Detección y clasificación de blancos marítimos en imágenes ......Estado del Arte de las...

Estado del Arte de las

Tecnologías

Cátedra Isdefe-UPM

Septiembre 2018 – Julio 2019

Madrid, julio de 2019

Detección y clasificación de

blancos marítimos en imágenes

SAR satelitales

Índice

1. Introducción ................................................................................................... 1

2. Radares de apertura sintética (SAR) .............................................................. 3

2.1. Modos de operación ................................................................................................................ 5

2.2. El problema de la resolución en los radares convencionales ................................................... 6

2.3. Ecuación de alcance del radar ................................................................................................. 7

2.4. Algoritmos de detección .......................................................................................................... 9

2.4.1. Detección de cambios (Change Detection) ............................................................. 10

2.4.2. Técnicas CFAR (Constant False Alarm Rate) ........................................................ 10

2.5. Clasificación de blancos en imágenes SAR .......................................................................... 12

2.6. Satélites SAR en operación ................................................................................................... 15

3. Referencias ...................................................................................................18

Estado del Arte de las Tecnologías

1 Septiembre 2018 - Julio 2019 1

1. Introducción

Durante el siglo XX, se llevaron a cabo una serie de invenciones tecnológicas que

revolucionaron el ámbito de la defensa y de la seguridad, superando el problema de la falta

de información debido a la cantidad de sensores, plataformas, organizaciones y fuentes

existentes. Así es como surgió la idea de desarrollar e integrar un sistema que gestionara

toda la tecnología presente en el entorno de combate. Aparecieron entonces los sistemas

ISTAR (Intelligence, Surveillance, Target Acquisition and Reconnaissance) que presentan

la capacidad integrada de adquirir, procesar, explotar y distribuir la información de

inteligencia, convirtiéndose en la respuesta a la revolución tecnológica desarrollada en el

ámbito militar.

Los sistemas ISTAR integran todas las tecnologías de inteligencia, vigilancia,

adquisición y reconocimiento de objetivos cuya función es el apoyo a misiones militares.

Estos sistemas, están formados por un conjunto de sensores, tanto ópticos como de

radiofrecuencia, y por las plataformas en las que van embarcados tales como aeronaves,

vehículos terrestres o satélites.

Este estudio, dentro de los sistemas ISTAR, se centra en los sensores SAR (Synthetic

Aperture Radar) instalados en satélites debido al creciente interés en su desarrollo y

explotación, sobre todo en el sector de defensa español, lo cual se demuestra con el reciente

lanzamiento del satélite español Paz, el 22 de febrero de 2018, cuyas aplicaciones más

importantes son: el control fronterizo y medio ambiental, la vigilancia de la superficie

terrestre, el entorno marítimo y el urbanístico, la planificación de infraestructuras y la

obtención de información para operaciones militares [1].

Los radares de apertura sintética SAR son radares activos embarcados en plataformas

móviles que emiten energía en el intervalo de frecuencias de microondas y reciben los ecos

procedentes de las reflexiones de la señal en los objetos. Los ecos recibidos son

digitalizados y procesados coherentemente para construir una imagen del terreno en estudio.

El movimiento de la plataforma, generalmente lineal, durante el tiempo de integración da

lugar a la formación de un array sintético de mayor apertura que la antena física,

permitiendo aumentar la resolución en la llamada dirección cross-range (dirección

perpendicular al apuntamiento) limitada en los radares convencionales por el ancho de haz

de la antena utilizada.

Comparándolos con los sensores ópticos, los sensores SAR pueden operar incluso en

condiciones meteorológicas adversas, no sufren el efecto de ocultamiento por nubes y

poseen una capacidad de observación tanto nocturna como diurna, presentando unas

características muy atractivas para cumplir las necesidades operativas del ámbito de la

defensa y seguridad [2].

Una de estas áreas de estudio es la detección de blancos marítimos mediante imágenes

SAR para obtener información tanto de inteligencia en aplicaciones de control de fronteras

como medioambiental, por ejemplo, en la detección de vertidos tóxicos [3]. Aunque el

tiempo de revisita típico de los satélites SAR, generalmente en órbitas polares y

heliosíncronas, es de 11-12 días, el aumento del número de satélites SAR en operación

(PAZ, TerraSAR/TandemSAR, Sentinel-1A, Sentinel-1B, etc.) permite reducir el tiempo

entre imágenes de una misma área a menos de 12 h si se considera un conjunto de satélites.

Esta mejora de la frecuencia de refresco de información, junto con el hecho de que las

plataformas satelitales permiten cubrir amplias zonas de la Tierra, ha permitido el desarrollo



de aplicaciones relacionadas con la seguridad y el salvamento marítimo y de gestión y

prevención de riesgos naturales.

Aunque la detección de barcos con imágenes SAR es una aplicación de gran interés, el

escenario marítimo es muy exigente debido a la presencia del clutter de mar impulsivo. Los

ecos provocados por los picos de las olas, generalmente llamados spikes, dan lugar a ecos

aleatorios con distintas amplitudes que pueden confundirse con blancos en la imagen SAR,

aumentando así la probabilidad de falsa alarma, y ocultar a barcos pequeños que producen

ecos de menor amplitud.

La Figura 1 muestra el proceso completo desde la adquisición de la señal hasta la

clasificación de los blancos detectados. Sin embargo, este estudio se centra en las etapas de

detección y clasificación de los blancos en entornos marítimos a partir de imágenes SAR

satelitales, ya que los operadores de los satélites SAR suministran dicha imagen como

producto. Para ello, generalmente, se propone una cadena de procesado que incluye

algoritmos de detección basados en técnicas CFAR (Constant False Alarm Rate) y

algoritmos de clasificación de los blancos detectados basados en técnicas de Machine

Learning.

Figura 1: Proceso completo para la obtención de los blancos clasificados presentes en un escenario

marítimo utilizando tecnología SAR

Por un lado, los algoritmos CFAR son comúnmente utilizados para la detección de

blancos marítimos, ya que poseen la capacidad de mantener constante la probabilidad de

falsa alarma a un cierto nivel prefijado [4]. Sin embargo, estos algoritmos suelen diseñarse

considerando ruido gaussiano en lugar del ruido impulsivo característico del clutter de mar,

por lo que su comportamiento en escenarios marítimos debe ser evaluado. Estos algoritmos

emplean un umbral para diferenciar los ecos procedentes de los blancos respecto del ruido

o clutter de fondo procedente de la superficie marítima. En función del método de cálculo

de dicho umbral considerando un conjunto de celdas o píxeles de referencia, existen

diferentes variantes del algoritmo como son el CA-CFAR, SO-CFAR, GO-CGAR y OS-

CFAR.

