Vous êtes sur la page 1sur 105

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/332786753

Implémentation de quelques algorithmes de détection et de localisation


d’objets par imagerie micro-onde

Thesis · January 2011


DOI: 10.13140/RG.2.2.25221.40163

CITATIONS READS

0 238

3 authors:

Miraoui Abdelfettah Lotfi Merad


University Mustapha Stambouli of Mascara ecole supérieure en sciences appliquées de tlemcen
10 PUBLICATIONS   5 CITATIONS    36 PUBLICATIONS   118 CITATIONS   

SEE PROFILE SEE PROFILE

Meriah Sidi Mohammed


Abou Bakr Belkaid University of Tlemcen
57 PUBLICATIONS   187 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Optimisation View project

Antenna View project

All content following this page was uploaded by Miraoui Abdelfettah on 01 May 2019.

The user has requested enhancement of the downloaded file.


‫الجمهورية الجزائرية الديمقراطية الشعبية‬
République Algérienne Démocratique et Populaire

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE


SCIENTIFIQUE

UNIVERSITE ABOU BEKR BELKAID DE TLEMCEN

FACULTE DE TECHNOLOGIE

LABORATOIRE DE TELECOMMUNICATIONS DE TLEMCEN LTT

MEMOIRE

Présenté pour l‟obtention du diplôme de


Magister en Ecole Doctorale des Technologies et Applications Spatiales (EDTAS)
Spécialité : Télécommunication et Informatique Spatiales
Sur le Thème :

Implémentation de quelques algorithmes de détection et de localisation


d’objets par imagerie micro-onde

Présenté par :
Mr. MIRAOUI ABDELFETTAH

Soutenue en 2011 devant le jury:


Président :
Mr. BENDIMERAD FETHI TARIK Professeur
Examinateurs:
Mr. BENAHMED NASREDDINE Professeur
Mr. CHIKH MOHAMMED AMINE Maitre de conférences A
Encadreurs :
Mr. MERIAH SIDI MOUHAMED Professeur
Mr. MERAD LOTFI Maitre assistant B
‫الجمهورية الجزائرية الديمقراطية الشعبية‬
République Algérienne Démocratique et Populaire

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE


SCIENTIFIQUE

UNIVERSITE ABOU BEKR BELKAID DE TLEMCEN

FACULTE DE TECHNOLOGIE

LABORATOIRE DE TELECOMMUNICATIONS DE TLEMCEN LTT

MEMOIRE

Présenté pour l‟obtention du diplôme de


Magister en Ecole Doctorale des Technologies et Applications Spatiales (EDTAS)
Spécialité : Télécommunication et Informatique Spatiales
Sur le Thème :

Implémentation de quelques algorithmes de détection et de localisation


d’objets par imagerie micro-onde

Présenté par :
Mr. MIRAOUI ABDELFETTAH
Soutenue en 2011 devant le jury:
Président :
Mr. BENDIMERAD FETHI TARIK Professeur
Examinateurs:
Mr. BENAHMED NASREDDINE Professeur
Mr. CHIKH MOHAMMED AMINE Maitre de conférences A
Encadreurs :
Mr. MERIAH SIDI MOUHAMED Professeur
Mr. MERAD LOTFI Maitre assistant B
Dédicaces A

Dédicaces

Je tiens à remercier ALLAH qui m’a donné la force, le courage et la patience pour élaborer ce modeste
travail.

Je Dédie ce travail :

A mes parents, pour leur soutien et tous les efforts qu’on ma donnée le long de mon parcours et je leur
souhaite bonne santé et longue vie.

A mes frères mes sœurs et à toute ma famille.

A mes très chers amis

A tous ceux qui m’ont aidé de loin ou de prés durant mes études.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -i-
Remerciement B

Remerciements

Ce présent travail, a été effectué au Laboratoire de Télécommunication Tlemcen


de la faculté de technologie de l’université de Tlemcen.

Je remercie tout d’abord, ALLAH qui m’a donné la force et le courage afin de
parvenir à élaborer ce modeste travail.

J’exprime toute ma gratitude à monsieur S.M MERIAH professeur à l’université


de Tlemcen et à monsieur L.MERAD maitre assistant B à l’école préparatoire de bel-horizon Tlemcen,
pour m’avoir dirigé et guidé tout le long de ce travail. Leurs conseils et remarques étaient très
bénéfiques pour mon travail. Leurs soutiens permanents ainsi que leur disponibilité pour l’achèvement
de ce travail.

Je remercie monsieur F.T BENDIMRAD professeur à l’université de Tlemcen,


pour avoir accepté de rapporter ce travail et de m’avoir fait l’honneur de présider le jury.

Je tiens à remercier également monsieur N. BENAHMAD professeur à


l’université de Tlemcen pour avoir voulu faire partie de jury et accepté de rapporter ce travail.

Je remercie vivement monsieur M.A CHIKH maitre de conférence A à


l’université de Tlemcen pour avoir accepté de fair partie de ce jury.

Enfin, j’adresse mes remerciement à toutes les personnes qui de prés ou de loin
m’ont aidé et soutenu durant cette période.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -ii-
Liste des figures et tableaux C

Liste des figures

Figure I. 1 : Effet de multi-trajets de diffusion dans l‟imagerie micro ondes ...................................... 5


Figure I. 2 : Système actif d'imagerie micro-ondes ............................................................................. 7
Figure I. 3 : Configuration de réseau d'antennes. ................................................................................. 8
Figure I. 4 : Multistatique CMI « modèle cube des données ». ......................................................... 10
Figure I. 5 : Géométrie utilisée dans l'algorithme spectral ................................................................ 12
Figure I. 6 : La configuration 3D dispersion. ..................................................................................... 15
Figure I. 7 : Trois différentes configurations multi-vues. (a) caméra planaire. (b) Scanner demi-
circulaire (HCS) (c) Scanner circulaire (FCS). .................................................................................. 16
Figure I. 8 : Reconstruction d‟une image micro ondes ...................................................................... 17

Figure II. 1 : Permittivité complexe des tissus mammaires cancéreux et normaux avec différents
contenus adipeux du modèle de Cole-Cole [92, 93], (a) la partie réelle, (b) la partie imaginaire. .... 29
Figure II. 2 : Configuration scalaire 2D (polarisation TM) ............................................................... 30
Figure II. 3 : (a) Géométrie des cas 2D-TE et 2D-TM ; (b) Géométrie du cas 3D. ........................... 32
Figure II. 4 : Maillage rectangulaire: (a) configuration plane, (b) configuration circulaire. ............. 33
Figure II. 5 : Organigramme de l'algorithme de Newton-Kantorovich. ............................................ 37
Figure II. 6 : Domaines de mesure avec les antennes d'essai ............................................................. 38
Figure II. 7 : Comparaison entre la distribution d'amplitude du champ incident calculé à partir du
modèle Polynomial et les données expérimentales ............................................................................ 39
Figure II. 8 : Comparaison entre la distribution de phase champ incident calculé à partir du modèle
Polynomial et les données expérimentales......................................................................................... 39
Figure II. 9 : Estimation du champ incident....................................................................................... 40
Figure II. 10 : Représentation schématique de la méthode étudiée ................................................... 41

Figure III. 1 : Neurone biologique ..................................................................................................... 45


Figure III. 2 : Modèle de MC Culloch et Pitts ................................................................................... 46
Figure III. 3 : Neurone produit scalaire.............................................................................................. 47
Figure III. 4 : Exemples de transformation g utilisée pour les neurones produit scalaire ................. 48
Figure III. 5 : Neurone distance ......................................................................................................... 48
Figure III. 6 : Fonctions utilisée pour les neurones distances ............................................................ 49
Figure III. 7 : Réseau multi-couches .................................................................................................. 52
Figure III. 8 : Apprentissage par rétropropagetion du gradient BPL ................................................. 52
Figure III. 9 : Modèle neuronale « RBF » .................................................................................. 55

Figure IV. 1 : Vue du modèle sous CST ............................................................................................ 61


Figure IV. 2: Impulsion gaussienne Transmise ................................................................................. 62
Figure IV. 3 : Vues de dessus et de côté d‟antenne bow-tie UWB .................................................... 63
Figure IV. 4 : Représentation des antennes dans le modèle............................................................... 63
Figure IV. 5 : Caractéristiques S11 et S21 d'une antenne en forme bow-tie ........................................ 64
Figure IV. 6 : Schéma synoptique de la phase de test du modèle par RNA ...................................... 65
Figure IV. 7 : (a) signal transmis, (b) signal reçu .............................................................................. 66
Figure IV. 8 : Trois signaux reçus dans le segment du temps (0,2 ns et 1,8 ns) ................................ 67

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -iii-
Liste des figures et tableaux C

Figure IV. 9 : Trois signaux reçus dans le segment du temps (1,8 ns et 3,62) .................................. 67
Figure IV. 10 : Modèle RNA ............................................................................................................. 69
Figure IV. 11 : Erreur relative des différentes topologies.................................................................. 73
Liste des tableaux
Tableau II. 1 : Propriétés diélectriques de sein féminin mesuré en ex vivo (2 – 3.2 GHz). .............. 28

Tableau IV. 1 : Dimensions des paramètres du modèle ..................................................................... 61


Tableau IV. 2 : Propriétés diélectriques des paramètres du modèle .................................................. 61
Tableau IV. 3 : Paramètres utilisés pour la topologie et l‟apprentissage ........................................... 70
Tableau IV. 4 : Position tumorale réelle et sortie du RNA ................................................................ 71
Tableau IV. 5 : Résultats de simulation des différentes topologies ................................................... 72

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -iv-
Table des Matières D

Table des Matières


Introduction générale …………………………...……………………………………………………2

Chapitre I : Technique d‟imagerie micro onde

I.1. Introduction.................................................................................................................................... 5
I.2. Imagerie Micro ondes .................................................................................................................... 6
I.3. Techniques d‟imagerie micro-ondes confocale ............................................................................. 8
I.3.1. Algorithmes de reconstruction ................................................................................................ 8
I.3.2. Technique adaptative Multistatique d'imagerie micro-ondes confocale ................................ 9
I.4. Technique d‟imagerie micro ondes tomographique .................................................................... 10
I.4.1. Imagerie micro ondes tomographique par diffraction .......................................................... 12
I.4.1.1. Algorithme spectrale en temps réel ................................................................................... 12
I.4.2. Imagerie micro ondes tomographique itérative .................................................................... 15
I.4.2.1. Problème direct .................................................................................................................. 15
I.4.3. Problème inverse .................................................................................................................. 16
I.4.3.1. Problème mal posé ............................................................................................................. 17
I.4.3.2. Régularisation .................................................................................................................... 18
I.4.4. Algorithmes d‟optimisation itérative ........................................................................................ 19
I.4.4.1. Algorithme de RANSAC ................................................................................................... 19
I.4.4.2. Algorithme de Gauss-Newton ........................................................................................... 19
I.4.4.3. Algorithme de Newton-Kantorovich ................................................................................. 19
I.4.4.4. Algorithme de Newton-Raphson ....................................................................................... 20
I.4.4.5. Algorithme de Gradient Conjugué..................................................................................... 20
I.4.4.6. Algorithme de Levenberg-Marquardt ................................................................................ 20
I.4.5. Méthode de réseaux de neurones .............................................................................................. 21
I.5. Paramètres électromagnétique du matériau ................................................................................. 21
I.5.1. Champ de polarisation et permittivité................................................................................... 21
I.5.2. Aimantation et perméabilité ................................................................................................. 23
I.5.3. Diélectrique imparfait ........................................................................................................... 23
I.6. Conclusion ................................................................................................................................... 24

Chapitre II: Résolution du problème inverse en imagerie micro onde

II.1. Introduction ................................................................................................................................ 26


II.2. Propriétés diélectriques des tissus humains................................................................................ 26

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -v-
Table des Matières D

II.2.1. Propriétés diélectriques des tissus mammaires ................................................................... 28


II.3. Description physique du problème de diffusion..................................................................... 29
II.3.1. Équation de propagation dans un milieu homogène ........................................................... 30
II.3.2. Équation de propagation dans un milieu inhomogène ........................................................ 30
II.3.3. Résolution du problème direct ............................................................................................ 33
II.3.4. Résolution du problème inverse .......................................................................................... 34
II.3.4.1. Algorithme Newton-Kantorovich..................................................................................... 34
II.4. Estimation du champ incident ................................................................................................ 38
II.5. Estimation initiale C0 ................................................................................................................. 40
II.6. Conclusion .................................................................................................................................. 42

Chapitre III: Techniques des réseaux de neurones

III.1. Introduction ........................................................................................................................... 44


III.2. Historique .............................................................................................................................. 44
III.2.1. Modèle biologique ............................................................................................................. 44
III.3. Modélisation.............................................................................................................................. 46
III.3.1. Le neurone formel .............................................................................................................. 46
III.3.1.1. Modèle de MC CULLOCH et PITTS ............................................................................. 46
III.3.1.2. Modélisation générale ..................................................................................................... 47
III.3.2. Phase d‟apprentissage ........................................................................................................ 49
III.3.3. Phase d‟utilisation .............................................................................................................. 50
III.4. Architecture des réseaux de neuronaux .................................................................................... 50
III.4.1. Réseaux à couches ............................................................................................................. 51
III.4.1.1. Réseau multi-couches à rétropropagation du gradient. ................................................... 51
III.4.1.2. Réseaux à couches RBF (Radial Basis Function) ........................................................... 54
III.4.2. Réseaux de Hopfied ........................................................................................................... 56
III.4.3. Réseaux de Kohonen .......................................................................................................... 57
III.5. Domaine d‟applications ............................................................................................................ 57
III.6. Conclusion ................................................................................................................................ 58

Chapitre IV: Résultat de simulation

IV.1. Introduction ............................................................................................................................... 60


IV.2. Modèle du sein utilisé pour la collection des données.............................................................. 60

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -vi-
Table des Matières D

IV.2.1. Modèle de sein ................................................................................................................... 60


IV.2.2. Choix de l‟antenne ............................................................................................................. 62
IV.3. Etapes de construction et de validation des réseaux de neurones ............................................. 64
IV.3.1. Construction du réseau de neurones ...................................................................................... 65
IV.3.2. Phase de pré-traitement des données ................................................................................. 65
IV.3.3. Dimensionnement du réseau .................................................................................................. 68
IV.3.4. Phase d‟apprentissage ............................................................................................................ 69
IV.4. Résultat de simulation et de test ............................................................................................... 70
IV.5. Etude comparative des différentes topologies de RNA ............................................................ 71
IV.6. Conclusion ................................................................................................................................ 74

Conclusion générale………………………………………………………………………………...76

Annexe………………………………………………………………………………………………79

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -vii-
Abstract E

Abstract
Research in the field of detection and localization of objects from electromagnetic fields
have grown considerably in recent decades, due to their various applications in many fields such as
medicine, biology, geophysics etc .... In this paper, we propose two methods (Quantitative and
Artificial Neural Networks) for the detection and localization of objects, especially the detection of
breast tumors using a system composed of several broadband antennas.
Quantitative microwave imaging consists in solve the problem of nonlinear inverse
scattering, where the complex permittivity of the object is reconstructed from the measured
scattered field produced by the object.The Newton-Kantorovich scheme is used in order to deal
with the nonlinearity and the ill-posed nature of this problem.
The neural network allows not only establishing important analytical relations for the
detection phase, but also flexibility, since there is no restriction on the number of system parameters
in input and output. Phase detection and localization of objects becomes possible through the
explicit relation given by the neural network.
For this it is possible to construct the neural network during the learning phase based on a
set of solutions obtained by simulation using the software "CST".
Simulation results show the validity of the approach in terms of accuracy.

Keywords: Microwave imaging System, Newton-Kantorovich UWB antenna, neural network


modeling, detection, location, tumor.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -viii-
Résumé F

Résumé

Durant les dernières décennies les recherches dans le domaine de la détection et la


localisation des objets à partir de champs électromagnétiques ont pris une ampleur considérable, en
raison de leurs diverses applications dans de nombreux domaines tels que la médecine, la biologie,
la géophysique etc… . Dans ce travail de magistère, nous proposons deux méthodes d‟imagerie
micro ondes à savoir la méthode quantitative et la méthode des réseaux de neurones artificiels RNA
pour la détection et la localisation d‟objets, en particulier la détection des tumeurs du cancer du sein
en utilisant un système composé de plusieurs antennes large bande UWB.
L‟imagerie micro ondes quantitative consiste à résoudre le problème non linéaire de
diffusion inverse, où la permittivité complexe de l'objet est reconstruite à partir du champ mesurée
dispersés, produit par l'objet. Le schéma Newton-Kantorovich est utilisé afin de faire face à la non-
linéarité et le caractère mal posé du problème.
La deuxième méthode basée sur les réseaux de neurones permet non seulement d‟établir des
relations analytiques importantes pour la phase de détection, mais aussi une grande flexibilité,
puisqu‟il n‟y a aucune restriction quant au nombre de paramètres du système en entrée et en sortie.
La phase de détection et de localisation des objets devient alors possible grâce à la relation explicite
donnée par le réseau de neurones. Pour cela, il est possible de construire le réseau de neurones
durant la phase d‟apprentissage en se basant sur un ensemble de solutions obtenues par simulation
en utilisant le logiciel « CST ».
Les résultats de simulation montrent le bien fondé de l‟approche utilisée du point de vue
précision.

Mots clés : Système d‟imagerie micro-onde, méthode quantitative, problème inverse, Newton-
Kantorovich, antenne UWB Réseau de neurones, Modélisation, Détection, Localisation,tumeur.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -ix-
I
ntroduction G énérale
Introduction générale D

Les problèmes d‟imagerie prennent leurs origines dans des applications pratiques
d‟importance économique, industrielle, et sociale significative. Différentes approches ont été
proposées afin d‟exploiter l‟énergie micro-ondes dans un contexte d‟imagerie. On les divise
usuellement en trois grandes familles : l‟imagerie passive, les méthodes hybrides et l‟imagerie
active.

Dans notre travail, on s‟intéresse à l‟implémentation d‟algorithmes de détection et de


localisation d‟objets par imagerie micro ondes, en vue d‟intégration de ces outils dans un système
d‟imagerie Ultra Large Bande (ULB). Le choix de ces algorithmes doit être fait d‟une manière
judicieuse en tenant compte de la précision (meilleure détection de la position des objets).

Nous présentons dans ce mémoire de Magistère une technique planaire micro-ondes


permettant de produire des images quantitatives de contraste élevé et d‟objets inhomogènes. Cette
méthode a été développée par « Tommy Henriksson » et al. [1], et dans le cas de la détection de
cancer de sein. Cette étude nous a permis de développer un outil de simulation qui sera utilisé dans
les futurs travaux de recherche au niveau du laboratoire LTT.

Nous avons aussi introduit dans notre étude une nouvelle variante d‟algorithmes de
détection et de localisation des objets telle que les réseaux de neurones artificiels, qui représente
une alternative intéressante dans ce domaine d‟application. Le réseau de neurones permet non
seulement d‟établir des relations analytiques importantes pour la phase d‟optimisation, mais aussi
une grande flexibilité, puisqu‟il n‟y a aucune restriction quant au nombre de paramètres du système
en entrée et en sortie. La phase de détection et de localisation des objets devient alors possible grâce
à la relation explicite donnée par le réseau de neurones. Pour cela, il est possible de construire le
réseau de neurones durant la phase d‟apprentissage en se basant sur un ensemble de solutions
obtenues par simulation en utilisant le logiciel CST Studio .

Cette thèse est structurée en quatre chapitres.

Dans le premier chapitre, on présentera la technique d‟imagerie micro ondes confocal ou


radar et leur différentes approches à savoir mono, bi et multi-statiques, ainsi que les algorithmes de
reconstruction et les méthodes d‟imagerie micro ondes tomographique. Nous présenterons par la
suite une méthode linéaire utilisant l‟approximation de Ben ou de Rytov pour la reconstruction des
quasis image en temps réel, et non linéaire faisant appel a des méthodes numériques dans le but de

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -2-
Introduction générale D

résoudre le problème direct, ainsi que des algorithmes d‟optimisation locale ou globale pour la
résolution du problème inverse.

Le second chapitre est consacré à l‟étude du problème 2D scalaire de diffusion, envisagé


dans le cadre de l‟interaction entre une onde incidente micro ondes et un objet. Cette étude nous a
permis d‟aborder le problème de résolution du problème inverse en imagerie micro-ondes
tomographique. Nous présentons aussi dans ce chapitre les propriétés diélectrique des tissus
humains et en particulier les tissus mammaires.

Le chapitre 3 sera consacré à une présentation des différentes architectures neuronales, les
plus couramment rencontrées, et aux méthodes d‟apprentissage afin de mettre en évidence à la fois
leurs applications potentielles et possibilités de fonctions multiples.

Le quatrième chapitre s‟intéresse à l‟application des réseaux de neurones dans la détection et


localisation des objets, en particulier la détection des tumeurs du cancer du sein. Des études
comparatives des différentes topologies des réseaux multicouches seront faites en fin du chapitre.

