Académique Documents
Professionnel Documents
Culture Documents
E
RAPPORT DE MINI-PROJET
Réalisée par :
NAFAA Zaghbani
&
JASSER Khadhraoui
Sujet :6
Titre
Application de la décomposition de Cloude en
polarimétrie radar
Votre expertise et votre disponibilité ont été inestimables. Vos orientations précieuses et vos encouragements
constants nous ont permis de progresser de manière significative. Grâce à vous, nous avons pu surmonter les défis
rencontrés et atteindre nos objectifs avec succès.
Votre patience et votre écoute attentive ont créé un environnement de travail agréable et propice à l'apprentissage.
Votre manière d'inspirer l'équipe et de nous pousser à donner le meilleur de nous-mêmes a été une véritable source
de motivation.
Nous tenons également à souligner votre dévouement et votre disponibilité. Vous avez toujours été là pour
répondre à nos questions, nous guider dans nos réflexions et nous apporter votre expertise. Votre présence
rassurante a été d'un grand réconfort tout au long du projet.
Ce fut une chance et un honneur de travailler sous votre encadrement. Votre professionnalisme et votre
bienveillance ont eu un impact positif sur notre parcours, tant sur le plan académique que personnel.Encore une
fois, merci infiniment pour votre investissement et votre accompagnement. Nous sommes profondément
reconnaissants pour tout ce que vous avez fait pour nous.
Résumé
RESUME
Table de matières
I.1 Introduction
I.1 Introduction
La polarimétrie radar est une technique qui permet d'analyser les propriétés de
rétrodiffusion polarimétrique des cibles observées par un radar. Elle repose sur la mesure et
l'exploitation de la polarisation de l'onde électromagnétique réfléchie par les objets présents
dans la scène radar. Pour comprendre le principe de la polarimétrie radar, il est nécessaire de
prendre en compte les caractéristiques de polarisation de l'onde radar, telles que la polarisation
linéaire et circulaire.
L'onde radar émise par l'antenne du radar interagit avec les cibles et subit des
phénomènes de réflexion, diffraction, transmission et absorption. Lorsque cette onde est
réfléchie par une cible, elle subit des modifications en fonction de la polarisation de l'onde
incidente, de la géométrie du système et des propriétés de rétrodiffusion de la cible. L'onde
réfléchie est ensuite reçue par l'antenne du radar et enregistrée sous forme de données
polarimétriques.
Où
Figure 2.2 :Image HH de la scène de Flevoland Figure 2.2 :Image VV de la scène de Flevoland
Le filtre de Lee est un filtre adaptatif utilisé dans le domaine du traitement d'images
radar pour réduire le bruit et améliorer la qualité des images radar. Il a été développé par
Alton H. Lee en 1980.
Le filtre de Lee est spécifiquement conçu pour traiter le bruit de speckle, qui est un
type de bruit granulaire présent dans les images radar. Le bruit de speckle est causé par
l'interférence constructive et destructive des ondes réfléchies par des cibles dans une image
radar. Il peut rendre l'interprétation des images difficile et affecter les performances des
algorithmes de traitement d'images.
Le filtre de Lee est un filtre linéaire qui utilise une fenêtre de taille fixe
(typiquement carrée) pour estimer la valeur du pixel filtré à partir des valeurs des pixels
voisins. Il utilise une approche adaptative qui prend en compte la variance locale des pixels
dans la fenêtre pour pondérer les contributions de chaque pixel voisin. Ainsi, les pixels qui ont
une variance élevée sont moins influents dans le calcul du pixel filtré, tandis que les pixels
avec une variance faible ont une influence plus importante.
L'idée principale derrière le filtre de Lee est d'estimer la valeur du pixel filtré en
utilisant une combinaison linéaire des valeurs des pixels voisins, où les poids de la
combinaison sont déterminés par la similarité locale des pixels. Cela permet de réduire le bruit
de speckle tout en préservant les détails et les contours des objets présents dans l'image.
Le filtre de Lee est largement utilisé dans le domaine du traitement d'images radar
pour améliorer la qualité des images et faciliter l'analyse et l'interprétation des données. Il peut
être appliqué à différents types d'images radar, tels que les images SAR (Synthetic Aperture
Radar) et les images polarimétriques radar.
II decomposition de Cloude :
et [U3] = [u1 u2 u3] est une matrice 3×3 complexe, avec u1, u2 et u3 les trois vecteurs propres orthogonaux.
A partir de la connaissance des valeurs propres, nous définissons l’entropie (H), au sens de Von Neumann [1] :
L’entropie (H) représente la mesure du degré de désordre polarimétrique au sein de la cellule de résolution. Lorsque l’entropie
est faible, le milieu est homogène et peu
désordonné. Alors que lorsque l’entropie est élevée le milieu est hétérogène et le signal retrodiffusé est dépolarisé. La figure
3.1 illustre ces constats.
