На изображениях, получаемых в инфракрасных (ИК) каналах прибора МСУ-ГС космического аппарата (КА) Арктика-М № 1, была выявлена проблема, которая заключается в наличии структурных искажений в виде неравномерных параллельных полос. В результате ряд целевых задач, связанных с созданием информационных продуктов, решался с ограничениями в зависимости от интенсивности наблюдаемых полос.
Использование классических математических методов устранения искажений на изображениях в ИК каналах МСУ-ГС не дало положительных результатов, а лишь ухудшило пространственное разрешение и негативно повлияло на спектральные характеристики объектов на ИК изображениях. В связи с чем, было принято решение использовать современные подходы обработки изображений на основе искусственного интеллекта, в частности – нейронных сетей. Данный подход строится на использовании нейросетевого алгоритма, в основе которого лежит создание обучающей выборки и построение нейронной сети.
Поскольку все изображения ИК каналов МСУ-ГС имеют структурные искажения, при создании обучающей выборки для нейронной сети использовались данные зарубежных геостационарных КА Himawari-8, GeoKompsat-2A, FY-4A и Meteosat-8, ИК каналы которых были приведены к пространственному разрешению прибора МСУ-ГС. Дополнительно в выборку включались изображения ИК каналов, на которые случайным образом накладывались шумы в виде вертикальных полос.
В ходе эксперимента было установлено, что сверточная нейронная сеть на основе вейлвет-преобразований Toward Universal Stripe Removal via Wavelet-Based Deep Convolutional Neural Network (Chang Y. et al., 2020) лучшим образом подходит для устранения структурных искажений на изображениях в ИК каналах МСУ-ГС. Особенность этой нейросети состоит в том, что, подавая на вход изображение ИК-канала и производную значений этого канала вдоль его горизонтальной оси, на выходе мы сразу получаем скорректированное изображение с отсутствием или минимальным количеством полос.
Реализованный авторами алгоритм планируется к использованию в штатной версии комплекса обработки информации (КОИ-АМ) после завершения опытных испытаний и подготовки программного обеспечения.