Débruitage d’images SAS: utilisation conjointe d’un filtre moyenneur auto-adaptatif et du filtrage adapté stochastique - SAS images denoising: the jointly use of an adaptive mean filter and the stochastic matched filter

Débruitage d’images SAS: utilisation conjointe d’un filtre moyenneur auto-adaptatif et du filtrage adapté stochastique

SAS images denoising: the jointly use of an adaptive mean filter and the stochastic matched filter

Philippe Courmontagne

L2MP ISEN-Toulon, Maison des Techonologies, place G. Pompidou, 83000 Toulon

Corresponding Author Email: 
philippe.courmontagne@isen.fr
Page: 
29-44
|
Received: 
30 November 2006
|
Accepted: 
N/A
|
Published: 
30 April 2008
| Citation

OPEN ACCESS

Abstract: 

SAS (Synthetic Aperture Sonar) has been used in sea bed imagery. Indeed, high resolution images provided by SAS are of great interest, especially for the detection, localization or eventually classification of objects lying on sea bed. But, SAS images are highly corrupted by a granular multiplicative noise, called speckle noise, which reduces spatial and radiometric resolutions. For this reason, an automatic analysis of these images is not so evident. A solution can consist on the use of a filtering before process, without a spatial resolution degradation. The purpose of this article is to present a new process consisting on the jointly use of the stochastic matched filter and an autoadaptive mean filter. Furthermore, in order to well preserve the spatial resolution, we propose to use as a criteria for the stochastic matched filter the minimization between the speckle noise local statistics with the removal signal ones, allowing a subimage size adaptation. Results obtained on real SAS data are proposed and compared with those obtained using other stochastic matched filtering based denoising methods.

Résumé

Les systèmes SAS (Sonar à Antenne Synthétique) sont activement utilisés pour l’imagerie du fond marin. En effet, la haute résolution des images SAS est d’un très grand intérêt pour la détection, la localisation ou encore la classification d’objets présents sur le fond marin. Mais ces images sont fortement entachées d’un bruit granulaire multiplicatif, connu sous l’appellation de bruit de speckle, qui réduit les résolutions spatiale et radiométrique. Si bien que l’interprétation automatique de ces images présente quelques difficultés. Une solution peut consister en un pré-traitement visant à réhausser le signal d’intérêt, sans pour autant altérer la résolution spatiale. Nous proposons dans cet article d’utiliser conjointement le filtrage adapté stochastique et un filtre moyenneur auto-adaptatif. Par ailleurs, afin de préserver au mieux la résolution spatiale, le critère utilisé pour mettre en oeuvre le filtrage adapté stochastique est celui de la minimisation de l’écart entre l’une des caractéristiques statistiques du speckle et celle du bruit estimé, entraînant une adaptation sur la taille de la fenêtre glissante. Des expérimentations sur données réelles sont proposées et les résultats comparés avec ceux obtenus par différentes techniques de débruitage à base de filtrage adapté stochastique.

Keywords: 

Stochastic matched filter, autoadaptive mean filter, SAS images, speckle, variation coefficient, multiresolution analysis

Mots clés

Filtrage adapté stochastique, filtre moyenneur auto-adaptatif, images SAS, speckle, coefficient de variation, analyse multi-résolution

1. Introduction
2. Filtre Moyenneur Auto-Adaptatif
3. Le Filtrage Adapté Stochastique
4. TechniQues De Débruitage Basées Sur L’utilisation Du Filtrage Adapté Stochastique
5. Conclusion
  References

[1] F. CHAILLAN, C. FRASCHINI et P. COURMONTAGNE, «Stochastic Matched Filtering Method Applied to SAS Imagery», OCEANS 2005 - Europe, Vol. 1, Juin 2005, pp. 233-238.

[2] F. CHAILLAN, C. FRASCHINI, M. AMATE, P. COURMONTAGNE, «Multiresolution Analysis of SAS Images», OCEANS 2005 - Europe, Vol. 2, Juin 2005, pp. 1127-1132.

