FILTRADO DEL RUIDO DE SPECKLE
Universidad Nacional de Trujillo
Informática
Trujillo – Perú
Prof. Jorge Luis Guevara Díaz
Cueva Alvarez Karen Melissa
simply_assilem@hotmail.com
Resumen
El ruido Speckle aparece en imágenes con
iluminación coherente, como las de scanner
ultrasónico, sonar y radar de abertura sintética
(SAR). Este ruido se desvía del modelo clásico, en el
que se supone ruido Gaussiano, independiente de la
señal y adicionado al verdadero valor.
El Speckle, en cambio, es multiplicativo y no
Gaussiano (en los formatos intensidad y amplitud), y
dificulta la interpretación de las imágenes porque el
“efecto de sal y pimienta” corrompe la información o
verdad de la imagen.
Existen numerosas técnicas para extraer información
contenida en imágenes con Speckle, entre las cuales
las estadísticas proveen los mejores modelos y
herramientas para el procesamiento y análisis de
imágenes ruidosas.
Palabras Claves: Imágenes SAR, Speckle, ruido,
filtrado.
1. Introducción.
El moteado o Speckle es una característica
inherente a las imágenes radar. En estas
existen dos tipos de textura: la de la propia
escena y la de la varianza de la imagen,
conocida como Speckle, debido al sistema
de obtención de la propia imagen.
Por lo tanto, se debe distinguir entre la
“textura de la escena” que debe ser
contemplada como la variación espacial de
los patrones de reflectividad, y la “textura
de la imagen” que representa la variación
espacial de la radiometría captada por un
sistema parcialmente coherente como el
SAR, siendo la textura de la imagen más
compleja que la textura de la escena. La
diferencia entre la textura de la escena y la
de la imagen se debe al moteado o
Speckle.
Puerta Ramirez Gallen Psykhé
orion_1410@hotmail.com
La señal emitida por el sensor se transmite
en fase, de forma coherente sin producir
interferencias hasta que interacciona con
el objeto, entonces deja de estar en fase y
las ondas producen interferencias que
generan píxeles claros y oscuros
denominados “ruido de moteado o
Speckle”. El Speckle debe ser eliminado
antes de proceder a la utilización de los
datos. Es crucial el orden de aplicación de
los algoritmos en las imágenes radar, dado
que cualquier proceso aplicado a una
imagen antes de reducir el Speckle, genera
un ruido que se incorpora a la propia
imagen, produciendo una degradación de
la misma. El Speckle no puede ser nunca
eliminado totalmente, pero si reducido
significativamente. Por ello, los filtros de
Speckle tienen como objetivo dicha
reducción, procurando conservar las
características espaciales y las estructuras
lineales de la escena.
La visualización del histograma de
frecuencias de la imagen proporciona
información cualitativa sobre el Speckle de
la misma; mientras que los ratios SNR
(Signal to Noise Ratio) y Neq (Número
equivalente de vistas simples)
proporcionan información cuantitativa;
cuanto mayor sea el aumento de la
relación SNR o del índice Neq, mejor será la
actuación del filtro.
Normalmente se representa el Speckle
como un proceso aleatorio similar a una
modulación multiplicativa de la
reflectividad de la imagen. Este proceso
multiplicativo es estadísticamente
independiente del proceso aleatorio de la
reflectividad. Por lo tanto, este modelo
multiplicativo se ajusta mejor en áreas que
presentan una reflectividad media
constante sobre una gran superficie.
2. Definición de Speckle.
El Speckle es un ruido multiplicativo
proporcional a la intensidad de la señal
recibida. El Speckle es un efecto físico, el
cual ocurre cuando luz coherente es
reflejada de una superficie desigual.
En sensores SAR satelitales, el Speckle
resulta de la necesidad de crear una
imagen radar con radiación coherente,
como resultado de esto un pixel puede
diferir extremadamente de su valor de gris
promedio. Estas variaciones de valor de
gris entre pixeles adyacentes generan la
apariencia granulosa típica de las imágenes
SAR.