Por otro lado, las técnicas de Machine Learning permiten que una máquina extraiga de

forma autónoma patrones y relaciones existentes en los datos proporcionados a partir de un

aprendizaje que puede ser supervisado o no supervisado, considerándose por ello dentro de

la disciplina de inteligencia artificial. De esta forma, se podrán confirmar las detecciones

realizadas con los algoritmos CFAR y clasificar los blancos marítimos detectados en

diferentes categorías. Para alcanzar este objetivo, se han recopilado imágenes adquiridas

con sensores SAR para entrenar de forma supervisada la red neuronal propuesta con datos

de diferentes tipos de blancos y poder así realizar un proceso de aprendizaje para que pueda

llevar a cabo la clasificación de los distintos tipos de blancos marítimos considerados (barco



vs. iceberg) y diferenciar las detecciones producidas por los blancos de interés respecto de

las falsas alarmas producidas por ruido, olas o clutter de mar.

Este proceso de clasificación permite, además, resolver la problemática actual de

detección y monitorización remota de icebergs en zonas polares, para llevar a cabo un

seguimiento de sus trayectorias que permita la planificación adecuada de las rutas de

navegación en dichas zonas. El uso emergente de los radares SAR satelitales para esta

aplicación de remote sensing se debe a su mejora de resolución y de la capacidad de

detección, su vigilancia de área extensa con cobertura polar, la reducción del tiempo

conjunto de revisita y su inmunidad frente a condiciones atmosféricas adversas, como

nubes. Además, los resultados obtenidos con sensores SAR podrían fusionarse con

imágenes satelitales de sensores ópticos embarcados para mejorar las capacidades del

sistema.

2. Radares de apertura sintética (SAR)

Los radares son sistemas que transmiten ondas electromagnéticas de forma periódica con

el objetivo de obtener información del entorno gracias a los ecos recibidos que se producen

por la reflexión de la señal en la superficie de los blancos. El procesado de estos “ecos”

proporciona una gran cantidad de información sobre los blancos como su posición, tamaño

o material.

Generalmente, los radares SAR embarcados en plataformas satelitales utilizan formas de

onda pulsadas con modulación LFM (Linear Frequency Modulation) intrapulso, como se

representa en la Figura 2.

Figura 2:Forma de onda de un radar pulsado

Donde cada pulso es transmitido cada 1

𝑃𝑅𝐹 segundos, siendo la PRF la frecuencia de

repetición de pulsos, que limita la máxima distancia no ambigua, 𝑅𝑚𝑎𝑥:

𝑅𝑚𝑎𝑥 =𝑐

2 · 𝑃𝑅𝐹

En los sistemas SAR, la velocidad relativa del blanco debida al movimiento de la

plataforma, causa un desplazamiento Doppler de los ecos, provocando que las ondas

emitidas por la plataforma en movimiento sufran un cambio de frecuencia que depende de

la velocidad relativa entre el transmisor y el objeto en el que se refleja la señal, y de la

frecuencia de la portadora.

Cuando el radar no está emitiendo el pulso de radiofrecuencia, mantiene abierto el

receptor para recibir de forma coherente los ecos de la señal transmitida reflejados en los



blancos que se quieren detectar y que se encuentran corrompidos por una potencia no

deseable de ruido y de reflexiones en otros elementos del entorno denominados clutter. En

sensores SAR embarcados en satélites, estos ecos se reciben entre 6 y 10 periodos de

repetición de pulsos después de la transmisión (ambigüedad en distancia) debido a que las

distancias entre el blanco y el sensor SAR embarcado en un satélite son mucho mayores

que la máxima distancia no ambigua. Sin embargo, en el caso de sensores embarcados en

aeronaves (aviones, helicópteros o drones), los ecos se recibirán antes de transmitir el

siguiente pulso, sin ambigüedad en distancia.

Entre los sucesivos pulsos, la plataforma donde se encuentra el sensor avanza una cierta

distancia en dirección cross-range, denominada “distancia recorrida entre pulsos”, durante

este movimiento los blancos son iluminados por una serie de pulsos transmitidos. Para cada

pulso, la potencia de la señal que se refleja en el objetivo y vuelve al receptor varía debido

principalmente al diagrama de la antena, como se muestra en la siguiente imagen.

Figura 3: Efecto del diagrama de la antena en la potencia de la señal recibida por la reflexión

en el blanco [5].

En la parte inferior de la gráfica de la Figura 3, se muestra la evolución de la potencia de

la señal recibida por el desplazamiento de la plataforma. Esta potencia aumenta hasta llegar

a la posición B, en la que el blanco se encuentra en la dirección del haz principal de la

antena, y vuelve a decrecer hasta la posición C cuando el blanco se encuentra en la dirección

del primer nulo del diagrama, produciéndose posteriormente fluctuaciones provocadas por

los lóbulos secundarios [5]. Por tanto, el ancho de haz de la antena limita el tiempo de

integración coherente del radar y la apertura máxima del array sintético generado por el

movimiento de la plataforma.

Las muestras de los ecos recibidos se van almacenando en vectores que contienen

información de la frecuencia Doppler del blanco inducida por su velocidad relativa con

respecto a la plataforma y que está directamente relacionada con la dirección acimutal del

blanco para cada pulso transmitido y de los retardos de dichos ecos relacionados con la

distancia en la dirección perpendicular (slant range) de los ecos reflejados en la zona

iluminada por la antena. El proceso de muestreo se repite para cada pulso y en cada



recepción de ecos se forma un nuevo vector. De esta forma, durante el tiempo de integración

coherente, el radar genera una matriz con tantas filas como pulsos se hayan transmitido y

con tantas columnas como muestras se hayan tomado por cada pulso. Este conjunto de

valores se denomina raw data y no forman una imagen en sí mismo, sino que hay que llevar

a cabo un procesamiento de datos para obtener la imagen. Uno de los algoritmos más

utilizados para la formación de la imagen SAR basado en la integración coherente de los

ecos recibidos de los múltiples pulsos transmitidos durante el movimiento de la plataforma,

con el objetivo de generar un array sintético, es el backprojection algorithm [6].

