Quantum Machine learning for Fusion of Multichannel Optical Satellite Images

ENG: 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 quantum-classical 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.

UKR: Мета. Розробка нового підходу до злиття оптичних супутникових зображень на основі машинного навчання й квантової оптимізації для інтеграції просторово-спектральної інформації RGB- і IR-каналів. Методика. Запропонований підхід передбачає послідовну обробку вхідних даних, що включає геометричну, радіометричну й атмосферну корекції. Кожен канал розкладається на низькочастотну та високочастотну компоненти за допомогою Гаусового фільтра. Для зменшення розмірності вхідних даних застосовується метод незалежних компонент (ICA). Для аналізу інфрачервоного каналу застосовано алгоритм апроксимації квантового оптимізатора. Глибока згорткова нейронна мережа із залишковими щільними блоками застосовується для вилучення просторових структурних ознак із RGB‑каналів. Після інтеграції ознак через повнозв’язні шари квантовий блок оптимізує вагові коефіцієнти для остаточного злиття каналів. Результати. За результатами кількісної оцінки запропонований підхід продемонстрував перевагу у точності інтеграції спектральної та просторової інформації порівняно із класичними методами злиття, зокрема Brovey, Gram-Schmidt, IHS, HCS, HPFC, ATWT, PCA та CNN. Підхід досягає найнижчого значення середньоквадратичної помилки (MSE = 191,8), високих значень структурної подібності (SSIM = 0,43), ентропії (Entropy = 7,54), фільтра Собеля (діапазон Sobel Sharp = 19,19–21,67 по каналах R, G, B). Візуальний аналіз також підтверджує якісні переваги запропонованого підходу: зображення характеризуються чіткою структурою без артефактів, збалансованою кольоровою передачею, що відповідає спектральним характеристикам оригінальних RGB-даних. Наукова новизна. Запропоновано підхід використання інформації IR-каналу, що інтегрує квантово-класичний алгоритм у структуру глибокої згорткової нейронної мережі, для синергетичного оброблення багатоканальних оптичних зображень із використанням багаторівневої частотної декомпозиції та механізму вагового злиття ознак. Практична значимість. Запропонований підхід може бути впроваджений у системах дистанційного зондування Землі задля покращення якості оброблення супутникових знімків, зокрема у завданнях картографування, моніторингу земельних ресурсів, сільськогосподарського контролю й екологічного аналізу. Застосування квантових алгоритмів відкриває нові можливості для підвищення ефективності й точності оброблення багатовимірних геоінформаційних даних, що містять інформацію IR‑каналу.