Сжатие гиперспектральных данных методом главных компонент
Автор: Минкин Александр Сергеевич, Николаева Ольга Васильевна, Руссков Александр Алексеевич
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 2 т.45, 2021 года.
Бесплатный доступ
Цель работы - построение алгоритма сжатия гиперспектральных данных, позволяющего достигнуть высокой степени сжатия при малой мере близости исходного и восстановленного сигналов. Алгоритм опирается на метод главных компонент и метод исчерпывания. Методом исчерпывания последовательно находятся главные компоненты - сингулярные вектора матрицы исходного сигнала. Параллельно формируется матрица восстановленного сигнала. Процесс продолжается до достижения заданной меры близости исходного и восстановленного сигналов. Представлено пошаговое описание алгоритма, приведены списки входных и выходных параметров. Тестирование выполнено на данных эксперимента Aviris. Используются три снимка, отвечающие разной облачной ситуации (чистое небо, частичная облачность и сплошная облачность). Для каждого снимка тестирование выполнено отдельно для всего набора спектральных каналов и для набора, из которого исключены каналы, лежащие в полосах сильного поглощения излучения в водяном паре. Представлена зависимость мер близости исходного и восстановленного сигналов от степени сжатия. Рассматриваются четыре меры близости: среднее квадратичное отклонение, отношение шума к сигналу, мера структурного сходства и среднее относительное отклонение. Показано, что меры близости уменьшаются более чем на порядок при исключении из снимка спектральных каналов, лежащих в полосах сильного поглощения. Показано, что причиной этого являются погрешности измерения слабого в полосе поглощения сигнала, из-за чего снижается зависимость между спектрами в разных пространственных пикселях. Для оценки готовности снимка к сжатию представленным алгоритмом предложено использовать среднее по снимку косинусное расстояние между спектрами в разных пространственных пикселях.
Гиперспектральные данные, сжатие данных, метод главных компонент, мера близости
Короткий адрес: https://sciup.org/140257381
IDR: 140257381 | DOI: 10.18287/2412-6179-CO-806
Список литературы Сжатие гиперспектральных данных методом главных компонент
- Мальцев, Г.Н. Передача гиперспектральных видеоданных дистанционного зондирования земли по радиоканалам с ограниченной пропускной способностью / Г.Н. Мальцев, И. А. Козинов // Информационные каналы и среды. - 201б. - № 2. - С. 74-83. - БО1: 10.15217/18БП1684-8853.2016.2.74.
- Гашников, М.В Иерархическая сеточная интерполяция при сжатии гиперспектральных изображений / М.В. Гашников, Н.И. Глумов // Компьютерная оптика. -2014. - Т. 38, № 1. - С. 87-93. - БО1: 10.18287/01342452-2014-38-1-87-93.
- Замятин, А.В. Алгоритм сжатия гиперспектральных аэрокосмических изображений с учетом междиапазонной корреляции / А.В. Замятин, А.Ж. Саринова // Прикладная информатика. - 2013. - Т. 47, № 5. - С. 35-42.
- Гашников, М.В. Иерархическая компрессия в задаче хранения гиперспектральных изображений / М.В. Гашников, Н.И. Глумов // Компьютерная оптика. -2014. - Т. 38, № 3. - С. 482-488. - БО1: 10.18287/01342452-2014-38-3-482-488.
- Максимов, А.И Адаптивная интерполяция многомерных сигналов при дифференциальной компрессии / A.И. Максимов, М.В. Гашников // Компьютерная оптика. - 2018. - Т. 42, № 4. - С. 679-687. - БО1: 10.18287/2412-6179-2018-42-4-679-687.
- Перцев, Д.Ю. Параметрически настраиваемый алгоритм сжатия гиперспектральных данных с применением вейвлет-разложения / Д.Ю. Перцев, А.А. Дудкин // Доклады Белорусского государственного университета информатики и радиоэлектроники. - 2019. - Т. 119, № 1. - С. 26-31.