En general, el ruido Speckle puede ser
modelado como un ruido multiplicativo
aleatorio, debido a que las variaciones en
la imagen son generadas por la señal
misma usando una fase aleatoria, por
ejemplo su desviación estándar es
proporcional a su media.
La consecuencia de este ruido sobre la
imagen es una variación o fluctuación del
valor de los niveles de gris de los píxeles,
produciendo un moteado a menudo
bastante fuerte y que oculta información
dificultando su análisis.
Por tanto, la resolución radiométrica de las
imágenes radar está principalmente
gobernada por el fenómeno del Speckle y
no tanto por el número de posibles señales
cuantizadas.
3. Filtros de Reducción de Speckle.
Entre los numerosos filtros de reducción de
Speckle, se va a analizar el
comportamiento de los filtros específicos
de Lee, Frost, Gamma, Kuan.
3.1. Filtro de Lee (1981)
El filtro de Lee usa estadísticas locales
tales como la media y la desviación
estándar en una ventana de tamaño
fijo. Por ejemplo, una ventana de 7x7,
para determinar factores de pesos
diferentes para suavizar la imagen.
En el filtro de Lee, el modelo
multiplicativo del ruido Speckle es
aproximado a un modelo lineal, donde
se minimiza el error cuadrado medio
mediante la estimación de mínimos
cuadrados, para obtener el algoritmo
de filtrado que está dado por:
Donde:
t -es la coordenada del pixel
x(t) -es el píxel filtrado
z(t) -es el píxel observado en la imagen
(es el píxel central dentro de la ventana
de filtrado)
-es la media de la intensidad
dentro de la ventana de filtrado.
W(t) -es la función de pesos y está
dada por:
-es el coeficiente de variación del
ruido
-es el coeficiente de variación del
conjunto de datos y están dados por:
σv -es la desviación estándar del
ruido.
-es la media del ruido.
σ(z) -es una aproximación de la
desviación estándar de la imagen
mediante la desviación estándar
de los pixeles dentro de la
ventana de filtrado.
En una región homogénea el valor de
salida filtrada, es un promedio lineal de
los pixeles en su vecindad, mientras
 que en regiones extremadamente
concurridas, la salida llega a ser el
mismo valor del pixel de entrada.
Aunque el filtro de Lee puede
preservar los bordes, el uso de
ventanas muy grandes produce una
pérdida de detalles en la imagen.
El filtro de Lee fue mejorado por Lopes
en 1990, dividiendo el conjunto de
datos en áreas de tres clases.
La primera corresponde a las áreas
homogéneas, en las cuales el ruido
aleatorio puede eliminarse aplicando
un filtro de paso bajo.
La segunda clase corresponde a zonas
heterogéneas en las cuales se reduce el
ruido aleatorio preservando la textura
de la imagen.
La tercera clase corresponde al área
que contiene puntos aislados, donde el
filtro podría conservar los valores
observados.
3.2. Filtro de Frost (1982)
El filtro de Frost usa un kernel de
espiral amortiguado exponencialmente
el cual se adapta a características
basadas en estadísticos locales.
Consiste de un filtro simétrico
circularmente con un conjunto de
valores de pesos para cada pixel:
Donde A está dada por:
3.3. Filtro Gamma-MAP.
|t| -es el valor absoluto de la
distancia del pixel central a sus
vecinos en la ventana de filtrado.
Var (z) -varianza en el nivel de gris en
la ventana de filtrado.
-es el cuadrado del nivel de gris
medio en la ventana de filtrado.
K -es un factor de amortiguamiento.
El valor de K depende de la imagen no
filtrada y puede requerir realizar
experimentos de prueba y error para
determinar su mejor valor. El valor por
default es 1.
El valor de gris resultante para el pixel
suavizado es:
Donde p1...pn son los niveles de gris de
cada pixel en la ventana de filtrado y
m1...mn son los pesos asociados con
cada pixel.
