Generación de modelos de superresolución de imágenes satelitales y ortoimágenes a partir de la arquitectura VDSR

Resumen

El crecimiento en los últimos años del volumen de imágenes procedentes de satélites y sensores aéreos ha provocado que, para ciertas aplicaciones, sea necesario el aumento de su resolución espacial, evitando la adquisición de nuevos datos. La superresolución, conocida como el proceso de reconstruir una imagen de alta resolución a partir de una de baja resolución, se ha convertido en una técnica clave para el procesamiento de imágenes.

Este trabajo de fin de grado presenta un estudio de generación de modelos de superresolución dirigido a imágenes satelitales y ortoimágenes a partir de la arquitectura VDSR (del inglés: “very deep super-resolution”). El proyecto ha abordado dos enfoques diferenciados. En primer lugar, se han realizado entrenamientos a partir de imágenes degradadas por interpolación y, en segundo lugar, se han utilizado pares de imágenes nativas de distinto origen (GEOSAT2 y PNOA), simulando condiciones reales.

Para la generación del dataset, se desarrollaron procesos de recorte, normalización estadística y emparejamiento espacial entre los pares de imágenes. Posteriormente, se adaptó el código base de la red VDSR y se entrenaron múltiples modelos bajo distintos hiperparámetros. La evaluación de los modelos se realizó mediante métricas cuantitativas (PSNR y SSIM) junto con valoraciones perceptuales de las imágenes resultantes.

Los resultados mostraron que, en condiciones donde se utiliza un buen conjunto de datos y se realizan entrenamientos supervisados, la arquitectura VDSR supera de forma significativa a los métodos clásicos de interpolación, tanto en fidelidad estructural como en detalle visual. En el escenario con datos de distinta procedencia, si bien no se presentaron mejoras en las métricas cuantitativas, se apreciaron ganancias perceptuales en la representación de color, facilitando el entendimiento de imágenes con cromatismos deficientes.

En conjunto, el proyecto valida el potencial de las redes profundas como herramienta para aumentar la utilidad de imágenes geoespaciales de baja resolución y posiciona a VDSR como una de las mejores arquitecturas en términos de coste computacional–eficiencia.

El código y los modelos resultantes se puede encontrar en el repositorio GitHub:
https://github.com/ignacioVallejo03/TFG_Ignacio_Vallejo

Abstract:

The growth in recent years of the volume of images from satellites and aerial sensors has led to the need, for certain applications, to increase their spatial resolution, avoiding the acquisition of new data. Super-resolution, known as the process of reconstructing a high-resolution image from a low-resolution one, has become a key technique for image processing.

This final degree project presents a study on the generation of super-resolution models aimed at satellite images and orthophotos based on the VDSR (very deep super-resolution) architecture. The project has addressed two different approaches. First, training was carried out using images degraded by interpolation, and second, pairs of native images from different sources (GEOSAT2 and PNOA) were used, simulating real conditions.

For the generation of the dataset, cropping processes, statistical normalization, and spatial matching between image pairs were developed. Subsequently, the base code of the VDSR network was adapted and multiple models were trained under different hyperparameters. The evaluation of the models was carried out using quantitative metrics (PSNR and SSIM) along with perceptual assessments of the resulting images.

The results showed that, in conditions where a good dataset is used and supervised training is performed, the VDSR architecture significantly outperforms classical interpolation methods, both in structural fidelity and visual detail. In the scenario with data from different sources, although no improvements were observed in the quantitative metrics, perceptual gains were noted in color representation, facilitating the understanding of images with deficient chromatic content.

Overall, the project validates the potential of deep networks as a tool to increase the usefulness of low-resolution geospatial images and positions VDSR as one of the best architectures in terms of computational cost–efficiency.

The resulting code and models can be found on the GitHub repository:
https://github.com/ignacioVallejo03/TFG_Ignacio_Vallejo