Nous avons utilisé la tehnique de détetion de ssures, qui s'appuie sur le
gra-dient topologique, dans le but d'étudier plusieurs aspets du traitement d'images :
inpainting, restauration, segmentation, lassiation. Dans toutes es appliations,
nous avons obtenu de très bons résultats, et surtout dans un temps de alul très
ourt.
Les méthodes présentées ii peuvent s'appliquer indiéremment aux images en
noir et blan, en ouleur, bi- ou tri-dimensionn elles, ainsi qu'aux lms. En eet, la
omplexité à la fois théorique et numérique que nous obtenons pour tous es
algo-bi-proesseur, ave un programmeérit en++ ).
Unautreavantagerésidedanslefaitquetouslesalgorithmesquenousavons
pré-sentésiis'appuientsurlemêmenoyau,puisqueleséquationsauxdérivéespartiellesà
résoudresonttoutes dumême type.Cela simpliepartiulière ment lamiseen÷uvre
pratiquede esalgorithmes grâeà ette baseommune.
Plusieurs pistes restent à l'étude, omme par exemple la possibilitéd'utiliser des
opérateurs diérentiels d'ordre plus élevé que le Laplaien, dans le but de
reons-tituer une information sur le gradient de l'image. Par exemple, dans le as de
l'in-painting,l'image reonstruiteestaneparmoreauxdanshaquezone délimitéepar
les ontours identiés. En utilisant le même type de tehnique, la reonstrution du
gradient de l'image devrait permettre de reonstruireplus préisément l'image.
Assimilation de données : le
nudging diret et rétrograde
Cehapitre résumeles travauxontenus dans[8,11, 14, 18, 21, 24, 25℄.
3.1 Introdution
L'assimilationdedonnées,enmétéorologieommeenoéanographie,onsiste
sou-ventà identier l'étatinitiald'un systèmedynamiqueàpartir d'observations.Lebut
prinipal estd'améliorerlaonnaissane del'étatatuel dusystème,pourendéduire
desprévisions ables desonévolution future[116, 53, 163℄.
Le nudging est une méthode d'assimilation de données basée sur la relaxation
dynamique,danslebutd'ajusterlemodèleet deleontraindreverslesobservations.
L'algorithmestandarddunudgingonsisteàajouterauxéquationsd'étatdusystème
unterme de rappel, proportionnel à ladiérene entrelesobservations etlaquantité
orrespondante alulée par la résolution des équations d'état. Le modèle apparaît
alors omme une ontrainte faible et leterme derappelfore lesvariablesdu modèle
à oller aux observations. Ce terme de rappel peut être ajusté grâe à un ÷ient
(ou unematrie,suivantles as).Ilest généraleme nt hoisidelafaçon suivante dans
les expérienes numériques : susamment petit pour que le terme de nudging reste
faible en omparaison ave les autres termes deséquations du modèle, et également
assez grand pour ontraindresusamment lemodèle versles observations.Le terme
denudgingpeutêtrevuommeuntermedepénalisationdumodèlelorsqu'ils'éloigne
trop des données. À noter que la méthode du nudging diret est également appelée
observateurde Luenberger dansle domaine del'automatique et duontrle [129℄.
Le nudging est une méthode d'assimilation de données très simple, et nettement
pluséonomique (d'unpoint devuedelamiseen÷uvrepratique)quelaplupartdes
autres méthodes, et en partiulier des algorithmes variationnels omme le 4D-VAR
[123℄. Initialement introduiten météorologi e [106℄,le nudging (enore appelé
relaxa-tion newtonienne ) a ensuite été utilisé ave suès en oéanographie sur un modèle
quasi-géostrophique[168,170,57℄,puisappliquéàunsystèmeoéanographique
méso-éhelle opérationnel [160℄. Les ÷ients du nudging peuvent être hoisis de façon
optimaleenutilisantuneméthoded'estimationdeparamètresparapprohe
variation-nelle[159,180℄.Les÷ientsainsiobtenus sontoptimauxausensoùils permettent
d'obtenir la plus petite diérene entre la trajetoire du modèle et les observations.
