No d'ordre

De
Publié par

Niveau: Supérieur, Doctorat, Bac+8
No d'ordre : THESE presentee pour obtenir le grade de Docteur de l'Universite Louis Pasteur - Strasbourg I Ecole doctorale : Sciences de la Terre, de l'Univers et de l'Environnement de Strasbourg Discipline : Informatique Specialite : Traitement d'images et vision par ordinateur Detection des galaxies a faible brillance de surface, segmentation hyperspectrale dans le cadre de l'observatoire virtuel Matthieu PETREMAND Membres du jury : Rapporteur interne : C. BOILY Maıtre de conferences, HDR ULP, Strasbourg Rapporteur externe : E. SLEZAK Astronome adjoint, HDR OCA, Nice Rapporteur externe : K. CHEHDI Professeur ENSSAT, Lannion Directeur de these : C. COLLET Professeur ULP, Strasbourg Directrice de these : F. GENOVA Direct. de Rech. CDS, Strasbourg Examinateur : M. LOUYS Maıtre de conferences ULP, Strasbourg Invite : F. BONNAREL Ingenieur de recherche CDS, Strasbourg Travail effectue au sein du Laboratoire des Sciences de l'Image, de l'Informatique et de la Teledetection, UMR - 7005 CNRS - ULP et de l'observatoire astronomique de Strasbourg, UMR - 7550 CNRS

  • segmentation markovienne floue

  • strasbourg examinateur

  • traitement de l'image en astronomie

  • methodes supervisees

  • imagerie astronomique

  • sciences de la terre, de l'univers et de l'environnement de strasbourg discipline

  • resultats de segmentation

  • theorie de l'estimation bayesienne


Publié le : mercredi 20 juin 2012
Lecture(s) : 68
Tags :
Source : scd-theses.u-strasbg.fr
Nombre de pages : 170
Voir plus Voir moins

