从基于卷积神经网络的高分辨率遥感图像中重建超分辨率
Yang Liu1, Hu Xu2, Xiaodong Shi3
1Cloud Computing and Big Data Institute, Henan University of Economics and Law, Zhengzhou, Henan, China.
PeerJ. Computer science
|December 16, 2024
概括
本研究介绍了两个先进的算法,EGAN和END-GAN,用于增强遥感图像超分辨率. 这些方法有效地减少噪音,提高边缘清晰度,从而显著提高图像质量.
科学领域:
- 计算机视觉 计算机视觉
- 遥感技术 遥感技术 遥感技术
- 人工智能的人工智能
背景情况:
- 遥感图像超分辨率面临着噪音和模糊边缘的挑战.
- 像DBSR-GAN这样的现有方法在利用全球信息和文物重建方面存在局限性.
研究的目的:
- 提出新的算法来增强远程传感图像超分辨率.
- 解决噪音腐败,边缘模糊性和文物重建问题.
- 改善全球信息和特征提取的利用.
主要方法:
- 开发了边缘增强生成对抗网络 (EGAN),具有边缘增强模块和优化的Mask分支.
- 引入了图像的一致性损失和子像素卷积,以获得更清晰的边缘.
- 拟议的非本地模块和文物歧视EGAN (END-GAN) 包含非本地模块和文物歧视方法.
- 实施了文物损失歧视,以改进重建.
主要成果:
- 伊甘增强了边缘信息,导致更清晰的轮和一致的结果.
- END-GAN 改进了内部图像相关性和全球目标特征提取的利用.
- 对NWPUVHR-10和UCAS-AOD数据集的实验结果显示,评估指数的显著改善.
结论:
- 拟议的EGAN和END-GAN算法在遥感图像超分辨率方面提供了卓越的性能.
- 这些算法有效地减轻噪音,改善边缘定义,减少文物.
- 这些进步有助于更准确,更可靠的遥感数据分析.