Uneomparaison entrelenudgingoptimalet lesméthodesbasées surleltrede
Kal-mana étéréalisée dans[172℄. Le prinipal inonvénient de es méthodes de nudging
optimal est qu'elles néessitent la mise en ÷uvre et la résolution des équations du
modèleadjoint, e quin'est pasutile pour lenudging standard.
Lenudgingrétrogradeonsisteàrésoudreleséquationsd'étatdumodèledefaçon
rétrograde en temps, en partant d'une observation de l'état du système à l'instant
nal. Un terme de rappel, ave un signe opposé à elui introduit dans le nudging
diret, est ajouté aux équations du système, et l'état obtenu à l'instant nal est en
faitunétat initial dusystème [1℄.
L'algorithme du nudging diret et rétrograde (Bak and Forth Nudging, BFN)
introduitdans[18℄ onsiste àrésoudred'abord les équationsdiretes du modèleave
le terme de nudging, puis en repartant de l'état nal ainsi obtenu, à résoudre les
mêmes équations de façon rétrograde ave un terme de rappel opposé à elui du
nudging diret. On obtient ainsi à la n de la résolution rétrograde une première
estimation de l'état initial. Ce proédé est alors répété de façon itérative jusqu'à
obtenir laonvergene del'état initial.
Cetalgorithmepeutêtreomparéau4D-VAR(algorithmevariationnel
d'assimila-tiondedonnéesendimension3d'espaeet1detemps[123℄),quionsisteaussienune
suession de résolutions de systèmes direts et rétrogrades. Mais dans l'algorithme
BFN, il est inutile, même pour des problèmes non linéaires, de linéariser le modèle
omme dans le 4D-VAR, et le système rétrograde n'est pas l'équation adjointe mais
lesystèmedeséquations dumodèle ave un terme derappelqui en faitunproblème
bienposé.
Nous pouvons iter ii quelques autres algorithmes reposant également sur des
résolutiondiretes et rétrogrades.Une approhesimilaireest étudiéedans[162, 161℄,
à la diérene prinipale qu'à haque instant d'observation, la trajetoire du
mo-dèle est remplaée par les observations. Cela orrespond à notre algorithme dans le
aspartiulier de ÷ients de nudging innis et d'un système physique réversible.
L'algorithme du quasi-inverse est une autre méthode direte-rétrograde, mais sans
rapport ave le nudging [116℄. Eneet, danset algorithme, le signe destermes
dis-sipatifsesthangé dansleséquations rétrogrades pour desraisonsdestabilité. Notre
algorithmeutilise unterme derelaxationpour stabiliserles équationsrétrogrades, et
ainsionserver lebonsigne pour lestermes dissipatifs.
Au ours de e hapitre, nous dénissons tout d'abord l'algorithme du nudging
diret et rétrograde, ou BFN, dans un adre général. Puis nous présentons des
ré-sultats théoriques de onvergene dans des as simpliés (observations omplètes et
nonbruitées),surdiérentstypesde modèles: modèles linéaires, équationsde
trans-port(linéairesounon,diusivesounon).Puisnouslistonslesdiérentesexpérienes
numériques qui ont été réalisées, et donnons les prinipales onlusions qui peuvent
l'automatique (où lenudgingpeut être reliéà ertainsobservateurs), nousmontrons
qu'ilestnotammentpossibledeorrigerlesvariablesdumodèlenonobservéesàpartir
de elles qui le sont, et grâe à elà améliorer les résultats obtenus. Enn, quelques
onlusionset perspetivessont donnéesà lande e hapitre.
3.2 Algorithmedu nudgingdiretetrétrograde,ouBak
and Forth Nudging (BFN) [8, 11, 18℄
3.2.1 Nudging diret
Pour simplierlesnotations, noussupposonsqueleséquations dumodèleontété
disrétiséesspatialement,àl'aided'une méthode auxdiérenesnies,élémentsnis
ouuneméthodespetrale.Nousonsidéronsainsiunmodèleontinuentempset régi
par deséquations dynamiques dutype
dX
dt = F (X), 0 < t < T,
(3.1)ave une ondition initiale
X(0) = x 0. Dans ette équation, F
représente l'ensemble
des opérateurs diérentiels spatiaux et autres termes (linéaires ou non linéaires) du
modèle.
