АЛГОРИТМ СЖАТИЯ ГИПЕРСПЕКТРАЛЬНЫХ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ

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.

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.