In recent years, Polarimetric Synthetic Aperture Radar (PolSAR) has been one of the most important instruments for earth observation, and is increasingly used in various remote sensing applications. Statistical modelling and scattering analysis are two main ways for PolSAR data interpretation, and have been intensively investigated in the past two decades. Moreover, spatial analysis was applied in the analysis of PolSAR data and found to be beneficial to achieve more accurate interpretation results. This thesis focuses on extracting typical spatial information, i.e., edges and regions by exploring the statistical characteristics of PolSAR data. The existing spatial analysing methods are mainly based on the complex Wishart distribution, which well characterizes the inherent statistical features in homogeneous areas. However, the non-Gaussian models can give better representation of the PolSAR statistics, and therefore have the potential to improve the performance of spatial analysis, especially in heterogeneous areas. In addition, the traditional fixed-shape windows cannot accurately estimate the distribution parameter in some complicated areas, leading to the loss of the refined spatial details. Furthermore, many of the existing methods are not spatially adaptive so that the obtained results are promising in some areas whereas unsatisfactory in other areas. Therefore, this thesis is dedicated to extracting spatial information by applying the non-Gaussian statistical models and spatially adaptive strategies. The specific objectives of the thesis include: (1) to develop reliable edge detection method, (2) to develop spatially adaptive superpixel generation method, and (3) to investigate a new framework of region-based segmentation. Automatic edge detection plays a fundamental role in spatial analysis, whereas the performance of classical PolSAR edge detection methods is limited by the fixed-shape windows. Paper 1 investigates an enhanced edge detection method using the proposed directional span-driven adaptive (DSDA) window. The DSDA window has variable sizes and flexible shapes, and can overcome the limitation of fixed-shape windows by adaptively selecting homogeneous samples. The spherically invariant random vector (SIRV) product model is adopted to characterize the PolSAR data, and a span ratio is combined with the SIRV distance to highlight the dissimilarity measure. The experimental results demonstrated that the proposed method can detect not only the obvious edges, but also the tiny and inconspicuous edges in heterogeneous areas. Edge detection and region segmentation are two important aspects of spatial analysis. As to the region segmentation, paper 2 presents an adaptive PolSAR superpixel generation method based on the simple linear iterative clustering (SLIC) framework. In the k-means clustering procedure, multiple cues including polarimetric, spatial, and texture information are considered to measure the distance. Since the constant weighting factor which balances the spectral similarity and spatial proximity may cause over- or under-superpixel segmentation in different areas, the proposed method sets the factor adaptively based on the homogeneity analysis. Then, in heterogeneous areas, the spectral similarity is more significant than the spatial constraint, generating superpixels which better preserved local details and refined structures. Paper 3 investigates another PolSAR superpixel generation method, which is achieved from the global optimization aspect, using the entropy rate method. The distance between neighbouring pixels is calculated based on their corresponding DSDA regions. In addition, the SIRV distance and the Wishart distance are combined together. Therefore, the proposed method makes good use of the entropy rate framework, and also incorporates the merits of the SIRV distance and the Wishart distance. The superpixels are generated in a homogeneity-adaptive manner, resulting in smooth representation of the land covers in homogeneous areas, and well preserved details in heterogeneous areas. / <p>QC 20171123</p>