Nous achèverons notre manuscrit par une conclusion générale sur la détection d‟objets par
imagerie micro-ondes, ainsi que sur les perspectives prometteuses existantes dans ce domaine de
recherche.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -3-
C hapitre I

T echniques D’imagerie Micro onde


Chapitre : Techniques d’imagerie micro onde I

I.1. Introduction

L‟imagerie micro-ondes, comme l‟imagerie optique, obtient des images en mesurant


l'influence de l‟onde appliquée sur un objet. Selon le type d‟ondes utilisé pour la reconstruction
d‟image, on à deux sorte d‟images : l‟image optique et l‟image micro ondes. En utilisant les ondes
optiques, la densité d‟onde est imagée, alors que dans le cas des micro-ondes les propriétés
diélectriques sont imagés.

Dans le cas d‟imagerie optique, la longueur d'onde est très petite par rapport à la taille de
l'objet, une hypothèse linéaire de propagation est valide. Mais, une onde électromagnétique dans le
spectre micro-ondes, a une longueur d'onde dans la même gamme que la taille de l'objet. Ainsi, les
effets de diffraction ne peuvent pas être négligés, comme le montre la figure (I. 1). Par exemple,
pour produire une image tomographique d‟un objet, un problème de diffusion inverse doit être
résolu, où les propriétés diélectriques de l'objet sont déduites à partir du champ mesuré, dispersé ou
rayonné par l'objet, avec un champ incident connu, comme le montre la figure (I. 1). En raison de
multi-trajets, une relation non linéaire est établie entre le champ diffusé et les propriétés
diélectriques de l'objet [1].

Figure I. 1 : Effet de multi-trajets de diffusion dans l’imagerie micro ondes

L‟imagerie micro-ondes consiste à reconstruire des objets inconnus à partir des mesures du
champ dispersé ou réfléchi qui résultent de leur interaction avec une onde incidente connue. Les
deux approches d‟imagerie micro ondes utilisées sont : la technique convocale ou radar et la

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -5-
Chapitre : Techniques d’imagerie micro onde I

tomographique micro-ondes ; pour la première technique les signaux réfléchis sont mesurés et pour
la deuxième méthode c‟est le cas de la tomographique micro-ondes où les signaux diffusés qui sont
mesurés.

Dans les systèmes de détection ou de localisation a base d‟image micro onde, on distingue
généralement quatre catégories :

 les systèmes dimension zéro (0-D), ce sont des systèmes qui ne font qu‟informer de la
présence d‟objets ou d‟individus et ne donnent ni le nombre ni la position ;
 les systèmes dimension un (1-D), ce sont des systèmes qui en plus différencient les
objets ou les individus les plus proches des plus éloignés ;
 les systèmes dimension deux (2-D), ce sont des systèmes qui identifient la position des
objets ou des individus et également leur nombre ;
 les systèmes dimension trois (3-D), ce sont des systèmes qui identifient la position des
objets ou des individus et qui en plus informent sur leur hauteur.
Dans ce chapitre, on présentera la technique d‟imagerie micro ondes confocal ou radar et leur
différentes approches à savoir mono, bi et multi-statiques, ainsi que les algorithmes de
reconstruction et les méthodes d‟imagerie micro ondes tomographique. Nous présenterons par la
suite une méthode linéaire utilisant l‟approximation de Ben ou de Rytov pour la reconstruction des
quasis image en temps réel, et non linéaire faisant appel a des méthodes numériques dans le but de
résoudre le problème direct, ainsi que des algorithmes d‟optimisation locale ou globale pour le la
résolution du problème inverse.

I.2. Imagerie Micro ondes

[2] - [3] – [4]


Depuis les premières propositions de systèmes d'imagerie par micro-ondes ,
l'imagerie micro-ondes a été considérée comme ayant un fort potentiel pour différentes applications.
Récemment, l'imagerie micro-ondes a reçu un intérêt considérable par rapport à d'autres techniques
d'imagerie. Un grand nombre d'études s'appuyer sur micro onde comme un outil puissant
électromagnétiques pour récupérer les propriétés physiques et électriques des objets pénétrables et
impénétrables.

Les systèmes d'imagerie micro-ondes sont généralement des systèmes actifs, qui signifient
que le signal d‟éclairage est généré par le système de mesure. Les systèmes passifs ne sont pas
largement utilisés car il n‟y a qu‟un faible rayonnement dans la gamme de fréquence micro ondes
de la plupart des objets.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -6-
Chapitre : Techniques d’imagerie micro onde I

Les fréquences utilisées dans l'imagerie micro-ondes actives sont comprises entre moins de
1 GHz à 40 GHz, On sait que les basses fréquences réduit l‟effet du problème de la non-linéarité et
la stabilisation de l'algorithme, tandis que les hautes fréquences augmente la résolution de l‟image.
La plupart des applications fonctionnent dans la gamme de 2 GHz à 8 GHz. Cette gamme est
prévue pour donner un bon compromis entre la résolution spatiale (des fréquences plus élevées) et
la pénétration (basses fréquences) [1].

L'objectif de l'imagerie micro-ondes est la reconstruction d'un objet ou plus précisément,


déduire les paramètres physiques d‟un objet à partir de mesure des champs électromagnétiques
dispersés ou réfléchi qui se produit lorsque l‟objet est éclairé par une incidence micro ondes connue.
Un système typique de l'imagerie active à micro-ondes est représenté sur la figure (I. 2). L'émetteur
génère un signal micro-ondes (la génération du champ d‟éclairage) qui sera diffusé par l‟objet, le
champ diffracté ou réfléchie est mesuré par les récepteurs.

Figure I. 2 : Système actif d'imagerie micro-ondes

Parmi les méthodes actives d'imagerie micro-ondes existantes dans la littérature, On peut
distinguer deux types de méthodes : la tomographie à micro-ondes et les techniques radars UWB,
qui cherchent à exploiter le contraste diélectrique. La reconstruction de l'image tomographique vise
principalement à récupérer les propriétés diélectriques ou voir le profil d‟objet à partir des signaux
micro-ondes diffusés, en résolvant un problème non linéaire de diffusion inverse [5] – [6] – [7].

D'autre part, les techniques radars à ultra large bande (UWB) ne tentent pas de reconstruire
le profil complet diélectrique, au contraire elles cherchent à localiser et de détecter les objets par
leurs signaux rétrodiffusés. Les approches radar sont abordées par une étude récente publiée par
Hagness[8] – [9] – [10].

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -7-
Chapitre : Techniques d’imagerie micro onde I

I.3. Techniques d’imagerie micro-ondes confocale

L'approche générale dans de tels systèmes est de concentrer un signal micro-ondes


d'éclairage à un point particulier dans le volume d‟analyse, puis de recentrer le signal réfléchie vers
le point d'éclairage. En balayant systématiquement le point focal dans un ensemble de voxels (un
pixel en 3D) présélectionnés dans tout le volume d‟objet, une image 3D peut être construite.

Selon la façon dont les données sont acquises, il existe trois approches d‟imagerie micro-
[11] [12] [13]
ondes confocale (CMI) qui sont : les mono-statiques , bi-statiques et multi-statiques . Dans
l'approche mono-statique, l'émetteur est utilisé comme un récepteur et se déplace pour former une
synthèse d'ouverture. Pour l'approche bi-statique, une antenne de transmission et une autre de
réception sont utilisées. Pour multistatique CMI, une large ouverture réelle (figure I. 3) est utilisée
pour la collecte des données. Chaque antenne dans le tableau se relaye pour transmettre une
impulsion de sondage, et toutes les antennes (dans certains cas, tous sauf l'antenne de transmission)
sont utilisées pour recevoir les signaux rétrodiffusés. La Multistatique CMI peut être considérée
comme un cas particulier de la large bande multi-entrées multi-sorties (MIMO) radar [14] – [15] avec les
multiples formes d'ondes transmises étant soit des impulsions UWB ou des zéros.

Figure I. 3 : Configuration de réseau d'antennes.

I.3.1. Algorithmes de reconstruction

Le défi à l'imagerie CMI est de concevoir des algorithmes de traitement du signal pour
améliorer la résolution et de supprimer les fortes interférences. Les Algorithmes de traitement du

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -8-
Chapitre : Techniques d’imagerie micro onde I

signal peuvent être classés en deux méthodes des données dépendantes (données-adaptatives) et des
données indépendantes.

Pour les mono et bi-statique à ultralarge bande CMI, les algorithmes de formation d‟image
[11] - [13] [16]
sont DAS (Delay-And-Sum) et le MIST (Microwave Imaging Space-Time) , deux
algorithmes de la méthode des données indépendantes. Par contre la méthode des données
adaptatives utilise le RCB [12]
(Robust Capon Beamforming) et l‟APES (Amplitude and Phase
[12]
EStimation) algorithmes pour la formation des images. Les méthodes d'adaptation des données
en général sont plus performantes que leurs homologues de données indépendantes. Pour le cas
multistatique ultra-large bande CMI, les méthodes DAS [13] et RCB-adaptative [17] ont été envisagées.

Il est bien connu que l'imagerie radar UWB classique ne parvient pas à atteindre la
résolution désirée due à la limitation d'ouverture d'antennes [18]. Cette limitation peut être surmontée
en utilisant la technique de retournement temporel, car elle offre une meilleure résolution focale [18] –
[19]
en augmentant l'ouverture d'antenne virtuellement. La méthode de retournement temporel a été
largement utilisé dans de nombreuses applications qui utilisent la propriété de recentrage pour
détecter et localiser une cible au moyen de la simulation numérique ou virtuelle imagerie [18].

I.3.2. Technique adaptative Multistatique d'imagerie micro-ondes confocale

La technique adaptative Multistatique d'imagerie micro-ondes (MAMI) est une méthode


qui permet de former des images à travers l‟énergie rétrodiffusée captée par un réseau d‟antennes.
Une étude comparative entre les différentes techniques montre que la méthode MAMI a une
résolution meilleure et une grande capacité de rejeter les interférences et les bruits que les autres
méthodes [20].

Pour un endroit d'intérêt (ou point focal), les données complètes multistatique enregistrées
peuvent être représentées par un cube, comme le montre la figure (I. 4). MAMI emploie les données
adaptatives d‟algorithme RCB [21] en deux stades. Au premier, MAMI-1 coupes le cube des données
correspondant à chaque indice de temps, et traite la tranche des données par le formateur de
faisceau robuste Capon (RCB) [21] – [22] ; pour obtenir des estimations de forme d'onde rétrodiffusées à
chaque instant. Selon ces estimations, à l'étape II une forme scalaire d‟onde est récupérée au moyen
du même l‟algorithme, l'énergie est utilisée comme une estimation de l'énergie rétrodiffusée du
point focal.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -9-
Chapitre : Techniques d’imagerie micro onde I

Figure I. 4 : Multistatique CMI « modèle cube des données ».

Une autre façon de découper le cube des données dans le stade I avant d'appliquer
l‟algorithme RCB est de sélectionner une tranche correspondante à chaque indice d‟antenne
d'émission figure (I. 4). L'approche ainsi obtenue est dénommée MAMI-2.

« Jian Li et Petre Stoica » [23] montrent que MAMI-2 tend à produire de meilleures images que
MAMI-1pour un fort rapport signal d‟entrée sur interférence et bruit (SINR), mais des mauvaises
images pour un faible (SINR), et ils montrent aussi que la combinaison de MAMI-1 et MAMI-2
donne de bonnes performances dans tous les cas de SINR.

I.4. Technique d’imagerie micro ondes tomographique

Le contraste entre les propriétés diélectriques de l'objet crée la diffusion multiple de l'onde
dans l'objet, cela pose un problème non linéaire de diffusion inverse. Les méthodes tomographiques
sont basées sur la résolution de ce problème, et ils sont divisés en deux groupes différents.
Premièrement, la tomographie par diffraction, une approche linéaire, qui utilise l‟approximation de
Born ou Rytov, est une méthode de calcul très efficace pour obtenir des quasis imageries en temps
[24] – [25] – [26]
réel , et dans les situations des objets à faibles pertes et à faible contraste. Dans les
situations des objets à contraste élevé, des méthodes non linéaires sont nécessaires.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -10-
Chapitre : Techniques d’imagerie micro onde I

Le deuxième groupe, est une approche non linéaire déterministe introduite par
« Joachimowicz » et « Chew » dans le début des années 90 [6] – [27]. De plus, « Caorsi » a contribué très
tôt dans ce domaine [28]. La méthode est basée sur une optimisation itérative d'une fonction d'objet
pour résoudre le problème inverse d‟imagerie micro ondes. En raison de la non-linéarité du
problème de diffusion inverse Eq (I.1), un algorithme de reconstruction itératif dans lequel une
fonction de coût est réduite au minimum est nécessaire. Le champ diffusé dépend de deux types
d'inconnues, la permittivité complexe et la totalité du champ à l‟intérieur de l'objet, qui sont liés par
une contrainte de domaine d‟intégration de l'équation. En ce qui concerne ces inconnues, la plupart
des méthodes de reconstruction peut être divisées en deux catégories.

   G r, r  C r  e r  dr


eS r  ' ' ' '
(I. 1)
S

Où G est la fonction de Green.

Avec  
C r  k 2 r  k12 (I. 2)

où k1 et k r  sont les constantes de propagation dans un milieu homogène et inhomogène


respectivement.

Dans la première approche (cas classique), l'inconnu (champ total) est éliminé du problème
ce qu‟on l‟appel "le Problème directe ", de telle sorte que la fonction de coût Eq (I.1) ne dépend que
[29]
de la permittivité complexe . Les algorithmes de calcul sont très lourds, par conséquence
l‟imagerie en deux dimensions (2D) est généralement utilisée. Dans la seconde approche
(modification du gradient), la contrainte domaine d‟intégration de l'équation est ajoutée comme un
second terme à la fonction de coût, qui est ensuite réduite au minimum pour les deux types
d'inconnues en utilisant un schéma d'optimisation du gradient conjugué [30] - [31].

Récemment, pour éviter les minima locaux, des systèmes alternatifs de l'optimisation ont été
rapportés, tel que l‟inversion de régularisation multiplicative de contraste source (Multiplicative
Regularization Contrast Source Inversion), ce qui donne un calcul efficace en particulier pour les
solutions de situation 3D introduite par « Abubakar » [32] – [33]
, on trouve aussi les méthodes
d'optimisation globale qui utilise les réseaux de neurones et les algorithmes génétiques présentées
par « Caorsi » [34] – [35] – [36]. Ces méthodes évitent les minima locaux, toutefois par un ralentissement de
la convergence et un temps de calcul plus élevé.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -11-
Chapitre : Techniques d’imagerie micro onde I

Il est connu que les basses fréquences réduisent l'influence de la non linéarité de phase et
stabilisation de l'algorithme, alors que les fréquences les plus élevées augmentent la résolution, une
combinaison va probablement améliorer la reconstruction. Cependant, inclure la dépendance de
fréquence de la permittivité dans l‟algorithme de reconstruction est une tache difficile, selon les
études de « Q. Fang, P. M. Meaney » et « K. D. Paulsen » dans [37]
. Les Futurs efforts de recherche
sont vraisemblablement orientés dans cette direction.

I.4.1. Imagerie micro ondes tomographique par diffraction


La tomographie par diffraction a été la première tentative de créer des images quantitatives
utilisant les micro-ondes. La méthode tente de reconstituer les courants induits, J, qui génèrent le
champ mesuré dispersé, en se rapprochant le champ l‟intérieur de l'objet au champ incident. Cette
approximation est appelée l'approximation de Born [24] :

avec   
J r Cr e r (I. 3)

Où   
e r  ei r  es r est le champ total dans l‟objet (I. 4)

I.4.1.1. Algorithme spectrale en temps réel

Dans cette section, le concept de l'algorithme de tomographie par diffraction spectrale


utilisée pour l'imagerie qualitative en temps réel est présenté [2].

Figure I. 5 : Géométrie utilisée dans l'algorithme spectral

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -12-
Chapitre : Techniques d’imagerie micro onde I

Où la distribution normalisée du courant induit le long d'une coupe verticale de l'objet provient du
champ diffusé mesuré à la rétine.

Ce concept est basé sur un modèle scalaire 3D, qui permet de reconstituer les courants
induits dans une coupe verticale de l'objet, à partir du champ diffusé mesuré le long de tout le plan
de la rétine, comme le montre la figure (I. 5).

Soit le courant induit normalisé J norm x, y,z  définit comme suit :

Jx, y,z 
J norm x, y,z   (I. 5)
E i x, y,z 

Sachons que le champ incident est une onde plane qui se propage suivant la direction `x` et
est donné par :

E i x, y,z   e jk1x (I. 6)

A partir de l'équation (I. 1) étendu au cas scalaire 3D, le champ diffusé au niveau de la rétine
plan, située à une distance, d, de l'origine est donné par:

E s y, z    e
v
j k1 x '
   
J norm x ' , y ' , z ' G d, y, z; x ' , y ' , z ' dx ' dy ' dz ' (I. 7)

L'approximation de Born n‟est valable que lorsque Jnorm est équivalent au contraste
diélectrique (I. 2), et donc une relation linéaire entre le champ dispersé mesuré et le contraste est
obtenue.

En introduisant la relation (II. 3) dans (II. 4) et on appliquant l‟approximation de Born, J norm


devient :

J norm x, y,z  


       Cr 
C r Ei r  Es r
E r i

Faisons donc définir la transformée de Fourier 2D inverse pour mesurer le champ dispersé à
la rétine, Es (y, z):

^
E s y, z     E k s y, kz e 2 j πk y  k z dk y dk z
y z
(I. 8)


Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -13-
Chapitre : Techniques d’imagerie micro onde I

La fonction 3D de Green peut être exprimée comme une transformée de Fourier 2D à l'aide
la décomposition en onde plane:

jγ d  x '

G d, y, z, ; x , y , z  j
' ' '
  


e

e
   
2jπ k y y  y'  k z z z ' 
dk y dk z (I. 9)

Avec γ  k12  4π 2 k 2y  k 2z   et γ  0

Introduisant l'équation (II. 9) dans l'équation (II. 7) :

E s y,z  


j jγ d

e  
J norm x ' , y ' , z ' e      
j k1  γ  x '  2π k y y  y'  k z z z ' 
dx ' dy ' dz ' dk y dk z (I. 10)
v

L'identification avec l'équation (II. 8) conduit à:

 
^ j jγ d ^
Es  e J norm k x , k y , k z (I. 11)

γ  k1
Où k x 

Ainsi, la distribution de courant induit est obtenue à n'importe quel section transversale de
l'objet, à partir du champ diffusé mesuré à la rétine par une transformée de Fourier inverse:

  1 
   jγ d 
 
^
J norm x ' , y ' , z '  F3D   2j E s k y , k z  k 1  4π k y  k z  e
2 2 2 2
 (I. 12)
 

Cette expression est valable, tant que les ondes de multiplication sont considérées comme
γ  0 par exemple le milieu de couplage doit être considéré comme sans perte, k1  k1' avec


k1''  0 et k12  4 2 k 2y  k z2 . 
L'approximation de Born, qui permet de déterminer le contraste de l'objet de la distribution
normalisée du courant induit, a échoué pour des milieux très contrastées hétérogènes. Par
conséquent, seules des images qualitatives à faible résolution peuvent être obtenues. Toutefois, il a
été prouvé dans plusieurs études que ces images en temps réel donnent des informations
intéressantes, du moins pour la détection des anomalies dans le système d'imagerie.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -14-
Chapitre : Techniques d’imagerie micro onde I

I.4.2. Imagerie micro ondes tomographique itérative


Dans cette approche le problème non linéaire de diffusion inverse résolut en deux parties,
problème direct et problème inverse. La méthode est basée sur un processus itératif d'optimisation
d'une fonction de coût Eq (I. 1), ce qui représente la différence entre le champ dispersé mesuré et
simulé.

I.4.2.1. Problème direct

Le Problème direct dans notre domaine de recherche correspond au calcul du champ


électrique Edisp(r) qui est dispersé à partir d‟une distribution connue de permittivité complexe ε (r)
dans un domaine d'investigation „D‟ quand un champ incident connu Einc(r) empiète dans ce
domaine figure (I. 6).

Figure I. 6 : La configuration 3D dispersion.

On peut supposer que le problème direct peut toujours être résolu en utilisant des méthodes
numériques comme la méthode des Moments [6] – [28], la méthode des éléments finis (FEM) en hybride
avec les éléments de frontière (BE) [38], ou dans certains cas les méthodes des différences finies
(FDM)[39]. L'avancement des machines de calculs et le développement des algorithmes avancés
FDTD (Finite Difference Time Domain) permettre de donner une solution exacte du problème
direct dans un schéma itératif . C‟est pour quoi l‟utilisation des modèles simplistes pour la
[40] – [41]

solution du problème direct peut être évitée.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -15-
Chapitre : Techniques d’imagerie micro onde I

I.4.3. Problème inverse

Le problème de diffusion inverse consiste à récupérer la distribution de la permittivité


complexe d'un objet, à partir d'un champ électromagnétique incident connu et le champ diffusé
mesuré autour de l'objet. En général multi-vues est nécessaire, afin de recueillir suffisamment de
données indépendantes. En outre, la répartition des points de réception, par exemple le long d'une
ligne ou un cercle figure (I. 7), a un impact sur la reconstruction d'image. Toutefois, plusieurs
études de comparaison [42] - [43]
entre différentes configurations d‟antennes de réception; montrent
qu‟une configuration circulaire a généralement plus d‟avantage qu‟une configuration plane, car des
informations plus importantes peuvent être perçues.

