ENSEIGNEMENT ET ENCADREMENT

 

ENSEIGNEMENT


  1. Puce 1993-1995 : Cours de Traitement du Signal en troisième année à l'ESIEA (36 heures)

  2. Puce 1997-2000 : Cours Ondelettes et Temps-Fréquence en troisième année à l’ENST (6 heures). Encadrement de projets. Poly de cours officiel ENST.

  3. Puce 1999-2007 : Cours Traitement du Signal en première et seconde année à l’Ecole Centrale de Paris (18 heures).

  4. Puce  2004-2009  : Cours sur l’Analyse Temps-Fréquence appliquée à l’Imagerie Radar, ENSEA (4h)

  5. Puce 2006-2014 : Cours EUROSAE (stage de formation ELS 043) sur l’Analyse par Ondelettes (6h)

  6. Puce 2003-2008, 2013, 2015, 2017 : Cours EUROSAE (stage de formation ELA 030) sur l’Analyse et la Reconnaissance des Cibles Radar (3h)

  7. Puce 2012-2015 : Cours et Travaux Dirigés en Traitement du Signal, License Pro, IUT d’Orsay (30h)

  8. Puce 2012, 2013 : Cours et Travaux Dirigés en Analyse Numérique, Licence, IUT Ville Avray (15h)

  9. Puce 2011-2017 : Cours et Travaux Dirigés en Analyse Statistique et Harmonique, 2ème année, IUT d’Orsay (30h)


 

ENCADREMENT DE STAGIAIRES


  1. Puce Encadrement d’un stagiaire (Eugénie Terreaux) de Master Recherche de l’Institut Fresnel (Marseille) et de l’Ecole Centrale de Marseille en partenariat avec le L2S de CentraleSupélec d’Avril à septembre 2015 sur le thème "Détection d’anomalies et détection de changement pour l’imagerie hyperspectrale"

  2. Puce Encadrement d’un stagiaire (Mélanie Mahot) de Master Recherche Systèmes de Télécommunications Numériques (STN), de l’université Paris 6 (UPMC) en partenariat avec Télécom ParisTech  de mars à juin 2009 sur le thème "Techniques robustes pour le STAP en environnement de fouillis hétérogene et non stationnaire"

  3. Puce Encadrement d’un stagiaire (Pierre Formont) de Master Recherche Signal Images Parole Télécom du Gipsa-Lab, Grenoble de février à juillet 2009 sur le thème "Classification polarimétrique dans les images SAR hautement texturées"

  4. Puce Encadrement d'un stagiaire (Frédéric Pascal) du DEA de l’Université de Paris VII d’avril à juillet 2003 sur le thème "Détection en Environnement Non Gaussien"

  5. Puce Encadrement d’un stagiaire (Mohamed Tria) de DEA du LSS d’avril à juillet 2001 sur le thème "Analyse SAR par Ondelettes"

  6. Puce Encadrement d’un stagiaire (Eloi Thoumie) de DEA de l’ENSEA d’avril à juillet 2000 sur le thème "Analyse SAR par Ondelettes"

  7. Puce Encadrement d'un stagiaire (Emmanuelle Jay) du DEA de l’ENSEA d’avril à juillet 1998 sur le thème "Détection en Environnement Non Gaussien"

  8. Puce Encadrement d'un stagiaire (Véronique Hirsinger) de l'Ecole Polytechnique Féminine de janvier à juin 1994 (stage de fin d’études) sur le thème : "Analyse et Modélisation du Fouillis de Sol"

  9. Puce Encadrement d'un stagiaire (Christophe Corroyer) du DEA de l’ENSEA d’avril à juillet 1992 sur le thème : "Analyse de Signaux Large Bande par Représentations Temps-Fréquence Affines"


 

ENCADREMENTS DE POST-DOC


  1. Puce Encadrement du post-doc de Giovanni Manfredi (septembre 2017-2018) à l’ONERA DEMR et SONDRA sur le thème Détection et Analyse Micro-Doppler d’Activité Humaine Sous Couvert Forestier en Bande Basse L ou P.

  2. Puce Encadrement du post-doc de Wajih Ben-Abdallah (juin 2016-2017) au laboratoire L2S/SONDRA sur le thème Space-Time ARMA Models for Radar Applications en collaboration avec Pascal Bondon du L2S.

