inria-00546222, version 2

Strategies for processing images with 4D-Var data assimilation methods

Isabelle Herlin () ^1, 2, Dominique Béréziat () ³, Nicolas Mercier () ^1, 2

N° RR-7495 (2010)

• 1 :  CLIME (INRIA Rocquencourt)
• https://www.rocq.inria.fr/clime/
  INRIA – Ecole des Ponts ParisTech France
• 2 :  Centre d'Enseignement et de Recherche en Environnement Atmosphérique (CEREA)
• http://www.enpc.fr/cerea/fr/
  EDF – Ecole des Ponts ParisTech Cité Descartes 19 rue Alfred Nobel 77455 Marne la Vallée cedex 2 France
• 3 :  Laboratoire d'Informatique de Paris 6 (LIP6)
• http://www.lip6.fr/
  CNRS : UMR7606 – Université Pierre et Marie Curie [UPMC] - Paris VI 4 Place JUSSIEU 75252 PARIS CEDEX 05 France

Versions disponibles :  v1 (14-12-2010) v2 (19-12-2010)

Références bibliographiques

• Type de publication : Rapports
• Domaine : Informatique/Traitement des images
• Titre : Strategies for processing images with 4D-Var data assimilation methods
• Résumé : Data Assimilation is a well-known mathematical technic used, in environmental sciences, to improve, thanks to observation data, the forecasts obtained by meteorological, oceanographic or air quality simulation models. It aims to solve the evolution equations, describing the dynamics of the state variables, and an observation equation, linking at each space-time location the state vector and the observations. Data Assimilation allows to get a better knowledge of the actual system's state, named the reference. In this article, we first describe various strategies that can be applied in the framework of variational data assimilation to study various image processing issues. Second, we detail the mathematical setting and the analysis of pros and cons of each strategy for the issue of motion estimation. Last, results are provided on synthetic images and satellite acquisitions.
• Résumé français : L'assimilation de données est un outil largement utilisé dans les sciences de l'environnement pour améliorer, au moyen de données d'observation, les prédictions obtenues par les modèles de simulation. Elle s'applique en météorologie, en océanographie et en qualité de l'air, par exemple. L'assimilation de données permet de résoudre les équations d'évolution, décrivant la dynamique des variables d'état du modèle, et les équations d'observation, qui lient le vecteur d'état et les observations. Dans cet article, nous décrivons plusieurs stratégies d'assimilation d'images, dans le contexte de la formulation faible de l'assimilation variationnelle. Nous détaillons ensuite les équations mathématiques de ces stratégies et nous analysons leurs avantages et défauts respectifs pour une application à l'estimation du mouvement. Des résultats sont fournis sur des données synthétiques et des images satellite.
• Classification ACM :

  I.: Computing Methodologies/I.4: IMAGE PROCESSING AND COMPUTER VISION

  G.: Mathematics of Computing/G.1: NUMERICAL ANALYSIS

  G.: Mathematics of Computing/G.1: NUMERICAL ANALYSIS/G.1.8: Partial Differential Equations/G.1.8.6: Inverse problems

  G.: Mathematics of Computing/G.1: NUMERICAL ANALYSIS/G.1.6: Optimization

• Langue du document : Anglais
• Type de rapport : Rapport de recherche
• Nombre de pages : 23 pages
• Date de publication : 23/12/2010
• Référence interne : RR-7495

Liste des fichiers attachés à ce document :

• inria-00546222, version 2
• http://hal.inria.fr/inria-00546222
• oai:hal.inria.fr:inria-00546222
• Contributeur : Dominique Béréziat <>
• Soumis le : Vendredi 17 Décembre 2010, 19:09:31
• Dernière modification le : Lundi 20 Décembre 2010, 11:48:17