II. 2. Estimation du mécanisme de diffusion.
Le théorème de
décomposition de Cloude permet
d’écrire la matrice des vecteurs
propres d’une cible quelconque de la
manière ci contre :
Le principe de fonctionnement de l'algorithme K-means est relativement simple et suit les étapes suivantes :
1. Sélection du nombre de clusters (K) : L'utilisateur spécifie le nombre de clusters souhaité pour la segmentation.
2. Initialisation des centroides : K points sont choisis aléatoirement comme centroides initiaux. Chaque centroïde représente le
centre d'un cluster.
3. Attribution des données aux clusters : Chaque donnée est attribuée au cluster dont le centroïde est le plus proche en termes
de distance. La distance entre une donnée et un centroïde peut être calculée à l'aide de différentes métriques, comme la
distance euclidienne.
4. Mise à jour des centroides : Les centroides de chaque cluster sont recalculés en utilisant la moyenne des données qui lui
sont attribuées. Cela déplace les centroides vers les positions moyennes des données du cluster.
5. Répétition des étapes 3 et 4 : Les étapes d'attribution des données aux clusters et de mise à jour des centroides sont répétées
jusqu'à ce qu'il n'y ait plus de changement significatif dans l'affectation des données ou jusqu'à atteindre un critère de
convergence prédéfini (par exemple, un nombre maximum d'itérations).
6. Terminaison de l'algorithme : Une fois que l'algorithme a convergé, c'est-à-dire que les centroides n'ont pas changé de
manière significative et que les données sont bien regroupées en clusters, l'algorithme est terminé et les résultats de la
segmentation sont obtenus.
L'objectif de l'algorithme K-means est de minimiser la variance intra-cluster, c'est-à-dire la dispersion des données à l'intérieur
de chaque cluster, tout en maximisant la variance inter-cluster, c'est-à-dire la distance entre les différents clusters. Cela permet
de regrouper les données similaires dans des clusters distincts.
Il convient de noter que l'algorithme K-means peut être sensible à l'initialisation des centroides et peut converger vers des
optima locaux. Par conséquent, il est souvent recommandé d'exécuter l'algorithme plusieurs fois avec différentes
initialisations pour obtenir une meilleure segmentation.
L'algorithme K-means est largement utilisé pour la segmentation de données dans de nombreux domaines, y compris
l'apprentissage automatique, la vision par ordinateur, l'analyse de données et la télédétection. Il offre une méthode simple et
efficace pour regrouper des données en clusters distincts en fonction de leurs similarités.
III.2 Utilisation de K-means :
L'algorithme K-means est utilisé dans de nombreux domaines pour la segmentation de données.
Voici quelques exemples d'utilisation de l'algorithme K-means :
1. Segmentation d'images : L'algorithme K-means est couramment utilisé pour segmenter des images en différents
objets ou régions. Les pixels de l'image sont considérés comme les données à segmenter, et K-means est utilisé
pour regrouper les pixels similaires dans des clusters représentant différentes régions de l'image. Cette technique est
utilisée dans des domaines tels que la vision par ordinateur, l'analyse d'images médicales, la reconnaissance de
formes, etc.
2. Analyse de données : K-means est utilisé pour regrouper des ensembles de données en fonction de leurs
caractéristiques similaires. Par exemple, dans le domaine du marketing, il peut être utilisé pour segmenter les
clients en différents groupes en fonction de leurs préférences d'achat. Dans le domaine de la biologie, il peut être
utilisé pour regrouper des échantillons génétiques similaires. K-means est également utilisé dans l'analyse de
données géospatiales pour regrouper des points de données en clusters spatiaux.
3. Compression d'images : K-means peut être utilisé pour compresser des images en réduisant le nombre de
couleurs utilisées. Il peut être appliqué pour regrouper les couleurs similaires dans l'image en un nombre réduit de
couleurs représentatives (centroïdes) et assigner chaque pixel à la couleur correspondante. Cela permet de réduire
l'espace de stockage requis pour l'image sans une perte significative de qualité visuelle.
4. Classification de documents : Dans le domaine du traitement du langage naturel, K-means peut être utilisé pour
la classification de documents. Les caractéristiques des documents, telles que les mots-clés, les fréquences des
mots, etc., peuvent être utilisées comme données d'entrée pour K-means. Les documents similaires sont regroupés
en clusters, ce qui facilite l'organisation et la recherche de documents similaires.
5. Reconnaissance de formes : K-means est utilisé pour la reconnaissance de formes dans des domaines tels que la
reconnaissance d'objets, la détection de motifs, la segmentation d'objets, etc. Il peut être utilisé pour extraire des
caractéristiques des objets, puis regrouper ces objets en fonction de leurs similarités. Cela permet d'identifier des
formes spécifiques ou de détecter des motifs dans les données.
L'algorithme K-means offre une approche simple et efficace pour la segmentation de données dans divers
domaines. Sa flexibilité et sa facilité d'implémentation en font un outil populaire pour regrouper des données en
clusters distincts en fonction de leurs similarités.
21 | P a g e
I Resultat experimentalles: