Análise do uso de aprendizado de máquina informado por física para supressão de ruído speckle em imagens SAR do Sentinel-1 GRD
Carregando...
Data
Orientador
Lima, César Gustavo da Rocha 
Coorientador
Pós-graduação
Curso de graduação
Ilha Solteira - FEIS - Engenharia Civil
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Este trabalho apresenta o Multitemporal Anti-Speckle Framework, um sistema de redes neurais profundas desenvolvido para redução de ruído em dados de Radar de Abertura Sintética da missão Sentinel-1. A metodologia organiza-se em uma estratégia de treinamento híbrida de dois estágios. No primeiro, supervisionado, o modelo aprende a reconstruir a imagem a partir de alvos de referência gerados por combinações multitemporais, utilizando uma função de perda composta que combina termos de fidelidade de pixel e de estrutura. Em seguida, um estágio opcional de refinamento não supervisionado, guiado por propriedades estatísticas do ruído multiplicativo, ajusta os parâmetros do modelo usando apenas imagens com ruído, impondo que o resíduo estimado se aproxime do comportamento teórico do speckle. A arquitetura é baseada em U-Net com backbones (Swin Transformer e Mamba) e incorpora o módulo de atenção SkipGate, responsável por modular de forma adaptativa a informação que flui pelas conexões de atalho. O framework inclui ainda um pipeline de aumento de dados com transformações físicas e perceptuais, suporte a treinamento multitarefa e estrutura para estudos de ablação.
Os resultados experimentais, obtidos em patches de validação do canal de polarização vertical-vertical, mostram que o Multitemporal Anti-Speckle Framework alcança valores de Número Equivalente de Visadas superiores aos de filtros clássicos amplamente utilizados, mantendo a entropia próxima à dos métodos estatísticos e proporcionando fundo mais homogêneo com textura visualmente realista. Embora apresente valores médios de Relação Sinal-Ruído de Pico e Índice de Similaridade Estrutural inferiores aos melhores filtros tradicionais, a variante com perda perceptual oferece um compromisso mais favorável entre suavização e preservação de detalhes, evitando artefatos observados na versão treinada apenas com perda de Erro Médio Absoluto. A etapa de refinamento informado por física melhora a aderência estatística em relação às demais configurações, com reintrodução controlada de flutuações de intensidade. A análise qualitativa, apoiada em comparações visuais e em mapas de atenção, indica que o framework consegue concentrar seus recursos em feições estruturalmente relevantes, reforçando a interpretação física de seu funcionamento interno.
De forma geral, o estudo demonstra que a combinação de alvos multitemporais, perda composta e refinamento guiado por estatísticas do ruído permite obter ganhos consistentes de qualidade visual e homogeneidade em relação aos filtros clássicos, preservando informações relevantes para aplicações em geoprocessamento. Ao mesmo tempo, a variabilidade observada em métricas estatísticas mais sensíveis sugere a necessidade de futuras extensões, como incorporação de mapas de incerteza, funções de perda probabilísticas e abordagens adversariais, capazes de tornar a geração de imagens restauradas mais estável e confiável em diferentes contextos de cena.
Resumo (inglês)
This work presents Multitemporal Anti-Speckle Framework, a complete deep neural network–based system designed to reduce noise in Synthetic Aperture Radar data from the Sentinel-1 mission. The methodology is organized as a two-stage hybrid training strategy. In the first, supervised stage, the model learns to reconstruct the image from reference targets generated by multitemporal combinations, using a composite loss function that blends pixel-wise and structural fidelity terms. In the second, optional, unsupervised refinement stage, guided by the statistical properties of multiplicative noise, the model parameters are updated using only noisy images, enforcing the residual component to approximate the theoretical behavior of speckle. The architecture is based on a U-Net design with backbones (Swin Transformer and Mamba) and incorporates the SkipGate attention module, which adaptively modulates the information flowing through the skip connections. The framework also includes a data augmentation pipeline with physically and perceptually motivated transformations, support for multitask training, and a structure suitable for ablation studies.
Experimental results on vertical–vertical polarization channel validation patches show that Multitemporal Anti-Speckle Framework achieves higher Equivalent Number of Looks values than widely used classical filters, while keeping Shannon entropy close to that of statistical methods and producing more homogeneous backgrounds with visually realistic texture. Although its average Peak Signal-to-Noise Ratio and Structural Similarity Index Measure values are lower than those of the best traditional filters, the variant trained with a perceptual loss offers a more favorable trade-off between smoothing and detail preservation, avoiding artifacts observed in the model trained with Mean Absolute Error loss alone. The physics-guided refinement stage improves statistical consistency relative to the other deep variants, with controlled reintroduction of intensity fluctuations. Qualitative analysis, supported by visual comparisons and attention maps, indicates that the framework concentrates its modeling capacity on structurally relevant features, reinforcing the physical interpretation of its internal behavior.
Overall, the study demonstrates that combining multitemporal targets, a composite objective function and refinement guided by noise statistics yields consistent gains in visual quality and homogeneity over classical approaches, while preserving information relevant for geospatial applications. At the same time, the variability observed in more sensitive statistical metrics highlights the need for future extensions, such as the incorporation of uncertainty maps, probabilistic loss functions and adversarial schemes, in order to make the generation of restored images more stable and reliable across different scene conditions.
Descrição
Palavras-chave
Redes neurais profundas, Sensoriamento remoto orbital, Radar de abertura sintética, Filtragem multitemporal, Ruído multiplicativo, Deep neural networks, Orbital remote sensing, Synthetic aperture radar, Multitemporal filtering, Multiplicative noise
Idioma
Português
Citação
SANTOS, Ronaldo Gorgulho Figueiredo Oliveira dos. Análise do uso de aprendizado de máquina informado por física para supressão de ruído speckle em imagens SAR do Sentinel-1 GRD. 2026. 124 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Civil) — Faculdade de Engenharia, Universidade Estadual Paulista (UNESP), Ilha Solteira, 2026.
