vestifmИзвестия Национальной академии наук Беларуси. Серия физико-математических наукProceedings of the National Academy of Sciences of Belarus. Physics and Mathematics Series1561-24302524-2415The Republican Unitary Enterprise Publishing House "Belaruskaya Navuka"vestifm-238Research ArticleИНФОРМАТИКАINFORMATICSАЛГОРИТМ СЖАТИЯ ГИПЕРСПЕКТРАЛЬНЫХ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИCOMPRESSION ALGORITHM OF THE HYPERSPECTRAL DATA OF EARTH REMOTE SENSINGДудкинА. А.DoudkinA. A.

доктор технических наук, заведующий лабораторией

D. Sc. (Engineering), Head of the Laboratory

doudkin@newman.bas-net.byПерцевД. Ю.PertsauD. Yu.

младший научный сотрудник

Junior Researcher

DmitryPertsev@gmail.comОбъединенный институт проблем информатики Национальной академии наук Беларуси, МинскUnited Institute of Informatics Problems of the National Academy of Sciences of Belarus, MinskБелорусский государственный университет информатики и радиоэлектроники, МинскBelarusian State University of Informatics and Radioelectronics, Minsk20173004201701120126Copyright © Дудкин А.А., Перцев Д.Ю., 20172017Дудкин А.А., Перцев Д.Ю.Doudkin A.A., Pertsau D.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestifm.belnauka.by/jour/article/view/238

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.

 

The evaluation results of hyperspectral data correlation in spatial and spectral domains are presented by the example of the hypercube AVIRIS Moffett Field, and the key features of hyperspectral data are formulated. The basic approaches to lossless compression and the algorithms, which can be applied in Earth remote sensing, are considerеd. They are the prediction (linear prediction, fast lossless, spectral oriented least squares, correlation-based conditional average prediction, M-CALIC), the lookup tables (lookup table, locally averaged interband scaling lookup tables), the 3D wavelets (3D-SPECK). A compression algorithm of hyperspectral data is proposed with regard to the advantages and disadvantages of specific implementations of the analyzed algorithms in remote sensing. The main algorithm stages are the preprocessing (for each spectral channel, it is executed independently), the reduction of a correlation level in the spectral area and the entropy coder. The test results of the developed algorithm are given in comparison to the alternative codecs on the AVIRIS test set (Cuprite, Jasper Ridge, Low Altitude, Moffet Field) that prove the efficiency of the proposed algorithm: parallel processing, low computing cost (low latency instructions are used, no division and multiplication), small random access memory requirements (the memory is used only for storage of the hypercube). In the context of the above advantages, the hardware implementation of the algorithm is allowed for on board the aircraft.

 

гиперспектральные данныеAVIRISсжатие без потерьспектральная корреляцияпространственная корреляцияhyperspectral compressionAVIRISspectral correlationspatial correlationReferencesAVIRIS 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.AVIRIS Hyperspectral Images. Available at: http://aviris.jpl.nasa.gov/data/free_data.html (accessed 10 September 2016).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.Rizzo F., Carpentieri B., Motta G., Storer J.A. Low-complexity lossless compression of hyperspectral imagery via linear prediction. IEEE Signal Processing Letters, 2005, vol. 12, no. 2, pp. 138–141. Doi: 10.1109/LSP.2004.840907Klimesh, 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.Klimesh M. Low-complexity lossless compression of hyperspectral imagery via adaptive filtering. Technical Report 42-163. California Institute of Technology, 2005.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.Pizzolante R. Lossless compression of hyperspectral imagery. Proceedings of the First International Conference on Data Compression, Communications and Processing. CCP’11, 2011, pp. 157–162. Doi: 10.1109/CCP.2011.31Wang, 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.Wang H. Babacan S.D., Sayood K. Lossless hyperspectral-image compression using context-based conditional average. IEEE Transactions on Geoscience and Remote Sensing, 2007, vol. 45, no. 12, pp. 4187–4193. Doi: 10.1109/TGRS.2007.906085Magli, 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.Magli E., Olmo G., Quacchio E. Optimized onboard lossless and near-lossless compression of hyperspectral data using CALIC. IEEE Geoscience and Remote Sensing Letters, 2004, vol. 1, no. 1, pp. 21–25. Doi: 10.1109/LGRS.2003.822312Huang, 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.Huang B. Lossless compression of hyperspectral imagery via lookup tables with predictor selection. Proc. Image and Signal Processing for Remote Sensing XII, 2006, vol. 6365, pp. 131–139. Doi: 10.1117/12.690659Mielikainen, 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.Mielikainen J. Toivanen P. Lossless compression of hyperspectral images using a quantized index to lookup tables. IEEE Geoscience and Remote Sensing Letters, 2008, vol. 5, no. 3, pp. 474–478. Doi: 10.1109/LGRS.2008.917598Tang, X. Three-Dimensional Wavelet-Based Compression of Hyperspectral Images / X. Tang, W. A. Pearlman // Hyperspectral Data Compression. – Berlin: Springer, 2006. – P. 273–308.Tang X., Pearlman W.A. Three-Dimensional Wavelet-Based Compression of Hyperspectral Images. Hyperspectral Data Compression. Berlin, Springer, 2006, pp. 273–308. Doi: 10.1007/0-387-28600-4_10Christophe, E. Hyperspectral Data Compression Tradeoff / E. Christophe // Optical Remote Sensing. – Berlin: Springer, 2011. – P. 9–29.Christophe E. Hyperspectral Data Compression Tradeoff. Optical Remote Sensing. Berlin, Springer, 2011, pp. 9–29. Doi: 10.1007/978-3-642-14212-3_2

The authors declare that there are no conflicts of interest present.