Dans e hapitre introdutif, nous avons rappelé le formalismelassique qui
permet de aratériser l'état de polarisation de la lumière,au moyen de la
ma-trie de polarisation
Γ
ou plus simplement du degré de polarisationP
. Dans leadre de l'imagerie polarimétrique ohérente qui onsiste à imager ertaines de
es propriétésàpartirde lalumièrerétrodiuséepar unesèneilluminéeparune
lumière laser,lephénomène de spekledû à lanatureohérente de l'élairement
utilisé va onditionner le omportement statistique de l'intensité lumineuse
en-registrée au niveau d'un apteur. Pour ette raison, nous avons ainsi rappelé la
démarhe lassiquement utilisée pour modéliser le phénomène de spekle d'un
pointde vue statistique,de mêmeque les prinipales modélisations alternatives
lorsque les hypothèseslassiques ne sont plus vériées.
Enn, nous avons introduit les prinipales méthodes d'imagerie
polarimé-trique en rappelantleur mise en ÷uvre, leurs intérêts etdéfauts prinipaux. En
equionernel'imageriededegrédepolarisationquiprésenteunpotentiel
appli-atifintéressant,larédutiondelaomplexitédessystèmesd'imageriepermetde
diminuer lesoûts, l'enombrement etlesdurées d'aquisition. Nousavons ainsi
présentélesprinipalesméthodes existantes quipermettentderéduirelenombre
d'aquisitions d'images néessaires àl'estimation du degré de polarisation.
Ce rapideétat de l'artprendra tout son sens auhapitre suivantdans lequel
nous aratériserons les performanes d'un système d'imagerie polarimétrique
fondé sur l'analyse des statistiques d'intensité d'une unique image, permettant
ainsi de réduirea minima laomplexité du dispositifd'imagerie pour la mesure
du degréde polarisation.
Estimation du degré de polarisation
à partir d'une image d'intensité
Sommaire
2.1 Prinipe de la méthode d'estimation à une image 30
2.1.1 Hypothèsesrequises etmodèlegénéral de spekle . 30
2.1.2 Relationentre
P
etleontrastede spekle . . . . 322.1.3 Prinipe général de l'estimationde
P
. . . . . . . 332.2 Bornes de Cramer-Rao de l'estimation . . . 34
2.2.1 BCR expliitepour unspekle d'ordre
1
. . . . . . 362.2.2 BCR pour un spekled'ordre supérieur . . . 40
2.2.3 Conlusion . . . 42
2.3 Méthodes d'estimation . . . 43
2.3.1 Estimateurs de
β
au sensdesmoments . . . . . . 432.3.2 Autresestimateurs pour un spekled'ordre
1
. . . 522.3.3 Disussion surlebiaisdesméthodesproposées . . 60
2.3.4 Comparaison ave les tehniques lassiques
utili-sant plusieurs images . . . 62
2.3.5 Résultats expérimentaux surdesdonnées réelles . 66
2.3.6 Conlusionsurl'estimation de
P
à uneimage . . . 732.4 Imagerie de degré de polarisation . . . 74
2.4.1 Sènepolarimétriquesimulée . . . 74
2.4.2 Sènepolarimétriqued'intensité onstante . . . . 80
2.4.3 Imagerieave segmentation préalable . . . 82
2.5 Analyse de la méthode pour des aquisitions à
faible ux . . . 84
2.5.1 Estimationau sens desmoments àfaible ux . . . 85
2.5.2 Eaité del'estimateur au sensdesmoments . . 89
2.5.3 Imageur polarimétrique optimal àfaible ux . . . 90
2.5.4 Conlusionsurl'estimation de
β
à faible ux . . . 912.6 Conlusion . . . 92
Lorsqu'unobjetestélairéparuneilluminationohérente, l'imaged'intensité
formée sur un déteteur par la lumière rétrodiusée en provenane de et objet
est perturbée par un bruit de spekle. Dans ette onguration expérimentale
très simple et sans l'aide de omposant optique polarimétrique ajustable, il est
possiblesousertaineshypothèsesd'estimerledegrédepolarisationdelalumière
rétrodiusée par l'objet à partir de ette seule image d'intensité. L'objetif de
e hapitre est ainsi de aratériser théoriquement et numériquement ette
mé-thode qui permet de réduire fortement la omplexité d'un dispositif d'imagerie
polarimétrique.
