Aperfeiçoamento do treinamento de redes de super-resolução deep learning a partir de imagens hiperespectrais aprimoradas

• Ano de defesa: 2023
• Autor(a) principal: Sales, Vinicius Ferreira
• Orientador(a): Silveira Junior, Luiz Gonzaga da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Computação visual; Sensoriamento remoto; Deep learning; Super-resolução
• Palavras-chave em Inglês: Visual computing; Remote sensing; Super-resolution
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/12596

Inserida no contexto de Computação Visual e Sensoriamento Remoto, a Super-resolução consiste no processo de restaurar informações de alta frequência em imagens de baixa resolução espacial. Tradicionalmente, esse tipo de técnica busca solucionar às limitações físicas de alguns sensores imageadores em identificar e analisar específicos alvos. Com aumento do uso dos métodos de Deep Learning abordagens mais robustas de Super-resolução vem ganhando cada vez mais espaço, como são os casos das redes de S-R baseadas em Convolutional neural network. Embora tal abordagem se mostrou superior as técnicas tradicionais de processamento digital de imagens, principalmente em cenas RGB, imagens multiespectrais e essencialmente hiperespectrais carecem de mais atenção pelo método, uma vez que, ao aprimorar as suas resoluções espaciais, a consistência espectral deve ser mantida, fato esse considerado um dos grandes desafios dentro da Super-resolução. Ainda nesse contexto, em consequência da dificuldade de se obter imagens hiperespectrais de baixa e alta resoluções espaciais devidamente registradas, as cenas de baixa resolução espacial são sintetizadas a partir do processo de degradação, reamostragem e ruído das suas correspondentes de alta resolução espacial. Apesar desse fluxo ser comumente adotado, ainda não foi avaliado qual é a real influência que as técnicas de reamostragem exercem sobre os métodos de Super-resolução inteligentes, já que não existe um consenso sobre qual a melhor técnica a ser empregada. Sendo assim, a hipótese é que a identificação da melhor função de reamostragem de HIs de LR possibilita que os modelos de Super-resolução em Deep Learning gerem HIs de HR de melhor qualidade. Portanto, esse trabalho tem como objetivo de avaliar funções de reamostragem e identificar a melhor função para ao aperfeiçoamento do treinamento de redes de super-resolução em deep learning. Como proposta para este trabalho, dois diferentes datasets de imagens hiperpesctrais consagrados na literatura foram escolhidos e empregados no processo de sintetização de imagens de baixa resolução espacial. Posteriormente, com os dados gerados foram avaliados os seus comportamentos dentro Super-resoluçãoo melhor modelo de Super-resoluçãoo selecionado com base nos trabalhos relacionados. Essa avaliação foi realizada a partir de diferentes métricas de comparação de imagens hiperespectrais, com destaque para as métricas Peak Signal-to-Noise Ratio, Spectral Angle Mapper e Structure Similarity Index Measurement . Dos valores obtidos testes de hipótese como são o caso dos teste de Friedman e Nemeyi foram aplicados, de modo a identificar estatisticamente qual a melhor técnica aplicada. Por fim, os resultados obtidos foram confrontados e avaliados a partir de um novo conjunto de dados obtido de forma controlada, de modo que a consistência espectral pôde ser avaliada com base em imagens espectrais de alta resolução preditas e leituras pontuais com espectrômetro não imageador. Dos resultados obtidos, as reamostragem do tipo Lanczos e Cubic apresentaram os melhores resultados em relação as demais, comprovando assim, a hipótese avaliada.