Inicio
EN · View in English

Proyecto de formación

Imágenes de radar Sentinel-1

Del ruido del radar a un dataset, y dos modelos que no superaron a la entrada

Diez imágenes de radar de una zona costera, filtradas, agrupadas con K-Means y convertidas en un dataset, y dos modelos de restauración que no lograron mejorar la entrada.

Tres salidas reales de la guía, que son la imagen de radar reescalada, la misma con el filtro de Lee y el agrupamiento K-Means con tres clases que separa el agua, la vegetación y las construcciones. (abrir la imagen en tamaño completo)
Un parche real con ruido, su referencia promediada y la salida de SwinIR, junto a las métricas PSNR, SSIM y ENL del autoencoder y de SwinIR, que quedaron por debajo de la entrada. (abrir la imagen en tamaño completo)

De qué se trata

Las guías tres y cuatro de Visión por computador trabajan con radar de apertura sintética. Un radar ve a través de las nubes, pero sus imágenes traen speckle, un ruido multiplicativo que dificulta separar el agua, la vegetación y las construcciones.

En la guía tres preparé diez imágenes de Sentinel-1 de una zona portuaria. Las reescalé, las filtré con Lee, las agrupé con K-Means y armé un dataset de pares con ruido y referencia. En la guía cuatro comparé redes para clasificar escenas y probé dos modelos de restauración sobre esos pares.

Qué hace

  • Diez imágenes mensuales de Sentinel-1 en polarización VV, de mayo de 2025 a febrero de 2026, reescaladas y filtradas con un filtro de Lee de 7 × 7.
  • K-Means con k = 3 y k = 4 sobre las imágenes con y sin filtro, y una binarización de agua y no agua a partir de los grupos.
  • Las diez fechas, alineadas y promediadas, forman una referencia sin ruido; de cada par se cortan parches de 512 × 512 para entrenar.
  • En la clasificación de escenas, ResNet50 con transferencia de aprendizaje llegó a 99,58 % de exactitud, mientras una CNN secuencial desde cero se sobreajustó y colapsó a una sola clase.
  • Un autoencoder y SwinIR para reducir el speckle, que bajaron el PSNR y el SSIM respecto a la entrada, y el informe lo reporta así.

Decisiones y sus costos

  1. Una referencia hecha con las mismas imágenes

    No existe una versión sin ruido de una imagen de radar contra la cual medir.

  2. Publicar que la restauración no funcionó

    El autoencoder bajó el PSNR de 25,80 a 22,66 dB y SwinIR, preentrenado con fotos ópticas, de 19,91 a 19,64 dB.

Repositorios

Cada repositorio público del proyecto, con lo que contiene.

  • 2026

    ComputerVisionIAEngineeringSebastian-s

    Visión por computador en cinco guías, sobre convoluciones y color, un modelo de visión detrás de una API, agrupamiento de radar Sentinel-1, aprendizaje profundo y detección de enfermedades en lechuga.

    Python, Jupyter
Organización en GitHub: EngineeringSebastian-s

Stack

Elige una tecnología para ver qué proyectos la usan.

Relacionado