(45-2) 10 * << * >> * Русский * English * Содержание * Все выпуски

Сжатие гиперспектральных данных методом главных компонент
А.С. Минкин 1, О.В. Николаева 2, А.А. Руссков 2

НИЦ «Курчатовский институт», 123182, Россия, г. Москва, пл. Академика Курчатова, д. 1,

Институт прикладной математики РАН, 123047, Россия, г. Москва, Миусская пл., д. 4

 PDF, 1182 kB

DOI: 10.18287/2412-6179-CO-806

Страницы: 235-244.

Аннотация:
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.

Ключевые слова:
гиперспектральные данные, сжатие данных, метод главных компонент, мера близости.

Цитирование:
Минкин, А.С. Сжатие гиперспектральных данных методом главных компонент / А.С. Минкин, О.В. Николаева, А.А. Руссков // Компьютерная оптика. – 2021. – Т. 45, № 2. – С. 235-244. – DOI: 10.18287/2412-6179-CO-806.

Citation:
Minkin AS, Nikolaeva OV, Russkov AA. Hyperspectral data compression based upon the principal component analysis. Computer Optics 2021; 45(2): 235-244. DOI: 10.18287/2412-6179-CO-806.

Литература:

  1. 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. – 2016. – № 2. – С. 74-83. – DOI: 10.15217/issn1684-8853.2016.2.74.
  2. 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. – DOI: 10.18287/0134-2452-2014-38-1-87-93.
  3. 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.
  4. 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. – DOI: 10.18287/0134-2452-2014-38-3-482-488.
  5. Максимов, А.И. Адаптивная интерполяция многомерных сигналов при дифференциальной компрессии / А.И. Максимов, М.В. Гашников // Компьютерная оптика. – 2018. – Т. 42, № 4. – С. 679-687. – DOI: 10.18287/2412-6179-2018-42-4-679-687.
  6. 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.
  7. Смирнов, С.И. Применение рандомизированного метода главных компонент для сжатия данных гиперспектральной съемки / С.И. Смирнов, В.В. Михайлов, В.Н. Остриков // Современные проблемы дистанционного зондирования Земли из космоса. – 2014. – Т. 11, № 2. – С. 9-17.
  8. 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.
  9. 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: 10.18287/0134-2452-2014-38-4-794-803.
  10. Земляченко, А.Н. Процедуры автоматического сжатия изображений дистанционного зондирования земли при сигнально-зависимых помехах в окрестности оптимальной рабочей точки и их эффективность / А.Н. Земляченко, Р.А. Кожемякин, С.К. Абрамов, В.В. Лукин, М.К. Чобану // Исследование Земли из космоса. – 2013. – № 3. – С. 73-90. – DOI: 10.7868/S0205961413020140.
  11. 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.
  12. Шишкин, О.Г. Сжатие с потерями мультиспектральных снимков на основе искусственной нейронной сети / О.Г. Шишкин // Современные наукоемкие технологии. – 2018. – № 12. – С. 387-391.
  13. 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.
  14. 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. – С. 715-725. – DOI: 10.17516/1999-494X-2015-8-6-715-725 .
  15. 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.
  16. 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.
  17. 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.
  18. 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.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20