30 cm Çözünürlüklü Görüntüden 15 cm Çözünürlüklü Görüntü Üretme Sanatı

Uydu görüntülerindeki durum son yıllarda tamamen değişti ve kalite ve erişilebilirlikteki artış, bu görüntüleri tarımdan şehir planlamasına kadar çeşitli sektörler için vazgeçilmez hale getirdi. Mevcut en yüksek çözünürlüklü görüntülerde dahi analistler genellikle yorumlama sorunlarıyla boğuşmakta ve çalışmak için daha yüksek çözünürlüğe ihtiyaç duymaktadırlar.

Yapay zekâ sonunda bu ihtiyaca bir çözüm üretti: uydu görüntülerini bir üst netlik düzeyine taşımaya yardımcı olabilecek yeni süper çözünürlüklü (SÇ) modeller.

Süper çözünürlük (SÇ), teknik olarak verilerin gerçek çözünürlüğünü artırmasa da, uydu görüntülerinin görsel kalitesini önemli ölçüde iyileştirme potansiyeline sahiptir ve etkili bir şekilde Yüksek Çözünürlüklü (HD) görüntüler oluşturur. Ticari ortamlarda, SÇ görüntüleri 30 cm’den 15 cm’ye veya 50 cm’den 30 cm’ye kadar çözünürlükte iyileştirmek için kullanılmıştır. Bazıları, Avrupa Sentinel-2 10 m verilerini etkileyici bir 2,5 m çözünürlüğe çıkarmak gibi düşük çözünürlüklü açık kaynaklı verileri iyileştirmeye bile girişmiştir. Dahası, bu iyileştirme tüm spektral bantlara uygulanabilmektedir.

Adına rağmen, süper çözünürlüğün iyileştirmeleri öncelikle estetiktir. SÇ, ekstra pikseller üreterek nesnelerin kenarlarını iyileştirir ve ayrıntıları yapay olarak yeniden yapılandırır. Böylece görüntünün genel görsel netliğini ve okunabilirliğini artırır. Ancak SÇ, başlangıçta yakalanmamış hiçbir gizli veriyi açığa çıkarmaz. Örneğin, bir nesne orijinal verilerde mevcut değilse, SÇ bunu geliştirilmiş görüntüde ortaya çıkarmaz. Sonuç olarak, bir SÇ görüntüsü düşük çözünürlüklü emsalinden daha fazla sayıda piksel içermesine rağmen Yer Örnekleme Aralığı (GSD) değişmeden kalır.

Bu sınırlamalara rağmen, süper çözünürlüklü teknolojinin gelişi, çok çeşitli endüstrilerde sayısız yeni olasılık ve pratik uygulama ortaya çıkarmıştır. Teknoloji gelişmeye devam ettikçe, uydu görüntülerini ve uygulamalarını devrim niteliğinde değiştirme potansiyeli şüphesiz daha da yüksek seviyelere ulaşacaktır.

Nasıl çalışır ve uydu görüntülerine nasıl uygulanır?

Süper çözünürlük kavramı uydu görüntülerine özgü değildir. Artık bir görüntüdeki ayrıntıları yükseltmek ve iyileştirmek için kullanılan oldukça yaygın bir makine öğrenme tekniğidir; genellikle estetik amaçlar için düşük çözünürlüklü bir girdiden yüksek çözünürlüklü bir çıktı oluşturur. Düşük çözünürlüklü görüntüye bir algoritma uygulanarak, eksik ayrıntılar doldurulur, görsel kaliteyi korurken veya iyileştirirken çözünürlük artırılır. Elbette, orijinal giriş çözünürlüğü ne kadar yüksekse, SÇ görüntüsündeki sonuç o kadar iyi olur. SÇ, özellikle hassas kenarlar oluşturmada ve uzun doğrusal özellikleri geliştirmede başarılıdır.