Nousexposeronsdans unpremiertempsleprinipegénéralde etteméthode
d'estimation, puis nous déterminerons les préisions d'estimationoptimales que
l'onpeutespérerobteniraveelle-ietquinouspermettrontd'évaluerl'eaité
des diérents estimateurs proposés par la suite en setion 2.3. Nous illustrerons
ensuitelesperpetivesoertes parette méthode pour desappliations
d'image-riepolarimétrique(setion2.4)oud'imageriepolarimétriqueàfaibleux(setion
2.5)
2.1 Prinipe de la méthode d'estimation à une
image
Le prinipesur lequel est fondée la méthode étudiéedans e hapitredière
fondamentalement de l'approhe ommune aux diérentes méthodes
d'estima-tion du degré de polarisation présentées au hapitre préédent. Ces approhes
onsistent à mesurer l'intensité moyenne de la lumière rétrodiusée à travers
plusieurs (4 ou 2) ongurations d'un analyseur d'état de polarisation, 15
puis à
déduiredeesquatreoudeuxmesures lavaleurestiméedu degrédepolarisation.
Ellen'estbiensûrpasappliabledansleasoùl'on aquiertuneseuleimage.En
revanhe, nous avons déjà vu dans le hapitre préédent que la densité de
pro-babilité de l'intensité lumineuse aquise sans auun omposant polarimétrique
pouvait dépendre fortement du degré de polarisation
P
, par exemple lorsque lespekleestpleinementdéveloppéd'ordre
1
.Nousallonspréiserdansettesetionomment ette dépendane peut être mise à prot pour réaliser une estimation
du degréde polarisation.
2.1.1 Hypothèses requises et modèle général de spekle
Nousénonçonstoutd'abordleshypothèsesnéessairespourassurerlavalidité
des méthodes d'estimationdu degré de polarisationproposées dans e hapitre.
15
−
Constituérappelons-le,parl'assoiationd'unpolariseurlinéaireet d'unelame retarda-trie.La mise en ÷uvre de es tehniques fondées sur l'aquisition d'une seule image
d'intensité suppose en eet que lesstatistiques de spekle dérivant les
utua-tions de l'intensitélumineuse obéissent auxhypothèses suivantes :
1. En un point du déteteur, ou du plan d'observation, l'intensité
I
peutêtre dérite omme la somme de deux variables aléatoires
I 1
etI 2
, dontles valeurs moyennes valent respetivement
µ 1 = 1+ 2 P µ I
etµ 2 = 1 −P 2 µ I
.Cettehypothèsedéoulediretementdeladiagonalisationde lamatriede
polarisation
Γ
(voiréquation 1.4) dontles valeurs propresvalentµ 1
etµ 2
.2. Lesvariablesaléatoires
I 1
etI 2
assoiéesàesdeuxomposantesd'intensité sontsupposéesindépendantes.Cetteonditionreposeprinipalementsurle fait que la distribution statistique du hamp életrique sous-jaent est
supposée gaussienne.
3. Lesdensitésdeprobabilitéquidériventesdeuxvariablesaléatoires
appar-tiennentàlamêmefamilledeloismultipliatives,maisdevaleursmoyennes
µ 1
etµ 2
diérentes, 'est-à-direque l'on suppose∀ k ∈ { 1; 2 } , P I k (I k ) = 1 µ k f I k
µ k
,
(2.1)où
f (z)
est une densité de probabilité (DDP) à support positif et de moyenneunitaireh Z i = R ∞
0 zf (z)dz = 1
.Eneet, siunevariablealéatoireX
estdistribuéeselonuneloiappartenantàlafamilledeloismultipliatives dériteàl'équation(2.1),alorslaDDPdetoutevariablealéatoireY = △ a X
,ave
a ∈ R +
appartient aussi à ette famille.Danses onditions, onpeut montrer que les moments d'ordres supérieurs des omposantes d'intensitévérient
Ensupposantes hypothèsesvériées,onpeut remarquerquelaloi
f
fournitdiretementla formede laDDP de l'intensitétotale lorsque la lumièreest
tota-lement polarisée puisque dans e as
µ 2 = 0
, et donP I (I) = µ 1
P = 1
. La forme partiulière de la loif
va don onditionner la statistique de l'intensitéobservée en lumièretotalementpolarisée,et dénirainsi lemodèle despekle onsidéré. Par exemple, un spekle pleinementdéveloppé d'ordre
1
seraaratérisé par une loi
f
unitaire exponentielle, 'est-à-diref (z) = exp( − z)
.Lorsque lalumièreest partiellementpolariséeen revanhe, ladensitéde
pro-babilité de l'intensité totale
I
prendra une forme diérente. L'intensitéI
s'éri-vantd'aprèsleshypothèsespréédentes ommelasommede deux variables
aléa-toires indépendantes, on peut exprimer
P I (I)
omme la onvolution deP I 1 (I 1 )
et
P I 2 (I 2 )
:et enhangeantlavariabled'intégration,onobtient
h I k j i = R ∞
0 (µ k ) j z j f (z) dz = (µ k ) j h Z j i
.On peut montreraisémentqueettedensitéde probabilitéreste biensûr dansla
familledes loismultipliatives, ependant rien ne garantit quelealul expliite
de l'intégralesoitaisé.
