Lemaitre These

U NIVERSITÉ DE B OURGOGNE
U.F.R. S CIENCES ET T ECHNIQUES
T HÈSE
présentée par
Magali L EMAITRE
pour obtenir le grade de

D OCTEUR DE L’U NIVERSITÉ
discipline Instrumentation et Informatique de l’Image
É TUDE DE LA T URBULENCE ATMOSPHÉRIQUE

EN V ISION H ORIZONTALE L OINTAINE
ET R ESTAURATION DE S ÉQUENCES D ÉGRADÉES
DANS LE V ISIBLE ET L’I NFRAROUGE
Soutenue le 6 Juillet 2007
J URY
Atilla BASKURT Professeur LIRIS Rapporteur

Laurent B IGUÉ Professeur MIPS Rapporteur
Philippe C ARRÉ Maître de Conférences SIC Examinateur
Alain D IOU Professeur LE2I Président
Jacques B LANC -TALON Responsable Scientifique DGA Encadrant
Olivier L ALIGANT Professeur LE2I Encadrant
Fabrice M ÉRIAUDEAU Professeur LE2I Directeur de thèse
ii
Remerciements
Ces travaux de thèse ont été réalisés simultanément au département Géographie, Imagerie et
Perception (GIP) du Centre d’Expertise Parisien (CEP) à Arcueil, appartenant à la Délégation
Générale pour l’Armement (DGA), et au sein du Laboratoire d’Électronique, Informatique et
Image (Le2i) à l’IUT du Creusot de l’Université de Bourgogne.
Je souhaite tout d’abord remercier mon directeur de thèse, Monsieur Fabrice Mériaudeau, pour
toute l’aide qu’il m’a apportée en DEA et au cours de cette thèse. Ses vastes connaissances et
ses idées de recherche m’ont permis d’avancer dans les moments d’immobilisme, et ses compé-
tences de direction m’ont beaucoup aidée au cours de ces années. Je remercie ensuite Monsieur
Olivier Laligant qui a encadré mes travaux de thèse. Son regard critique et ses explications en
optique m’ont été très utiles pour la rédaction de ce rapport. Je tiens aussi à remercier Monsieur
Jacques Blanc-Talon, mon responsable au CEP, pour sa bonne humeur permanente, pour ses
idées intéressantes et pour ses conseils.
Je remercie Messieurs Atilla Baskurt et Laurent Bigué pour l’honneur qu’ils m’ont fait d’être
les rapporteurs de cette thèse malgré leurs emplois du temps surchargés, et pour l’intérêt qu’ils
portent à mes travaux de recherche. Je remercie aussi Messieurs Philippe Carré et Alain Diou
d’avoir accepté de participer au jury de soutenance.
Un grand merci à tous les membres de GIP : Jérôme, Steph et ses gâteaux au chocolat, Laurent,
Fred « Le Laplazien », Loïc, Franck, Fred et ses processus Markoviens. . . Merci aussi aux an-
ciens thésards, maintenant Docteurs, Fabrice et Cédric avec qui j’ai partagé certains moments
de stress.
Un autre grand merci aux membres du Le2i Creusotin et plus particulièrement aux thésards et
au post-doc ! Merci à Olivier, Doudou, Thomas et Youssef pour les allers-retours à la gare TGV.
Merci à Ben pour mon étagère Confo ! Merci à Nathalie et Alexandra pour leur solidarité fémi-
nine dans cet univers masculin. . .
iii
Je remercie chaleureusement ma maman, ma sœur, mes grands-parents et tous les autres membres
de ma famille pour leur soutien inconditionnel durant ces années de thèse, et pour la confiance
qu’ils ont en moi, même s’ils se demandent la plupart du temps à quoi mes travaux peuvent bien
servir. . .
Enfin, je tiens à remercier tout particulièrement Tristan. . . pour TOUT ! ! !
iv
Table des matières
Introduction 1
1 Imagerie et atmosphère 3
1.1 Systèmes d’acquisitions dans le visible et l’infrarouge . . . . . . . . . . . . . . 3
1.1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Caméras visibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3 Imagerie infrarouge . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.3.1 Généralités sur le spectre infrarouge . . . . . . . . . . . . . 6
1.1.3.2 Imageur laser ELVISS (bandes I et II) . . . . . . . . . . . . 6
1.1.3.3 Imagerie thermique (bande II) . . . . . . . . . . . . . . . . . 8
1.1.4 Conclusion sur les systèmes d’observation . . . . . . . . . . . . . . . . 12
1.2 Turbulence atmosphérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1 La turbulence en mécanique des fluides . . . . . . . . . . . . . . . . . 13
1.2.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.1.2 Représentation de la turbulence en dynamique des fluides . . 14
1.2.1.3 Les deux types de transport de la quantité de mouvement . . 16
1.2.1.4 Nombre de Reynolds . . . . . . . . . . . . . . . . . . . . . 16
1.2.1.5 Les origines de la turbulence . . . . . . . . . . . . . . . . . 17
1.2.1.6 La couche limite et le phénomène de décollement . . . . . . 20
1.2.1.7 Transitions vers la turbulence . . . . . . . . . . . . . . . . . 21
1.2.2 Théorie de Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.2.2.1 Production d’une gamme d’échelles . . . . . . . . . . . . . 24
1.2.2.2 Cascade d’énergie de Richardson . . . . . . . . . . . . . . . 24
1.2.2.3 Modèle de Kolmogorov . . . . . . . . . . . . . . . . . . . . 25
1.2.3 Perturbations par l’atmosphère . . . . . . . . . . . . . . . . . . . . . . 29
1.2.3.1 Perturbation d’une onde lumineuse . . . . . . . . . . . . . . 29
1.2.3.2 Paramètre de Fried et image observée . . . . . . . . . . . . . 31
1.2.3.3 Statistiques de la turbulence atmosphérique . . . . . . . . . . 33
1.2.3.4 Statistiques du champ perturbé . . . . . . . . . . . . . . . . 34
1.2.3.5 Image longue pose . . . . . . . . . . . . . . . . . . . . . . . 35
v
1.2.3.6 Image courte pose . . . . . . . . . . . . . . . . . . . . . . . 38
1.2.3.7 Anisoplanétisme / Isoplanétisme . . . . . . . . . . . . . . . 40
1.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2 Simulation des effets de la turbulence atmosphérique sur des acquisitions d’images 43

2.1 État de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 Simulation d’une image dégradée . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2.1 Description globale de l’algorithme de simulation utilisé . . . . . . . . 45
2.2.2 Simulation d’image courte pose . . . . . . . . . . . . . . . . . . . . . 51
2.2.2.1 Isoplanétisme total . . . . . . . . . . . . . . . . . . . . . . . 52
2.2.2.2 Anisoplanétisme total . . . . . . . . . . . . . . . . . . . . . 56
2.2.2.3 Isoplanétisme local . . . . . . . . . . . . . . . . . . . . . . 59
2.2.3 Influence de la distance turbulence - système d’acquisition . . . . . . . 62
2.2.4 Influence de la taille de la pupille . . . . . . . . . . . . . . . . . . . . 64
2.2.5 Simulations de séquences d’images dégradées : prise en compte de
l’évolution temporelle de la turbulence . . . . . . . . . . . . . . . . . 67
2.2.6 Simulations d’images longue pose . . . . . . . . . . . . . . . . . . . . 74
2.2.7 Temps de calculs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3 Restauration de séquences dégradées par la turbulence atmosphérique 79

3.1 État de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.1.1 Restauration de séquences d’images quelconques . . . . . . . . . . . . 80
3.1.2 Suppression des effets de l’atmosphère . . . . . . . . . . . . . . . . . 80
3.1.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.2 Méthodes de restauration testées . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.2.1 Modèle de dégradation utilisé . . . . . . . . . . . . . . . . . . . . . . 82
3.2.2 Le filtre inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.2.3 Deux méthodes de régularisation . . . . . . . . . . . . . . . . . . . . . 83
3.2.3.1 Généralités sur la régularisation . . . . . . . . . . . . . . . . 83
3.2.3.2 Régularisation de Tikhonov (ou filtrage pseudo-inverse) . . . 84
3.2.3.3 Régularisation par le Laplacien (ou Tikhonov-Laplacien) . . 84
3.2.3.4 Sélection du paramètre de régularisation . . . . . . . . . . . 85
3.2.3.5 Implémentation itérative de la régularisation . . . . . . . . . 85
3.2.4 Le filtre de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.2.5 La méthode de Fraser et Lambert . . . . . . . . . . . . . . . . . . . . 88
3.2.5.1 Algorithme d’estimation de la PSF . . . . . . . . . . . . . . 88
3.2.5.2 Algorithme de traitement de la séquence . . . . . . . . . . . 89
3.2.6 Résultats obtenus sur des images simulées . . . . . . . . . . . . . . . . 90
vi
3.2.7 Résultats obtenus sur des séquences simulées . . . . . . . . . . . . . . 93
3.2.8 Résultats obtenus sur des images réelles . . . . . . . . . . . . . . . . . 94
3.2.9 Résultats obtenus sur des séquences réelles . . . . . . . . . . . . . . . 103
3.2.10 Origines des bruits sur les séquences réelles . . . . . . . . . . . . . . . 107
3.2.11 Conclusion sur les méthodes de restauration testées . . . . . . . . . . . 110
3.3 Généralisation de la méthode de Fraser et Lambert . . . . . . . . . . . . . . . 111
3.3.1 Algorithme général . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.3.2 Laplacien local et analyse des résultats . . . . . . . . . . . . . . . . . 111
3.4 Un nouvel algorithme hybride de restauration . . . . . . . . . . . . . . . . . . 115
3.4.1 Image de segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.4.2 Algorithme de Fusion du Wiener et du Laplacien (FWL) . . . . . . . . 119
3.4.3 Analyse des résultats du FWL . . . . . . . . . . . . . . . . . . . . . . 121
3.4.4 Conclusion sur l’algorithme FWL . . . . . . . . . . . . . . . . . . . . 123
3.5 Temps de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.6 Conclusion sur la restauration . . . . . . . . . . . . . . . . . . . . . . . . . . 125
Conclusion générale 127
Bibliographie 129
Publications 137
vii
viii
Table des figures
1.1 Spectre des longueurs d’onde. Adapté de http ://www.solarproducts.com. . . . . 4

1.2 Exemple de spectre émis par une cible. Une caméra n’est en général sensible
qu’à une portion de ce spectre. . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Transmittance atmosphérique. Source : http ://www.univ-paris-diderot.fr/Led/cies. 4
1.4 Exemple de système de reconnaissance acuellement utilisé, composé du missile
CL 289 et d’un système de préparation et d’interprétation des vols des engins
de reconnaissance (PIVER). Source : Sirpa Terre. Droits : Copyright Ministère
de la Défense. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Evolution de l’imageur ELVISS. (a) Ancien système ALBEDOS. (b) Réglage
de l’imageur ELVISS. (c) Illuminateur à réseau de diodes laser. Droits : Copy-
right DRDC Valcartier. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Principe de l’imagerie active. . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7 Exemple d’image thermique. (a) Visualisation en niveaux de gris. En un point de
la scène, plus la température est élevée, plus le pixel correspondant sur l’image
tend vers le blanc. (b) Visualisation en fausses couleurs. Les sources de chaleur
sont représentées en rouge alors que les objets froids sont représentés en bleu. . 8
1.8 Déplacement du maximum d’émission des corps de plus en plus chauds vers les
courtes longueurs d’onde. Adapté de FLIR Systems. . . . . . . . . . . . . . . . 9
1.9 Lunette thermique (MIRA) permettant le tir de nuit ou par mauvaise visibilité.
Source : Sirpa Terre. Droits : Copyright Ministère de la Défense. . . . . . . . . 11
1.10 Exemple d’image dégradée par la turbulence atmosphérique : les lignes droites
de la piste apparaissent gondolées. Un effet de mirage est aussi présent au bas
de la voiture. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.11 Échelles caractéristiques dans un sillage laminaire et un sillage turbulent (cas
d’un cylindre à section circulaire placé dans un écoulement). (a) Écoulement
laminaire ou visqueux : une seule échelle de mouvement. (b) Écoulement tur-
bulent : une multitude d’échelles de mouvement. . . . . . . . . . . . . . . . . 14
ix
1.12 Visualisation d’un écoulement de gauche à droite derrière un cylindre à sec-
tion circulaire, à différents nombres de Reynolds. (a) Re = 1.54 : écoulement
symétrique entre amont et aval. (b) Re = 26 : apparition de deux zones de re-
circulation fixes en arrière du cylindre. (c) Re = 200 : émission périodique de
tourbillons formant une allée de Karman. (d) Re = 0.8 × 104 : sillage turbulent.
Sources : S. Taneda et H. Werié. . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.13 Évolution d’un système stable et d’un système instable en fonction du temps.
(a) Système stable. (b) Système instable. . . . . . . . . . . . . . . . . . . . . . 18
1.14 Diagrammes de bifurcations. Les branches correspondant aux solutions stables
sont en trait continu, les branches instables en pointillés. A représente l’ampli-
tude du mode périodique qui devient instable pour Re ≥ Recritique . Quand A est
constante, le système est stationnaire, sinon il est instationnaire. (a) Bifurcation
super-critique. (b) Bifurcation sous-critique. Source : O. Cadot. . . . . . . . . . 19
1.15 Représentation d’une couche limite dans le cas où le flux reste laminaire et où
le flux devient turbulent. Adapté de National Aeronautics and Space Adminis-
tration (NASA), http ://www.grc.nasa.gov. . . . . . . . . . . . . . . . . . . . . 20
1.16 Décollement de couche limite dans un divergent : le gradient de pression ad-
verse freine et renverse l’écoulement dans la couche limite. Source : O. Cadot. . 21
1.17 Exemple de spot turbulent. Autour du spot, l’écoulement est parfaitement lami-
naire. Source : O. Cadot. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.18 Transition d’un écoulement passant d’un état laminaire à turbulent (de gauche
à droite) dans la couche limite. (a) Visualisation d’une telle transition. (b) Scé-
nario d’une telle transition : 1. flux laminaire stable ; 2. ondes instables ; 3. for-
mation d’ondes 3D et de vortex ; 4. affaiblissement des vortex ; 5. flux complè-
tement turbulent. Sources : O. Cadot. . . . . . . . . . . . . . . . . . . . . . . . 23
1.19 Différentes échelles de la turbulence . Source : O. Cadot. . . . . . . . . . . . . 27
1.20 Propagation d’une onde lumineuse à travers la turbulence atmosphérique. Adapté
de C. Bondeau. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.21 Représentation de la propagation des ondes : ondes planes (approximation) ou
ondes sphériques (cas réel). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.22 Les différentes couches de l’atmosphère. Source : Fédération Française de la
Montagne et de l’Escalade. http ://www.ffme.fr. . . . . . . . . . . . . . . . . . 32
1.23 Image d’une source ponctuelle observée en courte pose selon le rapport D/r0 ,
où D varie et r0 est constant. Les ordres de grandeur des disques obtenus sont
donnés pour information. Adapté de C. Bondeau. . . . . . . . . . . . . . . . . 33
x
1.24 Origine des différentes perturbations atmosphériques. θ est l’angle formé par
les deux faisceaux, L est la distance entre la couche turbulente et la pupille, et
D est la diamètre de la pupille. Source : F. Roddier. . . . . . . . . . . . . . . . 41
1.25 Lien entre le paramètre de Fried r0 et l’angle d’isoplanétisme θ0 . Source : C.
Bondeau. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.1 Allure des 21 premiers polynômes de Zernike simulés sur une pupille circulaire
de 32 pixels de diamètre, sans obturation centrale. . . . . . . . . . . . . . . . . 47
2.2 Représentation 3D des polynômes de Zernike correspondant à des aberrations
optiques classiques. (a) Z1 : mode piston. (b) Z2 et Z3 : tip-tilt (ou inclinaison).
(c) Z4 : défocalisation. (d) Z5 et Z6 : astigmatisme. (e) Z7 et Z8 : coma. (f) Z11 :
aberration sphérique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.3 Matrice des covariances des coefficients de Zernike d’une phase turbulente pour
D/r0 = 1 respectant la statistique de Kolmogorov. Les couleurs foncées in-
diquent une forte corrélation, et inversement. Au fur et à mesure qu’on s’éloigne
de la diagonale, les coefficients sont de plus en plus faibles et forment des pa-
quets (ou clusters) de même ordre de grandeur. Source : M. Nicolle. . . . . . . 50
2.4 Exemples de phases turbulentes simulées pour différents rapports D/r0 . Le tip-
tilt est fortement présent. Plus le rapport D/r0 augmente, plus les déformations
de la phase sont importantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.5 Allure des fonctions de structure de phase. (a) Théorie. (b) Simulation. . . . . . 54
2.6 Comparaison des fonctions de structure de phase (coupe verticale selon une di-
rection dans le plan tangent au minimum des deux courbes). (a) Échelle linéaire.
(b) Échelle logarithmique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.7 Résultats de simulation d’isoplanétisme total avec une pupille de 64 ×64 pixels.
Certains effets de bord sont dus aux décalages globaux induits par le tip-tilt. . . 55
2.8 Résultats de simulation d’anisoplanétisme total avec une pupille de 64 × 64 pixels. 58
2.9 Quadrillage utilisé pour la représentation des zones isoplanétiques. . . . . . . . 59
2.10 Résultats de simulation d’isoplanétisme local avec une pupille de 64×64 pixels,
des zones isoplanétiques de 13 × 13 pixels et un recouvrement de 3 pixels. . . . 61
2.11 Les différents cas de turbulence suivant le paramètre l. Source : C. Bondeau. . . 63
2.12 (a) Représentation de la tache d’Airy en 2D. (b) Représentation de la tache
d’Airy en 3D. (c) Schéma de la réponse impulsionnelle d’un système parfait
limité par la diffraction. R est le rayon du premier anneau noir. . . . . . . . . . 65
2.13 Schéma optique de la pupille et du détecteur. D est le diamètre de la pupille et
F est la distance focale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
xi
2.14 Exemples d’images simulées obtenues avec une pupille de 8 × 8 pixels, pour
une intenité de turbulence D/r0 = 1. (a) Isoplanétisme total. (b) Isoplanétisme
local. (c) Anisoplanétisme total. . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.15 Exemples d’images simulées obtenues avec un front d’onde plan, sur une pu-
pille de 64 × 64 pixels. (a) Isoplanétisme total. (b) Isoplanétisme local. (c) Ani-
soplanétisme total. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.16 Schéma d’évolution temporelle des coefficients de la décomposition. Source :
C. Bondeau. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.17 Exemples de séquences de 500 coefficients de Zernike décorrélés temporelle-
ment, simulés par la méthode de N. Roddier, assimilables à des bruits blancs
gaussiens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.18 Exemples de séquences de 500 coefficients corrélés temporellement, obtenus à
partir des coefficients de la figure 2.17. . . . . . . . . . . . . . . . . . . . . . . 71
2.19 Extrait d’une séquence simulée dans le visible en anisoplanétisme total pour
D/r0 = 3 (images 256 × 256 et pupille 64 × 64). . . . . . . . . . . . . . . . 72
2.20 Comparaison des premières valeurs propres de CA et des premières valeurs sur
la diagonale de CZ . Moyenne sur 1000 séquences de 200 coefficients. . . . . . 73
2.21 Allure des fonctions de structure de phase. (a) Théorie. (b) Simulation. . . . . . 74
2.22 Comparaison des fonctions de structure de phase (coupe verticale selon une di-
rection dans le plan tangent au minimum des deux courbes). (a) Échelle linéaire.
(b) Échelle logarithmique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.23 Exemples d’images longue pose (moyennes de 100 images courte pose), obte-
nues à partir de séquences simulées avec un temps de pose de 5 ms. Le temps
de pose de l’image longue pose est donc de 500 ms. . . . . . . . . . . . . . . . 75
3.1 Exemple de courbe en L obtenue. À chaque point correspond un paramètre γ. . 86

3.2 Exemples de résultats obtenus avec le filtre du Wiener local de Fraser et Lam-
bert. (a) PSF utilisée pour rendre floue une zone de 15 × 15 pixels sur une image
nette (PSF Gaussienne avec σ 2 = 1.2). (b) PSF estimée sur la zone correspon-
dante de l’image floue. (c) PSF estimée sur la zone correspondante de l’image
floue et bruitée (bruit Gaussien de moyenne nulle et de variance = 0.001). . . . 89
3.3 Images simulées utilisées pour tester les différentes méthodes de restauration et
images originales respectives. . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.4 Résultats de restauration obtenus à partir d’images dégradées simulées. Certains
effets de blocs dus à la méthode de simulation de l’isoplanétisme local, sont
réhaussés par les restaurations. . . . . . . . . . . . . . . . . . . . . . . . . . . 92
xii
3.5 Résultats de restauration obtenus à partir de séquences dégradées simulées.
Chaque séquence comprend 100 images. Le temps de pose était fixé à 5 ms
et la vitesse du vent à 6 m.s−1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.6 Schémas des cibles observées. (a) Damier et mires : la taille de l’objet est
de 3 m × 1, 5 m. (b) Trois panneaux de réflectivités différentes, de taille
1 m × 1 m. (c) Lettres de différentes tailles : la taille du panneau est de
0, 91 m × 1, 22 m. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.7 Approximation de l’IFOV. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.8 Exemple de propagation à travers la turbulence en cas de vent latéral variant
entre une vitesse minimale Vmin et une vitesse maximale Vmax . . . . . . . . . . 97
3.9 Image correspondante au schéma de la figure 3.8. En cas de vent latéral, un
rayon lumineux pointe horizontalement sur la pupille d’une position minimale
Pmin à une position maximale Pmax . . . . . . . . . . . . . . . . . . . . . . . . 97
3.10 Résultats de restauration obtenus à partir d’images dégradées réelles de taille
256 × 256 pixels (1ère partie). . . . . . . . . . . . . . . . . . . . . . . . . . . 98
3.11 Résultats de restauration obtenus à partir d’images dégradées réelles de taille
256 × 256 pixels (2ème partie). . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.12 Exemples de zones analysées sur les résultats correspondant à l’image n°5.
(a) Zones uniformes. (b) Zones de contours. (c) Zoom sur une transition étu-
diée. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.13 Transitions moyennes entre deux zones uniformes noire et blanche sur les résul-
tats de restauration correspondant à l’image n°5 (tid : transition idéale, tmoy_i :
transition moyenne du résultat du filtre inverse, tmoy_T : transition moyenne du
résultat de la régularisation de Tikhonov, tmoy_L : transition moyenne du résultat
de la régularisation par le Laplacien et tmoy_W : transition moyenne du résultat
du filtre de Wiener). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.14 Pics de corrélation entre les transitions moyennes des différents résultats de
restauration correspondant à l’image n°5 et la transition idéale (mêmes notations
que sur la figure précédente). . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.15 Résultats de restauration obtenus à partir de séquences dégradées réelles de
100 images de taille 256 × 256 pixels (1ère partie). . . . . . . . . . . . . . . . 103
3.16 Résultats de restauration obtenus à partir de séquences dégradées réelles de
100 images de taille 256 × 256 pixels (2ème partie). . . . . . . . . . . . . . . . 104
3.17 Exemples de zones analysées sur les résultats de la séquence n°5. (a) Zones
uniformes. (b) Zones de contours. (c) Zoom sur une transition étudiée. . . . . . 105
xiii
3.18 Transitions moyennes entre deux zones uniformes noire et blanche sur les ré-
sultats de restauration correspondant à la séquence n°5 (tid : transition idéale,
tmoy_m : transition moyenne de l’image moyenne, tmoy_F L : transition moyenne
du résultat de restauration de Fraser et Lambert et tmoy_W : transition moyenne
du résultat du filtre de Wiener sur une seule image). . . . . . . . . . . . . . . . 106
restauration correspondant à la séquence n°5 et la transition idéale (mêmes no-
tations que sur la figure précédente). . . . . . . . . . . . . . . . . . . . . . . . 106
3.20 Principe de création des speckles : la lumière est réfléchie de manière aléatoire
à cause de la microrugosité de la surface (M : point d’observation, P : point de
la surface microrugueuse). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.21 Schéma général de traitement d’une séquence, issu des travaux de Fraser et
Lambert. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.22 Résultats du Laplacien local sur les séquences réelles. . . . . . . . . . . . . . . 112
3.23 Transitions moyennes entre deux zones uniformes noire et blanche sur les résul-
tats de restauration correspondant à la séquence n°5 (tmoy_m : transition moyenne
de l’image moyenne, tmoy_LL : transition moyenne du résultat du Laplacien local
et tmoy_W L : transition moyenne du résultat du Wiener local). . . . . . . . . . . 113
restauration correspondant à la séquence n°5 et la transition idéale (mêmes no-
tations que sur la figure précédente). . . . . . . . . . . . . . . . . . . . . . . . 114
3.25 Courbes de FTMs des transitions moyennes des différents résultats de restau-
ration correspondant à la séquence n°5 (mêmes notations que sur les figures
précédentes). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
3.26 Résultats utilisés pour tester ce nouvel algorithme. Séquence n°5 : images 256×
256, séquence n°7 : images 128 × 128 (la taille est doublée seulement pour
l’affichage). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
3.27 Forme générale de la réponse impulsionnelle h(u). . . . . . . . . . . . . . . . 117
3.28 Choix automatique des seuils hauts pour les images moyennes. (a) Séquence
n°5. (b) Séquence n°7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
3.29 (a) Segmentation de l’image moyenne de la séquence n°5 obtenue avec un
filtre de Canny-Deriche local prenant en compte les PSFs moyennes locales. (b)
Image de segmentation finale pour la séquence n°5. (c) Image de segmentation
finale pour la séquence n°7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
3.30 Exemple de contour (transition entre deux zones uniformes). . . . . . . . . . . 119
3.31 Gradation dans le cas d’un nombre impair de pixels. . . . . . . . . . . . . . . . 120
xiv
3.32 Résultats de l’algorithme FWL. (a) Séquence n°5. (b) Séquence n°7. Les images
résultats sont à la fois moins bruitées, moins floues et plus contrastées. . . . . . 120
3.33 Analyse des résultats de restauration de l’algorithme FWL. (a)-(b) FTMs des
transitions moyennes pour la séquence n°5 et la séquence n°7, respectivement.
(c)-(d) Pics de corrélation des transitions moyennes avec la transition idéale
pour la séquence n°5 et la séquence n°7, respectivement. . . . . . . . . . . . . 122
3.34 Coupes horizontales sur les résultats du FWL. (a) Sur la séquence n°5 le long
des barres verticales : les barres à droite sont mieux détectées sur le résultat
de l’algorithme FWL. (b) Sur la séquence n°5 le long des ronds blancs : les
ronds sont détectés sur un plus grand nombre de pixels sur le résultat du FWL.
(c) Sur la séquence n°7 sur les lettres les plus grandes : l’amélioration apportée
par l’algorithme FWL est faible à cause de la médiocre qualité de l’image de
segmentation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
xv
xvi
Liste des tableaux
2.1 Temps de calcul moyens observés avec un processeur de 1.66 GHz. . . . . . . 77
3.1 Valeurs du θ0 et de l’IFOV pour les images ou séquences étudiées. . . . . . . . 96

3.2 Méthodes classiques : valeurs des variances et des niveaux de gris minimum
2
(min) et maximum (Max) concernant l’image n°5. σcn représente la variance
2
moyenne des 3 carrés noirs et σcb celle des 3 carrés blancs. Une estimation du
contraste est donnée pour une meilleure comparaison. . . . . . . . . . . . . . . 100
3.3 Méthode de Fraser et Lambert : valeurs des variances et des niveaux de gris mi-
2
nimum (min) et maximum (Max) concernant la séquence n°5. σcn représente
2
la variance moyenne des 3 carrés noirs et σcb celle des 3 carrés blancs. Une
estimation du contraste est donnée pour une meilleure comparaison. . . . . . . 105
3.4 Laplacien local : valeurs des variances et des niveaux de gris minimum (min)
2
et maximum (Max) concernant la séquence n°5. σcn représente la variance
2
moyenne des 3 carrés noirs et σcb celle des 3 carrés blancs. Une estimation
du contraste est donnée pour une meilleure comparaison. . . . . . . . . . . . . 113
3.5 FWL : variances moyennes dans les zones uniformes sur les résultats de restau-
ration des séquences n°5 et n°7. . . . . . . . . . . . . . . . . . . . . . . . . . 121
3.6 Temps de calcul moyens observés avec un processeur de 1.66 GHz. . . . . . . 124
xvii
xviii
Liste des algorithmes
2.1 Algorithme de simulation des effets de l’isoplanétisme total sur une image courte
pose. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.2 Algorithme de simulation des effets de l’anisoplanétisme total sur une image
courte pose. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.3 Algorithme de simulation des effets de l’isoplanétisme local sur une image courte
pose. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.1 Algorithme de restauration de séquence de Fraser et Lambert. . . . . . . . . . . 90
3.2 Algorithme du Laplacien local. . . . . . . . . . . . . . . . . . . . . . . . . . . 112
3.3 Algorithme de Fusion du Wiener et du Laplacien (FWL). . . . . . . . . . . . . . 120
xix
xx
À mon Père. . .
xxi
xxii
Introduction
Cette thèse a été financée par une bourse DGA (Délégation Générale pour l’Armement) / CNRS
(Centre National de la Recherche Scientifique). Elle a pour sujet l’étude de la turbulence atmo-
sphérique et la restauration de séquences vidéo acquises en propagation horizontale sur une
longue distance dans les domaines du visible et de l’infrarouge.
La turbulence atmosphérique est un phénomène bien connu et facilement observable au-dessus

d’une route surchauffée. Physiquement, les rayons lumineux sont déviés par cette turbulence
due à la rencontre de masses d’air de températures différentes, produisant un changement local
de l’indice de réfraction de l’air. Plusieurs dégradations peuvent se produire sur les images, les
plus importantes étant des déformations, du flou et parfois de la scintillation.
Cette turbulence est d’autant plus gênante qu’elle dégrade fortement les acquisitions d’images
sur de longues distances de propagation. Grâce à la performance actuelle du matériel militaire,
les opérations de surveillance ou de cartographie de zones sensibles peuvent être réalisées à
plusieurs kilomètres de distance. Les militaires sont donc souvent confrontés à ce type de dé-
gradation.
Un point délicat en traitement d’image est l’évaluation qualitative des résultats. Les critères de
qualité d’une image ne sont pas les mêmes pour la visualisation d’une scène et pour une applica-
tion numérique postérieure (en robotique, par exemple). En effet, l’œil humain est très sensible
au contraste et à la forme des objets. De plus, le bruit n’est pas forcément pénalisant pour la
visualisation. En revanche, il l’est en ce qui concerne n’importe quelle application numérique.
En outre, pour un traitement numérique, on ne demandera pas à ce que l’image traitée soit très
contrastée et on préférera des contours avec le moins de bruit possible, quitte à ce qu’ils soient
plus étalés.
Le but de cette thèse est de proposer un algorithme de restauration de séquence d’images don-
nant une image restaurée utilisable à la fois pour la visualisation et un traitement numérique.
1
Le plan de ce manuscrit est le suivant. Le premier chapitre rassemble les principales connais-
sances relatives aux systèmes d’acquistion utilisées dans le visible et l’infrarouge dans le do-
maine de la Défense, aux propriétés physiques de la turbulence atmosphérique, à sa modélisa-
tion mathématique et à ses effets sur les images acquises.
Le deuxième chapitre est dédié à la simulation des effets de la turbulence. Plusieurs algorithmes
de simulation sont détaillés. Ils nous permettent de générer des images courte pose dégradées
par le type de turbulence souhaité. De plus, une méthode de génération de séquence dégradée
est fournie, prenant en compte l’évolution temporelle de la turbulence. Nous vérifions que nos
résultats correspondent au modèle mathématique défini dans le chapitre 1.
Dans le chapitre 3, nous nous intéressons à la restauration d’images et de séquences d’images

perturbées par la turbulence atmosphérique. Plusieurs méthodes classiques de restauration sont
testées sur des images simulées et des images réelles. Les résultats sont présentés et analysés.
Une méthode spatio-temporelle de traitement de séquence est ensuite testée sur des séquences
simulées ainsi que sur des séquences réelles, puis adaptée à une méthode de régularisation lo-
cale. Ces deux algorithmes sont donnés et leurs résultats sont analysés : ils sont prometteurs,
mais chacun est adapté à une utilisation précise. L’approche finale de restauration proposée
consiste à fusionner les deux résultats de traitement de séquence, afin d’obtenir une image res-
taurée utilisable à la fois pour la visualisation et une application numérique postérieure. Cette
méthode hybride de restauration est détaillée et de nouveaux résultats sont présentés puis ana-
lysés.
Les conclusions et perspectives sont rassemblées dans la dernière partie.
2
Chapitre 1
Imagerie et atmosphère
Dans ce premier chapitre, nous allons tout d’abord passer en revue différents systèmes d’acqui-
sition de séquences d’images dans les bandes du visible et de l’infrarouge, couramment utilisés
dans le domaine de la Défense. Ces notions nous aideront à introduire la problématique de la
restauration des images dégradées dans le chapitre 3. Dans un deuxième temps, nous détaille-
rons quelques équations générales sur la turbulence, ce qui nous permettra ensuite d’expliquer la
théorie de Kolmogorov qui nous servira dans le chapitre 2. Enfin, nous expliquerons le proces-
sus de dégradation des séquences acquises par la turbulence atmosphérique. Dans cette partie,
nous définirons quelques paramètres et variables qui seront utilisés au cours de cette thèse.
1.1 Systèmes d’acquisitions dans le visible et l’infrarouge
1.1.1 Généralités
Les caméras et autres systèmes d’acquisition d’images se distinguent par de nombreuses carac-
téristiques dont les principales, d’un point de vue militaire, sont la bande de longueurs d’onde
d’acquisition, la vitesse d’acquisition (nombre d’images par seconde, temps de pose), la résolu-
tion et le zoom optique (distance maximale de détection de cible).
L’atmosphère terrestre possède un facteur de transmission sélectif des radiations électromagné-

tiques en fonction de la longueur d’onde. Une caméra ne peut capter que les rayonnements lu-
mineux non-absorbés par l’atmosphère, dans une gamme donnée de longueurs d’onde (Figs. 1.1
et 1.2). Certains gaz de l’atmosphère absorbent et réémettent le rayonnement infrarouge : la va-
peur d’eau (H2 O), le dioxyde de carbone (CO2 ), le méthane (CH4 ). . . Ce sont les gaz à effet
de serre, responsables entre autre de la baisse importante de transmittance1 atmosphérique dans
1
La transmittance est le rapport de l’intensité lumineuse sortante sur l’intensité lumineuse incidente.
3
Chapitre 1 Imagerie et atmosphère
certaines bandes de longueurs d’onde (Fig. 1.3) dans lesquelles il est donc difficile de réaliser
des acquisitions d’images.
Figure 1.1 – Spectre des longueurs d’onde. Adapté de http ://www.solarproducts.com.

