REPUBLIQUE TUNISIENNE

Ministère de l’Enseignement Supérieur et

de la Recherche Scientifique
Université de Gabès
Ecole Nationale d’Ingénieurs de Gabès ‫المدرسة الوطنية للمهندسين بقابس‬
Département de MERGEFIELD
‫" هندسة‬MERGEFIELD "Spécar ‫قسم‬
"Spécialité" Génie des Communications &
‫اإلتصاالت والشبكات‬
des Réseaux

E
RAPPORT DE MINI-PROJET

Réalisée par :
NAFAA Zaghbani
&
JASSER Khadhraoui

Sujet :6

Titre
Application de la décomposition de Cloude en
polarimétrie radar

Soutenu le 29/05/2023 devant la commission de jury :

M. YAHIYA Mohamed Encadrant

Mme. CHAIMA Bahar Rapporteur
Année Universitaire : 2022/2023 GCR
 Remerciements

Avant de commencer la présentation de ce travail, Nous tenons à remercier M.YAHIYA MOHAMED

chaleureusement pour son encadrement tout au long de notre projet. Votre soutien et vos conseils ont été d'une
importance capitale pour notre réussite.

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

L'application de la décomposition de Cloude en polarimétrie radar pour la

segmentation d'une forêt repose sur l'utilisation des paramètres calculés par cette méthode
pour identifier et caractériser les différentes zones de la forêt.
La décomposition de Cloude permet de décomposer les données polarimétriques
radar en différentes composantes physiques, telles que la composante isotrope, la composante
rétrodiffusée en double diffusion et la composante rétrodiffusée en simple diffusion. Chacune
de ces composantes représente des propriétés spécifiques de la scène observée.
Dans le contexte de la segmentation d'une forêt, ces composantes peuvent être
utilisées pour distinguer différents types de végétation, tels que les arbres, les zones de
végétation dense, les clairières, etc. Les propriétés polarimétriques calculées par la
décomposition de Cloude fournissent des informations sur la structure et la distribution de la
végétation.
En utilisant ces informations, des techniques de segmentation peuvent être
appliquées pour identifier et délimiter les différentes zones de la forêt. Les algorithmes de
segmentation utilisent généralement des critères basés sur les paramètres polarimétriques, tels
que la cohérence, l'anisotropie, l'entropie, etc., pour classer les pixels en différents groupes
représentant des types de végétation distincts.
Une fois la segmentation réalisée, des analyses supplémentaires peuvent être
effectuées pour caractériser chaque zone identifiée, telles que l'estimation de la densité des
arbres, la détection de la présence d'espèces spécifiques ou la quantification des perturbations
ou des changements dans la forêt.
En résumé, l'application de la décomposition de Cloude en polarimétrie radar pour
la segmentation d'une forêt repose sur l'utilisation des paramètres calculés par cette méthode
pour distinguer et caractériser les différentes zones de végétation. Cette approche permet une
analyse plus détaillée de la structure et de la distribution de la végétation dans une forêt, ce
qui peut être utile pour la gestion forestière, la surveillance environnementale et d'autres
applications liées aux écosystèmes forestiers.
Table des matières

RESUME
Table de matières

Chapitre 1. Introduction Générale …..............................................................

Chapitre 2. Fondements théoriques …............................................................
Chapitre 3. Resultat et interpretation
…..........................................................................................................................
Chapitre 4. INTRODUCTION GENERALE…..............................................
5|Page

