Deep models for water bodies segmentation in SAR images

Water bodies detection using satellite images is becoming a very important task in the last years and the methods used in order to make these analysis are evolving fast. This is possible thanks to the growing availability of satellite images for civilian use equipped with Synthetic Aperture Radar (SAR) sensors, like for example Sentinel-1, RADARSAT and TerraSAR-X. They are able to acquire images of the desired area systematically, making it possible to analyze the variation on levels of rivers, lakes and seas. In particular, the radar data considered in this work is acquired by Sentinel-1 which has a revisiting time of 6 days. SAR images are not influenced by weather or light conditions. For this reason, the usage of SAR images for detecting water bodies are preferable with respect to the optical ones. In this work, we propose models to detect the water presence by looking to bi-polarized satellite SAR images. In the state-of-the-art, we find several works related to water bodies segmentation that are non-learnable approaches. Among this, we can find out classical computer vision algorithms which segment the input image using statistical methods to compute thresholds or contour detection of objects. These algorithms must come with despeckle methods in order to work. Speckle is a typical SAR image noise that has to be removed in order to let these algorithms correctly segment the input image. There are instead a low number of methods which are based on machine learning. Among these, no one uses Deep Learning approaches despite of the outperforming results obtained in all the fields of computer vision with respect to the stateof- the-art, reducing also the computational time. The main problem is the lack of ground truth that makes the training of the networks difficult. In our work we explore supervised approaches using Deep Learning models trained on a handcrafted dataset, in order to detect water bodies. Differently from the state-of-the-art approaches, we propose a model which is robust to speckle without applying any despeckle algorithms, letting the network remove the noise by itself. Furthermore, we propose a semisupervised model in order to bypass the problem of lack of ground truth images, by merging the advantages obtained with the supervised models with the possibility to train network without using the target images. In this work we describe all the studies, the choices and all the experiments we made in order to find the best final model.

Il rilevamento di corpi d’acqua tramite immagini satellitari sta presentando una rapida evoluzione negli ultimi anni. Questo è dovuto principalmente all’aumento dell’utilizzo di satelliti per uso civile dotati di Radar ad Apertura Sintetica (SAR), come ad esempio Sentinel-1, RADARSAT e TerraSAR-X. Questi sono in grado di fornirci una fotografia della zona desiderata rendendo possibile effettuare studi sul cambiamento dei livelli di fiumi, laghi e mari. In particolare, nel nostro lavoro abbiamo usato immagini scattate da Sentinel-1 che acquisisce immagini della stessa zona ogni 6 giorni. Le immagini SAR permettono di avere una fotografia dell’area desiderata non influenzata dal tempo atmosferico e dalle condizioni di luce. Questi sono i vantaggi di eseguire questo tipo di analisi tramite immagini radar piuttosto che usare immagine ottiche. Lo scopo di questo lavoro è quello di determinare tramite l’osservazione di un immagine satellitare SAR in doppia polarizzazione la presenza di corpi d’acqua. In letteratura ci sono tanti metodi che lavorano su questo tipo di problema utilizzando algoritmi "non-learnable". Tra questi troviamo i classifici algoritmi appartenenti al mondo della computer vision che segmentano l’immagine utilizzando calcoli statistici di soglia oppure attraverso il rilevamento dei contorni degli oggetti. Questi algoritmi necessitano di un preprocesso con il quale viene rimosso lo speckle, un rumore tipico delle immagini SAR, che causano errori di classificazione quando vengono processate le immagini. Sono invece pochi gli esempi di uno studio basato sul machine learning. In particolare, nessuno utilizza metodi Deep Learning nonostante in tutti gli ambiti della computer vision si sia dimostrato che questi ottengono le miglior performance in meno tempo computazionale. Questo è dovuto alla mancanza di ground truth per eseguire l’allenamento della rete. In questo lavoro noi proponiamo un approccio supervisionato utilizzando modelli Deep Learning allenati su un dataset creato appositamente da noi per eseguire il rilevamento di corpi d’acqua. Il modello da noi proposto non richiede l’utilizzo di algoritmi per rimuovere lo speckle, in quanto questa operazione è affidata totalmente alla rete. Inoltre proponiamo un modello semi supervisionato che ci permette di ovviare il problema della mancanza di ground truth, utilizzando assieme al dataset da noi creato, i dati di cui non possiediamo la ground truth. In questo lavoro è riportato tutto lo studio, le scelte e l’insieme di esperimenti che hanno portato ai modelli finali.