émission spectrale
de la cible
longueur
bande spectrale d’onde
de la sensibilité
de la caméra
Figure 1.2 – Exemple de spectre émis par une cible. Une caméra n’est en général sensible qu’à une
portion de ce spectre.
Figure 1.3 – Transmittance atmosphérique. Source : http ://www.univ-paris-diderot.fr/Led/cies.
4
1.1.2 Caméras visibles

Le domaine du rayonnement visible s’étend d’environ 400 à 700 nm. De nos jours, les caméras
matricielles numériques rapides et haute résolution dans le domaine visible sont couramment
utilisées. En général, d’un point de vue Défense, on concédera une perte de rapidité au bénéfice
de la résolution. Les hautes cadences d’acquisition sont plutôt réservées aux applications indus-
trielles (par exemple : besoin de diagnostic sur une ligne de production).
La résolution désirée dépend du niveau souhaité de classification des cibles. Actuellement, par
temps clair et pour une cible d’environ la taille d’un homme, les caméras visibles militaires
permettent de :
– détecter la cible jusqu’à une dizaine de kilomètres (présence ou non de cible),
– reconnaître la cible jusqu’à environ 5 km (ex : homme / char / jeep / ...),
– et identifier la cible jusqu’à environ 1 km (ex : militaire / civil / enfant / ...).
Ces caméras sont par exemple utilisées sur des systèmes de reconnaissance destinés à la récolte
de renseignements (Fig. 1.4).
Figure 1.4 – Exemple de système de reconnaissance acuellement utilisé, composé du missile CL 289 et
d’un système de préparation et d’interprétation des vols des engins de reconnaissance (PIVER). Source :
Sirpa Terre. Droits : Copyright Ministère de la Défense.
Avantages des caméras visibles :

– Elles permettent de détecter des cibles à très grande distance.
– Elles permettent la visualisation des textures, des couleurs ou niveaux de gris des cibles.
Limitation des caméras visibles :

– Elles ne sont utilisables que de jour.
5
1.1.3 Imagerie infrarouge

Après avoir décrit le spectre infrarouge, nous allons détailler le fonctionnement de l’imageur
ELVISS qui a été utilisé pour certaines acquisitions d’images que nous restaurerons dans le
chapitre 3. Enfin, nous nous intéresserons au principe de l’imagerie thermique.
1.1.3.1 Généralités sur le spectre infrarouge
L’infrarouge s’étend approximativement de 0.7 à 100 µm, ce qui est un intervalle environ
100 fois plus large que le spectre visible. L’infrarouge (IR) se divise en deux catégories : IR
réfléchi et IR émis ou thermique. Le rayonnement dans la région de l’infrarouge réfléchi est uti-
lisé en télédétection de la même façon que le rayonnement visible. L’infrarouge réfléchi s’étend
approximativement de 0.7 à 3 µm. D’un autre côté, l’infrarouge thermique est très différent du
spectre visible et de celui de l’infrarouge réfléchi. Il correspond essentiellement au rayonnement
énergétique émis par la surface de la Terre (donc sous forme de chaleur) et s’étend approxima-
tivement de 3 à 100 µm.
Il existe principalement trois bandes spectrales dans l’infrarouge. La bande I s’étend approxi-
mativement de 700 nm à 2 µm et correspond à de l’infrarouge réfléchi. La bande II couvre les
longueurs d’onde d’environ 3 à 5 µm et correspond principalement à de l’infrarouge thermique.
Enfin, la bande III s’étend d’environ 8 à 12 µm et correspond aussi principalement à de l’infra-
rouge thermique.
Remarque : Dans les bandes II et III, l’infrarouge peut aussi être réfléchi en présence d’un objet
chaud.
1.1.3.2 Imageur laser ELVISS (bandes I et II)
Un imageur est un terme générique pour désigner un système d’acquisition d’image à plusieurs
composantes. Certaines séquences d’images sur lesquelles nous avons travaillé au cours de cette
thèse, ont été acquises avec l’imageur ELVISS (Enhanced Low-light Visible and Infrared Sur-
veillance System) de DRDC Valcartier, Canada, pendant la campagne OTAN appelée RTG40.
ELVISS est un système d’imagerie multi-capteurs qui peut être aéroporté (Fig. 1.5). La première
composante du système ELVISS repose sur son prédécesseur ALBEDOS (Airborne Laser-
Based Enhanced Detection and Observation System) qui est un imageur actif : il utilise un
faisceau laser qui éclaire la scène et se réfléchit sur la cible (Fig. 1.6). ALBEDOS comprend
donc un puissant illuminateur laser à impulsions dans le proche infrarouge (810 nm à 855 nm)
et un système de visualisation à intensificateur d’image infrarouge commandé.
6
(a)
(b) (c)
Figure 1.5 – Evolution de l’imageur ELVISS. (a) Ancien système ALBEDOS. (b) Réglage de l’imageur
ELVISS. (c) Illuminateur à réseau de diodes laser. Droits : Copyright DRDC Valcartier.
laser 1
0
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
caméra 0
1
cible
Figure 1.6 – Principe de l’imagerie active.
L’imageur actif d’ELVISS est un produit de deuxième génération d’ALBEDOS qui est com-
plété par un système d’imagerie thermique (3 µm à 5 µm) et un télémètre laser qui mesure la
distance entre les objets détectés et le véhicule de recherche. D’autres moyens de localisation
(l’altimètre radio et le système GPS) peuvent convertir les positions relatives obtenues en coor-
données au sol absolues.
Avantages de l’imagerie en IR réfléchi :

– Elle permet de visualiser les textures et les niveaux de gris des cibles.
– Couplée à un laser, elle permet la visualisation de nuit.
7
Limitations de l’imagerie en IR réfléchi :

– L’utilisation d’un laser (imagerie active) fait apparaître du bruit de speckle (cf. §1.2.3.2).
– La distance maximale de détection de cibles est moindre que celle des caméras visibles.
1.1.3.3 Imagerie thermique (bande II)
L’utilité des caméras thermiques pour l’observation nocturne n’est plus à démontrer. Ces ca-
méras permettent de visualiser les rayonnements infrarouges émis par les objets d’une scène.
Le niveau de rayonnement dépend de la température des objets observés, d’où le terme « ther-
mique ». L’information portée par le flux thermique incident vis-à-vis du détecteur permet de
constituer une image ayant une distribution spatiale de luminance dépendante de la distribution
spatiale des températures apparentes de la scène visualisée (Fig. 1.7).
(a) (b)
Figure 1.7 – Exemple d’image thermique. (a) Visualisation en niveaux de gris. En un point de la scène,
plus la température est élevée, plus le pixel correspondant sur l’image tend vers le blanc. (b) Visualisation
en fausses couleurs. Les sources de chaleur sont représentées en rouge alors que les objets froids sont
représentés en bleu.
Principe de l’imagerie thermique :

La loi de Planck (Éq. 1.1) fournit le fondement de la mesure des températures par rayonnement
infrarouge. Elle décrit la luminance émise par un corps noir2 (blackbody) en fonction de la
longueur d’onde et de la température :
2hc2
Lλb = hc
, (1.1)
λ5 e λkT − 1
où :
– Lλb représente la radiation du corps noir (b) à la longueur d’onde λ (W.m−2 .sr −1 .m−1 ),
– c est la vitesse de la lumière : 3 × 108 m.s−1 ,
– h est la constante de Planck : 6.63 × 10−34 J.s,
2
Un corps noir est un objet idéal qui absorbe tous les rayonnements incidents, quels que soient la longueur
d’onde et l’angle d’incidence.
8
– k est la constante de Boltzmann : 1.38 × 10−23 J.K −1 ,

– T est la température absolue du corps noir (K),
– λ est la longueur d’onde (m).
La loi de déplacement de Wien (Éq. 1.2) est obtenue par la dérivation de la loi de Planck. Elle
donne la longueur d’onde maximale correspondant au maximum de rayonnement d’un corps
noir en fonction de sa température :
2897.9
λmax = , (1.2)
T
où λmax est la longueur d’onde du maximum d’émission du corps noir (µm), et T est la tempé-
rature du corps noir (K).
En supposant que la peau humaine se conduise thermiquement comme un corps noir et sachant
que sa température est d’environ 305 °K, son maximum de rayonnement se situe donc dans l’in-
frarouge thermique (λmax ≈ 9.5 µm). De même, la température du soleil avoisinant 5770 °K,
sa longueur d’onde maximale d’émission se situe donc dans le visible (λmax ≈ 502 nm). La
loi de déplacement de Wien explique ainsi le déplacement d’émission des corps de plus en plus
chauds vers les courtes longueurs d’onde (Fig. 1.8).
Figure 1.8 – Déplacement du maximum d’émission des corps de plus en plus chauds vers les courtes
longueurs d’onde. Adapté de FLIR Systems.
La loi de Stefan-Boltzmann (Éq. 1.3) est l’intégration sur l’ensemble des longueurs d’onde de
la loi de Planck. Elle exprime l’énergie totale irradiée par un corps noir pour une température T
donnée :
9
Mb = σT 4 , (1.3)
où :
– Mb est l’exitance3 du corps noir (W.m−2 ),
– σ est la constante de Stefan-Boltzmann : 5.67032 × 10−8 W.m−2 .K −4 ,
– T est la température absolue du corps noir (K).
En pratique, un corps réel n’est pas un corps noir. Il n’émet qu’une fraction de ce qu’émettrait
un corps noir porté à la même température. Cette fraction est appelée émissivité (Éq. 1.4). Elle
varie en fonction de la longueur d’onde et est comprise entre 0 et 1.
M
ǫ= , (1.4)
Mb
où :
– ǫ est l’émissivité du corps réel (sans dimension),
– M est l’exitance du corps réel (W.m−2 ),
– Mb est l’exitance du corps noir équivalent (W.m−2 ).
Pour ces corps réels, la loi de Stefan-Boltzmann est alors modifiée :
M = ǫσT 4 . (1.5)
Williams a modélisé la radiation mesurée (S) par la caméra de thermographie infrarouge selon
trois sources d’émission influençant la mesure [Williams et al., 1988] :
S = Sc + Sr + Satm , (1.6)
où :
– Sc représente la radiation provenant de la cible,
– Sr représente la radiation réfléchie,
– Satm représente la radiation atmosphérique.
L’interaction avec l’atmosphère se situe à trois niveaux [Caniou and Vuillermoz, 1991] :
1. L’absorption et la diffusion par les particules atmosphériques provoquent une atténuation
du flux transmis par dissipation de l’énergie.
3
L’exitance (ou émittance énergétique) désigne le flux lumineux émis par unité de surface.
10
2. La réflexion diffuse sur les particules entraîne un flux émis qui vient se superposer à celui
de la cible.
3. Les mouvements de l’air entraînent des variations locales de température, de pression et
d’humidité, provoquant des fluctuations de l’indice de réfraction de l’atmosphère. Cette
turbulence atmosphérique déforme le front d’onde et infléchit la trajectoire des rayons
énergétiques. Ce troisième effet de l’atmosphère est celui que nous allons étudier en dé-
tail et essayer de corriger dans le chapitre 3.
Avantage de la technologie thermique :

– L’intérêt majeur d’un système d’acquisition dans l’infrarouge thermique est que l’image peut
être acquise indifféremment de jour ou de nuit. Un exemple de système utilisé sur le terrain
est donné sur la figure 1.9.
– Les images obtenues permettent de visualiser des différences de température qui demeurent
inaperçues dans le domaine visible.
Figure 1.9 – Lunette thermique (MIRA) permettant le tir de nuit ou par mauvaise visibilité. Source :
Sirpa Terre. Droits : Copyright Ministère de la Défense.
Limitations de la technologie thermique :

– L’image constituée ne donne que des informations sur la forme de la cible observée. Aucune
indication n’est disponible sur sa texture ou ses couleurs.
– La distance maximale de détection de cibles est moindre que celle des caméras visibles.
– La détection par thermographie devient difficile lorsque la température de la cible est très
proche de celle du milieu ambiant.
– De même, pour des surfaces très réfléchissantes, la réflexion devient prédominante devant
l’émission propre et aucune mesure par thermographie n’est alors possible [Gaussorgues,
1999].
11
1.1.4 Conclusion sur les systèmes d’observation

Nous venons d’aborder les systèmes d’imagerie utilisés dans les bandes visible et infrarouge
dans le domaine de la Défense. Il existe encore d’autres types d’imagerie couramment utili-
sés. Par exemple, l’imagerie SAR (Synthetic Aperture Radar ou RSO pour Radar à Synthèse
d’Ouverture) est une technique radar qui exploite le déplacement d’une antenne pour obtenir
une résolution angulaire bien supérieure à celle d’une antenne immobile. Un autre exemple
est fourni par les systèmes qualifiés de multispectraux ou d’hyperspectraux qui permettent de
visualiser une scène dans différentes bandes de longueurs d’onde, chacune apportant des infor-
mations complémentaires et en partie redondantes sur la cible.
Dans la suite de cette thèse, des séquences d’images provenant de caméras visible et infrarouge
(bandes I et II) seront traitées. Cependant, aucun modèle de caméra n’est nécessaire, le bruit
d’acquisition étant supposé négligeable devant les effets de l’atmosphère. Dans la partie simu-
lation (chapitre 2), seule l’influence de la taille de la pupille sur l’image obtenue sera étudiée.
Dans la partie restauration (chapitre 3), nous verrons que l’utilisation de certains matériels (la-
ser, intensificateur de lumière) aura un effet néfaste sur l’image acquise.
Nous allons maintenant nous intéresser aux turbulences de l’atmosphère. Nous allons détailler
leur modélisation physique et mathématique afin d’expliquer la théorie de Kolmogorov qui sera
utilisée dans nos simulations. Enfin, nous verrons leurs effets sur les acquisitions de séquences
d’images.
12
1.2 Turbulence atmosphérique

La turbulence atmosphérique trouve son origine dans les fluctuations de l’indice de réfraction
de l’atmosphère, induites par des variations locales de température, de pression et d’humidité.
Cette turbulence atmosphérique a pour effet principal de modifier la trajectoire des rayons lumi-
neux. Une image acquise en présence de turbulence atmosphérique va donc souffrir de dégrada-
tions, et en particulier les objets visualisés seront plus ou moins déformés selon l’intensité de la
turbulence. Un exemple d’image acquise en présence de turbulence est donné sur la figure 1.10.
Figure 1.10 – Exemple d’image dégradée par la turbulence atmosphérique : les lignes droites de la piste
apparaissent gondolées. Un effet de mirage est aussi présent au bas de la voiture.
Dans un premier temps, nous allons détailler quelques équations générales de mécanique des
fluides sur la turbulence qui nous permettront dans un deuxième temps d’expliquer la théorie de
Kolmogorov que nous utiliserons dans le chapitre 2. En effet, la théorie de Kolmogorov est à ce
jour la seule qui fasse l’objet d’un consensus dans la communauté de la turbulence malgré ses
limitations (cf. §1.2.2). Enfin, à partir du §1.2.3, nous expliquerons le processus de dégradation
des images par la turbulence atmosphérique et nous définirons certaines variables qui seront
utilisées dans les chapitres suivants.
1.2.1 La turbulence en mécanique des fluides

1.2.1.1 Définition
La turbulence est l’état d’un fluide dont l’écoulement est irrégulier tel qu’en tout point de l’es-
pace, la vitesse varie aléatoirement. Les écoulements sont turbulents et imprédictibles par na-
ture. À l’inverse de l’écoulement dit laminaire qui a lieu à une échelle précise (Fig. 1.11(a)),
la turbulence est essentiellement caractérisée par l’existence de mouvements de toutes tailles
13
(Fig. 1.11(b)). Ces mouvements correspondent entre autres à des tourbillons de tailles diffé-
rentes dont les plus petits sont transportés par les plus grands.
(a) (b)
Figure 1.11 – Échelles caractéristiques dans un sillage laminaire et un sillage turbulent (cas d’un cylindre
à section circulaire placé dans un écoulement). (a) Écoulement laminaire ou visqueux : une seule échelle
de mouvement. (b) Écoulement turbulent : une multitude d’échelles de mouvement.
1.2.1.2 Représentation de la turbulence en dynamique des fluides
Les équations de cette section sont tirées des références suivantes : [Batchelor, 1970], [Lesieur,
1994] et [Pope, 2000]. En mécanique des fluides, les équations de Navier-Stokes sont des équa-
tions aux dérivées partielles non-linéaires qui décrivent le mouvement des fluides. Elles gou-
vernent par exemple les mouvements de l’air de l’atmosphère, les courants océaniques, l’écou-
lement de l’eau dans un tuyau, et de nombreux autres phénomènes d’écoulements de fluides. Il
existe plusieurs formes équivalentes des équations de Navier-Stokes. Voici l’équation obtenue à
partir d’un bilan de quantité de mouvement :
∂ (ρ−
→v) −→ −
→ → −
− → −
→
+ ∇ · (ρ−
→
v ⊗−
→
v ) = − ∇p + ∇ · −
→
τ +ρf , (1.7)
∂t
où :
– t représente le temps (s),
– ρ désigne la masse volumique du fluide (kg.m−3 ),
– −
→v est la vitesse d’une particule du fluide (m.s−1 ),
– p désigne la pression (P a),
−
→
– −
→
τ est le tenseur des contraintes visqueuses (P a),
−
→
– f désigne la résultante des forces massiques s’exerçant dans le fluide (N.kg −1 ).
−
→
Remarque : L’opérateur ∇ (nabla) est un opérateur de dérivation spatiale du premier ordre.
−
→
Les opérateurs suivants peuvent s’écrire à l’aide de ∇ :
14
−−→ −
→
– le gradient : grad A = ∇A,
−
→ →
– la divergence : div −
→
a = ∇ · −
a,
−
→ − →
– le Laplacien : ∆A = ∇ · ∇A = ∇2 A.
L’équation de Navier-Stokes se démontre à partir d’un bilan de quantité de mouvement par unité
de volume pour un fluide incompressible4 :
−
→ −
∇ ·→
v =0, (1.8)
∂−→
v → →
− −
→ −
→
et ρ+ρ − →
v ·∇ − v = − ∇p + ρ f ext + µ∆− →v . (1.9)
∂t
L’équation 1.8 de divergence nulle du champ de vitesse − →
v (m.s−1 ) assure l’incompressibilité du
fluide. Chaque terme de l’équation 1.9 est une force par unité de volume. La variable ρ (kg.m−3 )
désigne la densité du fluide et p (P a) désigne la pression, qui par définition est la partie isotrope
−
→
du tenseur des contraintes. Le terme − ∇p représente donc des contraintes normales liées aux
forces de pression.
−
→
La force par unité de masse f ext (N.kg −1 ) regroupe l’ensemble des forces appliquées dans
−
→
le volume du fluide. Souvent, seules les forces de pesanteur f ext = −
→
g sont présentes. Dans
−
→
ce cas, on appelle p0 la valeur que prend la pression en absence d’écoulement, −→
v = 0 et
−
→
∇p0 = ρ− →
g (pression hydrostatique). Pour ces écoulements, la mise en mouvement du fluide
est assurée par un forçage lié à la vitesse imposée par les conditions aux limites. Enfin, µ (P o)5
est la viscosité dynamique du fluide.
En divisant l’équation 1.9 par la densité ρ, on obtient le bilan de forces par unité de masse, qui
s’interprète aussi comme une équation de transport de la vitesse :
∂−
→v → →
− 1−→
+ −
→v ·∇ −v = − ∇(p − p0 ) + ν∆−
→
v . (1.10)
∂t ρ
Cette forme de l’équation fait apparaître la viscosité cinématique du fluide : ν = µ/ρ (m2 .s−1 ).
Le dernier terme du membre de droite ν∆− →
v qui est un terme linéaire, représente le transport
de quantité de mouvement
(par unité de masse) par diffusion moléculaire. Le second terme du
→ −
−
membre de gauche v · ∇ →
−
→ v se déduit de la dérivée Lagrangienne de la vitesse. Il correspond
au transport convectif de la vitesse et contrairement au transport diffusif, il est non-linéaire car
il s’agit une forme quadratique de la vitesse.
4
Un fluide est dit incompressible lorsqu’on peut négliger ses variations de masse volumique au cours du temps.
5
P o est l’unité Poiseuille : 1 P o = 1 P a.s
15
1.2.1.3 Les deux types de transport de la quantité de mouvement
La diffusion moléculaire est un processus aléatoire d’événements indépendants. Chaque molé-

cule du fluide est en interaction avec les autres (par chocs pour les gaz) de telle sorte que les
molécules soient des vecteurs d’échanges de grandeurs physiques (énergie ou chaleur, quan-
tité de mouvement, masse). C’est l’agitation thermique de l’ensemble des molécules qui assure
l’incohérence à l’échelle moléculaire. En ce qui concerne le transport diffusif, le temps caracté-
ristique pour transporter la quantité de mouvement sur une longueur L est :
L2
τν = , (1.11)
ν
où ν est la viscosité cinématique.
Dans le cas du transport convectif, c’est la vitesse elle-même qui transporte la quantité de mou-
vement. Contrairement au cas du transport diffusif, on assiste à la formation de tourbillon(s). Le
temps caractéristique pour transporter la quantité de mouvement sur une longueur L est donc :
L
τC = , (1.12)
U
où U est la vitesse périphérique du tourbillon.
1.2.1.4 Nombre de Reynolds
Le nombre de Reynolds Re est un nombre sans dimension défini par :
UL τν
Re = = , (1.13)
ν τC
où :
– U représente l’échelle de la vitesse de l’écoulement,
– L représente l’échelle de la longueur de l’écoulement,
– ν est la viscosité cinématique.
Au temps le plus court parmi les deux temps caractéristiques τν et τC , correspondra le transport
dominant. Le nombre de Reynolds est donc aussi défini par le rapport entre effets convectifs et
diffusifs :
effets convectifs
Re = . (1.14)
effets diffusifs
16
Il est aussi souvent utile de comprendre le nombre de Reynolds comme le rapport entre les
termes de forces d’inertie et de forces visqueuses de l’équation de Navier-Stokes (Éq. 1.9) :
→ −
−
−
→
ρ v ·∇ →v forces inertielles
Re = −
→ = . (1.15)
µ∆ v forces visqueuses
On distingue trois principaux régimes :

– Si Re ≪ 1, les phénomènes diffusifs dominent car les forces de viscosité sont prépondé-
rantes. L’écoulement est laminaire : des éléments de fluide voisins demeurent voisins. De
plus, comme l’inertie est négligeable, l’écoulement du fluide est réversible : si les forces
extérieures sont soudainement stoppées, le fluide s’arrête immédiatement, et si elles sont in-
versées, le fluide repart en sens inverse.
– Si 1 . Re . 2000, les forces d’inertie sont prépondérantes, mais l’écoulement reste lami-
naire. Cependant, il n’est plus réversible : si les forces extérieures sont stoppées, le fluide
continue partiellement sur sa lancée. Les phénomènes diffusifs et convectifs sont de même
importance.
– Si Re ≫ 2000, les phénomènes convectifs dominent et les forces d’inertie sont si importantes
que l’écoulement devient turbulent.
Remarque : Entre les régimes laminaire et turbulent, on parle de régime transitoire. Le terme
Re est alors proche de sa valeur critique qui dépend de la géométrie de l’écoulement et des arbi-
traires liés au choix des échelles caractéristiques. Par exemple, dans une conduite, l’écoulement
est laminaire lorsque Re est inférieur à environ 2300. Sur un cylindre à section circulaire placé
dans un écoulement (Fig. 1.12), on obtient un écoulement proprement laminaire qui s’ajuste à
l’obstacle jusqu’à Re ≈ 1, puis un sillage turbulent apparaît aux environs de 104 ; entre ces deux
valeurs, la transition se fait à travers différentes formes de sillages tourbillonnaires.
1.2.1.5 Les origines de la turbulence
Dans cette partie, on s’intéresse à la manière dont les écoulements deviennent instationnaires et
désordonnés à grand nombre de Reynolds. Ce désordre est dû au terme non-linéaire de l’équa-
tion de Navier-Stokes qui représente le terme inertiel de transport par convection. Ainsi, plus
le nombre de Reynolds sera grand, plus ce terme aura de poids dans la dynamique et plus les
écoulements seront complexes et turbulents.
17
(a) (b)
(c) (d)
Figure 1.12 – Visualisation d’un écoulement de gauche à droite derrière un cylindre à section circulaire,
à différents nombres de Reynolds. (a) Re = 1.54 : écoulement symétrique entre amont et aval. (b)
Re = 26 : apparition de deux zones de recirculation fixes en arrière du cylindre. (c) Re = 200 : émission
périodique de tourbillons formant une allée de Karman. (d) Re = 0.8 × 104 : sillage turbulent. Sources :
S. Taneda et H. Werié.
Stationnarité et stabilité
Par définition, un régime stationnaire est un régime tel que si le système s’y trouve, il n’en
bouge pas. Mais lorsqu’on fait subir au système une petite perturbation, deux situations peuvent
se produire : soit le système revient vers son régime stationnaire, soit il le quitte pour rejoindre
un autre régime. Dans le premier cas le régime stationnaire est dit stable, dans le second cas
on dit qu’il est instable (Fig. 1.13). En d’autres termes, la stabilité est la capacité du système à
amortir de petites perturbations.
petite perturbation petite perturbation
amortissement
amplification
(a) (b)
Figure 1.13 – Évolution d’un système stable et d’un système instable en fonction du temps. (a) Système
stable. (b) Système instable.
18
Les instabilités
Les instabilités sont directement associées au terme non-linéaire inertiel de l’équation de Navier-
Stokes, et sont les ingrédients essentiels de la turbulence. Une instabilité est une bifurcation dans
la solution d’une équation non-linéaire, qui s’opère à partir d’une certaine valeur d’un paramètre
d’ordre. Ce paramètre est un rapport entre les termes linéaire et non-linéaire de l’équation. Pour
l’équation de Navier-Stokes, le paramètre d’ordre est le nombre de Reynolds.
(a) (b)
Figure 1.14 – Diagrammes de bifurcations. Les branches correspondant aux solutions stables sont en trait
continu, les branches instables en pointillés. A représente l’amplitude du mode périodique qui devient in-
stable pour Re ≥ Recritique . Quand A est constante, le système est stationnaire, sinon il est instationnaire.
(a) Bifurcation super-critique. (b) Bifurcation sous-critique. Source : O. Cadot.
Il existe deux familles de bifurcations d’une grande importance pour les écoulements : les bifur-
cations super-critique et sous-critique (Fig. 1.14). Pour la bifurcation super-critique, la solution
stable de l’équation passe de stationnaire à instationnaire à Recritique . La branche stationnaire
existe toujours au-dessus de Recritique , mais elle est instable et donc non-observable. La solution
instationnaire est caractérisée par la croissance d’une perturbation qui sature périodiquement.
La bifurcation sous-critique est très brutale car elle est hystérétique (elle contient un cycle en
forme de S appelé cycle d’hystérésis). Le système peut passer de stationnaire à instationnaire
en sautant d’une branche à l’autre. L’amplitude A du mode périodique passe alors de manière
discontinue de zéro à une valeur finie.La solution stationnaire existe au-delà de Recritique mais
est instable, et donc non-observable.
Remarque : Dans le cas sous-critique, le nombre de Reynolds dépend des perturbations exté-
rieures.
19
1.2.1.6 La couche limite et le phénomène de décollement
La couche limite est une couche au voisinage immédiat d’une paroi solide, fine par rapport au
volume du fluide et à la taille de la paroi, dans laquelle les effets visqueux sont confinés et en
dehors de laquelle les effets visqueux sont négligeables. Dans cette couche limite, la vitesse
de l’écoulement devient progressivement nulle lorsqu’on se rapproche de la paroi du corps im-
mergé dans le fluide en mouvement (Fig. 1.15).
Remarque : La couche limite est de l’ordre du millimètre au voisinage de la paroi d’un cy-
lindre de quelques centimètres de diamètre placé dans un écoulement. En ce qui concerne l’at-
mosphère, elle se situe près du sol et varie entre quelques centaines de mètres et quelques kilo-
mètres en fonction des conditions météorologiques et du type de sol [Stull, 1988; Mahé, 2000].
laminaire turbulent
flux libre
couche
limite
flux instable
1111111111111111111111111111111
0000000000000000000000000000000
0000000000000000000000000000000
1111111111111111111111111111111
surface d’un objet
Figure 1.15 – Représentation d’une couche limite dans le cas où le flux reste laminaire et
où le flux devient turbulent. Adapté de National Aeronautics and Space Administration (NASA),
http ://www.grc.nasa.gov.
Le décollement de couche limite laminaire est souvent à l’origine de la turbulence car il produit
des zones potentiellement instables. En dehors de la couche limite, les effets de la viscosité sont
négligeables et on peut appliquer l’équation de Bernoulli :
1
p+ ρ U 2 (x) = constante , (1.16)
2
où U représente la vitesse de l’écoulement.

Ainsi le gradient de pression vérifie l’équation :
∂p ∂U(x)
= −ρ U(x) . (1.17)
∂x ∂x
20
Par ailleurs, les variations de pression dans la couche transverse sont négligeables (théorie de
la couche limite laminaire de Prandtl). On retrouve donc le même gradient de pression dans la
couche limite que dans le volume.
Dans les zones de faibles vitesses proches de la paroi, la dynamique des éléments fluides résulte
donc de deux influences : la force de volume égale à l’opposé du gradient de pression et la force
d’entraînement imposée par la contrainte visqueuse qui est dans la même direction que l’écoule-
ment principal. Si la résultante des forces de pression et de viscosité se trouve être dans le même
sens que l’écoulement principal (cas d’un écoulement dans un convergent), alors le fluide proche
de la paroi est accéléré et la couche limite va s’amincir. Si la résultante des forces est opposée
à l’écoulement principal (cas d’un écoulement dans un divergent), le fluide en proche paroi su-
bira une accélération en sens inverse à l’écoulement, il y aura freinage et épaississement de la
couche limite et éventuellement un écoulement en sens contraire (Fig. 1.16).
Figure 1.16 – Décollement de couche limite dans un divergent : le gradient de pression adverse freine et
renverse l’écoulement dans la couche limite. Source : O. Cadot.
Pour des nombres de Reynolds suffisamment grands, le décollement apparaîtra inévitablement

dans des conduites divergentes et à l’aval d’obstacles (Fig. 1.12(b)). Cependant, ce phénomène
n’est pas une instabilité car il ne résulte pas de l’amplification exponentielle d’un bruit, il s’agit
d’un changement de la topologie de l’écoulement. Le décollement est souvent à l’origine de la
turbulence car une couche limite décollée présente des profils de vitesse avec point d’inflexion
(Fig. 1.16) rendant l’écoulement potentiellement instable.
1.2.1.7 Transitions vers la turbulence
La transition d’un écoulement vers la turbulence est étudiée pour une géométrie d’écoulement
donnée en augmentant le nombre de Reynolds. Au fur et à mesure que ce nombre augmente, le
terme non-linéaire prend de plus en plus d’importance et les bifurcations changent totalement
la topologie de l’écoulement. À des nombres de Reynolds suffisamment grands, il n’y a plus de
bifurcation, l’écoulement atteint alors un régime pleinement développé.
21
On peut regrouper les transitions en deux classes :

– celles qui se font brutalement (cas des écoulements dans les conduites, couche limite) appe-
lées transitions à caractère sous-critique,
– et celles qui se font par suite de bifurcations appelées transitions à caractère super-critique.
Transitions à caractère sous-critique : Il existe des écoulements où la géométrie et les condi-

tions aux limites imposent la stabilité de l’écoulement. Ce sera par exemple le cas des écou-
lements dans les conduites droites ou des écoulements de couche limite sur parois droites et
convexes.
Pour les écoulements dans les conduites, la transition est brutale et imprévisible car elle a un
caractère sous-critique. On passe brusquement d’un état laminaire à un état turbulent par inter-
mittence. La turbulence ne se déclare pas dans tout l’écoulement, mais dans des zones appelées
spots turbulents (Fig. 1.17). Ensuite, plus le nombre de Reynolds augmente et plus la taille des
zones de turbulence croît, jusqu’à ce que la turbulence envahisse l’écoulement tout entier. Dans
ces spots turbulents, on voit la formation de petites structures de vorticité, semblables à des
tubes orientés dans le sens de l’écoulement. C’est la dynamique de ces structures qui va ensuite
modifier les effets entre la paroi et le volume de l’écoulement, et changer la force de traînée.
Figure 1.17 – Exemple de spot turbulent. Autour du spot, l’écoulement est parfaitement laminaire.
Source : O. Cadot.
La transition vers la turbulence dans le cas de la couche limite est un peu différente de celle d’un
écoulement dans une conduite car l’écoulement n’est pas parfaitement parallèle, il est donc pos-
sible d’observer un passage indirect vers la turbulence par une succession de bifurcations de
l’état laminaire à l’état turbulent (Figs. 1.18(a) et 1.18(b)). Cette observation reste cependant
difficile, certaines étapes du scénario de transition (Fig. 1.18(b)) étant souvent sautées : l’écou-
lement initialement 2D devient rapidement 3D.
22
(a) (b)
Figure 1.18 – Transition d’un écoulement passant d’un état laminaire à turbulent (de gauche à droite)
dans la couche limite. (a) Visualisation d’une telle transition. (b) Scénario d’une telle transition : 1. flux
laminaire stable ; 2. ondes instables ; 3. formation d’ondes 3D et de vortex ; 4. affaiblissement des vortex ;
5. flux complètement turbulent. Sources : O. Cadot.
Transitions à caractère super-critique : Il existe des écoulements qui présentent dans leur
état laminaire des zones potentiellement instables. Parmi les plus étudiés, il y a le sillage de
cylindre (Fig. 1.12). Cet écoulement a pour particularité de transiter de l’écoulement laminaire
vers la turbulence par succession de bifurcations bien déterminées (souvent super-critiques) où
à chaque fois, une symétrie de l’écoulement est brisée.
Le nombre de Reynolds est défini à partir de la vitesse amont U, du diamètre du cylindre d, et

de la viscosité du fluide ν, soit Re = Ud/ν. À très bas nombre de Reynolds, l’écoulement est
complétement piloté par la viscosité, il est stationnaire, symétrique en amont et en aval avec
une couche limite beaucoup plus grande que la taille du cylindre (Fig. 1.12(a)). À partir d’un
certain nombre de Reynolds, un premier effet inertiel se fait ressentir dans la couche limite :
il y a décollement et présence de deux zones de recirculation fixes (Fig. 1.12(b)). Ces décol-
lements vont présenter des profils avec points d’inflexion et donc des zones potentiellements
instables. On assiste alors à une première bifurcation vers un état instationnaire correspondant
à une émission périodique de tourbillons (Fig. 1.12(c)). En augmentant encore le nombre de
Reynolds, on assiste à d’autres bifurcations rendant l’écoulement, jusqu’ici 2D instationnaire,
3D instationnaire (Fig. 1.12(d)).
23
1.2.2 Théorie de Kolmogorov

Cette partie détaille les propriétés statistiques spatiales de la turbulence. Nous allons voir que
dans un écoulement turbulent, les zones très turbulentes présentent une grande gamme d’échelles
spatiales du mouvement du fluide. Nous verrons ensuite que la turbulence peut se concevoir sous
la forme de cascade d’énergie permettant une hiérarchie en terme d’énergie entre les échelles
du mouvement. Enfin, nous expliquerons le modèle de Kolmogorov qui reproduit la statistique
des principales échelles du mouvement.
1.2.2.1 Production d’une gamme d’échelles
Un écoulement turbulent est un écoulement à grand nombre de Reynolds, donc un écoulement

pour lequel le terme non-linéaire de l’équation de Navier-Stokes est prépondérant, ce qui est
la cause de tous ces mouvements de tailles différentes. À l’opposé, pour un écoulement très
visqueux, le terme non-linéaire est négligeable et il n’y a qu’une seule taille caractéristique du
mouvement.
Prenons l’exemple d’un sillage visqueux à bas nombre de Reynolds (Fig. 1.11(a)). L’échelle de
√
l’écoulement est donnée par l’épaisseur de la couche limite δ ∝ d/ Re où d est le diamètre de
l’obstacle et Re le nombre de Reynolds. Pour l’écoulement turbulent (Fig. 1.11(b)), le champ
de vitesse va fluctuer spatialement, sur des tailles caractéristiques allant de la taille de l’obstacle
à des échelles beaucoup plus petites. Les mécanismes de production des petites échelles sont
très nombreux, et les instabilités en sont responsables. À grand nombre de Reynolds, les écou-
lements turbulents atteignent des régimes tellement développés que la turbulence va présenter
un caractère « universel ».
Remarque : Le mécanisme d’étirement de la vorticité (qui concentre la vorticité sous l’action

d’un champ de déformation) joue un rôle important dans le processus de formation de petites
échelles de mouvement dans l’écoulement.
1.2.2.2 Cascade d’énergie de Richardson
Sir Owen Willans Richardson a été le premier physicien-météorologue à concevoir la turbulence

en cascade d’énergie. Son idée était que la turbulence est composée de tourbillons de tailles dif-
férentes. Des tourbillons de taille l ont une vitesse caractéristique ul et un temps caractéristique
τl = l/ul . Par tourbillon, Richardson entend mouvement turbulent de cohérence spatiale l et
de cohérence temporelle τl . Les tourbillons de plus grandes tailles sont caractérisés par une
échelle de longueur L (typiquement l’échelle de l’écoulement), et une vitesse caractéristique
U (typiquement de l’ordre de la vitesse fluctuante). Le nombre de Reynolds de ces tourbillons
24
UL
Re = ν
est donc très grand, de sorte que la viscosité n’a pas d’effet et que ces tourbillons
sont incapables de dissiper leur énergie cinétique. Pour Richardson, ces gros tourbillons sont
instables et se cassent en tourbillons plus petits récupérant l’énergie des plus gros, et ainsi de
suite jusqu’à ce que les effets de la viscosité se fassent ressentir.
Dans cette description de la turbulence, la dissipation est placée à la fin de la cascade de trans-
ferts d’énergie. Ainsi ce qui sera dissipé par la turbulence est entièrement déterminé par les
première étapes qui sont totalement indépendantes de la viscosité. La puissance dissipée par la
turbulence dans les écoulements libres (sillages) ou dans les écoulements de paroi avec rugosité
suffisament grande, est indépendante de la viscosité. Dans l’esprit de la cascade, le taux moyen
de dissipation < ǫ > (puissance dissipée par unité de temps et de masse) se détermine par le
transfert de l’énergie cinétique U 2 des plus gros tourbillons. Ce transfert doit se faire sur un
temps τL = L/U, d’où < ǫ > ∝ U 3 /L. Bien que la viscosité soit responsable de la dissipation,
la puissance dissipée dans un écoulement turbulent ne dépend pas de la viscosité !
Remarque : Dans le cas d’un écoulement de paroi lisse, on trouve une dépendance de la puis-
sance dissipée avec la viscosité. Ce n’est pas contradictoire avec la notion de cascade, car sans
rugosité il y a une ambiguïté sur la taille L à prendre pour les plus gros tourbillons. Il suffit
que L dépende de la viscosité pour avoir une dissipation qui dépend de la viscosité. Dans le
cas des parois lisses, l’injection d’énergie dans l’écoulement se fait par l’intermédiaire des forts
gradients de vitesse sur les parois, produits par la viscosité, ce qui suppose que L doit dépendre
de ν.
Cette vision de cascade n’est valable qu’en valeur moyenne : le flux d’énergie cinétique global
se propage des grandes échelles vers les petites échelles, mais cela n’exclut pas localement
d’autres flux dans le sens inverse. La notion de cascade étape par étape est donc mal appropriée
à la réalité qui est beaucoup plus compliquée. La théorie de Kolmogorov développée dans la
partie suivante se prête facilement à une telle interprétation, bien que Kolmogorov n’ait jamais
évoqué de processus dynamique entre les échelles.
1.2.2.3 Modèle de Kolmogorov
Le mathématicien Andreï Kolmogorov a publié en 1941 une série d’articles qui sont à la base
de la compréhension actuelle de la turbulence [Kolmogorov, 1941; Kolmogorov, 1991].
Isotropie des échelles : La théorie de Kolmogorov se place dans un contexte de turbulence iso-
trope6 . Il est clair que tous les écoulements réels ne sont pas isotropes, au moins au niveau de la
6
isotrope : dont les propriétés physiques sont identiques dans toutes les directions.
25
géométrie et des conditions aux limites. Cependant, une notion importante est que les échelles
suffisament petites devant la grande échelle caractéristique de l’écoulement L, deviennent sta-
tistiquement isotropes. En d’autres termes, il existera toujours, pour de grands nombres de Rey-
nolds, une échelle à partir de laquelle les mouvements ont oublié le contexte inhomogène et ani-
sotrope par lequel la turbulence a été engendrée. Dans ce qui suit, on s’intéresse à des échelles
l ≪ L pour lesquelles les mouvements turbulents sont isotropes.
Forme universelle et échelle dissipative : Hypothèse H1 de la théorie de Kolmogorov

H1.Pour un nombre de Reynolds Re ≫ 1, la statistique des mouvements turbulents est unique-
ment déterminée à partir de ν et < ǫ >.
On peut alors construire une échelle η dite de Kolmogorov telle que :

14 r
ν3 1 ν
η= , uη = (ν < ǫ >) , et τη =
4 . (1.18)
<ǫ> <ǫ>
η uη
On peut voir qu’à cette échelle η, le nombre de Reynolds Reη = ν
= 1. Les effets visqueux
sont donc comparables aux effets inertiels, et les mouvements de tailles plus petites que cette
taille sont responsables de la dissipation de l’énergie cinétique de l’écoulement sous forme de
chaleur. L’échelle de Kolmogorov η est aussi appelée échelle de dissipation.
La gamme d’échelles inertielles : Hypothèse H2 de la théorie de Kolmogorov

H2. Si η ≪ l ≪ L alors la statistique des mouvements turbulents est universelle et uniquement
déterminée par < ǫ >.
Pour une échelle intermédiaire appartenant à la gamme d’échelles inertielles, le taux de transfert
d’énergie par unité de masse transitant par cette échelle ne peut que s’exprimer comme :
u3l
<ǫ>= , (1.19)
l
ce qui s’interprète comme un transfert d’énergie cinétique u2l par l’échelle l pendant une durée
τl = l/ul , soit < ǫ > = u2l /τl .
Le flux d’énergie cinétique au travers des échelles est conservé de l’échelle où l’énergie est
injectée lEI ≪ L (terme de production sur la figure 1.19) jusqu’à une échelle lDI ≫ η où la
dissipation commencera à être effective. En général, on confond les échelles lDI et η car l’hypo-
thèse d’isotropie n’est pas nécessaire. On confond aussi L et lEI pour la même raison, de sorte
U3 u3l u3η
que souvent on place la gamme d’échelles inertielles entre L et η, avec < ǫ > = L
= l
= η
.
26
Figure 1.19 – Différentes échelles de la turbulence . Source : O. Cadot.
Différence de vitesse : Pour définir une vitesse caractéristique d’une échelle donnée, on construit
−
→
la différence de vitesse entre deux points séparés d’une distance l :
−
→
∆l −
→
u =−
→
u (−
→
x + l )−−
→
u (−
→
x). (1.20)
Cette différence de vitesse se décompose en trois composantes. La première est une différence
→
−
longitudinale notée ∆l u// (c’est la projection sur le vecteur unitaire ll ). Les deux autres com-
posantes sont des composantes transverses (ce sont les projections sur les vecteurs perpendicu-
→
−
laires à ll ) qui par raison de symétrie, présenteront des statistiques identiques. On ne parle donc
que d’une seule composante transverse ∆l u⊥ .
Les moments statistiques d’ordre p des différences de vitesses s’appellent fonctions de struc-
tures d’ordre p. Les fonctions de structure longitudinales et transverses des différences de vitesse
d’ordre p sont donc par définition :
N N
p 1 X (i)
p
p 1 X (i)
p
< ∆l u// >= ∆l u// et < (∆l u⊥ ) > = ∆l u⊥ , (1.21)
N i N i
où la variable aléatoire indicée i est une réalisation au point représenté par le vecteur −
→
x parmi
l’ensemble des N réalisations. Les fonctions de structures peuvent aussi dépendre du temps en
plus de l.
27
L’hypothèse H1 implique que la statistique des mouvements turbulents ne doit dépendre que de
η et < ǫ > (Éq. 1.22). Selon l’hypothèse H2, cette statistique ne doit dépendre que de < ǫ >,
les fonctions génériques Fp de l’équation 1.22 doivent donc tendre vers des constantes notées
Cp dans la gamme d’échelles inertielles :
p
< ∆l u// > = Fp (η) × Gp (< ǫ >) = Cp (< ǫ > l)p/3 . (1.22)
La relation 1.22 constitue la généralisation de la théorie de Kolmogorov nommée K41. Elle pré-
dit les relations autosimilaires en lois de puissances entre les échelles de mouvements turbulents.
Énergie cinétique des fluctuations : À une échelle donnée l, l’énergie cinétique (longitudi-
nale) est en valeur moyenne donnée par le moment d’ordre 2 de la fonction de structure des
différences de vitesse :
2
< ∆l u// > = C2 (< ǫ > l)2/3 . (1.23)
Cette relation porte le nom de loi en 2/3 de Kolmogorov. Son équivalence dans le domaine
spectral est la loi en -5/3. On la retrouve à partir de l’équation 1.23 par la correspondance qu’il
y a entre le nombre d’onde7 k et l’échelle l = 2π/k. Le spectre de l’énergie cinétique est la
densité d’énergie cinétique par bandes de nombres d’ondes comprises entre k et k + dk :
E// (k) = C1 < ǫ >2/3 k −5/3 . (1.24)
La constante C2 se déduit de la constante C1 par un calcul exact (non détaillé ici). On a une
bonne approximation avec la relation suivante :
C2 ≈ 4 C1 ≈ 2 . (1.25)
Remarque : Limitations du modèle de Kolmogorov

Plusieurs modèles ont été proposés pour caractériser les propriétés statistiques de la turbulence
atmosphérique. Dans le modèle de Kolmogorov, la turbulence atmosphérique est supposée plei-
nement développée, c’est-à-dire que le transfert de l’énergie cinétique a lieu à toutes les échelles
spatiales. Autrement dit, ce modèle ne tient pas compte des échelles interne et externe caractéri-
sant les dimensions extrémales des tourbillons. Pour cette raison, il ne rend pas compte de tous
les phénomènes observés. Ce modèle sera cependant largement suffisant dans notre étude de la
turbulence atmosphérique. Si la prise en compte des échelles externe et interne était nécessaire,
nous utiliserions le modèle de Von Karman [VonKarman, 1948].
7 2π
Le nombre d’onde k est défini par λ où λ est la longueur d’onde.
28
1.2.3 Perturbations par l’atmosphère

La théorie de Kolmogorov est à la base des travaux de Tatarski sur la propagation des ondes
lumineuses en milieu turbulent [Tatarski, 1961]. Plus tard, Fried a poursuivi ces travaux sur
la propagation dans l’atmosphère [Fried, 1966] : il a établi une expression de la fonction de
transfert de l’atmosphère en fonction du temps de pose, et surtout a déterminé un paramètre
permettant de caractériser la qualité de l’observation en fonction de l’intensité de la turbulence
et de la résolution du système optique employé. F. Roddier a réalisé une synthèse de ces travaux
dans son étude sur les effets de la turbulence atmosphérique en astronomie [Roddier, 1981].
Les équations de cette section sont tirées de cette dernière référence. D’autres auteurs se sont
intéressés à l’astrophysique comme Léna [Léna et al., 1996].
Nous allons tout d’abord détailler les perturbations de la turbulence atmosphérique sur la pro-
pagation des ondes, puis sur les acquisitions d’images, ce qui nous mènera enfin à différencier
plusieurs cas de turbulence.
1.2.3.1 Perturbation d’une onde lumineuse
Une perturbation d’un rayonnement monochromatique de longueur d’onde λ, produit un dépha-

sage ∆ϕ défini par :
2π
∆ϕ = ∆δ , (1.26)
λ
où ∆δ est la variation du chemin optique produite par la perturbation. Le chemin optique δ
parcouru par l’onde est le produit du trajet géométrique l par l’indice de réfraction n du milieu
de propagation :
δ=l × n. (1.27)
L’indice de réfraction dépend essentiellement de la longueur d’onde et de la température du mi-

lieu. Cependant, n n’étant dépendant de λ qu’à partir du deuxième ordre, on peut considérer en
première approximation que ∆δ est achromatique. Des variations locales de température vont
donc induire des variations locales de l’indice de réfraction. La turbulence atmosphérique va
alors perturber la propagation d’un rayon lumineux en lui faisant subir des fluctuations aléa-
toires de phase, spatiales et temporelles.
Remarque : À très grande échelle, on fait souvent l’hypothèse qu’une onde est plane alors
qu’en réalité elle est sphérique (Fig. 1.21).
Les variations de l’indice de réfraction produisent également des variations d’intensité par un
effet de diffraction de la lumière. Cela se traduit par un phénomène de scintillation facilement
29
11111111111111111111111111111111
00000000000000000000000000000000
00000000000000000000000000000000
11111111111111111111111111111111
00000000000000000000000000000000
11111111111111111111111111111111
00000000000000000000000000000000
11111111111111111111111111111111
00000000000000000000000000000000
11111111111111111111111111111111
source lumineuse
00000000000000000000000000000000
11111111111111111111111111111111
onde
00000000000000000000000000000000
11111111111111111111111111111111
perturbée
ponctuelle éloignée 00000000000000000000000000000000
11111111111111111111111111111111
00000000000000000000000000000000
11111111111111111111111111111111 système
00000000000000000000000000000000
11111111111111111111111111111111 d’observation
00000000000000000000000000000000
11111111111111111111111111111111
onde 11111111111111111111111111111111
00000000000000000000000000000000
00000000000000000000000000000000
11111111111111111111111111111111
plane11111111111111111111111111111111
00000000000000000000000000000000
00000000000000000000000000000000
11111111111111111111111111111111
00000000000000000000000000000000
11111111111111111111111111111111
00000000000000000000000000000000
11111111111111111111111111111111
turbulence atmosphérique
00000000000000000000000000000000
11111111111111111111111111111111
Figure 1.20 – Propagation d’une onde lumineuse à travers la turbulence atmosphérique. Adapté de
C. Bondeau.
fronts d’onde plans

source
source
fronts d’onde sphériques
Figure 1.21 – Représentation de la propagation des ondes : ondes planes (approximation) ou ondes
sphériques (cas réel).
observable dans le cas d’une étoile. Comme la phase, l’intensité varie spatialement et temporel-
lement, de manière aléatoire [Jakeman et al., 1978].
Le champ électromagnétique émis par une source ponctuelle et se propageant dans la direction
~z, s’écrit sous une forme complexe. À un instant donné, en tout point r d’un plan perpendiculaire
à ~z , on a pour une onde plane :
ψ(r) = |ψ(r)| eiφ(r) , (1.28)
où φ(r) représente la phase de l’onde plane.
La turbulence introduit un déphasage complexe ϕ(r) − iχ(r) sur le signal. L’onde perturbée
ψp (r) s’écrit alors :
ψp (r) = |ψ(r)| ei[φ(r)+ϕ(r)−iχ(r)] . (1.29)
χ(r) représente les variations du logarithme de l’amplitude et correspond à la mesure des scin-
tillations [Fried, 1982]. Cela rend le signal augmenté ou amoindri aléatoirement en fonction du
temps. Ces effets sont souvent faibles par rapport à ceux dus au déphasage-même (ϕ(r)), qui
30
affecte la direction de propagation de l’onde au point r, et se traduit donc par un « bougé » dans
l’image. En observation astronomique, pour la correction des dégradations, on ne tient compte
que des variations de ϕ(r) la plupart du temps.
1.2.3.2 Paramètre de Fried et image observée
Le paramètre de Fried noté r0 caractérise les conditions d’observation pour un état donné de
la turbulence, pour une certaine longueur d’onde λ et pour une longueur de propagation L. Le
paramètre r0 représente le diamètre de l’aire de cohérence de l’onde, c’est-à-dire le diamètre
maximal de la surface de la pupille pour laquelle l’onde perturbée peut être considérée comme
plane. Dans l’hypothèse d’une onde plane, ce paramètre est défini par :
Z L − 35
2
r0 = 0.423 k CN2 (z) dz , (1.30)
0
où k est le nombre d’onde et CN2 est la constante de structure d’indice de l’atmosphère (m−2/3 ).
Ce paramètre traduit l’influence de la turbulence sur la propagation optique. Il dépend de l’alti-
tude et des conditions atmosphériques locales (température, pression, taux d’humidité...). Près
du sol, les valeurs de CN2 se situent en général entre 10−16 m−2/3 pour une faible turbulence et
10−12 m−2/3 pour une forte turbulence [Hutt, 1999].
Dans l’hypothèse d’une onde sphérique (cas réel), le paramètre de Fried s’écrit :
Z L − 53
2
z 53
r0 = 0.423 k CN2 (z) 1− dz , (1.31)
0 L
avec z = 0 dans le plan de la pupille et z = L dans le plan de la source. Dans le cas d’une
propagation verticale, l’atmosphère étant divisée en plusieurs couches (Fig. 1.22), les couches
les plus proches du système d’observation sont celles qui ont le plus d’influence sur r0 , puisque
5
le coefficient de pondération 1 − Lz 3 est alors proche de 1. Au contraire, les couches les plus
proches de la source sont celles qui ont le moins d’influence sur r0 , puisque le coefficient de
pondération tend alors vers 0.
Dans le cas d’une propagation horizontale, la constante de structure CN2 varie très peu le long
du chemin de propagation. On peut donc la considérer comme constante, et on a alors :
r0 = 3.02 k −6/5 L−3/5 (CN2 )−3/5 . (1.32)
2π
Remarque : Comme λ = k
, on a :
r0 ∝ λ6/5 . (1.33)
31
Figure 1.22 – Les différentes couches de l’atmosphère. Source : Fédération Française de la Montagne
et de l’Escalade. http ://www.ffme.fr.
Le paramètre r0 croît donc assez rapidement avec la longueur d’onde, ce qui signifie que les ef-
fets optiques de la turbulence se font moins sentir aux fortes longueurs d’onde. Pour une même
intensité de turbulence, la dégradation sera donc plus faible sur une image infrarouge que sur
l’image visible correspondante.
L’intensité de la turbulence est donnée par le rapport D/r0 où D est le diamètre de la pupille
utilisée. Si on observe une source lumineuse ponctuelle avec un temps de pose court, trois cas
peuvent se présenter :
– Si D < r0 , le système optique est seulement limité par la diffraction, on obtient alors une
tache d’Airy8 (Fig. 1.23(a)).
– Si D & r0 , la surface de l’onde incidente sur l’optique de réception est encore assimilée à un
plan, mais celui-ci n’est pas forcément perpendiculaire à la direction de propagation. L’image
de la source lumineuse ponctuelle est alors décalée par rapport à sa position sans turbulence
(Fig. 1.23(b)).
– Si D ≫ r0 , on ne peut plus considérer la surface de l’onde comme plane. Elle présente des
déformations qui produisent des vibrations lumineuses. On voit alors apparaître une structure
éclatée en petits grains lumineux ou sombres appelés tavelures ou speckles (Fig. 1.23(c)).
8
La tache d’Airy est l’image de diffraction obtenue après le passage de la lumière à travers un trou parfaitement
circulaire.
32
λ
D
λ λ λ
D D r0
(a) D < r0 (b) D & r0 (c) D ≫ r0
Figure 1.23 – Image d’une source ponctuelle observée en courte pose selon le rapport D/r0 , où D varie
et r0 est constant. Les ordres de grandeur des disques obtenus sont donnés pour information. Adapté de
C. Bondeau.
1.2.3.3 Statistiques de la turbulence atmosphérique
Nous avons vu précédemment (cf. §1.2.2) que la structure de la turbulence est décrite par la
théorie de Kolmogorov. On peut en déduire les propriétés statistiques liées aux variations lo-
cales de l’atmosphère, en particulier celles de la température et de l’indice de réfraction.
L’atmosphère est presque toujours turbulente : pour l’air, la viscosité cinématique est d’environ
15 × 10−6 m2 .s−1 , et en prenant une vitesse moyenne du vent V ≈ 1 m.s−1 et une longueur
de fluide L ≈ 15 m, on obtient un nombre de Reynolds Re ≈ 106 , ce qui correspond à une
turbulence pleinement dévelopée.
L’indice de réfraction de l’air est principalement fonction de la température et du taux d’humi-

dité, dont les fluctuations suivent également la loi de Kolmogorov (Éq. 1.24). Pour la tempéra-
ture, la fonction de structure < ∆ρT > représente la variance des fluctuations de température
T entre deux points distants de ρ. Elle est définie par :
< ∆ρT > = < |T (r + ρ) − T (r)|2 > . (1.34)
Elle suit la loi suivante, appelée loi d’Obukhov, dans le domaine inertiel :
< ∆ρT > = CT2 ρ2/3 , (1.35)
où ρ = kρk et CT2 est la constante de structure des fluctuations de température (K 2 .m−2/3 ).
De même, la fonction de structure d’indice de réfraction < ∆ρN > suit la loi d’Obukhov :
< ∆ρN > = CN2 ρ2/3 , (1.36)
33
où CN2 est la constante de structure d’indice de l’atmosphère (m−2/3 ) déjà vue précédemment
(cf. §1.2.3.2).
1.2.3.4 Statistiques du champ perturbé
Les perturbations du front d’onde peuvent être décrites par des fonctions de structure de phase
et d’amplitude. La fonction de structure de phase < ∆ρϕ > est la variance des fluctuations de
phase entre deux points distants de ρ :
< ∆ρϕ > = < |ϕ(r + ρ) − ϕ(r)|2 > . (1.37)
La fonction de structure d’amplitude < ∆ρχ > est la variance des fluctuations du logarithme
de l’amplitude entre deux points distants de ρ :
< ∆ρχ > = < |χ(r + ρ) − χ(r)|2 > . (1.38)
La fonction de structure de l’onde est alors définie par :
< ∆ρ > = < ∆ρχ > + < ∆ρϕ > . (1.39)
Cas d’une couche turbulente fine : En supposant que l’atmosphère est partout homogène et
non turbulente, sauf à l’intérieur d’une couche horizontale fine comprise entre les altitudes h et
h + δh, alors à l’entrée de la couche, l’onde n’est pas perturbée et on a :
ψh+δh (r) = 1 . (1.40)
L’épaisseur de la couche est choisie assez faible pour que les effets de diffraction soient négli-
geables devant δh, on peut donc négliger les fluctuations d’amplitude. On a donc à la sortie de
la couche :
ψh (r) = eiϕ(r) , (1.41)
où ϕ(r) est le déphasage introduit par les fluctuations d’indice à l’intérieur de la couche :
Z h+δh
ϕ(r) = k n(r, z) dz , (1.42)
h
où k est le nombre d’onde, n est l’indice de réfraction, z est l’altitude, et r représente un point
du plan perpendiculaire à l’axe de propagation en z.
34
Le moment d’ordre 2 du champ aléatoire ψh (r) à la sortie de la couche est la fonction de

cohérence (ou covariance) de ψh (r) entre deux points séparés d’une distance ρ :
Bh (ρ) = < ψh (r)ψh∗ (r + ρ) > = < ei[ϕ(r)−ϕ(r+ρ)] > , (1.43)
où ψh∗ (r) est le conjugué complexe de ψh (r). La phase ϕ(r) est la somme d’un grand nombre
de variables indépendantes, ses statistiques sont donc gaussiennes d’après le théorême central
limite. La fonction de cohérence Bh (ρ) est la fonction caractéristique d’une variable gaussienne,
et on aboutit à une relation entre la fonction de cohérence et la fonction de structure de phase
< ∆ρϕ > :
1
<|ϕ(r)−ϕ(r+ρ)|2 > 1
Bh (ρ) = e− 2 = e− 2 <∆ρ ϕ>
. (1.44)
Comme nous avons fait l’hypothèse que l’atmosphère est non turbulente de la sortie de la couche
jusqu’au sol, la fonction de cohérence au sol B0 (ρ) est égale à Bh (ρ) :
1
B0 (ρ) = e− 2 <∆ρ ϕ>
. (1.45)
Remarque : Dans la réalité, le champ au sol ψ0 (r) fluctue à la fois en phase et en amplitude.
Cependant, les fluctuations d’amplitude sont souvent négligées car en général, elles sont faibles
devant les fluctuations de phase. Il s’agit de l’approximation de champ proche où la turbulence
est supposée être localisée près du système d’observation.
Cas d’une turbulence continue : La fonction de structure de phase < ∆ρϕ > est reliée aux
statistiques de fluctuations d’indice par la relation suivante [Tatarski, 1961] :
< ∆ρϕ > = 2.91 k 2 CN2 δh ρ5/3 . (1.46)
En généralisant le raisonnement précédent à une distribution continue de turbulence sur un

chemin de propagation de longueur L, la fonction de cohérence du champ au sol ψ0 (r) s’écrit :
RL
B0 (ρ) = e− 2 [2.91 k ]
1 2 ρ5/3 2 (z) dz
CN
0 . (1.47)
1.2.3.5 Image longue pose
L’image d’un objet fixe observé à travers la turbulence fluctue au cours du temps. Pour « ge-
ler » l’image dans une configuration aléatoire isolée, le temps de pose ne doit pas dépasser le
temps de cohérence qui est le temps caractéristique d’évolution de la turbulence, généralement
de l’ordre de quelques millisecondes. Lorque le temps de pose est plus grand, on obtient une
moyenne de ces configurations appelée image longue pose.
35
En supposant qu’aucun bruit n’est ajouté pendant l’acquisition, la relation entre la distribution
lumineuse d’un objet observé o(α) et celle de son image longue pose < i(α) > se traduit par
le produit de convolution suivant :
Z
< i(α) > = o(α) ∗ < h(α) > = < h(α − β) > o(β) dβ , (1.48)
où α et β désignent des distances angulaires dans l’espace objet, l’opérateur < . > désigne une
moyenne d’ensemble, et < h(α) > est la réponse impulsionnelle de l’ensemble constitué par le
système d’observation et par l’atmosphère, ou point spread function (PSF).
Dans le domaine fréquentiel, on a la relation correspondante :
< I(f ) > = O(f ) < H(f ) > , (1.49)
où < I(f ) >, O(f) et < H(f ) > sont respectivement les transformées de Fourier de < i(α) >,
o(α) et < h(α) >, et f représente un point du domaine fréquentiel. La composante < H(f ) >
est la fonction de transfert optique (FTO) de l’ensemble constitué par le système d’observation
et par l’atmosphère en longue pose, ou optical transfer function (OTF). Par la suite, cette fonc-
tion de transfert optique longue pose sera notée HLP (f ).
En considérant un système optique composé de l’atmosphère et d’une lentille mince conver-

gente, et une onde plane incidente ψ0 (r) perturbée en phase et en amplitude par son passage à
travers la turbulence, l’amplitude complexe A(α) décrivant l’image formée dans le plan focal
par cette onde s’écrit [Fried, 1966] :
Z
2π
A(α) = a P0 (r) eχ(r)+iϕ(r) e−i λ r·α dr , (1.50)
où a est une constante de normalisation et P0 (r) est la fonction d’ouverture de la lentille, qui
vaut 1 à l’intérieur de la lentille et 0 en dehors.
La réponse impulsionnelle est l’irradiance diffractée dans la direction α :
< h(α) > = |A(α)|2 . (1.51)
La fonction de transfert optique longue pose HLP (f ) peut s’écrire comme le produit de la
fonction de transfert atmosphérique (notée Hatm (f )) par la fonction de transfert du système
optique (notée Hobs (f )) :
HLP (f ) = Hatm (f ) Hobs (f ) , (1.52)
36
où la FTO atmosphérique est définie par :

r r
Hatm (f ) = < ψ ψ∗ + f > = < ψ0 (r)ψ0∗ (r + λf ) > = B0 (λf ) , (1.53)
λ λ
et la FTO du système d’observation est définie par l’autocorrélation de la fonction d’ouverture

de la pupille P0 : Z
−1
Hobs (f ) = δ P0 (r) P0 (r − λf ) dr , (1.54)
où δ représente l’aire de la pupille.
Selon le critère de Strehl, le pouvoir de résolution R est défini par l’intégrale de la FTO. D’où,
en longue pose : Z Z
R= HLP (f ) df = Hatm (f ) Hobs (f ) df . (1.55)
Ce pouvoir de résolution peut être limité soit par le système d’observation (diffraction), soit
par l’atmosphère, selon les valeurs relatives de Hatm (f ) et Hobs (f ). Par exemple, pour un petit
télescope de diamètre D, les effets de la turbulence sont négligeables (Hatm (f ) ≈ 1) et le
pouvoir de résolution s’écrit alors :
Z 2
π D
R≃ Hobs (f ) df = . (1.56)
4 λ
Au contraire, pour un télescope de gros diamètre, le pouvoir de résolution ne dépend plus que
de la turbulence : Z
R≃ Hatm (f ) df . (1.57)
Le paramètre de Fried r0 défini précédemment (cf. §1.2.3.2) permet de mesurer la qualité de

l’observation (ou seeing). Ce paramètre correspond aussi au diamètre critique d’un télescope tel
que : Z Z
π r0 2
Hatm (f ) df = Hobs (f ) df = . (1.58)
4 λ
Le paramètre de Fried est alors relié à la fonction de cohérence de l’onde par la relation suivante :
“ ”5/3
f
−3.44
B0 (f ) = e r0
, (1.59)
et la fonction de tranfert optique longue pose HLP (f ) s’écrit :

“ ”5/3
λf
−3.44
HLP (f ) = Hobs (f ) e r0
. (1.60)
37
Pour une intensité de turbulence à laquelle correspond un r0 fixé, le pouvoir de résolution R est
donc limité par le système d’observation quand D < r0 , et par l’atmosphère quand D > r0 .
1.2.3.6 Image courte pose
L’image instantanée formée dans le plan focal du système d’observation, après propagation à
travers la turbulence, est une fonction aléatoire. L’étude des images en pose longue est basée
sur le calcul de son moment du premier ordre, c’est-à-dire sa valeur moyenne. En pose courte,
l’étude se fait avec ses statistiques du second ordre, c’est-à-dire son spectre d’énergie.
L’image i(α) est reliée à l’objet o(α) par le produit de convolution suivant :
i(α) = o(α) ∗ h(α) , (1.61)
où i(α) et h(α) sont deux fonctions aléatoires. Cette relation n’est vraie que si à n’importe quel
instant, la réponse impulsionnelle h(α) est la même pour tous les points de l’image, ce qui n’est
possible que dans le cas où la turbulence est localisée près du système d’observation. Ce n’est
pratiquement jamais le cas. La relation 1.61 n’est valable que dans un champ de vision limité
appelé domaine d’isoplanétisme (cf. §1.2.3.7) : on peut alors considérer que les rayons venant
de n’importe quel point de la scène observée et arrivant sur la pupille, ont traversé à peu de
chose près les mêmes régions turbulentes, et subissent donc les mêmes effets.
Le spectre d’énergie de l’image est défini par :
< |I(f )|2 > = |O(f)|2 < |H(f )|2 > , (1.62)
où |O(f )|2 est le spectre d’énergie de l’objet et < |H(f )|2 > est le spectre d’énergie de l’image
d’une source ponctuelle. Contrairement à la fonction de transfert longue pose, < |H(f )|2 > a
une composante haute-fréquence s’étendant jusqu’à la fréquence de coupure du système d’ob-
servation, correspondant à une structure speckle observée en courte pose dans le cas d’une onde
monochromatique (cf. §1.2.3.2).
Pour une onde monochromatique, pour un système d’observation de grand diamètre (D ≫ r0 ),

et pour des fréquences spatiales élevées (f ≫ rλ0 où f = kf k), une approximation du spectre
d’énergie de l’image d’une source ponctuelle est donnée par la relation suivante :
σ
< |H(f )|2 > ≈ Hobs_0 (f ) , (1.63)
δ
38
où σ est une mesure de l’aire de cohérence des perturbations des fronts d’onde :
Z r 2
0
σ= B 2 (f ) df = 0.342 , (1.64)
λ
et Hobs_0 (f ) est la fonction de transfert d’un système d’observation idéal, seulement limité par
la diffraction et de même ouverture que le système d’observation utilisé.
Remarque sur les speckles (introduits au §1.2.3.2)

La taille des speckles est de l’ordre de λ/D (Fig. 1.23(c)), la dimension de l’objet sur l’image
est de l’ordre de λ/r0 , donc le nombre de speckles noté N0 est environ (D/r0 )2 . Comme
δ ≈ (D/λ)2, le nombre de speckles est également de l’ordre de δ/σ. On peut alors inter-
préter N0 comme le nombre d’aires de cohérence sur la pupille. Le facteur d’atténuation σ/δ
dans l’équation 1.63 est donc approximativement l’inverse du nombre de speckles dans l’image,
d’où :
1
< |H(f )|2 > ≈ Hobs_0 (f ) . (1.65)
N0
La durée de vie des speckles est liée à la durée de vie des fluctuations d’indice dans le champ
d’observation, qui dépend principalement de la vitesse de déplacement des couches turbulentes
traversées par l’onde. Si l’onde traverse une seule couche se déplaçant à une vitesse moyenne
v, alors le temps d’évolution des speckles est estimé à τ0 = r0 /v. Et dans le cas de plusieurs
couches : τ0 = r0 /∆v où ∆v est une mesure de la dispersion en vitesse des couches turbulentes.
r

Si on suppose que le champ perturbé ψ λ
suit des statistiques gaussiennes circulaires, on a
2
une expression analytique pour < |H(f )| > :
σ
< |H(f )|2 > = HLP 2 (f ) + Hobs_0 (f ) . (1.66)
δ
Le spectre d’énergie de l’image d’une source ponctuelle peut donc s’écrire comme la somme
d’une composante basse fréquence (HLP 2 (f )) et d’une composante haute fréquence (Éq. 1.63).
Dans le cas des fluctuations atmosphériques, même si les statistiques gaussiennes donnent

une bonne approximation de la réalité, le champ perturbé ψ λr est le plus fidèlement décrit
par des statistiques log-normales. Il n’existe alors pas d’expression analytique simple pour
< |H(f )|2 >. Selon [Fried, 1966], on peut considérer que ce spectre correspond au spectre
d’énergie d’une image longue pose où « l’agitation » de l’image aurait été corrigée, c’est-à-dire
où on aurait éliminé les effets du tilt des fronts d’onde (cf. Chapitre 2). Ceci est justifié par
le fait que le tilt n’affecte pas la qualité de l’image courte pose, mais ne fait que déplacer son
centre de gravité.
39
Un tel spectre est décrit par Fried par l’expression suivante :

“ ”5/3 » 1/3
–
λf
2 2 −6.88 r0
1−α( λf
D )
< |H(f )| > = |Hobs (f )| e , (1.67)
avec f = kf k, α = kαk, α = 1 en champ proche (quand la turbulence est localisée près

du système d’observation), et α = 0.5 en champ lointain (quand la turbulence est près de la
source). Cette expression de Fried est cependant à différencier des expressions précédentes car
cette fonction a une partie basses fréquences légèrement plus large que les autres.
L’intérêt de la courte pose apparaît particulièrement en champ proche où elle conserve une
bonne partie des hautes fréquences. Il est donc possible de collecter plus d’informations avec
plusieurs images courte pose, qu’avec une seule image longue pose correspondante.
1.2.3.7 Anisoplanétisme / Isoplanétisme
Les rayons lumineux sont dégradés différemment selon les zones de turbulence qu’ils ren-
contrent. La figure 1.24 présente un exemple où deux faisceaux lumineux provenant du même
objet traversent une fine couche de turbulence.
Trois cas peuvent alors se présenter :

1. Si l’angle apparent de l’objet observé θ est assez grand (|θL| > D), les zones de la
couche turbulente rencontrées par les deux faisceaux n’ont pas d’intersection, de telle
sorte que les faisceaux seront perturbés par des dégradations atmophériques aléatoires
complètement différentes. Cela se traduit dans la relation objet-image par une convolu-
tion avec une réponse impulsionnelle (ou PSF) différente. Quand chaque pixel de l’image
est le produit d’une convolution de l’objet observé par une PSF différente, on parle alors
d’anisoplanétisme total ou anisoplanétisme fort. L’image résultat a alors un aspect gra-
nuleux dû aux flous différents concentrés en chaque pixel.
2. Si les dimensions angulaires θ de l’objet observé sont suffisamment petites, ou si la couche

de turbulence est localisée près de la pupille, alors on considère que les faiceaux prove-
nant de l’objet et arrivant sur la pupille ont traversé des régions pratiquement identiques.
Ils seront donc dégradés par la même perturbation atmosphérique. Tous les faisceaux dé-
gradés par une même perturbation forment une zone d’isoplanétisme (cf. 1.2.3.6) : dans
cette zone, l’objet observé est convolué par la même PSF. On parle alors d’isoplanétisme
local ou anisoplanétisme faible. La dégradation sur l’image résultat prend la forme de
différentes zones de flou qui se chevauchent et qui peuvent être légèrement décalées, dé-
formant ainsi la cible observée.
40
3. Par extrapolation, si θ ≈ 0, tous les faisceaux provenant de la scène traversent la même

zone de la couche turbulente et sont donc tous dégradés de la même manière. Toute la
scène est donc convoluée par la même PSF. Il s’agit de l’isoplanétisme total, très rarement
observable. L’image résultat souffre alors d’un flou global et peut être légèrement décalée.
sens de déplacement
des faisceaux lumineux
D
θL θ
L
couche plan plan
turbulente pupille image
Figure 1.24 – Origine des différentes perturbations atmosphériques. θ est l’angle formé par les deux
faisceaux, L est la distance entre la couche turbulente et la pupille, et D est la diamètre de la pupille.
Source : F. Roddier.
L’angle d’isoplanétisme noté θ0 est l’angle maximal dans lequel on se trouve dans le cas d’iso-
planétisme. C’est aussi l’angle critique à partir duquel la dégradation atmosphérique va changer.
Il est défini par la relation suivante :
Z L −3/5
2
θ0 = 2.905 k CN2 (z) z 5/3
dz , (1.68)
0
avec z = 0 dans le plan de la pupille et z = L dans le plan de la source.
Contrairement au paramètre de Fried r0 , dans le cas d’une propagation verticale, ce sont les
couches les plus proches de la source qui ont le plus d’influence sur θ0 .
Dans le cas d’une propagation horizontale, nous avons déjà vu que la constante de structure CN2
varie peu le long du chemin de propagation (cf. 1.2.3.2), et qu’elle peut donc être considérée
comme constante. On a alors :
−3/5
θ0 = 0.95 k −6/5 L−8/5 CN2 , (1.69)
41
ce qui donne la relation suivante entre r0 et θ0 (Fig. 1.25) :
r0 = 3.18 L θ0 . (1.70)
L θ0 3.18 θ0 θ0 r0
zone
d’isoplanétisme
aire de cohérence
au niveau du système
d’observation
Figure 1.25 – Lien entre le paramètre de Fried r0 et l’angle d’isoplanétisme θ0 . Source : C. Bondeau.
1.3 Conclusion
Dans ce premier chapitre, nous avons tout d’abord détaillé différents systèmes d’observation,
notamment ceux utilisés dans un contexte de surveillance militaire ou de détection dans les
domaines visible et infrarouge. Nous nous sommes aussi intéressés à leur mode de capture d’in-
formation, c’est-à-dire à leur lien avec la physique des ondes dans l’atmosphère terrestre.
Ensuite, nous avons décrit le processus de formation de turbulence dans un fluide quelconque
pour expliquer la théorie de Kolmogorov applicable à la turbulence atmosphérique et que nous
allons utiliser dans le chapitre suivant. Enfin, nous nous sommes concentrés plus particuliè-
rement sur les effets de la turbulence atmosphérique sur la propagation des ondes et sur les
acquisitions d’images.
Pour des raisons évidentes de sécurité et de coût de matériel, il est très difficile d’obtenir des
séquences d’images typiques dégradées par la turbulence atmosphérique, comme celles visuali-
sées par les militaires pendant une opération de surveillance. Nous avons donc choisi de simuler
certaines images et séquences, dont nous allons détailler le processus dans le chapitre 2.
42
Chapitre 2
Simulation des effets de la turbulence

atmosphérique sur des acquisitions
d’images
L’acquisition de séquences d’images dégradées par la turbulence atmosphérique exige du maté-

riel de haute technologie très coûteux et des conditions d’acquisition semblables à celles d’une
opération de surveillance, qu’il s’agisse des conditions météorologiques ou de la scène obser-
vée. Toutes ces conditions étant difficilement réunies, nous nous sommes donc tout naturelle-
ment tournés vers la simulation numérique de telles images.
Nous allons tout d’abord brièvement rappeler la chronologie des travaux de simulation de tur-
bulence menés jusqu’à aujourd’hui. Nous nous intéresserons ensuite à la simulation d’images
dégradées par différents types de turbulence. Enfin, nous prendrons en compte le caractère tem-
porel de l’évolution de la turbulence afin de créer des séquences d’images dégradées. Nous
déterminerons les limitations pratiques du modèle de Kolmogorov utilisé dans nos simulations.
2.1 État de l’art

Certains auteurs se sont intéressés à la simulation de la turbulence en laboratoire afin d’obtenir
des images qui permettent de visualiser cette turbulence, d’étudier son comportement et d’étu-
dier la propagation des faisceaux optiques qui la traversent [Billard et al., 1982; Obukhov, 1983;
Fuchs et al., 1996].
D’autres auteurs se sont intéressés à la simulation numérique de la turbulence. Les astronomes

ayant été les premiers à être confrontés à ce problème de turbulence, de nombreux travaux
de simulation s’appliquent à l’observation astronomique [McGlamery, 1976; Roddier, 1990;
43
Chapitre 2 Simulation des effets de la turbulence atmosphérique sur des acquisitions d’images
Lane et al., 1992; Glindemann et al., 1993; Dai, 1994]. Ces approches consistent globalement à
simuler un front d’onde, initialement plan, perturbé par les différentes couches de l’atmosphère
qu’il traverse. Les variations d’amplitude étant souvant considérées comme négligeables par
rapport aux variations de phase (cf. chapitre 1), les simulations décrites dans les références
précédemment citées, se limitent au calcul de la phase. Il existe cependant des méthodes de
simulation prenant aussi en compte les fluctuations d’amplitude [Kouznetsov et al., 1997].
Une autre conséquence des simulations appliquées à l’astronomie est la limitation au cas iso-
planétique. En effet, au vu de la petite taille des objets observés par rapport à la longueur du
chemin de propagation, on condidère qu’à un instant donné, la perturbation est la même dans
tout le champ d’observation qui est relativement restreint. Les auteurs qui s’intéressent à la si-
mulation de l’anisoplanétisme (faible ou fort) étudient en général la propagation horizontale
au-dessus de l’océan [Beaumont, 1996; Voisekhovich et al., 1999; Robert et al., 2005], car les
échanges thermiques y sont décuplés et les fluctuations de l’indice de réfraction de l’air sont
donc beaucoup plus importantes. De plus, ils travaillent avec des sources étendues, ce qui limite
la précision du système d’observation par des effets d’anisoplanétisme.
Les travaux de simulation numérique les plus récents portent sur la génération d’écrans de phase
[Tofsted, 2001; Moradi et al., 2005; Hippler et al., 2006], ce qui permet un gain en précision,
et/ou sur l’évolution temporelle de la turbulence atmosphérique, prenant en compte à la fois
la fréquence d’acquisition du système d’observation et le temps d’évolution de la turbulence
atmosphérique [Conan et al., 1995; Wang, 2006].
Dans cette thèse, nous nous intéressons plus particulièrement à la propagation horizontale sur
une grande distance (de 500 m à plusieurs kilomètres), dans le visible et en infrarouge, au-
dessus d’un sol de type désertique (sol sec avec peu de végétation), et nous travaillons sur
des images d’objets étendus. Les images que nous devrions obtenir en de telles conditions,
sont donc perturbées soit par de l’anisoplanétisme total (ou anisoplanétisme fort), soit par de
l’isoplanétisme local (ou anisoplanétisme faible). Pour la simulation d’images “uniques” dé-
gradées par la turbulence atmosphérique, que nous allons développer dans la section 2.2, nous
avons repris l’algorithme de Nicolas Roddier [Roddier, 1990]. En ce qui concerne la simula-
tion temporelle de la turbulence, qui sera développée dans la section 2.2.5, nous sommes partis
de certains travaux conduits à l’ONERA [Conan et al., 1995] et à l’Université de Bourgogne
[Bondeau, 1999].
44
2.2 Simulation d’une image dégradée

Dans cette partie, nous allons tout d’abord décrire l’algorithme général utilisé pour nos simu-
lations sur une seule image. Ensuite, nous appliquerons cet algorithme aux différents cas de
perturbation (isoplanétisme total / anisoplanétisme total / isoplanétisme local), et nous donne-
rons quelques exemples d’images simulées.
2.2.1 Description globale de l’algorithme de simulation utilisé

L’algorithme de Nicolas Roddier [Roddier, 1990] apporte une solution simple à mettre en œuvre
au problème de la simulation des effets de la turbulence atmosphérique sur une image. En effet,
il est basé sur une décomposition modale de la phase d’un front d’onde turbulent.
De façon générale, on peut décomposer la phase d’un front d’onde turbulent sur une base dis-
crète de fonctions limitées par un support fini (support du système d’observation). Il suffit que
cette base soit complète. Comme fonctions de bases (aussi appelées modes), on choisit en gé-
néral les polynômes de Zernike, introduits à l’origine pour l’étude des aberrations des systèmes
optiques. Fried les a utilisés pour décrire la forme géométrique d’un front d’onde distordu aléa-
toirement [Fried, 1965]. Noll a ensuite développé une représentation du spectre des fluctuations
de phase dues à une turbulence de type Kolmogorov, grâce aux polynômes de Zernike [Noll,
1976]. Cette représentation permet d’estimer analytiquement les erreurs résiduelles sur le front
d’onde après correction des aberrations des ordres les plus bas. Elle a souvent été utilisée, en
particulier par certains membres de l’ONERA pour la reconstruction ou la simulation de fronts
d’onde [Primot, 1989; Conan, 1994].
Nous allons décrire les polynômes de Zernike qui seront ensuite utilisés pour représenter la
phase turbulente sur une base polynômiale, puis nous étudierons les statistiques des coefficients
aléatoires et nous présenterons enfin une méthode pour les générer.
Polynômes de Zernike
Les polynômes de Zernike sont définis sur un disque de rayon unité, en chaque point r de
coordonnées polaires (r, θ) par les expressions suivantes [Noll, 1976] :
√ √
m 6= 0 et j impair : Zj = n + 1 Rnm (r) 2 cos(mθ) ,
√ √
m 6= 0 et j pair : Zj = n + 1 Rnm (r) 2 sin(mθ) , (2.1)
√
m=0 : Zj = n + 1 Rn0 (r) ,
45
avec :
(n−m)/2
X (−1)s (n − s)!
Rnm (r) = r n−2s . (2.2)
s=0
s! [(n + m)/2 − s]! [(n − m)/2 − s]!
Chaque polynôme de Zernike est le produit d’une fonction angulaire par un polynôme radial
Rnm (r). On le repère soit par son numéro d’ordre j, soit par les indices {m, n}, où m et n sont
des entiers satisfaisant les conditions m 6 n et n − |m| pair, et sont respectivement appelés
fréquence azimutale et ordre radial. m et n sont reliés au numéro d’ordre j par les relations :
p
∀n : n=⌊ 8j − 7 − 1 /2⌋ ,
n impair : m = 1 + 2 ⌊(j − 1 − ⌊n(n + 1)/2⌋) /2⌋ , (2.3)
n pair : m = 2 ⌊(j − ⌊n(n + 1)/2⌋) /2⌋ .
La numérotation des polynômes par l’indice j s’effectue ligne après ligne. Pour une valeur don-
née de l’ordre radial n, les modes de fréquences azimutales m les plus faibles sont placés en
premier. Quand deux polynômes ont les mêmes indices {m, n}, on affecte un j pair au mode
symétrique en cos(mθ), et un j impair au mode antisymétrique en sin(mθ).
Sur la figure 2.1 sont représentés les premiers polynômes de Zernike (de Z1 à Z21 ). Les images
de certains polynômes de bas ordres radiaux n, correspondent à des aberrations optiques clas-
siques (Fig. 2.2). De plus, on peut observer que le classement par ordre radial n correspond
approximativement à un classement par fréquence spatiale : les ordres élevés évoluent rapide-
ment [Conan, 1994].
La base des polynômes de Zernike est orthonormée. En effet, soit P0 (r) la fonction d’ouverture
d’une pupille de rayon R : 
 1 si r 6 1
πR2 R
P0 (r) = , (2.4)
 0 sinon
où r = krk. On a alors : Z
P0 (r) Zj (r) Zj ′ (r) dr = δjj ′ , (2.5)
où δjj ′ est le symbole de Kronecker défini par :


 1 si i = j
δij = . (2.6)
 0 sinon
46
Z1 piston 0
Z2
tip−tilt 1
Z3
défocalisation
Z5
Z4 astigmatisme 2
Z6 n
Z7 Z9
coma 3
Z8 Z10
aberration
sphérique Z12 Z14
4
Z11
Z13 Z15
Z16 Z18 Z20

5
Z17 Z19 Z21
0 1 2 3 4 5
m
Figure 2.1 – Allure des 21 premiers polynômes de Zernike simulés sur une pupille circulaire de 32 pixels
de diamètre, sans obturation centrale.
Transformée de Fourier des polynômes de Zernike

Chaque polynôme de Zernike admet une transformée de Fourier définie par :
Z
FZj (f ) = P0 (r) Zj (r) e2if r dr . (2.7)
Cette équation peut encore s’écrire :

√ n−m √
m 6= 0 et j impair : FZj (f ) = n + 1 Jn+1πf(2πf ) (−1) 2 im 2 cos(mθ) ,
√ n−m √
m 6= 0 et j pair : FZj (f ) = n + 1 Jn+1πf(2πf ) (−1) 2 im 2 sin(mθ) , (2.8)
√ n
m=0 : FZj (f ) = n + 1 Jn+1πf(2πf ) (−1) 2 ,
47
(a) (b) (c)
(d) (e) (f)

Figure 2.2 – Représentation 3D des polynômes de Zernike correspondant à des aberrations optiques
classiques. (a) Z1 : mode piston. (b) Z2 et Z3 : tip-tilt (ou inclinaison). (c) Z4 : défocalisation. (d) Z5 et
Z6 : astigmatisme. (e) Z7 et Z8 : coma. (f) Z11 : aberration sphérique.
où F représente la transformée de Fourier, r = (r, θ) représente un point du domaine spatial,

f = (f1 , f2 ) représente le point correspondant dans le domaine fréquentiel, f = kf k et Jn (x)
est la fonction de Bessel de première espèce d’ordre n :
+∞
x n X (−1)s
Jn (x) = x2s . (2.9)
2 s=0
22s s! (n + s)!
Décomposition de la phase turbulente

La phase d’un front d’onde turbulent sur la pupille d’un système d’observation de rayon R, peut
donc s’écrire sous la forme suivante :
X r
ϕ(r, θ) = aj Zj ,θ . (2.10)
j
R
Les coefficients aj de la décomposition sont les projections de la phase ϕ sur les fonctions de
base : Z r
aj = P0 (r) ϕ(r) Zj dr , (2.11)
R
P0 (r) étant la fonction d’ouverture de la pupille de rayon R.
48
Statistiques des coefficients aléatoires

En règle générale, on exclut les perturbations dues au mode piston qui correspond à la phase
moyenne. En effet, pour un système mono-pupille, il n’y a aucun moyen de le connaître. Dans la
pratique, les phases turbulentes ne sont donc décrites qu’à partir des polynômes d’indice j > 2.
Sans le mode piston, la phase moyenne est nulle (< ϕ(r) >turb = 0), et on a :
Z +∞
X
σϕ2 = (P0 (r) ϕ(r)) dr 2
= < a2j >turb . (2.12)
turb j=2
En supposant que la turbulence suit une loi de type Kolmogorov, Noll a calculé les covariances
des coefficients de Zernike aj de la phase turbulente [Noll, 1976] :
p nj +n ′ −2mj
j
35
D
< aj aj ′ > = 3.895 (nj + 1)(nj ′ + 1) (−1) δmj 2
mj ′ r0
R +∞ − 14
× 0 f 3 Jnj+1 (f ) Jnj′ +1 (f ) df (2.13)
p nj +n ′ −2mj
j
35
D
= 3.895 (nj + 1)(nj ′ + 1) (−1) 2 δmj mj ′ r0
!
nj +n ′ − 14
3 +3
− 14 j
2 3 Γ( 14
3 )Γ 2
× −nj +n ′ + 14
!
nj −n ′ + 14
!
nj +n ′ + 14
! ,
j 3 +1 j 3 +1 j 3 +3
Γ 2
×Γ 2
×Γ 2
la fonction Γ (gamma) étant définie par :

Z +∞
∀z ∈ C tel que Re(z) > 0, Γ(z) = tz−1 e−t dt . (2.14)
0
On peut en déduire une expression de la variance de la phase turbulente en fonction du rapport

D/r0 , où D est le diamètre de la pupille et r0 est le paramètre de Fried défini au chapitre 1 :
+∞ 53
X D
σϕ2 = < a2j >turb ≈ 1.03 . (2.15)
j=2
r0
Remarque : Le modèle de turbulence de Kolmogorov ne tient pas compte de la grande échelle

L0 (cf. chapitre 1). Or celle-ci peut avoir une influence non négligeable sur les premiers modes
de Zernike (en optique adaptative, par exemple). Ainsi, pour le tip-tilt (n = 1), il peut être
nécessaire d’introduire des coefficients de correction à la relation 2.15. Des corrections du même
type peuvent être appliquées pour les autres modes, dont on pourra trouver le calcul exact dans
[Conan, 2000].
13 2 73 !
2 2 2πD 2πD 2πD
σn=1 ≈ σn=1 Noll 1 − 0.77 + 0.09 − 0.054 + ... . (2.16)
L0 L0 L0
49
Génération des coefficients aléatoires

La matrice de covariance des coefficients aj est représentée sur la figure 2.3. La diagonale de
cette matrice donne la variance des modes de la phase. Les premiers modes sont les plus énergé-
tiques, et la variance des coefficients de Zernike décroît en fonction de l’ordre radial en suivant
une loi en (nj + 1)−11/3 .
La matrice de covariance des coefficients de Zernike aj n’est pas diagonale : certains modes sont
statistiquement corrélés. On ne peut donc pas obtenir des variables aléatoires indépendantes en
générant simplement ces coefficients. La solution proposée par N. Roddier est de passer dans
la base de Karhunen-Loève, qui est une base de modes statistiquement indépendants [Roddier,
1990]. Pour cela, il faut diagonaliser la matrice de covariance C, c’est-à-dire qu’on va chercher
une matrice unitaire U (U−1 = UT ) telle que U · C · UT est diagonale.
Figure 2.3 – Matrice des covariances des coefficients de Zernike d’une phase turbulente pour D/r0 = 1
respectant la statistique de Kolmogorov. Les couleurs foncées indiquent une forte corrélation, et inverse-
ment. Au fur et à mesure qu’on s’éloigne de la diagonale, les coefficients sont de plus en plus faibles et
forment des paquets (ou clusters) de même ordre de grandeur. Source : M. Nicolle.
La matrice U peut être obtenue en calculant la décomposition en valeurs singulières (SVD pour
singular value decomposition) de la matrice de covariance C. On obtient alors une matrice
unitaire X et une matrice diagonale S telles que C = X · S · XT . On a donc :
XT · C · X = XT · X · S · XT · X = S . (2.17)
50
La matrice désirée U est donc égale à XT . Une fois que les matrices S et X sont connues, on
peut alors générer des coefficients aléatoires dans la base de Karhunen-Loève. Ils suivent une loi
Gaussienne de moyenne nulle et de variance σϕ2 (Éq. 2.15). Les coefficients de Zernike sont ob-
tenus par retour dans la base de départ. Il faut ensuite les multiplier par (D/r0 )5/6 pour obtenir
une évaluation correcte de la phase du front d’onde turbulent selon l’intensité de la turbulence.
Remarque 1 : Les modes qui ont le même degré radial n ont des valeurs propres identiques.
Cependant, cette corrélation n’existe qu’à l’intérieur de clusters qui sont décorrélés les uns des
autres (Fig. 2.3). La solution la plus simple est donc de réordonner les termes de Zernike à
l’intérieur de la matrice de covariance C afin de la rendre diagonale par blocs. Pour obtenir les
matrices S et X correctes, il suffit alors d’appliquer la SVD sur un cluster à la fois.
Remarque 2 : Dans la simulation, on ne fait intervenir qu’un nombre fini J de polynômes de

Zernike. Pour J > 10, une approximation de l’erreur résiduelle aux moindres carrés est donnée
par [Noll, 1976] :
√
5/3
− 3/2 D
∆J ≈ 0.2944 J . (2.18)
r0
Quand J augmente, l’erreur diminue. Pour un J fixé, l’erreur augmente proportionnellement à
D/r0 : la fonction de structure simulée s’écarte de la fonction de structure théorique et la turbu-
lence simulée s’éloigne du modèle de Kolmogorov.
Remarque 3 : Lorsqu’on travaille sur un volume de turbulence, le domaine d’intérêt pour la

description de la phase turbulente est la projection de la pupille d’entrée du système d’obser-
vation à l’altitude et dans la direction voulues. En pratique, on va donc définir un front d’onde
sur une pupille discrétisée sur une grille de taille NP0 × NP0 pixels. On doublera sa dimension
en ajoutant des zéros avant de calculer sa transformée de Fourier. On travaillera ainsi avec des
réponses impulsionnelles de taille 2NP0 × 2NP0 pixels.
2.2.2 Simulation d’image courte pose

Cette partie est consacrée à l’étude de la simulation des effets de la turbulence atmosphérique
sur une image “unique” obtenue avec un temps de pose court. Les trois cas de turbulence sont
détaillés.
51
2.2.2.1 Isoplanétisme total
Ce cas de turbulence est très rarement observable (en général, la turbulence doit être localisée
près du système d’observation), mais il est le plus simple à simuler. En effet, vu que la pertur-
bation est la même dans tout le champ d’observation, tous les pixels de l’image obtenue seront
dégradés par la même réponse impulsionnelle (ou PSF). Celle-ci va donc pouvoir être calculée
indépendamment des pixels de l’image de départ (Alg. 2.1).
Algorithme 2.1 : Algorithme de simulation des effets de l’isoplanétisme total sur une image
courte pose.
Données : Image de départ Obj, Intensité de la turbulence D/r0 , Dimensions de la pupille
NP0 × NP0
// 1 - Calcul de l’unique front d’onde turbulent
– génération des coefficients aj
– calcul des polynômes de Zernike Zj P
– recomposition de la phase du front d’onde turbulent ϕ = aj Zj
– calcul du front d’onde turbulent : ψ = eiϕ
// 2 - Calcul de la PSF de dégradation atmosphérique
– PSF = |TF−1 (ψ ∧ P0 )|2 où TF−1 représente la transformée de Fourier inverse, P0 est la
fonction d’ouverture de la pupille et ∧ est le ET logique (ou une multiplication point à point)
// 3 - Construction de l’image perturbée Imturb
– Imturb = image nulle de même taille que Obj
– pour chaque ligne sx de Obj faire
pour chaque colonne sy de Obj faire
si Obj(sx,sy) est non nul alors
– recalage de la PSF sur le pixel courant
– Imturb = Imturb + Obj(sx, sy) × PSFrecalée
finsi
finprch
finprch
// 4 - Renormalisation de l’image résultat Imturb
– chaque pixel de l’image résultat Imturb est divisé par le nombre de fois où il a été traité
– enfin, l’image résultat Imturb est renormalisée sur 8 bits (entre 0 et 255)
Résultat : Image Imturb dégradée par de l’isoplanétisme total à une intensité D/r0 , pour une
pupille de dimension NP0 × NP0 .
Quelques exemples de phases turbulentes simulées sont montrées en 2D et en 3D, pour diffé-
rentes intensités de turbulence D/r0 , sur la figure 2.4.
52
Représentation 2D Représentation 3D
0.4
0.6
0.3
0.4
0.2
0.2
0.1 0
−0.2
0
−0.4
80
−0.1
60 80
40 60
−0.2 40
20 20
0 0
(a) D/r0 = 0.1

1.5
1 2
1
0.5
0
0
−1
−0.5
−2
80
−1 60 80
40 60
40
20 20
0 0
(b) D/r0 = 0.5
1
1.5
1
0.5
0.5
0
0
−0.5
−1
−0.5
−1.5
80
60 80
−1 60
40
40
20 20
0 0
(c) D/r0 = 1
2
1 2
0
0
−1
−2
−1
−3
−4
−2 80
60 80
40 60
40
−3 20 20
0 0
(d) D/r0 = 3
Figure 2.4 – Exemples de phases turbulentes simulées pour différents rapports D/r0 . Le tip-tilt est
fortement présent. Plus le rapport D/r0 augmente, plus les déformations de la phase sont importantes.
Limitations pratiques de la phase obtenue avec la loi de Kolmogorov

Nous avons vu dans le chapitre 1 que la fonction de structure de la phase ϕ est définie par :
< ∆ρϕ > = < ϕ(r) − ϕ(r + ρ)|2 > , (2.19)

53
et dans le cas d’une turbulence de type Kolmogorov, elle s’écrit :
< ∆ρϕ > = 6.88 (ρ/r0 )5/3 , (2.20)
où ρ = kρk. Grâce à ces deux équations, on peut comparer les phases simulées avec la théorie.
La figure 2.5 montre l’allure de la fonction de structure de phase théorique et celle d’une phase
simulée. Quand on compare ces fonctions de structure à l’échelle linéaire (Fig. 2.6(a)), on voit
que la fonction de structure de la phase simulée est assez proche de la théorie jusqu’à ρ ≈ 0.2 D.
Au-delà, la quantité de données devient assez faible et donne une valeur imprécise de la fonction
de structure (on rappelle que les polynômes de Zernike sont définis à l’intérieur d’un cercle de
rayon unité). De plus, la comparaison à l’échelle logarithmique (Fig. 2.6(b)) montre une petite
divergence pour de faibles valeurs de ρ, due au fait que le nombre de polynômes utilisés pour
le calcul de la phase est limité à J = 136. Notons que ces résultats sont similaires à ceux de
N. Roddier [Roddier, 1990].
(a) (b)
Figure 2.5 – Allure des fonctions de structure de phase. (a) Théorie. (b) Simulation.
7 3
6 théorie
Fonctions de structure de phase
5 théorie
2
1
2 simulations
1
simulations
0 0
0.0 0.2 0.4 0.6 0.8 0.0 0.2 0.4 0.6 0.8
2ρ/D 2ρ/D
(a) (b)
Figure 2.6 – Comparaison des fonctions de structure de phase (coupe verticale selon une direction dans
le plan tangent au minimum des deux courbes). (a) Échelle linéaire. (b) Échelle logarithmique.
54
Images nettes
256 × 256
Images dégradées
avec D/r0 = 0.1
Images dégradées
avec D/r0 = 0.5
Images dégradées
avec D/r0 = 1
Images dégradées
avec D/r0 = 3
Figure 2.7 – Résultats de simulation d’isoplanétisme total avec une pupille de 64 × 64 pixels. Certains
effets de bord sont dus aux décalages globaux induits par le tip-tilt.
55
Plusieurs résultats de simulation d’isoplanétisme total sont montrés sur la figure 2.7 où diffé-
rentes images et différents rapports D/r0 ont été utilisés. Plus D/r0 augmente, plus l’image
résultat est floue. De plus, le résultat souffre d’un léger décalage global dû aux modes Z2 et Z3
qui sont assimilés au tip-tilt.
Remarque : On rappelle que dans le cas de la propagation horizontale à travers l’atmosphère,

le paramètre de Fried r0 est défini par :
−6/5
2π
r0 = 3.02 L−3/5 (CN2 )−3/5 . (2.21)
λ
Donc pour un même diamètre de pupille D, plus la longueur d’onde est grande, plus le para-
mètre de Fried est grand, et plus le rapport D/r0 est petit. Ceci explique le fait qu’en utilisant la
même taille de pupille, les effets de la turbulence sont beaucoup moins importants dans l’infra-
rouge que dans le visible.
Pour une longueur d’onde de 550 nm dans le visible, on a (1/λ)−6/5 ≈ 3.08 × 10−8, alors
que pour une longueur d’onde de 4 µm dans l’infrarouge, on a (1/λ)−6/5 ≈ 3.33 × 10−7 . Le
paramètre de Fried varie donc d’environ un facteur 10 entre ces deux longueurs d’onde.
Afin de pouvoir comparer deux séquences simulées à ces deux longueurs d’onde, mais sur
lesquelles la turbulence a la même intensité réelle, il faut donc choisir un rapport D/r0 environ
10 fois plus grand dans le visible que dans l’infrarouge bande II (par exemple : D/r0 = 3 dans
le visible et D/r0 = 0.3 dans l’infrarouge).
2.2.2.2 Anisoplanétisme total
Ce cas de turbulence est très courant et il est généralement observable sur des images d’objets
étendus. Cette fois, la perturbation est différente dans tout le champ d’observation, chaque pixel
de l’image obtenue sera dégradé par une PSF différente. Celle-ci va donc être calculée pour
chaque pixel de l’image de départ. Contrairement à l’isoplanétisme total, il va falloir générer un
front d’onde turbulent différent pour chaque pixel (Alg. 2.2).
Plusieurs résultats de simulation d’anisoplanétisme total sont montrés sur la figure 2.8 où dif-
férentes images et différents rapports D/r0 ont été utilisés. Les résultats présentent un aspect
granuleux et des intensités locales (au niveau du pixel) surélevées ou affaiblies. Ceci est inhé-
rent à la nature de la turbulence : en effet, comme chaque rayon lumineux est dévié par un front
d’onde turbulent différent, cela conduit à des zones sur la pupille où plusieurs rayons déviés
viennent se projeter (sur-intensité), et d’autres zones où il y a comme un “trou” (sous-intensité).
56
Algorithme 2.2 : Algorithme de simulation des effets de l’anisoplanétisme total sur une image
courte pose.
NP0 × NP0
// 1 - Polynômes de Zernike
– calcul des polynômes de Zernike Zj
– pour chaque ligne sx de Obj faire
pour chaque colonne sy de Obj faire
si Obj(sx,sy) est non nul alors
– génération des coefficients aj P
– recomposition de la phase du front d’onde turbulent ϕ = aj Zj
– calcul du front d’onde turbulent : ψ = eiϕ
– calcul de la PSF de dégradation atmosphérique : PSF = |TF−1 (ψ ∧ P0 )|2
– Imturb = Imturb + Obj(sx, sy) × PSFrecalée
finsi
finprch
finprch
Résultat : Image Imturb dégradée par de l’anisoplanétisme total à une intensité D/r0 , pour une
pupille de dimension NP0 × NP0 .
57
Images nettes
256 × 256
Images dégradées
avec D/r0 = 0.1
Images dégradées
avec D/r0 = 0.5
Images dégradées
avec D/r0 = 1
Images dégradées
avec D/r0 = 3
Figure 2.8 – Résultats de simulation d’anisoplanétisme total avec une pupille de 64 × 64 pixels.
58
2.2.2.3 Isoplanétisme local
Ce cas de turbulence est facilement observable sur des images d’objets étendus quand la lon-
gueur du chemin de propagation n’est pas trop grande (cf. §2.2.3). Dans le cas de l’isoplanétisme
local, la perturbation est la même dans certaines zones du champ d’observation. Dans chacune
des zones correspondantes sur l’image obtenue, tous les pixels seront dégradés par la même PSF.
La première chose à faire est donc de déterminer les zones isoplanétiques. Dans la réalité, ces
zones sont plutôt circulaires ou elliptiques, de diamètres de même ordre de grandeur, et locali-
sées de façon irrégulière. Dans le cas de nos simulations, nous simplifierons le problème et nous
considèrerons des zones carrées de même taille, régulièrement espacées, et qui se chevauchent.
Nous allons allons donc faire un quadrillage arbitraire de l’image en considérant des zones de
recouvrements (Fig. 2.9). Notre algorithme de simulation de l’isoplanétisme local est présenté
ci-après (Alg. 2.3).
...
Figure 2.9 – Quadrillage utilisé pour la représentation des zones isoplanétiques.
Remarque 1 : Si la taille des zones isoplanétiques et le nombre de pixels de recouvrements

choisis font qu’il est impossible de découper l’image en un nombre entier de zones, alors dans
ce cas, on ajoute des valeurs à droite et en bas de l’image (soit des 0, soit les mêmes valeurs que
les colonnes ou lignes précédentes) jusqu’à obtenir des zones entières. Une fois que les calculs
sont faits, il suffit de tronquer l’image résultat.
Remarque 2 : Une autre méthode que celle présentée dans l’algorithme 2.3 est de considérer un
seul grand front d’onde perturbé ψ(r) et en sélectionner une partie différente pour le calcul de
chaque pixel en déplaçant la pupille P0 (r) par rapport à ce front d’onde. Il s’agit de la méthode
des écrans de phase utilisée par bon nombre d’auteurs [Beaumont, 1996; Tofsted, 2001; Mo-
radi et al., 2005; Hippler et al., 2006; Wang, 2006]. Cette méthode a l’avantage d’être valable à
la fois pour l’isoplanétisme local où les parties sélectionnées du front d’onde auront des zones
59
Algorithme 2.3 : Algorithme de simulation des effets de l’isoplanétisme local sur une image
courte pose.
NP0 × NP0 , Dimensions des zones isoplanétiques Niso × Niso , Nombre de pixels de
recouvrement prec
// 1 - Polynômes de Zernike
– calcul des polynômes de Zernike Zj
– pour sx=1 :Niso − prec :nb_lignes(Obj) faire
pour sy=1 :Niso − prec :nb_colonnes(Obj) faire
génération des coefficients aj P
recomposition de la phase du front d’onde turbulent ϕ = aj Zj
calcul du front d’onde turbulent : ψ = eiϕ
calcul de la PSF de dégradation atmosphérique : PSF = |TF−1 (ψ ∧ P0 )|2
pour i=1 :Niso faire
pour j=1 :Niso faire
– Zoneturb = Obj(sx + i − 1, sy + j − 1) × PSFrecalée
finpour
finpour
Imturb (sx : sx + Niso − 1, sy : sy + Niso − 1) = Zoneturb
finpour
finpour
Résultat : Image Imturb dégradée par de l’isoplanétisme local à une intensité D/r0 , pour une
pupille de dimension NP0 × NP0 , pour des zones isoplanétiques de taille Niso × Niso ,
et pour des recouvrements de prec pixels.
60
Images nettes
256 × 256
Images dégradées
avec D/r0 = 0.1
Images dégradées
avec D/r0 = 0.5
Images dégradées
avec D/r0 = 1
Images dégradées
avec D/r0 = 3
Figure 2.10 – Résultats de simulation d’isoplanétisme local avec une pupille de 64 × 64 pixels, des zones
isoplanétiques de 13 × 13 pixels et un recouvrement de 3 pixels.
61
communes, et pour l’anisoplanétisme total où les parties sélectionnées seront complètement dif-
férentes. Elle a cependant l’inconvénient de nécessiter beaucoup de ressources pour le calcul de
l’unique front d’onde.
Plusieurs résultats de simulation d’isoplanétisme local sont montrés sur la figure 2.10 où diffé-
rentes images et différents rapports D/r0 ont été utilisés. Les simulations ont été réalisées avec
des zones isoplanétiques de 13 × 13 pixels et un recouvrement de 3 pixels (choix arbitraire).
Plus D/r0 augmente, plus l’image résultat est floue. De plus, chaque zone de l’image résultat
peut souffrir d’un léger décalage dû aux modes Z2 et Z3 assimilés au tip-tilt, ce qui a tendance à
déformer les contours : un effet d’ondulation est alors observable. Certains effets de quadrillage
peuvent être visibles sur les déformations à cause du procédé de simulation. Cependant, la qua-
lité des images obtenues est largement suffisante pour notre étude, même si ces effets devraient
disparaître en utilisant des zones circulaires ou elliptiques, et/ou en utilisant un écran de phase.
2.2.3 Influence de la distance turbulence - système d’acquisition

