衛星画像を“鮮明にする”超解像技術の最前線 – 入門編

衛星画像を“鮮明にする”超解像技術の最前線 – 入門編

最近の地球観測技術の進歩で、私たちは毎日たくさんの衛星データを手に入れられるようになりました。こうしたデータは、都市計画や環境チェック、災害対応、農業など、さまざまな場面で役立っています。でも、衛星画像には解像度の限界があるので、「もっと細かく見たい！」という場面ではちょっと不便です。

そこで登場するのが「超解像度化（Super-Resolution）」という技術です。これは、低解像度の画像から、高解像度の画像を作り出す技術で、細かい情報まで読み取れるようにしてくれます。

この記事では、衛星画像の超解像度化に使われる主なアルゴリズムと、この技術を使ってどんなことができるのか、実際の活用事例も交えて紹介していきます。

　そもそも衛星データって何？

人工衛星が地球を周回しながら、搭載されたセンサーを使って地表面や大気、海洋などを観測して取得するデータのことです。

人の目で見える光（可視光）だけでなく、赤外線やマイクロ波といった様々な波長の電磁波を捉えることで、肉眼では見えない情報まで取得できるのが大きな特徴です。

衛星データの主な種類

超解像度化に使われる衛星画像には、主に以下の種類があります。

光学画像

特徴

見たまま直感的に分かるカラー画像が取得できます。
ただし、雲があると地表が見えなかったり、夜間は観測できなかったりする弱点があります。

SAR画像（SAR：合成開口レーダー / Synthetic Aperture Radar）

特徴

夜でも、雲があっても、いつでも地表を観測できます。
マイクロ波を使うことで、地表の凹凸や材質、水分量などを高精度で捉えられます。
画像は白黒で表示されるため、専門家でないと判読が少し難しい場合があります。

　超解像度化のアルゴリズム

超解像度化技術は、大きく分けて「伝統的な手法」と「深層学習（ディープラーニング）を用いる手法」の2つに分類されます。

伝統的な手法（補間法ベース）

古くから研究されてきた手法で、主に画像に含まれるピクセル情報を補間することで高解像度化を実現します。

最近傍補間法（Nearest Neighbor）: 最も単純で計算コストが低い手法です。新しい画素の値を、最も近い既存の画素の値で埋めます。しかし、画像の輪郭がギザギザ（ジャギー）になりやすいという欠点があります。
バイリニア補間法（Bilinear Interpolation）: 周囲の4つの画素の値を用いて線形補間を行います。最近傍補間法よりも滑らかな画像が得られますが、輪郭がぼやける傾向があります。
バイキュービック補間法（Bicubic Interpolation）: 周囲の16個の画素の値を考慮して補間計算を行います。バイリニア法よりもさらに高品質で、鮮明な画像を生成できますが、計算コストは高くなります。

　深層学習（ディープラーニング）を用いる手法

近年のAI技術の発展、特に敵対的生成ネットワーク（GAN: Generative Adversarial Network）の登場により、超解像度化の精度は飛躍的に向上しました。深層学習モデルは、大量の低解像度画像と高解像度画像のペアを学習することで、単純な補間では再現できない、本物に近い質感を復元できます。

ここでは、代表的なアルゴリズムを紹介します。