Outre les performances en terme d'erreur de reconstruction qui seront abordées dans les sections suivantes, il est d'ores et déjà possible d'émettre quelques remarques sur les particularités des méthodes présentées ci-dessus.
La détermination de la valeur optimale pour un paramètre de régularisation, notamment pour l'approche de TIKHONOV, peut se faire en étudiant la courbe en L , construite en reportant l'écart aux données en fonction de la norme de la solution .
Comme l'illustre la figure , la valeur du paramètre de régularisation joue sur la qualité de reconstruction. Selon le contexte de la reconstruction et notamment le niveau de bruit sur les données, il est alors possible d'imposer une plus ou moins grande résolution spatiale en sur- ou sous- régularisant le problème à résoudre.
Dans le cas de la décomposition en valeurs singulières tronquée, si le nombre de valeurs singulières écartées joue effectivement le rôle d'un facteur de régularisation (voir Fig. 8.2 et 8.7), sa valeur optimale, du point de vue du compromis entre erreur de reconstruction et facteur d'amplification, est uniquement fixée par les dimensions du problème et ne dépend donc pas de la scène observée.
En effet, les valeurs singulières de la matrice de modélisation sont clairement réparties en deux groupes (voir Fig. 8.4). Un premier, regroupé autour de 1, compte autant de valeurs singulières que de fréquences dans la bande passante tandis que le second, regroupé autour de valeurs nettement inférieures à 1, compte autant de valeurs singulières que de redondances. Ce sont ces dernières qui sont responsables de l'amplification du bruit et il est donc naturel de les écarter. Ainsi, la valeur ( pour MIRAS), correspondant aux nombres de redondances, est optimale, comme le confirme l'étude de la courbe en L.
Sans doute les avantages les plus importants de cette méthode découlent-ils
du fait de résoudre le problème dans le domaine de
FOURIER et de la nature à bande passante limitée de la
solution reconstruite. Ainsi, l'apodisation des solutions
obtenues par des méthodes résolvant le problème dans le
domaine spatial demande l'application d'une FFT directe, de
l'opérateur
, afin de ne garder que les composantes
aux fréquences contenues dans la bande passante,
l'application de la fenêtre à l'aide de
, celle
de l'opérateur
de bourrage de zéro et enfin celle
d'une FFT inverse :
On peut s'étonner d'être obligé de diminuer la résolution de la solution initialement obtenue en coupant les hautes fréquences et s'interroger sur la signification physique d'une solution à résolution plus grande que celle de l'instrument.
Dans le cas de la solution de la régularisation physique,
l'apodisation se fait directement sur le résultat de
l'application de l'opérateur
sur les données, et
le retour au domaine direct se fait grâce à
et
:
Une partie de mon travail de thèse à consisté à implémenter, pour des instruments aux dimensions réalistes, la méthode à bande passante limitée déjà existante, ainsi que les autres méthodes nous avons développés, la régularisation mathématique et l'approche de TIKHONOV.
Afin de faciliter le calcul de la matrice de modélisation,
notamment pour la simulation de l'instrument MIRAS,
les codes de calcul en FORTRAN ont été parallélisées
à l'aide de la librairie d'instruction
pour pouvoir
être portés sur deux architectures parallèles différentes :
une architecture NUMA-cc (machine SGI O3000) dite à
mémoire virtuellement partagée et une architecture à mémoire distribuée
(machine COMPAQ
Avant tout, il est utile de remarquer qu'il n'est pas nécessaire de procéder
au calcul et au stockage des opérateurs de reconstruction dans le cas des
méthodes de TIKHONOV et à bande passante limitée.
Il existe de multiples approches permettant de minimiser les critères de
moindres carrés (8.12) et (8.15).
Une fois le problème régularisé, lorsque l'existence d'une unique
solution est assurée, des méthodes itératives de type gradients
conjugués peuvent être employées avec la certitude de leur convergence.
L'avantage est bien entendu de limiter l'espace mémoire nécessaire
à l'estimation de la solution.