La réponse impulsionnelle atmosphérique hatm est donnée par le module carré de la transformée
de Fourier de la partie du front d’onde reçue par le système d’observation. Quand la dégradation
atmosphérique n’est pas identique en tout point de l’image (en anisoplanétisme total ou en
isoplanétisme local), hatm qui dépend de la direction d’observation peut s’écrire sous la forme
suivante [Beaumont, 1996] :
Z 2
′
2 ′ if kr·β

hatm (β, β ) = A P0 (r − lβ ) ψ(r) e dr , (2.22)
où :
– β et β ′ désignent des distances angulaires dans l’espace objet formant un angle de visée,
– r représente un point de la pupille,
– A est une constante de normalisation permettant de traduire la conservation de l’énergie lu-
RR
mineuse (i.e. telle que hatm (β, β ′) dβ dβ ′ = 1),
– P0 (r) est la fonction d’ouverture de la pupille,
– ψ(r) est le front d’onde turbulent,
– k est le nombre d’onde,
– et l est un paramètre homogène à une longueur, permettant de contrôler le degré de corréla-
tion de la réponse impulsionnelle entre deux points adjacents.
L’image i est alors reliée à l’objet o par la relation suivante sur le champ d’observation Θ :
Z
i(α) = hatm (α − β, β) o(β) dβ . (2.23)
Θ
62
En posant r ′ = r − lβ ′ , on peut réécrire l’équation 2.22 :

Z 2
′ 2
′ ′ ′ ikr′ ·β ′

hatm (β, β ) = A P0 (r ) ψ(r + lβ ) e dr . (2.24)
Grâce à cette équation, on voit que pour chaque direction β ′, on peut considérer le même front
d’onde ψ translaté de la quantité lβ ′ . Si on suppose que la moyenne du front d’onde turbulent
sur la longueur du chemin de propagation peut se représenter sous la forme d’une seule couche
turbulente, alors on se retrouve dans le cas de la fine couche turbulente unique étudiée dans le
chapitre 1, où l est la distance qui sépare cette couche du système d’observation.
couche turbulente système

sources équivalente optique
s1
θ
1. D
s2 lθ
l
s1
2.
s2
l
s1 l=0
3.
s2
D/θ
Figure 2.11 – Les différents cas de turbulence suivant le paramètre l. Source : C. Bondeau.
Pour étudier le rôle du paramètre l, on va considérer deux sources ponctuelles s1 et s2 éloignées

du système d’observation et séparées d’un angle θ fixe. Trois cas peuvent alors se présenter
(Fig. 2.11) :
1. Si l est grand (l > D/θ), alors les parties du front d’onde turbulent ψ contribuant au
calcul des images des sources ponctuelles sont distinctes. Les réponses impulsionnelles
associées à s1 et s2 sont complètement décorrélées, ce qui correspond au cas de l’aniso-
planétisme total.
63
2. Si 0 < l < D/θ, alors les zones du front d’onde turbulent qui interviennent dans le
calcul des images des sources ponctuelles ont une partie commune. Cela se traduit par une
certaine corrélation entre ces deux images, qui dépend de la taille de la partie commune
du front d’onde, donc de l. On se trouve alors dans le cas de l’isoplanétisme local.
3. Si l = 0, alors la même partie du front d’onde turbulent est utilisée pour le calcul des
images des sources ponctuelles, ce qui correspond au cas de l’isoplanétisme total.
Soit θ0 l’angle d’isoplanétisme pour certaines conditions atmosphériques d’observation don-

nées. θ0 définit l’angle limite entre l’isoplanétisme local et l’anisoplanétisme total. En simula-
tion, cette limite sera donc donnée pour une distance l = D/θ0 .
2.2.4 Influence de la taille de la pupille

Rappel : Le calcul d’un front d’onde turbulent se fait au niveau de la pupille (cf. §2.2.1).
La taille de la pupille utilisée a donc un rôle déterminant sur l’image résultat. En effet, en
optique, l’utilisation d’une petite pupille implique que les effets de diffraction seront prépondé-
rants et que les effets atmosphériques seront négligeables. À l’inverse, l’utilisation d’une pupille
de grande taille implique que les effets atmosphériques seront prédominants et que les effets de
diffraction seront négligeables.
La diffraction est un phénomène optique qui s’observe quand des rayons lumineux passent à
travers un trou de très petite dimension. Par exemple, pour un trou circulaire et une source
ponctuelle monochromatique, l’image obtenue est une tache d’Airy (Figs. 2.12(a) et 2.12(b)).
Une coupe de cette tache montre l’emplacement exact des anneaux multiples, difficilement vi-
sible à l’oeil nu (Fig. 2.12(c)).
Remarque : Sur la figure 2.12, l’amplitude des anneaux secondaires a été amplifiée pour une
meilleure visualisation. Normalement, 84% de l’intensité lumineuse est comprise dans le disque
central.
Le rayon du premier anneau noir est donné par :
R = 1.22 N λ , (2.25)
où N est le nombre d’ouverture, défini par le rapport de la distance focale F sur le diamètre de
la pupille D (Fig. 2.13).
64
(a) (b) (c)

Figure 2.12 – (a) Représentation de la tache d’Airy en 2D. (b) Représentation de la tache d’Airy en 3D.
(c) Schéma de la réponse impulsionnelle d’un système parfait limité par la diffraction. R est le rayon du
premier anneau noir.
détecteur pupille
D
F
Figure 2.13 – Schéma optique de la pupille et du détecteur. D est le diamètre de la pupille et F est la
distance focale.
Quel que soit le cas de turbulence considéré (isoplanétisme total, isoplanétisme local ou aniso-
planétisme total), les résultats de simulation obtenus avec une petite pupille sont toujours limités
par la diffraction : toutes les images résultats sont floues (Fig. 2.14).
(a) (b) (c)

Figure 2.14 – Exemples d’images simulées obtenues avec une pupille de 8 × 8 pixels, pour une intenité
de turbulence D/r0 = 1. (a) Isoplanétisme total. (b) Isoplanétisme local. (c) Anisoplanétisme total.
65
Quand le front d’onde est plan, on obtient quand même une image légèrement floue (Fig. 2.15),
car dans ce cas, le front d’onde limité par le support de la pupille est une fonction porte, donc
la PSF atmosphérique qui est la transformée de Fourier inverse de ce front d’onde est un sinus
cardinal. Notre algorithme de simulation tient donc bien compte de la diffraction dans tous
les cas de figure. De plus, nos résultats suivent bien la théorie : l’importance du flou dû à la
diffraction est inversement proportionnelle à la taille de la pupille utilisée.
(a) (b) (c)

Figure 2.15 – Exemples d’images simulées obtenues avec un front d’onde plan, sur une pupille de 64×64
pixels. (a) Isoplanétisme total. (b) Isoplanétisme local. (c) Anisoplanétisme total.
Discussion sur le choix de la taille de la pupille

Dans nos simulations, pour chaque cas de turbulence, nous avons utilisé une pupille de 64 × 64
pixels alors que les images résultats sur le détecteur sont de taille 256 × 256 pixels. Nous avons
choisi une taille de pupille assez grande de façon à ce que les effets de diffraction soient négli-
geables pour un front d’onde non constant, et assez petite pour éliminer les pertes en temps de
calcul. En effet, nous verrons plus loin que les processus de simulation qui ont été décrits sont
très gourmands en temps, et qu’une pupille plus petite permet de gagner en temps de calcul sans
altérer la qualité des simulations (cf. §2.2.7).
De plus, nous nous sommes limités à 135 polynômes de Zernike pour le calcul de la phase du
front d’onde turbulent (de Z2 à Z136 ). Le dernier polynôme Z136 correspond à l’ordre radial
√
n = 15 et à la fréquence azimutale m = 15. Ce polynôme est donc égal à 4 2r 15 cos(15θ).
Il a au maximum 14 minima et 14 maxima. Donc pour respecter le critère de Shannon, il faut
utiliser une pupille de diamètre au moins égal à 2 × (14 + 14) = 56 pixels. En pratique, on a
utilisé une pupille circulaire de 64 pixels de diamètre, inscrite dans un carré de 64 pixels de côté.
Conclusion sur les simulations d’images uniques

Nous avons donné les algorithmes utilisés pour la dégradation d’images “instantanées” par la
turbulence atmosphérique et nous nous sommes assurés que les résultats sont suffisamment
conformes à la théorie pour notre étude. Visuellement, les résultats semblent aussi conformes à
66
la réalité. Le cas de turbulence le plus couramment observable en propagation horizontale est

l’isoplanétisme local où l’image résultat est floue et subit des déformations. Nous allons main-
tenant nous intéresser à l’évolution temporelle de la turbulence atmosphérique et à la génération
de séquences dégradées.
2.2.5 Simulations de séquences d’images dégradées : prise en compte de

l’évolution temporelle de la turbulence
Dans cette partie, nous avons repris certains travaux de C. Bondeau-Zimmer [Bondeau, 1999]
basés sur une étude du spectre temporel d’un front d’onde à travers la turbulence, conduite à
l’ONERA [Conan et al., 1995].
Pour simuler une séquence d’images dégradées par la perturbation atmosphérique, nous allons
générer une séquence de fronts d’onde turbulents. Une fois encore, nous négligeons les fluc-
tuations d’amplitude. La phase est toujours décomposée sur la base des polynômes de Zernike,
mais cette fois, les coefficients de Zernike vont dépendre du temps :
J
X
ϕ(r, t) = aj (t)Zj (r) . (2.26)
j=2
Pour chaque indice j, on veut obtenir une séquence de S coefficients corrélés temporellement
(Fig. 2.16). Les J − 1 séquences de S coefficients permettront de former une suite de N ′ phases
turbulentes.
temps
−→
j =2: a2 (t) a2 (t + ∆t) a2 (t + 2∆t) ··· a2 (t + (N ′ − 1)∆t)
j =3: a3 (t) a3 (t + ∆t) a3 (t + 2∆t) ··· a3 (t + (N ′ − 1)∆t)
.. .. .. .. ..
. . . . .
j=J: aJ (t) aJ (t + ∆t) aJ (t + 2∆t) ··· aJ (t + (N ′ − 1)∆t)
Figure 2.16 – Schéma d’évolution temporelle des coefficients de la décomposition. Source : C. Bondeau.
∆t est l’intervalle de temps entre deux acquisitions d’images et N ′ est le nombre d’images de la
séquence. Chaque ligne j de la matrice de la figure 2.16 doit suivre la statistique de l’évolution
temporelle théorique du coefficient aj (t), et chaque colonne de J − 1 coefficients doit permettre
de définir une phase turbulente qui obéit à la loi de Kolmogorov.
Dans [Conan et al., 1995], il est montré qu’on peut passer du spectre spatial des coefficients
aj à leur spectre temporel, par un calcul d’intégrale pour chaque fréquence temporelle ν. Ce
67
calcul fait intervenir le module et la direction du vent dans la turbulence traversée. On notera
f = (fx , fy ) la fréquence spatiale et f sa norme. Soit V la vitesse du vent orientée selon l’axe
des x. La densité spectrale de puissance temporelle du coefficient aj à l’ordre j s’écrit :
Z +∞ ν 2 ν
1
ωj (ν) = F
Zj , fy Wϕ dfy . (2.27)
V −∞ V V
Wϕ représente le spectre de puissance spatial de phase. Pour une turbulence de type Kolmogo-
rov, il est donné par :
−5/3
Wϕ (f ) = 0.023 r0 f −11/3 , (2.28)
d’où :
0.023 r0
−5/3 Z +∞ ν 2 ν 2 −11/6
2
ωj (ν) = FZj , fy + fy dfy . (2.29)
V −∞ V V
FZj (f ) est la transformée de Fourier du polynôme de Zernike d’indice j, défini par l’équa-
tion 2.8. Son module s’écrit :
√


 2 | cos(mθ)| si j pair et m 6= 0
√ 2|J n+1 (πDf )| √
FZ (f ) = n + 1 2 | sin(mθ)| si j impair et m 6= 0 . (2.30)
j
πDf 


1 si m = 0
Pendant la simulation d’une séquence d’images courte pose, les fluctuations temporelles de la
turbulence doivent être prises en compte, même si leur durée de vie n’est que de quelques mil-
lisecondes. Si le temps de pose est inférieur à ce temps d’évolution, les images acquises seront
corrélées temporellement.
Avec la méthode de N. Roddier, on peut générer N phases ϕn , où n = 1, 2, ..., N, chaque phase

étant représentée par ses J − 1 coefficients de la décomposition placés dans un vecteur :
 
a2,n
 
a3,n 
 .  . (2.31)
 . 
 . 
aJ,n
Les phases ainsi obtenues sont temporellement indépendantes les unes des autres. La succession
des fronts d’onde ne suit aucune loi d’évolution temporelle. Le but de la simulation va être de
les rendre corrélés temporellement.
68
On place les N vecteurs colonnes les uns à côté des autres aléatoirement dans une matrice A de
dimension (J − 1) × N :
 
a2,1 a2,2 · · · a2,n · · · a2,N
 
a3,1 a3,2 · · · a3,n · · · a3,N 
 
 .. .. .. .. 
 . . . . 
A=
a
 ,
 (2.32)
 j,1 aj,2 · · · aj,n · · · aj,N 
 . .. .. .. 
 .. . . . 
 
aJ,1 aJ,2 · · · aJ,n · · · aJ,N
où aj,n est le coefficient d’ordre j de la phase ϕn . Chaque vecteur ligne de A est constitué de
N coefficients de Zernike d’un certain ordre j et forme un bruit blanc dont on peut assimiler la
statistique à une loi gaussienne (Fig. 2.17) :
< aj,p aj,q > = < a2j > δ(p, q) , (2.33)
où p et q sont des entiers compris entre 1 et N et < . > est l’opérateur de moyenne statistique.
−2
0 100 200 300 400 500
(a) Coefficients a2,n correspondant au mode Z2 .
2
0
−2
0 100 200 300 400 500
(b) Coefficients a3,n correspondant au mode Z3 .
0.5
−0.5
0 100 200 300 400 500
(c) Coefficients a4,n correspondant au mode Z4 .
Figure 2.17 – Exemples de séquences de 500 coefficients de Zernike décorrélés temporellement, simulés
par la méthode de N. Roddier, assimilables à des bruits blancs gaussiens.
69
Les données de la matrice A sont temporellement indépendantes et vont constituer la base du

processus de construction d’une séquence temporelle.
Construction d’une séquence de phases corrélées temporellement

On veut construire un ensemble de coefficients de Zernike dont la densité spectrale de puissance
obéit à l’équation 2.29, à chaque ordre j. Le principe est de « filtrer » J − 1 signaux numériques
à bruit blanc gaussien xj (t). Ces signaux sont en fait les coefficients aj temporellement indé-
pendants, générés par la méthode de N. Roddier. Pour chaque j, le spectre fréquentiel Fxj (ν)
des signaux xj (t) est filtré, de façon à obtenir des signaux aléatoires Fyj (ν) ayant la densité
spectrale de puissance ωj (ν) désirée. Les spectres Fyj (ν) sont donnés par la relation :
q
Fyj (ν) = Fxj (ν) · ωj (ν) , (2.34)
où F représente la transformée de Fourier et ωj (ν) est à densité normalisée.
Soit Y la matrice de taille (J − 1) × N ′ contenant les signaux yj (t) obtenus par la transformée
de Fourier inverse des signaux Fyj (ν) :
 
y2 (t0 ) y2 (t0 + ∆t) y2 (t0 + 2∆t) · · · y2 (t0 + (N ′ − 1)∆t)
 
 y3 (t0 ) y3 (t0 + ∆t) y3 (t0 + 2∆t) · · · y3 (t0 + (N ′ − 1)∆t) 
Y =
 .. .. .. ..  .
 (2.35)
 . . . . 
yJ (t0 ) yJ (t0 + ∆t) yJ (t0 + 2∆t) · · · yJ (t0 + (N ′ − 1)∆t)
Chaque ligne de Y est une évolution temporelle possible du coefficient de Zernike correspon-
dant. La figure 2.18 montre une évolution calculée pour les coefficients correspondant aux
modes Z2 , Z3 et Z4 à partir des coefficients non corrélés de la figure 2.17. On y remarque
une évolution beaucoup plus lente et plus lisse, les coefficients temporels présentent une nette
corrélation. On peut cependant noter que plus on avance dans les ordres j, plus la corrélation
temporelle s’affaiblit. Ceci est dû au fait que le temps de corrélation décroît avec l’élévation
de l’ordre radial des polynômes [Conan et al., 1995]. Mais cela a peu de conséquences sur les
résultats car ce sont les premiers modes les plus importants.
Chaque colonne de Y permet de construire une phase de l’évolution temporelle, donc un front
d’onde à un instant donné. On peut ainsi créer une séquence perturbée par un des trois cas de
turbulence atmosphérique. La figure 2.19 montre un extrait de séquence simulée dans le vi-
sible, perturbée par de l’anisoplanétisme total, pour un rapport D/r0 = 3, avec une fréquence
d’acquisition de 200 images par secondes (temps de pose de 5 ms) et un vent de vitesse 6 m.s−1 .
70
−2
0 100 200 300 400 500
(a) Coefficients y2,n correspondant au mode Z2 .
2
0
−2
0 100 200 300 400 500
(b) Coefficients y3,n correspondant au mode Z3 .
0.5
−0.5
0 100 200 300 400 500
(c) Coefficients y4,n correspondant au mode Z4 .
Figure 2.18 – Exemples de séquences de 500 coefficients corrélés temporellement, obtenus à partir des
coefficients de la figure 2.17.
Vérification que les coefficients simulés suivent le modèle de Kolmogorov

Si les séquences de coefficients de la matrice Y sont conformes au modèle de turbulence de
Kolmogorov, alors elles doivent avoir la même matrice de covariance que les données initiales
de la matrice A.
Chaque vecteur colonne de A permet de calculer une phase indépendamment du temps. Tous
les vecteurs colonnes ont la même matrice de covariance CA donnée par :
A AT
CA = , (2.36)
N
où chaque élément de CA est défini par :
CA (i, j) = < ai aj > . (2.37)
La décomposition en valeurs singulières de CA donne une matrice diagonale S, matrice des

valeurs propres de CA , et une matrice unitaire X, matrice des vecteurs propres correspondants,
telles que :
CA = X S XT . (2.38)
71
−→
..
.
Figure 2.19 – Extrait d’une séquence simulée dans le visible en anisoplanétisme total pour D/r0 = 3
(images 256 × 256 et pupille 64 × 64).
Les vecteurs propres sont aussi appelés axes principaux des données. Les premiers d’entre eux
indiquent les directions de variance les plus élevées. Soit Z la matrice de projection de Y sur
ces axes :
Z = XT Y . (2.39)
La matrice de covariance de Z est donnée par :
Z ZT XT Y YT X
CZ = = = XT CY X , (2.40)
N′ N′
où CY est la matrice de covariance de Y.
Les séquences de coefficients de Y doivent avoir la même matrice de covariance que celles de
A. On doit donc avoir :
CY = CA , (2.41)
d’où :
CZ = XT CA X = S . (2.42)
72
CZ doit donc être diagonale, et les éléments de sa diagonale doivent être égaux aux valeurs
propres de CA . Pour vérifier que les séquences de coefficients simulés correspondent au modèle
de Kolmogorov, on va donc regarder si la norme suivante est proche de 0 :
d = kCZ − Sk . (2.43)
La moyenne de cette norme est d’environ 0.15 pour un ensemble de 1000 séquences de 200 co-
efficients. De plus, la figure 2.20 confirme la proximité des valeurs propres de CA et des valeurs
sur la diagonale de CZ . Sur cette figure, nous nous sommes limités aux premiers coefficients,
ceux les plus énergétiques. On peut donc considérer que nos séquences de coefficients corres-
pondent bien aux statistiques de la turbulence atmosphérique.
0.4
Valeurs propres de C
A
0.35 Valeurs de la diagonale de CZ
0.3
0.25
Valeurs
0.2
0.15
0.1
0.05
0
0 5 10 15 20 25 30
Indices
Figure 2.20 – Comparaison des premières valeurs propres de CA et des premières valeurs sur la diagonale
de CZ . Moyenne sur 1000 séquences de 200 coefficients.
Limitations pratiques du front d’onde simulé avec le modèle de Kolmogorov

Comme au §2.2.2.1, nous comparons la fonction de structure de phase théorique avec celle issue
de nos simulations (Figs. 2.21 et 2.22). On remarque les mêmes divergences que précedemment
sur les figures 2.22(a) et 2.22(b), pour les mêmes raisons.
Conclusion sur la simulation d’images en courte pose

Nous avons détaillé les processus de simulation des trois cas de turbulence sur des acquisitions
d’images avec un temps de pose court, ainsi que la prise en compte de l’évolution temporelle.
Nous avons regardé les limites de nos simulations obtenues avec la loi de Kolmogorov. Nous
allons maintenant nous intéresser à la simulation d’images dégradées en pose longue.
73
(a) (b)
Figure 2.21 – Allure des fonctions de structure de phase. (a) Théorie. (b) Simulation.
7 3
6 théorie

5
théorie 2
3 simulations
1
2
1
simulations
0 0
0.0 0.2 0.4 0.6 0.8 0.0 0.2 0.4 0.6 0.8
2ρ/D 2ρ/D
(a) (b)
Figure 2.22 – Comparaison des fonctions de structure de phase (coupe verticale selon une direction dans
le plan tangent au minimum des deux courbes). (a) Échelle linéaire. (b) Échelle logarithmique.
2.2.6 Simulations d’images longue pose

Pour geler les effets de la turbulence atmosphérique sur une image, le temps de pose doit être
inférieur ou égal au temps d’évolution de cette turbulence (quelques millisecondes). Au-delà
de cette valeur, l’image obtenue est une moyenne d’images courte pose, appelée image longue
pose.
Pour calculer une image longue pose :

– si une séquence d’images courte pose est déjà à notre disposition, alors dans ce cas, il suffit
de moyenner des paquets d’images qui se suivent,
– sinon il faut reprendre tout le processus de simulation en moyennant temporellement des
groupes de PSFs (globales en isoplanétisme total / locales en isoplanétisme local ou en ani-
soplanétisme).
74
Isoplanétisme total
D/r0 = 1
Isoplanétisme local
D/r0 = 0.5
Isoplanétisme local
D/r0 = 3
Anisoplanétisme total
D/r0 = 0.5
Anisoplanétisme total
D/r0 = 3
Figure 2.23 – Exemples d’images longue pose (moyennes de 100 images courte pose), obtenues à partir
de séquences simulées avec un temps de pose de 5 ms. Le temps de pose de l’image longue pose est
donc de 500 ms.
75
La figure 2.23 montre quelques exemples d’images longue pose obtenues à partir de séquences
d’images courte pose déjà simulées. Tous les résultats sont flous car les coefficients aléatoires
générés sont à moyenne nulle, donc plus le nombre d’images courte pose composant l’image
longue pose est élevé, plus la moyenne des coefficients tend vers 0. La suite des fronts d’onde
turbulents en courte pose est donc équivalente à un front d’onde presque plan en longue pose.
On perd alors l’aspect granuleux en anisoplanétisme, et les déformations de contours en isopla-
nétisme local.
Remarque : Les résultats obtenus en longue pose dépendent fortement du temps de pose consi-
déré. En effet, si celui-ci n’est pas assez long pour que les effets de la turbulence s’annulent par
moyennage, alors ces effets sont amoindris mais encore visibles sur les images résultats.
2.2.7 Temps de calculs

Toutes nos simulations ont été réalisées avec le logiciel MATLAB pour des raisons de portabi-
lité. La table 2.1 récapitule les temps de calcul observés avec un processeur de 1.66 GHz, pour
les différents processus de simulation évoqués.
L’utilisation d’une pupille de 64 × 64 pixels permet de gagner considérablement en temps de

calcul par rapport à une pupille de 128×128 pixels et le critère de Shannon est toujours respecté
(cf. §2.2.4).
2.3 Conclusion
Nous avons présenté nos algorithmes de simulation des effets de la turbulence atmosphérique
sur des acquisitions d’images courte pose, dans chacun des trois cas de turbulence : en isopla-
nétisme total, en isoplanétisme local et en anisoplanétisme total.
Nous avons ensuite pris en compte l’évolution temporelle de la turbulence, afin de simuler des
séquences d’images dégradées corrélées temporellement.
Enfin, nous nous sommes intéressés aux divergences de nos résultats par rapport au modèle de
Kolmogorov. Il s’avère que nos résultats sont suffisamment précis pour notre étude sur la res-
tauration d’images perturbées par la turbulence atmosphérique, que nous allons détailler dans le
chapitre suivant.
76
Calcul Taille de la pupille

64 × 64 128 × 128
135 polynômes de Zernike Zj 2s 7s
135 coefficients de Zernike aj 5s 5s
Image 256 × 256 dégradée par de l’isoplanétisme total 9s 15 s
Image 256 × 256 dégradée par de l’isoplanétisme local 2 min 30 10 min
(Fenêtres 13 × 13 et recouvrement de 3 pixels)
Image 256 × 256 dégradée par de l’anisoplanétisme total 14 min 1h
100 évolutions temporelles de 135 coefficients de Zernike yj,t 8 min 8 min
Séquence de 100 images 256 × 256 dégradées 15 min 25 min
par de l’isoplanétisme total
Séquence de 100 images 256 × 256 dégradées
par de l’isoplanétisme local 42 min
(Fenêtres 13 × 13 et recouvrement de 3 pixels)
Séquence de 100 images 256 × 256 dégradées 2 h 30 min
par de l’anisoplanétisme total
Image longue pose 256 × 256 dégradée
par de l’isoplanétisme total 14 min 25 min
(équivalente à 100 images courte pose)
par de l’isoplanétisme local 41 min
par de l’anisoplanétisme total 2 h 30 min
Table 2.1 – Temps de calcul moyens observés avec un processeur de 1.66 GHz.
77
78
Chapitre 3
Restauration de séquences dégradées par

la turbulence atmosphérique
Ce chapitre est consacré à la restauration d’images et en particulier de séquences d’images

perturbées par la turbulence atmosphérique. Dans un premier temps, différentes méthodes clas-
siques de restauration sont testées sur des images que nous avons nous-même simulées, ainsi que
sur des images réelles. Les résultats obtenus dans le visible et dans l’infrarouge sont comparés
et analysés. Ensuite, une méthode de traitement de séquence est testée puis généralisée. Cette
méthode permet de prendre en compte le caractère local et temporel de la turbulence atmosphé-
rique. Nous verrons que de bons résultats sont obtenus avec ces deux algorithmes de restauration
spatio-temporelle (la méthode initiale et sa généralisation). Enfin, une méthode hybride de res-
tauration de séquence est proposée à partir des deux résultats précédents de restauration locale.
Plusieurs résultats sont montrés et analysés.
3.1 État de l’art

Les noyaux de perturbations dus à la turbulence atmosphérique étant aléatoires, chaque image
de la séquence à traiter apporte une information différente sur l’image originale de la scène
observée. En fusionnant les apports de chaque image, il est possible d’améliorer la qualité de
l’image restaurée. De plus, le bruit d’acquisition (souvent négligé mais tout de même présent)
peut être supprimé par moyennage. Ces avantages nous ont conduit à nous intéresser aux mé-
thodes existantes de traitement de séquences quelconques, outre celles restaurant les images ou
séquences dégradées par la turbulence atmosphérique.
79
Chapitre 3 Restauration de séquences dégradées par la turbulence atmosphérique
3.1.1 Restauration de séquences d’images quelconques

De nombreux auteurs se sont intéressés à la restauration de séquence basse résolution, soit pour
obtenir une image haute résolution [Elad and Feuer, 1997], soit pour obtenir une séquence de
résolution supérieure [Borman and Stevenson, 1999], en utilisant la redondance d’informations
entre les images successives de la séquence.
Un grand nombre de travaux concernent la suppression du mouvement apparent. Pour cela, les
auteurs utilisent différentes méthodes. Un des algorithmes de super-résolution les plus simples
en calculs est proposé par Irani et Peleg [Irani and Peleg, 1993], mais il ne tient pas compte
de la présence de bruit dans la séquence. Pour réduire le bruit, plusieurs schémas de filtrages
temporels et spatio-temporels ont été proposés. Le filtre de Wiener spatio-temporel se présente
comme un bon compromis entre l’efficacité et le temps de calcul. Samy l’a utilisé en se ba-
sant sur des statistiques locales [Samy, 1985]. Özkan et al. ont présenté un filtre de Wiener qui
calcule la corrélation entre les images de la séquence [Ozkan et al., 1992]. Kokaram a proposé
une simplification de cette méthode en utilisant une transformée de Fourier discrète 3D [Koka-
ram, 1998]. Boo et Bose, en utilisant une transformée orthogonale, réduisent le problème 3D
en un ensemble de problèmes 2D [Boo and Bose, 1998]. Outre le filtre de Wiener, d’autres
méthodes ont été développées en filtrage spatio-temporel, comme la méthode de moyennage
pondéré adaptatif proposée par Özkan et al., qui permet d’éviter le flou sur les zones en mouve-
ment [Ozkan et al., 1993]. Ces méthodes ont été testées par Dekeyser et al. pour filtrer le bruit
de la séquence avant l’application de leur processus de super-résolution [Dekeyser et al., 2000;
Dekeyser, 2001].
D’autres méthodes ont été développées pour le traitement de séquences dans le cas de probléma-
tiques différentes. Par exemple, Van Roosmalen et al. utilisent des ondelettes pour le débruitage
de la séquence [VanRossmalen et al., 1996], alors que Kornprobst et al. utilisent une méthode
variationnelle pour segmenter l’objet en mouvement et restaurer le fond de l’image de manière
simultanée [Kornprobst et al., 1997; Kornprobst et al., 1999].
Dans notre cas d’étude, aucun mouvement de l’objet observé ou de la caméra n’est présent. Un
filtrage spatio-temporel simple semble donc le mieux adapté.
3.1.2 Suppression des effets de l’atmosphère

Comme pour la simulation de la turbulence atmosphérique, de nombreux travaux de restaura-
tion concernent le domaine de l’astronomie. McGlamery est un des premiers auteurs à s’être
80
intéressé à la suppression des effets de l’atmosphère sur les images par simple filtrage [McGla-
mery, 1967]. Quelques techniques ont ensuite été développées pour augmenter la résolution du
système d’observation à travers la turbulence : l’interférométrie [Hajian and Armstrong, 2001;
Tubbs, 2005], l’analyse de front d’onde [Primot, 1989; Primot et al., 1990], l’optique adapta-
tive [Roddier, 1998; Fusco et al., 2000; Tokovinin, 2004], la déconvolution a posteriori [Conan,
1994; Conan et al., 1998; Flicker and Rigaut, 2005]... Cependant, ces méthodes ne sont pas
adaptées à notre cas d’étude qui concerne la propagation horizontale sur un ou deux kilomètres.
D’autres auteurs ont travaillé sur des séquences similaires à celles que nous allons restaurer.
Granier et al. utilisent une technique de régularisation couplée à un processus markovien pour
restaurer leurs séquences où les effets de la turbulence ont été ajoutés par simulation numé-
rique [Granier, 1996; Granier et al., 1996]. Kopeika et al. calculent les différentes fonctions de
transfert de modulation (FTMs) des effets atmosphériques à partir de données météorologiques
et restaurent leurs images par un simple filtre de Wiener [Yitzhaky et al., 1997]. Sheppard et
al. utilisent à la fois l’analyse de front d’onde et la déconvolution aveugle pour obtenir des
images de résolution supérieure [Sheppard et al., 1998]. Bondeau et al. distinguent la restaura-
tion d’images longue pose de la restauration d’images courte pose, pour lesquelles ils proposent
un algorithme de restauration de la forme de l’objet observé grâce à des contours actifs [Bon-
deau, 1999; Bondeau et al., 2000]. Fraser et Lambert détaillent une méthode pour détecter une
réponse impulsionnelle (ou PSF) locale à travers un filtre de Wiener par régions d’intérêt, puis
comparent leur nouvelle méthode de recalage et de restauration de séquence avec la corrélation
croisée fenêtrée qu’ils utilisaient précédemment [Fraser et al., 1998; Fraser and Lambert, 2004].
Une méthode pour améliorer la qualité de l’image restaurée est de pré-sélectionner les images
ou les zones d’images les moins dégradées de la séquence, aussi appelées lucky images. En
effet, comme la turbulence atmosphérique varie aléatoirement au cours du temps, il arrive que
quelques zones d’images soient pratiquement nettes à certains moments. Cette méthode est de
plus en plus utilisée [Carhart and Vorontsov, 1998; Wen et al., 2006] bien qu’elle nécessite un
grand nombre de données pour avoir le maximum de zones nettes possibles.
Parmi les autres méthodes de restauration de la turbulence atmosphérique existe la détection

d’un champ de vecteur atmosphérique ensuite utilisé dans un processus de compensation de la
distortion [Frakes et al., 2001; Li et al., 2005; Li et al., 2007]. Il est aussi possible de traiter puis
de fusionner la même séquence à des longueurs d’onde différentes afin d’obtenir de meilleurs
résultats [Yaroslavsky et al., 2004]. Gepshtein et al. utilisent un filtre médian pour obtenir une
image non-déformée qui sert ensuite à détecter les objets en mouvement [Gepshtein et al., 2004].
81
Enfin, certains auteurs se sont intéressés à d’autres effets de l’atmosphère tels que les effets des
aérosols [Hutt et al., 1994] ou la scintillation quand la scène est éclairée avec un laser [Andrews
et al., 1999; Al-Habash et al., 2001], ou aux effets de la turbulence à des longueurs d’onde moins
couramment utilisées que le visible ou l’infrarouge [Hutt and Tofsted, 2000].
3.1.3 Conclusion
Cet état de l’art nous a permis de nous rendre compte de l’importance du filtrage spatio-temporel
pour la restauration de séquences d’images, et de l’utilisation de certaines méthodes classiques
comme le filtre de Wiener ou la régularisation pour supprimer les effets de la turbulence. La mé-
thode de Fraser et Lambert utilisant un filtre de Wiener spatio-temporel, semble donc être toute
indiquée pour la restauration de séquences dégradées par la turbulence. Nous allons donc com-
mencer par tester quelques méthodes classiques de restauration, puis nous testerons la méthode
de Fraser et Lambert et nous proposerons une adaptation de celle-ci.
3.2 Méthodes de restauration testées

Après avoir défini le modèle de dégradation que nous utiliserons, nous rappellerons les ex-
pressions ou algorithmes des méthodes que nous testerons ensuite sur des images et séquences
simulées puis réelles.
3.2.1 Modèle de dégradation utilisé

Pour un opérateur de dégradation linéaire et spatialement invariant, auquel vient s’ajouter un
bruit additif, le modèle de dégradation utilisé est le suivant :
i=h∗o+b, (3.1)
où i est l’image observée, h est le noyau de convolution, o est l’image nette et b représente le
bruit. Le symbole ∗ dénote le produit de convolution.
Dans le cas d’une image discrète de taille M × N pixels, la relation précédente peut s’écrire de
manière équivalente sous forme matricielle :
i = Ho + b , (3.2)
où i, o et b sont des vecteurs colonnes de longueur MN formés en prenant successivement les

colonnes de i, o et b, respectivement, et H est une matrice de taille MN × MN qui représente
l’opérateur de dégradation [Andrews and Hunt, 1977].
82
3.2.2 Le filtre inverse

On cherche une estimation de o, notée ô, telle que h ∗ ô approche i au sens des moindres carrés,
en supposant que la norme du bruit est la plus faible possible [Gonzalez and Woods, 1977] :
ô = arg min(kbk2 ) = arg min(ki − h ∗ ok2 ) . (3.3)

o o
Dans le domaine de Fourier, l’expression du filtrage inverse est la suivante :
I(fx , fy )
Ô(fx , fy ) = , (3.4)
H(fx , fy )
où Ô, I et H symbolisent respectivement les transformées de Fourier de ô, i et h, et (fx , fy ) re-

présentent les coordonnées d’un point de l’espace fréquentiel. H(fx , fy ) représente ici les effets
conjugués de la turbulence atmosphérique et du système optique.
L’inconvénient majeur de cette approche est l’amplification du bruit. Ceci est dû au fait que les
propriétés spectrales du bruit ne sont pas prises en compte. H(fx , fy ) est un filtre de type passe-
bas, donc son inverse est passe-haut. Les hautes fréquences de l’image dégradée qui corres-
pondent essentiellement à du bruit, sont donc davantage réhaussées que les basses fréquences.
En pratique, pour ne pas se retrouver avec une image résultat plus bruitée que l’image dégradée
qu’on souhaite restaurer, on peut ne prendre comme filtre que la région où H(fx , fy ) n’est pas
trop faible, par exemple :

 I(fx ,fy ) si H(fx , fy ) > ε (ε > 0)
H(fx ,fy )
Ô(fx , fy ) = . (3.5)
0 si H(fx , fy ) < ε
L’expression matricielle équivalente est :
ô = H−1 i , (3.6)
où H−1 est la matrice inverse de H.
3.2.3 Deux méthodes de régularisation

3.2.3.1 Généralités sur la régularisation
Lorsqu’une image a subi des dégradations, la déconvolution permet de la restaurer. Cependant,

la déconvolution est un problème mal posé au sens de Hadamard : la solution n’est pas unique
et n’est pas stable vis-à-vis des perturbations. Pour pallier cette difficulté, on introduit des mé-
thodes régulatrices qui stabilisent la solution et définissent une solution approchée satisfaisante.
83
On régularise le problème en introduisant des informations supplémentaires sur la solution.