En raison de la nature cohérente du signal RADAR à synthèse d’ouverture (RSO), les images RSO polarimétriques (RSOPOL) sont affectées par le bruit de chatoiement. L’effet du chatoiement peut être sévère au point de rendre inutilisable la donnée RSOPOL. Ceci est particulièrement vrai pour les données à une vue qui souffrent d’un chatoiement très intense.Un filtrage du bruit est nécessaire pour améliorer l’estimation des paramètres polarimétriques pouvant être calculés à partir de ce type de données. Cette opération constitue une étape importante dans le traitement et l’analyse des images RSOPOL. Récemment une nouvelle approche est apparue en traitement de données visant la solution d’une multitude de problèmes dont le filtrage, la restauration d’images, la reconnaissance de la parole, la classification ou la segmentation d’images. Cette approche est l’apprentissage profond et les réseaux de neurones à convolution (RNC). Des travaux récents montrent que les RNC sont une alternative prometteuse pour le filtrages des images RSO. En effet par leur capacité d’apprendre un modèle optimal de filtrage, ils tendent à surpasser les approches classiques du filtrage sur les images RSO. L’objectif de cette présente étude est d’analyser et d’évaluer l’efficacité du filtrage par RNC sur des données RSOPOL simulées et sur des images satellitaires RSOPOL RADARSAT-2, ALOS/PalSAR et GaoFen-3 acquises sur la région urbaine de San Francisco (Californie). Des modèles inspirés de l’architecture d’un RNC utilisé notamment en Super-résolution ont été adaptés pour le filtrage de la matrice de cohérence polarimétrique. L’effet de différents paramètres structuraux de l’architecture des RNC sur le filtrage ont été analysés, parmi ceux-ci on retrouve entre autres la profondeur du réseau (le nombre de couches empilées), la largeur du réseau (le nombre de filtres par couches convolutives) et la taille des filtres de la première couche convolutive. L’apprentissage des modèles a été effectué par la rétropropagation du gradient de l’erreur en utilisant 3 ensembles de données qui simulent la polarimétrie une vue des diffuseurs selon les classes de Cloude-Pottier. Le premier ensemble ne comporte que des zones homogènes.Les deux derniers ensembles sont composés de simulations en patchwork dont l’intensité locale est simulée par des images de texture et de cibles ponctuelles ajoutées au patchwork dans le cas du dernier ensemble. Les performances des différents filtres par RNC ont été mesurées par des indicateurs comprenant l’erreur relative sur l’estimation de signatures polarimétriques et des paramètres de décomposition ainsi que des mesures de distorsion sur la récupération des détails importants et sur la conservation des cibles ponctuelles. Les résultats montrent que le filtrage par RNC des données polarimétriques est soit équivalent ou nettement supérieur aux filtres conventionnellement utilisées en polarimétrie.Les résultats des modèles les plus profonds obtiennent les meilleures performances pour tous les indicateurs sur l’ensemble des données homogènes simulées. Dans le cas des données en patchwork, les résultats pour la restauration des détails sont nettement favorables au filtrage par RNC les plus profonds.L’application du filtrage par RNC sur les images satellitaires RADARSAT-2,ALOS/PalSAR ainsi GaoFen-3 montre des résultats comparables ou supérieurs aux filtres conventionnels. Les meilleurs résultats ont été obtenus par le modèle à 5 couches cachées(si on ne compte pas la couche d’entrée et de sortie), avec 8 filtres 3×3 par couche convolutive, sauf pour la couche d’entrée où la taille des filtres étaient de 9×9. Par contre,les données d’apprentissage doivent être bien ajustées à l’étendue des statistiques des images polarimétriques réelles pour obtenir de bon résultats. Ceci est surtout vrai au niveau de la modélisation des cibles ponctuelles dont la restauration semblent plus difficiles. / Due to the coherent nature of the Synthetic Aperture Radar (SAR) signal, polarimetric SAR(POLSAR) images are affected by speckle noise. The effect of speckle can be so severe as to render the POLSAR data unusable. This is especially true for single-look data that suffer from very intense speckle. Noise filtering is necessary to improve the estimation of polarimetric parameters that can be computed from this type of data. This is an important step in the processing and analysis of POLSAR images. Recently, a new approach has emerged in data processing aimed at solving a multi-tude of problems including filtering, image restoration, speech recognition, classification orimage segmentation. This approach is deep learning and convolutional neural networks(CONVNET). Recent works show that CONVNET are a promising alternative for filtering SAR images. Indeed, by their ability to learn an optimal filtering model only from the data, they tend to outperform classical approaches to filtering on SAR images. The objective of this study is to analyze and evaluate the effectiveness of CONVNET filtering on simulated POLSAR data and on RADARSAT-2, ALOS/PalSAR and GaoFen-3 satellite images acquired over the San Francisco urban area (California). Models inspired by the architecture of a CONVNET used in particular in super-resolution have been adapted for the filtering of the polarimetric coherency matrix. The effect of different structural parameters of theCONVNET architecture on filtering were analyzed, among which are the depth of the