Super Resolution
Super Resolution ist ein Verfahren, das mithilfe von Deep Learning die Bilddetails über die räumliche Auflösung des ursprünglichen Sensors hinaus verbessert. In der geoinformatischen Analyse wird es eingesetzt, um die Nutzbarkeit von Satellitenbildern zu erhöhen, indem feinere Details aus gröberen Eingabedaten erzeugt werden.
Überblick
Super Resolution (SR) bezeichnet eine Gruppe von Verfahren, die die räumliche Auflösung von Bildern erhöhen und dabei Ergebnisse mit feineren Details liefern, als der ursprüngliche Sensor erfassen konnte. In geoinformatischen Anwendungen verbessert SR Satellitenbilder aus frei verfügbaren Quellen wie Sentinel-2 (10 m Auflösung), um sich der Detailgenauigkeit kommerzieller hochauflösender Satelliten anzunähern. Dadurch wird der Nutzen offener Datenarchive erheblich erweitert. Deep-Learning-Ansätze für Super Resolution trainieren neuronale Netze anhand gepaarter niedrig- und hochauflösender Bilder und lernen dabei, feingranulare Details aus groben Eingaben vorherzusagen.
Deep-Learning-Ansätze für geoinformatische Super Resolution
Single Image Super Resolution (SISR)-Netzwerke wie SRCNN, EDSR und RCAN nutzen tiefe konvolutionale Architekturen, um einzelne Bilder hochzuskalieren. GAN-basierte Verfahren wie SRGAN und ESRGAN erzeugen durch das Training mit gegnerischen (adversarial) und perzeptuellen Verlustfunktionen visuell schärfere Ergebnisse, können dabei jedoch Details halluzinieren, die in den ursprünglichen Daten nicht vorhanden sind. Diffusionsbasierte Super Resolution etabliert sich zunehmend als qualitativ hochwertigere Alternative. Multitemporale Super Resolution fusioniert mehrere niedriger aufgelöste Beobachtungen desselben Gebiets und nutzt Subpixel-Verschiebungen zwischen den Aufnahmen, um echte Details zu rekonstruieren. Multispektrale Super Resolution schärft niedriger aufgelöste Spektralbänder mithilfe von Informationen aus höher aufgelösten Bändern desselben Sensors.
Anwendungen und Grenzen in der Erdbeobachtung
Super Resolution ermöglicht eine detailliertere Stadtkartierung, Gebäudeerkennung und Infrastrukturüberwachung anhand frei verfügbarer mittelauflösender Bilder. Die Präzisionslandwirtschaft profitiert von der verbesserten Auflösung für die Ernteüberwachung auf Feldebene. Das Umweltmonitoring gewinnt feinere räumliche Details für die Habitatkartierung und die Veränderungserkennung. Super Resolution kann jedoch keine Informationen zurückgewinnen, die vom Sensor niemals erfasst wurden. Das Verfahren sagt wahrscheinliche Details auf Grundlage erlernter Muster voraus. Für wissenschaftliche Anwendungen ist es entscheidend, echte Informationen von plausiblen, aber synthetischen Details zu unterscheiden, und eine Validierung anhand tatsächlicher hochauflösender Referenzdaten ist unerlässlich.
Bereit?
Sehen Sie Mapular
in Aktion.
Buchen Sie eine kostenlose 30-minütige Demo. Wir zeigen Ihnen genau, wie die Plattform für Ihren Anwendungsfall funktioniert. Kein generisches Foliendeck, keine Verpflichtung.