2.1.2 Relation entre
P
et le ontraste de spekleLa manipulation de la densité de probabilité de l'intensité
I
sous la formeintégralepréédenten'estpasommode.Enrevanhe,ilestpossibled'obtenirune
aratérisationstatistiqueomplètedel'intensitélumineuse
I
grâeàl'utilisation des umulants de la DDPP I (I)
, dont nous rappelons iiladénition [110℄ :Dénition 2.1 Soit
Z
une variable aléatoire. Ses umulants, notésC k Z
, sontdénis à partir de lafontion génératrie des umulants
g(t) = ln △ h e tZ i
= X ∞ k=1
C k Z
t k
k! ,
(2.4)où
C k Z
désigne le umulant d'ordrek
de la variable aléatoireZ
.À ondition qu'ils puissent être dénis, les umulants d'ordre
1
et2
d'uneva-riable aléatoire désignent respetivement sa valeur moyenne et sa variane. On
notera également que les umulants d'ordre
3
et4
, quand ils sont dénis, sontrespetivement liésà la dissymétrieet à l'aplatissementde la loide probabilité,
permettant ainsi d'en aratériser laforme.
Ces grandeurs statistiquesprésentent un intérêt partiulier ii ar les
umu-lants sont des grandeurs additives pour des variables aléatoires
indépen-dantes [110℄. Puisque par hypothèse
I = I 1 + I 2
aveI 1
etI 2
indépendantes, ette propriété permetd'érire, pour toutk ≥ 1
,C k I = C k I 1 + C k I 2 .
(2.5)Parailleurs, ommelesvariables
I 1
etI 2
sedéduisent d'une mêmeloideproba-bilité
f
,lesumulantsC k I j
assoiés auxvariablesaléatoiresI j
,j ∈ { 1, 2 }
peuvents'exprimeren fontiondes umulants d'ordre
k
de laloinormaliséef
,notésκ k
:∀ k ≥ 1, C k I 1 = (µ 1 ) k κ k ,
et,C k I 2 = (µ 2 ) k κ k .
(2.6)Enintroduisantes relationsdansl'équation(2.5)eten remplaçant
µ 1
etµ 2
parleurs valeurs respetives données en équation (1.7), il est alors possible d'érire
le umulant
C k I
en fontion de l'intensitémoyenneµ I
etdu degréde polarisationC k I = κ k h
(µ 1 ) k + (µ 2 ) k i
= κ k h
(1 + P ) k + (1 − P ) k i µ k I
2 k .
(2.7)On peut alors vérier que le umulant d'ordre
1
, qui s'identie à la valeurmoyenne, s'érit
C 1 I =
µ 1 + µ 2
= µ I
, arκ 1
est toujours égal à1
puisque la loif
est de moyenne unitaire. Le umulant d'ordre2
qui est égal à la variane del'intensitévaut quant à lui
C 2 I = var(I) = κ 2
h (1 + P ) 2 + (1 − P ) 2 i µ 2 I 2 2 = κ 2
h 1 + P 2 i µ 2 I
2 .
(2.8)Cettedernièreéquationpermetnalementdedéduirel'expressionduontraste
de spekle
C
pour une loif
quelonque:C =
p var(I) µ I
= r
κ 2 1 + P 2
2 ,
(2.9)démontrantainsi queleontraste de laguredespekleest reliébijetivementà
la valeur du degré de polarisation.Le ontraste qui vaut
√ κ 2
pour une lumièretotalement polarisée(
P = 1
)déroît en eet jusqu'àp
κ 2 /2
lorsqueP = 0
.À valeur moyenne de l'intensité
µ I
xée, l'augmentation du degré de polari-sation de la lumièreentraîne un aroissement de lavariane, ouautrementdit,aroîtledésordredelastatistiqued'intensité 17
,jusqu'àatteindrelavaleur
maxi-male
sup P∈ [0,1] [var(I)] = κ 2 µ 2 I
pour un degré de polarisationP = 1
.À intensitémoyenne
µ I
xée, ona alors pour un degré de polarisationP
quelonque,var(I)
sup P∈ [0,1] [var(I)] = 1 + P 2
2 < 1,
(2.10)montrantainsi quela quantité
(1 + P 2 )/2
aratérisel'ordre partielde lastatis-tiqued'intensitélumineuse.Nousverronsdanslaseonde partiede e manusrit
qu'il existe une analogie formelle entre ette quantité et le fateur de Fano
quiaratérisel'ordrepartieldes statistiquessous-poissoniennesparrapportaux
statistiques poissoniennes.