Chapitre 1. Introduction Générale

I.1 Introduction

La polarimétrie radar est une technique avancée d'observation de la Terre qui

permet d'obtenir des informations détaillées sur les propriétés physiques des cibles radar.
L'analyse des données polarimétriques radar offre des possibilités intéressantes dans de
nombreux domaines, tels que la télédétection, la surveillance environnementale, la
cartographie des sols, la détection des changements et bien d'autres encore.
La décomposition de Cloude en polarimétrie radar est une méthode couramment
utilisée pour analyser les données polarimétriques et extraire des informations riches sur la
composition et la structure des cibles radar. Cette technique permet de décomposer le signal
polarimétrique en différentes composantes, telles que la diaphonie, l'anisotropie et le volume,
fournissant ainsi une compréhension plus fine des interactions entre le signal radar et la cible
observée.
Dans ce projet, notre objectif est d'explorer l'application de la décomposition de
Cloude en polarimétrie radar pour la segmentation des données radar. La segmentation est un
processus essentiel pour identifier et regrouper des zones homogènes au sein d'une image ou
d'une scène. En utilisant l'algorithme de segmentation K-means, nous cherchons à attribuer
chaque pixel ou chaque région d'intérêt à un cluster spécifique en fonction des caractéristiques
polarimétriques et radiométriques extraites.
En plus des paramètres issus de la décomposition de Cloude, nous intégrons
également des paramètres radiométriques pour améliorer la précision de la segmentation. Les
paramètres radiométriques fournissent des informations sur l'intensité du signal radar, ce qui
peut contribuer à une meilleure discrimination des cibles radar dans la scène observée.
Au cours de ce projet, nous détaillerons les étapes nécessaires, y compris la
collecte des données polarimétriques et radiométriques, l'application de la décomposition de
Cloude, l'extraction des caractéristiques, la normalisation des paramètres, l'application de
l'algorithme K-means pour la segmentation et l'évaluation des résultats obtenus.
6|Page

I.2 Importance de l ‘application de la décomposition de Cloude en polarimétrie

radar avec la segmentation

Le contexte de ce projet se situe dans le domaine de la polarimétrie radar, une

technique avancée d'observation de la Terre qui permet d'obtenir des informations détaillées
sur les propriétés physiques des cibles radar. La polarimétrie radar trouve des applications
dans divers domaines, tels que la télédétection, la surveillance environnementale, la
cartographie des sols et la détection des changements. Cependant, l'analyse et la segmentation
précises des données polarimétriques radar restent des défis importants. Dans ce contexte, ce
projet vise à explorer l'application de la décomposition de Cloude en polarimétrie radar, une
méthode bien établie pour analyser les données polarimétriques et extraire des informations
riches sur la composition et la structure des cibles radar. En intégrant les paramètres
radiométriques avec la décomposition de Cloude et en utilisant l'algorithme de segmentation
K-means, nous cherchons à améliorer la précision de la segmentation des données radar et à
ouvrir de nouvelles perspectives dans des domaines tels que la cartographie
environnementale, la surveillance des ressources naturelles et la gestion des catastrophes. Ce
projet contribuera ainsi à l'avancement des connaissances en polarimétrie radar et à
l'amélioration des techniques de segmentation des données radar pour des applications
pratiques et scientifiques.
 Chapitre 2. Fondements théoriques

I.1 Introduction

La polarimétrie radar connaît aujourd’hui une expansion monumentale, comme le

montre les différents articles ou les sessions spéciales dédiées, conséquence des progrès
technologiques et théoriques.

Les progrès technologiques concernent essentiellement la création des instruments

pour mesurer la polarisation de l’onde. Ainsi, sont nés les radars polarimètriques. Nous
assistons aujourd’hui à une multitude de polarimètres monofréquences ou multifréquences
aéroportés tel que le AirSAR ou bien embarqués sur des navettes spatiales tel que SIR-C [3].

Les radars classiques opèrent selon une seule polarisation en émission et en

réception. C’est pourquoi les informations polarimétriques recueillies sur les cibles sont
incomplètes. Cependant, la polarimétrie radar combine l’émission et la réception selon
plusieurs polarisations, ce qui permet d’avoir les informations polarmétriques complètes sur
les cibles.

Dans ce chapitre, nous présentons le principe de fonctionnement des ROS

classiques et les images issues de ces capteurs. Puis, nous nous intéressons à la polarimétrie
radar en montrant son apport par rapport à l’imagerie radar classique et en détaillant les
différentes approches pour modéliser l’interaction onde-cible.
I.2 Principe de polarimétrie radar

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.

Les données polarimétriques radar sont généralement représentées sous forme de

matrices de covariance, qui capturent les relations entre les différentes composantes de
polarisation de l'onde réfléchie. Ces matrices sont appelées matrices de diffusion ou matrices
de cohérence polarimétrique. En utilisant ces matrices, plusieurs paramètres polarimétriques
peuvent être calculés, tels que la matrice de cohérence polarimétrique, la matrice de
covariance polarimétrique et les coefficients de rétrodiffusion polarimétriques.