Figure I. 7 : Trois différentes configurations multi-vues. (a) caméra planaire. (b) Scanner demi-circulaire (HCS)
(c) Scanner circulaire (FCS).

Le champ diffusé est une fonction non-linéaire de la permittivité. En conséquence, le


[5] – [6]
problème de diffusion inverse est résolu de manière itérative . Il est formulé comme un
problème d'optimisation dans lequel les variables d'optimisations sont les valeurs de la permittivité
complexe ε(r) figure (I. 8).

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -16-
Chapitre : Techniques d’imagerie micro onde I

Figure I. 8 : Reconstruction d’une image micro ondes

I.4.3.1. Problème mal posé

Dans cette section, nous allons donner un bref aperçu de notions importantes de problème
inverse mal posé en utilisant, comme exemple, une équation linéaire :

Am=b (I. 13)

Avec un opérateur linéaire borné A : H→K qui carte à partir d‟Espace de Hilbert H à un
espace de Hilbert K. Nous pouvons définir le problème direct correspondant à trouver `b` supposant
que `m` connu, alors que le problème inverse correspondant de trouver `m` connaissant `b`, qui
satisfait Eq (I. 13). Le problème du calcul de `m` est directement lié aux propriétés des opérateurs
`A` et, si il existe le `A-1`.

Nous disons que le problème inverse est bien posé ou correctement posé si les trois
conditions suivantes sont remplies:

 La solution exacte existe ;


 Il n'y a pas plus d'une solution ;
 La solution dépend de manière continue des données.
Ces trois conditions signifient que `b` est de l'ordre de `A`, que `A` est injectif, `A-1` existe
et il est continue dans les espaces donnés. Habituellement, les problèmes inverses typiques
rencontrés dans l'imagerie micro ondes ne répondent pas à ces trois exigences, ce qui signifie que le
problème inverse d‟imagerie micro ondes est mal posé.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -17-
Chapitre : Techniques d’imagerie micro onde I

I.4.3.2. Régularisation

Pour résoudre le problème inverse qui est mal posé, nous avons besoin à régulariser le
problème. En effet, la régularisation est un moyen qui permet de remplacer le problème inverse mal
posé, par une famille de proximité de problèmes bien posés, ce qui est souvent caractérisé par un ou
plusieurs paramètres de régularisation.

Les méthodes de régularisation visent à amortir ou à éliminer les parties de la solution qui
correspond à de valeurs singulières très petites. Si un algorithme itératif est utilisé pour résoudre un
problème inverse mal posé, puis l'arrêt précoce de la méthode itérative peut être interprété comme
une forme de régularisation. Chaque méthode de régularisation emploie un paramètre spécial connu
sous le nom du paramètre de régularisation, pour contrôler l'effet du bruit sur la solution. La nature
du paramètre de régularisation est différente pour chaque méthode. Une forme de régularisation très
populaire est présentée en [44] (méthode de Tikhonov).

La méthode de Tikhonov est la méthode de régularisation la plus utilisée pour la résolution


des problèmes qui ne sont pas bien posés ainsi que pour les problèmes inverses. Elle a été imaginée
par le mathématicien russe « Andreï Nikolaïevitch Tikhonov ». Elle consiste à réduire le nombre de
condition de la matrice à inverser en augmentant le poids de ses éléments diagonaux, par
l'introduction d‟un paramètre de régularisation [45] – [46]
. En conséquence, une grande valeur de ce
paramètre stabilise la procédure d'inversion et diminué la résolution spatiale. En revanche, une
faible valeur du facteur de régularisation peut affecter la stabilité et la convergence du processus
itératif [47] – [48].

Deux stratégies ont été étudiées pour choisir le paramètre de régularisation: une méthode
empirique, qui est détaillée dans [49] et la méthode GCVT (Generalized cross-validation) qui est une
version pondérée de la méthode ordinaire CV (cross-validation) [50].

En dehors des algorithmes de première génération, qui étaient adapté pour des
[51] – [52] – [53]
environnements à faible contrastes et sans bruit . Ces algorithmes fournissent des
reconstructions approximatives de la distribution de permittivités complexe. Récemment des
algorithmes itératifs robustes pour la reconstruction de la permittivité complexe des objets très
contrastés sont utilisés.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -18-
Chapitre : Techniques d’imagerie micro onde I

I.4.4. Algorithmes d’optimisation

I.4.4.1. Algorithme de RANSAC

RANSAC est une abréviation pour "RANdom SAmple Consensus". Il s'agit d'un Algorithme
itérative pour estimer les paramètres d'un modèle mathématique à partir d'un ensemble de données
observées qui contient des valeurs aberrantes ("outliers"). L'algorithme a été publié pour la première
fois par « Fischler » et « Bolles » en 1981[54], il est peut-être l'estimateur robuste le plus utilisé dans le
domaine de la vision par ordinateur. Quelques alternatives intéressantes ont été proposées pour
[55] [56]
simplifier le réglage des paramètres: Le MSAC et MLESAC , MINPRAN . La forte limitation
de l'algorithme RANSAC est qu'il ne permet que la reconnaissance d'un objet unique. Plusieurs
approches ont été proposées pour permettre la détection de plusieurs groupes avec RANSAC. Ceux-
[57] - [58]
ci peuvent être classés comme suit : une première stratégie est de détecter tous les groupes
[59]
simultanément. Une seconde stratégie est de détecter des groupes de façon séquentielle par
itération en cours d'exécution RANSAC.

I.4.4.2. Algorithme de Gauss-Newton

L'algorithme de Gauss-Newton est une méthode de résolution des problèmes moindres


carrés, elle est totalement spécifique à la minimisation d'une somme de fonctions au carré et
présente un grand avantage de ne pas nécessiter les dérivées secondes, parfois complexes à calculer.
L‟application de l‟algorithme de (GN) pour résoudre le problème non linéaire d‟imagerie micro
ondes a été introduite par l‟université privé des États-Unis « Dartmouth College » [60]
avec
régularisation de Tikhonov ce qu‟ils‟ ont appelé par la technique de reconstruction (GN-T). Dans [5]
– [61]
l‟algorithme de (GN) est considéré comme étant une technique de régularisation.

I.4.4.3. Algorithme de Newton-Kantorovich

Newton-Kantorovich est l‟un des premiers algorithmes qui été utilisé pour résoudre le
problème non linéaire de diffusion inverse d‟imagerie micro ondes et qui vise à minimiser l'erreur
itérative entre le champ mesuré diffusé par la cible et le champ diffracté calculé à partir d'un modèle
numérique [62] -[63]. Cette technique a donné un bon résultat inattendu dans le traitement des données
expérimentales [64]. L'algorithme de Newton-Kantorovich généralisé au problème 3D, développé par
« Joachimowicz », peut-être considéré comme point de départ pour l'imagerie micro ondes 3D
quantitative [6] – [65].

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -19-
Chapitre : Techniques d’imagerie micro onde I

I.4.4.4. Algorithme de Newton-Raphson

En analyse numérique, la méthode de newton –Raphson est un algorithme efficace pour


trouver des approximations d'un zéro (ou racine) d'une fonction d'une variable réelle. Dans la
littérature de nombreux algorithmes itératifs ont été publiés pour résoudre le problème inverse.
Parmi les Algorithmes on a la méthode Newton-Raphson qui été introduite dans le problème
d‟imagerie micro ondes par « T. J. Yorkey » [66]. Puis des variantes de la méthode Newton – Raphson
ont été étudiées par « K. Boone » et « M. Marsili » . Actuellement l‟algorithme de Newton –
[67] – [68]

Raphson est l‟un des algorithmes itératif robuste [69] - [70]


pour résoudre le problème inverse
d‟imagerie micro ondes.

I.4.4.5. Algorithme de Gradient Conjugué

En analyse numérique, la méthode du gradient conjugué est un algorithme qui permet de


résoudre des systèmes d'équations linéaires dont la matrice est définie positive (et par conséquent
symétrique). Cette méthode, imaginée en 1950 simultanément par « Cornelius Lanczos » et
« Magnus Hestenes », est une méthode itérative à grand intérêt pratique du point de vue du temps de
calcul. Dans le domaine des images micro ondes l‟algorithme du gradient conjugué été introduit par
« R. E. Kleinman » et « P. M. van den Berg » pour minimiser itérativement la fonction cout [71]
, la
contrainte domaine d‟intégrale l'équation est ajoutée comme un second terme à la fonction coût, qui
est ensuite optimisée pour les deux types d'inconnues de manière indépendante, en utilisant un
schéma d'optimisation du gradient conjugué [72] – [73]. Le principal avantage de cette approche est que
les solutions de problème direct ne sont pas nécessaires, mais le nombre de variables à optimiser et
le nombre d‟itérations est généralement beaucoup plus grand que l'approche conventionnelle.

I.4.4.6. Algorithme de Levenberg-Marquardt

L‟algorithme de Levenberg-Marquardt, ou algorithme L.M, permet d'obtenir une solution


numérique au problème de minimisation d'une fonction, souvent non-linéaire et dépendant de
plusieurs variables. Plus stable que celui de Gauss-Newton, il trouve une solution même s'il
démarre très loin d'un minimum. Cependant, pour certaines fonctions très régulières, il peut
[74]
converger légèrement moins vite. L'algorithme fut découvert par Kenneth Levenberg . Quelques
travaux récents [75] – [76]
utilisent cet algorithme pour résoudre le problème inverse de l‟imagerie
micro ondes, Par ailleurs dans [77] – [78] il est introduit comme une technique de régularisation.

Les critères déduits de formulations non-linéaires, comme c‟est le cas ici, sont susceptibles
d‟être multimodaux (possédant des minima locaux). Les méthodes de minimisation itérative

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -20-
Chapitre : Techniques d’imagerie micro onde I

n‟assurent pas que la solution obtenue correspond bien à un minimum global, l‟utilisation de ces
méthodes en imagerie micro ondes tomographique peut donc paraître risquée. Néanmoins,
l‟expérience montre que, pour un bon nombre de cas réalistes, les méthodes itératives convergent
vers des solutions acceptables. C‟est ce qui explique leur grande popularité dans le domaine. Pour
cette raison plusieurs études utilisent les méthodes d'inversion globale où une convergence vers un
[79] – [80]
minimum global est garantie. Les algorithmes génétiques , fonctionnent sur une population
générée de façon aléatoire dans l'espace de recherche et effectue simultanément une optimisation
globale par les trois opérations génétiques. Bien que robustes du point de vue de la solution
obtenue, ces méthodes nécessitent un temps de calcul qui augmente très rapidement avec le nombre
d‟inconnues à estimer.

I.4.5. Méthode de réseaux de neurones

La méthode des réseaux de neurones à été introduite très récemment dans le système de
détection et de localisation d‟objets par imagerie micro ondes. Des antennes ultra large bande
[81] – [82]
directionnelle ont été utilisées pour transmettre et recevoir les signaux . Des résultats très
intéressants ont été obtenus par cette méthode.

I.5. Paramètres électromagnétique du matériau

Lorsqu'on utilise les micro-ondes pour la formation d‟'imagerie, la distribution des


paramètres électromagnétique de l‟objet est utilisée pour la formation d‟image. Il s‟agit de la
permittivité, la perméabilité et la conductivité.

I.5.1. Champ de polarisation et permittivité

Lorsqu‟on applique un champ électrique E à un objet, les dipôles permanents qu‟il contient
s‟alignent dans la direction du champ appliqué. D‟autre part les charges liées positives et négatives
des molécules neutres se déplacent légèrement et en sens opposé le long du champ appliqué, par
suite des forces électriques provoquées : le champ appliqué fait apparaître dés lors des dipôles
induits. Tous ces dipôles sont caractérisés par un moment électrique dipolaire, dont l‟amplitude est
le produit de la charge par la distance séparant les charges. Le champ de polarisation P est défini
comme étant la densité volumique des moments dipolaires lorsque l‟élément de volume devient très
petit.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -21-
Chapitre : Techniques d’imagerie micro onde I

L‟effet du champ électrique E est alors représenté par le déplacement (ou induction)
électrique D définit par :

D  ε0 E  P En (A. s/m2) (I. 14)

Ou  0 est la permittivité absolue du vide

10 9
ε0   8,854.10 12 En (A. s/V. m) ou (F/m). (I. 15)
36π

Dans un diélectrique dit linéaire, le champ de polarisation P est proportionnel au champ


électrique E selon la relation :

P  ε0χE (I. 16)

Ainsi, dans ce type de milieu, on peut écrire :

D  ε 0 E  ε 0 χ E  ε E Ou ε  ε 0 1  χ   ε 0 ε r

Avec ε r : est la permittivité relative des matériaux.

Finalement, dans un milieu linéaire, on peut écrire D  ε E  ε 0 ε r E en (A.s/m2). Dans le

vide (l‟air), la polarisation P est nulle. Il en résulte D  ε O E et  r  1

On appelle milieu linéaire isotrope, un milieu linéaire dans lequel la permittivité  est un
scalaire. Dans ce type de milieu D et E sont colinéaires.

Il existe d‟autres milieux diélectriques linéaires dits anisotropes dans lesquels la permittivité
diélectrique n‟est plus un scalaire mais un tenseur. Dans un repère tridimensionnel, la relation qui
lie le déplacement électrique au champ électrique s‟écrit :

 D x   ε xx ε xy ε xz   E x 
     
 D y    ε yx ε yy ε xz    E y  (I. 17)
  ε ε zy ε zz   E z 
 D z   zx

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -22-
Chapitre : Techniques d’imagerie micro onde I

I.5.2. Aimantation et perméabilité

Les propriétés magnétiques des matériaux sont dues à une propriété quantique de l‟électron
et que l‟on appelle le moment magnétique de spin (L‟électron effectue un mouvement de rotation
autour de lui-même). En présence d‟une inductance B les moments magnétiques s‟alignent sur le
champ appliqué. Dans la plus part des matériaux, les atomes possèdent le même nombre d‟électrons
à moment magnétique de spin positif et d‟électron à moment magnétique de spin négatif.

Dans le cas contraire là ou les atomes possèdent des nombres différents d‟électrons à
moment magnétique de spin positif et d‟électrons à moment magnétique négative, il apparaît une
aimantation M provoquée par ce déséquilibre. Cette aimantation M est définie par la densité
volumique des moments magnétiques résultants et est mesurée en (A/m). Le champ magnétique H
est défini à partir de l‟induction magnétique B et de l‟aimantation M , par la relation :

 B 
 μ0 

H     M

En (H/m) ou 
B  μ0 H  M  (I. 18)
  

Avec μ 0  4  10 7 (V.s/m) ou (H/m) est la perméabilité absolue dans le vide. Dans un


matériau linéaire, l‟induction et Champ magnétique sont proportionnelle à l‟aimantation, et on peut
écrire : B  μ H en (T) ou μ est la perméabilité de matériau. Les matériaux non ferromagnétiques
possèdent une aimantation nulle et leur perméabilité est égale à  .

I.5.3. Diélectrique imparfait

Un diélectrique parfait est caractérisé par une conductivité nulle. Dans un diélectrique
imparfait, on ne peut négliger la conductivité et, en régime sinusoïdale, l‟équation qui s‟écrit pour
un diélectrique parfait :

rot H  j ω ε E (I. 19)

Devient pour un diélectrique imparfait :

 ζ
rot H  j ω ε E  ζE  jω  ε  E (I. 20)
 jω 

En faisant l‟analogique entre ces deux dernières équations, on peut dire que pour le
diélectrique imparfait, tout se passe comme si la constante diélectrique était complexe.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -23-
Chapitre : Techniques d’imagerie micro onde I

 ζ 
On pose : εc  ε 
ζ
 ε 0ε r 
ζ
 ε 0  ε r  j  
  ε 0 ε 'r  jε 'r' ; avec ε 'r  ε r
ωε 0 
jω jω 

On caractérise souvent un diélectrique imparfait par la tangente de pertes :

ε 'r' ζ
tgδ   ; avec ε  ε 0 ε r (I. 21)
ε 'r ωε

I.6. Conclusion

Dans ce chapitre, une revue des différentes techniques d‟imagerie micro ondes dans les
systèmes modernes de détection et de localisation des objets sont présentées. Un état d‟art et les
challenges des diverses algorithmes adaptés pour de telles applications ont été alors énumérés.
Ensuite, nous avons présenté la technique d‟imagerie micro ondes confocale ou radar et leur
différentes approches à savoir mono, bi et multi-statiques, ainsi que les algorithmes de
reconstruction et les méthodes d‟imagerie micro ondes tomographique. . Cette dernière technique
fera l‟objet du second chapitre.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -24-
C hapitre II

R
ésolution du P I
roblème nverse en I magerie

M icro odes.
Chapitre : Résolution du problème inverse en imagerie micro-onde II

II.1. Introduction

Dans ce chapitre, on s‟intéresse principalement à l‟étude de l‟imagerie micro onde


tomographique dans les situations des objets à contraste élevé. Une formulation non linéaire du
problème est alors nécessaire. La méthode des moments est choisie pour la résolution du problème
directe et l‟algorithme de Newton-Kantorovich pour l‟optimisation de la permittivité complexe.
Aussi, l‟algorithme de Gauss-Newton est utilisé dans la régularisation du problème.

Nous présentons dans cette étude une technique planaire micro-ondes permettant de produire
des images quantitatives de contraste élevé et d‟objets inhomogènes. Cette méthode a été
développée par « Tommy Henriksson » et al. [1], et dans le cas de la détection de cancer de sein.

Avant d‟entamer la partie de résolution du problème inverse, une présentation des propriétés
diélectrique des tissus humains est nécessaire à fin de comprendre l‟interaction des ondes avec les
tissus biologiques.

II.2. Propriétés diélectriques des tissus humains

Les tissus biologiques sont supposés être non magnétiques et se caractérisent principalement
par sa teneur en eau, comme il sera montré par la suite.

Dans l‟imagerie micro ondes quantitative, les propriétés diélectriques de l‟objet sont
imagées où on trouve une variation significative de la permittivité complexe, définit par l‟équation
(I. 1) :

ε *  ε `  jε `` (II. 1)

où ε` est la permittivité relative qui décrit les effets de polarisation des particules chargées dans le
tissu et ε`` décrit les pertes de phase dues aux courants de déplacement générés par le champ
électromagnétique appliqué. Les pertes sont souvent décrites par la conduction „σ‟, tel que défini
dans l'équation (II. 2), [83] :

ζ  2 π f ε 0 ε `` (II. 2)

Depuis le début du 20éme siècle, plusieurs chercheurs ont été intéressés par les propriétés
électriques du corps humain et le domaine de l'interaction physique entre les champs
électromagnétiques et les propriétés diélectriques des tissus humain. « Foster » et « Schwan » ont

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -26-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

publié une étude critique sur les mécanismes physiques à l'origine de la dispersion des tissus
biologiques, (dépendance de fréquence) et les propriétés diélectriques des tissus humain [83].

Les tissus humain sont très dispersive due à la relaxation cellulaire et moléculaire, générés
par les différentes parties du tissus à des fréquences différentes. Pour une incidente micro ondes, la
relaxation dominant est la relaxation dipolaire des molécules d'eau libre. Par conséquent, les
propriétés diélectriques des tissus biologiques dans la région de micro-ondes sont fortement liées à
la teneur en eau.

Plus récemment, « Gabriel » à fait une révision approfondit des mesures des propriétés électriques
des tissus humains, avec l‟objectif de développement des modèles physiques des tissus humain pour
[84] - [85] - [86]
des fréquences entre 10 Hz à 100 GHz . Le modèle de Debye est un modèle bien connu
standard pour la dispersion des tissus biologiques, et qui est donné par l'expression suivante [86]:

εs  ε
ε * f   ε   (II. 3)
1  j2 π f η

Où ε  est la permittivité à des fréquences ` 2 π f η  1 `, ε s est la permittivité à des fréquences

` 2 π f η  1 `, et η est la constante de temps du mécanisme de relaxation dans les tissus. Pour


développé un modèle des propriétés électrique à une bande plus large, la constante de temps peut
être devisée en plusieurs régions pour correspondre à différents types de relaxation [87].

εs  ε ε2  ε
ε * f   ε    (II. 4)
1  j2 π f η1 1  j2 π f η 2

Les permittivités ε  et ε s doivent également être divisées dans les mêmes régions en
ajoutant les valeurs intermédiaires. Toutefois, en raison de la complexité de la structure et la
composition des tissus biologiques, « Gabriel » a utilisé l‟expression étendue de Cole-Cole, défini
dans l'équation (II. 5), [86].

Δε n ζi
ε * f   ε     (II. 5)
1   j2 π f η n 
1α n
n j2 π f ε 0

Avec ζ i est la conductivité statiques

L'équation (II. 5) a été utilisée avec succès dans une bande de fréquence très large entre 10
Hz-100 GHz par un choix individuel des paramètres des différents tissus [86].