2.1.3 Prinipe général de l'estimation de
P
Lapremière méthode quisera exposée dans lasuite de e hapitrepour
esti-mer
P
àpartird'uneuniqueimagede speklereposesurl'existenede larelationbijetive que nous venons de rappeler en équation (2.9) entre la valeur de
P
etleontraste de spekle[119,41℄.Eneet, en supposant quel'on onnaisse
préi-sémentlemodèlede spekle quiaetel'intensitélumineuse aquisesur l'image,
il sut d'évaluer loalement le ontraste de la gure de spekle pour obtenir
une informationquantitative sur la valeur du degré de polarisationen e point.
Ce prinipen'estpas sans rappeler lestehniques d'imagerie de ontraste de
spekletrès utilisées en imageriemédialepour des mesures de véloimétriede
ux sanguinspar exemple[97, 13℄.
Plus généralement, tous les estimateurs du degré de polarisation à partir
d'une unique image d'intensité présentés dans la suite néessitent de mesurer
loalement ertains paramètres statistiques de la densité de probabilité de
I
(moyenne, variane, ontraste,log-moment, et.). Pour réaliserette estimation
loale au niveau d'un pixel
k
d'une image, il faut par onséquent avoir aèsaux valeurs des niveaux de grisdes pixelssitués dansun voisinage
V
du pixelk
,que nous supposerons omposé de
M
pixels (card[ V ] = M
). De préférene, esM
pixels devront provenir d'un voisinage statistiquement homogène du pixelk
,'est-à-direque lesintensités
{ I 1 , . . . , I M }
doiventêtredistribuées selonlamême 17−
Ilest importantii de noter que ette remarque porte uniquement sur le désordre dela statistiqued'intensité à
µ I
onstante, et non pas sur ledésordre du hamp életrique quidéroîtbienentendulorsqu'onpassed'unhampbidimensionnel orrespondantàunelumière
partiellementpolarisée,àunhampsalairedansleasd'unelumièretotalementpolarisée.
DDP.
Dans la suite de e hapitre, on onsidérera dans un premier temps que les
estimations sont réalisées à partir de régions statistiquement homogènes
om-posées de
M
pixels. Puis, dans la setion 2.4 où nous analyserons les résultats obtenusenimageriededegré depolarisation,nousompareronsdeux façonsdis-tintesd'obtenir desvoisinageshomogènes:ilsorrespondront soitàunefenêtre
arrée de
M
pixels entrée sur le pixelk
, soit à une région homogène de formeplus omplexe,déterminéepar exemplegrâe àdesalgorithmes de segmentation
d'image en régions homogènes. Nous supposerons par ailleurs que les intensités
mesurées en haun de es pixels peuvent être onsidérées omme des variables
aléatoires indépendantes. Par onséquent, nous nous limiterons à des situations
pour lesquelles l'aire des grains de spekle est inférieure ou égale à la surfae
d'un pixel,e qui reviendraà onsidérer uniquement des statistiques de spekle
d'ordre supérieurou égal à 1.
