R EVUE DE STATISTIQUE APPLIQUÉE
B. P UMO
T. D HORNE
Modèle logarithmique de régression optique. Application à l’identification des fonctions de transmittance
Revue de statistique appliquée, tome 46, n
o3 (1998), p. 65-75
<http://www.numdam.org/item?id=RSA_1998__46_3_65_0>
© Société française de statistique, 1998, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une in- fraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
MODÈLE LOGARITHMIQUE DE RÉGRESSION OPTIQUE.
APPLICATION À L’IDENTIFICATION DES FONCTIONS
DE TRANSMITTANCE
B.
Pumo,
T. DhorneLaboratoire de
Mathématiques Appliquées,
E.N.S.A.R., Laboratoire de Biométrie, LN.R.A., 65 rue de St Brieuc, 35042 Rennes CedexRÉSUMÉ
On propose un modèle
logarithmique
derégression
dansl’espace
vectorieloptique
défini par Jourlin et Pinoli (1987, 1988). Les estimateurs des
paramètres d’espérance
sontexplicitement
fournis dans deux cas : le cas discret et le cas continuquand
le bruit du modèleest un processus
autorégressif
continu d’ordre un. Ce modèle estappliqué
à laprédiction
de la fonction de transmittance d’une
superposition
de filtres élémentaires dont les fonctions de transmittance sont connues. Enfin, uneapplication numérique
concernant l’estimation desproportions
d’unmélange
àpartir
des spectres de transmittance dans leproche infrarouge,
estdétaillée.
Mots-clés : théorie LIP,
régression, régression
continue, processusauto-régressif,
spectresproche infrarouge.
ABSTRACT
We propose a
logarithmic
model ofregression
in theoptical
vector space definedby
Jourlin and Pinoli (1987, 1988). The estimators of
expectation
parameters aregiven
in twocases : in discrete case and in continuous case, when the error is a continuous
autoregressive
process of first order. The model is
applied
for theprediction
of thetransmissivity
of anoptical
filter which is
supposed
to be asuperposition
ofoptical
filters with knowntransmissivity
function.
Finally,
wegive
a numericalapplication conceming
the estimation ofproportions
ofa mixture from near-infrared spectra.
Ke y words:
LIPtheory,
regression, continuous regression,autoregressive process, near-infrared
spectra.
1. Introduction
Le modèle linéaire
(régression, analyse
devariance,...)
est assez souvent utilisésur des
images
ou dessignaux
lumineux bienqu’il
ne semble pas absolumentadapté
àce
type
d’information. En effet l’intensité del’image
résultant de lasuperposition
dedeux
images
obtenues en lumière transmise n’est paségale
à la somme des intensitésrespectives.
La théorieLIP,
introduit par Jourlin et Pinoli(1987, 1988),
définit uncadre
mathématique permettant
demanipuler
directement les intensitésd’images
obtenues en lumière transmise.
Mayet et
al.( 1996)
ont donné unedescription complète
des
opérations
de base de la théorie LIP ainsi que lesjustifications physiques
deces
opérations.
Ils montrent lacompatibilité
du modèle avec les loisphysiques
deformation
d’images
par transmittance. Lacompatibilité
avec la formationd’images
par réflectance est démontrée dans la thèse de
Deng (1993).
Les
applications
de la théorie LIP en traitementd’images
sont nombreuses(voir Mayet et
al.1996).
On s’intéresse dans cet article à uneapplication particulière qui
concerne l’identification d’un
signal
obtenu par transmittance d’une série de filtres designaux
de transmittances connues.On
présente
dans la deuxième section lesopérateurs optiques, l’espace
vectorieldéfinis par Jourlin et Pinoli
(1987, 1988)
et leproduit
scalaire de cet espace(Pinoli, 1992).
Dans la section 3 on
présente
le modèlelogarithmique
derégression
dansl’espace
vectorieloptique.
On fournit les estimateurs sans biais de variance minimale desparamètres d’espérance
du modèle.Enfin,
dans la section4,
onapplique
le modèlelogarithmique
derégression optique
à l’identification deproportions
inconnues d’unmélange
connaissant lesspectres
dumélange
et des constituants de référence dans leproche infrarouge.
