INTELIGENCIA APLICADA AL INCREMENTO DE RESOLUCIÓN ESPACIAL DE IMÁGENES
Fuente: Tracasa
Cuando se trata de extraer información de imágenes procedentes de plataformas como los satélites, la resolución geométrica de éstas es uno de los principales factores que determinará sus posibles usos, y la precisión de los resultados a obtener.
La constelación de satélites Sentinel-2 de la ESA pone a disposición de la comunidad, imágenes multiespectrales de manera abierta y con una alta frecuencia de refresco. El inconveniente radica en su resolución espacial, alrededor de 10 metros por pixel en el mejor de los casos, lo que limita sus posibles aplicaciones.
Existen muchas metodologías para aumentar la resolución espacial de estas imágenes. Algunos enfoques se centran en mejorar las bandas de menor resolución (20m. y 60m.) empleando la información de las bandas RGB y NIR (10m), esta estrategia permite generar imágenes Sentinel-2 con sus 13 bandas a 10m.
En Tracasa hemos querido llegar mucho más allá, y con nuestro modelo Saussure 4X conseguimos mejorar la resolución de las bandas RGB y NIR pasando de los 10 metros a los 2.5 metros.
¿Cómo lo hemos conseguido?
Hasta ahora, para afrontar este reto solo se utilizaban métodos tradicionales de interpolación y re-muestreo, tales como interpolación lineal, bilineal, cúbica, bicúbica…
En nuestro caso para aumentar la resolución hasta un factor de 4 veces la original, hemos aplicado técnicas de deep learning, mediante redes neuronales convolucionales de vanguardia.
Valorando la mejora conseguida
Para interpretar los resultados hemos empleado un sistema de medidas ampliamente utilizadas en el análisis de imágenes como son el PSNR y el 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 óptimo.
PSNR | SSIM | |
Bicubic | 34.71 | 0.9230 |
Superresolución | 35.47 | 0.9387 |
Resultados
En las siguientes imágenes Sentinel-2, se pueden observar varios ejemplos de muestra de zonas de Pamplona. La imagen original tiene 10 metros por pixel, y nuestra propuesta superresolucionada 2,5 metros por pixel.
Fuente: Tracasa
Este modelo nos permite superresolucionar imágenes multiespectrales de una manera más precisa de como se venía realizando hasta el momento, y se nos abre un gran abanico de posibilidades y aplicación a otros proyectos.