THESE

pr esent ee conjointement ` a

DE SAVOIE lUNIVERSITE
discipline : Electronique - Electrotechnique - Automatique

POLYTECHNIQUE DE BUCAREST lUNIVERSITE

discipline : Electronique - T el ecommunications - Technologie de lInformation pour obtenir le grade de DOCTEUR par

M. Gabriel VASILE

Imagerie Radar a ese dOuverture interf erom etrique et ` Synth` polarim etrique. Application au suivi des glaciers alpins.

Soutenue ` a Annecy-le-vieux le 20 juillet 2007 devant le jury dexamen :

Pr esident : Eric POTTIER Rapporteurs : EGIER Philippe REFR Ridha TOUZI Examinateurs : Mihai CIUC Jong-Sen LEE Directeurs : Philippe BOLON Vasile BUZULOIU Emmanuel TROUVE Invit e : Michel GAY

Professeur - Universit e de Rennes I, IETR (France)

Professeur - Ecole Centrale de Marseille, Institut Fresnel (France) Directeur de Recherche, HDR - Centre Canadien de T el ed etection (Canada)

Ma tre de Conf erences - Universit e Polytechnique de Bucarest, LAPI (Rom ania) Directeur de Recherche em erite - Naval Research Laboratory (USA)

Professeur - Universit e de Savoie, LISTIC (France) Professeur - Universit e Polytechnique de Bucarest, LAPI (Rom ania) Ma tre de Conf erences, HDR - Universit e de Savoie, LISTIC (France)

Ing enieur de Recherche CNRS - INP Grenoble, GIPSA-lab (France)

Remerciements
Cette th` ese est laboutissement dune collaboration entre le Laboratoire dInformatique, Syst` emes, Traitement de lInformation et de la Connaissance (LISTIC, Universit e de Savoie, France) et le Laboratoire dAnalyse et Traitement dImages (LAPI, Universit e Polytechnique de Bucarest, Rom ania). Je tiens tout dabord ` a exprimer ma gratitude envers mes directeurs de th` ese M. Emmanuel Trouv e, Ma tre de Conf erences HDR ` a lUniversit e de Savoie, ainsi que M. le Professeur Philippe Bolon, directeur du LISTIC, et M. le Professeur Vasile Buzuloiu, directeur du LAPI. Je leur suis reconnaissant, evidemment, pour leurs contributions eectives ` a mon travail en tant que sp ecialistes dans le domaine du traitement du signal et des images. Mais ce dont je leur suis surtout reconnaissant sont les relations, joserais dire, damiti e quils ont su cultiver avec moi. Je souhaite exprimer mes remerciements ` a M. le Professeur Philippe R efr egier, Ecole Centrale de Marseille et M. Ridha Touzi, Directeur de Recherche au Centre Canadien de T el ed etection, pour avoir accept e d etre rapporteurs de ces travaux, et ` a M. le Professeur Eric Pottier, Universit e de Rennes I, pour lhonneur quil ma fait en pr esidant ce jury. Toute ma gratitude va egalement a M. Jong-Sen Lee, Directeur de Recherche ` em erite, US Naval Research Laboratory, M. Michel Gay, Ing enieur de Recherche CNRS, GIPSA-lab et ` a M. Mihai Ciuc, Ma tre de Conf erences ` a lUniversit e Polytechnique de Bucarest pour avoir accept e de faire partie du jury et pour leurs commentaires pertinents sur mes travaux. Les r esultats pr esent es dans ce m emoire doivent beaucoup aux travaux men es en collaboration avec M. le Professeur Jean-Marie Nicolas, ENST, M. Michel Gay, Ing enieur de Recherche CNRS, GIPSA-lab, M. Lionel Valet, Ma tre de Conf erences ` a lUniversit e de Savoie, l equipe de Mme. Irena Hajnsek, Chercheur Scientique Principal, DLR-HR, l equipe de M. Rolf Scheiber, Chercheur Scientique Principal, DLR-HR, et l equipe de M. le Professeur Pierre Grussenmeyer, INSA Strasbourg, ainsi quaux doctorants avec lesquels jai pu travailler, en particulier Ivan P etillot, Lionel Bombrun, Andreea Julea, Lavinia D arlea, Florentin Bujor, Yoann Chambenoit et Serban Oprisescu. Je remercie nalement tous les membres du LISTIC, du LAPI et du GIPSA-lab pour latmosph` ere chaleureuse et accueillante existant dans les trois etablissements de recherche. Merci ` a ma famille qui a toujours et e l` a : ma m` ere Angela, mon p` ere Gheorghe et mon fr` ere Costin. Je remercie tout particuli` erement Elvira pour son aide et pour etre constamment proche de moi. Je tiens egalement ` a remercier tous les amis qui etaient l` a pendant la th` ese : Bogdan, Filip, Mihai, Mircea, Gigi, George, Catalin, Cristi, Petre, Dia, Vladimir, Amori, Greg, Sylvie, Ludo, Fabien, Mohamed et tous les autres que joublie certainement et qui men voudront ` a mort de les avoir oubli es, mais sans le soutien de qui je naurais pas pu nir cette th` ese aujourdhui.

Les gens se divisent en deux cat egories : les uns cherchent et ne trouvent pas, les autres trouvent et ne sont pas contents. Mihai EMINESCU

` mon oncle Eugen, A dont la vision scientique reste un exemple pour moi.

Table des mati` eres

Notations Introduction v 1

Premi` ere partie - Contexte M ethodologique

5
7 8 8 8 11 12 14 14 15 18 20 21 23 24 24 27 27

1 Imagerie Radar ` a Synth` ese dOuverture 1.1 1.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Principes du radar ` a synth` ese douverture (SAR) . . . . . . . . . . . . . . . . . . 1.2.1 1.2.2 1.2.3 1.3 Propagation de champs electromagn etiques . . . . . . . . . . . . . . . . . Polarisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Radar imageur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Formation des donn ees SAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1 1.3.2 1.3.3 1.3.4 Caract eristiques du signal SAR . . . . . . . . . . . . . . . . . . . . . . . . R esolution en distance et ltrage adapt e . . . . . . . . . . . . . . . . . . . Synth` ese en azimut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exemple des donn ees ERS . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4 1.5 1.6

Repr esentation incoh erente dune cible radar . . . . . . . . . . . . . . . . . . . . Statistiques des donn ees SAR multivari ees . . . . . . . . . . . . . . . . . . . . . . Th eor` emes de d ecomposition polarim etrique incoh erente . . . . . . . . . . . . . . 1.6.1 La d ecomposition polarim etrique H//A . . . . . . . . . . . . . . . . . .

1.7

Classication POLSAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.7.1 Partition nette de lespace H//A . . . . . . . . . . . . . . . . . . . . . .

ii

` TABLE DES MATIERES

1.7.2 1.7.3 1.8

Classication C-moyennes avec la distance de Wishart . . . . . . . . . . . Segmentation par fusion interactive oue de lespace H//A . . . . . . .

27 28 30

Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Linterf erom etrie Radar ` a Synth` ese dOuverture 2.1 2.2 2.3 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Les principes de linterf erom etrie SAR . . . . . . . . . . . . . . . . . . . . . . . . Formation des interf erogrammes scalaires mono-polarisation . . . . . . . . . . . . 2.3.1 2.3.2 2.3.3 2.3.4 2.3.5 2.4 Recalage interf erom etrique . . . . . . . . . . . . . . . . . . . . . . . . . . Calcul des images issues dun couple interf erom etrique . . . . . . . . . . . Mod` ele statistique des images InSAR mono-polarisation . . . . . . . . . . Interf erom etrie di erentielle . . . . . . . . . . . . . . . . . . . . . . . . . . D eveloppement de phase . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33 34 34 35 36 36 36 37 38 38 38 39 40 41 41 43

Formation des interf erogrammes vectoriels multi-polarisation . . . . . . . . . . . 2.4.1 2.4.2 2.4.3 2.4.4 2.4.5 Estimation de la coh erence complexe . . . . . . . . . . . . . . . . . . . . . Changements de base en interf erom etrie polarim etrique . . . . . . . . . . Optimisation de la coh erence . . . . . . . . . . . . . . . . . . . . . . . . . Classication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Perspectives : Equation de Sinclair et mesures di erentielles SAR . . . . .

2.5

Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3 M ethodes multicomposantes de ltrage de speckle 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.1 3.1.2 3.2 Mod elisation statistique du bruit de speckle . . . . . . . . . . . . . . . . . Filtres SAR multicomposantes . . . . . . . . . . . . . . . . . . . . . . . .

45 46 46 49 51 52 52 54

Support spatial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 3.2.2 3.2.3 Op erateur local ` a voisinages xes - BN . . . . . . . . . . . . . . . . . . . . Op erateur local ` a voisinages directionnels - DN . . . . . . . . . . . . . . . Op erateurs locaux ` a voisinages adaptatifs - IDAN . . . . . . . . . . . . .

` TABLE DES MATIERES

iii

3.3

M ethode destimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1 3.3.2 3.3.3 3.3.4 Estimateur multi-vues complexe - ML . . . . . . . . . . . . . . . . . . . . Estimateur LLMMSE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Synth` ese voisinage/estimateur . . . . . . . . . . . . . . . . . . . . . . . .

57 58 58 60 61 61 62 63 64 66 66 67 73 75 87 91

Filtrage des donn ees SAR ` a dimension r eduite . . . . . . . . . . . . . . .

3.4

Compensation des composantes d eterministes du signal InSAR . . . . . . . . . . 3.4.1 3.4.2 3.4.3 Franges interf erom etriques : Mod` ele sinuso dal 2D multi-r esolution . . . . Estimation Haute R esolution - Fonction dauto-corr elation . . . . . . . . . Application aux interf erogrammes SAR . . . . . . . . . . . . . . . . . . .

3.5

R esultats et evaluation des performances . . . . . . . . . . . . . . . . . . . . . . . 3.5.1 3.5.2 3.5.3 3.5.4 SAR polarim etrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Estimation des fr equences locales . . . . . . . . . . . . . . . . . . . . . . . Interf erom etrie SAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Interf erom etrie SAR polarim etrique . . . . . . . . . . . . . . . . . . . . .

3.6

Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 Conclusions de la partie m ethodologique

II Deuxi` eme Partie - Application ` a lobservation des glaciers du massif du Mont-Blanc 93

5 Introduction 5.1 5.2 Pr esentation des glaciers etudi es : Mer-de-glace et Argenti` ere . . . . . . . . . . . 95 97

Donn ees SAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 5.2.1 5.2.2 Donn ees satellitaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 Donn ees a eroport ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

5.3

Donn ees de terrain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 107

6 D eplacements des glaciers mesur es par D-InSAR 6.1

Synth` ese SAR : DIAPSON, ROI-PAC et SYTER . . . . . . . . . . . . . . . . . . 108

iv

` TABLE DES MATIERES

6.2

G en eration dinterf erogrammes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 6.2.1 6.2.2 6.2.3 Evaluation de la visibilit e des glaciers par ERS . . . . . . . . . . . . . . . 111 Analyse des r esultats InSAR . . . . . . . . . . . . . . . . . . . . . . . . . 111 G en erations dinterf erogrammes di erentiels SAR . . . . . . . . . . . . . . 115

6.3 6.4

Filtrage, d eveloppement de phase D-InSAR et g eor ef erencement . . . . . . . . . . 117 Champs de vitesse 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 6.4.1 6.4.2 6.4.3 Du d eplacement en ligne de vis ee (LOS) au champs de vitesse 3D . . . . . 119 Comparaison avec les donn ees terrain . . . . . . . . . . . . . . . . . . . . 121 Conance de la mesure D-InSAR . . . . . . . . . . . . . . . . . . . . . . . 123

6.5

Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 127

7 Caract erisation des glaciers par imagerie POL(-In)SAR 7.1

Donn ees POLSAR : comparaison entre les bandes de fr equence L et P . . . . . . 129 7.1.1 7.1.2 7.1.3 Cibles ponctuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 Cibles etendues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 Comparaison avec le prol GPR . . . . . . . . . . . . . . . . . . . . . . . 135

7.2 7.3

Donn ees POL-InSAR en bande L . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143 147 149 152

8 Conclusions de la partie exp erimentale Conclusions g en erales et perspectives Bibliographie

III

Annexe

167
169

3 publications les plus signicatives

Notations
Notations math ematiques : =
x y z T

est lop erateur gradient.

t est la variable temps. est la fr equence angulaire. est la longueur donde. k = 2/ est le nombre donde. r est le vecteur de position d eni par rapport ` a un syst` eme de coordonn ees sp eciques. E est le vecteur champ electrique. H est le vecteur champ magn etique. c = 2.998 108 m/s est la c el erit e de londe electromagn etique dans le vide. [S ] est la matrice de diusion. k est le vecteur cible. [T ] est la matrice de coh erence polarim etrique. [C ] est la matrice de covariance polarim etrique. det[A] est le d eterminant de la matrice [A]. card(A) est le cardinal de lensemble A. (x) est la fonction gamma. 1, N est lensemble form e par les indices {1, 2, ..., N } N.

Acronymes : ASL (Above Sea Level). BN (Boxcar Neighborhood) : voisinage boxcar. ddp : densit e de probabilit e.

vi

` TABLE DES MATIERES

DN (Directional Neighborhoods) : voisinage directionnel. FFI : syst` eme de fusion oue interactif. GPR (Ground Penetrating Radar) : radar ` a p en etration de sol. HR (High Resolution) : haute r esolution. IDAN (Intensity Driven Adaptive Neighborhood) : voisinage adaptatif dirig e par les intensit es SAR. LR (Low Resolution) : basse r esolution. LLMMSE (Local Linear Minimum Mean Square Error) : estimateur localement lin eaire de lerreur quadratique moyenne minimum. LOS (Radar Line of Sight) : ligne de vis ee du radar. MEGATOR : Mesure de lEvolution des Glaciers Alpins par T el ed etection Optique et Radar - des archives ` a ORFEO ; http ://gipsa-lab.inpg.fr/megator ML (Complex MultiLooking) : estimateur multivues complexe. MLE (Maximum Likelihood Estimator) : estimateur du maximum de vraisemblance. MNT : mod` ele num erique du terrain. MSE (Mean Square Error) : erreur quadratique moyenne. MSL (Mean Sea Level) : niveau moyen de la mer. SAR (Synthetic Aperture Radar) : radar ` a synth` ese douverture. POLSAR (Polarimetric Synthetic Aperture Radar) : radar ` a synth` ese douverture polarim etrique. InSAR (Synthetic Aperture Radar Interferometry) : interf erom etrie radar ` a synth` ese douverture. POL-InSAR (Polarimetric Synthetic Aperture Radar Interferometry) : interf erom etrie radar ` synth` a ese douverture polarim etrique. D-InSAR (Dierential Synthetic Aperture di erentielle radar ` a synth` ese douverture. Radar Interferometry) : interf erom etrie

VCM (Vector Covariance Matrix) : m ethode utilis ee pour estimer les fr equences locales qui repose sur la structure bloc de la matrice de covariance dun vecteur form e en concat enant les lignes dune fen etre signal [Trou-96].

Introduction
La t el ed etection consiste ` a mesurer ou plus g en eralement acqu erir de linformation sur un objet ou un ph enom` ene, par linterm ediaire dun instrument nayant pas de contact avec lobjet etudi e. Ce type de m ethode dacquisition utilise g en eralement la mesure du rayonnement electromagn etique emis ou r e echis par les objets etudi es dans un certain domaine de fr equence. Dans ce contexte, limagerie optique et limagerie radar ` a synth` ese douverture repr esentent deux sources dinformations compl ementaires utilisables pour lobservation des objets g eophysiques terrestres. Limagerie optique utilise la r eexion du rayonnement solaire dans le domaine spectral visible et infrarouge. Linformation fournie par les capteurs optiques ore lavantage majeur dune interpr etation visuelle ais ee du contenu des images, car cette information est conforme ` a la perception de lenvironnement par loeil humain. Mais ces capteurs requi` erent la pr esence dune source dillumination externe (capteurs passifs) et leur utilisation est contrainte entre autre par la pr esence du rayonnement solaire (r evolution de la Terre autour du Soleil) et par les conditions m et eorologiques (couverture nuageuse). Les capteurs employ es par limagerie radar poss` edent leur propre source dillumination (capteurs actifs) et op` erent dans le domaine des micro-ondes. Ainsi, les images radar ont le grand avantage d etre ind ependantes de l eclairement solaire et quasi-ind ependantes de la couverture nuageuse. Cependant, ces donn ees ne sont que peu exploit ees par la communaut e th ematicienne a cause de deux ph ` enom` enes : le bruit de speckle (chatoiement) qui aecte la radiom etrie et rend dicile linterpr etation visuelle de la sc` ene, la g eom etrie radar qui modie l echantillonnage au sol des zones de fort relief. Limagerie radar a connu un d eveloppement rapide gr ace ` a la technique appel ee synth` ese douverture qui utilise le d eplacement du porteur pour g en erer une antenne synth etique de longueur tr` es grande. Ceci permet aux images SAR (Synthetic Aperture Radar) datteindre des r esolutions spatiales proches de celles des images optiques. Lint er et port e aux donn ees radar vient de la richesse de linformation acquise par les capteurs radar ` a synth` ese douverture. Gr ace ` a la r ep etitivit e des orbites, les satellites tels que ERS 1/2 ont acquis progressivement des s eries dimages dune m eme zone vue sous le m eme angle de vis ee. Ainsi, une premi` ere technique de limagerie SAR multivari ee a surgit : linterf erom etrie (InSAR). Cette technique analyse la di erence de phase entre deux images radar ` a synth` ese douverture

INTRODUCTION

acquises ` a partir de deux positions l eg` erement di erentes. Les image multicomposantes InSAR pr esentent un grand int er et du point de vue g eophysique car elles apportent des informations r eguli` eres sur l evolution dun site. En janvier 2006, le satellite japonais ALOS a et e mis en orbite avec le premier capteur SAR pleinement polarim etrique embarqu e sur une plateforme satellitaire civile. Il permet la mesure du champ electromagn etique r etrodius e par la surface terrestre comme un champ vectoriel (le cas le plus g en eral) en pr eservant toute linformation polarim etrique sur le processus de r etrodiusion. Une seconde extension multivari ee de limagerie radar ` a synth` ese douverture, la polarim etrie (POLSAR), exploite cette information polarim etrique pour caract eriser linformation li ee ` a la nature des interactions entre londe electromagn etique radar et le milieu r etrodiusant. Depuis la n des ann ees 1990, les acquisitions radar a eroport ees ont permis de combiner les deux techniques, InSAR et POLSAR, donnant naissance ` a limagerie multivari ee radar ` a 1 synth` ese douverture polarim etrique et interf erom etrique (POL-InSAR) . Ces donn ees orent a la fois les avantages de linterf ` erom etrie qui caract erise le trajet de londe electromagn etique et les avantages de la polarim etrie qui donne une information pr ecise sur les interactions entre londe radar et la cible. Lutilisation des donn ees radar multicomposantes pose de nouveaux probl` emes m ethodologiques en traitement de linformation et se heurte ` a un ensemble de dicult es li ees aux domaines dapplications. Au cours de cette th` ese, nous nous sommes int eress e ` a ces deux aspects en d eveloppant des m ethodes de traitement (ltrage, estimation de param` etres POL(-In)SAR...) et en etudiant lapport de limagerie radar dans le domaine de lobservation des glaciers alpins. Ce manuscrit est ainsi structur e en deux parties. La premi` ere est consacr ee aux d eveloppements m ethodologiques, la seconde ` a lapplication trait ee : lutilisation des donn ees InSAR issues des archives satellitaires et POL(-In)SAR issues de campagnes a eroport ees dans le contexte des glaciers de montagne (fort relief, milieu neige/n ev e/glace...).

La premi` ere partie de ce m emoire a pour objectif de pr esenter la probl ematique des donn ees SAR polarim etriques et interf erom etriques dans le contexte du traitement dimages multicomposantes. La d emarche propos ee suit les etapes classiques dune cha ne danalyse et traitement de linformation illustr ee dans la gure 1. Elle est compos ee de trois etapes : 1. Estimation des param` etres. Les images SAR multicomposantes POLSAR / InSAR / POL-InSAR fournissent une information bas niveau qui est riche mais dicile ` a interpr eter. Lobjectif de cette etape consiste ` a r eduire la dimensionnalit e des donn ees et ` a extraire des attributs robustes ` a la fois pertinents et discriminants par rapport ` a linformation recherch ee. Lestimation et le ltrage des donn ees SAR multicomposantes permet le calcul dattributs tels que la coh erence et la phase interf erom etriques, lentropie, langle et lanisotropie polarim etriques, ou encore des param` etres POL-InSAR apr` es optimisation des coh erences.
Dans la suite de ce manuscrit nous avons adopt e lacronyme anglais SAR de limagerie radar ` a synth` ese douverture pour assurer une unit e avec les acronymes POLSAR, InSAR et POL-InSAR qui nont pas un equivalent fran cais g en eralement accept e.
1

2. Classication/mesure. La fusion des attributs est eectu ee en int egrant eventuellement dautres sources dinformations a priori en fonction du domaine dapplication. Par exemple, la classication POLSAR non-supervis ee H --A est une partition de lespace des attributs avec des r` egles dappartenance aux classes recherch ees d enies par lexpert. Dans le cas particulier de linterf erom etrie SAR, cette etape correspond par exemple au d eveloppement de phase, o` u lexpert am eliore les performances de lalgorithme par le masquage des r egions non-d eveloppables. La phase d evelopp ee ainsi obtenue devient une mesure de l el evation ou du d eplacement des cibles. G en eralement, on obtient ` a la sortie de cette etape une information de plus haut niveau qui caract erise la sc` ene trait ee (champs de deplacement/vitesse, MNT, occupation du sol ...). 3. G eor ef erencement. Cette derni` ere etape de traitement est sp ecique ` a la t el ed etection radar appliqu ee ` a l etude dobjets g eophysiques terrestres. En eet, si les deux premi` eres etapes se retrouvent dans la majorit e des syst` emes de traitement de linformation, les echanges entre la communaut e m ethodologique (traitement dimages et du signal) et la communaut e th ematique (g eophysique) n ecessitent le plus souvent une mise en g eom etrie terrain de linformation haut niveau issue de l etape classication/mesure. De plus, dans le contexte de limagerie SAR, cette etape nest pas triviale car elle n ecessite des techniques de traitement sophistiqu ees comme la prise en compte des contraintes g eom etriques li ees au mouvement relatif du capteur SAR par rapport ` a la Terre, la simulation de la composante g eom etrique de la r etrodiusion des ondes electromagn etiques et le r e echantillonnage de donn ees multivari ees h et erog` enes.

Fig. 1 Cha ne danalyse et traitement de linformation appliqu ee aux donn ees SAR polarim etriques et interf erom etriques. La deuxi` eme partie de ce manuscrit est d edi ee ` a lapplication de limagerie radar ` a lobservation des glaciers temp er es. Elle illustre la mise en uvre dune cha ne de traitement allant des donn ees SAR ` a des mesures g eophysiques ainsi que la n ecessit e de prendre en compte la physique du milieu et des ph enom` enes etudi es. Alors que de nombreux domaines th ematiques utilisent aujourdhui la t el ed etection radar, la glaciologie est un domaine o` u les donn ees POL(-In)SAR

INTRODUCTION

sont actuellement tr` es peu utilis ees, alors quelles peuvent devenir une source dinformations privil egi ee. En eet, les dicult es dacc` es et la dangerosit e de la plupart des glaciers ne permettent g en eralement pas deectuer des mesures de terrain de fa con r eguli` ere au cours de lann ee ou avec une couverture spatiale importante. Limagerie optique etant quant ` a elle limit ee par les nuages et la neige une grande partie de lann ee, la plupart des mesures disponibles caract erisent l evolution soit pendant l et e [Bert-05], soit dune ann ee sur lautre [Vinc-04]. Gr ace ` a son caract` ere tous temps et ` a la p en etration des ondes electromagn etiques dans la neige seiche, limagerie radar pr esente un fort potentiel pour lobservation des glaciers. Les probl` emes pos es par cette application et les r eponses qui peuvent etre apport ees par limagerie SAR multivari ee sont etudi es au travers du traitement de donn ees des satellites ERS et des donn ees a eroport ees E-SAR acquises r ecemment sur le site test Chamonix Mont-Blanc. Nous nous int eressons en particulier ` a la mesure des champs de d eplacement par interf erom etrie et ` a la possibilit e de caract eriser les couches supercielles des glaciers ` a laide de donn ees polarim etriques dans di erentes bandes de fr equences. Chacune des deux parties de ce manuscrit comprend quatre chapitres. Le chapitre 1 d ecrit les principales etapes du traitement de linformation employ ees dans limagerie SAR. Le formalisme utilis e est celui de la repr esentation polarim etrique du champ electromagn etique r etrodius e. Apr` es avoir pr esent e les bases de la polarim etrie et la formation des images radar ` a synth` ese douverture, ce chapitre pr esente un ensemble dattributs POLSAR destin es ` a extraire de linformation li ee aux interactions entre londe radar et la cible. Ces attributs sont ensuite combin es en utilisant des m ethodes de clustering statistique ainsi que des m ethodes supervis ees et non-supervis ees issues de linterpr etation th ematique. Les m ethodes sur lesquelles nous nous sommes appuy es sont relativement classiques : les matrices de coh erence polarim etriques, la d ecomposition de Cloude et Pottier et la classication bas ee sur la distance de Wishart. Nous avons propos e egalement une nouvelle approche pour la fusion des attributs polarim etriques qui sappuie sur les syst` emes de fusion ` a base de r` egles oues. Le chapitre 2 pr esente les bases de linterf erom etrie SAR en deux sections distinctes. La premi` ere section est d edi ee au traitement des images multivari ees (D-)InSAR dans le cas monopolarisation. La cha ne (D-)InSAR correspond ` a des traitement conventionnels qui ont et e d ej` a valid es par la communaut e th ematique : recalage, calcul de la coh erence et de la phase interf erom etriques, compensation des franges orbitales et topographiques, d eveloppement de phase et orthorectication. La deuxi` eme section pr esente l etat de lart des principales etapes de traitement POL-InSAR des images. Le chapitre 3 aborde la probl ematique de r eduction de speckle dans les images SAR multicomposantes. Il propose un formalisme uni e pour le ltrage de donn ees POLSAR / InSAR / POL-InSAR. Dans le contexte g en eral de la th eorie de lestimation, lapproche propos ee sappuie sur des voisinages adaptatifs coupl es avec des estimateurs adaptatifs pour r ealiser un meilleur compromis entre la pr eservation de la r esolution spatiale et la n ecessaire r eduction du biais et de la variance destimation. Les m ethodes que nous avons d evelopp ees sont pr esent ees dans la suite du chapitre, ainsi quune evaluation subjective et objective de leurs performances sur trois jeux de donn ees a eroport ees. Les conclusions de cette premi` ere partie m ethodologique sont donn ees

dans le chapitre 4. La deuxi` eme partie de cette th` ese est d edi ee ` a lapplication de la t el ed etection radar ` a lobservation des glaciers temp er es du massif du Mont-Blanc. Le chapitre 5 introduit le site test Chamonix Mont-Blanc, ainsi que les donn ees SAR et les mesures in situ utilis ees. Le chapitre 6 est consacr e` a la mesure du d eplacement des glaciers alpins par interf erom etrie di erentielle et aux probl` emes m ethodologiques pos es par le relief de haute montagne. Lutilisation dimages TANDEM ERS des glaciers alpins permet lanalyse du potentiel de linterf erom etrie SAR en bande C pour d eterminer des champs de vitesses. Le chapitre 7 pr esente les premiers r esultats issus de la cha ne de traitement POLSAR/POL InSAR appliqu ee aux glaciers alpins dans le massif de Mont-Blanc. Les donn ees POL(-In)SAR multibandes et multipolarisations employ ees dans cette etude sont issues de la premi` ere campagne du syst` eme a eroport e E-SAR sur le site test propos e. Les conclusions de la partie exp erimentale sont pr esent ees dans le chapitre 8. Le manuscrit se termine par les conclusions g en erales et les perspectives de ce travail.

INTRODUCTION

Premi` ere partie

Contexte M ethodologique

Chapitre 1

Imagerie Radar ` a Synth` ese dOuverture

Sommaire
1.1 1.2 Introduction 1.2.1 1.2.2 1.2.3 1.3 1.3.1 1.3.2 1.3.3 1.3.4 1.4 1.5 1.6 1.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 8 8 11 12 14 14 15 18 20 21 23 24 24 27 27 27 28 30 Principes du radar ` a synth` ese douverture (SAR) . . . . . . . . . . . Propagation de champs electromagn etiques . . . . . . . . . . . . . . . . Polarisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Radar imageur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Caract eristiques du signal SAR . . . . . . . . . . . . . . . . . . . . . . . R esolution en distance et ltrage adapt e . . . . . . . . . . . . . . . . . . Synth` ese en azimut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exemple des donn ees ERS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Formation des donn ees SAR . . . . . . . . . . . . . . . . . . . . . . . .

Repr esentation incoh erente dune cible radar

Statistiques des donn ees SAR multivari ees . . . . . . . . . . . . . . . Th eor` emes de d ecomposition polarim etrique incoh erente . . . . . . 1.6.1 1.7.1 1.7.2 1.7.3 La d ecomposition polarim etrique H//A . . . . . . . . . . . . . . . . . Partition nette de lespace H//A . . . . . . . . . . . . . . . . . . . . . Classication C-moyennes avec la distance de Wishart . . . . . . . . . . Segmentation par fusion interactive oue de lespace H//A . . . . . . Classication POLSAR . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.8

Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

1.1

Introduction

Lint er et port e aux donn ees radar, aussi bien du point de vue traitement du signal que du point de vue g eophysique, vient de la richesse de linformation acquise par les capteurs SAR (Radar ` a Synth` ese dOuverture). Gr ace ` a la r ep etitivit e des orbites et aux caract eristiques tous temps du capteur AMI (Active Microwave Instrument), les satellites tels que ERS 1/2 (European Remote Sensing) ont acquis progressivement des s eries dimages dune m eme zone vue sous le m eme angle de vis ee. Les donn ees ainsi obtenues pr esentent un grand int er et du point de vue g eophysique (m et eorologie, climatologie, oc eanographie, inventaire et surveillance des ressources naturelles) car elles apportent des informations r eguli` eres sur l evolution dun site. De plus, lav` enement des satellites haute r esolution (HR) optiques et radar tels que TerraSAR-X (German Space Agency - DLR), RADARSAT-2 (Agence Spatiale Canadienne - CSA), Pl eiades et CosmoSkyMed du programme ORFEO (Optical and Radar Federated Earth Observation) va accro tre consid erablement les possibilit es de surveillance par imagerie spatiale. Lanc e en 2006, le satellite ALOS (Advanced Land Observing Satellite - Japan Aerospace Exploration Agency) a et e con cu pour faciliter les activit es de cartographie des sols, observer avec pr ecision la couverture terrestre, surveiller les catastrophes et evaluer les ressources naturelles. Son instrument radar ` a synth` ese douverture ` a antenne r eseau ` a commande de phase fonctionnant dans la bande L (PALSAR), est le premier capteur embarqu e sur une plateforme satellitaire civile qui permet la mesure du champ electromagn etique r etrodius e par la surface terrestre comme un champ vectoriel (le cas le plus g en eral) en pr eservant toute linformation polarim etrique sur le processus de r etrodiusion. Le but de ce chapitre est de pr esenter les etapes de traitement utilis ees en imagerie SAR de t el ed etection. Le choix qui a et e fait est de rester le plus longtemps possible avec une repr esentation vectorielle polarim etrique du champ electromagn etique qui donne le contexte g en eral. Le cas scalaire monopolarisation (les satellites SAR civils avant ALOS) devient ainsi un cas particulier dimagerie SAR polarim etrique incompl` ete.

1.2

Principes du radar ` a synth` ese douverture (SAR)

Les images radar etant le r esultat de la diusion dune onde electromagn etique, la phase et lamplitude portent de linformation h et erog` ene li ee ` a loccupation du sol, linteraction avec le milieu diusant (m ecanismes de diusion). Ceci permet notamment de remonter ` a des mesures physiques telles que la hauteur de la v eg etation, la topographie, le d eplacement...

1.2.1

Propagation de champs electromagn etiques

Le concept de propagation du champ electromagn etique est issu de linterpr etation des equations de propagation auxquelles conduisent les equations de Maxwell ( equations di erentielles du premier ordre reliant les champs electriques et magn etiques entre eux et les

` SYNTHESE ` 1.2. PRINCIPES DU RADAR A DOUVERTURE (SAR)

champs aux charges). En absence de charge, le champ electrique E ( r , t) se propageant dans un milieu homog` ene, lin eaire et isotrope v erie l equation de propagation suivante : 2 1 2 c2 t2 E (r, t) = 0, (1.1)

avec c etant la c el erit e de londe dans le vide, r le vecteur de position d eni par rapport ` a un syst` eme de coordonn ees sp ecique et t le temps [Maxw-65]. Pour les applications radar en t el ed etection, la mod elisation avec des champs donde harmoniquetemps [Kost-86] est utilis ee : les champs instantan es de vecteurs pr esentent une variation sinuso dale dans le temps, avec une fr equence angulaire . E (r, t) = {E (r)ejt }, o` u {...} est la partie r eelle dun nombre complexe. (1.2)

Dans le cas dune onde plane monochromatique, dans un rep` ere cart esien orthonorm e (O, x, y, z ) avec z dans la direction donn ee par le vecteur donde k , les champs electrique E et magn etique H sont situ es dans un plan orthogonal ` a la direction de propagation. Les variations des champs electriques et magn etiques etant li ees par les equations de Maxwell, on peut donc repr esenter londe par un seul de ces champs, en g en eral le champ electrique [Pott-92] : E (z ) = E0 ejkz avec E0z = 0, (1.3)

o` u E0 = Ea ej est lamplitude complexe de londe plane monochromatique. On peut alors ecrire l equation du champ electrique pour une onde plane monochromatique : EOx cos(t kz + x ) E (z, t) = {Ea ej ejkz ejt } = EOy cos(t kz + y ) 0

(1.4)

o` u x et y repr esentent les phases absolues des composantes pour z = 0 et t = 0. A un instant t donn e, le vecteur champ electrique se propageant selon laxe z d ecrit une trajectoire h elico dale (cf. Fig. 1.1-(a)). La fr equence doscillation etant constante (onde monochromatique), il est possible dutiliser la notion de phaseur pour le r egime permanent (cf. Eq. 1.2) et ainsi enlever la composante ind ependante du temps dans lexpression du champ electrique. La phase de E (z ) est identique le long de laxe de propagation z , donc en consid erant z = 0, on conserve toutes les informations sur les amplitudes et les phases des composantes du champ electrique. En cons equence, le vecteur de Jones dune onde transverse electromagn etique monochromatique E est d eni sous une forme complexe ind ependante du temps et de la position le long de laxe de propagation [Jone-41], [Jone-47], [Pott-92] : E= Ex Ey = EOx ejx EOy ejy . (1.5)

10

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

(a)

(b) Fig. 1.1 Onde plane monochromatique : (a) trajectoire h elico dale du vecteur champ electrique E (z, t) se propageant le long de laxe Z z k ; (b) ellipse de polarisation ` a labscisse z = z0 .

` SYNTHESE ` 1.2. PRINCIPES DU RADAR A DOUVERTURE (SAR)

11

1.2.2

Polarisation

La polarisation dune onde plane monochromatique d ecrit la direction doscillation du vecteur champ electrique dans le plan orthogonal au vecteur donde. Les composantes du champ electrique dans ce plan v erient l equation dune ellipse [Born-59], [Ulab-90] : Ex EOx
2

Ex Ey 2 cos(y x ) + EOx EOy

Ey EOy

= sin(y x )2 .

(1.6)

Pour une onde non polaris ee, ou naturelle, E (z, t) tourne autour de son axe de fa con al eatoire et impr evisible au cours du temps. Polariser une onde correspond ` a donner une trajectoire d enie au champ electrique : polarisation elliptique, cas g en eral quand E (z, t) tourne autour de son axe et change damplitude pour former une ellipse ; polarisation lin eaire, cas d eg en er e quand E (z, t) reste toujours dans le m eme plan ; polarisation circulaire, cas d eg en er e quand E (z, t) tourne autour de son axe en formant un cercle. La gure 1.1-(b) pr esente lellipse de polarisation d ecrivant l etat de polarisation. Langle dorientation [/2, /2] est langle entre lhorizontale et le grand axe de lellipse de polarisation. [/4, /4] est langle dellipticit e, dont la tangente est le rapport entre le petit axe de lellipse et son grand axe. Son signe donne le sens de la polarisation droite ou gauche (suivant la convention dobservation retenue). Pour une caract erisation compl` ete de l etat de polarisation, on doit consid` erer aussi langle dinclinaison qui donne linformation de d ephasage pour t = 0 [Ulab-90]. Il est alors possible de caract eriser les cas d eg en er es de polarisation : polarisation lin eaire avec = 0 et =0 = 2 polarisation horizontale polarisation verticale

polarisation circulaire avec = /4 et = 4 = 4 polarisation droite polarisation gauche

Comme cela a et e vu pr ec edemment, le vecteur de Jones contient toute linformation sur l etat de polarisation dune onde electromagn etique monochromatique transverse (moins celle sur la direction de londe) [Touz-04a]. La base la plus simple et la plus couramment utilis ee pour exprimer le vecteur de Jones est la base orthogonale (H, V ), appel ee la base de polarisation, o` u V est l etat de polarisation verticale et H la polarisation horizontale. Cest cette base qui sera utilis ee par la suite. La base de polarisation sert de r ef erence ` a la d enition des param` etres de lellipse de polarisation. Aussi, tout vecteur de Jones s ecrit comme une succession de trois transformations complexes : E = A[U ( )][U ()][U ()]ux , (1.7) [U ( )] = cos( ) sin( ) sin( ) cos( ) , [U ()] = cos() j sin() j sin() cos() ,

12

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

[U ()] =

ej 0 0 ej

, ux =

1 0

o` u {[U ( )], [U ()], [U ()]} SU (2) sont les trois matrices de transformation et ux repr esente le vecteur de Jones normalis e dune polarisation horizontale exprim e dans la base (H, V ). Ainsi, tout etat de polarisation est construit ` a partir dune combinaison de polarisations lin eaires.

1.2.3

Radar imageur

Une onde electromagn etique est emise E em par une source et se r e echit sur une cible. L etude re de londe r e echie E permettra dobtenir di erentes informations sur les propri et es intrins` eques de la cible. Dans la plupart des cas, l emetteur et le r ecepteur du radar partagent une antenne commune (radar monostatique). Le cas o` u l emetteur et le r ecepteur sont s epar es correspond a une conguration bistatique. La conguration monostatique sest impos ` ee comme r ef erence gr ace ` a sa simplicit e dutilisation. Elle est donc la plus couramment utilis ee par les syst` emes radars en t el ed etection. Le radar imageur mesure la signature de londe electromagn etique pour chaque el ement de r esolution (pixel) an dobtenir une image radar de la r egion dint er et. Les avanc ees technologiques r ecentes, notamment en stockage de signaux num eriques et en puissance de calcul, ont permis la r ealisation de syst` emes radar exploitant la diversit e de polarisation. En choisissant un syst` eme de coordonn ees cart esien, la position de lantenne etant lorigine, le processus de diusion s ecrit sous la forme dune transformation lin eaire d ecrite par la matrice complexe de diusion [S ] [Sinc-48], [Sinc-50], [Kenn-51] : E re =
re EH re EV

ejk0 r r

SHH SV H

SHV SV V

em EH em EV

(1.8)

o` u SHH , SV V sont les coecients co-polaris es, SHV , SV H sont les el ements en polarisation crois ee, r est la distance radar-cible et k0 est le nombre donde. En g en eral, linformation polarim etrique est repr esent ee apr` es la vectorisation de la matrice de r etrodiusion permettant dobtenir un vecteur cible k . Les deux bases utilis ees couramment sont la base lexicographique de Borgeaud BL [Borg-89] et la base des matrices de Pauli modi ees BP [Clou-86] : BL = 2 2 1 0 0 0 ,2 0 1 0 0 1 0 0 1 ,2 , 2 0 0 1 0 0 1 1 0 ,2 0 0 0 1 , (1.9)

BP =

1 0 0 1

, 2

, 2

0 j j 0

(1.10)

o` u les facteurs 2 ou 2 apparaissent pour que la norme du vecteur cible, qui est egale ` a la puissance totale dius ee, soit ind ependante de la base de vectorisation :
T T Span = |k |2 = kP kP = kL kL = (|SHH |2 + |SHV |2 + |SV H |2 + |SV V |2 ).

(1.11)

Pour une conguration monostatique dans un milieu homog` ene, la th eor` eme de r eciprocit e [Ulab-90] assure l egalit e des composantes en polarisation crois ee SXX = SHV SV H . Dans le

` SYNTHESE ` 1.2. PRINCIPES DU RADAR A DOUVERTURE (SAR)

13

cas monostatique, le nombre d el ements du vecteur cible est r eduit ` a trois : SHH kL = SV V , 2SXX SHH + SV V 1 kP = SHH SV V 2 2SXX

(1.12)

La vectorisation de la matrice de diusion sur la base de Pauli rend possible une interpr etation directe (cf. Tab. 1.1) de la cible ` a travers les m ecanismes de diusion d eterministes d ecrits par les matrices de Pauli : a + b c jd c + jd a b 1 0 0 1 1 0 0 1 0 1 1 0 0 j j 0

[S ] =

=a

+b

+c

+d

(1.13)

avec a, b, c, d proportionnels aux el ements du vecteur cible kP , dont la quatri` eme matrice nintervient pas pour la r etrodiusion (cas monostatique). Tab. 1.1 Interpr etation des matrices de Pauli pour la base de polarisation (H, V ). Matrice Pauli 1 0 0 1 M ecanisme r etrodiusion Interpr etation

r eexion impaire

surface, sph` ere, corner reectors (CR)

1 0 0 1

r eexion paire

di` edre

0 1 1 0

r eexion paire inclin e` a /4

di` edre inclin e` a /4

0 j j 0

cross-polariser

nexiste pas en monostatique

A ce jour, les radars imageurs embarqu es sur des plate-formes satellitaires civiles fonctionnent avec une seule polarisation ` a l emission/r eception en mode monostatique : polarisation VV dans le cas de ERS 1/2 ou HH pour RADARSAT-1. Pour une conguration polarim etrique pr e etablie, un seul coecient de r etrodiusion est mesur e pour chaque point de la fauch ee. En cons equence, la mesure de londe r etrodius ee (un champ vectoriel dans l equation 1.8) se limite ` a un champ scalaire, toute information sur la cible situ ee dans les propri et es polarim etriques etant perdue.

14

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

1.3

Formation des donn ees SAR

Le premier syst` eme SAR polarim etrique a eroport e a et e con cu au NASA Jet Propulsion Laboratory en 1985. Le CV990 SAR a fonctionn e avec une longueur donde de 24.5 cm (bande L) et une r esolution moyenne au sol de 10 m (en 4-vues) [Zebk-87]. La mesure des quatre el ements de la matrice de [S ] (cf. Eq. 1.8) se basait sur l emission dun premier chirp (rampe de fr equence lin eaire) en mode H et la r eception en H et V simultan ee. Le second chirp etait en conguration V` a l emission et toujours H et V ` a la r eception. Ensuite, louverture synth etique etait g en er ee par int egration coh erente de plusieurs chirps, chaque polarisation etant trait ee ind ependamment des autres. Pour atteindre une image SLC (Single Look Complex) avec une r esolution de 3m, 1500 chirps etaient int egr es sur une dur ee de 2s. Ainsi, la d ecorr elation induite par le d ecalage entre les deux chirps apr` es une int egration de 1500 chirps devient n egligeable [Zebk-87]. La suite de cette section r esume les principes du Radar ` a Synth` ese dOuverture utilis e pour am eliorer la r esolution spatiale de limage acquise par un radar imageur. Comme chaque polarisation est trait ee dune mani` ere ind ependante, le formalisme est d ecrit pour une seule polarisation. Le cas des satellites ERS 1/2 est utilis e pour illustrer ces principes.

1.3.1

Caract eristiques du signal SAR

Le principe du radar monostatique est bas e sur la r etrodiusion des ondes electromagn etiques (Sect. 1.2.3). Avec le radar imageur, le passage de 1D ` a 2D etant complexe, certains principes physiques doivent etre enonc es : 1. La r esolution en distance est une r esolution temporelle : le radar positionne dans la m eme case distance toutes les cibles pour lesquelles le signal r etrodius e arrive sur lantenne dans un intervalle du temps repr esentant la r esolution temporelle du syst` eme r ecepteur (cf. Fig. 1.2). Am eliorer la r esolution revient ` a diminuer la p eriode d echantillonnage du signal re cu. 2. La r esolution en azimut est li ee aux principes de l emission, propagation et r eception dondes electromagn etiques coh erentes (lois dantenne d etermin ees par les dimensions de lantenne et la longueur donde) qui conduiront ` a d enir la technique de lantenne synth etique. En g en eral, un syst` eme radar imageur de t el ed etection est utilis e pour donner une image dune portion du globe terrestre que lon souhaite observer. Langle d eni par la direction de propagation de londe et la normale au sol au centre du lobe dantenne (appel e angle dincidence) conduit ` a des d eformations g eom etriques. Ces eets sont illustr es dans la gure 1.3 : Eet de repliement (basculement) : la pente locale du relief devient plus grande que langle dincidence et le relief est imag e en sens inverse (le point f est situ e entre les points d et e dans limage radar). Eet de compression ou dilatation : selon que la pente locale est orient ee vers le radar ou eduite ou dilat ee par rapport non, les pixels cd ou gh de limage radar ont une dimension r

 1.3. FORMATION DES DONNEES SAR

15

Rsolution en azimut

Trajectoire de lantenne

Rsolution en distance

Fig. 1.2 Echantillonnage dune image SAR : r esolution en distance et r esolution en azimut. ` a leurs projections au sol CD ou GH . Eet dombre : la partie du sol HI nest pas illumin ee par le radar ` a cause des fortes variations locales daltitude. Elle donne des pixels de tr` es faible intensit e (bruit seul) dans limage radar hi.

a b

compression
c df

basculement
e g h i

ombre

G H I j

E A B C D J

Fig. 1.3 D eformations g eom etriques induites par le radar imageur ` a vis ee lat erale.

1.3.2

R esolution en distance et ltrage adapt e

Un signal est emis ` a linstant t0 = 0 sur une dur ee t. Le signal r etrodius e par une cible ponctuelle (situ ee ` a une distance R1 de la source) est re cu par lantenne ` a linstant t1 : t1 = 2R1 . c (1.14)

16

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

Sil existe une seconde cible situ ee ` a la distance R2 , lantenne re coit ce nouveau signal ` a linstant t2 : 2R2 t2 = . (1.15) c Une condition n ecessaire pour pouvoir s eparer ces deux ev enements, en utilisant le signal temporel capt e par lantenne est : |t2 t1 | t (1.16) Donc, pour pouvoir s eparer des cibles rapproch ees, il est imp eratif d emettre des signaux dont la dur ee soit la plus br` eve possible [Nico-04]. Si la r esolution en distance recherch ee est r, il faut pouvoir mesurer des intervalles de temps t, avec : t 2r . c (1.17)

Cet objectif est ` a la base du principe du radar ` a impulsions [Nico-04], [Mait-01]. En pratique, soit un signal s(t) d energie unitaire dont le spectre S (f ) est id ealement occup e en totalit e sur une bande B centr ee autour de la fr equence nulle. En supposant que la phase de ce spectre est nulle, le signal s ecrit comme : 1 s(t) = F 1 {S (f )} = B
B 2

B 2

e2jf t df =

B sinc(Bt),

(1.18)

o` u F 1 {...} est la transform ee de Fourier inverse, sinc est le sinus cardinal et dont le choix de la normalisation a et e eectu e ici pour avoir une energie unitaire :
B B

|S (f )|2 df =

[s(t)]2 dt = 1.

(1.19)

5
1

4
0.8

3
0.6

2
0.4

1
0.2

0
0 2 1.5 1 0.5 0 0.5 1 1.5 x 10 2
4

1 0.5

0.4

0.3

0.2

0.1

0.1

0.2

0.3

0.4

0.5

(a)

(b)

Fig. 1.4 Le module du signal id eal ` a l emission d ecrit par l equation1.18 : (a) domaine temporel, (b) domaine spectral.

Sous la forme propos ee, le signal donn e par l equation 1.18 (cf. Fig. 1.4) correspond ` a une impossibilit e tant physique que technologique puisquil est centr e autour de la fr equence nulle et cest un signal de dur ee innie. Pour saranchir de ce dernier point, il sut dutiliser une

 1.3. FORMATION DES DONNEES SAR

17

modulation par une porteuse (cf. Fig. 1.5) en eectuant une translation de spectre autour dune fr equence de r ef erence f0 : (f ) = (f f0 ) S (f ) s (t) = e2jf0 t s(t) S o` u (f ) est la distribution de Dirac et
4.5 4 3.5 3

(1.20)

repr esente le produit de convolution.

80

70

60

50
2.5

40
2

30
1.5 1 0.5 0 0.2

20

10

0.15

0.1

0.05

0.05

0.1

0.15

0.2

0 400

420

440

460

480

500

520

540

560

580

600

(a)

(b)

Fig. 1.5 Le module du signal id eal ` a l emission modul e par une porteuse d ecrit par l equation 1.20 : (a) domaine temporel, (b) domaine spectral. Si la bande B du signal est petite par rapport ` a la fr equence de la porteuse f0 (cas ERS 1/2 f0 = 5.3 GHz et B = 18.96 M Hz ) le signal peut etre consid er e comme une onde quasimonochromatique [Nico-04]. Dans le domaine du radar de t el ed etection, le signal emis est un signal modul e lin eairement en fr equence (chirp), avec une fr equence instantan ee variant lin eairement avec le temps : f (t) = f0 + Kt. (1.21) o` u K est la constante de lin earit e (cas ERS 1/2 K = 0.41889 1012 ). Ainsi, le signal emis (cf. Fig. 1.6) est d eni pour t [T /2, T /2] comme :
K 2 se (t) = A0 e2j(f0 t+ 2 t )

t T

Se (f ) = e

j (f f0 )2 K

j K

f f0 KT

(1.22)

A0 etant lamplitude du signal et (t) = 1 0 si 1/2 t 1/2 . sinon

A la r eception, le signal est demodul e, puis convolu e en appliquant le principe du ltrage adapt e : convolution par la conjugu e du signal emis retourn e dans le temps sr (t) = s(t) s (t), Sr (f ) = S (f )S (f ) = |S (f )|2 = 1 . K (1.23)

On a donc une transform e de Fourier constante dans une certaine bande de fr equence centr ee ` a lorigine, et dont la phase est nulle (exactement le cas dun signal id eal donn e par l equation 1.18).

18

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

200

150

100

50

1.5

0.5

0.5

1.5

2 x 10
8

Fig. 1.6 Le spectre du signal emis par les satellites ERS 1/2 (cf. Eq. 1.22). Finalement, le signal synth etis e en distance est obtenu par la transform ee de Fourier inverse de l equation 1.23 [Nico-04], [Mait-01]. Par cons equent, sous lhypoth` ese de lin earit e, en appliquant le ltre adapt e au signal re cu, pour une cible de r eponse impulsonnelle h(t) illumin ee par un chirp se (t) on obtient :
sr (t) = s e (t) (h(t) se (t)) = (se (t) se (t)) h(t),

sr (t) = sinc(KT t) h(t).

(1.24)

1.3.3

Synth` ese en azimut

Dans le cadre de la t el ed etection satellitaire, o` u la distance antenne-cible R est grande par rapport aux dimensions de lantenne L et l (suppos ee rectangulaire), lhypoth` ese de champ lointain est respect ee [Good-72] : R = 106 m L2 + l 2 = 883m. 2 (1.25)

Le calcul a et e eectu e avec les valeurs correspondants aux satellites ERS 1/2. Soit un point P situ e sur une perpendiculaire ` a la trajectoire du satellite. La contribution de lantenne (suppos ee non-apodis ee) sur le champ produit dans le point P s ecrit [Good-72] : U (P ) = A

1 jkr A jk y2 +z2 R e ds e 4r 4R

ejk(yY +zZ ) ds.

(1.26)

L equation 1.26 repr esente la transform ee de Fourier dune antenne avec un champ electromagn etique uniform ement distribu e sur toute sa surface . Dans le cas dune antenne rectangulaire (ERS 1/2), la transform ee de Fourier peut etre exprim ee sous une forme s eparable, ce qui donne alors la PSF (Point Spread Function) : U (y, z ) = Uy (y )Uz (z ) ejk R sinc
y2

Ly R

ejk R sinc

z2

Lz R

(1.27)

 1.3. FORMATION DES DONNEES SAR

19

Fig. 1.7 Analyse du champ cr e e par une antenne sur le plan perpendiculaire au vecteur donde. Connaissant les propri et es du sinus cardinal et les param` etres de lantenne ERS (l = 1m, L = 10m), les r esolutions y et z sont calcul ees en utilisant l equation 1.27 avec R = 1000km [Nico-04]. Dans les deux cas, on peut exprimer la r esolution sous une forme g en erale : R , (1.28) D avec D la dimension de lantenne (en particulier soit L en azimut, soit l en distance) et un facteur sp ecique ` a la r esolution choisie. On constate que la r esolution en azimut ainsi obtenue est kilom etrique et du m eme ordre de grandeur que la r esolution en distance avant le ltrage adapt e, ce qui nest pas susant pour les applications en t el ed etection [Nico-04]. =

Fig. 1.8 En juxtaposant plusieurs acquisitions, le principe de la synth` ese douverture ore une r esolution egale ` a la dimension de lantenne r eelle. Le principe de la synth` ese douverture ore une r esolution en azimut de la dimension de lantenne r eelle, en exploitant le fait que lantenne se d eplace sur une orbite, que lon peut

20

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

assimiler en premi` ere approximation ` a une trajectoire rectiligne, selon un mouvement uniforme (cf. Fig. 1.8). En utilisant l equation 1.28, les positions de lantenne, de dimension L, pour lesquelles la cible est eectivement vue sont : y Y Y ; 2 2 , (1.29)

o` u Y = R/L. Pour le cas monochromatique, l equation 1.27 donne le terme de d ephasage pour toute position y : K 2 e2j = e2j 2 y , (1.30) avec K =
2 R .

La fr equence spatiale instantan ee fi : fi = 1 = Ky 2j y (1.31)

correspond ` a une rampe de fr equence centr ee sur la fr equence nulle et dont la bande passante est donn ee par [Nico-04] : 2 (1.32) B = KY = . L Cette repr esentation est identique ` a celle rencontr ee dans l etude du ltrage adapt e (cf. Eq. 1.21) : un signal modul e lin eairement en fr equence spatiale (de param` etre K ) et une bande de fr equence spatiale B = 2/L. Ainsi, on peut appliquer le ltrage adapt e suivant laxe azimut de m eme que dans le cas de la r esolution en distance pr esent e dans la section 1.3.2.

1.3.4

Exemple des donn ees ERS

Parmi les logiciels de synth` ese SAR les plus utilis es dans le contexte acad emique, la grande majorit e utilisent le principe du ltrage adapt e dans le domaine spectral an de minimiser le temps de calcul, une des grandes dicult es ` a l epoque de leur d eveloppement : Repeated Orbit Interferometry Package (ROIPAC) [Rose-00], [Rose-04] d evelopp e au NASA Jet Propulsion Laboratory ; Dierential Interferometric Automated Process Applied to Survey Of Nature (DIA PASON) [Mass-94] d evelopp e par le Centre National dEtudes Spatiales. Dans les deux cas, la synth` ese est eectu ee en utilisant une altitude moyenne, hypoth` ese valable pour les satellites ERS 1/2 avec des faibles variations daltitude dans la zone cible. Mais, si on se place dans une zone avec des fortes variations de relief, en utilisant des satellites avec une ouverture synth etique plus grande et une orbite plus basse, cette hypoth` ese risque de ne plus etre valable. Par exemple dans la r egion Chamonix - Mont Blanc, la di erence daltitude entre la vall ee de Chamonix et le sommet du Mont Blanc est de 4000 m, ce qui corresponds ` a une compression comparable avec le FOV (profondeur de champ) kilom etrique de ERS 1/2 [Nico-07]. Avec la haute r esolution (m etrique) des futurs satellites SAR, lutilisation dun Mod` ele Num erique dEl evation (MNE) dans la synth` ese SAR devient n ecessaire. Une nouvelle approche propos ee par Nicolas et al. [Nico-07], appel ee SYTER (SYnth` ese TEmporelle Radar) correspond ` a une formation de voies dans le domaine temporel (cf. Eq. 1.27) rendue possible par la mod elisation du d eplacement relatif du satellite et de la Terre. Elle construit

 1.4. REPRESENTATION INCOHERENTE DUNE CIBLE RADAR

21

des images pseudo SLC sur une grille r eguli` ere ` a la surface du g eo de. Par la suite, lutilisation dun MNE ` a la place du g eo de devrait permettre de prendre en compte les variations de distance dues ` a la topographie et d eliminer les franges topographiques. La gure 1.9 pr esente les r esultats de la synth` ese SAR obtenus en utilisant SYTER avec des donn ees ERS 1 acquises dans le massif de Mont Blanc [Nico-07].

1.4

Repr esentation incoh erente dune cible radar

Apr` es avoir pr esent e les principes de la formation des images SAR, nous d ecrivons dans cette section les repr esentations dites incoh erentes de la r eponse des cellules de r esolution. Ces repr esentations sont destin ees ` a caract eriser les cibles non-coh erentes aussi appel ees cibles distribu ees car leur r eponse est la somme de r eponses el ementaires r eparties dans la cellule (surface ou volume) de r etrodiusion, sans pr edominance dun r eecteur fort. Ces cibles correspondent ` a la grande majorit e des surfaces naturelles imag ees telles que les zones agricoles, les sols nus, les for ets, la glace... Le ph enom` ene de speckle (d etaill e au Chap. 3) qui aecte ces cibles ne permet pas de caract eriser leur r etrodiusion directement au niveau de la matrice de r etrodiusion [S ] (cf. Eq. 1.8). La caract erisation seectue sous lhypoth` ese de stationnarit e au niveau des statistiques du deuxi` eme ordre [Clou-96] : } } } E {SHH SHH E {SHH SV 2E {SHH SXX V } } } , [C ] = E {kL kL } = E {SV V SHH E {SV V SV 2E {SV V SXX V 2E {SXX SHH } 2E {SXX SV V } 2E {SXX SXX }
[T ] = E {kP kP }=

(1.33)

(1.34)

} E {(SHH + SV V )(SHH + SV V ) } E {(SHH + SV V )(SHH SV V ) } 2E {(SHH + SV V )SXX } , E {(SHH SV V )(SHH + SV V ) } E {(SHH SV V )(SHH SV V ) } 2E {(SHH SV V )SXX 2E {SXX (SHH + SV V ) } 2E {SXX (SHH SV V ) } 4E {SXX SXX } o` u [C ] est la matrice polarim etrique de covariance, [T ] la matrice polarim etrique de coh erence (matrices hermitiennes positives semi-d enies 3 3 en monostatique) et E {...} repr esente lesp erance math ematique. Sans lesp erance math ematique le rang des deux matrices devient 1 et elles caract erisent un processus de r etrodiusion compl` etement d eterministe [Papa-99]. Ces deux matrices sont equivalentes et sont li ees par la relation suivante : 1 0 1 1 [N ] = 1 0 1 . 2 0 2 0

[T ] = [N ][C ][N ]T ,

(1.35)

Dans le cas monopolaris e, les deux matrices [C ] et [T ] dans les equations 1.33 et 1.34 deviennent des scalaires, toute linformation sur les changements de l etat de polarisation emission/recepton etant perdue.

22

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

(a)

(b)

(c)

(d)

(e)

(f)

Fig. 1.9 Formation dimages Radar ` a Synth` ese dOuverture illustr ee sur des donn ees ERS 1 acquises dans le massif de Mont Blanc. Image brute RAW ( c European Space Agency) : (a) amplitude, (b) phase. Filtrage adapt e en distance : (c) amplitude, (d) phase. Synth` ese douverture en azimut (image Single Look Complex) eectu ee par lapproche SYTER : (e) amplitude, (f) phase.

 1.5. STATISTIQUES DES DONNEES SAR MULTIVARIEES

23

1.5

Statistiques des donn ees SAR multivari ees

Un syst` eme SAR mesure le champ electromagn etique r etrodius e par la cible sous la forme dun vecteur ` a m composantes (variable al eatoire m-dimensionnelle) : k = [S1 S2 ... Sk ... Sm ]T . (1.36)

Certaines hypoth` eses simplicatrices sont formul ees : Le signal renvoy e par la cellule de r esolution dune cible distribu ee est repr esent ee comme une superposition lin eaire des r eponses des r etrodiuseurs el ementaires ponctuels. Lamplitude et la phase de chaque onde el ementaire sont non-corr el ees. Les phases el ementaires sont uniform ement distribu ees. En appliquant la th eor` eme central limite, les parties r eelles et imaginaires de chaque composante Sk du vecteur k sont caract eris ees par des distributions gaussiennes non-corr el ees de moyennes nulles [Good-76]. Ainsi, le vecteur k suit une distribution gaussiennes complexe de moyennes nulles [Good-63], [Lee-94d] : 1 1 ek [C ] k . (1.37) pk (k ) = m det[C ] [C ] = E {k k } etant la matrice de covariance (hermitienne semi-d enie positive). Comme la moyenne de k est nulle, la caract erisation statistique des donn ees doit seectuer ` a laide des moments dordre plus elev es, cest ` a dire estimer [C ] (ou [T ]). Si le processus k est stationnaire et ergodique, lesp erance math ematique dans l equation 1.33 (ou l equation 1.34) est remplac ee par la moyenne spatiale appel ee ` a tord complexe multivues car il ne sagit pas de L vues di erentes basse r esolution, mais de L echantillons pleine r esolution obtenus en utilisant toute lantenne synth etique. Ainsi, lobservation empirique [ZL ] de la matrice [C ] (ou [T ]) est : 1 [ZL ] = L
L i=1 ki ki .

(1.38)

Les matrices de covariance et coh erence polarim etriques suivent une distribution de Wishart [Good-63], [Lee-94d] : p[ZL ] ([ZL ]) = LmL det[ZL ]Lm det[C ]L m (L) etr(L[C ]1 [ZL ]). (1.39)

o` u etr(...) est lexponentielle de la trace dune matrice et m (L) = m(m1)/2 m i=1 (L i + 1) est la fonction gamma g en eralis ee dans le cas multivari e. Cette formulation est valable seulement dans le cas o` u L m. Pour une gaussienne multivari ee, le moment statistique centr e dordre p est nul si p est impair ou, si p est pair, il peut etre exprim e sous la forme dun produit des covariances. En g en eral, p les moments statistiques dordre p de la matrice de covariance empirique E [ZL ] sexpriment exclusivement en fonction de [C ] [Lope-07].

24

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

1.6

Th eor` emes de d ecomposition polarim etrique incoh erente

Les d ecompositions incoh erentes expriment les matrices [C ] ou [T ] comme une combinaison de matrices el ementaires reli ees ` a des m ecanismes de r etrodiusion plus facile ` a interpr eter. On peut distinguer dun cot e les d ecompositions guid ees par des mod` eles de cible (surfaces, di` edres, dip oles orient es al eatoirement) ou par les ph enom` enes qui conditionnent la signature polarim etrique (sym etrie azimutale, orientation, torsion, h elicit e) telles que celle de Freeman [Free-98], celle de Huynen [Huyn-65] ou celle de Touzi [Touz-07], et dun autre cot e les d ecompositions qui sappuient sur les vecteurs et valeurs propres de la matrice de coh erence telles que celle de Cloude et Pottier [Clou-96], [Clou-97]. La d ecomposition de Touzi traite le cas de la d ecomposition incoh erente en utilisant la diagonalisation de Cloude. Par rapport ` a celle de Cloude et Pottier, elle utilise la phase du signal r etrodius e et pr eserve lind ependance des param` etres de la base de polarisation m eme pour une cible non-sym etrique. Le choix entre les di erents types de d ecomposition d epend des applications trait ees. On emploie des d ecompositions coh erentes principalement pour etudier la r etrodiusion de cibles sp eciques (b atiments, navires [Touz-04]), alors que les d ecompositions incoh erentes sont employ ees de fa con plus large pour caract eriser et classier des sc` enes comportant des cibles naturelles (for ets, champs, glace) ou des cibles coh erentes (zones urbaines, infrastructures), en supposant que le moyennage spatial n ecessaire ` a lestimation des statistiques du deuxi` eme ordre pr eserve leur r eponse au milieu du clutter (fouillis) des cibles non-coh erentes.

1.6.1

La d ecomposition polarim etrique H//A

La d ecomposition de Cloude et Pottier [Clou-96], [Clou-97] consiste ` a d eterminer les valeurs propres 1 > 2 > 3 et les vecteurs propres [v ]i de la matrice de coh erence polarim etrique [T ] ( i ) et associer chaque vecteur propre ` a un m ecanisme de r etrodiusion [T ] :
3 3 T i [v ]i [v ] i = i=1 i=1

[T ] =

i [T (i) ].

(1.40)

o` u i {1, 2, 3}. La somme des trois valeurs propres est egale ` a lintensit e r etrodius ee totale (span dans l equation 1.11) :
3

Span =
i=1

i .

(1.41)

Les vecteurs propres peuvent etre param etr es sous la forme : [v ]i = [cos(i ) sin(i ) cos(i )ejj sin(i ) sin(i )ejj ]T , (1.42)

les valeurs propres i et les angles i , i traduisant la force et les caract eristiques g eom etriques des m ecanismes de r etrodiusion associ es aux vecteurs propres. Plusieurs param` etres globaux calcul ee ` a partir des trois valeurs propres ont et e propos es, telles que les pseudo-probabilit es pi : pi = i
3 j =1 j 3

H=
i=1

pi log3 pi ,

(1.43)

 ` 1.6. THEOR EMES DE DECOMPOSITION POLARIMETRIQUE INCOHERENTE

25

Le param` etre entropie H re` ete le degr e de puret e ou de m elange polarim etrique de la r etrodiusion. H est proche de 0 quand un m ecanisme est pr edominant (lintensit e totale est concentr ee sur 1 ). La r etrodiusion correspond alors ` a un seul m ecanisme et la matrice [T ] est de rang 1. A loppos e, H tend vers 1 quand les trois m ecanismes sont de niveau equivalent 1 2 3 et correspondent ` a un m elange des trois m ecanismes dans des proportions egales. Lanisotropie A est un param` etre global qui traduit limportance relative des valeurs propres secondaires : 2 3 A= . (1.44) 2 + 3 Ce param` etre est compl ementaire de lentropie lorsque que la deuxi` eme et la troisi` eme valeur propre deviennent signicatives. Pour les faibles valeurs de H , les valeurs propres 2 et 3 sont faibles et bruit ees et A est trop bruit e pour apporter une information discriminante. Linterpr etation du m ecanisme global de r etrodiusion se fait notamment ` a travers langle moyen calcul e comme la moyenne des angles i pond er es par la force des trois m ecanismes :
3

=
i=1

p i i .

(1.45)

Lorsque est proche de 0, la r etrodiusion est de type simple rebond sur une surface rugueuse par rapport ` a la longueur donde. La r etrodiusion est de type volumique quand est proche de /4 et de type double rebond pour proche de /2. Evaluation statistique Les etudes r ecentes men ees par L opez-Mart nez et al. [Lope-05] ont permis d evaluer linuence du bruit de speckle de la matrice [T ] (d etaill e au Chap. 3) sur lestimation des valeurs propres utilis ees dans la d ecomposition H//A. En utilisant une m ethode num erique de diagonalisation en valeurs propres des matrices hermitiennes, la matrice de coh erence s ecrit sous la forme : l1 0 0 0 l2 0 = [Q] [T ][Q], [] = . . . (1.46) . . . . . . . . . 0 0 lm o` u [Q] est une matrice unitaire (ses colonnes sont les vecteurs propres de [T ]) et {l1 , l2 , ...lm } les valeurs propres th eoriques. En pratique, la matrice de coh erence [T ], (sous lhypoth` ese dergodicit e et stationnarit e) est estim ee en utilisant le MLE (Maximum Likelihood Estimator) en moyennant spatialement L echantillons. La matrice [T ] est observ ee par sa valeur empirique [T ]L , avec la d ecomposition suivante : 1 0 0 0 2 0 = [Q] [T ]L [Q]L , [] = . (1.47) . . L .. . . . . . . . 0 0 m

26

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

Ainsi, la ddp des valeurs propres empiriques {1 , 2 , ...m } (variable al eatoire m-dimensionnelle) de la matrice de coh erence polarim etrique est obtenue : m(m1) L 2 (2Lm+1) m (m)m (L)
m

m1

ps () =

k
k=1

mk

m m Lm i=1 i i<j (i j ) m m 1 1 L i=1 li i<j (lj li )

j li

.
i,j =1

(1.48)

En observent l equation 1.48, on constate que cette pdf sexprime en fonction : de la dimension de la matrice [T ] correspondant au nombre dacquisitions SAR, du nombre de vues L utilis ees pour lestimation de [T ], des valeurs propres th eoriques rang ees par ordre d ecroissante > l1 l2 ... lm 0. Le comportement asymptotique des valeurs propres et leur inuence sur les param` etres H//A ont et e etudi es pour L = 64 et le cas POLSAR monostatique [Lope-05] : 1 - la premi` ere valeur propre est surestim ee dans les cas o` u H a des valeurs fortes, le biais etant minimum avec H = 0 ; 2 - la deuxi` eme valeur propre est sous-estim ee pour les valeurs faibles dentropie. Si les valeurs de H sont importantes, son comportement d epend de la valeur de lanisotopie : surestim ee si A est faible et sous-estim ee si A est forte ; 3 - la troisi` eme valeur propre est toujours sous-estim ee. Son biais (en valeur absolu) est proportionnel avec H ; H - lentropie est toujours sous-estim ee. Le maximum du biais se trouve quand 1 = 2 et le minimum quand H = 0 ; A - lanisotropie est toujours surestim ee, sauf dans le cas 1 = 2 o` u elle devient sousestim ee. Les hypoth` eses qui ont permis l etude de L opez-Mart nez et al. ne permettent pas l etude du biais introduit par lestimation MLE du param` etre , car la complexit e math ematique de calcul devient tr` es elev ee, n ecessitant des d eveloppements futurs. Une autre approche a et e propos ee par Lee et al. [Lee-06a], o` u l etude de linuence de lestimation MLE sur les param` etres H//A a et e r ealis ee avec la m ethode de simulation Monte Carlo. Les r esultats obtenus pour des milieux naturels (for et, zones agricoles et urbaines) recommandent une estimation multivues complexe utilisant entre 50 et 80 echantillons n ecessaires pour r eduire le biais et la variance des param` etres H//A. Dans le cas du param` etre , il a et e montr e que le nombre d echantillons utilis e pour L > 3, inuence la pr ecision de lestimation MLE de seulement quelques degr es. De plus, la pr ecision varie en fonction de la nature du milieu r etrodiusant : est proportionnel au nombre de vues L dans des milieux urbains ; est proportionnel ` a linverse au nombre de vues L pour la r etrodiusion volumique ou surfacique. Les r esultats pr esent es par Lee et al. [Lee-06a] sont conrm es par Ridha Touzi [Touz-07a]. Ainsi, dans le cas g en eral, le nombre d echantillons requis pour une d ecomposition non-biais ee est plus grand que 60.

1.7. CLASSIFICATION POLSAR

27

1.7

Classication POLSAR

Le potentiel de classication des donn ees POLSAR est tr` es elev e car les di erents canaux polarim etriques apportent de linformation sur un grand nombre des propri et es physiques de la zone cible. La litt erature du domaine d ecrit trois grands cat egories parmi les approches utilis ees : 1. lanalyse des propri et es physique du processus de diusion : Ce type dapproche pr esente lavantage davoir une information a priori d ecrivant les classes recherch ees [Zyl-89], [Clou-97]. 2. la classication statistique : Elle est bas ee sur des algorithmes statistiques de clustering non-supervis ees ou supervis ees [Dong-01], [Goud-01], [Chen-03], [Beau-04], [Gall-05], [Reig-07]. 3. la classication physique/statistique : Tout dabord une premi` ere analyse physique est appliqu ee sur les donn ees, ensuite une classication statistique est initialis ee avec ce premier r esultat [Lee-99b], [Fami-01], [Lee-04], [Kers-05]. Dans la suite, le clustering statistique avec la distance de Wishart initialis e par une d ecomposition H//A ou Freeman [Lee-99b], [Fami-01], [Lee-04] a et e choisi. Ce choix se base sur lobservation de Kersten et al. [Kers-05] : en g en eral, la mod elisation de la distribution des pixels est plus importante que le choix de lalgorithme de clustering statistique.

1.7.1

Partition nette de lespace H//A

Lanalyse conjointe des param` etres polarim etriques H , et A permet de caract eriser certaines propri et es polarim etriques de la cellule de r etrodiusion. Un d ecoupage de lespace des attributs H en 8 zones caract eristiques (cf. Fig. 1.10) de di erents comportements a et e propos e en [Clou-97]. La discrimination entre r etrodiusion surfacique, volumique et double rebond est donn ee par langle alors que le degr e de m elange de m ecanismes de r etrodiusion est donn e par lentropie H . Ensuite, la partition a et e ran ee par lutilisation du troisi` eme param` etre A. Dans tous les cas, le choix des seuils pour le d ecoupage net de lespace 3D des attributs est fait par lexpert, tout en tenant compte de linterpr etation physique de ces attributs. La partition de lespace H//A fournit un premier r esultat de classication directement interpr etable. Un inconv enient majeur de cette m ethode est que la classication propos ee est purement th ematique et ind ependante des donn ees (biais et variance). En pratique, pour pallier cet inconv enient le r esultat de la classication H//A est utilis e pour initialiser un algorithme de classication non-supervis ee de type C-moyennes bas ee sur la distance de Wishart.

1.7.2

Classication C-moyennes avec la distance de Wishart

Connaissant la ddp de la matrice de coh erence polarim etrique (cf. Eq. 1.39), on peut d eterminer le logarithme du rapport de vraisemblance construit pour tester lhypoth` ese d egalit e

28

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

(a)

(b)

(c)

Fig. 1.10 Segmentation nette de lespace H//A (R - double rebond, V - r etrodiusion voluetrodiusion surfacique) : (a) plan H A, (b) plan H , (c) plan A . mique, B - r entre 2 matrices de coh erence empiriques [TL ] et [TL ]. Ceci conduit ` a une mesure de distance appel ee distance de Wishart [Lee-99b] : dW ([TL ], [TL ]) = log det[TL ] + tr{[TL ]1 [TL ]} m, det[TL ] (1.49)

o` u m est la dimension de vecteur cible. Cette distance est utilis ee dans des m ethodes de classication non-supervis ee de type C-moyennes en prenant comme distance la distance de Wishart entre les matrices de coh erence des centres de classe et celle du pixel ` a classer. Pour classier des donn ees POLSAR (Algo. 1), la m ethode consiste ` a initialiser les classes ` a laide de la partition de lespace des param` etres H//A. Lalgorithme alterne ensuite de fa con it erative lestimation des matrices de coh erences des classes et laectation des pixels ` a la classe la plus proche pour la distance de Wishart. Algorithme 1 : C-moyennes avec la distance de Wishart 1. ltrage de speckle de la matrice [T ] ; 2. d ecomposition H//A de [T ] ; 3. segmentation supervis ee de lespace H//A en c classes ; 4. calcul du centre de classe initial [Vi ] = E {[T ]|[T ] classe i }, i {1, .., c} (it eration k ) ; i 5. calcul de la distance de Wishart dW ([T ]N , [Vi ]), n {1, .., N } ou N est le nombre des pixels ; 6. aectation du pixel n ` a la classe Wmini (di ) ; W 7. test du crit` ere darr et : si oui, STOP ; si non, k = k + 1 et retour ` a l etape 4. Le crit` ere darr et : le nombre limite de pixels qui changent de classe, la distance minimale entre les centres de classes est atteinte ou un nombre limite dit erations.

1.7.3

Segmentation par fusion interactive oue de lespace H//A

Lobjectif dun syst` eme de fusion oue interactif (FFI) est dorir ` a lutilisateur une m ethode capable dagr eger des attributs qualitatifs issus des donn ees, dans le cas o` u le comportement des

1.7. CLASSIFICATION POLSAR

29

ces attributs nest pas totalement connu. Nous avons test e cette approche dans le contexte des donn ees POLSAR, pour raner la partition nette de lespace H//A.
Attribut i Extraction dinformations Attribut j Attribut k Fusion dinformations Systme flou symbolique Rsultats

...

Rgles Fonctions dappartenance Zones de rfrence Histogrammes 2D / 3D

Information a priori

Expert Utilisateur

Evaluation de performance

Fig. 1.11 Fusion dinformations par un syst` eme ou symbolique interactif. Le syst` eme construit, illustr e dans la gure 1.11, a deux caract eristiques principales : il se place ` a un niveau s emantique en introduisant des symboles appartenant au langage des g eophysiciens pour d ecrire les attributs et donner les r` egles qui relient cette description aux classes recherch ees, il est con cu pour une utilisation interactive o` u lexpert/lutilisateur s electionne les attributs discriminants issus des donn ees ou dinformations a priori, pilote le syst` eme ou au travers dune interface graphique (s election des r` egles et ajustement des fonctions dappartenance) et evalue la sortie an de raner le r eglage dans la direction du r esultat attendu. Du point de vue du syst` eme ou, lapproche utilis ee est relativement classique. Lencha nement des trois principales etapes (fuzzication, inf erence et d ecision) sont d ecrites en [Vale-03], [Bujo-04]. Notre apport se situe au niveau de la mise en uvre du syst` eme de fusion sur les applications POLSAR [Vasi-07]. Le r ole con e` a lutilisateur lui permet dinteragir avec le syst` eme a trois niveaux : ` le premier est le choix des symboles dentr ee utilis es pour d ecrire les attributs, puis la s election de r` egles de type implication logique pour relier les symboles dentr ee aux symboles de sortie (les classes recherch ees). Cette etape est simpli ee par une repr esentation graphique 2D (ou 3D) de lespace des attributs : pour chaque classe recherch ee Sk , lutilisateur active les r` egles ayant pour conclusion Sk et pour pr emisse un couple (ou un triplet) de symboles en cliquant dans la zone correspondante. le second niveau est lajustement des fonctions dappartenance des di erents symboles sur les axes des attributs ` a partir de la connaissance de leur comportement. Cet ajustement peut egalement sappuyer sur des zones de r ef erence trac ees par lutilisateur dans une image o` u son expertise lui permet didentier les classes. Les nuages de points des di erentes classes sont alors visualis es dans lespace des attributs et facilitent ainsi le positionnement des symboles impliqu es dans les r` egles qui d enissent ces classes. le dernier niveau est l evaluation de performance et le rebouclage eventuel pour am eliorer les

30

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

r esultats dans la direction souhait ee par lutilisateur. Deux types de sorties sont propos es : une classication nette qui aecte ` a chaque pixel la classe qui a le plus fort degr e dappartenance, et une classication oue form ee des images des di erents degr es dappartenance. L evaluation du r esultat peut etre visuelle ou quantitative ` a laide de zones de r ef erence. Dans le cas des attributs H//A, la proc edure FFI est d ecrite par Algo. 2. Algorithme 2 : FFI de lespace H//A 1. ltrage de speckle de la matrice [T ] ; 2. d ecomposition H//A de [T ] ; 3. calcul du span de [T ], utilis e comme image dexpertise associ e aux attributs ; 4. s election des r egions repr esentatives sur limage dexpertise ; 5. calcul des histogrammes 3D conditionnels et visualisation de lespace des attributs ; 6. choix du nombre des mots d ecrivant les classes (ex. ` a 3 mots : {f ort, moyen, f aible}) ; 7. d enition des r` egles et des fonctions dappartenance aux classes (it eration k ) ; 8. lancement de la fusion oue des attributs ; 9. evaluation subjective/objective des resultats de classication : si oui, STOP ; si non, k = k + 1 et retour ` a l etape 7.

1.8

Conclusions

Dans ce chapitre nous avons pr esent e les el ements d electromagn etisme de base n ecessaires a la compr ` ehension des m ecanismes de propagation du signal radar ainsi que les traitements utilis es pour la synth` ese des images SAR. On sint eresse particuli` erement ` a la repr esentation de linformation polarim etrique dans le contexte de limagerie SAR. En eet, larriv ee des satellites SAR mesurant le signal radar sur tous les canaux polarim etriques a nalement permis la repr esentation compl` ete du champs electromagn etique r etrodius e. Les nombreuses exp eriences avec un syst` eme POLSAR a eroport e recommandent une cha ne de traitement POLSAR (cf. Fig. 1.12) pour extraire une caract erisation 2D du terrain par des m ethodes non-supervis ees. La cha ne POLSAR comprend toutes les etapes du traitement des images SAR mono-polarisation (cas particulier d eg en er e). Nous avons ainsi utilis ee le formalisme g en eral vectoriel POLSAR pour d ecrire les principes de limagerie SAR (qui est ` a la base vectorielle). Le cas scalaire, rencontr e jusquau pr esent dans la litt erature du domaine, d ecoule comme un cas particulier ` a dimension r eduite. Nous avons propos e egalement une nouvelle approche pour la fusion des attributs polarim etriques bas ee sur les syst` emes de fusion oue interactifs d evelopp es par Lionel Valet (Laboratoire dInformatique, Syst` emes, Traitement de lInformation et de la Connaissance, Universit e de Savoie).

1.8. CONCLUSIONS

31

Fig. 1.12 Diagramme illustrant les principales etapes dans le traitement des images SAR multivari ees.

32

` SYNTHESE ` CHAPITRE 1. IMAGERIE RADAR A DOUVERTURE

Chapitre 2

Linterf erom etrie Radar ` a Synth` ese dOuverture

Sommaire
2.1 2.2 2.3 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 34 35 36 36 36 37 38 38 38 39 40 41 41 43 Les principes de linterf erom etrie SAR . . . . . . . . . . . . . . . . . Formation des interf erogrammes scalaires mono-polarisation . . . . 2.3.1 2.3.2 2.3.3 2.3.4 2.3.5 2.4 2.4.1 2.4.2 2.4.3 2.4.4 2.4.5 2.5 Recalage interf erom etrique . . . . . . . . . . . . . . . . . . . . . . . . . Calcul des images issues dun couple interf erom etrique . . . . . . . . . . Mod` ele statistique des images InSAR mono-polarisation . . . . . . . . . Interf erom etrie di erentielle . . . . . . . . . . . . . . . . . . . . . . . . . D eveloppement de phase . . . . . . . . . . . . . . . . . . . . . . . . . . . Estimation de la coh erence complexe . . . . . . . . . . . . . . . . . . . . Changements de base en interf erom etrie polarim etrique . . . . . . . . . Optimisation de la coh erence . . . . . . . . . . . . . . . . . . . . . . . . Classication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Perspectives : Equation de Sinclair et mesures di erentielles SAR . . . .

Formation des interf erogrammes vectoriels multi-polarisation . . . .

Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33

34

` SYNTHESE ` CHAPITRE 2. LINTERFEROM ETRIE RADAR A DOUVERTURE

2.1

Introduction

Le principe de linterf erom etrie radar ` a synth` ese douverture (InSAR) est deectuer une mesure de la di erence de phase entre deux images SAR dune m eme sc` ene, images obtenues depuis des orbites di erentes et/ou ` a des dates di erentes. Cette technique permet ainsi de d etecter et de quantier les variations de la distance cible/radar entre les deux prises de vue. Dans les ann ees 1980, les premi` eres mesures de topographie InSAR ont prouv e la faisabilit e de linterf erom etrie ` a partir de donn ees satellitaires [Zebk-87], [Gabr-89]. Depuis, les acquisitions r ep et es eectu ees par les instruments SAR des satellites ERS 1/2 ont donn e la possibilit e d etudier des d eplacements au sol entre deux (ou plusieurs) prises de vue radar. La technique, appel ee interf erom etrie SAR di erentielle (D-InSAR), consiste ` a composer, soit deux interf erogrammes SAR classiques, ou un interf erogramme SAR et une interf erogramme simul e` a partir dun mod` ele num erique de terrain de la zone imag ee. Cette technique a et e utilis ee pour la cartographie des courants oc eaniques [Gold-87], ainsi que pour la mesure des d eplacements lents de surface comme les d eplacements tectoniques [Mass-93a] ou les d eplacements des glaciers [Rign-96].

2.2

Les principes de linterf erom etrie SAR

Linterf erom etrie est une m ethode de mesure qui exploite les interf erences (interactions) intervenant entre plusieurs ondes coh erentes entre elles. Le terme interf erom etrie SAR, d esigne la technique ou les m ethodes utilisant au moins deux images complexes dun radar ` a synth` ese douverture, an dobtenir des informations suppl ementaires sur les objets pr esents dans la zone imag ee, en exploitant linformation contenue dans la phase du signal SAR.

Fig. 2.1 G eom etrie dacquisition InSAR. Dans une conguration InSAR standard (cf. Fig. 2.1), une cible P situ ee ` a une altitude A est

 2.3. FORMATION DES INTERFEROGRAMMES SCALAIRES MONO-POLARISATION

35

imag ee depuis deux positions du radar SM (ma tre) et SS (esclave). La distance entre les deux acquisitions SAR repr esente la base interf erom etrique B . Soient deux images SAR complexes zM (r, a) et zS (r, a) : zi (r, a) = |zi (r, a)|eji (r,a) , (2.1)

o` u i {M, S }, a est la position en azimut et r la position en distance. La phase dune image SAR est compos ee de deux termes : i (r, a) = prop (r, a) + i 4 R, (2.2)

avec R la distance radar-cible et prop (r, a) la phase propre li ee au d ephasage introduit par i linteraction onde-cible (comportement al eatoire - cf. Fig. 1.9-(f)). Cette phase propre correspond a chacune des 4 composantes de [S ] dans l ` equation du processus de diusion (cf. Eq. 1.8). En sappuyant sur le principe des mesures en mode di erentiel et sur lhypoth` ese d egalit e prop prop entre les phases propres des deux acquisitions SAR M (r, a) S (r, a), la phase interf erom etrique (r, a) est directement proportionnelle ` a la di erence du chemin R = RM RS : 4 (r, a) = M (r, a) S (r, a) = (RM RS ). (2.3) Ainsi, la mesure de R ` a travers (r, a) est tr` es pr ecise (une fraction de la longueur donde), mais elle est repli ee modulo 2 . En supposant quil ny a pas de d eformation de la zone cible entre les deux acquisitions, R sexprime sous la forme : (r, a) 4 B 1 z2 z cos sin , 2 R R (2.4)

z etant la hauteur du satellite par rapport ` a la surface de la Terre et B la composante de la base perpendiculaire ` a la ligne de vis ee [Rodr-92]. z d epend de l eloignement en distance et de la courbure de la Terre (franges orbitales) ainsi que de la topographie locale (franges topographiques). Si la hauteur de r ef erence est choisie sur un ellipso de qui mod elise la surface de la Terre (ex. WGS94) on peut retirer la composante orbitale de la phase [Ghig-98], le r esultat d epend alors seulement de la topographie. En g en eral, la phase topographique et la phase orbitale sont deux composantes d eterministes que lon retrouve dans chaque interf erogramme multi ou mono polarisation.

2.3

Formation des polarisation

interf erogrammes

scalaires

mono-

Dans cette section, la mesure du champ electromagn etique est eectu e` a travers un champ scalaire d ecrit par une seule conguration emission-r eception.

36

` SYNTHESE ` CHAPITRE 2. LINTERFEROM ETRIE RADAR A DOUVERTURE

2.3.1

Recalage interf erom etrique

La premi` ere etape dans la formation des interf erogrammes SAR est le recalage interf erom etrique. Lobjectif est de rendre les deux images dans une g eom etrie superposable. Dans le cas id eal, tous les r eecteurs el ementaires qui ont contribu e` a la phase propre lors de la formation de limage ma tre se retrouvent exactement dans le m eme pixel de limage esclave. Les techniques utilis ees (ex. corr elation, maximisation de coh erence) pour cette etape doivent assurer une pr ecision entre un dixi` eme et un centi` eme de pixel, ce qui n ecessite de sur- echantillonner limage SAR ma tre [Mait-01]. Une analyse d etaill ee sur les techniques de sur- echantillonnage des images SAR est pr esente dans [Hans-99].

2.3.2

Calcul des images issues dun couple interf erom etrique

En mod elisant les deux images SAR par des signaux al eatoires zM et zS complexes centr es et conjointement stationnaires au sens large (lois ind ependantes de la position dans limage), la di erence de phase et la coh erence sont d enies ` a partir de la corr elation normalis ee C par : C = ej =
} E {zM zS

E {|zM |2 }E {|zS |2 }

(2.5)

Sous lhypoth` ese suppl ementaire dergodicit e en moyenne (moyennes spatiales ind ependantes des r ealisations), lesp erance math ematique peut etre remplac ee par une moyenne de L echantillons pris dans un voisinage spatial. On calcule ainsi la coh erence et la di erence de phase empiriques par : =
L i=1 zM zS L 2 i=1 |zM | L 2 i=1 |zS | L

= arg
i=1

zM zS

(2.6)

Ces images de phase et de coh erence ainsi que les images damplitude associ ees aux images SAR ma tre et esclave, sont calcul ees pour des pixels qui correspondent ` a des blocs de L pixels dans les images SLC. Le moyennage complexe d ecrit dans l equation 2.6 est souvent appel e complex multi-looking par analogie avec le moyennage L-vues destin e ` a r eduire le speckle des donn ees dintensit e, appellation abusive car les echantillons ne proviennent pas de vues di erentes issues de sous-ouvertures mais de pixels voisins issus dune synth` ese ` a pleine ouverture [Trou-06a]. Cette premi` ere estimation de la phase et de la coh erence est souvent faite avec un moyennage relativement faible an de limiter la perte dinformation spatiale.

2.3.3

Mod` ele statistique des images InSAR mono-polarisation

Les estimateurs de la phase et de la coh erence donn ees par les equations 2.6 correspondent aux estimateurs au sens du maximum de vraisemblance [Touz-99]. Sous lhypoth` ese que zM et zS sont des processus gaussiens complexes conjoints, Touzi et al. ont d etermin e la ddp de la coh erence empirique en fonction du nombre de vues L et de la valeur de la coh erence th eorique : p( |) = 2(L 1)(1 2 )L (1 2 )(L2) F (L, L; 1; 2 2 ), (2.7)

 2.3. FORMATION DES INTERFEROGRAMMES SCALAIRES MONO-POLARISATION

37

avec F une fonction math ematique particuli` ere appel ee fonction hyperg eom etrique [Touz-99]. Dans le m eme contexte, la ddp de la phase est donn ee par :
2 L L+ 1 (1 2 )L 2 (1 ) p(|, ) = F 1 + 2 2 (L)(1 2 )L+ 2

1 L, 1; ; 2 , 2

(2.8)

o` u || et = cos( ). Si L 4, la fonction hyperg eom etrique F peut etre remplac ee par des fonctions trigonom etriques [Lee-94d]. En g en eral, la phase et la coh erence empiriques sont dautant plus bruit ees que la coh erence th eorique est faible. La phase empirique est non-biais ee et une borne inf erieure de sa variance est donn ee par la borne de Cramer-Rao [Seym-94] : E {( )2 } > 1 2 . 2L2 (2.9)

En revanche, la coh erence empirique est fortement biais ee pour les faibles valeurs de coh erence. De m eme que pour la phase, la variance d ecro t avec laugmentation du nombre d echantillons moyenn es. Dans le cas dun estimateur non-biais e, la limite inf erieure de la variance est donn ee par la borne de Cramer-Rao [Touz-99] : E {( )2 } > 1 2 . 2L (2.10)

Lestimation de la coh erence avec un nombre insusant d echantillons conduit donc, dans les zones de faible coh erence, ` a une surestimation de sa valeur assortie dune forte variance [Mait-01].

2.3.4

Interf erom etrie di erentielle

Dans le cas dacquisitions SAR non-simultan ees, si une partie de la zone imag ee par le SAR sest d eplac ee entre les deux acquisitions, la distance au radar sest modi ee et la di erence de phase est aect ee de fa con proportionnelle au d eplacement dLOS vers le radar (LOS - Line of Sight) [Mait-01] : 4 = dLOS . (2.11) En pratique, apr` es la g en eration de linterf erogramme, les deux composantes d eterministes peuvent etre compens ees : les franges orbitales par la connaissance exacte des orbites du satellite et les franges topographiques ` a laide dun Mod` ele Num erique de Terrain. Si la d ecorr elation induite par les interactions ondes-cible et les eets atmosph eriques est n eglig ee, la phase r esultante appel ee phase di erentielle (ou de d eplacement) contient seulement linformation sur le d eplacement en LOS de la cible. Ce d eplacement est relatif, donc perceptible uniquement sil aecte diversement les points de limage (une translation globale du champ serait imperceptible). La technique DInSAR (interf erom etrie SAR di erentielle) est utilis ee par de nombreux laboratoires pour des applications telles que l etude des volcans [Mass-93a], des tremblements de Terre [Gabr-89], des glaciers [Rign-96], des plaques tectoniques [Amel-00] ...

38

` SYNTHESE ` CHAPITRE 2. LINTERFEROM ETRIE RADAR A DOUVERTURE

2.3.5

D eveloppement de phase

L etape du d eveloppement de phase 2D est n ecessaire pour transformer limage de phase repli ee (modulo 2 ) en un champ de d eplacement (phase di erentielle) ou un MNT (phase topographique). Les obstacles communs aux di erentes applications InSAR sont dune part le bruit de la phase li e au niveau de coh erence et dautre part la disparition du signal de phase due au relief (Sect. 1.3.1), ` a laliasing ( echantillonnage insusant) ou ` a la perte de coh erence. Les deux principales approches du d eveloppement de phase bidimensionnel sont [Trou-96a] : 1. le d eveloppement par propagation le long de chemins les plus surs avec placement de coupures [Gold-88] pour interdire le passage par des zones sources derreur. Cette approche sappuie sur les di erences de phase corrig ees de mani` ere ` a etre dans lintervalle [, ]. Elle a lavantage d etre exacte tant quaucune marche nest omise. En revanche, en cas de passage par une di erence erron ee (en labsence de coupure), les erreurs se propagent et aboutissent ` a des zones enti` eres aect ees dune erreur dun multiple de 2 . Ces erreurs cr eent des marches au niveau des raccordements entre di erents chemins, mais ni leur source, ni leur etendue, ne sont perceptibles en comparant la phase initiale et le r esultat modulo 2 . 2. lapproche globale par moindres carr es qui minimise l ecart entre le gradient de la phase repli ee et le gradient de la phase d evelopp ee [Ghig-94]. Cette approche conduit ` a un r esultat global dans lequel les sources derreur (les gradients de phase mal corrig es ou mal estim es) 2 ont un impact local avec une d ecroissance en 1/R o` u R est la distance ` a la source derreur. Lintroduction de pond erations ou de formulations di erentes sappuyant sur lidentit e de Green [Lyub-99] permettent de r eduire la sous-estimation du r esultat due ` a ces erreurs. Dans la litt erature du domaine, on trouve egalement des algorithmes de d eveloppement de phase 2D bas es sur : des algorithmes g en etiques [Coll-97] ou des mod` eles statistiques avec des fonctions de co ut pour loptimisation nonlin eaire [Chen-01].

2.4

Formation polarisation

des

interf erogrammes

vectoriels

multi-

Cette section pr esente le formalisme de linterf erom etrie polarim etrique SAR. La mesure du champ electromagn etique est eectu ee ` a travers un champ vectoriel d ecrit par plusieurs congurations de polarisation emission-r eception.

2.4.1

Estimation de la coh erence complexe

Soit kM et kS les deux vecteurs cibles ma tre et esclave. La mise en forme des donn ees la plus couramment utilis ee [Clou-98] consiste ` a construire une matrice de coh erence polarim etrique

 2.4. FORMATION DES INTERFEROGRAMMES VECTORIELS MULTI-POLARISATION

39

interf erom etrique (6 6, hermitienne, semi d enie positive) : [T ]6 = E kM kS

kM kS

[T ]M [] MS

[]M S [T ]S

(2.12)

o` u [T ]i sont les matrices de coh erence polarim etriques (i {M, S }) et []M S est la matrice de coh erence interf erom etrique :
[T ]i = E {ki ki } et []SM = E {kM kS }.

(2.13)

Dans le cas gaussien, la matrice de coh erence polarim etrique interf erom etrique empirique suit une loi du Wishart (cf. Eq. 1.39 avec m = 6) [Lee-99b]. Dans l equation 2.12, les matrices de coh erence polarim etriques [T ]M et [T ]S d ecrivent exclusivement les propri et es li ees aux interactions onde-cible (Sect. 2.4.5). En revanche, []SM est une matrice qui contient simultan ement des informations sur les interactions onde-cible (POLSAR) et le trajet aller-retour de londe r etrodius ee (InSAR) [Clou-98]. Ainsi, la s eparabilit e des deux ph enom` enes dinteraction, propos ee par le mod` ele de Sinclair (cf. Eq. 1.8) est perdue. En terme de fusion/classication, la repr esentation des donn ees POL-InSAR par la matrice [T6 ] neectue pas une s eparation optimale entre les caract eristiques InSAR et POLSAR, linformation polarim etrique etant fortement privil egi ee. Par rapport au cas scalaire, les donn ees POL-InSAR monostatiques permettent dobtenir trois phases interf erom etriques i et trois coh erences i provenant des trois composantes polarim etriques. Dans la base de Pauli, le calcul seectue en normalisant les termes complexes de la diagonale de []SM par la racine du produit des intensit es correspondantes situ ees sur les diagonales des matrices [T ]M et [T ]S : Ci = i eji = []SM ii , [T ]Mii [T ]Sii (2.14)

avec i {1, 2, 3}. Ces trois phases et coh erences d ependent des bases de polarisation ( emissionr eception) utilis ees pour lune et lautre des images.

2.4.2

Changements de base en interf erom etrie polarim etrique

Une nouvelle proc edure de calcul dune coh erence vectorielle a et e propos ee par Cloude et al. [Clou-98]. Lid ee centrale est de g en erer des projections des di erentes composantes des vecteurs M S cible kM et kS sur deux vecteurs normalis es w et w pr ed enis par lexpert. Ainsi, les deux M S canaux SLC ma tre et esclave g en eralis es s et s s ecrivent comme :
M sM = w1 M + SM M M M SHH M SHH SV V M V V + w2 + w3 2SXX , 2 2

(2.15)

S S S S SHH + SS S SHH SV V S V V + w2 + w3 2SXX , (2.16) 2 2 o` u les vecteurs w peuvent etre interpr et es comme des m ecanismes de diusion g en eralis es (cf. Tab. 2.1) et sont param` etr es suivant la forme suivante [Clou-98] : S sS = w1

w = [w1 w2 w3 ]T = [cos sin cos ej sin sin ej ]T ,

(2.17)

40

` SYNTHESE ` CHAPITRE 2. LINTERFEROM ETRIE RADAR A DOUVERTURE

avec , , , etant les quatre angles d ecrivant les quatre degr es de libert es dun m ecanisme de r etrodiusion dans le cas monostatique [Clou-96]. Tab. 2.1 Exemples des m ecanismes de diusion utilis ees en POL-InSAR. Mode polar. HH HV VV HH+VV HH-VV LL LR RR 450 900 450 00 900 900 00 900 00 900 1800 00 00 450 00 450 00 00 00 00 00 00 00 00 00 00 00 00 00 900 00 900 w1 0.707 0 0.707 1 0 0 1 0 w2 0.707 0 -0.707 0 1 0.707 0 0.707 w3 0 1 0 0 0 0.707j 0 -0.707j

Finalement, il est possible de d enir une coh erence complexe POL-InSAR sous la forme : = ej =
L M S i=1 s s L M M i=1 s s L S S i=1 s s

(2.18)

2.4.3

Optimisation de la coh erence

Une proc edure doptimisation de la coh erence a et e propos ee par Cloude et Papathanassiou M S [Clou-98] pour rechercher les vecteurs w et w qui pond` erent les composantes polarim etriques M S des vecteurs de r etrodiusion kM et kS pour former des composantes w kM et w kS dont la coh erence donn ee par l equation 2.18 soit maximale. La solution du probl` eme (bas ee sur les multiplicateurs du Lagrange) conduit ` a une d ecomposition en vecteurs propres qui fournit trois M et w S , valeurs propres r eelles positives 1 2 3 0 associ ees ` a des couples de vecteurs wi i i {1, 2, 3}. La coh erence maximum est donn ee par la racine carr ee de la plus grande valeur propre : opt 1 . Le m ecanisme de r etrodiusion optimal est calcul e par la projection de deux 1 = vecteurs cibles ma tre et esclave sur le vecteur propre correspondant ` a 1 . De m eme, on peut ainsi calculer trois coh erences complexes optimis ees correspondant aux trois valeurs propres i :
jopt i opt i e

M [] S wopt M S wopti i M [T ] w M .w S [T ] w S wopt M opti opti S opti i

(2.19)

Cette proc edure n ecessite lutilisation de voisinages relativement importants pour obtenir des param` etres exploitables. Du point de vue physique, en restant dans la base de Pauli, les trois coh erences et phases donn ees par l equation (2.19) correspondent ` a la m eme d ecomposition pour les deux acquisitions, donc aux m emes m ecanismes de r etrodiusion. Ceci permet dattribuer les trois centres de phase aux trois types de structures s epar ees dans les composantes de Pauli. Cependant, la s eparation nest pas forc ement optimale vis-` a-vis de la coh erence interf erom etrique des cibles

 2.4. FORMATION DES INTERFEROGRAMMES VECTORIELS MULTI-POLARISATION

41

en pr esence et dune possible evolution temporelle entre les acquisitions. Les trois coh erences obtenues sont alors plus faibles et le bruit des interf erogrammes plus important. En aboutissant a deux d ` ecompositions polarim etriques qui peuvent etre di erentes et maximisent la coh erence interf erom etrique, la technique doptimisation permet de rattraper une partie de la d ecorr elation entre les acquisitions [Trou-06a]. A condition d etre susamment stable num eriquement, elle doit fournir des hauteurs de centre de phases plus pr ecises et des niveaux de coh erence plus directement li es aux structures correspondantes.

2.4.4

Classication

En terme de fusion/classication, les donn ees POL-InSAR permettent de sappuyer ` a la fois sur des param` etres polarim etriques et interf erom etriques. Les trois coh erences peuvent etre utilis ees directement ou combin ees apr` es optimisation pour former des param` etres tels que l ecart relatif entre la coh erence maximale et les deux autres coh erences : A1 =
opt |opt 1 | |2 |

|opt 1 |

A2 =

opt |opt 1 | |3 |

|opt 1 |

(2.20)

Ces param` etres A1 et A2 sont jug es plus discriminants notamment pour la classication des for ets ` a partir de donn ees POL-InSAR [Lee-05]. Linterpr etation des valeurs de A2 renseigne par exemple sur le type de for et avec des r` egles empiriques telles que une faible valeur de A2 (< 0.2) repr esente une faible densit e de v eg etation, une valeur interm ediaire (0.2 < A2 < 0.5) des hauteurs moyennes et une for et dense et des valeurs > 0.5 des for ets hautes et denses. Une partition de lespace 2D des param` etres A1 et A2 [Fami-05] peut fournir, de la m eme mani` ere que la partition de lespace H/ en polarim etrie, une initialisation des classes en vue dune classication non-supervis ee sappuyant sur la distance de Wishart calcul ee avec les matrices de coh erence [T ]6 .

2.4.5

Perspectives : Equation de Sinclair et mesures di erentielles SAR

Une analyse plus profonde de l equation de Sinclair (cf. Eq. 1.8) par rapport aux deux techniques InSAR et POLSAR (techniques de mesure di erentielles) r ev` ele que : La relation entre les ondes emises et re cues s ecrit comme une transformation lin eaire ` a deux composantes : 1. la premi` ere composante est la matrice [S ] repr esent ee dans la base de polarisation (H, V ), qui caract erise seulement les interactions cible-onde (la phase propre dans l equation 2.2) ; 2. la deuxi` eme composante est ejk0 r /r donnant le d ecalage induit par les eets de propagation de londe electromagn etique. La technique InSAR utilise les principes des mesures di erentielles dans le but disojk r 0 ler la composante e /r qui donne une information sur le trajet aller-retour de londe r etrodius ee (cf. Eq. 2.3). Cette technique est mise en pratique par lestimation du coecient complexe de corr elation crois ee normalis ee (cf. Eq. 2.5). Dans le cas o` u le coecient

42

` SYNTHESE ` CHAPITRE 2. LINTERFEROM ETRIE RADAR A DOUVERTURE

C est normalis e, son module caract erise egalement les di erences de trajet de londe, au niveau des interactions onde-cible. La technique POLSAR utilise les m emes principes di erentiels dans le but disoler la composante [S ] caract erisant les interactions cible-onde. Cette fois, lestimation du coecient complexe de corr elation crois ee non-normalis ee (cf. Eq. 1.34) sut, car le trajet aller-retour de londe r etrodius ee se traduit seulement par un d ephasage. Ce d ephasage est annul e directement (sans normalisation) par le produit hermitien entre deux images qui ont subit les m emes perturbations du trajet (deux canaux de polarisation di erentes) ; la constante 1/r introduit seulement latt enuation de londe electromagn etique le long de son trajet. An de renforcer lexploitation de linformation interf erom etrique et de pr eserver la s eparabilit e des deux ph enom` enes dinteraction d ecrits par l equation de Sinclair, une nouvelle repr esentation des donn ees POL-InSAR peut etre etudi ee. Dans cette repr esentation, lespace < [J ] > de dimension 3 3 3 est donn e par la r eunion des trois sous-espaces de dimension 3 3 (cas monostatique) : < [J333 ] >=< [T33 ]M > < [T33 ]S > < [33 ]M S >, (2.21)

o` u < [T ]M > est lespace d eni par les matrices de coh erence polarim etriques ma tre, < [T ]M > est le sous-espace d eni par les matrices de coh erence polarim etriques esclave et < []M S > est le sous-espace d eni par la matrice de coh erence interf erom etrique normalis ee : [SM ]i,j =
E {kMi kS } j

E {|kMi |2 }E {|kSj |2 }

(2.22)

pour i, j {1, 2, 3}. Lespace < [J ] > ainsi construit contient la m eme information que lespace [T ]6 d enit dans l equation 2.12 tout en gardant la s eparabilit e entre la description POLSAR et InSAR. Comme les acquisitions ma tre et esclave ont d ej` a et e mises dans la m eme g eom etrie gr ace au recalage interf erom etrique, les deux sous-espaces < [T ]M > et < [T ]S > contiennent quasiment la m eme information polarim etrique (` a un d ephasage pr` es induit par la base interf erom etrique). Il est alors possible de r eduire la dimension de lespace < [J ] > en utilisant un seul sous-espace POLSAR d eni par la moyenne des deux matrices de coh erence polarim etriques < [T ]M S >=< {([T ]M + [T ]S )/2} > : < [J332 ] >=< [T33 ]M S > < [33 ]M S > . (2.23)

Cette formulation respecte lind ependance des deux ph enom` enes InSAR et POLSAR. Lavantage de la repr esentation propos ee dans l equation 2.23 est essentiel pour les techniques de clustering statistique. La proc edure ` a suivre est : 1. Classication non-supervis ee sappuyant sur la distance de Wishart calcul ee avec les matrices de coh erences polarimetriques (sous-espace < [T33 ]M S >) : ClassP OLSAR ; 2. Classication non-supervis ee sur les matrices de coh erence interf erom etriques normalis ees (sous-espace < [33 ]M S >) : ClassInSAR ; 3. Fusion des deux classication : Classf inal = ClassP OLSAR ClassInSAR . Linconv enient de cette approche est la perte de la description statistique uni ee des matrices de coh erence par la loi de Wishart.

2.5. CONCLUSIONS

43

2.5

Conclusions

Ce chapitre pr esente les principes du base de linterf erom etrie SAR en deux sections distinctes : linterf erom etrie scalaire (InSAR) et linterf erom etrie vectorielle (POL-InSAR). Un eort dunication des deux cas est repr esent e dans la gure 2.2, mais ceci est encore en cours d etude par la communaut e scientique. Du fait que la cha ne de traitement POL-InSAR est encore nouvelle (d ebut dans les ann ees 1998), les di erentes etapes pr esent ees dans la gure 2.2 ne sont pas g en eralement accept ees comme une approche globale valable pour toutes les applications g eophysiques.

Fig. 2.2 Diagramme illustrant les principales etapes dans le traitement interf erom etrique des images SAR multivari ees.

44

` SYNTHESE ` CHAPITRE 2. LINTERFEROM ETRIE RADAR A DOUVERTURE

Chapitre 3

M ethodes multicomposantes de ltrage de speckle

Sommaire
3.1 Introduction 3.1.1 3.1.2 3.2 3.2.1 3.2.2 3.2.3 3.3 3.3.1 3.3.2 3.3.3 3.3.4 3.4 3.4.1 3.4.2 3.4.3 3.5 3.5.1 3.5.2 3.5.3 3.5.4 3.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 46 49 51 52 52 54 57 58 58 60 61 61 62 63 64 66 66 67 73 75 87 Mod elisation statistique du bruit de speckle . . . . . . . . . . . . . . . . Filtres SAR multicomposantes . . . . . . . . . . . . . . . . . . . . . . . Op erateur local ` a voisinages xes - BN . . . . . . . . . . . . . . . . . . . Op erateur local ` a voisinages directionnels - DN . . . . . . . . . . . . . . Op erateurs locaux ` a voisinages adaptatifs - IDAN . . . . . . . . . . . . Estimateur multi-vues complexe - ML . . . . . . . . . . . . . . . . . . . Estimateur LLMMSE . . . . . . . . . . . . . . . . . . . . . . . . . . . . Synth` ese voisinage/estimateur . . . . . . . . . . . . . . . . . . . . . . . Filtrage des donn ees SAR ` a dimension r eduite . . . . . . . . . . . . . . Franges interf erom etriques : Mod` ele sinuso dal 2D multi-r esolution . . . Estimation Haute R esolution - Fonction dauto-corr elation . . . . . . . . Application aux interf erogrammes SAR . . . . . . . . . . . . . . . . . . SAR polarim etrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Estimation des fr equences locales . . . . . . . . . . . . . . . . . . . . . . Interf erom etrie SAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Interf erom etrie SAR polarim etrique . . . . . . . . . . . . . . . . . . . .

Support spatial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

M ethode destimation . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Compensation des composantes d eterministes du signal InSAR . .

R esultats et evaluation des performances . . . . . . . . . . . . . . . .

Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

46

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

3.1

Introduction

Les acquisitions SAR interf erom etriques ou polarim etriques, au niveau SLC, peuvent etre repr esent ees sous la forme dune image multivari ee ` a composantes homog` enes g en eralement d enie sous la forme : fSLC : N2 Cmn , (3.1) o` u le domaine r esulte de l echantillonnage en distance/azimut et le codomaine de la dimension du vecteur cible dans le cas POLSAR et du nombre dacquisitions interf erom etriques dans le cas InSAR. Dans le cas POLInSAR monostatique m = 3 et n = 2. En utilisant la repr esentation des donn ees sous la forme de matrices de coh erence polarim etriques interf erom etriques, limage multivari ee ` a composantes homog` enes devient :
P OLInSAR fT : N2 H(m n, C),

H(m n, C) Mmn (C);

(3.2)

o` u H(m n, C) est lespace des matrices hermitiennes semi d enies positive (m n m n) et Mmn (C) lanneau des matrices complexes carr ees. Dans cette th` ese, nous allons traiter le cas des donn ees multivari ees ` a composantes homog` enes dans le contexte de la t el ed etection SAR. Un inconv enient des images SAR, par rapport aux images optiques, est quelles sont aect ees par un ph enom` ene de chatoiement (speckle) qui rend dicile lutilisation et linterpr etation des images. En g en eral, le speckle est consid er e comme un bruit, m eme si sa nature est d eterministe et donc reproductible, celle-ci etant due ` a la coh erence du signal SAR. Ce chapitre traite le probl` eme de r eduction de speckle dans les images SAR multicomposantes.

3.1.1

Mod elisation statistique du bruit de speckle

La pr esence du speckle dans les images SAR peut etre expliqu ee de la mani` ere suivante. Le signal dius e par une cellule de r esolution repr esente une int egration des ondes r e echies par lensemble des r eecteurs el ementaires contenus dans cette cellule, comme pr esent e dans la gure 3.1. Les deux cas limites sont : Les r eponses des r eecteurs el ementaires sont en phase, ce qui induit une r esultante globale tr` es importante et donc une intensit e de diusion tr` es grande. Les phases des r eecteurs el ementaires peuvent etre en opposition, ce qui implique une intensit e SAR tr` es faible. En pratique la r ealit e physique est une combinaison de ces deux cas limites, ce qui conduit ` a des fortes variations dintensit e SAR ` a lint erieur des zones homog` enes du point de vue g eophysique.

Mod` ele scalaire du bruit multiplicatif de speckle dans les images SAR monopolarisation Le bruit du speckle dans les images SAR mono-polarisation a fait lobjet de nombreuses etudes [Good-63], [Good-76], [Tur-82], [Ulab-90]. Le mod` ele le plus souvent utilis e [Touz-02] est celui

3.1. INTRODUCTION

47

Fig. 3.1 Formation de speckle : int egration coh erente des r eponses des r eecteurs el ementaires. du speckle totalement d evelopp e de Goodman [Good-76], o` u la r eponse globale de la cellule de r esolution Z est donn ee par la somme des r eponses des diuseurs el ementaires. Ainsi, la distribution conjointe des composantes en phase Zp et en quadrature Zq de la r eponse globale est donn ee par : y2 1 x2 +2 2 wZp Zq (x, y ) = e . (3.3) 2 2 avec Zp et Zq deux variables al eatoires centr ees, de variance egale E {Zp } = E {Zq } = 2 et d ecorr el ees. Limage dintensit e fournie par le capteur SAR est obtenue en prenant lintensit e du signal 2 2 dius e par la cible I = Zp + Zq . En utilisant l equation 3.3, lintensit e SAR est caract eris ee par une loi de probabilit e exponentielle : wI (x) =
1 2 e 2
x

si x 0 . sinon

(3.4)

avec la r eectivit e radar id eale R = 1/ 2 comme param` etre d echelle. Consid erons le mod` ele de d egradation des images aect ees par du bruit multiplicatif [Lee-81], [Lee-86], [Lee-94a], [Das-97], [Rang-98] : g (k, l) = f (k, l) u(k, l), (3.5)

u etant un signal al eatoire blanc, ind ependant du signal utile f pour le pixel (k, l). En identiant g` a lintensit e I et f ` a la r eectivit e R, on obtient la m eme distribution de limage bruit ee que celle donn ee par l equation 3.4 avec : wu (x) = ex 0 si x 0 . sinon (3.6)

Sous lhypoth` ese dind ependance entre les di erentes vues et en utilisant le fait que la distribution de la somme des variable al eatoires ind ependantes est donn ee par la convolution de leurs lois de probabilit e, la distribution de la variable u pour les images dintensit e L-vues suit une loi gamma : wu (x) =
LL xL1 Lx (L) e

si x 0 sinon

(3.7)

48

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

o` u les moments de premier ordre u et deuxi` eme ordre u sont donn es par : u = 1 1 et u = . L (3.8)

Dans le cas du bruit de speckle, l ecart type des valeurs des pixels ` a lint erieur dune zone homog` ene est proportionnel ` a la valeur de la moyenne [Lee-81]. Ceci implique que le rapport de l ecart type ` a la moyenne, appel e coecient de variation CV , est constant dans les r egions homog` enes et ne d epend que du nombre de vues : CV = u 1 = . u L (3.9)

Par la suite, on utilise le coecient de variation comme une mesure de limportance du speckle [Touz-02].

Mod` ele vectoriel du bruit de speckle dans les images SAR multi-polarisation Dune mani` ere g en erale, les donn ees SAR multi-polarisation sont d ecrites par la matrice de coh erence polarim etrique (interf erom etrique). Celle-ci est construite en calculant lesp erance math ematique du produit hermitien dun couple dimages SAR (cf. Eqs. 1.34 et 2.12). En pratique, cette matrice [T ] est estim ee en utilisant un nombre ni d echantillons L et donc le processus destimation pr esente une erreur due ` a la pr esence du speckle. Dans [Lope-03], L opezMart nez et F` abregas ont propos e un mod` ele du produit hermitien 1-vue des deux images SLC (Si , Sj ) d ecrit par :
Si Sj = ||ejx + Nc z n (nm 1)ejx + (nar + jnai ),

(3.10)

o` u i, j {1, 2, ..., m}, m est la taille de vecteur cible k , nm la composante homog` ene r eelle du bruit multiplicatif, (nar + jnai ) la composante non-homog` ene complexe du bruit additif et les param` etres , z n , Nc et x d ependent des valeurs de i et j [Lope-03]. Dans l equation 3.10, le terme ||ejx repr esente le signal utile non aect e par le speckle. Ainsi, le bruit de speckle pr esente deux composantes : nm la composante homog` ene r eelle du bruit multiplicatif, caract eris ee statistiquement par :
2 nm = 1 et n = 1; m

(nar + jnai ) la composante non-homog` ene complexe du bruit additif avec : 1 2 2 nar = nai = 1 et n = n = (1 ||2 )1,32 . ar ai 2 Dans le cas particulier i = j et = 1ej 0 , le mod` ele d ecrit par l equation 3.10 est equivalent au mod` ele classique du bruit de speckle multiplicatif mono-polarisation donn e par l equation 3.4. Autrement dit, les composantes diagonales de la matrice de coh erence polarim etrique (interf erom etrique) respectent le mod` ele du bruit multiplicatif de speckle d ecrit au paragraphe 3.1.1. Les etudes r ecentes de L opez-Mart nez et Pottier [Lope-07] g en eralisent ce r esultat, en montrant que les composantes diagonales de la matrice [T ] empirique, estim ee par moyennage complexe multivues, correspondent au mod` ele statistique du bruit de speckle multiplicatif donn e par l equation 3.7 dans le cas des intensit es SAR mono-polarisation.

3.1. INTRODUCTION

49

3.1.2

Filtres SAR multicomposantes

Historiquement, le ltrage de speckle dans les images SAR a et e trait e dans le cadre du ltrage scalaire, chaque image etant trait ee ind ependamment. Parmi les classes de ltres SAR scalaires, la plus grande est la classe des ltres statistiques. La plupart utilisent comme voisinage une fen etre rectangulaire dite boxcar qui a comme principal d efaut de ne pas etre adaptative. Pour prendre en compte la non-stationnarit e de la sc` ene, les ltres statistiques utilisent deux approches di erentes [Touz-02] : 1. La premi` ere strat egie est bas ee sur lhypoth` ese de speckle stationnaire. La proc edure utilis ee consiste ` a combiner la recherche des voisinages respectant cette hypoth` ese de stationnarit e avec des estimateurs adaptatifs de type LLMMSE (Local Linear Minimum Mean Square Error) [Lee-81], [Fros-82], [Kuan-85]. 2. Lautre approche se base sur le mod` ele non-stationnaire du speckle [Touz-02] et utilise des informations a priori comme la distribution de la moyenne dintensit e pour le ltre Gamma [Lope-93] ou des ddp multi- echelles dans les mod` eles stochastiques multiplicatifs [Datc-98], [Schr-98]. Plusieurs articles proposent un etat de lart complet sur le ltrage de speckle mono-polarisation [Lope-90], [Lee-94a], [Touz-02]. Les etudes et les r esultats exp erimentaux pr esent es dans [Touz-02] encouragent lutilisation de la premi` ere approche en combinaison avec des techniques multi-r esolution pour lestimation optimale des param` etres. En g en eral, la majorit e des techniques d evelopp ees sont bas ees sur les tests dhypoth` eses et le seuillage pour s electionner la population statistique la plus homog` ene possible. Par exemple, lapproche propos ee par Wu et Ma tre s electionne la r egion homog` ene maximale ` a laide dun test sur l evolution de l ecart type en fonction de laugmentation du voisinage destimation [Wu-92]. Trois seuils empiriquement choisis sont utilis es pour tester trois classes : cible ponctuelle, contour et r egion homog` ene. Cette approche a et e am elior ee [Nico-01] avec deux modications : l ecart type a et e remplac e par le nombre equivalent des vues Leq (reli e au coecient de variation) et lestimation de Leq est faite ` a partir des cumulants de deuxi` eme esp` ece [Nico-02] pour r eduire la variance de lestim ee. Une autre approche pour tester la stationnarit e locale dans des voisinages directionnels de taille d ecroissante a et e propos ee par Hagg et Sties [Hagg-94]. En commen cant par un grand voisinage (ex. 11 11), 8 sous-voisinages directionnels sont test es suivant le coecient de variation. Si la valeur du CV estim ee localement est sup erieure ` a la valeur estim ee globalement sur toute limage, la taille du voisinage est divis ee par 2. Lestim ee globale du coecient de variation est obtenue en utilisant des voisinages variables pour calculer les histogrammes du coecient de variation sur toute limage. Ensuite, le d ebut de lhistogramme (valeurs radiom etriques faibles) 2 est ajust e par une distribution pour en d eduire la valeur de CV en fonction du nombre de points utilis es pour lestimer. Ces deux strat egies de Hagg et al. et Wu et al. ont et e combin ees dans [Touz-02] o` u des d etecteurs de structures (cibles ponctuelles, contours et r egions homog` enes) sont appliqu es successivement pour tester les non-stationnarit es locales dans limage SAR. La caract eristique com-

50

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

mune de toutes ces approches est lutilisation dun test dhomog en eit e pour la s election des (sous)voisinages de taille croissante ou d ecroissante (les pixels ne sont pas test es et agr eg es individuellement). Ces tests sont bas es sur l etude du coecient de variation empirique estim e localement, qui est plus faible que la valeur th eorique de CV . Les composantes diagonales de la matrice de coh erence [T ] suivent les m emes statistiques que les images SAR dintensit e mono-polarisation. On retrouve dans la litt erature du domaine des ltres statistiques SAR multicomposantes les deux grandes classes qui ont et e identi ees par Lopes et Touzi dans le cas scalaire : 1. Mod` ele stationnaire du speckle. Cette approche est d etaill ee dans la suite de ce chapitre. 2. Mod` ele non-stationnaire du speckle. Dans cette cat egorie, on peut citer le ltre polarim etrique blanchisseur multi-vues [Lope-97], les approches bas ees sur des ondelettes discr` etes [Lope-05a] ou des cha nes de Markov [Scho-01]. Le m eme contexte couvre aussi les applications multi-temporelles multi-amplitudes SAR [Brun-97], [Queg-01], [Ciuc-01]. Une evaluation de performance des di erents ltres est pr esent ee dans [Trou-03]. Ces approches ont et e d evelopp ees dans le cas o` u les donn ees SAR ` a ltrer sont les images damplitude. Dans le cadre g en eral des ltres statistiques SAR multicomposantes bas es sur le mod` ele multiplicatif de speckle, Lee et al. ont introduit les ltres ` a op erateurs du voisinage pour les applications InSAR [Lee-98], POLSAR [Lee-91], [Lee-04a] et POL-InSAR [Lee-03]. La suite de ce chapitre est d edi ee aux op erateurs ` a voisinage pour le ltrage coh erent du speckle dans les images complexes SAR multi-vari ees ` a haute r esolution spatiale (HR) et les implications sur lestimation des di erents param` etres InSAR, POLSAR ou POL-InSAR [Vasi-06]. Une nouvelle m ethode bas ee sur des voisinages adaptatifs est propos ee pour am eliorer la pr eservation de la stationnarit e locale et obtenir un nombre d echantillons susant pour une estimation able et non-biais ee des param` etres [Vasi-04], [Vasi-06]. Dans le domaine du ltrage de donn ees InSAR, lhypoth` ese de stationnarit e locale est souvent viol ee dans le cas o` u la phase interf erom etrique varie dans le voisinage destimation. Ces variations locales d eterministes correspondent aux trajectoires du porteur (franges orbitales), ` a l el evation des cibles (franges topographiques) ou au d eplacement des cibles (franges de d eplacement). La compensation de la composante d eterministe de la phase est en eet une contrainte importante pour pouvoir estimer la coh erence sur des voisinages etendus. Si linformation disponible ne permet pas de mettre ` a plat les motifs de frange, les coh erences empiriques sont biais ees par la non-stationnarit e de la phase [Trou-98]. An d etre en mesure de compenser ces franges d eterministes, nous avons d evelopp e un nouvel algorithme destimation des fr equences locales [Vasi-06a] pour les interf erogrammes haute r esolution. Lapproche propos ee repose sur trois principes : analyse multi- echelle [Davi-99], voisinages adaptatifs multicomposantes [Vasi-06] et estimation robuste non-adaptative basse r esolution (boxcar) [Trou-96]. Ainsi, parmi les m ethodes de ltrage de speckle evoqu ees, nous avons travaill e dans trois directions qui permettent de gagner en adaptativit e face ` a la pr esence de non-stationnarit es :

3.2. SUPPORT SPATIAL

51

i. la recherche de voisinages homog` enes sur lesquels faire porter le ltrage (cf. Sect. 3.2), ii. lintroduction destimateur r ealisant une moyenne pond er ee entre la valeur du pixel courant et la moyenne de son voisinage en fonction de lhomog en eit e de ce dernier (cf. Sect. 3.3), iii. la compensation des composantes d eterministes du signal de phase qui peuvent violer lhypoth` ese de stationnarit e locale (cf. Sect. 3.4). Les trois directions ne sont pas exclusives, un estimateur tel que le LLMMSE pouvant etre calcul e sur un voisinage adaptatif apr` es avoir compens e les variations d eterministes locales du signal. La compl ementarit e entre les choix du voisinage, de lestimateur utilis e (ML ou LLMMSE) et de la m ethode de compensation d eterministe est etudi ee et illustr ee sur des donn ees POLSAR [Vasi-05], InSAR [Vasi-04], [Bous-04], [Trou-05] et POL-InSAR [Vasi-04a], [Vasi-05a].

3.2

Support spatial

Une partie importante des m ethodes de ltrage des donn ees SAR multivari ees utilise comme support spatial le voisinage non-adaptatif boxcar. Une direction qui prend en compte la stationnarit e du signal consiste ` a rechercher des voisinages adapt es au signal. La recherche de voisinages homog` enes pose le probl` eme du choix de linformation utilis ee pour la construction du voisinage. Lid eal serait de guider la construction par linformation recherch ee (coh erence, phase, param` etres polarim etriques/interf erom etriques), mais on se heurte ` a un cercle vicieux car cette information ne peut etre extraite de fa con able quapr` es le processus destimation. Les images multi-composantes orent la possibilit e dutiliser une partie de linformation, les composantes les moins bruit ees ou les moins biais ees pour d eterminer les param` etres les plus diciles a estimer. ` Dans le cas des images interf erom etriques polarim etriques, le moyennage multi-vues r ealis e pour la mise en forme des donn ees a d ej` a permis de r eduire le niveau de speckle des composantes dintensit e (variance r eduite dun facteur proportionnel au nombre d echantillons ind ependants). De plus, dans les zones homog` enes, lintensit e est distribu ee selon une loi Gamma, relativement simple ` a manipuler par rapport aux distributions de Wishart complexes suivies par les matrices de coh erence. A d efaut de fournir une segmentation equivalente ` a celle de linformation recherch ee, les images dintensit e disponibles sont dans la plupart des cas tr` es li ees ` a cette information : la sensibilit e au relief exploit ee en radarclinom etrie [Paqu-98] cr ee un lien entre les motifs de franges topographiques et les variations dintensit es. Ce lien est exploit e par exemple pour d etecter les zones de discontinuit e de la phase dues ` a la topographie [Tupi-96]. la coh erence est li ee ` a la corr elation normalis ee des intensit es I par l equation : = 2I 1 I 1/2 0 I < 1/2 avec I =
L 2 2 i=1 |u1 (i)| |u2 (i)| L 4 i=1 |u1 (i)| L 4 i=1 |u2 (i)|

(3.11)

Ce lien est parfois utilis e pour estimer la coh erence interf erom etrique ` a partir des donn ees damplitude |u1 | |u2 | bien que les moments dordre 4 rendent cet estimateur statistiquement peu able [Guar-97]. Il est important ` a souligner que l equation 3.11 est valable que pour

52

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

les processus al eatoires d enis par des gaussiennes circulaires complexes. les trois intensit es polarim etriques exprim ees dans la base de Pauli permettent pour les cibles non-coh erentes de discriminer di erents types doccupation des sols [Kara-04], la pr esence de cible coh erente entra ne une intensit e totale fortement sup erieure ` a celle des cibles etendues, un rapport signal sur clutter sup erieur ` a 15dB constituant par exemple un premier test pour rechercher les cibles coh erentes [Touz-02a].

3.2.1

Op erateur local ` a voisinages xes - BN

Le voisinage boxcar (BN) est une application directe de la moyenne glissante non-coh erente utilis ee pour les images damplitude scalaires. BN est un support spatial non-adaptatif o` u la taille et la forme du voisinage est constante sur toute limage. Les el ements de la matrice de BN coh erence [T ] sont calcul es ` a laide de lestimateur [...] sur une fen etre glissante rectangulaire de taille M N : [T ]BN k,l (i, j ) = [T ]k,l (i + o, j + p) | o, p Z & |o| < M 2 & |p| < N 2 , (3.12)

o` u (i, j ) N2 , k, l N avec k, l n cf. Eq. 3.2.

Fig. 3.2 Le voisinage boxcar 7 7 : BN7 . Gr ace ` a sa simplicit e dimplantation et ` a sa rapidit e, le boxcar est actuellement le voisinage le plus souvent utilis e pour estimer les matrices de coh erence polarim etriques et/ou interf erom etriques. Par contre, il pr esente un inconv enient majeur : la stationnarit e du signal nest pas respect ee et les structures haute r esolution (contours, textures nes et cibles ponctuelles) sont perdues. Ainsi, le boxcar entra ne une perte de r esolution qui augmente avec sa taille et donc ses performances en r eduction du biais et de la variance de lestim e sont aect ees par la perte de r esolution spatiale.

3.2.2

Op erateur local ` a voisinages directionnels - DN

Lexemple classique de voisinage adaptatif est lop erateur ` a voisinages directionnels (DN). Le principe du DN est de diviser le voisinage BN (cf. Fig. 3.2) en sous-ensembles de pixels

3.2. SUPPORT SPATIAL

53

heuristiquement d enis suivant les directions correspondant aux points cardinaux [Naga-79].

Fig. 3.3 Les huit sous-voisinages directionnels du boxcar 7 7 : DN7 . La gure 3.3 pr esente les huit sous-voisinages du boxcar 7 7 propos es par Lee et al. [Lee-03] pour le ltrage des donn ees SAR polarim etriques interf erom etriques :
N NO NE S SO SE O E DN7 = {DN7 , DN7 , DN7 , DN7 , DN7 , DN7 , DN7 , DN7 },

(3.13)

d BN , d {N, N O, N E, S, SO, SE, O, E }. Parmi lensemble DN , on choisit le o` u DN7 7 7 sous-voisinage qui est le plus homog` ene et seuls les pixels appartenant ` a ce voisinage contribuent au processus destimation.

Le crit` ere propos e dans [Lee-03] pour s electionner le sous-voisinage le plus homog` ene sappuie sur limage de span (moyenne des intensit es des di erentes composantes cf. Eq. 1.11) et lalgorithme de d etection est d ecompos e en deux etapes :
d et la valeur du pixel central 1. Orientation optimale. Les voisinages directionnels DN7 sont associ es ` a des moyennes locales 3 3 dans le voisinage BN7 cf. Fig. 3.4 :

M3 = {mN , mN O , mN E , mS , mSO , mSE , mO , mE , mC }.

(3.14)

La d etection de lorientation optimale est faite ` a laide des quatre d etecteurs calcul es avec

Fig. 3.4 Les moyennes locales 3 3 calcul ees sur BN7 .

54

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

les el ements de limagette M3 : 1 DE,O = 1 1 0 DN E,SO = 1 1

3

0 1 1 0 1 , DN,S = 0 0 1 1 1 1 0 1 , DN O,SE = 1 0
3

1 1 0 0 , 1 1 1 1 0 1 0 1 . 0 1 1

(3.15)

Avec une fusion de type maximum, lorientation nale est donn ee en chaque pixel par : ori(i, j ) = max
t r=1 s=1

Dt (r, s)Span[i (r 2), j (s 2)] ,

(3.16)

avec (i, j ) N2 cf. Eq. 3.2 et t {(E, O), (N, S ), (N E, SO), (N O, SE )}. 2. Voisinage optimal. Soit ori(i, j ) = (ori1 , ori2 ) {(E, O), (N, S ), (N E, SO), (N O, SE )} une orientation d etect ee donn ee par l equation 3.16. Le voisinage homog` ene optimal est d etermin e par :
d DN7 (i, j ), avec d(i, j ) = {orih , h = 1, 2 | |mh mC | < |m1,2h mC |}.

(3.17)

d parmi les huit possibles, les Apr` es avoir d etermin e le voisinage directionnel optimal DN7 el ements de la matrice de coh erence [T ]DN sont calcul es ` a laide de lestimateur [...] :

[T ]DN k,l (i, j ) =

d [T ]k,l (i + o, j + p) | o, p DN7 (i, j )

(3.18)

o` u (i, j ) N2 , k, l N et k, l n cf. Eq. 3.2. Lam elioration propos ee par les voisinages adaptatifs directionnels est evidente : en d etectant la population le plus homog` ene, lhypoth` ese de stationnarit e n ecessaire dans le processus destimation est assur ee sur la plupart des cibles etendues. En ce qui concerne les structures haute r esolution ponctuelles (ou avec une taille inf erieure au voisinage), la stationnarit e locale est perdue car la taille des voisinages directionnels est d enie sur toute limage et donc non-adaptative.

