Un nouveau cadre améliore la fusion d’images de télédétection grâce à l’apprentissage de fonctionnalités indépendant de la fréquence
Une équipe de recherche dirigée par les professeurs Xie Chengjun et Zhang Jie des instituts Hefei des sciences physiques de l'Académie chinoise des sciences a développé un cadre d'apprentissage de caractéristiques indépendant du domaine fréquentiel qui permet une meilleure représentation et fusion de différents types d'images de télédétection.
Ce travail a été récemment publié dans Transactions IEEE sur les circuits et systèmes pour la technologie vidéo.
La netteté panoramique, une technologie essentielle dans le traitement des images de télédétection, combine des images panchromatiques haute résolution avec des images multispectrales basse résolution pour produire des images multispectrales haute résolution détaillées. Cette technologie est essentielle pour améliorer l’équilibre entre la résolution spatiale et spectrale des satellites de télédétection optique.
Les méthodes actuelles de pan-sharpening supposent des distributions de données identiques dans les ensembles de données de formation et de test et échouent souvent lorsqu'il s'agit de données hors distribution.
L’équipe de recherche a introduit un cadre d’apprentissage de fonctionnalités indépendant du domaine, découplé en fréquence. Cette approche analyse la distribution des informations indépendantes du domaine dans les composantes d'amplitude et de phase de l'image, en utilisant des modules de séparation des informations de fréquence et des filtres haute fréquence apprenables pour découpler les informations de l'image.
Les informations traitées passent par deux sous-réseaux dédiés et bénéficient d'un ajustement dynamique des canaux de fonctionnalités pour améliorer la fusion et la qualité des images.
Des tests multi-scénarios sur plusieurs ensembles de données publiques ont montré que le cadre présente de solides performances de généralisation et peut gérer efficacement diverses distributions de données. Il a maintenu d'excellentes performances sur l'ensemble de formation de WorldView-III et a surpassé les autres méthodes sur les ensembles de données de généralisation.
Des comparaisons visuelles ont confirmé que ce cadre extrait et apprend efficacement les informations et garantira des performances cohérentes même avec des distributions de données variables.
Ce cadre marque une avancée significative pour les applications nécessitant des données d’images haute fidélité dans un large éventail de scénarios d’imagerie satellite, selon l’équipe.