neural network (the number of stacked layers), the width of the neural network (the number of filters per convoluted layer) and the size of the filters of the first convolution layer. The models were learned by backpropagation of the error gradient using 3 datasets that simulate single-look polarimetry of the scatterers according to Cloude-Pottier classes. The first dataset contains only homogeneous areas. The last two datasets consist of patchwork simulations where local intensity is simulated by texture images and point target are added to the patchwork in the case of the last dataset. The performance of the different filters by CONVNET was measured by indicators including relative error on the estimation of polarimetric signatures and decomposition parameters as well as distortion measurements on the recovery of major details and on the conservation of point targets.The results show that CONVNET filtering of polarimetric data is either equivalent or significantly superior to conventional polarimetric filters. The results of the deepest models obtain the best performance for all indicators over the simulated homogeneous dataset. Inthe case of patchwork dataset, the results for detail restoration are clearly favourable to the deepest CONVNET filtering. The application of CONVNET filtering on RADARSAT-2, ALOS/PalSAR andGaoFen-3 satellite images shows results comparable or superior to conventional filters. The best results were obtained by the 5 hidden layers model (not counting the input and outputlayers), with 8 filters 3×3 per convolutional layer, except for the input layer where the filtersize was 9×9. On the other hand, the training data must be well adjusted to the statistical range of the real polarimetric images to obtain good results. This is especially true when modeling point targets that appear to be more difficult to restore.

Made available in DSpace on 2016-03-15T19:37:31Z (GMT). No. of bitstreams: 1 Rodrigo Cesar Ribeiro Miraglia.pdf: 2147088 bytes, checksum: 67087392fe4b03bb24d9a164fd92ceed (MD5) Previous issue date: 2010-08-20 / Fundo Mackenzie de Pesquisa / Sensors based on optical fibers are being increasingly used in hostile environments for measuring pressure, temperature, stress, chemical and biological parameters, etc. These sensors have the advantage of having reduced size and weight, immunity to electromagnetic interference, of being chemically inert, and also allowing the distributed measurement of the respective parameter along the fiber. Microstructured optical fibers have characteristics that are relevant to sensing applications, such as freedom of design of their internal structure obtained by varying the diameter of the holes and the distances between them, among other parameters, which is not applicable in conventional optical fibers. The present work aims to use a microstructured optical fiber as a distributed sensor for hydrostatic pressure, using the POTDR (Polarization Optical Time-Domain Reflectometry) and the OFDR (Optical Frequency-Domain Reflectometry) measurement techniques. The application of hydrostatic pressure on the fiber changes its birefringence and, consequently, the evolution of the states of polarization, which is the parameter monitored by the techniques. By monitoring the changes of these states, it is possible to infer the changes in applied pressure. The study is undertaken via simulations and analysis, both performed in the software MatLab. / Sensores baseados em fibras ópticas vêm sendo cada vez mais utilizados em ambientes hostis para medição de pressão, temperatura, stress, análise química e biológica, etc. Esses sensores têm a vantagem de possuírem tamanho e peso reduzidos, imunidade à interferência eletromagnética, de serem quimicamente inertes, e também permitirem a medição distribuída do parâmetro a ser analisado ao longo da fibra. As fibras ópticas microestruturadas possuem características relevantes na aplicação de sensoriamento, tal como a liberdade de construção de sua estrutura interna variando o diâmetro dos buracos e a distância entre eles, entre outros parâmetros, que não são aplicáveis em fibras ópticas convencionais. Este trabalho tem como objetivo estudar uma fibra óptica microestruturada como sensor distribuído de pressão hidrostática, utilizando as técnicas de medição POTDR (Polarization Optical Time-Domain Reflectometry) e OFDR (Optical Frequency-Domain Reflectometry). A aplicação de pressão hidrostática sobre a fibra altera sua birrefringência e, consequentemente, a evolução do seu estado de polarização, sendo este último o parâmetro monitorado pelas técnicas. Analisando-se a mudança deste estado, pode-se inferir a mudança de pressão aplicada. O estudo é realizado através de simulações e análises efetuadas no software MatLab.

