Projet DETECTION

Détection de Sources pour l'astronomie et la microscopie sans lentille: traitement optimal et limite ultime en imagerie multi-variée

Identité du projet

Le projet DETECTION est un projet soutenu par la Mission pour l'Interdisciplinarité du CNRS. Il a été financé dans le cadre de l'appel à projets "Défi Imag'In" en avril 2015. Il a été reconduit en 2016 et s'est terminé fin 2016.

Résumé du projet

La détection de source est une tâche critique, notamment en astronomie pour la recherche et la caractérisation d'exo-planètes, et en microscopie holographique pour le suivi et l'analyse d'objets micro-métriques. Ce projet vise à repousser les performances des méthodes existantes grâce au traitement conjoint d'images multi-variées (diversité de longueurs d'onde, séquence temporelle) et au développement de traitements optimaux et de leur caractérisation (cartes de précision et de sensibilité), dans les cas dilués (quelques sources) et encombrés (très nombreuses sources superposées).

Participants

Le projet DETECTION rassemble un large spectre de compétences: traitement du signal et des images, statistique, modélisation optique, astronomie, métrologie optique. Les participants sont issus de 4 laboratoires différents:

• Eric Thiébaut, Astronome à l'Observatoire de Lyon
• Maud Langlois, Chercheuse à l'Observatoire de Lyon
• André Ferrari, Enseignant-chercheur au laboratoire Lagrange, Université de Nice
• David Mary, Enseignant-chercheur au laboratoire Lagrange, Université de Nice
• Laurent Mugnier, Chercheur à l'ONERA-DOTA, Paris
• Corinne Fournier, Enseignant-chercheur au laboratoire Hubert Curien, Université de Saint-Etienne
• Thierry Lépine, Enseignant-chercheur au laboratoire Hubert Curien, Institut d'Optique Graduate School, Saint-Etienne
• Loïc Denis, Enseignant-chercheur au laboratoire Hubert Curien, Université de Saint-Etienne

Publications du projet

2017

Articles de revues internationales

[10] "A study of periodograms standardized using training data sets and application to exoplanet detection", Sulis, S., Mary, D., & Bigot, L., to appear in IEEE Trans. on Sig. Proc., 2017.
 
[9] "Pixel Super-Resolution in digital holography by regularized reconstruction," C. Fournier, F. Jolivet, L. Denis, N. Verrier, E. Thiébaut, C. Allier, T. Fournel, Applied Optics, vol.56 (5), 2017.
 

2016

Articles de revues internationales

[8] "Co-design of an in-line holographic microscope with enhanced axial resolution: selective filtering digital holography," Verrier, N., Fournier, C., Cazier, A., & Fournel, T., JOSA A, 33(1), 107-116, 2016.
 
[7] "Improvement of the size estimation of 3D tracked droplets using digital in-line holography with joint estimation reconstruction," Verrier, N., Grosjean, N., Dib, E., Méès, L., Fournier, C., & Marié, J. L., Measurement Science and Technology, 27(4), 045001, 2016.
 
[6] "Multitemporal SAR Image Decomposition into Strong Scatterers, Background, and Speckle," S. Lobry, L. Denis and F. Tupin, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 9, no. 8, pp. 3419-3429, Aug. 2016.
 

Congrès internationaux

[5] "Fast and robust exo-planet detection in multi-spectral, multi-temporal data," Thiébaut, É., Denis, L., Mugnier, L., Ferrari, A., Mary, D., Langlois, M., Devaney, N., SPIE Astronomical Telescopes+ Instrumentation (pp. 990957-990957), July 2016.
 
[4] "Spatially variant PSF modeling and image deblurring," Denis, L., Ferrari, A., Mary, D., Mugnier, L., Thiébaut, E., SPIE Astronomical Telescopes+ Instrumentation (pp. 99097N-99097N), July 2016.
 
[3] "Fast and robust detection of a known pattern in an image," Denis, L., Ferrari, A., Mary, D., Mugnier, L., & Thiébaut, E., 24th European Signal Processing Conference (EUSIPCO), 2016.
 
[2] "Using hydrodynamical simulations of stellar atmospheres for periodogram standardization: application to exoplanet detection," Sulis, S., Mary, D., & Bigot, L., IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 4428-4432), 2016.
 

2015

Congrès francophone

[1] "Détection robuste et rapide d'un motif connu dans une image," L Denis, E Thiébaut, congrès GRETSI, Lyon, sept. 2015 (résumé Résumé
De nombreuses applications de traitement de l'image nécessitent la détection d'un motif connu noyé dans un fond bruité. La méthode de détection doit être robuste aux défauts de modélisation du fond. Nous proposons un critère basé sur la théorie des détecteurs localement optimaux. Il atteint de très bonnes performances de détection en présence d'outliers tout en étant aussi rapide à calculer qu'une corrélation.).