Avant de présenter et de aratériser les diérentes méthodes d'estimation
étudiées au ours de ette thèse, nous proposons préalablement d'analyser la
préision optimale d'estimation que l'on peut espérer obtenir en utilisant une
tehnique d'estimation du degré de polarisation àpartir d'une unique image de
spekle, dans le as oùles fontions
f (z)
orrespondent à des loisgamma, 'est-à-dire pour des spekles pleinementdéveloppés.2.2 Bornes de Cramer-Rao de l'estimation
L'estimationd'un paramètre
θ
supposédéterministeàpartird'unéhantillonχ = { x 1 , . . . , x M }
onstitué deM
mesures bruitées est un problèmelassique enthéorie de l'estimation non bayésienne. Lorsqu'on suppose que es
M
mesuresorrespondent à
M
réalisations indépendantes d'une variable aléatoireX
, dontla densité de probabilité
P X (x)
dépend du paramètre inonnuθ
, la borne deCramer-Rao (BCR) permet d'évaluer la préision optimale d'un estimateur
non biaisé de
θ
,indépendammentde la tehnique d'estimation utilisée.Eneet, lorsqu'on onsidère un estimateur non biaiséθ ˆ
du paramètreθ
, 'est-à-dire tel queh θ ˆ i = θ
oùh·i
dénit l'opérateur de moyenne statistique18
par rapport à
χ
,la variane
var(ˆ θ)
de et estimateur peut être bornée inférieurement grâe au théorème de Cramer-Rao[49℄,que nous rappelons i-dessous.Théorème 2.1 Si
θ ˆ
est un estimateur non biaisé deθ
, alorsvar(ˆ θ) ≥ BCR(θ) = △ 1
I F (θ) ,
(2.11)où
BCR(θ)
représente la borne de Cramer-Rao pour l'estimation deθ
, et oùI F (θ)
désigne l'information de Fisherpour l'estimation deθ
.L'information de Fisherpermetdequantierlaquantitéd'information
dispo-nibledansl'éhantillondemesure
χ
pourestimeraumieuxleparamètreinonnuθ
, etnous rappelons iisa dénition [49℄ :18
−
Pluspréisémenth θ ˆ i = R ∞ 0 ... R ∞
0 θ ˆ × P X (x 1 ) × ... × P X (x M )dx 1 ...dx M
.Dénition 2.2 L'informationdeFisherpourl'estimationde
θ
àpartirdel'éhan-tillon de mesure
χ = { x 1 , . . . , x M }
s'éritI F (θ) = △ − D ∂ 2
∂θ 2 [ℓ(χ; θ)] E
,
(2.12)où la logvraisemblane
ℓ(χ; θ) = ln △ L(χ; θ)
de l'éhantillonχ
est obtenue enalulant le logarithme de lavraisemblane
L(χ; θ) = △ Y M k=1
P X (x k | θ),
(2.13)qui représentelaprobabilitéd'observerl'éhantillon
χ
quand leparamètre vautθ
.Le alulde ette borne permetdon d'évaluer l'optimalitédes méthodes
d'esti-mation utilisées : en théorie de l'estimation, on dénit usuellement l'eaité
d'une méthode d'estimation[49,118℄en alulantle rapport entre la BCR etla
variane de l'estimateur onsidéré. L'eaité est bien sûr une grandeur
om-prise entre
0
et1
etune méthode sera diteeae (eaité égale à1
)lorsquesa variane atteint lavarianeminimaleévaluée grâe àla BCR.
Pour déterminer l'eaité des méthodes d'estimation qui seront proposées
dans la suite de e hapitre, nous proposons ii d'évaluer la BCR pour
l'es-timation du degré de polarisation
P
à partir de la mesure d'un éhantillonχ = { I 1 , . . . , I M }
onstitué deM
mesures d'intensité supposées statistique-ment indépendantesetorrespondantauxM
pixelsd'un voisinagehomogèneV
du point de l'image où l'on souhaite estimer le degré de polarisation. Nous présentons iilerésultatdualulde labornede Cramer-Rao(BCR)dansleasle plus simple d'abord, où le spekle est supposé pleinement développé d'ordre
un, puis nous montreronsomment laBCR peut être évaluée lorsque l'on
onsi-dèred'autres statistiquesdespekle,notammentdes speklesd'ordressupérieurs
tels qu'il peut en apparaître lors de l'aquisition d'une gure de spekle sur un
apteur.
Choix de la Borne de Cramer-Rao : On peut noter à e niveau que de
nombreuses alternatives existent pour raner la borne de Cramer-Rao (borne
de Bhattaharyya (voir[45℄p.396) , borne de Chapman-Robbins[18℄, borne de
Barankin [4℄, et.), notamment pour des situations de faibles rapports signal à
bruit. Néanmoins, es autres bornes sont souvent plus omplexes à mettre en
÷uvre que la BCR, e qui empêhe dans la majorité des as d'obtenir une
for-mulation expliite de es bornes, diminuant ainsi leur failité d'interprétation.
La rihesse d'interprétationdont onbénéie en utilisantla BCR est également
sensiblementdiminuéelorsqu'onadopteuneformulationbayésienneduproblème
d'estimation. En eet, le paramètre à estimer est dans e as onsidéré omme
une variable aléatoire,aratérisée par une distribution de probabilité a priori.
