Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Energy Efficient Clustering in Wireless Sensor Networks by Opposition-Based Initialization Bat Algorithm Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

Deep Learning-Based Approach for Satellite Image Reconstruction Using Handcrafted Prior

verfasst von : Jaya Saxena, Anubha Jain, Pisipati Radha Krishna

Erschienen in: Computer Networks and Inventive Communication Technologies

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We propose a randomly initialized neural network as handcrafted prior to distorted satellite image for its restoration. The model is applied for cloud removal and proved efficient. Extensive experiments on the satellite datasets demonstrate efficiency of the proposed model both quantitative and qualitative. Further, the proposed approach also removed the dependency on pre-training datasets. In our study, RGB monochromatic satellite images were considered with the obscured area of varying shapes, lying in the range of 14–30%. Reconstructed image with MSE 0.131 and PSNR of 80.937 is obtained. Another inference deduced from the results is structural symmetry index (SSIM) values are better for red and green bands when compared to blue band. Image hash value is also calculated and found satisfactory.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Network Attack Detection with QNNBADT in Minimal Response Times Using Minimized Features
Nächstes Kapitel CLOP Ransomware Analysis Using Machine Learning Approach
Literatur
1.
Malladi, R.M.V., Nizami, A., Mahakali, M.S., Krishna, B.G.: Cloud masking technique for high-resolution satellite data: an artificial neural network classifier using spectral & textural context. J. Indian Soc. Remote Sens. 47(4), 661–670 (2019)
2.
Schmidhuber, J.: Deep learning in neural networks: an overview. Neural Netw. 61, 85–117 (2015) CrossRef
3.
Simard, P., Bottou, L., Haffner, P., LeCun, Y.: Boxlets: a fast convolution algorithm for neural networks and signal processing. In: Advances in Neural Information Processing Systems (NIPS 1998), vol. 11. MIT Press (1999)
4.
Cheng, J.Y., Chen, F., Alley, M.T., Pauly, J.M., Vasanawala, S.S.: Highly scalable image reconstruction using deep neural networks with band pass filtering. Computing Research Repository. http://​arxiv.​org/​abs/​1805.​03300 (2018)
5.
Liu, G., Reda, F.A., Shih, K.J., Wang, T.-C., Tao, A., Catanzaro, B.: Image inpainting for irregular holes using partial convolutions. In: Computer Vision—ECCV 2018—15th European Conference, Munich, Germany, 8–14 Sept 2018, Proceedings, Part XI, pp. 89–105
6.
van den Oord, A., Kalchbrenner, N., Kavukcuoglu, K.: Pixel recurrent neural networks. In: Proceedings of the 33nd International Conference on Machine Learning, ICML, 2016, New York City, NY, USA, 19–24 June 2016, pp. 1747–1756
7.
Inglada, J., Garrigues, S.: Land-cover maps from partially cloudy multi-temporal image series: optimal temporal sampling and cloud removal. In: IEEE International Geoscience & Remote Sensing Symposium, IGARSS 2010, 25–30 July 2010, Honolulu, Hawaii, USA, Proceedings
8.
Ren, R., Guo, S., Gu, L., Wang, H.: Automatic thick cloud removal for MODIS remote sensing imagery. In: 2009 International Conference on Information Engineering and Computer Science, Wuhan, pp. 1–4 (2009)
9.
Schmidt, U., Roth, S.: Shrinkage fields for effective image restoration. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 2014
10.
Sutskever, I., Martens, J., Hinton, G.: Generating text with recurrent neural networks. In: Proceedings of the 28th International Conference on Machine Learning (2011)
11.
Hornik, K., Stinchcombe, M., White, H.: Multilayer feed forward networks are universal approximators. Neural Netw. 2, 359–366 (1989)CrossRef
12.
Bengio, Y.: Greedy layer-wise training of deep networks, In: Advances in Neural Information Processing Systems, Jan 2007
13.
Lowe, D.G.: Distinctive image features from scale-invariant key points. Int. J. Comput. Vis. 60(2), 91–110 (2004)
14.
Mahendran, A., Vedaldi, A.: Understanding deep image representations by inverting them. In: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, 7–12 June 2015. IEEE
15.
Sungheetha, A., Sharma, R.: A novel CapsNet based image reconstruction and regression analysis. J. Innov. Image Process. (JIIP) 2(03), 156–164 (2020)CrossRef
16.
Chawan, A.C., Kakade, V.K., Jadhav, J.K.: Automatic detection of flood using remote sensing images. J. Inf. Technol. Digit. World 2(01), 11–26 (2020)
17.
Li, E.Y.: Human pose estimation with stacked hourglass network and TensorFlow. In: Towards Data Science, Mar 2020
18.
Newell, A., Yang, K., Deng, J.: Stacked hourglass networks for human pose estimation. In: European Conference on Computer Vision (ECCV) (2016)
19.
Babu, S.C.: A 2019 guide to human pose estimation with deep learning. Nanonets (2019)
20.
21.
Silva, E.A., Panetta, K., Agaian, S.S.: Quantifying image similarity using measure of enhancement by entropy
Metadaten
Titel
Deep Learning-Based Approach for Satellite Image Reconstruction Using Handcrafted Prior
verfasst von
Jaya Saxena
Anubha Jain
Pisipati Radha Krishna
Copyright-Jahr
2022
Verlag
Springer Nature Singapore
Buch
Computer Networks and Inventive Communication Technologies

Print ISBN: 978-981-16-3727-8

Electronic ISBN: 978-981-16-3728-5

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-981-16-3728-5_44

Neuer Inhalt

    Bildnachweise