Celles-ci jouent un rôle essentiel car elles définissent un critère de choix d’une solution parmi
toutes les solutions possibles. Elles peuvent s’exprimer sous différentes formes :
– Introduction de contraintes : On utilise des informations a priori sur la solution, celles-ci
provenant en général de considérations physiques.
– Modification de la fonctionnelle à minimiser : On ajoute un terme stabilisant qui sert en
général à pénaliser une solution non désirée (c’est l’objet de la régularisation de Tikhonov)
[Andrews and Hunt, 1977].
3.2.3.2 Régularisation de Tikhonov (ou filtrage pseudo-inverse)
L’idée clé consiste à accepter une norme résiduelle kh ∗ ô − ik2 non nulle, et en contrepartie à
pénaliser la solution. En reprenant les mêmes notations que dans le paragraphe 3.2.2, on cherche
une estimation ô telle que [Tikhonov and Arsenin, 1977] :
ô = arg min(kh ∗ o − ik2 + γkCok2 ) , (3.7)

o
où C est un opérateur imposant une contrainte sur o. Dans la régularisation de Tikhonov clas-
sique, C est l’opérateur identité qui correspond à l’hypothèse minimale d’une intensité finie.
Cet opérateur permet surtout de se rapprocher plus ou moins de la solution désirée. On a donc :
ô = arg min(kh ∗ o − ik2 + γkok2 ) . (3.8)

o
L’expression équivalente de ce filtrage dans l’espace fréquentiel est :
H ∗ (fx , fy )
Ô(fx , fy ) = I(fx , fy ) . (3.9)
|H(fx , fy )|2 + γ
où H ∗ représente le conjugué complexe de H, et sous forme matricielle :
ô = (HT H + γI)−1 HT i , (3.10)
où HT est la transposée de la matrice H.
3.2.3.3 Régularisation par le Laplacien (ou Tikhonov-Laplacien)
Dans la régularisation de Tikhonov-Laplacien, on impose une contrainte de lissage sur o en

choisissant le Laplacien discret (∆) comme opérateur C [Golub et al., 1999] :
ô = arg min(kh ∗ o − ik2 + γk∆ok2 ) . (3.11)

o
84
Il n’existe pas d’expression usuelle équivalente dans l’espace fréquentiel. Cependant, l’utilisa-
tion du Laplacien discret revient en fait à une convolution par une matrice du type :
 
0 −1 0
 
−1 4 −1 .
0 −1 0
L’expression équivalente sous forme matricielle est :
ô = (HT H + γLT L)−1 HT i , (3.12)
où L sera l’opérateur Laplacien discret.
Remarque : D’autres opérateurs différentiels peuvent être utilisés dans la régularisation, comme
par exemple le gradient. Ces opérateurs sont cependant moins couramment utilisés que l’identité
et le Laplacien.
3.2.3.4 Sélection du paramètre de régularisation
La régularisation du problème inverse dépend du choix du paramètre de régularisation γ. Ce

choix est assez délicat : si on donne un poids trop important à la fonctionnelle stabilisatrice
kCok2 , la solution peut être altérée de façon très importante, et si le poids est trop faible, on se
rapproche de la solution « naïve » au sens des moindres carrés. Le choix de γ va donc corres-
pondre à un compromis entre la stabilité et la vraisemblance de la solution obtenue.
Plusieurs méthodes systématiques existent pour choisir le paramètre γ de façon optimale. Nous
avons choisi le critère de la courbe en L [Hansen and O’Leary, 1993]. Il s’agit de tracer la
courbe représentant l’évolution de la norme de la solution régularisée kCok en fonction de
la norme du résidu kh ∗ o − ik pour différentes valeurs de γ. Cette courbe tracée en échelle
logarithmique sur les deux axes est une sorte d’hyperbole en forme de L (Fig. 3.1). Le γ optimal
qui minimise simultanément les deux normes, sera alors choisi comme celui correspondant au
point de courbure maximale sur le graphe.
3.2.3.5 Implémentation itérative de la régularisation
Comme il n’existe aucune expression analytique pour la régularisation par le Laplacien dans le
domaine de Fourier, nous avons implémenté itérativement les deux méthodes de régularisation
citées précédemment, à partir de l’algorithme de Van-Cittert qui est à la base de nombreuses
méthodes itératives de déconvolution [Thomas, 1981]. Dans sa forme d’origine, il s’exprime
ainsi :
85
Figure 3.1 – Exemple de courbe en L obtenue. À chaque point correspond un paramètre γ.

ô = i
0
. (3.13)
n+1 = ôn + (i − Hôn )
ô
Le vecteur ôn est une solution intermédiaire entre la solution initiale ô0 et la solution finale ô∞ .
Comme dans les méthodes non-itératives, l’algorithme de Van-Cittert original conduit à une
solution instable si le problème est mal conditionné. Il faut donc introduire une régularisa-
tion pour obtenir une solution bornée. On remplace la résolution itérative de i = Ho par
HT i = (HT H + γLT L)o. L’algorithme de Van-Cittert avec régularisation de Tikhonov s’écrit
alors [Hansen, 1994; Mancina, 2001] :

ô = HT i
0
. (3.14)
T T T
n+1 = ôn + (H i − (H H + γL L)ôn )
ô
La régularisation de l’algorithme de base n’est pas toujours suffisante pour obtenir une solution
physiquement acceptable. En particulier, la solution peut ne pas être positive, ce qui est gênant
pour une image numérique. Il faut alors introduire une contrainte de positivité du signal. Soit P
l’opérateur de positivité sur un vecteur x quelconque. P peut être défini de deux façons :
x + |x|
Px = , (3.15)
2
86
auquel cas les composantes positives de x restent inchangées alors que ses composantes néga-
tives sont réduites à 0, ou alors :
Px = |x| , (3.16)
si l’on souhaite effectuer un repliement des composantes négatives. Dans ce cas, la norme de x
est conservée.
Remarque : D’autres contraintes peuvent être ajoutées (contrainte d’amplitude, contrainte de

support...). Mais en pratique, la contrainte de positivité est la plus utilisée car elle est la plus
puissante.
Pour introduire la contrainte de positivité dans l’algorithme de Van-Cittert, il suffit de remplacer

ôn par Pôn avant de calculer ôn+1 :

ô = i
0
, (3.17)
n+1 = Pôn + (i − HPôn )
ô
ce qui donne avec la régularisation de Tikhonov [Gautier et al., 1996; Mancina, 2001] :

ô = HT i
0
, (3.18)
T T T
n+1 = Pôn + µn (H i − (H H + γL L)Pôn )
ô
où µn est un scalaire ajusté à chaque itération de façon à optimiser la rapidité de la convergence.
3.2.4 Le filtre de Wiener

Ce filtre est réputé pour être le meilleur compromis entre l’élimination du flou et la suppression
du bruit. Il consiste à minimiser un critère du type kQôk sous la contrainte ki − Hôk2 = kbk2
[Andrews and Hunt, 1977]. On a donc :
ô = arg min(kQôk2 + α(ki − Hôk2 − kbk2 )) . (3.19)

o
On choisit la solution qui maximise le rapport signal-sur-bruit (RSB) :
QT Q = R−1
o Rb , (3.20)
où Ro et Rb sont les matrices de corrélation respectives de o et de b. La solution de minimisation

s’écrit alors :
87
ô = (HT H + βR−1 −1 T
o Rb ) H i , (3.21)
avec β = 1/α.
Dans le domaine de Fourier, l’expression équivalente est la suivante :
H ∗ (fx , fy )
Ô(fx , fy ) = I(fx , fy ) , (3.22)
|H(fx , fy )|2 + β SSob (f x ,fy )
(fx ,fy )
où H ∗ représente le conjugué complexe de H, et So et Sb sont les densités spectrales de puis-

sance respectives de o et b. Le terme Sb /So peut être interprété comme l’inverse du rapport
signal-sur-bruit.
L’équation 3.22 est l’expression du filtre de Wiener paramétré. Quand β = 1, on retrouve le

filtre de Wiener classique. Lorsque b = 0, alors Sb = 0 et on retrouve l’expression du filtre
inverse.
Remarque : Le passage dans le domaine de Fourier n’est possible que si la réponse impulsion-
nelle est supposée spatialement invariante.
3.2.5 La méthode de Fraser et Lambert

Fraser et Lambert ont proposé une méthode intéressante pour restaurer une séquence d’images
déformée par la turbulence atmosphérique [Fraser and Lambert, 2004]. Cette méthode permet
le traitement local et temporel de la séquence entière. Elle s’appuie sur une estimation de la
réponse impulsionnelle (ou PSF) locale, ensuite utilisée pour restaurer localement les images
de la séquence.
3.2.5.1 Algorithme d’estimation de la PSF
Pour deux régions d’intérêt w1 et w2 de même taille et à la même position respectivement sur
une image nette et sur sa version dégradée, une PSF locale notée h est estimée par un filtre de
Wiener local :
−1 F (w1 )∗
h=F F (w2) , (3.23)
|F (w1)|2 + φ2
où F et F −1 sont respectivement les transformées de Fourier directe et inverse, ∗
indique le
conjugué complexe et φ est l’inverse du rapport signal-sur-bruit.
88
0.12 0.12 0.12
0.1 0.1 0.1
0.08 0.08 0.08
0.06 0.06 0.06
0.04 0.04 0.04
0.02 0.02 0.02
0 0 0
8 8 8
6 8 6 8 6 8
4 6 4 6 4 6
4 4 4
2 2 2 2 2 2
0 0 0 0 0 0
(a) (b) (c)

Figure 3.2 – Exemples de résultats obtenus avec le filtre du Wiener local de Fraser et Lambert. (a) PSF
utilisée pour rendre floue une zone de 15×15 pixels sur une image nette (PSF Gaussienne avec σ 2 = 1.2).
(b) PSF estimée sur la zone correspondante de l’image floue. (c) PSF estimée sur la zone correspondante
de l’image floue et bruitée (bruit Gaussien de moyenne nulle et de variance = 0.001).
À partir de la figure 3.2, on peut observer que la PSF Gaussienne utilisée pour rendre floue
l’image originale est bien estimée quand aucun bruit n’est présent. Dans le cas contraire, la
PSF estimée est plus ou moins perturbée selon l’intensité du bruit. De plus, plusieurs tests ont
montré que la taille de la fenêtre étudiée influence la qualité de l’image résultat : plus la fenêtre
d’intérêt est grande, meilleure est la PSF estimée et meilleur est le résultat. Nous avons utilisé
des fenêtres de 15 × 15 pixels concernant les résultats de la figure 3.2 et nous recommandons
d’utiliser des fenêtres d’au moins 11 × 11 pixels (de préférence un nombre impair) pour obtenir
une estimation correcte, spécialement en présence de bruit. En pratique, dans les processus de
restauration, on utilisera si possible des fenêtres de la même taille que la zone isoplanétique
traitée.
3.2.5.2 Algorithme de traitement de la séquence
Chaque image dégradée de la séquence et une image de référence sont balayées par deux fe-
nêtres glissantes correspondantes (Alg. 3.1). Une PSF locale est alors estimée par la méthode
décrite ci-dessus, puis la fenêtre dégradée est restaurée par un filtre de Wiener. Initialement,
l’image de référence est la moyenne de la séquence brute (donc l’image longue pose corres-
pondante qui est floue) et elle est mise à jour après chaque tour complet de déconvolution de la
séquence. Le processus est répété jusqu’à ce que la différence entre les deux dernières images
moyennes correspondant aux deux dernières itérations de boucle, soit minimale. Le résultat final
est l’image moyenne convergente. En pratique, une ou deux itérations de boucle sont souvent
suffisantes pour obtenir l’image résultat.
Remarque : L’utilisation de fenêtres glissantes « sur-restaure » la séquence dégradée. Cepen-

dant, en isoplanétisme local, il est impossible de connaître l’emplacement exact des zones iso-
planétiques. Une autre solution est de les choisir arbitrairement comme dans le cas de la simu-
lation.
89
Algorithme 3.1 : Algorithme de restauration de séquence de Fraser et Lambert.

Données : Séquence dégradée Seq, Taille des fenêtres utilisées ws, Critère d’arrêt ǫ
Immoy = moyenne temporelle de la séquence Seq
répéter
// 1 - Calcul de l’image de référence Imref
Imref = Immoy ;
// 2 - Restauration de chaque image de la séquence
pour chaque image im de la séquence faire
pour chaque zone zim de taille ws × ws de l’image im faire
– estimation de la PSF locale entre zim et zref , la zone correspondante de Imref
– restauration locale par un filtre de Wiener classique
finpour
finpour
// 3 - Calcul de l’image moyenne de la nouvelle séquence
Immoy = moyenne temporelle de la nouvelle séquence
jusqu’à |Imref − Immoy| < ǫ ;
Résultat : Image restaurée Immoy
3.2.6 Résultats obtenus sur des images simulées

Dans le cas des images simulées, nous connaissons les images de départ et les PSFs utilisées
pour dégrader ces images. Nous pouvons donc quantifier l’amélioration apportée par un PSNR
(Peak Signal-to-Noise Ratio) qui est défini pour deux images im1 et im2 de taille M × N par la
relation :
255
PSNR = 20 log10 √ , (3.24)
MSE
où le MSE (Mean Square Error) est défini par :
P P
i j [im1 (i, j) − im2 (i, j)]2
MSE = . (3.25)
MN
Le PSNR étant un critère objectif de quantification d’amélioration qui ne correspond pas tout-à-
fait aux critères visuels de l’œil humain, nous essaierons de donner également des appréciations
subjectives de qualité visuelle.
90
La figure 3.3 nous présente les images simulées utilisées pour tester les méthodes de restaura-
tion ainsi que leurs images originales correspondantes, et la figure 3.4 nous montre les différents
résultats de restauration obtenus. D’après les valeurs des PSNRs, le filtre de Wiener classique
donne les meilleurs résultats en isoplanétisme total et local, ce qui est aussi vrai visuellement. En
anisoplanétisme, nous avons dû supposer localement que l’opérateur de dégradation était spatia-
lement invariant pour pouvoir utiliser les méthodes de restauration classiques. Nous avons donc
moyenné localement les PSFs, ce qui contribue à la médiocrité des résultats du filtre inverse et
du filtre de Wiener. On s’attendait à ce que le filtre inverse ne donne pas de bons résultats en
anisoplanétisme, car ce filtre ne prend pas le bruit en compte. En revanche, le résultat du Wiener
classique en anisoplanétisme donne un résultat qui semble plus contrasté à l’œil, malgré l’aspect
granuleux de l’image assimilé à du bruit de speckle. Les deux méthodes de régularisation, quant
à elles, donnent les meilleurs PSNRs en anisoplanétisme. Ceci vient du fait que la régularisation
minimise l’écart quadratique moyen (ou MSE) entre l’image restaurée et l’image nette, et que
l’utilisation du Laplacien discret permet de préserver les contours. On peut enfin remarquer que
les méthodes classiques permettent de diminuer le flou sur les images, voire le bruit, mais pas
les déformations.
(1) Isoplanétisme total (2) Isoplanétisme local (3) Anisoplanétisme

Cas
D/r0 = 3 D/r0 = 3 D/r0 = 3

Image dégradée
Image originale
Figure 3.3 – Images simulées utilisées pour tester les différentes méthodes de restauration et images
originales respectives.
91
(1) Isoplanétisme total (2) Isoplanétisme local (3) Anisoplanétisme
Cas
D/r0 = 3 D/r0 = 3 D/r0 = 3
Filtre inverse
PSNR = 29.4 dB PSNR = 27.3 dB PSNR = 23.2 dB

Régularisation
de Tikhonov

par le Laplacien
Régularisation

Filtre de Wiener
classique

Figure 3.4 – Résultats de restauration obtenus à partir d’images dégradées simulées. Certains effets de
blocs dus à la méthode de simulation de l’isoplanétisme local, sont réhaussés par les restaurations.
92
3.2.7 Résultats obtenus sur des séquences simulées

La méthode de restauration de Fraser et Lambert est testée sur des séquences simulées en isopla-
nétisme local et en anisoplanétisme (Fig. 3.5). On peut immédiatement remarquer que l’image
moyenne de la séquence en anisoplanétisme constitue un meilleur résultat que les méthodes
classiques sur une seule image, que ce soit visuellement ou au niveau du PSNR. Ceci est dû à
l’annulation locale des coefficients de Zernike pour un grand nombre d’images (cf. chapitre 2).
En isoplanétisme local, l’image moyenne donne un PSNR plus faible que le filtre de Wiener
classique : les contours sont plus réguliers qu’avec le filtre de Wiener, mais plus flous. Les ré-
sultats de la méthode de Fraser et Lambert, quant à eux, sont de meilleure qualité que ceux des
méthodes classiques qui ne prennent pas en compte l’aspect local et temporel de la turbulence.
(4) Isoplanétisme local (5) Anisoplanétisme (6) Anisoplanétisme

Cas
D/r0 = 3 D/r0 = 3 D/r0 = 3

Une image dégradée
de la séquence
Image moyenne
de la séquence

Fraser et Lambert
Méthode de

Figure 3.5 – Résultats de restauration obtenus à partir de séquences dégradées simulées. Chaque sé-
quence comprend 100 images. Le temps de pose était fixé à 5 ms et la vitesse du vent à 6 m.s−1 .
93
3.2.8 Résultats obtenus sur des images réelles

En ce qui concerne les images réelles, nous ne connaissons ni les images de départ, ni les PSFs
de dégradation. Nous choisissons donc d’estimer les PSFs avec le filtre du Wiener local de Fra-
ser et Lambert. Malgré tout, aucun critère usuel ne peut quantifier l’amélioration apportée. Nous
analyserons donc nos résultats grâce à différents calculs sur les zones uniformes et les contours.
Après avoir décrit les images que nous allons essayer de restaurer, nous déterminerons le cas
de turbulence dans lequel nous nous trouvons, ainsi que la taille de la fenêtre de traitement
que nous utiliserons. Enfin, nous analyserons les résultats obtenus avec les différentes méthodes
classiques testées.
Description des images

Les images et séquences sur lesquelles nous testons les méthodes de restauration précédemment
citées, ont été fournies par DRDC Valcartier (Canada) et ont été acquises pendant la campagne
OTAN appelée RTG40, menée au Nouveau Mexique (USA) fin 2005. Les cibles sont des da-
miers, des mires, des panneaux réfléchissants uniformes ou avec des lettres de différentes tailles
(Fig. 3.6). Elles sont observées sur un sol de type désertique (sec et chaud), en infrarouge réfléchi
(bande I) ou en infrarouge thermique (bande II) avec l’imageur ELVISS détaillé au chapitre 1.
La distance de propagation varie entre 500 m et 2 km.
(a) (b) (c)

Figure 3.6 – Schémas des cibles observées. (a) Damier et mires : la taille de l’objet est de 3 m × 1, 5 m.
(b) Trois panneaux de réflectivités différentes, de taille 1 m × 1 m. (c) Lettres de différentes tailles : la
taille du panneau est de 0, 91 m × 1, 22 m.
Isoplanétisme local ou anisoplanétisme ?

Pour savoir dans quel cas de turbulence nous nous trouvons, nous allons calculer puis comparer,
pour chaque image ou séquence, l’angle isoplanétique et l’IFOV (Instantaneous Field Of View).
On rappelle que dans le cas d’une propagation horizontale à travers la turbulence sur une lon-
gueur L, l’angle isoplanétique θ0 qui représente l’angle maximal dans lequel la perturbation est
identique, est défini par :
94
−6/5
2π
θ0 = 0.95 L−8/5 (CN2 )−3/5 . (3.26)
λ
Les valeurs de θ0 calculées pour chaque image ou séquence, sont récapitulées sur la table 3.1.
Les valeurs de la constante de structure CN2 sont interpolées à partir des fichiers de données
fournis par le scintillomètre de DRDC Valcartier utilisé pendant les acquisitions.
L’IFOV (Instantaneous Field Of View), aussi appelé résolution pixel, représente l’angle couvert
par un unique élément du détecteur dans le plan image. Il peut être estimé en utilisant la trigo-
nométrie (Fig. 3.7). Soit α l’angle de champ de vision. Alors pour une distance de propagation
L très grande et une hauteur de cible H, on a :

tan(α/2) ≈ α/2 H
⇒ α≈ . (3.27)
tan(α/2) = H L
2L
cible
détecteur
1111
0000
00001010
α
1111 H
Figure 3.7 – Approximation de l’IFOV.
L’angle α représente ici le champ d’observation vertical pour toute la matrice du détecteur.
L’IFOV est calculé pour un seul pixel du détecteur, il peut donc être estimé verticalement par la
relation suivante :
H
IFOV ≈ , (3.28)
NL
où N est le nombre de pixels nécessaires pour représenter H sur la matrice du détecteur.
Les valeurs de l’IFOV estimées pour chaque image ou séquence, sont récapitulées sur la table 3.1.
En comparant les valeurs de θO et de l’IFOV, on conclut que l’IFOV couvre un angle plus large
que θ0 de telle sorte que toutes les images devraient être dégradées par de l’anisoplanétisme
en courte pose. Cependant, la fréquence d’acquisition était de 30 Hz, donc le temps de pose
était d’environ 33 ms, ce qui n’est pas assez faible pour geler les effets de la turbulence sur les
images acquises. En effet, le temps d’évolution de la turbulence atmosphérique est typiquement
de 5 ms, voire moins. Les images acquises peuvent donc être considérées comme des moyennes
95
N° Image / Séquence 1 2 3 4 5 6
Longueur d’onde (µm) 0.81 0.86 4 0.86 0.86 0.86
Distance cible-détecteur (m) 1000 1000 500 1000 1000 2000
CN2 estimé (m−2/3 ) 3.10−13 1.10−12 2.10−12 1.10−12 1.10−12 1.10−13
θ0 estimé (µrd) 2.65 1.38 17.51 1.38 1.38 0.46
Hauteur de la cible (m) 1.5 1.5 0.61 1.5 1.5 1.5
Pixels correspondants 57 109 42 106 107 52
IFOV estimé (µrd) 26.3 13.8 29.0 14.2 14.0 14.4
Table 3.1 – Valeurs du θ0 et de l’IFOV pour les images ou séquences étudiées.
de plusieurs images courte pose. Comme la turbulence est déplacée dans une même direction
par le vent, chaque image acquise est finalement composée de différentes zones avec la même
perturbation atmosphérique, ce qui coïncide avec les effets de l’isoplanétisme local.
Principe physique admis

Quand aucun vent n’est présent pendant l’acquisition, alors la turbulence entre la cible et le
système d’observation n’est pas déplacée. De plus, sur une acquisition d’environ 3 secondes, la
turbulence évolue, les gros tourbillons passent leur énergie aux plus petits, mais sans avoir le
temps d’arriver au stade de la dissipation de l’énergie cinétique. On suppose donc que durant
une courte acquisition et sans vent, les zones isoplanétiques ne changent pas et ne sont pas dé-
placées.
Taille optimale de la fenêtre de traitement

Sur nos images ou séquences, sans vent, la zone isoplanétique serait réduite à un seul et même
pixel (puisque IFOV > θ0 ). Pendant l’acquisition de nos données, un vent latéral était présent et
variait entre une valeur minimale Vmin et une valeur maximale Vmax (Fig. 3.8). La position des
rayons lumineux arrivant sur la pupille variait donc horizontalement entre une position mini-
male Pmin et une position maximale Pmax (Fig. 3.9). Le déplacement vertical est généralement
plus faible car le vent a souvent tendance à se déplacer horizontalement, ce qui conduit à une
zone elliptique du déplacement du rayon lumineux.
La connaissance de la vitesse du vent pendant les acquisitions grâce à l’utilisation d’un anémo-
mètre, nous permet de calculer la taille de la zone isoplanétique, donc la taille optimale de la
fenêtre de traitement à utiliser.
96
sens de propagation
1
0
0
1
0
1
0
1
0
1
0
1
0
1 Vmax
0
1
0
1 11
00
0000
1111
0
1 00
11
0000
1111
0
1 00
11
0000
1111
00
11
0000
1111
0
1 Vmin 00
11
0000
1111
0
1
0
1 00
11
0000
1111
0
1
0
1
0
1
0
1
0
1
vent latéral système
cible fluctuant d’acquisition
Figure 3.8 – Exemple de propagation à travers la turbulence en cas de vent latéral variant entre une
vitesse minimale Vmin et une vitesse maximale Vmax .
Pmax Pmin
Figure 3.9 – Image correspondante au schéma de la figure 3.8. En cas de vent latéral, un rayon lumineux
pointe horizontalement sur la pupille d’une position minimale Pmin à une position maximale Pmax .
Exemple : Image / Séquence N°5

La vitesse du vent variait entre 0 et 5 m.s−1 pendant l’acquisition, la longueur de l’objet ob-
servé (un panneau regroupant un damier et des mires) est de 3 m et cela représente 236 pixels
sur l’image. Le décalage horizontal maximal d’un rayon lumineux est donc d’environ 13 pixels
sur la pupille pendant le temps de pose de 33 ms. Des fenêtres de 13 × 13 pixels seront donc
utilisées pour les traitements de cette image ou séquence. Même si le décalage vertical est moins
important, on utilise des fenêtres carrées pour des raisons de simplifications algorithmiques.
Analyse des résultats

Les figures 3.10 et 3.11 nous montrent les résultats de restauration obtenus sur les 6 différentes
images considérées. Pour analyser ces résultats, nous allons définir quelques critères simples
qui vont nous permettre d’apprécier les améliorations apportées par les méthodes testées. En ce
qui concerne la visualisation d’une scène, on peut définir une bonne image restaurée comme une
image contrastée où les contours sont nets. Pour un traitement postérieur, comme par exemple
une application en robotique, on préférera un résultat moins contrasté, plus proche de la réalité,
mais avec une variance aussi faible que possible dans les zones uniformes.
97
Image N°1 Image N°2 Image N°3
Cas
λ = 810 nm (passif) λ = 860 nm (passif) λ = 4 µm (thermique)
Image dégradée
Filtre inverse
Régularisation
de Tikhonov
par le Laplacien
Régularisation
Filtre de Wiener
classique
Figure 3.10 – Résultats de restauration obtenus à partir d’images dégradées réelles de taille
256 × 256 pixels (1ère partie).
98
Image N°4 Image N°5 Image N°6
Cas
λ = 860 nm (passif) λ = 860 nm (actif) λ = 860 nm (actif)
Image dégradée
Filtre inverse
Régularisation
de Tikhonov
par le Laplacien
Régularisation
Filtre de Wiener
classique
Figure 3.11 – Résultats de restauration obtenus à partir d’images dégradées réelles de taille
256 × 256 pixels (2ème partie).
99
Pour chaque image et pour chaque résultat de restauration, nous avons calculé la variance dans
différentes zones uniformes (Fig. 3.12(a)). Notons que ces valeurs peuvent être perturbées par la
grille en alvéoles de l’intensificateur de lumière intégré à l’imageur ELVISS. La table 3.2 réca-
pitule les valeurs calculées pour l’image n°5. Selon cette table, la régularisation par le Laplacien
permet d’obtenir les zones les plus uniformes (variances les plus faibles). Ce résultat est cepen-
dant à nuancer car la régularisation atténue les contrastes. Pour une meilleure comparaison, le
contraste c des différentes images est estimé par la relation suivante :
Max − min
c= , (3.29)
Max + min
où Max et min sont respectivement les niveaux de gris maximum et minimum de l’image
considérée. Notons que tous les filtres utilisés sont normalisés.
(a) (b) (c)

Figure 3.12 – Exemples de zones analysées sur les résultats correspondant à l’image n°5. (a) Zones
uniformes. (b) Zones de contours. (c) Zoom sur une transition étudiée.
Carrés noirs Carrés blancs

Image 2 2 Contraste
σcn min Max σcb min Max
Image dégradée 102.1 28 117 540.9 32 255 0.80
Filtre inverse 98.8 27 115 521.0 34 255 0.81
Régularisation de Tikhonov 53.5 36 83 168.2 39 220 0.72
Régularisation par le Laplacien 52.1 34 82 157.0 41 217 0.73
Filtre de Wiener 56.0 26 94 256.3 38 244 0.81
Table 3.2 – Méthodes classiques : valeurs des variances et des niveaux de gris minimum (min)
2
et maximum (Max) concernant l’image n°5. σcn représente la variance moyenne des 3 carrés
2
noirs et σcb celle des 3 carrés blancs. Une estimation du contraste est donnée pour une meilleure
comparaison.
100
En ce qui concerne les contours, nous avons étudié les transitions entre les zones uniformes
(Figs. 3.12(b) et 3.12(c)). Grâce à la géométrie simple des objets observés, on peut déduire
une transition moyenne à partir de chaque zone de transitions étudiée. La pente des transitions
moyennes pour chaque résultat nous informe déjà sur la qualité des restaurations : on cherche à
obtenir la plus forte pente possible.
La figure 3.13 nous montre une comparaison des transitions moyennes obtenues pour chaque
résultat de l’image n°5 avec la transition idéale tid entre deux zones uniformes noire et blanche.
Les niveaux de gris des images ont été renormalisés sur 8 bits (entre 0 et 255) avant l’étude des
transitions moyennes locales pour que la superposition de ces différentes transitions moyennes
ait un sens. La plus forte pente est obtenue avec le résultat du filtre de Wiener dont la transition
moyenne correspondante est cependant beaucoup moins régulière que celle du résultat de la
régularisation par le Laplacien.
La figure 3.14 nous montre les pics de corrélation entre chaque transition moyenne et la transi-
tion idéale tid . Là encore, la transition moyenne du résultat du filtre de Wiener est la plus proche
de la transition idéale, suivie de près par celle du résultat de la régularisation par le Laplacien.
En conclusion, les zones uniformes sont mieux restaurées avec la régularisation par le Laplacien
alors que les contours sont plus nets avec le filtre de Wiener.
101
250
t
id
tmoy_i
200 t
moy_T
tmoy_L
Niveaux de gris
tmoy_W
150
100
50
0
2 4 6 8 10 12
Pixels
Figure 3.13 – Transitions moyennes entre deux zones uniformes noire et blanche sur les résultats de
restauration correspondant à l’image n°5 (tid : transition idéale, tmoy_i : transition moyenne du résultat du
filtre inverse, tmoy_T : transition moyenne du résultat de la régularisation de Tikhonov, tmoy_L : transition
moyenne du résultat de la régularisation par le Laplacien et tmoy_W : transition moyenne du résultat du
filtre de Wiener).
5
x 10
4 t
moy_i
3.8 t
moy_T
t
3.6 moy_L
id
t
Pics de corrélation avec t
moy_W
3.4
3.2
2.8
2.6
2.4
2.2
2
1 2 3 4 5 6 7
Pixels
Figure 3.14 – Pics de corrélation entre les transitions moyennes des différents résultats de restauration
correspondant à l’image n°5 et la transition idéale (mêmes notations que sur la figure précédente).
102
3.2.9 Résultats obtenus sur des séquences réelles

La méthode de restauration de Fraser et Lambert est testée sur les séquences réelles associées
aux images réelles du §3.2.8. Ces séquences sont donc aussi dégradées par de l’isoplanétisme
local et pour chaque séquence, la taille de la fenêtre de traitement utilisée est la même que celle
calculée pour l’image réelle associée.
Les résultats obtenus avec le filtre de Fraser et Lambert sont montrés sur les figures 3.15 et 3.16.
Comme pour les séquences simulées, l’image moyenne des séquences réelles constitue visuel-
lement un bon résultat par rapport aux restaurations par les méthodes classiques : elle permet
d’annuler temporellement les déformations de la cible en contrepartie de contours plus flous,
ainsi que certains bruits dont nous détaillerons les origines possibles dans le paragraphe suivant.
Séquence N°1 Séquence N°2 Séquence N°3

Cas
λ = 810 nm (passif) λ = 860 nm (passif) λ = 4 µm (thermique)

de la séquence
Image moyenne
de la séquence
Fraser et Lambert
Méthode de
Figure 3.15 – Résultats de restauration obtenus à partir de séquences dégradées réelles de 100 images de
taille 256 × 256 pixels (1ère partie).
103
Cas
λ = 860 nm (passif) λ = 860 nm (actif) λ = 860 nm (actif)

de la séquence
Image moyenne
de la séquence
Fraser et Lambert
Méthode de
Figure 3.16 – Résultats de restauration obtenus à partir de séquences dégradées réelles de 100 images de
taille 256 × 256 pixels (2ème partie).
Analyse des résultats

Comme sur les images réelles, pour chaque résultat, nous définissons des zones uniformes où
nous allons comparer les variances (Fig. 3.17(a)) et des zones de contours où nous examinerons
les propriétés des transitions moyennes (Figs. 3.17(b) et 3.17(c)).
La table 3.3 donne la liste des variances calculées à l’intérieur des zones uniformes sur les résul-
tats correspondant à la séquence n°5. En comparant ces valeurs avec celles de la table précédente
de variances (Fig. 3.2), on peut observer que le moyennage de la séquence et la méthode de Fra-
ser et Lambert sur la séquence donnent des variances beaucoup plus faibles que les méthodes
classiques sur une seule image. Les variances obtenues sur le résultat de Fraser et Lambert sont
cependant plus élevées que sur l’image moyenne. Ceci est dû en grande partie au réhaussement
du contraste ayant pour effet d’augmenter le bruit.
104
(a) (b) (c)

Figure 3.17 – Exemples de zones analysées sur les résultats de la séquence n°5. (a) Zones uniformes.
(b) Zones de contours. (c) Zoom sur une transition étudiée.