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -27-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

II.2.1. Propriétés diélectriques des tissus mammaires

Les tissus mammaires des femmes ont également été étudiés, avec un accent sur la détection
de cancer de sein. Mesure Ex vivo (tests biologiques mis en place en dehors de l'organisme) des
tissus mammaires humains malignes et normales a été réalisé par plusieurs groupes, depuis le début
des années 80. « Chaudhary » entre 3 MHz-3 GHz , « Surowiec » 20 kHz à 100 MHz
[88] [89]
,
« Campbell » à 3,2 GHz [90] et « Joines » entre 50 MHz-900 MHz [91]. La conclusion de ces mesures est
qu'il ya un contraste significatif entre les tissus mammaires malins et normaux, dans la gamme des
fréquences de micro-ondes. Toutefois, les valeurs mesurées diffèrent beaucoup en raison
principalement de la complexité de la structure tissulaire des tissus fibroglandulaires et gras. Les
valeurs sont résumées dans le tableau (II 1). Par ailleurs, il a été démontré que le contraste entre les
tumeurs et les tissus normaux est légèrement surestimée lors des mesures ex vivo. Cela pourrait être
que les propriétés diélectriques des tissus ont changé quand ils sont enlevés, en raison de
changements dans la circulation sanguine, teneur en eau et l'interruption du métabolisme [83].

Tissus ε` σ (S/m)
Tissus normaux 10 - 25 0.35 - 1.05
Graisse 4 - 4.5 0.11 - 0.14
Tumeur (maligne) 45 - 60 3.0 - 4.0
Tumeur (bénigne) 10 - 50 1.0 - 4.0
Tableau II. 1 : Propriétés diélectriques de sein féminin mesuré en ex vivo (2 – 3.2 GHz).

Récemment « Lazebnink » a publié la nécessité d'une caractérisation à grande échelle des


[92] - [93]
propriétés diélectriques de seins féminins . Grâce aux efforts de collaboration entre
l'Université de Wisconsin-Madison et l'Université de Calgary une étude à large bande en ex vivo
des tissus mammaires à été lancé et publiée en 2007. La conclusion de cette étude était que les
tissus mammaires normaux peuvent être classés en trois groupes différents selon le contenu
adipeux, (0-34 adipeux%), (35-84 adipeux%) et (84 à 100% tissu adipeux). En utilisant cette
classification, ils ont obtenu des résultats beaucoup plus stables en développant le modèle de Cole-
Cole pour chacun des trois groupes de tissus et des tissus cancéreux. Ces résultats représentent la
plate-forme importante des caractéristiques des tissus mammaires pour les micro-ondes. Dans la
figure (II. 1) les résultats des modèles de Cole-Cole sont représentés, entre 300 MHz et 5 GHz.
Cependant, il est notable que la partie imaginaire est légèrement surestimée pour les fréquences
inférieures à 1 GHz dans le modèle de Cole-Cole pour les tissus mammaires peu adipeux.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -28-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

Figure II. 1 : Permittivité complexe des tissus mammaires cancéreux et normaux avec différents contenus
adipeux du modèle de Cole-Cole [92, 93], (a) la partie réelle, (b) la partie imaginaire.

II.3. Description physique du problème de diffusion

Les équations de Maxwell sont la base fondamentale de la physique, décrivant n‟import quel
problème de propagation des ondes électromagnétiques. Ils décrivent aussi les propriétés du champ
le long des trois axes, qui se traduit par des calculs lourds pour un problème vectoriel à 3D.
Plusieurs scénarios de simplification d'équation d'onde peuvent être faits. Une approche classique
consiste à considérer une version 2D du problème. Par conséquent, l'objet sous test, qui est
considéré non magnétique, est supposé infini et ses propriétés diélectriques sont supposées être
constantes le long de l'axe vertical, comme le montre la figure (II. 2). Lorsque le champ est situé le
long de l'axe principal du cylindre, le problème est réduit à une version scalaire 2D (polarisation
TM) et une équation d'onde scalaire peut être utilisée. La dépendance temporelle implicite a été
choisie comme e  jt ,où étant la fréquence radiale [1].

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -29-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

Figure II. 2 : Configuration scalaire 2D (polarisation TM)

II.3.1. Équation de propagation dans un milieu homogène


L‟équation de propagation du champ incidente E INC r d‟un milieu homogène peut être
décrite par l'équation de Helmholtz comme :

 2

 k 12  E INC r  0 (II. 6)

Le nombre d'onde, k1, est une constante définie par la permittivité complexe, ε 1 à l'intérieur
du milieu homogène avec

k1  ω μ 0 ε1 (II. 7)


La solution de l'équation (II. 6) représente le champ incident E INC r la totalité du champ

sans l'objet à tout r emplacement dans le domaine de calcul.

II.3.2. Équation de propagation dans un milieu inhomogène

Lorsque l'objet est présent, le champ électrique total est donné par l'équation de Helmholtz
élargie pour des milieux inhomogènes:

 2
  
 k 2 r E TOT r  0 (II. 8)

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -30-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

Où le terme k est la constante d‟onde qui dépend des propriétés électriques du milieu de
propagation :


k 2 r  ω2 μ 0 ε  r  (II. 9)


ε  r Est la permittivité complexe de la région inhomogène. Nous allons définir, le contraste


C r comme suit :

 
C r  k 2 r  k12 (II. 10)

L'équation (II. 3) peut être réécrite comme suit:

 2
 
 k 12  E TOT r   C r E TOT r  (II. 11)

En considérant la totalité du champ, E TOT r  comme une superposition de deux


INC

composantes, le champ incident, E r et le champ diffusé, E
DIFF
r : 
 
E TOT r  E INC r  E DIFF r  (II. 12)

En remplaçant (II. 12) dans l'équation (II. 11) devient :

 2
 
 k 12  E DIFF r   C r E TOT r  (II. 13)

Le côté droit de l'équation (II. 13) peut être considéré comme un courant équivalent J r qui 
produit le champ diffusé E
DIFF
r.
 
J r  C r E TOT r  (II. 14)

L'équation de Helmholtz inhomogène, (II. 13), ne peut pas être résolue directement pour le


champ diffusé E DIFF r . Par conséquent, on fait appel à la fonction de Green.

La fonction de Green représente le champ rayonné par une source linéaire, situé au point

source r' et le point d‟observation r et elle est la solution de :

 2
   
 k12  G r , r'   δ r - r' (II. 15)

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -31-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

En utilisant le principe de superposition, avec la solution élémentaire de l'équation


différentielle (II. 15), le champ diffusé E DIFF r ' devient :

    
E DIFF r   G d r, r  C r ' E TOT r' dr' (II. 16)
s

Cette équation est valable partout, et en particulier à l'intérieur du domaine d'objets S.


Ensuite, en considérant la totalité du champ E TOT r comme la somme du champ incident E INC r 

et le champ diffusé E DIFF r , nous obtenons la formulation intégrante suivante de la totalité du
champ:

     
E TOT r  E INC r   G d r, r  C r ' E TOT r' dr' (II. 17)
s

Où d désigne le nombre de composantes du champ électrique (d = 1 pour 2-D TM, d= 2


pour2-D TE et d= 3 pour cas 3-D), et la fonction de Green est définit comme suit :

G 1 r  r`  H 0 k 1 r  r` 
i (1)
Cas TM figure (II. 3) (a) (II. 18)
4

 i
0 k 1 r  r` 
G 2 r  r`  1  2 grad div` H (1)
1
Cas TE figure (II. 3) (a) (II. 19)
 k1 4

  e jk1 r r`
G 3 r  r`  1  2 grad div`
1
Cas 3-D figure (II. 3) (b) (II. 20)
 k1  4π r  r`

Figure II. 3 : (a) Géométrie des cas 2D-TE et 2D-TM ; (b) Géométrie du cas 3D.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -32-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

Les deux équations sont résolues, afin de calculer le champ diffusé, qui résulte de
l'interaction d'une onde incidente connue, avec un objet pour lequel une distribution de permittivité
complexe est connue, ce qu‟on appelle le problème directe de diffusion.

II.3.3. Résolution du problème direct

L'équation (II. 16) ne peut pas être résolue analytiquement. En effet, les équations (II. 16) et
[6] - [27] - [94]
(II. 17) sont résolues numériquement en appliquant la méthode des moments (MoM) . Le
maillage utilisé est un maillage rectangulaire régulier. La figure (II.4) illustre le maillage
rectangulaire utilisé dans le cadre des deux différentes configurations 2D planaire et circulaire.

Figure II. 4 : Maillage rectangulaire: (a) configuration plane, (b) configuration circulaire.

Ces configurations diffèrent de la géométrie des lignes de mesure: plane ou circulaire, et


l'onde incidente. Dans ces conditions, les champs et les propriétés diélectriques sont supposés être
une valeur constante dans chaque cellule élémentaire rectangulaire. Considérant que la région objet
du test est discrétisée en N cellules, et le champ diffusé observé à M points de réception, l'utilisation
de cette méthode donne les équations discrètes suivantes :

      
N
E INC rn   δ nj  G d rn , r j C r j E TOT r j . n  1, 2, ......, N (II. 21)
j1

Et l'équation d'observation (II. 22)

    
M
E DIFF rm   G d rm , r j C r j E TOT r j . n  1, 2, ......, M (II. 22)
j1

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -33-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

Les relations (II. 21) et (II. 22) peuvent être écrites sous forme matricielle :

E   I  K
INC
O,O 
C E TOT  (II. 23)

E   K C E 
DIFF
R,O
TOT
(II. 24)

Où les indices O et R, sont visés à l'objet du test et de la région des récepteurs,


respectivement, comme le montre dans la figure (II. 4).

[EINC] et [ETOT] : est un vecteur de dimension dN ;

[EDIFF] : est un vecteur de dimension dM ;

[KR,O] : est une matrice de dimension dM *dN ;

[KO,O] : est une matrice de dimension dN*dN ;

[C] : est une matrice de dimension dN*dN ;

II.3.4. Résolution du problème inverse

Le problème inverse consiste à trouver la distribution de la permittivité complexe de l'objet à


partir du champ mesuré dispersé au niveau des récepteurs, pour un champ incident connu. Afin
d'obtenir des images quantitatives des objets à fort contraste, un problème non linéaire de diffusion
inverse doit être résolu. Différentes approches ont été utilisées, mais la plupart d'entre elles utilisent
un processus d'optimisation itérative, où la différence entre les valeurs mesurée et calculée du
champ diffusé est réduite au minimum. Ce processus d'optimisation peut être disposé dans une
[63] [64]
formulation des moindres carrés appelé Newton-Kantorovich ou de Levenberg-Marquardt .
L'outil numérique utilisé dans ces études pour l'imagerie micro-ondes quantitative est basé sur cette
technique.

II.3.4.1. Algorithme Newton-Kantorovich

L‟algorithme de N K a été utilisé comme un outil numérique pour résoudre la non linéarité
du problème de diffusion inverse dans l‟imagerie micro ondes quantitative. On présente dans ce qui
suit la façon dont la technique NK a été utilisé pour résoudre ce problème.

Selon les équations couplées introduites pour résoudre le problème direct, la relation entre le
champ diffusé et la solution (contraste permittivité complexe de l'objet) n'est pas linéaire, et sera
donnée comme suit:

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -34-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

E   K CI  C K  E   AC
DIFF
R,O O,O
1 INC
(II. 25)

Le champ diffusé est fourni à partir des données mesurées, ainsi un résidu est défini comme
la différence entre le résultat de l'équation (II. 25) « E DIFF » et le champ diffusé mesuré « E DIFF
mesuré » :

ΔE DIFF  A(C)  E DIFF


mesuré (II. 26)

Le problème de diffusion inverse non linéaire est résolu, de façon itérative, en minimisant la
norme carrée du résidu:

min A(C) - E DIFF


mesuré (II. 27)

Considérant les petites variations des champs, les équations (II. 23) er (II. 24) deviennent
respectivement:

ΔE   [K
INC
O,O 
] Δ C E TOT   (II. 28)

ΔE   K  ΔC E 
DIFF
R,O
TOT
(II. 29)

Où C E TOT  peut être approximée de différentes façons. Pour le premier ordre, on obtient:

 
Δ C E TOT  ΔC E TOT  C ΔE TOT (II. 30)

L'introduction (II. 28) dans (II. 30) donne

 
Δ C E TOT  I  C K O,O  E`TC
-1
(II. 31)

Avec [T] est une matrice de dimension dN * N qui est construite par la répétition `d` fois la matrice
identité. [E`] est une matrice diagonale dont les éléments sont les composantes de E TOT. Puisque
[KO,O] est une matrice symétrique on a :

I  C K  O,O
-1

 I  K O,O C 
1 *
(II. 32)

Où `*`indique le transposé conjugué.

En remplaçant (II. 31) dans (29) donne la relation :

ΔE   K I  C K  E TΔC


DIFF
R,O O,O
-1 TOT
(II. 33)

ΔE   JΔC
DIFF
(II. 34)

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -35-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

Dans le cas d‟une onde incidente TM. (cad d = 1) :

J  K R,O I  C K O,O  E TOT


1
(II. 35)

L‟opérateur „A‟ est non linéaire rapproché par un modèle linéaire autour d‟une estimation
actuelle de contraste Cn en appliquons la régularisation de Gauss Newton. Cela donne une relation
linéaire entre le pas du contraste ΔC et le résidu ΔEDIFF à l'itération courante:

J * J Δ C  J * ΔE DIFF (II. 36)

où `J` est le Jacobéen de „A‟ à l‟itération courant de l‟objet, et J* est la matrice transposé
conjuguée de J.

En raison du nombre de condition importante de la matrice J * J, une procédure de


[95]
régularisation de Tikhonov est appliquée pour stabiliser le processus d'optimisation . Ainsi,
l'équation (II. 36) est remplacée par :

J *

J  μ I Δ C  J * ΔE DIFF (II. 37)

Où le terme de régularisation μ est introduit ; qui permet de diminuer le nombre de conditionnement


de la matrice J* J, et est essentielle pour une convergence plus rapide du processus itératif.

Une faible régularisation conduit à l'instabilité du processus d'optimisation, tandis qu'une


plus forte régularisation stabilise le processus par la suppression de solutions avec de fortes
variations spatiales.

Le terme de régularisation est déterminé comme suit [27] :

μα
1
N
 
Trace J * J err β (II. 38)

Le paramètre de régularisation ici est donc en fonction de l‟erreur entre le champ calculé et
le champ mesuré dispersé. De cette façon, sa valeur augmente ou diminue en fonction de la
convergence du processus itératif. En outre, afin de réduire le nombre de conditions de J * J la trace
de la matrice est introduite dans l'expression. Cela permet d'ajouter une moyenne des valeurs
singulières de la matrice J* J pour l'ensemble de ses éléments diagonaux, et donc, de réduire le ratio
entre sa valeur propre la plus basse.

En introduisant la relation (II. 37) dans un processus itératif, la relation initiale (II. 16) non
linéaire caractérisant le problème de diffusion inverse peut être résolue comme suit :

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -36-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

Etape 1 Calcul du champ total interne, en inversant l'équation (II. 23) ;

Etape 2 Estimation du champ diffusé, en utilisant l‟équation (II. 24) ;

Etape 3 Calcul de l'erreur entre le champ diffusé calculée et le champ mesuré ;

Etape 4 Estimation de l'erreur du contraste en utilisant l‟équation (II. 37) ;

Etape 5 Mettre à jour la fonction de contraste (Ci+1 = Ci + ∆Ci) ;

Etape 6 Passez à l'étape 1 tant que ∆EDIFF est plus grand que l'erreur acceptable.

Le processus itératif est représenté sur la figure (II. 5). A partir d'une distribution initiale de
permittivité complexe (contraste C0), une comparaison entre les données expérimentales et les
données dispersées calculées numériquement, donne le résidu ΔEDIFF.

Figure II. 5 : Organigramme de l'algorithme de Newton-Kantorovich.

Le processus itératif continu jusqu'à ce qu'un critère de stabilité soit atteint, la règle du
résidu sur le champ diffusé, donne une erreur :

 
M 2
ΔE s i
i 1
err  (II. 39)
 
M 2
E smesuré i
i 1

Où M est le nombre total de récepteurs.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -37-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

II.4. Estimation du champ incident

L‟estimation du champ incident dans le système d‟imagerie micro onde est très importante,
dans notre travail on utilise une méthode très récente où l'amplitude et la phase du champ incident
sont mesurées le long d'une matrice de 88 points couvrant une région de 100 x 100 mm de l‟objet,
comme le montre la figure (II. 6) [1].

Figure II. 6 : Domaines de mesure avec les antennes d'essai

On constate que la propagation est proche d'un modèle d'onde plane suivant l‟axe „x‟, de ces
observations, une meilleure estimation du champ incident a été obtenue. Dix-sept points de mesure
située sur la ligne centrale figure (II. 6) sont utilisés pour représenter le front d'onde incident par un
modèle polynomial, en l'amplitude et en phase. Ainsi, le modèle de propagation plane est étendu à
un modèle de propagation de front d'onde 2-D, équation (II. 40).

E inc y , x   Aye j k1 xθ  y   (II. 40)

Avec

Ay  β 0  β1 y  β 2 y 2  β 3 y 3  β 4 y5  β 6 y 6  β 7 y 7  β8 y8
(II. 41)

θy  α1  α 2 y (II. 42)

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -38-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

Une étude comparative entre les valeurs d‟amplitude et de phase de champ incident qui sont
[1]
obtenus par le modèle polynomial et celles mesurées par l'antenne d'essai est donnée par les
figures (II. 7) et (II. 8).

Figure II. 7 : Comparaison entre la distribution d'amplitude du champ incident calculé à partir du modèle

Polynomial et les données expérimentales

Figure II. 8 : Comparaison entre la distribution de phase champ incident calculé à partir du modèle Polynomial
et les données expérimentales

En appliquant une technique de Lissage LS, on trouve une correspondante presque parfaite
en utilisant un polynôme de degré huit pour l‟amplitude `A`, et un bon résultat est obtenu pour la

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -39-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

phase en utilisant un polynôme de premier ordre. Pour une région de l‟objet discrétisé en 25 × 25
cellules, cela nous donne un vecteur du champ incident de 625 valeurs (figure II. 9).

Figure II. 9 : Estimation du champ incident

II.5. Estimation initiale C0

Le choix de l'estimation initiale aide à améliorer la solution en deux manières. Tout d'abord,
par l'introduction d‟une information a fin de compenser le manque d'information en raison par
exemple d'un processus de forte régularisation. Deuxièmement, en commençant par une solution
initiale proche de la solution finale pour réduire la non linéarité du problème inverse [96].

Méthode étudiée dans ce chapitre pour la reconstruction d‟image est résumée dans un
organigramme présenté dans la figure (II. 10).

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -40-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

Figure II. 10 : Représentation schématique de la méthode étudiée

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -41-
Chapitre : Résolution du problème inverse en imagerie micro-onde II

II.6. Conclusion
Dans ce chapitre, nous avons étudié une méthode quantitative pour la reconstruction
d‟image micro ondes tomographique, puis nous avons commencé par une description physique du
problème de diffusion, et nous avons abordé par la suite un algorithme quantitatif où le problème
direct est résolu par la méthode des moments MoM. L‟algorithme de Newton-Kantorovich NK est
utilisé pour résoudre le problème inverse. Pour surmonter le cas du problème inverse mal posé, on a
utilisé la méthode de régularisation de GN et de Tikhonov.

L‟utilisation des algorithmes d‟optimisation itérative (problème inverse) donne des points
optimaux locaux. Pour une convergence globale, il est nécessaire d‟utiliser les algorithmes
stochastiques. Cependant, les algorithmes stochastiques présentent un inconvénient majeur. En
effet, les temps de calcul engendrés par ces algorithmes sont largement disproportionnelle par
rapport au besoin.

Il est à noté que l‟absence d‟une base de données expérimentale du champ mesuré nous a
empêché de simulé l‟algorithme. Néanmoins, cette étude nous a permit d‟un coté de comprendre la
formulation du système d‟imagerie micro ondes tomographie, et d‟un autre coté de programmer un
logiciel de simulation qui sera utilisé dans les futures travaux de recherche.

Dans le chapitre suivant, nous présenterons une technique originale basée sur les réseaux de
neurone, qui a été introduite très récemment dans le système de détection et de localisation des
objets par imagerie micro ondes.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -42-
C hapitre III

T echniques des R éseaux de N eurones


Chapitre : Techniques des réseaux de neurones III

III.1. Introduction

L'étude de détection et de localisation des objets fait apparaître deux domaines potentiels
pour l'utilisation des réseaux de neurones, la modélisation et l‟optimisation. L'utilisation des réseaux
de neurones s'oriente vers la construction d'un modèle de détection et de localisation des objets.

L'intérêt de l'utilisation des réseaux de neurones réside dans leurs capacités de localiser et la
position d‟objet, compte tenu de critères généraux prédéterminés.

Ce chapitre constitue une présentation des algorithmes dits "réseaux de neurones". A travers
un historique des origines de ces algorithmes, nous présenterons les propriétés principales de ces
réseaux de neurones, puis plus en détail les algorithmes dont les caractéristiques peuvent permettre
de traiter le problème posé.