Lesbornesstatistiquesappliablesdanse as(bornedeCramer-Raobayésienne
(voir[156℄p.72),bornedeZiv-Zakai[167℄,et.)permettentseulementdeminorer
l'erreurquadratiqued'estimation,moyennéesur touteslesvaleursadmissiblesdu
paramètre dénies par la densité de probabilité a priori. En dépit de la grande
diversité des bornes statistiques existantdans lalittérature pour évaluer la
pré-ision optimaled'estimation, nous nous limitons dans e manusrit à utiliser la
borne de Cramer-Rao, pour sa simpliité d'une part, et son fort potentiel
d'in-terprétation d'autrepart.
2.2.1 Calul expliite de la BCR pour un spekle
pleine-ment développé d'ordre un
Lemodèlestandard derétrodiusionde lalumièreparune surfaediusante
proposé par J. W. Goodman permet d'obtenir la distribution de probabilité de
l'intensitélumineuse d'unegure de spekle pleinementdéveloppée d'ordre
1
enlumièrepartiellementpolarisée.Cetteloide probabilité,quenousavons rappelée
à l'équation (1.19) du hapitre préédent dépend lairement du paramètre
P
quenousherhonsàestimer.Ladistributionstatistiquede l'intensitélumineuse
ontiendra don une part d'information, potentiellement utile pour estimer la
valeurde
P
àpartirde l'observationd'éhantillonsd'intensité.Cetteinformation peutêtremesurée grâeàl'informationde Fisher,àpartirde laquelleondéduiralabornede Cramer-Rao. Pour lealul de etteBCR, nousdistinguons iideux
as selon que la valeur moyenne de l'intensité
µ I
est onnue a priori ou qu'elledoit être estiméeonjointement àl'estimation du degré de polarisation.
2.2.1.1 BCR à intensité moyenne onnue
Lorsque l'intensité moyenne
µ I
est supposée onnue, la vraisemblane de l'éhantillonest notéeL(χ; P )
et peut s'érireL(χ; P ) = Y M k=1
P I (I k |P ),
(2.14)où
P I (I)
est donnée à l'équation (1.19) dans le as onsidéré ii d'un spekled'ordre un.
À partir de ette fontion de vraisemblane, ondémontre en annexe B.1.1.2
(voirégalementla référene [41℄)que labornede Cramer-Raopour l'estimation
de
P
à partir d'une unique image s'érit, dans le as du spekle pleinementdéveloppé d'ordre
1
,BCR (1) µ I ( P ) = − P 2 (1 − P 2 ) M (1 + P 2 )
"
1 − 1 + P 2
2 P 2 ζ(3, 1 + P 2 P )
# − 1
,
(2.15)où l'exposant
1
signieque le spekle est d'ordreL = 1
(pleinement développé) et où l'indieµ I
traduit le fait que la valeur moyenne de l'intensitéµ I
estsup-posée onnue. La fontion
ζ(s, x)
représente la fontion Zeta de Riemanngénéralisée d'ordre
s
quiest dénie pour toute valeur dex
vériantk + x 6 = 0
,par
∀ x / k + x 6 = 0, ζ (s, x) = △
+ ∞
X
k=0
(k + x) − s .
(2.16)Bienque l'expression expliitede laBCR ne soitpas aisément interprétable,
onpeutremarqueren observantl'équation(2.15)qu'elleestlogiquement
inverse-ment proportionnelle au nombre
M
d'éhantillons utilisés pour l'estimation.De plus, savaleur est indépendantede l'intensitémoyenneµ I
,e quipermetd'ar-mer qu'on ne peut pasaméliorerlapréisionultimed'estimationen augmentant
lapuissanelumineusedel'élairementohérentutilisé.Onmontreraàlasetion
2.5 que ela n'est plus le as lorsque les eets du bruit de photon doivent être
pris en omptepour des aquisitionsà faibleux lumineux.
On peut analyser le omportement de la BCR lorsque
P
varie entre0
et1
en observant lagure 2.1.a,oùlafontion
BCR (1) µ I ( P )
,normaliséepar lenombrede pixels
M
de l'éhantillon,est traée en fontiondeP
en trait plein( )
.Onvoit sur ette gure que la BCR pour l'estimation de
P
dépend très fortementde l'état de polarisation: ette borne diverge pour les faiblesvaleurs de
P
alorsqu'elle tend vers
0
lorsque la lumièredevient totalement polarisée.BCR pour l'estimation de
β = P 2
: La relation (2.9) qui relie le ontrasteBCR pour l'estimation de