Super-Resolution-Assisted Farmland Boundary Extraction from Medium-Resolution Satellite Image: A Real-ESRGAN and YOLO Segmentation Framework
Junyao Yu · Hui Yin · Xiaofan Huang 等 9 人
提出结合Real-ESRGAN超分辨率和YOLO分割的农田边界提取框架，提升中分辨率卫星影像识别精度
使用Real-ESRGAN盲超分重建GF-2影像，结合YOLO实例分割提取边界。
超分后影像分辨率从4米提升至1米，边界识别[email protected]达0.70-0.75，优于EDSR+Open
可探索超分重建与分割模型联合优化，或应用于其他中低分辨率卫星影像的农田边界提取。
提出结合超分辨率重建与深度学习的农田边界提取框架，方法新颖且验证充分，对精准农业有实际价值。
本研究针对精准农业中遥感图像 farmland 边界识别空间分辨率不足的问题，提出了一种基于Real-ESRGAN超分辨率重建与YOLO实例分割的创新框架，以及一种结合超分辨率重建与深度学习分割的农田边界提取方法，以提高中分辨率卫星图像中农田识别的精度。以广东省南雄市农业区为研究区域，构建了人工标注的农田边界数据集。采用Real-ESRGAN模型对GF-2卫星图像进行盲超分辨率重建，并使用YOLO实例分割模型进行农田边界提取。结果表明，利用Real-ESRGAN模型对GF-2卫星图像进行盲超分辨率重建后，GF-2卫星图像的空间分辨率从4米提升至1米。通过高保真退化模型模拟真实世界的复杂退化过程，Real-ESRGAN显著增强了对遥感图像中各种实际退化的鲁棒性，重建出纹理细节丰富的高质量GF-2卫星图像。GF-2卫星图像的纹理和边界细节显著增强，有效缓解了混叠效应导致的田块合并和边界不连续问题。在基于多任务架构的YOLO实例分割模型提取农田边界后，超分辨率重建图像的平均峰值信噪比（PSNR）达到26.19 dB，平均结构相似性指数（SSIM）为0.7676。在农田边界识别任务中，[email protected]值介于0.70至0.75之间，[email protected]:0.95值介于0.55至0.60之间，训练损失和验证损失分别约为2.00和2.50。验证结果表明，模型未出现过拟合现象，具有良好的泛化能力。模型对比显示，Real-ESRGAN超分辨率模型在数值和视觉效果上均优于EDSR+OpenCV超分辨率模型。本研究采用验证集上达到的最高边界识别精度作为模型的最终性能指标。该框架为精准农田边界识别提供了一种经济高效的解决方案。其骨干网络为t