Methodology for speckle noise reduction attending to structure, edge, and divergence analysis for synthetic aperture radar imagery

Abstract

This document presents the research conducted on Synthetic Aperture Radar (SAR) images to propose a new protocol incorporating actual radar images when training despeckling models. The performance of these models is quantitatively measured by analyzing the structure, edge preservation, and divergence in the resulting filtered images, to propose a new methodology that learns how to model the actual speckle to minimize it, while maintaining the main and most relevant characteristics of the images. The study starts with the design of datasets, using Sentinel-1 imagery and generating a ground truth reference for the convergence of the models. Then, the models are trained by tuning their hyperparameters to find the optimal solution. The despeckling results are analyzed by well-known metrics such as Mean Squared Error (MSE), Structural Similarity Index (SSIM), Peak Signal-to-Noise Ratio (PSNR), Equivalent Number of Looks (ENL), and even the divergence analysis in ratio images is proposed by using the Jensen-Shannon divergence. Among the main findings, the autoencoder architecture outperforms some of the most important filters documented in the literature when using actual SAR imagery, and the proposed methodology proves useful for assessing the quality of new despeckling models.

Este documento expone de manera detallada la investigación llevada a cabo sobre imágenes obtenidas mediante radar de apertura sintética, comúnmente conocidas por sus siglas en inglés como SAR (Synthetic Aperture Radar), con el objetivo de proponer un nuevo protocolo que incorpore imágenes reales de radar durante el proceso de entrenamiento de modelos de eliminación de moteado, también conocido como despeckling. A diferencia de enfoques anteriores que suelen basarse en imágenes sintéticas o simuladas, este estudio se centra en el uso de datos reales provenientes de sensores SAR. Esto permite un análisis más riguroso y representativo del comportamiento del moteado en condiciones reales. La propuesta metodológica se basa en evaluar cuantitativamente el rendimiento de diversos modelos mediante el análisis de la estructura interna de las imágenes, la preservación de bordes relevantes y la evaluación de divergencias visuales en las imágenes filtradas que resultan tras aplicar los modelos. El objetivo principal de esta metodología es desarrollar un sistema que no solo sea capaz de reducir o eliminar el ruido de moteado presente en las imágenes SAR, sino que también conserve los elementos esenciales de la escena, como los contornos, formas y detalles significativos que son de gran utilidad en aplicaciones como monitoreo ambiental, vigilancia, y teledetección. La capacidad de preservar esta información mientras se reduce el ruido representa un desafío técnico considerable, y por ello se busca un modelo que aprenda a representar el moteado tal como se presenta en la realidad, y que posteriormente sea capaz de minimizarlo eficazmente. La investigación inicia con una etapa de construcción y diseño de conjuntos de datos específicamente pensados para este propósito. Para ello, se utilizaron imágenes del satélite Sentinel-1, un instrumento ampliamente reconocido por su utilidad en observación terrestre. Además, se elaboraron referencias consideradas como verdad absoluta o ground truth, que sirven como punto de comparación para evaluar la convergencia y precisión de los modelos entrenados. Una vez definidos los datos, se procedió a entrenar los modelos de aprendizaje profundo, lo cual implicó un proceso minucioso de ajuste de hiperparámetros. Estaetapa es crucial, ya que permite encontrar la configuración óptima del modelo para que su desempeño sea el mejor posible bajo las condiciones propuestas. Los resultados obtenidos tras el proceso de eliminación de moteado fueron evaluados utilizando una variedad de métricas bien establecidas en la literatura científica. Entre estas se incluyen: el Error Cuadrático Medio (MSE), que cuantifica la diferencia promedio entre la imagen procesada y la imagen de referencia; el Índice de Similitud Estructural (SSIM), que mide la similitud percibida entre dos imágenes; la Relación Pico Señal-Ruido (PSNR), que evalúa la calidad de la imagen en función de la energía de la señal frente al ruido; el Número Equivalente de Visiones (ENL), que estima el grado de suavizado en regiones homogéneas; y, adicionalmente, se empleó un análisis de divergencia en las imágenes de cociente mediante la divergencia de Jensen-Shannon, una métrica estadística que permite comparar distribuciones de probabilidad. Entre los hallazgos más relevantes de esta investigación, se destaca que la arquitectura basada en autoencoders —una forma de red neuronal diseñada para aprender representaciones eficientes de los datos— superó en rendimiento a algunos de los filtros más reconocidos y frecuentemente utilizados en la literatura académica, particularmente cuando se trabaja con imágenes SAR reales y no simuladas. Asimismo, la metodología propuesta demostró ser útil no solo para entrenar modelos más precisos, sino también como una herramienta de referencia para evaluar la calidad de futuros modelos de eliminación de moteado desarrollados en este campo.