Approche régularisée pour la détection d'objets ponctuels dans une séquence d'images

Regularization models of clutter rejection and point target detection in image sequences

• Auteur / Autrice : Vincent Samson
• Direction : Jean-François Giovannelli
• Type : Thèse de doctorat
• Discipline(s) : Physique
• Date : Soutenance en 2002
• Etablissement(s) : Paris 11

Mots clés

Mots clés libres

Estimation bayésienne

Modèle markovien

Recalage inter-image

Super-résolution

Cible subpixellique

Résumé

Nous nous intéressons au problème de la détection d'objets ponctuels sur fond nuageux en imagerie optique. Les techniques classiques de suppression de fond utilisent des méthodes de prédiction linéaire et identifient les cibles comme des anomalies pixelliques. Afin de dépasser les limitations de ces approches, nous envisageons ce problème sous l'angle de l'estimation bayésienne et nous développons une approche régularisée de type ''bimodèle''. Il s'agit en effet d'extraire des objets ponctuels isolés du fond structuré constitué par le ciel nuageux. Dans le cas mono-image, notre méthode d'estimation peut être vue comme une méthode de prédiction non linéaire globale du fond, dans laquelle l'image des cibles s'identifie aux résidus de prédiction. La solution est obtenue en minimisant un critère pénalisé robuste et s'interprète comme l'estimée au sens du maximum a posteriori. Pour des raisons de coût de calcul, nous considérons une énergie strictement convexe dont le minimum peut être atteint par un algorithme itératif de descente locale. Cette approche régularisée est étendue au traitement conjoint de deux images successives de la séquence en prenant en compte le mouvement apparent de translation du fond. Nous illustrons notre propos par des résultats obtenus sur des images de synthèse réalistes. Le bimodèle mono-image fournit un gain très sensible en performances de détection tandis que la solution bi-image s'avère plus efficace qu'un filtrage prédictif spatio-temporel pour de faibles vitesses de défilement de cibles. Nous étudions également les possibilités d'améliorer la qualité de la détection en modélisant le caractère sous-échantillonneur du capteur. Ainsi, nous préconisons un critère de super-résolution pour inverser le repliement spectral du fond et d'autre part, nous procédons à une comparaison empirique de différentes statistiques de détection de cibles subpixelliques.

We address the issue of point target detection in image sequences. Our application deals with optical images of cloud scenes for remote surveillance but this problem is also relevant to other domains such as astronomical or biomedical imaging. Among the different techniques in the literature, clutter removal algorithms identify point objects as pixel anomalies with respect to the background correlated structure. Thus, we propose to solve this problem in a regularized framework by taking into account some a priori information on the two components of the data, cluttered background and isolated point targets. Our goal is to separate them by inverting the observation model. The single frame estimate of the background is defined as the minimizer of a global penalized criterion involving two robust terms. The enhanced target image is the residual output and can be interpreted in a Bayesian framework as the MAP solution. For the sake of computational burden, the criterion is chosen convex and searched by a gradient-type algorithm. We propose an extension of this approach to the simultaneous processing of several frames. It takes into account the apparent translational motion of the background and leads to multiframe estimates of background and targets. Simulation results on realistic images show that the single frame solution overcomes spatial matched filter and in the spatio-temporal case, our method gives improved performance for detecting slow moving objects compared to linear prediction filters. Then, we develop high-resolution models to cape with undersampling, in particular the aliasing of the background. Detection of point objects with random subpixel location is also tackled through the comparison of empirical performances of refined detection statistics.