Cependant, les méthodes matricielles, si elles sont plus
contraignantes du point de vue du matériel informatique,
offrent l'avantage de pouvoir procéder à de multiples
reconstructions simultanées, au prix d'un produit
matrice-matrice, opération facilement parallélisable. Il
faut aussi noter que le calcul de ces
opérateurs, tous basés sur l'utilisation de la matrice de
modélisation, n'est nécessaire qu'à chaque étape de
calibration de l'instrument. Les technologies actuellement
disponibles, tant matérielles qu'algorithmiques, permettent
d'assurer la validité de l'implémentation de ces méthodes
compte tenu des contraintes de temps imposées par le rythme
de l'acquisition des données (1.5s) et celui de la
calibration (1 orbite pour MIRAS, soit environ 1h).
Les opérateurs
et
sont des opérateurs de la dimension de l'opérateur
de modélisation. L'implémentation pratique de leur calcul demande
donc des ressources importantes. Le tableau 8.1 résume
les contraintes informatiques pour la régularisation mathématique
et la méthode à bande passante limitée.
L'opérateur
est calculé d'après la
décomposition en valeurs singulières de
opérée grâce
à la routine DGESVD de la libraire scientifique
LAPACK. En plus du stockage de la matrice
,
écrasée par la matrice
à la fin du calcul, elle
nécessite le stockage de la matrice
contenant les
vecteurs singuliers à gauche.
La méthode à bande passante limitée offre de nombreux
avantages du point de vue de l'implémentation pratique. Les
dimensions du nouveau problème
à résoudre sont plus petites que celles du problème
initial : ici, le nombre de colonnes de la matrice est lié
au nombre de fréquences dans la bande passante, alors qu'il
est lié au nombre de pixels de la grille d'échantillonnage
pour la matrice
, ce qui conduit à diviser la taille
de l'opérateur de reconstruction par 6 pour MIRAS et par 7
pour HUT2D. De même, il est possible de ne stocker que les
composantes de FOURIER à l'intérieur de la bande passante,
et non les
pixels de la solution dans le domaine spatial.
Pour les simulations réalisées dans ce document,
il a été choisi de calculer l'inverse généralisé de
grâce à une décomposition en valeurs singulières. Le calcul
de
prend alors 3 fois moins de temps pour MIRAS, 20 fois
moins pour HUT2D, que le calcul de
.
La méthode à bande passant limitée, si elle ne dépend pas
d'un paramètre de régularisation, fournit non seulement une
solution proche des solutions obtenues avec la valeur
optimale du paramètre de régularisation des autres méthodes,
mais possède en outre des avantages liés à la propriété
imposée à cette solution. L'apodisation et l'interpolation
de la carte de température de brillance estimée peut se
faire dans le même temps que le passage du domaine de
FOURIERdans lequel se fait la résolution du problème vers
le domaine spatial de la solution recherchée. De plus, la
reformulation du problème conduit à diminuer les dimensions
de l'opérateur de reconstruction (comparé aux autres
méthodes), facilitant ainsi la mise en oeuvre informatique
et diminuant les temps de calcul, ce qui représente un
avantage compte tenu des contraintes sur le traitement en
temps réel des données dans le cadre d'une mission spatiale.
Temps de calcul
100 reconstructions
3 min
< 5 s
En conclusion, la comparaison des méthodes
régularisées à l'aide de la courbe en L offre un nouvel
éclairage sur leurs caractéristiques respectives. La
régularisation de TIKHONOV, pour la première fois appliquée à la
reconstruction d'image pour les radiomètres à synthèse
d'ouverture, a permis de redéfinir le nombre de valeurs
singulières écartées la régularisation mathématique comme un
paramètre de régularisation aux même titre que le paramètre
de TIKHONOV. Le choix de la valeur optimale pour le paramètre
comme étant le nombre de redondances est confirmée non
seulement par l'étude du spectre des valeurs singulières
mais aussi par l'étude de la courbe en L. Il est alors
possible de faire varier ce paramètre et de sur- ou
sous-régulariser le problème à résoudre, changeant du même
coup la sensibilité de la solution aux bruits sur les
données et la qualité de l'accord aux données.
Next: 8.5 Article : comparaison
Up: 8. Méthodes de reconstruction
Previous: 8.3 Régularisation physique dite
nous
2005-03-31