Les paramètres polarimétriques fournissent des informations sur la polarisation et la

structure des cibles radar. Ils permettent de caractériser des propriétés telles que l'orientation
des cibles, leur rugosité, leur composition et leur forme. Les paramètres peuvent être utilisés
pour discriminer différents types de cibles et pour améliorer la classification des objets radar.

Mathématiquement, les équations utilisées dans la polarimétrie radar impliquent des

opérations sur les matrices de diffusion ou de cohérence polarimétrique. Ces équations
comprennent des opérations telles que la multiplication de matrices, la transposition,
l'inversion et le calcul des valeurs propres. Les résultats obtenus à partir de ces équations
permettent de calculer les paramètres polarimétriques spécifiques à chaque pixel de l'image
radar.

La polarimétrie radar et ses principes mathématiques fournissent une base solide

pour l'analyse et l'interprétation des données radar. En utilisant ces principes, il est possible
d'extraire des informations riches sur les cibles radar, ce qui ouvre des possibilités pour
diverses applications telles que la détection des changements, la classification des objets, la
cartographie environnementale et la surveillance des ressources naturelles.
 Figure1 : Principe de polarimétrie radar

La décomposition de Cloude est une méthode couramment utilisée en polarimétrie

radar pour analyser les données polarimétriques et extraire des informations sur la structure
des cibles radar. Mathématiquement, la décomposition de Cloude repose sur la décomposition
d'une matrice de cohérence polarimétrique en une combinaison linéaire de matrices
élémentaires.

La matrice de cohérence polarimétrique est une matrice hermitienne de taille 3x3

qui représente les relations entre les différentes composantes de polarisation de l'onde
réfléchie par la cible. Elle est généralement notée C et peut être exprimée comme suit :

Où
Figure 2.2 :Image HH de la scène de Flevoland Figure 2.2 :Image VV de la scène de Flevoland

Figure 2.3:Image HH de la scène de Belize Figure 2.4 :Image VV de la scène de Belize

Figure 2.5 :Image HV de la scène de Belize

 Figure 2.6 :Image HV de la scène de Flevolan

I.3 Filtre de Lee :

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 :

II. 1. Estimation de l’entropie :

Le théorème de décomposition de Cloude décompose la matrice de cohérence de la manière suivante [1] :

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] :

Pi : représente la probabilité d’occurrence du vecteur propre i.

ainsi 0 ≤ H ≤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 :

Seuls les paramètres α 1, α 2 et α 3 permettent de classifier des cibles aléatoires et à partir

desquels nous pouvons estimer le paramètre moyen α de la manière suivante

Le paramètre moyen α est un indicateur du type e de

mécanisme de diffusion. En effet, une valeur nulle de α correspond à une simple réflexion, une valeur
de 90º correspond à une double réflexion et une valeur intermédiaire correspond à une diffusion
volumique. La figure 3.2 représente les différents types de diffusion et le paramètre α correspondant.

II. 3. Espace de classification ( H-α ).

Après avoir défini les paramètres H et α , il est important de construire un espace de

classification défini par ces paramètres où tous les mécanismes de diffusion peuvent être représentés
 L’espace de classification peut être divisé en neuf classes qui caractérisent les différents
mécanismes de diffusion significatifs qui peuvent intervenir dans une scène naturelle. Ainsi, l’axe des
entropies est divisé, d’une manière arbitraire, en trois zones indiquant les diffusions à faibles entropies,
à entropie moyenne et à entropie élevée. De même, les limites du paramètre α ont été fixées
arbitrairement de façon à faire apparaître les principaux types de mécanisme de diffusion significatifs,
à savoir, la simple réflexion, la double réflexion et la diffusion volumique, au fur et à mesure que
l’entropie augmente.

III Algorithme de K-means

III.1. Principe de fonctionnement de K-means :

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

Chapitre 3. Resultat et interpretation

I Resultat experimentalles:

Figure 4 Realité terain

Figure5 : Segmentation avec K-means ( entre : alfa )

22 | P a g e

Figure6 : Segmentation avec K-means ( entre : alfa et entropie )

Figure7 : Segmentation avec K-means ( entre : alfa et entropie et anisotropie )

Figure8 : Segmentation avec K-means ( entre : alfa et entropie et anisotropie)

Avec filtre Lee

23 | P a g e

Figure 9 : segmentation (alfa et entropie )

Avec filtre Lee

Figure 9 : segmentation (alfa )

Avec filtre Lee