III.2. Historique

Les réseaux de neurones artificiels (RNA) sont à l'origine une tentative de modélisation
mathématique du cerveau humain. Les premiers travaux datent de 1943 et sont l'œuvre de « MM.
Mac Culloch et Pitts ». Ils présentent un modèle assez simple pour les neurones et explorent les
possibilités de ce modèle. L'idée principale des réseaux de neurones "modernes" est la suivante :

On se donne une unité simple, un neurone, qui est capable de réaliser quelques calculs
élémentaires. On relie ensuite entre elles un nombre important de ces unités et on essaye de
déterminer la puissance de calcul du réseau ainsi obtenu. Il est important de noter que ces neurones
manipulent des données numériques et non pas symboliques.

III.2.1. Modèle biologique

Deux visions s'affrontent donc, d'un côté les tenants de la modélisation biologique qui
veulent respecter un certain nombre de contraintes liées à la nature du cerveau, de l'autre les tenants
de la puissance de calcul qui s'intéressent au modèle en lui-même, sans aucun lien avec la réalité
biologique.

Cette section décrit un modèle très grossier des neurones biologiques qui a servi à la mise en
place des premiers neurones formels [97] – [98].

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -44-
Chapitre : Techniques des réseaux de neurones III

Figure III. 1 : Neurone biologique

Dans le cerveau, les neurones sont reliés entre eux par l‟intermédiaire d'axones et de
dendrites figure (III.1). En première approche, on peut considérer que ces sortes de filaments sont
conductrices d'électricité et peuvent ainsi véhiculer des messages depuis un neurone vers un autre.
Les dendrites représentent les entrées du neurone et son axone sa sortie.

Un neurone émet un signal en fonction des signaux qui lui proviennent des autres neurones.
On observe en fait au niveau d'un neurone, une intégration des signaux reçus au cours du temps,
c'est à dire une sorte de sommations des signaux. En général, quand la somme dépasse un certain
seuil, le neurone émet à son tour un signal électrique.

La notion de synapse explique la transmission des signaux entre un axone et une dendrite.
Au niveau de la jonction (c'est à dire de la synapse), il existe un espace vide à travers lequel le
signal électrique ne peut pas se propager. La transmission se fait alors par l'intermédiaire de
substances chimiques, les neuro-médiateurs. Quand un signal arrive au niveau de la synapse, il
provoque l'émission de neuro-médiateurs qui vont se fixer sur des récepteurs de l'autre côté de
l'espace inter-synaptique. Quand suffisamment de molécules se sont fixées, un signal électrique est
émis de l'autre côté et on a donc une transmission. En fait, suivant le type de la synapse, l'activité
d'un neurone peut renforcer ou diminuer l'activité de ces voisins. On parle ainsi de synapse
excitatrice ou inhibitrice.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -45-
Chapitre : Techniques des réseaux de neurones III

III.3. Modélisation

III.3.1. Le neurone formel

III.3.1.1. Modèle de MC CULLOCH et PITTS

Dés l‟établissement du fonctionnement réel d‟un neurone biologique, plusieurs modèles ont
été proposés, dont le but principal est de refléter ce fonctionnement. Le plus important est celui de
MC Culloch et Pitts établit en 1943 (figure III.2).

Figure III. 2 : Modèle de MC Culloch et Pitts

Dans ce modèle, chaque unité de traitement (ou neurone formel) calcule une somme
pondérée des signaux fournis par les autres unités auxquelles elle est connectée et ce résultat est
comparé à une valeur de seuil. Si le seuil est franchi, le neurone est activé et cet état d‟activation est
propagé à travers le réseau pour les étapes de calcul ultérieures.

Le fonctionnement du neurone formel est donc [97] :

n
S  g(  Wi E i ) (III. 1)
i 1

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -46-
Chapitre : Techniques des réseaux de neurones III

III.3.1.2. Modélisation générale

Il existe plusieurs sortes de neurones [99] – [100], en particulier :

 Neurone produit scalaire : la fonction de transition s‟écrit :


Si  g(A i ) (III. 2)

n
Avec A i   Wik e k
k 1

Où le coefficient Wik est appelé le poids de la connexion de k vers i. Le neurone produit


scalaire est donc constitué de deux modules successifs figure (III.3) : une transformation linéaire
(produit scalaire) suivie d‟une transformation g non linéaire en général.

La fonction g peut être l‟identité, une fonction à seuil, une fonction sigmoïde, etc.. figure
(III.4)

Figure III. 3 : Neurone produit scalaire

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -47-
Chapitre : Techniques des réseaux de neurones III

Figure III. 4 : Exemples de transformation g utilisée pour les neurones produit scalaire

 Neurone distance : la fonction de transition s‟écrit :

Si  g(A i ) Avec A i  Wi  e

Le neurone distance est donc constitué de deux modules successifs figure (III.5) : un module
de calcul de distance suivi d‟une transformation g non linéaire en général. La fonction g peut être
l‟identité ou une fonction noyau figure (III.6). Les neurones distances comparent un prototype (leur
vecteur de poids) au signal d‟entrée.

Figure III. 5 : Neurone distance

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -48-
Chapitre : Techniques des réseaux de neurones III

Figure III. 6 : Fonctions utilisée pour les neurones distances

En général, un neurone est une cellule dotée de plusieurs entrées et d‟une seule sortie. Il est
caractérisé par une fonction d‟activation qui décrit l‟état de la sortie en fonction de l‟état des
entrées. Ces neurones sont reliés entre eux et se disposent en couches pour former un réseau.

A une configuration d‟entrées donnée, le réseau associe une configuration de sorties. Ces
sorties sont comparées aux sorties attendues. Les poids synaptiques (éléments caractéristiques des
neurones) sont modifiés dans le réseau pour minimiser l‟erreur ainsi obtenue.

Le calcul de ces coefficients nécessite le passage par une phase très importante : c‟est la
phase d‟apprentissage [117].

III.3.2. Phase d’apprentissage

La phase d‟apprentissage dépend beaucoup de la structure du réseau. Son but est de fixer les
poids des connexions. Dans la majorité des réseaux qui ont été étudiés, l‟apprentissage sera dit
supervisé, car on impose une entrée fixe et l‟on cherche à récupérer une sortie connue. On effectue
alors la modification des poids pour retrouver cette sortie imposée. Malgré tout, il existe des
réseaux à apprentissage non-supervisé, comme par exemple les cartes topologiques de Kohonen.
Enfin, certains réseaux associent deux types d‟apprentissage, c‟est le cas par exemple des réseaux
RBF (Radial Basis Function).

 Apprentissage supervisé
Dans ce type d‟apprentissage, on dispose d‟un ensemble d‟exemples (appelé ensemble
d‟apprentissage ou échantillons) qui sont des couples (entrée, sortie désirée) et à chaque fois, on
présente un exemple en entrée du réseau, une sortie est calculée puis comparée avec la sortie
désirée, ce qui nous donne l‟erreur commise par le réseau.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -49-
Chapitre : Techniques des réseaux de neurones III

Grâce à cette erreur, on corrige les poids du réseau, puis on calcule la nouvelle erreur, ainsi
de suite jusqu'à ce que l‟erreur soit inférieure à un seuil  choisi [99] – [101].

 Apprentissage non supervisé


Il existe parfois des cas où l‟on ne possède pas d‟informations sur les classes de l‟ensemble
d‟apprentissage. Ce manque de connaissance peut avoir plusieurs causes : manque d‟informations
sur les données, volume d‟informations trop important pour pouvoir être étiqueté à la main, etc ...
C‟est dans ce cas que l‟apprentissage non supervisé est utile, puisque les données qui se ressemblent
vont se trouver à l‟issue de l‟apprentissage, réunies dans des groupes qui seront des ensembles de
même forme.

L‟apprentissage non supervisé est le seul qui peut expliquer l‟apprentissage dans le système
biologique. Ce processus d‟entraînement fait correspondre à une classe donnée de vecteurs d‟entrée
qui ont une propriété commune, une sortie particulière. Mais, en premier temps, on ne peut pas
connaître pour une classe de vecteurs d‟entrée, la sortie correspondante.

III.3.3. Phase d’utilisation

Dans cette phase, on teste les performances du réseau, car ce dernier sera confronté à des
situations qui sont proches des exemples d‟apprentissage. Suite aux réponses obtenues, on pourra
juger la qualité du réseau considéré. Il y a plusieurs méthodes, pour faire cela : le cross validation
(validation croisée),... La méthode la plus simple étant de garder une partie de l'échantillon réservé à
l'apprentissage pour la validation et faire ainsi une validation hors-échantillon.

III.4. Architecture des réseaux de neuronaux

D‟une manière générale, l‟architecture des réseaux de neurones formels peut aller d‟une
connectivité totale (tous les neurones sont reliés les uns aux autres), à une connectivité locale où les
neurones ne sont reliés qu‟à leurs plus proches voisins.

A partir de ces deux structures, les chercheurs avaient mis en place trois modèles de réseaux :

 Réseau à couches (MLP, RBF)


 Réseau de HOPFIELD
 Réseau de KOHONEN

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -50-
Chapitre : Techniques des réseaux de neurones III

III.4.1. Réseaux à couches

Les plus simples de ces réseaux, sont ceux dans lesquels l‟information est transmise dans un
seul sens de l‟entrée vers la sortie et les neurones d‟une couche ne sont connectés qu‟aux neurones
de la couche précédente. Un cas particulier des ces réseaux est le perceptron. Il comporte une
couche d‟entrée et une couche de décision.

Il existe deux types de réseaux à couches :

 Réseau multi-couches à rétropropagation du gradient.


 Réseau à couches RBF.
III.4.1.1. Réseau multi-couches à rétropropagation du gradient.

Les réseaux multi-couches sont composés d‟une couche d‟entrée dont les neurones codent
l‟information présentée au réseau, d‟un nombre variable de couches internes dites « cachées » et
d‟une couche de sortie figure (III.7) contenant autant de neurones que de réponses désirées [100]. Les
neurones d‟une même couche ne sont pas reliés entre eux. L‟apprentissage de ces réseaux est
supervisé. L‟algorithme utilisé pendant cet apprentissage est connu sous le nom de méthode de
rétropropagation du gradient ou encore « Backpropagation learning » BPL. Cette méthode
d‟apprentissage se divise en deux phases :

- Une phase de propagation, qui consiste à présenter une configuration d‟entrée au réseau
puis à propager cette entrée de la couche d‟entrée à la couche de sortie en passant par les couches
cachées.

Une phase de rétropropagation figure (III.8), qui consiste, après le processus de propagation, à
minimiser l‟erreur commise sur l‟ensemble des exemples présentés, erreur considérée comme une
fonction des poids synaptiques. Cette erreur représente la somme de différences au carré entre les
réponses calculées et celles désirées pour tous les exemples contenus dans l‟ensemble
d‟apprentissage.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -51-
Chapitre : Techniques des réseaux de neurones III

Figure III. 7 : Réseau multi-couches

Il est possible de distinguer deux classes de BPL : adaptation batch (par lot) et adaptation
séquentielle. L‟adaptation BPL batch ne modifie les poids qu‟après avoir présenté complètement
l‟ensemble d‟apprentissage (algorithme off-line).

Figure III. 8 : Apprentissage par rétropropagetion du gradient BPL

Cependant, l‟adaptation séquentielle ajuste les paramètres du réseau au fur et à mesure


que les vecteurs d‟apprentissage sont présentés (algorithme on-line) [99] - [100] - [102].

 Formalisme
Le neurone utilisé est un neurone à fonction d‟activation dérivable, on utilise généralement
la fonction sigmoïde, qui s‟écrit :

1
g(x)  (III. 3)
1  exp(  x)

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -52-
Chapitre : Techniques des réseaux de neurones III

On considère un réseau de n neurones d‟entrée et m neurones de sortie avec un nombre


quelconque de couches cachées.

On utilise les notations suivantes :

X = (X1,X2,…..,Xn) est le vecteur des entrées.

Y = (Y1,Y2,…..,Ym) est le vecteur des sorties désirées.

S = (S1,S2,……,Sm) est le vecteur des sorties effectivement obtenues.

g est la fonction sigmoïde d‟un neurone, g’ sa dérivée

Oj est la sortie du neurone j.

Ii est l‟entrée du neurone i.

e(k) est le pas du gradient à l‟étape k.

L‟erreur commise sur un passage complet de l‟ensemble des exemples est :

E(W)   E (W)
K

(III. 4)
k

m
E k (W)  (Sk  Y k ) 2   (Sik  Yik ) 2 (III. 5)
i 1

Par une descente de gradient sur E (Annexe A), les modifications des poids synaptiques
seront données par :

Wij (k)  Wij (k  1)  e(k).d i .O j (III. 6)

Où di est calculé de proche en proche de la couche de sortie à la couche d‟entrée :

a. d i  2(Si  Yi ).g' (I i ) pour la couche de sortie

b. d i   d h .Whi .g' (I i ) pour la couche cachée


h

h porte sur les neurones vers lesquels i envoie une connexion (Annexe A).

Dans le cas d‟une adaptation BPL batch, la modification des poids est donnée par la formule
suivante [99] :

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -53-
Chapitre : Techniques des réseaux de neurones III

E(W)
Wij (t)  Wij (t  1)  e(t)  (III. 7)
Wij

1 N K
Avec E(W)   E (W)
N k 1
(III. 8)

N est le nombre d‟exemples dans la base d‟apprentissage.

 Difficulté et les limites du modèle


Architecture du réseau : Il n‟existe pas de résultat théorique, ni même de règles empiriques
satisfaisantes, qui permettent de dimensionner correctement un réseau en fonction du problème à
résoudre.

Convergence de l’algorithme : l‟algorithme comporte certains paramètres comme par


exemple le pas du gradient. Il est clair que ce dernier paramètre à une importance : s‟il est trop
faible, la convergence du réseau risque d‟être très lente, s‟il est trop élevé, la convergence risque
d‟osciller.

Temps de calcul : Il n‟existe pas de résultat liant la complexité du problème au temps


d‟apprentissage nécessaire. L‟algorithme de rétropropagation est un grand consommateur de temps
de calcul sur des problèmes de grande taille

Nombre de neurones dans les couches cachées : cette question de la taille des couches
cachées préoccupe les chercheurs du domaine, car si un nombre trop grand peut conduire à une
mauvaise généralisation, un nombre trop faible amène à des grandes difficultés dans la phase
d‟apprentissage, notamment par la création de minima locaux.

III.4.1.2. Réseaux à couches RBF (Radial Basis Function)

Ces réseaux représentent une alternative du MLP (Multilayer perceptron) décrit dans le
paragraphe précédent.

La figure (III. 9) représente un neurone RBF avec R entrées [99].

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -54-
Chapitre : Techniques des réseaux de neurones III

Figure III. 9 : Modèle neuronale « RBF »

Dans ce cas, l‟entrée de la fonction de transfert radiale de base est le vecteur distance entre
son poids W et le vecteur des entrées P, multiplié par le biais b.

La fonction de transfert pour un neurone radial de base est :

radbas(n) = e-n² (III. 9)

La fonction radiale de base a pour maximum `1` quant son entrée est `0`. Un neurone radial
de base agit comme un détecteur qui produit `1` si l‟entrée `P` est identique à son vecteur de poids
`W`. Le biais `b` rend le neurone RBF plus sensible à l‟ajustement.

Les réseaux RBF sont des réseaux à couches qui ont comme origine une technique
d‟interpolation nommée « méthode d‟interpolation RBF » [103]. La méthode RBF se distingue par ses
fonctions-noyau locales, c‟est-à-dire qu‟elles ne donnent de réponses utiles que pour un domaine
restreint de valeurs, c'est-à-dire leur champ récepteur. Ce champ est défini autour d‟un point, le
noyau (ou centre), et est généralement circulaire :

d i (X)  X  Ci (III. 10)

Où di(X) mesure la distance entre le vecteur X et le centre Ci de la ième fonction RBF.

Le réseau RBF est un réseau à trois couches : une couche d‟entrée, une couche cachée
composée de fonction-noyau, et une couche de sortie, dont les neurones sont généralement animés

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -55-
Chapitre : Techniques des réseaux de neurones III

par une fonction d‟activation linéaire. Chaque neurone de la couche cachée réalise donc une
fonction-noyau. La position de son centre est alors codée par les poids d‟entrée du neurone et sa
dimension par un paramètre interne. Le neurone compare ainsi son entrée avec le vecteur codé dans
ses poids (le vecteur prototype) et répond par une activation d‟autant plus forte que l‟entrée est
semblable au vecteur.

L‟activation d‟une unité de sortie d‟un réseau RBF peut en général s‟écrire comme une
combinaison linéaire des fonctions-noyau correspondant aux neurones RBF cachés [100] – [103]

m1
F(x)   w i G( x  C i ) (III. 11)
i 1

wi : poids synaptiques linéaires de la couche de sortie du réseau.

avec m1 : nombre de centres

[107]
Il existe plusieurs algorithmes d'apprentissage pour les réseaux RBF , le plus classique
met en ouvre une stratégie d'apprentissage hybride. Il estime la position et la largeur des fonctions
noyaux à l'aide d'un algorithme de classification non-supervisé, puis à l'aide d'un algorithme
supervisé basé sur la méthode des moindres carrés, il détermine le poids des connexions entre la
couche cachée et la couche de sortie. Comme les sorties sont linéaires, un algorithme non itératif
peut être utilisé. Une fois cette première approximation effectuée, un algorithme supervisé de type
gradient est utilisé pour affiner les paramètres du réseau.

Cet algorithme hybride utilisé dans le cadre des réseaux RBF converge beaucoup plus
rapidement que la rétro-propagation utilisée dans le cadre des MLP. Cependant, pour de nombreux
problèmes, l'utilisation d'un RBF nécessite beaucoup plus de cellules cachées que pour un MLP, ce
qui conduit à une exécution beaucoup plus lente en phase d'exploitation.

L'efficacité (le ratio erreur/taille du réseau) d'un réseau RBF et d'un MLP est dépendante du
problème traité. Il a été démontré qu'un réseau RBF avait la même puissance d'approximation
asymptotique qu'un MLP.

III.4.2. Réseaux de Hopfied

Les réseaux de Hopfield sont des réseaux récurrents et entièrement connectés. Dans ce type
de réseau, chaque neurone est connecté à chaque autre neurone et il n'y a aucune différenciation
entre les neurones d'entrée et de sortie. Ils fonctionnent comme une mémoire associative non-
linéaire et sont capables de trouver un objet stocké en fonction de représentations partielles ou

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -56-
Chapitre : Techniques des réseaux de neurones III

bruitées. L'application principale des réseaux de Hopfield est l'entrepôt de connaissances mais aussi
la résolution de problèmes d'optimisation. Le mode d'apprentissage utilisé ici est le mode non-
supervisé [116].

III.4.3. Réseaux de Kohonen

Le réseau de Kohonen repose sur des modèles biologiques comme celui de l‟ouïe [100]
.
Kohonen a proposé un mécanisme qui permet au réseau neuronal de s‟auto-organiser, c‟est à dire
qu‟il n‟a pas besoin des sorties désirées pour corriger ses sorties. Le réseau de Kohonen est capable
d‟identifier des caractéristiques communes des formes d‟entrée qui constituent l‟ensemble
d‟apprentissage. Il utilise un apprentissage non supervisé pour modifier son état interne. La
topologie du réseau est formée de deux couches : une couche d‟entrée classique et une couche de
sortie où les neurones sont entièrement connectés dans un plan. Quand une donnée est présentée au
réseau, l‟un des neurones de la couche de sortie aura la valeur la plus importante. C‟est le numéro
de ce neurone, correspondant à une classe, qui constituera l‟information extraite par le réseau de
Kohonen.

L‟apprentissage consiste à adapter de manière itérative, les poids des connexions afin de
spécialiser les neurones en fonction des types de signaux présentés en entrée du réseau. On définit
autour de chaque neurone un voisinage qui évoluera dans le temps en se rétrécissant. Après avoir
initialisé les connexions aléatoirement, on calcule la distance qui s‟étend entre l‟entrée et chaque
neurone de sortie, puis on choisit le neurone de distance minimale. Il ne reste alors qu‟à modifier les
poids des connexions des neurones de leur voisinage et d‟itérer le processus après avoir réduit les
voisinages. Ce modèle de réseau à donné des résultats impressionnants dans le domaine de la
reconnaissance de la parole.

III.5. Domaine d’applications

Se trouvant à l'intersection de différents domaines (informatique, électronique, science


cognitive, neurobiologie et même philosophie), l'étude des réseaux de neurones est une voie
prometteuse de l'Intelligence Artificielle, qui a des applications dans de nombreux domaines :

 Industrie : contrôle qualité, diagnostic de panne, corrélations entre les données fournies
par différents capteurs, analyse de signature ou d'écriture manuscrite, Finance : prévision
et modélisation du marché (cours de monnaies...), sélection d'investissements, attribution
de crédits.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -57-
Chapitre : Techniques des réseaux de neurones III

 Télécommunications et informatique : analyse du signal, élimination du bruit,


reconnaissance de formes (bruits, images, paroles), compression de données.
 Environnement : évaluation des risques, analyse chimique, prévisions et modélisation
météorologiques, gestion des ressources.

III.6. Conclusion

Dans ce chapitre, nous nous sommes appuyés sur les modèles neuronaux les plus
fréquemment employés pour exposer la théorie des réseaux de neurones. Les différents modèles
représentatifs des familles d‟architecture neuronale sont présentés a de fin de mettre en évidence
leurs application potentielles et possibilités de fonction particulières.

Les choix du type d‟architecture, de sa taille, du nombre de couches cachées, du nombre


d‟exemples à utiliser, de la valeur initiale des poids sont sortent définis d‟une manière arbitraire (par
tâtonnement) sachant que la réussite du fonctionnement du système conçu dépend du choix de ces
paramètres.

Ce formalisme mathématique basé sur les réseaux de neurones sera largement utilisé dans le
chapitre suivant pour la détection et la localisation des tumeurs dans le sein.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -58-
C hapitre IV

R
ésultats de S imulations
Chapitre : Résultats de simulations IV

IV.1. Introduction

Les recherches dans le domaine de la reconstruction d'objets à partir de champs


électromagnétiques ont pris une ampleur considérable durant la dernière décennie, en raison de
leurs diverses applications dans de nombreux domaines comme la médecine (détection du cancer),
la biologie, géophysique et d'autres sciences [105].

Le cancer du sein est l'une des maladies les plus dangereuses dans le monde moderne avec
une mortalité élevée [54]. On estime que dans l'Union européenne, toutes les 2,5 minutes, une femme
reçoit un diagnostic de cancer du sein. Toutes les 7,5 minutes, une femme meurt de la maladie.
L‟Algérie a connu ces dix dernières années une évolution importante du nombre de cancers du sein,
En 2008 on dénombre 5 000 à 7 000 nouveaux cas alors qu‟en 2003 on en comptait 2 000 par
an[106].

La détection précoce des petites tumeurs du sein est absolument nécessaire pour prévenir les
métastases du cancer et pour l'obtention d'un bon pronostic du traitement du cancer. Par conséquent,
il est très important de disposer des technologies et des algorithmes qui sont capables de
reconstruire une image tumorale de quelques millilitres dans le sein non-invasive et avec un coût
relativement faible.

Nous proposons dans ce chapitre une nouvelle approche stochastique basée sur les réseaux
de neurones capable de détecter et localiser le cancer du sein. Nous présentons dans cette dernière
partie les résultats concernant la localisation en une seule dimension de la tumeur.

IV.2. Modèle du sein utilisé pour la collection des données

Dans notre application ; nous avons utilisé le logiciel « CST »pour simulé le modèle de sein
en 3D et en présence d‟une tumeur. Le dispositif ainsi simulé comprend le modèle du sein en 3D et
des antennes d‟émission et de réception. Les données collectées par simulation seront utilisée
comme base de données d‟apprentissage des réseaux de neurones artificiels (RNA).

IV.2.1. Modèle de sein

Dans la littérature, différentes dimensions du modèle du sein ont été utilisés [107] - [108] - [109]. Le
choix du modèle dépend de l‟application visée.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -60-
Chapitre : Résultats de simulations IV

Paramètres de Modèle Taille en (cm)


Diamètre du sein 10
Hauteur du sein 6
Epaisseur de la peau 0.2
Epaisseur de la poitrine 2
Tableau IV. 1 : Dimensions des paramètres du modèle

Dans notre application, nous avons utilisé un modèle donné par « S. A. AlShehri et S. Khatun », ayant
la forme hémisphérique (figure IV. 1) et les dimensions sont données dans le tableau (IV. 1).

Figure IV. 1 : Vue du modèle sous CST

Les propriétés diélectriques utilisées sont données dans le tableau (IV. 2) [109]
, où σ est la
conductivité des tissus en (siemens / mètre) et εr est la permittivité relative.

Conductivité σ (S/M) Permittivité εr

Peau 1.49 37.9


Graisse 0.14 5.14
Poitrine 1.85 53.5
Tumeur 1.20 50
Tableau IV. 2 : Propriétés diélectriques des paramètres du modèle

[110] - [111] - [112] - [113]


Dans la littérature , le rayon de la tumeur varie de 0,2 cm à 1,5 cm. Dans
notre cas, nous avons pris une tumeur ayant un rayon de 0,3cm vue qu‟elle est proche de la taille
minimale.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -61-
Chapitre : Résultats de simulations IV

IV.2.2. Choix de l’antenne

Dans notre application, nous avons utilisé une antenne papillon (bow-tie) représentée par la
figure (IV. 3) pour la transmission d‟une impulsion gaussienne dont la fréquence centrale est de
4GHz figure (IV. 2). Cette même antenne sera utilisée pour la récupération du signal diffusé (figure
IV.4).

Figure IV. 2: Impulsion gaussienne Transmise

Ce type d‟antenne est très utilisé dans notre domaine de recherche. On peut assimiler cette
antenne à une antenne dipolaire dont on aurait élargi les fils dans l‟optique d‟augmenter la bande
passante figure (IV. 3). Les antennes papillon présentent de nombreux avantages, tels que le faible
profile, de haute efficacité de rayonnement et faciles pour la fabrication etc. Ils sont utilisés dans de
nombreux domaines en raison des avantages mentionnés ci-dessus, tels que les radars à ondes
[114] - [115] [116] - [117]
pénétrantes et d'impulsion des antennes . Ces antennes ont une polarisation linéaire
mais un gain et une directivité faible.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -62-
Chapitre : Résultats de simulations IV

Figure IV. 3 : Vues de dessus et de côté d’antenne bow-tie UWB

Avec :
H = 1,66 mm ; Θf= 73° ; L=24,37 mm; Sf=832,8 µm;
Wf=832,8 µm; H=1,666mm
Dans ce travail, on a utilisé deux antennes papillon, dont l‟une est utilisée pour la
transmission d‟impulsion gaussien et l‟autre pour la récupération des données (figure IV. 4). Le
transmetteur (Tx) et Récepteur (Rx) sont séparés par une distance de 10 cm (diamètre du sein).

Figure IV. 4 : Représentation des antennes dans le modèle

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -63-
Chapitre : Résultats de simulations IV

Les caractéristiques de coefficient de réflexion et de transmission de l‟antenne sont


représentées dans la figure (IV. 5).

Figure IV. 5 : Caractéristiques S11 et S21 d'une antenne en forme bow-tie

Une fois le modèle de simulation élaboré nous avons utilisé une méthode originale basée sur
les réseaux de neurones artificiels capable de détecter et de localiser les tumeurs

IV.3. Etapes de construction et de validation des réseaux de neurones

Généralement, les étapes de construction et de validation des réseaux neuronaux sont réparties en
quatre phases :

 Choix des entrées des réseaux,


 Choix des sorties des réseaux,

 Choix de l‟architecture totale des réseaux étudiés,


 Tests des réseaux sélectionnés sur de nouveaux exemples proches des exemples
d‟apprentissage.
Dans nos applications, nous avons fait appel au logiciel Matlab, ” Toolbox neural networks”
afin de réaliser ces étapes [30].

La figure (IV. 6) représente le schéma synoptique de la phase de test du modèle construit par
les réseaux de neurones artificiels (RNA).

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -64-
Chapitre : Résultats de simulations IV

Figure IV. 6 : Schéma synoptique de la phase de test du modèle par RNA

IV.3.1. Construction du réseau de neurones

La construction du réseau de neurones se fait par un processus itératif sur les échantillons
d‟une base de données construite préablement. Cette base de données contient un ensemble de
données (entrée/sortie) obtenues par simulation en utilisant le logiciel « CST ». Pour cela nous
avons procédé de la manière suivante :

1. Placez une paire d‟émetteur - récepteur à des cotés opposé du modèle du sein ;
2. Placez une tumeur à n‟import quelle endroit ``l`` le long de l‟axe «y »;
3. Transmettre une impulsion gaussienne d‟une onde plane dans la direction de l‟axe des
abscisses ;
4. Recevoir le signal dans le point opposé ;
5. Changer l‟emplacement de la tumeur et répéter les étapes (3-4).
Cette procédure de génération de données a été réalisée pour 45 endroits différents en
déplaçant la tumeur le long de l‟axe „y‟. En outre, le modèle sans le tissu tumoral a été utilisé à 5
reprises pour obtenir des signaux propagés à travers les tissue mammaires. En conséquence, deux
groupes de signaux reçus ont été formés comme suit:

Groupe (1) : un ensemble de 40 signaux (37 avec tumeur et 3 sans tumeurs) ont été utilisés
pour l‟apprentissage du RNA.

Groupe (2) : un ensemble de 10 signaux (8 avec tumeur et 2 sans tumeur) ont été utilisé
pour la phase de test du RNA.

IV.3.2. Phase de pré-traitement des données

Par ailleurs, nous avons remarqué que les signaux reçus par le récepteur contiennent un
nombre d‟échantillons qui peut aller de 4500 à 7200 échantillons (figure IV. 7). Afin de réduire ce
nombre, nous avons pris uniquement un segment du signal la où la signature tumorale est

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -65-
Chapitre : Résultats de simulations IV

prépondérante. Les figures (IV.8) et (IV.9) représentent l‟évolution de trois signaux reçus (sans
tumeur, tumeur a 0mm et tumeur à 6mm). On constate d‟après la figure (IV.9) qu‟une signature
tumorale peut être prise dans le segment (1,8 ns et 3,62ns), cependant le nombre d‟échantillons
varie d‟un signal à l‟autre. Dans le but de fixer un pas d‟échantillonnage du signal, nous procédé à
une interpolation cubique de Hermite permettant de générer un polynôme P(x i) tout en gardant la
même allure du signal (Annexe B). Le nombre d‟échantillons obtenus après interpolation avec un
pas de 0.01 dans le segment (1,8 ns et 3,62ns) est de 183.

Figure IV. 7 : (a) signal transmis, (b) signal reçu

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -66-
Chapitre : Résultats de simulations IV

Figure IV. 8 : Trois signaux reçus dans le segment du temps (0,2 ns et 1,8 ns)

Figure IV. 9 : Trois signaux reçus dans le segment du temps (1,8 ns et 3,62)

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -67-
Chapitre : Résultats de simulations IV

IV.3.3. Dimensionnement du réseau

Il n‟existe pas des résultats théorique, ni même pas des règles empiriques satisfaisantes, qui
permettent de dimensionner un réseau de neurones en fonction de problème à résoudre. La
conception d‟un réseau multicouche se fait de manière expérimentale, la difficulté se pose
généralement au moment du choix du nombre des couches intermédiaires et du nombre de neurone
dans chacune d‟elles. Pour la couche d‟entrée, elle contient autant de neurones que le nombre
d‟éléments du vecteur d‟entrée. De même pour la couche de sortie elle contient autant de neurones
que le nombre d‟états à discriminer. De ce fait, la couche d‟entrée est constituée de 183 neurones et
la couche de sortie est constituée d‟un seul neurone.

Pour déterminer le nombre de neurones de la couche cachée, nous avons procédé de la


manière suivante :

1. Préparer la base de données choisie pour l‟apprentissage.


2. Créer le réseau de neurone dont le nombre de neurones de la couche d‟entrée et de sortie
est fixé suivant le vecteur d‟entrée et de sortie respectivement.
3. Désigner un nombre de neurones arbitraires dans la couche cachée.
4. Fixer une erreur de très faible valeur ainsi le nombre d‟itérations.
5. Lancer l‟apprentissage.
Tant que le processus diverge, augmenter le nombre de neurone dans la couche cachée, si
celui-ci est trop élevé augmenter le nombre de couches cachées

Après plusieurs essais, un réseau multicouche à été retenu avec la topologie suivante (figure
IV. 10).

 Une couche d‟entrée : elle comprend 183 neurones représentant le signal reçu après
interpolation avec un nombre d‟échantillons égal à 183.
 Deux couches cachées : composées chacune de 40 et 15 neurones.
 Une couche de sortie : composé d‟un seul neurone représentant la position de la tumeur.
Il n‟existe malheureusement pas de « super architecture neuronale », c'est-à-dire
d‟architecture fixe pour la quelle il suffirait d‟adapter les poids au problème afin d‟obtenir les
meilleurs performances possibles. De manière générale, la taille et le type des connexions d‟un
réseau influent sur ces performances. Notons toutefois que cette architecture (183-40-15-1) n‟est
pas unique et qu‟il existe souvent plusieurs architecture permettant d‟obtenir la même performance.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -68-
Chapitre : Résultats de simulations IV

Figure IV. 10 : Modèle RNA

Il est à noter que si la sortie de RNA est égale à „-1‟, cela veut dire que la tumeur n‟existe
pas.

IV.3.4. Phase d’apprentissage

L‟apprentissage vise à découvrir les relations et motifs cachées dans des collections des
données brutes. Il permet également de pallier les difficultés liées à l‟acquisition de connaissances
auprès d‟experts du domaine. Un système d‟apprentissage prend en entrée un ensemble d‟exemples
dont il cherche une définition. Dans notre cas, on cherche à apprendre le système à détecté et à
localisée la tumeur à partir des signaux fournis à son entrée. Ces signaux sont présentés sous forme
de paramètre (éléments du vecteur d‟entrée) qui représente les signaux diffusés par la tumeur.
L‟algorithme d‟apprentissage, dans ce cas assure que les positions produites permettent de
discriminer aux mieux les exemples en entrée.

Une fois que l‟architecture du réseau a été décidée, la phase d‟apprentissage permet de
calculer les points synaptiques Wi à chaque neurone final. Elle utilise l‟algorithme de descente de
gradient avec momentum „traingdm‟ (Annexe A). Les paramètres de la topologie et de
l‟apprentissage sont résumés dans le tableau (IV. 3).

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -69-
Chapitre : Résultats de simulations IV

Les paramètres de RN utilisés dans MATLAB valeurs


Nombre de neurones dans la couche d'entrée 183
er
Nombre de neurones dans 1 couche cachée 40
Nombre de neurones dans 2éme couche cachée 15
Nombre des neurones dans la couche de sortie 1
Fonction d‟activation sigmoïde
Algorithme d‟apprentissage traingdm
Taux d'apprentissage 0,012
Constante momentum 0,9
Nombre d‟itérations 500 000

Tableau IV. 3 : Paramètres utilisés pour la topologie et l’apprentissage

Remarque : La phase d‟apprentissage a durée 17h avec une erreur finale obtenue de 0,000908.

IV.4. Résultat de simulation et de test

Une fois la phase d‟apprentissage achevée, nous avons testé les performances du RNA en
utilisant le groupe 2 de test élaboré auparavant. On remarque que les positions obtenues par le RNA
restent très proches des positions réelles sous „CST‟ avec un meilleurs taux de détection (tableau
IV. 4). Il est à noter que les valeurs données par le tableau (IV.4) sont des valeurs normalisées (par
rapport au diamètre du sein) vue que la sortie du RNA ne peut prendre que des valeurs entre -1 et 1
et ceci est du à la fonction d‟activation sigmoïde de la couche de sortie.

On remarque d‟après le tableau (IV. 4) que pour des signaux d‟entrée du RNA en présence
d‟une tumeur à différentes positions, la sortie du RNA est très proche de la position réelle sous «
CST ». Cependant, pour des signaux d‟entrée sans présence d‟une tumeur, la sortie du RNA est
négative et pour chaque signal d‟entrée sans tumeur, la sortie du RNA est négative, ce qui montre la
performance du RNA de point de vue détection et localisation.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -70-
Chapitre : Résultats de simulations IV

1er couche 2éme couche


cachée cachée
40 15
Position réelle dans le simulateur Sortie du Réseau de Neurones
EM (en cm) (en cm)
0,28 0,2592
0,4 0,4003
-1 -1
0,52 0,5235
0,6 0,5675
0,68 0,674
0,78 0,7506
0,34 0,3277
0,46 0,4394
-1 -0,9980
Tableau IV. 4 : Position tumorale réelle et sortie du RNA

Par ailleurs, le modèle du RNA (avec une tumeur de rayon 0,3 cm) a été testé pour deux
autres rayons (0,2 cm et 0,4 cm) a fin de vérifier les performances du RNA. On a remarqué que le
RNA est capable de détecter la présence des tumeurs dans les deux cas, cependant l‟erreur de
localisation reste très élevée. Par exemple, une tumeur avec un rayon de 0,2 cm a été localisée à 8,7
cm alors qu'elle était placée à 6,5 cm, et pour un rayon de 0,4 cm la position donnée par le RNA est
de 8,8 cm avec la même position réelle.

IV.5. Etude comparative des différentes topologies de RNA

Par ailleurs, nous avons testé d‟autre topologie tout en changeant uniquement le nombre de
neurone dans les couches cachées et en gardant les mêmes paramètres d‟apprentissages.

Le Tableau (IV. 5) donne les résultats de simulation des différentes topologies, ainsi que la
position réelle dans le simulateur EM.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -71-
Chapitre : Résultats de simulations IV

La position Topologie 1 Topologie 2 Topologie 3 Topologie 4


er éme er éme er éme er
réelle dans 1 2 1 2 1 2 1 2éme 3éme
le couche couche couche couche couche couche couche couche couche
simulateur cachée cachée cachée cachée cachée cachée cachée cachée cachée
EM (en cm) 35 12 15 5 40 15 40 25 15
0,28 0,2354 0,3355 0,2592 0,2684
0,4 0,4120 0,3593 0,4003 0,4273
-1 -1 -1 -1 -1
0,52 0,4876 0,5907 0,5235 0,4997
0,6 0,5700 0,6276 0,5675 0,5184
0,68 0,6794 0,6854 0,6740 0,8276
0,78 0,5534 0,5664 0,7506 0,1974
0,34 0,3826 0,2876 0,3277 0,3464
0,46 0,4456 0,4784 0,4394 0,4060
-1 -0,9918 -0,9974 -0,9980 -0,9964
Tableau IV. 5 : Résultats de simulation des différentes topologies

En regardant le tableau (IV. 5), on remarque que pour un signal d‟entrée sans tumeur, la
sortie des 4 topologies est négative ce qu i signifie que le taux de détection est presque 100%.

On remarque aussi que la topologie „1‟ donne des positions de tumeur acceptable sauf pour les deux
positions (0,28 cm et 0,78 cm), tandis que la topologie 2 donne des positions éloignées de la
position réelle pour la plus part des cas. Cependant pour la topologie 4 où on a utilisé trois couches
cachées, les positions de tumeurs obtenues sont très éloignées de la position réelle, ceci est du au
phénomène de sur apprentissage.

La figure (IV. 10) représente l‟erreur relative des différentes topologies

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -72-
Chapitre : Résultats de simulations IV

Figure IV. 11 : Erreur relative des différentes topologies

A partir de la figure (IV. 10), on constate que les meilleurs résultats sont obtenus en utilisant
topologie 3 où l‟erreur relative est très faible par rapport aux autres topologies.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -73-
Chapitre : Résultats de simulations IV

IV.6. Conclusion

Dans ce travail, un réseau de neurones multi-couches à rétropropagation du gradient à été


utilisé pour identifier l'existence et l'emplacement du tissu tumoral dans un modèle de sein. Ces
résultats de simulation sont très satisfaisants de point de vue détection et localisation. Les signaux
reçus ont été utilisés pour construire une base de données pour la phase d‟apprentissage du modèle
de RNA.

A la différence des autres approches que nous avons étudiées, notre approche prend en
considération la forme du signal représentant l‟onde diffusé par le modèle de sien. A fin d‟évaluer
les performances de cette approche, nous avons effectué un nombre important de test. Nous somme
convaincu que la partie de l‟étude de développement la pus délicate réside dans le choix des
paramètres et le dimensionnement de réseau de neurones. Ensuite, il suffit souvent d‟appliquer
quelques règles dont certaines ont été indiquées pour obtenir une architecture neuronale
satisfaisante.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -74-
C
onclusion G énérale et P erspectives
Conclusion générale et perspectives E

Dans ce mémoire de Magistère, nous nous somme intéressés à l‟étude du problème de la


détection et de la localisation des objets par imagerie micro ondes, et en particulier la détection et la
localisation des tumeurs dans le sein.

Une recherche bibliographique importante nous a permis de réaliser une description générale
des différentes techniques et algorithmes utilisées jusqu‟ici dans ce domaine de recherche ; en
s‟intéressant principalement à l‟étude de l‟imagerie micro onde tomographique dans les situations
des objets à contraste élevé. Une formulation non linéaire du problème est alors nécessaire. La
méthode des moments est choisie pour la résolution du problème directe et l‟algorithme de Newton-
Kantorovich pour l‟optimisation de la permittivité complexe. Aussi, l‟algorithme de Gauss-Newton
a été utilisé dans la régularisation du problème.

Dans une deuxième étape nous avons proposé une nouvelle variante d‟algorithme de
détection et de localisation basée cette-fois-ci sur un formalisme mathématique de modélisation, en
utilisant les réseaux de neurones.

L‟approche neuronale permet non seulement d‟établir des relations analytiques importantes
pour la phase de détection, mais aussi une grande flexibilité puisqu‟il n‟y a aucune restriction quant
au nombre de paramètres du système en entrée et en sortie.