  3. Puce Encadrement du post-doc de Pierre Formont (mars 2013-2014) au laboratoire SONDRA sur le thème Détection de Changement dans les Images SAR et les images Hyperspectrales.

  4. Puce Obtention d’une bourse DGA et encadrement du post-doc de Miguel Veganzones (octobre 2012-septembre 2013) au Gipsa Lab sur le thème Techniques robustes de détection, d'estimation de paramètres statistiques et de classification pour l'imagerie hyperspectrale en collaboration avec Jocelyn Chanussot du Gipsa-Lab.

  5. Puce Encadrement du post-doc de Lionel Bombrun (octobre 2009-avril 2010) du Gipsa Lab en visite au laboratoire SONDRA pour 6 mois sur le thème Processus Stochastiques pour l'Analyse de la Rétrodiffusion SAR.

  6. Puce Encadrement du post-doc de Gabriel Vasile (2007-2008) sur le thème Analyse Statistique de la Texture Polarimétrique des images SAR (financement CNES).


ENCADREMENTS DE THESE


  1. Puce Directeur de thèse (CentraleSupelec) d’Ammar Mian (2016-2019) sur le thème "Exploitation des Séries d’Images SAR ou Hyperspectrales" en collaboration avec Guillaume Ginolhac (co-directeur) et Abdourrahmane Atto de l’Université de Savoie Mont-Blanc (LISTIC).


  1. Puce Directeur de thèse (CIFRE Défense) de Uyhour Tan (2014-2017) sur le thème "Optimisation de codes d’émission pour radar MIMO colocalisé et adaptativité à l’émission" en collaboration avec Jean-Paul Guivarch, Claude Adnet de THALES Air Systems et Olivier Rabaste (ONERA/DEMR/TSI).


  1. Puce Directeur de thèse (DGA) d’Eugénie Terreaux (2015-2018) sur le thème "Théorie des Matrices Aléatoires pour l’Imagerie Hyperspectrale" en collaboration avec Frédéric Pascal (CentraleSupelec/L2S).


  1. Puce Directeur de thèse d’Ahmad Bitar (2015-2018) sur le thème "Exploitation de la Parcimonie Pour la Détection de Cibles Dans les Images Hyperspectrales" en collaboration avec Cheong Loong Fah de l’Université de Singapour. Cette thèse a été soutenue (Mention Très Honorable) le 06 juin 2018 à l’Université de Paris-Saclay - CentraleSupélec/SONDRA


      Le titre de cette thèse de doctorat est formé de trois mots clés : parcimonie, image hyperspectrale, et détection de cibles. La parcimonie signifie généralement « petit en nombre ou quantité, souvent répartie sur une grande zone ». Une image hyperspectrale est constituée d'une série d'images de la même scène spatiale, mais prises dans plusieurs dizaines de longueurs d'onde contiguës et très étroites, qui correspondent à autant de "couleurs". Lorsque la dimension spectrale est très grande, la détection de cibles devient délicate et caractérise une des applications les plus importantes pour les images hyperspectrales. Le but principal de cette thèse de doctorat est de répondre à la question « Comment et Pourquoi la parcimonie peut-elle être exploitée pour détecter de cibles dans les images hyperspectrales? ». La réponse à cette question nous a permis de développer des méthodes de détection de cibles prenant en compte l'hétérogénéité de l'environnement, le fait que les objets d'intérêt sont situés dans des parties relativement réduites de l'image observée et enfin que l'estimation de la matrice de covariance d'un pixel d'une image hyperspectrale peut être compliquée car cette matrice appartient à un espace de grande dimension. Les méthodes proposées sont évaluées sur des données synthétiques ainsi que réelles, dont les résultats démontrent leur efficacité pour la détection de cibles dans les images hyperspectrales.


  1. Puce Directeur de thèse de Joana Frontera-Pons (2011-2014) sur le thème "Détection et Classification Robustes en Imagerie Hyperspectrale" en collaboration avec Frédéric Pascal de Supélec/SONDRA. Cette thèse a été soutenue (Mention Très Honorable) le 10 décembre 2014 à l’Université de Paris Sud - Supelec/SONDRA (Présentation de soutenance),