Yapay zekâ süper çözünürlüklü modeller, algoritmaların yüksek çözünürlüklü ve karşılık gelen düşük çözünürlüklü görüntü çiftleri içeren büyük veri kümeleri üzerinde eğitildiği derin öğrenme tekniklerini kullanır. Bu süreç, modele bir görüntüde hangi verilerin eksik olduğunu ve dolayısıyla onu nasıl yeniden oluşturacağını öğretir.

Bu AI modelleri için en yaygın mimari, özellikle grid benzeri verileri işlemek için tasarlanmış, evrişimli sinir ağı (CNN) adı verilen bir sinir ağı türüdür; örneğin dijital görüntüler. Bu yöntem kullanılarak, görüntüler, üst düzey özellikler ve dokular çıkarabilen ve böylece modelin karmaşık desenleri tanımasını sağlayan evrişimli ve havuzlama katmanları dahil olmak üzere birden fazla filtreden geçirilir.

Model ayrıca SÇ çıktısı ile gerçek yüksek çözünürlüklü görüntü arasındaki farkı en aza indirmek için eğitilir. Bu, bir kayıp fonksiyonu (ortalama karesel ha       ta veya algısal kayıp gibi) kullanılarak yapılır ve modelin hem estetik açıdan hoş hem de doğru olan yeniden yapılandırılmış görüntüler üretmesini teşvik eder.

SÇ’yi uydu verilerine uygularken ek zorluklar ortaya çıkar. Geleneksel süper çözünürlüklü algoritmalar RGB görüntüleri üzerinde geliştirilmiştir, ancak uydu görüntüleriyle çalışmak için onlarca bant içerebilen multispektral veya hiperspektral veriler üzerinde eğitilmeleri gerekir. Atmosferik koşullar üstesinden gelinmesi gereken ek engeller sunar ve bir AI modeli tarafından yanlış yorumlanabilir.

Dikkat çeken süper çözünürlük yaklaşımları ve ürünleri

Zorluklara rağmen, piyasada SÇ teknolojisinden yararlanan ve her biri analistlere gelişmiş ayrıntı ve okunabilirlik sağlamak için son teknoloji makine öğrenimi tekniklerini kullanan birkaç önemli ürün bulunmaktadır.

Bunun bir örneği, eğitimde çoklu spektral ve pan-keskinleştirilmiş görüntü çiftleri kullanan (küçültülmüş görüntüler yerine) bir algoritma olan UP42’nin CNN tabanlı SÇ modelidir. UP42’nin modeli, Pléiades ve SPOT görüntülerinin çözünürlüğünü dört katına çıkarabilmektedir.

Güney Koreli şirket Nara Space’den, Pléiades Neo görüntülerinin 30 cm’den 10 cm’ye kadar okunabilirliğini artıran bir süper çözünürlük algoritması geliştirmiştir. Airbus ise 15 cm geliştirilmiş çözünürlüğe sahip Pléiades Neo HD15 ürününü sunmaktadır.

Atay Mühendislik, Pléiades ve Pléiades Neo görüntüleri için süper çözünürlük hizmeti sağlamaktadır.

Orijinal Pléiades Neo RGB görüntü -> Süper çözünürlüklü görüntü

Uydu görüntülerinde süper çözünürlüklü modellerin faydaları ve uygulamaları

Uydu görüntülerindeki SÇ modelleri, haritalama, izleme, özellik tanımlama ve analizler dahil olmak üzere çok sayıda uygulamada fırsatlar sunmaktadır. Görsel deneyimi geliştirerek ve pikselleşmeyi azaltarak, bu modeller analistlere eyleme geçirilebilir bilgiler sağlar, böylece yerdeki daha küçük özellikleri ayırt etmelerine ve böylece daha iyi karar almaya katkıda bulunmalarına olanak tanır.

