Statistical Algorithms for Processing Polarimetric Images in Coherent Light. Algorithmes Statistiques pour le Traitement des Images Polarimétriques en Lumière Cohérente

Statistical Algorithms for Processing Polarimetric Images in Coherent Light

Algorithmes Statistiques pour le Traitement des Images Polarimétriques en Lumière Cohérente

François Goudail Philippe Réfrégier 

Équipe « Physique et Traitement d’images », Institut Fresnel, École Nationale Supérieure de Physique de Marseille Domaine Universitaire de Saint-Jérôme 13397 Marseille cedex 20, France

Page: 
297-319
|
Received: 
24 July 2001
|
Accepted: 
N/A
|
Published: 
31 December 2001
| Citation

OPEN ACCESS

Abstract: 

Polarimetric imagery consists in forming an image of the state of polarization of the light basckscattered by a scene. For example, the image of degree of polarization is a powerful method for detecting objects which do not appear in classical  intensity images. However, with active imagers which illuminate the scene with coherent light (laser), the images of degree of polarization are strongly perturbed, due to the speckle phenomenon. It is thus necessary to use processing algorithms which are adapted to their statistical properties. We first propose to study a model of the probability density function of the images of degree of polarization, then we analyze the properties of several estimators of the degree of polarization from these images. We then characterize the performance of statistical algorithms for edge and target detection, and of object segmentation methods based on statistical active contours.  One of the main conclusions is that for these processing operations, it is preferable not to work on theclassical image of degree of polarization, but on a nonlinearly transformed image, which we call “natural representation” of the degree of polarization images. 

Résumé

L’imagerie polarimétrique consiste à former une image de l’état de polarisation de la lumière réfléchie par une scène. En particulier, l’image du degré de polarisation constitue une méthode puissante pour détecter des objets qui n’apparaissent pas sur les images d’intensité classiques. Cependant, dans les imageurs actifs illuminant la scène  avec une lumière cohérente (laser), les images de degré de  polarisation sont fortement perturbées à cause du phénomène de speckle. Il est donc nécessaire d’utiliser des algorithmes de traitement adaptés à leurs propriétés statistiques.  Nous proposons tout d’abord d’étudier le modèle de densité de probabilité des images de degré de polarisation, puis nous analysons  les propriétés des différents estimateurs du degré de polarisation à partir de ces images. Nous caractérisons ensuite les performances d’algorithmes statistiques de détection de cibles et de bords,  ainsi que des méthode de segmentation d’objets par contour actif statistique. L’une des principales conclusions est que pour ces  opérations de traitement, il est préférable de travailler non pas avec l’image de degré de polarisation classique, mais avec une transformation non-linéaire de celle-ci,  que nous appelons « représentation naturelle » des images de degré de polarisation. 

Keywords: 

Statistical optics, parameter estimation, target detection, edge detection, segmentation, active contours, active imagery, polarisation, image processing.

Mots clés 

Optique statistique, estimation de paramètres, détection de cibles, détection de bords, segmentation, contours actifs,  imagerie active, polarisation, traitement d’images.

1. Introduction
2. Le Principe de L’imagerie Polarimétrique Active
3. Modélisation et Propriétés Statistiques de l’ICEO
4. L’estimation du Degré de Polarisation
5. Applications au Traitement des Images Polarimétriques
6. Conclusion
Remerciements
Annexes
  References

[1] J. E. Solomon, « Polarization imaging », Applied Optics, 20, pp. 15371544, 1981. 

[2] W. G. Egan, W. R. Johnson, and V. S. Whitehead, « Terrestrial polarization imagery obtained from the space shuttle: characterization and interpretation », Applied Optics, 30, pp. 435-442, 1991. 

[3] L. B. Wolff, « Polarization camera for computer vision with a beam splitter », J. Opt. Soc. Am. A, 11, pp. 2935-2945, 1994. 

[4] L. B. Wolff and T. E. Boult, « Constraining object features using a polarization reflectance model », IEEE Trans. Patt. Anal. Machine Intell. 13, pp. 635-657, 1991. 

[5] J. S. Tyo, M. P. Rowe, E. N. Pugh, N. Engheta, « Target detection in optical scattering media by polarization-difference imaging », Applied Optics, 35, pp. 1855-1870, 1996. 

[6] S. Breugnot and Ph. Clémenceau, « Modeling and performances of a polarization active imager at lambda = 806 nm », in Laser Radar technology and applications IV, Gary W. Kamerman ; Christian Werner, ed., Proc. SPIE, 3707, pp. 449-460, 1999. 

[7] J. W. Goodman, « Laser Speckle and Related Phenomena », in Statistical Properties of Laser Speckle Patterns, pp. 9-75, (Springer-Verlag (Topics in Applied Physics Vol. 9), Heidelberg, 1975). 

[8] R. Touzi, A. Lopès, and P. Bousquet, « A statistical and geometrical edge detector for {SAR} images », IEEE Transactions on Geoscience and Remote Sensing, 26, pp. 764-773, 1988. 

[9] C. J. Oliver, I. Mc Connell, D. Blacknell, and R. G. White, « Optimum edge detection in SAR », in Synthetic Aperture Radar and Passive Microwave Imaging, G. Franceschetti, C. J. Oliver, J. C. Shiue, and S. Tajbakhsh, eds., SPIE Proceedings, 2584, pp. 152-163, 1995. 

[10] Ph. Réfrégier, O. Germain, and T. Gaidon, « Optimal snake segmentation of target and background with independent Gamma density probabilities, application to speckled and preprocessed images » Optics Commun. 137, pp. 382-388, 1997.

[11] O. Germain and Ph. Réfrégier, « Snake-based method for the segmentation of objects in multichannel images degraded by speckle » Optics Letters, 24, pp. 814-816, 1999. 

[12] O. Germain and Ph. Réfrégier, « Optimal snake-based segmentation of a random luminance target on a spatially disjoint background » Opt. Lett., 21, pp. 1845-1847, 1996. 

[13] C. Chesnaud, Ph. Refregier, and V. Boulet, « Statistical region snakebased segmentation adapted to different physical noise models » IEEE Trans. on Pattern Analysis and Machine Intelligence, 21, pp. 1145-1157, 1999. 

[14] S. Huard, « Polarized optical wave » in Polarization of light, pp. 1-35 Wiley, Masson, Paris, 1997. 

[15] J. W. Goodman, « The speckle effect in coherent imaging » in Statistical Optics, pp. 347-356, John Wiley and Sons, Inc., New York, 1985. 

[16] S. Huard, « Propagation of states of polarization in optical devices » in Polarization of light, pp. 86-130, Wiley, Masson, Paris, 1997. 

[17] R. K. Tyson and R. Q. Fugate, eds. Adaptive optics systems and technology, volume 3762. SPIE proceedings, Sept. 1999.

[18] C. Oliver and S. Quegan, « Fundamental properties of SAR images » in Understanding SAR images, pp. 84-99, Artech House, London, 1998. 

[19] D. C. Schleher, « Radar detection in Weibull clutter », IEEE Trans. on Aeros. and Elect. Syst., 12, pp. 736-743, 1976. 

[20] H. V. Poor, « Elements of hypothesis testing », in An introduction to signal detection and estimation, pp. 5-39 (Springer Verlag, New York, 1994. 

[21] A. K. Jain and C. R. Christensen, « Digital processing of images in speckle noise » in Applications of speckle phenomena, SPIE Proceedings, 243, pp. 46-50, 1980. 

[22] A. Papoulis, Probability, random variables and stochastic processes (Mc Graw-Hill, Boston, 1991. 

[23] J. Principe, A. Radislavljevic, J. Fisher, and L. Novak, « Target prescreening based on a quadratic gamma discriminator », IEEE Trans. on Aeros. and Elect. Syst., 34, pp. 706-715, 1998.