Résumé technique : Recherche sur la méthode de compensation au sol pour les réponses anormales des pixels de caméras aériennes

1. Énoncé du problème

L'imagerie par caméra aérienne souffre souvent d'une dégradation de la qualité due aux incohérences de production et aux facteurs environnementaux affectant les performances des détecteurs. Ces problèmes se manifestent sous la forme d'anomalies spécifiques au niveau des pixels que le matériel de la caméra ne peut pas résoudre de manière autonome, nécessitant une compensation au sol. Le document identifie trois catégories principales de défauts :

• Pixels invalides, morts ou surchauffés : Ils produisent des bandes verticales brillantes ou sombres distinctes qui s'écartent considérablement de l'arrière-plan, perturbant la continuité de l'image.
• Pollution des pixels (saleté/obstructions) : La poussière ou des objets sur la lentille qui ne se détachent pas lors de la rotation causent des bandes grises ou blanches persistantes, entraînant des erreurs de rayonnement relatives.
• Réponses anormales des filtres : Les discontinuités spectrales, particulièrement dans certaines bandes (par exemple, le spectre bleu), entraînent des images floues ou des écarts de couleur prononcés dans les données multispectrales.

Les méthodes existantes, telles que l'analyse par ondelettes et la régularisation de la norme L1, traitent le bruit de rayures général mais sont insuffisantes pour ces anomalies complexes et spécifiques des détecteurs.

2. Méthodologie

Les auteurs proposent un cadre de compensation au sol en trois étapes, chacune ciblant un type de défaut spécifique à l'aide de méthodes statistiques :

2.1 Méthode des moyennes pondérées (pour les bandes claires/sombres)

Pour traiter les bandes causées par des pixels invalides, morts ou surchauffés, l'article emploie un algorithme d'interpolation simple. Le nombre numérique (DN) du pixel défectueux est remplacé par la moyenne de ses voisins immédiats de gauche et de droite.

• Formule : $Y_{bad}(i) = \frac{Y_{left}(i) + Y_{right}(i)}{2}$
• Mécanisme : Cette méthode suppose une continuité spatiale, permettant aux informations de l'image environnante de s'intégrer de manière fluide et d'éliminer l'artefact de bande.

2.2 Méthode améliorée de correspondance d'histogramme (pour les bandes grises)

Pour corriger les bandes grises causées par la "pollution" des pixels (saleté de la lentille), les auteurs proposent une méthode améliorée de correction du rayonnement relatif basée sur la correspondance d'histogramme.

• Mécanisme : La méthode calcule la densité de probabilité des valeurs de niveaux de gris d'une image de référence et fait correspondre la densité de probabilité cumulée des sondes de l'image cible à cette référence.
• Logique de correction : Si la densité de probabilité cumulée d'une valeur de niveau de gris $k$ spécifique se situe entre deux seuils de référence, la valeur est ajustée au niveau de référence correspondant. Cela normalise l'intensité du rayonnement à travers l'image, atténuant l'impact de la pollution localisée.

2.3 Méthode des moindres carrés multispectraux (pour l'écart de couleur/le flou)

Pour traiter les discontinuités spectrales (par exemple, les réponses anormales du spectre bleu) provoquant des écarts de couleur ou du flou, une approche d'ajustement linéaire est utilisée.

• Mécanisme : La méthode exploite la corrélation entre les bandes spectrales. Si une bande spécifique (par exemple, le bleu) est défectueuse, les valeurs DN des bandes intactes (par exemple, le rouge et le vert) sont utilisées pour estimer les données manquantes.
• Formule : $Y_{true}(i) = a \cdot Y_{red}(i) + b \cdot Y_{green}(i) + c$
• Processus : Les coefficients $a$, $b$ et $c$ sont calculés à l'aide d'une optimisation par les moindres carrés basée sur des réponses spectrales normales. Ces coefficients sont ensuite appliqués pour reconstruire le segment spectral défectueux, restaurant ainsi l'équilibre des couleurs et la netteté.

3. Contributions clés

L'article revendique les innovations suivantes :

1. Classification systématique : Une collection et une catégorisation complètes des problèmes d'imagerie des détecteurs (pixels invalides/morts/surchauffés, discontinuités spectrales et pollution des pixels) et de leurs manifestations visuelles spécifiques.
2. Algorithme de moyennes pondérées : Une méthode proposée spécifiquement pour éliminer les bandes claires ou sombres causées par les défaillances de pixels.
3. Méthode des moindres carrés multispectraux : Une nouvelle approche pour corriger l'écart de couleur et le flou dans les images multispectrales en ajustant linéairement les données spectrales manquantes à l'aide de bandes complémentaires.
4. Correspondance d'histogramme améliorée : Une nouvelle méthode statistique conçue pour atténuer la dégradation de la qualité du rayonnement causée par la pollution des pixels (bandes grises).

4. Résultats expérimentaux

Les méthodes ont été validées à l'aide d'un ensemble de données de 20 images capturées par une caméra chinoise de haute altitude (plage spectrale 0,45–0,89 μm, résolution d'environ 16 m). L'évaluation a utilisé trois métriques : l'évaluation visuelle, le bruit généralisé (GN) et la balance des blancs (WB).

• Suppression des bandes claires/sombres (Moyennes pondérées) :

  • Les résultats visuels ont montré une amélioration significative de l'uniformité de l'image.
  • Métriques GN : Les valeurs de bruit généralisé ont diminué sur l'ensemble des 20 images de test. Par exemple, l'Image 1 est passée de 0,012 à 0,005, et l'Image 3 de 3,821 à 2,855, indiquant une meilleure précision de la correction radiométrique.

• Suppression des bandes grises (Correspondance d'histogramme améliorée) :

  • La méthode améliorée a surpassé la correspondance d'histogramme traditionnelle.
  • Métriques GN : Pour l'Image 1, la méthode améliorée a réduit le GN à 0,005, alors que la méthode traditionnelle ne l'a réduit qu'à 0,016 (l'original étant de 0,012). Sur l'ensemble du jeu de données, la méthode proposée a systématiquement produit des valeurs GN plus faibles que l'approche traditionnelle.

• Correction de l'écart de couleur (Moindres carrés multispectraux) :

  • Les comparaisons visuelles ont démontré l'élimination des écrans flous et des dérives de couleur.
  • Métriques WB : L'indice de balance des blancs (où 1 est optimal) s'est considérablement amélioré. Par exemple, l'Image 1 est passée de 0,876 (sans compensation) à 0,948 (avec compensation), indiquant une représentation de la couleur plus précise.

5. Signification et affirmations

L'article affirme que ces méthodes de compensation au sol sont essentielles pour restaurer la qualité d'image là où les solutions matérielles échouent. Les auteurs soutiennent que :

• Les méthodes statistiques proposées réparent efficacement les images présentant une faible qualité de production de pixels.
• La combinaison de ces trois techniques traite de manière exhaustive les anomalies de détecteur les plus courantes (pixels invalides, pollution et erreurs spectrales).
• La vérification expérimentale confirme que ces méthodes améliorent la qualité radiométrique et la fidélité visuelle des images de caméras aériennes, les rendant adaptées à une application pratique dans des scénarios de télédétection.

Les auteurs concluent que, bien que les méthodes aient été vérifiées sur un ensemble de données spécifique, une évaluation sur des types d'images et des scénarios diversifiés serait précieuse pour évaluer pleinement leur applicabilité.