Un método de reconstrucción de superresolución basado en una red generativa adversarial de crecimiento progresivo Res-efectiva y de múltiples plataformas para imágenes de drones y satélites
Autores: Han, Hao; Du, Wen; Feng, Ziyi; Guo, Zhonghui; Xu, Tongyu
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un método de reconstrucción de superresolución basado en una red generativa adversarial de crecimiento progresivo Res-efectiva y de múltiples plataformas para imágenes de drones y satélites
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Monitoreo de campo
Teledetección
Método de reconstrucción de superresolución
Modelo Res-PGGAN
Red residual profunda
Imágenes de alta magnificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
En los últimos años, el monitoreo preciso de campo ha sido un foco de investigación en los dominios de la teledetección aérea y la teledetección por satélite. En vista de esto, este estudio propone por primera vez un método innovador de reconstrucción de superresolución multiplataforma para imágenes de teledetección, con el objetivo de hacer que los satélites de resolución media sean capaces de detección a nivel de campo a través de una técnica de reconstrucción de superresolución. El modelo de red generativa adversarial de crecimiento progresivo (PGGAN), que tiene excelentes capacidades de generación de alta resolución y transferencia de estilo, se combina con una red residual profunda, formando el modelo Res-PGGAN para la reconstrucción de superresolución multiplataforma. La arquitectura de Res-PGGAN es similar a la de PGGAN, pero incluye un módulo residual profundo. El modelo Res-PGGAN propuesto tiene dos beneficios principales. Primero, el módulo residual facilita el entrenamiento de redes profundas, así como la extracción de características profundas. Segundo, la estructura de PGGAN se desempeña bien en la transferencia de estilo de sensores multiplataforma, permitiendo que se realicen bien tareas de superresolución de alta magnificación multiplataforma. Se utiliza un gran conjunto de datos de preentrenamiento y datos reales para entrenar el Res-PGGAN y mejorar la resolución de las imágenes satelitales de Sentinel-2 de 10 m a 0.625 m. Se utilizan tres métricas de evaluación, incluyendo el índice de similitud estructural (SSIM), la relación de señal a ruido pico (PSNR) y el índice de calidad universal (UQI), para evaluar las imágenes de alta magnificación obtenidas por el método propuesto. Las imágenes generadas por el método propuesto también se comparan con las obtenidas por el método bicúbico tradicional y dos métodos de reconstrucción de superresolución de aprendizaje profundo: la red generativa adversarial de superresolución mejorada (ESRGAN) y el PGGAN. Los resultados indican que el método propuesto supera a todos los métodos de comparación y demuestra un rendimiento aceptable en relación con las tres métricas (SSIM/PSNR/UQI: 0.9726/44.7971/0.0417), probando la viabilidad de la recuperación de imágenes de superresolución multiplataforma.
Descripción
En los últimos años, el monitoreo preciso de campo ha sido un foco de investigación en los dominios de la teledetección aérea y la teledetección por satélite. En vista de esto, este estudio propone por primera vez un método innovador de reconstrucción de superresolución multiplataforma para imágenes de teledetección, con el objetivo de hacer que los satélites de resolución media sean capaces de detección a nivel de campo a través de una técnica de reconstrucción de superresolución. El modelo de red generativa adversarial de crecimiento progresivo (PGGAN), que tiene excelentes capacidades de generación de alta resolución y transferencia de estilo, se combina con una red residual profunda, formando el modelo Res-PGGAN para la reconstrucción de superresolución multiplataforma. La arquitectura de Res-PGGAN es similar a la de PGGAN, pero incluye un módulo residual profundo. El modelo Res-PGGAN propuesto tiene dos beneficios principales. Primero, el módulo residual facilita el entrenamiento de redes profundas, así como la extracción de características profundas. Segundo, la estructura de PGGAN se desempeña bien en la transferencia de estilo de sensores multiplataforma, permitiendo que se realicen bien tareas de superresolución de alta magnificación multiplataforma. Se utiliza un gran conjunto de datos de preentrenamiento y datos reales para entrenar el Res-PGGAN y mejorar la resolución de las imágenes satelitales de Sentinel-2 de 10 m a 0.625 m. Se utilizan tres métricas de evaluación, incluyendo el índice de similitud estructural (SSIM), la relación de señal a ruido pico (PSNR) y el índice de calidad universal (UQI), para evaluar las imágenes de alta magnificación obtenidas por el método propuesto. Las imágenes generadas por el método propuesto también se comparan con las obtenidas por el método bicúbico tradicional y dos métodos de reconstrucción de superresolución de aprendizaje profundo: la red generativa adversarial de superresolución mejorada (ESRGAN) y el PGGAN. Los resultados indican que el método propuesto supera a todos los métodos de comparación y demuestra un rendimiento aceptable en relación con las tres métricas (SSIM/PSNR/UQI: 0.9726/44.7971/0.0417), probando la viabilidad de la recuperación de imágenes de superresolución multiplataforma.