Feb 19, 2015 - de la présidente du jury, ainsi qu'aux examinateurs, Messieurs Antonio Plaza et Predrag Mi- ...... The proposed incoherent polarimetric decomposition method consists in three main steps: 1. ...... [153] E. Paquet and M.T. Laval. ... parait justifié de mettre en question les hypothèses de circularité et sphéricité, ...
Very high-resolution polarimetric SAR image characterization through Blind Sources Separation techniques Nikola Besic
To cite this version: Nikola Besic. Very high-resolution polarimetric SAR image characterization through Blind Sources Separation techniques. Signal and Image Processing. Universit´e de Grenoble; Universit´e du Mont´en´egro, 2014. English.
HAL Id: tel-01118690 http://hal.univ-grenoble-alpes.fr/tel-01118690 Submitted on 19 Feb 2015
HAL is a multi-disciplinary open access archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destin´ee au d´epˆot et `a la diffusion de documents scientifiques de niveau recherche, publi´es ou non, ´emanant des ´etablissements d’enseignement et de recherche fran¸cais ou ´etrangers, des laboratoires publics ou priv´es.
THÈSE Pour obtenir le grade de
DOCTEUR DE L’UNIVERSITÉ DE GRENOBLE Spécialité : Signal, Image, Parole, Télécoms Arrêté ministériel : 7 août 2006
Et de
DOCTEUR DE L’UNIVERSITÉ DU MONTÉNÉGRO Spécialité : Traitement du signal
Présentée par
Nikola BESIC Thèse dirigée par Gabriel VASILE, Jocelyn CHANUSSOT et Srdjan STANKOVIC préparée au sein des Grenoble Image Parole Signal Automatique laboratoire (GIPSA-lab) et Faculté d’électrotechnique (ETF), dans EEATS et ETF
Séparation aveugle des sources polarimétriques en télédétection RSO satellitaire à très haute résolution spatiale Thèse soutenue publiquement le 21 novembre 2014, devant le jury composé de : Mme Marie CHABERT Professeur, INP Toulouse, Présidente
M. Laurent FERRO-FAMIL Professeur, Université de Rennes I, Rapporteur
M. Philippe RÉFRÉGIER Professeur, École Centrale de Marseille, Rapporteur
M. Predrag MIRANOVIC Professeur, Université du Monténégro, Examinateur
M. Antonio PLAZA Professeur, Université d'Estrémadure, Examinateur
M. Guy D’URSO
Ingénier de recherche, R&D EDF, Membre invité
M. Gabriel VASILE Chargé de recherche, CNRS, Encadrant
M. Jocelyn CHANUSSOT Professeur, Grenoble INP, Directeur de thèse
M. Srdjan STANKOVIC Professeur, Université du Monténégro, Co-Directeur de thèse
THESIS Very high-resolution polarimetric SAR image characterization through Blind Sources Separation techniques Presented and defended by
Nikola BESIC for jointly obtaining the
Doctorate degree of University of Grenoble Doctoral School for Electronics, Power Systems, Automatic Control and Signal Processing Specialization: Signal, Image, Speech, Telecommunications
and the
PhD degree in Technical Sciences of University of Montenegro Faculty of Electrical Engineering Specialization: Signal Processing Thesis supervised by Gabriel VASILE, directed by Jocelyn CHANUSSOT and Srdjan STANKOVIC. Prepared in the Grenoble Image Parole Signal Automatique laboratory (GIPSA-lab) and partly, at the Faculty of Electrical Engineering. Defended in Grenoble, on 21th November 2014, in front of the jury: President: Marie CHABERT - Professor, INP Toulouse Opponents: Laurent FERRO-FAMIL - Professor, University of Rennes I Philippe RÉFRÉGIER - Professor, École Centrale de Marseille Examiners: Predrag MIRANOVIC - Professor, University of Montenegro Antonio PLAZA - Professor, University of Extremadura Guest member: Guy D’URSO - Research Engineer, R&D EDF Supervisor: Gabriel VASILE - Research Scientist, CNRS Director: Jocelyn CHANUSSOT - Professor, Grenoble INP Co-Director: Srdjan STANKOVIC - Professor, University of Montenegro
