Las imágenes adquiridas por radares de apertura sintética se degradan por el ruido que impide la extracción eficiente de información útil de los datos de teledetección por radar. El filtrado o desruido es una herramienta que se utiliza a menudo para mejorar la calidad de la imagen. Sin embargo, dependiendo de las propiedades de la imagen y del ruido, la calidad de la mejora puede variar. Además, una calidad puede caracterizarse por diferentes criterios o métricas, donde las métricas de calidad visual pueden ser de valor. Para el estudio de caso del filtrado basado en la transformada discreta del coseno (DCT), mostramos que la mejora de la calidad de la imagen radar debido a la eliminación de ruido puede preverse de manera simple y rápida, especialmente si se trata de un tipo particular de datos de radar, como las imágenes adquiridas por Sentinel-1. Nuestro enfoque se basa en la aplicación de una red neuronal entrenada que, en general, puede tener un número diferente de entradas (características). Proponemos un conjunto de características que describen las estadísticas de la imagen y del ruido desde diferentes puntos de vista. De este conjunto, que contiene 28 características, analizamos diferentes subconjuntos y mostramos que un subconjunto de las 13 características más importantes e informativas conduce a una predicción muy precisa. Se discuten las peculiaridades de la generación de imágenes de prueba y del entrenamiento de la red. La red neuronal entrenada se prueba utilizando diferentes estrategias de verificación. Se presentan los resultados de la aplicación de la red a imágenes de radar de prueba y del mundo real, demostrando un buen rendimiento para un amplio conjunto de métricas de calidad.