¿QUÉ OFRECE SENX4?
Cuando se trata de extraer información de imágenes procedentes de sensores multiespectrales desplegados en satélites, la resolución espacial de éstas es uno de los principales factores que determinará sus posibles usos. La constelación de satélites Sentinel-2 de la ESA pone a disposición de la comunidad científica imágenes multiespectrales cada cinco días y de manera abierta. Uno de los inconvenientes de estas imágenes radica en su resolución espacial (10 metros por pixel), limitando en muchos casos sus posibles aplicaciones.
Existen numerosas metodologías para aumentar la resolución espacial de imágenes. Algunos enfoques se centran en mejorar las 13 bandas del satélite llevándolas todas a 10 metros apoyándose en las bandas de máxima resolución. Otros intentos generan modelos con factores de escalado 2X y 4X a partir de las 13 bandas, aventurándose a pensar que es posible seguir aplicando este factor para llevar las bandas de 10 metros a 2,5 metros. Pero en ningún caso hasta la fecha se ha creado un modelo que pueda llevar las bandas de 10 metros a 2,5 metros reales.
En Tracasa hemos querido llegar mucho más allá, y con nuestro modelo SENX4 conseguimos mejorar la resolución de las bandas RGB y NIR pasando de los 10 metros a los 2,5 metros, consiguiendo un factor de 4X.
¿CÓMO LO HEMOS CONSEGUIDO?
Hasta ahora, para conseguir aumentar la resolución se utilizaban técnicas tradicionales de interpolación y remuestreo, tales como interpolación lineal, bilineal, cúbica y bicúbica. En nuestro caso, para aumentar la resolución en un factor de 4X, hemos aplicado técnicas de deep learning y mediante redes neuronales convolucionales de vanguardia conseguimos aumentar la resolución de las imágenes sin inclusión de patrones y mejorando sustancialmente los métodos tradicionales.
En ningún momento hemos realizado posprocesos de la imagen aplicando sharpening o ajustes de color, lo que evita generar imágenes excesivamente sintéticas y alejadas de la realidad del sensor. Nuestro modelo sólo utiliza inteligencia artificial para aprender los patrones de los datos y conseguir una imagen lo más real posible.
VALORANDO LA MEJORA CONSEGUIDA
Para interpretar los resultados hemos empleado un sistema de medición ampliamente utilizado en el análisis de imágenes, como es la combinación del PSNR y del SSIM. Estas medidas son indicadores de calidad de los resultados en función de una imagen objetivo a alcanzar. A mayor valor en la métrica mejor se ajustará la imagen al resultado real óptimo. Partiendo de bicubic como línea base a mejorar dentro de los modelos tradicionales de interpolación, hemos conseguido una mejora sustancial en las métricas que se traduce en una imagen más definida, clara y ajustada a la realidad.
EJEMPLOS
CASOS DE USO
Segmentación semántica: vías y edificios
Con la nueva imagen SENX4 de 2,5 metros somos capaces de obtener una segmentación semántica multiclase mucho más precisa y ajustada. Mejoramos las métricas de segmentación conseguidas con los datos de Sentinel 2A a 10 metros.
Algoritmos de Clustering
Con la resolución de SEN4X conseguimos optimizar los resultados obtenidos a través de algoritmos de clustering. Aportamos una mayor precisión en la frontera espacial de los clusters y en la media representativa de los mismos.