oN d’ordre :
?THESE
pr¶esent¶ee pour obtenir le grade de
Docteur de l’Universit¶e Louis Pasteur - Strasbourg I
¶Ecole doctorale : Sciences de la Terre, de l’Univers et de l’Environnement de Strasbourg
Discipline : Informatique
Sp¶ecialit¶e : Traitement d’images et vision par ordinateur
D¶etection des galaxies a? faible brillance de surface,
segmentation hyperspectrale dans le cadre
de l’observatoire virtuel
Matthieu PETREMAND
Membres du jury :
Rapporteur interne : C. BOILY Ma^‡tre de conf¶erences, HDR ULP, Strasbourg
¶Rapporteur externe : E. SLEZAK Astronome adjoint, HDR OCA, Nice
Rapp : K. CHEHDI Professeur ENSSAT, Lannion
Directeur de th?ese : C. COLLET ULP, Strasbourg
Directrice de these? : F. GENOVA Direct. de Rech. CDS,ourg
Examinateur : M. LOUYS Ma^‡tre de conf¶erences ULP, Strasbourg
Invit¶e : F. BONNAREL Ing¶enieur de recherche CDS,ourg
Travail efiectu¶e au sein du Laboratoire des Sciences
de l’Image, de l’Informatique et de la T¶el¶ed¶etection, UMR - 7005 CNRS - ULP
et de l’observatoire astronomique de Strasbourg, UMR - 7550 CNRSRemerciements
Je remercie Messieurs Kacem Chehdi, Christian Boily et Eric Sl¶ezak pour l’int¶er^et
qu’ilsontport¶esa?mestravauxenacceptantlat^achederapporteurs.Jeremercie¶egalement
Monsieur Fran»cois Bonnarel et Madame Mireille Louys pour avoir accept¶e de participer
au jury.
Je remercie mon directeur de th?ese Monsieur Christophe Collet pour la conflance, le
soutien et la disponibilit¶e qu’il m’a accord¶e ainsi que pour la justesse et la pertinence des
conseils qu’il m’a prodigu¶e durant ces trois ann¶ees de these.? Je lui suis reconnaissant de
m’avoir fait partager son enthousiasme et son gout^ pour la recherche.
Cetravaila¶et¶er¶ealis¶eauLSIIT(LaboratoiredesSciencesdel’Image,del’Informatique
et de la T¶el¶ed¶etection), dans l’¶equive MIV (Mod?eles, Images et Vision) en collaboration
avec le CDS (Centre de Donn¶ees astronomiques de Strasbourg) dans le cadre de l’ACI
MDA (Masses de Donn¶ees en Astronomie). J’exprime ma gratitude a? Madame Fran»coise
Genova, directrice du CDS, et a? Monsieur Fabrice Heitz, directeur du LSIIT, pour leur
accueil dans leur laboratoire respectif.
Je tiens ¶egalement a? remercier Fran»cois Bonnarel et Mireille Louys pour leur aide
et leurs conseils prodigu¶es tout au long de ma these? ainsi que pour avoir support¶e mes
incessants allers-retours dans leur bureau. Je les remercie ¶egalement, ainsi que Bernd
Vollmer et Eric Sl¶ezak pour m’avoir patiemment et toujours brillamment enseign¶es les
concepts astronomiques n¶ecessaires aux travaux men¶es dans cette th?ese.
Mercia?touslesmembresdes¶equipesMIVetCDS,pourleurgentillesseetleursoutien.
Plus particulieremen? t, je remercie Farid, Matthieu, Alex, Andr¶e, Christian, Fabien, Jean
Julien, et Thomas pour toutes les discussions scientiflques (ou pas) qui m’ont permises
d’avancer dans ma these.?
Jened¶erogeraipasa?laregle? consistanta?remerciermesprochescarcesont¶egalement
eux qui m’ont permis d’avancer dans mes travaux. Je remercie ainsi ma famille pour son
soutien et ses encouragements quasi-quotidien. Merci¶egalementa? Felagund (aka J¶erome)
quim’aaccompagn¶ependantunebonnepartieexploratoired’Azeroth.Plusquelejoueur,
je remercie la personne qui m’a toujours conseill¶ee et rassur¶ee tout au long de ma th?ese
et qui est si souvent venu me voir. Je remercie¶egalement tous les membres des Aes Sedai
pourleurbonnehumeurconstanteetleursoutien.J’adressemessinc?eresremerciementsa?
Olivierquiasuivimestravauxpresqueaussiassidumen^ tquemoi.Enfln,mercia?Laurent,
Numa, Fred, Matthieu, Karim, S¶ebi, Nicolas, Elsa, Samuel, Greg, Pierrot, St¶ephane pour
leursoutienetlafacilit¶eaveclaquelleleurpr¶esencem’auraaid¶eea?surmonterlesmoments
les plus di–ciles de ma th?ese.iiTable des matieres?
Introduction g¶en¶erale 1
1 L’imagerie astronomique 3
1.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 L’imagerie monobande . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Spectroscopie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.3 Imagerie multibande . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.4 L’imagerie hyperspectrale . . . . . . . . . . . . . . . . . . . . . . . 12
1.2 Archivage et gestion de grandes masses de donn¶ees astronomiques . . . . . 13
1.3 Traitement de l’image en astronomie . . . . . . . . . . . . . . . . . . . . . 14
1.3.1 Les outils de traitements astronomiques. . . . . . . . . . . . . . . . 15
1.3.2 M¶ethodes avanc¶ees de traitement du signal et de l’image appliqu¶e