Uneétude
complète
par simulation estprésentée.
2.
L’espace
vectoriel desopérateurs optiques logarithmiques
L’espace
vectorieloptique
pour les fonctions de RP est défini par Jourlin et Pinoli(1987, 1988)
et leproduit
scalaire del’espace
par Pinoli(1992).
2.1.
Espace
vectorieloptique
Soit D un sous-ensemble R. Soit
F[0,M[ l’espace
des fonctions définies sur D à valeurs dans[0, M),
M étant une valeurpositive
finie. La «sommeoptique»
de deuxfonctions
f, g
deF[0,M[ est
donnée par :La
«multiplication optique»
def
par un scalairepositif
ou nul a est donnéepar :
Si le scalaire a est
négatif
la fonction af
définie par la loiprécédente
estune fonction à valeurs
négatives qui n’appartient
pas àF[0,M[·
La différence de deux fonctionsf, g
deF[0,M[ est
la fonction h telle que g EB h =f.
On notef 8 g
cettefonction. On
peut
montrerque h
est donnée par :On remarque
que h
n’est pastoujours
une fonction deF[0,M[· h appartient
àF[0,M[ si
et seulement sif
g. Enparticulier
on obtientl’opposé de g,
enprenant f
= 0. On noteg l’opposé de g :
L’opposé
d’une fonction deF[0,M[ est
une fonction à valeursnégatives. F[0,M[
n’est donc pas un espace vectoriel.
Soit
F]-~,M[ l’espace
des fonctions définies sur D à valeursdans
oo,M[,
muni des
opérations
(B, 0 définies ci-dessus. Cet espace est un espace vectoriel dontF[0,M[
est le cônepositif (Glazman
etLiubitch,
p.253).
2.2.
Interprétation
desopérations optiques
Les
interprétations
desopérations optiques
suivantes sont données dans les articles de Jourlin et Pinoli(1987, 1988)
etMayet et
al.(1996).
Soient un milieu
A, If (x)
etIAs(x)
les intensités incidente et transmise de la lumière en x. On suppose que l’intensité transmise est donnée par la formuleIA(x)
=IAi(x)exp[-03BC(x)]. La transmittance de A en x est TA(x) = IAx(x)/IAi(x).
La fonction à niveaux de
gris
associé à ce milieu(filtre)
estfA(x) = M[1 - TA (x) ].
Cette fonction est à valeurs dans
[0, Mu (on
suppose queTA(x) 1).
Lesopérations optiques
sont définies sur les fonctions à niveaux degris.
Soit B un deuxième filtre et
TB (x)
sa transmittance en x. Soit C = B oA le filtresuperposé.
Ona Tc (x)
=TA(x)TB(x)
ou encorefC(x)
=fA(x)
EDfB(x).
Ainsi lasuperposition
des filtrescorrespond
à la sommeoptique
des fonctions à niveaux degris.
Soit a >
0,
la transmittance du milieuAa d’épaisseur
a est[IAs/Ai]03B1
etla fonction à niveaux de
gris
associée estM[l - (IAs/IAi)03B1] = 03B1
0fA.
Ainsi lamultiplication optique
revient à considérer le même milieud’épaisseur multipliée
par 03B1.
2.3. Produit scalaire de
F]-~,M[
Le
produit
scalaire deF[0,M[
est défini par Pinoli(1992).
Supposons
d’abord que D =[a, b]
et que les fonctions deF[0,M[ sont
continues(la
continuité est utile ici poursimplifier
laprésentation).
Leproduit
scalaire def
etg de
F[0,M[
est donné par :Le
produit
scalaire de deux fonctions deF[O,M[
estpositif
ou nul. Il est nul siet seulement si le
produit f (t)g(t)
= 0 pour tout t E D.Soient maintenant
f, g quelconques
deF]-~,M[
etf +, f -, g+,
g- lesparties
positives
et lesparties négatives
def et g respectivement (Pinoli, 1991).
