À cause de la nature cohérente du signal radar à synthèse d’ouverture (RSO), les données RSO polarimétriques (PolRSO) sont contaminées par du chatoiement. Le chatoiement affecte non seulement l’intensité des images sur les canaux HH, VV et HV, mais aussi la structure de corrélation (e.g. le produit complexe de la matrice de covariance). Une réduction du chatoiement améliore l’estimation de l’information polarimétrique, et par conséquent la discrimination de scènes ciblées, la segmentation d’images, la classification ainsi que la détection des contours. Mais, puisque l’information polarimétrique doit être préservée et les produits hermitiens de la matrice de covariance ajoutent de nouveaux termes à traiter, le filtrage du bruit de chatoiement est plus difficile à implémenter dans un système PolRSO que dans un système RSO. De plus, il est important d’éviter d’introduire de la diaphonie et de corrompre l’information polarimétrique des images. Le but de cette thèse est l’exploration du filtrage multiéchelle des images PolRSO. L’analyse multiéchelle basée sur la théorie des ondelettes est un outil d’analyse moderne dans de nombreux domaines de recherche technique comme la biologie, la médecine, l’informatique ou bien encore la télédétection. Les ondelettes ont montré avec succès leurs résultats dans le domaine du traitement d’images; dans le cadre du débruitage, la réussite de leurs techniques repose sur la capacité des transformées en ondelettes à séparer le bruit du signal utile. Dû à des contraintes physiques liées au débruitage du chatoiement des images PolRSO, il existe un compromis entre la préservation de la résolution spatiale et radiométrique. Le filtre amélioré de Lee est un exemple de filtres capables d’adapter la taille ou la forme de leur fenêtre de filtrage par rapport aux caractéristiques structurales de l’image, afin de trouver un bon compromis entre la conservation de la résolution spatiale et radiométrique de l’image débruitée. L’analyse multirésolution par ondelettes représente une approche très appropriée à ce type de contraintes grâce à ses propriétés de la localisation spatiale et fréquentielle des structures de l’image. Nous proposons dans cette thèse une nouvelle méthode filtrage multiéchelle des images PolRSO qui repose sur un algorithme d’identification des coefficients d’ondelettes significatifs (i.e. qui contient de l’information de structures). Nous appliquons une transformée en ondelettes à chaque élément de la matrice de covariance et utilisons toute son information polarimétrique pour filtrer les coefficients des ondelettes. Nous montrons que l’identification de l’information structurale dans domaine des ondelettes est améliorée en utilisant le logarithme des images PolRSO. Dans le but de soutirer l’information de structure qui existe dans toutes les bandes de la matrice de covariance polarimétrique, trois procédés sont suggérés : l’Analyse en Composantes Principales (ACP), la somme des carrés des coefficients et la somme des produits interbandes. Le seuillage des coefficients d’ondelettes est basé sur une technique de seuillage entropique 2D, qui permet d’obtenir un seuil dynamique lié directement au contenu de l’image. D’autre part, nous proposons aussi un turbo filtre polarimétrique basé sur le principe turbo itératif et notre filtre polarimétrique multiéchelle. Le concept du principe turbo itératif consiste à créer un système composé de deux filtres différents et de communiquer une information filtrée d’une sortie d’un filtre à l’entrée de l’autre filtre, puis de réitérer le processus jusqu’à ce qu’ils convergent vers un résultat plus fiable. L’algorithme turbo itératif appliqué aux images RSO a montré de très bonnes performances grâce à la propagation de l’information entre deux filtres; ce qui nous encourage à développer une méthode adaptée aux images PolRSO. Nous avons testé les performances de nos filtres sur des images PolSAR simulées, et sur des images PolRSO réelles; les résultats du filtre multiéchelle PolRSO se sont avérés supérieurs à ceux obtenus avec d’autres filtres, et le turbo filtre PolRSO a montré sa compétence à améliorer les résultats des filtres complémentaires au filtre basé sur une approche multiéchelle.

Ce travail porte sur l'analyse et la caractérisation de la texture spatiale non stationnaire dans les images SAR. <br />La plupart des études considérant la texture dans les images SAR utilisent les hypothèses de stationnarité statistique et d'isotropie spatiale. Cependant, l'observation des images montre que des orientations spatiales privilégiées peuvent être présentes. De plus, la mesure à différentes positions de la fonction d'autocorrélation suggère l'emploi de modèles non stationnaires. On introduit ici un modèle paramétrique basé sur des noyaux gaussiens anisotropes pour les statistiques d'ordre deux des images d'intensité SAR. Ce modèle prend à la fois en compte le caractère non stationnaire, ainsi que la présence d'anisotropie spatiale. Ensuite, différentes méthodes d'estimation relatives à l'orientation locale dans les images SAR sont proposées, puis l'une de ces méthodes est appliquée au filtrage du speckle.