Ces travaux de recherche portent sur le développement d'un système original de fusion de données de diffusion électromagnétique et optique par des milieux denses et complexes. La méthode, à la fois théorique, numérique et expérimentale, permet la fusion des signatures de diffusion hyperspectrales, polarimétriques et angulaires d'un milieu d'étude. Un système expérimental multi-capteurs comprenant une source laser supercontinuum est présenté pour mesurer les signatures de diffusion de différentes cibles. Des modèles directs de simulation physique ont aussi été développés via : (i) une approche dite « top-down » qui modélise les signatures à partir de paramètres macroscopiques (ex. rugosité, indices optiques effectifs) ou (ii) une approche dite « bottom-up » qui modélise les signatures à partir de paramètres microscopiques (ex. distribution en taille, géométrie, concentration, indices optiques et structuration des diffuseurs) en résolvant soit l'équation de transfert radiatif ou directement les équations de Maxwell. Des méthodes inverses appliquées sur les signatures mesurées sont développées pour retrouver simultanément les paramètres d’intérêt du milieu analysé. Les avancées de ces travaux permettent une amélioration de la compréhension des phénomènes de diffusion électromagnétiques et optiques par des milieux denses et complexes tels que les surfaces rugueuses, les revêtements, les nanomatériaux, les suspensions colloïdales ou les agrégats fractals d'aérosols ultrafins. Les domaines d'applications de ces travaux sont l'aéronautique (ex. peintures d'aéronefs), l'imagerie aéroportée ou satellite (ex. imagerie active hyperspectrale ou polarimétrique), la sécurité et la défense (ex. matériaux pour la furtivité) ou bien les sciences de l'atmosphère (ex. systèmes LiDAR, suivi de pollution, suies), l'industrie chimique (ex. suspensions colloïdales) ou le biomédical (ex. diagnostic de tumeurs et mélanomes). / This work reports the development of an original data fusion system dedicated to electromagnetic and light scattering by dense and complex media. The dissertation encompasses the theoretical, numerical and experimental studies. The output of the data fusion system is a fused hyperspectral, polarimetric and angular scattering signature. An experimental multi-sensor and supercontinuum laser-based system is presented to measure the scattering signatures for various targets. Direct physical simulation models were developed using a two-level modelling scheme: (i) a top-down approach is used to model signatures from macro-physical parameters, e.g. the surface roughness or the effective refractive index and, (ii) a bottom-up approach is used to model signatures from microphysical parameters, e.g. the size distribution, the geometry, the concentration, the refractive index and the structuration of the scatterers, by solving the radiative transfer equation or directly the Maxwell's equations. Inversion schemes are deployed to retrieve these parameters by inverting the experimental signatures. The advancements described throughout this dissertation will serve to improve understanding of electromagnetic and light scattering by dense and complex media such as rough surfaces, coatings, nanomaterials, colloidal suspension and fractal aggregates of ultrafine aerosols. This study has relevant applications in fields as diverse as aeronautics (e.g. aircraft paint coatings), remote-sensing (e.g. hyperspectral, polarimetric, active or passive imaging), security and defense (e.g. furtive materials), atmospheric science (e.g. black carbon or soot characterization, LiDAR systems), chemical engineering (e.g. colloidal suspensions), or biomedical (e.g. tumor and melanoma diagnostic).

