광학 위성영상은 국가 보안 및 정보 획득을 목적으로 사용되며 그 활용성은 증가하고 있다. 그러나, 기상 조건 및 시간의 제약으로 사용자의 요구에 적합하지 않은 저품질의 영상을 획득하게 된다. 본 논문에서는 광학 위성영상의 구름 폐색영역을 복원하기 위하여 고해상도 SAR 영상을 참조한 딥러닝 기반의 영상 변환 및 컬러화 모델을 생성하였다. 해당 모델은 적용 알고리즘 및 ...
광학 위성영상은 국가 보안 및 정보 획득을 목적으로 사용되며 그 활용성은 증가하고 있다. 그러나, 기상 조건 및 시간의 제약으로 사용자의 요구에 적합하지 않은 저품질의 영상을 획득하게 된다. 본 논문에서는 광학 위성영상의 구름 폐색영역을 복원하기 위하여 고해상도 SAR 영상을 참조한 딥러닝 기반의 영상 변환 및 컬러화 모델을 생성하였다. 해당 모델은 적용 알고리즘 및 입력 데이터 형태에 따라 세 가지 방법론으로 실험하였으며 각각의 모의영상을 비교 분석하였다. 실험결과, Gray-scale 영상과 고해상도 SAR 영상으로 학습한 B 모의영상의 히스토그램 분포가 비교적 원 영상과 유사하였다. 또한, 정량적인 분석을 위하여 산정한 RMSE 값은 약 6.9827, PSNR 값은 약 31.3960으로 다른 방법론보다 비교적 높은 결과를 도출하였다.
광학 위성영상은 국가 보안 및 정보 획득을 목적으로 사용되며 그 활용성은 증가하고 있다. 그러나, 기상 조건 및 시간의 제약으로 사용자의 요구에 적합하지 않은 저품질의 영상을 획득하게 된다. 본 논문에서는 광학 위성영상의 구름 폐색영역을 복원하기 위하여 고해상도 SAR 영상을 참조한 딥러닝 기반의 영상 변환 및 컬러화 모델을 생성하였다. 해당 모델은 적용 알고리즘 및 입력 데이터 형태에 따라 세 가지 방법론으로 실험하였으며 각각의 모의영상을 비교 분석하였다. 실험결과, Gray-scale 영상과 고해상도 SAR 영상으로 학습한 B 모의영상의 히스토그램 분포가 비교적 원 영상과 유사하였다. 또한, 정량적인 분석을 위하여 산정한 RMSE 값은 약 6.9827, PSNR 값은 약 31.3960으로 다른 방법론보다 비교적 높은 결과를 도출하였다.
Optical satellite images are being used for national security and collection of information, and their utilization is increasing. However, it acquires low-quality images that are not suitable for the user's requirement due to weather conditions and time constraints. In this paper, a deep learning-ba...
Optical satellite images are being used for national security and collection of information, and their utilization is increasing. However, it acquires low-quality images that are not suitable for the user's requirement due to weather conditions and time constraints. In this paper, a deep learning-based conversion of image and colorization model referring to high-resolution SAR images was created to restore the occluded area with clouds of optical satellite images. The model was experimented with three methodologies according to the type of algorithm applied and input data, and each simulated images was compared and analyzed. As a result of the experiment, the histogram distribution of the B simulated image learned with the Gray-scale image and the high-resolution SAR image was relatively similar to the original image. In addition, the RMSE value was about 6.9827 and the PSNR value was about 31.3960 calculated for quantitative analysis, resulting in relatively higher results than other methodologies.
Optical satellite images are being used for national security and collection of information, and their utilization is increasing. However, it acquires low-quality images that are not suitable for the user's requirement due to weather conditions and time constraints. In this paper, a deep learning-based conversion of image and colorization model referring to high-resolution SAR images was created to restore the occluded area with clouds of optical satellite images. The model was experimented with three methodologies according to the type of algorithm applied and input data, and each simulated images was compared and analyzed. As a result of the experiment, the histogram distribution of the B simulated image learned with the Gray-scale image and the high-resolution SAR image was relatively similar to the original image. In addition, the RMSE value was about 6.9827 and the PSNR value was about 31.3960 calculated for quantitative analysis, resulting in relatively higher results than other methodologies.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.