Exploratory Pipeline for Reconstructing Compressive Sensed Images and Small Cloud Removal using 3D convolutional U-nets

Abstract

Denne studien presenterer og diskuterer ulike komponenter i en pipeline, inkludert deteksjon og fjerning av skyer, gjenoppretting av manglende områder, og rekonstruksjon av "compressive sensed" (en kompresjonsteknikk) hyperspektrale bilder fra HYSPO-1 satellitten. Det er vist at bruk av et UNet for å rekonstruere det spektrale domenet til komprimerte hyperspektrale bilder gir resultater på høyeste nivå ved bruk av riktig modell og opplæring. På samme måte har bruken av et UNet for å gjenopprette manglende områder i bildene, basert på informasjonen fra omkringliggende piksler, vist lovende resultater. Når det gjelder deteksjon og segmentering av skyer, har metodene som er brukt, betydelige begrensninger som gjør dem lite egnet i en automatisk innstilling, slik som den i den foreslåtte pipelinen. Ikke desto mindre har de tjent sitt formål ved å teste gjenopprettingsmodellene på virkelige skybilder.

This study presents and discusses different components in a pipeline including cloud detection and removal, recovery of missing areas, and reconstruction of compressive sensed hyperspectral images from the HYSPO-1 satellite. It has been demonstrated that employing a UNet for reconstructing the spectral domain of compressive sensed HSI yields state-of-the-art results with the appropriate model and training. Similarly, using a UNet to recover missing areas in the HSI based on surrounding pixels has also shown promising outcomes. Regarding cloud detection and segmentation, the methods used have significant limitations making them unsuitable for an unsupervised setting, such as the one in the suggested pipeline. Nonetheless, they have served their purpose in testing the recovery models on real clouds.