Uno de los objetivos principales de las técnicas SAR es conseguir una alta resolución en

las dos dimensiones de la imagen, es decir, una alta resolución en la dirección perpendicular

a la trayectoria (slant range), para la cual se necesita transmitir señales de gran ancho de

banda, y una alta resolución en la dirección paralela a la trayectoria (cross-range), mediante

el aumento de la longitud de la apertura sintética generada mediante el movimiento de la

plataforma.

2.1. Modos de operación

Hay dos modos principales para la adquisición de la señal y la generación de la imagen

SAR (Figura 4): stripmap y spotlight. La diferencia entre ambos se basa en la máxima

resolución acimutal y el máximo tamaño de la imagen SAR que puede obtenerse.

En el modo stripmap, el ancho de haz de la antena limita la máxima resolución acimutal

que se puede obtener y la distancia recorrida por la embarcación durante la adquisición de

datos determina el tamaño de la imagen SAR. El principal inconveniente de este modo de

adquisición de la señal es que el array sintético se genera con una trayectoria rectilínea y su

apertura sintética máxima y, por tanto, la resolución en cross-range, está limitada por el

ancho de haz de la antena física.

Por el contrario, en el modo spotlight, la distancia recorrida por la embarcación durante

el tiempo de integración coherente es superior al modo stripmap ya que la antena se apunta

en azimuth hacia un punto fijo, lo que se traduce en una mayor longitud de la apertura

sintética y, como consecuencia, en una mejor resolución en cross-range. Este modo

presenta el inconveniente de que no se genera una imagen de una franja continua sino

parches individuales a lo largo de la trayectoria de la plataforma.

Además, en la generación de la imagen SAR, se suele llevar a cabo una corrección de

los errores de movimiento descritos por la plataforma, respecto de la trayectoria rectilínea

con pulsos equiespaciados, para que las imágenes SAR no aparezcan desenfocadas [7].

Figura 4: Modos de adquisición de la imagen SAR [8].



2.2. El problema de la resolución en los radares convencionales

Una de las principales limitaciones de los sistemas radar es la resolución de la imagen

generada a partir de los ecos recibidos, ya que, si la resolución es baja, dos blancos cercanos

en el área de estudio pueden aparecer como un único blanco.

En un radar convencional, la resolución range o distancia y la resolución cross-range o

lateral vienen dadas por el ancho de banda de la señal y el ancho de haz de la antena,

respetivamente, y pueden ser estimadas mediante las siguientes ecuaciones:

ΔRrange = 𝑐

2·𝐵𝑊

ΔRcross-range = 1,2·𝑅𝑡·𝜆

𝐿ℎ

Siendo:

BW: el ancho de banda de la señal emitida.

𝑐: la velocidad de la luz en el vacío.

𝐿ℎ: la longitud de la antena en la dirección paralela al suelo.

𝑅𝑡: la distancia entre la antena y el blanco.

𝜆: la longitud de onda de la señal transmitida.

Estas ecuaciones nos muestran la principal limitación del sistema: la dependencia de la

resolución cross-range con la distancia al blanco y la apertura de la antena física. Por tanto,

para aumentar dicha resolución es necesario aumentar el tamaño de la antena, solución que

no es conveniente para plataformas aéreas en las que se requieren sistemas compactos. Por

este motivo, con el objetivo de superar dicha limitación, surgió a principios de los años 50

el radar de apertura sintética (SAR), que mejora la resolución de los radares convencionales

a larga distancia sin tener que aumentar el tamaño de la antena física.

Como ya se ha comentado, el sistema SAR se basa en el movimiento de la plataforma

que lo transporta, en el caso de satélites, a una altura de más de cientos de kilómetros en su

órbita polar, creando así unas aperturas sintéticas mucho mayores que las aperturas que

consigue una antena real. De esta forma, al mover la antena e ir emitiendo pulsos de forma

periódica, se observa el blanco durante un periodo más largo de tiempo dando lugar a una

apertura sintética cuya longitud viene dada por el recorrido durante el cual es visible el

blanco dentro del área de estudio. La formación de esta apertura sintética provoca una

mejora significativa en la resolución en cross-range (o azimuth) y el mantenimiento de la

resolución en range.

Las expresiones de la resolución range y cross-range en un sistema SAR vienen dadas

por:

ΔRrange = 𝐶𝑜

2·𝐵𝑊·sin(𝜂)

ΔRcross-range = 𝐿

2

Siendo:

η: el ángulo de incidencia que se forma entre la línea de slant range y la normal al suelo.

L = v·T: es la longitud de la antena en la dirección paralela al suelo, que es proporcional

a la velocidad de la plataforma y al tiempo de integración coherente.



De esta manera, se consigue obtener resoluciones en azimuth muy elevadas puesto que

el sistema genera una apertura sintética paralela al terreno de estudio, L, considerablemente

más grande que la dimensión real de la antena.

Figura 5: Sistema SAR embarcado en satélite

2.3. Ecuación de alcance del radar

La ecuación radar es un método analítico que permite estimar el máximo alcance del

radar para detectar un determinado blanco a partir de las características del radar en cuanto

a la transmisión, la recepción y la antena, del blanco y de la propagación de la señal.

Asumiendo que una antena con ganancia 𝐺𝑡 transmite una forma de onda de potencia

pico P en un medio sin pérdidas, la densidad de potencia a una distancia R desde el radar

será igual a la potencia total P divida por el área de una esfera de radio R. Parte de la

densidad de potencia al ser interceptada por un blanco se refleja, comportándose el blanco

como una antena transmisora. Esta potencia reflejada es proporcional a la superficie efectiva

de reflexión del blanco, 𝜎, denominada radar cross section (RCS) o sección radar [9].

Pirradiada por el blanco = 𝑃·𝐺𝑡·𝜎

4·𝜋·𝑅2

La sección radar,𝜎, tiene unidades de área y está relacionada con el tamaño y los

materiales del blanco interceptado. Además, depende del ángulo de incidencia bajo el cual

es visto el blanco, de la frecuencia del radar y de la geometría del blanco.