Les résultats obtenus montrent le bien fondé de l‟approche utilisée de point de vue précision.
L‟approche neuronale réduit à l‟extrême le temps de calcul ou de réponse lors de la phase
d‟utilisation ou de généralisation. L‟utilisation d‟un algorithme d‟apprentissage celui de la descente
du gradient avec momentum s‟est montrée très efficace. La précision du modèle construit dépend
du nombre d‟exemples concrets contenus dans la base de données de l‟apprentissage. C‟est
pourquoi dans ce type d‟application, des calculateurs rapides et puissants sont vivement
recommandés.

De nombreuses perspectives à ces travaux peuvent être envisagées a savoir :

- Détection et localisation des objets suivant deux ou trois directions.


- Généralisation de l‟approche neuronale pour la distinction entre des tumeurs malines et
bénignes.
- Développement d‟un système d‟imagerie micro-ondes Ultra Large Bande.
Enfin, les apports acquis lors de ce travail de recherche scientifique peuvent entre regrouper
autour de trois idées principales :

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -76-
Conclusion générale et perspectives E

 Des compétences sont acquises sur le plan technique grâce aux outils de calcul scientifique,
de modélisation et de simulation de tels algorithmes.
 Des difficultés ont été rencontrées lors de la recherche des solutions appropriées, qui elles-
mêmes ont été trouvées en se basant soit sur la recherche bibliographique ou sur
l‟orientation et le soutien apportés par mes encadreurs.
 Une vision sur le secteur vers le quel je souhaite voir évoluer ma carrière autant que
chercheur.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -77-
Annexe
Annexe : Règles d’apprentissage pour les réseaux multicouches à rétropropagation du gradient A

Règles d’apprentissage pour les réseaux multicouches à rétropropagation du gradient

On considère un réseau de « n » neurones d‟entrées et « m » neurones de sorties, avec un


nombre quelconque de couches cachées [97].

Ces neurones ne sont connectés qu‟à des neurones plus en aval.

Les notations utilisées sont :

X = (X1,X2,…….,Xn) est le vecteur des entrées ;

Y = (Y1,Y2,……..,Ym) est le vecteur des sorties désirées ;

S = (S1,S2,………,Sm) est le vecteur sorties obtenues ;

g est la fonction d‟activation du neurone, g‟ sa dérivée ;

Oj est la sortie du neurone j ;

Ii est l‟entrée du neurone i ;

e(k) est le pas du gradient à l‟étape k.

L‟erreur commise sur un passage complet de l‟ensemble des exemples est :

E ( w)   E K ( w) (A. 1)
K

où EK(w) est l‟erreur commise sur un exemple donné :

m
E K ( w)  ( S K  Y K ) 2   ( S iK  Yi K ) 2 (A. 2)
i 1

L‟algorithme de rétropropagation consiste à effectuer une descente de gradient sur E. On effectue


une modification de chaque poids après chaque passage d‟un exemple K, suivant la formule :

E K
wij ( K )  wij ( K  1)  e( K )  (A. 3)
wij

E K E K I i
  (A. 4)
wij I i wij

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -79-
Annexe : Règles d’apprentissage pour les réseaux multicouches à rétropropagation du gradient A

 ( wip  O p )
I i
  Oj
p
Or (A. 5)
wij wij

L‟indice (p) portant sur les neurones appartenant à la couche précédant celle de i, les sorties
Op de ces neurones ne dépendent pas de wij .

On obtient donc :

E K E K
 Oj (A. 6)
wij I i

Si on prend :

E K
di  (A. 7)
I i

On aura :

E K
 d i .O j (A. 8)
wij

Et donc :

wij ( K )  wij ( K  1)  e( K ).d i .O j (A. 9)

Pour un neurone i de la couche de sorties, on a :

( ( S Kj  Y jK ) 2 )
S iK
di   2( S iK  Yi K ) 
j
(A. 10)
I i I i

Car seul S ik dépend de Ii

comme S ik =g(Ii), il vient :

d i  2(S iK  Yi K ).g ' ( I i ) (A. 11)

E K I h I
Pour les neurones des couches cachées : d i      dh h
h I h I i h I i

où l‟indice h porte sur les neurones sur lesquels le neurone i envoie des connexions.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -80-
Annexe : Règles d’apprentissage pour les réseaux multicouches à rétropropagation du gradient A

En effet, les entrées des autres neurones ne dépendent pas de Ii. On a donc :

I h Oi
di   d h   (A. 12)
h Oi I i

( whp  O p )
I h
  whi
p
Or (A. 13)
Oi Oi

car p portant sur les neurones envoyant une connexion vers h, ces neurones sont situés sur la même
couche que i et donc les Op ne dépendent pas de Oi (pour p≠i).

Comme de plus Oi=g(Ii), on obtient finalement : d i   d h  whi  g ' ( I i )


h

Ce qui montre bien que l‟erreur est rétropagée.

La règle de modification des poids à la présentation numéro K de l‟exemple X est :

wij ( K )  wij ( K  1)  e( K ).d i .O j (A. 14)

Où l‟on a

(1) d i  2(Si  Yi )  g ' ( I i ) pour la couche de sortie

(2) d i   d h whi g ' ( I i ) pour les couches cachées


h

h porte sur les neurones vers lesquels i envoie une connexion.

 Algorithmes avancés
Il existe d‟autres algorithmes avancés tel que :

 La méthode du « Momentum » proposée par Rumelhart, Hinton et Williams qui permet


d‟améliorer le temps d‟apprentissage du réseau et la stabilité du processus. Cette
méthode consiste à ajouter aux variations des poids synaptiques, calculés par la
rétropropagation, un terme proportionnel au changement précédent [103]:
wij (t )  K d i O j   [wij (t  1)] (A. 15)

Et wij (t )  wij (t  1)  wij (t )

avec α le coefficient de momentum

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -81-
Annexe : Règles d’apprentissage pour les réseaux multicouches à rétropropagation du gradient A

 Sejnowski et Rosemberg ont proposé une méthode similaire à la précédente telle que :
wij (t )  (1   ) d i O j   [wij (t  1)] (A. 16)

Et wij (t )  wij (t  1)  Kwij (t )

Avec α  [0,1].

Ces deux méthodes ont donné de très bons résultas dans quelques applications.

 Parker à décrit une méthode appelée « rétropropagation du second ordre » pour augmenter la
vitesse de convergence de l‟algorithme de rétropropagation. Cette méthode utilise la dérivée
seconde de la fonction d‟activation pour le calcul de la variation des poids.
 Les méthodes de Quasi-Newton et de Levenberg Marquardt profitent de l‟information de la
dérivée seconde, en approximant la matrice Hessienne [100] - [104]:
Wij (t  1)  Wij (t )  ( J T J  I ) 1 J T e (A. 17)

Avec : H est la matrice Hessienne : H = JT J

e est le vecteur d‟erreur

J est la matrice jacobienne première dérivée de l‟erreur

µ est un scalaire, I matrice identité

si µ = 0, il s‟agit de la méthode de Newton

si µ augmente, il s‟agit de la méthode du gradient

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -82-
Annexe : Interpolation cubique de Hermite B

Interpolation cubique de Hermite [118]

Soient (xi, yi), i = 0, . . ., n, n + 1 couples de valeurs réelles. Le but de tout probléme


d‟interpolation est de déterminer une fonction g simple, telle que :

g(xi) = yi, avec i = 0, . . . , n. (B. 1)

dLes points (xi, yi) sont appelés les points d‟interpolation. L‟interpolation polynomiale
consiste à chercher la fonction g sous la forme d‟un polynôme.

On remplace la courbe de « f » par la droite passant par (xi, f(xi)) et (xi+1, f(xi+1)) :

f x i1   f x i 
px   f x i   x  x i  (B. 2)
x i 1  x i

Dans l‟interpolation de Hermite on cherche un polynôme qui prenne non seulement ses
valeurs en un certain nombre de points d‟interpolation donnés mais dont le polynôme dérivé est
aussi fixé en ces points. On cherche un polynôme « P » tel que :

P(xi) = yi, i = 0, . . . , n

P`(xi) = zi, i = 0, . . . , n.

On a 2(n + 1) = 2n + 2 valeurs données, le polynôme sera de degré au plus 2n + 1.

Soient P et Q deux polynômes de degré inférieur ou égal à 2n + 1 tels que :

P(xi) = Q(xi) = yi et P`(xi) = Q`(xi) = zi, i = 0, . . . , n. (B. 3)

Notons R = P − Q, polynôme de degré inférieur ou égal à 2n + 1. Alors R possède au moins


n+1 racines doubles (les xi, i = 0, . . . , n car P et P` s‟annulent en xi) soit 2n+2 racines, ce qui
signifie que R est le polynôme nul.

Soit f ϵ C2n+1 ([a, b]), dérivable (2n + 2) fois sur ]a, b[. Si a ≤ x0 < x1 < · · · < xn ≤ b, alors :

f x   Px  
x  x 0  x  x 1  .......x  x n  2n2 
2 2 2

f ξ  (B. 4)
2n  2!
Pour ξ tel que a ≤ min(x, x0) < ξ < max(x, xn) ≤ b.

On se donne une fonction f que l‟on cherche à interpoler sur un intervalle [a, b]. Soient n
points xi dans cet intervalle tels que a = x1 < · · · < xn = b. On note yi = f(xi), i = 1, . . . , n. Sur

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -83-
Annexe : Interpolation cubique de Hermite B

chaque intervalle [xi, xi+1], i = 1, . . . , n−1, on cherche un polynôme Pi, i = 1, . . . , n−1 de degré 3
tel que :

Pi (xi) = yi et Pi(xi+1) = yi+1, i = 1, . . . , n − 1

P`i (xi) = si et Pi (xi+1) = si+1, i = 1, . . . , n − 1

où si, i = 1, . . . , n sont des paramètres libres que nous préciserons plus tard.

Pour connaître le polynôme Pi de degré 3, nous avons bien 4 équations pour 4 inconnues !

Alors, quel que soit le choix de si, i = 1, . . . , n, le polynômes P, qui restreint à chaque
intervalle [xi, xi+1], i = 1, . . . , n − 1 vaut Pi, est une fonction de classe C1([a, b]), continue et
dérivable sur [a, b], de dérivée continue sur [a, b]. On présente deux exemples de choix pour les
paramètres si, i = 1, . . . , n, qui sont les plus utilisés et les plus intéressants du point de vue de
l‟approximation.

On choisit si = f`(xi), i = 1, . . . , n. On peut alors démontrer que sur chaque intervalle [xi, xi+1], i = 1,
. . . , n − 1, on a :

f 4  ξ 
4
 x  xi 
f x   p i x    i1 
 max ; ξ  x i , x i 1  (B. 5)
 2  x i  x  x i 1 4!

et donc que si f ϵ C4 ([a, b]), on a :

f x   Px  
b - a
4
max f 4  ξ  , ξ  a, b (B. 6)
384 a  x b

Les paramètres si sont déterminés par la condition : “P doit ˆêtre deux fois continument dérivable”.
Ce qui donne les conditions :

Pi`` x i   Pi``1 x i , i  2,...............n - 1. (B. 7)

Ces conditions donnent un système tridiagonal de n − 2 équations qui est à diagonale strictement
dominante donc inversible. Ce système a donc une solution et une seule. Il manque encore deux
conditions qu‟on appelle les conditions de bord, à savoir le choix de s1 et sn.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -84-
Annexe : Interpolation cubique de Hermite B

Le choix le plus simple est la condition libre s1 = sn = 0 qui donne le spline naturel de f.
Mais ce choix est mauvais du point de vue de l‟approximation car cela provoque des erreurs au bord
de l‟intervalle et diminue donc la qualité de l‟approximation. Un autre choix naturel si f` est connue
aux extrémités est s1 = f`(x1) et sn = f`(xn), ce qui donne le spline interpolant complet de f.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -85-
Référence C

Référence

[1] T. Henriksson, Student Member, IEEE, N. Joachimowicz, C. Conessa, Member, IEEE and J.-
Ch. Bolomey, Fellow Member, IEEE, ``Quantitative Microwave Imaging for Breast Cancer
Detection Using a Planar 2.45 GHz System``. IEEE TRANSACTIONS ON INSTRUMENTATION
AND MEASUREMENT, VOL. 59, NO. 10, OCTOBER 2010, pp 2691 - 2699

[2] Nadine Joachimowicz, Christian Pichot, and Jean-Paul Hugonin, ``Inverse Scattering: An
Iterative Numerical Method for Electromagnetic Imaging``. IEEE TRANSACTIONS ON
ANTENNAS AND PROPAGATION, VOL. 39, NO. 12, DECEMBER 1991, pp 1742 - 1753

[3] L. E. Larsen and J. H. Jacobi. ``Microwave scattering parameter imagery of an solated canine
kidney``. Med. Phys., vol. 6, pp. 394–403, 1979.

[4] J. C. Bolomey, A. Izadnegahdar, L. Jofre, C. Pichot, G. Perronet, and M.Soalaimani. ``Microwave


diffraction tomography for biomedical applications``. IEEE Trans. MTT, vol. 30, pp. 1998–2000,
November 1982.

[5] A.K.KUNDU, B.BANDYOPADHYAY. ``Reconstruction Algorithm for Microwave Tomography


Using Iterative Regularized Gauss-Newton Method‖ International Conference on Computer and
devices for Communication (CODEC 06), Kolkata, 2006, pp 3279 - 3292

[6] N. Joachimowicz, C. Pichot and J. -P. Hugonin. ``Inverse Scattering: An Iterative Numerical
Method for Electromagnetic Imaging``. IEEE Trans. Antennas Propagat., vol. 39, pp. 1742–1752, Dec.
1991.

[7] B.BANDYOPADHYAY, A.KUNDU, and A.N.DATTA. ``An Iterative Algorithm for Microwave
Tomography Using Levenberg-Marquardt Regularization Technique``. nd J Pure & Appl Physics, 43,
pp 649 – 653, 2005

[8] X. Li, E. J. Bond, B. D. van Veen and S. C. Hagness. ``An Overview of Ultra-Wideband
Microwave Imaging via Space-Time Beamforming for Early-Stage Breast-Cancer Detection``
IEEE Antennas Propagat. Mag., vol. 47, pp. 19–34, Feb. 2005.

[9] X. Li, S. K. Davis, S. C. Hagness, D. W. van der Weide, and B. D. V. Veen. ``Microwave imaging
via spacetime beamforming: Experimental investigation of tumor detection in multilayer breast
phantoms``. IEEE Trans. Microw. Theory Tech., vol. 52, pp. 1856–1865, Aug. 2004.

[10] J. Bond, X. Li, and S. C. Hagness. ``Numerical and experimental investigation of an ultrawideband
ridged pyramidal horn antennawith curved launching plane for pulse radiation``. vol. 2, pp. 259–262,
2003

[11] X. Li and S. C. Hagness. ``A confocal microwave imaging algorithm for breast cancer detection``.
IEEE Microwave and Wireless Components Letters, vol. 11, pp. 130–132, March 2001.

[12] B. Guo, Y. Wang, J. Li, P. Stoica, and R. Wu. ``Mircowave imaging via adaptive beamforming
methods for breast cancer detection``. Progress in electromagnetics research symposium (PIERS),
Hangzhou, China, August 2005.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -i-
Référence C

[13] R. Nilavalan, A. Gbedemah, I. J. Craddock, X. Li, and S. C. Hagness. ``Numerical investigation


of breast tumour detection using multi-static radar``. IEE Electronics Letters, vol. 39, pp 1787 - 1789,
December 2003.
[14] E. Fishler, A. Haimovich, R. Blum, D. Chizhik, L. Cimini, and R. Valenzuela. ``MIMO radar: an
idea whose time has come``. in Proceedings of IEEE Radar Conference, pp. 71–78, Philadelphia, Pa,
USA, April 2004.
[15] L. Xu, J. Li, and P. Stoica. ``Radar Imaging via AdaptiveMIMO Techniques``. In Proceedings of
14th European Signal Processing Conference (EUSIPCO ’06), Florence, Italy, September 2006.
[16] E. J. Bond, X. Li, S. C. Hagness, and B. D. Van Veen,``Microwave imaging via space-time
beamforming for early detection of breast cancer``. IEEE Transactions on Antennas and Propagation,
vol. 51, pp. 1690–1705, August 2003.

[17] Y. Xie, B. Guo, L. Xu, J. Li, and P. Stoica. ``Multi-static adaptive microwave imaging for early
breast cancer detection``. in Proceedings of 39th ASILOMAR Conference on Signals, Systems and
Computers, Pacific Grove, Calif, USA, October 2005.
[18] Fred K. Gruber, Edwin A. Marengo and Anthony J. Devaney. ``Timereversal imaging with
multiple signal classification considering multiple scattering between the targets``. J. Acoust. Soc.
Am. vol. 115 (6), June 2004, pp. 3042-3047.
[19] Yifan Chen, E.Gunawan, Kay Soon Low, S.C.Wang, Yongmin Kim and C.B. Soh, ``Pulse design
for time reversal method as applied to UWB microwave breast cancer detection: a 2-D analysis``.
IEEE Trans.on Ant. and Prop., vol. 55, no. 1, , pp. 194-204, Jan 2007.

[20] Yao Xie, Bin Guo, Luzhou et Xu. Dept. `` Multi-Static Adaptive Microwave Imaging for Early
Breast Cancer Detection``. University of Florida P. O. Box 116130, Gainesville, FL 32611, USA. 2005.

[21] J. Li, P. Stoica, and Z. Wang. ``On robust Capon beamforming and diagonal loading``. IEEE
Transactions on Signal Processing, vol. 51, pp. 1702–1715, July 2003.

[22] J. Li, P. Stoica, Eds John Wiley & Sons,. ``Robust Adaptive Beamforming`` New York, NY, USA,
2005.
[23] Yao Xie, Bin Guo, Jian Li, and Petre Stoica. `` NovelMultistatic AdaptiveMicrowave
ImagingMethods for Early Breast Cancer Detection``. University of Florida, P.O. Box 116200,
Gainesville, FL 32611-6200, USA. January 2006.

[24] L. Jofre, M. S. Hawley, A. Broquetas, E. De Los Reyes, M. Ferrando and A. R. Elias Fuste.
``Medical Imaging with a Microwave Tomographic Scanner``. IEEE Trans. Biomed. Eng., vol. 37,
pp. 303–311, Mar. 1990.
[25] C. Pichot, L. Jofre, G. Peronnet and J. -C. Bolomey. ``Active Microwave Imaging of
Inhomogeneous Bodies``. IEEE Trans. Antennas Propagat., vol. 33, pp. 416–423, Apr. 1985.

[26] S. X. Pan and A. C. Kak. ``A Computational Study of Reconstruction Algorithms for Diffraction
Tomography: Interpolation Versus Filtered Backpropagation``. IEEE Transactions on Acoustics,
Speech and Signal Processing, vol. 31, pp. 1262–1275, Oct. 1983.
[27] N. Joachimowicz, C. Pichot, and J. P. Hugonin. ―Inverse scattering: An iterative numerical
method for electromagnetic imaging‖. IEEE Trans. Antennas Propag., vol. 39, no. 12, pp. 1742–1752,
Dec. 1991.
[28] S. Caorosi, G. L. Gragnani and M. Pastorino. ``Two-Dimensional Microwave Imaging by a
Numerical Inverse Scattering Solution``. IEEE Trans. Microwave Theory Tech., vol. 38, pp. 981–
989, Aug. 1990.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -ii-
Référence C

[29] A. Fhager. ``Microwave Tomography``. Ph.D. Thesis, Department of Signals and Systems, Chalmers
Univerity of Technology, 2006.
[30] A. Abubakar, T.M. Habashy, P.M. van den Berg, D. Gisolf. ``The Diagonalized Contrast Source
Approach: an inversion method beyond the Born approximation``. Inverse Problems, Vol. 21, No. 2,
pp. 685-702, 2005

[31] Z.Q. Zhang, Q.H. Liu. ``Three-Dimensional Nonlinear Image Reconstruction forMicrowave
Biomedical Imaging``. IEEE Trans. Biomedical Engineering, Vol. 51, No. 3, pp. 544-548, 2004.

