Évaluation des performances du processus d’aide à la reconnaissance de cibles

Base de donn´ees d’images ISAR

An de tester la méthodologie adoptée dans le cas de cibles aériennes, nous avons exploité les images ISAR reconstruites à partir des données (signaux) radar acquises dans la chambre anéchoïque de l’ENSTA Bretagne. Cette base d’images a été constituée dans le cadre des travaux de Toumi [Toumi, 2007, Toumi et al., 2012]. La Figure 2.6 illustre les dimensions et les déférents constituants de cette chambre. La chambre est équipée de deux antennes radar (une pour l’émission et l’autre pour la réception) et un positionneur sur lequel une maquette peut être placée. Pour diminuer les interférences, ses parois sont revêtues par des matériaux absorbants (cela a été schématisé en triangles noirs dans la Figure 2.6). Un panneau absorbant est également interposé entre les deux antennes pour diminuer leur couplage. Les caractéristiques de la chambre sont paramétrées de l’exté- rieur en utilisant des équipements spéci_ques. Parmi ces équipements, on distingue un ordinateur, un analyseur vectoriel de réseau, un synthétiseur de fréquence et un ampli- _cateur à faible bruit. L’ordinateur permet de paramétrer le radar et de commander le positionneur via le logiciel LabView 7.1. Les paramètres adoptés sont transmis à l’analyse vectoriel de réseau. Ce dernier commande le synthétiseur de fréquence a_n de générer un Signal de Saut de Fréquence (SSF) qui varie entre 2 et 18 GHz. Il est à noter que la méthode de SSF permet d’augmenter la résolution en distance en étalant le spectre de la bande de fréquence. Cette méthode se base sur le découpage fréquentiel du signal à émettre. Plus précisément, le signal est décomposé en une succession de nb impulsions à des fréquences : ti = f0 + i_f avec _f est l’incrément de fréquence. De ce fait, la bande totale B vaut : B = nb_f. En réception, le radar reçoit l’écho qui correspond à chaque impulsion émise ti. Ces échos formeront par la suite le spectre général de la cible. A_n de générer les pro_ls distance représentant la distribution spatiale de la cible, la Transformée de Fourier Inverse (TFI) est appliquée. Cela correspond à l’analyse en distance.

Quant à l’analyse en azimut, elle est obtenue en appliquant la Transformée de Fourier Rapide sur les pro_ls distance obtenus. Le schéma global du principe de re construction des images ISAR est donné par la Figure 2.7. Notant qu’à partir de ces pro_ls distance, plusieurs images ISAR de la même cible peuvent être reconstruites. Par ailleurs, d’autres techniques dites Haute résolution sont utilisées dans la littérature pour reconstruire les images ISAR à l’instar d’ESPRIT (Estimation of Signal Parameters by Rational Invariance Technique ) [Radoi, 1999, Krim et Viberg, 1996, Paulraj et al., 1986] et de MUSIC (MUltiple SIgnal Classi_cation ) [Radoi, 1999, Kay, 1988]. Le signal gé- néré est ensuite émis par l’antenne de radar en direction de la cible. Le signal ré_échi par la cible et capté par l’antenne de réception est ampli_é par l’ampli_cateur à faible bruit. Il est ensuite transmis à l’analyseur vectoriel de réseau puis à l’ordinateur.

Les données récoltées via cette chambre anéchoïque ont été largement utilisées dans plusieurs applications [Radoi, 1999, Comblet, 2005, Toumi, 2007, Saidi, 2010, Rochdi, 2011, Bennani, 2012, Jdey, 2014, Belkhaoui, 2014, Khadra, 2012]. Les images ISAR utilisées dans le présent travail correspondent à des maquettes de cibles aériennes d’une échelle de 1=48ème (Cf. Figure 2.8) et sont obtenues en mode inverse [Toumi, 2007]. Chaque cible est illuminée par un Signal de Saut de Fréquence (SSF) qui couvre la bande B = [11:65 18] GHz avec un saut de fréquence _f = 50 MHz. Ce qui correspond à 128 points (sauts). Un domaine angulaire global _ = [􀀀5_ 95_] a été adopté avec un incrément angulaire de __ = 0:5_. Les mesures ont été réalisées en adoptant une polarisation croisée HV (Horizontal/Vertical) en émission et en réception. Les résolutions en distance et en azimut valent respectivement 2:4 cm et 2:7 cm. Chaque cible aérienne (classe) est composée de 162 images ISAR de taille 256_256 pixels. Sachant que 12 maquettes (A10, F4, F14, F15, F16, F18, F104, F117, Harrier, Mig29, Rafale et Tornado) de cibles ont été utilisées, la base de données est alimentée par 1944 images ISAR. La Figure 2.8 présente les vérités terrains de chaque maquette ainsi que l’image ISAR correspondante.