Acknowledgements Ce sera plutôt les remerciements... Ne pas dire thanks, mais merci, c’est mon devoir et mon désir. J’aimerais d’abord remercier Messieurs Philippe Réfrégier et Laurent Ferro-Famil, les rapporteurs de ma thèse, pour leurs analyses très appréciées des travaux effectués pendant ma thèse et présentés dans ce manuscrit. Merci à Madame Marie Chabert d’avoir accepté le rôle de la présidente du jury, ainsi qu’aux examinateurs, Messieurs Antonio Plaza et Predrag Miranovic, pour leurs questions et remarques très intéressantes. C’est un grand honneur pour moi que tous ces scientifiques extraordinaires aient accepté de faire partie de cette histoire, mon histoire. Sans aucun dilemme, le plus grand merci va à Gabriel. Si cette thèse pouvait avoir un coauteur, ce serait lui. Si on pouvait dire que, après cette thèse, on a quelqu’un qui ressemble à un scientifique, ce serait lui qui l’a créé. Si rien d’autre, il a gagné un ami fidèle. Je suis très reconnaissant à mes directeurs de thèse, pour leur soutien sans réserve et leurs conseils qui m’ont aidé à rester sur le bon chemin. Merci à Jocelyn d’avoir eu toujours de la patience pour m’écouter, malgré le fait qu’il était toujours très occupé et moi, assez souvent, un vrai casse-pied. Merci à Srdjan pour toutes nos discussions et surtout, d’avoir été quelqu’un, dont l’opus scientifique considérable, avait ouvert la porte vers ma vie en France. J’ai très envie de mentionner ici l’équipe des ingénieurs-chercheurs du R&D EDF. Un grand merci à M. Guy d’Urso, qui a également fait partie du jury, ainsi qu’à Messieurs Alexandre Girard et Didier Boldo, d’être toujours là pour me conseiller mais aussi pour juger le qualité de mon travail, dans un contexte un peu plus pragmatique. Un aussi grand merci va à Monsieur Jean-Pierre Dedieu, pour une collaboration qui m’a beaucoup plu et qui va, j’espère, continuer. Merci à mes parents et à mon frère, d’être toujours de mon coté. Sans eux, tout ce que j’ai fait et tout ce que je vais faire, auraient aucun sens. Merci à toutes et à tous qui ont fait (partie de) ma vie pendant ces trois ans, de manier (le) plus ou un peu moins intime. On m’avait dit qu’il fallait ajouter au moins quelques prénoms ici, mais à moi vous semblez être trop importants pour être catalogués. Vous allez vous reconnaître de toute façon, j’en suis sûr. Et moi, je vous porterai dans mon cœur, partout et toujours... Pas comme les souvenirs d’une période merveilleuse de ma vie, mais comme la partie de l’essence, de ce qu’elle est ma vie. Pour finir, je veux évoquer un aspect novateur de ma soutenance, qui a sans doute apporté pas mal d’émotions à la discussion. Notamment, au plein milieu de cette dernière j’ai eu un coup de mou et je suis tombé dans les pommes devant mon jury et quelques amis qui sont restés dans la salle après ma présentation. Leurs réactions formidables m’ont permis de me remettre en forme assez vite et d’ensuite continuer la discussion, mais elles m’ont surtout i
ii beaucoup touché... Jocelyn et Guy qui me réveillent, Gildas qui panique et qui court pour chercher de l’aide, Lucia qui vient pour tous nous calmer, Gabriel avec de l’eau, Fakhri avec du chocolat... Ce sont des images qui vont sûrement rester gravées pour toujours dans ma mémoire. Pas comme des mauvais souvenirs, mais plutôt comme une autre preuve (bien qu’elle n’était pas forcement nécessaire) que j’ai gagné beaucoup plus que quelques diplômes... ici, dans la capitale des Alpes.
