A deep learning approach for SAR raw data pseudo-focusing

Synthetic Aperture Radar (SAR) has become a milestone in modern Earth observation, providing high-resolution imaging capabilities under all weather and lighting conditions. However, traditional SAR image focusing algorithms demand considerable resources, making real-time on-board processing and feature extraction challenging, particularly for spaceborne platforms with limited computational capabilities. Recent developments in artificial intelligence suggest that deep learning methods can provide an efficient, end-to-end solution for SAR image formation. This thesis explores a deep learning-based approach to achieve SAR pseudo-focusing, employing a fully Convolutional Neural Network (CNN) trained to reconstruct lower-resolution focused images directly from raw SAR data. The entire methodology is based on a physically grounded framework, ensuring that both data generation and network design respect the fundamental principles of SAR imaging. The training dataset is derived from TanDEM-X acquisitions, with both synthetic raw data and lower-resolution focused outputs generated from Single-Look Complex (SLC) images. The network architecture is designed to match the difference between range and azimuth sampling, preserving the SAR system resolution ratio. The study compares two different network configurations, each optimised for a specific output resolution. Results demonstrate that the proposed approach achieves robust performance on simulated TanDEM-X raw data, preserving key structural properties of the scenes. The network generates focused images with accurate reconstruction of large-scale patterns while also capturing finer details. These successful outcomes confirm the high potential of the model for future on-board, real-time SAR processing, supporting the development of cognitive and autonomous radar satellite systems.

Il radar ad apertura sintetica (SAR) rappresenta una pietra miliare nell’osservazione della Terra, grazie alla capacità di generare immagini ad alta risoluzione in qualsiasi condizione meteorologica e di illuminazione. Tuttavia, gli algoritmi tradizionali per la focalizzazione delle immagini SAR richiedono notevoli risorse computazionali, rendendo complessa l’elaborazione a bordo in tempo reale, in particolare nei sistemi spaziali con capacità di calcolo limitate. Le recenti evoluzioni nel campo dell’intelligenza artificiale indicano che i metodi basati sul deep learning possono offrire una soluzione più efficiente per la formazione delle immagini SAR. Questa tesi propone un approccio basato sul deep learning per ottenere una pseudo-focalizzazione delle immagini SAR mediante una rete neurale convoluzionale (CNN) addestrata a ricostruire immagini focalizzate a risoluzione ridotta a partire dai dati grezzi SAR. L’intera metodologia si fonda su un quadro fisico rigoroso, che garantisce coerenza tra generazione dei dati e progettazione della rete, nel rispetto dei principi fondamentali dell’imaging SAR. Il dataset di addestramento è stato realizzato a partire da acquisizioni di TanDEM-X, generando sia i dati grezzi sintetici che le immagini focalizzate a risoluzione ridotta da immagini Single-Look Complex (SLC). L’architettura della rete è progettata per rispettare la differenza tra il campionamento in range e in azimuth, preservando il rapporto di risoluzione del sistema SAR. Lo studio confronta due diverse configurazioni della rete, ciascuna ottimizzata per differenti risoluzioni in output. I risultati dimostrano che l’approccio proposto garantisce ottime prestazioni sui dati grezzi simulati di TanDEM-X, preservando le principali proprietà strutturali delle scene. La rete è in grado di generare immagini focalizzate con una ricostruzione accurata delle caratteristiche su larga scala, riuscendo al contempo a catturare i dettagli più fini. Questi risultati promettenti confermano l’elevato potenziale del modello per una futura elaborazione SAR in tempo reale a bordo, aprendo la strada allo sviluppo di sistemi radar satellitari cognitivi e autonomi.