Application de l’apprentissage profond au débruitage des images radar à synthèse d’ouverture (SAR)
No Thumbnail Available
Date
2026
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
L’imagerie radar à synthèse d’ouverture (SAR) est largement utilisée pour la surveillance des surfaces terrestres, des catastrophes naturelles et de l’environnement, grâce à sa capacité d’acquisition en tout temps, à sa sensibilité aux structures géométriques ainsi qu’à ses propriétés de pénétration. Cependant, le bruit de speckle, inhérent au processus d’acquisition radar, dégrader la qualité visuelle des images et complique considérablement leur analyse et leur interprétation. Par conséquent, une étape préliminaire de réduction du speckle est généralement nécessaire afin de garantir une exploitation efficace et fiable des images SAR.
Parmi les méthodes classiques de débruitage, les filtres adaptatifs tels que ceux de Lee, Kuan et Frost reposent sur des modèles statistiques locaux pour atténuer le bruit. Bien qu’ils permettent d’améliorer la qualité des images, ils entraînent souvent un lissage excessif des structures et une perte des détails fins.
Dans ce mémoire, une approche de débruitage des images SAR basée sur l’apprentissage profond, et plus particulièrement sur les réseaux de neurones convolutionnels (CNN), est proposée pour réduire efficacement le bruit speckle tout en préservant les caractéristiques importantes de l’image. Plusieurs architectures CNN ont été développées et évaluées afin d’analyser l’influence de leur structure sur les performances de débruitage. Une étude comparative a également été réalisée entre les méthodes classiques de débruitage et les approches modernes d’apprentissage profond, dans le but d’identifier les modèles les plus performants pour la réduction du bruit speckle dans les images SAR.