      L'imagerie hyperspectrale (HSI) repose sur le fait que, pour un matériau donné, la quantité de rayonnement émis varie avec la longueur d'onde. Les capteurs HSI mesurent donc le rayonnement des matériaux au sein de chaque pixel pour un très grand nombre de bandes spectrales contiguës et fournissent des images contenant des informations à la fois spatiale et spectrale. Les méthodes classiques de détection adaptative supposent généralement que le fond est gaussien à vecteur moyenne nul ou connu. Cependant, quand le vecteur moyen est inconnu, comme c'est le cas pour l'image hyperspectrale, il doit être inclus dans le processus de détection. Nous proposons dans ce travail d'étendre les méthodes classiques de détection pour lesquelles la matrice de covariance et le vecteur de moyenne sont tous deux inconnus. Cependant, la distribution statistique multivariée des pixels de l'environnement peut s'éloigner de l'hypothèse gaussienne classiquement utilisée. La classe des distributions elliptiques a été déjà popularisée pour la caractérisation de fond pour l’HSI. Bien que ces modèles non gaussiens aient déjà été exploités dans la modélisation du fond et dans la conception de détecteurs, l'estimation des paramètres (matrice de covariance, vecteur moyenne) est encore généralement effectuée en utilisant des estimateurs conventionnels gaussiens. Dans ce contexte, nous analysons de méthodes d’estimation robuste plus appropriées à ces distributions non- gaussiennes : les M-estimateurs. Ces méthodes de détection couplées à ces nouveaux estimateurs permettent d'une part, d'améliorer les performances de détection dans un environment non-gaussien mais d'autre part de garder les mêmes performances que celles des détecteurs conventionnels dans un environnement gaussien. Elles fournissent ainsi un cadre unifié pour la détection de cibles et la détection d'anomalies pour la HSI.


  1. Puce Encadrement de la thèse ONERA/DGA de Pierre Formont (2009-2012) sur le thème "Outils Statistiques et Géométriques pour la Classification des Images SAR Polarimétriques Hautement Texturées" en collaboration avec Gabriel Vasile du GipsaLab, CNRS, Frédéric Pascal de Supélec/SONDRA et Laurent Ferro-Famil de  l'Institut d'Electronique et de Télécommunications de l'Université de Rennes. Cette thèse a été soutenue (Mention Très Honorable) le 10 décembre 2013 à l’Université de Paris Sud - Supelec/SONDRA (Présentation de soutenance),


       Les radars à synthèse d’ouverture (Synthetic Aperture Radar ou SAR) permettent de fournir des images à très haute résolution de la surface de la Terre. Les algorithmes de classification traditionnels se basent sur une hypothèse de bruit gaussien comme modèle de signal, qui est rapidement mise en défaut lorsque l’environnement devient inhomogène ou impulsionnel, comme c’est particulièrement le cas dans les images SAR polarimétriques haute résolution, notamment au niveau des zones urbaines. L’utilisation d’un modèle de bruit composé, appelé modèle SIRV, permet de mieux prendre en compte ces phénomènes et de représenter la réalité de manière plus adéquate. Cette thèse s’emploie alors à étudier l’application et l’impact de ce modèle pour la classification des images SAR polarimétriques afin d’améliorer l’interprétation des classifications au sens de la polarimétrie et à proposer des outils adaptés à ce nouveau modèle. En effet, il apparaît rapidement que les techniques classiques utilisent en réalité beaucoup plus l’information relative à la puissance de chaque pixel plutôt qu’à la polarimétrie pour la classification. Par ailleurs, les techniques de classification traditionnelles font régulièrement appel à la moyenne de matrices de covariance, calculée comme une moyenne arithmétique. Cependant, étant donnée la nature riemannienne de l’espace des matrices de covariance, cette définition n’est pas applicable et il est nécessaire d’employer une définition plus adaptée à cette structure riemannienne. Nous mettons en évidence l’intérêt d’utiliser un modèle de bruit non gaussien sur des données réelles et nous proposons plusieurs approches pour tirer parti de l’information polarimétrique qu’il apporte. L’apport de la géométrie de l’information pour le calcul de la moyenne est de même étudié, sur des données simulées mais également sur des données réelles acquises par l’ONERA. Enfin, une étude préliminaire d’une extension de ces travaux au cas de l’imagerie hyperspectrale est proposée, de par la proximité de ce type de données avec les données SAR polarimétriques.