On af = f+
ef -
et g= g+
e g- . Leproduit
scalaire def, g
est donné par :On note de
nouveau F]-~,M[ l’espace
vectorieloptique
muni duproduit
scalaire défini ci-dessus.
Soit
03BB2D l’espace
des fonctions réelles continues définies sur D de carréintégrable
muni duproduit
scalaire( f, g)L2 = fD f(t)g(t)dt.
La transformationFa :
définit un
isomorphisme
entre lesespaces F]-~,M[
etl2D.
On considère maintenant le cas D =
{t1,
...,tN}
fini. Soient :dans
F[0,M[·
Leproduit
scalaire def N
et 9N est donné par :3. Modèle
logarithmique
derégression optique
Le modèle
logarithmique
derégression optique
est un modèle derégression
dansl’espace isomorphe f2
del’espace
vectorieloptique.
Pourjustifier
un tel modèle onconsidère
l’exemple
suivant. Soit unmélange
Pde p produits
élémentairesPl , ... , Pp
en
proportions
inconnues 03B11,.. , 03B1p. SoientT, Tl, ... , Tp
lesspectres
de transmit- tance de ces p + 1produits,
mesurés dans une bande defréquences
et D l’ensembledes
fréquences
dont on a mesuré la transmittance. On noteT (x), Tl (x),
...,Tp(x)
les transmittances en x E D.
Soient
f, fl, .... f p
les fonctions à niveaux degris
associées :f = M(1 - T), fi
=M(1 - Ti).
Enappliquant
lesinterprétations
duparagraphe 2.2,
on a :qui
s’écrit aussi :3.1. Le modèle
Soit
f, ~1,..., op,
p >1,
des fonctions deF[0,M[·
Le modèlelogarithmique
de
régression optique
est le modèle :où E
~ f]-~,M[ est
une fonction aléatoire. Deplus
on suppose que E est stationnaire(d’ordre deux), d’espérance
nulle et de fonction d’auto-covarianceK(s, t), s, t
E Dconnue. On s’intéresse dans cet article à l’estimation des
paramètres d’espérance
a1, ... , ap. Faisons
quelques
remarques sur ce modèle.Remarque
1 :Les fonctions
f, ~1,..., Op appartiennent
àF[0,M[ parce qu’elles représentent
des fonctions à niveaux de
gris.
Onpeut
évidement définir le modèle pour les fonctions deF]-~,M[·
Remarque
2 :Les fonctions
de F]-~,M[
sont associées aux fonctions de transmittancequi
caractérisent en
général
un milieu continu. Un modèle à indice continu est alorsplus proche
de la réalitéphysique,
même si ondispose
engénéral
des mesures dans unensemble discret de
points.
Remarque
3 :Les mesures successives de la transmittance sont
dépendantes
parce que la transmittance en unpoint x
est la valeur moyenne des transmittances dans unvoisinage
de x.
Remarque
4 :Dans
l’application présentée
à l’introduction de cette section on s’intéresse auxestimateurs
positifs
ou nulspuisque
lesparamètres
ai sont desproportions.
On
présentera
d’abord un résultat concernant le modèle derégression
avec unnombre
quelconque
d’observations et ensuite onappliquera
ce résultat sur le modèle(2).
3.2.
Régression
avec un nombrequelconque
d’observationsLe résultat suivant est dû à Parzen
(1961).
Soit le processus(X (t), t
e D cR)
de fonction d’auto-covariance connue
K(s, t), s, t
E D. Larégression
linéaire en Dest le modèle :
qu’on
écrira dans la suitesimplement :
Les fonctions ml
(t),
...,03B2p(t)
sont connues. On suppose que(ri (t),
t ~D)
est un processus stationnaire d’ordre deux
d’espérance
nulle et de fonction d’auto- covarianceK(s,t), s, t
E D. Un estimateurde (3i
est linéaire s’ilappartient
àl’espace engendré
par les combinaisons linéaires finies de la forme :Soit
H(K) l’espace
de Hilbertengendré
par les fonctions{K(·, t), t
ED}
etsupposons que mi E
H(K).
