Аналіз підходів щодо підвищення якості зображень

Abstract

У статті виконано порівняльний аналіз підходів підвищення якості супутникових зображень для задач геодезії та землеустрою. Розглянуто BSWTV, самонавчальну MISR-DSA, CNN на парах Landsat–Sentinel-2 та RS-ESRGAN. Дані включали синтетичні та реальні сцени, при цьому застосовано маскування хмар, тіней, інше та поканальне оцінювання за PSNR/SSIM. Узагальнені результати: BSWTV – приглушення змішаного шуму зі збереженням контурів, MISR-DSA – найкраще для ×2 і серій із субпіксельними зсувами, CNN – практичний компроміс для однокадрового підвищення та масштабування архівів, RS-ESRGAN – великі масштаби і крос-сенсорні пари зі збереженням природної текстури та спектральної узгодженості.

The relevance of the study is determined by the need to establish a unified comparative framework for evaluating methods of satellite image quality enhancement, since their accuracy directly affects the results of image interpretation, cartographic production, land cover monitoring, and cadastral analysis. Despite the availability of numerous approaches, there is still no standardized evaluation system that ensures reproducibility, spectral consistency, and reconstruction stability. The aim of this work is to conduct a comprehensive analysis of modern approaches to image quality enhancement — variational, self-supervised, convolutional, and generative-adversarial — and to compare their efficiency using PSNR and SSIM metrics. Within the study, four representative methods are analyzed. The variational Bilateral Spectrum Weighted Total Variation (BSWTV) approach provides adaptive noise suppression and contour preservation through weighting coefficients derived from the spectrum of local gradients. The self-supervised Multi-Image Super-Resolution (MISR) method reconstructs spatial structure from sequences of frames with subpixel shifts without relying on high-resolution reference data. The Convolutional Neural Network (CNN), trained on Landsat–Sentinel-2 image pairs, enhances the spatial detail of archival data while maintaining spectral stability across channels. The Generative Adversarial Network (RS-ESRGAN) adapted for Sentinel-2 combines perceptual and adversarial losses to restore highfrequency structures and ensure natural visual fidelity. Experimental results show that BSWTV at a ×2 scale demonstrates stable reconstruction with PSNR 31.14 dB and SSIM 0.9524, CNN achieves PSNR 36.16 dB and SSIM 0.954, RS-ESRGAN at ×5 provides visually detailed reconstructions with PSNR 28.01 dB and SSIM 0.624, while the self-supervised MISR achieves the highest performance (PSNR 47.27 dB, SSIM 0.9559) due to the accumulation of information from multi-frame observations. The obtained results indicate that variational approaches are effective for noise suppression, CNN models provide a balance between quality and computational efficiency, adversarial networks ensure high visual realism, and multi-image methods are the most accurate in restoring spatial details. It is concluded that for geodesy and land management applications, the optimal strategy involves combining approaches depending on data type, resolution level, and metric accuracy requirements, forming a foundation for further standardization of satellite image quality assessment procedures.