El nuevo marco mejora la fusión de imágenes de teledetección con aprendizaje de funciones independiente de la frecuencia.

Un equipo de investigación dirigido por los profesores Xie Chengjun y Zhang Jie del Instituto Hefei de Ciencias Físicas de la Academia de Ciencias de China ha desarrollado un marco de aprendizaje de características independiente del dominio de frecuencia que permite una mejor representación y fusión de diferentes tipos de imágenes de teledetección.

Este trabajo fue realizado recientemente. publicado En Transacciones IEEE sobre circuitos y sistemas para tecnología de vídeo,

El pan-nitidez, una técnica importante en el procesamiento de imágenes de teledetección, combina imágenes pancromáticas de alta resolución con imágenes multiespectrales de baja resolución para producir imágenes multiespectrales detalladas de alta resolución. Esta técnica es importante para aumentar el equilibrio entre la resolución espacial y espectral en los satélites ópticos de teledetección.

Los métodos actuales de pan-sharpening suponen distribuciones de datos idénticas en los conjuntos de datos de entrenamiento y prueba y, a menudo, fallan cuando se trata de datos fuera de distribución.

El equipo de investigación introdujo un marco de aprendizaje de funciones independiente del dominio desacoplado de frecuencia. Este enfoque analiza la distribución de información independiente del dominio en los componentes de amplitud y fase de la imagen, utilizando un módulo de separación de información de frecuencia y filtros de alta frecuencia que se pueden aprender para separar la información de la imagen.

La información procesada pasa a través de dos subredes dedicadas y recibe un ajuste dinámico del canal de funciones para mejorar la fusión y la calidad de la imagen.

Las pruebas entre escenarios en múltiples conjuntos de datos públicos mostraron que el marco tiene un sólido rendimiento de generalización y puede manejar eficazmente diversas distribuciones de datos. Mantuvo un rendimiento excelente en el conjunto de entrenamiento WorldView-III y superó a otros métodos en el conjunto de datos de generalización.

Las comparaciones visuales confirmaron que este marco extrae y aprende información de manera efectiva y garantizará un rendimiento consistente incluso con diferentes distribuciones de datos.

Según el equipo, este marco es un importante paso adelante para aplicaciones que requieren datos de imágenes de alta fidelidad en una amplia gama de escenarios de imágenes satelitales.