  • Application linterfromtrieRgularisation conjointe phase / amplitudeOptimisation vectorielle:Optimisations binaires itrativesDenis et al., SAR image regularization with fast approximate discrete minimization, IEEE Trans. On Image Processing, 2009

  • Interfromtrie - rsultatsDonnes RAMSES, @ONERA, Toulouse

  • Interfromtrie - rsultats

  • Interfromtrie - rsultatsDonnes originales @ONERAModle disjoint att.do.Modle exact

  • Applications en interfromtrieCombinaison multi-canalIntgration dans lattache aux donnes de plusieurs contributions de phase interfromtrique

    Shabou et al., Multi-channel phase unwrapping with graph-cuts, IEEE GRSL, 2010

  • Applications en interfromtrieCombinaison multi-canal

    Intgration dune composante atmosphrique sur la phase

  • Applications en interfromtrieOptimisation itrative

  • Interfromtrie - rsultats

  • Interfromtrie

Search related