Así, la potencia que recibe la antena viene dada por la expresión:

S =𝐷𝑝𝑖 · 𝜎 =𝑃𝑡·𝐺𝑡·𝐴𝑒·𝜎

(4·𝜋·𝑅2)2



Figura 6: Ilustración de la ecuación del alcance radar

De este modo, el alcance máximo del radar (distancia máxima a la cual el blanco objetivo

puede ser detectado) viene determinada por la distancia a la cual la potencia de la señal en

la recepción es igual a la señal mínima detectable, Smin.

Rmáx = (𝑃𝑡·𝐺𝑡·𝐴𝑒·𝜎

(4·𝜋)2·𝑆𝑚𝑖𝑛)1/4

Empleando la relación entre la ganancia de una antena y su área efectiva, el alcance

máximo resulta:

Rmáx = (𝑃𝑡·𝐺𝑡·𝐺𝑟·𝜆

2·𝜎

(4·𝜋)3·𝑆𝑚𝑖𝑛·∏𝐿𝑠𝑦𝑠)1/4

donde se han incluido las posibles pérdidas del sistema en el factor ∏𝐿𝑠𝑦𝑠.

A continuación, se puede relacionar la sensibilidad mínima del sistema con algunos

parámetros operativos como son la potencia de ruido del receptor referida a la entrada Ni y

la relación señal a ruido necesaria a la entrada (𝑆

𝑁)𝑚𝑖𝑛

𝑖𝑛

:

𝑆𝑚𝑖𝑛 = 𝑁𝑖 (𝑆

𝑁)𝑚𝑖𝑛

𝑖𝑛

= 𝐾𝑇𝑠𝐵𝑟 (𝑆

𝑁)𝑚𝑖𝑛

𝑖𝑛

Rmáx =

(

𝑃𝑡 · 𝐺𝑡 · 𝐺𝑟 · 𝜆

2 · 𝜎

(4 · 𝜋)3 · 𝐾 · 𝑇𝑠 · 𝐵𝑟 · (𝑆𝑁)𝑚𝑖𝑛

𝑖𝑛

· ∏ 𝐿𝑠𝑦𝑠)

1/4

Finalmente, para expresar el alcance máximo en base a la relación señal a ruido requerida

a la salida del filtro adaptado, se tiene en cuenta la ganancia por compresión de pulsos (𝜏𝑡 ·𝐵𝑡) que consigue. Este filtro maximiza la relación señal a ruido de pico de un eco y con ello

también la probabilidad de detección, consiguiendo una ganancia respecto a la relación

señal a ruido de entrada dada por el producto del ancho de pulso, 𝜏𝑡, y el ancho de banda de

la señal transmitida, 𝐵𝑡, que es mayor que 1 cuando existe modulación intrapulso.

(𝑆

𝑁)𝑜𝑢𝑡

= (𝑆

𝑁)𝑚𝑖𝑛

𝑖𝑛

· 𝜏𝑡 · 𝐵𝑡



Rmáx = (𝑃𝑡 · 𝐺𝑡 · 𝐺𝑟 · 𝜆

2 · 𝜎 · 𝜏𝑡

(4 · 𝜋)3 · 𝐾 · 𝑇𝑠 · (𝑆𝑁)𝑚𝑖𝑛

𝑜𝑢𝑡

· ∏ 𝐿𝑠𝑦𝑠

)

1/4

Esta primera versión del alcance radar solo es válida para aquellos radares que realicen

la detección de un único eco y cuyo blanco sea no fluctuante (Swerling 0 o Swerling 5).

La mayoría de los sistemas radar llevan a cabo un proceso de integración de pulsos

durante el tiempo de iluminación del blanco. En el caso de los radares SAR, la integración

es coherente y da lugar a una mejora por integración, 𝐼𝑖(𝑛) (cociente entre la relación señal

a ruido necesaria sin integrador y con integrador para las mimas condiciones de detección),

que puede aproximarse por el número de pulsos integrados.

Por lo tanto, la ecuación radar teniendo en cuenta la integración de pulsos queda de la

siguiente manera:

Rmáx = (𝑃𝑡 · 𝐺𝑡 · 𝐺𝑟 · 𝜆

2 · 𝜎 · 𝜏𝑡 · 𝐼𝑖(𝑛)

(4 · 𝜋)3 · 𝐾 · 𝑇𝑠 · (𝑆𝑁)𝑚𝑖𝑛

𝑜𝑢𝑡

· ∏ 𝐿𝑠𝑦𝑠

)

1/4

2.4. Algoritmos de detección

Como se ha comentado anteriormente, el principio de funcionamiento del radar es

transmitir ondas electromagnéticas durante un periodo de tiempo y recibir los ecos

reflejados por los blancos. Los ecos recibidos por el receptor se emplean para formar la

imagen SAR mediante la integración coherente de los pulsos y teniendo en cuenta el

movimiento de la plataforma.

Esta imagen SAR, formada por una matriz de píxeles, que representan cada celda de

resolución, con diferentes intensidades, debe ser procesada para realizar la detección de los

blancos presentes en la imagen separándolos del ruido o del clutter producido por otros

elementos del entorno o por las condiciones atmosféricas.

El principal inconveniente del ámbito de estudio, es decir, de la detección de blancos

marítimos, es que dicho proceso sufre serias limitaciones debido a la presencia de clutter de

mar, que se debe a los ecos provocados por los picos de las olas, produciéndose así ecos

aleatorios con diferentes amplitudes que son detectados por el radar como posibles blancos.

Por esta razón, es importante utilizar un modelo adecuado de clutter de mar que se aproxime

a las condiciones reales.

El clutter marítimo en la mayoría de los casos es considerado como una distribución

Gaussiana aunque se ha demostrado que en condiciones adversas puede tomar distintas

distribuciones. Según la escala de Douglas [9] dependiendo del estado del mar, el ruido

marítimo puede tomar las siguientes distribuciones:

Estado del mar Altura de las olas (m) Descripción Distribución

0 0 Sin oleaje Gaussiana

1 0 - 0.1 Olas cortas y bajas Gaussiana

2 0.1 - 0.5 Olas largas y bajas Weibull

3 0.5 – 1.25 Olas cortas y moderadas Weibull



4 1.25 – 2.5 Olas medias y moderadas Weibull

5 2.5 – 4.0 Olas largas y moderadas K

6 4.0 – 6.0 Olas cortas y altas K

7 6.0 – 9.0 Olas medias y altas K

8 9.0 – 14-0 Olas largas y altas K

9 >14.0 Olas de longitud y altura indefinible K

Tabla 1: Escala de Douglas

Las dos estrategias más comúnmente utilizadas, que presentan buenas propiedades en

cuanto a probabilidad de detección son: la detección de cambios (Change Detection, CD) y

las técnicas CFAR (Constant False Alarm Rate). Además, estos dos métodos también se

pueden combinar para mejorar su eficacia [10].

