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

• Autores: Rubén Darío Vásquez Salazar
• Directores de la Tesis: Luis Gómez Déniz (dir. tes.), Jorge Ernesto Espinosa Oviedo (codir. tes.), Carlos Manuel Travieso González (tut. tes.)
• Lectura: En la Universidad de Las Palmas de Gran Canaria ( España ) en 2026
• Idioma: inglés
• Tribunal Calificador de la Tesis: Alejandro Marulanda Tobón (presid.), Francisco Javier Marcelo Ruiz (secret.), María Elena Buemi (voc.)
• Programa de doctorado: Programa de Doctorado en Empresa, Internet y Tecnologías de las Comunicaciones por la Universidad de Las Palmas de Gran Canaria
• Materias:
  • Ciencias tecnológicas
    • Tecnología electrónica
      • Radar
• Enlaces
  • Tesis en acceso abierto en: accedacris.ulpgc.es
• Resumen

  • 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. Esta etapa 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.

    Objetivo General Proponer una metodología de desmoteado para imágenes de radar de apertura sintética, adaptando arquitecturas de aprendizaje profundo que consideren el análisis de estructura, bordes y divergencia.

    Objetivos Específicos - Realizar una revisión biliográfica sistemática del estado del arte para determinar los protocolos de validación y propuestas que han sido implementadas para el desmoteado en imágenes SAR.

    - Proponer un nuevo protocolo para el entrenamiento y validación de modelos de aprendizaje profundo para el desmoteado, incluyendo análisis de estructura, bordes y divergencia.

    - Construir un conjunto de datos etiquetado que contenga imágenes SAR como una base para el entrenamiento de modelos de aprendizaje profundo para el desmoteado basados en el protocolo propuesto.

    - Desarrollar una aplicación práctica de teledetección utilizando el modelo de desmoteado enfocado en una región de interés para la validación del protocolo.

    Palabras clave: Radar de apertura sintética, Desmoteado, Aprendizaje Profundo, Teledetección, Inteligencia Artificial, Visión por Computador, Conjunto de datos.