Artificial Intelligence for Speckle Reduction in SAR Imagery
- Autores: Ahmed Alejandro Cardona Mesa
- Directores de la Tesis: Carlos Manuel Travieso González (dir. tes.), Luis Gómez Déniz (tut. tes.)
- Lectura: En la Universidad de Las Palmas de Gran Canaria ( España ) en 2026
- Idioma: inglés
- Tribunal Calificador de la Tesis: Ingrid Bönninger (presid.), Jesús Bernardino Alonso Hernández (secret.), Julio Rufo Torres (voc.)
- Programa de doctorado: Programa de Doctorado en Empresa, Internet y Tecnologías de las Comunicaciones por la Universidad de Las Palmas de Gran Canaria
- Menciones:
- Internacional
- Calificación: Sobresaliente Cum Laude
- Materias:
- Enlaces
- Tesis en acceso abierto en: accedacris.ulpgc.es
- Resumen
En las tareas de observación de la Tierra, especialmente cuando las nubes o las condiciones meteorológicas impiden el funcionamiento de los sensores ópticos, las imágenes de radar de apertura sintética (SAR) se vuelven indispensables. Su utilidad es evidente. Sin embargo, la interpretación de estas imágenes no es sencilla: el ruido de moteado, de naturaleza multiplicativa, distorsiona la señal, reduce la nitidez visual y dificulta el análisis posterior. Esta investigación doctoral aborda directamente este problema, centrándose en la reducción del ruido de moteado mediante el desarrollo y la evaluación de estrategias de filtrado avanzadas. El enfoque se basa en gran medida en modelos de inteligencia artificial, que se implementan y evalúan sistemáticamente para mejorar su rendimiento.
El objetivo principal de este trabajo es el diseño y la evaluación de algoritmos de eliminación de ruido de moteado capaces de atenuar el ruido de las imágenes SAR conservando la información estructural y textural clave. Para ello, el trabajo no se centra en un único enfoque metodológico, sino que examina un amplio marco experimental que incorpora filtros estadísticos tradicionales, técnicas adaptativas de eliminación de ruido de moteado y arquitecturas de aprendizaje profundo como autoencoders y modelos basados en GAN. La idea es sencilla, pero se complica considerablemente al intentar llevarla a la práctica y conservar todos los datos espaciales detallados durante el proceso de reducción de ruido. El estudio experimental se basa principalmente en imágenes Sentinel-1 adquiridas en diversas ubicaciones geográficas y condiciones de superficie, lo que contribuye a mejorar la robustez y la diversidad de los escenarios de evaluación. Además, cuando es necesario, se utiliza información multiespectral de Sentinel-2 para complementar las observaciones SAR y permitir un análisis más completo de las características de la superficie. En algunos casos, esta integración multimodal puede revelar pequeñas diferencias que no son fácilmente visibles solo con datos SAR; sin embargo, también añade complejidad a la cadena de procesamiento general.
Desde el punto de vista metodológico, el estudio se desarrolla en tres etapas claramente definidas, aunque en la práctica los límites no siempre son tan estrictos. Comienza con una fase de evaluación comparativa donde se analizan filtros clásicos y más avanzados utilizando datos simulados e imágenes SAR reales, lo que permite una comparación directa de su comportamiento bajo diferentes condiciones de ruido. El siguiente paso consiste en la construcción de un conjunto de datos específico, diseñado para apoyar el entrenamiento y la validación de modelos de aprendizaje profundo en un entorno controlado, lo cual es fundamental para garantizar la reproducibilidad y comparaciones justas entre experimentos. Finalmente, la atención se centra en el proceso de optimización. En esta etapa, los hiperparámetros y las arquitecturas del modelo se ajustan sistemáticamente, utilizando análisis estadísticos y estrategias de toma de decisiones como la evaluación de la frontera de Pareto para equilibrar los criterios contrapuestos. El rendimiento del modelo se examina mediante inspección visual, pero también se cuantifica utilizando métricas bien establecidas en el campo SAR, como el Número Equivalente de Vistas, el Error Cuadrático Medio, la Relación Señal-Ruido Máxima y el Índice de Similitud Estructural, que en conjunto proporcionan una visión bastante completa de los resultados, aunque ninguna métrica por sí sola lo explica todo.
Los resultados muestran una clara tendencia: los enfoques de aprendizaje profundo tienden a superar a los filtros convencionales en la reducción del ruido granular sin perder detalles clave de la imagen. Esta mejora se hace más evidente cuando modelos como los autoencoders y las GAN se ajustan correctamente, lo cual no siempre es sencillo, pero marca una diferencia notable. Paralelamente, el desarrollo de un conjunto de datos etiquetado, diseñado específicamente para tareas de eliminación de ruido, se presenta como una contribución relevante, ya que proporciona una base controlada para futuros experimentos y comparaciones. Al analizar los resultados con mayor detalle, los métodos propuestos no solo obtienen mejores puntuaciones en las métricas de calidad estándar, sino que también facilitan la interpretación de las imágenes SAR en contextos prácticos. Esto resulta particularmente útil para aplicaciones como la clasificación de la cobertura terrestre o el monitoreo de la vegetación, donde la información estructural sutil es crucial, incluso si las mejoras no son evidentes a simple vista.
Esta tesis ofrece una contribución sólida y bastante completa al procesamiento de imágenes SAR, unificando mejoras metodológicas y soluciones prácticas para optimizar la reducción de ruido. No se limita al ámbito teórico. Los resultados indican cómo podrían utilizarse estos métodos en escenarios más realistas, lo que añade valor al trabajo. En este contexto, la inteligencia artificial se revela como un facilitador fundamental, con el potencial de transformar el enfoque ante los desafíos de la teledetección, especialmente en aquellos que requieren precisión y escalabilidad. El estudio también contribuye a cerrar la brecha entre el progreso conceptual y la aplicación práctica.