  1. Puce Co-Directeur de la thèse ONERA/DGA de Mélanie Mahot (2009-2012) sur le thème sur le thème "Estimation Robuste de la Matrice de Covariance  en Traitement du Signal" en collaboration avec Philippe Forster (Directeur de thèse) du SATIE (ENS Cachan) et Frédéric Pascal de Supélec/SONDRA. Cette thèse a été soutenue (Mention Très Honorable) le 6 décembre 2012 à l’Ecole Normale Supérieure de Cachan (Présentation de soutenance).


        De nombreuses applications de traitement de signal nécessitent la connaissance de la matrice de covariance des données reçues. Lorsqu'elle n'est pas directement accessible, elle est estimée préalablement à l'aide de données d'apprentissage. Traditionnellement, le milieu  est considéré comme gaussien. L'estimateur du maximum de vraisemblance est alors la sample covariance matrix (SCM). Cependant, dans de nombreuses applications, notamment avec l'arrivée des techniques haute résolution, cette hypothèse n'est plus valable. De plus, même en milieu gaussien, il s'avère que la SCM peut-être très influencée par des perturbations (données aberrantes, données manquantes, brouilleurs...) sur les données. Dans cette thèse nous nous proposons de considérer un modèle plus général, celui des distributions elliptiques. Elles permettent de représenter de nombreuses distributions et des campagnes de mesures ont montré leur bonne adéquation avec les données réelles, dans de nombreuses applications telles que le radar ou l'imagerie hyperspectrale. Dans ce contexte, nous proposons des estimateurs plus robustes et plus adaptés : les M-estimateurs et l'estimateur du point-fixe (FPE). Leurs performances et leur robustesse sont étudiées et comparées à celles de la SCM. Nous montrons ainsi que dans de nombreuses applications, ces estimateurs peuvent remplacer très simplement la SCM, avec de meilleures performances lorsque les données sont non-gaussiennes et des performances comparables à la SCM lorsque les données sont gaussiennes. Les résultats théoriques développés dans cette thèse sont ensuite illustrés à partir de simulations puis à partir de données réels dans le cadre de traitements spatio-temporels adaptatifs.


  1. Puce Participation à l’encadrement de la thèse DGA/ONERA de Julien Totems (2007-2010) sur le thème "Emission laser impulsionnelle et traitements temps-fréquence en vibrométrie par lidar à détection cohérente" en collaboration avec Nadine Martin (Directeur de thèse) du Gipsa Lab/CNRS et de Véronique Jolivet (ONERA/DOTA/SLS). Cette thèse a été soutenue (Mention Très Honorable) le 15 février 2011 à l’Université de Grenoble.


       L’utilisation de lasers pulsés ouvre la voie à de nouvelles fonctionnalités et à une compacité accrue des systèmes lidars pour la mesure de vibration à distance. Or des bruits de phase et d’amplitude affectent le signal lidar, diminuant particulièrement les performances du régime impulsionnel à multiplets, concept par ailleurs prometteur pour la mesure à longue portée. Ces travaux portent d’abord sur la caractérisation expérimentale de ces bruits afin de les modéliser, en particulier l’effet de la turbulence atmosphérique. Puis nous cherchons à optimiser les formes d’ondes et le traitement du signal en fonction de la vibration et de la statistique de bruit. Nous proposons une méthode originale basée sur un estimateur du maximum de vraisemblance de la fréquence Doppler, associé à une extraction à partir de la représentation temps-fréquence du signal. L’apport de cette approche est constaté par la simulation et l’expérience, en comparant les performances de plusieurs régimes d’émission.


  1. Puce Participation à l’encadrement de la thèse de Chong Chin Yuan (2008-2011) sur le thème "Traitement du signal pour les radars MIMO: Détection en Environnement Gaussien et non-Gaussien et Application au STAP" en collaboration avec Marc Lesturgie (Directeur de thèse) de l’ONERA et de Frédéric Pascal (Supelec/SONDRA). Cette thèse a été soutenue (Mention Très Honorable) le 18 novembre 2011 à l’Université de Paris Sud (Présentation de soutenance).


