Télécom ParisTech

Actualité

Illustration de l'actualité : Soutenance de doctorat de Sylvain Lobry : Modèles Markoviens pour les images SAR : Application à la détection de l'eau dans les images satellitaires SWOT et analyse multi-temporelle de zones urbaines

Soutenance de doctorat de Sylvain Lobry : Modèles Markoviens pour les images SAR : Application à la détection de l'eau dans les images satellitaires SWOT et analyse multi-temporelle de zones urbaines

jeudi
16
novembre
2017

PhD Comics : I'm defending my thesis, Mom !

Jury

Rapporteurs

  • M. Ronan Fablet, Professeur,  LabSTICC, IMT Atlantique
  • M. Jean-François Giovannelli, Professeur,  IMS Lab, Université de Bordeaux

Examinateurs

  • M. Eric Pottier, Professeur, IETR, Université de Rennes 1
  • Mme Marie Chabert, Professeur, INP - ENSEEIHT, Toulouse
  • Mme Gilda Schirinzi, Professeur,  Dipartimento di Ingegneria, Université de Naples Parthénope
  • M. Loïc Denis, Maître de conférence, Laboratoire Hubert Curien, Université de Saint-Etienne

Invité

  • M. Brent Williams, Ingénieur de recherche, NASA's Jet Propulsion Laboratory

Directeurs de thèse

  • Mme Florence Tupin, Professeur, LTCI, Télécom ParisTech
  • M. Roger Fjørtoft, Ingénieur de recherche,  CNES

Résumé

Afin d'obtenir une meilleure couverture, à la fois spatiale et temporelle de leurs mesures les hydrologues utilisent des données spatiales en plus de celles acquises sur place. Fruit d'une collaboration entre les agences spatiales française (le CNES) et américaine (JPL, NASA), la future mission SWOT a notamment pour but de fournir  des mesures de hauteur des surfaces d'eau continentales en utilisant l'interférométrie radar à synthèse d'ouverture (SAR). Dans cette thèse, nous nous intéressons au problème de la détection de l'eau dans les images d'amplitude SWOT qui est ici un prérequis au traitement interférométrique. Dans cette optique, nous proposons d'utiliser une méthode dédiée à la détection des larges cours d'eau ainsi qu'un traitement spécifique pour la détection de rivières fines. La première méthode est basée sur un champs de Markov (MRF) pour la classification, conjointement à une estimation des paramètres de classes qui ne peuvent être supposés constants dans le cas de SWOT. L'estimation des paramètres peut également être modélisée par des champs de Markov. La seconde méthode s'appuie sur une détection de segments au niveau pixellique complétée par une connexion de ces segments.