بهبود کیفیت و روشنایی تصاویر با استفاده از شبکه های عصبی عمیق در پردازش داده های سنجش از دور برای اکتشاف مواد معدنی

افزایش تقاضا برای مواد معدنی مختلف در سال های اخیر، زمین شناسان اکتشافی را بر آن داشته است تا به دنبال روش های کارآمدتر و نوآورانه تر برای پردازش انواع داده های مختلف در هر مرحله از اکتشاف معدنی باشند. به عنوان یک گام اولیه، ویژگی های مختلف، مانند واحدهای سنگ شناسی، انواع دگرسانی، ساختارها و کانی های شاخص، برای کمک به تصمیم گیری در مورد هدف قرار دادن ذخایر معدنی ترسیم می شوند. انواع مختلف مجموعه داده های سنجش از دور، مانند داده های ماهواره ای و هوابرد، غلبه بر مشکلات رایج مرتبط با نقشه برداری ویژگی های زمین شناسی را ممکن می سازد. افزایش سریع حجم داده های سنجش از راه دور به دست آمده از پلت فرم های مختلف، دانشمندان را تشویق به توسعه روش های پیشرفته، نوآورانه و قوی پردازش داده ها کرده است. روش های یادگیری ماشینی می توانند به پردازش طیف گسترده ای از مجموعه داده های سنجش از راه دور و بهبود کیفیت تصاویر کمک کنند. این روش ها در پردازش اندازه گیری های طیفی و زمینی در برابر نویز و عدم قطعیت ها قوی هستند. این مقاله بررسی جامعی از پیاده سازی و انطباق برخی از روش های یادگیری ماشینی محبوب و اخیرا تاسیس شده برای پردازش انواع مختلف داده های سنجش از راه دور ارائه می کند و کاربردهای آن ها را برای شناسایی انواع ذخایر سنگ معدنی بررسی می کند. ما توانایی بالای ترکیب داده های سنجش از دور و روش های یادگیری ماشین را برای نقشه برداری ویژگی های مختلف زمین شناسی که برای تهیه نقشه های بالقوه حیاتی هستند، نشان می دهیم. راستی آزمایی روش های بهبود کیفیت تصویر با بهره گیری از معیارهای PSNR, SSIM, PIQE, NIQE, NIMA, BRISQUE رتبه بندی شده است. نتایج راستی آزمایی بازدهی هر یک از روش های بررسی شده برای معیارهای مختلف ارزیابی را مشخص می کند.

کلیدواژه ها:

بهبود تصویر ، اصلاح روشنایی تصویر ، شبکه عصبی عمیق ، سنجش از دور ، اکتشاف مواد معدنی