Науковий вісник НГУ

Квантове машинне навчання для злиття багатоканальних оптичних супутникових знімків

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №5 2025

Останнє оновлення: 25 жовтня 2025

Опубліковано: 30 листопада -0001

Перегляди: 1259

Authors:

В. Ю. Каштан, orcid.org/0000-0002-0395-5895, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна

В. В. Гнатушенко*, orcid.org/0000-0003-3140-3788, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

К. ­Верещинський, orcid.org/0000-0003-1686-472X, Сілезький технологічний університет, м. Глівіце, Республіка Польща

К. ­Верещинський, orcid.org/0000-0003-1789-4939, Сілезький технологічний університет, м. Глівіце, Республіка Польща

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2025, (5): 112 - 121

https://doi.org/10.33271/nvngu/2025-5/112

Abstract:

Мета. Розробка нового підходу до злиття оптичних супутникових зображень на основі машинного навчання й квантової оптимізації для інтеграції просторово-спектральної інформації RGB- і IR-каналів.

Методика. Запропонований підхід передбачає послідовну обробку вхідних даних, що включає геометричну, радіометричну й атмосферну корекції. Кожен канал розкладається на низькочастотну та високочастотну компоненти за допомогою Гаусового фільтра. Для зменшення розмірності вхідних даних застосовується метод незалежних компонент (ICA). Для аналізу інфрачервоного каналу застосовано алгоритм апроксимації квантового оптимізатора. Глибока згорткова нейронна мережа із залишковими щільними блоками застосовується для вилучення просторових структурних ознак із RGB‑каналів. Після інтеграції ознак через повнозв’язні шари квантовий блок оптимізує вагові коефіцієнти для остаточного злиття каналів.

Результати. За результатами кількісної оцінки запропонований підхід продемонстрував перевагу у точності інтеграції спектральної та просторової інформації порівняно із класичними методами злиття, зокрема Brovey, Gram-Schmidt, IHS, HCS, HPFC, ATWT, PCA та CNN. Підхід досягає найнижчого значення середньоквадратичної помилки (MSE = 191,8), високих значень структурної подібності (SSIM = 0,43), ентропії (Entropy = 7,54), фільтра Собеля (діапазон Sobel Sharp = 19,19–21,67 по каналах R, G, B). Візуальний аналіз також підтверджує якісні переваги запропонованого підходу: зображення характеризуються чіткою структурою без артефактів, збалансованою кольоровою передачею, що відповідає спектральним характеристикам оригінальних RGB-даних.

Наукова новизна. Запропоновано підхід використання інформації IR-каналу, що інтегрує квантово-класичний алгоритм у структуру глибокої згорткової нейронної мережі, для синергетичного оброблення багатоканальних оптичних зображень із використанням багаторівневої частотної декомпозиції та механізму вагового злиття ознак.

Практична значимість. Запропонований підхід може бути впроваджений у системах дистанційного зондування Землі задля покращення якості оброблення супутникових знімків, зокрема у завданнях картографування, моніторингу земельних ресурсів, сільськогосподарського контролю й екологічного аналізу. Застосування квантових алгоритмів відкриває нові можливості для підвищення ефективності й точності оброблення багатовимірних геоінформаційних даних, що містять інформацію IR‑каналу.

Ключові слова: квантове машинне навчання, злиття даних, нейронна мережа, супутникове зображення

• < Попередня
• Наступна >