3.2.3

Op erateurs locaux ` a voisinages adaptatifs - IDAN

Le concept du voisinage adaptatif bas e sur la croissance de r egion a et e introduit par Gordon et Rangayyan [Gord-84] dans le contexte de limagerie m edicale : En chaque pixel de limage (germe), un voisinage adaptatif (AN) de forme et taille variables est d etermin e, la seule contrainte impos ee etant celle de la connexit e. Ce voisinage regroupe les pixels appartenant ` a la m eme population statistique que le germe. Ainsi, lestim e du germe est obtenue en utilisant seulement les pixels appartenant au voisinage AN. Dans la litt erature du domaine, des ltres ` a voisinages adaptatifs ont et e d evelopp ees pour les images ` a niveau de gris [Para-94], [Rang-98], les images couleurs [Ciuc-98], [Ciuc-00] ou les images multi-temporelles multi-amplitudes SAR [Ciuc-01].

3.2. SUPPORT SPATIAL

55

An de pr eserver le mieux possible la r esolution spatiale tout en gardant la stationnarit e locale, nous avons d evelopp e un nouvel algorithme qui sappuie sur linformation dintensit e pour construire les voisinages etendus n ecessaires ` a lestimation des param` etres In/POL/POL-InSAR [Vasi-04], [Vasi-06]. Le principe de cette approche nomm ee IDAN (Intensity Driven Adaptive Neighborhood) est deectue en chaque pixel une croissance de r egion avec un test dagr egation qui combine les informations des composantes dintensit e disponibles. Le moyennage multi-vues complexe r ealis e lors de la formation des images multi-composantes SAR permet de disposer en chaque pixel (i, j ) de deux (InSAR), trois (POLSAR monostatique) ou six (POL-InSAR) valeurs dintensit es selon les donn ees SAR trait ees. Ces intensit es SAR correspondent aux el ements diagonaux de la matrice de coh erence polarim etrique interf erom etrique [T ]6 . On peut adopter une notation uni ee en ecrivant les intensit es sous la forme dune matrice 3 2 dont les lignes correspondent aux composantes polarim etriques et les colonnes aux acquisitions interf erom etriques : [p]1 (i, j ) [TM ]11 (i, j ) [TS ]11 (i, j ) [p](i, j ) = [p]2 (i, j ) = [TM ]22 (i, j ) [TS ]22 (i, j ) . (3.19) [p]3 (i, j ) [TM ]33 (i, j ) [TS ]33 (i, j ) Dans le cas de donn ees POL-InSAR, la matrice r eelle [p] regroupe les six el ements diagonaux de la matrice de coh erence [T ]6 (cf. Eq. 2.12), lutilisation de la base de Pauli etant pr ef erable car les intensit es y sont plus discriminantes vis-` a-vis des m ecanismes de r etrodiusion (cf. Tab. 1.1). La plupart des voisinages adaptatifs utilis es en ltrage de donn ees SAR sont obtenus en testant successivement lhomog en eit e de sous-fen etres ou en d etectant la pr esence de structures sources dh et erog en eit es [Touz-02]. Loriginalit e de la m ethode propos ee est deectuer une v eritable croissance de r egion par agr egation successive de pixels ` a laide dun test dappartenance ` a la population du pixel trait e appel e germe. Le test sinspire du ltre de Lee qui a pour principe de ne garder dans la fen etre de ltrage que les pixels dont la valeur est susamment proche de celle du germe en tenant compte des statistiques du bruit [Lee-83]. Les donn ees dintensit e multi-vues etant distribu ees dans les zones homog` enes selon une loi Gamma qui ne d epend que de la moyenne locale et du nombre de vues equivalent Leq , des seuils dagr egation (IDAN50 et IDAN95 , correspondant respectivement ` a 50% et 95% de la population) peuvent etre d etermin es a partir du coecient de variation du speckle n /n = 1/ Leq . Avec une distribution Gamma, ` n 2 n on obtient IDAN50 = 3 n et IDAN95 = 2 n (cf. Fig. 1.1). En notant [p]k (i, j ) le vecteur dintensit e de la composante k = {1, ..m} du germe situ e au pixel (i, j ) et [p]k (o, p) celle dun pixel (o, p), les tests permettant de retenir approximativement 50% et 95% de la population statistique s ecrivent respectivement : [p]k (o, p) [p]k (i, j ) IDAN50 [p]k (i, j ) et [p]k (o, p) [p]k (i, j ) IDAN95 , [p]k (i, j ) (3.20)

avec ... la norme euclidienne. La construction des voisinages IDAN seectue en deux etapes : Etape I: 1. estimation de la valeur du germe [p](i, j ) par un ltre m edian marginal 3 3. Par rapport

56

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

Fig. 3.5 Distributions Gamma dans des images SAR dintensit e pour = 1 et L = 2, 3, 5. Les seuils dagr egation IDAN50 et IDAN95 correspondent respectivement ` a 50% et 95% de la population statistique. ` a la moyenne arithm etique, le m edian pr esente lint er et davoir une r eponse impulsionnelle nulle et de pr eserver les contours [Asto-90]. 2. agr egation progressive de pixels connexes (o, p) satisfaisant le crit` ere strict (distance inf erieure au seuil correspondant ` a 50%) :
3 k=1

[p]k (o, p) [p]k (i, j ) [p]k (i, j )

n . n

(3.21)

La croissance sarr ete lorsque plus aucun pixel connexe ne satisfait le test dagr egation ou lorsquun nombre Nmax de pixels est atteint. Les pixels test es et non-retenus sont stock es dans une liste L(i, j ) (pixels-fond). Etape II : 1. estimation ML de la valeur du germe [p](i, j ) ` a partir du voisinage issu de la premi` ere etape, 2. agr egation des pixels (o, p) appartenant ` a la liste L(i, j ) qui satisfont le crit` ere elargi (distance inf erieure au seuil correspondant ` a 95%) :
3 k=1

[p]k (o, p) [p]k (i, j ) [p]k (i, j )

n . n

(3.22)

Lavantage dune croissance de r egion en deux etapes est illustr e dans la gure 3.6. Le seuil restrictif de la premi` ere etape est n ecessaire car, au d emarrage, on ne dispose que dune estimation approximative de la valeur du germe obtenue sur une fen etre el ementaire 3 3 par le ltre

 3.3. METHODE DESTIMATION

57

m edian marginal. Le choix du seuil IDAN50 est justi e dune part par le fait quil est assez faible pour r eduire fortement la probabilit e que le voisinage AN d eborde sur dautres zones, et dautre part quil est assez important pour permettre au voisinage AN de s etendre. Ainsi, le risque que le processus prenne n avant dagr eger un nombre de pixels signicatif pour la population est able. Evidement, un nombre important de pixels appartenant ` a la m eme population statistique que le germe ne sont pas agr eg es. Ceci reste acceptable, car les objectifs de cette etape sont : elargir la fen etre destimation du germe tout en pr eservant la stationnarit e locale, d eterminer lenveloppe convexe du voisinage AN par la liste de pixels-fond.

seed

AN

AN

AN

(a) germe

(b) etape 1, seuil 50%

(c) etape 2, seuil 95%

(d) etape 1, seuil 95%

Fig. 3.6 Croissance de r egion (zoom 64 64 pixels) : (a) intensit e initiale 2vues ; (b)-(c) : r esultat de lalgorithme IDAN en 2 etapes ; (d) : r esultat que lon obtiendrait en une seule etape avec un seuil dagr egation ` a 95%. La seconde etape permet dobtenir des voisinages adaptatifs compacts et connexes. Gr ace ` a une estimation plus pr ecise de la valeur du germe et au fait quon inspecte seulement des pixels appartenant ` a lenveloppe convexe du voisinage, nous pouvons utiliser un crit` ere duniformit e moins restrictif, le risque de franchissement de contour etant a priori ecart e. Le voisinage adaptatif IDAN peut alors etre utilis e pour estimer la corr elation complexe. La IDAN matrice de coh erence [T ] est calcul ee ` a laide de lestimateur [...] : [T ]IDAN (i, j ) = [{[ T ]k,l (i + o, j + p) | o, p IDAN (i, j )}] , k,l avec (i, j ) N2 , k, l N et k, l n cf. Eq. 3.2. En conclusion, lalgorithme IDAN fusionne les principes de traitement des images vectorielles avec le mod` ele du bruit multiplicatif pour d eterminer un voisinage adaptatif en utilisant linformation dintensit e SAR. Les voisinages adaptatifs ainsi obtenus fournissent une alternative able aux voisinages directionnels, avec de meilleures performances en termes de nombre d echantillons (taille variable) et de pr eservation de la stationnarit e locale (forme souple adapt ee au signal). (3.23)

3.3

M ethode destimation

Le ltrage du speckle rentre dans le contexte de la th eorie de lestimation [Touz-02]. Lobjectif est destimer la valeur de la matrice de coh erence ` a partir des observations SAR aect ees par le W bruit de speckle. La matrice de coh erence [T ] est calcul ee ` a laide de lestimateur [...] :
W [T ]W k,l (i, j ) = A[T ]k,l (i,j )

avec AW [T ]k,l (i,j ) = {[T ]k,l (i + o, j + p) | o, p W (i, j )} ,

(3.24)

58

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

o` u (i, j ) N2 , k, l N, k, l n cf. Eq. 3.2 et W {BN, DN, IDAN }. Cette section pr esente les deux estimateurs les plus couramment utilis es dans le processus destimation des matrices de coh erence : la moyenne multi-vues complexe (ML) et lestimateur local lin eaire ` a erreur quadratique moyenne minimale (LLMMSE).

3.3.1

Estimateur multi-vues complexe - ML

En chaque pixel, la valeur dun el ement diagonal de la matrice de coh erence aect ee par le bruit de speckle est d ecrit par une variable al eatoire avec (cf. Sect. 3.1.1) : une moyenne th eorique correspondant ` a sa valeur en labsence du bruit, une variance importante proportionnelle ` a la moyenne, induite par le bruit de speckle. Lobjectif du ltrage est de r eduire cette variance dans le but dam eliorer lestimation de la valeur moyenne. Il est alors possible dintroduire la moyenne empirique multi-vues complexe qui est lestimateur optimal au sens du maximum de vraisemblance M L pour les el ements diagonaux de la matrice de coh erence : [T ]k,l (i, j ) = M L AW [T ]k,l (i,j ) =
W

1 card AW [T ]k,l (i,j )

Tu A[T ]k,l (i,j )

Tu ,

(3.25)

Lestimateur M L , n etant pas un estimateur adaptatif, il se base sur les hypoth` eses de stationnarit e et dergodicit e locales. Dans [Lee-99], Jong-Sen Lee a enonc e les principes de base pour le ltrage du speckle des matrices de coh erence : 1. Le ltrage statistique doit etre eectu e ind ependamment pour chaque el ement de la matrice de coh erence. Les algorithmes de ltrage qui exploitent le degr e dind ependance statistique entre les di erents el ements de la matrice de coh erence sont susceptibles dintroduire des interf erences. 2. Pour pr eserver les propri et es polarim etriques il est n ecessaire dutiliser des estimateurs bas es sur le principe du multi-vues complexe. De plus, le ltrage doit etre eectu e avec le m eme estimateur pour assurer une r eduction homog` ene du speckle. 3. Les echantillons utilis es dans le processus destimation doivent appartenir ` a la m eme population statistique. Ceci est n ecessaire pour assurer les hypoth` eses de stationnarit e et dergodicit e locales et donc la pr eservation de la r esolution spatiale. Suivant ces principes, lestimateur ML, optimal au sens de la vraisemblance pour les el ements diagonaux, est g en eralis e sur tous les el ements de la matrice de coh erence (cf. Eq. 3.25).

3.3.2

Estimateur LLMMSE

Auteur de plusieurs ltres tr` es connus d edi es au ltrage de speckle pour di erents types de donn ees SAR [Lee-81], [Lee-83], [Lee-86], Jong-Sen Lee a etendu le principe de lestimation

 3.3. METHODE DESTIMATION

59

LLMMSE aux matrices de coh erence [Lee-03]. La matrice de coh erence ltr ee [T ] est alors donn ee par une combinaison lin eaire entre la valeur initiale au pixel trait e [T ] et la moyenne multi-vues complexe sur un voisinage W : [T ]k,l (i, j ) = LLM M SE AW [T ]k,l (i,j ) = a(i, j ) [T ]k,l (i, j ) + b(i, j ) [T ]k,l (i, j ),
W W

(3.26)

avec a et b deux coecients adaptatifs qui sont calcul es pour chaque pixel de limage (i, j ). Pour les m emes raisons que celles enonc ees au paragraphe 3.2, les valeurs des param` etres a et b sont d etermin ees sur limage de span S (cf. Eq. 1.11), en utilisant le mod` ele multiplicatif du speckle : So = St n, (3.27)

o` u So est la valeur observ ee dans limage de span ` a ltrer, St la valeur id eale non-bruit ee et n 2 le bruit du speckle de moyenne n = 1 et variance n . Lestimateur LLMMSE appliqu e` a limage du span s ecrit sous la forme : S = aSt + bSo , (3.28)

la moyenne a priori etant remplac ee, en pratique, par la moyenne locale So = E {So } = St . Le crit` ere utilis e dans la m ethode doptimisation est la minimisation de lerreur quadratique moyenne (MSE) : J = E {(S St )2 }. (3.29)

En combinant les equations 3.26 et 3.29, les valeurs optimales des param` etres a et b doivent satisfaire : J = E {St (a St + b So St )} = 0, (3.30) a J = E {So (a St + b So St )} = 0. b La cons equence directe de l equation 3.30 est : a = 1 b. En rempla cant la valeur du coecient a dans l equation 3.31 on obtient : E {So (St St ) + b(St So )So } = 0. (3.33) (3.32) (3.31)

Sous lhypoth` ese dind ependance statistique entre les variables al eatoires St et n et en utilisant esulte : la relation E {St (St St )} = St E {(St St )} = 0, il en r E {So (St St )} = E {St n(St St )} = E {St (St St )} = E {St (St St ) St (St St )} = E {(St St )2 }. Avec So = E {So } = St , le deuxi` eme terme dans l equation 3.33 devient : E {b(St So )So } = b E {(So So )So } = b E {So (So So ) So (So So )} = b E {(So St )2 }. (3.35) (3.34)

60

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

La valeur du coecient b est obtenue en rempla cant les equations 3.34 et 3.35 dans l equation 3.33 : b=
2 S E {(St St )2 } t = 2 . S E {(So St )2 } o

(3.36)

En utilisant lapproximation lin eaire autour de St il en r esulte [Lee-80] : So nSt + St (n n), et donc
2 2 2 . S n2 S + St n o t 2

(3.37)

(3.38)

Dans le cas multiplicatif (cf. Eq. 3.27) on obtient :

2 2S = S = St t t 2 2 So 2 2 +S 2 S 2 S S o o n 2 o o = S . t 2 2 + n2 1 + n n 2 2

n2

St =

(3.39)

En pratique, dans le cas o` u la valeur estim ee localement St est n egative (nombre insusant d echantillons) elle doit etre mise ` a z ero. Il est alors possible destimer en chaque pixel de limage la valeur du param` etre b :
2 2 o So n b= S 2 (1 + 2 ) , S n o 2 la valeur de n etant a priori connue (cf. Eq. 3.8). 2

(3.40)

En conclusion, l equation destimation de la matrice de coh erence ltr ee (cf. Eq. 3.26) devient : [T ]k,l (i, j ) = LLM M SE AW [T ]k,l (i,j ) = [T ]k,l (i, j ) + b(i, j ) ([T ]k,l (i, j ) [T ]k,l (i, j )).
W W W

(3.41)

Le coecient adaptatif b joue le r ole de pond eration entre la moyenne multi-vues complexe estim ee localement et la valeur originale du pixel : 2 0= R egions homog` enes : S b(i, j ) 0 et le moyennage multi-vues complexe domine t [T ]k,l (i, j ) = [T ]k,l (i, j ).
2 >0= R egions h et erog` enes : S b(i, j ) 1 et la valeur du pixel nest pas ltr ee t W W

[T ]k,l (i, j ) = [T ]k,l (i, j ).

3.3.3

Synth` ese voisinage/estimateur

En combinant les trois types de voisinage, BN, DN et IDAN, et les deux estimateurs, ML et LLMMSE, on peut former six ltres SAR multicomposantes dont les principales caract eristiques sont regroup ees dans le tableau 3.1.

 3.4. COMPENSATION DES COMPOSANTES DETERMINISTES DU SIGNAL INSAR

61

Tab. 3.1 Caract eristiques des ltres r esultant du couplage Voisinage / Estimateur. Estimateur / Voisinage ML BN - taille xe - forme xe - L connu - taille xe - forme xe - L inconnu DN - taille xe - forme adapt ee - L connu - taille xe - forme adapt ee - L inconnu IDAN - taille variable - forme adapt ee - L connu - taille variable - forme adapt ee - L inconnu

LLMMSE

3.3.4

Filtrage des donn ees SAR ` a dimension r eduite

Le formalisme utilis e dans ce chapitre est celui des matrices de coh erence polarim etriques interf erom etriques [T ]6 d enies dans les equations 3.26 et 3.2. Les cas ` a dimensions r eduites POLSAR et InSAR sont trait es de la m eme mani` ere en utilisent la matrice de coh erence polarim etrique [T3 ] (cf. Eq. 1.34) et la matrice de coh erence interf erom etrique [T2 ] d enie par : [T2 ] = E ZM ZS
ZM ZS

IM M S M S IS

(3.42)

avec ZM et ZS les images SLC ma tre et esclave, IM et IS les intensit es SAR ma tre et esclave et M S la corr elation complexe non-normalis ee. Ainsi les images multivari ees ` a composantes homog` enes correspondantes s ecrivent :
P OLSAR fT : N2 H(m, C), InSAR fT : N2 H(n, C),

H(m, C) Mm (C); H(n, C) Mn (C).

(3.43) (3.44)

Par exemple, les matrices utilis ees pour guider la croissance de r egion (cf. Eq. 3.19) dans les cas ` a dimensions r eduites POLSAR monostatique et InSAR devient : [p]P OLSAR 1 (i, j ) [T3 ]11 (i, j ) [p]P OLSAR (i, j ) = [p]P OLSAR 2 (i, j ) = [T3 ]22 (i, j ) , (3.45) P OLSAR [p] [T3 ]33 (i, j ) 3 (i, j ) et [p]InSAR (i, j ) = IM (i, j ) IS (i, j ) . (3.46)

3.4

Compensation des composantes d eterministes du signal InSAR

La compensation des composantes d eterministes de la phase interf erom etrique est en eet une contrainte importante pour pouvoir estimer la coh erence InSAR sur des voisinages etendus. Si linformation disponible ne permet pas de mettre ` a plat les motifs de frange, les coh erences empiriques sont biais ees par la non-stationnarit e de la phase.

62

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

Dans le contexte g en eral InSAR, lestimation robuste du gradient de la phase interf erom etrique devient n ecessaire notamment avec lam elioration de la r esolution spatiale des syst` emes SAR : des cellules de r esolution au sol de plus en plus r eduites rendent accessibles les variations locales du relief (micro-relief) et des bases perpendiculaires InSAR importantes (altitude dambigu t e r eduite) transforment ces variations en motifs de franges dinterf erence tr` es serr es. Ces franges sont dicilement d etectables avec des m ethodes non-adaptatives. Les approches existantes dans la litt erature du domaine fournissent des r esultats ables avec les donn ees SAR avec une r esolution d ecam` etrique [Trou-96], [Davi-99]. Si elles sont estim ees correctement, les fr equences locales peuvent etre utilis ees ` a di erents niveaux dans le traitement InSAR : ltrage de phase interf erom etrique [Lee-98], d eveloppement de phase [Ghig-94], [Spag-95], [Trou-98] et compensation des composantes d eterministes dans lestimation de la corr elation complexe InSAR [Zebk-05]. An d etre en mesure de compenser ces franges d eterministes, nous avons d evelopp e un nouvel algorithme destimation des fr equences locales [Vasi-06a] pour les interf erogrammes haute r esolution. Lapproche propos ee est bas ee sur la combinaison des trois principes : analyse multi echelle [Davi-99], voisinages adaptatifs multicomposantes [Vasi-06] et estimation robuste nonadaptative basse r esolution (boxcar) [Trou-96]. Cette m ethode est issue du besoin destimer proprement la coh erence et la phase InSAR dans le milieu glacier alpin avec des donn ees SAR haute r esolution.

3.4.1

Franges interf erom etriques : Mod` ele sinuso dal 2D multi-r esolution

Les donn ees basse r esolution actuellement disponibles permettaient jusquici de consid erer le relief local comme une surface localement plane. Avec des cellules de r esolution de lordre de quelques m` etres carr es, la r esolution a eroport ee ou la haute r esolution satellitaire vont etre confront ees ` a la pr esence de micro-relief qui peut modier les pentes et les orientations ` a des echelles comprises typiquement entre 10 et 100 m` etres (cf. Fig. 3.7).

(a)

(b)

Fig. 3.7 Prole en long du glacier Mer-de-glace : (a) DTED-1 MNT basse r esolution (Res = 80m), (b) MNT haute r esolution (Res = 2m). Dans le mod` ele propos e [Vasi-06a], pour chaque pixel de linterf erogramme, le signal 2D de phase pr esente deux composantes d eterministes : la phase basse r esolution LR : cette composante correspond au motif de franges moyen.

 3.4. COMPENSATION DES COMPOSANTES DETERMINISTES DU SIGNAL INSAR

63

la phase haute r esolution HR : la di erence calcul ee localement entre le signal de phase observ e et la phase basse r esolution. Dune mani` ere g en erale, lapparition de HR est fortement li ee aux structures haute r esolution. En additionnant ces deux composantes d eterministes et le bruit de phase n , le mod` ele propos e peut etre ecrit sous une forme analytique : ej = ej
LR

ej

HR

ejn .

(3.47)

En g en eral, les deux composantes LR et HR de la phase ne correspondent pas ` a une partition du domaine spectral en hautes et basses fr equences. Par exemple, dans le cas particulier des franges topographiques sur un glacier alpin, la phase LR est induite par la pente moyenne (cf. Fig. 3.7-(a)). En revanche, la phase HR correspond aux variations locales autour de cette pente moyenne g en er ees par le micro-relief glaciaire (cf. Fig. 3.7-(b)). La premi` ere etape de lalgorithme est lestimation et la compensation de la phase LR. La m ethode utilis ee pour estimer les fr equences locales LR (VCM - Vector Covariance Matrix) repose sur la structure bloc de la matrice de covariance dun vecteur form e en concat enant les lignes dune fen etre signal [Trou-96]. Les r esultats obtenus permettent une estimation robuste de la phase LR avec une utilisation directe pour le d eveloppement de phase [Trou-98]. En revanche, lalgorithme VCM n ecessite des fen etres pleines (carr ees ou rectangulaires), de taille importante (typiquement 9 9) et ne peut pas faire porter lestimation fr equentielle uniquement sur des pixels appartenant ` a un voisinage adaptatif de forme quelconque.

3.4.2

Estimation Haute R esolution - Fonction dauto-corr elation

Par la suite, nous avons cherch e ` a rendre lestimation fr equentielle adaptative, notamment en vue du ltrage dinterf erogrammes topographiques des futures donn ees haute r esolution. La radiom etrie etant fortement conditionn ee par les orientations, lapproche IDAN d ecrite au paragraphe 3.2.3 devrait permettre de s electionner des voisinages appartenant aux m emes types de r etrodiusion et dorientation. An d etre en mesure de compenser les franges sur des voisinages adaptatifs, nous avons d evelopp e un nouvel algorithme destimation des fr equences locales [Vasi-06a]. Lid ee principale est destimer la fonction dauto-corr elation 2D du signal complexe ` a partir des paires de pixels disponibles dans un voisinage quelconque et de d eduire de sa phase les fr equences recherch ees. En utilisant une notation 2D, le signal de phase interf erom etrique est mod elis e, dans une approximation au premier ordre, sous la forme dune sinuso de 2D complexe avec les fr equences (fx , fy ) : s(o, p) = e(o,p) = e[2(ofx +pfy )+n ] , (3.48) o` u n est le bruit de phase. En supposant le signal s stationnaire et la phase aect ee par un bruit blanc, additif, ind ependant et identiquement distribu e, on montre que la fonction dauto-corr elation s (r, a) v erie : s (r, a) = E {s(o, p) s(o r, p a) } = K ej 2 (rfx +afy ) (3.49)

64

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

o` u K = E {e n (0) } est un coecient r eel qui d epend de la distribution du bruit mais naecte pas la phase de lauto-corr elation. Sous lhypoth` ese dergodicit e, s (r, a) est estim e pour tous les d ecalages (r, a) pr esents au sein du voisinage. La abilit e de s (r, a) augmente avec le nombre Nr,a de paires de pixels d ecal es de (r, a) dont on dispose dans le voisinage. Les fr equences locales peuvent alors etre estim ees ` a partir de valeurs cons ecutives en ligne ou en colonne de la fonction dauto-corr elation. En pond erant les estim es de lauto-corr elation par Nr,a de mani` ere ` a donner plus de poids aux valeurs les plus ables, on obtient : 1 fx = arg Nr,a Nr+1,a s (r + 1, a)s (r, a) , (3.50) 2
(r,a)

1 fy = arg 2

Nr,a Nr,a+1 s (r, a + 1)s (r, a) (3.51)

(r,a)

De plus, pour chaque composante des fr equences locales estim ees fx et fy il est possible de construire une mesure de conance Cfx (resp. Cfy ) donn ee par le rapport entre le module de la somme complexe et la somme des modules : Cfx =
(r,a) Nr,a Nr+1,a (r,a) Nr,a Nr+1,a

s (r + 1, a)s (r, a)

|s (r + 1, a)s (r, a) |

(3.52)

Dans l equation 3.52, quand les di erents produits s (r + 1, a)s (r, a) ont le m eme argument, la conance est egale ` a 1 et le motif local de franges correspond au mod` ele dune sinuso de 2D complexe. En revanche, la conance devient faible quand les produits s (r + 1, a)s (r, a) ont des arguments di erents et donc le motif local de franges ne correspond plus au mod` ele. Les deux conances ainsi obtenues sont agr eg ees par lop erateur minimum pour d eriver une mesure de conance globale Cf : Cf = min(Cfx , Cfy ). (3.53)

3.4.3

Application aux interf erogrammes SAR

Le diagramme de lapproche propos ee pour estimer les fr equences locales est illustr e dans la gure 3.8 :
LR , f LR ) sont estim ees en utilisant lalgorithme 1. Les fr equences locales basse r esolution (fx y VCM sur des voisinages de grande taille, typiquement 11 11. Ensuite, en chaque pixel (i, j ) de linterf erogramme SAR, le motif de franges moyen est compens e pour les pixels voisins (o, p) en calculant la composante haute r esolution de la phase HR : LR LR HR (o, p) = (o, p) 2 [(o i)fx + (p j )fy ].

(3.54)

Limage de phase ainsi obtenue r ev` ele la di erence entre le mod` ele de la sinuso de 2D complexe LR et le motif de franges r eel observ e.

 3.4. COMPENSATION DES COMPOSANTES DETERMINISTES DU SIGNAL INSAR

65

HR , f HR ) de la phase HR sont estim 2. Les fr equences locales haute r esolution (fx ees ` a partir y de la fonction dauto-corr elation 2D (Eqs. 3.50 et 3.51) sur un voisinage IDAN.

3. Les fr equences locales totales sont donn ees par la somme des deux composantes LR et HR LR HR LR HR (fx , fy ) = (fx + fx , fy + fy ).

Fig. 3.8 Diagramme illustrant les principales etapes dans le processus destimation des fr equences locales. Suivant le crit` ere de Nyquist-Shannon, une variation locale du signal de phase est born ee par [, ], ce qui donne une fr equence locale f appartenant ` a lintervalle [0.5, 0.5]. La LR , f LR ) dans linm ethode ` a deux echelles LR+HR estime premi` erement une fr equence 2D (fx y tervalle [0.5, 0.5] [0.5, 0.5], et, apr` es mise ` a plat (d emodulation par cette premi` ere fr equence HR HR equence, dans le cas o` u lalia2D), la fr equence (fx , fy ) [0.5, 0.5] [0.5, 0.5]. En cons sing est tr` es localis e et correspond ` a des fr equences comprises en valeur absolue entre 0.5 et 1, le mod` ele HR+LR propos e est susceptible de les estimer correctement. Ainsi, le domaine des fr equences LR+HR explor e est [1, 1] [1, 1]. En terme de phase, il est alors possible de retrouver le gradient de la phase dans des r egions en aliasing born ees par [2, 2 ].

66

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

3.5

R esultats et evaluation des performances

Les r esultats illustr es par la suite ont et e obtenus sur trois jeux de donn ees : POLSAR Convair 580 fournies par le CSA (Agence Spatiale Canadienne), InSAR RAMSES fournies par lONERA (Oce National dEtudes et de Recherches A erospatiales) et POL-InSAR E-SAR fournies par le DLR (Deutschen Zentrum f ur Luft- und Raumfahrt).

3.5.1

SAR polarim etrique

Les performances des di erents types de voisinage en combinaison avec les deux estimateurs ML et LLMMSE ont et e test ees sur di erents types de donn ees. La premi` ere application propos ee se situe dans le contexte POLSAR dans le milieu urbain (Ville-de-Qu ebec, Canada) en bande C, avec une r esolution spatiale Res = 5, 14 4, 73 m. Ce jeu de donn ees, initialement acquis par un avion Convair580, le 02/07/1999, a subi un traitement de d egradation au CSA pour simuler les conditions dacquisition du futur satellite RADARSAT2.

Fig. 3.9 Donn ees simul ees RADARSAT2, bande C, Qu ebec : (a) composition color ee [860 1027 pixels] dans la base de Pauli (HH-VV, 2HV, HH+VV), (b) extrait 488 482 de limage de span. La gure 3.9 pr esente les donn ees POLSAR initiales, apr` es un traitement 4-vues. La gure 3.11 illustre les r esultats du ltrage dune portion de 346 223 pixels extraite de la premi` ere composante diagonale de la matrice de coh erence polarim etrique [T ]11 (version originale dans la gure 3.10). Dune mani` ere g en erale, les trois ltres BN-ML, DN-ML et IDAN-ML aboutissent ` a une r eduction plus importante du speckle que BN-LLMMSE, DN-LLMMSE et IDAN-LLMMSE. Ceci est li e au fait que lestimateur adaptatif LLMMSE est toujours inf erieur en terme de r eduction de bruit face ` a lestimateur non-adaptatif ML. Par contre la r esolution spatiale est nettement am elior ee par lutilisation de lestimateur LLMMSE. Si on compare leet du choix du voisinage dans le milieu urbain, linterpr etation visuelle indique que le voisinage IDAN fournit les meilleures performances : la stationnarit e locale est assur ee, tout en allant chercher des

 3.5. RESULTATS ET EVALUATION DES PERFORMANCES

67

Fig. 3.10 Donn ees RADARSAT2 simul ees ` a partir dimages a eroport ees, bande C, Qu ebec, extrait 346 223 : [T ]11 initial 4-vues. echantillons n ecessaires au processus destimation dans des voisinages fortement contraints par la texture des zones urbaines. Un des param` etres ` a choisir dans lalgorithme IDAN est le coecient de variation du bruit Cv . Une analyse du choix de ce param` etre est illustr ee dans la gure 3.12. Ainsi lalgorithme IDAN est appliqu e avec trois valeurs du coecient de variation : 0, 6 ; 0, 9 et 1, 8 (Nmax = 50 dans tous les cas). La valeur du nombre equivalent de vues [T ]11 est Leq 1.2, ce qui donne un coecient eq eq Cv 0, 9. Une analyse visuelle recommande lutilisation de Cv dans le ltrage IDAN des donn ees POLSAR pour le milieu urbain. Finalement, le d etecteur de contours propos e par Touzi et al. en [Touz-88] a et e appliqu e` a limage [T ]11 ltr ee par IDAN-ML avec di erentes valeurs du eq Cv (cf. Fig. 3.12). Cv = Cv = 0, 9 donne les meilleures performances d etection/fausse-alarme. L etape suivante dans la cha ne de traitement consiste ` a calculer les param` etres H A. La gure 3.13 pr esente les r esultats de la d ecomposition de Cloude et Pottier de la matrice de coh erence polarim etrique ltr ee. Ces param` etres sont sensibles au nombre de vues L utilis ees pour lestimation de la matrice [T ] (cf. Sect. 1.6.1). Linterpr etation physique des param` etres H A doit prendre en compte cette information : avec lestimateur ML L est connu en chaque pixel alors quavec le LLMMSE on ne dispose plus de cette information. Sur la gure 3.13 on remarque egalement que lestimation de type LLMMSE donne de bons r esultats en termes de pr eservation de la r esolution spatiale mais, dans le m eme temps, elle introduit du biais et de la variance dans les param` etres POLSAR estim es. Ceci est ensuite conrm e par les r esultats de classication POLSAR avec la distance de Wishart (cf. Fig. 3.14). En conclusion, le meilleur compromis entre la r eduction de speckle et la pr eservation de la r esolution spatiale pour les applications POLSAR dextraction/classication/fusion est lapproche bas ee sur le voisinage IDAN combin ee avec une estimation multi-vues complexe.

3.5.2

Estimation des fr equences locales

Lestimation LR+HR des fr equences locales a et e test ee tout dabord sur des donn ees r eelles basse r esolution ERS TANDEM (cf. Tab. 3.2) qui ont permis de v erier la plus grande adaptativit e des estimateurs de fr equence dans les zones o` u les motifs de franges sont non-stationnaires.

68

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

(a)

(d)

(b)

(e)

(c)

(f)

Fig. 3.11 Filtrage de la matrice de coh erence polarim etrique, donn ees simul ees RADARSAT2, bande C, Qu ebec, extrait 346 223, [T ]11 : (a) BN-ML (7 7 boxcar), (b) DN-ML, (c) IDAN-ML (Nmax = 50 dans lAN), (d) BN-LLMMSE, (e) DN-LLMMSE et (f) IDAN-LLMMSE.

 3.5. RESULTATS ET EVALUATION DES PERFORMANCES

69

(a)

(b)

(c)

(d)

(e)

(f)

Fig. 3.12 Filtrage IDAN-ML de la matrice de coh erence polarim etrique, donn ees simul ees RADARSAT2, bande C, Qu ebec, extrait 346 223, [T ]11 . IDAN Nmax = 50 et (a) Cv = 0, 6, (c) Cv = 0, 9, (e) Cv = 1, 8. D etection de contours [T ]11 : (b) IDAN Cv = 0, 6, (d) IDAN Cv = 0, 9 et (f) IDAN Cv = 1, 8.

70

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

(a)

(d)

(b)

(e)

(c)

(f)

Fig. 3.13 D ecomposition (H --A), donn ees simul ees RADARSAT2, bande C, Qu ebec, extrait 488 482 : (a) BN-ML, (b) DN-ML, (c) IDAN-ML, (d) BN-LLMMSE, (e) DN-LLMMSE et (f) IDAN-LLMMSE.

 3.5. RESULTATS ET EVALUATION DES PERFORMANCES

71

(a)

(d)

(b)

(e)

(c)

(f)

Fig. 3.14 Classication POLSAR Wishart, donn ees simul ees RADARSAT2, bande C, Qu ebec, extrait 488 482 : (a) BN-ML, (b) DN-ML, (c) IDAN-ML, (d) BN-LLMMSE, (e) DN-LLMMSE et (f) IDAN-LLMMSE.

72

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

En labsence de donn ees satellites SAR HR en mode InSAR, linterf erogramme ERS a et e choisi Tab. 3.2 Images RAW ERS TANDEM acquises sur Mont-Blanc. Date 95.12.31 96.01.01 Satel. ERS-1 ERS-2 Orbite 23328 03655 Frame 2673 Passe Des. B 208 m ea 45 m

pour illustrer la m ethode LR+HR car elle r ev` ele des franges topographiques tr` es serr ees : une altitude dambigu t e de 45m et une di erence d el evation jusqu` a 4000m dans la sc` ene.

(a)

(c)

(e)

(b)

(d)

(f)

Fig. 3.15 Interf erogramme TANDEM ERS 1/2 [768 489 pixels]. Donn ees originales 5-vues : (a) amplitude ma tre, (b) phase. Fr equences locales 2D illustr ees par lorientation des franges : (c) fr equences locales LR (table de couleur des orientations en haut ` a droite), (d) fr equences locales LR+HR. Coherences ltr ees : (e) ltrage boxcar sans compensation (issues de ROIPAC), (f) ltrage par voisinage adaptatif (IDAN-ML) avec compensation des franges ` a laide des fr equences locales LR+HR. Apr` es avoir synth etis e et recal e les deux images SLC, linterf erogramme original (1 5 multivues complexe) est illustr e dans la gure 3.15-(a),(b). La r esolution spatiale des images est approximativement de 20m au sol. Ensuite, lalgorithme destimation des fr equences locales LR et HR est appliqu e sur limage de phase 5-vue et les r esultats obtenus sont evalu es en visualisant la direction du motif de franges donn ee par le gradient de phase (cf. Fig. 3.15-(c),(d)). Le r esultat obtenu par lestimation LR r ev` ele une bonne estimation de la pente moyenne de la vall ee. La composante HR additionne ` a cette information les motifs manquants correspondant aux variations locales du relief : micro-vall ees (cf. Les-Drus) et glaciers de petite taille (cf. Nantillons et Blaiti` ere). Lint er et dune bonne estimation des fr equences locales est illustr e par le ltrage de coh erence interf erom etrique. La gure 3.15-(e) pr esente la coh erence ltr ee par BN-LM (boxcar et moyennage multi-vues complexe) : les non-stationnarit es dans le signal de phase ont pollu es le proces-

 3.5. RESULTATS ET EVALUATION DES PERFORMANCES

73

sus destimation. La compensation des franges (gr ace aux fr equences locales LR+HR dans un mod` ele sinuso dal) assure lhypoth` ese de stationnarit e locale (cf. Fig. 3.15-(f)) et donc le r esultat du ltrage est correct. Tab. 3.3 Param` etres utilis es dans la simulation TerraSAR-X. Param` etre altitude satellite (km) echantillonnage au sol (m) echantillonnage en azimut (m) echantillonnage en distance (m) angle dincidence close range (degr es) altitude dambigu t e (m) coecient de variation distribution uniforme du bruit de phase Valeur 514 2 2 1,2 30 10 0,52 /4

Nous avons egalement utilis e une simulation de donn ees interf erom etriques TerraSAR-X sur la Mer-de-Glace (cf. Tab. 3.3), r ealis ee par la m ethode pr esent ee en [Jule-06] ` a partir dun MNT haute r esolution (cf. Fig. 3.16). Lestimation en deux temps ` a laide de la m ethode non-adaptative VCM pour les fr equences LR et de lapproche IDAN pour les fr equences HR permet un meilleur suivi des variations locales des franges. Cette am elioration peut etre evalu ee visuellement en comparant les r esultats des d eveloppements de phase par moindres carr es r ealis es ` a partir des fr equences locales LR (lestimation non-adaptative) et ` a partir des fr equences LR+HR estim ees par la m ethode propos ee (cf. Fig. 3.17). Une comparaison objective est possible dans le cas de linterf erogramme simul e : lalgorithme adaptatif multi-r esolution LR+HR vs. le boxcar VCM. Lerreur RMSE est calcul ee dans les deux cas en utilisant comme v erit e terrain les gradients de phase estim es par les noyaux Prewitt appliqu es sur limage d el evation cod ee en g eom etrie TerraSAR-X. Le tableau 3.4 pr esente la comparaison entre : lapproche mono-r esolution VCM avec boxcar 7 7 (bon compromis entre robustesse de lestimation et perte de r esolution spatiale), lalgorithme LR+HR : LR par VCM 11 11 suivi de lestimation HR par IDAN avec une taille maximale de 50 echantillons. Lerreur RMS dans le cas LR+HR est diminu ee de mani` ere signicative par rapport au voisinage boxcar (pratiquement divis ee par 2). Lapport du mod` ele LR+HR et la robustesse des r esultats devront etre conrm es sur des donn ees HR r eelles.

3.5.3

Interf erom etrie SAR

L etude de limpact du choix voisinage-estimateur pour les applications en interf erom etrie SAR haute r esolution est illustr e avec les donn ees acquises le 07/02/2003, sur le site des Bauxde-Provence, France, par le syst` eme SAR a eroport e ONERA-RAMSES (Radar A eroport e Multi Spectral dEtude des Signatures) : bande X et Res = 0, 32 0, 56 m.

74

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)

Fig. 3.16 (a) : Simulation TerraSAR-X [840 340 pixels] dune partie de la Mer-de-Glace ; (b) m eme partie vue par ERS ; (c) simulation des franges topographiques pour une altitude dambigu t e de 10 m ; (d) phase ltr ee par voisinage adaptatif (IDAN-ML) avec compensation des franges ` a laide des fr equences locales LR+HR ; (e)-(f) Orientation des franges donn ees par les fr equences locales basse r esolution LR (table de couleur des orientations en haut ` a droite) et haute r esolution HR ; (g)-(h) Orientation des franges donn ees par les fr equences locales basse+haute r esolution LR+HR et image de conance globale de lestimation.

Tab. 3.4 RMSE des fr equences locales (fx , fy ) : Prewitt sur limage d el evation en g eom etrie TerraSAR-X (r ef erence) ; estimation LR-VCM sur un voisinage boxcar 7 7 et estimation LR+HR sur linterf erogramme simul e. RMSE fx VCM 7x7 LR+HR 3.61e-004 1.88e-004 RMSE fy 3.59e-004 1.99e-004

 3.5. RESULTATS ET EVALUATION DES PERFORMANCES

75

Fig. 3.17 Prol daltitude extrait de la Mer-de-Glace en g eom etrie simul ee TerraSAR-X. R esultats de reconstruction par d eveloppement de phase ` a partir des fr equences locales, estim ees par la m ethode basse r esolution LR et compl et ees par lestimation haute r esolution HR. La gure 3.18 pr esente les donn ees originales obtenues par multi-vues complexe. La fauch ee danalyse est une r egion agricole avec des champs et des plantations doliviers. La haute r esolution du syst` eme RAMSES permet lidentication de la signature InSAR de chaque arbre. Les r esultats de ltrage de la coh erence interf erom etrique sont illustr es dans la gure 3.20 sur un extrait de 297 175 pixels (cf. Fig. 3.19). Dans le cas des structures nes HR, les voisinages BN et DN ne fournissent pas des r esultats optimaux car leur taille nest pas adapt ee au signal. Lestimation adaptative LLMMSE permet de compenser cet inconv enient, le prix ` a payer etant une diminution de performances en r eduction de variance et biais de lestimateur. La souplesse dans la taille et la forme des voisinages IDAN nous permet de b en ecier dun nombre important d echantillons dans le processus destimation, tout en pr eservant lhypoth` ese de stationnarit e locale du signal. Le ltre IDAN-LLMMSE se comporte le mieux parmi les six combinaisons voisinage/estimateur possible. Une evaluation des performances plus pr ecise sur le ltrage de la coh erence InSAR est propos ee dans la gure 3.21. Un prol spatial a et e s electionn e manuellement sur limage de coh erence initiale (cf. Fig. 3.19-(b)). Ensuite, le m eme prol est trac e pour les six coh erences ltr ees. Les ltres BN-ML et DN-ML ne sont pas susamment adaptatifs pour assurer la stationnarit e locale, ` loppos et donc la signature InSAR de chaque arbre est d egrad ee. A e, les ltres BN-LLMMSE et DN-LLMMSE arrivent ` a pr eserver la stationnarit e, mais la r eduction de biais et variance est faible et le niveau de coh erence reste donc elev e. Les ltres IDAN-ML et IDAN-LLMMSE donne les meilleures performances en eectuant une bonne r eduction de variance/biais au m eme titre que la pr eservation de la haute r esolution spatiale.

3.5.4

Interf erom etrie SAR polarim etrique

Dans le contexte POL-InSAR, les performances de ltres BN-ML, DN-ML, IDAN-ML, BNLLMMSE, DN-LLMMSE et IDAN-LLMMSE ont et e etudi ees ` a trois niveaux : el ements de la matrice de coh erence POL-InSAR, param` etres POL-InSAR extraits des matrices de coh erence, classication POLSAR r ealis ee ` a partir de ces param` etres et des matrices de coh erence

76

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

(a)

(b)

(c)

(d)

Fig. 3.18 Donn ees RAMSES c ONERA, bande X, Baux-de-Provence, extrait 568 654, 6vues : (a) amplitude SAR ma tre, (b) image optique c Google-Maps-France, (c) coh erence InSAR et (d) phase interf erom etrique.

 3.5. RESULTATS ET EVALUATION DES PERFORMANCES

77

(a)

(b)

Fig. 3.19 Donn ees RAMSES, bande X, Baux-de-Provence, extrait 297 175 : (a) coh erence initiale, (b) prol horizontal sur limage de coh erence initiale.

(a)

(d)

(b)

(e)

(c)

(f)

Fig. 3.20 Filtrage de coh erence, donn ees RAMSES, bande X, Baux-de-Provence, extrait 297 175 : (a) BN-ML (7 7 boxcar), (b) DN-ML, (c) IDAN-ML (Nmax = 50 dans lAN), (d) BNLLMMSE, (e) DN-LLMMSE et (f) IDAN-LLMMSE.

78

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

(a)

(d)

(b)

(e)

(c)

(f)

Fig. 3.21 Prols spatiaux de limage de coh erence ltr ee, donn ees RAMSES, bande X, Bauxde-Provence, extrait 297 175 : (a) BN-ML, (b) DN-ML, (c) IDAN-ML, (d) BN-LLMMSE, (e) DN-LLMMSE et (f) IDAN-LLMMSE.

ltr ees. Les r esultats illustr es par la suite ont et e obtenus sur les donn ees a eroport ees E-SAR (Experimental SAR) acquises sur le site Oberpfaenhofen, Allemagne : bande L, r esolution spatiale Res = 1, 5 1, 5 m, date dacquisition 22/07/1999. La premi` ere etape est le traitement multi-vues complexe qui fournit des pixels carr es. La gure 3.22 pr esente ces donn ees POL-InSAR initiales 2vues. La fauch e radar couvre di erents milieux (b atiments, champs, for ets, autoroute...), la caract eristique commune etant laltitude quasi-constante dans la sc` ene. Les eets du ltrage sont perceptibles directement au niveau des el ements de la matrice de coh erence POL-InSAR, en particulier les intensit es et les coh erences interf erom etriques. Les images dintensit e obtenues par les six ltres du tableau 3.1 sont illustr ees dans la gure 3.24

 3.5. RESULTATS ET EVALUATION DES PERFORMANCES

79

(a)

(b)

(c)

Fig. 3.22 Donn ees E-SAR, bande L, Oberpfaenhofen, 1540 1407 pixels, base de Pauli, 2vues : (a) composition color ee [T3 ]M (HH-VV, 2HV, HH+VV), (b) coh erence HH+VV, (c) phase HH+VV.

(a)

(b)

Fig. 3.23 Donn ees initiales E-SAR, bande L, Oberpfaenhofen, base de Pauli, 2vues : (a) intensit e SAR [T ]11 en Db [563 325 pixels], (b) coh erence HH+VV [563 325 pixels].

80

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

sur un extrait de 563 325 pixels (cf. Fig. 3.23-(a)). Visuellement, on per coit leet des fen etres directionnelles par rapport aux fen etres carr ees et lapport pour ces deux voisinages dun estimateur LLMMSE. Le LLMMSE compense partiellement le manque de stationnarit e des fen etres xes ou directionnelles, ces derni` eres ne parvenant pas toujours ` a respecter les structures nes. En revanche, le voisinage IDAN semble fournir un voisinage susamment homog` ene pour utiliser simplement lestimateur ML et eviter de r eintroduire, via le LLMMSE, la mesure initiale bruit ee du pixel courant.

(a)

(d)

(b)

(e)

(c)

(f)

Fig. 3.24 Filtrage de la matrice de coh erence polarim etrique, donn ees ESAR, bande L, Oberpfaenhofen, extrait 563 325, [T ]11 : (a) BN-ML (7 7 boxcar), (b) DN-ML, (c) IDANML (Nmax = 50), (d) BN-LLMMSE, (e) DN-LLMMSE et (f) IDAN-LLMMSE. Cette impression visuelle est conrm ee par l evaluation objective des performances de d etecteurs de contours via les courbes COR (Caract eristiques Op erationnelles de R ecepteur). Ces courbes ont et e trac ees pour mesurer linuence du choix voisinage/estimateur sur la d etection des contours. En sappuyant sur des r egions de r ef erence, les histogrammes conditionnels de la sortie du d etecteur [Touz-88] (appliqu e sur limage [T ]11 ) sont calcul es avec deux masques : les r egions de r ef erence contenant des structures spatiales fournissent un masque utilis e pour lestimation de la densit e de probabilit e conditionnelle pour la d etection fd (x), les r egions de r ef erence homog` enes fournissent un masque pour lestimation de la densit e de probabilit e pour la fausse-alarme ff (x).

 3.5. RESULTATS ET EVALUATION DES PERFORMANCES

81

Pour rendre le choix des masques le plus objectif possible, les deux r egions dint er et sont obtenues par le seuillage de limage contour illustr ee dans la gure 3.25-(b). Cette image est obtenue en appliquant un simple d etecteur de contours de type Sobel sur une image optique recal ee sur les donn ees POL-InSAR (cf. Fig. 3.25-(a)).

(a)

(b)

Fig. 3.25 Image optique recal ee sur les donn ees E-SAR, Oberpfaenhofen, 1540 1407 pixels : (a) image optique en niveaux de gris, (b) image des contours (masque de d etection, masque de fausse-alarme). Pour un seuil de d etection t, la probabilit e de d etection Pd (t) et la probabilit e de fausse-alarme Pf (t) sont :
1 1

Pd (t) =

fd (x)dx et Pf (t) =

ff (x)dx.

(3.55)

La gure 3.26 pr esente les deux courbes COR correspondant aux deux estimateurs ML et LLMMSE calcul es avec les trois types de voisinage. L evaluation visuelle directe des images pr esent ees dans la gure 3.24 est conrm ee par les performances en d etection de contours mesur ees sur des courbes COR : IDAN-ML r ealise sur les intensit es un meilleur compromis d etection fausse alarme quIDAN-LLMMSE.
x 10 5.5 5 4.5 4 3.5 3 2.5 2 1.5 1 0.5
5

FAPDTP
5.5 5 4.5 4 3.5 3 2.5

x 10

FAPDTP

BF Directional IDAN

2 1.5 1 0.5

BFLLMMSE DirectionalLLMMSE IDANLLMMSE

0.2 0.4 0.6 0.8 1 1.2 x 10
4

0.2

0.4

0.6

0.8

1.2 x 10
4

(a)

(b)

Fig. 3.26 Courbes COR pour di erents types de voisinage (BF-boxcar, directionnels et IDAN), donn ees E-SAR, Oberpfaenhofen, [T ]11 : (a) estimateur ML, (b) estimateur LLMMSE

82

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

Tab. 3.5 Filtrage de lintensit e HH+VV, donn ees ESAR, bande L, Oberpfaenhofen : rapport des moyennes f iltre /initial sur des r egions de r ef erence homog` enes. R egion forte faible Pixels 534 520 BN ML 1.03 1.05 BN LLMMSE 1.02 1.02 DN ML 1.01 1.01 DN LLMMSE 0.93 0.97 IDAN ML 0.89 0.87 IDAN LLMMSE 0.94 0.91

Tab. 3.6 Filtrage de lintensit e HH+VV, donn ees ESAR, bande L, Oberpfaenhofen : coefcient de variation / sur des r egions de r ef erence homog` enes. R egion forte faible Initial 0.80 0.99 BN ML 0.13 0.15 BN LLMMSE 0.44 0.48 DN ML 0.26 0.30 DN LLMMSE 0.49 0.53 IDAN ML 0.18 0.27 IDAN LLMMSE 0.38 0.41

Les tableaux 3.5 et 3.6 pr esentent les performances en terme de pr eservation de la moyenne radiom etrique et de r eduction de la variance sur des r egions homog` enes. Le rapport des moyennes pr esent e dans le tableau 3.5 indique une l eg` ere surestimation dans le cas des ltres BN-ML, BN-LLMMSE et DN-ML, alors que DN-LLMMSE, IDAN-ML et IDAN-LLMMSE pr esentent une sous-estimation de la radiom etrie. Le minimum du coecient de variation illustr e dans le tableau 3.6 est obtenu en utilisant le ltre IDAN-ML (` a lexception du BN-ML qui est un ltre non-adaptatif avec un comportement id eal sur des r egions homog` enes). Les performances des six ltres sont illustr ees dans la gure 3.27 sur la coh erence interf erom etrique HH+VV. Les conclusions obtenues sur les coh erences InSAR illustr ees pr ec edemment (cf. Fig. 3.20) sont les m emes : IDAN-ML ltre davantage que IDAN-LLMMSE sans introduire une perte notable de r esolution. Une evaluation objective est pr esent ee par les tableaux 3.7 et 3.8 en terme de r eduction du biais et de la variance destimation sur des r egions homog` enes. Dans tous les cas, le ltrage de la matrice de coh erence induit une baisse du niveau de coh erence sur les zones de faible coh erence i.e. les r egions o` u le biais est important (cf. Sect. 2.3.3). Dans les r egions homog` enes de forte coh erence, le niveau de coh erence est plus ou moins conserv e apr` es le ltrage. Le tableau 3.8 pr esente l ecart type calcul e sur les trois r egions homog` enes. Le minimum est obtenu en utilisant le ltre IDAN-ML. Ceci conrme les bonnes performances en r eduction du bruit/biais de la m ethode propos ee IDAN-ML. L etape suivante dune cha ne de traitement de donn ees POL-InSAR consiste ` a extraire des informations compl ementaires sur les m ecanismes de r etrodiusion au travers de d ecompositions polarim etriques ou polarim etriques-interf erom etriques. Les param` etres les plus couramment utilis es en polarim etrie sont les param` etres H//A de la d ecomposition de Cloude et Pottier. Ils peuvent etre calcul es ` a partir de logiciels libres tels que POLSARpro de lESA ou RAdar Tools [Neum-05]. Leur estimation apr` es ltrage de la matrice de coh erence par les ltres BN-ML,

 3.5. RESULTATS ET EVALUATION DES PERFORMANCES

83

(a)

(d)

(b)

(e)

(c)

(f)

Fig. 3.27 Filtrage de la coh erence HH+VV, donn ees ESAR, bande L, Oberpfaenhofen, extrait 524 311 : (a) BN-ML, (b) DN-ML, (c) IDAN-ML, (d) BN-LLMMSE, (e) DN-LLMMSE et (f) IDAN-LLMMSE.

Tab. 3.7 Coh erence HH+VV, donn ees ESAR, bande L, Oberpfaenhofen : moyenne sur des r egions de r ef erence homog` enes. R egion forte m edium faible Initial 0.967 0.854 0.794 BN ML 0.957 0.703 0.301 BN LLMMSE 0.958 0.707 0.366 DN ML 0.951 0.663 0.305 DN LLMMSE 0.954 0.688 0.376 IDAN ML 0.947 0.638 0.257 IDAN LLMMSE 0.949 0.648 0.278

84

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

Tab. 3.8 Coh erence HH+VV, donn ees ESAR, bande L, Oberpfaenhofen : ecart type sur des r egions de r ef erence homog` enes. R egion forte m edium faible Initial 0.070 0.178 0.201 BN ML 0.014 0.105 0.157 BN LLMMSE 0.024 0.134 0.194 DN ML 0.018 0.115 0.160 DN LLMMSE 0.028 0.147 0.208 IDAN ML 0.016 0.081 0.086 IDAN LLMMSE 0.019 0.096 0.117

BN-LLMMSE, DN-ML, DN-LLMMSE, IDAN-ML et IDAN-LLMMSE est illustr ee dans la gure 3.28. Plus r ecents et moins couramment utilis es, les param` etres A1 A2 (cf. Eq. 2.20) issus de loptimisation de la coh erence permettent egalement dillustrer linuence du ltrage sur les param` etres extraits des donn ees POL-InSAR. Bien que labsence de v erit e terrain rende dicile une evaluation quantitative des performances, l evaluation visuelle des r esultats IDAN-ML montre lapport de lextension du voisinage r ealis ee par lalgorithme IDAN. Cette approche permet de r eduire ` a la fois le lissage des structures et la variance des param` etres estim es. Lusage de lestimateur adaptatif IDAN-LLMMSE fournit des r esultats moins r egularis es et plus contrast es que ceux obtenus par IDAN-ML au niveau des param` etres A1 et A2 issus des coh erences optimis ees. La gure 3.29 pr esente des histogrammes 2D des param` etres H calcul es sur deux r egions quasi-homog` enes, manuellement s electionn ees. Les param` etres H sont estim es ` a partir de la matrice de coh erence polarim etrique ma tre [T ]M ltr ee avec IDAN-ML initialis ee par trois valeurs di erentes de Nmax : 25, 50 et 100 echantillons. Dans les deux cas illustr es dans la gure 3.29 (zone I :(a),(c),(e) et zone II : (b),(d),(f)), les deux nuages de points se resserrent autour du centre de masse (valeur moyenne) gr ace ` a laugmentation du nombre d echantillons. Ceci est expliqu e par la r eduction de biais li ee ` a lestimation de la matrice [T ]M (cf. Sect. 1.6.1). Ainsi, le choix optimal du param` etre Nmax par rapport ` a lestimation des param` etres H correspond au nombre d echantillons recommand e par Lee et al. [Lee-06a] : Nmax = 50 card{BN77 }. Les valeurs moyennes et la variance des param` etres polarim etriques H et calcul ees sur des r egions de r ef erence quasi-homog` enes s electionn ees manuellement sont illustr ees dans les tableaux 3.9, 3.10, 3.11 et 3.12. Pour lentropie polarim etrique, le tableau 3.9 indique une l eg` ere sous-estimation pour BN-LLMMSE et DN-LLMMSE, alors que les r eductions de biais obtenues avec BN-ML, DN-ML, IDAN et IDAN-LLMMSE sont similaires. Une fois de plus, la variance minimum de lentropie (cf. tableau 3.10) et de langle (cf. tableau 3.12) est obtenue en utilisant le ltre IDAN-ML (` a lexception du BN-ML). Linuence de lestimateur appliqu e sur le voisinage IDAN se retrouve au niveau dune classication Wishart, initialis ee avec le clustering des param` etres H//A en 8 r egions. Les deux r esultats illustr es dans la gure 3.30 ont et e obtenus sans aucune r egularisation spatiale autre que celle induite par les fen etres de ltrage des matrices de coh erence. Une image optique recal ee sur les donn ees E-SAR permet de comparer les classications radar polarim etriques avec

 3.5. RESULTATS ET EVALUATION DES PERFORMANCES

85

(a)

(b)

(c)

(d)

(e)

(f)

Fig. 3.28 Param` etres POL-InSAR, donn ees ESAR, bande L, Oberpfaenhofen, extrait 563 325 : (a) H --A de [T ]M ltr ee avec IDAN-ML, (b) H --A de [T ]M ltr ee avec IDAN-LLMMSE, (c) A1 de [T ] ltr ee avec IDAN-ML, (d) A1 de [T ] ltr ee avec IDAN-LLMMSE, (e) A2 de [T ] ltr ee avec IDAN-ML, (f) A2 de [T ] ltr ee avec IDAN-LLMMSE. Tab. 3.9 Entropie polarimetrique, donn ees ESAR, bande L, Oberpfaenhofen : moyenne sur des r egions de r ef erence homog` enes. R egion forte faible Pixels 535 520 BN ML 0.84 0.38 BN LLMMSE 0.75 0.33 DN ML 0.80 0.38 DN LLMMSE 0.74 0.34 IDAN ML 0.84 0.40 IDAN LLMMSE 0.83 0.39

Tab. 3.10 Entropie polarimetrique, donn ees ESAR, bande L, Oberpfaenhofen : ecart type sur des r egions de r ef erence homog` enes. R egion forte faible Pixels 535 520 BN ML 0.019 0.028 BN LLMMSE 0.109 0.097 DN ML 0.057 0.063 DN LLMMSE 0.118 0.106 IDAN ML 0.036 0.044 IDAN LLMMSE 0.057 0.070

86

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

(a)

(c)

(e)

(b)

(d)

(f)

Fig. 3.29 Distribution des param` etres H de [T ]M , 2 zones extraites des donn ees ESAR, bande L, Oberpfaenhofen, ltr ee par IDAN-ML avec di erentes tailles maximales : (a), (b) Nmax = 25 ; (c), (d) Nmax = 50 ; (e), (f) Nmax = 100.

Tab. 3.11 Angle , donn ees ESAR, bande L, Oberpfaenhofen : moyenne sur des r egions de r ef erence homog` enes. R egion forte faible Pixels 520 535 BN ML 39.53 45.28 BN LLMMSE 39.83 45.45 DN ML 39.83 45.31 DN LLMMSE 39.95 45.63 IDAN ML 39.60 45.17 IDAN LLMMSE 39.63 45.01

Tab. 3.12 Angle , donn ees ESAR, bande L, Oberpfaenhofen : ecart type sur des r egions de r ef erence homog` enes. R egion forte faible Pixels 520 535 BN ML 1.926 1.065 BN LLMMSE 5.238 4.808 DN ML 3.289 2.990 DN LLMMSE 5.613 5.143 IDAN ML 2.082 1.936 IDAN LLMMSE 3.519 3.030

3.6. CONCLUSIONS

87

loccupation des sols. Gr ace ` a une r eduction de biais et de variance plus importante, le ltrage IDAN-ML conduit ` a une meilleure s eparation des classes dans les zones homog` enes alors que les structures nes haute r esolution semblent dans les deux cas bien conserv ees.

(a)

(b)

(c)

Fig. 3.30 Classication POLSAR Wishart, donn ees ESAR, bande L, Oberpfaenhofen, extrait 501 501 : (a) IDAN-ML, (b) IDAN-LLMMSE et (c) image optique.

3.6

Conclusions

Apr` es avoir pr esent e les grandes lignes du ltrage de speckle dimages SAR multicomposantes, nous avons propos e dans ce chapitre une approche originale de lestimation des matrices de coh erence 2 2 (InSAR), 3 3 (POLSAR) ou 6 6 (POL-InSAR) et des param` etres qui en d ecoulent. Publi ee en 2004 dans une version guid ee par lamplitude et d edi ee ` a la coh erence [Vasi-04], cette approche a et e g en eralis ee ` a lestimation de lensemble de la matrice de coh erence POL-InSAR avec une croissance de r egion contr ol ee par les di erentes intensit es disponibles [Vasi-06]. Elle est d esormais propos ee dans deux logiciels libres open-sources : 1. RAT (RAdar Tools) d evelopp e ` a lUniversit e Technologique de Berlin, Allemagne (D epartement Computer Vision and Remote Sensing). IDAN a servi ` a illustrer RAT au workshop POLinSAR 2005 [Neum-05] et est actuellement utilis e comme cas d ecole dans les tutoriaux de RAT [Reig-07RAT]. 2. POLSARpro (POLarimetric SAR data PROcessing and educational tool) d evelopp e sous contrat ESA par un consortium : Institut dElectronique et de T el ecommunications de Rennes (Universit e de Rennes 1), Microwaves and Radar Institute HR (DLR) et AEL Consultants [Pott-07]. Nous avons test e les algorithmes IDAN-ML et IDAN-LLMMSE sur di erents jeux de donn ees a eroport ees acquis par E-SAR [Vasi-04a], [Vasi-05a], Convair-580 [Vasi-05] et RAMSES [Vasi-05b], et compar e les r esultats obtenus avec deux estimateurs : la moyenne multi-vues complexe (estimateur ML) et lestimateur LLMMSE qui r ealise un compromis entre la valeur initiale et la moyenne locale en fonction de lh et erog en eit e de lintensit e sur le voisinage. Pour le ltrage des images directement issues de la matrice de coh erence telles que les intensit es ou les coh erences interf erom etriques, lutilisation de lestimateur LLMMSE ne semble pas am eliorer

88

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

les r esultats. Il aurait plut ot tendance ` a r eintroduire du biais et de la variance perturbant la d etection de contours. En revanche, pour le ltrage de param` etres POL-InSAR issus de d ecompositions polarim etriques ou de loptimisation de la coh erence, le LLMMSE fournit des r esultats moins r egularis es qui peuvent etre plus discriminants du point de vue de la s eparation des types de r etrodiusion, au d etriment de la robustesse de lestimation dans les zones homog` enes. Le couplage avec lestimateur LLMMSE ore dans ce cas lavantage de limiter les eets dune eventuelle sous-segmentation en pr esence de structures di erentes du point de vue polarim etrique et equivalentes du point de vue radiom etrique. Dans le contexte InSAR haute r esolution, nous avons egalement propos e une m ethode originale pour lestimation des fr equences locales des interf erogrammes topographiques. Lapproche LR+HR est bas ee sur la fusion des trois principes : analyse multi- echelle [Davi-99], voisinages adaptatifs multicomposantes IDAN [Vasi-06] et estimation robuste non-adaptative basse r esolution (boxcar) [Trou-96]. La radiom etrie etant fortement conditionn ee par les orientations, le voisinage IDAN permet de s electionner des populations de pixels appartenant aux m emes types de r etrodiusion et dorientation. An d etre en mesure de compenser les franges sur des voisinages adaptatifs, nous avons d evelopp e un nouvel algorithme destimation des fr equences locales [Vasi-06a] bas e sur lestimation de la fonction dauto-corr elation 2D du signal complexe de phase ` a partir des paires de pixels disponibles dans un voisinage quelconque et de d eduire de sa phase les fr equences recherch ees. Ces fr equences locales sont utilis ees aux di erents niveaux dans le traitement InSAR : ltrage de phase interf erom etrique, d eveloppement de phase et compensation des composantes d eterministes dans lestimation de la corr elation complexe InSAR. La m ethode LR+HR a et e test ee sur des donn ees r eelles ERS TANDEM dans le massif du Mont-Blanc et sur une simulation de donn ees interf erom etriques TerraSAR-X r ealis ee ` a partir dun MNT haute r esolution. Lapport du mod` ele LR+HR et la robustesse des r esultats devront etre conrm es sur des futures donn ees HR satellitaires. Par la suite, plusieurs evolutions de lapproche IDAN m eritent encore d etre explor ees. La premi` ere consiste ` a introduire dautres sources dinformations que les intensit es multicomposantes pour guider la croissance de r egions. Ces informations peuvent provenir dautres acquisitions radar (autres dates, autres bandes...) ou bien dautres capteurs comme des images optiques. Cette direction am` ene des dicult es dans la caract erisation statistique des r egions stationnaire dans des di erentes types des donn ees : dans la litt erature il existe seulement une version dIDAN pour le bruit gaussien additif dans les images couleur [Ciuc-00]. La seconde evolution consiste ` a d ecoupler linformation qui guide la croissance de r egion de celle utilis ee pour calculer la pond eration du LLMMSE. En eet, la double adaptativit e (g eom etrique et statistique) est a priori redondante : si par construction le voisinage est homog` ene, le LLMMSE aboutit ` a un simple moyennage. Cette redondance se justie dans le cas du ltrage de donn ees homog` enes car elle s ecurise le ltrage en cas derreur dans la construction du voisinage. En revanche, elle renforce linuence de linformation utilis ee pour ladaptativit e qui di` ere de linformation ltr ee. Cest le cas du ltrage directionnel [Lee-03] ou de lapproche IDAN coupl e avec lestimateur LLMMSE [Vasi-06].

3.6. CONCLUSIONS

89

Une troisi` eme direction dapprofondissement de lapproche IDAN, plus sp ecique ` a la polarim etrie, consiste ` a reprendre la strat egie de croissance de r egion en introduisant un test de coh erence an disoler les cibles coh erentes ou de limiter le ltrage de cible partiellement coh erente. Ce travail pourrait- etre entrepris avec une utilisation du mod` ele TSVM propos e par Ridha Touzi qui ore une description uni ee des cibles coh erentes et non-coh erentes [Touz-07].

90

CHAPITRE 3. METHODES MULTICOMPOSANTES DE FILTRAGE DE SPECKLE

Chapitre 4

Conclusions de la partie m ethodologique

Lutilisation des images SAR dans le contexte de la t el ed etection quantitative n ecessite le plus souvent une analyse multi-dimensionnelle des donn ees. Cette analyse repose en particulier sur les techniques de mesure di erentielles des images SAR : la polarim etrie et/ou linterf erom etrie. La premi` ere partie de cette th` ese a pr esent e le contexte m ethodologique li e au traitement des donn ees SAR multicomposantes. Larriv ee des satellites SAR mesurant le signal radar r etrodius e sur tous les canaux polarim etriques permet aujourdhui dutiliser linformation compl` ete du champ electromagn etique r etrodius e. Nous avons employ e le formalisme g en eral vectoriel POLSAR pour d ecrire les principes de limagerie SAR. Le cas scalaire en d ecoule comme un cas particulier ` a dimension r eduite. Les principes de base de linterf erom etrie SAR ont egalement et e pr esent es ` a la fois dans le cas scalaire (InSAR) et vectoriel (POL-InSAR). Dans le chapitre 3 nous nous sommes focalis e sur les m ethodes multicomposantes de ltrage de speckle, etape du traitement qui constitue un verrou important pour lutilisation des donn ees interf erom etriques ou polarim etriques. Les avanc ees m ethodologiques propos ees dans cette th` ese se placent ainsi dans le cadre du ltrage coh erent du speckle des images complexes SAR multivari ees. Avec une approche inspir ee des op erateurs de voisinage, nous avons propos e une nouvelle m ethode appel ee IDAN (Intensity-Drivn-Adaptive-Neighborhood). Cette m ethode est bas ee sur des voisinages adaptatifs obtenus par croissance de r egions guid ee par les composantes dintensit e. Elle permet dam eliorer la pr eservation de la stationnarit e locale et dobtenir un nombre d echantillons susant pour r eduire la variance et le biais des param` etres estim es. En combinant trois types de voisinage, boxcar, directionnel et IDAN, et deux estimateurs, moyenne multivues complexe et LLMMSE, nous avons aussi etudi e la compl ementarit e entre les choix du voisinage et de lestimateur pour le ltrage des matrices de coh erence POL(In-)SAR. An d etre en mesure de compenser les composantes d eterministes de la phase interf erom etrique, nous avons egalement d evelopp e un nouvel algorithme destimation des fr equences locales des interf erogrammes topographiques qui repose sur trois principes : lanalyse multi- echelle, les voisinages adaptatifs IDAN et lestimation de la fonction dauto-corr elation

91

92

CHAPITRE 4. CONCLUSIONS DE LA PARTIE METHODOLOGIQUE

2D du signal de phase. Cette m ethode r epond en particulier au besoin destimer proprement la coh erence et la phase InSAR dans le milieu glacier alpin avec des donn ees SAR haute r esolution. Dans le contexte de lanalyse des attributs issus des images POLSAR, nous avons egalement propos e une nouvelle approche pour la fusion des attributs polarim etriques, qui sappuie sur les syst` emes de fusion ` a base de r` egles oues. Cette approche est interactive et permet dintroduire de la connaissance experte sur le comportement des attributs POLSAR et les classes th ematiques recherch ees. En conclusion, le traitement des images SAR multicomposantes repr esente une alternative able et compl ementaire ` a limagerie optique pour lobservation dobjets g eophysiques ` a la surface de la Terre. Gr ace aux avanc ees r ecentes, notamment dans les domaines de la polarim etrie et linterf erom etrie, limagerie radar est aujourdhui utilis ee dans de nombreux domaines th ematiques comme la vulcanologie, l etude de la v eg etation (agriculture) et de la biomasse (environnement) ou la sismologie. Un domaine o` u elle est encore peu utilis ee malgr e un fort potentiel est celui de la glaciologie. Les probl` emes pos es et les r eponses que peuvent apporter linterf erom etrie et la polarim etrie ` a l etude des glaciers alpins font lobjet de la deuxi` eme partie de ce manuscrit.

Deuxi` eme partie

Application ` a lobservation des glaciers du massif du Mont-Blanc

93

Chapitre 5

Introduction
Sommaire
5.1 5.2 Pr esentation des glaciers etudi es : Mer-de-glace et Argenti` ere . . . 5.2.1 5.2.2 5.3 97 Donn ees SAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 Donn ees satellitaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 Donn ees a eroport ees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

Donn ees de terrain

95

96

CHAPITRE 5. INTRODUCTION

La n du XX-` eme si` ecle et le d ebut du XXI-` eme voient un recul spectaculaire des glaciers dans les Alpes [IPCC-01], [Dyur-03]. Sil est conrm e dans les ann ees ` a venir, ce recul aura des cons equences importantes sur le bilan des ressources en eau, le d eveloppement economique et la gestion des risques dans les r egions limitrophes [Rich-00], [Kaab-05]. En 2002, seulement 1% des glaciers temp er es etaient surveill es ` a travers le monde entier [Brai-02]. G en eralement, la technique conventionnelle de surveillance sappuie sur des mesures de terrain ponctuelles (balises dablation), eectu ees une ou deux fois par an [Vinc-04]. Face aux dicult es dacc` es aux points de mesure au sol dans des conditions ` a risque elev e (haute montagne), lacquisition et le traitement des donn ees de t el ed etection orent une alternative aux mesures de terrains [Kaab-05], [Kaab-05a]. R ecemment, les communaut es g eosciences et t el ed etection ont commenc e une activit e conjointe darchivage des donn ees de t el ed etection [Karg-05] pour la surveillance des glaciers, a travers des programmes internationaux comme GLIMS (Global Land Ice Measurements from ` Space ; http ://www.glims.org) ou GLACIORISK (Survey and Prevention of Extreme Glaciological Hazards in European Mountainous Regions ; http ://glaciorisk.grenoble.cemagref.fr). Dans les Alpes, o` u le relief haute montagne rend n ecessaire lutilisation des techniques de t el ed etection, des s eries de donn ees ` a la fois optiques et radar sont disponibles via les agences locales dinformation g eographique [RGD-7374], les agences spatiales nationales (CNES) et internationales (ESA - European Space Agency). Mais lexploitation de cette abondance de donn ees reste une t ache dicile et lextraction des mesures g eophysiques (champs de vitesse, topographie basale et en surface ...) appartient exclusivement au domaine de la recherche scientique jusqu` a pr esent. Lobservation des glaciers alpins par t el ed etection est un exemple typique de d eveloppements m ethodologiques orient es application. En eet, le d eplacement des glaciers alpins (plusieurs dizaines de centim` etres par jour), leur composition (glace, eau, neige, rochers), les evolutions temporelles ( etat de surface, accumulation/ablation dans les parties sup erieures/inf erieures ...) et le fort relief des montagnes qui les entourent constituent un v eritable d e pour le traitement dimages satellitaires. En particulier en imagerie radar, passer des donn ees ERS sur la for et tropicale ` a des donn ees haute r esolution sur le massif du Mont-Blanc ne peut pas se faire sans retravailler les m ethodes de traitement et prendre en compte les sp ecicit es des images et du contexte g eophysique. Au del` a des aspects m ethodologiques, les mesures eectu ees par t el ed etection sur les glaciers alpins sont int eressantes du point de vue g eosciences car l evolution des glaciers constitue un indicateur local des cons equences des changements climatiques globaux. Les r esultats obtenus sur quelques glaciers dune cha ne de montagnes sont g en eralement repr esentatifs de l evolution locale [Vinc-04]. En revanche, des cha nes montagneuses situ ees ` a des latitudes comparables evoluent di eremment en fonction des conditions climatiques. Les travaux de Berthier et al. [Bert-05], [Bert-05a] ont abouti aux premiers champs de vitesse en surface de glaciers du massif Mont-Blanc. La technique utilis ee se base sur la corr elation des images SPOT et pr esente le d esavantage classique des capteurs optiques : la sensibilit e ` a lalb edo de surface (le rayonnement visible ou proche infrarouge ne p en` etre pas dans la neige ou la glace) qui peut changer fortement lors dune chute de neige. Un capteur radar actif (comme le SAR en bande C) est en revanche insensible ` a la neige fra chement tomb ee puisque londe

 : MER-DE-GLACE ET ARGENTIERE ` 5.1. PRESENTATION DES GLACIERS ETUDI ES

97

radar p en` etre ` a travers la neige si elle est s` eche [Gela-05]. Ainsi, les champs de vitesse d eriv es par Berthier et al. sont estim es sur un intervalle de temps sup erieur ` a 26 jours et uniquement en et e (juillet-septembre) car en hiver le glacier est couvert par la neige. Limagerie SAR avec des intervalles dobservation de plusieurs jours est compl ementaire de limagerie optique. Les travaux pr esent es dans la deuxi` eme partie de cette th` ese sinscrivent dans le cadre de projet MEGATOR (Mesure de lEvolution des Glaciers Alpins par T el ed etection Optique et Radar - des archives ` a ORFEO ; http ://gipsa.lis.inpg.fr/megator), nanc e par une Action Concert ee Incitative Masses des donn ees du minist` ere de la recherche avec la participation du CNES (Centre National dEtudes Spatiales). Les contributions personnelles autour de ce projet se situent au niveau de laxe : synth` ese SAR et g en eration dinterf erogrammes dans le contexte haute montagne - haute r esolution pour mesurer les d eplacements des glaciers sur une echelle de temps courte (quelques jours) [Trou-06a], [Trou-07]. Cette partie applicative est divis ee en deux chapitres correspondant aux deux types de donn ees trait ees : donn ees SAR interf erom etriques mono-polarisation ERS 1/2 (cf. Chap. 6), donn ees SAR polarim etriques interf erom etriques E-SAR (cf. Chap. 7). Les caract eristiques et les mesures g eophysiques envisag ees sont : des champs de vitesse en surface par interf erom etrie SAR et la cartographie des glaciers par des techniques de classication POLSAR/POL-InSAR.

5.1

Pr esentation des glaciers etudi es : Mer-de-glace et Argenti` ere

Le massif du Mont-Blanc contient la plupart des grands glaciers fran cais. Le site test Chamonix Mont-Blanc (cf. Fig. 5.1) propos e par le projet MEGATOR est localis e aux fronti` eres communes entre la France, lItalie et la Suisse et il comprend les glaciers situ es entre Le-Grand0 0 0 0 Plateau (45 50 N, 6 51 E ; 4000m ASL) et le glacier du Trient (46 59 N, 7 01 E ; 2000m ASL). Nous nous int eressons particuli` erement au complexe glaciaire form e de la Mer-de-glace et de ses auents, les glaciers de Leschaux et celui du Tacul, et du glacier dArgenti` ere. La Mer-de-glace et Argenti` ere font partie des glaciers les plus instrument es et sont visibles dans les acquisitions radar ERS descendantes (cf. Fig. 5.2 et Fig. 5.3). Lordre de grandeur de leur vitesse d ecoulement est de 30 centim` etres par jour. La gure 5.3 donne une vue 3D du massif du Mont-Blanc ` a travers le radar ERS sur une orbite descendante. Limage d el evation de la zone a et e recal ee avec les donn ees SAR, ainsi quavec une image multi-spectrale a eroport ee [RGD-7374]. Dans les deux cas, les r egions correspondant a lombre et au repliement dans la g ` eom etrie SAR ont et e mise ` a z ero. Ainsi, le Mont-Blanc, etant en repliement, nest pas visible en g eom etrie radar ERS descendante. Le glacier de Leschaux na t sous les cr etes des Grandes-Jorasses culminant ` a plus de 4000m ASL. Lors de son ecoulement, il rencontre sur son anc gauche le glacier des P eriades

98

CHAPITRE 5. INTRODUCTION

Fig. 5.1 Carte IGN au 1 :25000 eme du site test Chamonix Mont-Blanc [RGD-7374].

 : MER-DE-GLACE ET ARGENTIERE ` 5.1. PRESENTATION DES GLACIERS ETUDI ES

99

(a)

(b) Fig. 5.2 Le massif du Mont-Blanc, vue 3D en g eom etrie sol Lat/Long : (a) image SPOT2 multi-spectrale, (b) image damplitude SAR fournie par le satellite ERS1.

100

CHAPITRE 5. INTRODUCTION

(a)

(b) Fig. 5.3 Le massif du Mont-Blanc, vue 3D en g eom etrie radar Distance/Azimut : (a) image a eroport ee multi-spectrale [RGD-7374], (b) image damplitude SAR fournie par le satellite ERS1.

 5.2. DONNEES SAR

101

ainsi que l enorme glacier du Tacul, h eritier dune partie des ux provenant du glacier du G eant et de la Vall ee-Blanche. Ensemble, ils forment la Mer-de-Glace dont la langue terminale sarr ete peu au dessus de la commune de Chamonix. La Mer-de-Glace, en permanence aliment ee par trois langues glaciaires, s etire ainsi sur 4km depuis le point de conuence de ces glaciers, situ e` a environ 2150m ASL, et jusquau Rocher-des-Mottets, sa langue terminale atteignant aujourdhui approximativement laltitude de 1500m ASL. Le glacier dArgenti` ere, situ e` a quelques kilom` etres au Nord-Est de la Mer-de-Glace, s ecoule aussi vers la vall ee du Chamonix, globalement dans la direction Sud-Est Nord-Ouest. Il s etend approximativement sur 1530m de d enivel e, entre les cotes 3000m et 1470m ASL.

5.2
5.2.1

Donn ees SAR

Donn ees satellitaires

Par la suite, 16 donn ees RAW ERS 1/2 ont et e s electionn ees pour etudier le potentiel et les limites de linterf erom etrie SAR pour extraire les champs de vitesse des glaciers du Mont-Blanc. Le jeu de donn ees pr esent e dans le tableau 5.1 a et e fourni par lESA dans le cadre des projets Category 1 no. 1088 et no. 3525 et il comprend des acquisitions avec plusieurs ecarts temporels (6 jours, 3 jours et pour les couples TANDEM ` a 1 jour), ` a di erentes saisons et sur des orbites ascendantes et descendantes. Tab. 5.1 Donn ees RAW ERS sur le massif du Mont-Blanc. B : base interf erom etrique (parall` ele et perpendiculaire au LOS), ea : altitude dambigu t e.
Dates 17.08.91 29.08.91 09.07.95 13.08.95 22.10.95 31.12.95 10.03.96 14.04.96 / / / / / / / / 20.08.91 04.09.91 10.07.95 14.08.95 23.10.95 01.01.96 11.03.96 15.04.96 t 3 6 1 1 1 1 1 1 j j j j j j j j Satel. ERS-1/1 ERS-1/1 ERS-1/2 ERS-1/2 ERS-1/2 ERS-1/2 ERS-1/2 ERS-1/2 Orbites 00449 00621 20830 21331 22326 23328 24330 24831 / / / / / / / / 0492 0707 1157 1658 2653 3655 4657 5158 Frame 2682 2682 0909 0909 2673 2673 2673 2673 Pas. Des. Des. Asc. Asc. Des. Des. Des. Des. B (m) -44 36 17 -37 -44 79 26 39 B (m) -7 291 52 -98 -107 208 9 93 ea (m) 1202 29 162 86 87 45 935 100

5.2.2

Donn ees a eroport ees

Une collaboration entre les equipes de recherche fran caises participant au projet MEGATOR et le Centre Spatial Allemand (DLR-HR) a permis de r ealiser une campagne dacquisition des donn ees SAR a eroport ees, en octobre 2006, sur les glaciers dArgenti` ere, de Tal` efre, de Lescahaux et du Tacul [Land-07]. Le syst` eme allemand E-SAR est un des rares syst` eme europ eens civils capable dacqu erir des images radar dans 4 bandes de fr equence (X, C, L et P), pleinement

102

CHAPITRE 5. INTRODUCTION

polarim etriques en bande L et P, sur des passes r ep et ees pour obtenir des donn ees POLInSAR avec di erentes basses et di erents ecarts temporels. Nous avons ainsi pu travailler durant les derniers mois de ma th` ese sur les premi` eres s eries de donn ees POLSAR et POL-InSAR (cf. Tab. 5.2) acquises sur les glaciers du site test Chamonix Mont-Blanc. Lapplication des m ethodes propos ees dans la premi` ere partie de cette th` ese, telles que lestimation adaptative des param` etres et la classication non-supervis ee, nous ont permis deectuer lanalyse des r esultats en liaison avec lexpertise acquise sur le terrain et les mesures r ealis ees in situ. Tab. 5.2 Donn ees SAR a eroport ees acquises sur les glaciers dArgenti` ere, de Tal` efre, de Lescahaux et du Tacul.
agence campagne date capteur bande mode polarisation echantillonnage SLC en distance (m) echantillonnage SLC en azimut (m) altitude MSL (m) t (min) B (m) B (m) DLR-HR MEGATO 11.10.2006 E-SAR P monostatique HH, VV, XX 1.5 0.72 6045 DLR-HR MEGATO 10.10.2006 E-SAR L monostatique HH, VV, XX 1.5 0.45 6045 DLR-HR MEGATO 10.10.2006 E-SAR L monostatique HH, VV, XX 1.5 0.45 6040 16.4 0.12 -9.79

5.3

Donn ees de terrain

Lint er et principal du site test propos e par le projet MEGATOR r eside dans la possibilit e de comparer les mesures d eriv ees par interf erom etrie SAR ` a des donn ees de terrain. Ces derni` eres ont et e fournies par lObservatoire de Recherche en Environnement - GLACIOCLIM (Les GLACIers, un Observatoire du CLIMat ; http ://www-lgge.ujf-grenoble.fr) et sont issues des balises dablation implant ees sur les glaciers dArgenti` ere et de la Mer-de-Glace par le LGGE (Laboratoire de Glaciologie et de G eophysique de Grenoble). Les gures 5.4 et 5.5 pr esentent la localisation exacte des prols d enis par les balises dablation mesur ees r eguli` erement depuis 1994 par le LGGE. Dans ces travaux on utilise les prols suivantes : Mer-de-Glace : prols Montenvers, Echelets et Tr elaporte ; Argenti` ere : prols 4, 5, 7 et quelques points suppl ementaires disponibles pour la saison 1996-1997. La campagne MEGATOR/DLR dacquisition dimages SAR a eroport ees d ecrite dans [Land-07] a et e coupl ee avec des mesures in situ sur le glacier dArgenti` ere avec notamment des mesures GPS di erentiel (positions des corner reectors CR et prols de vitesses), des

 5.3. DONNEES DE TERRAIN

103

Fig. 5.4 Donn ees de terrain sur la Mer-de-Glace c GLACIOCLIM.

104

CHAPITRE 5. INTRODUCTION

Fig. 5.5 Donn ees de terrain sur le glacier dArgenti` ere c GLACIOCLIM.

Fig. 5.6 Donn ees de terrain sur le glacier dArgenti` ere (octobre 2006). Prol stratigraphique du manteau neigeux ` a 2976m ASL (10/10/2006, 11h30 AM).

 5.3. DONNEES DE TERRAIN

105

prols stratigraphiques de la neige et des prols GPR (Ground Penetrating Radar). Les donn ees de terrain utilis ees dans linterpr etation des r esultats de classication pr esent es au chapitre 7 sont : un prol stratigraphique du manteau neigeux ` a 2976m ASL qui est situ e` a la limite de la zone daccumulation du glacier dArgenti` ere (cf. Fig. 5.6), un prol longitudinal GPR ` a 250MHz (fr equence proche de celle de la bande P du syst` eme E-SAR qui est entre 300 400MHz).

106

CHAPITRE 5. INTRODUCTION

Chapitre 6

D eplacements des glaciers mesur es par D-InSAR

Sommaire
6.1 6.2 Synth` ese SAR : DIAPSON, ROI-PAC et SYTER . . . . . . . . . . . 108 G en eration dinterf erogrammes . . . . . . . . . . . . . . . . . . . . . . 110 6.2.1 Evaluation de la visibilit e des glaciers par ERS . . . . . . . . . . . . . . 111 6.2.2 6.2.3 6.3 6.4 Analyse des r esultats InSAR . . . . . . . . . . . . . . . . . . . . . . . . 111 G en erations dinterf erogrammes di erentiels SAR . . . . . . . . . . . . . 115 . 117

Filtrage, d eveloppement de phase D-InSAR et g eor ef erencement 6.4.1 6.4.2 6.4.3

Champs de vitesse 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 Du d eplacement en ligne de vis ee (LOS) au champs de vitesse 3D . . . . 119 Comparaison avec les donn ees terrain . . . . . . . . . . . . . . . . . . . 121 Conance de la mesure D-InSAR . . . . . . . . . . . . . . . . . . . . . . 123

6.5

Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

107

108

PAR D-INSAR CHAPITRE 6. DEPLACEMENTS DES GLACIERS MESURES

Linterf erom etrie radar di erentielle (D-InSAR) a tr` es t ot et e employ ee pour mesurer des mouvements de glaciers, principalement dans des zones polaires [Gold-93] ou ` a des latitudes elev ees (glaciers sub-polaires) [Kwok-96] [Joug-98]. En revanche, les r esultats obtenus sur des glaciers alpins (glaciers de montagne situ es dans les zones temp er ees) sont relativement peu nombreux [Matt-98]. A notre connaissance, il ny a pratiquement pas de r esultats publi es sur les glaciers des Alpes, ` a lexception de r esum es de communications : en Suisse [Stro-02] et en Italie [Ster-03] . Le contexte des glaciers alpins di` ere de celui des glaciers polaires ou sub-polaires. Il n ecessite de reconsid erer certaines hypoth` eses et induit des limitations ou des probl` emes de traitement suppl ementaires [Trou-07] : 1. Relief de haute montagne. La visibilit e des glaciers alpins situ es dans des vall ees etroites est r eduite ` a cause des ph enom` enes dombre et de repliement. 2. Taille r eduite des glaciers alpins. Typiquement, dans le massif Mont-Blanc la taille des glaciers fait approximativement une dizaine de kilom` etres de long et souvent seulement quelques kilom` etres de large. Cette petite taille a deux cons equences importantes du point de vue traitement : elle restreint les possibilit es de ltrage avec de grandes fen etres [Joug-98] et augmente le risque de morcellement dun glacier en r egions s epar ees par des zones o` u la phase est inutilisable. 3. Temp erature des glaciers. La modication d etat de surface des glaciers alpins due ` a la fonte d et e entra ne une forte d ecorr elation temporelle p enalisante pour linterf erom etrie. Dautre part, les prols mesur es sur les glaciers situ es ` a basse altitude montrent que la temp erature de la glace est tr` es proche de 0 alors quelle est fortement n egative sur les glaciers polaires. Ces sp ecicit es des glaciers alpins conduisent ` a une approche l eg` erement di erente de la cha ne classique de traitement D-InSAR des donn ees satellitaires. Par exemple, lestimation des images de phase et de coh erence n ecessite un algorithme de ltrage adaptatif qui doit assurer la pr eservation de la discontinuit e entre les glaciers et les montagnes autour. Le ltrage IDANML, propos e dans la premi` ere partie de cette th` ese, assure un bon compromis entre la perte de la r esolution spatiale induite par le moyennage multivues complexe et la r eduction de bruit. Cette etape est cruciale dans la cha ne de traitement, car la projection de d eplacement du glacier sur la ligne de vis ee du satellite est calcul ee en appliquant le d eroulement de phase directement sur linterf erogramme ltr e avec IDAN-ML. La suite de ce chapitre pr esente lapplication de la cha ne de traitement InSAR dans le contexte particulier de glaciers alpins du massif Mont-Blanc.

6.1

Synth` ese SAR : DIAPSON, ROI-PAC et SYTER

Le traitement D-InSAR des donn ees ERS 1/2 pr esent ees dans le tableau 5.1 a et e eectu e` a laide de trois logiciels : 1. DIAPASON (Dierential Interferometric Automated Process Applied to Survey Of Nature) [Mass-94],

` 6.1. SYNTHESE SAR : DIAPSON, ROI-PAC ET SYTER

109

2. ROIPAC (Repeated Orbit Interferometry Package) [Rose-04], 3. SYTER (SYnth` ese TEmporelle Radar) [Nico-07]. Le logiciel DIAPASON propose une cha ne compl` ete de traitement D-InSAR avec une volont e douverture vers les utilisateurs naux des di erents domaines dapplication (sismologie, vulcanologie, ...) [Mass-94], [Mass-97]. D evelopp e dans les ann ees 1990 par le CNES, DIAPASON fournit de meilleures performances en utilisant des donn ees RAW ` a la place des SLC. La synth` ese SAR est eectu ee dans le domaine spectral pour r eduire la complexit e algorithmique (une contrainte cruciale ` a l epoque). DIAPASON fonctionne en deux modes : sans MNT. Il utilise une altitude constante sur toute la sc` ene SAR. Les r esultats ainsi obtenus sont utilisables seulement pour les interf erogrammes avec un gradient local d el evation inf erieur ` a la moiti e de laltitude dambigu t e. Ceci nest pas le cas du massif du Mont-Blanc. avec MNT. DIAPASON propose lutilisation du MNT pour la g en eration dinterf erogrammes SAR. Les images damplitude, phase et coh erence peuvent etre echantillonn ees directement en g eom etrie terrain, ce qui augmente la pr ecision de g eor ef erencement des donn ees SAR. En g en eral, nous pr ef erons eviter cette approche car l echantillonnage en g eom etrie radar permet un traitement post erieur able (ltrage, d eveloppement de phase). Le deuxi` eme logiciel de traitement D-InSAR test e sur les donn ees du massif Mont-Blanc est ROI-PAC. N e lors des premi` eres exp eriences de Zebker et al. en interf erom etrie SAR satellitaire [Zebk-86] et, enrichi par les contributions des di erents chercheurs du JPL (Jet Propulsion Laboratory) et Caltech, le logiciel ROI-PAC a et e mis en ligne en 2000 [Rose-00]. Il utilise des images RAW et des donn ees t el em etriques en combinaison avec un MNT de la sc` ene imag ee pour g en erer des cartes de d eplacement [Rose-04]. Dans la cha ne D-InSAR propos ee par ROI-PAC, le MNT intervient ` a trois niveaux : corrections orbitales, compensation des franges topographiques et g eor ef erencement des produits issus du traitement (coh erence, phase d evelopp ee ou amplitude). Pour les deux logiciels, la synth` ese SAR est eectu ee sous une hypoth` ese daltitude constante dans la sc` ene (l el evation moyenne). Cette hypoth` ese est susceptible dintroduire des erreurs de focalisation dans les zones de hautes montagnes : la vall ee de Chamonix et le sommet du Mont-Blanc pr esentent une di erence d el evation de presque 4000m, alors que la profondeur de champ (FOV) des images ERS est du m eme ordre de grandeur (quelques kilom` etres). Le futur mode SAR haute r esolution augmentant encore plus les contraintes de focalisation, la prise en compte dun MNT devient n ecessaire pour la synth` ese SAR HR [Nico-07]. Nous avons egalement exp eriment e le logiciel SYTER d evelopp e par Jean-Marie Nicolas ` a lENST (GET-T el ecom Paris). Lapproche correspond ` a une formation de voies dans le domaine temporel et se base sur les principes suivants [Nico-07] : En utilisant localement une approximation circulaire de lorbite du satellite, combin ee avec la rotation de la Terre, on calcule le d eplacement relatif des points imag es par le radar. Ce calcul permet de d eterminer la position exacte du CPA (Closest Point Approach), qui repr esente le point o` u la distance cible-radar est la plus faible. Toutes les positions, par rapport au CPA, des points du sol sont ensuite enregistr ees dans une liste auxiliaire. La synth` ese SAR est obtenue par sommation coh erente (dans le domaine temporel) des pixels RAW retard es suivant leur position relative au pixel ` a focaliser. Le retard n ecessaire

110

PAR D-INSAR CHAPITRE 6. DEPLACEMENTS DES GLACIERS MESURES

pour la formation de voies est d etermin e en utilisant la liste des positions relatives g en er ee pr ec edemment. Au nal, des images pseudo SLC sont obtenues en eectuant la synth` ese SAR directement sur une grille r eguli` ere ` a la surface du g eo de. Les deux images etant synth etis ees directement dans la m eme g eom etrie, la dicult e du recalage interf erom etrique dispara t et les franges orbitales se trouvent elimin ees par lintroduction de la base comme un d ecalage dans la position du satellite. Dans le cadre du projet MEGATOR, nous avons particip e` a lexp erimentation de cette approche et ` a la publication des premiers r esultats SYTER [Nico-07]. Les r esultats pr esent es dans la gure 6.1 sur la zone du Mont-Blanc permettent de retrouver, ` a la surface des glaciers, des franges de d eplacement comparables ` a celles issues des logiciels standards ROI-PAC et DIAPASON. Les di erences observ ees dans la taille et la forme des franges sont li ees ` a la g eom etrie d echantillonnage : les interf erogrammes DIAPASON et ROI-PAC sont en g eom etrie radar distance/azimut et le r esultat SYTER est en g eom etrie sol.

(a)

(b)

(c)

Fig. 6.1 Interf erogramme di erentiel TANDEM ERS 1/2, 10-11/03/1996 : (a)-(b) r esultat DIAPASON et ROIPAC en g eom etrie radar, apr` es soustraction des franges orbitales, (c) r esultat SYTER en g eom etrie terrain. Par la suite, lutilisation dun MNT ` a la place du g eo de devrait permettre de prendre en compte dans lapproche SYTER les variations de distance dues ` a la topographie et d eliminer les franges topographiques. Dans le contexte des donn ees spatiales haute r esolution, cette approche devrait permettre doptimiser la synth` ese du point de vue de la focalisation et de la corr elation. Les r esultats D-InSAR pr esent es dans la suite du chapitre sont obtenus en utilisant le logiciel ROI-PAC et les orbites pr ecises fournies par lUniversit e de Delft (http ://www.deos.tudelft.nl/ers/precorbs), Pays-Bas.

6.2

G en eration dinterf erogrammes

Nous avons trait e 10 couples ERS, dans des passes ascendantes ou descendantes, acquises ` a 1 et 3 jours dintervalle sur les glaciers de la vall ee de Chamonix aux di erentes p eriodes de

 ERATION 6.2. GEN DINTERFEROGRAMMES

111

lann ee (cf. Tab. 5.1).

6.2.1

Evaluation de la visibilit e des glaciers par ERS

Les donn ees SAR acquises dans les zones de fort relief se pr etent mal ` a une interpretation directe en raison de leur g eom etrie sp ecique : un axe echantillonn e en distance radar-cible (correspondant ` a la nature m eme du radar) et un axe donn e par le d eplacement du porteur (direction azimutale). Du fait de l echantillonnage en distance, la transformation qui relie la g eom etrie sol ` a la g eom etrie radar nest plus bijective d` es que le relief de la zone imag ee comprend des pentes orient ees vers le radar qui d epassent langle dillumination. Avec une faible incidence (autour de 23 ) les images ERS sont tr` es vite perturb ees par le ph enom` ene de basculement ` a lorigine de ces probl` emes de visibilit e. Des zones dombre apparaissent egalement lorsque quune partie du relief sinterpose entre le radar et le sol et se traduisent par labsence de signal r etrodius e aux distances correspondantes. An dinterpr eter th ematiquement les donn ees InSAR (visibilit e radar, pr eservation de coh erence...), le fort relief de la zone (site du Mont-Blanc) rendant dicile la localisation pr ecise des ph enom` enes etudi es, il est n ecessaire deectuer des echanges entre les donn ees radar et des donn ees g eor ef erenc ees progressivement rassembl ees au sein dun syst` eme dinformation g eographique (SIG) [Jule-06]. Les logiciels SIG utilis es pour illustrer les r esultats en g eom etrie terrain sont : ENVI (Remote Sensing Exploitation Platform), QGIS (Quantum GIS) et la gamme de produits ArcGIS (ArcMap et ArcGlobe) [Koeh-06]. L evaluation de visibilit e des glaciers par les satellites ERS dans des passes ascendantes ou descendantes a et e eectu ee en utilisant le MNT illustr e dans la gure 6.2-(a), mise ` a notre disposition par la R egie de Gestion des Donn ees des Pays de Savoie [RGD-7374]. En connaissant les param` etres du syst` eme radar ERS (altitude, angle dincidence...), les masques de visibilit e sont calcul es pour les passes ascendantes et descendantes correspondant aux frames 0909 et 2673 [Jule-06]. Les deux masques sont ensuite superpos es sur une image multi-spectrale SPOT 2 ortho-recti ee et g eor ef erenc ee (Fig. 6.2-(b)). Les r esultats sont illustr es dans la gure 6.2-(c),(d). On peut distinguer les zones dombre et les zones de repliement qui permettent de d eterminer la visibilit e ERS des glaciers dArgenti` ere et de la Mer-de-glace : 85% visible en conguration descendante, 20% visible en conguration ascendante. En cons equence, seulement les images ERS en passes descendantes sont susceptibles de fournir des champs de vitesse D-InSAR.

6.2.2

Analyse des r esultats InSAR

Une limitation importante de linterf erom etrie est la pr eservation de la coh erence. Nous lavons etudi ee sur les glaciers de la vall ee de Chamonix aux di erentes p eriodes de lann ee en traitant les donn ees pr esent ees dans le tableau 5.1. Fig 6.3 pr esente deux interf erogrammes acquis en p eriode d et e. Dans les deux congurations

112

PAR D-INSAR CHAPITRE 6. DEPLACEMENTS DES GLACIERS MESURES

(a)

(b)

(c)

(d)

Fig. 6.2 Evaluation de visibilit e des glaciers par ERS : (a) MNT, (b) image multi-spectrale SPOT 2 ortho-recti ee et g eor ef erenc ee, (c) masque des zones non-visibles en passe ascendante, (d) masque des zones non-visibles en passe descendante. ascendante/descendante nous avons pu constater une perte compl` ete de coh erence ` a la surface des glaciers etudi es. Ainsi, avec une bonne visibilit e en passe descendante (cf. Fig 6.3-(a),(b)), la coh erence fournit m eme un bon d etecteur de glaciers, les zones de rochers ou dherbes ayant g en eralement une forte coh erence et les for ets un niveau moyen (selon la base perpendiculaire), s eparable de celui des glaciers apr` es ltrage. Deux ph enom` enes peuvent expliquer cette perte de coh erence : 1. soit un d eplacement trop important (plus d1 m` etre en 3 jours) non-compens e par le recalage, les glaciers etant de petite taille par rapport ` a la sc` ene, 2. soit un changement d etat de surface li e aux temp eratures de l et e. Nous avons pu eliminer la premi` ere hypoth` ese en formant, ` a partir dune seule image SLC, plusieurs interf erogrammes correspondant ` a des d eplacements successifs avec un pas dun quart de pixel. Le d eplacement dans limage SLC esclave est obtenu par sur echantillonnage de limage SLC ma tre avec un facteur 4 (fourpoint cubic convolution [Hans-99]). La coh erence correspond dans ce cas ` a une fonction dauto-corr elation normalis ee et elle repr esente en fait la r eponse

 ERATION 6.2. GEN DINTERFEROGRAMMES

113

(a)

(b)

(c)

(d)

Fig. 6.3 Interf erogrammes ERS, 5-vues, massif du Mont-Blanc. ERS 1/1, descendant, 3 jours dintervalle, et e 1991, 12511531 pixels : (a) amplitude SAR annot ee, (b) coh erence. Le rectangle indique la zon e utilis ee pour illustration dans la suite de ce chapitre. ERS 1/2, ascendante, 1 jour dintervalle, et e 1995, 837 1024 pixels : (c) amplitude SAR annot ee, (d) coh erence.

114

PAR D-INSAR CHAPITRE 6. DEPLACEMENTS DES GLACIERS MESURES

impulsionnelle [Touz-99]. On constate (cf. Fig. 6.4) que la coh erence moyenne sur un glacier chute progressivement mais reste sup erieure ` a 0.5 sur une distance de plus de 10 m` etres dans la direction d ecoulement. Cette tol erance aux erreurs de recalage sexplique par la corr elation spatiale des donn ees et exclut par cons equent la premi` ere hypoth` ese.

1
Mean Standard deviation

0.9 0.8 0.7

coherence value

0.6 0.5 0.4 0.3 0.2 0.1 0 0

10

15

20

25

30

meters

Fig. 6.4 Coh erence interf erom etrique en fonction du d eplacement articiel (pas dun quart de pixel appliqu e sur une seule image SLC-17/08/1991). La moyenne et la variance de la coh erence 5-vues sont calcul ees sur les glaciers Mer-de-glace et Leschaux. La seconde hypoth` ese est donc la plus probable. Les changements d etat de surface des glaciers, li es notamment ` a la fonte, aux ruissellements et aux micro-d eplacements al eatoires des d ebris surfaciques, sont trop importants pour que la coh erence ` a 1 jour soit pr eserv ee. Un mod` ele empirique de vitesse dablation conrme cette hypoth` ese : chaque degr e positif conduit ` a une ablation de 6.6mm par jour [Vinc-02], soit une epaisseur non-n egligeable par rapport aux 5.6cm de longueur donde. Il est donc impossible de mesurer en et e par interf erom etrie classique en bande C le d eplacement de glaciers tels que la Mer-de-glace, Leschaux ou Argenti` ere qui sont fr equemment situ es en dessous de lisotherme 0 . Sur les donn ees tandem acquises en hiver, les niveaux de coh erence mesur es n d ecembre et mi-mars (Fig. 6.5-(b),(c)) sont en revanche compatibles avec la mesure de d eplacement par interf erom etrie di erentielle. La faible coh erence observ ee sur une grande partie du couple de 31 d ecembre 1995 / 1er janvier 1996 est probablement due ` a la d ecorr elation volumique en raison dune base importante (291m). Le maintien dune coh erence autour de 0.5 sur les glaciers indique a priori une r etrodiusion moins volumique que dans les parties bois ees. Cette interpr etation renforce lhypoth` ese dune r eection surfacique en bande C au niveau de linterface neige-glace avec une bonne p en etration dans la neige du d ebut dhiver. Sur les couples tandem acquis aux saisons interm ediaires, il est int eressant de constater que les parties les plus hautes des glaciers restent coh erentes alors que les langues terminales sont d ej` a plus d ecorr el ees (cf. Fig. 6.5(a),(d)).

 ERATION 6.2. GEN DINTERFEROGRAMMES

115

(a)

(b)

(c)

(d)

Fig. 6.5 Coh erences IDAN-ML des interf erogrammes TANDEM ERS 1/2, descendant, glaciers dArgenti` ere et Mer-de-glace/Leschaux, 700 600 pixels : (a) 22-23 octobre 1995, (b) 31 d ec. 1995 - 01 jan. 1996, (c) 10-11 mars 1996, (d) 14-15 avril 1996. On peut donc conclure quen hiver linterf erom etrie ` a 1 jour en bande C permet de mesurer le d eplacement des glaciers alors quen et e la perte de coh erence est trop importante pour lapproche classique.

6.2.3

G en erations dinterf erogrammes di erentiels SAR

En g en eral, la phase InSAR pr esente plusieurs termes ind ependants : franges orbitales, franges topographiques, phase de d eplacement et artefacts li es aux changements atmosph eriques [Mass-98]. Les composantes orbitales et topographiques de la phase peuvent etre compens ees en utilisant les informations orbitales et un MNT de la sc` ene imag ee par le radar. L evaluation visuelle des interf erogrammes di erentiels ainsi obtenus (cf. Fig. 6.6) montre une bonne pr ecision dans le traitement : hors des r egions glaciaires, la phase D-InSAR est quasi constante selon laxe azimut et pr esente des variations inf erieures ` a un quart de frange en distance. Il est important de souligner le fait que ce r esultat est obtenu dans des conditions diciles, avec des bases perpen-

116

PAR D-INSAR CHAPITRE 6. DEPLACEMENTS DES GLACIERS MESURES

diculaires importantes et jusqu` a 4000m de d enivell e entre la vall ee du Chamonix et le sommet du Mont-Blanc.

(a)

(b)

(c)

(d)

Fig. 6.6 Interf erogrammes di erentiels IDAN-ML, TANDEM ERS 1/2, descendant, glaciers dArgenti` ere et Mer-de-glace/Leschaux, 700 600 pixels : (a) 22-23 octobre 1995, (b) 31 d ec. 1995 - 01 jan. 1996, (c) 10-11 mars 1996, (d) 14-15 avril 1996. En ce qui concerne les artefacts atmosph eriques, la surface dun glacier etant tr` es petite par rapport ` a une sc` ene ERS, seuls des changements atmosph eriques locaux peuvent modier les mesures. La vitesse de propagation d ependant principalement de la temp erature et de la pression de vapeur deau (formule de Weistraub [Tara-96]), la faible pression de vapeur deau saturante autour de 0 rend a priori n egligeables les variations de vitesse ` a l echelle du glacier ` a 1 jour dintervalle. Nous avons v eri e cette hypoth` ese en calculent les di erences de phases (cf. Fig. 6.7) entres les paires D-InSAR repr esent ees dans la gure 6.6. Linterf erogramme de r ef erence est celui de mars 1996. Cette di erences de phases est quasiment nulle pour deux couples D-InSAR cons ecutifs (avril/mars 1996) et elle croit avec laugmentation de l ecart temporel entre les interf erogrammes (mars/janvier 1996 et mars 1996 / octobre 1995) [Bomb-06]. Les mesures in situ pr esent ees en [Hant-81] semblent conrmer cette evolution annuelle.

 ERENCEMENT 6.3. FILTRAGE, DEVELOPPEMENT DE PHASE D-INSAR ET GEOR EF

117

(a)

(b)

(c)

Fig. 6.7 Di erences de phases interf erom etriques, TANDEM ERS 1/2, descendant, glaciers dArgenti` ere et Mer-de-glace/Leschaux, 700 600 pixels : (a) avril 1996 / mars 1996 (t = 35 jours), (b) mars 1996 / janvier 1996 (t = 70 jours), (c) mars 1996 / octobre 1995 (t = 140 jours) [Bomb-06]. En conclusion, ` a l echelle locale des glaciers alpins du massif du Mont-Blanc, les perturbations atmosph eriques dans les interf erogrammes di erentielles ERS peuvent etre consid er ees comme n egligeables pendant le saison froide (octobre-avril).

6.3

Filtrage, d eveloppement g eor ef erencement

de

phase

D-InSAR

et

L etape du d eveloppement de phase 2D est n ecessaire pour transformer limage de phase repli ee en un champ de d eplacement. Cette etape est dicile ` a automatiser, en particulier dans le contexte des glaciers temp er es en raison de nombreuses zones inexploitables et des discontinuit es aux bords des parties en mouvement. La question du d eveloppement de phase est rarement abord ee dans les publications qui pr esentent des mesures D-InSAR de d eplacements de glaciers. Lorsque les auteurs ne passent pas cette etape sous silence, ils soulignent g en eralement la dicult e dun traitement automatique ou d ecrivent une proc edure proche dun traitement manuel telle quun d eveloppement 1D le long dun prol moyen au centre du glacier [Rabu-00]. Les obstacles communs aux di erentes applications InSAR sont dune part le bruit de la phase li e au niveau de coh erence et dautre part la disparition du signal de phase due au relief (basculement), ` a laliasing ( echantillonnage insusant). La r eponse g en eralement apport ee ` a ces dicult es consiste ` a r eduire le bruit par ltrage et ` a limiter le d eveloppement aux zones o` u le signal de phase est a priori exploitable. Les interf erogrammes illustr es dans ce chapitre sont ltr es en utilisant IDAN-ML. Cette approche nous semble particuli` erement int eressante dans le contexte des glaciers encaiss es dans des vall ees alpines, car lalgorithme IDAN evite de mordre sur la moraine xe et respecte ainsi la discontinuit e entre le corps glaciaire en mouvement et les montagnes autour de lui. Dans le contexte des glaciers alpins, parmi les deux approches du d eveloppement de phase pr esent ees au paragraphe 2.3.5, lapproche globale nous semble pr ef erable pour deux raisons :

118

PAR D-INSAR CHAPITRE 6. DEPLACEMENTS DES GLACIERS MESURES

1. Les erreurs de d eveloppement sont visibles et quantiables localement ` a laide des franges r esiduelles obtenues en formant la di erence modulo 2 entre le r esultat et la phase initiale. 2. Ces m ethodes peuvent travailler aussi bien sur les di erences de phases point ` a point (limit ees ` a lintervalle [, ]) que sur des estimations du gradient fournies par les fr equences locales [Trou-98], ces derni` eres pouvant d epasser le crit` ere de Shannon si un mod` ele ou une estimation multi-r esolution (cf. Sect. 3.4) permet de les mesurer. Les r esultats obtenus sur les glaciers de la vall ee de Chamonix, illustr es dans la gure 6.8, ont ainsi et e calcul es par moindres carr es pond er es par la coh erence ltr ee et un masque des parties visibles des glaciers. Les erreurs de d eveloppement mesur ees sur la Mer-de-glace/Leschaux et sur la partie sup erieure du glacier dArgenti` ere sont inf erieures ` a une frange.

(a)

(b)

(c)

Fig. 6.8 Interf erogramme tandem ERS 1/2 (10-11 mars 1996) ; d eveloppement de phase sur les glaciers dArgenti` ere et Mer-de-glace/Leschaux par moindres carr es pond er es par la coh erence : (a) coh erence ltr ee (IDAN-ML), (b) phase ltr ee (IDAN-ML), (c) phase d evelopp ee. Ind ependamment de la m ethode utilis ee, le r esultat du d eveloppement de phase est obtenu sur chaque glacier (ou r egion connexe) ` a une constante additive pr` es. Il est parfois dicile de trouver dans les parties visibles des glaciers une zone de vitesse nulle qui puisse servir au calage absolu du r esultat. Il est alors n ecessaire de recourir ` a des donn ees externes telles que des mesures in situ eectu ees par exemple par GPS di erentiel : un point sut ` a caler lensemble dun champ de d eplacement sur une composante connexe. Lint egration de cette donn ee compl ementaire se fait en projetant les vitesses mesur ees in situ sur laxe de vis ee radar et en recalant les points avec les donn ees D-InSAR. En vue de la derni` ere etape, le plus simple consiste ` a ortho-rectier la phase d evelopp ee (cf. Fig. 6.9) et calculer ensuite les osets qui permettent dajuster les deux sources de mesure. En labsence de mesure in situ aux dates dacquisition des images ERS disponibles sur les glaciers de la vall ee de Chamonix, nous avons utilis e des mesures de d eplacement annuel entre 1995 et 1996 eectu ees sur des balises dablation (cf. Sect. 5.3). Les uctuations entre les vitesses basses (en hiver) et hautes (en et e) mesur ees sur ces glaciers etant de lordre de 30%, cet ajustement de loset du d eveloppement de phase est in evitablement source dimpr ecision. Il faut toutefois noter que tant que la vitesse est en ligne de vis ee LOS, cette erreur est constante sur lensemble de la zone d evelopp ee. Elle se distingue dune erreur due par exemple au bruit qui varie al eatoirement dun pixel ` a lautre. De plus, ce probl` eme doset inconnu naecte pas les d eriv ees du champ de vitesse utilis ees pour calculer les champs de contraintes ` a la surface

6.4. CHAMPS DE VITESSE 3D

119

(a)

(b)

(c)

(d)

Fig. 6.9 G eor ef erencement des donn ees TANDEM ERS 1/2 du 10-11 mars 1996, glaciers dArgenti` ere et Mer-de-glace/Leschaux : (a) amplitude, (b) coh erence, (c) MNT, (d) phase d evelopp ee incrust ee sur une image a eroport ee multi-spectrale ortho-recti ee. des glaciers [Fors-03].

6.4

Champs de vitesse 3D

La derni` ere etape de la cha ne de traitement D-InSAR appliqu ee aux d eplacements des glaciers consiste ` a convertir la vitesse mesur ee par interf erom etrie radar en vitesse 3D. Les travaux pr esent es par la suite ont et e r ealis es lors de mon s ejour au laboratoire GIPSA-lab (Grenoble Images Parole Signal Automatique - Institut National Polytechnique de Grenoble) gr ace ` a une collaboration etroite avec Lionel Bombrun et Michel Gay. La suite de cette section est d edi ee ` a la pr esentation des r esultats naux, la comparaison avec les donn ees in situ ainsi que lanalyse de la conance des mesures d eriv ees par D-InSAR.

6.4.1

Du d eplacement en ligne de vis ee (LOS) au champs de vitesse 3D

Les glaciers etudi es n etant visibles par les satellites ERS que dans les passes descendantes, les champs de vitesse 3D peuvent etre mesur es ` a travers une seule composante, cest ` a dire la

120

PAR D-INSAR CHAPITRE 6. DEPLACEMENTS DES GLACIERS MESURES

projection du d eplacement sur la LOS des passes descendantes. Linformation manquante est obtenue en utilisant un MNT, sous certaines hypoth` eses simplicatrices : 1. ecoulement parall` ele ` a la surface du glacier (SPF), ce qui n eglige la vitesse d emergence (r e emergence) glaciaire [Reeh-99] ; 2. d eplacement dans la direction de plus grande pente (SSF), qui exclut le d eplacement glaciaire par glissement basal [Rabu-00].

Fig. 6.10 Angles form es entre la surface du glacier et la ligne de vis ee SAR (LOS). Les etapes de lalgorithme de projection sont les suivantes : Les deux composantes du gradient de l el evation sont calcul ees en chaque pixel du MNT. La pente Sl et lorientation Or (cf. Fig. 6.10) sont ainsi d etermin ees et le vecteur unitaire E m donne la direction de la pente locale : Em cos(Sl). cos(Or ) = cos(Sl). sin(Or ) . sin(Sl)

(6.1)

Pour chaque pixel de la phase d evelopp ee, lorientation de la LOS et le d eplacement suivant la direction du mouvement sont calcul es. Tout dabord, la direction du satellite est param` etr ees par les deux angles dincidence horizontale et verticale : lincidence verticale incv est langle conventionnel dincidence de londe radar et lincidence horizontale inch est langle d eni par la projection sur le plan horizontal du LOS et le parall` ele g eod esique locale qui passe par le point courant. Le vecteur unitaire de la LOS est donn ee par : E vw sin(incv ). sin(inch ) = sin(incv ). cos(inch ) cos(incv )

(6.2)

Le d eplacement mesur e en ligne de vis ee LOS s ecrit sous la forme : Dvw = u 2 (6.3)

o` u est un coecient donn e par les constantes physiques (pour ERS = 28mm). Le module du d eplacement suivant laxe d ecoulement du glacier Dm est : Dvw Dm = E vw E m (6.4)

6.4. CHAMPS DE VITESSE 3D

121

Au nal, le vecteur vitesse ` a la surface du glacier est calcul e: Dm Vm= Em t avec t lintervalle de temps entre les deux acquisitions SAR. Nous avons ainsi calcul e les mesures de vitesse obtenues avec le couple TANDEM ERS de mars 1996 sous lhypoth` ese d ecoulement parall` ele ` a la surface dans la direction de plus grande pente. Le MNT utilis e a et e ltr e passe bas par des fen etres de 200 200m2 pour eviter les variations de pente locales qui ne correspondent pas ` a la direction d ecoulement, mais aux motifs de crevasses [Reeh-03]. Les vitesses obtenues sont illustr ees dans la gure 6.11. La coh erence ortho-recti ee, utilis ee comme fond de carte fournit une mesure de conance sur la phase interf erom etrique initiale. (6.5)

6.4.2

Comparaison avec les donn ees terrain

Nous avons analys e la correspondance entre les mesures D-InSAR et les mesures in situ sur trois prols du module de la vitesse 3D issus des deux glaciers etudi es. Les mesures de vitesse moyenne annuelle disponibles sur les glaciers dArgenti` ere et Mer-de-glace/Leschaux (cf. Sect.5.3) ont permis une evaluation objective des r esultats D-InSAR. La gure 6.12 pr esente les trois prols avec les intervalles de conance correspondant (cf. Sect.6.4.3) repr esent es par les traites pointill es. Le prol longitudinal sur le glacier dArgenti` ere (Fig. 6.12-(b)) r ev` ele une tendance dacc el eration du haut (zone daccumulation) vers le bas (r egion tr` es crevass ee). Le point utilis e pour le r eglage doset de la phase d evelopp ee est le premier point du prol (le point le plus haut). Dune mani` ere g en erale, le prol D-InSAR suit les variations de vitesse mesur ees par les balises dablation. Sur les glaciers Mer de glace/Leschaux, le prol longitudinal (Fig. 6.12-(d)) pr esente des vitesses faibles ` a proximit e du glacier du Mont-Mallet et une augmentation rapide des vitesses d ecoulement. Des vitesses beaucoup plus faibles se retrouvent ` a la jonction Tacul-Leschaux. Ceci est d u ` a la pente locale faible et aux interactions entre l ecoulement des deux glaciers. Finalement, apr` es une zone de r eacc el eration dans le bassin dablation, les vitesses diminuent sur la langue terminale de la Mer de glace. Cette evolution globale du prol de vitesse est en concordance avec les r esultats publi es dans [Llib-81] ` a partir des mesures in situ et ceux obtenus r ecemment par corr elation des images SPOT [Bert-05]. La pr esence dun artefact de traitement est observable dans la gure 6.12-(d) approximativement ` a 9000m de d ebut du prol. Il sexplique par la relation dorthogonalit e entre la direction LOS et la direction d ecoulement qui fait que le d enominateur de l equation 6.4 tend vers z ero. On peut noter que cette orthogonalit e correspond ` a des pentes critiques ` a lorigine du repliement (foldover). Le masquage des zones de repliement devrait permettre d eviter cette partie des zones non-mesurables [Trou-07].

122

PAR D-INSAR CHAPITRE 6. DEPLACEMENTS DES GLACIERS MESURES

(a)

(b)

(c) Fig. 6.11 Champs de vitesse D-InSAR (TANDEM ERS, 10-11 mars 1996) convertis en vitesse 3D sous lhypoth` ese d ecoulement : (a) - Argenti` ere et (b) - Mer-de-glace/Leschaux, composantes horizontales superpos ees sur la coh erence ortho-recti ee et g eor ef erenc ee ; (c) repr esentation 3D sur MNT.

6.4. CHAMPS DE VITESSE 3D

123

60

55

50

10

45

15

Velocity (cm/day)

35

25

30 25

30 35

20

40

15

45

10 5 0

Velocity profile In situ measurments Slope

0 1000 2000 3000 4000 5000 6000 7000

50 55 60 8000

Distance (m)

(a)
60 0 60 55 50 5 10 55 50

(b)
0 5 10

45

15

45

15

Velocity (cm/day)

Slope (degree)

35

25

35

25

30

30

30

30

25

35

25

35

20

40

20

40

15

45

15

45

10

Velocity profile In situ measurments Slope

0 50 100 150 200 250 300 350 400

50

10

55

Velocity profile In situ measurments Slope

0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 11000

50

55

60 450

60 12000

Distance (m)

Distance (m)

(c)

(d)

Fig. 6.12 Prols du module de la vitesse 3D compar es aux mesures in situ et ` a la pente : (a) localisation des prols, (b) prols longitudinal sur Argenti` ere, (c) prol transversal sur Merde-glace/Leschaux, (d) prol longitudinal sur Mer-de-glace/Leschaux.

6.4.3

Conance de la mesure D-InSAR

Une etude compl` ete sur la conance de la mesure D-InSAR reste encore un point critique car elle n ecessite des mesures compl ementaires in situ aux dates dacquisition des donn ees SAR. De plus, la complexit e de la cha ne de traitement D-InSAR rend dicile la simple propagation des erreurs car ces erreurs rencontr ees aux di erents niveaux de la cha ne ne sont pas mutuellement ind ependantes. Dans le contexte g en eral D-InSAR, Mohr et al. consid` erent les principales sources dincertitude des mesures [Mohr-03] : les caract eristiques des donn ees SAR, lapproche de traitement DInSAR et les propri et es g eophysiques caract eristiques des glaciers etudi es. Pour cette etude, nous pouvons consid erer deux sources dincertitude : lincertitude au niveau des donn ees et leur traitement : les param` etres li es au couple InSAR, au MNT et aux mesures in situ utilis ees pour le r eglage doset de la phase d evelopp ee ; lincertitude au niveau des hypoth` eses simplicatrices : ecoulement parall` ele ` a la surface du glacier et d eplacement dans la direction de plus grande pente.

Slope (degree)

40

20

Velocity (cm/day)

40

20

Slope (degree)

40

20

124

PAR D-INSAR CHAPITRE 6. DEPLACEMENTS DES GLACIERS MESURES

Incertitude au niveau des donn ees et leurs traitements G en eralement, linformation de d eplacement LOS donn ee par la phase D-InSAR est aect ee par trois sources dincertitude. La premi` ere est le bruit du speckle, particuli` erement dans les r egions o` u la coh erence est faible. Le ltrage IDAN-ML a permis datteindre un nombre L important (jusqu` a 50 echantillons) dans la plus part des pixels tout en assurant une bonne localisation du voisinage de lestimation pour pr eserver les structures spatiales ` a la echelle des glaciers alpins. Cette incertitude aecte chaque pixel de linterf erogramme par une variable al eatoire dont la variance peut etre evalu ee dans le cas marginal par la borne de Cramer Rao [Rodr-92] : 1 2 )2 = 1 = ( , (6.6) 2M avec le niveau de coh erence et M le nombre de vues ind ependantes utilis ees par le moyennage multivues complexe pour estimer la phase . La deuxi` eme source dincertitude provient des perturbations atmosph eriques, ainsi que des franges r esiduelles dorigine orbitale ou topographique [Joug-98]. Les eets atmosph eriques etant n egligeables dans le cas des glaciers alpins (cf. Sect. 6.2.3), une evaluation visuelle des interf erogrammes D-InSAR pr esent es dans la gure 6.6 r ev` ele la bonne compensation des franges orbitales ou topographiques. Celle-ci sexplique par le relief de haute montagne qui assure le recalage pr ecis MNT-SAR : la bonne corr elation entre lamplitude SAR r eelle et lamplitude de linterf erogramme simul ee ` a partir du MNT (pr esence des zones de repliement de forte radiom etrie). La derni` ere source dincertitude vient du d eveloppement de phase et du calage des osets. Lincertitude li ee au d eveloppement de phase peut etre evalu ee visuellement par la di erence modulo 2 entre la phase repli ee D-InSAR et la phase d evelopp ee. Par it erations successives de lalgorithme de d eveloppement de phase avec des masques binaires ran es, d enis par lexpert, lerreur r esiduelle peut etre ainsi minimis ee. En revanche, lerreur induite par le calage des osets d epend de la pr ecision des mesures in situ et son impacte est constante sur la totalit e du champ de vitesse. Linterf erogramme D-InSAR utilis ee pour lillustration de ce chapitre pr esente les caract eristiques suivantes : des variations de phase D-InSAR inf erieures ` a (la moiti e dune frange) sur les zones stables (cf. Fig. 6.8) et un nombre de vues equivalent M 25, apr` es le ltrage IDAN-ML. Nous avons utilis e ces param` etres pour calculer un intervalle de conance autour des mesures de vitesse D-InSAR : 1. le calcul de lincertitude LOS en additionnant /2 et ; 2. la projection de lincertitude LOS dans la direction d ecoulement (cf. Eq. 6.4). Ainsi la valeur de lincertitude tends vers linni quand la direction de la pente locale est perpendiculaire ` a la ligne de vis ee LOS. Lintervalle de conance obtenu par la m ethode d ecrite pr ec edemment est illustr e dans la gure 6.12. Il ne prend pas en compte lerreur de calage des osets, qui se traduit par la translation verticale des prols de vitesse D-InSAR.

6.4. CHAMPS DE VITESSE 3D

125

Incertitude au niveau des hypoth` eses simplicatrices

Les hypoth` eses simplicatrices SPF et SSF (cf. Sect. 6.4.1) utilis ees pour la conversion du d eplacement LOS en champ de vitesse 3D repr esentent des sources dincertitude li ees aux propri et es g eophysiques des glaciers alpins. La premi` ere hypoth` ese d ecoulement parall` ele ` a la surface du glacier n eglige la vitesse d emergence (r e emergence) glaciaire. Lincertitude li ee ` a lhypoth` ese SPF est relativement faible dans le cas des glaciers rapides situ es dans les vall ees alpines (relief de haute montagne) et elle aecte principalement la composante verticale de la vitesse [Joug-98]. Les erreurs d ependent de la di erence entre les valeurs exactes de la vitesse d emergence (r e emergence) glaciaire et la composante verticale de la vitesse D-InSAR. Pour les glacier etudi es, nous avons calcul e le bilan de masse local sur lann ee 1995-1996, ` a partir de relev es de terrain. Les r esultats illustr es dans le tableau 6.1 montrent que lablation repr esente entre 20% et 75% du d eplacement vertical annuel sur les glaciers dArgenti` ere et de la Mer-de-glace. En loccurrence, lincertitude li ee ` a lhypoth` ese SPF est non-n egligeable sur une p eriode dobservation annuelle. En revanche, le contexte dobservation D-InSAR permet de minimiser cette incertitude car la composante verticale de la vitesse est moins pollu ee par lablation entre octobre 1995 et avril 1996 (saison froide). Malheureusement, on ne peut pas v erier cette possibilit e car il ny a pas des mesures dablation mensuelle in situ pour la p eriode dobservation D-InSAR avec la mission TANDEM ERS. Concernant lincertitude li ee ` a lhypoth` ese SSF, la composante de d eplacement par glissement basal dun glacier peut introduire des variations locales dans la direction d ecoulement qui ne correspondent pas ` a la direction donn ee par la plus grande pente. Dans le cas des glaciers dArgenti` ere et de la Mer-de-glace, cette hypoth` ese a et e test ee en calculant lerreur sur la direction d ecoulement estim ee ` a partir du MNT dans le plan horizontal (Lat/Lon). Ainsi, les di erences enregistr ees (cf. Tab. 6.1) entre les directions donn ees par le MNT et celles donn ees 0 par les balises dablation est approximativement de 9 en moyenne. En cons equence, lincertitude li ee ` a lhypoth` ese SSF est n egligeable entre octobre 1995 et avril 1996.

Tab. 6.1 Argenti` ere. Mesures dablation annuelle in situ sur deux prols transversaux. Comparaison entre la direction d ecoulement mesur ee in situ et celle calcul ee ` a partir du MNT. Glacier Argenti` ere Mer-de-glace Alt. 2700m 1900m No. 11 4 Depl. horiz. 56.6m 82.4m Depl. vert. -5.0m -8.9m Ablation -0.9m -6.7m Erreur dir. d ecoul. Moy. RMS 8.9 8.4 17.0 30.7

126

PAR D-INSAR CHAPITRE 6. DEPLACEMENTS DES GLACIERS MESURES

6.5

Conclusions

Ce chapitre a pr esent e les travaux r ealis es pour etudier le potentiel de linterf erom etrie di erentielle SAR pour la surveillance des glaciers alpins de massif du Mont-Blanc. Lanalyse de plusieurs interf erogrammes TANDEM ERS a montr e que linterf erom etrie SAR, en bande C et a un jour dintervalle, repr ` esente une option able pour la spatialisation en champs denses des mesures ponctuelles in situ. N eanmoins, les principales limitations sont : La perte de coh erence en et e (entre mai et septembre) qui est une cons equence directe du changement d etat surfacique des glaciers d u` a la superposition de deux ph enom` enes : lablation et le d eplacement. Une direction possible pour augmenter cet intervalle dobservation D-InSAR est lutilisation des syst` emes SAR avec une bande de fr equence plus basse que la bande C (bandes L et P), jusquau pr esent disponible en mode interf erom etrique uniquement en a eroport e. Les hypoth` ese simplicatrices utilis ees pour la conversion du d eplacement LOS en champs de vitesse 3D. Cette limitation peut etre compens ee en combinant deux interf erogrammes D-InSAR avec des angles de vue di erents (donn ees ERS ascendentes/descendentes) [Bech-06]. Larriv e des satellites SAR avec une r esolution spatiale m etrique (RADARSAT2, TerraSARX, et ALOS) repr esente un nouveaux d e pour linterf erom etrie di erentielle SAR. Les acquisitions interf erom etriques propos ees par ces satellites, avec un ecart temporel de plus de dix jours, ne pr esentent pas des conditions favorables ` a linterf erom etrie SAR sur le glaciers de massif du Mont-Blanc, car la pr eservation de la coh erence est dicilement assur ee. Ainsi, les techniques compl ementaires ` a linterf erom etrie SAR classique devront etre investigu ees : radargramm etrie (corr elation damplitude en b en eciant de la texture renforc ee par la haute r esolution), PS-InSAR (permanent scatterers) [Ferr-01] ou CSS-InSAR (coherent stable scatterers) [Hoop-06],[Chaa-07].

Chapitre 7

Caract erisation des glaciers par imagerie POL(-In)SAR

Sommaire
7.1 Donn ees POLSAR : comparaison entre les bandes de fr equence L et P . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 7.1.1 7.1.2 7.1.3 7.2 7.3 Cibles ponctuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 Cibles etendues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 Comparaison avec le prol GPR . . . . . . . . . . . . . . . . . . . . . . 135

Donn ees POL-InSAR en bande L . . . . . . . . . . . . . . . . . . . . . 137 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143

127

128

CHAPITRE 7. CARACTERISATION DES GLACIERS PAR IMAGERIE POL(-IN)SAR

Dans le chapitre pr ec` edent, nous avons pr esent e linterf erom etrie di erentielle SAR appliqu ee a la surveillance des glaciers du massif du Mont-Blanc ` ` a partir de donn ees satellitaires issues des archives ERS. Les donn ees polarim etriques et interf erom etriques augmentent le potentiel de surveillance des glaciers par imagerie SAR. Ce chapitre pr esente les premiers r esultats issus du d epouillement des donn ees ESAR acquises en octobre 2006. Nous illustrons notamment les possibilit es de cartographie automatique de la surface (ou la partie proche de la surface) des glaciers alpins de massif du Mont-Blanc. Dans la litt erature du domaine, les applications POL-InSAR ` a la surveillance des glaciers temp er es sont relativement rares. Des campagnes a eroport ees POL-InSAR coupl ees avec des mesures in situ ont et e rapport es : Fiescherhorn (Jungfrau-Aletsch-Bietschhorn, Suisse) [Steb-05] et Austfonna (Svalbard, Norv` ege) [Shar-07].

