Détection et caractérisation d'objets à partir de signaux faibles dans des images : applications en astronomie et microscopie

La détection et la caractérisation d’objets dans des images à faible rapport signal sur bruit est un problème courant dans de nombreux domaines tels que l’astronomie ou la microscopie. En astronomie, la détection des exoplanètes et leur caractérisation par imagerie directe depuis la Terre sont des sujets de recherche très actifs. Une étoile cible et son environnement proche (abritant potentiellement des exoplanètes) sont observés sur de courtes poses. En microscopie, l’holographie en ligne est une méthode de choix pour caractériser à faibles coûts les objets microscopiques. Basée sur l’enregistrement d’un hologramme, elle permet une mise au point numérique dans n’importe quel plan du volume 3-D imagé. Dans ces deux applications cibles, le problème est rendu difficile par le faible contraste entre les objets et le fond non stationnaire des images enregistrées.Dans cette thèse, nous proposons un algorithme non-supervisé dédié à la détection et à la caractérisation d’exoplanètes par une modélisation statistique des fluctuations du fond. Cette méthode est basée sur une modélisation de la distribution statistique des données à une échelle locale de patchs, capturant ainsi leur covariances spatiales. Testé sur plusieurs jeux de données de l’imageur haut-contraste SPHERE opérant au Très Grand Télescope Européen, cet algorithme atteint de meilleures performances que les méthodes de l’état de l’art. En particulier, les cartes de détection produites sont stationnaires et statistiquement fondées. La détection des exoplanètes peut ainsi être effectuée à probabilité de fausse alarme contrôlée. L’estimation de la distribution d’énergie spectrale des sources détectées est également non biaisée. L’utilisation d’un modèle statistique permet également de déduire des précisions photométriques et astrométriques fiables. Ce cadre méthodologique est ensuite adapté pour la détection de motifs spatialement étendus tels que les motifs de diffraction rencontrés en microscopie holographique qui sont également dominés par un fond non-stationnaire. Nous proposons aussi des approches robustes basées sur des stratégies de pondération afin de réduire l’influence des nombreuses valeurs aberrantes présentes sur les données réelles. Nous montrons sur des vidéos holographiques que les méthodes de pondération proposées permettent d’atteindre un compromis biais/variance. En astronomie, la robustesse améliore les performances de détection, en particulier à courtes séparations angulaires, où les fuites stellaires dominent. Les algorithmes développés sont également adaptés pour tirer parti de la diversité spectrale des données en plus de leur diversité temporelle, améliorant ainsi leurs performances de détection et de caractérisation. Tous les algorithmes développés sont totalement non-supervisés: les paramètres de pondération et/ou de régularisation sont estimés directement à partir des données. Au-delà des applications considérées en astronomie et en microscopie, les méthodes de traitement du signal introduites dans cette thèse sont générales et pourraient être appliquées à d’autres problèmes de détection et d’estimation.Detecting and characterizing objects in images in the low signal-to-noise ratio regime is a critical issue in many areas such as astronomy or microscopy. In astronomy, the detection of exoplanets and their characterization by direct imaging from the Earth is a hot topic. A target star and its close environment (hosting potential exoplanets) are observed on short exposures. In microscopy, in-line holography is a cost-effective method for characterizing microscopic objects. Based on the recording of a hologram, it allows a digital focusing in any plane of the imaged 3-D volume. In these two fields, the object detection problem is made difficult by the low contrast between the objects and the nonstationary background of the recorded images.In this thesis, we propose an unsupervised exoplanet detection and characterization algorithm based on the statistical modeling of background fluctuations. The method, based on a modeling of the statistical distribution of patches, captures their spatial covariances. It reaches a performance superior to state-of-the-art techniques on several datasets of the European high-contrast imager SPHERE operating at the Very Large Telescope. It produces statistically grounded and spatially-stationary detection maps in which detections can be performed at a constant probability of false alarm. It also produces photometrically unbiased spectral energy distributions of the detected sources. The use of a statistical model of the data leads to reliable photometric and astrometric accuracies. This methodological framework can be adapted to the detection of spatially-extended patterns in strong structured background, such as the diffraction patterns in holographic microscopy. We also propose robust approaches based on weighting strategies to reduce the influence of the numerous outliers present in real data. We show on holographic videos that the proposed weighting approach achieves a bias/variance tradeoff. In astronomy, the robustness improves the performance of our detection method in particular at close separations where the stellar residuals dominate. Our algorithms are adapted to benefit from the possible spectral diversity of the data, which improves the detection and characterization performance. All the algorithms developed are unsupervised: weighting and/or regularization parameters are estimated in a data-driven fashion. Beyond the applications in astronomy and microscopy, the signal processing methodologies introduced are general and could be applied to other detection and estimation problems