QUANTUM MACHINE LEARNING FOR FUSION OF MULTICHANNEL OPTICAL SATELLITE IMAGES
Sábháilte in:
| Foilsithe in: | Natsional'nyi Hirnychyi Universytet. Naukovyi Visnyk no. 5 (2025), p. 112-122 |
|---|---|
| Príomhchruthaitheoir: | |
| Rannpháirtithe: | , , |
| Foilsithe / Cruthaithe: |
State Higher Educational Institution "National Mining University"
|
| Ábhair: | |
| Rochtain ar líne: | Citation/Abstract Full Text Full Text - PDF |
| Clibeanna: |
Níl clibeanna ann, Bí ar an gcéad duine le clib a chur leis an taifead seo!
|
MARC
| LEADER | 00000nab a2200000uu 4500 | ||
|---|---|---|---|
| 001 | 3272221629 | ||
| 003 | UK-CbPIL | ||
| 022 | |a 2071-2227 | ||
| 022 | |a 2223-2362 | ||
| 024 | 7 | |a 10.33271/nvngu/2025-5/112 |2 doi | |
| 035 | |a 3272221629 | ||
| 045 | 2 | |b d20250901 |b d20251031 | |
| 084 | |a 185328 |2 nlm | ||
| 100 | 1 | |a Kashtan, V Yu |u Dnipro University of Technology, Dnipro, Ukraine | |
| 245 | 1 | |a QUANTUM MACHINE LEARNING FOR FUSION OF MULTICHANNEL OPTICAL SATELLITE IMAGES | |
| 260 | |b State Higher Educational Institution "National Mining University" |c 2025 | ||
| 513 | |a Journal Article | ||
| 520 | 3 | |a Purpose. To develop a novel approach for fusion of optical satellite images based on machine learning and quantum optimization for integrating spatial-spectral information from RGB and IR channels. Methodology. The proposed approach involves sequential processing of input data, including geometric, radiometric, and atmospheric corrections. Each channel is decomposed into low-frequency and high-frequency components using a Gaussian filter. The Independent Component Analysis (ICA) method is applied to reduce the dimensionality of input data. A quantum optimizer approximation algorithm is applied to analyze the infrared channel. A deep convolutional neural network with residual dense blocks is used to extract spatial structural features from RGB channels. After integrating features through fully connected layers, the quantum block optimizes the weight coefficients for the final channel fusion. Findings. Quantitative evaluation demonstrates that the proposed approach outperforms classical fusion methods, including Brovey, Gram-Schmidt, IHS, HCS, HPFC, ATWT, PCA, and CNN, in spectral and spatial information integration accuracy. The method achieves the lowest mean squared error (MSE = 191.8), high structural similarity index (SSIM = 0.43), entropy (Entropy = 7.54), and Sobel filter range (Sobel Sharp = 19.19-21.67 across R, G, B channels). Visual analysis also confirms qualitative advantages: images exhibit clear structure without artifacts and balanced color reproduction consistent with the spectral characteristics of the original RGB data. Originality. A novel approach to utilizing information of the IR channel is proposed, which integrates a quantumclassical algorithm within a deep convolutional neural network architecture for synergistic processing of multichannel optical images using multilevel frequency decomposition and a weighted feature fusion mechanism. Practical value. The proposed approach can be implemented in Earth remote sensing systems to enhance the quality of satellite image processing, particularly for mapping, land resource monitoring, agricultural control, and environmental analysis tasks. Applying quantum algorithms opens new opportunities for improving efficiency and accuracy in processing multidimensional geoinformation data containing IR channel information. Мета. Розробка нового шдходу до злиття оптичних супутникових зображень на основ! машинного навчання À KBAHTOBOÏ оптим1заци для 1нтеграци просторово-спектральнот 1нформаци RGB- i IRKaHaliB. Методика. Запропонований шдх1д передбачае послдовну обробку BXiIHHX даних, що включае геометричну, parioMeTpHYHy À атмосферну корекци. Кожен канал розкладаеться на низькочастотну та високочастотну компоненти за допомогою Гаусового фильтра. Для зменшення po3MipHOCTi BXiTHUX даних застосовуеться метод незалежних компонент (1СА). Для анал1зу 1нфрачервоного каналу застосовано алгоритм апроксимаци квантового оптим!