A generative adversarial network approach for super-resolution of sentinel-2 satellite images

• Autores: Pineda F., Ayma V., Beltran C.
• Formato: artículo
• Fecha de Publicación: 2020
• Institución: Consejo Nacional de Ciencia Tecnología e Innovación
• Repositorio: CONCYTEC-Institucional
• Lenguaje: inglés
• OAI Identifier: oai:repositorio.concytec.gob.pe:20.500.12390/2512
• Enlace del recurso: https://hdl.handle.net/20.500.12390/2512; https://doi.org/10.5194/isprs-archives-XLIII-B1-2020-9-2020
• Nivel de acceso: acceso abierto
• Materia: Super-Resolution; GAN; PeruSat-1; Sentinel-2; http://purl.org/pe-repo/ocde/ford#2.02.03

Las imágenes de satélite de alta resolución siempre han tenido una gran demanda debido al mayor detalle y precisión que ofrecen, así como al amplio alcance de los campos en los que se podrían aplicar; sin embargo, los satélites en operación que ofrecen imágenes de muy alta resolución (VHR) han experimentado un aumento importante, pero se mantienen en una proporción menor frente a los satélites de menor resolución (HR) existentes. Los modelos recientes de redes neuronales convolucionales (CNN) son muy adecuados para aplicaciones con procesamiento de imágenes, como la mejora de la resolución de imágenes; pero para obtener un resultado aceptable, es importante, no solo definir el tipo de arquitectura de la CNN, sino también el conjunto de imágenes de referencia para entrenar el modelo. Nuestro trabajo propone una alternativa para mejorar la resolución espacial de las imágenes HR obtenidas por el satélite Sentinel-2 utilizando las imágenes VHR de PeruSat1, un satélite peruano, que sirven como referencia para la implementación del enfoque de superresolución basado en una Red Generativa Adversarial ( modelo GAN), como alternativa para la obtención de imágenes VHR. El conjunto de datos de imágenes VHR PeruSat-1 se utiliza para el proceso de entrenamiento de la red. Los resultados obtenidos se analizaron teniendo en cuenta las relaciones pico de señal a ruido (PSNR) y la similitud estructural (SSIM). Finalmente, se presentan algunos resultados visuales, sobre un conjunto de datos de prueba dado, para que también se pueda analizar el rendimiento del modelo.