À mes parents et leurs parents, pour tout l’amour et tout ce que je suis.
"L’homme n’est pas une idée..." Albert Camus, La peste
Contents Abbreviations and acronyms
ix
Mathematical notations and operators
xi
Preface
1
A
5
I
METHODOLOGICAL CONTEXT POLSAR image and BSS
7
I.1
SAR Polarimetry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
I.1.1
Basic principle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
I.1.2
Polarimetric decomposition . . . . . . . . . . . . . . . . . . . . . . . . . 11
I.2
I.3
SAR images statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 I.2.1
Single polarization image statistics . . . . . . . . . . . . . . . . . . . . . 18
I.2.2
Polarimetric image statistics . . . . . . . . . . . . . . . . . . . . . . . . . 20
Blind Source Separation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 I.3.1
Principal Component Analysis . . . . . . . . . . . . . . . . . . . . . . . 23
I.3.2
Independent Component Analysis . . . . . . . . . . . . . . . . . . . . . . 24
II Statistical assessment of high-resolution POLSAR images
31
II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 II.1.1 SAR interferometry
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
II.2 Circularity and sphericity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 II.2.1 Circularity
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
II.2.2 Sphericity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 II.3 Spherical symmetry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 iii
iv
Contents II.3.1 The Schott test for circular complex random vectors . . . . . . . . . . . 40 II.4 Results and discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 II.4.1 Synthetic data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 II.4.2 Very high resolution POLSAR data . . . . . . . . . . . . . . . . . . . . . 43 II.4.3 High-resolution multi-pass InSAR data . . . . . . . . . . . . . . . . . . . 46 II.5 Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 II.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
III Polarimetric decomposition by means of BSS
53
III.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 III.2 PCA and ICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 III.3 Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 III.3.1 Estimation of the independent components . . . . . . . . . . . . . . . . 56 III.3.2 Roll-Invariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 III.4 Performance analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 III.4.1 Data selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 III.4.2 Synthetic data set . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 III.4.3 Data set I: Urban area . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 III.4.4 Data set II: Mountainous region . . . . . . . . . . . . . . . . . . . . . . . 68 III.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 Methodology: Conclusions
77
B
79
APPLIED CONTEXT
IV Remote sensing of snow
81
IV.1 Snow pack properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 IV.1.1 Basic physical properties . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Contents
v
IV.1.2 Dielectric and surface roughness properties
. . . . . . . . . . . . . . . . 83
IV.2 Snow backscattering mechanism . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 IV.2.1 Single-layer backscattering simulator . . . . . . . . . . . . . . . . . . . . 85 IV.2.2 Multi-layer backscattering simulator . . . . . . . . . . . . . . . . . . . . 88 IV.3 SWE hydrological modelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 V Stochastic snow mapping using high-resolution SAR data
93
V.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 V.2 The preamble of the detection algorithm . . . . . . . . . . . . . . . . . . . . . . 95 V.2.1 Input data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 V.2.2 SAR image processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 V.3 Wet/Dry snow backscattering ratio . . . . . . . . . . . . . . . . . . . . . . . . . 96 V.3.1 Simulator calibration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 V.3.2 Variable threshold derivation . . . . . . . . . . . . . . . . . . . . . . . . 99 V.4 Stochastic approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 V.4.1 Confidence level
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