Soit( f, g>K
leproduit
scalaire deH(K).
Les espacesH(K)
etL2[X(t)]
sontisomorphes.
Soit(X, g>
K la fonction aléatoire deL2[X(t)]
correspondant à g
deH(K).
Si la matrice :est inversible alors l’ estimateur linéaire sans biais de variance minimale de
(3i
est lai-ème
composante
de :Pour
appliquer
ce résultat on doit connaîtrel’expression
duproduit
scalaire·,·>K.
3.3. Estimation de
paramètres
On
peut
maintenant donner les estimateurs de ai du modèle(2)
enappliquant
le résultat du
paragraphe
3.2. SoitH (K) l’espace engendré
parK(·,t),t
ED, ·,·>K
le
produit
scalaire deH(K)
et :Supposons
queV~~
soit inversible. Enappliquant
le résultat de Parzen(1961)
l’estimateur
optimal
de a =(03B11,..., 03B1p)t est :
Le
prédicteur correspondant
deFo( f )
est :et celui
de f est :
Pour donner
explicitement
les estimateurs on doit connaître leproduit
scalairede
H(K).
Nous donnonsl’expression
duproduit
scalaire dans deux cas.Cas continu avec un bruit
CAR(1)
On suppose que les fonctions
F,, (oi), i
=1,..., p
etFo ( f )
sont définieset continues dans un intervalle D =
[a, b]
et que(E(t), t
ED)
est un processusautorégressif
continu d’ordre un de fonction d’auto-covariance :Parzen
(1961)
montre que dans ce cas leproduit
scalaire deH(K)
est :Cas
discret fini
Dans ce cas D =
{t1,
...,tN}
etFo(~1),
...,Fo(~p), Fo(f)
sont des vecteursde
RN.
Soit X la matrice :Ce cas est le modèle
classique
de Gauss-Markov. L’estimateuroptimal
estl’estimateur de Gauss-Markov :
où K est la matrice N x N de terme
général Ki,j
=cov[~(ti), ~(tj)].
Leproduit
scalaire de
l’espace H(K)
est :3.3.1. Estimation des
paramètres
avec contraintesOn suppose maintenant que les
paramètres
ai sontpositifs
ou nuls. Ons’intéresse alors aux estimateurs vérifiant cette contrainte. Dans le cas
général
onpeut appliquer
laprocédure
de Waterman(1974), qui
résout leproblème
en calculantun nombre fini
d’équations
derégression
sans contrainte.4.
Application
L’application
suivante concerne laspectroscopie
dans leproche infrarouge (PIR).
Unspectre
PIR donne la transmittance de la lumièreenvoyée
en fonction de lafréquence
pour un ensemble defréquences
dans le PIR. Dans la section 3 on aprésenté
un
exemple
pourjustifier
le modèlelogarithmique
derégression optique.
Dans cetexemple
laquestion posée
concernait l’estimation desproportions
d’unmélange
Pde p
produits Pl,..., Pp,
connaissant leursspectres
de transmittanceT, Tl,..., Tp.
Considérons trois
produits (dans
cetteapplication
le maïs, le tourteau desoja
et le
pois)
et unmélange
de cesproduits
dans lesproportions
3 : 2 : 5. Lesspectres
des troisproduits
de référence et dumélange
sontprésentés
dans laFigure
1. Ondispose
d’une deuxièmerépétition
duspectre
dumélange
pour estimer le bruit demesure. On
présente
dans laFigure
2 la différence des deuxrépétitions
duspectre
dumélange
ainsi que cescorrélogrammes.
Apartir
descorrélogrammes
on aproposé
demodéliser le bruit par un
AR(l)
et unCAR(l) (voir
Jones1985).
la lb
FIGURE 1
a.
Spectres
des troisproduits
de base(mai’s,
tourteau desoja, pois)
et dumélange.
b. Les mêmes spectres
après
latransformation Fo
Modélisation
On a
comparé
les modèles :2a 2b 2c FIGURE 2
a. Le spectre de l’erreur de mesure obtenu comme
différence
de deux mesuresspectrales (transformés
parFo)
duproduit mélangé
b.