Soit
C
l'opérateurd'observation, permettantderelierlesobservationsdusystèmeX obs (t)
auxquantitésorrespondante sC(X(t))
aluléesàpartirdestrajetoiresX(t)
du modèle. Dans la pratique, l'opérateur d'observation
C
modélise essentiellement deux phénomènes. D'une part, les observations ne sont pasfaitesexatement sur lespoints de grille du modèle numérique, et il faut don interpoler entre les points du
maillage.D'autrepart,lesobservationsneorrespondent pasforémentauxvariables
du modèle, mais à une autre quantité physique pouvant s'y relier. Par exemple, les
satellites mesurent des radianes, qui peuvent être reliées aux variables du modèle
ommelatempératureoulahauteurd'eau.Saufmentionontraire,nousnesupposons
pasdansette étudeque
C
estun opérateur linéaire.Lenudgingstandard appliqué àl'équation (3.1) donne lemodèlesuivant:
dX
dt = F (X) + K(X obs − C(X)), 0 < t < T,
(3.2)enonservant lamême onditioninitiale,et où
K
représentelamatrie (ouéventuel-lement un ÷ient) de nudging, ou gain. Le modèle devient ainsi une ontrainte
faible, puisqu'il n'est plus satisfait exatement. Le terme de nudging a pour but de
forer le modèle vers les observations. Dans un adre linéaire,'est exatement
l'ob-servateur de Luenberger, ou observateur asymptotique, danslequel lamatrie
K
denudgingpeutêtrehoisiedesortequel'erreurtendevers
0
entempsinni[129℄.Maisdanslesappliationsgéophysiques,nousnepouvonspastoujoursonsidéreruntemps
3.2.2 Nudging rétrograde
L'idée du nudging rétrograde onsiste à repartir de la ondition nale obtenue à
lan de larésolution de (3.2) et à revenir à l'instant initial grâe aux équations du
modèle. Si l'ononsidère lemodèle rétrogradeorrespondant à (3.1),on obtient
d X ˜
dt = F ( ˜ X), T > t > 0,
(3.3)ave une ondition nale
X(T ˜ ) = ˜ x T. Lorsque le modèle diret est irréversible (ou dissipatif),e problème est généralement mal posé. Pour lestabiliser, nousajoutons
unterme de rappelauxobservations ave unsigne opposé:
d X ˜
dt = F ( ˜ X) − K ′ (X obs − C( ˜ X)), T > t > 0,
(3.4)où
K ′ estlamatrie de nudging rétrograde.
La résolution de e modèle rétrograde permet d'obtenir une solution à l'instant
t = 0
, qui peut êtrevueomme une nouvelleestimation de l'étatinitial du système.3.2.3 Algorithme BFN
L'algorithme du nudging diret et rétrograde (Bak and Forth Nudging) a été
introduitdans[18℄.Il onsisteà résoudrealternativement et itérativement l'équation
direteave nudging(3.2)et l'équationrétrogradeave nudging(3.4),en repartantà
haque fois de ladernière solution alulée. L'algorithme peut s'ériresous la forme
suivante :
On peut remarquer que si les trajetoires direte et rétrograde onvergent vers
la même limite, alors en faisant la somme et la diérene des deux équations dans
(3.5),latrajetoirelimite estsolution dumodèle diret (3.1) etelle oïnide ave les
observations à travers l'opérateur d'observation
C
et lamatrie degainK
.Dans la pratique, les observations sont disrètes en temps, e qui revient à dire
quele veteur
X obs n'est disponible et utilisable qu'à ertains instants (t i ) i=1...N. Le
terme denudgingest alors ajoutéuniquement à esinstants-là :
dX
dt = F (X) + X N
i=1
K(X obs − C(X))δ(t − t i ), 0 < t < T.
