Speckle filtering in SAR images using deep learning methods

Abstract

Synthetic Aperture Radar (SAR) imaging plays a crucial role in remote sensing applications due to its ability to capture high-resolution images regardless of weather conditions. However, SAR images are often affected by speckle noise, which hinders the visual quality and accuracy of subsequent analyses. This thesis focuses on the despeckling of SAR images using advanced deep learning techniques, with an emphasis on the Block-Matching 3D (BM3D) method. We propose a deep learning framework that integrates the strengths of BM3D with modern neural network architectures to effectively reduce speckle noise while preserving image details and structural integrity. The proposed method is compared against traditional despeckling techniques in terms of performance metrics such as Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index Measure (SSIM), and visual quality. Extensive experimentation on both synthetic and real-world SAR datasets demonstrates the superior performance of the proposed model, highlighting its potential for improving SAR image analysis in various remote sensing applications.

Résumé : L'imagerie par radar à synthèse d'ouverture (SAR) joue un rôle essentiel dans les applications de télédétection grâce à sa capacité à capturer des images haute résolution quelles que soient les conditions météorologiques. Cependant, les images SAR sont souvent affectées par le bruit de chatoiement, ce qui compromet la qualité visuelle et l'exactitude des analyses ultérieures. Cette thèse se concentre sur le débruitage des images SAR en utilisant des techniques avancées d'apprentissage profond, en mettant l'accent sur la méthode Block-Matching 3D (BM3D). Nous proposons un cadre d'apprentissage profond qui intègre les forces du BM3D avec des architectures modernes de réseaux neuronaux pour réduire efficacement le bruit tout en préservant les détails et l'intégrité structurelle de l'image. La méthode proposée est comparée aux techniques traditionnelles de débruitage en termes de métriques de performance telles que le rapport signal sur bruit de pointe (PSNR), l'indice de similarité structurelle (SSIM) et la qualité visuelle. De nombreuses expérimentations sur des jeux de données SAR synthétiques et réels démontrent la performance supérieure du modèle proposé, soulignant son potentiel à améliorer l'analyse des images SAR dans diverses applications de télédétection.