Landsat Uydu Görüntülerinde Derin Öğrenme Tabanlı Tek Görüntülü Süper-Çözünürlük Deneyleri

Serdar Çiftçi; Muhittin Karaman

doi:10.46578/humder.819176

Landsat Uydu Görüntülerinde Derin Öğrenme Tabanlı Tek Görüntülü Süper-Çözünürlük Deneyleri

Öz

Halka açık sunulan uydu görüntülerinin çözünürlükleri genellikle düşüktür. Düşük çözünürlük bilgi kaybına yol açtığından uzaktan algılama alanında çalışılan problemin türüne bağlı olarak istenilen başarım sergilenemeyebilmektedir. Böyle bir durumda düşük çözünürlüklü görüntülerin yüksek çözünürlüklü hale getirilmesi için süper-çözünürlük algoritmaları kullanılır. Bu çalışmada derin öğrenme tabanlı hazır eğitilmiş EDSR ve DBPN modelleri kullanılmış ve sonuçlarının pan-keskinleştirmeye ne kadar yakın olduğu incelenmiştir. Yapılan deneyler sonucunda EDSR ve DBPN modelleriyle elde edilen görüntülerin görüntü işleme tabanlı Bicubic yöntemine nazaran daha keskin geçişli ama objektif değerlendirmede daha zayıf olduğu gözlenmiştir.

Anahtar Kelimeler

Kaynakça

[1] Gao, S., & Gruev, V. (2011). Bilinear and bicubic interpolation methods for division of focal plane polarimeters. Optics express, 19(27), 26161-26173.
[2] Wang, Z., Chen, J., & Hoi, S. C. (2020). Deep learning for image super-resolution: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence.
[3] Anwar, S., Khan, S., & Barnes, N. (2019). A deep journey into super-resolution: A survey. arXiv preprint arXiv:1904.07523.
[4] USGS, https://earthexplorer.usgs.gov, [Online], 11.08.2020.
[5] Avrupa Uzay Ajansı, www.esa.int, [Online], 28.10.2020.
[6] Lim, B., Son, S., Kim, H., Nah, S., & Mu Lee, K. (2017). Enhanced deep residual networks for single image super-resolution. In Proceedings of the IEEE conference on computer vision and pattern recognition workshops (pp. 136-144).
[7] Haris, M., Shakhnarovich, G., & Ukita, N. (2018). Deep back-projection networks for super-resolution. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1664-1673).
[8] Nasrollahi, K., & Moeslund, T. B. (2014). Super-resolution: a comprehensive Nasrollahi, K., & Moeslund, T. B. (2014). Super-resolution: a comprehensive survey. Machine vision and applications, 25(6), 1423-1468.survey. Machine vision and applications, 25(6), 1423-1468.

[9] Suganya, P., Mohanapriya, N., & Vanitha, A. (2013). Survey on image resolution techniques for satellite images. International Journal of Computer Science and Information Technologies, 4(6), 835-838.
[10] Demirel, H., & Anbarjafari, G. (2011). Discrete wavelet transform-based satellite image resolution enhancement. IEEE transactions on geoscience and remote sensing, 49(6), 1997-2004.
[11] Wang, Z., Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. (2004). Image quality assessment: from error visibility to structural similarity. IEEE transactions on image processing, 13(4), 600-612.
[12] EDSR-PyTorch, https://github.com/thstkdgus35/EDSR-PyTorch, [Online], 29.10.2020.
[13] Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4700-4708).
[14] DBPN-PyTorch, https://github.com/alterzero/DBPN-Pytorch, [Online], 30.10.2020.
[15] Bicubic-interpolation, https://github.com/rootpine/Bicubic-interpolation, [Online], 29.10.2020.
[16] Barsi, J.A., Lee, K., Kvaran, G., Markham, B.L., Pedelty, J.A., (2014). The Spectral Response of the Landsat-8 Operational Land Imager. Remote Sensing, 6, 10232-10251.
[17] Landsat Handbook (2016). Landsat 8 (L8) Data Users Handbook. LSDS-1574 Version 2.0, USGS –EROS, Sioux Falls, South Dakota, USA, 29 March 2016.
[18] Bernstein, L.S., 2012. Quick atmospheric correction code: algorithm description and recent upgrades. Opt. Eng. 51, 111719. https://doi.org/10.1117/1.oe.51.11.111719.
[19] Laben C.A., Bernard V., Brower W. (2000) - Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening. US Patent 6011875 A.
[20] Sarp, G. (2014). Spectral and spatial quality analysis of pan-sharpening algorithms: A case study in Istanbul. European Journal of Remote Sensing, 47(1), 19-28.
[21] Maruer, T. (2013). How To Pan-Sharpen Images Using The Gram-Schmidt Pan-Sharpen Method-A Recipe. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, (s. 239-244). Hannover: ISPRS.
[22] L3harrisgeospatial, https://www.l3harrisgeospatial.com/docs/GramSchmidtSpectralSharpening.html, [Online], 28.10.2020.
[23] Hore, A., & Ziou, D. (2010). Image quality metrics: PSNR vs. SSIM. In 2010 20th international conference on pattern recognition (pp. 2366-2369). IEEE.
[24] Wang, Z., & Bovik, A. C. (2002). A universal image quality index. IEEE signal processing letters, 9(3), 81-84.
[25] Sheikh, H. R., & Bovik, A. C. (2006). Image information and visual quality. IEEE Transactions on image processing, 15(2), 430-444.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Bilgisayar Yazılımı