2.4.1. Detección de cambios (Change Detection)

La detección de cambios empleando imágenes SAR es utilizada para muchas

aplicaciones como la monitorización medioambiental, la gestión de desastres naturales, la

inteligencia geoespacial, el desarrollo humano y la silvicultura. Es el algoritmo más

adecuado para detectar cambios transitorios con una fuerte diferencia de intensidad entre

imágenes.

Este método funciona con una pila temporal de imágenes de la misma zona, con la misma

geometría de visualización y la misma polarización. Consiste principalmente en comparar

dos imágenes SAR de estas características para calcular una estadística de cambio píxel por

píxel.

El cambio en decibelios entre dos imágenes SAR se le denomina métrica común de la

relación de amplitud (AR) y viene dada por la ecuación:

qAR = 10 log (𝐼2

𝐼1)

siendo Ii las intensidades del píxel bajo test de las dos imágenes comparadas. Un valor alto

de |qAR| indica un cambio en la imagen. De esta forma, el mapa de cambios, que identifica

las regiones cambiantes, se genera tomando como entrada una secuencia de dos imágenes

(I1 e I2) y umbralizando la matriz obtenida de la métrica |qAR|, dando lugar a una imagen

binaria expresada por:

𝐵(𝑥) = {1, 𝑠𝑖ℎ𝑎𝑦𝑢𝑛𝑐𝑎𝑚𝑏𝑖𝑜𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜𝑒𝑛𝑢𝑛𝑝𝑖𝑥𝑒𝑙0, 𝑒𝑛𝑙𝑜𝑠𝑑𝑒𝑚á𝑠𝑐𝑎𝑠𝑜𝑠

El umbral debe seleccionarse adecuadamente para optimizar la detección de los blancos

de interés y descartar los cambios no significativos debidos a la vegetación, movimiento de

las olas, derretimiento de nieve, etc. Además, se suele realizar un filtrado espacial del mapa

de cambios para eliminar cambios aislados provocados por el posible ruido en la imagen

[11].

2.4.2. Técnicas CFAR (Constant False Alarm Rate)

Estos algoritmos, cuya principal característica es que consiguen una probabilidad de

falsa alarma constante, son habitualmente empleados para la detección de blancos

marítimos por su buen desempeño en este entorno y debido a que posee diferentes variantes,



cada una de las cuales diseñadas para incrementar el rendimiento de detección en diferentes

escenarios y estados del mar basándose todas ellas en un umbral adaptivo que determina la

detección o no de uno o varios blancos.

Generalmente, los algoritmos CFAR calculan un umbral de comparación (T) para

discriminar las embarcaciones del clutter de mar uniforme del fondo de la imagen. Este

umbral lo calcula mediante la estimación de la potencia de clutter de mar presente en un

grupo de M celdas llamadas celdas de referencia (RC), alrededor de una celda bajo test

(CUT), que es en la que se desea detectar la presencia o no de un blanco, sin considerar

ciertas celdas de guarda (GC), para evitar tomar como referencia celdas con muestras del

blanco, lo que podría provocar su auto-enmascaramiento. Por lo tanto, se declara una

detección en la imagen SAR cuando la intensidad de un píxel supere dicho umbral (T).

El conjunto de celdas de referencia suele denominarse ventana de referencia, que se va

deslizando por toda el área en estudio para determinar si se encuentra algún blanco o no en

la misma.

Figura 7: Ventana de referencia del algoritmo CFAR

Se han propuesto en la literatura científica diferentes variantes de este algoritmo para

mantener constante el nivel de falsas alarmas y una alta probabilidad de detección. La

principal diferencia entre las diferentes variantes es el método empleado para realizar la

estimación de la potencia de clutter y el umbral de detección [12, 13]:

• CA-CFAR (Cell-Averaging-CFAR): es uno de los algoritmos CFAR más utilizados,

el cual fue diseñado para condiciones de ruido homogéneo con distribución

Gaussiana. Calcula el umbral de comparación estimando el nivel medio de energía

en dos ventanas de celdas de referencia a cada lado de la celda bajo test o en una

ventana de referencia en dos dimensiones alrededor de la celda bajo test en el caso

de imágenes SAR. El principal inconveniente de esta variante es que sufre ciertas

limitaciones cuando están presentes varios blancos en el escenario o cuando el

blanco es de gran extensión y cubre múltiples celdas de resolución, produciéndose

el problema del enmascaramiento mutuo y del auto-enmascaramiento. El primero

hace referencia a la aparición de múltiples blancos cercanos que ocupan celdas de

la ventana de referencia, dando lugar a un incremento del umbral de detección,

mientras que el segundo se refiere a cuando un blanco ocupa múltiples celdas, por

ejemplo, una embarcación de grandes proporciones. Como consecuencia de estas

limitaciones surgieron las demás variantes.

• GO-CFAR (Greatest Of-CFAR): En esta variante el umbral de comparación se

calcula como el máximo de las medias de energía de las ventanas de celdas de

referencia a cada lado de la celda bajo test. Fue diseñado para resolver el problema

del aumento de falsas alarmas en situaciones con bordes de clutter, en los que una

zona del borde presenta una mayor intensidad.



• SO-CFAR (Smallest Of-CFAR): En este caso, el umbral de comparación lo calcula

como el mínimo de las medias de energía estimada de las ventanas de CFAR a cada

lado de la celda bajo test. Fue diseñado para resolver el problema de

enmascaramiento mutuo en situaciones con múltiples blancos. Sin embargo, sufre

problemas del aumento de falsas alarmas en escenarios con bordes de clutter.

• OS-CFAR (Order Statistic-CFAR): El umbral de comparación se determina

ordenando los valores de las celdas de referencia de menor a mayor y seleccionado

el valor de la celda en la posición k-ésima, generalmente en la posición ¾ del

número total de celdas. De esta forma, se consigue una buena capacidad de

detección en situaciones con múltiples blancos o con posibles bordes de clutter a

costa de asumir unas pérdidas de detección de aproximadamente 1.4 dB respecto al

CA-CFAR [14].

