FUSE-Net:使用GNDVI引导的绿色频道增强从RGB进行NIR频段预测的多尺度CNN.

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 植物科学 植物科学

背景情况:

• 超光谱成像 (HSI) 提供了先进的植被分析,但由于高设备成本和复杂的数据采集,面临着局限性.
• 需要可访问的替代方案来扩大光谱成像技术在各种领域的应用.

研究的目的:

• 开发一种具有成本效益的方法,用于从标准RGB图像中估计近红外 (NIR) 反射率.
• 引入一个深度学习模型,FUSE-Net,用于从RGB数据中增强光谱信息恢复.
• 评估拟议的G-RGB方法和植物分析的FUSE-Net的有效性.

主要方法:

• 提出了一种绿色规范差异植被指数 (GNDVI) 引导的绿色通道调整方法 (G-RGB) 来编码类似NIR的信息.
• 介绍了FUSE-Net,这是一个集成多尺度卷积层的深度学习模型,以及用于空间和光谱依赖模型的MLP-Mixer.
• 创建了一个高分辨率的RGB-HSI配对数据集,用于模型评估.

主要成果:

• 在关键指标 (MSE,PSNR,SCC,SSIM) 中,G-RGB输入显著优于未经修改的RGB.
• 在使用G-RGB增强输入时,FUSE-Net实现了最佳性能.
• 废弃性研究证实了该模型能够有效地恢复光谱信息的能力.

结论:

• 在G-RGB方法提供一个可行的近似NIR反射率只使用RGB图像.
• 这种方法为在HSI系统无法访问的场景中进行植被分析提供了具有成本效益的解决方案.
• 开发的方法和模型推进了用于精确成像应用的可访问光谱数据分析.