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
Hyperspectral data compression based upon the principal component analysis
The paper is aimed at developing an algorithm of hyperspectral data compression that combines small losses with high compression rate. The algorithm relies on a principal component analysis and a method of exhaustion. The principal components are singular vectors of an initial signal matrix, which are found by the method of exhaustion. A retrieved signal matrix is formed in parallel. The process continues until a required retrieval error is attained. The algorithm is described in detail and input and output parameters are specified. Testing is performed using Aviris data (Airborne Visible-Infrared Imaging Spectrometer). Three images of differently looking sky (clear sky, partly clouded sky, and overcast skies) are analyzed. For each image, testing is performed for all spectral bands and for a set of bands from which high water-vapour absorption bands are excluded. Retrieval errors versus compression rates are presented. The error formulas include the root mean square deviation, the noise-to-signal ratio, the mean structural similarity index, and the mean relative deviation. It is shown that the retrieval errors decrease by more than an order of magnitude if spectral bands with high gas absorption are disregarded. It is shown that the reason is that weak signals in the absorption bands are measured with great errors, leading to a weak dependence between the spectra in different spatial pixels. A mean cosine distance between the spectra in different spatial pixels is suggested to be used to assess the image compressibility.
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.