2.5. Clasificación de blancos en imágenes SAR

Tras realizar la detección de los blancos en entornos marítimos utilizando los algoritmos

anteriormente descritos, se desea llevar a cabo su clasificación para distinguir entre aquellas

detecciones producidas por barcos y las debidas a otros blancos como icebers. Por este

motivo, se ha propuesto el empleo de técnicas de machine learning para procesar las zonas

de la imagen en las que se ha producido detecciones con el objetivo de llevar a cabo su

clasificación.

La inteligencia artificial (AI) surgió de la necesidad de automatización de procesos para

facilitar tareas cotidianas dejando paso a la idea de máquinas que resolvieran problemas por

sí solas. Estos sistemas se definen como aquellos que son capaces de interpretar datos

externos y emplearlos para conseguir objetivos específicos. Posteriormente, con el aumento

del volumen de datos y del aumento de su complejidad surgió la idea de crear una

automatización de procesos denominado Machine Learning o aprendizaje automático.

El Machine Learning o aprendizaje automático se engloba dentro de la disciplina de

inteligencia artificial. Hasta la llegada de este método, se requería de un experto humano

para llevar a cabo este proceso, ya que era capaz de descubrir algunos patrones formulando

un conjunto de reglas más o menos exactas para ser programadas. El aprendizaje automático

es un método científico que nos permite enseñar a los ordenadores u otros dispositivos, con

capacidad computacional, para que aprendan a resolver problemas, sin ser explícitamente

programados para ello. El resultado son algoritmos capaces de hacer predicciones y tomar

decisiones con datos desconocidos y sin una programación previa. Por lo tanto, definimos

el aprendizaje automático como la técnica que permite entrenar a nuestros ordenadores para

que aprendan a extraer patrones de nuestros datos por sí solos. Una de las principales

características de estos sistemas es la capacidad de aprender de los datos pasados, por ello

se distinguen dos tipos de aprendizajes:

- Aprendizaje supervisado: Se entrena a la maquina mediante una entrada de datos ya

etiquetados. Es decir, en este tipo de aprendizaje se sabe con anterioridad como debe

ser el resultado de la clasificación. Incluye métodos como la regresión lineal, cuyo

objetivo es predecir un valor de las observaciones, o los árboles de clasificación, cuyo

objetivo es predecir una clase de las observaciones. También se incluyen en este grupo

métodos más complejos como las redes neuronales y las máquinas de soporte

vectorial.



Figura 8: Ejemplos de métodos de regresión lineal y árbol de decisión.

- Aprendizaje no supervisado: No produce una organización por etiquetas, sino que la

máquina debe poseer la capacidad de entender los patrones dentro del conjunto de

datos para obtener dicha clasificación. Estos algoritmos son normalmente utilizados

para tareas de clustering (también denominado segmentación), cuyo objetivo es

agrupar las observaciones en grupos significativos.

Figura 9: Ejemplo de proceso de clustering

El proceso de aprendizaje se basa en un “entrenamiento” de datos seleccionados para

poder extraer patrones y así poder ser validados con nuevos datos que puedan confirmar la

validez del modelo resultante. Por lo tanto, cuanto mayor sea el volumen de los datos mejor

resultados se obtendrán ya que se podrá entrenar y validar con más datos diferentes y así

obtener un modelo más eficiente y fiable.

Generalmente los datos disponibles se clasifican en tres tipos:

- Datos de entrenamiento

- Datos de validación

- Datos de prueba

El Deep Learning [15] pertenece a la tecnología de aprendizaje automático, el cual

emplea redes neuronales, con un gran número de capas jerarquizadas, para llevar a cabo la

tarea de aprendizaje mediante varias capas de diferentes características y las cuales

aprenden automáticamente a medida que el modelo es entrenado con datos. Por lo tanto, los

modelos de este método se entrenan mediante un conjunto de datos etiquetados, debido a

que se trata de un proceso supervisado, y las arquitecturas de redes neuronales aprenden

directamente de los datos proporcionados sin la necesidad de una extracción manual de



características. El Deep Learning también es conocido como aprendizaje profundo para

hacer referencia a la cantidad de capas utilizadas para el aprendizaje, hasta 150 capas.

Las redes neuronales son un modelo basado en un conjunto de neuronas artificiales de

forma análoga a una red neuronal de los cerebros biológicos. Cada neurona puede estar

conectada con muchas otras. Por tanto, gracias a este modelo, estos sistemas aprenden por

sí solos sin ser programados anteriormente. La forma más simple de redes neuronales

artificiales es la arquitectura FeedForward la cual está formada por tres tipos de capas, que

se representan en la Figura 10:

- Capa de entrada

- Capas ocultas

- Capa de salida

Figura 10: Capas de una red neuronal

En la capa de entrada se reciben los datos de entrada y se pasan a las capas ocultas. En

las capas ocultas iniciales se aprenden algunas de las características de los datos y esto es

utilizado como entrada para la siguiente capa, y así sucesivamente. Por lo que con cada capa

de la jerarquía se construyen características más complejas de la entrada que en la capa

anterior. Por último, la capa de salida devuelve la predicción realizada.

La transformación de datos que se produce en cada capa es parametrizada por sus

respectivos pesos. Estos pesos determinan la importancia que tendrá esa relación en la

neurona al multiplicarse por el valor de la entrada. En cada neurona, se analizará la suma

de los valores recibidos y si éste supera un cierto umbral hará que la neurona se active y

envíe un valor a la siguiente capa conectada. Cada neurona de la red aplica una función de

activación específica para determinar su valor de salida a la próxima capa de neuronas.

El funcionamiento básico para el entrenamiento de estas redes neuronales se basa en una

inicialización aleatoria de los pesos de cada capa, por lo que inicialmente la salida del

modelo no es muy eficiente (la función de pérdida es muy grande). A medida que la red va

procesando los datos de entrenamiento, los pesos se van ajustando reduciendo así la función

de pérdida. Este proceso se denomina “entrenamiento” de la red. Una vez que se ha

minimizado la función de pérdida, el modelo se encuentra entrenado. Por lo tanto, la función

de pérdida mide la inexactitud de las predicciones.



Dependiendo del tipo de entrada utilizada y de las capas empleadas, existen distintos

tipos de redes neuronales:

- Redes neuronales prealimentadas (Feed Forward): la información se mueve en una

sola dirección.