Corrélogramme
du spectre de l’erreur.c.
Corrélogramme partiel
du spectre de l’erreuroù
T, Tl, T2, T3
sont lesspectres respectivement
dumélange,
de maïs, de tourteau desoja
et depois
et :Le
premier
modèlelorsque q
est considéré comme un bruit blanc est utilisé souvent comme modèle deprédiction
dans cetype d’application (voir
Bertrand etRobert
1984).
Le modèle(9)
sejustifie physiquement
parl’interprétation
2.2.Pour
chaque
modèle on a estimé lesparamètres
ensupposant
que : - 71(respectivement E)
est un bruit blanc discret- q
(respectivement E)
est unAR(l)
- q
(respectivement E)
est unCAR( 1 ) Comparaison
de modèlesLes estimations obtenues pour les deux modèles et pour chacun des
postulats
concernant l’erreur sont
regroupées
dans le tableau 1. Les valeurs attendues pour lesparamètres 03B21, 03B22, 03B23 (respectivement
03B11, 03B12,03B13)
sont :0.3, 0.2,
0.5.TABLEAU 1
Estimation des
paramètres
des deux modèles et l’erreur estimée dechaque
modèleDans les colonnes 4 et 8 de ce tableau on a
indiqué
l’erreur deprédiction
el2du modèle
correspondant,
el2 d’un modèle étantoù
(xi,
i =1,..., 351)
sont les valeurs duspectre
avant ouaprès
la transformationFo
et(xi,
i =1,..., 351)
sont les valeursprédites
par le modèlecorrespondant.
On obtient de meilleurs résultats avec les deux modèles
lorsque
l’erreur estmodélisée par un processus
autorégressif
d’ordre un discret ou continu.Les deux modèles donnent
cependant
des estimationscomparables
avec despostulats analogues
sur l’erreur. On doitcependant
remarquer que le modèleloga- rithmique optique
a unejustification physique,
cequi
n’est pas le cas pour lepremier
modèle.
Bibliographie
BERTRAND
D.,
ROBERTP.,
TRAN V.( 1984)
Traitementmathématiques
de spectres N.I.R. demélanges,
XICongrès
de Association Internationale de ChimieCéréalière.,
pp. 93-97.DENG G.
(1993) Image
andsignal processing using
thelogarithmic image processing
model Ph. D.
Thesis, Dept.
ElectronicEnginneering,
La TrobeUniversity,
Australia.
GLAZMAN
I.,
LIUBITCH V.(1974) Analyse
linéaire dans les espaces de dimensionsfinies.
Ed. Mir-Moscou.JONES H.R.
(1985)
Time series withunequally spaced
data. Handbookof statistics,
Vol.
5,
157-177. Elseiver Science Publishers B.V.JOURLIN
M.,
PINOLI J.C.(1987) Logarithmic image processing.
Acta Stereol1987, 6/III, 651-655,
Proc. ICS VII CAEN.JOURLIN
M.,
PINOLI J.C.(1988)
A model forlogarithmic image processing.
Journal
of Microscopy,
vol.149,
n°1, 21-35.
MAYET
F.,
PINOLIJ.C.,
JOURLIN M.(1996)
Justificationphysique
etapplications
du modèle LIP pour le traitement des
images
obtenues en lumière transmise.Traitement du
signal,
vol.13,
n° 3.PARZEN,
E.(1961)
Anapproach
to time seriesanalysis.
Ann. Math.Statist.,
vol.32,
951-989.PINOLI J.C.
(1991)
A contrast definition forlogarithmic images
in the continuoussetting.
ActaStereol.,
vol.10,
n°1,
June1991, 56-65.
PINOLI J.C.
(1992) Metrics,
scalarproduct
and correlationadapted
tologarithmic images.
ActaStereol.,
vol.11,
n°2,
December1992,
157-168.WATERMAN M.S.