a? l’astronomie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Segmentation markovienne oue 21
2.1 Notations utilis¶ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Les m¶ethodes de segmentation . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1 M¶ethodes supervis¶ees . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2 M¶ethodes non-supervis¶ees . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Segmentation markovienne oue . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.1 Th¶eorie de l’estimation bay¶esienne . . . . . . . . . . . . . . . . . . 28
2.3.2 Modele? markovien ou . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.3 Estimation des parametres? du mod?ele markovien . . . . . . . . . . 37
2.4 R¶esultats de segmentations . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3 D¶etection des galaxies a? faible brillance de surface 55
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2 Notations utilis¶ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.3 Segmentation markovienne par quadarbre . . . . . . . . . . . . . . . . . . 57
3.4 D¶etection des galaxies LSB . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.4.1 Traitements \astronomiques" des observations INT . . . . . . . . . 59
3.4.2 Elimination d’objets dans la carte de segmentation . . . . . . . . . 60
3.4.3 Optimisation des parametres? de chaque ellipse . . . . . . . . . . . . 61
3.5 R¶esultats de d¶etection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67?iv TABLE DES MATIERES
3.5.1 Donn¶ees utilis¶ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.5.2 R¶esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.5.3 Comparaisons avec la d¶etection de S. Sabatini . . . . . . . . . . . . 71
3.5.4 avec la d¶ de Sextractor . . . . . . . . . . . . 72
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4 Visualisation d’images astronomiques multibandes 77
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2 Notations utilis¶ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.3 Colorim¶etrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.3.1 L’espace RVB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.3.2 TSL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.4 R¶eduction et analyse de donn¶ees . . . . . . . . . . . . . . . . . . . . . . . . 82
4.4.1 L’analyse factorielle discriminante . . . . . . . . . . . . . . . . . . . 82
4.4.2 R¶eduction des donn¶ees . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.5 Premiere? m¶ethode de visualisation color¶ee . . . . . . . . . . . . . . . . . . 85
4.5.1 Utilisation de l’ACP pour l’axe L . . . . . . . . . . . . . . . . . . . 87
4.5.2 de l’AFD pour les axes T et S . . . . . . . . . . . . . . . 87
4.5.3 R¶esultat sur une image simple . . . . . . . . . . . . . . . . . . . . . 89
4.5.4 R¶esultats sur des images obtenues en t¶el¶ed¶etection . . . . . . . . . . 91
4.5.5 R¶ sur des astronomiques . . . . . . . . . . . . . . . . 93
4.6 Deuxieme? m¶ethode de visualisation . . . . . . . . . . . . . . . . . . . . . . 102
4.6.1 Modele? TSL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.6.2 R¶esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5 R¶eduction-segmentation d’images astronomiques hyperspectrales 115
5.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.2 Contexte astronomique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.2.1 Introduction a? la physique des galaxies . . . . . . . . . . . . . . . . 118
5.2.2 Un univers simul¶e : GALICS . . . . . . . . . . . . . . . . . . . . . . 124
5.3 R¶eduction-Segmentation de cubes de donn¶ees hyperspectraux. . . . . . . . 126
5.3.1 Projection des donn¶ees . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.3.2 La m¶ethode des Mean-Shift . . . . . . . . . . . . . . . . . . . . . . 128
5.4 R¶esultats. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Conclusion g¶en¶erale 145
Bibliographie 151Introduction g¶en¶erale
L’astronomie est une science qui a toujours fascin¶ee l’homme, que ce soit par
l’observation directe du ciel a? l’oeil nu ou la d¶ecouverte de nouveaux systemes? plan¶etaires. Les
progr?es instrumentaux constants ont permis, des? les premiers jours d’utilisation
d’instruments optiques, des d¶ecouvertes qui ont boulevers¶ees la vision de notre univers. De
la d¶ecouverte de nouvelles planetes? toujours plus lointaines dans notre syst?eme solaire a?
l’embarquement de capteurs et d’instruments complexes sur la sonde CASSINI en 2005,
la d¶ecouverte de nouvelles th¶eories astronomiques a toujours conduit a? la construction