Une interface vocale silencieuse (SSI) est un système permettant une communication vocale à partir d’un signal non audible. Un tel système emploie des capteurs qui enregistrent des données non-acoustiques, pour la reconnaissance et la synthèse vocales. Cependant, l’extraction des caractéristiques articulatoires robustes à partir de ces signaux reste un défi. La langue est une composante majeure de l'appareil vocal, et l'articulateur le plus important dans la production de parole. Une simulation réaliste du mouvement de la langue en 3D peut fournir une représentation visuelle directe et efficace de la production de parole. Cette représentation pourrait à son tour être utilisée pour améliorer les performances de reconnaissance vocale d'un SSI, ou servir d'outil dans le cadre de recherches sur la production de parole et de l'étude des troubles de l'articulation. Dans cette thèse, nous explorons un nouveau cadre de visualisation en trois dimensions de la langue, qui combine l'imagerie échographique 2D et une technique de modélisation tridimensionnelle fondée sur la physique. Tout d'abord, différentes approches sont utilisées pour suivre le mouvement de la langue dans les séquences d'images échographiques, qui peuvent être regroupées en deux principaux types de méthodes : le suivi de la granularité et le suivi de contour. Les méthodes de suivi du chatoiement (speckle tracking) comprennent le recalage de déformations (deformation registration), le flux optique, et la méthode de transformation de caractéristiques visuelles invariante à l'échelle (Scale-invariant feature transform, ou SIFT). En outre, une méthode de suivi réinitialisation basée sur l'image est proposée afin d'améliorer la robustesse du suivi du chatoiement. En comparaison avec le suivi de chatoiement, l'extraction du contour de la surface de la langue à partir d'images échographiques présente des performances supérieures et une meilleure robustesse. Dans cette thèse, un nouvel algorithme de suivi de contour est présenté pour des séquences d'images échographiques de la langue. Cet algorithme permet de suivre le mouvement des contours de la langue sur de longues durées avec une bonne robustesse. Pour résoudre la difficulté causée par les segments manquants dus au bruit ou celle causée par la surface mi-sagittale de la langue qui est parallèle à la direction de propagation de l'onde ultrasonore, nous proposons d’utiliser des contours actifs avec une contrainte de similitude de contour, qui fournissent des informations a priori sur la forme de la langue. Des expériences sur des données synthétiques et sur des images réelles acquises sur différents sujets à la cadence de 60 images par seconde montrent que la méthode proposée donne un bon contour de suivi pour ultrasons des séquences d'images, même sur des durées de quelques minutes. Cette technique peut par conséquent être utile dans des applications telles que la reconnaissance vocale où de très longues séquences doivent être analysées dans leur intégralité… / A silent speech interface (SSI) is a system to enable speech communication with non-audible signal, that employs sensors to capture non-acoustic features for speech recognition and synthesis. Extracting robust articulatory features from such signals, however, remains a challenge. As the tongue is a major component of the vocal tract, and the most important articulator during speech production, a realistic simulation of tongue motion in 3D can provide a direct, effective visual representation of speech production. This representation could in turn be used to improve the performance of speech recognition of an SSI, or serve as a tool for speech production research and the study of articulation disorders. In this thesis, we explore a novel 3D tongue visualization framework, which combines the 2D ultrasound imaging and 3D physics-based modeling technique. Firstly, different approaches are employed to follow the motion of the tongue in the ultrasound image sequences, which can be divided into two main types of methods: speckle tracking and contour tracking. The methods to track speckles include deformation registration, optical-flow, and local invariant features-based method. Moreover, an image-based tracking re-initialization method is proposed to improve the robustness of speckle tracking. Compared to speckle tracking, the extraction of the contour of the tongue surface from ultrasound images exhibits superior performance and robustness. In this thesis, a novel contour-tracking algorithm is presented for ultrasound tongue image sequences, which can follow the motion of tongue contours over long durations with good robustness. To cope with missing segments caused by noise, or by the tongue midsagittal surface being parallel to the direction of ultrasound wave propagation, active contours with a contour-similarity constraint are introduced, which can be used to provide “prior” shape information. Experiments on synthetic data and on real 60 frame per second data from different subjects demonstrate that the proposed method gives good contour tracking for ultrasound image sequences even over durations of minutes, which can be useful in applications such as speech recognition where very long sequences must be analyzed in their entirety…

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.