Les plasmas froids produits par les décharges électriques sont des gaz faiblement ionisés, ce qui maintient la température du gaz à une température proche de la température ambiante, contrairement à la température de l'électron qui peut atteindre plusieurs électron-volts. Les applications des plasmas froids en médecine et en agriculture sont des nouveaux domaines de recherche multidisciplinaires basés sur les interactions de ces plasmas avec des organismes vivants. Le champ électrique ainsi que les espèces réactives de l’oxygène et de l'azote peuvent inactiver les bactéries, stimuler la régénération de la peau (dermatologie), la réduction tumorale (oncologie) et la germination des graines (agriculture). Ces nouveaux domaines de recherche, basé sur la chimie produite par l’interaction plasma-liquide est très prometteur et se développe rapidement. L’objectif de ce travail est d’étudier les interactions entre les plasmas froids et l’eau pour les applications biologiques, d’une part la promotion de la germination des graines au moyen d’une décharge à barrière diélectrique (DBD) et, d’autre part, l’effet ex vivo d’un traitement par jet de plasma froid sur la peau.Ce manuscrit est divisé en cinq chapitres: i) On présente tout d'abord une revue de la littérature présentant l'état de l’art concernant l'interaction plasma-liquide et les principales avancées en matière d'applications des plasmas froids à la germination des semences. Ii) Deuxièmement, les dispisitifs expérimentaux sont décrits, en particulier la fabrication de réacteurs à plasma utilisant l’impression 3D. Iii) Ensuite, la production d'espèces réactives gazeuses et aqueuses formées par des plasmas de type DBD a été mesurée quantitativement et l'interaction plasma-liquide a été analysée. Iv) Puis, plusieurs variétés de graines ont été sélectionnées pour évaluer l’effet un traitement par plasma DBD ; l'étude des mécanismes de promotion de la germination du plasma a été spécifiquement étudiée en traitant les graines de soja vert dans différentes conditions de décharge, dans différents milieux, avec un champ électrique seul et dans différentes conditions de cultures ou de niveau d'hydratation des graines.v) Enfin, l'imagerie paramétrique de Muller (MPI) a été appliquée pour la modification de la peau de souris ex vivo traitées par un plasma à jet d'hélium. / Non-Thermal-Plasmas (NTP) produced by electric discharges are weakly ionized gases, which keeps the gas temperature at near room temperature contrary to the electron temperature which can reach several electron-Volts. Applications of NTP to medicine and agriculture are new multidisciplinary research fields based on interactions of the Non-Thermal-Plasmas with living organisms. Electric field as well as Reactive Oxygen and Nitrogen Species produced by NTP may inactivate bacteria, stimulate skin regeneration (dermatology), tumor reduction (oncology) and seeds germination (agriculture). These new fields of research are based on the plasma-liquid chemistry. The objective of this work is to study the NTP interacting with water for biological applications including on one hand, the promotion of the germination of seeds using a Dielectric Barrier Discharge (DBD) and on the other hand, the effect of a plasma jet treatment ex vivo on skinThis manuscript is divided in five chapters: i) First a literature review is presented showing the state of the art of the plasma-liquid interaction, and the main advances of the application of non thermal plasmas to seed germination. Ii) Second, experimental set ups are described, in particular the manufacturing of plasma reactors using 3D printing. Iii) then , the production of gaseous and aqueous reactive species formed by DBD plasmas was measured quantitatively and plasma-liquid interaction was analyzed. Iv) Next, different varieties of seeds were selected to evaluate the effect of a DBD plasma treatment and the study of the mechanisms of plasma germination promotion was specifically investigated by treating mung bean seeds in different discharge conditions, in different mediums, in electric field alone and in different hydration levels of seeds.v) Finally, Muller parametric imaging (MPI) was applied to study the modification of ex vivo mice skin treated by a helium jet plasma.