de capteurs/t¶elescopes de plus en plus puissants et sensibles. Les observations terrestres
¶etant bruit¶ees par le passage des photons dans l’atmosphere,? le nombre de t¶elescopes mis
en orbite n’a cess¶e de grandir (le c¶el?ebre t¶elescope Hubble en est un exemple).
Cependant, l’arriv¶ee de l’optique adaptative a permis d’obtenir des images acquises par des
observatoires terrestres pour lesquelles l’efiet de parasitage atmosph¶erique est compens¶e
par plusieurs miroirs inclinables pilot¶es informatiquement en temps r¶eel. De plus les
capteurs multispectraux permettent dor¶enavant d’obtenir un ensemble d’images de la m^eme
portion du ciel a? des longueurs d’ondes difi¶erentes. On assiste ainsi, de nos jours, au
passage d’une observation deux dimensions a? une observation trois dimensions
permettant de d¶ecouvrir le comportement spectral de l’objet en fonction de la longeur d’onde
d’acquisition.
Ces difi¶erentes techniques d’acquisition s’accompagnent fr¶equemment d’inconv¶enients
pour l’astronome. Par exemple, sur des images monobandes (compos¶ees d’une seul
longueur d’onde), certains objetsa? rayonnement faible seront en partie masqu¶es par le
bruit
pr¶esentdansl’image.Enefiet,lescapteursutilis¶esenimageriemontrentencoreleurlimite
entermedesensibilit¶e.Danslecasd’imagesmultispectrales,leprincipalinconv¶enientrencontr¶e par la communaut¶e astronomique est la di–cult¶e d’interpr¶etation et de mise en
commundel’informationport¶eeparlesbandes.Deplus,l’augmentationdesrelev¶esduciel
par les t¶elescopes terrestres et spatiaux conduita? une abondance de donn¶ees di–cilement
quantiflable nomm¶ee \avalanche de donn¶ees". L’astronome se retrouve donc face a? une
gigantesque masse de donn¶ees complexes, h¶et¶erog?enes et distribu¶ees dont l’interpr¶etation
peut devenir fastidieuse et d¶elicate dans le cas, par exemple, de donn¶ees multispectrales.
Il est donc n¶ecessaire de proposera? l’astronome un ensemble d’outils facilitant son travail
d’interpr¶etation ind¶ependamment du nombre de bandes de l’observation. Il est alors
souhaitable de proposer des m¶ethodes de d¶etection d’objets, de segmentation d’observations
multispectrales, de visualisation d’images, etc. Cette these? s’inscrit dans cette optique en
ayant pour buts principaux la d¶etection des galaxiesa? faible brillance de surface ainsi que
la segmentation de cubes de donn¶ees hyperspectraux (dont le nombre de bandes d¶epasse
la cinquantaine) et, accessoirement, la segmentation oue et la visualisation d’images2 Introduction g¶en¶erale
multispectrales.
La premiere? t^ache, de d¶etection des galaxies a? faible brillance de surface, consiste a?
mettre en valeur des objets dont la brillance est inf¶erieure a? celle du fond de ciel. Les
galaxies LSB (Low Surface Brightness) jouent un r^ole important dans notre conna^‡ssance
de l’¶evolution et de la formation des galaxies. Elles pourraient ^etre responsables de la
masse cach¶ee de l’univers (masse noire) et n’ont ¶et¶e d¶etect¶ees que tres? r¶ecemment gr^ace,
encore une fois, au progres? technologique des capteurs dont la sensibilit¶e a fortement
augment¶ee. Les techniques astronomiques pour efiectuer ses d¶etections sont g¶en¶eralement
bas¶ees sur des seuils successifs (¶eliminant une partie de l’objet en m^eme temps que le
fond de ciel) ou, plus simplement, sur une ¶etude visuelle de l’observation. Ces m¶ethodes
montrant rapidement leurs limites, nous proposons un algorithme de d¶etection bas¶e sur
unesegmentationmarkoviennedel’observation,qui,paruneestimationflnedubruit,fait
\ressortir" les objetsa? faible brillance de surface du fond de ciel. Un ensemble de crit?eres
astronomiques est ensuite d¶eflni sur l’objet d¶etect¶e afln de valider son appartenance au
type LSB.
Une seconde t^ache revient a? proposer une segmentation de cubes de donn¶ees
hyperspectraux. En efiet, les mod?eles standards de mono/multibandes ne sont
pas applicables au cas hyperspectral a? cause de la \mal¶ediction de la dimensionnalit¶e"
(¶egalement nomm¶ee \ph¶enom?ene de Hughes"). Le nombre de bandes augmentant, le
nombre de pixels dans l’image reste constant et conduit ainsia? un espace clairsem¶e. Nous
avons donc a? notre disposition trop peu d’¶echantillons par rapport a? la taille de l’espace
pour se livrera? une inf¶erence bay¶esienne. Dans ce cas, nous pouvons alors consid¶erer une
segmentation bas¶ee sur des criteres? spectraux puisque l’imagerie hyperspectrale donne