Fig. 7.1 Directions de vol E-SAR c DLR, massif du Mont-Blanc, campagne doctobre 2006. Les donn ees POL-InSAR utilis ees dans ce chapitre sont issues de la campagne a eroport ee E SAR multipolarisations et multibandes r ealis ee en octobre 2006 en collaboration entre le projet MEGATOR et le DLR [Land-07]. Durant les trois jours, lavion E-SAR a survol e le massif du Mont-Blanc suivant deux directions de vol illustr ees dans la gure 7.1 : 1. la direction NE-SO en visant la totalit e du glacier dArgenti` ere, 2. la direction SE-NO en visant le bassin daccumulation dArgenti` ere et les glaciers du

 7.1. DONNEES POLSAR : COMPARAISON ENTRE LES BANDES DE FREQUENCE L ET P

129

Tal` efre, Leschaux et Tacul. Les donn ees SAR utilis ees dans la suite de ce chapitre correspondent aux acquisitions NE-SO pour lanalyse POLSAR (bande L et P) et aux acquisitions SE-NO pour lanalyse POL-InSAR en bande L. Dans les deux cas, la synth` ese SAR et le recalage interf erom etrique ont et e eectu es par le DLR en utilisant lalgorithme propos e dans [Prat-07] pour la compensation du mouvement de lavion. Les r esultats pr esent es dans ce chapitre sont essentiellement qualitatifs en raison des contraintes de temps. Ils sont propos es pour illustrer dune part la mise en vre des m ethodes d evelopp ees au cours de cette th` ese et dautre part, le fort potentiel de limagerie POL(-In)SAR pour ce domaine dapplication.

7.1

Donn ees POLSAR : comparaison entre les bandes de fr equence L et P

Dans cette section, nous proposons une illustration du potentiel de classication POLSAR appliqu e au glacier dArgenti` ere. Le traitement choisi est celui pr esent e dans la gure 1.12 et repose sur des m ethodes conventionnelles dextraction et fusion dinformations POLSAR telles que la d ecomposition H A et la classication de Wishart. Les r esultats pr esent es pour deux bandes di erentes de fr equence (L et P) ont et e obtenus en utilisant les logiciels POLSARpro [Pott-07] et RAdar Tools [Neum-05]. La premi` ere etape est la mise en g eom etrie isotrope destin ee au traitement. Des pixels approximativement carr es sont obtenus par moyennage multivues : 1 pixel en distance et 4 pixels en azimut. Par la suite, les images SAR ainsi obtenues sont ltr ees avec IDAN-ML. La gure 7.2 pr esente deux compositions color ees des composantes diagonales des matrices de coh erence polarim etrique estim ees par IDAN-ML en bandes L et P, respectivement. Une interpr etation visuelle directe de ces images reste dicile. Globalement, la signature radar varie dans les deux images suivant la r egion dint er et : la zone daccumulation (en bas de limage), la zone dablation (au milieu) et la langue terminale (en haut). Ces eets sont li es aux changements de l etat superciel de la glace. Par exemple, dans la r egion daccumulation, on peut identier deux r egions : neige s` eche ` a gauche (faible exposition au soleil) illustr ee aussi par le prol stratigraphique du manteau neigeux (cf. Fig. 5.6-(a)) et une couche de neige humide (approximativement 20 30cm d epaisseur) ` a droite (forte exposition au soleil). Un des facteurs d eterminants qui perturbe linterpr etation directe des images pr esent ees dans la gure 7.2 est la sensibilit e` a la pente locale.

7.1.1

Cibles ponctuelles

Une analyse des cibles ponctuelles est pr esent ee dans la gure 7.3 pour la bande L. Nous avons identi e la position CR4 (cf. Fig. 7.1) sur limage SAR illustr ee dans la gure 7.2-(a). Il sagit

130

CHAPITRE 7. CARACTERISATION DES GLACIERS PAR IMAGERIE POL(-IN)SAR

(a)

(b)

Fig. 7.2 Donn ees E-SAR, glacier dArgenti` ere, composition color ee dans la base de Pauli (HH-VV, 2HV, HH+VV) avec estimation IDANML : (a) bande L (1133 5563 pixels), (b) bande P (1133 5563 pixels). Les trois principaux champs de crevasses du glacier dArgenti` ere sont entour es en rouge.

 7.1. DONNEES POLSAR : COMPARAISON ENTRE LES BANDES DE FREQUENCE L ET P

131

dun des corner reectors pour la bande L, utilis es dans la phase de calibration des donn ees. Leur r eponse dans limage damplitude HH+VV est illustr ee dans la gure 7.3-(a) avant ltrage et dans la gure 7.3-(b) apr` es ltrage par IDAN-ML. Le ltrage IDAN-ML assure une bonne pr eservation de la r esolution spatiale car le lobe principal du sinus cardinal est conserv e. Autour de ces r eecteurs, le speckle est consid erablement r eduit sur la r egion homog` ene. Nous avons egalement illustr e les signatures de deux cibles ponctuelles, obtenues apr` es ltrage IDAN-ML. La gure 7.3-(c),(d) pr esente la r eponse du radar sur deux blocs erratiques qui sont en contact avec la surface du glacier. Ces roches se d eplacent ` a la m eme vitesse que le glacier et elles repr esentent d eventuels candidats pour les mesures de vitesse par la technique CSS-InSAR (suivi des cibles) [Hoop-06]. Ainsi, contrairement aux images SAR ERS (approximativement 20 20m), la haute r esolution spatiale des donn ees a eroport ees ESAR (approximativement 1.5 1.5m) devrait permettre dextraire des informations locales sur la vitesse des cibles ponctuelles.

(a)

(b)

(c)

(d)

Fig. 7.3 Donn ees E-SAR, glacier dArgenti` ere, bande L, evaluation des cibles ponctuelles sur limage damplitude HH+VV. Corner r eecteurs ` a la position CR4 (cf. Fig. 7.1) : (a) image originale et (b) image ltr ee avec IDAN-ML. (c) et (d) sont deux cibles naturelles (blocs erratiques) dans limage damplitude ltr ee par IDAN-ML.

132

CHAPITRE 7. CARACTERISATION DES GLACIERS PAR IMAGERIE POL(-IN)SAR

7.1.2

Cibles etendues

Les m ecanismes de r etrodiusion d ecrits par les matrices de coh erence polarim etriques, correspondant aux deux bandes de fr equence, sont analys es ` a travers les param` etres H A. La gure 7.4 pr esente ces trois param` etres obtenus pour lacquisition ESAR en bande L. Dans le milieu glaciaire, on constate que lentropie prend des valeurs elev ees sur la plupart des r egions. Visuellement, trois r egions peuvent etre per cues dans la gure 7.4-(a) : les r egions repr esent ees en rouge (entropie forte), en jaune (entropie moyenne) et bleu-vert (entropie faible). Ces r egions correspondent aux m ecanismes des r etrodiusion d ecrits par le param` etre (cf. Fig. 7.4-(c)). On observe notamment la pr esence de crevasses ` a lorigine de la r etrodiusion en double rebond. Dans les donn ees POLSAR en bande L, seules les crevasses avec une orientation appropri ee vers laxe de vis ee du radar (LOS) peuvent etre caract eris ees ` a travers langle . Au contraire, dans les parties du glacier susamment lisses, le m ecanisme de r etrodiusion pr edominant reste le simple rebond. Linformation suppl ementaire apport ee par le troisi` eme param` etre A ane la caract erisation des di erents m ecanismes de r etrodiusion en d ecrivant le m elange de deux ou trois m ecanismes. La d ecomposition H A est appliqu ee ensuite aux donn ees ESAR en bande P. Les r esultats illustr es dans la gure 7.5 sont globalement coh erents avec ceux obtenus pour la bande L. Par contre, lint er et majeur dune bande de fr equence plus basse repose sur la profondeur de p en etration de londe radar : si le comportement des param` etres H A semble quasiment identique (simple rebond) dans les parties lisses du glacier, la p en etration dans la glace des crevasses induit une transformation du m ecanisme de double rebond en r etrodiusion volumique. La description des r egions crevass ees en bande P par des cibles distribu ees devrait ainsi renforcer la d etection des crevasses par des m ethodes de segmentation de lespace H A, car le r esultat est moins sensible ` a lorientation par rapport ` a laxe de vis ee LOS. La gure 7.6 pr esente les histogrammes conjoints des param` etres H A pour les deux bandes de fr equences : entropie/alpha, anistropie/alpha et entropie/anisotropie. Chacun parmi ces trois plans peut etre ensuite segment e suivant les r` egles nettes propos ees dans [Clou-96], [Fami-01] et d ecrites dans la section 1.7.1. Les r esultats de classication dans lespace entropie/alpha sont illustr es dans la gure 7.7. Contrairement aux observations visuelles pr esent ees dans le paragraphe pr ec edant, les param` etres H issus des donn ees en bande L conduisent ` a une interpr etation du m ecanisme de r etrodiusion volumique (couleur verte dans la gure 7.7) qui peut sexpliquer par la combinaison des deux ph enom` enes : la profondeur de p en etration non-n egligeable en bande L. La glace des crevasses est travers ee par londe radar pour les champs de crevasses caract eris es par une epaisseur intercrevasses assez faible (e.g. les champs, entour es en rouge dans la gure 7.2-(b)). N eanmoins, ceci nest pas susant pour d eterminer avec une bonne spatialisation lint egralit e des r egions crevass ees et le r esultat ainsi obtenu reste sousestim e. la sous-estimation du param` etre . Le ltrage par multivues complexe utilise des echantillons pour estimer localement la matrice de coh erence polarim etrique. Pour lentropie un nombre important d echantillons est n ecessaire (entre 60 et 120) [Lope-05], [Touz-07a]. En revanche, laccroissement de la taille du voisinage entra ne une sous-estimation de langle

 7.1. DONNEES POLSAR : COMPARAISON ENTRE LES BANDES DE FREQUENCE L ET P

133

(a)

(b)

(c)

Fig. 7.4 D ecomposition H --A, donn ees E-SAR, glacier dArgenti` ere, bande L : (a) entropie, (b) angle , (c) anisotropie.

134

CHAPITRE 7. CARACTERISATION DES GLACIERS PAR IMAGERIE POL(-IN)SAR

(a)

(b)

(c)

Fig. 7.5 D ecomposition H --A, donn ees E-SAR, glacier dArgenti` ere, bande P : (a) entropie, (b) angle , (c) anisotropie.

 7.1. DONNEES POLSAR : COMPARAISON ENTRE LES BANDES DE FREQUENCE L ET P

135

sur des milieux naturels. En utilisant approximativement 50 echantillons (valeur recommand ee dans [Lee-06a]) dans le calcul IDAN-ML de la matrice de coh erence, on obtient un angle l eg` erement sous-estim e et donc la limite moins nette entre les m ecanismes de double rebond et volumique. Cette observation est en concordance avec lanalyse pr esent ee dans [Lee-06a]. La classication H issue des donn ees E-SAR en bande P est illustr ee dans la gure 7.7-(b). L evaluation visuelle du r esultat, mise en correspondance avec la connaissance in situ acquise pendant le d eroulement de la campagne E-SAR, nous indique une bonne localisation des champs de crevasses ` a travers les classes correspondant ` a une r etrodiusion volumique dans le milieu glaciaire. Ainsi, les images radar POLSAR en bande P sont susceptibles de fournir une bonne caract erisation des r egions crevass ees pour les glaciers alpins.

(a)

(b)

(c)

(d)

(e)

(f)

Fig. 7.6 Distribution des param` etres H A, donn ees ESAR, glacier dArgenti` ere (double etrodiusion volumique, r etrodiusion surfacique). Bande L : (a) plan H , (b) plan rebond, r A , (c) plan H A. Bande P : (d) plan H , (e) plan A , (f) plan H A.

7.1.3

Comparaison avec le prol GPR

Nous avons aussi compar e ces r esultats avec le prol GPR illustr e dans la gure 7.8(a). Malheureusement, les images POLSAR ne couvre que la seconde moiti e du prol (approximativement 350m-700m) relev e pendant la campagne dacquisition. La localisation approximative du prol GPR est illustr ee en bleu sur les images damplitude HH+VV ltr ees avec IDAN-ML

136

CHAPITRE 7. CARACTERISATION DES GLACIERS PAR IMAGERIE POL(-IN)SAR

(a)

(b)

Fig. 7.7 Classication H , donn ees ESAR, glacier dArgenti` ere : (a) bande L, (b) bande P.

 7.2. DONNEES POL-INSAR EN BANDE L

137

dans la gure 7.9-(a),(b). Ce prol a et e relev e dans la partie haute du glacier dArgenti` ere (de haut vers le bas) et il r ev` ele une bonne caract erisation de l epaisseur de la couche de neige supercielle. Le prol GPR a et e ensuite repr esent e sur les images de classication H (cf. Fig. 7.9 (c),(d)). Vraisemblablement, les param` etres H calcul es pour la bande L ne r ev` elent pas une sensibilit e` a l epaisseur de neige qui couvre la couche supercielle de n ev e. Par contre, les donn ees POLSAR en bande P pr esentent un changement de classe entre les deux classes correspondant au m ecanisme de r etrodiusion simple rebond. Lentropie polarim etrique est ` a lorigine des variations entre les classes bleu et bleu-fonc e le long du prol (cf. Fig. 7.9 (d)). Nous avons trac e un prol spatial sur limage dentropie qui correspond approximativement au prol GPR. Le prol sur lentropie, illustr e dans la gure 7.8(b), semble montrer une d ependance entre le param` etre H et l epaisseur de neige ` a la surface du glacier : plus la couche de neige est faible, plus lentropie est grande. Une analyse quantitative approfondie des param` etres polarim etriques et une interpr etation th ematique sont n ecessaires pour conrmer et expliquer ces premiers r esultats. Jusquici la repr esentation de linformation polarim etrique repose sur un raisonnement purement physique, qui sappuie sur la caract erisation de di erents m ecanismes de r etrodiusion dans la sc` ene ` a travers les param` etres H A. La prise en compte des sp ecicit es li ees aux donn ees POLSAR est g en eralement eectu ee en ranant le r esultat de classication H A par une classication C-moyennes avec la distance de Wishart (cf. Sect. 1.7.2). Les r esultats ainsi obtenus sont illustr es dans la gure 7.9(c),(f). Une remarque g en erale valable pour les deux bandes de fr equences etudi ees consiste ` a souligner la dicult e dinterpr etation directe des r esultats. Des travaux futurs, qui d epassent le cadre de cette th` ese, devront prendre en compte des informations suppl ementaires issues de lexpert en glaciologie pour avancer dans linterpr etation des classes issues de lapproche statistique Wishart. En conclusion, cette section d edi ee au d epouillement des donn ees POLSAR de la campagne dacquisition E-SAR doctobre 2006 a montr e une grande richesse en information et un fort potentiel de classication par des m ethodes conventionnelles. Deux applications sont ainsi identi ees : la cartographie des crevasses et la caract erisation de l epaisseur de neige. N eanmoins, le contexte particulier des glaciers temp er es du massif du Mont-Blanc n ecessite des d eveloppements m ethodologiques futurs notamment au niveau de la caract erisation physique des interactions entre londe de radar et la surface des glaciers (m elange de neige, glace et roches).

7.2

Donn ees POL-InSAR en bande L

Cette section pr esente lanalyse des donn ees POL-InSAR eectu ee sur un couple dimages ESAR acquises en bande L sur le glacier du Tacul (direction SE-NO dans la gure 7.1) avec une base de 10m et un ecart de 15min entre les deux passes. Une des sp ecicit es du Tacul est la pr esence des bandes de Forbes [Llib-81], [More-00] : lalternance de bandes de glace claire et fonc ee au centre de la langue glaciaire. La di erence de couleur est due ` a la charge plus ou

138

CHAPITRE 7. CARACTERISATION DES GLACIERS PAR IMAGERIE POL(-IN)SAR

(a)

(b) Fig. 7.8 Glacier dArgenti` ere : (a) prol longitudinal GPR (250MHz), (b) prol sur limage dentropie polarim etrique illustr ee dans la gure 7.5-(a), position approximative du prol GPR.

 7.2. DONNEES POL-INSAR EN BANDE L

139

(a)

(d)

(b)

(e)

(c)

(f)

Fig. 7.9 Position approximative du prol GPR illustr e dans la gure 5.6-(a), donn ees ESAR, glacier dArgenti` ere, extraits 800 800 pixels. Bande L : (a) amplitude HH+VV, (b) classication H , (c) classication Wishart. Bande P : (d) amplitude HH+VV, (e) classication H , (f) classication Wishart.

140

CHAPITRE 7. CARACTERISATION DES GLACIERS PAR IMAGERIE POL(-IN)SAR

moins importante en poussi` eres de la glace. La poussi` ere se d epose en et e dans les crevasses de la glace qui se forment au niveau de la chute de s eracs du G eant. Les bandes de Forbes sont g en eralement visibles dans les images optiques pendant la saison chaude, quand ces r egions ne sont pas couvertes par la neige (cf. Fig. 7.10-(b)).

(a)

(b)

Fig. 7.10 Donn ees E-SAR, glacier du Tacul, bande L : (a) composition color ee dans la base de Pauli (HH-VV, 2HV, HH+VV) avec estimation IDANML (extrait 1205 1312 pixels de limage ma tre), (b) image optique multi-spectrale SPOT5 (ao ut 2005). La premi` ere etape du traitement des donn ees POL-InSAR (cf. Fig. 2.2) consiste ` a calculer la matrice de coh erence polarim etrique interf erom etrique [T6 ]. Apr` es avoir appliqu e un moyennage complexe 4-vues pour obtenir des pixels carr es, nous avons estim e la matrice [T6 ] par la m ethode IDAN-ML. La gure 7.10-(a) pr esente la composition color ee des composantes diagonales de la matrice de coh erence polarim etrique ma tre. Linterpr etation visuelle r ev` ele la pr esence des bandes de Forbes du glacier du Tacul qui est orient e selon la diagonale principale de limage. Par la suite, nous proposons une premi` ere caract erisation des bandes de Forbes ` a travers des param` etres polarim etriques interf erom etriques issus des donn ees SAR. Les attributs calcul es ` a partir de la matrice de coh erence polarim etrique interf erom etrique sont : POLSAR : la d ecomposition H --A illustr ee dans la gure 7.11 ; POL-InSAR : les coh erences optimis ees, A1 et A2 (cf. Fig. 7.12). Parmi les cinq param` etres, les plus discriminants sont lentropie et langle . Linterpr etation physique de ces deux param` etres indique la pr edominance dun m ecanisme de r etrodiusion surfacique (simple rebond) dans les r egions rocheuses du glacier : la profondeur de p en etration de londe radar en bande L reste faible dans ces r egions. Une des explications possibles est la pr esence deau liquide dans ces r egions qui serait globalement plus importante que dans les r egions de neige propre. Les impuret es (les cryoconites) incrust ees dans la glace, ainsi que les roches eparpill ees ` a la surface du glacier, augmentent la temp erature de la couche supercielle. 0 Le reste du glacier etant globalement tr` es proche de 0 C (le point critique de leau pure), le

 7.2. DONNEES POL-INSAR EN BANDE L

141

(a)

(b)

(c)

Fig. 7.11 D ecomposition H --A, donn ees E-SAR, glacier de Tacul, bande L : (a) entropie, (b) angle , (c) anisotropie.

(a)

(b)

(c)

Fig. 7.12 Param` etres POL-InSAR, donn ees E-SAR, glacier du Tacul, bande L : (a) composition color ee des trois coh erences optimis ees, (b) param` etre A1 , (c) param` etre A2 .

142

CHAPITRE 7. CARACTERISATION DES GLACIERS PAR IMAGERIE POL(-IN)SAR

passage de l etat solide (glace) ` a l etat liquide surgit localement. Cela induirait une d ecroissance de la profondeur de p en etration SAR et une entropie polarim etrique plus faible. Au contraire, les r egions de glace propre correspondent en th eorie ` a une profondeur de p en etration plus importante qui donne, en bande L, un m elange de r etrodiusion surfacique et volumique. Tab. 7.1 Donn ees E-SAR, glacier du Tacul, bande L : valeurs repr esentatives des param` etres POLInSAR pour les deux classes recherch ees.
Classe Roches Glace Entropie 0.35 0.71 Angle 19 360
0

Anisotropie 0.26 0.21

A1 0.25 0.40

A2 0.50 0.75

(a)

(b) Fig. 7.13 Donn ees E-SAR, glacier du Tacul, bande L. Param` etres polarim etriques obtenus avec lestimation IDAN-ML : espace H -, d ecomposition de Freeman [Free-98] et d ecomposition canonique sph` ere/dih` edre/h elice [Guil-03]. (a) - r egion des roches correspondant aux bandes de Forbes. (b) - r egion de glace inter-bandes. Par la suite, nous avons v eri e les hypoth` eses avanc ees dans le paragraphe pr ec edant en mesurant les valeurs des param` etres H , , A, A1 et A2 sur des echantillons repr esentatifs des deux classes recherch ees (cf. Tab. 7.1). Tous les param` etres semblent conrmer cette hypoth` ese, ` a une exception : langle . Plus pr ecis ement, la gure 7.13 pr esente la localisation de ces valeurs mesur ees dans trois espaces danalyse POLSAR. Lespace d eni par les attributs H

7.3. CONCLUSIONS

143

r ev` ele une position atypique du centre de classe glace : ` a la fronti` ere entre les sous-espaces correspondant aux m ecanismes surfacique et volumique, mais assign ee ` a une r etrodiusion surfacique (cf. Fig. 7.13). La valeur de langle semble sous-estim ee par rapport ` a un m ecanisme de r etrodiusion volumique. En sinspirant des travaux r ecents de Lee et al. [Lee-06a], nous avons etudi e linuence du nombre d echantillons L utilis es pour lestimation de [T6 ], sur les valeurs du param` etre repr esentatives pour les deux classes. La gure 7.14 pr esente l evolution des trois param` etres polarim etrique H A en fonction du nombre des pixels participant ` a lestimation de [T6 ] par moyennage complexe multivues sur un voisinage carr e BN (o` u card{BN } {1, 32 , 52 , 72 , 92 }), les echantillons etant eux m emes issus dun moyennage 4-vues. Si laugmentation du nombre d echantillons est b en eque pour lentropie et lanisotropie, langle devient sous-estim e pour la classe glace lorsquon d epasse 9 echantillons (ligne noire dans la gure 7.14). Ainsi, un voisinage destimation englobant plus de 9 pixels entra ne laectation de la classe glace au m ecanisme simple rebond (r etrodiusion surfacique) ` a la place dun m ecanisme de r etrodiusion volumique. Les di erents r esultats de classication sont illustr es dans la gure 7.14. On peut observer que les bandes de Forbes sont g en eralement bien mises en evidence, ` a la fois par la classication bas ee sur la partition de lespace des attributs POLSAR (H --A) et celle bas ee sur les attributs POL InSAR (A1 -A2 ). Ainsi, ces param` etres sont r ev elateurs des m ecanismes de r etrodiusion pr esents sur ces glaciers dans les images POL-InSAR en bande L. La classication statistique bas ee sur la distance de Wishart utilise linformation polarim etrique pour aboutir au r esultat nal illustr e dans la gure 7.14-(c). Une evaluation visuelle par rapport ` a limage optique pr esent ee dans la gure 7.14-(d) r ev` ele une bonne d etection du glacier du Tacul qui se retrouve principalement dans deux classes (bleu-fonc e et vert-fonc e). Cependant, ces classes obtenues de fa con automatique par clustering sur lensemble de la sc` ene ne suivent pas parfaitement lalternance des bandes de Forbes. Une classication supervis ee, incluant linformation interf erom etrique, devrait permettre dobtenir de meilleurs r esultats. Dans les autres parties de limage, linterpr etation directe des di erentes classes issues du processus de classication non-supervis ee semble egalement dicile.

7.3

Conclusions

Ce chapitre a pr esent e une premi` ere analyse des donn ees POL-InSAR multibandes et multipolarisations acquises durant la campagne conjointe DLR/MEGATOR doctobre 2006. Apr` es avoir d epouill e les donn ees, nous avons appliqu e quelques etapes conventionnelles de la cha ne de traitement POLSAR/POL-InSAR (ltrage, extraction des param` etres et classication). Lanalyse des r esultats obtenus, en lien avec la connaissance du site et les mesures in situ acquises pendant la campagne, nous a permis didentier plusieurs applications POLSAR/POL-InSAR dans le contexte des glaciers alpins du massif de Mont-Blanc : la cartographie des champs de crevasses, la caract erisation du manteau neigeux ` a la surface des glaciers ou la d etection des bandes de Forbes.

144

CHAPITRE 7. CARACTERISATION DES GLACIERS PAR IMAGERIE POL(-IN)SAR

Entropy vs. L (pixels) 0.35 0.3 0.25 10 18 16 14 12 10 20 30 40 50 Anisotropy vs. L (pixels) 60 70 80 20 30 40 50 60 Alpha angle (degrees) vs. L (pixels) 70 80

0.8 0.6 0.4 10 20 30 40 50 60 70 80

(a)
Entropy vs. L (pixels)

0.6

0.4

10

20

30 40 50 60 Alpha angle (degrees) vs. L (pixels)

70

80

60 40 10 20 30 40 50 Anisotropy vs. L (pixels) 60 70 80

0.6 0.4 0.2 10 20 30 40 50 60 70 80

(b) Fig. 7.14 Donn ees E-SAR, glacier du Tacul, bande L. Evolution de la valeur des param` etres H --A suivant le nombre d echantillons utilis es pour lestimation BN-ML de la matrice de coh erence : (a) r egion des roches correspondant aux bandes de Forbes, (b) r egion de glace inter-bandes (le changement de la classe volumique en surfacique est indiqu e par la ligne noire).

7.3. CONCLUSIONS

145

(a)

(b)

(c)

(d)

Fig. 7.15 Donn ees ESAR, glacier du Tacul, bande L : (a) classication H -, (b) classication A1 -A2 , (c) classication statistique de Wishart, (d) image optique multi-spectrale SPOT5 (ao ut 2005).

146

CHAPITRE 7. CARACTERISATION DES GLACIERS PAR IMAGERIE POL(-IN)SAR

Par la suite, ces r esultats encourageant devront etre evalu es : ` a la fois quantitativement ` a travers des comparaisons avec les r esultats des autres campagnes E-SAR, ainsi que qualitativement par une interpr etation glaciologique compl` ete.

Chapitre 8

Conclusions de la partie exp erimentale

L evolution des glaciers alpins du massif de Mont-Blanc fait lobjet de nombreuses etudes g eophysiques. Hormis les enjeux economiques (gestion du risque, des ressource en eau ...) et g eographiques ( etudes des liens entre les glaciers et leur environnement), les recherches climatologiques leur donnent un nouveau r ole, celui dindicateur local de l evolution des conditions atmosph eriques ` a l echelle du massif. L etude des glaciers alpins, souvent situ es au coeur de zones montagneuses particuli` erement diciles dacc` es, prend une nouvelle dimension gr ace aux outils de t el ed etection. La probl ematique trait ee dans cette partie est lapplication des m ethodes propos ees par limagerie SAR multicomposantes ` a lobservation des glaciers alpins. Nous avons analys e le potentiel et les limitations de ces m ethodes pour la surveillance tout temps des glaciers du massif du Mont-Blanc. Quatre glaciers instrument es, repr esentatifs pour la vall ee de Chamonix, ont et e choisis pour illustrer les diverses etapes des cha nes de traitement SAR : Argenti` ere, Leschaux, Mer-de-glace et Tacul. La premi` ere application illustr ee dans ce contexte consiste ` a mesurer des champs de vitesse par interf erom etrie SAR di erentielle. Les avanc ees m ethodologiques propos ees dans la premi` ere partie de cette th` ese (ltrage adaptatif et estimation des fr equences locales) ont et e int egr ees a la cha ` ne de traitement D-InSAR et ont permis le calcul dun premier champ de vitesse pendant la saison froide sur plusieurs glaciers des Alpes Fran caises. Par la suite, di erents couples interf erom etriques TANDEM ERS acquis entre juin 1995 et juin 1996, ont et e analys es pour etudier la faisabilit e au cours de lann ee de la mesure de vitesse D-InSAR ` a 1 jour en bande C. Ainsi, la p eriode propice aux mesures D-InSAR se limite ` a la saison froide, entre octobre et avril. Cette p eriode correspond aux saisons o` u la surface glaciaire est couverte par la neige, ce qui rend impossible la mesure de vitesse par corr elation des images optiques satellitaires [Bert-05a]. La surveillance conjointe optique (en et e) et SAR (en hiver) devrait permettre de mesurer tout au long de lann ee des champs de vitesse sur les glaciers alpins. En octobre 2006, une campagne dacquisition dimages InSAR a eroport ees multipolarisations

147

148

CHAPITRE 8. CONCLUSIONS DE LA PARTIE EXPERIMENTALE

et multibandes, coupl ee avec des mesures in situ, a et e eectu ee gr ace ` a une collaboration entre le DLR et les equipes du projet MEGATOR [Land-07]. Cette th` ese se termine avec les premiers r esultats obtenus sur ces donn ees en appliquant une cha ne de traitement POLSAR/POLInSAR qui int` egre nos m ethodes du ltrage (POLSARpro version 3.0 Beta 2, mai 2007). Lanalyse de ces r esultats, les mesures terrain (disponibles via lOSUG et celles acquises au cours du projet MEGATOR) ainsi que la connaissance du terrain, nous ont permis de mettre en evidence lapport de limagerie SAR pour lobservation des glaciers alpins dans le massif de Mont-Blanc. Parmi les applications glaciologiques, on peut citer la cartographie des crevasses, la caract erisation du manteau neigeux ` a la surface des glaciers ou la d etection des bandes de Forbes. En conclusion, lapplication des m ethodes SAR multicomposantes propos ees dans cette partie montre lint er et de la t el ed etection radar pour la surveillance des glaciers alpins. Ainsi, limagerie SAR repr esente une source de donn ees compl ementaire ` a limagerie optique. Lexploitation conjointe des deux sources dinformation doit permettre dobtenir de fa con automatique un ensemble de mesures tout temps n ecessaires ` a lobservation et la mod elisation de l evolution des glaciers alpins : les champs de vitesse en surface, les taux de d eformation et les bilans de masse annuels.

Conclusions g en erales et perspectives

Les travaux pr esent es dans cette th` ese ont et e consacr es au traitement dimages SAR polarim etriques et interf erom etriques. Notre d emarche m ethodologique sinscrit dans le cadre g en eral du traitement de linformation issue de donn ees multivari ees. Nous avons formul e notre approche sous la forme dune repr esentation uni ee de linformation POLSAR / InSAR / POL-InSAR par des matrices de coh erence et dune cha ne de traitement compos ee de trois etapes : estimation des param` etres, fusion dinformations (classication/mesure) et g eor ef erencement. Les avanc ees m ethodologiques portent essentiellement sur lestimation des param` etres dans les applications POLSAR / InSAR / POL-InSAR en t el ed etection. Plus pr ecis ement, nous avons etudi e les op erateurs ` a voisinage adaptatif pour le ltrage coh erent du speckle dans les images complexes SAR multi-vari ees. An de mieux pr eserver la r esolution spatiale en gardant la stationnarit e locale, nous avons d evelopp e un nouvel algorithme qui sappuie sur linformation dintensit e pour construire des voisinages etendus n ecessaires ` a la r eduction du biais et de la variance des param` etres estim es. Le principe de cette approche nomm ee IDAN (Intensity Driven Adaptive Neighborhood) est deecteur en chaque pixel une croissance de r egion avec un test dagr egation qui combine les informations des composantes dintensit e disponibles. Ainsi, les voisinages adaptatifs IDAN fournissent une alternative able aux voisinages directionnels et boxcar, avec de meilleures performances en termes de nombre d echantillons (taille variable) et de pr eservation de la stationnarit e locale (forme souple adapt ee au signal). Dans le contexte InSAR haute r esolution, nous avons propos e une m ethode originale pour lestimation des fr equences locales des interf erogrammes topographiques. An d etre en mesure de compenser les composantes d eterministes sur des voisinages adaptatifs, nous avons d evelopp e un nouvel algorithme destimation des fr equences locales bas e sur lestimation de la fonction dauto-corr elation 2D du signal complexe de phase ` a partir des paires de pixels disponibles dans un voisinage quelconque. Ces fr equences locales sont utilis ees ` a di erents niveaux dans le traitement InSAR : ltrage de phase interf erom etrique, d eveloppement de phase et compensation des composantes d eterministes dans lestimation de la corr elation complexe InSAR. En aval de l etape destimation dattributs extraits des images POLSAR, nous avons egalement propos e une nouvelle approche pour les fusionner par un syst` eme ` a base de r` egles oues. Cette approche d evelopp ee au LISTIC dans le cadre de lanalyse des images sismiques [Vale-03] est interactive et permet dintroduire de la connaissance experte sur le comportement des attributs POLSAR et les classes th ematiques recherch ees.

149

150

CHAPITRE 8. CONCLUSIONS DE LA PARTIE EXPERIMENTALE

Enn, dans la partie amont de la cha ne de traitement, nous avons particip e ` a lexp erimentation dune m ethode originale de synth` ese SAR propos ee par Jean-Marie Nicolas ` a TELECOM Paris [Nico-07]. Cette approche permet de g en erer directement des interf erogrammes di erentiels en g eom etrie sol en eectuant la synth` ese dimages pseudo SLC par une formation de voies dans le domaine temporel. Au cours de cette th` ese, nous avons egalement explor e un domaine dapplication de la t el ed etection radar : lobservation des glaciers temp er es. A travers le projet MEGATOR, nous avons exp eriment e des cha nes de traitements InSAR et Pol(-In)SAR, auxquelles nous avons int egr e nos m ethodes, sur des donn ees acquises sur le site test Chamonix Mont-Blanc. Tout dabord, nous avons etudi e les traitements n ecessaires pour mesurer le d eplacement de glaciers alpins par interf erom etrie di erentielle et les probl` emes m ethodologiques pos es par le relief de haute montagne. Les avanc ees m ethodologiques propos ees dans la premi` ere partie de cette th` ese ont et e int egr ees ` a la cha ne de traitement D-InSAR et ont permis le calcul dun premier champ de vitesse pendant la saison froide sur plusieurs glaciers des Alpes Fran caises. Par la suite, di erents couples interf erom etriques TANDEM ERS acquis entre juin 1995 et juin 1996, ont et e analys es pour etudier la faisabilit e au cours de lann ee de la mesure de vitesse D-InSAR ` a 1 jour en bande C. En n de th` ese, nous avons egalement pu traiter les donn ees SAR a eroport ees multibandes et multipolarisations acquises en octobre 2006 sur des glaciers du massif du Mont-Blanc. Une premi` ere analyse de ces r esultats nous a permis de mettre en evidence lapport de limagerie SAR multivari ee pour la surveillance des glaciers temp er es. Les principales perspectives de ces travaux peuvent etre regroup ees selon deux axes majeurs correspondant aux deux parties du manuscrit. Le premier concerne lam elioration des techniques pr esent ees dans le contexte m ethodologique du traitement de linformation issue des donn ees SAR multivari ees : 1. Une premi` ere direction destin ee ` a am eliorer les performances des m ethodes destimation dans les images SAR haute r esolution fournies par les satellites nouvelle g en eration, consiste ` a rechercher des param` etres robustes pour la caract erisation des cibles etendues ou ponctuelles. Ces param` etres permettront ` a la fois de guider la croissance de r egion et de d evelopper de nouveaux estimateurs adaptatifs. Dans le contexte g en eral de la t el ed etection radar, les d etecteurs classiques, fond es sur lhypoth` ese de speckle pleinement d evelopp e, sont souvent mis en d efaut d` es lors que lenvironnement devient non-homog` ene, voire impulsionnel, s ecartant tr` es vite du mod` ele gaussien circulaire. Des mod` eles physiques de fouillis avec des mod` eles de bruit compos e permettent de mieux repr esenter la r ealit e (variations spatiales de puissance et nature de fouillis, transitions ...). Une approche prometteuse bas ee sur une g en eralisation de la statistique gaussienne (processus al eatoires gaussiens compos es) a et e propos ee dans [Pasc-06]. Ces processus, appel es processus SIRP (Spherically Invariant Random Processes), sont bas es sur une mod elisation multidimensionnelle Gaussienne (d enie par une matrice de covariance) dont la variance est elle-m eme al eatoire, caract erisant de ce fait la statistique de texture.

151

2. Concernant lestimation des fr equences locales des interf erogrammes ` a haute r esolution spatiale, une evolution possible est la prise en compte de linformation multi- echelle disponible dans les composantes LR et HR. Cette information devrait permettre la combinaison des deux m ethodes destimation (VCM et fonction dautocorr elation) dans un seul estimateur adaptatif g en eralis e. 3. La conception dautres estimateurs, plus robustes que la moyenne statistique, ` a utiliser ` a lint erieur des voisinages adaptatifs, devrait sappuyer plus sur la laspect multivari e des donn ees SAR. Par exemple, dans le cas du bruit gaussien ind ependant, on sait que pour un nombre de composantes sup erieur ` a deux, lestimateur conventionnel au sens de moindres carr ees nest plus admissible car il est domin e par dautres estimateurs sp eciques au cas multivari e tels que lestimateur James-Stein [Maur-07]. Lapplication de ces principes au cas des images SAR multivari ees permet une meilleure prise en compte de la stationnarit e de la sc` ene ` a travers les di erents canaux SAR. 4. Dans la deuxi` eme l etape de la cha ne de traitement de linformation appliqu ee aux images SAR, lapport de connaissances expertes sur le comportement des attributs POL(-In)SAR inuence fortement la qualit e des r esultats de classication/mesure. N eanmoins, la grande majorit e des approches pr esent ees dans la litt erature du domaine utilise cette information pour eectuer la classication de fa con non-supervis ee ` a travers des partitions nettes de lespace engendr e par ces attributs. Dans cette th` ese, nous avons propos e une approche alternative interactive supervis ee ` a base de r` egles oues. En perspective, on peut envisager la combinaison des deux approches et ainsi obtenir une m ethode de classication non-supervis ee qui prend en compte linformation a priori sur les classes th ematiques recherch ees. Parmi les outils m ethodologiques propos es pour la fusion de ces informations h et erog` enes, on peut citer la th eorie de l evidence de Dempster/Shafer [Shaf-76] et les m ethodes de fusion oue bas ees sur lint egrale de Choquet [Rong-06]. Le second axe concerne les perspectives de lobservation des glaciers alpins par t el ed etection SAR : 1. La mesure des champs de vitesses 3D n ecessite des hypoth` eses sp eciques sur la direction d ecoulement des glaciers. La prise en compte des mod` eles de dynamique glaciaire permet la r eduction de lincertitude dans la mesure de vitesse par D-InSAR et ces hypoth` eses peuvent ainsi etre relax ees. D ej` a employ ees avec succ` es dans les applications g eophysiques [Hure-05], les m ethodes dassimilation de donn ees pour des mod` eles de dynamique glaciaire fournissent une piste possible pour lam elioration de la pr ecision des mesures D-InSAR. Un eventuel point de d epart sont les travaux de Rignot et al. qui combinent avec succ` es la mod elisation en el ements nis avec les mesures D-InSAR pour la surveillance des glaciers polaires [Schm-02]. 2. Larriv e des futurs satellites haute r esolution conduira ` a laugmentation du potentiel des techniques alternatives ` a linterf erom etrie di erentielle pour la surveillance des glaciers alpins. Nous avons d ej` a initi e des travaux dans cette direction pour augmenter lintervalle dobservation des glaciers du massif du Mont-Blanc [Vasi-07a]. Malheureusement, la r esolution d ecam etrique des satellites ERS ne r ev` ele aucune cible potentielle qui soit ` a la

152

CHAPITRE 8. CONCLUSIONS DE LA PARTIE EXPERIMENTALE

fois stable et coh erente ` a la surface des glaciers situ es sur le site test Chamonix MontBlanc. Une analyse visuelle des images E-SAR acquises sur ces glaciers laisse penser que la r esolution m etrique est susante pour la d etection de cibles proches de la surface des glaciers. Le suivi de ces cibles (blocs erratiques) donnera une information able sur la vitesse de points particuliers ` a la surface des glaciers alpins. 3. La premi` ere analyse qualitative des donn ees a eroport ees multibandes POL(-In)SAR, issues de la campagne E-SAR doctobre 2006, montre un fort potentiel pour la caract erisation des glaciers alpins. Lapplication de techniques dinversion devrait permettre de remonter depuis les observations SAR vers les grandeurs glaciologiques recherch ees. Les techniques de mod elisation de processus de diusion des ondes electromagn etiques dans les milieux glaciaires (neige [Mart-05] ou glace [Shar-07]) orent une approche quantitative quil sera int eressant de tester suite aux observations qualitatives pr esent ees dans ce manuscrit. Enn, apr` es avoir etudi e des donn ees POLSAR / InSAR / POL-InSAR dans di erentes bandes de fr equence sur les glaciers de la vall ee de Chamonix, on peut conclure sur les caract eristiques que devrait pr esenter un syst` eme satellitaire SAR optimis e pour la surveillance des glaciers alpins. Le syst` eme SAR id eal devrait op erer dans une bande de fr equence assez basse (L ou P) pour assurer une bonne p en etration dans la couche supercielle du glacier et orir ainsi une plus grande stabilit e du processus de diusion des ondes electromagn etiques. Dot e dune r esolution spatiale m etrique, pour le suivi des cibles, et pleinement polarim etrique, pour linversion des param` etres g eophysiques, ce syst` eme devrait aussi assurer une r ep etitivit e des passes de quelques jours pour linterf erom etrie, avec plusieurs angles dincidence au sol an davoir une bonne visibilit e des glaciers et au moins deux projections du d eplacement sur la ligne de vis ee.

Bibliographie
[Amel-00] nsson, H. Zebker, et P. Segall, Widespread uplift and F. Amelung, S. Jo trapdoor faulting on Galapagos volcanoes observed with radar interferometry, Nature, 407 (2000), pp. 993996. J. Astola, P. Haavisto, et Y. Neuvo, Vector median lters, Proceedings of IEEE, 78 (1990), pp. 678688. J. M. Beaulieu et R. Touzi, Segmentation of textured polarimetric SAR scenes by likelihood approximation, IEEE Transactions on Geoscience and Remote Sensing, 42 (2004), pp. 20632072. N. Bechor, Extending interferometric synthetic aperture radar measurements from one to two dimensions, Th` ese de doctorat, Department of geophysics, Stanford University, Stanford, USA, 2006. E. Berthier, Dynamique et bilan de masse des glaciers de montagne (Alpes, Islande, Hymalaya). Contribution de limagerie satellitaire, Th` ese de doctorat, Universit e Paul Sabatier, France, 2005. E. Berthier, H. Vadon, D. Baratoux, Y. Arnaud, C. Vincent, K. L. my, et B. Legre sy, Mountain glacier surface motion derived from Feigl, F. Re satellite optical imagery, Remote Sensing of Environment, 95 (2005), pp. 1428. , Analyse multi-dates dinL. Bombrun, G. Vasile, M. Gay, et E. Trouve terf erogrammes ERS appliqu es ` a lobservation des glaciers, in Journ ees CArtographie des CHAngements Naturels par T el ed etection, GdR ISIS, Paris, France, 2006. M. Borgeaud, S. V. Nghiem, R. T. Shin, et J. A. Kong, Theoretical models for polarimetric microwave remote sensing of Earth terrain, Journal of Electromagnetic Waves and Applications, 3 (1989), pp. 6181. M. Born et E. Wolf, Principles of optics : electromagnetic theory of propagation, interference and diraction of light, Pergamon Press, Elmsford, N.Y., 1959. , VelociL. Bousquet, M. Gay, B. Legresy, G. Vasile, et E. Trouve ties eld of mountain glacier obtained by synthetic aperture radar interferometry. Comparison of InSAR and surveyed velocities, in IEEE Geoscience and Remote Sensing Symposium, Anchorage, USA, vol. 2, 2004, pp. 11321135.

[Asto-90] [Beau-04]

[Bech-06]

[Bert-05]

[Bert-05a]

[Bomb-06]

[Borg-89]

[Born-59]

[Bous-04]

153

154

BIBLIOGRAPHIE

[Brai-02] [Brun-97] [Bujo-04]

R. J. Braithwaite, Glacier mass balance : the rst 50 years of international monitoring, Prog. Phys. Geog., 26 (2002), pp. 7695. J. Bruniquel et A. Lopes, Multi-variate optimal speckle reduction in SAR imagery, International Journal of Remote Sensing, 18 (1997), pp. 603627. , L. Valet, J. M. Nicolas, et J. P. Rudant, AppliF. Bujor, E. Trouve cation of log-cumulants to the detection of spatiotemporal discontinuities in multitemporal SAR images, IEEE Transactions on Geoscience and Remote Sensing, 42 (2004), pp. 20732084. F. Chaabane, A. Avallone, F. Tupin, P. Briole, et H. Ma tre, Multitemporal correction of tropospheric eects in dierential SAR interferometry, IEEE Transactions on Geoscience and Remote Sensing, ` a para tre, (2007). C. W. Chen et H. A. Zebker, Two-dimensional phase unwrapping with use of statistical models for cost functions in nonlinear optimization, Journal of the Optical Society of America A, 18 (2001), pp. 338351. C. T. Chen, K. S. Chen, et J. S. Lee, The use of fully polarimetric information for the fuzzy neural classication of SAR images, IEEE Transactions on Geoscience and Remote Sensing, 41 (2003), pp. 20892100. M. Ciuc, R. M. Rangayyan, T. Zaharia, et V. Buzuloiu, Filtering noise in color images using adaptive-neighborhood statistics, Journal of Electronic Imaging, 9 (2000), pp. 484494. , V. Buzuloiu, et J. P. Rudant, AdaptiveM. Ciuc, P. Bolon, E. Trouve neighborhood speckle removal in multitemporal synthetic aperture radar images, Applied Optics, 40 (2001), pp. 59545966. M. Ciuc, R. M. Rangayyan, T. Zaharia, et V. Buzuloiu, Adaptive neighborhood lters for color image ltering, in Nonlinear Image Processing IX, SPIE, vol. 3304, 1998, pp. 277286. S. R. Cloude, Polarimetry : the characterization of polarimetric eects in EM scattering, Th` ese de doctorat, University of Birmingham, UK, 1986. S. R. Cloude et E. Pottier, A review of target decomposition theorems in radar polarimetry, IEEE Transactions on Geoscience and Remote Sensing, 34 (1996), pp. 498518. , An entropy based classication scheme for land applications of polarimetric SAR, IEEE Transactions on Geoscience and Remote Sensing, 35 (1997), pp. 68 78. S. R. Cloude et K. P. Papathanassiou, Polarimetric SAR interferometry, IEEE Transactions on Geoscience and Remote Sensing, 36 (1998), pp. 15511565. A. Collaro, G. Franceschetti, F. Palmieri, et M. S. Ferreiro, Phase unwrapping by means of genetic algorithms, Journal of Optical Society of America A, 15 (1997), pp. 407418.

[Chaa-07]

[Chen-01]

[Chen-03]

[Ciuc-00]

[Ciuc-01]

[Ciuc-98]

[Clou-86] [Clou-96]

[Clou-97]

[Clou-98] [Coll-97]

BIBLIOGRAPHIE

155

[Das-97]

A. Das et R. M. Rangayyan, Adaptive region-based ltering of multiplicative noise, in SPIE, Nonlinear Image Processing VIII, E. R. Dougherty et J. T. Astola, eds, vol. 3026, 1997, pp. 338348. M. Datcu, K. Seidel, et M. Walessa, Spatial information retrieval from remote-sensing images. Part 1 : information theoretical perspective, IEEE Transactions on Geoscience and Remote Sensing, 36 (1998), pp. 14311445. G. W. Davidson et R. Bamler, Multiresolution phase unwrapping for SAR interferometry, IEEE Transactions on Geoscience and Remote Sensing, 37 (1999), pp. 163174. Y. Dong, A. K. Milne, et B. C. Forster, Segmentation and classication of vegetated areas using polarimetric SAR image data, IEEE Transactions on Geoscience and Remote Sensing, 39 (2001), pp. 321329. M. B. Dyurgerov, Mountain and subpolar glaciers show an increase in sensitivity to climate warming and intensication of the water cycle, Journal of Hydrology, 282 (2003), pp. 164176. L. Ferro-Famil, E. Pottier, et J. S. Lee, Unsupervised classication of multifrequency and fully polarimetric SAR images based on the H/A/Alpha-Wishart classier, IEEE Transactions on Geoscience and Remote Sensing, 39 (2001), pp. 23322342. L. Ferro-Famil, E. Pottier, H. Skriver, P. Lumsdon, R. Moshammer, et K. P. Papathanassiou, Forest mapping and classication using L-band POLINSAR data, in POLinSAR 2005 Workshop, ESA, Franscati, Italy, 2005, pp. CDROM. A. Ferretti, C. Prati, et F. Rocca, Permanent scatterers in SAR interferometry, IEEE Transactions on Geoscience and Remote Sensing, 39 (2001), pp. 820. R. R. Forster, K. C. Jezek, L. Koenig, et E. Deeb, Measurement of glacier geophysical properties from InSAR wrapped phase, IEEE Transactions on Geoscience and Remote Sensing, 41 (2003), pp. 25952604. A. Freeman et S. L. Durden, A three-component scattering model for polarimetric SAR data, IEEE Transactions on Geoscience and Remote Sensing, 36 (1998), pp. 963973. V. S. Frost, J. A. Stiles, K. S. Shanmugan, et J. C. Holtzman, A model for radar images and its application to adaptive digital ltering of multiplicative noise, IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-4 (1982), pp. 157166. A. K. Gabriel, R. M. Goldstein, et H. A. Zebker, Mapping small evaluation changes over large areas : dierential radar interferometry, Journal of Geophysical Research, 94 (1989), pp. 91839191. fre gier, Multicomponent image segmenF. Galland, N. Bertaux, et P. Re tation in homogenous regions by stochastic complexity minimization : application

[Datc-98]

[Davi-99]

[Dong-01]

[Dyur-03]

[Fami-01]

[Fami-05]

[Ferr-01]

[Fors-03]

[Free-98]

[Fros-82]

[Gabr-89]

[Gall-05]

156

BIBLIOGRAPHIE

to speckle, Poisson and Bernoulli noise, Pattern Recognition, 38 (2005), pp. 1926 1936. [Gela-05] G. Gelabert, Etude du movement des glaciers ` a laide dune chaine interf erom etrique radar ` a synth` ese douverture, Masters thesis, ENST de Bretagne, France, 2005. D. C. Ghiglia et L. A. Romero, Robust two-dimensional weighted and unweighted phase unwrapping that uses fast transforms and iterative methods, Journal of Optical Society of America A, 11 (1994), pp. 107117. D. C. Ghiglia et M. D. Pritt, Two-dimensional phase unwrapping, theory, algorithms and software, Wiley Inter Science, 1998. R. M. Goldstein et H. A. Zebker, Interferometric radar measurement of ocean surface currents, Nature, 328 (1987), pp. 707709. R. M. Goldstein, H. A. Zebker, et C. L. Werner, Satellite radar interferometry : Two-dimensional phase unwrapping, Radio Science, 23 (1988), pp. 713 720. R. M. Goldstein, H. Engelhardt, B. Kamb, et R. M. Frolich, Satellite radar interferometry for monitoring ice sheet motion : application to an Antarctic ice stream, Science, 262 (1993), pp. 15251530. N. R. Goodman, Statistical analysis based on a certain multivariate complex gaussian distribution (an introduction), The Annals of Mathematical Statistics, 34 (1963), pp. 152177. J. W. Goodman, Introduction ` a loptique de Fourier et ` a lholographie, Masson, 1972. , Some fundamental properties of speckle, J. Opt. Soc. Amer., 53 (1976), pp. 11451149. R. Gordon et R. M. Rangayyan, Feature enhancement of lm mammograms using xed and adaptive neighborhoods, Applied Optics, 23 (1984), pp. 560564. fre gier, Target detection and segmentation in coherent F. Goudail et P. Re active polarimetric images, in IEEE International Conference on Image Processing, vol. 3, 2001, pp. 632635. A. M. Guarnieri et C. Prati, SAR interferometry : a quick and dirty coherence estimator for data browsing, IEEE Transactions on Geoscience and Remote Sensing, 35 (1997), pp. 660669. S. Guillaso, Complementarit e polarim etrie / interferom etrie pour la d etection et la caract erisation de cibles, Th` ese de doctorat, Universit e de Rennes I, Rennes, France, 2003. W. Hagg et M. Sties, Ecient speckle ltering of SAR images, in IEEE Geoscience and Remote Sensing Symposium Proceedings, Pasadena, USA, vol. 4, 1994, pp. 21402142.

[Ghig-94]

[Ghig-98] [Gold-87] [Gold-88]

[Gold-93]

[Good-63]

[Good-72] [Good-76] [Gord-84] [Goud-01]

[Guar-97]

[Guil-03]

[Hagg-94]

BIBLIOGRAPHIE

157

[Hans-99]

R. Hanssen et R. Bamler, Evaluation of interpolation kernels for SAR interferometry, IEEE Transactions on Geoscience and Remote Sensing, 37 (1999), pp. 318321. D. Hantz, Dynamique et hydrologie du glacier dArg` ere, Th` ese de doctorat, CNRS, Laboratoire de Glaciologie et de G eophysique de lEnvironnement, April 1981. A. J. Hooper, Persistent scatterer radar interferometry for crustal deformation studies and modeling of volcanic deformation, Th` ese de doctorat, Department of geophysics, Stanford University, Stanford, USA, 2006. M. Huret, Techniques dassimilation des donn ees satellitales de couleur de leau pour la d etermination de la production primaire p elagique dans un syst` eme dynamique c otier, Th` ese de doctorat, Universit e Paul-Sabatier, France, 2005. J. R. Huynen, Measurement of the target scattering matrix, Proc. IEEE, 53 (1965), pp. 936946. IPCC, Climate change 2001 http ://www.grida.no/climate/ipcc, 2001. : the scientic basis.

[Hant-81]

[Hoop-06]

[Hure-05]

[Huyn-65] [IPCC-01] [Jone-41]

R. C. Jones, A new calculus for the treatment of optical systems : description and discussion of the calculus, Journal of the Optical Society of America, 31 (1941), pp. 488493. , A new calculus for the treatment of optical systems : a more general formulation and description of another calculus, Journal of the Optical Society of America, 37 (1947), pp. 107110. I. Joughin, R. Kwok, et M. A. Fahnestock, Interferometric estimation of three-dimensional ice-ow using ascending and descending passes, IEEE Transactions on Geoscience and Remote Sensing, 36 (1998), pp. 2537. , J. M. Nicolas, M. Gay, A. Julea, G. Vasile, I. Petillot, E. Trouve et P. Bolon, Simulation of SAR images and radar coding of georeferenced information for temperate glacier monitoring, in Optimization of Electrical and Electronic Equipments, Brasov, Romania, vol. 4, 2006, pp. 175180. a b, C. Huggel, L. Fischer, S. Guex, F. Paul, I. Roer, N. SalzA. Ka mann, S. Schlaefli, K. Schmutz, D. Schneider, T. Strozzi, et Y. Weidmann, Remote sensing of glacier- and permafrost-related hazards in high mountains : an overview, Natural Hazards and Earth System Science, 5 (2005), pp. 527 554. a b, Combination of SRTM3 and repeat ASTER data for deriving alpine A. Ka glacier ow velocities in the Bhutan Himalaya, Remote Sensing of Environment, 94 (2005), pp. 463474. V. Karathanassi et M. Dabboor, Land cover classication using E-SAR polarimetric data, in ISPRS Congress, Istambul, Turkey, vol. 35, 2004, pp. 280 286.

[Jone-47]

[Joug-98]

[Jule-06]

[Kaab-05]

[Kaab-05a]

[Kara-04]

158

BIBLIOGRAPHIE

[Karg-05]

J. Kargel, M. Abrams, M. Bishop, A. Bush, G. Hamilton, H. Jiskoot, a b, H. Kieffer, E. Lee, F. Paul, F. Rau, B. Raup, J. Shroder, A. Ka D. Soltesz, D. Stainforth, L. Stearns, et R. Wessels, Multispectral imaging contributions to global land ice measurements from space, Remote Sensing of Environment, 99 (2005), pp. 187219. E. M. Kennaugh, Eect of the type of polarisation on echo characteristics, Rapp. Tech. 389-9, Antenna Laboratory, Ohaio State University, Columbus, USA, 1951. P. R. Kersten, J. S. Lee, et T. L. Ainsworth, Unsupervised classication of polarimetric synthetic aperture radar images using fuzzy clustering and EM clustering, IEEE Transactions on Geoscience and Remote Sensing, 43 (2005), pp. 519527. , G. Vasile, M. Gay, P. Grussenmeyer, J. M. NiM. Koehl, E. Trouve colas, et T. Landes, SIG pour la gestion cartographique des donn ees du projet MEGATOR : SIG et e-learning, in Conf erence francophone ESRI SIG 2006, Issyles-Moulineaux, France, 2006. A. B. Kostinski et W. M. Boerner, On foundations of radar polarimetry, IEEE Transactions on Antennas and Propagation, 34 (1886), pp. 13951404. F. T. Kuan, A. A. Sawchuk, T. C. Strand, et P. Chavel, Adaptive noise smoothing lter for images with signal-dependent noise, IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-7 (1985), pp. 165177. R. Kwok et M. A. Fahnestock, Ice sheet motion and topography from radar interferometry, IEEE Transactions on Geoscience and Remote Sensing, 34 (1996), pp. 189200. , J. M. Nicolas, L. Bombrun, G. VaT. Landes, M. Gay, E. Trouve sile, et I. Hajnsek, Monitoring temperate glaciers by high resolution Pol-InSAR data : rst analysis of Argenti` ere E-SAR acquisitions and in-situ measurements, in IEEE Geoscience and Remote Sensing Symposium Proceedings, Barcelona, Spain, 2007, p. ` a para tre. J. S. Lee, S. R. Cloude, K. Papathanassiou, M. R. Grunes, et I. H. Woodhouse, Speckle ltering and coherence estimation of polarimetric SAR interferometry data for forest applications, IEEE Transactions on Geoscience and Remote Sensing, 41 (2003), pp. 22542263. J. S. Lee, M. R. Grunes, E. Pottier, et L. Ferro-Famil, Unsupervised terrain classication preserving polarimetric scattering characteristics, IEEE Transactions on Geoscience and Remote Sensing, 42 (2004), pp. 722731. J. S. Lee, D. L. Schuler, et T. L. Ainsworth, Scattering model based speckle ltering of polarimetric SAR data, in 5th European Conference on SAR, Ulm, Germany, vol. V, 2004, pp. 203207. J. S. Lee, M. R. Grunes, T. Ainsworth, I. Hajnsek, T. Mette, et K. P. Papathanassiou, Forest classication based on L-band polarimetric and intefe-

[Kenn-51]

[Kers-05]

[Koeh-06]

[Kost-86] [Kuan-85]

[Kwok-96]

[Land-07]

[Lee-03]

[Lee-04]

[Lee-04a]

[Lee-05]

BIBLIOGRAPHIE

159

rometric SAR data, in POLinSAR 2005 Workshop, ESA, Franscati, Italy, 2005, pp. CDROM. [Lee-06a] J. S. Lee, T. Ainsworth, M. Grunes, et C. Lopez-Martinez, Monte Carlo evaluation of multi-look eect on entropy/alpha/anisotropy parameters of polarimetric target decomposition, in IEEE Geoscience and Remote Sensing Symposium Proceedings, Colorado, USA, 2006, pp. 5255. J. S. Lee, Digital image enhancement and noise ltering by use of locals statistics, IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-2 (1980), pp. 165168. , Speckle analysis and smoothing of synthetic apperture radar images, Computer Graphics and Image Processing, 17 (1981), pp. 2432. , Digital noise smoothing and the sigma lter, Computer Vision, Graphics and Image Processing, 21 (1983), pp. 255269. , Speckle suppresion and analysis for synthetic apperture radar images, Optical Engineering, 25 (1981), pp. 636643. J. S. Lee, M. R. Grunes, et S. A. Mango, Speckle reduction in multipolarization, multifrequency SAR imagery, IEEE Transactions on Geoscience and Remote Sensing, 29 (1991), pp. 535544. J. S. Lee, T. Jurkevich, P. Dewaele, P. Wambacq, et A. Oosterlinck, Speckle ltering of Synthetic Aperture Radar images : a review, Remote Sensing Reviews, 8 (1994), pp. 313340. J. S. Lee, K. W. Hoppel, et S. A. Mango, Intensity and phase statistics of multilook polarimetric interferometric SAR imagery, IEEE Transactions on Geoscience and Remote Sensing, 32 (1994), pp. 10171028. J. S. Lee, K. P. Papathanassiou, T. L. Ainsworth, M. R. Grunes, et A. Reigber, A new technique for noise ltering of SAR interferometric phase images, IEEE Transactions on Geoscience and Remote Sensing, 36 (1998), pp. 14561465. J. S. Lee, M. R. Grunes, et G. deGrandi, Polarimetric SAR speckle ltering and its implication for classication, IEEE Transactions on Geoscience and Remote Sensing, 37 (1999), pp. 23632373. J. S. Lee, M. R. Grunes, T. L. Ainsworth, D. Li-Jen, D. L. Schuler, et S. R. Cloude, Unsupervised classication using polarimetric decomposition and the complex Wishart classier, IEEE Transactions on Geoscience and Remote Sensing, 37 (1999), pp. 22492258. L. Lliboutry et L. Reynaud, Global dynamics of a temperate valley glacier, Mer de Glace, and past velocities deduced from Forbesbands, Journal of Glaciology, 27 (1981), pp. 207226. C. Lopez-Martinez et X. Fabregas, Polarimetric SAR speckle noise model, IEEE Transactions on Geoscience and Remote Sensing, 44 (2003), pp. 22322242.

[Lee-80]

[Lee-81] [Lee-83] [Lee-86] [Lee-91]

[Lee-94a]

[Lee-94d]

[Lee-98]

[Lee-99]

[Lee-99b]

[Llib-81]

[Lope-03]

160

BIBLIOGRAPHIE

[Lope-05]

C. Lopez-Martinez, E. Pottier, et S. R. Cloude, Statistical assessment of eigenvector-based target decomposition theorems in radar polarimetry, IEEE Transactions on Geoscience and Remote Sensing, 43 (2005), pp. 20582074. C. Lopez-Martinez, X. Fabregas, et E. Pottier, Wavelet transform based interferometric SAR coherence estimator, IEEE Transactions on Signal Processing, 12 (2005), pp. 831834. C. Lopez-Martinez et E. Pottier, On the extension of multidimensional speckle noise model from single-look to multi-look SAR imagery, IEEE Transactions on Geoscience and Remote Sensing, 45 (2007), pp. 305320. A. Lopes, R. Touzi, et E. Nezry, Adaptive speckle lters and scene heterogeneity, IEEE Transactions on Geoscience and Remote Sensing, 28 (1990), pp. 992 1000. A. Lopes, E. Nezry, R. Touzi, et H. Laur, Structure detection and statistical adaptive speckle ltering in SAR images, International Journal of Remote Sensing, 14 (1993), pp. 17351758. A. Lopes et F. Sery, Optimal speckle reduction for the product model in multilook polarimetric SAR imagery and the Wishart distribution, IEEE Transactions on Geoscience and Remote Sensing, 35 (1997), pp. 632647. I. Lyuboshenko et H. Ma tre, Phase unwrapping for interferometric synthetic aperture radar by use of helmoltz equation eigenfunctions and the rst Greens identity, Journal of Optical Society of America A, 16 (1994), pp. 118. H. Ma tre, Traitement des images de radar ` a synth` ese douverture, HERMES Science Publications, 2001. A. Martini, T el ed etection dun couvert neigeux en milieux alpins ` a partir de donn ees SAR polarim etriques multi-fr equentielles et multi-temporelles, Th` ese de doctorat, Universit e de Rennes 1, France, 2005. D. Massonnet, M. Rossi, C. Carmona, F. Adragna, G. Peltzer, K. Feigl, et T. Rabaute, The displacement eld of the Landers earthquake mapped by radar interferometry, Nature, 364 (1993), pp. 183142. D. Massonnet, F. Adragna, et M. Rossi, CNES general-purpose SAR correlator, IEEE Transactions on Geoscience and Remote Sensing, 32 (1994), pp. 636 643. D. Massonnet, Producing ground deformation maps automatically : the DIAPASON concept, in IEEE Geoscience and Remote Sensing Symposium, Singapore, vol. III, 1997, pp. 13381340. D. Massonnet et K. Feigl, RADAR interferometry and its application to changes in the Earths surface, Reviews of Geophysics, 36 (1998), pp. 441500. K. E. Mattar, P. W. Vachon, D. Geudtner, A. L. Gray, I. G. Cumming, et M. Brugman, Validation of alpine glacier velocity measurements using ERS tandem-mission SAR data, IEEE Transactions on Geoscience and Remote Sensing, 36 (1998), pp. 974984.