        Un radar Multiple-Input Multiple-Output (MIMO) est celui où les émetteurs envoient des formes d’ondes différentes (orthogonales ou partiellement corrélées) qui peuvent être séparées à la réception. En outre, les émetteurs et récepteurs peuvent être co-localisés ou largement séparés. La première partie de la thèse porte sur la détection dans des environnements gaussiens et non gaussiens en utilisant un radar MIMO, qui contient plusieurs sous-réseaux largement séparés avec un ou plusieurs éléments chacun. Deux situations différentes sont considérées. Premièrement, nous considérons que les interférences sont gaussiennes, mais une corrélation entre les sous-réseaux peut survenir en raison d’un espacement insuffisant et de l’orthogonalité imparfaite des formes d’ondes. Deuxièmement, nous considérons que les interférences sont non gaussiennes, une situation qui se présente quand il y a du fouillis de sol ou de mer et lorsque la résolution est très élevée. La deuxième partie est dédiée à l’utilisation de techniques MIMO pour le Space-Time Adaptive Processing (STAP). La configuration MIMO cohérente est étudiée en changeant la distribution et l’espacement des éléments d’antenne pour améliorer les performances de détection et d’estimation. En outre, une étude préliminaire est également présentée sur l’utilisation de la diversité spatiale pour rendre le radar plus robuste aux fluctuations de la RCS et `a la variation de la vitesse de la cible par rapport à l’angle d’incidence du signal émis et reçu.



  1. Puce Encadrement de la thèse ONERA de Guilhem Pailloux (2007-20010) sur le thème "Estimation Structurée de la Covariance du Bruit en Détection Adaptative" en collaboration avec Frédéric Pascal de l’Ecole Normale Supérieure de Cachan (LESIR/SATIE) et Philippe Forster du GEA (Groupe d’Electromagnétisme Appliqué) de l’Université Paris X. Cette thèse a été soutenue (Mention Très Honorable) le 10 juin 2010 à l’Université de Nanterre (Présentation de soutenance).


         Dans le cadre de la détection radar en environnement gaussien comme non-gaussien, de nombreux détecteurs ont été développés en se basant sur des modèles de fouillis précis et des estimateurs de matrices adaptés à ces modèles. Les modèles gaussiens, simples d’utilisation, montrent rapidement leurs limites face à la réalité physique et laissent ainsi place aux SIRP, processus aléatoires sphériquement invariants qui rendent compte beaucoup plus fidèlement de la non-gaussianité du fouillis. Les détecteurs adaptés à ces environnements sont alors construits sur la base d’un estimateur de la matrice de covariance adapté. Or, dans de nombreuses applications, cette matrice de covariance présente une structure particulière dite persymétrique. L’objet de cette thèse est donc d’exploiter cette structure particulière de la matrice de covariance du fouillis afin d’en diminuer l’erreur d’estimation. Par cette exploitation, deux nouveaux estimateurs de la matrice ont été déterminés pour les environnements gaussiens et non-gaussiens. Ces détecteurs nommés PAMF et GLRT-PFP, ont été caractérisés statistiquement et une validation des travaux théoriques a été menée sur des données opérationnelles tant gaussiennes que non-gaussiennes. Une application de la persymétrie a également été effectuée dans le cadre des algorithmes spatio-temporels (STAP) ainsi que sur des algorithmes dits "à rang réduit". Les résultats probants en détection obtenus sur tous ces types de données confirment donc l’intérêt de la technique étudiée. Enfin, un élargissement de la structure persymétrique a été étudié par l’extension des détecteurs aux matrices dites de Toeplitz. Ces matrices obtenues dans le cas de traitements spatio-temporels présentent une structuration plus riche encore que la persymétrie et permettent d’envisager des développements futurs intéressants en vue de l’amélioration des performances des détecteurs. Les premiers résultats sont présentés pour conclure ce travail de thèse.


  1. Puce Encadrement de la thèse ONERA de Frédéric Pascal (2003-2006) sur le thème "Détection et Estimation en Environnement Non Gaussien" en collaboration avec Pascal Larzabal de l’Ecole Normale Supérieure de Cachan (LESIR/SATIE) et Philippe Forster du GEA (Groupe d’Electromagnétisme Appliqué) de l’Université Paris X. Cette thèse a été soutenue (Mention Très Honorable avec les félicitations du jury) le 14 novembre 2006 à l’Université de Nanterre (Présentation de soutenance).


