Autoencoder for InSAR phase denoising and compression

Synthetic Aperture radar (SAR) is a crucial tool for Remote Sensing (RS), providing high resolution imaging independently of weather conditions and sunlight illumination. While primarily used for Earth observation, some interplanetary missions carry SAR instruments too. With the increasing performance of modern SAR systems, larger portions of downlink budgets are being dedicated to them. To counteract this trend, some missions have started to process images on-board, to avoid the dowlink of voluminous raw data. Regarding SAR Interferometry (InSAR), some missions aim at the generation of on-board interferograms, thus halving the number of SAR images to downlink. This thesis investigates a Deep Learning (DL) method to jointly denoise and compress the phase component of such interferograms, serving as a proof-of-concept. The chosen architecture is a convolutional autoencoder, which is naturally divided into an encoder and a decoder. The encoder, which resides on-board the spacecraft, progressively reduces spatial input dimensions, while the decoder, placed on ground, performs the inverse operation, reconstructing a full resolution image. The proposed autoencoder is trained using a supervised approach, requiring a labelled dataset, based on TanDEM-X and TerraSAR-X interferometric data. This dataset contains pairs of synthetic interferograms: a clean reference and a noisy counterpart, modelled according to a precise theoretical formulation. Subsequently, a hyper-parameter search explores the selected architecture’s performance space, by processing previously unseen synthetic test interferograms with multiple models. These results are then compared to those of a baseline approach consisting of boxcar filtering, for denoising, and JPEG 2000 encoding, for compression. The comparison shows that the novel approach surpasses the baseline, except in cases where extreme compression is the paramount requirement. Ultimately, the achieved results prove the feasibility of the proposed method and its competitiveness against the considered baseline, paving the way to further improvements.

Il Radar ad Apertura Sintetica (SAR) è uno strumento cruciale per il telerilevamento (RS), in quanto fornisce immagini ad alta risoluzione indipendentemente dalle condizioni meteorologiche e dall’illuminazione solare. È utilizzato principalmente per l’osservazione terrestre, ma anche alcune missioni interplanetarie lo sfruttano. Con l’aumento delle prestazioni dei moderni sistemi SAR, sempre maggiori porzioni della capacità di download vengono dedicate ad essi. Per contrastare ciò, alcune missioni hanno iniziato a processare le immagini a bordo, evitando di scaricare i dati grezzi. Nello specifico ambito dell’interferometria SAR (InSAR), alcune missioni creano a bordo anche gli interferogrammi, dimezzando così il numero di immagini SAR da scaricare. Questa tesi discute un metodo di apprendimento profondo (DL) per ridurre il rumore e comprimere congiuntamente la componente di fase dei soprammenzionati interferogrammi, fungendo da dimostrazione preliminare. Come architettura, è stato scelto un autocodificatore convoluzionale, composto da codificatore e decodificatore. Il codificatore, collocato a bordo del satellite, riduce progressivamente le dimensioni spaziali del dato in ingresso, mentre il decodificatore esegue l’operazione inversa a terra, ricostruendo un’immagine a piena risolutzione. L’autoencoder proposto viene addestrato utilizzando un approccio supervisionato, che richiede un dataset etichettato, basato sui dati interferometrici di TanDEM-X e TerraSAR-X. Questo dataset contiene coppie di interferogrammi sintetici: un riferimento pulito e una controparte rumorosa, modellati secondo una precisa formulazione teorica. Successivamente, una ricerca iperparametrica esplora le prestazioni raggiungibili dall’architettura progettata, ealborando appositi interferogrammi sintetici di test, non mostrati durante l’addestramento, con più modelli. Questi risultati vengono quindi confrontati con quelli di un approccio tradizionale costituito da un filtro boxcar per la riduzione del rumore e da una codifica JPEG 2000 per la compressione. Il confronto mostra che il nuovo approccio supera quello tradizionale, tranne nei casi in cui è richiesta compressione estrema. In conclusione, i risultati ottenuti dimostrano la fattibilità del metodo proposto e la sua competitività rispetto al metodo tradizionale selezionato, aprendo la strada a ulteriori miglioramenti.