Comparison of Optimized Sentinel-2 Super-Resolution Methods Using Wald's Protocol and Bayesian Optimization

Abstract

Fjöldi aðferða hafa verið þróaðar á undanförnum árum til þess að auka upplausn (e. super-resolve) Sentinel-2 (S2) fjölrása mynda (e. multispectral images). Markmið skerpingar er að bæta upplausn mynda og þar með auka gæði eftirvinnslu.Flestar skerpingaraðferðir eru háðar stikum (e. tuning parameters) sem hafa áhrif á hve vel þær virka.Markmið þessarar lokaritgerðar er tvískipt. Í fyrsta lagi er lagt til að beita Bayes-bestun á smækkuðum skala við val á stikunum.Í öðru lagi eru stikarnir valdir fyrir átta skerpingaraðferðir og þær bornar saman með raunverulegum og hermdum gögnum. Allar aðferðirnar virka jafn vel eða betur með bestuðum stikum samanborið við sjálfgefna stika. Þó allar aðferðir sem prófaðar voru gefi góðar niðurstöður bera Area-To-Point Regression Kriging (ATPRK) og Sentinel-2 Sharpening (S2Sharp) aðferðirnar af fyrir þau gagnasett sem notast er við í þessari ritgerð.

In recent years, numerous methods for super-resolution of Sentinel-2 (S2) multispectral images have been suggested. In the context of earth observation and remote sensing, super-resolution aims to enhance the resolution of a captured image by sharpening and enhancing its details.Most of these methods depend on various tuning parameters that affect how effective they are. The aim of this dissertation is twofold.Firstly, I propose to use Bayesian optimization at a reduced scale to select tuning parameters. Secondly, I choose tuning parameters for eight S2 super-resolution methods and compare them for real and synthetic data. All methods tested perform similarly or better after parameter tuning compared to the results obtained using their default parameters.While all methods give good quantitative results, Area-To-Point Regression Kriging (ATPRK) and Sentinel-2 Sharpening (S2Sharp) perform markedly better on several datasets than the other methods tested in this thesis.