Etat de l’art

3.1.1 Spécificités du speckle pour les capteurs SAR . . . 56

3.1.2 Intérêts du filtrage . . . 57

3.1.3 Vers un filtrage polarimétrique . . . 57 3.2 Filtre multi-temporel et multi-canal (MTMC) . . . 58

3.2.1 Technique existante de filtrage scalaire multi-temporel . . . 59

3.2.2 Extension aux données SLC . . . 60 3.3 Résultats . . . 61

3.3.1 Mise en œuvre. . . 61

3.3.2 Préservation de la moyenne. . . 63

3.3.3 Analyse en termes de réduction du speckle. . . 64 3.4 Discussion . . . 71

3.5 Conclusion . . . 72

Ce chapitre commence par rappeler l’impact du speckle sur les données PolSAR et propose une méthode de filtrage adaptée aux données de la future mission BIOMASS. Le filtre du speckle présenté ici a été adapté aux séries temporelles PolSAR en bande P et a été testé sur les données issues de la campagne TropiSAR présentée dans le chapitre2. Trois indicateurs ont été calculés pour estimer les performances de filtrage avec notamment la proposition d’un nouvel indicateur lié à l’estimation des pentes sous forêt.

Ce chapitre est divisé en cinq parties. La première partie est un état de l’art ciblé au-tour du speckle et des différents filtres proposés pour les données SAR. La seconde partie présente la méthode de filtrage développée dans le cadre de cette thèse pour le filtrage du speckle dans des piles de données PolSAR. La troisième partie porte sur l’estimation des performances de filtrage sur les données de la campagne TropiSAR présentées dans le chapitre2. La quatrième partie est une discussion liée aux hypothèses initiales choisies pour le développement du filtre présenté ici avant de conclure dans la dernière partie sur les avantages et les perspectives d’améliorations liées au filtre du speckle proposé ici.

3.1 Etat de l’art

3.1.1 Spécificités du speckle pour les capteurs SAR

Les SAR sont des capteurs micro-onde cohérents. Cette spécificité implique une très forte sensibilité au speckle [1]. Ce dernier donne aux images SAR un aspect granuleux avec une texture poivre et sel aléatoire et s’explique par le très grand nombre de diffuseurs élémentaires dont les contributions s’ajoutent en phase ou en opposition de phase. La figure3.1schématise la réponse totale (en phase et en amplitude) pour un pixel observé ce qui correspond à la somme de toutes les contributions rayonnées dans la cellule de résolution.

FIGURE3.1 – (À gauche) origine physique du speckle : effets de la nature cohérente des illumi-nations radar avec la combinaison des contributions élémentaires dans chaque pixel. (À droite) Distribution radiométrique de l’image SAR résultante. Extrait de [2].

Sur le pixel n°1 de la figure3.1, l’intensité du signal reçu est supérieure, car les contri-butions s’additionnent de manière constructive. Au contraire, sur le pixel n°4, il y a un déphasage important dans les ondes reçues, l’intensité du signal reçu est faible, car l’ad-dition des contributions est destructive. L’adl’ad-dition des contributions des diffuseurs

élé-CHAPITRE 3- Section 3.1 C.GELAS

mentaires a donc un impact très fort sur la valeur d’intensité d’un pixel. On ne peut donc pas utiliser directement les intensités sans faire des approximations erronées sur la réflec-tivité des zones ciblées. En polarisation simple, le speckle suit un modèle multiplicatif. En effet, la somme des contributions observées sur la figure3.1implique une réponse inté-grée aléatoire en phase et en amplitude.

p

I = R.n (3.1)

Où I représente le coefficient de rétrodiffusion complexe total composé de la contri-bution multiplicative du speckle notée n et du coefficient de rétrodiffusion non bruité noté R [2]. Cette représentation du speckle peut être étendue au cas polarimétrique qui nous concerne tout particulièrement avec les futures données BIOMASS. En effet, on considère que les canaux polarimétriques HH, VV sont affectés de manière indépendante par un speckle multiplicatif.

3.1.2 Intérêts du filtrage

Le speckle complique l’interprétation des images SAR et impacte fortement l’effica-cité des outils de traitement d’images. Notamment pour ce qui concerne la classification où le speckle peut influencer le choix d’une classe par rapport à une autre ou encore dans la segmentation où il est important de conserver les informations structurelles et les élé-ments linaires. Dans notre cas, le speckle altère directement la quantité de biomasse dé-tectée. En effet, les propriétés multiplicatives du speckle ont un impact d’autant plus fort lors du calcul des coefficients polarimétriques définis dans le chapitre1. Le problème de la segmentation avec la détection des massifs forestiers pose également problème. En ef-fet, il faut pouvoir distinguer une route forestière au milieu de la forêt dense, mais il faut surtout pouvoir détecter avec précision les zones de déforestation. Puisque rappelons le, la détection et la quantification des perturbations de biomasse font partie des objectifs définis par la mission BIOMASS. Le filtrage du speckle est donc un enjeu majeur pour l’interprétation et la valorisation des données SAR en bande P.