V.5 Performance analyses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 V.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 VI SWE spatial modelling using remote sensing data
107
VI.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 VI.2 POLSAR potential in SWE monitoring . . . . . . . . . . . . . . . . . . . . . . . 109 VI.3 Calibration of MORDOR using in situ measurements . . . . . . . . . . . . . . . 111 VI.4 Calibration of MORDOR using MODIS remote sensing data . . . . . . . . . . . 113 VI.4.1 MODIS data preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . 114 VI.4.2 Continuous thresholding of the SWE sub-model . . . . . . . . . . . . . . 114 VI.4.3 The derivation of the correction coefficients . . . . . . . . . . . . . . . . 114
vi
Contents VI.5 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 VI.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
Application: Conclusions
121
Overall remarks and perspectives
123
A The polarimetric model of snow backscattering
125
B The Nelder-Mead simplex optimization method
127
C Résumé étendu (fr)
129
C.1 Image RSO polarimétrique et séparation aveugle des sources . . . . . . . . . . . 132 C.1.1 Polarimétrie RSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 C.1.2 Séparation aveugle des sources . . . . . . . . . . . . . . . . . . . . . . . 134 C.2 Évaluation statistique des images RSO polarimétriques à haute résolution spatiale135 C.2.1 Paramètres statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135 C.2.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 C.3 Décomposition polarimétrique par séparation aveugle des sources . . . . . . . . 137 C.4 Télédétection de la neige . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 C.5 Cartographie de la neige humide par les données RSO à haute résolution spatiale141 C.6 Modélisation spatiale de l’EEN par les données de télédétection . . . . . . . . . 144 C.6.1 Le rôle potentiel de RSO polarimétrique . . . . . . . . . . . . . . . . . . 146 C.7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147 D Rezime (me)
149
Publications
151
Bibliography
153
Contents Abstract (en)/Résumé court (fr)
vii 164
Abbreviations and acronyms AML
Approximate Maximum Likelihood
BSS
Blind Source Separation
DEM
Digital Elevation Model
DERD
Double bounce Eigenvalue Relative Difference
DMRT
Dense Media Radiative Transfer
ECD
Elliptically Contoured Distributions
EDF
Eléctricité de France
EM
ElectroMagnetic
GLRT
Generalized Likelihood Ratio Test
IC
Independent Components
ICA
Independent Component Analysis
ICTD
Incoherent Target Decomposition
IEM-B
Integral Equation Model-B
InSAR
Interferometric SAR
LRT
Likelihood Ratio Test
MI
Mutual Information
ML
Maximum-Likelihood
MLC
Multi-Look Complex
MLE
Maximum Likelihood Estimation
MODIS
Moderate-Resolution Imaging Spectroradiometer
MORDOR MOdèle à Réservoirs de Détermination Objective du Ruissellement NC FastICA Non-Circular FastICA PC
Principal Components
PCA
Principal Component Analysis
PDF
Probability Density Function ix
x
Abbreviations and acronyms
POLSAR
Polarimetric SAR
SAR
Synthetic Aperture Radar
SCM
Sample Covariance Matrix
SECM
Sample Extended Covariance Matrix
SERD
Single bounce Eigenvalue Relative Difference
SIRV
Spherically Invariant Random Vector
SIRP
Spherically Invariant Random Process
SLC
Single-Look Complex
SPM
Sample Pseudo-covariance Matrix
SSD
Spherical Symmetric Distributions
SWE
Snow Water Equivalent
SWEEP
Snow Water Equivalent Estimation at the Pixel scale
TD
Target Decomposition
TSVM
Target Scattering Vector Model
QCA
Quasi Crystalline Approximation
QCA-CP
Quasi Crystalline Approximation with Coherent Potentials
Mathematical notations and operators Scalars are designated using italic formating, e.g. f
-
frequency,
with the exception of multi-letter ones, e.g. SWE
-
Snow Water Equivalent.
Vectors are designated using bold formating and lower case, e.g. k
-
target vector.
Matrices are designated using bold formating and upper case, e.g. S
-
scattering matrix.
Particular probability density functions are designated using calligraphic style, e.g. N or p
-
PDF of the normal distribution,
with p being a general notation. The operators: [·]T
-
transposed,
[·]H
-
conjugated-transposed,
[·]⇤
-
conjugated,
[·]−1
-
inversed,
b h.i or [·] ˜ [·]
-
estimated,
-
whitened,
¯ [·]
-
mean value,
|·|
-
absolute value - `1 norm,
-
Euclidean norm - `2 norm,
E[·]
-
mathematical expectation,