acc?es a? un spectre par position dans l’image. La discrimination entre deux pixels se fera
donc sur la troisieme? dimension spectrale. Nous avons ¶etudi¶e l’utilisation d’une
projection coupl¶ee a? un algorithme d’estimation non-param¶etrique de densit¶e de probabilit¶e
(algorithme des Mean-Shift), permettant de classifler les pixels en fonction de leur
comportementspectral.L’utilisationd’unesegmentationmarkovienne,endernierlieu,conduit
a? l’introduction d’une r¶egularisation spatiale de la carte de segmentation spectrale. Cette
nouvelle m¶ethode de segmentation est test¶ee et valid¶ee sur des images de t¶el¶ed¶etection en
plus d’images astronomiques montrant ainsi la g¶en¶ericit¶e de l’approche.
Une troisi?eme t^ache consiste a? proposer une segmentation multibande dont
l’application r¶epond beaucoup mieux aux besoins des astronomes que les modeles? existants. Une
approche oue, mod¶elisant le fait qu’un pixel puisse appartenira? une ou plusieurs classes
\dures", coupl¶ee a? la segmentation par champs de Markov est alors d¶eflnie. Cette
approche oue se r¶ev?ele g¶en¶eralement appropri¶eea? l’imagerie astronomique ou? les fronti?eres
des objets ne sont pas clairement d¶eflnies et ou? les corps stellaires sont g¶en¶eralement
diffus. L’approche pr¶esent¶ee dans ce manuscrit est utilis¶ee pour segmenter des observations
monobandes et multibandes.
Enfln, nous proposons une m¶ethode de visualisation d’images multibandes
astronomiques.Enefiet,l’astronome,ayanta?dispositionuneobservationmultispectrale,requiert
une visualisation directe de la contribution de chacune des bandes. Dans le cas d’images
compos¶ees de trois bandes, une simple afiectation de chaque bande aux canaux R, V3
et B de l’espace color¶e RVB permet de visualiser l’image sous la forme d’une
composition color¶ee. Cependant, lorsque le nombre de bandes d¶epasse trois, la param¶etrisation
de l’espace RVB n’est plus directe. Nous proposons donc deux m¶ethodes de visualisation
d’imagesmulti/superspectrales(jusqu’ aunecinquantainedebandesenviron)bas¶ees,pour
la premi?ere m¶ethode sur une analyse de Fischer et une analyse en composantes
principales, puis, pour la deuxieme? m¶ethode sur une param¶etrisation beaucoup plus familiere? a?
l’astronome, respectant les couleurs astronomiques de l’objet. Cette composition color¶ee
est efiectu¶ee dans l’espace intuitif TSL (Teinte Saturation Luminance) puis convertie
dans l’espace RVB pour a–chage. Ces deux m¶ethodes ont ¶egalement ¶et¶e valid¶ees sur des
imagesissuesdudomainedelat¶el¶ed¶etectionou? leprobl?emedevisualisationest¶egalement
rencontr¶e.
Le manuscrit est organis¶e en cinq chapitres. Le premier d¶ebute par une description
de l’imagerie astronomique, de ses probl¶ematiques et des solutions mises en oeuvre pas
la communaut¶e astronomique pour y rem¶edier. Il est en efiet indispensable de cerner les
probl¶ematiques astronomiques afln de faciliter l’interaction entre communaut¶e STIC et
astronomes ainsi que le d¶eveloppement de modeles? coh¶erents et applicables a? l’imagerie
astronomique.
Le deuxieme? chapitre est consacr¶e a? l’introduction du mod?ele markovien ou. Nous
pr¶esentons, en premiere? partie, un ¶etat de l’art des grandes cat¶egories de m¶ethodes de
segmentationpuis,dansunesecondepartie,introduisonslemodele? markovienparchamps
de Markov ou.
Le troisieme? chapitre pr¶esente une utilisation d’une approche markovienne dans la
d¶etectiondesgalaxiesa?faiblebrillancedesurface.Lapremiere?
partieintroduitlesprobl¶ematiques et les nombreux enjeux li¶es a? ces objets particuliers tandis qu’une deuxieme?
partie d¶etaille l’algorithme de d¶etection utilis¶e.
Le quatri?eme chapitre pr¶esente, dans une premi?ere partie, une m¶ethode de
visualisationd’imagesmultispectralesbas¶eesurdeuxm¶ethodesd’analysesdedonn¶ees.Laseconde
partie est r¶eserv¶ee a? la pr¶esentation d’une deuxi?eme m¶ethode de visualisation beaucoup
plus ax¶ee sur le systeme? familier d’interpr¶etation des astronomes. La communaut¶e
astronomique se retrouve donc dans un systeme? color¶e familier, intuitif et facilement
interpr¶etable.
Enfln, le dernier chapitre pr¶esente une m¶ethode de segmentation spectrale d’images
hyperspectrales bas¶ee sur une projection des donn¶ees sur une base de spectres, cette
base ¶etant mise a? jour dans l’algorithme et contenant les principaux comportements
spectraux d¶etect¶es dans l’image. Cette m¶ethode est ¶egalement valid¶ee sur une image de
t¶el¶ed¶etection.4 Introduction g¶en¶erale

Soyez le premier à déposer un commentaire !

17/1000 caractères maximum.