Traitement des images radar (SAR et ISAR)

• Traitement des images ISAR Pour le cas des images ISAR, dans [Kim et al., 2005], les auteurs proposent un algorithme de segmentation composé de deux étapes : la segmentation par seuillage pour regrouper les pixels qui ont les mêmes grandeurs avant d’appliquer une normalisation sur l’image segmentée. Le seuil utilisé dans l’algorithme de seuillage n’est que la moyenne des pixels des images. Quant à la normalisation, les auteurs appliquent une division par la moyenne des valeurs des pixels de l’image. La démarche utilisée a été aussi adoptée par [Yuankui et Yiming, 2007]. Dans le travail de [Wang et al., 2010], une succession de mé- thodes de la morphologie mathématique sont appliquées sur l’image. Ces opérations mor phologiques se basaient principalement sur la fermeture/ouverture morphologique pour réaliser des opérations d’érosion et dilatation. D’autres familles de méthodes se sont focalis ées sur l’extraction des contours des images ISAR délimitant la cible sans la prise en compte de l’information de toute la région de la cible. Parmi les premières méthodes apparues pour cette _nalité, on cite, l’opérateur laplacien [Ratcli_e, 1997] ou de gradient [Brandwood, 1983], les _ltres de Sobel/Roberts [Kanopoulos et al., 1988] ou de Prewitt [Prewitt, 1970] ou de Canny-Deriche [Deriche, 1987].

Les limites de ces méthodes ont été soulevées dans la littérature du fait qu’elles ne fournissent pas des contours fermés [Toumi et al., 2009]. Pourtant ces méthodes classiques constituent la base de la plupart des algorithmes basés contour. Pour détecter le contour, [Toumi et al., 2007] utilisent une segmentation morphologique en appliquant la méthode de ligne de partage d’eaux (en anglais, LPE : watershed ) sur le gradient de l’image originale. Cela a donné naissance à une sur-segmentation ce qui a amené les mêmes auteurs à adopter une approche hié- rarchique. Cette dernière consiste à utiliser les LPE issues d’un niveau donné comme marqueur du niveau suivant [Toumi et al., 2009]. Une hybridation des méthodes de Flux des Vecteurs de Gradient (FVG) et de l’ensemble de niveau (en anglais, Level Sets) pour extraire le contour de l’image ISAR a été proposée par [Saidi, 2010]. Dans le travail de [Belkhaoui, 2014], les auteurs extraient le contour de la cible aérienne en utilisant trois di_érentes techniques : Fisher [Hoover et al., 1996], K-moyenne (en anglais, K-means) [Hartigan et Wong, 1979] et le maximum de vraisemblance (en anglais, EM : Expectation Maximization) [Moon, 1996].

• Traitement des images SAR Contrairement à l’image ISAR, comme illustrée par la Figure 2.13, la région en dehors de la zone d’intérêt des images SAR est composée à son rôle de deux sous-régions : l’arrière plan et l’ombre. Pour extraire ces deux informations, [Tison et al., 2007] utilisent un traitement pour supprimer le bruit (en anglais, speckle) via le _ltre de Lee. Par la suite, deux masques sont exploités. Dans le travail de [Power et Wilson, 2000], les auteurs se basent sur la méthode de croissance de région (en anglais, region growing) [Chang et Li, 1994] pour segmenter l’image SAR. Dans la méthode proposée par [Dong et al., 2012], les auteurs _ltrent l’image SAR par la méthode de Perona et Malik [Perona et Malik, 1990]. Ensuite, une segmentation de l’image _ltrée est obtenue en utilisant les champs aléatoires de Markov (MRF, Markov Random Field ) [Zhang et al., 2001]. Les auteurs dans [Chang et You, 2018] proposent plusieurs étapes pour extraire l’ombre. Une segmentation par seuillage est utilisée, suivie d’un _ltrage en utilisant la méthode count [Gonzalez et Woods, 2012]. Ces traitements sont compl étés par deux techniques de la morphologie mathématique qui sont l’ouverture et la fermeture. Dans le travail de [Agrawal et al., 2015], les techniques de l’égalisation de l’histogramme, de  ltrage, de seuillage et de dilatation sont appliquées pour séparer la cible de son ombre.

Ce même procédé a été adopté par [Bolourchi et al., 2017]. D’autres auteurs considèrent l’ombre et l’arrière plan étant une seule région qui n’est pas utile pour la reconnaissance de la cible. Pour extraire cette région composée de l’ombre et l’arrière plan, la solution la plus triviale est le recadrage (en anglais, cropping) qui consiste tout simplement à sélectionner que la zone d’intérêt de l’image (souvent avec une taille réduite de l’image initiale). Cette technique a été adoptée dans plusieurs travaux [Yu et al., 2018, Cho et al., 2017, Li et al., 2017a, Song et al., 2016a]. Les techniques de détection de contour de la cible dans les images SAR de la base de données MSTAR est une approche aussi couramment utilisée dans la littérature. Dans [Sun et al., 2007], les auteurs normalisent dans la première étape de leur algorithme les valeurs des pixels de l’image SAR dans l’intervalle [0; 1]. Cette normalisation a été e_ectuée par l’égalisation d’histogramme. Ensuite, un _ltrage moyen a été appliquée pour obtenir l’image SAR lissée sur laquelle un seuillage est appliqué pour la segmentation. Sur cette dernière, le _ltre de Sobel [Kanopoulos et al., 1988] est utilisé pour détecter le contour de la cible. Pour une étude comparative des méthodes d’extraction de contour à partir des images SAR, le lecteur peut se référer au travail de [Bachofer et al., 2016]. Récemment, les chercheurs donnent une attention particulière à l’application de la saillance visuelle [Itti et al., 1998, Kumar, 2017, Borji et Itti, 2013] sur les image radar [Gao et al., 2017b, Wang et al., 2017, Diao et al., 2016]. Cette méthode consiste à extraire la zone la plus saillante (attirante) dans l’image.