Image 2 2 Contraste
Une image dégradée 102.1 28 117 540.9 32 255 0.80
Image moyenne 11.6 26 94 84.1 38 244 0.81
Filtre de Fraser et Lambert 15.3 0 97 91.4 28 255 1.00
Table 3.3 – Méthode de Fraser et Lambert : valeurs des variances et des niveaux de gris mi-
2
nimum (min) et maximum (Max) concernant la séquence n°5. σcn représente la variance
2
moyenne des 3 carrés noirs et σcb celle des 3 carrés blancs. Une estimation du contraste est
donnée pour une meilleure comparaison.
De la même façon que sur les restaurations des images réelles, nous étudions les transitions
moyennes entre les zones uniformes sur les restaurations des séquences réelles. La figure 3.18
nous montre une comparaison des transitions moyennes obtenues pour chaque résultat de la sé-
quence n°5 avec la transition idéale tid entre deux zones uniformes noire et blanche. Là encore,
les images ont été renormalisées sur 8 bits (entre 0 et 255) pour que la superposition de ces
différentes transitions moyennes ait un sens. Le résultat du filtre de Fraser et Lambert donne
la transition moyenne de plus forte pente. Notons que la pente de la transition moyenne cor-
respondant au filtre de Wiener classique sur une seule image, n’est pas très éloignée grâce à la
renormalisation effectuée, mais cette transition est beaucoup moins régulière que celle du ré-
sultat de la méthode de Fraser et Lambert. L’image moyenne, quant à elle, donne une transition
très régulière mais beaucoup trop étalée pour être précise.
La figure 3.19 nous montre les pics de corrélation entre chaque transition moyenne et la tran-
sition idéale tid . Là encore, la transition moyenne du résultat du filtre de Fraser et Lambert
est la plus proche de la transition idéale, suivie de près par celle du résultat du filtre de Wie-
ner classique à cause de la renormalisation. Tous les résultats concordent donc pour désigner
la méthode de traitement de séquence de Fraser et Lambert comme la meilleure méthode de
restauration testée.
105
250
tid
tmoy_m
200 t
moy_FL
t
Niveaux de gris moy_W
150
100
50
0
2 4 6 8 10 12
Pixels
Figure 3.18 – Transitions moyennes entre deux zones uniformes noire et blanche sur les résultats de res-
tauration correspondant à la séquence n°5 (tid : transition idéale, tmoy_m : transition moyenne de l’image
moyenne, tmoy_F L : transition moyenne du résultat de restauration de Fraser et Lambert et tmoy_W :
transition moyenne du résultat du filtre de Wiener sur une seule image).
5
x 10
4 t
moy_m
3.8 t
moy_FL
t
moy_W
3.6
id
Pics de corrélation avec t
3.4
3.2
2.8
2.6
2.4
2.2
2
1 2 3 4 5 6 7
Pixels
correspondant à la séquence n°5 et la transition idéale (mêmes notations que sur la figure précédente).
106
3.2.10 Origines des bruits sur les séquences réelles

Additionnellement au flou et aux déformations dus à la turbulence atmosphérique, les séquences
réelles peuvent être dégradées par des bruits de différentes origines :
1. Un aspect granuleux peut être présent (séquences n°5 et n°6) : il s’agit d’un effet conjoint
de la turbulence et du bruit de speckle .
2. Une diffusion peut donner une impression de brouillard (séquences n°1, n°3 et n°4). Plu-
sieurs sortes de diffusion peuvent être prises en compte selon la taille des molécules dif-
fusantes par rapport à la longueur d’onde d’acquisition.
3. Enfin, un effet de scintillation peut apparaître à cause des variations d’amplitude du front
d’onde turbulent (séquences n°5 et n°6).
Le bruit d’acquisition du système d’observation est largement négligeable devant tous les effets
de l’atmosphère.
1. Bruit de speckle
Ce bruit est présent dans l’intensité lumineuse d’une surface d’onde aléatoire. Il se manifeste le
plus souvent par un aspect granuleux comme celui pris par une surface microrugueuse quand
elle est éclairée par de la lumière laser. En effet, au niveau microscopique, une surface peut
présenter des irrégularités d’amplitude supérieure ou égale à la longueur d’onde d’acquisition.
Quand une telle surface est éclairée par de la lumière laser (parfaitement monochromatique),
les rayons réfléchis subissent un déphasage aléatoire à cause de la différence de chemin optique
liée à la microrugosité (Fig. 3.20). En un point quelconque d’observation M, les amplitudes
des contributions venant de tous les points P de la surface sont supposées pratiquement égales,
c’est-à-dire que l’on néglige la décroissance de l’amplitude inversement proportionnelle à la
distance au carré de la source. L’amplitude complexe du champ observé en M sera la superpo-
sition des contributions de toutes les sources réfléchissantes élémentaires sur la surface.
Sans turbulence, le faiceau laser illuminant la scène observée a toujours le même angle d’inci-
dence par rapport à la cible et les rayons lumineux sont toujours réfléchis de la même façon.
Le bruit de speckle est alors fixe sur l’image résultat. En revanche, la présence de turbulence
fait varier les angles d’incidence des rayons lumineux par rapport à la cible, ainsi que les angles
des rayons réfléchis. L’évolution temporelle de la turbulence provoque donc un déplacement
des speckles sur les différentes images de la séquence acquise. Le bruit de speckle peut donc
s’atténuer par moyennage temporel, comme on peut le remarquer sur les images moyennes cor-
respondant aux séquences n°5 et n°6 (Fig. 3.16).
107
Figure 3.20 – Principe de création des speckles : la lumière est réfléchie de manière aléatoire à cause de
la microrugosité de la surface (M : point d’observation, P : point de la surface microrugueuse).
Remarque : D’autres techniques existent pour réduire le bruit de speckle [Hillion et al., 1989] :
– le moyennage spatial,
– le filtre médian préservant les contours,
– le filtrage homomorphique (transformation logarithmique rendant le bruit additif, filtrage puis
exponentiation pour retrouver le signal d’entrée),
– le filtre de Lee (filtre adaptatif minimisant le bruit aléatoire),
– le filtre de Frost (filtre de Wiener avec un modèle de bruit multiplicatif) . . .
2. Bruit de diffusion
La diffusion se produit lors de l’interaction entre un rayonnement et les particules ou molécules
de gaz présentes dans l’atmosphère. Celles-ci ont plusieurs effets sur le rayonnement qui leur
est incident : elles dévient une partie de ce rayonnement de sa trajectoire initiale, elles peuvent
en absorber une autre partie et elles diffusent la partie restante. Le niveau de diffusion dépend
de plusieurs facteurs comme la longueur d’onde, la densité de particules et de molécules, et
l’épaisseur de l’atmosphère que le rayonnement doit franchir. Il existe trois types de diffusion :
– La diffusion de Rayleigh se produit lorsque la taille des particules est inférieure à la longueur
d’onde du rayonnement. Celles-ci peuvent être des particules de poussière, des molécules
d’azote ou d’oxygène. La diffusion de Rayleigh disperse et dévie de façon plus importante
les courtes longueurs d’onde que les grandes. Cette forme de diffusion est prédominante dans
les couches supérieures de l’atmosphère.
108
– On parle de diffusion de Mie lorsque les particules sont presque aussi grandes que la longueur
d’onde du rayonnement. Cette diffusion est souvent produite par les aérosols, la poussière,
le pollen, la fumée et les gouttes d’eau. Elle affecte les plus grandes longueurs d’onde et se
produit surtout dans les couches inférieures de l’atmosphère où les particules de cette taille
sont plus abondantes. Ce processus domine quand le ciel est ennuagé.
– Le troisième type de diffusion est la diffusion non-sélective. Elle se produit lorsque les parti-
cules sont beaucoup plus grosses que la longueur d’onde du rayonnement (les grosses gouttes
d’eau et les grosses particules de poussière). Cette diffusion est appelée « non-sélective » car
toutes les longueurs d’onde sont dispersées.
Les images dégradées par la diffusion atmosphérique peuvent être corrigées en appliquant des
algorithmes basés sur des modèles mathématiques de cette dégradation. Cette correction peut
être améliorée en sélectionnant des zones dans la scène qui ont des caractéristiques connues de
réflectance, comme une surface d’eau claire ou une végétation dense, afin d’étalonner le modèle
utilisé. Le degré de correction obtenu dépend de la sévérité de la diffusion atmosphérique, du
type d’algorithme utilisé et du niveau de connaissance de la réflectance des cibles sélectionnées.
Le principal effet de diffusion pris en compte est en général celui dû aux aérosols. La réduc-
tion de cet effet n’est possible que si l’on connaît le contenu local des aérosols présents le long
du chemin de propagation, ainsi que leur concentration. L’utilisation de données moyennes sur
les aérosols ne revêt que peu de signification. Kopeika et al. ont travaillé sur la restauration
d’images dégradées par l’atmosphère avec des modèles de prédiction pour la turbulence et les
aérosols [Sadot et al., 1995; Yitzhaky et al., 1997]. Ils ont noté le caractère critique de l’utilisa-
tion d’une seule forme de fonction de transfert de modulation (FTM) pour les aérosols.
D’un autre côté, comme pour les speckles, l’évolution temporelle de la turbulence permet d’ob-
tenir des diffusions différentes sur chaque image d’une séquence acquise. Le moyennage tem-
porel de la séquence permet alors d’éliminer le bruit au détriment d’une augmentation du flou,
comme on peut le remarquer sur les images moyennes correspondant aux séquences n°1, n°3 et
n°4 (Figs. 3.15 et 3.16).
3. Bruit de scintillation
Une onde optique se propageant dans l’atmosphère turbulente subit des fluctuations d’inten-
sité I de variance σI2 autour d’une moyenne . Ces fluctuations de l’éclairement sont
essentiellement caractérisées par l’indice de scintillation noté β 2 . Cet indice est défini par :
109
σI2 − 2

β2 = = . (3.30)
2 2
Plusieurs modèles permettent d’estimer l’indice de scintillation, mais certains d’entre eux ont
un domaine de validité très restreint, comme le modèle de Rytov qui est limité au régime des
√
faibles scintillations (i.e. quand r0 > λL, où r0 est le paramètre de Fried, λ est la longueur
d’onde d’acquisition et L est la longueur du chemin de propagation) [Beland, 1993]. En re-
vanche, le modèle développé par Andrews est valable dans tous les régimes de scintillation
[Andrews et al., 1999]. L’indice de scintillation représente un bon indicateur de la force de la
turbulence.
La réduction des effets de scintillation peut être entreprise par intégration spatiale et/ou tempo-
relle, comme c’est le cas concernant les images moyennes des séquences n°5 et n°6 (Fig. 3.16).
4. Conclusion
Tous les bruits décrits ci-dessus sont des effets de l’atmosphère. Chacun d’entre eux apparaît
dans différentes configurations d’acquisition (météorologiques et/ou matérielles). Ils sont géné-
ralement considérés comme indépendants. La variance totale du bruit peut alors s’écrire comme
la somme des variances des différents bruits, pondérées par des coefficients modélisant l’im-
portance relative de chaque bruit. La connaissance de la variance du bruit global peut intervenir
favorablement pour une meilleure détection de PSF locale.
Ces bruits sont atténués par des effets d’intégration spatiale et temporelle en présence de tur-
bulence. Ce résultat est confirmé par la réduction des bruits dans les images moyennes des
séquences traitées. L’image moyenne étant utilisée comme première image de référence dans la
méthode de restauration de Fraser et Lambert, il nous paraît inutile de débruiter les séquences
en pré-traitement, ce qui conduirait à des pertes d’informations notamment sur la netteté et la
précision de localisation des contours.
3.2.11 Conclusion sur les méthodes de restauration testées

Les résultats des méthodes classiques sur une seule image dégradée par la turbulence montrent
la supériorité du filtre de Wiener, suivi de près par la régularisation par l’opérateur Laplacien.
De plus, la méthode de restauration de séquence de Fraser et Lambert a été testée et donne
d’excellents résultats par rapport aux méthodes classiques sur une seule image, réduisant consi-
dérablement le bruit dû à l’atmosphère et augmentant les contrastes.
110
Cette méthode peut se résumer par un filtre de Wiener local et temporel. La régularisation clas-
sique par le Laplacien donnant de bons résultats, nous nous sommes tout naturellement penchés
sur son adaptation spatio-temporelle inspirée par les travaux de Fraser et Lambert. Ceci fait
l’objet de la section suivante.
3.3 Généralisation de la méthode de Fraser et Lambert

Notre idée est d’adapter l’algorithme de traitement de séquence de Fraser et Lambert en rem-
plaçant le filtre de Wiener local par une régularisation locale par le Laplacien. Désormais, nous
désignerons la méthode de restauration de séquence de Fraser et Lambert par « Wiener local »
et son adaptation à la régularisation par le Laplacien par « Laplacien local ».
3.3.1 Algorithme général

Le schéma de la figure 3.21 reprend l’algorithme général du traitement de séquence proposé
par Fraser et Lambert. La restauration locale d’une image de la séquence consiste pour chaque
zone isoplanétique à détecter la PSF locale grâce au filtre par régions d’intérêt développé par
Fraser et Lambert, puis à appliquer une méthode de restauration utilisant cette PSF locale. La
régularisation par le Laplacien permettant à la fois de diminuer le bruit et de préserver les
contours, cette méthode nous paraît intéressante à adapter localement.
moyenne
séquence d’origine S image de référence I
chaque image dégradée Si

minimisation
mise à jour
mise à jour
restauration locale
une image localement restaurée Si′
moyenne
séquence restaurée S ′ image résultat I ′
Figure 3.21 – Schéma général de traitement d’une séquence, issu des travaux de Fraser et Lambert.
3.3.2 Laplacien local et analyse des résultats

L’algorithme 3.2 reprend le processus de restauration du Laplacien local. La seule différence
avec l’algorithme 3.1 réside en l’application d’une méthode différente de restauration locale, à
savoir une régularisation par le Laplacien remplaçant le filtre de Wiener.
111
Algorithme 3.2 : Algorithme du Laplacien local.

Données : Séquence dégradée Seq, Taille des fenêtres utilisées ws, Critère d’arrêt ǫ
Immoy = moyenne temporelle de la séquence Seq
répéter
// 1 - Calcul de l’image de référence Imref
Imref = Immoy ;
// 2 - Restauration de chaque image de la séquence
pour chaque image im de la séquence faire
pour chaque zone zim de taille ws × ws de l’image im faire
– estimation de la PSF locale entre zim et zref , la zone correspondante de Imref
– restauration locale par une régularisation par le Laplacien
finpour
finpour
// 3 - Calcul de l’image moyenne de la nouvelle séquence
Immoy = moyenne temporelle de la nouvelle séquence
jusqu’à |Imref − Immoy| < ǫ ;
Résultat : Image restaurée Immoy
Les résultats du Laplacien local sur les séquences réelles précédemment utilisées sont montrés
sur la figure 3.22. Ils sont certes moins contrastés que les résultats du Wiener local, mais ils sont
moins bruités. De plus, la régularité des contours semble respectée.
Figure 3.22 – Résultats du Laplacien local sur les séquences réelles.
112
Nous allons confirmer ces analyses visuelles par l’étude de zones uniformes et de zones de
contours comme celles utilisées pour l’analyse des résultats du Wiener local. D’après les va-
leurs de variances correspondant à la séquence n°5 et résumées dans la table 3.4, le Laplacien
local permet de diminuer fortement le bruit dans les zones uniformes.

Image 2 2 Contraste
Image moyenne 11.6 26 94 84.1 38 244 0.81
Wiener local 15.3 0 97 91.4 28 255 1.00
Laplacien local 11.1 34 76 64.0 52 201 0.71
Table 3.4 – Laplacien local : valeurs des variances et des niveaux de gris minimum (min) et
2
maximum (Max) concernant la séquence n°5. σcn représente la variance moyenne des 3 carrés
2
noirs et σcb celle des 3 carrés blancs. Une estimation du contraste est donnée pour une meilleure
comparaison.
Concernant les zones de contours, la figure 3.23 nous montre que la transition moyenne du
Laplacien local est plus étalée que celle du Wiener local. Cependant, la corrélation avec la tran-
sition idéale (Fig. 3.24) est beaucoup plus importante pour le Laplacien local que pour le Wiener
local. Ceci peut s’expliquer par le fait que le résultat du Wiener local étant plus contrasté, un
effet d’oscillation est visible avant et après chaque transition.
250
t
moy_m
tmoy_LL
200 tmoy_WL
Niveaux de gris
150
100
50
0
0 2 4 6 8 10 12 14
Pixels
Figure 3.23 – Transitions moyennes entre deux zones uniformes noire et blanche sur les résultats de res-
tauration correspondant à la séquence n°5 (tmoy_m : transition moyenne de l’image moyenne, tmoy_LL :
transition moyenne du résultat du Laplacien local et tmoy_W L : transition moyenne du résultat du Wiener
local).
113
2400
t
moy_LL
2200 tmoy_m
t
Pics de corrélation avec tid

moy_WL
2000
1800
1600
1400
1200
1000
1 3 5 7 9 11
Pixels
correspondant à la séquence n°5 et la transition idéale (mêmes notations que sur la figure précédente).
Les trois résultats comparés (l’image moyenne, le résultat du Wiener local et le résultat du
Laplacien local) étant beaucoup moins bruités que la séquence d’origine, on peut déduire une
fonction de transfert de modulation (FTM) à partir de chaque transition moyenne : il suffit de
calculer le module de la transformée de Fourier de la dérivée de la transition moyenne, puis de
normaliser le résultat entre 0 et 1. La courbe de FTM ainsi obtenue fournit une représentation à
la fois graphique et quantitative des qualités de contraste et de netteté du résultat correspondant.
1
t
moy_WL
0.9
t
moy_LL
0.8 t
moy_m
0.7
0.6
FTM
0.5
0.4
0.3
0.2
0.1
0
1 2 3 4 5 6 7 8 9 10
Fréquence
Figure 3.25 – Courbes de FTMs des transitions moyennes des différents résultats de restauration corres-
pondant à la séquence n°5 (mêmes notations que sur les figures précédentes).
114
Les FTMs représentées sur la figure 3.25 confirment que le Wiener local donne les contours les
plus nets même s’ils sont un peu bruités.
Conclusion : Le Wiener local donne un résultat contrasté et des contours nets, ce qui constitue
en général une bonne image pour la visualisation, alors que le Laplacien local donne des zones
uniformes très peu bruitées et des contours assez proches de la transition idéale (sans oscillation
autour), ce qui est un résultat intéressant pour une application en robotique. Nous proposons
de fusionner ces deux résultats afin d’obtenir une image qui soit utilisable à la fois pour la
visualisation et une application postérieure.
3.4 Un nouvel algorithme hybride de restauration

Ce nouvel algorithme hybride de restauration va moduler son effet sur l’image dégradée brute
selon la distance des pixels par rapport au point de contour le plus proche : près des contours,
on utilisera principalement le résultat du Wiener local, alors que dans les zones uniformes, on
préférera le résultat du Laplacien local. L’algorithme entier est décrit un peu plus loin (Alg. 3.3).
3.4.1 Image de segmentation

Le filtre de Canny-Deriche [Canny, 1986; Deriche, 1987] est utilisé pour limiter les fausses
détections de contours. Les trois images disponibles sont segmentées : l’image moyenne de la
séquence brute, l’image résultat du Wiener local sur la séquence et l’image résultat du Lapla-
cien local sur la séquence. Sur l’image de segmentation finale fusionnée, un point de contour
est gardé seulement s’il est présent sur au moins deux des trois images de segmentation.
Les images utilisées pour tester ce nouvel algorithme sont récapitulées sur la figure 3.26 : nous
reprenons les résultats de la séquence n°5 et nous utilisons les résultats de restauration d’une
nouvelle séquence n°7, composée de 100 images de taille 128 × 128 pixels et aussi dégradée
par de l’isoplanétisme local. Notons que la taille des images relatives à la séquence n°7 est mul-
tipliée par 2 uniquement pour l’affichage.
Le filtre de Canny-Deriche peut s’écrire de la façon suivante [Laligant et al., 2005] :
fj (x) = −s2j x e−sj |x| , (3.31)
où sj est un facteur d’échelle lié à l’écart-type σc de la réponse impulsionnelle du filtre passe-

bas (Fig. 3.27) qui a été utilisé pour rendre flou le contour étudié.
115
Séquence N°5 Séquence N°7
Cas
λ = 860 nm (actif) λ = 860 nm (passif)
Une image
dégradée
moyenne
Image
Wiener local
Résultat du
Laplacien local
Résultat du
Figure 3.26 – Résultats utilisés pour tester ce nouvel algorithme. Séquence n°5 : images 256 × 256,
séquence n°7 : images 128 × 128 (la taille est doublée seulement pour l’affichage).
Parmi les trois images disponibles (la moyenne temporelle de la séquence, le résultat du Wiener
local et le résultat du Laplacien local), la moyenne de la séquence est celle qui contient des
informations sur le flou local dû à la moyenne temporelle des PSFs locales détectées. L’image
moyenne peut donc être segmentée localement en appliquant un filtre de Canny-Deriche local.
116
Le paramètre sj varie en fonction de l’écart-type σc de la moyenne temporelle des PSFs lo-

cales, dont la forme générale peut être représentée en 1D par la réponse impulsionnelle suivante
(Fig. 3.27) :
sc −sc |u|
h(u) = e , (3.32)
2
où sc est un facteur d’échelle lié au contour flou. σc est calculé à partir de chaque moyenne
temporelle des PSFs locales, et sc est dérivé de σc :
R +∞ R +∞ R +∞
σc2 = −∞
u2 h(u)
 du = 2 0
u2 h(u) du = sc 0
u2 e
−sc u
du

−sc u n Z +∞
 e 
2
σc = sc  lim −u
 2
+ sc u e−sc u du
n→+∞ sc 0 
| {z } |0 {z }
A
−sc u n Z B+∞
e
A = 0 et B = lim −u2 + s1c e−sc u du (3.33)
n→+∞ sc 0
| {z } |0 {z }
C D
1 1
C = 0 et D = sc
⇒ B= s2c
√
2 2
σc2 = s2c
⇒ σc =
sc
sj est lié à sc par la relation suivante [Laligant et al., 2005] pour optimiser le critère de localisa-
tion avec le filtre de Canny-Deriche :
sc
sj = . (3.34)
3
Figure 3.27 – Forme générale de la réponse impulsionnelle h(u).
Pour les deux autres images, sj est fixé de telle sorte que σc = 1, ce qui est en général un bon
compromis entre les critères de détection et de localisation.
Le seuillage est réalisé par hystérésis. Le seuil bas thrl est défini par 0.4 × thrh où thrh re-
présente le seuil haut. Différents seuils hauts sont appliqués aux résultats du filtre de Canny-
Deriche. La courbe du pourcentage de points de contour détectés en fonction des seuils hauts a
une forme en L. L’utilisation d’un seuil haut trop faible donne des résultats avec trop de faux
117
contours, alors qu’un seuil haut trop grand ne garde que les contours forts. Les images de seg-
mentation les plus intéressantes sont celles dont les points sur la courbe en L sont les plus près
de l’origine. Le seuil haut thrh est alors choisi automatiquement afin de minimiser la distance
Euclidienne entre la courbe en L et l’origine (Fig. 3.28).
Image moyenne (séquence n°5) Image moyenne (séquence n°7)

9 9
8 8
Points de contour (en %)

Points de contour (en %)
7 7
6 6
5 5
4 4
3 3
2 2
1 1
0 0.05 0.10 0.15 0.20 0.25 0 0.05 0.10 0.15 0.20 0.25
Seuil haut Seuil haut
(a) (b)
Figure 3.28 – Choix automatique des seuils hauts pour les images moyennes. (a) Séquence n°5. (b) Sé-
quence n°7.
Les faux contours détectés avec le filtre de Canny-Deriche local (Fig. 3.29(a)) sont éliminés dans
l’image finale de segmentation (Fig. 3.29(b)) grâce à la fusion avec les segmentations des résul-
tats du Wiener local et du Laplacien local. De plus, les contours détectés trop petits pour être
significatifs sont éliminés. Pour chaque séquence, l’image de segmentation finale (Figs. 3.29(b)
et 3.29(c)) contient alors beaucoup moins de bruit tout en gardant l’information importante.
(a) (b) (c)

Figure 3.29 – (a) Segmentation de l’image moyenne de la séquence n°5 obtenue avec un filtre de Canny-
Deriche local prenant en compte les PSFs moyennes locales. (b) Image de segmentation finale pour la
séquence n°5. (c) Image de segmentation finale pour la séquence n°7.
118
3.4.2 Algorithme de Fusion du Wiener et du Laplacien (FWL)

Dans ce nouvel algorithme de fusion du Wiener et du Laplacien, le résultat de restauration est
adapté selon la distance entre le pixel courant et le point de contour le plus proche : le résultat
du Wiener local dominera près des contours alors que dans les zones uniformes, le résultat du
Laplacien local sera mieux adapté. Entre ces deux cas, certains pixels peuvent être considérés
comme appartenant à la fois à une aire de contours et une zone uniforme. Une gradation est donc
utilisée pour passer du résultat du Wiener local au résultat du Laplacien local, ce qui permet une
atténuation simultanée de la petite différence de niveaux de gris entre ces deux résultats. Des
coefficients de pondération (α1 et α2 ) sont ajoutés et ils varient selon la proximité du pixel
courant par rapport au point de contour le plus proche. Pour chaque pixel, la formule suivante
et utilisée :
∀i, j, F W L(i, j) = α1 (c) RW L(i, j) + α2 (c) RLL(i, j) , (3.35)
où FWL est le résultat de notre algorithme, RWL est le résultat du Wiener local, RLL est le résul-
tat du Laplacien local et c est la carte des distances obtenue à partir de l’image de segmentation
calculée précédemment, et représentant la distance entre chaque pixel et le point de contour le
plus proche. α1 et α2 sont définies selon les trois conditions suivantes :

α1 (c) + α2 (c) = 1



0 ≤ α1 (c) ≤ 1 . (3.36)



0 ≤ α (c) ≤ 1
2
Plus le pixel courant est proche d’un point de contour, plus α1 est haut et plus α2 est bas. La
gradation (Fig. 3.31) est réalisée sur plusieurs pixels à partir du centre de la transition moyenne
du résultat du Wiener local, selon le nombre de pixels nécessaires à cette transition moyenne
(Fig. 3.30). Quand le nombre de pixels de la transition est pair, la gradation est réalisée à partir
des deux pixels centraux. Les résultats de l’algorithme du FWL sont montrés sur la figure 3.32.
N pixels
Figure 3.30 – Exemple de contour (transition entre deux zones uniformes).
119
Algorithme 3.3 : Algorithme de Fusion du Wiener et du Laplacien (FWL).

Données : Image moyenne Immoy, Résultat du Wiener local Imwl, Résultat du Laplacien
local Imll
// 1 - Calcul de l’image de segmentation Imseg
– segmentation locale de Immoy + seuillage par hystérésis
– segmentation globale de Imwl + seuillage par hystérésis
– segmentation globale de Imll + seuillage par hystérésis
– fusion des 3 images de segmentation avec le principe du 2/3
// 2 - Calcul de l’image restaurée Imres
– calcul de la carte des distances c à partir de Imseg
– pour chaque ligne i de Imres faire
pour chaque colonne j de Imres faire
– calcul de α1 et α2 en fonction de c(i, j)
– Imres(i, j) = α1 Imwl(i, j) + α2 Imll(i, j)
finprch
finprch
Résultat : Image restaurée Imres
1
111
000
2
000
111
3
000
111
... 111
000
... 111
000
... N 111
000
... 111
000
... 111
000
... 111
000
3
000
111
2 1
000
111
000
111000
111
000
111000
111
000
111 000
111
000
111 000
111 000
111 000
111 000
111 000
111000
111
000111
000 000
111 000
111 000
111 000
111
000111
...
000 ...
000111
111000111
000111 000
111 000111
111 000111
000111 000
111
α1 (c) = 0 ... α1 (c) = 0.5 ... α1 (c) = 1 ... α1 (c) = 0.5 ... α1 (c) = 0
α2 (c) = 1 ... α2 (c) = 0.5 ... α2 (c) = 0 ... α2 (c) = 0.5 ... α2 (c) = 1
Laplacien local Wiener local Laplacien local
Figure 3.31 – Gradation dans le cas d’un nombre impair de pixels.
(a) (b)
Figure 3.32 – Résultats de l’algorithme FWL. (a) Séquence n°5. (b) Séquence n°7. Les images résultats
sont à la fois moins bruitées, moins floues et plus contrastées.
120
3.4.3 Analyse des résultats du FWL

En utilisant les mêmes critères que précédemment, l’analyse des figures 3.33 et 3.34 montre
la qualité des nouveaux résultats obtenus. Les variances sont faibles dans les zones uniformes
(Tab. 3.5). Les transitions moyennes des résultats du FWL fournissent des FTMs presque aussi
bonnes que celles obtenues avec le Wiener local (Figs. 3.33(a) et 3.33(b)). Les pics de corréla-
tion avec la transition idéale sont largement améliorés par rapport aux résultats du Wiener local
(Figs. 3.33(c) et 3.33(d)), ce qui se traduit sur nos images résultats par l’annulation des oscilla-
tions autour des contours pour la séquence n°5 et beaucoup mois de bruit en ce qui concerne la
séquence n°7.
Séquence N°5 Séquence N°7

Image
Carrés noirs Carrés blancs Zones grises Zones blanches
Image moyenne 11.6 84.1 46.4 72.3
Résultat du Wiener local 15.3 91.4 54.9 96.6
Résultat du Laplacien local 11.1 64.0 38.1 58.7
Résultat du FWL 12.2 65.3 38.4 59.2
Table 3.5 – FWL : variances moyennes dans les zones uniformes sur les résultats de restauration
des séquences n°5 et n°7.
En outre, des coupes horizontales ont été réalisées le long des barres verticales et des ronds
blancs pour la séquence n°5 (Figs. 3.34(a) et 3.34(b)), et sur les lettres les plus grandes pour la
séquence n°7 (Fig. 3.34(c)). L’algorithme FWL donne de bons résultats en moyenne : les formes
géométriques (barres verticales, ronds ou lettres) sont mieux détectées que sur les résultats du
Wiener local et du Laplacien local. La différence de niveaux de gris entre les formes géomé-
triques et le fond de l’objet observé est plus importante. De plus, les formes géométriques sont
détectées sur un plus grand nombre de pixels, là où ils étaient essentiellement détectés comme
des pics sur les résultats du Wiener local et du Laplacien local. On peut aussi remarquer que
sur les coupes de la figure 3.34(a), les barres verticales à droite sont mieux séparées que sur les
résultats précédents.
L’inconvénient principal de cette méthode de restauration est la dépendance du résultat obtenu

vis-à-vis de l’image de segmentation. Par exemple, quand les ronds blancs ne sont pas détectés
sur l’image de segmentation, ils sont régularisés dans le résultat du FWL et donc moins bien
reconnus sur les coupes horizontales (Fig. 3.34(b)). De la même façon, les coupes sur les lettres
(Fig. 3.34(c)) ne montrent pas beaucoup d’amélioration par rapport aux résultats antérieurs.
Ceci vient de l’utilisation d’une image de segmentation de qualité médiocre, obtenue à partir
d’une séquence bruitée et texturée.
121
1 1
0.9 0.9
0.8 0.8
0.7 Wiener local 0.7 Wiener local

0.6 0.6
FTM
FTM
FWL
0.5 0.5
FWL
0.4 0.4
0.3 0.3
0.2 Laplacien local 0.2

Laplacien local
0.1 0.1
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8
Fréquence Fréquence
(a) (b)
2400 2100
Laplacien local 2000 Laplacien local

2200
1900
2000
1800 Wiener local
1800 Wiener local
1700
FWL
1600
FWL 1600
1400
1500
1200 1400
1000 1300
35 37 39 41 43 45 36 38 40 42 44
Pixels Pixels
(c) (d)
Figure 3.33 – Analyse des résultats de restauration de l’algorithme FWL. (a)-(b) FTMs des transitions
moyennes pour la séquence n°5 et la séquence n°7, respectivement. (c)-(d) Pics de corrélation des tran-
sitions moyennes avec la transition idéale pour la séquence n°5 et la séquence n°7, respectivement.
122
200 85
FWL Wiener local
Niveaux de gris 180 Laplacien local 80
Niveaux de gris
160 75
140 70
120 65
100 60
80 55
60 50
40 45
Wiener local FWL Laplacien local
20 40
0 20 40 60 80 100 120 0 20 40 60 80 100 120
Pixels Pixels
(a) (b)
240
220 Wiener local

200 FWL
Niveaux de gris
180
160
140
120
100
80
Laplacien local
60
40
0 10 20 30 40 50 60 70 80
Pixels
(c)
Figure 3.34 – Coupes horizontales sur les résultats du FWL. (a) Sur la séquence n°5 le long des barres
verticales : les barres à droite sont mieux détectées sur le résultat de l’algorithme FWL. (b) Sur la sé-
quence n°5 le long des ronds blancs : les ronds sont détectés sur un plus grand nombre de pixels sur le
résultat du FWL. (c) Sur la séquence n°7 sur les lettres les plus grandes : l’amélioration apportée par
l’algorithme FWL est faible à cause de la médiocre qualité de l’image de segmentation.
3.4.4 Conclusion sur l’algorithme FWL

Nous avons présenté un algorithme adaptatif de restauration de séquences perturbées par des
distortions locales dues à la turbulence atmosphérique. Cet algorithme hybride est basé sur un
filtre de Wiener local et une régularisation locale par le Laplacien. Les résultats obtenus af-
fichent une certaine dépendance par rapport à l’image de segmentation trouvée avec le filtre de
Canny-Deriche. Nous avons proposé une méthode pour choisir automatiquement le paramètre
global de Deriche, ainsi que le seuil haut. Pour la segmentation de l’image moyenne de la sé-
quence brute, qui est équivalente à une image longue pose, un paramètre local de Deriche est
lié à l’écart-type de la moyenne temporelle des PSFs détectées localement.
123
Les résultats de restauration satisfont simultanément les critères de netteté autour des contours et
de suppression du bruit dans les zones uniformes, ce qui donne en pratique une image adaptée
à la fois pour la visualisation et une application numérique postérieure. De plus, les formes
géométriques sont, dans la plupart des cas, moins bruitées et plus facilement détectées. Des
améliorations pourraient être faites au niveau du calcul de l’image de segmentation, notamment
en prenant en compte le bruit et les textures de la scène visualisée. Ceci pourrait être réalisé par
exemple en traitant les textures pendant les fermetures de contours [Milgram and Cocquerez,
1986; Philipp and Zamperoni, 1996], ou alors en séparant les textures avant la segmentation
[Gilles, 2006; Aujol et al., 2006].
3.5 Temps de calcul

Les différentes méthodes de restauration ont été implémentées avec le logiciel MATLAB. Le
traitement pour obtenir le résultat de l’algorithme FWL ne prend que quelques minutes une fois
que les résultats du Wiener local et du Laplacien local sont connus. L’implémentation itérative
de la régularisation par l’opérateur Laplacien est responsable de la plus grande partie du temps
de calcul global. La table 3.6 récapitule les temps de calculs observés pour chaque algorithme
de restauration.
Calcul sur une unique image 256 × 256 Temps moyen observé
Estimation d’une PSF 1s
Filtre inverse 3s
Régularisation de Tikhonov 3s
Régularisation par le Laplacien 2 min 30
Filtre de Wiener 2s
Calcul sur une séquence de 100 images 256 × 256 Temps moyen observé
(Isoplanétisme local, zones 13 × 13)
Méthode de restauration de Fraser et Lambert 8 min
(Wiener local)
Laplacien local 50 min
Algorithme FWL global 53 min
Table 3.6 – Temps de calcul moyens observés avec un processeur de 1.66 GHz.
124
3.6 Conclusion sur la restauration