Bölüm

Araştırma Makalesi

Yazarlar

Serdar Çiftçi ^*
0000-0001-7074-2876
Türkiye

Muhittin Karaman
0000-0002-8971-010X
Türkiye

Yayımlanma Tarihi

25 Aralık 2020

Gönderilme Tarihi

31 Ekim 2020

Kabul Tarihi

1 Aralık 2020

Yayımlandığı Sayı

Yıl 2020 Cilt: 5 Sayı: 3

DOI

https://doi.org/10.46578/humder.819176

IZ

https://izlik.org/JA87MB65CE

Kaynak Göster

RIS / Bibtex

APA

Çiftçi, S., & Karaman, M. (2020). Landsat Uydu Görüntülerinde Derin Öğrenme Tabanlı Tek Görüntülü Süper-Çözünürlük Deneyleri. Harran Üniversitesi Mühendislik Dergisi, 5(3), 194-204. https://doi.org/10.46578/humder.819176

AMA

1.Çiftçi S, Karaman M. Landsat Uydu Görüntülerinde Derin Öğrenme Tabanlı Tek Görüntülü Süper-Çözünürlük Deneyleri. HUMDER. 2020;5(3):194-204. doi:10.46578/humder.819176

Chicago

Çiftçi, Serdar, ve Muhittin Karaman. 2020. “Landsat Uydu Görüntülerinde Derin Öğrenme Tabanlı Tek Görüntülü Süper-Çözünürlük Deneyleri”. Harran Üniversitesi Mühendislik Dergisi 5 (3): 194-204. https://doi.org/10.46578/humder.819176.

EndNote

Çiftçi S, Karaman M (01 Aralık 2020) Landsat Uydu Görüntülerinde Derin Öğrenme Tabanlı Tek Görüntülü Süper-Çözünürlük Deneyleri. Harran Üniversitesi Mühendislik Dergisi 5 3 194–204.

IEEE

[1]S. Çiftçi ve M. Karaman, “Landsat Uydu Görüntülerinde Derin Öğrenme Tabanlı Tek Görüntülü Süper-Çözünürlük Deneyleri”, HUMDER, c. 5, sy 3, ss. 194–204, Ara. 2020, doi: 10.46578/humder.819176.

ISNAD

Çiftçi, Serdar - Karaman, Muhittin. “Landsat Uydu Görüntülerinde Derin Öğrenme Tabanlı Tek Görüntülü Süper-Çözünürlük Deneyleri”. Harran Üniversitesi Mühendislik Dergisi 5/3 (01 Aralık 2020): 194-204. https://doi.org/10.46578/humder.819176.

JAMA

1.Çiftçi S, Karaman M. Landsat Uydu Görüntülerinde Derin Öğrenme Tabanlı Tek Görüntülü Süper-Çözünürlük Deneyleri. HUMDER. 2020;5:194–204.

MLA

Çiftçi, Serdar, ve Muhittin Karaman. “Landsat Uydu Görüntülerinde Derin Öğrenme Tabanlı Tek Görüntülü Süper-Çözünürlük Deneyleri”. Harran Üniversitesi Mühendislik Dergisi, c. 5, sy 3, Aralık 2020, ss. 194-0, doi:10.46578/humder.819176.

Vancouver

1.Serdar Çiftçi, Muhittin Karaman. Landsat Uydu Görüntülerinde Derin Öğrenme Tabanlı Tek Görüntülü Süper-Çözünürlük Deneyleri. HUMDER. 01 Aralık 2020;5(3):194-20. doi:10.46578/humder.819176

Cited By

Termal Yüz Görüntülerinden Oluşan Yeni Bir Veri Seti için Derin Öğrenme Tabanlı Süper Çözünürlük Uygulaması

Journal of Polytechnic

https://doi.org/10.2339/politeknik.904675

Comparison of thresholding methods for shoreline extraction from Sentinel-2 and Landsat-8 imagery: Extreme Lake Salda, track of Mars on Earth

Journal of Environmental Management

https://doi.org/10.1016/j.jenvman.2021.113481