(3.6)3.2.4 Choix des matries de nudging et interprétations
Nousallons maintenant expliquer et justier le hoix desmatries de nudging, à
traversdiérentes interprétations dunudging.
Interprétation variationnelle du nudging
Conernantlamatriedenudgingdiret,laméthodeayantétébeauoupétudiéeet
utiliséedansles
30
dernièresannées[106,168,160,159℄,ilexisteplusieurspossibilités pourxerlamatrieK
denudgingdiret.Laplusonnueestlaméthodedunudgingoptimal, permettant de déterminer les ÷ients optimaux grâe à une méthode
variationnelle d'estimation de paramètres [180, 172℄.
Nous pouvons déjà noter qu'imposer
K = 0
dans (3.2) nous ramène auxéqua-tions du modèle (3.1). D'un autre té, imposer
K = + ∞
revient à substituer lesobservations à la trajetoire du modèle à haque instant d'observation. L'unomme
l'autre ont l'inonvénient deprivilégier l'unedesdeux souresd'information(modèle
et données) auxdépensde l'autre.
Soit
R
lamatriedeovarianedeserreursd'observation.Cettematrieintervient danslesméthodeslassiquesd'assimilationdedonnées,aussibienvariationnelles(3D-VAR,4D-VAR, 4D-PSAS,...)que séquentielles(ltres dérivés dultre de Kalman)
[78, 90, 144, 99, 100℄. En pratique, on ne onnaît pas exatement les statistiques
d'erreur, et on onsidère don une approximation de ette matrie, qu'on suppose
symétriquedénie positive.
On suppose ii que le modèle est linéaire, i.e. que
F
est un opérateur linéaire.Onsupposeégalement que
F
représente unopérateur symétrique. Une disrétisation temporellelassique (méthoded'Euler impliite) de l'équation(3.2) estlasuivante :X n+1 − X n
∆t = F X n+1 + K(X obs − CX n+1 ),
(3.7)où
∆t
représente lepasde disrétisation temporelle, etX n représente lasolution du
problème disretà l'insant
t n.
Enhoisissant
K = C T R −1 ,
(3.8)alors leproblème (3.7) estéquivalent au problèmed'optimisation suivant:
X n+1 =
argmin
X
1
2 h X − X n , X − X n i − ∆t
2 h F X, X i
(3.9)+ ∆t
2 h R −1 (X obs − CX ), X obs − CX i
.
Les deux premiers termes orrespondent exatement à l'énergie du modèle diret
disrétisé,etlederniertermeestlapartierelativeauxobservationsdelafontionnelle
oûtde l'algorithme4D-VAR [123℄.Ceprinipe variationnelmontre qu'àhaquepas
detemps,lenudgingdiret revient àfaireunompromisentreminimiserl'énergie du
Commeonséquene direte,nousonstatonsqu'iln'yaauune néessité
d'intro-duireunterme supplémentaire de régularisation,omme 'estleasdansle4D-VAR
ave un terme de rappel à une ébauhe de la ondition initiale. Dans l'algorithme
BFN,ilsut d'initialiser ave l'ébauhe, sansbesoin d'avoirune information surses
statistiquesd'erreur,etsanslaprendreenonsidérationdanslerestedel'algorithme.
Le BFN fournit automatiquement une orretion du modèle grâe aux
observa-tions, et le modèle est alors une ontrainte faible. L'énorme avantage est que ette
méthodeestmoinssensibleaufaitquelemodèlethéoriquenemodélisepasforément
bienlaréalité.
À noterquedansles asnonlinéaires, leterme
h F X, X i
de l'équation(3.9) peutêtreremplaé par unterme
− G(X)
, oùG
est l'énergie dusystème àl'équilibre.Interprétation séquentielle
Une interprétation stohastique (ou séquentielle) du nudging est également
pos-sible, en le rapprohant du ltre de Kalman. En eet, dans les périodes de temps
oùles observations ne sont pas disponibles, le nudging serésume, omme leltre de
Kalman, à intégrer les équations du modèlepour propager lasolution dansle temps
[8℄.