         Dans le contexte très général de la détection radar, les détecteurs classiques, basés sur l'hypothèse d'un bruit gaussien, sont souvent mis en défaut dès lors que l'environnement (fouillis de sol, de mer) devient inhomogène, voire impulsionnel, s'écartant très vite du modèle gaussien. Des modèles physiques de fouillis basés sur les modèles de bruit composé (SIRP, Compound Gaussian Processes) permettent de mieux représenter la réalité (variations spatiales de puissance et nature de fouillis, transitions, ...). Ces modèles dépendent cependant de paramètres (matrice de covariance, loi de texture, paramètres de "disturbance") qu'il devient nécessaire d'estimer. Une fois ces paramètres estimés, il est possible de construire des détecteurs radar optimaux (Generalized Likelihood Ratio Test - Linear Quadratic) pour ces environnements. Cette thèse, qui s'appuie sur ces modèles, propose une analyse complète de diverses procédures d'estimation de matrices de covariance, associées à ce problème de détection. Une étude statistique des principaux estimateurs de matrice de covariance, utilisés actuellement, est réalisée. De plus, un nouvel estimateur est proposé : l'estimateur du point fixe, très attractif grâce à ses bonnes propriétés statistiques et "radaristiques". Elle décrit également les performances et les propriétés théoriques (SIRV-CFAR) du détecteur GLRT-LQ construits avec ces nouveaux estimateurs. En particulier, on montre l'invariance du détecteur à la loi de la texture mais également à la matrice de covariance régissant les propriétés spectrales du fouillis. Ces nouveaux détecteurs sont ensuite analysés sur des données simulées mais également testés sur des données réelles de fouillis de sol.


  1. Puce Encadrement de la thèse ONERA de Mickaël Duquenoy (2004-2007) sur le thème "Analyse Temps-Fréquence Appliquée à l'Imagerie SAR Polarimétrique" en collaboration avec Eric Pottier et Laurent Ferro-Famil de  l'Institut d'Electronique et de Télécommunications de l'Université de Rennes. Cette thèse a été soutenue (Mention Très Honorable) le 20 octobre 2009 à l’IETR de Rennes (Présentation de soutenance),


         L’imagerie SAR considère les cibles comme un ensemble de diffuseurs ponctuels, isotropes et non-dispersifs. Ce modèle devient obsolète pour les nouvelles applications radar qui utilisent une large bande et une forte excursion angulaire. Il s’agit donc d’étudier les non-stationnarités par l’outil usuel : l’analyse temps-fréquence. Les transformées temps-fréquence usuelles permettent de construire des hyperimages (images à 4 dimensions) décrivant l’énergie en fonction de la fréquence émise et de l’angle de visée. Cette source d’information est reliée à la section efficace radar (SER). Une autre source d’information en imagerie radar est la polarimétrie. Il s’agit d’utiliser conjointement ces deux sources d’information afin de caractériser les diffuseurs. Par application des ondelettes continues et des décompositions cohérentes sur la matrice de Sinclair, des hyper-images polarimétriques sont générées. Ces hyperimages permettent de décrire le comportement polarimétrique en fonction de l’angle de visée et de la fréquence émise. Dans certains cas elles décrivent globalement le mécanisme de rétrodiffusion, par sa nature, son orientation relative dans le plan horizontal et son orientation absolue dans le plan vertical. De plus, elles mettent en évidence un nouveau phénomène : la non-stationnarité polarimétrique. Celle-ci serait causée par le fait que le radar ne voit pas la même géométrie au cours de l’acquisition. De ces hyperimages polarimétriques, l’information est synthétisée et une nouvelle classification phénoménologique est proposée.


  1. PuceEncadrement de la thèse ONERA de Mohamed Tria (2001-2004) sur le thème "Imagerie Radar à Synthèse d'Ouverture par Analyse en Ondelettes Continues Multidimensionnelles" en collaboration avec Messaoud Benidir du Laboratoire des Signaux et Systèmes (LSS) de Supelec. Cette thèse a été soutenue (Mention Très Honorable) le 18 novembre 2005 à l’Université d'Orsay (Présentation de soutenance),


          Les méthodes classiques d'imagerie SAR (Synthetic Aperture Radar) font l'hypothèse d'isotropie (les points imagés se comportent de la même manière selon l'angle sous lequel ils sont vus) et de blancheur (les points imagés ont le même comportement dans la bande fréquentielle émise) des réflecteurs imagés. Néanmoins, ces hypothèses ne sont plus valables avec l'émergence de nouvelles capacités d'imagerie (large bande fréquentielle, grandes excursions angulaires, ...). L'objectif du travail de thèse a consisté à développer une méthode d'analyse temps-fréquence basée sur l'utilisation d'ondelettes continues permettant de mettre en lumière les phénomènes d'anisotropie et de coloration des points imagés. Une grande partie du travail a consisté à exploiter le caractère coloré et anisotrope des réflecteurs pour discriminer une cible dans une image SAR. Enfin l'analyse par ondelettes continues a été étendue à la polarimétrie pour améliorer la classification des cibles aléatoires et cibles déterministes puis à l'interférométrie afin obtenir une meilleure estimation de la hauteur des cibles.