[Lope-05a]

[Lope-07]

[Lope-90]

[Lope-93]

[Lope-97]

[Lyub-99]

[Mait-01] [Mart-05]

[Mass-93a]

[Mass-94]

[Mass-97]

[Mass-98] [Matt-98]

BIBLIOGRAPHIE

161

[Maur-07] [Maxw-65] [Mohr-03]

Y. Maruyama, Some notes on improving upon the James-Stein estimator, http ://www.citebase.org/abstract ?id=oai :arXiv.org :math/0701206, (2007). J. C. Maxwell, A dynamical theory of the electromagnetic eld, Philosophical Transactions of the Royal Society of London, 155 (1865), pp. 459512. J. J. Mohr, N. Reeh, et S. N. Madsen, Accuracy of three-dimensional glacier surface velocities derived from radar interferometry and ice-sounding radar measurements, Journal of Glaciology, 49 (2003), pp. 210222. L. Moreau et R. Vivian, Dans le secret des glaciers du Mont-Blanc, Gl enat, 2000. M. Nagao et T. Matsuyama, Edge preserving smoothing, Computer Graphics and Image Processing, 9 (1979), pp. 394407. M. Neumann, A. Reigber, S. Guillaso, M. Jager, et O. Hellwich, PolInSAR data processing with RAT (Radar Tools), in POLinSAR 2005 Workshop, ESA, Franscati, Italy, 2005, pp. CDROM. J. M. Nicolas, F. Tupin, et H. Ma tre, Smoothing speckled SAR images by using maximum homogeneous region lters : An improved approach, in IEEE Geoscience and Remote Sensing Symposium Proceedings, Sydney, Australia, vol. 3, 2001, pp. 15031505. J. M. Nicolas, Introduction aux statistiques de deuxi` eme esp` ece : applications des log-moments et des log-cumulants ` a lanalyse des lois dimage radar, Traitement du signal, 19 (2002), pp. 139167. , Synth` ese RSO, Ecole d et e en imagerie et information, Les Houches (74), France, 2004. , SAR procesJ. M. Nicolas, G. Vasile, M. Gay, F. Tupin, et E. Trouve sing in the temporal domain : application to direct interferogram generation and mountain glacier monitoring, Canadian Journal of Remote Sensing, 33 (2007), pp. 18. K. P. Papathanassiou, Polarimetric SAR interferometry, Th` ese de doctorat, DLR, Oberpfaenhofen, Germany, 1999. S. Paquerault, Restitution du relief ` a partir dimages radar par radarclinom etrie, Th` ese de doctorat, Ecole Nationale Superieure de Telecommunications, Paris, France, 1998. R. B. Paranjape, T. F. Rabie, et R. M. Rangayyan, Image restoration by adaptive-neighborhood noise substraction, Applied Optics, 33 (1994), pp. 1861 1869. F. Pascal, D etection et estimation en environnement non gaussien, Th` ese de doctorat, Universit e de Nanterre, France, 2006. E. Pottier, L. Ferro-Famil, S. Allain, S. Cloude, I. Hajnsek, K. Papathanassiou, A. Moreira, M. Williams, T. Pearson, et Y. Desnos, An

[More-00] [Naga-79] [Neum-05]

[Nico-01]

[Nico-02]

[Nico-04] [Nico-07]

[Papa-99] [Paqu-98]

[Para-94]

[Pasc-06] [Pott-07]

162

BIBLIOGRAPHIE

overview of the PolSARpro v2.0 software. The educational toolbox for polarimetric and interferometric polarimetric SAR data processing, in POLinSAR 2007 Workshop, ESA, Franscati, Italy, 2007, pp. CDROM. [Pott-92] E. Pottier et J. Saillard, Fondements mathematiques de la polarimetrie et son application au domaine du radar, Annales des t el ecommunications, 47 (1992), pp. 314336. P. Prats, K. A. C. deMacedo, A. Reigber, R. Scheiber, et J. J. Mallorqui, Comparison of topography- and aperture-dependent motion compensation algorithms for airborne SAR, IEEE Geoscience and Remote Sensing Letters, ` a para tre, (2007). S. Quegan et J. J. Yu, Filtering of multichannel SAR images, IEEE Transactions on Geoscience and Remote Sensing, 39 (2001), pp. 23732379. R egie de gestion des donn ees des pays de savoie. http ://www.rgd73-74.fr. B. T. Rabus et D. R. Fatland, Comparison of SAR-interferometric and surveyed velocities on a mountain glacier : Black Rapids Glacier, Journal of Glaciology, 152 (2000), pp. 119128. R. M. Rangayyan, M. Ciuc, et F. Faghih, Adaptive-neighborhood ltering of images corrupted by signal-dependent noise, Applied Optics, 37 (1998), pp. 4477 4487. N. Reeh, J. J. Mohr, S. N. Madsen, H. Oerter, et N. S. Gundestrup, Three-dimensional surface velocities of Storstrommen glacier, Greenland, derived from radar interferometry and ice-sounding radar measurements, Journal of Glaciology, 49 (2003), pp. 201209. N. Reeh, S. N. Madsen, et J. J. Mohr, Combining SAR interferometry and the equation of continuity to estimate the three-dimensional glacier surfacevelocity vector, Journal of Glaciology, 45 (1999), pp. 533538. A. Reigber, M. Jager, M. Neumann, et L. Ferro-Famil, Polarimetric fuzzy k-means classication with consideration of spatial context, in POLinSAR 2007 Workshop, ESA, Franscati, Italy, 2007, pp. CDROM.

[Prat-07]

[Queg-01] [RGD-7374] [Rabu-00]

[Rang-98]

[Reeh-03]

[Reeh-99]

[Reig-07]

[Reig-07RAT] A. Reigber, Tutorial Polarimetric Classication, Berlin University of Technology, http ://www.cv.tu-berlin.de/rat, V1 ed., 2007. [Rich-00] [Rign-96] [Rodr-92] S. Richardson et J. Reynolds, An overview of glacial hazards in the Hymalayas, Quaternary International, 65/66 (2000), pp. 3147. E. Rignot, R. Forster, et B. Isacks, Interferometric radar observations of Glacier San Rafael, Chile, Journal of Glaciology, 42 (1996), pp. 279291. E. Rodriguez et J. M. Martin, Theory and design of interferometric synthetic aperture radars, IEE Proceedings F (Radar and Signal Processing), 139 (1992), pp. 147159. Y. Rong, W. Zhenyuan, P. A. Heng, et K. S. Leung, Real-valued Choquet integrals with fuzzy-valued integrand, Fuzzy sets and systems, Elsevier, 157 (2006), pp. 256269.

[Rong-06]

BIBLIOGRAPHIE

163

[Rose-00]

P. A. Rosen, S. Hensley, I. R. Joughin, F. K. Li, S. N. Madsen, E. Rodriguez, et R. M. Goldstein, Synthetic aperture radar interferometry, Proceedings of the IEEE, 88 (2000), pp. 333382. P. A. Rosen, S. Hensley, G. Peltzer, et M. Simons, Updated repeat orbit interferometry package released, The Earth Observation System, Transactions, American Geophysical Union, Electronic Supplement, http ://www.agu.org, 85 (2004). M. Schmeltz, E. Rignot, T. K. Dupont, et D. R. Macayeal, Sensitivity of Pine Island Glacier, West Antarctica, to changes in ice-shelf and basal conditions : a model study, Journal of Glaciology, 49 (2002), pp. 552558. J. Schou et H. Skriver, Restoration of polarimetric SAR images using simulated annealing, IEEE Transactions on Geoscience and Remote Sensing, 39 (2001), pp. 20052016. M. Schroder, K. Seidel, et M. Datcu, Spatial information retrieval from remote-sensing images. Part 2 : Gibbs-Markov random elds, IEEE Transactions on Geoscience and Remote Sensing, 36 (1998), pp. 14461455. M. Seymour et I. Cumming, Maximum likelihood estimation for SAR interferometry, in IEEE Geoscience and Remote Sensing Symposium Proceedings, Pasadena, USA, vol. 2, 1994, pp. 22722274. G. Shafer, A mathematical theory of evidence, Princeton University Press, 1976. J. J. Sharma, I. Hajnsek, et K. P. Papathanassiou, Multi-frequency POLinSAR signatures of a subpolar glacier, in POLinSAR 2007 Workshop, ESA, Franscati, Italy, 2007, pp. CDROM. G. Sinclair, Modication of the radar range equation for arbitrary targets and arbitrary polarisations, Rapp. Tech. 302-19, Antenna Laboratory, Ohaio State University, Columbus, USA, 1948. , Transmission and reception of ellipticaly polarized waves, Proceedings of IRE, 38 (1950), pp. 148151. U. Spagnolini, 2-D phase unwrapping and instantaneous frequency estimation, IEEE Transactions on Geoscience and Remote Sensing, 40 (1995), pp. 579589. O. Stebler, A. Schwerzmann, M. Luthi, E. Meier, et D. Nuesch, PolInSAR observations from an Alpine glacier in the cold inltration zone at L- and P-band, IEEE Geoscience and Remote Sensing Letters, 2 (2005), pp. 557361. P. Sterzai, F. Mancini, C. Corazzato, C. D. Agata, et G. Diolaiuti, Contribution of SAR interferometry (InSAR) to the study of alpine glaciers. the example of Forni glacier (central Alps, Italy) : preliminary results, in EGS - AGU - EUG Joint Assembly, Nice, France, 6-11 April 2003, p. (abstract No.12784). T. Strozzi, G. H. Gudmundsson, et U. Wegmuller, Estimation of the surface displacement of Swiss alpine glaciers using satellite radar interferometry, in 3rd Workshop on Remote Sensing of Land, Ice and Snow, Bern, Switzerland, 11-13 March 2002, p. (abstract).

[Rose-04]

[Schm-02]

[Scho-01]

[Schr-98]

[Seym-94]

[Shaf-76] [Shar-07]

[Sinc-48]

[Sinc-50] [Spag-95] [Steb-05]

[Ster-03]

[Stro-02]

164

BIBLIOGRAPHIE

[Tara-96]

H. Tarayre, Extraction de mod` eles num eriques de terrain par interf erometrie radar satellitaire : algorithmie et art efacts atmosph eriques, Th` ese de doctorat, Institut National Polytechnique de Toulouse, 1996. R. Touzi, A review of speckle ltering in the context of estimation theory, IEEE Transactions on Geoscience and Remote Sensing, 40 (2002), pp. 23922404. R. Touzi et F. Charbonneau, Characterization of target symmetric scattering using polarimetric SARs, IEEE Transactions on Geoscience and Remote Sensing, 40 (2002), pp. 25072516. R. Touzi, F. Charbonneau, R. Hawkins, et P. Vachon, Ship detection and characterization using polarimetric SAR, Canadian Journal of Remote Sensing, 30 (2004), pp. 552559. R. Touzi, W. M. Boerner, J. S. Lee, et E. Lueneburg, A review of polarimetry in the context of synthetic aperture radar : concepts and information extraction, Canadian Journal of Remote Sensing, 30 (2004), pp. 380407. R. Touzi, Target scattering decomposition in terms of roll-invariant target parameters, IEEE Transactions on Geoscience and Remote Sensing, 45 (2007), pp. 73 84. , Speckle eect on polarimetric target scattering decomposition of sar imagery, Canadian Journal of Remote Sensing, 33 (2007), pp. 6068. R. Touzi, A. Lopes, et P. Bousquet, A statistical and geometrical edge detector for SAR images, IEEE Transactions on Geoscience and Remote Sensing, 26 (1988), pp. 764773. R. Touzi, A. Lopes, J. Bruniquel, et P. Vachon, Coherence estimation for SAR imagery, IEEE Transactions on Geoscience and Remote Sensing, 36 (1999), pp. 135149. , Y. Chambenoit, N. Classeau, et P. Bolon, Statistical and E. Trouve operational performance assessment of multitemporal SAR image ltering, IEEE Transactions on Geoscience and Remote Sensing, 44 (2003), pp. 25192530. , G. Vasile, M. Gay, P. Grussenmeyer, J. M. Nicolas, E. Trouve T. Landes, M. Koehl, J. Chanussot, et A. Julea, Combining optical and SAR data to monitor temperate glaciers, in IEEE Geoscience and Remote Sensing, Seoul, Korea, vol. 4, 2005, pp. 26372640. , Filtrage, extraction et fusion dinformations en imagerie radar E. Trouve multi-composantes. Habilitation ` a Diriger des Recherches, Universit e de Savoie, Annecy, France, 2006. , G. Vasile, M. Gay, L. Bombrun, P. Grussenmeyer, E. Trouve T. Landes, J. M. Nicolas, P. Bolon, I. Petillot, A. Julea, L. Valet, J. Chanussot, et M. Koehl, Combining airborne photographs and spaceborne SAR data to monitor temperate glaciers. Potentials and limits, IEEE Transactions on Geoscience and Remote Sensing, 45 (2007), pp. 905924.

[Touz-02] [Touz-02a]

[Touz-04]

[Touz-04a]

[Touz-07]

[Touz-07a] [Touz-88]

[Touz-99]

[Trou-03]

[Trou-05]

[Trou-06a]

[Trou-07]

BIBLIOGRAPHIE

165

[Trou-96] [Trou-96a] [Trou-98]

, H. Caramma, et H. Maitre, Fringe detection in noisy complex E. Trouve interferograms, Applied Optics, 35 (1996), pp. 37993806. , Imagerie interferentielle en radar a visee laterale, Th` E. Trouve ese de doctorat, Ecole Nationale Superieure de Telecommunications, Paris, France, 1996. , J. M. Nicolas, et H. Ma E. Trouve tre, Improving phase unwrapping techniques by the use of local frequency, IEEE Transactions on Geoscience and Remote Sensing, 36 (1998), pp. 19631972. , X. Descombes, J. M. Nicolas, et H. Ma F. Tupin, E. Trouve tre, Improving IFSAR phase unwrapping by early detection of non-interferometric features, in SPIE/EUROPTO Satellite Remote Sensing III, Taormina, Italy, vol. 2958, 1996, pp. 250261. M. Tur, C. Chin, et J. W. Goodman, When is speckle noise multiplicative ?, Applied Optics, 21 (1982), pp. 11571165. F. T. Ulaby et C. Elachi, Radar polarimetry for geoscience applications, Artech House, 1990. L. Valet, G. Mauris, P. Bolon, et N. Keskes, A fuzzy linguistic-based software tool for seismic image interpretation, IEEE Transactions on Instrumentation and Measurement, 52 (2003), pp. 675680. , M. Ciuc, et V. Buzuloiu, General adaptive neighboG. Vasile, E. Trouve rhood technique for improving SAR interferometric coherence and phase estimation, Journal of Optical Society of America A, 21 (2004), pp. 14551464. , M. Ciuc, P. Bolon, et V. Buzuloiu, Improving G. Vasile, E. Trouve coherence estimation for high resolution polarimetric SAR interferometry, in IEEE Geoscience and Remote Sensing Symposium, Anchorage, USA, vol. 3, 2004, pp. 17961799. , Intensity-Driven-Adaptive-Neighborhood technique for POLSAR parameters estimation, in IEEE Geoscience and Remote Sensing Symposium, Seoul, Korea, vol. 8, 2005, pp. 55095512. , M. Gay, et J. M. Nicolas, Amplitude-DrivenG. Vasile, E. Trouve Adaptive-Neighbourhood ltering of high-resolution POL-InSAR information, in POLinSAR 2005 Workshop, ESA, Franscati, Italy, 2005, pp. CDROM. , L. Valet, J. M. Nicolas, M. Gay, L. Bombrun, G. Vasile, E. Trouve et P. Bolon, SAR polarimetric and interferometric feature estimation : performance assessment of adaptive neighborhood techniques, in Advanced SAR 2005 Workshop, CSA, Quebec, Canada, 2005. , J. S. Lee, et V. Buzuloiu, Intensity-DrivenG. Vasile, E. Trouve Adaptive-Neighborhood Technique for polarimetric and interferometric SAR parameters estimation, IEEE Transactions on Geoscience and Remote Sensing, 44 (2006), pp. 16091621. , P. Bolon, L. Bombrun, G. Vasile, I. Petillot, A. Julea, E. Trouve M. Gay, T. Landes, P. Grussenmeyer, et J. M. Nicolas, High resolution

[Tupi-96]

[Tur-82] [Ulab-90] [Vale-03]

[Vasi-04]

[Vasi-04a]

[Vasi-05]

[Vasi-05a]

[Vasi-05b]

[Vasi-06]

[Vasi-06a]

166

BIBLIOGRAPHIE

SAR interferometry : inuence of local topography in the context of glacier monitoring, in IEEE Geoscience and Remote Sensing Symposium, Denver, USA, 2006, pp. 40084011. [Vasi-07] , L. Valet, J. M. Nicolas, M. Gay, L. Bombrun, et G. Vasile, E. Trouve P. Bolon, Feature detection in POL-InSAR images by an interactive fuzzy fusion approach. Application to glacier monitoring, in POLinSAR 2007 Workshop, ESA, Franscati, Italy, 2007, pp. CDROM. , L. Valet, J. M. Nicolas, L. Bombrun, M. Gay, G. Vasile, E. Trouve I. Petillot, P. Bolon, et V. Buzuloiu, Coherent-stable scatterers detection in SAR multi-interferograms : feature fuzzy fusion in Alpine glacier geophysical context, in IEEE Geoscience and Remote Sensing Symposium Proceedings, Barcelona, Spain, 2007, p. ` a para tre. C. Vincent, Inuence of climate change over the 20th century on four French glacier mass balances, Journal of Geophysical Research, 107 (2002), pp. 4375. C. Vincent, G. Kappenberger, F. Valla, A. Bauder, M. Funk, et E. L. Meur, Ice ablation as evidence of climate change in the Alps over the 20th century, Journal of Geophysical Research, 109 (2004). Y. Wu et H. Ma tre, Smoothing speckled synthetic aperture radar images by using maximum homogeneous region lters, Optical Engineering, 31 (1992), pp. 17851792. H. A. Zebker et K. Chen, Accurate estimation of correlation in InSAR observations, IEEE Geoscience and Remote Sensing Letters, 2 (2005), pp. 124127. H. A. Zebker et R. M. Goldstein, Topographic mapping from interferometer synthetic aperture radar observations, Journal of Geophysical Research, 91 (1986), pp. 49935000. H. A. Zebker, J. J. van Zyl, et D. N. Held, Imaging radar polarimetry from wave synthesis, Journal of Geophysical Research, 92 (1987), pp. 683701. J. J. vanZyl, Unsupervised classication of scattering mechanisms using radar polarimetry data, IEEE Transactions on Geoscience and Remote Sensing, 35 (1989), pp. 3645.

[Vasi-07a]

[Vinc-02] [Vinc-04]

[Wu-92]

[Zebk-05] [Zebk-86]

[Zebk-87] [Zyl-89]

Troisi` eme partie

Annexe

167

Liste des publications

Articles dans des Revues Internationales avec comit de lecture 1. Vasile G., Trouv E., Petillot I., Bolon Ph., Nicolas J.M., Gay M., Chanussot J., Landes T., Grussenmeyer P., Buzuloiu V., Hajnsek I., Andres C., Keller M., Horn R., High resolution SAR interferometry: estimation of local frequencies in the context of Alpine glaciers, IEEE Transactions on Geoscience and Remote Sensing (TGRS), paratre 2. Trouv E., Vasile G., Gay M., Bombrun L., Grussenmeyer P., Landes T., Nicolas J.M., Bolon Ph., Petillot I., Julea A., Valet L., Chanussot J., Koehl M., Combining airborne photographs and spaceborne SAR data to monitor temperate glaciers. Potentials and limits, IEEE Transactions on Geoscience and Remote Sensing, Vol. 45, No. 4, 2007, pp. 905-924. 3. Nicolas J. -M., Vasile G., Gay M., Tupin F., Trouv E., SAR processing in the temporal domain: application to direct interferogram generation and mountain glacier monitoring, Canadian Journal of Remote Sensing (CJRS), Vol. 33, No. 1, 2007, pp. 1-8. 4. Vasile G., Trouv E., Lee J. -S., Buzuloiu V., Intensity-Driven-Adaptive-Neighborhood Technique for Polarimetric and Interferometric SAR Parameters Estimation, IEEE Transactions on Geoscience and Remote Sensing, Vol. 44, No. 5, 2006, pp. 1609-1621. 5. Vasile G., Trouv E., Ciuc M., Buzuloiu V., General Adaptive Neighborhood Technique for Improving SAR Interferometric Coherence Estimation, Journal of Optical Society of America (JOSA-A), Vol. 21, No. 8, 2004, pp. 1455-1464. Communications dans des Colloques Internationaux avec actes
Vasile G., Trouv E., Valet L., Nicolas J.M., Bombrun L., Gay M., Petillot I., Bolon Ph., Buzuloiu V., Coherent-stable scatterers detection in SAR multi-interferograms: feature fuzzy fusion in Alpine glacier geophysical context, IEEE Geoscience And Remote Sensing Symposium, Barcelona, Spain, 2007, paratre 2. Landes T., Gay M., Trouv E., Nicolas J.M., Bombrun L., Vasile G., Hajnsek I., Monitoring temperate glaciers by high resolution Pol-InSAR data: first analysis of Argentire E-SAR acquisitions and in-situ measurements, IEEE Geoscience And Remote Sensing Symposium, Barcelona, Spain, 2007, paratre 3. Vasile G., Petillot I., Julea A., Trouv E., Bolon Ph., Bombrun L., Gay M., Landes T., Grussenmeyer P., Nicolas J.-M., High Resolution SAR Interferometry: influence of local topography in the context of glacier monitoring, IEEE Geoscience And Remote Sensing Symposium (IGARSS06), Denver, USA, July 2006, (to appear) 4. Vasile G., Trouv E., Valet L., Nicolas J.M., Gay M., Bombrun L., Bolon Ph., Feature detection in POLinSAR images by an interactive fuzzy fusion approach. Application to glacier monitoring, POLinSAR 2007, European Space Agency, CD-ROM , Franscati, Italy, January 2007, 8 pages. 5. Vasile G., Petillot I., Julea A., Trouv E., Bolon Ph., Bombrun L., Gay M., Landes T., Grussenmeyer P., Nicolas J.-M., High Resolution SAR Interferometry: influence of local topography in the context of glacier monitoring, IEEE Geoscience And Remote Sensing Symposium, Denver, USA, July 2006, pp. 4008-4011. 6. Julea A., Vasile G., Petillot I., Trouv E., Gay M., Nicolas J.M., Bolon Ph., Simulation of SAR Images and Radar Coding of Georeferenced Information for Temperate Glacier Monitoring, International Conference on Optimization of Electrical and Electronic Equipment, vol. IV, Brasov, Romania, May 2006, pp. 175-180. 7. Vasile G., Trouv E., Ciuc M., Bolon Ph., Buzuloiu V., Intensity-Driven-Adaptive-Neighborhood Technique for POLSAR Parameters Estimation, IEEE Geoscience And Remote Sensing Symposium (IGARSS05), Vol. VIII, Seoul, Korea, July 2005, pp. 5509-5512. 8. Trouv E., Vasile G., Gay M., Grussenmeyer P., Nicolas J.M., Landes T., Koehl M., Chanussot J., Julea A., Combining Optical and SAR Data to Monitor Temperate Glaciers, IEEE Geoscience And Remote Sensing Symposium (IGARSS05), Vol. IV, Seoul, Korea, July 2005, pp. 2637-2640. 9. Vasile G., Trouv E., Gay M., Nicolas J., Amplitude-Driven-Adaptive-Neighbourhood Filtering of HighResolution Pol-InSAR Information, POLinSAR 2005, European Space Agency, CD-ROM , Franscati, Italy, January 2005, 6 pages. 10. Vasile G., Trouv E., Ciuc M., Bolon Ph., Buzuloiu V., Improving Coherence Estimation for Highresolution Polarimetric SAR Interferometry, IEEE Geoscience And Remote Sensing Symposium (IGARSS04), Vol. III, Anchorage, USA, September 2004, pp. 1796-1799. 1.

169

11. Bousquet L., Gay M., Legresy B., Vasile G., Trouv E., Velocities Field of Mountain Glacier Obtained by Synthetic Aperture Radar Interferometry, IEEE Geoscience And Remote Sensing Symposium (IGARSS04), Vol. II, Anchorage, USA, September 2004, pp. 1132-1135 12. Vasile G., Lepadatu C., Schiopu P., Moldovan C., Chemical Absorption Processes in Polymeric Films for Optical Gas Sensors, IEEE International Semiconductor Conference, Vol. 1, Sinaia, Romania, October 2002, pp. 59-62. 13. Vasile G., Moldovan C., Modreanu M., Simulation of Adsorption Processes in Thin Polymeric Films for Resonant Gas Sensors, 13-rd Micromechanics Europe Workshop, Vol. 1, Sinaia, Romania, October 2002, pp. 161-164. 14. Vasile G., Lepadatu C., Moldovan C., Nedelcu O., Simulation and design of a resonant polysilicon microbridge, IEEE International Semiconductor Conference, Vol. 2, Sinaia, Romania, October 2001, pp. 573576.

Communications dans des Ateliers sans acte

1. Vasile G., Trouv E., Petillot I., Bolon Ph., Nicolas J.-M., Gay M., Chanussot J., Landes T., Grussenmeyer P., High Resolution SAR Interferometry: estimation of local frequencies in the context of Alpine glaciers, Information Extraction and Scene Understanding for Meter Resolution Images, DLR-CNES Workshop, Oberpfaffenhofen, Germany, 2007. Bombrun L., Vasile G., Gay M., Trouv E., Analyse multi-dates dinterfrogrammes ERS appliqus lobservation des glaciers, Journes CArtographie des CHAngements Naturels par Tldtection, GdR ISIS, Paris, France, novembre 2006. Trouv E., Nicolas J.M., Gay M., Landes T., Vasile G., Hanjsek I., Mesure de lEvolution des Glaciers Alpins par Tldtection Optique et Radar, Journes PaRI-STIC (Panorama des Recherches Incitatives en STIC), Nancy, France, novembre 2006. M. Koehl, Trouv E., Vasile G., Gay M., Grussenmeyer P., Nicolas J.-M., Landes T., SIG pour la gestion cartographique des donnes du projet MEGATOR : SIG et e-learning, Confrence francophone ESRI SIG 2006, Issy-les-Moulineaux, France, 2006. Nicolas J.-M., Datcu M., Tupin F., Trouv E., Bolon Ph., Vasile G., Landes T., Grussenmeyer P., Gay M., Chanussot J., Monitoring temperate glacier activity by X band polarimetric SAR interferometry, TerraSAR-X Second Science Team Meeting, Oberpfaffenhofen, Germany, 2005 Trouv E., Gay M., Bolon Ph., Vasile G., Nicolas J.M., Chanussot J., Grussenmeyer P., Landes T., MEGATOR : premiers rsultats en photogrammtrie et interfromtrie RSO, Journes PaRI-STIC (Panorama des Recherches Incitatives en STIC), Bordeaux, France, 2005 Vasile G., Trouv E., Ciuc M., Bolon Ph., Nicolas J.M., Buzuloiu V., SAR polarimetric and interferometric feature estimation: performance assessment of adaptive neighborhood techniques, Advanced SAR Workshop, Canadian Space Agency, Montreal, Canada, november 2005 Nicolas J.M., Trouv E., Tupin F., Vasile G., SAR processing in the temporal domain: application to direct interferogram generation and mountain glacier monitoring, Advanced SAR Workshop, Canadian Space Agency, Montreal, Canada, november 2005 Bujor F., Vasile G., Valet L., Trouv E., Intgration de connaissance experte dans des systmes de fusion d'informations, ORFEO Volet Mthodologique, CNES Workshop, Paris, 2005 Bujor F., Vasile G., Trouv E., Bolon Ph., Buzuloiu V., Change detection and feature extraction in SAR and PolInSAR images, Information Extraction and Scene Understanding for Meter Resolution Images, DLR-CNES Workshop, Oberpfaffenhofen, Germany, 2004 Bolon Ph., Nicolas J., Gay M., Vasile G., Trouv E., Optical and SAR monitoring of glacier evolution: high resolution data issues, Information Extraction and Scene Understanding for Meter Resolution Images, DLRCNES Workshop, Oberpfaffenhofen, Germany, 2004 Vasile G., Trouv E., Ciuc M., Bolon Ph., Estimation de la cohrence interfromtrique en imagerie RSO polarimtrique, Journes Imagerie polarimtrique , GdR ISIS / Ondes, Paris, France, 2004 Trouv E., Vasile G., Gay M., Nicolas J., Mesure de dformations par interfromtrie radar satellitaire : application au suivi des glaciers de la Mer de Glace et dArgentire, Sminaire Glaciers- BQR Glacier, Universit de Savoie, Chambry, France, 2004 Vasile G., Trouv E., Ciuc M., Bolon Ph., Buzuloiu V., Estimation de la cohrence interfromtrique en imagerie RSO polarimtrique, cole thmatique 'Imagerie et Information', organise par la Socit Franaise dOptique (S.F.O.), Centre National de la Recherche Scientifique (CNRS), GDR ISIS et Ondes, lEcole Doctorale Physique et Sciences de la Matire (Universits dAix Marseille), Les Houches (74), France, 2004 Vasile G., Trouv E., Ciuc M., Improving HR SAR interferometric coherence and phase estimation, Information Extraction and Scene Understanding for Meter Resolution Images, DLR-CNES Workshop, Oberpfaffenhofen, Germany, 2003

2.

3.

4.

5.

6.

7.

8.

9. 10.

11.

12. 13.

14.

15.

170

Vasile et al.

Vol. 21, No. 8 / August 2004 / J. Opt. Soc. Am. A

1455

General adaptive-neighborhood technique for improving synthetic aperture radar interferometric coherence estimation
Gabriel Vasile
` me, Traitement de lInformation et de la Connaissance, Ecole Supe rieure Laboratoire dInformatique, Syste nieurs dAnnecy Universite de Savoie, B.P. 806, 74016 Annecy Cedex, France, dInge and Department of Applied Electronics and Information Engineering, Politehnica University of Bucharest, Boulevard Iuliu Maniu 1-3, Sector 1, Bucharest, Romania

Emmanuel Trouve
` me, Traitement de lInformation et de la Connaissance, Ecole Supe rieure Laboratoire dInformatique, Syste nieurs dAnnecy Universite de Savoie, B.P. 806, 74016 Annecy Cedex, France dInge

Mihai Ciuc and Vasile Buzuloiu

Department of Applied Electronics and Information Engineering, Politehnica University of Bucharest, Boulevard Iuliu Maniu 1-3, Sector 6, Bucharest, Romania Received August 19, 2003; revised manuscript received March 24, 2004; accepted March 29, 2004 A new method for ltering the coherence map issued from synthetic aperture radar (SAR) interferometric data is presented. For each pixel of the interferogram, an adaptive neighborhood is determined by a regiongrowing technique driven by the information provided by the amplitude images. Then pixels in the derived adaptive neighborhood are complex averaged to yield the ltered value of the coherence, after a phasecompensation step is performed. An extension of the algorithm is proposed for polarimetric interferometric SAR images. The proposed method has been applied to both European Remote Sensing (ERS) satellite SAR images and airborne high-resolution polarimetric interferometric SAR images. Both subjective and objective performance analysis, including coherence edge detection, shows that the proposed method provides better results than the standard phase-compensated xed multilook lter and the Lee adaptive coherence lter. 2004 Optical Society of America OCIS codes: 100.2650, 030.6140, 280.6730.

1. INTRODUCTION
Recent radar remote-sensing technology makes it possible to monitor natural and articial environmental changes from a point of view different from that of optical, multispectral, or thermal sensors.1,2 The synthetic aperture radar (SAR), mounted on both airplanes and satellites, provides day and night mapping of the scattering properties of target surfaces. The system measures both amplitude and phase of the backscattered signal, and the result is one complex image for each recording. The principle of SAR interferometry (InSAR) relies on the acquisition of two such complex images under slightly different viewing angles. After the two initial images are coregistered, the normalized complex cross correlation is computed. Its magnitude, called coherence, and its phase are the most commonly known measures in SAR interferometry. The coherence is usually used for describing the temporal stability of the acquired signal. The phase includes a geometrical component directly linked to the distance between the target and the sensor, providing information about the altitude of the target. Polarimetric SAR interferometry (Pol-InSAR) is an ex1084-7529/2004/081455-10$15.00

tension of this: Each one of the two sensors is able to emit and receive two polarizations, usually horizontal (H) and vertical (V). Thus four polarization congurations, usually denoted by HH, VV, HV, and VH (according to the emitted and received polarizations), are simultaneously available. Usually the HV and VH modes are fused, and the resulting conguration is denoted by XX. Polarimetric acquisitions are characterized by the 3 3 polarimetric covariance matrix. Interferometry in polarimetric SAR performs two acquisitions (spatially separated by the baseline) of the scattering matrix for each resolution cell. Three interferometric couples can be obtained between the channels of the same polarizations. For estimation of the coherence, the ensemble averages required by its denition are replaced by spatial averages: A number of L neighboring pixels are averaged to yield an estimate of the coherence and phase image (an operation called complex multilooking). However, despite this initial estimation, both coherence and phase images are highly corrupted by noise. Hence a ltering step is very often required to nally obtain reliable estimates. Different ltering strategies have been proposed over the past few years. The most commonly used interfero 2004 Optical Society of America

1456

J. Opt. Soc. Am. A / Vol. 21, No. 8 / August 2004

Vasile et al.

metric lter is the xed multilook lter (FMF), implemented, for instance, in DIAPASON software developed by the Centre National dEtudes Spatiales.3 It computes the normalized complex cross correlation for each pixel in a xed-size centered neighborhood. This lter is used as a reference for comparing the results of newer ltering algorithms in many papers.4 6 However, the FMF has the drawback (common to all the nonadaptive ltering methods) of not being able to determine the difference between noise and useful signal, and it induces a blurring effect that increases with the achieved noise reduction. A version of the FMF has been obtained by using a weighted average with xed weights,4 but this approach cannot improve the results signicantly. Adaptive ltering was seen as a possible solution to improve the ltering performances. The method proposed by Frankot4 consists of a family of multiple-scale adaptive lters. First, several linear lters with predened widths are computed. The nal result is a weighted combination of these linearly ltered interferograms by use of a criterion function that depends on the signal itself. In theory, this function is a nonlinear function of the interferogram magnitude, or coherence, and its purpose is to increase the inuence of the lter optimizing it. One can observe that the complexity of the algorithm is drastically increased, although the results are far from being perfect in all possible cases. In the framework of Pol-InSAR imagery, Lee et al. proposed a spatially adaptive ltering method for improving the accuracy of the coherence estimation.6 The proposed lter is an extension to the interferometric data of the lter developed by Lee for gray-level images.7 The basic idea of the lter is to preserve edges and to better lter noise in their vicinity. A set of eight directional subwindows are dened so as to locate the most homogeneous area inside the considered neighborhood. The subwindow selection procedure is driven by the average of the six available span images of the interferometric pair. Only pixels in the selected subwindow are used in computing the ltered value of the coherence, which is derived from the locally linear minimum mean-squared-error estimator of the 6 6 covariance matrix dened in Eq. (6) below: pol C pol b C pol C pol . C (1)

driven by the two amplitude images (or six, for Pol-InSAR data) obtained from the original complex data. Pixels belonging to an adaptive amplitude-driven region are more likely to respect the local stationarity hypothesis than pixels belonging to a squared xed-size window. The use of adaptive neighborhoods (ANs) ensures that stationarity is met. Also, to ensure phase stationarity, a phaseslope compensation is performed on the basis of the estimation of the local frequencies.8 Finally, the algorithm recomputes the coherence by averaging the complex values of pixels retained inside this adaptive region, where the signal respects the stationarity requirement. The remainder of this paper is organized as follows. In Section 2 the principles of InSAR and Pol-InSAR are reviewed in more detail. Section 3 is dedicated to the presentation of the proposed AN ltering method. In Section 4 the results obtained with the proposed lter are presented and compared with those given by two other ltering methods, both objectively and subjectively. Finally, in Section 5, some conclusions and perspectives are presented.

2. SAR AND POLARIMETRIC SAR INTERFEROMETRY

A. Interferometric SAR Images InSAR extracts surface physical properties from the complex correlation coefcient of two SAR signals having the same resolution cells and viewed from slightly different positions. The normalized complex cross-correlation coefcient C of the two SAR observations, u 1 and u 2 , is dened as C

* E u 1u 2
E u 1 2 E u 2 2 1/2

(2)

Under the hypothesis of stationarity, the statistical expectation in Eq. (2) is replaced by the spatial average of a number of L neighboring pixels in the correlation formula to estimate the cross correlation. Its magnitude, given by

L i 1

* u 1u 2
L

i 1

u 1

u
i 1 2

1/2

(3)

pol stands for the average value of the PolIn Eq. (1), C InSAR covariance matrix computed in the given subwindow, and b 0, 1 is a locally computed weight that measures the local data stationarity. The authors have validated the results of the method on L-band experimental SAR polarimetric interferometric data. However, the same ltering procedure can be applied to simple InSARs without any extensions or simplications. This paper presents a new, to our knowledge, spatially adaptive ltering algorithm for estimating the coherence of both InSAR and Pol-InSAR data. It takes into account the information contained in the amplitude images of the complex data. Around each pixel, an adaptive neighborhood (AN) is formed with a region-growing technique. Owing to the fact that both the coherence and the phase images are very noisy, the region-growing algorithm is

is called the coherence image. The interferometric phase is dened as the phase of the cross correlation,

arg

L i 1

* , u 1u 2

(4)

and its two-dimensional map is called an interferogram. An interferogram contains interferometric phase fringes due to the acquisition geometry and fringes due to the topography (or possible surface displacement). Several techniques for interferometric phase fringe extraction from coherent block displacement of the surface have been developed, such as differential SAR interferometry. The coherence itself gives valuable information about surface temporal stability (InSAR coherence imagery).9 In

Vasile et al.

Vol. 21, No. 8 / August 2004 / J. Opt. Soc. Am. A

1457

all cases, the level of coherence can be a measure of the quality of the interferogram. Yet several problems affecting the coherence image have been observed. The rst is that the initial coherence estimated by Eq. (2) is highly noisy because of the small number of pixels L used in its computation. The use of an increased value of L is restricted, rst, by the induced loss of resolution, and, second, by the fact that the local stationarity hypothesis would no longer hold true. The second effect is that the estimated coherence is overestimated with respect to its real value. As shown by Touzi et al.,10 who computed the rst-order statistics of the coherence, this effect is all the more important as the coherence decreases toward zero; i.e., the image areas the most affected will be noncoherent areas, such as water. B. Polarimetric SAR Imaging Terrain classication and extraction of geophysical parameters from SAR images are very much suited to radar polarimetry. The conventional approaches are the statistical analysis of the polarimetric information and the use of scattering models that provide an understanding of the scattering process. More recently, a new approach has been elaborated to deduce the terrain slopes and elevations from a single polarimetric data set, making it possible to extract topographic information.11 More information is available by applying the interferometry principles in polarimetry. For example, the accuracy of interferometric coherence is critical in the estimation of forest parameters such as the height of the trees.12 The Pol-InSAR data are obtained by two parallel passes separated by a baseline for interferometry. It is most commonly collected in an antenna scattering matrix form, for the pass i 1, 2 :

c xx / yy

i 1

* S xx S yy

i 1

S xx 2

S
i 1

yy

1/2

(8)

together with the polarimetric interferometric phase:

xx / yy arg

i 1

* . S xx S yy

(9)

Finally, on one interferometric acquisition three strongly correlated interferometric couples (one corresponding to each polarization conguration) and three coherencephase pairs are available. They correspond to the three diagonal terms of the matrix K 12 .

3. ADAPTIVE-NEIGHBORHOOD FILTERING
A. Initial Complex Multilooking The interferometric phase difference can be computed right away at the single-look-complex (SLC) full resolution by use of Eq. (4) with L 1. The single-look phase estimate is extremely noisy, and the coherence cannot be estimated without spatial averaging. Accordingly, the complex averaging from Eq. (3) is performed (assuming local stationarity) to obtain the initial phase and coherence estimates. This initial averaging, also called complex multilooking, regroups the L SLC pixels of the averaging window to form one pixel in the resulting phase and coherence images. For instance, in the case of European Remote Sensing (ERS) satellite SLC images, approximately square pixels are obtained by averaging every ve lines of each column. The coherence and phase estimated by this initial complex multilooking are still very noisy, especially in low-coherence areas (see Fig. 1 below). This spatial averaging is usually applied to the squared magnitudes of each SLC image to derive amplitude images at the same resolution as phase and coherence initial estimates (see Fig. 1 below). These amplitude images benet from a speckle reduction similar to the one of an L-look image that would be formed by conventional multilook SAR processing. B. Adaptive Neighborhoods The concept of ANs for image processing has been introduced by Gordon and Rangayyan13 in the framework of an application in medical imagery. In each pixel (called seed when processed), a neighborhood of variable shape and dimensions is built by a classical region-growing algorithm, containing only connected pixels that, ideally, belong to the same statistical population as the seed. Then only the values of pixels aggregated in the AN participate in the computation of the nal value of the seed. The method is meant to overcome the limitations implied by the use of xed-size neighborhoods, where, in general, an insufcient number of samples is available, which, in addition, may not respect the requirement of stationarity. The AN paradigm has been used for ltering of gray-level14,15 and color images.16 A three-dimensional extension has also been proposed for AN ltering of multitemporal SAR images.17

si

2 S XXi
S VVi S HHi

(5)

The usual complete representation of the data is the 6 6 covariance matrix:

C pol

s1 *T s1 s2

*T s2

V 11

K 12 V 22

*T K 12

(6)

where V 11 and V 22 are 3 3 polarimetric covariance matrices from each pass and K 12 is the interferogram matrix between the polarized acquisitions.6 The coherence between polarizations is dened as follows:
E S xx S * yy
E S xx 2 E S yy 2 1/2

C xx / yy

(7)

for xx, yy HH, VV, XX . This quantity is a statistical average; hence it requires averaging as many samples as possible belonging to the same distribution. In practice, the coherence is also estimated by a spatial average,

1458

J. Opt. Soc. Am. A / Vol. 21, No. 8 / August 2004

Vasile et al.

The present paper extends this approach to the ltering of the InSAR data. Without losing the stationarity of the averaged signal, an AN makes it possible to reach the number of pixels necessary for reliable coherence estimation. The details of the implementation are presented in the following subsections. 1. Application to InSAR Several information sources can drive the region-growing algorithm: amplitude, coherence, and phase. In the proposed method, only the amplitude information is used to decide on the pixel membership to the AN. The reasons for this choice are the following: The initial coherence image is very noisy (see Section 2). The wrapped phase image is too complex owing to the noise and the discontinuities at both ends of the [0,2] interval. The small homogeneous regions within the two (or six for Pol-InSAR data) amplitude images correspond to ground areas with a homogeneous cover that should respect the stationarity hypothesis. So the two amplitudes A 1 and A 2 , obtained after initial complex multilooking, are considered a bivariate image: a m , n A 1 m , n , A 2 m , n T . (10)

3. Rened estimation of the seed value. A more reliable estimator of the unspeckled seed value is now obtained by averaging the pixels included in the AN from the previous step a ( m , n ): 4. Reinspection of the background pixels. The background pixels a ( o , p ) of the list created in step 2 are tested again and aggregated in the AN provided that
a o, p a m, n a m, n

T2 ,

T2 2T1 .

(12)

The proposed AN determination relies on the image a ( m , n ) and involves processing the vectorial image (as in the case of color images) mixed with the multiplicative noise model (speckle noise is present in all SAR amplitude images). The algorithm consists of the following steps18: 1. Rough estimation of the seed value. To have an estimation more robust than the initial value of the current pixel a ( m , n ), the marginal median in the 3 3 centered neighborhood is used as the seed value a ( m , n ). 2. Region growing. All the eight direct neighbors a ( m , n ) of the seed are accepted inside the AN provided that they meet the following condition:
a m , n a m, n a m, n

T1 ,

T1 n /n . (11)

The threshold T 1 is set according to the speckle mean n and standard deviation n , which are constants a priori known, as both of them depend on the initial number of looks L and are identical for both amplitude images.17 The inclusion criterion in expression (11) allows the retention in the AN of pixels whose values differ from that of the seed by no more than the noise standard deviation. This choice will be explained in more detail further. Then the same procedure is applied to all the neighbors of the newly included pixels and so on. The region growing iterates in this manner until either the number of the pixels already included in the AN exceeds a predened upper limit N max or none of the neighbors verify the test condition (11). The pixels that have already been tested but not accepted inside the AN (called background pixels in the sequel) are stored in a separate list.

Thus the AN is updated with the pixels meeting the criterion in expression (12). The test is less restrictive, as the inclusion threshold is twice as large as the one used in the rst step of region growing. Expressions (11) and (12) propose an extension of the model presented in Ref. 16 for color images. The idea, based on Lees sigma lter,19 is to retain in the AN pixels the values of which differ from that of the seed by an amount that cannot exceed twice the noise standard deviation. This comes from the observation that, for a Gaussian population with parameters m and , 95% of the samples lie in the interval m 2 , m 2 . The 2 interval ensures the population retained in the AN is statistically signicant. However, it is not desirable to use a single-step region-growing algorithm with threshold 2 noise (especially when the noise is strong, which is the case in the SAR imagery) owing to the risk that the region grows over boundaries, in contradiction with the very principle of the algorithm. This is why a two-step regiongrowing procedure is used. The rst step, carried out with threshold noise , allows the region to grow (for a Gaussian population, the percentage of samples lying at from the mean is 57%) even though it will contain many holes, i.e., pixels that were not retained owing to the fact that they were affected by an instance of noise that exceeds a standard deviation from the mean. However, these pixels belong to the same statistical population and should be retained in the AN. This is achieved in the second step, in which only pixels that were rejected in the rst step are reinspected with a less restrictive threshold (2 noise). The advantage of reinspecting only previously inspected pixels is that most of them are located inside the convex hull of the AN determined in step one because they neighbor at least one of the pixels retained in the AN (otherwise, they would not have been checked in step one). Thus the risk of having the AN grow over boundaries is practically eliminated. Moreover, owing to the multiplicative noise model from the SAR amplitude images, the noise standard deviation is replaced by the variation coefcient (normalized standard deviation).17 However, in some particular cases, the size of the AN may be too small to improve coherence estimation. In such a case, a different procedure is used to obtain an AN of the minimum size. If the size of the AN obtained by the region-growing procedure is smaller than nine pixels (the dimension of the classical 3 3 square neighborhood), a set of directional windows is explored to select the window that is the most homogeneous in the ampli-

Vasile et al.

Vol. 21, No. 8 / August 2004 / J. Opt. Soc. Am. A

1459

tude images A 1 and A 2 . This directional window selection is similar to the well-known Nagao Matsuyama lter approach.20 In each pixel ( m , n ) requiring this alternate procedure, 2 the mean i k ( m , n ) and the variance i ( m , n ) are comk puted for each of the eight directional subwindows Wi dened in Ref. 20 in every amplitude image A k . Then the window minimizing the sum of the variation coefcients (normalized variances) is selected: W Wj , with j arg min

4. Reinspection of the background pixels. The test to accept the newly inspected pixels is
p HH o , p p HH m , n p HH m , n

p VV o , p p VV m , n p VV m , n

p XX o , p p XX m , n p XX m , n

T2 , (16)

T2 2T1 .

i 1...8 k 1

2 i m, n k 2 i m, n k

(13)

In the following, W denotes the resulting neighborhood obtained either by region growing or by directional window selection. 2. Application to Pol-InSAR As described in Section 2, in Pol-InSAR two acquisitions with three different polarization congurations are available. So the target surface is characterized by six SLC images. An extension of the algorithm presented in Subsection 3.B.1 is proposed for improving the phase and coherence images of the three couples formed by two acquisitions having the same polarization. However, in recomputing the normalized complex correlation, the information contained in all six available images is combined to construct the most precise AN possible. The region growing is driven by all six amplitude images: p m, n

If the size of the resulting AN is smaller than nine pixels, then the AN is replaced by a directional window selected according to Eq. (13) with the sum of the variation coef2 2 cients i /i performed over the six available amplitude images A k . The window resulting from the six-amplitude-driven region-growing technique (or the directional window selection) is expected to better preserve the edges of the spatial features which may have different coherence levels. C. Final Filtering When one computes the interferometric coherence, the deterministic geometrical phase component must be compensated to preserve the signal stationarity. On the initial phase image, a modied version of the MUSIC algorithm is applied to measure the local frequency ( f x , f y ) of a fringe pattern corresponding to a two-dimensional sinewave model.8 This method requires no prior information about the acquisition geometry (baseline or altitude of the SAR system) and relies on available SAR data only. For each pixel ( m , n ), an estimate of the two-dimensional lo x ( m , n ), f y ( m , n ) is obtained. In the cal frequency f nal ltering stage, by subtraction of the local phase variations, the complex multilooking is adapted to the local fringe pattern. In every point ( k , l ) of the current ltering window W( m , n ) corresponding to the pixel ( m , n ), the attened phase is given by x l n f y k , l k , l 2 k m f
mod 2 .

p HH m , n p VV m , n p XX m , n
HH A1 m, n VV A1 m, n XX A1 m,

HH A2 m, n VV A2 m, n XX A2 m, n

(14)

The same steps are performed as follows: 1. Rough estimation of the seed value. As in the previous case, the marginal median provides the seed value p ( m , n ) , but this time the dimension of p is 3 2. 2. Region growing. Because three couples are now available, expression (11) can be written for each pair of amplitude images. The three distances are merged in a simple aggregation test given by
p HH k , l p HH m , n p HH m , n

(17)

p VV k , l p VV m , n p VV m , n

The local slope-compensated phase is now a stationary signal, with only the differences between the exact fringe pattern and the rst-order model inuencing its variation. The classical slope-compensated ltering method performs a complex averaging over a xed-size sliding window W, taking into account the amplitude, phase, and coherence images. In Ref. 8 the local estimate of the geometrical phase component is removed to ensure phase stationarity with the following approximate complex multilooking: m , n c m , n exp

p XX k , l p XX m , n p XX m , n

T1 , (15)

T1 3 n /n.

3. Rened estimation of the seed value. As in Section 1, the mean p ( m , n ) is computed on this strict neighborhood.

k , l W

A 2 k , l c k , l exp k , l

k , l W

, A k, l
2

(18)

1460

J. Opt. Soc. Am. A / Vol. 21, No. 8 / August 2004

Vasile et al.

2 2 where A 2 ( k , l ) A 1 (k, l) A2 ( k , l ) /2, ( k , l ) is given by Eq. (17), and W is a xed-size (typically 5 5) neighborhood. In this type of approach the number of pixels averaged may not be sufcient to reduce the estimation variance (especially for a low coherence level) and the stationarity hypothesis is not always respected. The AN W constructed in Subsection 3.B solves these problems. Moreover, when images A 1 and A 2 are independently available, the ltering formula can be improved by

m , n c m , n exp

k , l W m , n

A 1 k , l A 2 k , l c k , l exp k , l
2 A1 k, l

k , l W m , n

k , l W m , n

2 A2 k, l

1/2

(19)

One can observe that Eq. (19) practically recomputes the phase-compensated complex averaging over the largest possible neighborhood (without losing stationarity). In the case of the Pol-InSAR data set, each interferometric couple (HH, VV, and XX) is ltered, according to Eq. (19), with the AN driven by the six amplitude images.

4. RESULTS AND DISCUSSION

To illustrate the performances of the AN ltering method presented in Section 3, we report results obtained with real interferograms and SLC images. Two data sets are used: Spaceborne InSAR images of the Cameroon River estuary, Cameroon. Airborne Pol-InSAR images of the Oberpfaffenhofen area, Wessling, Germany. A. SAR Data Characteristics The spaceborne data set was acquired in 1995 by ERS1 ERS2 Tandem. The ERS satellites are equipped with C-band sensors at 5.3-GHz working frequency. They operate in vertical polarization with the mean incidence angle of 23. The target area is the region of the Cameroon River estuary, near Douala. The airborne data set was acquired in 1999 by an airborne experimental SAR system.21 It represents a repeated-pass interferometric fully polarimetric L-band (1.25-GHz) acquisition with a baseline of approximately 15 m. The available polarization congurations are HH, VV, and HV. r Luft- und The target area is the Deutsches Zentrum fu Raumfahrt (DLR) headquarters (Oberpfaffenhofen area) in Wessling, Germany. It includes a very large variety of zones, being one of the most used test Pol-InSAR images. It contains agricultural areas for change detection,22 as well as forest regions available for vegetation structure extraction,21 or small building areas, streets, and a highway for contour detection.23 B. Results of Filtering on InSAR In this subsection the results obtained by the phasecompensated adaptive neighborhood lter (ANF) are pre-

sented, and comparisons with the 5 5 phasecompensated xed multilook lter (FMF) and the Lee adaptive lter (LAF) are performed. The SAR data set used is the spaceborne interferometric couple over the Cameroon River estuary. The value of the N max ANF parameter has been chosen to be 50 pixels in order to match the amount of ltering required to efciently reduce the estimation bias and the variance due to the noise. n has been chosen to be 0.3 (both for the ANF and for the LAF), since all the initial images (two amplitudes, coherence, and interferogram) are ve-look data. Both of the original SLC images of the Cameroon River estuary have 4900 25859 pixels. Figure 1 presents 410 410 pixel subimages resulting from the initial complex multilooking ( L 5) of the original data. The two (master and slave) amplitude images and the initial coherence map are shown. The amplitude images reveal some of the water areas by a very low backscattering coefcient due to the specular reection. In spite of the presence of strong noise, the coherence image includes the spatial information on the water regions covered by high mangroves, which are also strongly decorrelated (volume backscattering). In the coherence image, the water channels are wider and more visible than in the amplitude images, where they are partially or even totally hidden in mangroves. The histograms of the initial, FMF, LAF, and ANF coherence maps are presented in Fig. 2. If the initial coherence histogram has a single mode, the FMF coherence histogram already presents two modes, which correspond to two classes, namely, water (plus mangroves) areas and forest regions. The two modes are difcult to separate as they overlap to a signicant extent. With the ANF, the separation between the two modes is clearer, which permits a better classication based on the coherence information. As can be easily observed, the LAF coherence estimation has not performed very well in separating the two modes owing to the fact that the bias is less reduced than by the other two lters (FMF and ANF). The proposed method is well suited for preserving isolated brilliant points corresponding to strong reectors. This can be observed on the region-size map presented in Fig. 3. All three lters improve considerably the coherence image (see Fig. 3), by efciently reducing noise and compensating for the initial overestimation problem. However, the ANF ensures sharper contours, and the bias is also much more reduced, especially on lower-coherence areas, such as water regions. The bias reduction can be also observed from Table 1, which exhibits mean values computed over manually selected homogeneous regions (of approximately 100 pixels) with different coherence levels. An important decrease of the mean value after ltering is present over the low-coherence areas (areas 1 and 2), i.e., where the bias was important (see Section 2). At the same time, in the medium-coherence areas (area 3), where the bias was originally low, the reduction on the average value is less important. Also, the variance computed over all three regions is minimum for the ANF (see Table 2), showing that this lter performs the strongest noise reduction inside homogeneous regions. Between the LAF and the FMF, the latter better reduces both noise

Vasile et al.

Vol. 21, No. 8 / August 2004 / J. Opt. Soc. Am. A

1461

from zero, the initial matrix inuences the result and decreases the ltering performance, especially the bias reduction in low-coherence areas (whereas the FMF always performs a 25-sample complex averaging).

Fig. 2. Histograms of the coherence images over the Cameroon River estuary region from Fig. 3.

Fig. 1. Spaceborne InSAR data over the Cameroon River estuary region after ve-look averaging (410 410 pixel subimages): (a) master amplitude image, (b) slave amplitude image, (c) initial coherence map.

and bias. At rst sight, this is a weird conclusion, given the difference between the complexities of the two lters: One would expect the LAF to perform better than the FMF. Still, this is not the case in terms of bias reduction. This can be explained by the fact that the operation performed by the LAF [Eq. (1)] is not exactly a complex averaging of a given number of samples but rather a weighted complex average between the initial value of the ltered pixel and the 28-sample complex averaging performed on the selected window. As soon as b is different

Fig. 3. Results of coherence ltering on InSAR Cameroon River estuary region: (a) coherence after the 5 5 FMF, (b) coherence after the LAF, (c) coherence after the ANF, (d) map of the AN region size. Small sizes are mapped to dark tones, and large sizes are mapped to light tones.

Table 1. Coherence Mean over Homogeneous Areas on the Cameroon River Estuary Region
Area 1 2 3 Initial 0.3774 0.4647 0.6402 FMF 0.1213 0.1353 0.5729 LAF 0.1398 0.1427 0.5763 ANF 0.0402 0.0466 0.5335

1462

J. Opt. Soc. Am. A / Vol. 21, No. 8 / August 2004

Vasile et al.

Table 2. Coherence Standard Deviation over Homogeneous Areas on the Cameroon River Estuary Region
Area 1 2 3 Initial 0.0356 0.0389 0.0368 FMF 0.0026 0.0047 0.0008 LAF 0.0039 0.0111 0.0024 ANF 0.0003 0.0003 0.0004

herence images are presented in Fig. 6. The resulting gradient of the 6-ADANF image and a part of the regionselection masks are shown in Fig. 7. The normalized histogram of the gradient magnitude on the area dened by the contour mask provides an estimate of the detection probability density function f ( x ). The histogram on the homogeneous region mask stands for an estimate of the false-alarm probability density function f ( x ). For a certain decision threshold , over the gradient module image, the detection P d and the false-alarm P fa probabilities are given by Pd P fa

V max

V max

f x dx , f y dy ,

(20)

(21)

Fig. 4. One of the airborne Pol-InSAR two-look amplitude images of the DLR Oberpfaffenhofen area (1400 1400 pixels).

C. Results of Filtering on Pol-InSAR Because in Pol-InSAR additional information is available in the different polarizations, the phase-compensated 6-amplitude-driven ANF (6-ADANF) is proposed for this type of image. In this subsection the results obtained by the 6-ADANF are presented and compared with those obtained by the previously discussed LAF and FMF. The parameters used in the implementation of the 6-ADANF are N max 50 and n 0.5 (corresponding to two-look images). The airborne SLC test images of the DLR Oberpfaffenhofen area have 1540 2815 pixels each. After the initial two-look complex multilooking, three interferograms and coherence maps with six amplitude images are produced. The master amplitude image corresponding to the HH polarization conguration is presented in Fig. 4. The interferometric couple formed by the HH polarization conguration was chosen to illustrate the coherence ltering performances of the three lters (see Figs. 5 and 6). One can see that, here too, the 6-ADANF outperforms the two other lters from a visual point of view: Uniform areas are better smoothed, contours are better preserved, and bias is more reduced. To objectively assess the performances of the three lters, we compute and further analyze the receiver operating characteristics (ROCs). First, a contour map is computed, starting from the coherence map by use of a classical edge detector (such as Sobel). For evaluation purposes, contours along the highway and airdrome are manually selected to form the detection regions. A falsealarm region is also selected on the homogeneous elds around. Zoomed images of FMF, LAF, and 6-ADANF co-

Fig. 5. Results of ltering Pol-InSAR data over the DLR headquarters: (a) initial two-look coherence map for the HH polarization conguration, (b) coherence ltered by the FMF, (c) coherence ltered by the LAF, (d) coherence ltered by the 6-ADANF.

Fig. 6. Zoom on Pol-InSAR-ltered data over the DLR headquarters (500 260 pixel subimages): (a) after the FMF, (b) after the LAF, (c) after the 6-ADANF.

Vasile et al.

Vol. 21, No. 8 / August 2004 / J. Opt. Soc. Am. A

1463

terms of noise reduction in homogeneous areas, the proposed 6-ADANF is more efcient than the FMF and LAF. This can also be noted in Tables 3 and 4, which present the three lter-smoothing and bias-reduction performances on uniform areas, as in Subsection 4.B. Both the variance and the bias are reduced the most by use of the 6-ADANF. The ROC analysis shows that the two adaptive lters LAF and 6-ADANF have almost the same performance in preserving the spatial features. However the proposed 6-ADANF behaves better in reducing the initial estimation bias and the local variance due to noise. This shows that the resulting 6-ADANF coherence map is more accurate, making this information very useful for segmentation and classication techniques or good-quality masking for phase-unwrapping algorithms.24

5. CONCLUSION
Fig. 7. Pol-InSAR data over the DLR headquarters: (a) Sobel gradient module of the 6-ADANF coherence image, (b) mask used in the ROC analysis.

A new technique for ltering coherence images issued from an SAR interferometric pair has been presented. The proposed lter uses adaptive neighborhoods as spatial support, derived with respect to the amplitude information. All the available amplitude images of the interferometric couple are combined in the region-growing procedure to ensure the stationarity of the averaging region. The phase stationarity is provided by the phaseslope compensation based on the estimation of the local frequencies. The proposed lter recomputes the coherence map, by averaging over the largest possible neighborhood. An extension for Pol-InSAR images is also presented. The experimental results have proved that the noise is greatly reduced and the coherence bias is reduced, while the contours and ne details are preserved and the blurring effect is avoided. The reliability of the obtained results is demonstrated by either subjective assessment or Table 3. Coherence Mean over Homogeneous Regions for the Oberpfaffenhofen Area from the DLR
Area Initial 0.7355 0.7871 0.8272 0.9186 0.9855 FMF 0.2054 0.2504 0.5643 0.8289 0.9641 LAF 0.1839 0.2489 0.5535 0.8290 0.9657 6-ADANF 0.1093 0.1476 0.5694 0.8224 0.9636

Fig. 8. Assessment of the edge-detection performance in the Pol-InSAR-ltered coherence images: detection histograms (corresponding to the contour regions), false-alarm histograms (corresponding to the homogeneous regions), and the resulting ROC (detection probability versus false-alarm probability).

1 2 3 4 5

where V max is the maximum value of the gradients magnitude. The ROCs of the edge detector are obtained when varies in the interval 0, V max representing the detection probability versus the false-alarm probability. Figure 8 represents the normalized histograms of the detection and false-alarm areas corresponding to the gradient on each of the ltered coherence images. Finally, the resulting three ROC curves can be analyzed. From the detection point of view, the LAF and the 6-ADANF have similar performances; both are better than the FMF. This is normal, since the rst two are adaptive lters and are especially designed for edge preservation. The falsealarm histogram shows better performances for the 6-ADANF. This can be explained by the fact that, in

Table 4. Coherence Standard Deviation over Homogeneous Regions for the Oberpfaffenhofen Area from the DLR
Area 1 2 3 4 5 Initial 0.0454 0.0386 0.0342 0.0178 0.0021 FMF 0.0093 0.0135 0.0135 0.0026 0.0003 LAF 0.0066 0.0137 0.0128 0.0030 0.0004 6-ADANF 0.0036 0.0055 0.0049 0.0008 0.0001

1464

J. Opt. Soc. Am. A / Vol. 21, No. 8 / August 2004 8. 9.

Vasile et al. , M. Caramma, and H. Ma tre, Fringe detection E. Trouve in noisy complex interferograms, Appl. Opt. 35, 3799 3806 (1996). H. Lee, Interferometric synthetic aperture radar coherence imagery for land surface change detection, Ph.D. thesis (Imperial College of Science, Technology and Medicine, University of London, London, 2001). R. Touzi, A. Lopes, J. Bruniquel, and P. W. Vachon, Coherence estimation for SAR imagery, IEEE Trans. Geosci. Remote Sens. 37, 135 149 (1999). S. R. Cloude and K. P. Papathanassiou, Polarimetric SAR interferometry, IEEE Trans. Geosci. Remote Sens. 36, 1551 1565 (1998). R. N. Treuhaft and S. R. Cloude, The structure of oriented vegetation from polarimetric interferometry, IEEE Trans. Geosci. Remote Sens. 37, 2620 2624 (1999). R. Gordon and R. M. Rangayyan, Feature enhancement of lm mammograms using xed and adaptive neighborhoods, Appl. Opt. 23, 560 564 (1984). R. B. Paranjape, T. F. Rabie, and R. M. Rangayyan, Image restoration by adaptive-neighborhood noise substraction, Appl. Opt. 33, 2861 2869 (1994). R. M. Rangayyan, M. Ciuc, and F. Faghih, Adaptiveneighborhood ltering of images corrupted by signaldependent noise, Appl. Opt. 37, 4477 4487 (1998). M. Ciuc, R. M. Rangayyan, T. Zaharia, and V. Buzuloiu, Filtering noise in color images using adaptiveneighborhood statistics, J. Electron. Imaging 9, 484 494 (2000). , V. Buzuloiu, and J. P. M. Ciuc, Ph. Bolon, E. Trouve Rudant, Adaptive-neighborhood speckle removal in multitemporal synthetic aperture radar images, Appl. Opt. 40, 5954 5966 (2001). , Ph. Bolon, and V. Buzuloiu, AmplitudeM. Ciuc, E. Trouve driven coherence ltering in complex interferograms, in Proceedings of IEEE Geoscience and Remote Sensing Symposium (IGARSS 02) (Institute of Electrical and Electronics Engineers, New York, 2002), Vol. VI, pp. 3453 3455. J. S. Lee, Digital noise smoothing and the sigma lter, Comput. Vis. Graph. Image Process. 21, 255 269 (1983). M. Nagao and T. Matsuyama, Edge preserving smoothing, Comput. Graph. Image Process. 9, 394 407 (1979). S. R. Cloude, K. P. Papathanassiou, A. Reigber, and W. M. Boerner, Multi-frequency polarimetric SAR interferometry for vegetation structure extraction, in Proceedings of Geoscience and Remote Sensing Symposium (IGARSS 00) (Institute of Electrical and Electronics Engineers, New York, 2000), Vol. I, pp. 129 131. K. Conradsen, A. A. Nielsen, J. Schou, and H. Skriver, Change detection in polarimetric SAR data and the complex Wishart distribution, in Proceedings of Geoscience and Remote Sensing Symposium (IGARSS 01) (Institute of Electrical and Electronics Engineers, New York, 2001), Vol. VI, pp. 2628 2630. D. Borghys, C. Perneel, and M. Acheroy, Edge and line detection in polarimetric SAR images, in Proceedings of International Conference on Pattern Recognition (International Association for Pattern Recognition, Surrey, UK, 2002), Vol. II, pp. 921 924. D. C. Ghiglia and L. A. Romero, Robust two-dimensional weighted and unweighted phase unwrapping that uses fast transforms and iterative methods, J. Opt. Soc. Am. A 11, 107 117 (1994).

conventional objective ROC analysis and bias-reduction tables. All these features make this adaptive ltering algorithm a powerful tool for interferometric data postprocessing.

ACKNOWLEDGMENTS
oThe authors thank the Institut Francilien des Ge sciences, the European Space Agency for providing the ERS images under project ID 539 and the German Aerospace Center (DLR) in Wessling, Germany, for providing the high-resolution polarimetric experimental SAR images. , the corresponding author, may be Emmanual Trouve reached by phone, 334-50-09-65-48; fax, 334-50-09-65-59; or e-mail, trouve@esia.univ-savoie.fr. Gabriel Vasile, Mihai Ciuc, and Vasile Buzuloiu may be reached by phone or fax, 4021-402-4821. Their e-mail addresses are mciuc,buzuloiu,gvasile@alpha.imag.pub.ro.

10. 11. 12. 13. 14. 15. 16.

REFERENCES
1. J. Haarpainter, C. Kergomard, J. C. Gascard, and P. M. Haugen, Sea ice dynamics observed by ERS-2 SAR imagery and ARGOS buoys in Storfjorden, Svalbard, in Proceedings of Geoscience and Remote Sensing Symposium (IGARSS 00) (Institute of Electrical and Electronics Engineers, New York, 2000), Vol. II, pp. 467 469. S. Dellepiane, G. Bo, S. Monni, and C. Buck, SAR images and interferometric coherence for ood monitoring, in Proceedings of Geoscience and Remote Sensing Symposium (IGARSS 00) (Institute of Electrical and Electronics Engineers, New York, 2000), Vol. VI, pp. 2608 2610. D. Massonnet and F. Adragna, Description of the DIAPASON software developed by CNES current and future applications, Tech. Rep. Space Image Quality and Processing Division, Centre National dEtudes Spatiales, FRINGE 96 Workshop, Zurich, Switzerland, 1996. R. T. Frankot, Interferometric SAR adaptive ltering method for improved yield and detail, in Proceedings of Geoscience and Remote Sensing Symposium (IGARSS 98) (Institute of Electrical and Electronics Engineers, New York, 1998), Vol. I, pp. 74 76. C. Lopez, X. Fabregas, J. Mallorqui, O. Mora, and M. Chandra, Noise ltering of SAR interferometric phase based on wavelet transform, in Proceedings of Geoscience and Remote Sensing Symposium (IGARSS 01) (Institute of Electrical and Electronics Engineers, New York, 2001), Vol. VI, pp. 2928 2930. J. S. Lee, S. R. Cloude, K. Papathanassiou, M. R. Grunes, and I. H. Woodhouse, Speckle ltering and coherence estimation of polarimetric SAR interferometry data for forest applications, IEEE Trans. Geosci. Remote Sens. 41, 2254 2263 (2003). J. S. Lee, Rened ltering of image noise using local statistics, Comput. Graph. Image Process. 15, 380 389 (1981). 17.