Le filtre idéal supprimerait le speckle en lissant les zones homogènes, avec un impact très faible sur la qualité de l’image, tout en conservant la netteté des structures particu-lières telles que les cibles ponctuelles et les éléments linéaires. Cependant, l’élimination totale du speckle, pixel par pixel, est impossible sans sacrifier la résolution.

Trois catégories de filtres du speckle sont proposées pour les images SAR dans [3]. La première catégorie utilise le traitement multivisée qui permet de diminuer la variance du speckle sur une pile d’images prises à partir de différents angles de dépointage (squint). La deuxième catégorie qui nous intéresse tout particulièrement utilise les propriétés spa-tiales des images pour filtrer le speckle. Quant à la dernière catégorie, elle combine des images SAR issues de plusieurs polarisations ou fréquences pour diminuer le speckle. Au vu des données dont nous disposons (cf. chapitre2), nous avons décidé de ne prendre en compte que les deux premiers types de filtres.

3.1.3 Vers un filtrage polarimétrique

Le filtrage du speckle est un enjeu dans le cas de données polarimétriques. Cependant il est plus délicat à mettre en œuvre puisqu’il s’applique sur des représentations polarimé-triques incohérentes à travers des matrices de covariance [C] ou de cohérence [T]. Il faut alors traiter les différentes intensités liées aux différents canaux ainsi que les informations liées aux corrélations croisées de ces derniers [4].

Il existe un certain nombre de filtres capables de gérer ces particularités. L’application d’un filtre moyenneur, désigné sous le nom de "Boxcar", est de loin la plus simple et per-met de traiter de façon homogène l’intégralité de la matrice polarimétrique [4]. Ce filtre, basé sur l’utilisation de fenêtre glissante, implique une perte de résolution proportion-nelle au moyennage spatial appliqué.

Pour limiter la perte de résolution liée au filtrage du speckle, un certain nombre de filtres, adapté aux données PolSAR ont été proposés [5], [6], [3] . Ces derniers ont été construits dans l’idée d’éviter de filtrer conjointement des pixels issus de structures diffé-rentes en se basant sur une approche plus régionale des données disponibles.

Parmi les méthodes adaptées au calcul des matrices de covariance avec des données PolSAR ou PolInSAR, on trouve la méthode non locale, NL-SAR [7], qui permet un filtrage du speckle non supervisé et adaptatif aux structures locales qui est robuste à la corrélation du bruit.

Dans [8] une étude polarimétrique propose un filtre de minimisation du speckle qui repose sur l’utilisation du "span" issu de la matrice de covariance. Le sp an = C₁₁+C22+C33

sert de référence pour estimer un terme de filtrage commun à tous les paramètres de la matrice de cohérence. Ce filtre a fortement inspiré les travaux proposés dans ce chapitre. En effet, le caractère multiplicatif du speckle se propage également en configuration polarimétrique, ce qui peut fortement impacter l’estimation des coefficients polarimé-triques et ainsi l’estimation de la biomasse au sol, l’estimation des hauteurs ou encore la quantification des variations de biomasse. Les contraintes fixées par l’obtention des pro-duits BIOMASS décrits dans le chapitre1amène à réfléchir à l’impact du speckle dans ce cas précis et implique la mise en place d’un filtre polarimétrique pour le speckle.

La configuration des prises de vue de la mission BIOMASS décrite dans le chapitre1

permet d’utiliser des séries temporelles en configuration polarimétrique par le biais des acquisitions TomoSAR, et les passes PolInSAR permettraient un filtrage jouant sur les va-riations multivisées.

Les données d’acquisitions actuellement disponibles, et décrites dans le chapitre2, notamment les séries temporelles acquises sur le site de Paracou ont permis de penser et de développer un filtre polarimétrique multi-temporel en s’inspirant des méthodes dé-crites dans [9] et [8]. Parmi les méthodes de filtrage PolSAR multi-temporel, on peut éga-lement citer le filtre RABASAR, qui utilise des ratios polarimétriques pour filtrer des séries temporelles PolSAR, à partir d’une image de référence dite super image [10] des séries temporelles. De par le choix de la super image, cette méthode est particulièrement adap-tée pour les zones urbaines, mais plus difficile à définir dans le cadre de zones naturelles comme les forêts [11].