L’intelligence artificielle pour chasser « le bruit » des images des satellites radar
Fixés à un satellite ou un avion, les radars à synthèse d'ouverture (Synthetic Aperture Radar, SAR) ont bouleversé l’imagerie spatiale en permettant d’obtenir des images en haute résolution de la Terre, de jour comme de nuit, par beau temps ou pas. Problème : aussi performant soient-ils, les radars SAR ont du « bruit » plein les yeux. « Les images obtenues sont souvent pleines de fluctuations qui se traduisent par des « couleurs » altérées et une forme de granularité qui les rend difficiles à interpréter », explique Florence Tupin, professeure au Laboratoire Traitement et Communication de l'Information (LTCI*) de Télécom Paris. La chercheuse, qui s’est fait une spécialité de « débruiter » ces images avec l’aide de l’intelligence artificielle (IA), ou plus précisément de l’apprentissage statistique, a développé des méthodes innovantes permettant « de les améliorer drastiquement ».
En traitement d’images, les réseaux de neurones artificiels – un système adaptatif d’IA qui apprend aux algorithmes à traiter des données à partir d’un grand nombre d’exemples – sont généralement entraînés à obtenir une image sans « bruit » en leur montrant le type d’images à obtenir à partir de l’image « bruitée » acquise. L’approche d’apprentissage profond (Deep Learning) de Florence Tupin et ses collègues permet au contraire de travailler sans image de « vérité terrain ». « En résumé, on fournit au réseau deux versions bruitées de la même scène, donc des images qui présentent la même information mais avec des bruits différents », explique la chercheuse. « C’est la partie identique aux deux images, c’est-à-dire la scène sans bruit, que le réseau sera capable de prédire. »
Des images « débruitées »
Cette approche, appelée MERLIN, s’appuie sur la nature des ondes électro-magnétiques mesurées en imagerie radar, différentes des bandes spectrales mesurées par les capteurs optiques. Ces ondes électro-magnétiques sont en fait des nombres complexes qu’il est possible de séparer en deux parties, l’une de ces parties correspondant à la partie réelle et l’autre à la partie imaginaire du nombre complexe. Autrement dit, nous voici avec deux images bruitées de la même scène qu’il sera possible d’utiliser pour entraîner un réseau à générer une image « débruitée », c’est-à-dire débarrassée des fluctuations inhérentes aux radars SAR.
« L’originalité de nos travaux est d’avoir montré que les images obtenues à partir de la séparation des nombres complexes sont indépendantes et peuvent donc être exploitées pour entraîner des réseaux à retrouver les images sans bruit », résume Florence Tupin.
Avec cette approche, la chercheuse de Télécom Paris contribue à l’exploitation des données radar acquises par différents capteurs. Son équipe contribue à traiter les données de la mission SWOT du Centre national d’études spatiales (CNES) et de la NASA, dont le satellite lancé en 2022 a été conçu pour l'étude de la topographie des océans et des eaux de surface continentales. Florence Tupin a également collaboré avec des start-ups, dont Kanop sur le suivi de la forêt, et son équipe continue de diffuser en accès libre la plupart des codes ou des poids des réseaux développés pour « faciliter leur utilisation par le plus grand nombre ».
Prochain objectif : la polarimétrie et l’interférométrie
« Nous développons également des approches pour la tomographie radar, une technique d'imagerie qui permet de retrouver une information de volume, donc en trois dimensions, qui peut être utilisée pour le suivi de la biomasse, avec notamment la mission Biomass de l'ESA qui doit être lancée en 2025 », ajoute Florence Tupin. Comme pour les méthodes précédentes l'objectif est de pouvoir développer des méthodes « auto-supervisées » sans « vérité terrain » qui présentent l’avantage que ce soient les données elles-mêmes qui guident le réseau dans la recherche de la solution.
Attachés à servir d’intermédiaire entre les agences spatiales qui développent les instruments et les chercheurs thématiciens proches des applications, Florence Tupin et son équipe s’attaquent désormais aux modalités polarimétriques et interférométriques des radars, qui génèrent des données plus riches. « C’est comme si à la place d’avoir simplement un nombre complexe par pixel, nous avions plusieurs nombres complexes par pixel. Il faut donc arriver à les séparer à nouveau en deux composantes indépendantes », détaille la chercheuse. Impossible ? « On a déjà une solution qui marche. »
À propos :
Florence Tupin est enseignante-chercheuse à Télécom Paris depuis 1998. Au sein du Laboratoire Traitement et Communication de l'Information (LTCI), elle travaille à développer des méthodes de traitement et d’analyse d’images et s’est peu à peu spécialisée dans le domaine de l’imagerie de télédétection. La chercheuse travaille ainsi au développement de méthodes pour exploiter de manière plus efficace des images d’observation de la Terre, satellitaires ou prises d’avion. Ses travaux impliquent une part importante de mathématiques appliquées, de modélisation et d’optimisation.
>> La page personnelle de Florence Tupin
*LTCI : un laboratoire de recherche de Télécom Paris, Institut Polytechnique de Paris, 91120 Palaiseau, France