Аналіз підходів щодо підвищення якості зображень

Дмитро  Захарченко; Тетяна  Малік

doi:10.25140/2411-5363-2025-4(42)-616-626

Автор(и)

Дмитро Захарченко Київський національний університет імені Тараса Шевченка, Україна https://orcid.org/0009-0003-1687-1433
Тетяна Малік Київський національний університет імені Тараса Шевченка, Україна https://orcid.org/0000-0002-1362-8433

DOI:

https://doi.org/10.25140/2411-5363-2025-4(42)-616-626

Ключові слова:

зондування; суперрозрізненність; нейромережі; узгодженість; сегментація

Анотація

У статті виконано порівняльний аналіз підходів підвищення якості супутникових зображень для задач геодезії та землеустрою. Розглянуто BSWTV, самонавчальну MISR-DSA, CNN на парах Landsat–Sentinel-2 та RS-ESRGAN. Дані включали синтетичні та реальні сцени, при цьому застосовано маскування хмар, тіней, інше та поканальне оцінювання за PSNR/SSIM. Узагальнені результати: BSWTV – приглушення змішаного шуму зі збереженням контурів, MISR-DSA – найкраще для ×2 і серій із субпіксельними зсувами, CNN – практичний компроміс для однокадрового підвищення та масштабування архівів, RS-ESRGAN – великі масштаби і крос-сенсорні пари зі збереженням природної текстури та спектральної узгодженості.

Посилання

Gui, J., Cong, X., Cao, Y., Ren, W., Zhang, J., Zhang, J., & Tao, D. (2021). A comprehensive survey on image dehazing based on deep learning. In Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence (IJCAI-21), Survey Track (pp. 4426–4433). IJCAI. https://www.ijcai.org/proceedings/2021/0604.pdf.

Guo, J. (2023). A survey on image enhancement for low-light images. Journal of Visual Communication and Image Representation, 106, Article 103762. https://doi.org/10.1016/j.jvcir.2023.103762.

Hurlbert, A. (2025). Perception and discrimination of illumination color. Annual Review of Vision Science, 11. https://doi.org/10.1146/annurev-vision-121423-013755.

Tian, Z., Qu, P., Li, J., Sun, Y., Li, G., & Liang, Z. (2023). A survey of deep learning-based low-light image enhancement. Sensors, 23(18), 7763. https://doi.org/10.3390/s23187763.

Sun, K., & Simon, S. (2021). Bilateral spectrum weighted total variation for noisy-image super-resolution and image denoising. arXiv. https://doi.org/10.48550/arXiv.2106.00768.

Nguyen, N. L., Anger, J., Davy, A., Arias, P., & Facciolo, G. (2021). Self-supervised multi-image super-resolution for push-frame satellite images (DSA-Self). Centre Borelli. https://centreborelli.github.io/DSA-Self/.

Pouliot, D., Latifovic, R., Pasher, J., & Duffe, J. (2018). Landsat super-resolution enhancement using convolution neural networks and Sentinel-2 for training. Remote Sensing, 10(3), 394. https://doi.org/10.3390/rs10030394.

Romero, L. S., Marcello, J., & Vilaplana, V. (2020). Super-resolution of Sentinel-2 imagery using generative adversarial networks. Remote Sensing, 12(15), 2424. https://doi.org/10.3390/rs12152424.

Laghrib, A., Hakim, A., & Raghay, S. (2015). A combined total variation and bilateral filter approach for image robust super resolution. EURASIP Journal on Image and Video Processing, 2015, Article 19. https://doi.org/10.1186/s13640-015-0075-4.

Nguyen, N. L., Anger, J., Davy, A., Arias, P., & Facciolo, G. (2022). Self-supervised super-resolution for multi-exposure push-frame satellites (HDR-DSP-SR). Centre Borelli, ENS Paris-Saclay. https://centreborelli.github.io/HDR-DSP-SR/.

Thirugnana Sambandham, V., Kirchheim, K., Ortmeier, F., & Mukhopadhaya, S. (2024). Deep learning-based harmonization and super-resolution of Landsat-8 and Sentinel-2 images. ISPRS Journal of Photogrammetry and Remote Sensing, 212, 274–288. https://doi.org/10.1016/j.isprsjprs.2024.04.026.

Wang, C., Zhang, X., Yang, W., Wang, G., Zhao, Z., Liu, X., & Lu, B. (2023). Landsat-8 to Sentinel-2 satellite imagery super-resolution-based multiscale dilated transformer generative adversarial networks. Remote Sensing, 15(22), 5272. https://doi.org/10.3390/rs15225272.

Kowaleczko, P., Tarasiewicz, T., Ziaja, M., Kostrzewa, D., Nalepa, J., Rokita, P., & Kawulok, M. (2022). MuS2: A real-world benchmark for Sentinel-2 multi-image super-resolution. arXiv. https://doi.org/10.48550/arXiv.2210.02745.

Razzak, M. T., Mateo-García, G., Lecuyer, G., Gómez-Chova, L., Gal, Y., & Kalaitzis, F. (2023). Multi-spectral multi-image super-resolution of Sentinel-2 with radiometric consistency losses and its effect on building delineation. ISPRS Journal of Photogrammetry and Remote Sensing, 195, 1–13. https://doi.org/10.1016/j.isprsjprs.2022.10.019.

Nguyen, N. L., Anger, J., Raad, L., Galerne, B., & Facciolo, G. (2023). On the role of alias and band-shift for Sentinel-2 super-resolution. arXiv. https://doi.org/10.48550/arXiv.2302.11494.