评估用于树木计数的超分辨率哨兵图像

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。

与当今所有三个最常见的树木计数数据集一样，这些图像没有地理参考（它们不包含用于在地图上查看或与其他数据集对齐的空间信息）。然而，该数据集是单个连续图像，这意味着我们可以相当轻松地一次性对数据集进行地理配准。完成此操作后，我们可以下载相应的 SR 图像并比较两个数据集上的树木计数方法。

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：

1. 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。
2. 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。
3. 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