  1. Puce Encadrement de la thèse ONERA/MNRT d'Emmanuelle JAY (1998-2001) sur le thème "Détection en Environnement Non Gaussien" en collaboration avec Patrick Duvaut et David Declercq du laboratoire ETIS de l’ENSEA. Cette thèse a été soutenue (Mention Très Honorable avec les félicitations du jury) le 14 juin 2002 à l’Université de Cergy-Pontoise (Présentation de soutenance),


        Les échos radar provenant des diverses réflexions du signal émis sur les éléments de l'environnement (le fouillis) ont longtemps été modélisés par des vecteurs gaussiens. La procédure optimale de détection se résumait alors en la mise en oeuvre du filtre adapté classique.
Avec l'évolution technologique des systèmes radar, la nature réelle du fouillis s'est révélée ne plus être gaussienne. Bien que l'optimalité du filtre adapté soit mise en défaut dans pareils cas, des techniques TFAC (Taux de Fausses Alarmes Constant) ont été proposées pour ce détecteur, dans le but d'adapter la valeur du seuil de détection aux multiples variations locales du fouillis. Malgré leur diversité, ces techniques se sont avérées n'être ni robustes ni optimales dans ces situations.
A partir de la modélisation du fouillis par des processus complexes non gaussiens, tels les SIRP (Spherically Invariant Random Process), des structures optimales de détection cohérente ont pu être déterminées. Ces modèles englobent de nombreuses lois non gaussiennes, comme la K-distribution ou la loi de Weibull, et sont reconnus dans la littérature pour modéliser de manière pertinente de nombreuses situations expérimentales. Dans le but d'identifier la loi de leur composante caractéristique qu'est la
texture, sans a priori statistique sur le modèle, nous proposons, dans cette thèse, d'aborder le problème par une approche bayésienne.
Deux nouvelles méthodes d'estimation de la loi de la
texture en découlent : la première est une méthode paramétrique, basée sur une approximation de Padé de la fonction génératrice de moments, et la seconde résulte d'une estimation Monte Carlo. Ces estimations sont réalisées sur des données de fouillis de référence et donnent lieu à deux nouvelles stratégies de détection optimales, respectivement nommées PEOD (Padé Estimated Optimum Detector) et BORD (Bayesian Optimum Radar Detector). L'expression asymptotique du BORD (convergence en loi), appelée le "BORD Asymptotique", est établie ainsi que sa loi. Ce dernier résultat permet d'accéder aux performances théoriques optimales du BORD Asymptotique qui s'appliquent également au BORD dans le cas où la matrice de corrélation des données est non singulière. Les performances de détection du BORD et du BORD Asymptotique sont évaluées sur des données expérimentales de fouillis de sol. Les résultats obtenus valident aussi bien la pertinence du modèle SIRP pour le fouillis que l'optimalité et la capacité d'adaptation du BORD à tout type d'environnement.


PARTICIPATION AUX JURYS DE THESE


  1. Puce Linda Aouchiche-Hadded, Localidation à haute résolution de cibles lentes et de petite taille à l’aide de radars de sol hautement ambigus, 14 mars 2018, Université de Rennes 1, Examinateur.

  2. Puce Fabio Manzoni, Fusion de données AIS et radar pour la surveillance maritime, 30 novembre 2017, Université de Toulouse, Rapporteur.

  3. Puce Marie Lassère, Estimation non ambigüe de cibles grâce à une représentation parcimonieuse bayésienne d’un signal large bande, 20 novembre 2017, Université de Toulouse, Rapporteur.

  4. Puce Ramona Pelich, Ship detection and characterization from SAR imagery linked with cooperative vessel tracking data, 8 décembre 2015, Université de Brest, Rapporteur.

  5. Puce Timothée Rouffet, Contributions au traitement radar haute résolution : détection de cibles étendues et optimisation de formes d'onde, 7 décembre 2015, Université de Bordeaux, Examinateur.

