介绍
在 Komaza,我们的使命包括培育小森林,每片森林大约种植 200 棵树。鉴于这种规模,传统的 10m 分辨率 Sentinel 2 图像无法满足树木计数的需要。高分辨率图像在经济上已经遥不可及。
到目前为止,您可能已经听说过 GIS 领域的超分辨率卫星图像。您可能还听说过 Yosef Akhtman 的突破性Sentinel-2深度分辨率3.0模型,该模型拥有令人印象深刻的 10 个波段、1m 分辨率的 Sentinel 2 图像。这激起了我的好奇心:超分辨率(SR)图像能否填补空白,为每棵树绘制足够详细的图片,使“足够好”的树依赖于这些微森林?
最初,这似乎是一条死胡同。我获取了已知的树木位置(从靠近树木的智能手机收集),并将它们叠加在 Akhtman 的 1m SR 图像(从digifarm获取)上。该分辨率不足以区分单个树木。
从 Digifarm 获取的 Sentinel-2 深度分辨率 2.0 的 1m SR 图像上的树点 — 图片由作者提供
但这就是有趣的地方。如果解决方案在于额外的数据带或通过 Sentinel 2 图像提供的时间信息怎么办?约瑟夫本人认为我们正徘徊在可能性的边缘。那么,我们为什么不深入研究一下是否可以扭转局面呢?和我一起探索这个前沿领域。
第 1 部分:对 Yosemite 数据集进行地理配准
为了评估使用 1m SR 图像进行树木计数的可能性,我转向了由Gang Chen编写的基准树木计数数据集,称为优胜美地树数据集。您可以在 GitHub 上找到。
我们必须小心。 我们无法对标签重新采样。标签充当树木的密度图(或者一旦我们在本系列后面对它们应用一些高斯模糊,它们就会起作用。)该密度图中的值的总和必须等于树的数量。重新采样标签会破坏这种关系。由于我们无法对标签重新采样,因此我们也无法对数据集重新采样。
所以我们的流程将是:
- 生成并导出仿射变换参数,用于对数据集图像进行地理配准。
- 从 PNG 生成 GeoTiff,合并仿射变换参数并指定坐标参考,同时避免重新采样。
- 验证我们的工作以确保一切都按其应有的方式进行。
生成并导出仿射变换参数
准确地理配准的基础在于识别地面控制点 (GCP)——图像中已知真实世界坐标的特定位置。对于源自 Google 地图的