- Redes convolucionales: La principal característica es que los datos de entrada son,

generalmente, imágenes o datos en dos dimensiones (2D) y que están constituidas

por tres tipos de capas: capas convolucionales, capa de reducción (pooling) la cual

va a reducir los parámetros al quedarse con las características más relevantes, y

una capa clasificadora. Las características fundamentales de estas capas se

describirán posteriormente.

- Redes recurrentes: redes que presentan bucles de retroalimentación.

Finalmente, cabe destacar la ventaja del Deep Learning respecto al rendimiento con la

cantidad de datos en comparación con otras técnicas de Machine Learning. En la imagen

11, observamos que, a mayor cantidad de datos, el aprendizaje automático consigue poco

rendimiento, y el aprendizaje profundo a pesar de conseguir poco rendimiento con

conjuntos de datos de entrenamiento pequeños, a medida que estos aumentan el rendimiento

crece de manera abrupta. Por lo que el aprendizaje profundo es el método más adecuado

cuando se tiene una gran cantidad de datos de entrenamiento.

Figura 11: Comparativa entre las técnicas de Machine Learning tradicional y las técnicas de Deep

Learning en función del tamaño del conjunto de datos de entrenamiento

2.6. Satélites SAR en operación

El primer satélite diseñado para observar los océanos terrestres con un radar de apertura

sintética abordo fue el Seasat. Este satélite fue lanzado el 28 de junio de 1978 y fue

controlado por la NASA hasta que finalmente un cortocircuito en el sistema eléctrico

finalizó su misión. Su objetivo principal fue demostrar la viabilidad de la observación por

satélite de fenómenos oceanográficos como la temperatura del mar, la altura de las olas,

vientos marinos, agua atmosférica y topografía oceánica.

Actualmente, son varios los satélites SAR que están operativos proporcionando

información tanto para usos civiles como militares. Los más importantes son:

• TerraSAR-X:

Es el primer satélite desarrollado en el marco de un acuerdo público-privado entre

el Centro Espacial Alemán (DLR), en representación de la administración pública,

junto con la empresa especializada en sistemas satelitales EADS-Astrium



(actualmente Airbus defence and space). El satélite fue lanzado en junio de 2007 y

se encuentra operativo desde inicios de 2008. Posee una altura orbital de 514 km y

funciona en banda X a 9,65GHz. TerraSAR-X fue el primer satélite radar comercial

para la observación de la Tierra, posee un tiempo de revisita de 11 días y proporciona

de forma fiable imágenes radar con una resolución que puede alcanzar 1 m

independientemente de las condiciones climáticas. A diferencia de los anteriores

satélites SAR operativos, la antena puede alinearse de forma electrónica dentro de

un rango de ángulos, entre 20º y 60º, para apuntar desde la trayectoria orbital a más

franjas terrestres en función de las necesidades operativas en cada momento [16].

Las aplicaciones de las imágenes SAR de este satélite son:

- La obtención de Modelos Digitales del Terreno (DMT) y Modelos Digitales

de Superficie (DMS) con precisión de 5 metros de altura.

- La realización de cálculos interferométricos para la detección de subsidencias

con una resolución de 3mm (obras subterráneas).

- Evaluación y vigilancia de océanos y costas.

- Cartografía rápida para dar respuestas y evaluaciones en catástrofes naturales.

- Cartografía temática (atlas urbano, agricultura de precisión)

En 2010, con el lanzamiento de su hermano gemelo TanDEM-X sobre la misma

órbita, se llevó a cabo la generación de WorldDEM, el Modelo Digital de Elevacion

(MDE) global y homogéneo, consistente en un base de datos de ambos satélites lo

que permitió mejorar las prestaciones ofrecidas a los clientes en cuanto a la

capacidad de adquisición de imágenes, reduciendo el tiempo de revisita.

Como se comentará más adelante, en 2018 se incluirá en esta constelación el satélite

Paz mejorando más aún estas prestaciones.

• Sentinel-1:

Los satélites gemelos, Sentinel-1A y Sentinel-1B, formaron parte de la primera

misión espacial Copérnico, lanzados por la Agencia Espacial Europea (ESA) en

2014 y 2016, respectivamente. Son satélites Radar de Apertura Sintética (SAR) que

permiten obtener imágenes independientemente de las condiciones climáticas,

dando información tanto para el sector público como privado. Sus aplicaciones

principales son:

- Monitorizar el hielo de los mares, el entorno marino y los cambios en la

superficie de la Tierra.

- Apoyo en la ayuda humanitaria en situaciones de crisis.

Sentinel-1 posee un tiempo de revisita de 6 días y tiene una resolución espacial de

5m. Sentinel-1 tiene una altitud de órbita de 693 km y funciona en la banda C.

Proporciona imágenes gratuitas y actualizadas mediante la página web de la ESA en

la que es necesario registrarse para su adquisición (https://scihub.copernicus.eu/ ).

• Satélite Paz:

La misión Paz surge de la necesidad de desarrollar un satélite SAR español que

proporcione imágenes radar para usuarios de seguridad y defensa, civiles y

científicos [17]. En el año 2007 los Ministerios de Defensa e Industria, Turismo y

Comercio crearon el Programa Nacional de Observación de la Tierra por Satélite

https://scihub.copernicus.eu/



(PNOTS) basado en un sistema de dos satélites, Paz e Ingenio, que combinan las

dos tecnologías de observación, radar y óptica, tanto para el uso civil como militar.

Gracias a este desarrollo, España obtendrá la capacidad operativa de un sistema dual

de observación de la Tierra, siendo el primer país europeo que contará con dicha

capacidad.

HISDESAT como propietaria, operadora y explotadora del satélite Paz contrató su

diseño y fabricación a Airbus defence and space que lideró un consorcio formado

por 15 empresas y 3 universidades (Universidad Politécnica de Madrid, de Alcalá

de Henares y de Cataluña).

El 22 de febrero de 2018 el satélite Paz se lanzó con éxito a bordo del lanzador

Falcon 9 de la compañía americana SpaceX, y tras la separación del mismo se llevó

a cabo el proceso de seguimiento y monitorización desde el centro de control de

Torrejón de Ardoz, operado por el Instituto Nacional de Técnica Aeroespacial

(INTA).