18.

2.

19. 20. 21.

3.

4.

22.

5.

23.

6.

24.

7.

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

1609

Intensity-Driven Adaptive-Neighborhood Technique for Polarimetric and Interferometric SAR Parameters Estimation
Gabriel Vasile, Student Member, IEEE, Emmanuel Trouv, Member, IEEE, Jong-Sen Lee, Life Fellow, IEEE, and Vasile Buzuloiu, Senior Member, IEEE

AbstractIn this paper, a new method to lter coherency matrices of polarimetric or interferometric data is presented. For each pixel, an adaptive neighborhood (AN) is determined by a region growing technique driven exclusively by the intensity image information. All the available intensity images of the polarimetric and interferometric terms are fused in the region growing process to ensure the validity of the stationarity assumption. Afterward, all the pixels within the obtained AN are used to yield the ltered values of the polarimetric and interferometric coherency matrices, which can be derived either by direct complex multilooking or from the locally linear minimum mean-squared error (LLMMSE) estimator. The entropy/alpha/anisotropy decomposition is then applied to the estimated polarimetric coherency matrices, and coherence optimization is performed on the estimated polarimetric and interferometric coherency matrices. Using this decomposition, unsupervised classication for land applications by an iterative algorithm based on a complex Wishart density function is also applied. The method has been tested on airborne high-resolution polarimetric interferometric synthetic aperture radar (POL-InSAR) images (Oberpfaffenhofen areaGerman Space Agency). For comparison purposes, the two estimation techniques (complex multilooking and LLMMSE) were tested using three different spatial supports: a x-sized symmetric neighborhood (boxcar lter), directional nonsymmetric windows, and the proposed AN. Subjective and objective performance analysis, including coherence edge detection, receiver operating characteristics plots, and bias reduction tables, recommends the proposed algorithm as an effective POL-InSAR postprocessing technique. Index TermsCoherency estimation, interferometry, multivariate region growing, polarimetric synthetic aperture radar.

I. INTRODUCTION

SYNTHETIC aperture radar (SAR) system measures both amplitude and phase of the backscattered signal, producing one complex image for each recording. The principle of SAR interferometry (InSAR) relies on the acquisition of two
Manuscript received June 28, 2005; revised November 10, 2005. G. Vasile is with the Laboratoire dInformatique, Systmes, Traitement de lInformation et de la Connaissance, Universit de Savoie-ESIA-BP, 806-74016 Annecy Cedex, France, and also with the Image Processing and Analysis Laboratory, Politehnica University of Bucharest, Bucharest 061071, Romania (e-mail: gabriel.vasile@univ-savoie.frl; gvasile@alpha.imag.pub.ro). E. Trouv is with the Laboratoire dInformatique, Systmes, Traitement de lInformation et de la Connaissance, Universit de Savoie-ESIA-BP, 806-74016 Annecy Cedex, France (e-mail: emmanuel.trouve@univ-savoie.fr). J.-S. Lee is with the Remote Sensing Division, Naval Research Laboratory, Washington, DC 20375-5351 USA (e-mail: jong.lee@nrl.navy.mil). V. Buzuloiu is with the Image Processing and Analysis Laboratory, Politehnica University of Bucharest, Bucharest 061071, Romania (e-mail: buzuloiu@alpha.imag.pub.ro). Digital Object Identier 10.1109/TGRS.2005.864142

such complex images under slightly different viewing angles. After the two initial images are coregistered, the normalized complex cross-correlation is computed. The most commonly known measures in interferometry are its magnitude, namely the coherence, and its phase. The coherence is usually used to describe the temporal and spatial variations of the acquired signal. The phase includes a geometrical component directly linked to the distance between the target and the sensor positions, providing the height information of the target. In order to estimate the coherence, the required ensemble averages are replaced by spatial averages: a number of neighboring pixels are averaged to yield an estimate of the coherence and phase image (operation called complex multilooking). However, despite this initial estimation, both coherence and phase images are highly corrupted by speckle. Hence, the need to improve coherence estimation arises in order to reduce the estimation bias and variance [1], [2]. The use of larger window sizes with xed shapes gives unsatisfactory results, since the stationarity assumption is often no longer valid and the nal resolution decreases. Polarimetric synthetic aperture radar (POLSAR) is an extension of the SAR imaging system, the sensors being able to emit and receive two polarizations. Monostatic polarimetric acquisitions are characterized by the 3 3 polarimetric coherency matrix. The POLSAR information allows the discrimination of different scattering mechanisms. The rst characteristic decomposition of the coherency matrix for target scattering decomposition was proposed in [3]. The received signal can be split into a sum of three scattering contributions with orthogonal polarimetric signatures. The orthonormal eigenvectors of the Hermitian target coherency matrix are used for analyzing the eigenvector space. The dominant scattering mechanism is represented by the largest eigenvalue of the coherency matrix. In [4] and [5], Cloude and Pottier introduced the target entropy and the model by assigning to each eigenvector the corresponding coherent single scattering mechanism. Based on this decomposition, unsupervised classication for land applications was performed by an iterative algorithm based on complex Wishart density function [6], [7]. Interferometry in POLSAR performs two acquisitions (spatially separated by the baseline) of the scattering matrix for each resolution cell. The advantages of interferometry (height and/or displacement information) are enhanced by the polarimetric decomposition techniques. In [8], Cloude and Papathanassiou applied the polarimetric basis transformations in the POL-InSAR

0196-2892/$20.00 2006 IEEE

1610

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

case and obtained interferograms between all possible linear combination of polarization states. As polarization and interferometric coherence are tightly related, an optimization algorithm based on the maximization of the interferometric coherence is proposed [8], [9]. A ltering step is very often required to nally obtain reliable estimates of the complex cross-correlation. Moreover, the high resolution of newly available SAR airborne images offers the opportunity to observe much thinner spatial features than the lower resolution of the up-to-now available SAR images. Being able to preserve such a high resolution in robust estimations of POL-InSAR coherency is an important issue to make this information useful. Different speckle ltering strategies proposed over the last 20 years have been reviewed for one-channel SAR images in [10] and [11]. To handle the scene nonstationarity issue, two different models, namely the multiplicative speckle model and the product model, yield to two different ltering approaches. The rst approach is based on the assumption of local stationarity and yields to different lters which search for local neighborhoods respecting this assumption and use adaptive estimators such as the local linear minimum mean square error (LLMMSE) [12], [13]. The second approach corresponds to nonstationary speckle models which require to introduce prior knowledge on the scene such as the distribution of the intensity mean in the gamma lter [14] or multilevel pdfs in multiply stochastic models [15], [16]. The review and the experimental results presented on intensity images in [11] encourage the use of the rst approach with multiresolution techniques for optimal parameter estimation. Most techniques developed to extend estimation windows and respect signal local stationarity are based on tests and thresholds which allow windows to grow in different directions when spatial features are detected. The technique proposed by Wu and Matre [17] selects maximum homogeneous regions by testing the evolution of the standard deviation when the window size increases, after splitting in one of the eight possible directions if necessary. Three thresholds are empirically chosen to test four cases: point-target, close or on step edge, and homogeneous area. This lter has been improved by Nicolas et al. [18] with two modications. First, the standard deviation is replaced by the equivalent number of look which is linked to the coefcient of variation CV (normalized standard for intensity images. Secondly, the deviation) by estimation of is based on the low-order moments, second kind cumulant method which yields a low variance estimator with analytically known variance linked to the number of sample used in the estimation windows. This allows the authors to take the estimator variance into account when comparing with the theoretical number of looks and analyzing the evolution of between the current window and the increased size windows. A different strategy was proposed by Hagg and Sties [19] to test local stationarity on directional subwindows of decreasing size: starting from large window size such as 11 11, directional subwindows are tested and size is reduced by 2 until the local estimate of the CV is found to be lower than the corresponding global estimate of the coefcient of variation. These global estimates are obtained on the whole image for different window

distributions with the beginning of the CV size by tting histograms. The multiresolution technique proposed in [11] combines these different techniques by including specic feature detectors (point targets, lines, edges) to test successively different kind of nonstationarity. The main characteristics of these techniques is the use of homogeneous/nonhomogeneous tests to select (sub)windows of larger size (pixels are not tested and aggregated individually). These window tests are based on CV local estimates and require to take into account the fact that CV estimated on small windows is lower than the theoretical CV. In the framework of POL-InSAR imagery, a spatially adaptive ltering method for improving the accuracy of the coherency estimation was introduced in [20]. Eight directional subwindows are dened in order to locate the most homogeneous area inside the considered neighborhood. The subwindow selection procedure is driven by the average of the available span images of the interferometric pair. The pixels within the selected subwindow are used to yield the ltered covariance matrix, which is derived from the locally linear minimum mean-squared error (LLMMSE) estimator of the 6 6 covariance matrix (1) In (1), stands for the average value of the POL-InSAR covariance matrix computed in the given subwindow, while is a locally computed weight that measures the local stationarity. This paper presents a new spatially adaptive algorithm for coherency matrix estimation. Around each pixel, an adaptive neighborhood (AN) is formed using a region growing technique rather different from the previous window growing techniques: pixels are tested one by one and progressively aggregated if they belong to the same statistical population as the initial pixel. Moreover, the region growing algorithm is driven by all the available intensity images (the terms corresponding to the main diagonal of the roughly estimated coherency matrix). Pixels belonging to an adaptive intensity-driven region are more likely to respect the local stationarity hypothesis than pixels belonging to a squared xed size window. Finally, the algorithm estimates the coherency matrix either by direct complex multilooking or from the LLMMSE estimator. The two estimation techniques were tested using three different spatial supports: a x-sized symmetric neighborhood (boxcar lter), directional nonsymmetric windows, and the proposed AN. The effectiveness of this proposed method is demonstrated using L-band E-SAR polarimetric interferometric data. The remainder of this paper is organized as follows. In Section II, the principles of polarimetric InSAR are reviewed in more detail. Section III is dedicated to the presentation of the proposed intensity-driven adaptive-neighborhood (IDAN) estimation and its application to LLMMSE ltering. In Section IV the results obtained using the proposed lter are presented and compared to those given by the boxcar and directional ltering methods. Results of entropy-alpha-anisotropy decomposition and coherence optimization, followed by a Wishart classication are also given. Eventually, in Section V, some conclusions and perspectives are presented.

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

1611

II. POLARIMETRIC SAR IMAGES The POL-InSAR data are obtained by two parallel passes separated by a baseline for interferometry. By using the Pauli basis are marices [8], the obtained coherent scattering vectors closer to the physical phenomena of wave scattering (2) One complete representation of the data is the 6 tian positive semidenite coherency matrix 6 Hermi-

Also, the parameter is given as the weighted mean of the parameters corresponding to the three scattering mechanisms [5] (9) The extracted two meaningful roll-invariant parameters and indicate the random behavior of the global scattering and, respectively, the mean scattering mechanism from surface to double bounce scattering. They are strongly related to the geophysical properties of the ground target area providing reliable classication information. In [5], nine clustering zones are proposed in the and plane. Being already implemented in POLSAR processing software as POLSARpro (European Space Agency) or RAdar Tools [27], the H/ /A decomposition has been chosen to illustrate the benet of the proposed ltering methods. B. Coherence Optimization Due to the strong inuence of the polarization upon the estimate of the interferometric coherence, Cloude and Papathanassiou proposed a method for nding the optimal linear combination of polarization states [8]. The optimum scattering mechanism corresponds to the projection of both master and slave and of the target vectors on the eigenvectors maximum eigenvalues. The highest coherence is obtained by forming the interferogram between the two optimized scalar and complex images

(3) where denotes the expectation value, are the 3 3 polarimetric coherency positive semidenite Hermitian being the interferometric comatrices from each pass, herency matrix between the polarized acquisitions (4) While the scatter vector, expressed either in lexicographic basis or in Pauli basis, is usually modeled by a multivariate complex Gaussian probability density function (pdf), the obtained codened in (3) follows a complex Wishart herency matrix pdf [7], [21]. The diagonal elements of the coherency matrix have the same speckle statistics as conventional single channel SAR images. A. H/ /A Decomposition To extract useful information from POLSAR data, several polarimetric decompositions have been introduced: Huynen [22], Krogager [23], Cameron [24], Freeman-Durden [25], or TSVM [26]. In [5], Cloude and Pottier proposed a decomposition based onto its eigenon the projection of the coherency matrix is given by a weighted sum of three values basis. The matrix unitary matrices of rank one, each representing a pure scattering mechanism (5) where are the ordered eigenvalues and its and anisotropy corresponding eigenvectors. The entropy have been dened as (6) (7) where the pseudoprobabilities are given by (8)

(10) the three optimized coherences , two characteristic indicators of the coherence distribution in the different optimized channels, and , are introduced in [28] and [29] (11) Based on

III. INTENSITY-DRIVEN AN ESTIMATION The AN concept in image processing has been introduced by Gordon and Rangayyan [30] in medical imagery. In each pixel (called seed when processed), a neighborhood of variable shape and dimensions is built by a region growing algorithm, containing only connected pixels that belong to the same statistical population as the seed. Only the values of pixels aggregated in the AN participate to the computation of the nal value of the seed. The main advantage of the method is to gather a signicant number of samples in an estimation window where stationarity is preserved. ANs were also used for gray-level [31], [32] and color images [33], [34] ltering. In the context of SAR imaging, a multidimensional extension has also been proposed for adaptive-neighborhood ltering of multitemporal amplitude

1612

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

data [35] and interferometric coherence and phase images [36], [37]. A. Intensity-Driven Region Growing In the proposed method, only the intensity information is used to decide upon the pixel membership to the AN. Small homogenous regions within all six intensity images correspond to ground areas with an homogenous cover, which respect the stationarity hypothesis requirement for the estimation of the complex correlation in (3). After initial complex multilooking a rough 6 6 noisy estimate of is available. All the available six intensity images simultaneously drive the region growing process. A 3 2 matrix is built containing only the elements of the main diagonal of

(12) where are the bivariate vectors corresponding to the three lines of the real matrix . Only the diagonal elematrices have been chosen as, after the Pauli ments of the basis transformation, they are related to the physical backscattering properties of the target. In the case of POLSAR data, each matrix becomes scalars. Both the bivariate component of the proposed algorithm and the corresponding equations remain unchanged [38]. The idea, based on Lees sigma lter [39], is to retain in the AN only pixels which differ from the seed with less than twice the noise variation coefcient. According to the multilook SAR intensity image multiplicative noise model, the corresponding random variable is gamma distributed [21], [40]. For a distribution with parameters and , 95% of the samples lie in the . The ( thresholds interval from Fig. 1) interval ensures the population retained in the AN is statistically signicant, and the following aggregation crite: rion is proposed for all the available bivariate vectors (13) is the seed vector. The variation coefcient is a standard parameter in SAR imagery, which is con( is the stant in homogenous areas and equal to equivalent number of looks resulting from the initial averaging). However, it is not desirable to use a single-step region (especially when the growing algorithm with threshold noise is strong, which is the case in the SAR imagery) under the risk that the region grows over boundaries, in contradiction with the goal of the region growing algorithm [Fig. 2(c)]. This is why a two-step region growing procedure is used [Fig. 2(d)]. In the rst step, the aggregation threshold is set in order to retain only 50% of the statistical population [Fig. 2(b)]. With a single gamma distribution, the corresponding interval is (see thresholds in where

Fig. 1. Gamma pdf corresponding to multiplicative noise model for multilook SAR intensity images:  = 1 and L = 2; 3; 5. The aggregation thresholds IDAN (15) and IDAN (16) are set in order to retain only 50%, and 95% of the statistical population, respectively.

Fig. 2. Region growing process (64 64 pixels). (a) Two-look initial SAR intensity image. (b) One-step region growing with the IDAN threshold. (c) One-step region growing with the IDAN threshold. (d) Two-step region growing with the IDAN followed by the IDAN thresholds.

Fig. 1). The rst aggregation criterion for each of the three bivariate vectors , which yields the correct estimation of the seed, is (14) Using the threshold on the sum of the three channels, the resulting AN may possibly contain many holes, i.e., pixels that were not retained because they are affected by

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

1613

a strong instance of noise. However, these pixels belong to the same statistical population and should be retained in the thresholds AN. This is achieved in the second step ( in Fig. 1), where only pixels that were rejected in the rst step . The are reinspected with a less restrictive threshold advantage of reinspecting only previously rejected pixels is that most of them are located inside the convex hull of the AN determined in step one, as they neighbor at least one of the pixels retained in the AN. Based on this principle, the algorithm for constructing the AN consists of two steps. Step I 1) Rough estimation of the seed value. Inside a 3 3 cenis computed tered neighborhood, the median on each of the six component of the matrix, in order to yield a rst estimate of the seed value. At this step, with a 3 3 neighborhood, the median is more appropriate than the mean (maximum likelihood estimator in homogenous areas), since the impulse response of the median lter is zero and a stepwise change in the input signal passes the median lter unaltered [41]. This property is very useful when data need to be smoothed, while blurring of the signal edges is not acceptable. At such an early stage of the region growing process, it is better to avoid any blurring effects around the edges in order to assure the signal stationarity in the next steps. of 2) Region growing. All the eight direct neighbors the seed are accepted inside the AN, provided they meet the following aggregation test, which merges the three distances corresponding to the three components of the multivariate vector (15) where and are the speckle mean and standard deviation. Then, the same procedure is applied for all of the neighbors of the newly included pixels and so on. The region growing iterates in this manner, until either the number of the pixels already included in the AN exceeds or none of the neighbors a predened upper limit verify the test condition given by (15). The pixels which have already been tested, but not accepted inside the AN (called background pixels in the sequel) are stored in a separate list. Step II 1) Rened estimation of the seed value. A more reliable estiof the selected seed value is obtained by mator averaging the pixels included in this strict AN obtained in Step I. The initial seed value is now updated . by 2) Reinspection of the background pixels. The background of the list created in Step I are tested again pixels and aggregated in the AN, provided that they meet the enlarged test condition (16)

The test is less restrictive, as the inclusion threshold is larger than the one used in the rst step of region growing. It is important to notice that the intensity-driven region growing algorithm can be applied on one POLSAR acquisition, namely by employing only one polarimetric coherency matrix. The only difference is that the bivariate components of the vector from (12) become scalars (diagonal elements of the available polarimetric coherency ) (17) The same two-step region growing algorithm is then applied [38]. In summary, the proposed AN determination involves processing the vectorial image (as in the case of color images) mixed with multiplicative noise model (speckle noise is present in all SAR intensity images). Around each pixel, an AN is formed using a two-step region growing technique. It takes into account the information contained in all the intensity images of the available complex data. The use of ANs provides a larger set of samples for further processing, which respect the stationarity hypothesis. B. Pol-InSAR Parameter Estimation The conventional ltering method performs a complex averaging over a xed size sliding window estimating the master and slave coherency matrices and the interferometric coherency matrix from (3). In this type of approach the number of pixels averaged may not be sufcient to reduce the estimation variance and the stationarity hypothesis is not always respected. The AN previously constructed solves these problems, considering that the phase stationarity over the neighborhood was ensured either by a standard at earth fringe removal procedure or by a local phase slope estimation (in the case of unknown baseline or strong topography) [42], [43]. The proposed method allows to recompute the complex averaging over the largest possible neighborhood without loosing stationarity. In the case of the POL-InSAR data set, the matrices and from (4) are estimated by replacing the ensemble average required by their denition, with a spatial average within the intensity-driven AN (IDAN) (18) (19) In the case of single POLSAR data, using the multivariate vector from (17), the IDAN estimation technique of the polarimetric coherency matrix is implemented using (18). A recent study presented in [44] determines speckle noise effects over the retrieved physical information in POLSAR data decomposition. As the sample eigenby means of the values consist of asymptotically nonbiased estimators of the true eigenvalues, the minimum number of looks in order to neglect biases must be determined. The optimization algorithm of the

1614

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

Fig. 4. Master intensity image ltering results (logarithmic scale) (526 310 pixels). (a)(c) Original two-look intensity images (HH VV, HH VV and 2XX). (d)(f) HH VV boxcar, directional, and IDAN lters with complex multilooking. (g)(i) HH VV boxcar, directional, and IDAN lters with LLMMSE.

Fig. 3. POL-InSAR initial data (1540 1407 pixels). (a) Two-looks HH VV master intensity (logarithmic scale). (b) Two-looks HH VV initial coherence map. (c) Two-looks HH VV initial interferogram.

the polarimetric scattering signatures of the targets (trees). In order to compensate these effects, a new technique which fuses the IDAN estimation and the LLMMSE from [20] is proposed (IDAN-LLMMSE). Instead of the directional windows, the previously constructed AN provides the necessary spatial support for the nal LLMMSE estimation of the coherency matrix as (20)

sample eigenvalues proposed in [44] does not succeed in correcting with less than 81 looks and values with less than 121 looks. The IDAN estimation provides such a high number of samples, while preserving stationarity and spatial resolution. Depending on the desired POL-InSAR application, another renement of the estimation method may be employed. For example in the case of forestry applications, the height of the trees is extracted from the interferometric coherency [45]. The strong multilooking induced by IDAN may affect the properties of

represents the POL-InSAR coherency matrix comis the ltering weight puted in the obtained AN, while which is computed as in [20], except that, instead of using the average of the two span images from the interferometric couple, all the AN pixels of all the six available POLSAR span images are averaged.

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

1615

Fig. 5. Pol-InSAR data over the DLR headquarters (1540 1407 pixels). (a) Optical image resampled and registered on the available two-looks intensity images. (b) Sobel edge detection and thresholded reference areas used in the ROC analysis: blue for false alarm mask and yellow for detection mask.

IV. RESULTS AND DISCUSSION To illustrate the performances of the IDAN ltering method presented in Section III, results obtained with real airborne polarimetric interferometric SLC images are reported. The airborne data set was acquired in 1999 by an airborne experimental SAR system, E-SAR [46]. It represents a repeated pass, interferometric, fully polarimetric (monostatic mode) L-band (1.25 GHz) acquisition with a baseline of about 15 m. The spatial resolution is 1.5 m in range and azimuth. The target area is the Deutsches Zentrum fr Luft-und Raumfahrt (DLR) headquarters (Oberpfaffenhofen area) from Wessling, Germany. It includes a large variety of zones, being one of the most used test POLSAR and POL-InSAR images [46], [47]. The SLC test images have 1540 2815 pixels each. After initial two-look complex multilooking, the initial estimate of the is obtained (Fig. 3). On the master intensity image matrix corresponding to the HH VV polarization conguration the es. timated equivalent number of looks is The results obtained by IDAN and IDAN-LLMMSE estimation algorithms are presented in Section IV-AC. Several lters are also implemented for comparison purposes: boxcar lter and intensity driven directional neighborhood, with complex multilooking or with LLMMSE estimation. The implemented directional lter is similar to the one presented in [20], with the only difference that the window selection is driven on the sum of the six available span POL-InSAR images (all the diagonal terms matrix). The parameters used for POL-InSAR data of the . In order IDAN ltering are: to assure the compatibility of the boxcar, directional lter and IDAN, in terms of ltering amount, the size of the chosen centered neighborhood of the boxcar was 7 7. A. Speckle Reduction in POLSAR Span Images In the case of nonadaptive lters, as the boxcar lter, the speckle reduction is always associated with strong edge-blurring effect [Fig. 4(d)]. The directional lter [Fig. 4(e)] is more satisfactory than the boxcar as the resulting edges are sharper.

However, the x size of the directional neighborhoods induces artifacts in the vicinity of thin details (smaller than the size of the neighborhoods). The boxcar LLMMSE [Fig. 4(g)] and directional LLMMSE [Fig. 4(h)] overcome these drawbacks, but the quality of achieved noise reduction is somewhat decreased. The IDAN lter [Fig. 4(f)] greatly reduces speckle over homogeneous areas, whereas structures are preserved. Thanks to the large number of homogeneous samples used in performing the multilooking, the achieved speckle reduction is more pronounced than other lters. A general remark for all the spatial lters is that the resulting ltered image has a patchy look, which is a known effect of purely spatial ltering. This effect is also observed for the IDAN. However, the IDAN-LLMMSE visually has less of this effect. The only drawback of the IDAN lter is in its high computational load. In order to objectively assess the ltering performances, the receiver operating characteristics (ROC) are computed and further analyzed: rst, a contour map is computed starting from the ltered HH VV master POL-InSAR intensity image using conventional edge detectors. An optical image, previously resampled and registered on the initial master intensity image (Fig. 5), is used to obtain a contour map which provides the ground truth for the detection mask. A false alarm mask is also selected on the homogeneous elds around the runway. Fig. 6 represents the three ROC curves for the edge detection on each of the ltered HH master intensity images. As it can be observed in Fig. 6(a), IDAN provides the best contour preservation. This can be explained by the fact that the IDAN detection is much higher for a given false alarm level. As expected, the directional lter (adaptive spatial lter) outperforms the boxcar (nonadaptive spatial lter). By introducing the LLMMSE method in the nal ltering stage [Fig. 6(b)], directional LLMMSE and IDAN-LLMMSE provide much better performances than the boxcar LLMMSE with a higher detection probability. B. Improved Estimation of the POL-InSAR Coherence Maps The interferometric couple formed by the HH VV component was chosen to illustrate the coherence ltering performances of

1616

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

Fig. 7. HH VV coherence map ltering results (526 310 pixels). (a)(c) Boxcar, directional, and IDAN lters with complex multilooking. (d)(f) Boxcar, directional, and IDAN lters with LLMMSE.

Fig. 6. Assessment of the edge detection performance in the Pol-InSAR ltered HH VV master intensity images: receiver operating characteristics (detection probability versus false alarm probability). (a) Complex multilooking only. (b) LLMMSE estimation.

the six lters (see Fig. 7). One can observe that, also on this parameter, the IDAN [Fig. 7(c)] and IDAN-LLMMSE [Fig. 7(f)] outperform the other lters from a visual point of view: uniform areas are better smoothed, contours are better preserved and bias is more reduced. This can also be remarked in Tables I and II, which present the smoothing and bias reduction performances of the six lters computed over manually selected homogeneous regions of different coherence levels. An important decrease of the mean value after ltering is present over the low-coherence areas, i.e., where the bias was important, whereas in the high coherence region, the high level is preserved. Table II presents the standard deviation computed over all of the three regions. The minimum is obtained by IDAN, showing that this lter simultaneously performs the strongest bias and noise reductions inside homogeneous regions. C. Pol-InSAR Parameter Extraction and Classication The coherence optimization algorithm was also applied on the polarimetric interferometric coherency matrices ltered by

IDAN and IDAN-LLMMSE (Fig. 8). The additional information provided by the POL-InSAR parameters improves standard POLSAR classication results. As double bounce characterizes decomposition reveals both building and vegetation, the higher values over the stable building areas and lower values over the vegetation areas (high volume and temporal decorrelation) [29]. The IDAN-LLMSE ltered interferometric coherency provides the best results in terms of spatial resolution and discrimination between the two areas. Physical parameters of the scatterers can directly be estidecomposition mated from POLSAR data. In Fig. 9, was performed on the master polarimetric coherency matrix ltered either by IDAN or IDAN-LLMMSE. Between the two lters, IDAN performs the best noise reduction, while IDAN-LLMMSE, ensures sharper edges, especially in the building areas. However, it is important to notice that this is the effect of the underestimation of the eigenvalues in the regions where the parameter from (20) is close to one (no further multilooking is performed in the ltering stage). Hence, despite the high contrast, the estimated values of the POLSAR parameters are not reliable in the areas where the number of necessary samples is not reached. parameters for the Fig. 10 presents 2-D histograms of two proposed lters in three manually selected homogeneous areas. For comparison purposes, the mass center (MC) of the parameters estimated by a 15 30 boxcar complex multilooking is also plotted. An interesting effect can be observed, namely that as the value of entropy increases from Fig. 10(a)(c), the bias reduction performed by IDAN becomes less important. This can be explained by the fact that high entropy values indicate strong

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

1617

TABLE I HH VV COHERENCE MEAN OVER HOMOGENEOUS AREAS ON THE OBERPFAFFENHOFEN REGION

TABLE II HH VV COHERENCE STANDARD DEVIATION OVER HOMOGENEOUS AREAS ON THE OBERPFAFFENHOFEN REGION

 A color RGB composition on the master polarimetric Fig. 9. H coherency matrix (526 310 pixels). (a) IDAN ltering. (b) IDAN-LLMMSE ltering.

0 0

Fig. 8. A ; A decomposition of the interferometric coherency matrix (526 310 pixels). (a) A and (b) A , parameters estimated from the IDAN ltered interferometric coherency matrix. (c) A and (d) A , parameters estimated from the IDAN-LLMMSE ltered interferometric coherency matrix.

variation of the target scattering mechanisms inside the threedimensional (3-D) (2-D spatial 1-D polarimetric) estimation

window. In such areas, the AN has rather small dimensions, thus it cannot provide enough complex multilooking for an unbiased estimation of the parameter. Despite the fact that the IDAN complex multilooking behaves much better than IDANLLMMSE in terms of reducing the noise variance, the latter [Fig. 10(d)(f)] provides reliable bias reduction in all cases, even with high entropy values. Hence, in the classication applications where high entropy targets are investigated, the IDANLLMMSE parameter estimation technique provides better results than IDAN complex multilooking. The behavior of the two lters can be observed in Fig. 11, which presents the results of the Wishart classication using as input images the master coherency ltered by either IDAN or IDAN-LLMMSE. As expected, due to the strongest noise and bias reduction on the homogenous area (elds, runway), the obtained results are much more regularized for the IDAN ltered coherency. The thin structures (buildings) are very well dened in both cases. Comparing the IDAN and IDAN-LLMMSE classication map with the optical image, the IDAN classication reveals much more spatial information than the IDAN-LLMSE classication. It is difcult to separate runway class from surrounding elds classes in Fig. 11(b), while with IDAN

1618

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

Fig. 10. H  distribution on various homogeneous areas. (a)(c) IDAN with complex multilooking. (d)(f) IDAN with LLMMSE. MC is the boxcar MC of the selected region, estimated with a 15(range) 30(azimuth) complex multilooking.

[Fig. 11(a)] the runway classication is better dened. Two forest areas clearly appear in the upper left region of Fig. 11(a). These classes are mixed in the IDAN-LLMMSE classication. In summary, the overall performance of IDAN and IDANLLMMSE, POLSAR, and POL-InSAR ltering techniques has been evaluated at different stages. First, the ROC analysis and the bias reduction tables have been applied on low-level attributes (POL-InSAR intensities and coherence maps). Medium level physical parameters of the scatterers were computed and the inuence of the proposed ltering method have been inves, and ). A nal high-level Wishart classitigated ( cation have been employed and the obtained results were discussed in correlation with the visual information of the available optical image. As mentioned earlier, the critical point of this ltering procedure concerns the determination of the homogeneous area surrounding a pixel. One of the main advantages of the proposed IDAN technique relies on the fact that homogeneity is estimated using the three POLSAR or six POL-InSAR intensities, which are directly available with a very small number of looks. More complex statistical measures, based on the polarimetric or interferometric information [48] could be used, but they would require a much higher number of initial looks. In the POLSAR case, the criterion that merges the coherency matrix diagonal elements (17) allows to take an important part of the polarimetric information into account [49]. However, for POL-InSAR data sets, intensity variations may be, in some cases, unrelated to the coherence information. Over distributed media, like forest, it has been recently shown [29]

that the average span image may be an unsuitable parameter, involving that the resulting estimated seeds may not contain pixels with homogeneous coherence. These areas correspond to high entropy values and, as observed in Fig. 10(c), the bias reduction is less important. In such cases, the IDAN-LLMMSE lter, by performing the local stationarity test twice within all the intensity images corresponding to the available polarization congurations, gives better results since less ltering is performed and the local backscattering mechanisms are better preserved. V. CONCLUSION A new method of ltering coherency matrices of polarimetric or interferometric data has been presented. The proposed lter uses ANs as spatial support, derived with respect to the intensity information. All the available intensity images of the POLInSAR data are combined in the region growing procedure, to ensure the stationarity assumption. The proposed lter recomputes the polarimetric and interferometric coherency matrices, either by direct complex multilooking or from the LLMMSE estimator of the coherency matrix. The experimental results have proved that the noise is greatly reduced, while the contours and ne details are preserved and the blurring effect is avoided. The reliability of the obtained results is demonstrated by either subjective assessment or by conventional objective analysis (ROC characteristics and bias reduction tables). Physical parameters of the scatterers were computed and the inuence of the proposed ltering method

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

1619

has been investigated for POLSAR and POL-InSAR parameters. A nal Wishart classication has been employed and the obtained results were discussed and compared to the available optical image. All these features make the presented adaptive ltering algorithms an effective and powerful tool for noise or bias reduction for polarimetric or interferometric data processing. The general conclusion is that the choice of the ltering algorithm to be used on a given POLSAR or POL-InSAR data set still remains application specic. The IDAN lter is a good compromise between variance or bias reduction and preservation of the spatial resolution, which makes it very useful for automatic unsupervised activities (edge detection, segmentation or automatic classication). However, in the case of supervised activity as direct visual interpretation or scattering signature assessment of pointwise targets, the IDAN-LLMMSE lter is more efcient. ACKNOWLEDGMENT The authors would like to thank the German Aerospace Center (DLR), Wessling, Germany, for providing the high-resolution polarimetric interferometric E-SAR images and the anonymous reviewers for helpful comments and suggestions. REFERENCES
[1] R. Touzi, A. Lopes, J. Bruniquel, and P. W. Vachon, Coherence estimation for SAR imagery, IEEE Trans. Geosci. Remote Sens., vol. 37, no. 1, pp. 135149, Jan. 1999. [2] J. S. Lee, K. W. Hoppel, S. A. Mango, and A. R. Miller, Intensity and phase statistics of multilook polarimetric and interferometric SAR imagery, IEEE Trans. Geosci. Remote Sens., vol. 32, no. 5, pp. 10171028, Sep. 1994. [3] S. R. Cloude, Group theory and polarization algebra, OPTIK, vol. 75, pp. 2636, 1986. [4] S. R. Cloude and E. Pottier, A review of target decomposition theorems in radar polarimetry, IEEE Trans. Geosci. Remote Sens., vol. 34, no. 2, pp. 498518, Mar. 1996. [5] S. R. Cloude and E. Pottier, An entropy based classication scheme for land applications of polarimetric SAR, IEEE Trans. Geosci. Remote Sens., vol. 35, no. 1, pp. 6878, Jan. 1997. [6] J. S. Lee, M. R. Grunes, T. L. Ainsworth, D. Li-Jen, D. L. Schuler, and S. R. Cloude, Unsupervised classication using polarimetric decomposition and the complex Wishart classier, IEEE Trans. Geosci. Remote Sens., vol. 37, no. 5, pp. 22492258, Sep. 1999. [7] L. Ferro-Famil, E. Pottier, and J. S. Lee, Unsupervised classication of multifrequency and fully polarimetric SAR images based on the H/A/Alpha-Wishart classier, IEEE Trans. Geosci. Remote Sens., vol. 39, no. 11, pp. 23322342, Nov. 2001. [8] S. R. Cloude and K. P. Papathanassiou, Polarimetric SAR interferometry, IEEE Trans. Geosci. Remote Sens., vol. 36, no. 5, pp. 15511565, Sep. 1998. [9] K. P. Papathanassiou, A. Reigber, R. Scheiber, R. Horn, A. Moreira, and S. R. Cloude, Airborne polarimetric SAR interferometry, in Proc. Geosci. Remote Sens. Symp., vol. IV, Seattle, WA, 1998, pp. 19011903. [10] J. S. Lee, I. Jurkevich, P. Dewaele, P. Wambacq, and A. Oosterlinck, speckle ltering of synthetic aperture radar images: A review, Remote Sens. Rev., vol. 8, pp. 313340, 1994. [11] R. Touzi, A review of speckle ltering in the context of estimation theory, IEEE Trans. Geosci. Remote Sens., vol. 40, no. 11, pp. 23922404, Nov. 2002. [12] J.-S. Lee, Rened ltering of image noise using local statistics, Comput. Graph. Image Process., vol. 15, pp. 380389, 1981. [13] D. T. Kuan, A. A. Sawchuk, T. C. Strand, and P. Chavel, Adaptive noise smoothing lter for images with signal dependent noise, IEEE Trans. Pattern Anal. Mach. Intell., vol. 7, no. 2, pp. 165177, Mar. 1985. [14] A. Lops, E. Nezry, R. Touzi, and H. Laur, Structure detection, and statistical adaptive ltering in SAR images, Int. J. Remote Sens., vol. 14, no. 9, pp. 17351758, 1993.

Fig. 11. Wishart H  classication of master coherency matrix (500 500 pixels). (a) Classication result using IDAN ltered [T ] . (b) Classication result using IDAN-LLMMSE ltered [T ] . (c) Coregistered optical image showing different land covers, related to the obtained classes, for comparison purposes.

1620

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

[15] M. Datcu, K. Seidel, and M. Walessa, Spatial information retrieval from remote-sensing imagesPart 1: Information theoretical perspective, IEEE Trans. Geosci. Remote Sens., vol. 36, no. 5, pp. 14311445, Sep. 1998. [16] M. Schroder, K. Seidel, and M. Datcu, Spatial information retrieval from remote-sensing images, Part 2: Gibbs-markov random elds, IEEE Trans. Geosci. Remote Sens., vol. 36, no. 5, pp. 14461455, Sep. 1998. [17] Y. Wu and H. Matre, Smoothing speckled synthetic aperture radar images by using maximum homogeneous region lters, Opt. Eng., vol. 31, no. 8, pp. 17851792, Aug. 1992. [18] J. M. Nicolas, F. Tupin, and H. Matre, Smoothing speckled SAR images by using maximum homogeneous region lters: An improved approach, in Proc. IEEE Int. Geosci. Remote Sens. Symp., vol. III, Sydney, NSW, Australia, Jul. 2001, pp. 15031505. [19] W. Hagg and M. Sties, Efcient speckle ltering of SAR images, in Proc. IEEE Int. Geosci. Remote Sens. Symp., Pasadena, CA, 1994, pp. 21402142. [20] J. S. Lee, S. R. Cloude, K. Papathanassiou, M. R. Grunes, and I. H. Woodhouse, Speckle ltering and coherence estimation of polarimetric SAR interferometry data for forest applications, IEEE Trans. Geosci. Remote Sens., vol. 41, no. 10, pp. 22542263, Oct. 2003. [21] J. W. Goodman, Statistical analysis based on certain multivariate complex Gaussian distribution (An introduction), Ann. Math. Statist., pp. 152176, 1963. [22] J. R. Huynen, Measurement of the target scattering matrix, Proc. IEEE, vol. 53, no. 8, pp. 936946, Aug. 1965. [23] E. Krogager, New decomposition of the radar target scattering matrix, Electron. Lett., vol. 26, no. 18, pp. 15251527, 1990. [24] W. L. Cameron and L. K. Leung, Feature motivated polarization scattering matrix decomposition, in Proc. IEEE Int. Radar Conf., Arlington, VA, USA, 1990, pp. 549557. [25] A. Freeman and S. L. Durden, A three-component scattering model for polarimetric SAR data, IEEE Trans. Geosci. Remote Sens., vol. 36, no. 3, pp. 963973, May 1998. [26] R. Touzi, Target scattering decomposition of one-look and multilook SAR data using a new coherent scattering model: The TSVM, in Proc. IEEE Int. Geosci. Remote Sens. Symp., vol. IV, 2004, pp. 24912494. [27] A. Reigber, M. Neumann, S. Guillaso, M. Jager, and O. Hellwich, PolInSAR data processing with RAT (radar tools), in POLinSAR 2005 Workshop, Franscati, Italy, 2005, CD-ROM, Paper no. 24. [28] L. Ferro-Famil, E. Pottier, and J. S. Lee, Unsupervised Classication of Natural Scene from Polarimetric Inteferometric SAR Data, ed, C. H. Chen, Ed, Singapore: World Scientic, 2003. [29] J. S. Lee, M. R. Grunes, T. Ainsworth, I. Hajnsek, T. Mette, and K. P. Papathanassiou, Forest classication based on L-band polarimetric and inteferometric SAR data, in POLinSAR 2005 Workshop, Franscati, Italy, 2005, CD-ROM, Paper no. 43. [30] R. Gordon and R. M. Rangayyan, Feature enhancement of lm mammograms using xed and adaptive neighborhoods, Appl. Opt., vol. 23, no. 4, pp. 560564, Feb. 1984. [31] R. B. Paranjape, T. F. Rabie, and R. M. Rangayyan, Image restoration by adaptive-neighborhood noise substraction, Appl. Opt., vol. 33, no. 14, pp. 18611869, 1994. [32] R. M. Rangayyan, M. Ciuc, and F. Faghih, Adaptive-neighborhood ltering of images corrupted by signal-dependent noise, Appl. Opt., vol. 37, no. 20, pp. 44774487, May 1998. [33] M. Ciuc, R. M. Rangayyan, T. Zaharia, and V. Buzuloiu, Adaptive neighborhood lters for color image ltering, in Proc. SPIE Nonlinear Image Process., vol. 3304, 1998, pp. 277286. [34] M. Ciuc, R. M. Rangayyan, T. Zaharia, and V. Buzuloiu, Filtering noise in color images using adaptive-neighborhood statistics, J. Electron. Imaging, vol. 9, pp. 484494, 2000. [35] M. Ciuc, Ph. Bolon, E. Trouv, V. Buzuloiu, and J. P. Rudant, Adaptiveneighborhood speckle removal in multitemporal synthetic aperture radar images, Appl. Opt., vol. 40, no. 6, pp. 59545966, 2001. [36] G. Vasile, E. Trouv, M. Ciuc, and V. Buzuloiu, General adaptive neighborhood technique for improving SAR interferometric coherence and phase estimation, J. Opt. Soc. Amer. A, vol. 21, no. 8, pp. 14551464, Aug. 2004. [37] G. Vasile, E. Trouv, M. Ciuc, P. Bolon, and V. Buzuloiu, Improving coherence estimation for high resolution polarimetric SAR interferometry, in Proc. Geosci. Remote Sens. Symp., vol. III, Anchorage, AK, 2004, pp. 17961799.

[38] [39] [40] [41] [42] [43] [44]

[45]

[46]

[47]

[48] [49]

, Intensity-driven-adaptive-neighborhood technique for POLSAR parameters estimation, in Proc. Geosci. Remote Sens. Symp., vol. VIII, Seoul, Korea, 2005, pp. 55095512. J. S. Lee, Digital noise smoothing and the sigma lter, Comput. Vis., Graph. Image Process., vol. 21, pp. 255269, 1983. J. W. Goodman, Some fundamental properties of speckle, J. Opt. Soc. Amer. A, vol. 66, pp. 11451149, 1976. J. Astola, P. Haavisto, and Y. Neuvo, Vector median lters, Proc. IEEE, vol. 78, no. 4, pp. 678688, Apr. 1990. E. Trouv, J. M. Nicolas, and H. Maitre, Improving phase unwrapping techniques by the use of local frequency estimates, IEEE Trans. Geosci. Remote Sens., vol. 36, no. 6, pp. 19631972, Dec. 1998. E. Trouv, M. Caramma, and H. Matre, Fringe detection in noisy complex interferograms, Appl. Opt., vol. 35, no. 20, pp. 37993806, Jul. 1996. C. Lopez-Martinez, E. Pottier, and S. R. Cloude, Statistical assessment of eigenvector-based target decomposition theorems in radar polarimetry, IEEE Trans. Geosci. Remote Sens., vol. 43, no. 9, pp. 20582074, Sep. 2005. S. R. Cloude, K. P. Papathanassiou, and W. M. Boerner, A fast method for vegetation correction in topographic mapping using polarimetric radar interferometry, in Proc. EUSAR 2000, Munich, Germany, May 2000, pp. 261264. S. R. Cloude, K. P. Papathanassiou, A. Reigber, and W. M. Boerner, Multi-frequency polarimetric SAR interferometry for vegetation structure extraction, in Proc. Geosci. Remote Sens. Symp., vol. I, Honolulu, HI, 2000, pp. 129131. D. Borghys, C. Perneel, and M. Acheroy, Edge and line detection in polarimetric SAR images, in Proc. Int. Conf. Pattern Recognit., Int. Assoc. Pattern Recognit., vol. II, Quebec, ON, Canada, 2002, pp. 921924. J. Schou and H. Skriver, Restoration of polarimetric SAR images using simulated annealing, IEEE Trans. Geosci. Remote Sens., vol. 39, no. 9, pp. 20052016, Sep. 2001. J. S. Lee, D. L. Schuler, and T. L. Ainsworth, Scattering model based speckle ltering of polarimetric SAR data, in Proc. 5th Eur. Conf. SAR, vol. V, Ulm, Germany, 2004, pp. 203207.

Gabriel Vasile (S06) received the Engineer degree in electrical engineering and computer science and the M.S. degree in image, shapes, and articial intelligence from the University Politehnica of Bucharest, Bucharest, Romania, in 2003 and 2004. Since 2004, he has been working on his Ph.D. dissertation on SAR multivariate signal processing with joint supervision from both Politehnica of Bucharest and University of Savoie, Annecy, France, in the framework of the French multilaboratory MEGATOR project. His research interests are signal and image processing, polarimetric and interferometric SAR applications, and glacier monitoring.

Emmanuel Trouv (M00) received the Engineer degree in electrical engineering from the Ecole Nationale Suprieure de Techniques Avances, Paris, France, in 1990, and the Ph.D. degree in signal and image processing from Ecole Nationale Suprieure des Tlcommunications, Paris, France, in 1996. From 1996 to 1998, he worked with Thomson Marconi Sonar in Underwater Acoustic and Signal Processing. Since September 1998, he has been an Associate Professor of signal processing and computer vision at Ecole Suprieure dIngnieurs dAnnecy, University of Savoie, Annecy, France, and works in the Computer Science, System, Information and Knowledge Processing Laboratory (LISTIC). His research interests are SAR image processing and data fusion in remote sensing. He coordinates the French multilaboratory MEGATOR project (Monitoring the Evolution of Alpine Glaciers by Optical and Radar Remote Sensing). Dr. Trouv is a member of the IEEE Geoscience and Remote Sensing Society Data Fusion Technical Committee.

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 6, JUNE 2006

1621

Jong-Sen Lee (M69SM91F97LF05) received the B.S. degree from the National Cheng-Kung University, Tainan, Taiwan, R.O.C., in 1963, and the M.A. and Ph.D. degrees from Harvard University, Cambridge, MA, in 1965 and 1969, respectively. He is currently Head of the Image Science Section, Remote Sensing Division, Naval Research Laboratory, Washington, DC, where he is the Principal Investigator for several remote sensing programs on polarimetric SAR and interferometric SAR. He has developed several speckle ltering algorithms that have been implemented in many GIS, such as ERDAS, PCI, and ENVI, etc. His research covers a wide spectrum of areas, from control theory, operation research, and radiative transfer to SAR and polarimetric SAR image processing. He has investigated SAR image segmentation, inverse SAR, polarimetric SAR imagery statistics and speckle ltering, SAR polarimetry, and terrain/land-use classication and applications. His current research interests are in the area of SAR polarimetry, scattering signature modeling, polarimetric SAR calibration, polarimetric SAR interferometry, and unsupervised segmentation and classication using polarimetric and interferometric SAR data. He was granted a U.S. patent for the invention of a topography measurement technique using polarimetric SAR. He has published more than 60 papers in refereed journals and more than 150 papers in conference proceedings and has given tutorials at IGARSS97 and IGARSS98. Dr. Lee was presented the Best Paper Award and the Best Poster Award at the Third and Fourth European Conference on Synthetic Aperture Radar (EUSAR2000 and EUSAR2002), respectively. He was made a Fellow of IEEE for his contribution toward information processing of SAR and polarimetric SAR imagery. He has chaired and organized many sessions in international conferences and is currently an Associate Editor of the IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING.

Vasile Buzuloiu (M91SM05) received the M.S. and Ph.D. degrees in electronics from the University Politehnica Bucharest, Bucharest, Romania, in 1959 and 1980, respectively, and the M.S. degree in mathematics from Universitatea Bucuresti Bucharest, Romania, in 1971. He is a professor with the Department of Applied Electronics and Information Engineering, University Politehnica Bucharest. He also heads the Image Processing and Analysis Laboratory and is a Research Associate with CERN, Geneva, Switzerland. His scientic interests cover mathematical modeling, statistical decisions, encryption, digital signal processing, image processing and analysis systems, and image processing applications. He also holds the title of Honorary Professor of the University Transilvania, Brasov, Romania (2001). Since 1994, he has held various positions of Invited Professor at French Universities (INSA de Lyon, ESIA-Universit de Savoie, Universit St. Etienne, Universit Poitiers, INP Toulouse, etc.). Since 1995, he has been the Director of the Spring International School Multidimensional Signal Processing and Analysis: Methods, Algorithms, Technologies, Applications which is organized yearly at the University Politehnica Bucharest. Dr. Buzuloiu received the Traian Vuia Award of the Romanian Academy (1985) for the rst digital image analysis system developed in Romania. He is a Member of SPIE, Color Group (Great Britain), and the Romanian Society for Applied Mathematics.

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 4, APRIL 2007

905

Combining Airborne Photographs and Spaceborne SAR Data to Monitor Temperate Glaciers: Potentials and Limits
Emmanuel Trouv, Member, IEEE, Gabriel Vasile, Member, IEEE, Michel Gay, Lionel Bombrun, Student Member, IEEE, Pierre Grussenmeyer, Tania Landes, Jean-Marie Nicolas, Philippe Bolon, Member, IEEE, Ivan Petillot, Andreea Julea, Lionel Valet, Jocelyn Chanussot, Senior Member, IEEE, and Mathieu Koehl

AbstractMonitoring temperate glacier activity has become more and more necessary for economical and security reasons and as an indicator of the local effects of global climate change. Remote sensing data provide useful information on such complex geophysical objects, but they require specic processing techniques to cope with the difcult context of moving and changing features in high-relief areas. This paper presents the rst results of a project involving four laboratories developing and combining specic methods to extract information from optical and synthetic aperture radar (SAR) data. Two different information sources are processed, namely: 1) airborne photography and 2) spaceborne C-band SAR interferometry. The difculties and limitations of their processing in the context of Alpine glaciers are discussed and illustrated on two glaciers located in the Mont-Blanc area. The results obtained by aerial triangulation techniques provide digital terrain models with an accuracy that is better than 30 cm,
Manuscript received July 5, 2006; revised November 15, 2006. This work was supported by the French Research Agency under the MEGATOR Project. E. Trouv and G. Vasile are with the Laboratoire dInformatique, Systmes, Traitement de lInformation et de la Connaissance, Universit de Savoie, PolytechSavoie, F.74944 Annecy-le-Vieux Cedex, France, and also with the Grenoble Image Parole Signal et Automatique Laboratory, Institut National Polytechnique de Grenoble, Centre National de la Recherche Scientique, 38402 Saint-Martin-dHres, France (e-mail: emmanuel.trouve@ univ-savoie.fr; gabriel.vasile@univ-savoie.fr). M. Gay, L. Bombrun, and J. Chanussot are with the Grenoble Image Parole Signal et Automatique Laboratory, Institut National Polytechnique de Grenoble, Centre National de la Recherche Scientique, 38402 Saint-MartindHres, France (e-mail: michel.gay@lis.inpg.fr; lionel.bombrun@lis.inpg.fr; jocelyn.chanussot@lis.inpg.fr). P. Grussenmeyer, T. Landes, and M. Koehl are with the Equipe Photogrammtrie et Gomatique, Modles et Simulations Pour lArchitecture, lUrbanisme et le Paysage-Photogrammetrie Architechturale et Geomatique UMR 694, Institut National des Sciences Appliquees de Strasbourg, 67084 Strasbourg, France (e-mail: pierre.grussenmeyer@insa-strasbourg.fr; tania. landes@insa-strasbourg.fr; mathieu.koehl@insa-strasbourg.fr). J.-M. Nicolas is with the Dpartement Traitement du Signal et des Images GET-Tlcom Paris, Ecole Nationale Suprieure des Tlcommunications, 75013 Paris, France (e-mail: nicolas@tsi.enst.fr). P. Bolon, I. Petillot, and L. Valet are with the Laboratoire dInformatique, Systmes, Traitement de lInformation et de la Connaissance, Universit de Savoie, PolytechSavoie, F.74944 Annecy-le-Vieux Cedex, France (e-mail: philippe.bolon@univ-savoie.fr; ivan.petillot@univ-savoie.fr; lionel.valet@ univ-savoie.fr). A. Julea is with the Laboratoire dInformatique, Systmes, Traitement de lInformation et de la Connaissance, Universit de Savoie, PolytechSavoie, 74016 Annecy, France, and also with Space Sciences Institute, 76900 Bucharest, Romania (e-mail: andreea.julea@univ-savoie.fr). Color versions of one or more of the gures in this paper are available online at http://ieeexplore.ieee.org. Digital Object Identier 10.1109/TGRS.2006.890554

which is compatible with the computation of volume balance and useful for precise georeferencing and slope measurement updating. The results obtained by SAR differential interferometry using European Remote Sensing Satellite images show that it is possible to measure temperate glacier surface velocity elds from October to April in one-day interferograms with approximately 20-m ground sampling. This allows to derive ice surface strain rate elds required to model the glacier ow. These different measurements are complementary to results obtained during the summer from satellite optical data and ground measurements that are available only in few accessible points. Index TermsAirborne photogrammetry, digital terrain model (DTM), synthetic aperture radar (InSAR) interferometry, temperate glacier, velocity eld.

I. I NTRODUCTION N RECENT decades, a spectacular retreat has been observed on most of the monitored Alpine glaciers [1], [2]. If this evolution is conrmed in the coming years, it will have some important consequences in terms of water resources, economical development, and risk management in the surrounding areas [3], [4]. Up to now, only 1% of the existing world temperate glaciers have been monitored [5], mostly by ground measurements, which often provide information only once or twice a year at a few points. Because of the difculty of reaching high-altitude glaciers in risky mountainous areas, acquisition and processing of remotely sensed data should provide more information to improve glacier monitoring [4], [6]. Satellitebased glacier monitoring programs such as Global Land Ice Measurements from Space (http://www.glims.org) have started to build a database of glaciers around the world [7]. In the Alps, in high mountain areas where the glacier activity has to be monitored, a large series of airborne photographs and spaceborne synthetic aperture radar (SAR) images is often available through local environmental agencies [8] and space agencies. However, gathering multisource data sets for a given area and extracting the desired measurements (surface velocity elds, surface and bottom topography, etc.) remain difcult tasks. This paper presents the rst results of a project that involves four laboratories specializing in optical and SAR image processing, and data fusion techniques. A global strategy illustrated in Fig. 1 is proposed to extract from the large number of remotely sensed images information that is useful in monitoring

0196-2892/$25.00 2007 IEEE

906

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 4, APRIL 2007

Fig. 1. Flowchart of the three main research axes proposed to extract information from optical and SAR data to monitor glacier activity; the main processing steps are in white, while the data are in yellow (light gray).

glacier evolution and evaluating the risk in the surrounding areas. The three main research axes are given as follows: 1) construction of digital terrain models (DTMs) and orthoimages from high-resolution optical images, and computation of differences after one or several years to detect changes such as volume variations, glacier retreat, lakes appearing/disappearing, etc.; 2) computation of differential C-band SAR interferograms by subtracting the topography provided by the previous results to obtain displacement elds over only a few days; 3) fusion of the feature detections and displacement measurements provided by the rst two axes, in order to improve the condence in the displacement/evolution measurements and to obtain higher level information such as change detection and risk maps. In this paper, we focus on the rst steps of the optical and SAR axes, which are given as follows: computation of DTMs by photogrammetry from airborne photographs; computation of velocity elds by SAR differential interferometry (D-InSAR) from satellite SAR images. The principles of these two techniques are well established, but conventional processing is often difcult to apply in the context of Alpine glaciers. In the eld of photogrammetry, DTMs have been generated in similar studies dealing with monitoring high mountain terrain deformation. In [9], digital photogrammetry is applied to analyze changes in elevation and horizontal surface velocities. The goal of this paper was to determine surface topography and surface kinematics via high-altitude aerial photographs of two different years. Previously, Fox and Nuttall showed that photogrammetry can be used as a research tool by glaciologists [10]. Indeed, they produced photogrammetric compilations of two of the glaciers under study using 1990 aerial photographs. They examined the results and difculties encountered in assessing the accuracy of the photogrammetric data. Photogrammetry was regarded primarily as a source of DTMs rather than as a cartographic tool. The derived digital model proved its efciency for glaciological analysis [9], [11].

In the eld of SAR interferometry, different approaches have been applied for studying glacier dynamics. The repeat-pass SAR acquisitions of the European Remote Sensing (ERS)-1/2 tandem mission provided a large database for glacier monitoring. One of the approaches used to study small movements over large areas is D-InSAR, which consists in differencing either two SAR interferograms or one interferogram and a topographical interferogram simulated by using a DTM over the same target area [12], [13]. In [14], nine ERS-1/2 tandem interferograms with useful scene coherence have been reported for measuring the surface ow of the Saskatchewan alpine glacier in the Canadian Rocky Mountains. With a mean velocity of about 15 cm/day, the obtained results agreed with the mean from surveying techniques. In addition, by using one interferogram formed by two acquisitions of the ERS-1 satellite at three-day intervals, the motion of the Black Rapids Glacier (AK) was assessed in [15]. The obtained accuracy was in the range of 5%10% with a mean annual velocity of about 13 cm/day. Other geophysical properties can be extracted directly from the InSAR wrapped phase. In [16], the longitudinal strain rates of the Recovery Glacier (east Antarctica) have been estimated from RADARSAT-1 interferograms. Comparisons with the available ground data revealed a strain rate error of 17%, corresponding to a tensile strength error of 5.3%. Although the D-InSAR processing chain is built from standard well-established InSAR algorithms as coregistration of interferograms, phase subtraction, and phase unwrapping, this procedure is often error prone because of complex glacier topography, phase noise at glacier boundaries, or atmospheric heterogeneities [17]. As the phase-unwrapping algorithm is the most sophisticated procedure in interferometric signal processing, a gradient approach (GINSAR) has been proposed by Sharov et al. [18] for differential processing of repeat-pass SAR interferograms in the context of glacier change detection and motion estimation. It has been validated on several tidewater glaciers from the Arctic regions. In order to separate ground displacement from atmospheric perturbations, a different approach based on the concept of permanent scatterers (PS) has been proposed [19] and successfully applied in urban areas. In the glacier areas where exposed rocks are visible, various backscatterers with a constant signature can be considered as potential PS, but results using this approach have not been reported. Beside the use of interferometric phase, a different approach based on intensity images has been proposed to measure displacement [20], [21]. In [22], the surface displacements are measured by correlating and tracking the image speckle pattern between two repeat-pass SAR acquisitions (speckle tracking). The advantages of the speckle tracking approach are less sensitivity to decorrelation and lack of need for the phaseunwrapping procedure [23]. However, the local amplitude variations (texture) should be high enough and the two speckle realizations should be quite dependent within the interferometric SAR image pair to ensure high correlation values. Most of the published results are based on conventional SAR interferometry and obtained on glaciers located near polar regions [24], [25]. Fewer InSAR results have been published on temperate glaciers [14], [26], and up to now, only communications have reported results over Alpine glaciers [27], [28].

TROUV et al.: COMBINING AIRBORNE PHOTOGRAPHS AND SPACEBORNE SAR DATA

907

The context of temperate glaciers, especially with the climate in the Alps, is rather different from the context of polar and high-latitude glaciers. High-relief topography reduces the visibility of valley glaciers. They are rarely visible in both ascending and descending passes. When only one projection of the displacement on the SAR line of sight (LOS) is available, deriving 3-D velocity elds requires a stronger hypothesis (the ow direction) than when two projections are available [24]. Moreover, even when two projections are available, the high latitude increases the angle between ascending and descending tracks. Angles close to 90 are more suitable than the approximately 20 angle at the Alps latitude. The small size of Alpine glaciers (typically about 10 km long and often just 1 or 2 km wide) has two main consequences for the processing: It reduces the size of possible ltering of the interferograms and the DTM, and increases the phase-unwrapping difculty when glaciers are separated in several disconnected parts. The ice temperature of the low-altitude glaciers is very close to zero from the bedrock up to the surface. This strongly reduces the penetration length of electromagnetic waves [29]. The measurement of the ice-thickness distribution by low-frequency ground-penetrating radar or airborne ice-sounding radar is more difcult. This distribution is required to use the principle of mass conservation to convert InSAR velocity measurements to 3-D velocities as successfully performed over the Storstrmmen glacier in northeast Greenland [30], [31]. Such differences have an impact on D-InSAR measurement feasibility, complementary data availability, and the processing chain: Different steps and hypotheses are strongly context dependent. In order to apply photogrammetry and SAR interferometry in the context of Alpine glaciers, their potential and limitations have to be carefully investigated. The objective of this paper is to perform such investigations for airborne optical images and SAR D-InSAR using ERS C-band images. Airborne photography allows the computation of high-resolution DTMs on the glacier surface and the surrounding moraines, whereas spaceborne SAR interferometry provides the projection of the surface velocity eld in the SAR LOS. The DTM information is necessary for the D-InSAR processing to remove topographic fringes, resample the results in ground geometry, and reconstruct the three components of the displacement vectors. Since the studied glaciers are visible only in descending passes, the three components are obtained using the surface-parallel ow (SPF) assumption and the maximum slope direction [15]. The result should be considered as quasi-3-D velocity vectors since pure velocity and ablation/accumulation effects are merged. The different steps of the processing chains and seasonal limitations are carefully analyzed with a series of ERS tandem interferograms over Alpine glaciers located in the Mont-Blanc area. The remainder of this paper is organized as follows. The test site and the data set collected over the Mer de Glace and Argentire glaciers are presented in Section II. The processing

Fig. 2. ChamonixMont-Blanc test site. Main glaciers and geographical features. Shown is the 3-D model draped with a SPOT-2 multispectral image during the summer of 2000.

of optical airborne images and high-resolution DTM obtained over Mer de Glace glacier are described in Section III. The different steps of the D-InSAR processing chain are presented and analyzed in Section IV. Section V presents the displacement eld derived from the previous results and the comparisons with ground measurements. II. T EST A REA AND D ATA S ETS The project test site is located in the Alps, near the borders between France, Italy, and Switzerland. It goes from the glacier of Le Grand Plateau (45 50 N, 6 51 E) about 4000 m above sea level (ASL) up to the Trient glacier (46 59 N, 7 01 E) about 2000 m ASL. It includes the Mont-Blanc (4810 m), the Chamonix valley (1000 m), and two well-known and instrumented glaciers, i.e., Mer de Glace and Argentire (Fig. 2). This test site is suitable for investigating the potential of remotely sensed data to monitor glacier activity for several reasons, such as the following: geophysical diversity of glaciers: a large range of altitudes (10004800 m) and glacial velocities (030 cm/day over Mer de Glace and Argentire glaciers, and up to 3 m/day in the Gant icefall [32]), complex surface cover (mixture of snow, ice, and rocks), and the presence of water-collecting tunnels (Argentire), which enable subglacial point velocity measurements [33]; data availability: the existence of various data sets from spaceborne or airborne sensors, which are acquired with different time intervals in different seasons, and ground measurements, which help in the data processing, information fusion, and validation of the nal results [34]. A. Optical Data For several decades, airborne photography has been an important source of information over a large number of glaciers in the Alps [8], [35]. In the French part, the main glaciers of three different regions have been covered by airborne photography every three years between 1975 and 1995 (Table I). More recent campaigns (1998, 2000, and 2004) have been performed over the whole Haute-Savoie (4598 km2 ), where the studied glaciers are located [8]. The advantage of such data is the high

908

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 4, APRIL 2007

TABLE I AIRBORNE PHOTOGRAPHY CAMPAIGNS OVER THREE DIFFERENT GLACIER REGIONS IN THE FRENCH ALPS (X DENOTES EXISTENCE OF A C AMPAIGN T HAT Y EAR ). T HE M ONT -B LANC R EGION H AS ALSO BEEN COVERED IN 1998, 2000, AND 2004 BY CAMPAIGNS PERFORMED OVER THE WHOLE HAUTE SAVOIE

B. SAR Data Satellite SAR images are more and more used to observe glaciers particularly because of two great advantages: 1) The active SAR sensor acquires images regardless of weather conditions. 2) It measures both the amplitude and phase of the backscattered signal. With the resolution of the data that have been available up to now (about 20 m with ERS images), the amplitude is often difcult to use in extracting precise information on specic features. The next generation of SAR satellites should provide meter-resolution images and fully polarimetric data, which will be useful to detect different features and backscattering mechanisms [38]. With interferometric data, the geometric deterministic component of the phase offers the opportunity to measure the glacier displacement between the two acquisitions with a precision of a fraction of the wavelength (5.6 cm in C-band). The two main limitations of this technique are the temporal decorrelation of the signal over glaciers (see Section IV-B2) and the need to separate the topographical fringes from the displacement fringes. Among the different techniques that can be used [18], the safest one consists in using a DTM and the radar geometry to simulate the phase signal due to the topography and to compute the difference with the real interferogram. In this paper, 16 raw SAR images from ERS 1 and ERS 2 have been selected to study the feasibility of SAR interferometry in order to extract the surface velocity elds of the studied glaciers. The data set presented in Table II includes different time intervals (one day with tandem couples, three days, and six days), different seasons, and ascending and descending passes. C. Large-Scale DTM A large-scale DTM is required for InSAR processing in order to remove the topographic fringes and to georeference the information obtained in radar geometry (unwrapped phase and complementary information such as amplitude and coherence). For topographic fringe removal, the DTM accuracy requirement increases with the baseline between the two SAR acquisitions, which makes interferograms more and more sensitive to the topography, especially in the high-relief areas of Alpine glaciers. In the georefencing step, the impact of low-resolution DTM or low planimetric accuracy can be important since in the last step, the displacement measured on the radar LOS is converted into velocity elds using the hypothesis of surfaceparallel motion in the direction of maximum slope, as described in Section V. This last step requires only a low-resolution slope estimate, but registration of the SAR measurements and the topography is error prone, especially on the margins of the narrow Alpine glaciers. Since the 1995 aerial photographs cover only the most important glaciers and a high-resolution DTM has been produced until now only on the Mer de Glace and the lower part of the Leschaux glacier, a large-scale DTM has been used for the SAR processing. Normally, the Shuttle Radar Topography Mission (SRTM) DTM would be sufcient, even though only the Digital Terrain Elevation Data-1 resolution (about 90 m) is available in Europe. However, in the studied mountainous area, the SRTM DTM is not complete due to the forshortening and shadow

resolution of digitized photos or digital image acquisitions. They allow the computation of high-resolution DTMs and orthoimages with accurate positioning obtained by using a few GPS control points (see Section III). Another advantage is the ability to reconstruct past glacier congurations. Indeed, data from 1990 and 1995 are available and will be of particular interest for interpretations over the last decades. However, the main disadvantage is the high cost of each campaign, which usually covers only a few glaciers, making such data rarely available for the scientic community. Spaceborne optical images with their increasing resolution are a potential alternative. A detailed map of the summer ice velocity eld for our study area has been obtained previously by cross-correlating SPOT5 optical images [36]. One of the advantages of such data is that a single image can cover the whole group of glaciers of a mountain area. Moreover, alongtrack stereo-pair acquisition capability and multispectral sensors allow satellites such as the Advanced Spaceborne Thermal Emission and Reection Radiometer (ASTER) to contribute to ice measurements by providing both elevation models and surface classication based on spectral signature [7]. This information can be used to identify specic features (e.g., emerging lakes, ice cracks, glacier tongues) for change detection and risk assessment. Hybrid DTMs produced by the merging of optical and SAR DTMs also seem to be promising [4], [6]. Nevertheless, the spatial resolution of these images compared to that of aerial photography remains a disadvantage. The achievable accuracy for elevation changes and horizontal displacements approximates the spatial resolution, i.e., 15 m for ASTER against less than 0.30 m for aerial photography [9]. In [9], a photogrammetrically derived DTM was compared with an ASTER DTM. The latter one provided an accuracy between 18 m rms (in moderately mountainous terrain) and 60 m rms (in rough high mountain topography). Thus, ASTER and SPOT image pairs provide DTMs but with a DTM accuracy not comparable to that reached by photogrammetric techniques. Satellite DTM can be used to derive elevation changes if the time separation is a few years [37]. The aerial DTM high accuracy should allow to compute annual elevation changes that are useful in deriving annual mass balance. Moreover, because of the weather conditions on mountainous areas and orbital constraints, existing data with a meter-scale resolution are still rare, and programmed acquisition of stereoscopic pairs remains uncertain.

