АЛГОРИТМ СЖАТИЯ ГИПЕРСПЕКТРАЛЬНЫХ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ
Дудкин А. А.,
Перцев Д. Ю.
2017
Представлены результаты оценки корреляции гиперспектральных данных в пространственной и спектральной областях на примере гиперкуба AVIRIS Moffett Field. На их основе сформулированы ключевые особенности гиперспектральных данных. Приведены основные подходы к сжатию без потерь, выделены алгоритмы, относящиеся к тому или иному классу и применяемые в области дистанционного зондирования, показаны достоинства и недостатки конкретных реализаций на основе предсказания (linear prediction, fast lossless, spectral oriented least squares, correlation-based сonditional аverage рrediction, M-CALIC), поиска по таблице (lookup table, locally averaged interband scaling lookup tables) и вей- влет-преобразования (3D-SPECK). С учетом выявленных недостатков разработан алгоритм сжатия гиперспектральных данных, включающий следующие этапы обработки: предобработка (для каждого спектрального канала выполняется независимо), понижение степени корреляции в спектральной области и энтропийный кодер. Приведены результаты тестирования предложенного алгоритма в сравнении с альтернативными кодеками. В качестве тестовых данных использовались гиперкубы, входящие в тестовый набор AVIRIS (Cuprite, Jasper Ridge, Low Altitude, Moffet Field), который является общепризнанным стандартом при исследовании гиперспектральных данных. Полученные результаты свидетельствуют о соответствии разработанного алгоритма альтернативным подходам к сжатию без потерь, применяемым в дистанционном зондировании Земли. Достоинствами указанного алгоритма являются обеспечение параллельной обработки, вычислительная простота (отсутствие операций с высокой латентностью, например, умножения и деления), минимальные требования к объему оперативной памяти (память используется только для хранения гиперкуба и соответствует его объему). С учетом всего вышесказанного допускается схемотехническая реализация алгоритма на борту летательного аппарата.
Дудкин А. А., Перцев Д. Ю. АЛГОРИТМ СЖАТИЯ ГИПЕРСПЕКТРАЛЬНЫХ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ. Известия Национальной академии наук Беларуси. Серия физико-математических наук. 2017;(1):120-126.
Цитирование
Список литературы
1. AVIRIS Hyperspectral Images [Electronic resource] / Jet Propulsion Laboratory. – Mode of access: http://aviris.jpl. nasa.gov/data/free_data.html. – Date of access: 10.09.2016.
2. Low-complexity lossless compression of hyperspectral imagery via linear prediction / F. Rizzo [et all.] // Signal Proc. Letters, IEEE. – 2005. –Vol. 12, iss. 2. – P. 138–141.
3. Klimesh, M. Low-complexity lossless compression of hyperspectral imagery via adaptive filtering: Technical Report 42-163 / Jet Propulsion Laboratory California Institute of Technology. – California Institute of Technology, 2005.
4. Pizzolante, R. Lossless compression of hyperspectral imagery / R. Pizzolante // Proc. of the First Int. Conf. on Data Compression, Communications and Processing (CCP’11). – 2011. – P. 157–162.
5. Wang, H. Lossless hyperspectral-image compression using context-based conditional average / H. Wang, S. D. Babacan, K. Sayood // Geoscience and Remote Sensing, IEEE Transactions on. – 2007. – Vol. 45, iss. 12. – P. 4187–4193.
6. Magli, E. Optimized onboard lossless and near-lossless compression of hyperspectral data using CALIC / Magli, E., Olmo, G., Quacchio, E. // Geoscience and Remote Sensing Letters, IEEE. – 2004. – Vol. 1, iss. 1. – P. 21–25.
7. Huang, B. Lossless compression of hyperspectral imagery via lookup tables with predictor selection / B. Huang, Y. Sriraja // Proc. Image and Signal Proc. for Remote Sensing XII. – 2006. – Vol. 6365. – P. 131–139.
8. Mielikainen, J. Lossless compression of hyperspectral images using a quantized index to lookup tables / J. Mielikainen, P. Toivanen // Geoscience and Remote Sensing Letters, IEEE. – 2008. – Vol. 5, iss. 3. – P. 474–478.
9. Tang, X. Three-Dimensional Wavelet-Based Compression of Hyperspectral Images / X. Tang, W. A. Pearlman // Hyperspectral Data Compression. – Berlin: Springer, 2006. – P. 273–308.
10. Christophe, E. Hyperspectral Data Compression Tradeoff / E. Christophe // Optical Remote Sensing. – Berlin: Springer, 2011. – P. 9–29.
Похожие публикации