[3] F. CHAILLAN, P. COURMONTAGNE, «Coupling the Stochastic Matched Filter and the à Trous Algorithm for SAS Images denoising», OCEANS 2006 - Asia Pacific, Singapore, Mai 2006.

[4] P. COURMONTAGNE, «Le filtrage adapté stochastique adaptatif appliqué aux images bruitées», Traitement du Signal, Vol. 16, N°4, 1999, pp. 303-318.

[5] P. COURMONTAGNE, F. CAILLAN, «The Adaptive Stochastic Matched Filter for SAS Images De-noising», OCEANS 2006 - MTS/IEEE, Boston, Septembre 2006.

[6] C. A. POMALAZA-RAEZ, C. D. McGILLEM, «An adaptive non linear edge preserving filter», IEEE Trans. on Acoustics Speech Signal Processing, Vol. 32, N°3, 1984, pp. 571-576.

[7] F. JEAN, «SHADOWS, by Ixsea, a real-time Synthetic Aperture Sonar system», OCEANS 2006 - Asia Pacific, Singapore, Mai 2006.

[8] F. MOSCA, R. GIRAULT, F. JEAN, «A new gap-filter system using front-scan sonar technology coupled with SHADOWS», OCEANS 2006 - Asia Pacific, Singapore, Mai 2006.

[9] J.-F. CAVASSILAS, «Stochastic matched filter», Proceedings of the Institute of Acoustics (International Conference on Sonar Signal Processing), Vol. 13, Part 9, 1991, pp. 194-199.

[10] J.-F. CAVASSILAS, B. XERRI, «Extension de la notion de filtre adapté. Contribution à la détection de signaux courts en présence de termes perturbateurs», Traitement du Signal, Vol. 10, N° 3, 1993, pp. 215-221.

[11] C. LEVEQUE, J.-F. CAVASSILAS, «Généralisation du concept de filtrage adapté, application au filtrage d’images SAR d’états de surface de la mer», 14ème Colloque GRETSI, Juan-les-Pins, Vol. 1, 1993, pp. 539-543.

[12] C. FRASCHINI, P. COURMONTAGNE, C. JAUFFRET, «Amélioration du pouvoir discriminateur du SONAR actif en milieu bruité par maximisation du rapport signal à bruit», 7ème JASM, Brest, Octobre 2004.

[13] D. T. KUAN, A. A. SAWCHUK, T. C. STRAND, P. CHAVEL, «Adaptative noise smoothing filter for images with signal-dependent noise », IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 7, N° 2, Mars 1985, pp. 165-177.

[14] A. ACHIM, E. KURUOGLU, J. ZERUBIA, «SAR Image Filtering Based on the Heavy-Tailed Rayleigh Model», Rapport de recherche, INRIA, N° 5493, Février 2005.

[15] M. WALESSA, M. DATCU, « Model-Based Despeckling and Information Extraction from SAR Images », IEEE Transactions on Geoscience and Remote Sensing, Vol. 38, N° 5, 2000, pp. 2258-2269.

[16] P. COURMONTAGNE, F. CHAILLAN, O. LERDA, «SAS Image De-noising by the Curvelet Stochastic Matched Filter Transform», OCEANS 2006 - Asia Pacific, Singapore, Mai 2006.

[17] M. HOLDSCHNEIDER, R. KRONLAND-MARTINET, J. MORLET, P. TCHAMITCHIAN, «A real time algorithm for the Signal Analysis with the help of the wavelet transform», Wavelets, ed. J.M. Combes et al. Springer-Verlag Berlin, 1989, pp.286-297.

[18] S. MALLAT, «A Theory for Multiresolution Signal Decomposition: The Wavelet Representation», IEEE Trans on Pattern Anal. and Math. Intel., Vol. 11, N° 7, 1989, pp. 674-693.

[19] M. UNSER, A. ALDROUDI, «Polynomial Splines and Wavelets - A Signal Processing Perspective», Wavelets: A Tutorial in Theory and Applications, ed. C.K.Chui Academic Press New York, 1992, pp. 91-122.

[20] I. DAUBECHIES, «Ten lectures on wavelets», CBMS, SIAM, 61, 1994, pp. 194-202.