En otras palabras, los parámetros del
filtro de Frost son ajustados de
acuerdo con estadísticos locales
calculados en una ventana alrededor
del pixel a filtrar. En regiones
uniformes, el filtro de Frost actúa como
un filtro por la media. En regiones
heterogéneas, actúa como un filtro de
paso alto con rápida decadencia fuera
del centro.
De esta forma, el filtro suavizará las
regiones uniformes y removerá el
Speckle, mientras que los bordes de
contraste alto y otros objetos
conservarán su valor. Lopes en 1990
mejoró el filtro de Frost de la misma
como mejoró el filtro de Lee.
El filtro Frost mejorado minimiza la
pérdida de información radiométrica y
textural.
El filtro de máximo a posteriori (MAP)
intenta estimar el nivel digital original
del píxel, que se asume debe estar
entre la media local y el nivel digital del
píxel degradado (actual). La lógica del
MAP maximiza la función de densidad
de probabilidad a posteriori respecto a
 la imagen original. El algoritmo para la
aplicación de este filtro se basa en la
siguiente expresión:
Siendo:
Î = Valor buscado
I = Media local
ND = Nivel Digital de entrada (inicial)
σ = Varianza de la imagen original
Este filtro está basado en la suposición
de que la intensidad (sin moteado) de
la escena tiene una distribución
Gamma.
Este filtro minimiza la pérdida de
información textural aún mejor que los
filtros Frost y Lee, en casos de escenas
con distribución Gamma.
El filtro MAP Gamma es apropiado para
una gran variedad de escenas con
distribución Gamma, tales como las
áreas arboladas, áreas agrícolas y
océanos.
El filtro conserva el valor observado del
píxel en las escenas que no tienen
distribución Gamma.
3.4. Filtro de Kuan (1985)
El filtro de Kuan primero transforma el
modelo del ruido multiplicativo a un
modelo de ruido aditivo dependiente
de la señal. Posteriormente, minimiza
el error cuadrado medio mediante la
estimación de mínimos cuadrados. El
resultado tiene la misma forma que el
filtro de Lee, pero la función de peso
está dada por:
Debido a que Kuan no hace una
aproximación inicial al modelo original,
este modelo puede considerarse
superior al filtro de Lee.
4. Efectos del Filtrado.
 Los filtros adaptables (Lee, Frost y
Gamma) conservan el valor medio. Son
más adecuados para las imágenes de
SAR.
 Al aumentar el tamaño de la ventana
del filtro, también aumenta el cambio
porcentual en la desviación estándar.
5. Conclusiones.
En este trabajo se ha realizado un estudio
de algunos de los filtros comúnmente más
empleados en procesado de imágenes para
la reducción de ruido de Speckle.
Se han propuesto muchas técnicas y
aunque reducen el ruido tratando de
conservar la resolución espacial de la
imagen, aún no se encuentra una técnica
adaptativa que remueva todo el Speckle sin
perder información de la imagen.
Por tanto, las técnicas de filtrado son
adaptadas y probadas para una aplicación
específica, de lo que depende su eficiencia.
6. Referencias.
[1] O. Bustos, M. Palacio, A. Frery.
“Filtros Interactivos Reductores de
Ruido Speckle en Imágenes”.
Universidad Federal de
Pernambuco (Brasil)
[2] R. García, C. González, R. de la
Vega. “Análisis Del
Comportamiento De Filtros De
Reducción De Speckle En Imágenes
ERS2-SAR”. Universidad Politécnica
de Madrid.
[3] Centro Canadiense de Percepción
Remota. “Realce Radiométrico”.
Ministerio de Recursos Naturales
de Canadá.
[4] Revista Internacional de Ciencias
de la Tierra. “Reducción del
Speckle en las Imágenes SAR”.
[5] Alma Nieto Yánez, Apolinar
Ramírez Saldívar. “Técnicas para
 Reducir el Speckle en Imágenes
SAR”. Instituto Tecnológico de
Ciudad Madero.
[6] Daniel Bermúdez, Pilar Jarabo, José
Nieto. “Estudio Comparativo de
Algoritmos para la Reducción del
Speckle en Imágenes SAR”.
Universidad de Alcalá.