[32] A. Abubakar, P. M. van den Berg and S. Y. Semenov. ``Two- and Three-Dimensional Algorithms
for Microwave Imaging and Inverse Scattering`` Journal of Electromag. Waves and Applicat., vol. 17,
pp. 209–231, 2003.
[33] S. Y. Semenov, A. E. Bulyshev, A. Abubakar, V. G. Posukh, Y. E. Sizov, A. E. Souvorov, P. M.
van den Berg, and T. C. Williams. ``Microwave Tomographic Imaging of the High Dielectric-
Contrast Objects Using Different``. IEEE Trans. Microwave Theory Tech, VOL. 53, NO. 7,pp 2284 -
2294, JULY 2005.
[34] M. Pastorino, A. Massa, and S. Caorsi. ``A Microwave Inverse Scattering Technique for Image
Reconstruction Based on a Genetic Algorithm``. IEEE Trans. Instrumen. Measure., vol. 49, pp. 573–
578, June 2000.
[35] M. Pastorino, S. Caorsi, A. Massa, and A. Randazzo. ``Reconstruction Algorithms for
Electromagnetic Imaging``. IEEE Trans. Instrumen. Measure., vol. 53, pp. 692–699, June 2004.
[36] M. Pastorino, S. Caorsi, and A. Massa. ``A Global Optimization Technique for Microwave
Nondestructive Evaluation``. IEEE Trans. Instrumen. Measure., vol. 51, pp. 666– 673, Aug. 2002.
[37] Q. Fang, P. M. Meaney, and K. D. Paulsen. ``Microwave image reconstruction of tissue property
dispersion characteristics utilizing multiple-frequency information``. IEEE Trans. Microw. Theory
Tech., vol. 52, pp. 1866–1875, Aug. 2004.
[38] K. D. Paulsen, P. M. Meaney, M. J. Moskowitz and J. M. Sullivan. ``A Dual Mesh Scheme for
Finite Element Based Reconstruction Algorithms``. IEEE Trans. Medical Imag., vol. 14, pp. 504–514,
Mar. 1995.
[39] P. M. Meaney, M. W. Fanning, D. Li, S. P. Poplack and K. D. Paulsen. ``A Clinical Prototype
for Active Microwave Imaging of the Breast``. IEEE Trans. Microwave Theory Tech., vol. 48, pp.
18411853, Nov. 2000.
[40] A. Franchois, A. Joisel, C. Pichot and J. -C. Bolomey. ``Quantitative Microwave Imaging with a
2.45-GHz Planar Microwave Camera``. IEEE Trans. Medical Imag., vol. 17, pp. 550–561, Aug. 1998.
[41] A. Franchois, C. Pichot. ``Microwave Imaging–Complex Permittivity Reconstruction with a
Levenberg-Marquardt Method``. IEEE Trans. Antennas Propagat., vol. 45, pp. 203–215, Feb. 1997.
[42] A. Broquetas, J. Romeu, J. M. Rius, A. R. Elias-Fuste, A. Cardama, and L. Jofre. ``Cylindrical
geometry: A further step in active microwave tomography``. IEEE Trans. Microw. Theory Tech., vol.
39, pp. 836–844, May 1991.
[43] A. Franchois and C. Pichot. ``Microwave imaging–complex permittivity reconstruction with a
levenberg-marquardt method``. IEEE Trans. Antennas Propagat., vol. 45, pp. 203– 215, Feb. 1997.
[44] ANJAN KUMAR KUNDU, BIJOY BANDYOPADHYAY. ``An Image Reconstruction and
Enhancement Technique For microwave Tomography``. University Politehnica Timisoara, Faculty of
Engineering Hunedoara - 2008.
[45] Tonny Rubæk, Student Member, IEEE, Paul M. Meaney, Member, IEEE, Peter Meincke, Member,
IEEE, and Keith D. Paulsen, Member, IEEE. ``Nonlinear Microwave Imaging for Breast-Cancer
Screening Using Gauss–Newton’s Method the CGLS Inversion Algorithm``. IEEE

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -iii-
Référence C

TRANSACTIONS ON ANTENNAS AND PROPAGATION, VOL. 55, NO. 8, 2320 - 2331


AUGUST 2007.
[46] Tao Dai, Manuchehr Soleimani, Andy Adler. `` Four-Dimensional Regularization for Electrical
Impedance Tomography Imaging ``. Systems and Computer Engineering, Carleton University, Ottawa,
Canada 2 William Lee Innovation Centre, University of Manchester, U.K.- 2007.
[47] Vauhkonen P J, Vauhkonen M, Savolainen T and Kaipio J P. ``Three-dimensional electrical
impedance tomography based on the``. complete electrode model, ZEEE Trans, Biomedical
Engineering, Vol 46, Issue 9, 1150-1 l60; (1999).
[48] A. Fhager, S. K. Padhi, Member, IEEE, and J. Howard. ``3D Image Reconstruction in Microwave
Tomography Using an Efficient FDTD Model``. IEEE ANTENNAS AND WIRELESS
PROPAGATION LETTERS, VOL. 8, 2009.
[49] Q. Fang. ``Computational methods for microwave medical imaging``. Ph.D. dissertation, Thayer
School of Engineering, Dartmouth College, Hanover, NH, 2004.
[50] Q. Fang, P. Meaney, S. Geimer, A. Streltsov, and K. Paulsen. ``Microwave image reconstruction
from 3-D fields coupled to 2-D parameter estimation``. IEEE Trans. Med. Imaging, vol. 23, no. 4, pp.
475–484, 2004.
[51] A.N. DATTA, B. BANDYOPADHYAY. ``Non-linear extension of moment method solution for
microwave tomography``. Proc. IEEE. vol., pp.604 - 605, 1986.
[52] Ch. Pichot, L. Jofre, G. Peronnet, and J. Ch. Bolomey. ``Active microwave imaging of
inhomogeneous bodies``. IEEE Trans. Antennas Propagat., vol. AP-33, pp. 416–425, Apr. 1985.
[53] A.N. DATTA, B. BANDYOPADHYAY. ``An SIRT style reconstruction algorithm for microwave
tomography``. EEE Trans. Biomed. Engg., vol 32, pp 719-723, 1985.
[54] M.A. Fischler and R.C. Bolles. `` Random sample consensus: A paradigm for model fitting with
applications to image analysis and automated cartography`. CACM, 24(6):pp 381–395, June 1981.
[55] P. H. S. Torr and A. Zisserman. Mlesac. ``A new robust estimator with application to estimating
image geometry``. Comput.Vis. Image Underst., 78(1) :138–156, 2000.
[56] Cheng-Yuan Tang, Hong-Long Chou, Yi-Nung Liao. ``Modification of Minpran four
parameters estimation in computer vision``. Department of Information Management, Huafan
University, Taipei, Taiwan, ROC Opto-Electronics and Systems Lab., ITRI, Hsinchu, Taiwan, ROC,
CVGIP- 2005
[57] M. Zuliani, C. S. Kenney, and B. S. Manjunath. ``The multi-RANSAC algorithm and its
application to detect planar homographies``. In ICIP, 2005.
[58] W. Zhang and J. Kosecká.`` Nonparametric estimation of multiple structures with outliers``. In
WDV, pages 60–74, 2006.
[59] E. Vincent and R. Laganiere. ``Detecting planar homographies in an image pair``. Image and Signal
Processing and Analysis, pages 182–187, 2001.
[60] Q. Fang, P. Meaney, S. Geimer, A. Streltsov, and K. Paulsen. ``Microwave image reconstruction
from 3-D fields coupled to 2-D parameter estimation``. IEEE Trans. Med. Imaging, vol. 23, no. 4, pp.
475–484, 2004.
[61] J. De Zaeytijd, A. Franchois, C. Eyraud, J.M. Geffrin. ``Full-wave threedimensional microwave
imaging with a regularized Gauss-Newton method``. Verona, Italy, pp 3279 - 3292 , NOV 2007.
[62] N. Joachimowicz. ``Tomography microonde: Contribution `a la reconstruction quantitative
bidimensionnelle et tridimensionnelle`` Univ. Paris VII, Gif-sur-Yvette, France, 1990.
[63] A. Franchois. ``Contribution `a la tomography microonde: Algorithmes de reconstruction
quantitative et vérifications expérimentales``. Ph.D. thesis, Univ. Paris XI, Gif-sur-Yvette, France,
1993.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -iv-
Référence C

[64] N. Joachimowicz, J. Ch. Bolomey, and Ch. Pichot,. ``Meeting of the BRITE-EURAM Concerted
Action on Process Tomography``. ECAPT’93, 2nd. Karlsruhe, Germany: Allemagne, 1993.
[65] N. Joachimowicz. ``Tomographie Microonde: Contribution ´a la Reconstruction Quantitative
Bidimensionnelle et tridimensionnelle`` PhD thesis, Université Paris VII, Mars 1990.
[66] T. J. Yorkey, J. G. Webster, and W. J. Tompkins. ``Comparing Reconstruction Algorithms for
Electrical Impedance Tomography``. IEEE Trans. Biomed. Eng., vol. 34, pp. 843-852, 1988.
[67] T. Condamines and P. M. Marsili. ``A New Version of Wexler Algorithm in Electrical Impedance
Tomography``. Conference on inverse problems of wave propagation and diffraction, INRIA, 1996.
[68] K. Boone, D. Barber, and B. Brown. ``Review: Imaging with Electricity: Report of the European
Concerted Action on Impedance Tomography``. J Med. Eng. Tech., vol. 21, no. 6, pp. 201-232, 1997.
[69] Fernando L. Teixeira, Senior Member, IEEE. ``Time-Domain Finite-Difference and Finite-
Element Methods for Maxwell Equations in Complex Media``. IEEE TRANSACTIONS ON
ANTENNAS AND PROPAGATION, VOL. 56, NO. 8, AUGUST 2008
[70] P.M. Meaney, K.D. Paulsen, M.W. Fanning, and A. Hartov. ``Nonactive antenna compensation
for fixed-array microwave imaging: Part II—Imaging results``. IEEE Trans. Med. Imag., vol. 18, pp.
508-518, Jun. 1999.
[71] R. E. Kleinman and P. M. van den Berg. ``A modified gradient method for two-dimensional
problems in tomography``. J. Comput. Appl. Math., vol. 42, no. 1, pp. 17–35, 1992.
[72] P. M. van den Berg and R. E. Kleinman. ``A contrast source inversion method``. Inverse Problems,
vol. 13, no. 6, pp. 1607–1620, 1997.
[73] A. Abubakar, T. M. Habashy, P. M. van den Berg, and D. Gisolf. ``The diagonalized contrast
source approach: An inversion method beyond the born approximation``. Inverse Problems, vol. 21,
no. 2, pp. 685–702, 2005.
[74] K. Levenberg. ``A method for the solution of certain problems in least squares``. Quart. Appl. Math.,
vol. 2, pp. 164–168, 1944 - 2008.

[75] A. Franchois, A. Joisel, C. Pichot and J. -C. Bolomey. ``Quantitative Microwave Imaging with a
2.45-GHz Planar Microwave Camera``. IEEE Trans. Medical Imag., vol. 17, pp. 550–561, Aug. 1998.

[76] A. Franchois, C. Pichot. ``Microwave Imaging–Complex Permittivity Reconstruction with a


Levenberg-Marquardt Method``. IEEE Trans. Antennas Propagat., vol. 45, pp. 203–215, Feb. 1997.

[77] B.BANDYOPADHYAY, A.KUNDU, and A.N.DATTA. ``An Iterative Algorithm for Microwave
Tomography Using Levenberg-Marquardt Regularization Technique``. nd J Pure & Appl Physics, 43,
649 – 653, 2005.

[78] Anjan KUMAR KUNDU, Bijoy BANDYOPADHYAY et Sugata SANYAL. ``A Micrwave
imaging and Enhancement Technique from noisy synthetic data``. Institute of radiophysics et
electronics, university of Calcutta Kolkata , International Journal Of Engineering, india. November 2008

[79] Holland, J. H. ``Adaptation in Natural and Artificial Systems``. Michigan Univ., Ann Arbot,
Michigan, 1975.
[80] Chen, G. L., X. F.Wang, Z. Q. Zhuang, and D. S.Wang. ``The Genetic Algorithms and
Applications, People’s Telecommunication``. Press, Beijing, 1996. (in Chinese). [105]M. V. K. Chari
and S. J. Salon, Numerical Methods in Electromagnetism, A. Press, Ed. Academic Press, Nov. 1999.
[81] R. Olmi, G. Pelosi, C. Riminesi, and M. Tedesco. ``A neural network approach to real-time
dielectric characterization of materials``. Microw. Opt. Technol. Lett., vol. 35, no. 6, pp. 463–465,
2002.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -v-
Référence C

[82] E. E. Eves, E. K. Murphy, and V. V. Yakovlev. ``Practical aspects of complex permittivity


reconstruction with neural-network-controlled FDTD modeling of a two-port fixture``. J. Microw.
Power Electromagn. Energy, vol. 41, no. 4, pp. 41.4-81–41.4-94, 2007.
[83] K. R. Foster and H. P. Schwan, ―Dielectric properties of tissues and biological materials: A
critical review,‖ Crit. Rev. Biomed. Eng., vol. 17, pp. 25–104, 1989.
[84] C. Gabriel, S. Gabriel, and E. Corthout, ―The dielectric properties of biological tissues: I.
literature survey,‖ Phys. Med. Biol., vol. 41, pp. 2231–2249, 1996.
[85] S. Gabriel, R. W. Lau, and C. Gabriel, ―The dielectric properties of biological tissues: II.
measurements on the frequency range 10 hz to 20 ghz,‖ Phys. Med. Biol., vol. 41, pp. 2251–2269,
1996.
[86] S. Gabriel, R. W. Lau, and C. Gabriel, ―The dielectric properties of biological tissues: III.
parametric models for the dielectric spectrum of tissues,‖ Phys. Med. Biol., vol. 41, pp. 2271– 2293,
1996.
[87] R. Buchner, J. Barthel, and J. Stauber, ―The dielectric relaxation of water between 0◦C and
35◦C,‖ Chem. Phys. Lett., vol. 306, pp. 57–63, 1999.
[88] S. S. Chaudhary, R. K. Mishra, A. Swarup, and J. M. Thomas, ―Dielectric properties of normal
and malignant human breast tissues at radiowave and microwave frequencies,‖ Indian J. Biochem.
Biophys., vol. 21, pp. 76–79, Feb. 1984.
[89] A. J. Surowiec, S. S. Stuchly, J. R. Barr, and A. Swarup, ―Dielectric properties of breast carcinoma
and the surrounding tissues,‖ IEEE Trans. Biomed. Eng., vol. 35, pp. 257–263, Apr. 1988.
[90] A. M. Campbell and D. V. Land, ―Dielectric properties of female human breast tissue measured in
vitro at 3.2 ghz,‖ Phys. Med. Biol., vol. 37, pp. 193–210, 1992.
[91] W. T. Joines, Y. Z. Dhenxing, and R. L. Jirtle, ―The measured electrical properties of normal and
malignant human tissues from 50 to 900 mhz,‖ Med. Phys., vol. 21, pp. 547–550, Apr. 1994.
[92] M. Lazebnik, L. McCartney, D. Popovic, C. B. Watkins, M. J. Lindstrom, J. Harter, S. Sewall, A.
Magliocco, J. H. Booske, M. Okoniewski, and S. C. Hagness, ―A large-scale study of the
ultrawideband microwave dielectric properties of normal breast tissue obtained from reduction
surgeries,‖ Phys. Med. Biol., vol. 52, p. 26372656, 2007.
[93] M. Lazebnik, D. Popovic, L. McCartney, C. B. Watkins, M. J. Lindstrom, J. Harter, S. Sewall, T.
Ogilvie, A. Magliocco, T. M. Breslin, W. Temple, D. Mew, J. H. Booske, M. Okoniewski, and S.
C. Hagness, ―A large-scale study of the ultrawideband microwave dielectric properties of normal,
benign and malignant breast tissues obtained from cancer surgeries,‖ Phys. Med. Biol., vol. 52, p.
60936115, 2007.
[94] S. Y. Semenov, R. H. Svenson, A. E. Boulyshev, A. E. Souvorov, A. G. Nazarov, Y. E. Sizov, V.
G. Posukh, A. Pavlovsky, P. N. Repin, and G. P. Tatsis. ―Spatial resolution of microwave
tomography for detection of myocardial ischemia and infarctionexperimental study on two-
dimensional models,‖ IEEE Trans. Microw. Theory Tech., vol. 48, pp. 538–544, Apr. 2000.

[95] N. T. A and V. Y. ``Arsenine, Solutions of Ill-Posed Problems``. V. H. Winston & Sons, 1977.

[96] N. Joachimowicz, J. J. Mallorqui, J. C. Bolomey, and A. Broquetas, ―Convergence and stability


assessment of newton–kantorovich reconstruction algorithms for microwave tomography,” IEEE
Trans. Med. Imag., vol. 17, pp. 562–570, Apr. 1998.

[97] H. English, A. Engel, A. Schutte, and M. Stcherbina. ―Improved retrieval in nets of formal
neurons with thresholds and non-hnear synapses. Studia Biophys”. 137:pp 37-54, 1990.

[98] Hirose, A.: ―Complex-Valued Neural Networks‖. Springer, Heidelberg (2006).

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -vi-
Référence C

[99] Goh, S.L., Mandic, D.P.: ―An Augmented Extended Kalman Filter Algorithm for Complex-Valued
Recurrent Neural Networks‖. Neural Computation 19(4), 1–17 (2007).

[100] Kohonen, T.: ―Associative memory - a Systemtheoretical Approach‖. Springer, Berlin (1977)

[101] Si, J., Michel, A.N.: ―Analysis and Synthesis of a Class of Discrete-Time Neural Networks with
Multilevel Threshold Neurons‖ IEEE Transactions on Neural Networks 6(1), 105–116 (1995)

[102] Tan, S., Hao, J., Vandewalle, J.: ―Cellular Neural Networks as a Model of Associative Memories‖.
In: Proceedings of the 1990 IEEE International Workshop on CNN and their applications (CNNA
1990), Budapest, pp. 23–26 (1990).

[103] Powell, M.J.D.: ``Radial Basis Functions for Multivariable Interpolation``: A Review. In: Proc. of
Conference on Algorithms for the Approximation of Functions and Data, pp. 143–167. RMCS,
Shrivenham (1985).

[104] Aizenberg, N.N., Aizenberg, I.N.: ―Quickly Converging Learning Algorithms for Multi-Level and
Universal Binary Neurons and Solving of the Some Image Processing Problems‖. In: Mira, J.,
Cabestany, J., Prieto, A.G. (eds.) IWANN 1993. LNCS, vol. 686, pp. 230–236. Springer, Heidelberg
(1993)

[105] R. Nilavalan, A. Gbedemah, I. J. Craddock, X. Li, and S. C. Hagness. ``Numerical investigation


of breast tumour detection using multi-static radar``. IEE Electronics Letters, vol. 39, December
2003.

[106] S. Kyriakides, ``The Beacon, Breast Cancer Network Australia's mag-azine``, vol. 29, p. 10, 2009.

[107] Shao, W. and B. Zhou, ―UWB microwave imaging for breast tumor detection in inhomogeneous
tissue,” Proceedings of the 2005 IEEE Engineering in Medicine and Biology, 27th Annual Conference,
Shanghai, China, 1496–1499, 2005.

[108] Fear, E. C. and M. A. Stuchly, ―Microwave detection of breast cancer,‖ IEEE Transactions on
Microwave Theory and Techniques, Vol. 48, 1854–1863, 2000.

[109] Miyakawa, M., T. Ishida, and M. Wantanabe, ―Imaging capability of an early stage breast tumor
by CP-MCT,‖ Proceedings of the 26th Annual International Conference of the IEEE EMBS, Vol. 1,
1427–1430, San Francisco, CA, USA, 2004.

[110] Sill, J. M. and E. C. Fear, ―Tissue sensing adaptive radar for breast cancer detection-experimental
investigation of simple tumor models,‖ IEEE Transactions on Microwave Theory and Techniques,
Vol. 53, 3312–3319, 2005.
[111] Fear, E. C. and M. A. Stuchly, ―Microwave detection of breast cancer,‖ IEEE Transactions on
Microwave Theory and Techniques, Vol. 48, 1854–1863, 2000.

[112] Wang, M., S. Yang, S. Wu, and F. Luo, ―A RBFNN approach for DoA estimation of ultra wideband
antenna array,‖ Neurocomputing, Vol. 71, 631–640, 2008.

[113] Davis, S. K., H. Tandradinata, S. C. Hagness, and B. D. Veen, ―Ultrawideband microwave breast
cancer detection: A detectiontheoretic approach using the generalized likelihood ratio test,‖ IEEE
Transactions on Biomedical Engineering, Vol. 52, 1237– 1250, 2005.

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -vii-
Référence C

[114] D. Uduwawala, et al., ―A deep parametric study of resistor-loaded bow-tie antennas for ground
penetrating radar applications using FDTD,‖ IEEE Trans. Geoscience and Remote Sensing, Vol. 42,
No. 4, pp. 732–742, Apr. 2004.

[115] ]M. Birch, and K. D. Palmer, “Optimized bow-tie antenna for pulsed low-frequency ground-
penetrating radar,‖ Proceeding of SPIE, Vol. 4758, 2002.

[116] A. Lestari, et al., ―RC-loaded bow-tie antenna for improved pulse radiation,” IEEE Trans. Antennas
and Propagat., Vol. AP-52, No. 10, pp. 2555–2563, Oct. 2004.
[117] C. Waldschnidt, and K. D. Palmer, ―Loaded wedge bow-tie antenna using linear profile,‖ Electron.
Lett., Vol. 37, pp. 208–209, 2001.

[118] S. Salmon, ``Analyse Numérique``, Université Louis Pasteur, L2 Mathématiques 2005-2006

Implémentation de quelques algorithmes de détection et de localisation d’objets par imagerie micro-onde -viii-

View publication stats