El satélite Paz cubre un área de más de 300.000 km2 al día, pudiendo tomar más de

100 imágenes diarias de hasta 25 cm de resolución, tanto diurnas como nocturnas, e

incluso en situaciones meteorológicas adversas, y posee un tiempo medio de revisita

de 11 días [18]. Posee unas dimensiones de 5 m de altura y 2,4 m de diámetro.

Funciona en la banda X y tiene una altura orbital de 512 km.

El satélite Paz proporciona más precisión en la valoración de los recursos naturales,

mayor capacidad de respuestas ante catástrofes naturales, más eficacia en la lucha

contra la contaminación, mejor planificación y ordenación de las infraestructuras,

una cartografía de gran resolución, e información estratégica para la toma de

decisiones en el ámbito de la defensa y seguridad. Entre sus numerosas aplicaciones

[18], caben destacar:

- La inteligencia.

- El control medioambiental.

- La protección de recursos naturales.

- Las operaciones militares.

- La vigilancia de la superficie terrestre, el entorno marítimo y urbanismo.

- La planificación de infraestructuras.

- La evaluación de catástrofes naturales.

- La cartografía de alta resolución.

En constelación con los satélites alemanes TerraSAR-X y TanDEM-X, se reducen

los tiempos de revisita, entre 4 y 7 días, y se incrementa la capacidad de adquisición

de imágenes para aplicaciones de vigilancia y generación de mapas. La creación de

esta constelación responde a la creciente demanda de la industria de observación de

la Tierra basada en la tecnología radar.



Figura 12: Seasat, primer satélite SAR de observación de la Tierra y principales satélites SAR en

operación

3. Referencias

[1] HisdeSAT: “Satélite PAZ. Servicios”, 2018 [Online]. Disponible en: https://www.hisdesat.es/

wp-content/uploads/2018/10/PAZ.pdf [Accedido 31/07/2019]

[2] E. Podest: “Conceptos Básicos del Radar de Apertura Sintética”, 2017 [Online]. Disponible en:

https://arset.gsfc.nasa.gov/sites/default/files/water/Brazil_2017/Day1/S1P2-span.pdf

[Accedido 31/07/2019]

[3] F. Pérez Martínez: Los “sentidos” de los Sistemas para la defensa y la seguridad, Fundación

Rogelio Segovia para el Desarrollo de las Telecomunicaciones, 2011.

[4] J. Xu, Y. Ma, J. Li, Y. Peng: “Optimizing CFAR-Based Target Detection Algortihm for DSP

Platform”, 6th International Conference on Instrumentation & Measurement, Computer and

Control, 2016.

[5] E. García Lebière: Simulacion de un radar de alto resolucion (SAR) multicanal, Proyecto Fin

de Carrera, Universitat Politècnica de Catalunya, 2012.

[6] A.W. Doerry, E.E. Bishop, J.A. Miller: “Basic of backprojection algorithm for processing

Synthetic Aperture Radar Images”, Sandia National Laboratories Report, 2016.

[7] J.C. Kirk: “Motion compensation for synthetic aperture radar”, IEEE Transactions on

Aeroespace and Electronic System, vol. 3, pp. 338-348, 1975.

[8] J. L. Ferreras: “Programa Nacional de Observación de la Tierra por Satélite – PNOTS”, XIV

Congreso Asociación Española Teledetección, 2011.

[9] M. Skolnik: Introduction to radar system, Mc Graw Hill, New York, 2001.

https://www.hisdesat.es/%0bwp-content/uploads/2018/10/PAZ.pdf

https://www.hisdesat.es/%0bwp-content/uploads/2018/10/PAZ.pdf

https://arset.gsfc.nasa.gov/sites/default/files/water/Brazil_2017/Day1/S1P2-span.pdf



[10] Y. Sui, H. Zou, L. Lei, Z. Li: “A novel tempate-based change detection technique for harbor

ship target”, 2nd International Conference on Digital Manufacturing & Automation, 2011.

[11] J. Sharma, F. Greene, R. Caves: “Wide Area Amplitude Change Detection using RADARSAT-

2”, 12th European Conference on Synthetic aperture Radar, 2018.

[12] H. Rohling: “Radar CFAR Thresholding in clutter and Multiple Target Situations”, IEEE

Transactions on Aerospace and Electronic Systems, vol. 4, pp. 608-621, 1983.

[13] M.A. Richards, J.A. Scheer, W.A. Holm: Principles of Modern Radar, SciTech Pub., 2010.

[14] N. Levanon: “Detection Loss Due to Interfering Targets in Ordered Statistics CFAR”, IEEE

Transactions on Aerospace and Electronic Systems, vol. 24, no. 6, pp. 678-681, 1988.

[15] Mathworks: “Deep Learning” [Online]. Disponible en: https://es.mathworks.com/discovery/

deep-learning.html [Accedido 31/07/2019].

[16] T. Fernández de Sevilla: “Utilización de tecnologías TerraSAR-X para determinación de zonas

inundadas en fase de emergencia”, 14º Congreso Nacional de Tecnologías de la Información

Geográfica, 2010.

[17] M.P. Jarabo Amores, M.J. González Bonilla, D. De la Mata Moya, J. Martín de Nicolás Presa,

N. del Rey Maestre, J.L. Bárcena Humanes, V.M. Peláez Sánchez: “Explotación científica de

productos Paz en tareas de vigilancia y monitorización costera”, Revista de Teledetección, vol.

41, pp. 97-109, 2014.

[18] Instituta Nacional de Técnica aeroespacial (INTA): “La órbita de PAZ”, 2018 [Online].

Disponible en: http://www.inta.es/WEB/INTA/es/blogs/copernicus/BlogEntry_15198945

55064 (Accedido 31/07/2019)

[19] HisdeSAT: “PAZ” [Online]. Disponible en: https://www.hisdesat.es/satelites_observ-paz/

(Accedido 31/07/2019)

https://es.mathworks.com/discovery/%0bdeep-learning.html

https://es.mathworks.com/discovery/%0bdeep-learning.html

http://www.inta.es/WEB/INTA/es/blogs/copernicus/BlogEntry_15198945%0b55064

http://www.inta.es/WEB/INTA/es/blogs/copernicus/BlogEntry_15198945%0b55064

https://www.hisdesat.es/satelites_observ-paz/

Detección y clasificación de blancos marítimos en imágenes ......Estado del Arte de las...

Documents

Transcript of Detección y clasificación de blancos marítimos en imágenes ......Estado del Arte de las...