затора. Глибока згорткова нейронна мережа 13 3aлишковими пильними блоками застосовуеться для вилучення просторових структурних ознак 13 КСВ-каналв. Ilicma 1нтеграци ознак - через повнозв'язн! шари квантовий блок оптим1зусе вагоBi коефишенти для остаточного злиття каналв. Результати. За результатами Ki1bKicHOi ONİHKU запропонований шдх1д продемонстрував перевагу y точност! 1нтеграци спектральной? та просторовот 1нформаци порвняно 13 класичними методами злиття, зокрема Brovey, Gram-Schmidt, IHS, HCS, HPFC, ATWT, PCA та CNN. Шдх1д досягае найнижчого значення середньоквадратично! помилки (MSE = 191,8), високих значень структурно? под1GHocTi (SSIM = 0,43), enrponii (Entropy = 7,54), фильтра Собеля (дапазон Sobel Sharp = 19,19-21,67 по каналах К, С, В). В1зуальний анал13 також MiXтверджуе яктсн1 переваги запропонованого MiNXOLY: зображення характеризуються YITKOIO структурою без артефакт!в, збалансованою кольоровою передачею, що в1дпов1дае спектральним характеристикам орилнальних КСВ-даних. Наукова новизна. Запропоновано IiIxiI, BUKOристання iHdopmMauii IR-KaHay, що iHTerpye KBaHтово-класичний алгоритм у структуру глибокот згортковот нейроннот Mepexi, для синергетичного оброблення багатоканальних оптичних зображень 13 використанням GaraTopiBHeBOÏ YaCTOTHOI декомпозици та механизму вагового злиття ознак. Практична значим!сть. Запропонований гдхщд може бути впроваджений у системах дистанщий ного зондування 3eMJi задля покращення AKOCTi оброблення супутникових 3HiMKiB, зокрема у завданнях картографування, MOHITOPHHTY земельних pecypciB, с1льськогосподарського контролю À екологчного анал1зу. Застосування квантових алгоритмив BiIKpHвае нов! можливост! для шдвищення ефективност1 À TOYHOCTI оброблення багатовимтрних геотнформаHiÁHUX даних, що м1стять 1нформацию IR-KaHay. | |
| 653 | |a Accuracy | ||
| 653 | |a Channels | ||
| 653 | |a Wavelet transforms | ||
| 653 | |a Algorithms | ||
| 653 | |a Independent component analysis | ||
| 653 | |a Artificial neural networks | ||
| 653 | |a Satellite imagery | ||
| 653 | |a Remote sensing | ||
| 653 | |a Entropy | ||
| 653 | |a Data processing | ||
| 653 | |a Decomposition | ||
| 653 | |a Infrared analysis | ||
| 653 | |a Image processing | ||
| 653 | |a Machine learning | ||
| 653 | |a Learning algorithms | ||
| 653 | |a Efficiency | ||
| 653 | |a Qualitative analysis | ||
| 653 | |a Spatial data | ||
| 653 | |a Atmospheric correction | ||
| 653 | |a Decision making | ||
| 653 | |a Neural networks | ||
| 653 | |a Sensors | ||
| 653 | |a Remote sensing systems | ||
| 653 | |a Satellites | ||
| 653 | |a Optical data processing | ||
| 653 | |a Information processing | ||
| 653 | |a Image quality | ||
| 653 | |a Land resources | ||
| 653 | |a Environmental | ||
| 700 | 1 | |a Hnatushenko, V V |u Dnipro University of Technology, Dnipro, Ukraine | |
| 700 | 1 | |a Wereszczyński, K |u Silesian University of Technology, Gliwice, Republic of Poland | |
| 700 | 1 | |a Cyran, K |u Silesian University of Technology, Gliwice, Republic of Poland | |
| 773 | 0 | |t Natsional'nyi Hirnychyi Universytet. Naukovyi Visnyk |g no. 5 (2025), p. 112-122 | |
| 786 | 0 | |d ProQuest |t Materials Science Database | |
| 856 | 4 | 1 | |3 Citation/Abstract |u https://www.proquest.com/docview/3272221629/abstract/embedded/6A8EOT78XXH2IG52?source=fedsrch |
| 856 | 4 | 0 | |3 Full Text |u https://www.proquest.com/docview/3272221629/fulltext/embedded/6A8EOT78XXH2IG52?source=fedsrch |
| 856 | 4 | 0 | |3 Full Text - PDF |u https://www.proquest.com/docview/3272221629/fulltextPDF/embedded/6A8EOT78XXH2IG52?source=fedsrch |