基于深度学习的技术,用于使用多级特征融合进行远程传感图像增强
Ming Zhao1, Rui Yang1, Min Hu1
1School of Computer Science, Yangtze University, Jingzhou 434023, China.
Sensors (Basel, Switzerland)
|January 26, 2024
概括
本研究介绍了全球空间注意网络 (GSA-Net),这是一种用于增强低光远程传感图像的深度学习模型. GSA-Net显著提高了图像质量和细节,在像对象检测这样的视觉任务中表现优于现有的方法.
科学领域:
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 遥感图像经常受到低光条件的影响,这阻碍了它们在各种应用中的实用性.
- 现有的图像增强技术可能难以保留关键细节,同时提高亮度.
研究的目的:
- 开发一种新的深度学习模型,用于有效的远程传感图像增强.
- 为了应对缺乏足够的训练数据在低光条件下图像恢复的挑战.
主要方法:
- 全球空间注意网络 (GSA-Net),基于U-Net的层次模型,被设计用于特征提取和亮度增强.
- 用马校正合成生成低光训练样本.
- 开发了一个专门的损失函数,包括结构相似性 (SSIM) 和峰值信号对噪声比率 (PSNR).
主要成果:
- 与最先进的算法相比,GSA-Net模型在恢复低光远程传感图像方面表现出卓越的性能.
- 使用PSNR,SSIM和LPIPS进行的客观评估证实了该模型的有效性.
- 增强图像表现出更好的对比度和鲜明的细节,有利于高级视觉任务,如对象检测.
结论:
- 拟议的GSA-Net提供了一个强大的解决方案,用于增强低光远程传感图像.
- 该方法有效地平衡了亮度增强与细节保存.
- 改进的图像质量有助于在遥感应用中更准确的解释和分析.