Lorsque des observations sont disponibles, la solution du modèle est orrigée en
utilisantl'éartentrelesobservationset latrajetoiremodèle,omme dansleltrede
Kalman.Toutefois,nousneonsidéronspasdansleBFNdematriesdegainoptimales
danslebut d'alléger lamise en ÷uvrepratique de l'algorithme, ainsi queson temps
de alul. Le nudging peut ainsi être vu omme un ltre de Kalman sous-optimal.
Toutefois,lefaitderésoudrealternativement deséquations diretesetrétrogrades en
tempspermet d'améliorertrèssensiblementlesrésultatspar rapportàlaméthodedu
nudgingstandard.
Méthode de plaement de ples et matriede nudging rétrograde
Le terme de nudgingdans l'équationrétrograde a undouble rle : ontraindre le
modèleà resterprohe desobservations,et stabiliser larésolution rétrograde du
mo-dèle.Eneet,l'irréversibilitédesphénomènesphysiquesonsidérésfaitqu'en général
lesystèmerétrograde estinstable.
Enfaisant unhangement de variabledansl'équation(3.4) pour serameneràun
temps roissant, onobtient (en supposant une foisenore lesopérateurslinéaires) :
− d X ˜
dt ′ = F X ˜ − K ′ (X obs − C X), ˜
(3.10)ave
t ′ = T − t
. Lamatriedestabilitédusystèmeestdon− F − K ′ C
,et lastabiliténumérique est garantie si toutes les valeurs propres de ette matrie sont à partie
réellenégative.
Lethéorèmesuivant[80,41,60,167℄,onnusouslenomdeméthodedeplaement
de ples, permet d'obtenir l'existene d'une matrie de nudging rétrograde
K ′ qui
Théorème 3.1 Si le système
(F, C)
est observab l e, alors il existe une matrieK ′
telleque toutes les valeurs propres de
− F − K ′ C
soient à partie réelle négative.L'observabilité du système est équivalente au fait que le rang de la matrie
[C, CF, . . . , CF n−1 ]
est égal àn
, oùn
est la dimension du problème physiquedis-rétisé.
Unetellematrie
K ′peutparfoisêtreexhibée,àonditionderésoudreaupréalable
deséquations du typeRiati, e qui s'avère relativement oûteux en pratique.
3.3 Expérienes numériques [11, 14, 21℄
3.3.1 Valeurs numériques des matries de nudging
D'un point de vue pratique, les expérienes numériques ont pour la plupart été
réalisées ave une matrie de nudgingfaileet rapide à implémente r:
K = C T (kI ) = kC T ,
(3.11)où
k
est un ÷ient salaire de gain, etI
est la matrie identité de l'espae desobservations.Cehoixestmotivéparplusieursremarques.Premièrement,lesmatries
de ovariane telles que
R
sont généraleme nt mal déterminées. Par ailleurs, e hoix estextrêmement simple et nenéessitepasd'appliquerune méthode d'estimation deparamètres. Enn, lehoix naturel de lamatrie de nudgingest
K = C T L
oùL
estun opérateur linéaire sur l'espae des observations. En eet, si les observations ne
sont pas loalisées aux points du maillage, la matrie
K
aura le rle de ramener laorretion
X obs − C(X)
despoints d'observation versles points dumaillage.Demême,pour lamatrierétrograde, noushoisissons généralement
K ′ = C T (k ′ I ) = k ′ C T ,
(3.12)ommedansleasdiret.Cehoixestégalementmotivéparlasimpliitéetlarapidité
de notreméthode danse aslà.
Lesdeuxuniquesparamètres de ette méthode deviennent alors les salaires
k
etk ′. Lesalaire k > 0
estgénéralement xédesorte queleterme denudgingsoit petit
par rapportaux termesdu modèle ande respeterle ompromisentrele modèleet
les observations. Le salaire
k ′ > 0
est quant à lui hoisi omme étant le plus petit÷ient quistabilise larésolution numérique de l'équationrétrograde.
