使用生成对抗网络进行远程传感图像消毒,并增强纹理和色彩空间
Helin Shen1, Tie Zhong2, Yanfei Jia3
1Key Laboratory of Modern Power System Simulation and Control and Renewable Energy Technology (Ministry of Education), Department of Communication Engineering, College of Electric Engineering, Northeast Electric Power University, Jilin, 132012, China.
Scientific reports
|May 29, 2024
概括
本研究介绍了一种新的生成对抗网络 (GAN),用于远程传感图像处理. 新方法显著提高了图像质量和色彩恢复在模糊条件下.
科学领域:
- 地球观测 地球观测
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 遥感对于地面信息检测至关重要,但图像质量往往会受到雾等大气条件的影响.
- 经典卷积神经网络 (CNN) 显示出对dehazing的承诺,但在特征提取方面存在局限性.
- 生成对抗网络 (GANs) 提供了一种有前途的方法来应对形象破坏挑战.
研究的目的:
- 提出一种新的生成对抗网络 (GAN) 来从模糊的遥感数据中重建清晰的图像.
- 为了增强功能提取能力,超越经典的CNN,以提高排气性能.
- 为了改善色彩恢复和整体图像质量在模糊的遥感图像.
主要方法:
- 开发了一种新的消毒生成对抗网络 (GAN),包括一个生成器和一个歧视器.
- 该发电机包含色彩/亮度和高频特征提取模块,用于多尺度信息获取.
- 引入了基于颜色和值 (HSV) 的颜色损失函数,以获得卓越的颜色恢复.
- 为区分器设计了一个并行结构,以改善纹理和背景信息提取.
主要成果:
- 拟议的GAN显著提高了远程传感图像的质量.
- 实验结果显示,与现有方法相比,峰值信号对噪声比率 (PSNR) 显著增加.
- 通过拟议的方法生成的脱雾图像在视觉质量方面与原始无雾图像非常相似.
结论:
- 新的GAN架构有效地解决了经典CNN在遥感图像处理方面的局限性.
- 集成的特征提取模块和HSV颜色损失功能有助于在纹理,颜色和亮度重建方面提供卓越的性能.
- 这种方法在从模糊的遥感图像中获得清晰准确的地面信息方面取得了重大进展.