TROUV et al.: COMBINING AIRBORNE PHOTOGRAPHS AND SPACEBORNE SAR DATA

909

TABLE II ERS SAR RAW DATA ACQUIRED OVER THE MONT-BLANC AREA [B : BASELINES (PARALLEL AND P ERPENDICULAR TO THE R ADAR LOS), ea : A LTITUDE OF A MBIGUITY ]

effects. For this paper, it has been completed using an 80-mresolution DTM provided by the French National Geographic Institute (IGN), which was built from 1980 photos by photogrammetric restitution at 1/60 000 scale and from digitalized contour maps at 1/25 000 scale. With large altitude of ambiguity as in the March 1996 ERS pair (about 900 m), the impact of the resulting DTM uncertainty is still negligible in the fringe pattern. This DTM has been used for the georeferencing of the whole SAR image. In the last InSAR processing step, it was updated by the DTM computed by aerial triangulation (AT) from the 1995 photos (Section III). III. H IGH -R ESOLUTION DTM C OMPUTATION Several series of photos were selected over the Leschaux/Mer de Glace glacier. The 9 9 in (approximately 23 23 cm) negatives were scanned at a resolution of 15 m, providing 15 360 15 360 pixels per image. They cover each glacier with about 80% overlap. On the 1995 acquisition over the Mer de Glace glacier (Fig. 3), the pixel size in the original photos corresponds to 36 cm at the bottom of the glacier (1000 m ASL) and 18 cm at its top (2800 m ASL). The plane was ying at an altitude of 4650 m ASL. In the rst step of the processing, the digital images are oriented using the bundle-block AT technique, which enables global restitution of a block of photos and reduction of ground control points (GCPs). This creates the possibility of working over terrain with poor geodetic point density. Bundle-block adjustment is an iterative method based on the use of photo coordinates as observations. Then, the application of the central projection method [39] enables the conversion of these observations into terrain coordinates in one step. This requires a block of photos with at least 60% overlap and 20% side-lap (often more). Moreover, a set of eight points located on both sides of the glacier and measured by GPS with an accuracy of 10 cm in X , Y , and Z is needed for the orientation process. Fig. 3 shows the location of the GCPs used in the AT process. It is obvious that the distribution and number of GCPs are not optimal, especially in the inaccessible parts of the glacier. Only a few targets xed in the past on rocks along the glacier were visible on the 1995 images. Some additional points close to huts have been measured by GPS. The input to AT calculations consists of picking both GCPs and tie points (used to join photos together along and between strips), and their quality affects the reliability of the overall model. Point measurement uncertainty is estimated from rms

Fig. 3. Layout of the set of 13 photos that were taken over the Mer de Glace in 1995 and are entering in the AT processing. Circles represent the points measured by GPS.

errors. Finally, the main advantage of processing by the bundleblock adjustment is to produce a global and homogeneous result over the whole area. On the Mer de Glace, approximately 3700 AT points were computed, including 2000 three-ray points (the same point measured in three overlapping images), 500 four-ray points, and about 200 ve-ray points due to the high degree of overlap. Each correlated point is processed from at least three images, and this redundancy leads to high accuracy. The rms errors of the computed AT points are X,Y = 20 cm and Z = 30 cm.

910

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 4, APRIL 2007

These images are then used to compute about 5 million complementary points on a regular grid by photogrammetric matching techniques (using the KLT software package) based on the correlation of image patches in two or more successive images. Break lines and structure lines are dened by manual stereoscopic measurements. Break lines and structure lines are specic edges of topographic signicance on the terrain. They dene physical discontinuities in slope and are materialized by linear features. The aerial photos were acquired during the summer, so only a few areas were covered by snow in the upper part of the glacier. Matching was problematic when saturation of the optical images occurred, leading to failure of automatic correlation. Thus, manual stereoscopic measurement was necessary to supplement the terrain model. Specic problems also arise in matching ice cracks. Manual points have to be taken at the top and bottom of crevasses. The result is controlled by stereo-viewing (superimposing previously matched points and selected stereo pairs). The global result is obtained with 80% automatic or semiautomatic measurements, where semiautomatic processing entails guidance from the operator, who increases the density in weak areas by stereoscopic measurements. About 20% are completed manually in areas where steep slopes or poor contrast prevents reliable matching. At this stage of the processing, a DTM can be computed with a resulting horizontal resolution ranging from 2 to 5 m depending on the slopes. Generally, a 5-m grid is used, except in very steep areas, where one point for every 2 m was necessary in order to guarantee the required altimetric accuracy. The accuracy of the nal DTM, despite manual intervention, is assessed to lie in the accuracy interval announced previously (X,Y = 20 cm, Z = 30 cm) since an experienced operator reaches at least that measurement precision. The resulting nal DTM over Mer de Glace is shown in Fig. 4. By superimposing the orthoimages processed with the 1995 photos on the produced DTM, a 3-D model of the Mer de Glace is obtained (Fig. 5). IV. D-I N SAR P ROCESSING Despite many applications already using differential SAR interferometry, the processing of such data and the extraction of the sought-after information are still a difcult task. This is even more difcult in the context of the proposed test site with high-relief topography, large and irregular displacements, and snow and ice backscattering mechanisms, which are still under investigation [40]. In this section, results obtained by different processing chains are presented to evaluate the feasibility and the limitation of D-InSAR glacier monitoring with ERS data. A. SAR Processors In this paper, two standard D-InSAR processors have been used: Differential Interferometric Automated Process Applied to Survey Of Nature (DIAPASON) and Repeated Orbit Interferometry Package (ROI-PAC) software packages. The rst results obtained with an original InSAR time-domain processor called the SYnthse TEmporelle Radar (SYTER) are also presented. 1) Standard Processors: The standard DIAPASON processor provides a complete D-InSAR processing chain that allows

Fig. 4.

Mer de Glace DTM processed by photogrammetric techniques.

scientists from different application elds (e.g., volcanology, seismology) to obtain meaningful results from the use of SAR interferometry to measure displacements [13]. This processing chain was developed at the Centre National dEtudes Spatiales [41] in the beginning of the 1990s and provides better results when the processing starts with raw data instead of singlelook complex (SLC) images. The focusing is performed in the frequency domain to reduce the computation load, which was a critical issue at that time. DIAPASON can be used without a DTM (using a at earth with a constant elevation), which leads to reasonable measurements in the case of very large altitude of ambiguity. When DTMs are introduced at the interferogram generation stage, the registration step is improved, and the intensity, coherence, and phase images can be computed directly in the DTM geometry. However, generating interferograms in the radar geometry is more appropriate for further processing such as ltering or phase unwrapping. Another D-InSAR processor that is widely used in the academic and research community is the ROI-PAC. From the initial experiments in spaceborne radar interferometry [42], ROI-PAC has been developed through the collaboration of many researchers at the Jet Propulsion Laboratory and Caltech [43]. It uses raw radar data, telemetry information, and DTMs for generating displacement maps [44]. In this processing chain, DTMs become necessary only after the interferogram

TROUV et al.: COMBINING AIRBORNE PHOTOGRAPHS AND SPACEBORNE SAR DATA

911

Fig. 5.

Mer de Glace glacier 3-D model (orthophotos from 1995 that were draped on the computed DTM).

generation stage to enable topographic fringe removal and precise orbital phase corrections. It also allows resampling of the results in ground geometry. It is important to notice that in both cases, the SAR focusing is performed with a mean altitude hypothesis, which is valid with ERS data and slow height variations. This hypothesis tends to introduce focusing errors in areas with strong topographic relief: Indeed, there is, for example, almost a 4000-m-height difference between Chamonix valley and the Mont-Blanc summit, corresponding to a foreshortening that can be compared to the ERS eld of view (several kilometers). For high-resolution data, this effect is more severe, and a DTM is usually required for SAR synthesis. 2) Temporal-Domain Processor: To overcome the previous difculty in specic areas, such as the studied glaciers, and to benet from accurate DTM information earlier in the processing, an original approach is currently being developed at Tlcom Paris [45]. It is based on the processing of raw data in the temporal domain. The main ideas of the proposed SAR processing consist of the following. Using local circular approximation of the satellite orbit and the Earth rotation to take into account the relative displacement of the imaged points. This allows us to search for the closest point approach (CPA), which is the time of the shortest distance between the Earth target point and the sensor. The CPA corresponds to a zero Doppler Centrod value. All the relative positions of the Earth target point can be tabulated around this CPA. Actually, in this approach, nonzero Doppler Centrod data correspond to a slight squint angle in the acquisitions. Performing in the time domain a coherent summation of the delayed complex raw data. Delays required for this beamforming are deduced from previous tabulated relative positions. Subaperture images can be obtained by selecting a reduced set of raw data.

Choosing a ground range geometry for reconstructed pixels. In this way, the computation of interferograms does not require any coregistration as, by introducing the baseline in the SAR processing, the two SAR images are directly obtained in the same ground geometry. Moreover, in order to obtain two images with the same Doppler Centrod, data are processed with squint angles corresponding to the same subaperture. This allows us to reduce the noise in the resulting interferogram. Fig. 6 presents the results obtained with the three SAR processors previously described. The fringe pattern visible along the diagonal (from upper left-hand side to bottom righthand side) corresponds to the Mer de Glace and Leschaux glaciers displacement. The three fringe patterns on the bottom left-hand side also correspond to three small glaciers moving West toward the Chamonix valley. Global fringe patterns obtained by the different processors are similar. Differences in shape and orientation are due to different sampling geometries: The ROI-PAC and DIAPASON results are in radar geometry, whereas the temporal processor result is in the ground geometry. The reduced noise and apparently smoothed result of the temporal approach are due to the common band ltering resulting from the selection of the same subaperture. At this stage, the SYTER experimental processor takes only a constant baseline and the distance to the geoid into account. The next development will introduce the precise orbits and the elevation provided by the DTM in the sensor-target distance computation. The results obtained by the ROI-PAC processor with the precise obits from Delft University, Delft, The Netherlands, are used in the following steps. B. Interferogram Generation 1) Glacier Visibility: In order to assess the glacier visibility in ERS ascending and descending passes, several simulations

912

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 4, APRIL 2007

Fig. 6. ERS-1/2 March 1996 tandem interferometric phase after orbital fringe correction. (a) and (b) DIAPASON and ROI-PAC results in slant range geometry. (c) Temporal-domain processing result in ground range geometry.

have been performed with the DTM of Fig. 7(a). A SPOT 2 multispectral orthoimage where the main glaciers are clearly visible [Fig. 7(b)] is used to illustrate the results. The masks, which correspond to the nonvisible regions (layover, shadow), are shown in red over the SPOT optical image. The nonvisible areas for ERS ascending and descending acquisitions are presented in Fig. 7(c) and (d), respectively. Due to the orientation of the Argentire and Mer de Glace glaciers, the results show that approximately 85% of their surface is visible from ERS descending orbits. On the contrary, less than 20% of the two studied glacier surfaces can be investigated from ascending orbits. Accordingly, only the descending ERS-1/2 images may provide useful information for velocity assessment by means of D-InSAR processing. 2) Coherence Analysis: The descending ERS-1 three-day interval pair acquired during the summer of 1991 has been processed by the processors presented in Section IV-A to ensure that the results and the associated conclusions are not inuenced by processing artifacts. The obtained interferograms have good overall quality, showing a high level of coherence on the nearby mountains and in the Chamonix valley. However, the coherence is low on the studied glaciers [Fig. 8(b)]. Despite the lack of glacier visibility, the same result can be observed with the ascending pairs during the summer of 1995 [Fig. 8(d)]. The loss of interferometric coherence can be explained by either a large change of the glacier surface state or a strong glacier displacement that would affect the global coregistration algorithm. In order to investigate which assumption holds, controlled displacements were introduced in articial interferograms computed by using twice the same acquisition (ROI-PAC SLC image from ERS1 1991-08-17). The displaced images were obtained by SLC resampling (four-point cubic convolution [46]) and then by shifting in the glacier ow direction by multiples of 0.25 pixels. Several interferograms were constructed between the original SLC image and the displaced SLC images. Fig. 9 shows the coherence mean and standard deviation computed on these articial interferograms within a mask including only the Mer de Glace and Leschaux glaciers. The resulting plot shows that a satisfactory coherence level can be obtained even for displacements that are much larger than those expected for the studied glaciers within intervals of a few days: in the absence of any other decorrelation factor, the coherence level is above 0.6 for displacement up to 15 m. With the real ERS August 1991 three-day interferogram, the displacement of the Mer de Glace and Leschaux glaciers is approximately only 1 m, whereas the coherence mean is equal to 0.2 [see Fig. 8(b)]. This loss of coherence in summer pairs can be interpreted only by glacier surface changes probably due to ice melting and variation in the number and position of elementary backscatters in the resolution cell. An empirical model derived from observed ablation conrms this interpretation: Each positive degree yields 6.6 mm of ablation per day [34]. With the summer positive temperature often encountered at daytime in the studied glaciers, the ablation is too important compared to the C-band 5.6-cm wavelength to preserve interferometric coherence. This conclusion is also consistent with the results reported by Fischer et al. [47] over Iceland glacier

TROUV et al.: COMBINING AIRBORNE PHOTOGRAPHS AND SPACEBORNE SAR DATA

913

Fig. 7. ERS satellite visibility assessment. (a) Large-scale DTM. (b) Orthorectied SPOT-2 multispectral image. (c) Ascending ERS visibility (nonvisible parts masked in red). (d) Descending ERS visibility.

surges: they succeeded in measuring displacement that is often greater than 1 m/day (up to 7 m/day) mostly in ERS tandem winter interferograms, whereas changes of glacier surface due to precipitation, melt, and wind cause fast decorrelation of the phase signal. So, the most likely explanation of the summer results is that on the Mer de Glace and Argentire glaciers that are below 3200 m, the interferometric coherence at three-day intervals is completely lost because they are below the 0 C isotherm (snow line), which is often above 4000 m during the summer according to the Chamonix weather station and an assumed lapse rate of 6 /km. Note also that the coherence map seems to be a good parameter to automatically delimitate glaciarized areas: the surroundings have either an intermediate coherence level in forested areas or a good coherence level at higher altitudes, where rock and low vegetation do not create volume decorrelation. To investigate the potential of ERS tandem SAR interferometry during the rest of the year, four descending InSAR pairs from October 1995 to April 1996 have been processed (cf. Table II). After the ROI-PAC orbital and topographic fringe removal, an adaptive neighborhood lter [48] has been applied to reestimate the phase and the coherence. Such ltering is required, especially for large baselines, to obtain a sufcient number of samples to reduce the phase noise and the coherence bias and noise. This approach prevents smoothing of edges such as glacier margins and strong backscatterers, which might be useful for further analysis [38]. Among the four interferograms illustrated in Fig. 10, the highest coherence can be observed in the March pair, which has the smallest perpendicular baseline and is still acquired in the cold season. The new-year pair has the lowest coherence due to the volume decorrelation caused by the large baseline. Over the Mer de Glace, Leschaux, and Argentire glaciers,

the results show good preservation of coherence in the winter interferograms (December and March), whereas in the October and April interferograms, the coherence is well preserved only in the upper parts of the glaciers (south east). Accordingly, we can conclude that in three-day intervals during the summer season, the variations of the glacier surface state in temperate alpine glaciers such as those of the Chamonix valley are stronger than C-band SAR interferometric tolerances for ERS data. By contrast, coherence is preserved in tandem pairs acquired in the winter season and allows the measurement of glacier displacement at this time of the year. The limitation in using InSAR in intermediate seasons depends on the meteorological conditions and the glaciers altitude. In the following, the most correlated interferogram (March 1996) will be used to illustrate the processing steps applied to obtain velocity elds over the studied glaciers. 3) Phase Analysis: Generally, the interferometric phase between two SAR images is assumed to contain independent contributions from orbit geometry, surface topography, surface motion, and atmospheric changes between the two acquisitions [17]. Due to the fact that the glacier surface is very small compared to a full satellite frame, only local (not regional) atmospheric changes can affect InSAR measurements over the studied glaciers. As radiowave velocity mainly depends on local water vapor pressure and temperature (Smith and Weintraub formula) [49] and as saturation water vapor pressure is rather small near 273 K (i.e., the surface glacier temperature), one-day variations should be minimal in winter. This can be veried by comparing several different pairs collected during the same season. The similarity of the glacier fringe pattern from the four tandem interferograms presented in Fig. 10 can be visually observed in the high and medium coherence areas. This is conrmed by the wrapped phase

914

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 4, APRIL 2007

Fig. 8. (a) and (b) ERS1 three-day descending pass interferogram for the summer of 1991, annotated amplitude and coherence map of 1251 1531 pixels. The rectangle marked in red will be used in the sequel for further illustration. (c) and (d) ERS-1/2 one-day ascending pass interferogram for the summer of 1995, annotated amplitude and coherence map of 837 1024 pixels. These images are in radar geometry (slant range, azimuth) and obtained from SLC data by 1 5 multilooking.

differences between interferograms presented in Fig. 11. The difference is almost zero with two consecutive interferograms [March and April pairs, Fig. 11(a)] and slightly increases in some parts of the glaciers when more distanced periods are compared: the March/December pairs [Fig. 11(b)] and the March/October pairs [Fig. 11(c)]. The observed differences are also in quite good agreement with the in situ measurements presented in [50]. According to these results, at the scale of the glaciers located in the Alps, the atmospheric perturbations can be considered negligible in winter. The removal of orbital and topographic fringes can be performed by using the large-scale DTM from Fig. 7(a) and precise orbit information from Delft University [44]. The visual analysis of the four interferograms presented in Fig. 10 shows

the accuracy of the processing: out of the glaciers, the phase is almost constant along track and less than half a fringe appears in range direction, even with different perpendicular baselines and 3000-m height variations between the Chamonix valley and the mountain summits. According to these results, the remaining fringe patterns can be considered to correspond only to the glacier one-day displacement, projected on the SAR LOS, and wrapped in the [0, 2 ] interval. C. Phase Unwrapping and Orthorectication To extract quantitative velocity information from the interferometric fringes shown in Fig. 10, the phase must be unwrapped.

TROUV et al.: COMBINING AIRBORNE PHOTOGRAPHS AND SPACEBORNE SAR DATA

915

Fig. 9. Coherence values function of the articially induced displacement created by using twice the same acquisition (ERS-1, August 17, 1991). Coherence mean and standard deviation are measured after 5 1 complex averaging on the Mer de Glace and Leschaux glaciers.

Several obstacles make fully automatic phase unwrapping difcult in the case of glacier displacement fringes. First, at the glacier margins, the motion phase signal is discontinuous with the rest of the interferogram, which should be a constant when all geometrical effects are perfectly corrected (orbital and topographic fringe removal). Depending on the studied glaciers, some parts such as the top of the accumulation area might move very slowly and allow the assumption that the velocity is close to zero in these areas. Accordingly, it is possible to assume that there is no displacement within one day for ERS tandem interferograms in such areas and to use them as a zero reference for the phase unwrapping. In the case of the Argentire glacier, the accumulation area is visible in SAR descending passes, but the surface topography is quite steep, which does not allow such an assumption. In the case of the Mer de Glace and Leschaux glaciers, motionless parts can be found in the Mallet glacier at the top of the Leschaux, but with the ERS 23 incidence angle, this part of the glacier is not visible. When there is no zero-speed area connected to the glacier in the interferogram, the observed fringe pattern can be unwrapped, but the result is obtained with an unknown offset. This offset can be found as soon as the motion of one point is known (by ground measurement for instance). This difculty is increased when the glacier surface is separated in several disconnected parts because of the SAR geometry (shadow/layover) and the lack of coherence or aliasing, which occurs when the glacier accelerates, in ice fall areas for instance: the Nyquist criterion is not satised due to the image low sampling compared to the narrow fringe pattern. In this case, for the lowest part of the Argentire glacier for instance, a multiple of 2 is unknown between the different unwrapped parts of the glacier. This problem can be solved by complementary approaches such as speckle tracking [23] or measurement of the displacement of a coherent target to nd the right multiple of 2 . The two main approaches conventionally used to perform phase unwrapping are either local methods based on branchcut algorithms, which unwrap the phase by propagation along

Fig. 10. ERS-1/2 tandem interferograms over the Mer de Glace/Leschaux and Argentire glaciers area (600 700 pixels). Differential phase and coherence ltered by amplitude-driven adaptive neighborhood. (a) October 2223, 1995. (b) December 31, 1995January 1, 1996. (c) March 1011, 1996. (d) April 1415, 1996.

paths as safe as possible [51], or global methods based on least square minimization of the distance between the wrapped phase gradient and the resulting unwrapped phase gradient [52]. With the rst approach, the misplacement of branch cuts yields to the propagation of errors, which are multiples of 2 . The second approach has the advantage of allowing the detection and visual assessment of phase-unwrapping errors by computing the wrapped difference between the interferogram and the result. To reduce the phase noise and to obtain a coherence level that reveals unreliable phase areas, the ROI-PAC initial 5 1 interferogram is ltered using local frequency estimation [53] and adaptive neighborhoods [48]. The ltered wrapped phase and associated coherence are illustrated in Fig. 10(c). Then, the weighted least squares phase-unwrapping approach has been applied to unwrap the phase over the Mer de Glace/Leschaux and Argentire glaciers. In order to avoid the inuence of surrounding discontinuous fringes and corrupted areas, binary weights have been computed from the manual selection of the

916

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 4, APRIL 2007

Finally, the whole image is orthorectied, enabling easier computation of the nal velocity eld and comparison with ground measurements. This step is performed using the ROI-PAC software and the combined DTM described in Section II-C. It is based on the simulation of noise-free intensity images in SAR geometry using the distance to the satellite orbit and the local slope orientation provided by the DTM. Once the simulated image is registered on the real satellite image, the geometrical transformation is coded as a lookup table, which provides the position in the SAR data of each DTM pixel illuminated by the radar. This allows to resample on the DTM grid any parameter initially computed in SAR geometry using, for instance, a bilinear interpolation. Once the unwrapped phase is georeferenced, the unknown offsets can be set according to the knowledge of zero displacement areas or by using in situ measurements. One ground measurement point is necessary for each separated glacier, with a conversion into SAR LOS one-day displacement. Fig. 12 presents the georeferenced amplitude and coherence, which can be used to assess the condence in the unwrapped phase. The unwrapped georeferenced differential phase is overlapped over a high-resolution airborne orthophoto to illustrate the portion of the glaciers that has been unwrapped and the geocoding accuracy of the database formed by SAR and optical orthoimages. V. M OTION E STIMATION This section discusses the last stage of the processing: the use of the DTM to convert the one-day displacement eld measured on the SAR LOS into a glacier velocity eld. It presents the nal results, comparisons with ground measurements, and uncertainty assessment. A. From SAR LOS Displacement to Glacier Velocity Due to the visibility of the studied glaciers with ERS data (Section IV-B1), the velocity eld can be measured only through its projection on the LOS of descending acquisitions. The missing information is obtained by using an accurate DTM of the glacier surface and hypothesis often used when there is no reliable complementary information source. The hypotheses are given as follows: SPF assumption, which does not take the submergence/ emergence velocity into account [30]; direction of the maximum averaged downhill slope, which does not take a possible sliding component into account [15]. According to these hypotheses, the following steps are performed. In each pixel of the DTM, the two components of the elevation gradient are computed to derive the slope Sl and orientation Or angles of the glacier surface according to the angle conventions illustrated in Fig. 13. Then, the three-component unit vector E m provides the main slope direction cos(Sl) cos(Or ) E m = cos(Sl) sin(Or ) . (1) sin(Sl)

Fig. 11. Wrapped phase differences between interferograms presented in Fig. 10. (a) April 1415, 1996 and March 1011, 1996. (b) December 31, 1995January 1, 1996 and March 1011, 1996. (c) October 2223, 1995 and March 1011, 1996.

glacier SAR visible parts. The displacement eld resulting from this unwrapping has an unknown offset on each glacier since they are disconnected.

TROUV et al.: COMBINING AIRBORNE PHOTOGRAPHS AND SPACEBORNE SAR DATA

917

Fig. 13. Glacier surface and SAR LOS orientation angles.

at the current point. The vector representing the satellite LOS is sin(incv ) sin(inch ) E vw = sin(incv ) cos(inch ) . (2) cos(incv ) Then, the displacement measured along the LOS Dvw is computed from the value of the unwrapped phase u , i.e., Dvw = u 2 (3)

where is a coefcient containing the geometrical constraints (in the case of ERS satellites = 28 mm). The absolute value of the displacement along the movement direction of the glacier Dm is
Fig. 12. ERS-1/2 tandem March 1996 interferogram. (a) and (b) Georeferenced amplitude and coherence. (c) Georeferenced unwrapped differential phase of the Mer de Glace and Argentire glaciers overlapped on an airborne orthophoto provided by the RGD-73/74; the color scalebar corresponds to the one-day LOS displacement in centimeters.

Dvw Dm = . E vw E m

(4)

Finally, the vector of the velocity eld on the glacier surface is Dm Vm= Em t (5)

In each pixel of the unwrapped phase image, the orientation of the LOS and the displacement along the movement direction are computed. First, the direction of the satellite must be determined with precision. Two angles are needed as parameters in the model, i.e., vertical and horizontal incidences. Vertical incidence incv is the conventional wave incidence angle, while horizontal incidence inch is the angle between the horizontal projection of the LOS and the local parallel of latitude

where t is the time interval of the InSAR pair. The displacement eld obtained between the two interferometric SAR acquisitions in the March 1996 descending pass has been converted into quasi-3-D velocity eld according to this processing, using either the aerial optical 1995 DTM where it was available or the large-scale DTM. In both cases, the surface gradient has been computed after 200 200 m2 smoothing

918

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 4, APRIL 2007

They are compared to the annual mean velocity derived from the annual displacement of ablation stakes between 1995 and 1996 over the Argentire and Mer de Glace/Leschaux glaciers. Fig. 15 illustrates the three proles and associated uncertainty computed, as described in Section V-C. Along the Argentire longitudinal prole [Fig. 15(b)], the InSAR result reveals the velocity evolution: an increasing speed in the accumulation area up to the rst crevasse eld. The rst point of ground measurements (the highest one) has been used to set the phaseunwrapping unknown offset. The InSAR prole keeps close to the following points. On the Mer de Glace/Leschaux glacier [Fig. 15(b)], the velocity starts with low values in the upper part close to the Mallet glacier, increases quite fast in the Leschaux where the slopes are very steep, and decreases before the junction point with the Mer de Glace. The low velocity observed in this area is probably due to the weak slope and the uxes, which are too small upstream to sustain a high velocity. Below the conuence, the speed observed on the Mer de Glace is higher than that of the lower part of the Leschaux glacier. Then, it decreases again on the Mer de Glace glacier tongue. The global prole corresponds to the known behavior of these glaciers and to the published results [36], [54]. On the Mer de Glace longitudinal prole, a strong artifact can be observed at the same location as strong slope changes (about 9000 m from the beginning of the prole). This artifact is due to the conversion of the LOS velocity into 3-D velocity. When the ow direction vector becomes almost perpendicular to the LOS direction, the denominator in (4) becomes close to zero. In this case, the LOS velocity should also be close to zero, but the conversion into 3-D velocity is numerically unstable. This conguration occurs for instance if the slope is oriented toward the radar (this corresponds to the foldover constraint and can be avoided by the use of visibility masks) or when the ow direction is parallel to the azimuth direction (the sensor displacement). In the lower part of the Mer de Glace, the tongue is narrow, and the main slope direction becomes closer to the azimuth direction, which makes the 3-D conversion more sensitive to such artifacts. C. Uncertainty Assessment
Fig. 14. Velocity eld derived from the ERS-1/2 March 1996 tandem interferogram over the (a) Argentire and (b) Mer de Glace glaciers, which are overlayed on the orthorectied coherence.

in order to avoid taking microrelief into account. The result presented in Fig. 14 illustrates the ow of the Mer de Glace and Argentire glaciers. Vectors are overlayed on the orthorectied coherence, which can be interpreted as a measure of condence. B. Comparison With Ground Measurements In the following, interferometric and in situ velocity measurements are compared. Three velocity proles are extracted from the quasi-3-D velocity eld described in the previous section from the ERS-1/2 March 1996 tandem interferogram.

A complete performance assessment of the InSAR velocity measurements is rather difcult because of the complex processing chain and the lack of ground truth (only the one-year displacement of a few ablation stakes between the summers of 1995 and 1996 is available). The effect of the different sources of uncertainty is strongly dependent on the available data, the processing strategy, and the characteristics of the glacier [31]. For the results obtained on the studied glacier, two different sources should be distinguished. 1) Uncertainty linked to the data and their processing. In this experiment, the three information sources are the interferometric pair, the DTM, and the in situ measurements used to set the phase-unwrapping offset. 2) Uncertainty linked to the hypotheses used to replace the missing information: in this case, the SPF and the maximum downhill slope assumptions.

TROUV et al.: COMBINING AIRBORNE PHOTOGRAPHS AND SPACEBORNE SAR DATA

919

Fig. 15. ERS-1/2 March 1011, 1996 velocity proles. (a) SPOT image and prole location. (b) Longitudinal velocity prole on the Argentire glacier [curve 1 in (a)]. (c) Longitudinal velocity prole on the Leschaux/Mer de Glace glacier [curve 2 in (a)]. (d) Transversal velocity prole on the Mer de Glace glacier [curve 3 in (a)].

1) Data and Processing Uncertainty: The D-InSAR phase measure is affected by three different kinds of uncertainty. 1) The rst one comes from the speckle noise, which affects the interferograms, especially in low-coherence areas, and requires appropriate ltering to preserve the small size features of Alpine glaciers. This kind of uncertainty affects each point with random values described by a standard deviation, which can be approximated by the CramerRao lower bound [55], i.e., =
2

1 2M

1 2

where is the coherence level and M is the number of in. dependent looks averaged to obtain the phase estimate 2) The second kind of uncertainty is the presence of fringes due to atmospheric perturbations, remaining orbital or topographic fringes, or hazardous phenomena, which are sometimes encountered in ERS interferograms [24]. Regarding atmospheric perturbations, the small scale of Alpine glaciers and the low winter temperatures should prevent large effect as conrmed by the comparison of different pairs from the same season. Regarding orbital and topographical fringes, this experiment has shown that the use of an accurate DTM and the available precise orbits is sufcient to obtain results that are free of the remaining fringes at the scale of the studied glaciers, even

with large baselines. The strong surrounding topography of the Alpine glaciers and the availability of accurate DTMs from airborne photographs help to obtain accurate DTM-SAR registration and fringe removal. 3) The last kind of uncertainty comes from the phaseunwrapping step. Least squares unwrapping errors can be estimated by visual assessment of the remaining fringes. The unknown offset can be obtained by using a singlepoint in situ measurement for a whole connex part of a glacier. The precision depends on how this point is measured (by means of differential GPS, etc.) and how it is temporally related to the SAR measurement (same day/month/year, etc.). The resulting error is the same constant on the whole LOS velocity eld. For the results obtained with the March 1011, 1996, ERS interferogram, the phase correction and unwrapping error is less than (half a fringe), and the number of looks is approximately M 25 after ltering. Accordingly, the uncertainty that affects the nal results can be obtained through the following: 1) computing the LOS uncertainty by adding /2 and according to the coherence level; 2) applying to this LOS uncertainty the same slopedependent correction as applied to the LOS velocity (4), which brings the nal uncertainty to innity when the main slope direction is perpendicular to the LOS. The resulting uncertainty is illustrated on the velocity proles (Fig. 15) and with the corresponding error bar in Fig. 16, which

920

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 4, APRIL 2007

TABLE III IN SITU ONE-YEAR DISPLACEMENT AND LOCAL ABLATION OF T WO T RANSVERSE P ROFILES . C OMPARISON OF IN SITU AND DTM D ERIVED F LOW D IRECTIONS

Fig. 16. Comparison between the velocity obtained by SAR interferometry during March 1011, 1996 and the corresponding annual (August 1995August 1996) in situ measurement on the (a) Argentire and (b) Mer de Glace glaciers. The rectangle points are those used to set up the phase-unwrapping unknown offsets. The vertical error bars show the D-InSAR velocity uncertainty due to the phase noise, phase corrections, and unwrapping errors, with backprojection in the main slope direction.

presents the InSAR measurement versus the in situ one-year measurement. This comparison does not take the offset error into account. This would yield a translation of the whole set of points. The distance to the diagonal illustrates the agreement of the dense D-InSAR velocity eld with the set of in situ measurements. 2) Hypothesis Uncertainty: The hypotheses used to convert InSAR LOS displacement into 3-D velocities is a different source of error, which mainly depends on the studied glaciers and the available complementary information. In this experiment, since only descending measurements are available, the assumptions of SPF and maximum slope direction are used. Uncertainty comes from the slope estimation and the deviation from the hypotheses. Regarding the DTM slope information, a large smoothing (low-pass lter) has to be applied to obtain the main slope direction. This smoothing is large enough to consider that the DTM noise does not affect the slope estimate. The misregistration effect is difcult to assess since it is strongly dependent on the software used for the orthorectication (ROIPAC from JPL in our case) and the topography itself since it creates the features that are necessary for the registration

in the simulated intensity image. From this experiment, it seems that misregistration does not go over 100 m. Since a larger smoothing (200 200 m2 averaging) has been applied to obtain the main slope and a mask has been used to avoid introducing a glacier border in the smoothing, misregistration should not strongly affect the slope estimate. The uncertainty due to the SPF assumption is usually small for the fast moving glaciers with strong topography. It mostly affects the vertical component of the velocity, whereas the estimates of the horizontal component should remain relatively unaffected by deviations from the SPF [24]. Errors depend on the submergence/emergence velocity compared to the vertical component of the velocity due to the SPF. For the studied glaciers, it is possible to compare the local mass balance with the one-year displacement of ablation stakes on transverse proles (cf. Table III). On the Argentire and Mer de Glace glaciers, the ablation represents 20% up to 75% of the vertical displacement, depending on the local altitude. Accordingly, the error due to the SPF assumption is not negligible on the vertical component of the velocity. However, in this experiment, the SPF vertical error should be smaller since the InSAR measurements are performed in winter. A sliding component of the velocity might also affect the assumption that the velocity is in the direction of maximum downward slopes. However, the studied glaciers are quite narrow and long. Even without knowing the basal topography, one can assume that if there is a sliding component (probably small in winter), it will be in the main direction of the valley, which is given by the surrounding mountains and is not very different from the main slope orientation. This assumption has been conrmed by comparing the horizontal direction derived from the DTM with the displacement of ablation stakes. Results reported in Table III show quite good agreement between the DTM directions and in situ measurements on the two glaciers. VI. C ONCLUSION AND P ERSPECTIVE In this paper, the results presented on the Mont-Blanc temperate glaciers show the benets of using both optical and SAR remote sensing data to obtain geophysical measurements on the glacier surfaces. A DTM has been computed using photogrammetric techniques. This high-resolution DTM has been semiautomatically generated, allowing complex and detailed surfaces to be accurately modeled and to generate orthophotos and 3-D representations. SAR interferograms have been computed from the ERS tandem and three-day pairs. SAR processing issues and difculties due to the geophysical context have been investigated. Displacement fringes have been obtained over several Alpine glaciers in four winter one-day interferograms. The displacement eld measured on the radar LOS has been converted into a quasi-3-D velocity eld using the DTM under the assumption of surface-parallel motion in the

TROUV et al.: COMBINING AIRBORNE PHOTOGRAPHS AND SPACEBORNE SAR DATA

921

direction of the maximum downward slope. A mean velocity provided by in situ measurement at one point has been used to set the unknown offset of the eld due to the lack of visibility of the motionless part of the glacier. In this case, the InSAR measurement allows to extend ground-point measurements and provides dense velocity elds, which are consistent with the rest of the available in situ measurements. These results show the feasibility of using SAR D-InSAR in winter over temperate glaciers and combining this technique with photogrammetry for modeling and monitoring the glacier activity. The spatial resolution of glacier surface velocity elds is increased compared to the sparse terrestrial measurements. Depending on the satellite repeat-pass periodicity, SAR interferometry allows measurements of this eld along the cold season. A new SAR observation potential should be investigated with the future TerraSAR-X satellite with a 11-day repeat cycle. Furthermore, with the higher resolution of recently launched or future SAR satellites (RADARSAT-2, TerraSAR-X, ALOS, and Cosmo-SkyMed), high-quality DTMs become fundamental for D-InSAR applications at different stages in the processing chain: SLC image synthesis, data georeferencing, and computation of the displacement local direction and orientation when a single LOS is available. The next steps in the project described in this paper will focus on the fusion of the obtained measurements and extracted features (lakes, crevasses, ice falls, etc.) to derive higher level information such as hazard factors and risk maps. ACKNOWLEDGMENT The authors would like to thank the ESA for the ERS images provided through Cathegory 1 Projects 1088 and 3525, B. Legresy for the SPOT images, Rgie de Gestion des Pays de Savoie (RGD-73/74) for the access to the RIS 73-74 database, and the Laboratory of Glaciology and Geophysics of Environment/Observatoire des Sciences de lUnivers de Grenoble for the in situ measurements. They would also like to thank the anonymous reviewers for providing very precise comments and useful advice on this paper. R EFERENCES
[1] IPCC, Climate change 2001: The scientic basis, 2001. [Online]. Available: http://www.grida.no/climate/ipcc_tar/wg1 [2] M. B. Dyurgerov, Mountain and subpolar glaciers show an increase in sensitivity to climate warming and intensication of the water cycle, J. Hydrol., vol. 282, no. 14, pp. 164176, 2003. [3] S. Richardson and J. Reynolds, An overview of glacial hazards in the Hymalayas, Quat. Int., vol. 65/66, pp. 3147, Apr. 2000. [4] A. Kb, C. Huggel, L. Fischer, S. Guex, F. Paul, I. Roer, N. Salzmann, S. Schlaei, K. Schmutz, D. Schneider, T. Strozzi, and Y. Weidmann, Remote sensing of glacier- and permafrost-related hazards in high mountains: An overview, Nat. Hazards Earth Syst. Sci., vol. 5, no. 4, pp. 527554, Jul. 2005. [5] R. J. Braithwaite, Glacier mass balance: The rst 50 years of international monitoring, Prog. Phys. Geogr., vol. 26, no. 1, pp. 7695, Mar. 2002. [6] A. Kb, Combination of SRTM3 and repeat ASTER data for deriving alpine glacier ow velocities in the Bhutan Himalayas, Remote Sens. Environ., vol. 94, no. 4, pp. 463474, Feb. 2005. [7] J. Kargel, M. Abrams, M. Bishop, A. Bush, G. Hamilton, H. Jiskoot, A. Kb, H. Kieffer, E. Lee, F. Paul, F. Rau, B. Raup, J. Shroder, D. Soltesz, D. Stainforth, L. Stearns, and R. Wessels, Multispectral imag-

[8] [9]

[10] [11] [12] [13] [14]

[15] [16] [17] [18]

[19] [20] [21]

[22]

[23] [24] [25]

[26] [27]

[28]

[29] [30]

ing contributions to global land ice measurements from space, Remote Sens. Environ., vol. 99, no. 1/2, pp. 187219, Nov. 2005. Rgie de gestion des donnes des pays de savoie. [Online]. Available: http://www.rgd73-74.fr A. Kb, Monitoring high mountain terrain deformation from repeated air- and spaceborne optical data: Examples using digital aerial imagery and ASTER data, ISPRS J. Photogramm. Remote Sens., vol. 57, no. 1/2, pp. 3952, Nov. 2002. J. Fox and A. M. Nuttall, Photogrammetry as a research tool for glaciology, Photogramm. Rec., vol. 15, no. 89, pp. 725737, 1997. L. M. Andreassen, H. Elvehoy, and B. Kjollmoen, Using aerial photography to study glacier changes in Norway, Ann. Glaciol., vol. 34, no. 1, pp. 343348, Jan. 2002. A. K. Gabriel, R. M. Goldstein, and H. A. Zebker, Mapping small elevation changes over large areas: Differential radar interferometry, J. Geophys. Res., vol. 94, no. B7, pp. 91839191, 1989. D. Massonnet and T. Rabaute, Radar interferometry, limits and potential, IEEE Trans. Geosci. Remote Sens., vol. 31, no. 2, pp. 455464, Mar. 1993. K. E. Mattar, P. W. Vachon, D. Geudtner, A. L. Gray, I. G. Cumming, and M. Brugman, Validation of alpine glacier velocity measurements using ERS tandem-mission SAR data, IEEE Trans. Geosci. Remote Sens., vol. 36, no. 3, pp. 974984, May 1998. B. T. Rabus and D. R. Fatland, Comparison of SAR-interferometric and surveyed velocities on a mountain glacier: Black rapids glacier, J. Glaciol., vol. 152, no. 46, pp. 119128, 2000. R. R. Forster, K. C. Jezek, L. Koenig, and E. Deeb, Measurement of glacier geophysical properties from InSAR wrapped phase, IEEE Trans. Geosci. Remote Sens., vol. 41, no. 11, pp. 25952604, Nov. 2003. D. Massonnet and K. Feigl, Radar interferometry and its application to changes in the Earths surface, Rev. Geophys., vol. 36, no. 4, pp. 441500, Nov. 1998. A. I. Sharov, K. Gutjahr, F. Meyer, and M. Schardt, Methodical alternatives to the glacier motion measurement from differential SAR interferometry, in Proc. Photogramm. Comput. Vis., ISPRS Tech. Commission III Symp., Graz, Austria, 2002, vol. 34, pt. 3A/B, pp. A-324A-329. A. Ferretti, C. Prati, and F. Rocca, Permanent scatterers in SAR interferometry, IEEE Trans. Geosci. Remote Sens., vol. 39, no. 1, pp. 820, Jan. 2001. R. Michel, J. P. Avouac, and J. Taboury, Measuring ground displacements from SAR amplitude images: Application to the Landers earthquake, Geophys. Res. Lett., vol. 26, no. 7, pp. 875878, Apr. 1999. R. Michel and E. Rignot, Flow of glaciar Moreno, Argentina, from repeat-pass shuttle imaging radar images: A comparison of the phase correlation method with radar interferometry, J. Glaciol., vol. 45, no. 149, pp. 93100, 1999. A. L. Gray, N. Short, K. E. Matter, and K. C. Jezek, Velocities and ice ux of the Filchner ice shelf and its tributaries determined from speckle tracking interferometry, Can. J. Remote Sens., vol. 27, no. 3, pp. 193 206, 2001. T. Strozzi, A. Luckman, T. Murray, U. Wegmuller, and C. L. Werner, Glacier motion estimation using SAR offset-tracking procedures, IEEE Trans. Geosci. Remote Sens., vol. 40, no. 11, pp. 23842391, Nov. 2002. I. Joughin, R. Kwok, and M. A. Fahnestock, Interferometric estimation of three-dimensional ice-ow using ascending and descending passes, IEEE Trans. Geosci. Remote Sens., vol. 36, no. 1, pp. 2537, Jan. 1998. N. Reeh, J. J. Mohr, S. N. Madsen, H. Oerter, and N. S. Gundestrup, Three-dimensional surface velocities of Storstrommen glacier, Greenland, derived from radar interferometry and ice-sounding radar measurements, J. Glaciol., vol. 49, no. 165, pp. 201209, 2003. E. Rignot, R. Forster, and B. Isacks, Radar interferometric observations of Glacier San Rafael, Chile, J. Glaciol., vol. 42, no. 141, pp. 279291, 1996. T. Strozzi, G. H. Gudmundsson, and U. Wegmller, Estimation of the surface displacement of Swiss alpine glaciers using satellite radar interferometry, in Proc. 3rd Workshop Remote Sens. Land, Ice and Snow, Bern, Switzerland, Mar. 1113, 2002. P. Sterzai, F. Mancini, C. Corazzato, C. D. Agata, and G. Diolaiuti, Contribution of SAR interferometry (InSAR) to the study of alpine glaciers. The example of Forni glacier (central Alps, Italy): Preliminary results, in Proc. EGSAGUEUG Joint Assembly, Nice, France, Apr. 611, 2003. C. Mtzler and U. Wegmller, Dielectric properties of fresh-water ice at microwave frequencies, J. Phys. D, Appl. Phys., vol. 20, no. 12, pp. 16231630, Dec. 1987. N. Reeh, S. N. Madsen, and J. J. Mohr, Combining SAR interferometry and the equation of continuity to estimate the three-dimensional

922

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 4, APRIL 2007

[31]

[32] [33] [34] [35] [36]

[37] [38]

[39] [40] [41] [42] [43] [44]

[45]

[46] [47] [48]

[49] [50] [51] [52]

[53]

glacier surface-velocity vector, J. Glaciol., vol. 45, no. 151, pp. 533538, 1999. J. J. Mohr, N. Reeh, and S. N. Madsen, Accuracy of three-dimensional glacier surface velocities derived from radar interferometry and icesounding radar measurements, J. Glaciol., vol. 49, no. 165, pp. 210222, 2003. L. Reynaud, Etude de la dynamique des sracs du Gant (Massif du Mont Blanc), Ph.D. dissertation, Univ. Sci. Md. Grenoble, Grenoble, France, 1973. G. Bocquet and J. C. Ricq, Measurement of ice movement in subglacial cavities: A new cavitometer beneath the Glacier dArgentire (Mt-Blanc, France), J. Glaciol., vol. 18, no. 78, pp. 137142, 1977. C. Vincent, Inuence of climate change over the 20th century on four French glacier mass balances, J. Geophys. Res., vol. 107, no. D19, pp. 4375, Oct. 2002. R. Burnet and R. Mura, Surveillance des glaciers par photographie arienne, B.T.I., pp. 243248, 1985. 399/401(B2-Geog.-25). E. Berthier, H. Vadon, D. Baratoux, Y. Arnaud, C. Vincent, K.L. Feigl, F. Rmy, and B. Legrsy, Mountain glacier surface motion derived from satellite optical imagery, Remote Sens. Environ., vol. 95, no. 1, pp. 1428, 2005. E. Berthier, Y. Arnaud, D. Baratoux, C. Vincent, and F. Rmy, Recent rapid thinning of the Mer de Glace glacier derived from satellite optical images, Geophys. Res. Lett., vol. 31, no. 17, L17401, 2004. G. Vasile, E. Trouv, J.-S. Lee, and V. Buzuloiu, Intensity-drivenadaptive-neighborhood technique for polarimetric and interferometric sar parameters estimation, IEEE Trans. Geosci. Remote Sens., vol. 44, no. 6, pp. 16091621, Jun. 2006. K. Kraus, Photogrammetrie, 7. Auage ed, vol. Band 1. Berlin, Germany: Walter de Gruyter Verlag, 2004. K. Papathanassiou, I. Hajnsek, H. Rott, and T. Nagler, Polarimetric sar interferometry for snow cover parameter estimation, in Proc. POLinSAR Workshop, 2005, CD-ROM. D. Massonnet, Producing ground deformation maps automatically: The DIAPASON concept, in Proc. IGARSS, Singapore, 1997, vol. 3, pp. 13381340. H. A. Zebker and R. M. Goldstein, Topographic mapping from interferometric SAR observations, J. Geophys. Res., vol. 91, no. B5, pp. 4993 4999, Apr. 1986. P. A. Rosen, S. Hensley, I. R. Joughin, F. K. Li, S. N. Madsen, E. Rodriguez, and R. M. Goldstein, Synthetic aperture radar interferometry, Proc. IEEE, vol. 88, no. 3, pp. 333382, Mar. 2000. P. A. Rosen, S. Hensley, G. Peltzer, and M. Simons, Updated repeat orbit interferometry package released, Earth Observation Syst. Trans., Amer. Geophys. Union, vol. 85, no. 5, p. 47, 2004. Electronic Supplement. [Online]. Available: http://www.agu.org J.-M. Nicolas, F. Tupin, G. Vasile, and E. Trouv, SAR processing in the temporal domain. Application to direct interferogram generation and mountain glacier monitoring, in Proc. Adv. SAR Workshop, Can. Space Agency, St. Hubert, QC, Canada, Nov. 1517, 2005, CD-ROM. R. Hanssen and R. Bamler, Evaluation of interpolation kernels for SAR interferometry, IEEE Trans. Geosci. Remote Sens., vol. 37, no. 1, pp. 318321, Jan. 1999. A. Fischer, H. Rott, and H. Bjrnsson, Observation of recent surges of Vatnajkull, Iceland, by means of ERS SAR interferometry, Ann. Glaciol., vol. 37, no. 1, pp. 6976, Jun. 2003. G. Vasile, E. Trouv, M. Ciuc, and V. Buzuloiu, General adaptive neighborhood technique for improving SAR interferometric coherence estimation, J. Opt. Soc. Amer. A, Opt. Image Sci., vol. 21, no. 8, pp. 14551464, Aug. 2004. H. Tarayre and D. Massonnet, Atmospheric propagation heterogeneities revealed by ERS-1 interferometry, Geophys. Res. Lett., vol. 23, no. 9, pp. 989992, 1996. D. Hantz, Dynamique et hydrologie du glacier dArgre, Ph.D. dissertation, CNRS, Lab. Glaciol. Gophys. lEnviron., Saint Martin dHe`res, France, Apr. 1981. R. M. Goldstein, H. A. Zebker, and C. L. Werner, Satellite radar interferometry: Two-dimensional phase unwrapping, Radio Sci., vol. 23, no. 4, pp. 713720, Jul. 1988. D. C. Ghiglia and L. A. Romero, Robust two-dimensional weighted and unweighted phase unwrapping that uses fast transforms and iterative methods, J. Opt. Soc. Amer. A, Opt. Image Sci., vol. 11, no. 1, pp. 107 117, Jan. 1994. E. Trouv, J. M. Nicolas, and H. Matre, Improving phase unwrapping techniques by the use of local frequency, IEEE Trans. Geosci. Remote Sens., vol. 36, no. 6, pp. 19631972, Nov. 1998.

[54] L. Lliboutry and L. Reynaud, Global dynamics of a temperate valley glacier, Mer de Glace, and past velocities deduced from Forbesbands, J. Glaciol., vol. 27, no. 96, pp. 207226, 1981. [55] E. Rodriguez and J. M. Martin, Theory and design of interferometric synthetic aperture radars, Proc. Inst. Electr. Eng.F , vol. 139, no. 2, pp. 147159, Apr. 1992.

Emmanuel Trouv (M99) received the Engineer degree in electrical engineering from the Ecole Nationale Suprieure de Techniques Avances, Paris, France, in 1990 and the Ph.D. degree in signal and image processing from the Ecole Nationale Suprieure des Tlcommunications, Paris, in 1996. From 1996 to 1998, he was with Thomson Marconi Sonar in underwater acoustic and signal processing. Since September 1998, he has been an Associate Professor of signal processing and computer vision with the Universit de Savoie, PolytechSavoie, Annecy, France, and has been working at the Laboratoire dInformatique, Systmes, Traitement de lInformation et de la Connaissance. He is also currently with the Laboratoire des Images et des Signaux, Institut National Polytechnique de Grenoble, Centre National de la Recherche Scientique, Saint-Martin-dHres, France. He coordinates the French multilaboratory MEGATOR project (Monitoring the Evolution of Alpine Glaciers by Optical and Radar Remote Sensing). His research interests include SAR image processing and data fusion in remote sensing. Dr. Trouv is a member of the IEEE Geoscience and Remote Sensing Society Data Fusion Technical Committee.

Gabriel Vasile (S04M04) received the Engineer degree in electrical engineering and computer science and the M.S. degree in image, shapes, and articial intelligence from the University Politehnica of Bucharest, Bucharest, Romania, in 2003 and 2004, respectively. He is currently working toward the Ph.D. degree at the University Politehnica of Bucharest and the University of Savoie, PolytechSavoie, Annecy, France. Since 2004, he has been working on his Ph.D. dissertation on SAR multivariate signal processing with joint supervision from both the University Politehnica of Bucharest and the University of Savoie, PolytechSavoie, in the framework of the French multilaboratory MEGATOR Project. From 2001 to 2003, he was an Engineering Assistant with the Center of Microsystems and Microstructures for Environmental Monitoring and Biomedical Applications, National Institute for Research and Development in Micro and Nanotechnologies, Romania. He is currently with the Laboratoire dInformatique, Systmes, Traitement de lInformation et de la Connaissance, Universit de Savoie and also with the Laboratoire des Images et des Signaux, Institut National Polytechnique de Grenoble, Centre National de la Recherche Scientique, Saint-Martin-dHres, France. His research interests are signal and image processing, polarimetric and interferometric SAR applications, and glacier monitoring.

Michel Gay received the Engineer degree in electrical engineering from the Institut des Sciences de lIngnieur de Montpellier, Montpellier, France, in 1987 and the Ph.D. degree in physics from the University Joseph Fourier, Grenoble, France, in 1999. From 1988 to 2003, he was with Cemagref Grenoble, Grenoble, where he worked on electrical engineering for environmental applications. Since 2003, he has been a Research Engineer with the Laboratoire des Images et des Signaux, Institut National Polytechnique de Grenoble, Centre National de la Recherche Scientique, Saint-Martin-dHres, France. His research interests include remote sensing, image processing, and survey of Alpine glaciers.

TROUV et al.: COMBINING AIRBORNE PHOTOGRAPHS AND SPACEBORNE SAR DATA

923

Lionel Bombrun (S06) received the Engineer degree in electrical engineering and the M.S. degree in signal, image, speech, and telecommunications from the Grenoble National Polytechnic Institute (INPG), Grenoble, France, in 2005. He is currently working toward the Ph.D. degree at the Grenoble Image Parole Signal et Automatique Laboratory, INPG, Centre National de la Recherche Scientique, SaintMartin-dHres, France. Since 2005, he has been working on his Ph.D. dissertation on the development of SAR signal processing at the Laboratoire des Images et des Signaux, INPG, Centre National de la Recherche Scientique, in the framework of the French multilaboratory MEGATOR Project. His research interests include SAR polarimetry and interferometry, and glacier monitoring.

Philippe Bolon (M94) was born in 1956. He received the Engineer degree in electrical engineering and the Ph.D. degree in signal processing from the National Polytechnic Institute of Grenoble (INPG), Grenoble, France, in 1978 and 1981, respectively. From 1984 to 1994, he was an Associate Professor with the Universit de Savoie, PolytechSavoie, Annecy, France. He has been Professor with the Universit de Savoie, PolytechSavoie since September 1994 and the Head of the Laboratoire dInformatique, Systmes, Traitement de lInformation et de la Connaissance since 2002. Since 1996, he has been a Member of the steering committee of the French national research group in Signal and Image Processing (GdR ISIS). His current research interests include information fusion, nonlinear image processing, image segmentation, and image analysis. Dr. Bolon is a member of the European Association for Signal Processing. He was the Chairman or a Cochairman of the Scientic Committee of the International Conference on Quality Control by Articial Vision (QCAV) in 1997, 1998, 1999, 2001, and 2003.

Pierre Grussenmeyer received the Engineer degree in geodetic surveying and topography from Ecole Nationale Suprieure des Arts et Industries de Strasbourg (ENSAIS) [currently Institut National des Sciences Appliquees (INSA) de Strasbourg (a Graduate School of Science and Technology)], Strasbourg, France, in 1984 and the Ph.D. degree in photogrammetry from the University of Strasbourg I (in relationship with the Institut Geographique National, Paris, France), Strasbourg, in 1994. From 1988 to 2004, he was an Associate Professor with ENSAIS. Since 2004, he has been a Professor with INSA Strasbourg and the Head of the Equipe Photogrammtrie et Gomatique, Modles et Simulations pour lArchitecture, lUrbanisme et le Paysage-Photogrammetrie Architechturale et Geomatique UMR 694. His current research interests include close-range photogrammetry, architectural photogrammetry and lasergrammetry, visual and virtual models, and cultural heritage documentation. Prof. Grussenmeyer has been a member of the International Society for Photogrammetry and Remote Sensing since 1996 and the Treasurer and a Member of the board of the International Committee for Architectural Photogrammetry since 1999. He is also a Vice President of the Association Franaise de Topographie.

Ivan Petillot received the Engineer degree in electrical engineering and computer sciences and the M.S. degree in image, information, and hypermedia from the Institut de Recherche en Informatique de Toulouse, Toulouse, France, in 2005. He is currently working toward the Ph.D. degree at the Laboratoire dInformatique, Systmes, Traitement de lInformation et de la Connaissance, Universit de Savoie, PolytechSavoie, Annecy, France. Since 2005, he has been working on his Ph.D. dissertation on the information fusion systems for remote sensing at the University of Savoie, in the framework of the MEGATOR Project. His research interests include information fusion, risk assessment, and glacier monitoring.

Tania Landes received the Engineer degree in geodetic surveying and topography in 1995 from ENSAIS [currently Institut National des Sciences Appliquees (INSA) de Strasbourg (Graduate School of Science and Technology)], Strasbourg, France, and the Ph.D. degree in radar remote sensing from the University of Karlsruhe, Karlsruhe, Germany, in 2000. Since 2006, she has been an Associate Professor with ENSAIS. She is currently with the Equipe Photogrammtrie et Gomatique, Modles et Simulations pour lArchitecture, lUrbanisme et le Paysage-Photogrammetrie Architechturale et Geomatique UMR 694, INSA. Her current research interests include remote sensing and lasergrammetry.

Andreea Julea received the Engineer degree in electrical engineering and computer science and the M.S. degree in image processing and articial intelligence from the University Politehnica of Bucharest, Bucharest, Romania, in 2005 and 2006, respectively. She is currently working toward the Ph.D. degree at the Laboratoire dInformatique, Systmes, Traitement de lInformation et de la Connaissance, Universit de Savoie, PolytechSavoie, Annecy, France. Since 2006, she has been working on her Ph.D. dissertation on data mining in remote sensing applications with joint supervision from the University Politehnica of Bucharest and University of Savoie. Since 2006, she has been with the Space Sciences Institute, Bucharest. Her research interests are data mining, image processing, and remote sensing.

Jean-Marie Nicolas received the M.S. degree from the Ecole Normale Superieure de Saint Cloud, Lyon, France, in 1979 and the Ph.D. degree in physics from the University of Paris XI, Paris, France, in 1982. He was a Research Scientist with the Laboratoire dElectronique Philips in medical imaging and was then with Thomson CSF, working in signal and image processing. He is currently with the Dpartement TSI, Ecole Nationale Superieure des Telecommunications, Paris, as a Professor. His research interests include radar imaging.

Lionel Valet received the M.S. degree from the Ecole Superieur dIngenieur dAnnecy, University of Savoie, Annecy, France, in 1998 and the Ph.D. degree in signal and image processing from the University of Savoie, in 2001. He is currently an Associate Professor in computer science with the Laboratoire dInformatique, Systmes, Traitement de lInformation et de la Connaissance, Universit de Savoie, PolytechSavoie. His research interests include information fusion system conception with applications to image analysis.

924

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 4, APRIL 2007

Jocelyn Chanussot (M04SM04) received the Engineer degree in electrical engineering from the Institut National Polytechnique de Grenoble (INPG), Grenoble, France, in 1995 and the Ph.D. degree from Savoie University, Annecy, France, in 1998. In 1999, he was with the Geography Imagery Perception Laboratory for the Delegation Generale de lArmement (French National Defence Department). Since 1999, he has been an Associate Professor of signal and image processing with INPG, Centre National de la Recherche Scientique, Saint-MartindHres, France, and has been working at the Laboratoire des Images et des Signaux. His research interests include statistical modeling, multicomponent image processing, nonlinear ltering, remote sensing, and data fusion. He is an Associate Editor for Pattern Recognition (20062008). Dr. Chanussot is an Associate Editor of the IEEE GEOSCIENCE AND REMOTE SENSING LETTERS (since 2005). He is a Cochair of the IEEE Geoscience and Remote Sensing Society Data Fusion Technical Committee (20052007) and a member of the Machine Learning for Signal Processing Technical Committee of the IEEE Signal Processing Society (20062008). He serves as a regular reviewer for various conferences (e.g., IEEE ICASSP, IEEE ICIP, ACIVS).

Mathieu Koehl received the Engineer degree in geodetic surveying and topography from ENSAIS [currently Institut National des Sciences Appliquees (INSA) de Strasbourg (a Graduate School of Science and Technology)], Strasbourg , France, in 1990 and the Ph.D. degree in geomatics from the University of Strasbourg I, Strasbourg (in relationship with the Technische Universitat Vienna, Vienna, Austria), in 1999. Since 1994, he has been an Associate Professor with the Equipe Photogrammtrie et Gomatique, Modles et Simulations pour lArchitecture, lUrbanisme et le PaysagePhotogrammetrie Architechturale et Geomatique UMR 694, INSA de Strasbourg. His current research interests include 3-D modeling, 3-D GIS, and WebGIS.

Rsum
Limagerie radar synthse douverture (SAR) est une source importante dinformation pour le suivi dobjets gophysiques terrestres par tldtection. Nous prsentons une premire partie mthodologique ddie au filtrage du speckle des donnes POL/In/POL-InSAR multivaries et son impact sur lestimation de paramtres. Lobjectif du filtrage de speckle est de restaurer linformation spatiale et radiomtrique de la scne. Trois directions principales sont tudies pour gagner en stationnarit/ergodicit : des voisinages adaptatifs vis--vis du signal, un estimateur adaptatif ou non (moyenne complexe multi-vue, LLMMSE) et la compensation de la composante dterministe du signal de phase interfromtrique. Une nouvelle stratgie pour filtrer des images SAR multivaries est propose: lutilisation de voisinages adaptatifs obtenus par une technique de croissance de rgion multivarie. Cette mthode appele IDAN combine toutes les informations dintensit disponibles dans un processus de croissance de rgion pour assurer la validit des hypothses de stationnarit/ergodicit. Conjointement IDAN, une nouvelle mthode est propose pour estimer les frquences locales dans des interfrogrammes SAR. Ces mthodes ont t testes la fois sur des images satellitaires basse rsolution provenant dacquisitions tandem ERS et sur plusieurs jeux de donnes aroportes haute rsolution dans diffrentes bandes de frquences et configurations polarimtriques. La seconde partie est ddie lobservation des glaciers alpins par tldtection SAR. Cette partie aborde le problme du traitement des donnes SAR multivaries sur le site test Chamonix Mont-Blanc . Lanalyse de plusieurs interfrogrammes ERS tandem acquis entre juillet 1995 et avril 1996 a permis dobtenir les premiers champs de vitesse D-InSAR sur des glaciers des Alpes franaises et de montrer quil est possible de mesurer leur vitesse de surface entre octobre et avril avec un chantillonnage spatial de lordre de 20 m dans des interfrogrammes 1 jour en bande C. La seconde application prsente une analyse POL/POL-InSAR des donnes SAR multi-bandes haute rsolution acquises par le systme aroport E-SAR en octobre 2006, sur les glaciers dArgentire, du Tacul et de la Mer-de-glace. Ces premiers rsultats illustrent plusieurs applications possibles de la tldtection radar polarimtrique/interfromtrique pour lobservation des glaciers, telle que lanalyse des bandes de Forbes. Mots-cl : traitement de linformation, imagerie radar synthse douverture, interfromtrie, polarimtrie, tldtection, glaciers alpins

Abstract
In this PhD thesis, two main axes have been investigated. The first methodological part of this thesis proposes a particular focus on speckle filtering of POL-InSAR multivariate data and its implication on parameter estimation. The objective of speckle filtering is to retrieve the radiometric and spatial scene information from the observed speckled SAR measurement. Three main directions for gaining in stationarity/ergodicity have been investigated: signal adaptive neighbourhoods, non-adaptive/adaptive estimators and compensation of deterministic components in the interferometric phase signal. This thesis proposes a novel strategy for filtering multivariate SAR images, namely the use of adaptive neighbourhoods obtained by multivariate region growing techniques. According to this algorithm, named IDAN, all the available intensity images of the polarimetric or/and interferometric components are fused in the region growing process to ensure the validity of the stationarity/ergodicity assumptions. A novel method for estimating local frequencies in SAR interferograms is proposed. These algorithms have been tested both on several high resolution airborne data sets, and on low resolution spaceborne tandem ERS SAR images. The second part of this thesis is dedicated to Alpine glacier monitoring by SAR remote sensing. This part tackles the problem of processing multivariate SAR data over the Chamonix Mont-Blanc test site. The first application presented consists in measuring the 3D displacement field of an Alpine glacier by D-InSAR. The analysis of several tandem ERS interferograms between July 1995 and April 1996 shows that it is possible to measure temperate glacier surface velocity fields from October to April in 1-day C-band interferograms with approximately 20-meter ground sampling. The second application is represented by the first POL-InSAR analysis of multiband high resolution airborne SAR data acquired by the ESAR system in October 2006. Keywords: information processing, SAR, interferometry, polarimetry, remote sensing, Alpine glaciers