3.3.2 Méthodologie expérimentale
Nous avons ensuite testé notre algorithme sur de nombreux modèles linéaires et
nonlinéaires,haotiquesougéophysiquessimpliés.L'approheestlamêmedanstous
lesas.Elleonsisteàréaliserdesexpérienesjumellesavedesdonnéessimulées.Une
premièrerésolutionpermetd'extrairedesdonnéesdisrètesentempsetenespae.Ces
Laonditioninitialeutiliséepourinitialiserl'algorithmeorrespondsuivantlesas
à un hamp onstant, ou à lasolution du modèle de référeneà un instant diérent
etavedu bruit.Cettetehniquepermetde simulerdesdonnéesaveunerépartition
spatio-tempore lleetunbruitdemesureàpeuprèsréalistes,avel'avantagedepouvoir
omparerlesrésultatsàlasolutionexate,i.e.elleutiliséepour générerles données.
3.3.3 Modèles étudiés
Nousprésentonsiilesdiérentsmodèlessurlesquelsnousavonstesté etomparé
notrealgorithme. Nousrenvoyonsdanshaque asàdesréférenespour ledétaildes
expérienes et lesrésultatsorrespondants.
Système de Lorenz
NousavonsonsidérélesystèmedeLorenzdansuneonguratio nhaotique[127℄:
Cesystèmed'équationsdiérentiellesordinaires en dimension 3,dont lestrajetoires
prennentlaformearatéristiquedesailesd'unpapillon,possèdedeuxattrateurs,
au-tourdesquelslasolutionosille,passantdel'unàl'autredefaçonhaotique.Lestests
numériques, résultatsde onvergene,et omparaison ave laméthodevariationnelle ,
sontdétaillés dans[11℄.
Équation de Burgers visqueux
Nous avons ensuite onsidéré un modèle non linéaire géophysique extrêmement
simple,orrespondantàl'équationdeBurgerssurundomainepériodiqueendimension
1:
où
s
représente l'absisse urviligne sur le45 o parallèle nord, et t
est le temps. Ce
modèlepeut êtrevuomme laprojetion 1Dd'un modèlebi-dimensionnel de
irula-tionmétéorologiqueàunepression(oualtitude)xée.Nousavonshoisilapériodedu
domaine,lesintervallesdetempsonsidérés,ainsiquelarépartitionspatio-temporelle
desobservations and'obtenir une situationomparable à laréalité.
Ilfautnoterquee systèmeestnonlinéaire,etsurtout irréversible(ardissipatif)
à ause du terme de diusion. Néanmoins, nous avons onstaté qu'il était possible
derésoudre leproblème rétrograde grâeaux observations. Lesrésultats numériques
montrant laonvergene et la omparaison de etalgorithme ave la méthode
varia-tionnellesontdétaillésdans[11℄.D'autresexpérienes numériquesdansunesituation
Modèle shallow water (ou équations de Saint-Venant)
Lemodèleshallow water (ou équations de Saint-Venant) estgénéralement utilisé
en oéanographie, en hydrologie et en méanique des uides. Il dérit l'évolution
d'un uide bi-dimensionnel à l'aidede 3 équations. Ces équations proviennent d'une
intégration vertiale deshamps tri-dimensionnels, dansle adre de l'approximatio n
hydrostatique (i.e. en négligeant l'aélérati on vertiale). Plusieurs variantes de e
modèle existent, etnousnouslimitonsà laformulation suivante qui faitintervenirla
hauteur duuide :
Bernoulli,
g ∗ estlagravitéréduite, f
laforede Coriolis,ρ 0 ladensitéduuide, r
le
r
le÷ientdefritionlatérale,et
ν
lavisosité.Lestroisvariablessont(u, v, h)
,respe-tivementlesdeuxomposanteslongitudinale ettransversaledelavitessehorizontale,
et lahauteurd'eau. Enn,
τ
représente letermedeouplage dumodèle,représentant un forçagepar levent.Deplus amplesdétails sur e modèle sont disponibles dans[56℄. Lesrésultats de
Deplus amplesdétails sur e modèle sont disponibles dans[56℄. Lesrésultats de