- Смирнов, С.И. Применение рандомизированного метода главных компонент для сжатия данных гиперспектральной съемки / С.И. Смирнов, В.В. Михайлов, B.Н. Остриков // Современные проблемы дистанционного зондирования Земли из космоса. - 2014. -Т. 11, № 2. - С. 9-17.
- Лебедев, Л.И. Комплексный анализ и мониторинг состояния окружающей среды на основе данных ДЗЗ / Л.И. Лебедев, Ю.В. Ясаков, Т.Ш. Утешева, В.П. Громов, А.В. Борусяк, В.Е. Турлапов // Компьютерная оптика. - 2019. - Т. 43, № 2. - С. 282-295. - DOI: 10.18287/2412-6179-2019-43-2-282-295.
- Чичева, М.А. Сжатие гиперспектральных данных на основе метода кодирования с преобразованием / М.А. Чичёва, Р.Р. Юзькив // Компьютерная оптика. -2014. - Т. 38, № 4. - С. 794-803. - DOI: 10.18287/01342452-2014-38-4-794-803.
- Земляченко, А.Н Процедуры автоматического сжатия изображений дистанционного зондирования земли при сигнально-зависимых помехах в окрестности оптимальной рабочей точки и их эффективность / A.Н. Земляченко, Р.А. Кожемякин, С.К. Абрамов, B.В. Лукин, М.К. Чобану // Исследование Земли из космоса. - 2013. - № 3. - С. 73-90. - DOI: 10.7868/S0205961413020140.
- Лёзин, И.А. Сжатие изображения с использованием многослойного персептрона / И. А. Лёзин, А. В. Соловьёв // Известия Самарского научного центра РАН. - 2016. - Т. 18, № 4(4). - С. 770-774.
- Шишкин, О.Г. Сжатие с потерями мультиспектраль-ных снимков на основе искусственной нейронной сети / О.Г. Шишкин // Современные наукоемкие технологии. -2018. - № 12. - С. 387-391.
- Сирота, А. А. Обобщённые алгоритмы сжатия изображений на фрагментах произвольной формы и их реализация с использованием искусственных нейронных сетей / А.А. Сирота, М.А. Дрюченко // Компьютерная оптика. - 2015. - Т. 39, № 5. - С. 751-761. - DOI: 10.18287/0134-2452-2015-39-5-751-761.
- Пестунов, И.А. Блочный метод главных компонент для выделения информативных признаков при классификации гиперспектральных изображений / И. А. Пестунов, П.В. Мельников // Журнал Сибирского Федерального Университета. Техника и технологии. - 2015. - Т. 8, № 6. - C. 715-725. - DOI: 10.17516/1999-494X-2015-8-6-715-725.
- Радченко, Ю.С. Статистика структурных изменений изображений на основе спектрального и корреляционного анализа полей / Ю.С. Радченко, В.А. Игнатов // Вестник Воронежского государственного университета. Серия: Физика. Математика. - 2014. - № 2. - С. 29-41.
- Wang, Zh. Image quality assessment: From error visibility to structural similarity / Zh. Wang, A. Bovik, H. Sheikh, E. Simoncelli // IEEE Transactions on Image Processing. -2004. - Vol. 13, Issue 4. - P. 600-612. - DOI: 10.1109/TIP.2003.819861.
- Gorban, A. Principal manifolds for data visualisation and dimension reduction / A. Gorban, B. Kegl, D. Wunsch, A. Zinovyev. - Berlin, Heidelberg, New York: Springer, 2007. - 367 p.
- Николаева, О.В. Малопараметрическая аппроксимация коэффициента яркости солнечного излучения в полосе газового поглощения / О.В. Николаева // Математическое моделирование. - 2020. - Т. 32, № 2. - С. 24-36. -DOI: 10.20948/mm-2020-02-02.