Après avoir décrit différentes méthodes existantes pour la restauration de séquences d’images
dégradées par la turbulence atmosphériques, nous avons testé quelques méthodes classiques sur
des images que nous avons simulées, ainsi que sur des images réelles. Les meilleurs résultats
sont obtenus par le filtre de Wiener et la régularisation par le Laplacien.
Nous avons ensuite détaillé et testé la méthode de restauration de Fraser et Lambert (le Wie-
ner local) sur des séquences simulées, puis sur des séquences réelles. Les images résultats sont
moins bruitées et moins déformées grâce aux informations redondantes et complémentaires ap-
portées par chaque image de la séquence. Elles sont aussi plus contrastées, ce qui est un avantage
pour l’observation lointaine d’une scène.
Nous avons alors adapté cette méthode de traitement spatio-temporel à la régularisation par le
Laplacien. Les résultats obtenus sont certes moins contrastés, mais aussi moins bruités. De plus,
les contours sont réguliers et sans oscillation autour. Les résultats constituent de bonnes images
pour une application numérique postérieure.
L’idée de notre algorithme de restauration est de fusionner ces deux résultats (celui du Wiener
local et celui du Laplacien local) afin d’obtenir une image qui soit utilisable à la fois pour la
visualisation et un post-traitement numérique. La fusion se fait en fonction de la distance du
pixel courant par rapport aux contours : on privilégie le résultat du Wiener local sur et autour
des contours, et le résultat du Laplacien local dans les zones uniformes. La qualité des résultats
obtenus montre l’efficacité de notre algorithme hybride. Cette efficacité est cependant dépen-
dante de l’image de segmentation calculée. D’autres traitements pourraient être envisagés afin
d’améliorer cette image de segmentation, notamment la prise en compte des textures et du bruit.
125
126
Conclusion générale
Au cours de cette thèse, nous avons étudié les effets de la turbulence atmosphérique sur les ac-
quisitions d’images en vision horizontale lointaine.
Dans le premier chapitre, nous avons commencé par détailler les systèmes d’acquisition utilisés
par les militaires dans les domaines visible et infrarouge. Nous avons ensuite décrit les modèles
physiques de la turbulence atmosphérique, notamment la théorie de Kolmogorov. Enfin, nous
nous sommes intéressés aux perturbations de l’atmosphère sur la propagation des ondes et à
leur modélisation mathématique.
Le deuxième chapitre est dédié à la simulation d’images et de séquences dégradées par la turbu-
lence atmosphérique. L’étude physique de la turbulence réalisée dans le chapitre 1 nous a permis
d’élaborer des algorithmes de simulation des effets de la turbulence sur les images pour chaque
type de turbulence : l’isoplanétisme total, l’isoplanétisme local et l’anisoplanétisme. Nous avons
adapté certains algorithmes de simulation existants. Ces algorithmes de simulation sont exposés
et illustrés par plusieurs résultats. Nous nous sommes assurés de la concordance de nos résultats
avec le modèle de Kolmogorov et nous avons observé leurs limitations pratiques par rapport
à ce modèle. Le but de ces simulations n’était pas d’obtenir des images reflétant parfaitement
la réalité, mais plutôt des images assez proches de ce qui est généralement observé en vision
horizontale lointaine afin de pouvoir travailler sur la restauration de telles images.
Dans le chapitre 3, nous avons dans un premier temps mené une étude bibliographique sur la
restauration de séquences d’images et sur la diminution des effets de la turbulence. Ensuite, plu-
sieurs méthodes classiques de restauration ont été testées sur des images simulées et réelles. Les
résultats ne sont satisfaisants que pour une faible perturbation. L’étude bibliographique nous
a orienté vers une approche spatio-temporelle. Une telle méthode de traitement de séquence a
ensuite été testée sur des séquences simulées et réelles. Les résultats de restauration sont alors
nettement meilleurs. Ils satisfont les critères de qualité requis pour la visualisation. En revanche,
ils ne satisfont pas ceux nécessaires à un traitement numérique postérieur. L’algorithme de res-
tauration spatio-temporelle a alors été adapté à une méthode de régularisation locale, afin que
127
les résultats obtenus soient satisfaisants pour une post-application numérique. L’approche finale
de restauration proposée consiste à fusionner les deux résultats de traitement de séquence, afin
d’obtenir une image restaurée utilisable à la fois pour la visualisation et une application numé-
rique postérieure. Nos résultats montrent une nette amélioration au niveau de la résolution et du
débruitage. Le seul inconvénient est une certaine dépendance par rapport à l’image de segmen-
tation utilisée pour réaliser la fusion.
Les principales contributions de ces travaux sont :

– l’adaptation d’un algorithme de simulation d’images dégradées à chaque cas de turbulence,
– l’adaptation d’un algorithme de simulation de séquences dégradées à chaque cas de turbu-
lence,
– la généralisation de la méthode de restauration de Fraser et Lambert et son application à la
régularisation par le Laplacien,
– un nouvel algorithme hybride de restauration de séquence satisfaisant différents critères de
qualité.
En perspectives, nous envisageons d’améliorer l’image de segmentation utilisée dans notre al-
gorithme de fusion. En effet, la prise en compte des textures et du bruit global permettrait de
diminuer la détection de faux contours avec le filtre de Canny-Deriche. Nous avons d’ailleurs
souligné l’existence de certains travaux sur la séparation des structures, des textures et du bruit
dans une image.
Enfin, l’utilisation d’un algorithme de fermeture de contours devrait permettre une certaine
amélioration aussi bien pour la visualisation que pour un traitement numérique.
128
Bibliographie
[Al-Habash et al., 2001] Al-Habash, M. A., Andrews, L. C., and Phillips, R. L. (2001). Ma-
thematical model for the irradiance probability density function of a laser beam propagating
through turbulent media. Optical Engineering, 40(8) :1554–1562.
[Andrews and Hunt, 1977] Andrews, H. C. and Hunt, B. R. (1977). Digital Image Restoration.
Prentice Hall.
[Andrews et al., 1999] Andrews, L. C., Phillips, R. L., Hopen, C. Y., and Al-Habash, M. A.
(1999). Theory of optical scintillation. Journal of the Optical Society of America A,
16(6) :1417–1429.
[Aujol et al., 2006] Aujol, J.-F., Gilboa, G., and Osher, S. (2006). Structure-texture image de-
composition - Modeling, algorithms and parameter selection. International Journal of Com-
puter Vision, 67(1) :111–136.
[Batchelor, 1970] Batchelor, G. K. (1970). An Introduction to Fluid Dynamics. Cambridge
University Press.
[Beaumont, 1996] Beaumont, H. (1996). Caractérisation de la Turbulence Atmosphérique et
Procédure d’Amélioration des Images pour des Observations Horizontales au-dessus de la
Mer. PhD thesis, Université de Nice Sophia-Antipolis.
[Beland, 1993] Beland, R. R. (1993). Propagation through atmospheric optical turbulence. In
Smith, F. G., editor, The Infrared & Electro-Optical Systems Handbook, Atmospheric Propa-
gation of Radiation, volume 2, chapter 2.
[Billard et al., 1982] Billard, M., Fertin, G., and Fontanella, J.-C. (1982). Atmospheric tur-
bulence simulation cell for optical propagation experiment. Technical Report TR 1982-84,
ONERA.
[Bondeau, 1999] Bondeau, C. (1999). Étude d’Images Perturbées par la Turbulence Atmosphé-
rique : Simulation et Restauration. PhD thesis, Université de Bourgogne.
[Bondeau et al., 2000] Bondeau, C., Bourennane, E., and Paindavoine, M. (2000). Restoration
of a short-exposure image sequence degraded by atmospheric turbulence. Proceedings of
SPIE, Propagation and Imaging through the Atmosphere IV, 4125 :120–130.
129
[Boo and Bose, 1998] Boo, K. J. and Bose, N. K. (1998). A motion-compensated spatio-
temporal filter for image sequences with signal-dependent noise. IEEE Transactions on
Circuits and Systems for Video Technology, 8(3) :287–298.
[Borman and Stevenson, 1999] Borman, S. and Stevenson, R. L. (1999). Simultaneous multi-
frame map super-resolution video enhancement using spatio-temporal priors. Proceedings
of the 6th IEEE International Conference on Image Processing (ICIP).
[Caniou and Vuillermoz, 1991] Caniou, J. and Vuillermoz, P.-L. (1991). L’Observation et le
Mesurage par Thermographie. Afnor.
[Canny, 1986] Canny, J. (1986). A computational approach to edge detection. IEEE Transac-
tions on Pattern Analysis and Machine Intelligence (PAMI), 8(6) :679–698.
[Carhart and Vorontsov, 1998] Carhart, G. W. and Vorontsov, M. A. (1998). Synthetic ima-
ging : non-adaptive anisoplanatic image correction in atmospheric turbulence. Optics Letters,
23(10) :745–747.
[Conan, 1994] Conan, J.-M. (1994). Étude de la Correction Partielle en Optique Adaptative.
PhD thesis, Université Paris XI, ONERA.
[Conan et al., 1995] Conan, J.-M., Rousset, G., and Madec, P.-Y. (1995). Wavefront temporal
spectra in high resolution imaging through turbulence. Journal of the Optical Society of
America A, 12 :1559–1570.
[Conan et al., 1998] Conan, J.-M., Rousset, G., and Madec, P.-Y. (1998). Myopic deconvo-
lution of adaptive optics images by use of object and point-spread function power spectra.
Applied Optics, 37(21) :4614–4622.
[Conan, 2000] Conan, R. (2000). Modélisation des Effets de l’Échelle Externe de Cohérence
Spatiale du Front d’Onde en Observation à Haute Résolution Angulaire en Astronomie. PhD
thesis, Université de Nice.
[Dai, 1994] Dai, G.-M. (1994). Wavefront simulation for atmospheric turbulence. Proceedings
of SPIE, 2302 :62–72.
[Dekeyser, 2001] Dekeyser, F. (2001). Restauration de Séquences d’Images par des Ap-
proches Spatio-Temporelles : Filtrage et Super-Résolution par le Mouvement. PhD thesis,
IRISA/INRIA, Rennes.
[Dekeyser et al., 2000] Dekeyser, F., Pérez, P., and Bouthemy, P. (2000). Restoration of noisy,
blurred, undersampled image sequences using a parametric motion model. Réseaux et Sys-
tèmes Répartis : Calculateurs Parallèles, 12(3) :387–405.
[Deriche, 1987] Deriche, R. (1987). Using Canny’s criteria to derive a recursively implemented
optimal edge detector. International Journal of Computer Vision, 1(2) :167–187.
130
[Elad and Feuer, 1997] Elad, M. and Feuer, A. (1997). Restoration of a single superresolution
image from several blurred, noisy and undersampled measured images. IEEE Transactions
on Image Processing, 6(12) :1646–1658.
[Flicker and Rigaut, 2005] Flicker, R. C. and Rigaut, F. J. (2005). Anisoplanatic deconvolution
of adaptive optics images. Journal of the Optical Society of America A, 22(3) :504–513.
[Frakes et al., 2001] Frakes, D. H., Monaco, J. W., and Smith, M. J. T. (2001). Suppression
of atmospheric turbulence in video using an adaptive control grid interpolation approach.
Proceedings of IEEE International Conference on Acoustics, Speech, and Signal Processing
(ICASSP), pages 1881–1884.
[Fraser and Lambert, 2004] Fraser, D. and Lambert, A. (2004). Information retrieval from a
position-varying point spread function. Proceedings of Conference on Advanced Concepts
for Intelligent Vision Systems (ACIVS).
[Fraser et al., 1998] Fraser, D., Thorpe, G., and Lambert, A. (1998). Atmospheric turbulence
visualisation through image time-sequence registration. Proceedings of the International
Conference on Pattern Recognition (ICPR), II :1768–1770.
[Fried, 1965] Fried, D. L. (1965). Statistics of a geometric representation of wavefront distor-
tion. Journal of the Optical Society of America, 55(11) :1427–1435.
[Fried, 1966] Fried, D. L. (1966). Optical resolution through a randomly inhomogeneous me-
dium for very long and very short exposures. Journal of the Optical Society of America,
56(10) :1372–1379.
[Fried, 1982] Fried, D. L. (1982). Anisoplanatism in adaptive optics. Journal of the Optical
Society of America, 72(1) :52–61.
[Fuchs et al., 1996] Fuchs, A., Vernin, J., and Tallon, M. (1996). Laboratory simulation of a
turbulent layer : optical and in situ characterization. Applied Optics, 35(10) :1751–1755.
[Fusco et al., 2000] Fusco, T., Conan, J.-M., Michau, V., Rousset, G., and Mugnier, L. (2000).
Isoplanatic angle and optimal guide star separation for multiconjugate adaptive optics. Pro-
ceedings of SPIE Conference on Adaptive Optical Systems Technology, 4007 :1044–1055.
[Gaussorgues, 1999] Gaussorgues, G. (1999). La Thermographie Infrarouge : Principes, Tech-
nologies, Applications. Tec & doc.
[Gautier et al., 1996] Gautier, B., Prost, R., Prudon, G., and Dupuis, J.-C. (1996). Deconvolu-
tion of sims depth profiles of boron in silicon. Surface and Interface Analysis, 24 :733–745.
[Gepshtein et al., 2004] Gepshtein, S., Shteinman, A., Fishbain, B., and Yaroslavsky, L. P.
(2004). Restoration of atmospheric turbulent video containing real motion using rank fil-
tering and elastic image registration. Proceedings of the 12th European Signal Processing
Conference (EUSIPCO), pages 477–480.
131
[Gilles, 2006] Gilles, J. (2006). Décomposition et Détection de Structures Géométriques en
Imagerie. PhD thesis, ENS Cachan.
[Glindemann et al., 1993] Glindemann, A., Lane, R. G., and Dainty, J. C. (1993). Simulation
of time-evolving speckle patterns using Kolmogorov statistics. Journal of Modern Optics,
40(12) :2381–2388.
[Golub et al., 1999] Golub, G. H., Hansen, P. C., and O’Leary, D. P. (1999). Tikhonov re-
gularization and total least squares. SIAM Journal on Matrix Analysis and Applications,
21(1) :185–194.
[Gonzalez and Woods, 1977] Gonzalez, R. C. and Woods, R. E. (1977). Digital Image Proces-
sing. Addison-Wesley.
[Granier, 1996] Granier, B. (1996). Restauration d’Images Perturbées par la Turbulence At-
mosphérique. PhD thesis, Université de Paris-Sud XI, Orsay.
[Granier et al., 1996] Granier, B., J. Figue, and Réfrégier, P. (1996). Restoration of images
degraded by atmospheric turbulence by a least-squares method and a Markov process. Optics
Letters, 21(6) :423–425.
[Hajian and Armstrong, 2001] Hajian, A. R. and Armstrong, J. T. (2001). A sharper view of
the stars. Scientific American, 284(3) :48–55.
[Hansen, 1994] Hansen, P. C. (1994). Regularization tools : a MATLAB package for analysis
and solution of discrete ill-posed problems. Numerical Algorithms, 6 :1–35.
[Hansen and O’Leary, 1993] Hansen, P. C. and O’Leary, D. P. (1993). The use of the L-curve
in the regularization of discrete ill-posed problems. SIAM Journal on Scientific Computing,
14(6) :1487–1503.
[Hillion et al., 1989] Hillion, A., Boucher, J.-M., and Roux, C. (1989). Télédétection en Fran-
cophonie. AUPELF-UREF, John Libbey Eurotext.
[Hippler et al., 2006] Hippler, S., Hormuth, F., Butler, D. J., Brandner, W., and Henning, T.
(2006). Atmosphere-like turbulence generation with surface-etched phase-screens. Optical
Express, 14 :10139–10148.
[Hutt, 1999] Hutt, D. L. (1999). Modeling and measurements of atmospheric optical turbulence
over land. Optical Engineering, 38(8) :1288–1295.
[Hutt et al., 1994] Hutt, D. L., Bissonnette, L. R., and Durand, L. (1994). Multiple field of view
lidar returns from atmospheric aerosols. Applied Optics, 33(12) :2338.
[Hutt and Tofsted, 2000] Hutt, D. L. and Tofsted, D. H. (2000). Effect of atmospheric turbu-
lence on propagation of ultraviolet radiation. Optics and Laser Technology, 32(1) :39–48.
[Irani and Peleg, 1993] Irani, M. and Peleg, S. (1993). Motion analysis for image enhance-
ment : resolution, occlusion and transparency. Journal of Visual Communications and Image
Representation, 4(4) :324–335.
132
[Jakeman et al., 1978] Jakeman, E., Parry, G., Pike, E. R., and Pusey, P. N. (1978). The twink-
ling of stars. Contemporary Physics, 19(2) :127–145.
[Kokaram, 1998] Kokaram, A. C. (1998). Motion Picture Restoration. Springer.
[Kolmogorov, 1941] Kolmogorov, A. N. (1941). The local structure of turbulence in incom-
pressible viscous fluid for very large Reynolds numbers. Doklady Akademii Nauk SSSR
(Proceedings of the Academy of Sciences of the USSR), 30 :299–303.
[Kolmogorov, 1991] Kolmogorov, A. N. (1991). The local structure of turbulence in incom-
pressible viscous fluid for very large Reynolds numbers. Royal Society of London Procee-
dings Series A, 434(1890) :9–13.
[Kornprobst et al., 1997] Kornprobst, P., Deriche, R., and Aubert, G. (1997). Image sequence
restoration : a PDE based coupled method for image restoration and motion segmentation.
Technical Report RR-3308, Sophia Antipolis.
[Kornprobst et al., 1999] Kornprobst, P., Deriche, R., and Aubert, G. (1999). Image sequence
analysis via partial differential equations. Journal of Mathematical Imaging and Vision,
11(1).
[Kouznetsov et al., 1997] Kouznetsov, D., Voitsekhovich, V. V., and Ortega-Martinez, R.
(1997). Simulations of turbulence-induced phase and log-amplitude distorsions. Applied
Optics, 36(2) :464–469.
[Laligant et al., 2005] Laligant, O., Truchetet, F., and Dupasquier, A. (2005). Edge enhance-
ment by local deconvolution. Pattern Recognition, 38 :661–672.
[Lane et al., 1992] Lane, R. G., Glindemann, A., and Dainty, J. C. (1992). Simulation of a
Kolmogorov phase screen. Waves in Random Media, 2 :209–224.
[Lesieur, 1994] Lesieur, M. (1994). La Turbulence. EDP Sciences.
[Li et al., 2005] Li, D., Mersereau, R., Frakes, D., and Smith, M. J. T. (2005). New method
for suppressing optical turbulence in video. Proceedings of the European Signal Processing
Conference (EUSIPCO).
[Li et al., 2007] Li, D., Simske, S., and Mersereau, R. (2007). Blind image deconvolution using
constrained variance maximization. Proceedings of the 38th Asilomar Conference on Signals,
Systems and Computers.
[Léna et al., 1996] Léna, M., Lebrun, F., and Mignard, F. (1996). Méthodes Physiques de l’Ob-
servation. EDP Sciences.
[Mahé, 2000] Mahé, F. (2000). Application d’un Modèle Atmosphérique à l’Étude des Fluctua-
tions d’Indice de Réfraction dans la Couche Limite, Influence de la Scintillation sur l’Analyse
de Surface d’Onde. PhD thesis, ONERA (Département d’Optique Théorique et Appliquée).
133
[Mancina, 2001] Mancina, G. (2001). Amélioration de la Résolution en Profondeur de l’Ana-
lyse SIMS par Déconvolution : Algorithmes Spécifiques et Application aux Couches Dopées
Ultra-Minces de la Micro-Électronique Silicium. PhD thesis, INSA Lyon.
[McGlamery, 1967] McGlamery, B. L. (1967). Restoration of turbulence degraded images.
Journal of the Optical Society of America, 57(3) :278–299.
[McGlamery, 1976] McGlamery, B. L. (1976). Computer simulation studies of compensa-
tion of turbulence degraded images. Proceedings of SPIE Conference on Image Processing,
74 :225–233.
[Milgram and Cocquerez, 1986] Milgram, M. and Cocquerez, J.-P. (1986). Fermeture des
contours par un opérateur local. Traitement du Signal, 3(6) :303–311.
[Moradi et al., 2005] Moradi, M., Koriabin, A. V., and Shmalhauser, V. I. (2005). Simulation
of anisoplanatism of adaptive optical system in inhomogeneous turbulent atmosphere. Pro-
ceedings of SPIE, 6024 :562–569.
[Noll, 1976] Noll, R. J. (1976). Zernike polynomials and atmospheric turbulence. Journal of
the Optical Society of America, 66(3) :207–211.
[Obukhov, 1983] Obukhov, A. M. (1983). Kolmogorov flow and laboratory simulation of it.
Russian Mathematic Survey, 38(4) :113–126.
[Ozkan et al., 1992] Ozkan, M. K., Erdem, A. T., Sezan, M. I., and Tekalp, A. M. (1992). Ef-
ficient multiframe wiener restoration of blurred and noisy image sequences. IEEE Transac-
tions on Image Processing, 1(4) :453–475.
[Ozkan et al., 1993] Ozkan, M. K., Sezan, M. I., and Tekalp, A. M. (1993). Adaptive motion-
compensated filtering of noisy image sequences. IEEE Transactions on Circuits and Systems
for Video Technology, 3(4) :277–288.
[Philipp and Zamperoni, 1996] Philipp, S. and Zamperoni, P. (1996). Segmentation and
contour closing of textured and non-textured images using distances between textures. Pro-
ceedings of International Conference on Image Processing (ICIP), 3 :125–128.
[Pope, 2000] Pope, S. B. (2000). Turbulent Flows. Cambridge University Press.
[Primot, 1989] Primot, J. (1989). Application des Techniques d’Analyse de Surface d’Onde à la
Restauration d’Images Dégradées par la Turbulence Atmosphérique. PhD thesis, Université
Paris-Sud, Orsay, ONERA.
[Primot et al., 1990] Primot, J., Rousset, G., and Fontanella, J.-C. (1990). Deconvolution from
wave-front sensing : a new technique for compensating turbulence-degraded images. Journal
of the Optical Society of America A, 7(9) :1598–1608.
[Robert et al., 2005] Robert, C., Conan, J.-M., Michau, V., Fusco, T., and Vedrenne, N. (2005).
Scintillation and phase anisoplanatism in Shack-Hartmann wavefront sensing. Journal of the
Optical Society of America A, 23(3) :613–624.
134
[Roddier, 1981] Roddier, F. (1981). The effects of atmospheric turbulence in optical astronomy.
pages 281–376.
[Roddier, 1998] Roddier, F. (1998). Maximum gain and efficiency of adaptive optics systems.
The Publications of the Astronomical Society of the Pacific, 110(749) :837–840.
[Roddier, 1990] Roddier, N. (1990). Atmospheric wavefront simulation using Zernike polyno-
mials. Optical Engineering, 29(10) :1174–1180.
[Sadot et al., 1995] Sadot, D., Lorman, G., Lapardon, R., and Kopeika, N. S. (1995). Restora-
tion of thermal images distorted by the atmosphere using predicted atmospheric modulation
transfer function. Infrared Physics & Technology, 36(2) :565–576.
[Samy, 1985] Samy, R. (1985). An adaptive image sequence filtering scheme based on motion
detection. Proceedings of SPIE, Architectures and Algorithms for Digital Image Processing,
596 :135–144.
[Sheppard et al., 1998] Sheppard, D. G., Hunt, B. R., and Marcellin, M. W. (1998). Iterative
multiframe superresolution algorithms for atmospheric-turbulence-degraded imagery. Jour-
nal of the Optical Society of America A, 15(4) :978–992.
[Stull, 1988] Stull, R. B. (1988). An Introduction to Boundary Layer Meteorology. Kluwer
academic Publishers.
[Tatarski, 1961] Tatarski, V. I. (1961). Wave Propagation in a Turbulent Medium. McGraw-
Hill.
[Thomas, 1981] Thomas, G. (1981). A modified version of Van-Cittert iterative deconvolution
procedure. IEEE Transactions on Acoustics, Speech and Signal Processing, 29(4) :938–939.
[Tikhonov and Arsenin, 1977] Tikhonov, A. N. and Arsenin, V. Y. (1977). Solutions of Ill-
Posed Problems. Winston & Sons.
[Tofsted, 2001] Tofsted, D. H. (2001). Turbulence simulation : on phase and deflector screen
generation. Technical Report TR A051793, Storming Media.
[Tokovinin, 2004] Tokovinin, A. A. (2004). Ground layer sensing and compensation. Procee-
dings of SPIE Second Backaskog Workshop on Extremely Large Telescopes, 5382 :490–499.
[Tubbs, 2005] Tubbs, R. (2005). The effect of wavefront corrugations on fringe motion in an
astronomical interferometer with spatial filters. Applied Optics IP, 44(29) :6253–6257.
[VanRossmalen et al., 1996] VanRossmalen, P.-M. B., Westen, S. J. P., Lagendijk, R., and Bie-
mond, J. (1996). Noise reduction for image sequences usind an oriented pyramid threshol-
ding technique. Proceedings of the 3rd IEEE International Conference on Image Processing
(ICIP), pages 375–378.
[Voisekhovich et al., 1999] Voisekhovich, V. V., Kouznetsov, D., Orlov, V. G., and Cuevas, S.
(1999). Method of random wave vectors in simulation of anisoplanatic effects. Applied
Optics, 38(19) :3985–3992.
135
[VonKarman, 1948] VonKarman, T. (1948). Progress in the statistical theory of turbulence.
Proceedings of the National Academy of Science, 34 :530–539.
[Wang, 2006] Wang, G. (2006). A new random phase-screen time series simulation algorithm
for dynamically atmospheric turbulence wavefront generator. Proceedings of SPIE, 6027.
[Wen et al., 2006] Wen, Z., Fraser, D., and Lambert, A. (2006). Bicoherence used to predict
lucky regions in turbulence affected surveillance. Proceedings of the IEEE International
Conference on Video and Signal Based Surveillance (AVSBS), page 108.
[Williams et al., 1988] Williams, T. L., Burnay, S. G., and Jones, C. H. (1988). Applications of
Thermal Imaging. Institute of Physics Publishing.
[Yaroslavsky et al., 2004] Yaroslavsky, L. P., Fishbain, B., Shteinman, A., and Gepshtein, S.
(2004). Processing and fusion of thermal and video sequences for terrestrial long range
observation systems. Proceedings of the Seventh International Conference on Information
Fusion, II :848–855.
[Yitzhaky et al., 1997] Yitzhaky, Y., Dror, I., and Kopeika, N. S. (1997). Restoration of atmos-
pherically blurred images according to weather predicted atmospheric modulation transfer
functions. Optical Engineering, 36(11) :3064–3072.
136
Publications
Conférences internationales :
Magali Lemaitre, Olivier Laligant, Jacques Blanc-Talon, Fabrice Mériaudeau, Atmospheric Tur-
bulence Effects Removal on Infrared Sequences Degraded by Local Isoplanatism, Springer-
Verlag, Lecture Notes in Computer Science, IbPRIA’07 (Iberian Conference on Pattern Recog-
nition and Image Analysis), Part II, 4478 : 274–281, Gérone, Espagne, Juin 2007
Magali Lemaitre, Olivier Laligant, Jacques Blanc-Talon, Fabrice Mériaudeau, Local Isoplana-
tism Effects Removal on Infrared Sequences, Proceedings of SPIE, QCAV’07 (Quality Control
by Artificial Vision), Vol. 6356, Le Creusot, France, Mai 2007
Magali Lemaitre, Jacques Blanc-Talon, Fabrice Mériaudeau, Olivier Laligant, Evaluation of

Infrared Image Restoration Techniques, SPIE Optics/Photonics in Security & Defence, Electro-
Optical and Infrared Systems : Technology and Applications III, Vol. 6395, Stockholm, Suède,
Septembre 2006
Magali Lemaitre, Fabrice Mériaudeau, Olivier Laligant, Jacques Blanc-Talon, Restoration of

Images with Atmospheric Perturbation Simulation, DICTA’05 (Digital Image Computing : Tech-
niques and Applications), Cairns, Australie, p. 18, Décembre 2005
Magali Lemaitre, Fabrice Mériaudeau, Olivier Laligant, Jacques Blanc-Talon, Distant Hori-
zontal Ground Observation : Atmospheric Perturbation Simulation and Image Restoration, SI-
TIS’05 (Signal-Image Technology & Internet-based Systems), p. 77–84, Yaoundé, Cameroun,
Novembre 2005
137
138
Abstract
Research activities presented in this thesis deal with a study of atmospheric turbulence in hori-
zontal observation at a long distance and restoration of degraded video sequences in the visible
and infrared domains. Atmospheric turbulence is a well-known phenomena, particularly by as-
tronomers in the case of vertical propagation. Concerning ground-to-ground propagation, turbu-
lence is easily observable above an over-heated road. This turbulence is all the more awkward
as it strongly degrades image acquisitions on long distances. Soldiers are then often confronted
with this kind of degradation during their monitoring operations.
In the first part, military acquisition systems in the visible and infrared domains are detailed and
the physical properties of turbulence and their effects in imagery are recalled. In the second part,
several algorithms of simulation are exposed, enabling us to generate short exposure degraded
images and video sequences, according to the desired type of turbulence. The last part concerns
restoration. Some classical restoration methods are tested on simulated images as well as on
real ones. The best restoration results are satisfactory only for weak turbulence. A space-time
method of sequence processing is then tested on simulated sequences and on real ones. The
obtained results are largely better. They satisfy the quality standards necessary for visualization.
On the other hand, they do not satisfy those necessary for a posterior digital application. This
restoration method is then adapted to a regularization, so that the obtained results are satisfac-
tory for a post-application. The final suggested restoration approach consists in amalgamating
the two last restoration results in order to obtain a restored image usable at the same time for
visualization and a digital post-application. Our results show a clear improvement on resolution
and denoising. The only disadvantage is a certain dependence on the segmentation image used
to carry out fusion.
Keywords : Atmospheric turbulence, horizontal propagation, local degradations, turbulence

effects simulation, space-time restoration.
Résumé
Les travaux présentés dans cette thèse concernent l’étude de la turbulence atmosphérique en
vision horizontale lointaine et la restauration de séquences d’images dégradées par cette turbu-
lence dans les domaines visible et infrarouge. La turbulence atmosphérique est un phénomène
bien connu, notamment par les astronomes dans le cas de la propagation verticale. En ce qui
concerne la propagation horizontale au sol, elle est facilement observable au-dessus d’une route
surchauffée. Cette turbulence est d’autant plus gênante qu’elle dégrade fortement les acquisi-
tions d’images sur de longues distances. Les militaires sont donc souvent confrontés à ce type
de dégradation lors de leurs opérations de surveillance.
Après avoir détaillé les systèmes d’acquisition militaires dans le visible et l’infrarouge, les
propriétés physiques de la turbulence sont rappelées, ainsi que leurs effets en imagerie. Plu-
sieurs algorithmes de simulation sont ensuite exposés, nous permettant de générer des images
courte pose dégradées ainsi que des séquences dégradées, selon le type de turbulence sou-
haité. Quelques méthodes classiques de restauration sont testées sur des images simulées et
des images réelles. Les meilleurs résultats de restauration ne sont satisfaisants que pour une
faible perturbation. Une méthode spatio-temporelle de traitement de séquence est ensuite testée
sur des séquences simulées ainsi que sur des séquences réelles. Les résultats sont alors nette-
ment meilleurs. Ils satisfont les critères de qualité requis pour la visualisation. En revanche,
ils ne satisfont pas ceux requis pour une application numérique postérieure. Cette méthode de
restauration est alors adaptée à une régularisation, afin que les résultats obtenus soient satisfai-
sants pour une post-application. L’approche finale de restauration proposée consiste à fusionner
les deux résultats de traitement de séquence, afin d’obtenir une image restaurée utilisable à la
fois pour la visualisation et une post-application numérique. Nos résultats montrent une nette
amélioration au niveau de la résolution et du débruitage. Le seul inconvénient est une certaine
dépendance par rapport à l’image de segmentation utilisée pour réaliser la fusion.
Mots-Clefs : Turbulence atmosphérique, propagation horizontale, dégradations locales, simu-

lation des effets de la turbulence, restauration spatio-temporelle.

Lemaitre These

Transféré par

Droits d'auteur :

Formats disponibles

Lemaitre These

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Lemaitre These

Transféré par

Droits d'auteur :

Formats disponibles

U NIVERSITÉ DE B OURGOGNE

U.F.R. S CIENCES ET T ECHNIQUES

pour obtenir le grade de

É TUDE DE LA T URBULENCE ATMOSPHÉRIQUE

Soutenue le 6 Juillet 2007

Atilla BASKURT Professeur LIRIS Rapporteur

Enfin, je tiens à remercier tout particulièrement Tristan. . . pour TOUT ! ! !

2 Simulation des effets de la turbulence atmosphérique sur des acquisitions d’images 43

3 Restauration de séquences dégradées par la turbulence atmosphérique 79

Conclusion générale 127

1.1 Spectre des longueurs d’onde. Adapté de http ://www.solarproducts.com. . . . . 4

3.1 Exemple de courbe en L obtenue. À chaque point correspond un paramètre γ. . 86

2.1 Temps de calcul moyens observés avec un processeur de 1.66 GHz. . . . . . . 77

3.1 Valeurs du θ0 et de l’IFOV pour les images ou séquences étudiées. . . . . . . . 96

La turbulence atmosphérique est un phénomène bien connu et facilement observable au-dessus

Dans le chapitre 3, nous nous intéressons à la restauration d’images et de séquences d’images

Les conclusions et perspectives sont rassemblées dans la dernière partie.

1.1 Systèmes d’acquisitions dans le visible et l’infrarouge

L’atmosphère terrestre possède un facteur de transmission sélectif des radiations électromagné-

Figure 1.1 – Spectre des longueurs d’onde. Adapté de http ://www.solarproducts.com.

Figure 1.3 – Transmittance atmosphérique. Source : http ://www.univ-paris-diderot.fr/Led/cies.

1.1.2 Caméras visibles

Avantages des caméras visibles :

Limitation des caméras visibles :

1.1.3 Imagerie infrarouge

1.1.3.1 Généralités sur le spectre infrarouge

1.1.3.2 Imageur laser ELVISS (bandes I et II)

Figure 1.6 – Principe de l’imagerie active.

Avantages de l’imagerie en IR réfléchi :

Limitations de l’imagerie en IR réfléchi :

1.1.3.3 Imagerie thermique (bande II)

Principe de l’imagerie thermique :

– k est la constante de Boltzmann : 1.38 × 10−23 J.K −1 ,

Pour ces corps réels, la loi de Stefan-Boltzmann est alors modifiée :

Avantage de la technologie thermique :

Limitations de la technologie thermique :

1.1.4 Conclusion sur les systèmes d’observation

1.2 Turbulence atmosphérique

1.2.1 La turbulence en mécanique des fluides

1.2.1.2 Représentation de la turbulence en dynamique des fluides

1.2.1.3 Les deux types de transport de la quantité de mouvement

La diffusion moléculaire est un processus aléatoire d’événements indépendants. Chaque molé-

où ν est la viscosité cinématique.

où U est la vitesse périphérique du tourbillon.

1.2.1.4 Nombre de Reynolds

Le nombre de Reynolds Re est un nombre sans dimension défini par :

On distingue trois principaux régimes :

1.2.1.5 Les origines de la turbulence

petite perturbation petite perturbation

1.2.1.6 La couche limite et le phénomène de décollement

où U représente la vitesse de l’écoulement.

Pour des nombres de Reynolds suffisamment grands, le décollement apparaîtra inévitablement

1.2.1.7 Transitions vers la turbulence

On peut regrouper les transitions en deux classes :

Transitions à caractère sous-critique : Il existe des écoulements où la géométrie et les condi-

Le nombre de Reynolds est défini à partir de la vitesse amont U, du diamètre du cylindre d, et

1.2.2 Théorie de Kolmogorov

1.2.2.1 Production d’une gamme d’échelles

Un écoulement turbulent est un écoulement à grand nombre de Reynolds, donc un écoulement

Remarque : Le mécanisme d’étirement de la vorticité (qui concentre la vorticité sous l’action