Kentsel planlamada SÇ, özelliklerin daha hassas bir şekilde tanımlanmasını sağlar ve lamba direkleri, güneş panelleri, trafik/yol işaretleri ve araçlar gibi daha küçük nesnelerin tanımlanmasında hata oranlarını önemli ölçüde azaltır. Altyapı koşullarının geliştirilmiş görüntüleri varlık izleme ve afet yönetimi için avantajlı olabilir. SÇ modelleri yalnızca detayların sayılmasına yardımcı olmakla kalmaz, aynı zamanda tarım ve iklim izleme uygulamaları olan bitki örtüsü ve ağaç kanopilerinin dokusal bilgilerini de geliştirebilir.

Ayrıca SÇ’nin hem yeni hem de arşiv görüntüleri için faydaları olduğunu belirtmekte fayda var. Başlangıç ​​için, düşük çözünürlüklü arşiv görüntüleri yeni çekilen 30 cm görüntülerle eşleştirerek 30 cm görüntülerinin küresel arzını artırmaya yardımcı olabilir. Bu arada, en yüksek çözünürlüklü uyduları görevlendirmek genellikle aşırı pahalıdır ve SÇ modelleri çok çeşitli uygulamalar için uygun maliyetli bir alternatif sağlayabilir. Aslında, uydu verilerinin 15 cm’ye yükseltildiğinde okunabilirliği 10 cm çözünürlüklü hava fotoğraflarına çok yakın hale gelir. Bazı uygulamalarda SÇ uydu görüntü verileri, düşük maliyetleri nedeniyle hava fotoğrafların yerine kullanılabilir.

SÇ modellerinin özellikle önemli bir avantajı, uydu verilerine uygulanan diğer AI modellerinin doğruluğunu iyileştirme yetenekleridir. Örneğin, Maxar tarafından yapılan erken testler, arabaları tespit eden makine öğrenimi modellerinin, SÇ ile iyileştirilmiş görüntülerle çalışırken doğruluklarının %15-40 oranında arttığını göstermiştir. Bazı durumlarda SÇ modelleri, özellikle doğrusal detaylar ve zemindeki veya araçlardaki işaretleri yeniden oluşturma konusunda, diğer 30 cm görüntülere göre daha iyi yorumlanabilirliğe bile sahiptir.

Daha güvenilir coğrafi veri için süper çözünürlük

Süper çözünürlüklü modeller bir dizi avantaj sunarken, bunları uydu görüntülerine uygulamak çeşitli zorluklar barındırmaktadır. Modelin doğruluğu konusundaki temel endişenin yanı sıra, diğer teknik sınırlamalar da önemli zorluklar yaratabilir, çünkü bir SÇ makine öğrenimi modelini uydu görüntülerine uygulamak büyük miktarda işlem gücü ve veri depolama gerektirebilir. Gizlilik endişeleri ve veri kullanım kısıtlamaları gibi etik ve yasal hususlar da ele alınmalıdır. Süper çözünürlüklü modelleri mevcut iş akışları ve sistemlerle entegre etmek karmaşık ve zaman alıcı olabilir. Tüm bu zorluklar, SÇ’nin belirli uygulamalarda benimsenmesini potansiyel olarak engelleyebilir; ancak çeşitli şirketlerin çalışmasıyla, süper çözünürlüklü uydu görüntüleri gerçeğe dönüşmektedir.

Süper çözünürlüklü makine öğrenimi modelleri hem insan analizciler hem de yapay zekalar için uydu görüntülerinin okunabilirliğini artırmak amacıyla yenilikçi bir çözüm sunarak çeşitli uygulamalar için daha yüksek kaliteli veriler sağlar. İyileştirilmiş karar alma ve yapay zekâ performansı açısından potansiyel faydaları, birçok müşteri için diğer 30 cm veya hatta 10 cm hava fotoğraflarına göre uygun maliyetli bir alternatife dönüştürebilir. Teknoloji gelişmeye devam ettikçe, süper çözünürlük tekniklerinde ve uydu görüntülerindeki uygulamalarında daha fazla gelişme bekleyebiliriz ve bu da daha güvenilir coğrafi verilerin önünü açacaktır.

Dr. Altan YILMAZ