Inversion de données pour l’imagerie spectrale sur-résolue en astronomie François O RIEUX 1, Thomas RODET 1, Jean-François G IOVANNELLI 1 et Alain A BERGEL 2 orieux, rodet, giovannellilss.supele.fr / alain.abergelias.u-psud-fr 1Laboratoire des Signaux et Systèmes (CNRS – Supélec – UPS ) Supélec, Plateau de Moulon, 91192 Gif–sur–Yvette Cedex, France 2Institut d’Astrophysique Spatiale (CNRS – UPS ) Université Paris-Sud, Bât. 121, 91405 Orsay, France O 1 C F (i; j ) R 0 0 Ciel f Convolution par l’ouverture O (; ; ) 1.2 Résumé Nous nous intéressons à l’inversion de données infrarouges issues du spectromètre IRS du satellite S PITZER [1]. Les obstacles rencontrés sont la complexité de l’instrument et un phénomène de souséchantillonnage. Tout d’abord, un modèle instrument réaliste, continue et explicite est obtenu avec des approximations gaussiennes pour les réponses, mais surtout avec une décomposition originale du ciel sur des gaussiennes également. Ensuite, à l’aide de ce modèle et de la redondance des données, nous avons développé une nouvelle méthode d’estimation d’un ciel sur-résolu. Cette méthode repose sur l’inversion des données par minimisation d’un critère quadratique réalisée par un algorithme de descente. Les premiers résultats mettent en évidence un gain significatif en résolution ( 2). Troncature par la fente F Diffraction par le réseau R Troncature par la fente 3 • Troncature de f • « Supprime » (laisse sa place à ) 1.3 r Sortie modèle Intégration par le capteur C C (i; j ) Inversion • Problème inverse mal posé • Pénalisation quadratique des différences [7] J (x) = jjy Hxjj2 + jjD xjj2 + jjDxjj2 • Estimateur : ^ x = arg minx J (x) Diffraction par le réseau • Angle de sortie dépend de et [3] • Seul premier mode observé • Optimisation : descente de gradient sin 0 0 2 hr (; ; ) = sin (u m) où u = I 4 Résultats • Dimensions spatiales : – Méthode classique (co-addition des données) 100 1 Modèle instrument 80 Reproduction des mesures à partir d’un flux : 60 1. Convolution par l’ouverture 40 2. Troncature par la fente 20 3. Diffraction par le réseau 4. Intégration capteur. 1.1 • Approximation par une gaussienne h~r • A la sortie du réseau (+ 2 intégrales) Z Z r (0; ) = Convolution par l’ouverture • Diffraction par l’ouverture [2] • Convolution 2D (; ) J1(D 2 + 2=) p h(; ) = A 2 D 2 + 2= " • Dépend de u m 0 p #2 1.4 0 j jl=2 0 / exp (u – Notre méthode ( = 0:3, = 0:7) m)2= 2 r 100 80 f (0; 0; )h~r ( 0; ; )d 0d 60 40 20 Intégration capteur • Distortion du flux ! décalage • Données C (i; j ) du capteur (+ 2 intégrales) 0 • Dimension spectrale : – Méthode classique • Repliement I 1.2 1.1 0.7 1 0.6 0.9 0.7 0.4 50 0.8 0.5 1 = 15m 100 0.6 I I 0 20 40 60 80 100 120 20 40 60 80 100 120 0.5 0.3 2 = 7m 0.4 – Notre méthode 0.3 0.2 0.2 0.1 0.1 0 • Balayage 1=2 fente (sub-pixelique) : redondance des données 100 50 0 0 1; 221=D • Plus de structure • Intégration capteur dans le modèle continue • Résolution potentiellement plus importante que celle des données 0.05 0.04 Références 0.03 I [1] J. R. Houck et al., « The infrared spectrograph (IRS) on the Spitzer space telescope », ApJS, vol. 154, pp. 18–24, septembre 2004. 0.02 2 0.01 0 • Approximation par une gaussienne h~(; ) = 1 22=4 • Sur le plan focal (2 intégrales) ZZ f (0; 0; ) = ; exp Décomposition du ciel • Décomposition sur des gaussiennes (; ) et Dirac () [4] [5] [6] XXX [3] J.-P. Pérez, Optique, fondements et applications, Dunod, 2004. • Modèle continue • Réaliste et rapide • Linéaire : [6] A. Andreyev, M. Defrise et C. Vanhove, « Pinhole SPECT reconstruction using blobs and resolution recovery », IEEE Trans. Nuclear Sciences, vol. 53, pp. 2719–2728, octobre 2006. (; ; ) = 2 + 2 (; ; )h~( 2=4 0 ; ! k l m x (k; l; m) ( kT) ( lT )Æ ( mT) • + approximation gaussiennes ) 5 des 6 intégrales explicitées 0)dd [2] J. W. Goodman, Introduction à l’optique de Fourier et à l’holographie, Masson, Paris, 1972. ) y = Hx + b = [4] R. M. Lewitt et R. H. T. Bates, « Image reconstruction from projections : IV : Projection completion methods (computational examples) », Optik, vol. 50, pp. 269– 278, 1978. [5] G. Rochefort, F. Champagnat, G. Le Besnerais et J.-F. Giovannelli, « An improved observation model for super-resolution under affine motion », IEEE Trans. Image Processing, vol. 15, n˚11, pp. 3325–3337, novembre 2006. [7] J. Idier, Ed., Approche bayésienne pour les problèmes inverses, Traité IC2, Série traitement du signal et de l’image, Hermès, Paris, 2001.