  6. Puce Alexis Decurninge, Quantiles univariés et multivariés, approches probabiliste et statistiques - Applications radar, 26 janvier 2015, Université de Paris 6, Rapporteur.

  7. Puce Aurélien Schutz, Modélisation multivariée de champs texturaux - Application à la classification d'images, 15 décembre 2014, Université de Bordeaux, Examinateur.

  8. Puce Joana Frontera-Pons, Détection robuste de cibles en imagerie hyperspectrale, 10 décembre 2014, Thèse de l'Université de Paris Sud, Examinateur ;

  9. Puce Pierre Formont, Outils statistiques et géométriques pour la classification des images SAR polarimétriques hautement texturées, 10 décembre 2013, Thèse de l’Université de Rennes 1, Examinateur.

  10. Puce Thomas Boulay, Développement d’algorithmes pour la fonction NCTR - Application des calculs parallèles sur les processeurs GPU, 22 octobre 2013, Thèse de l’Université de Paris Sud, Examinateur.

  11. Puce Vincent Corretja, Apport de l'analyse temps-fréquence combinée à l'analyse de formes pour le traitement ISAR, 30 janvier 2013, Thèse de l’Université de Bordeaux, Rapporteur.

  12. Puce Jean-Philippe Goy, Détection d’Obstacles et de Cibles de Collision par un Radar FMCW Aéroporté,  18 décembre 2012, Thèse de l’Université de Toulouse, Rapporteur.

  13. Puce Mélanie Mahot, Estimation Robuste de la Matrice de Covariance en Traitement du Signal, 6 décembre 2012, Ecole Normale de Cachan, Cachan, Examinateur.

  14. Puce François Deudon, Traitements Radar Large Bande : Apport de la Migration Distance pour l’Obtention d’un Mode non-Ambigu, 8 décembre 2011, ISAE, Toulouse, Rapporteur.

  15. Puce Dinh Thang Vu, Outils Statistiques pour le Positionnement Optimal de Capteurs dans le Contexte de la Localisation de Sources, 19 octobre 2011, Université de Paris 11. Examinateur.

  16. PuceEspinoza Molina, Advanced Methods for High Resolution SAR Information: Data and User-Driven Evaluation Approaches for Image Information Mining, 16 mai 2011, Telecom Paris Tech. Rapporteur.

  17. PuceGuilhem Pailloux, Estimation Structurée de la Matrice de Covariance et Application à la Détection Radar,  10 juin 2010, Université de Nanterre. Examinateur.

  18. PuceMickaël Duquenoy, Analyse Temps Fréquence Appliquée à l'Imagerie SAR Polarimétrique, 20 octobre 2009, Université de Rennes 1. Examinateur

  19. Puce Fabien Millioz, Deux Approches de Segmentation Temps-Fréquence : Détection par Modèle Statistique et Extraction de Contours par le Champ de Vecteurs de Réallocation, 16 septembre 2009, Université de Grenoble. Examinateur.

  20. Puce Qi Cheng, Contribution à l'Estimation d'Etat dans des Modèles Non Linéaires, 9 juillet 2009, Université d'Orsay. Examinateur.

  21. Puce Frédéric Pascal, Détection et Estimation en Environnement Non Gaussien, 14 novembre 2006, Université de Nanterre. Examinateur.

  22. Puce Mohamed Tria, Imagerie Radar à Synthèse d'Ouverture par Analyse en Ondelettes Continues Multidimensionnelles, 18 novembre 2005, Université d'Orsay. Examinateur.

  23. Puce Emmanuelle Jay, Détection en Environnement Non Gaussien, 14 juin 2002, Université de Cergy-Pontoise. Examinateur.



PARTICIPATION AUX JURYS HDR


  1. PuceAbdourrahmane Mahamane Atto, L'analyse en ondelettes de processus et champs aléatoires, avec des applications sur les bases d'images et les séries temporelles d'images, 4 décembre 2015, HDR de l’Université Savoie Mont Blanc - LISTIC, Examinateur

  2. Puce Stéphanie Bidon, Diversité et traitements non linéaires pour les récepteurs modernes, 27 novembre 2015, HDR de l’Institut National Polytechnique de Toulouse, Rapporteur

  3. Puce Razvan Tamas, Caractérisation et synthèse d’antennes ultra-large bande, 17 octobre 2014, HDR de l'Université de Grenoble, Examinateur