Hyperspectral image compression using sparse representations and wavelet transform based spectral decorrelation

Abstract

Son yıllarda, görüntü işleme alanındaki çalışmaların sayısında ve çeşidinde artış olduğugözlenmektedir. Birçok dalga boyu bandında algılanan enerji üzerinde hassas kayıtyapabilmek için uzaktan algılama bu alanlardan en önemlisidir. Hipperspektralgörüntüler, dijital görüntülerin ve spektroskopinin güçlü yanlarını birleştirir. Birhiperspektral kamera, komşu spektral bantların büyük bir kısmı için ışık yoğunluğunuyakalar. Hiperspektral görüntüler, farklı izgelere olan duyarlılıklarından ötürü,algıladıkları nesnelerin kimyasal içeriğine ilişkin önemli bilgiler sunmaktadır.Uydu görüntüleri ve özellikle hiperspektral görüntüler, farklı bilimlerin birçok alanı içinönemli veri kaynağıdır. Uydu görüntüleri, insan gözü veya diğer teknolojiler tarafındanalgılanamayan, yeryüzündeki geniş bir alanı kaplar. Uzaktan algılama terimi ilk olarak1960'larda kullanıldı. Bu teknoloji, yeryüzünün uzaktan gözlenmesini esas almıştır.Yeryüzünü izlemek için farklı yükseklikteki uydular kullanılır.Bu çalışmada, çevrimiçi öğrenmeyi temel alan seyrek kodlamayı kullanarak kayıplı birhiperspektral görüntü sıkıştırma yöntemi önerilmektedir. Hiperspektral görüntüleriçevrimiçi sözlük öğrenme yöntemine dayanan seyrek kodlama algoritması uygulayaraktemsil etmek için en az sayıda katsayı elde edilir. Sonuçlar, sıfır olmayan sözlüköğelerinin bir ön analizinin, genel sıkıştırma kalitesini iyileştirmede yardımcıolabileceğini ortaya koymaktadır.Seyrek kodlama tabanlı hiperspektral görüntü sıkıştırma, literatürdeki tekniğin mevcutdurumunu yansıtan yöntemlere göre, özellikle düşük bit hızlarında daha iyi veri hızı-bozunum başarımı vermektedirSeyrek gösterim, önceden eğitilmiş bir sözlükten birkaç sözcüğün (atomun) doğrusalbileşimi olarak sinyalleri modelleme yeteneğine sahiptir. Sinyallerin gösterilmesindeçok seyrek doğaya neden olan uyarlanabilir bir sözlük öğrenmeyi sağlar. Bu çalışmada,seyrek gösterim, kayıplı bir hiperspektral veri sıkıştırma çerçevesindekonuşlandırılmıştır. Spektral korelasyonun yanı sıra hem spektral hem de mekansalkorelasyondan yararlanan sözlükler çevrimiçi sözlük öğrenimi kullanılarak eğitilir.Daha sonra, hiperspektral bir veri, seyrek kodlama yoluyla öğrenilen sözlük kullanılarakgösterilir. Oluşan seyrek katsayılar nihai bit akışı formüle etmek için kodlanır. Bir dizihiperspektral veri kümesindeki deneysel sonuçlar, önerilen yaklaşımın hız-bozulmaperformansı açısından 3D-SPIHT gibi dalgacık tabanlı yöntemlerle rekabet ettiğinigöstermektedir.xxiiSeyrek modeller, sıfır olmayan elementlerle verilerin temsil edilmesini sağlar. Seyrekmodellerin bu özelliği, veri sıkıştırma amacıyla seyrek modellerin kullanılmasınınuygun olabileceğini düşündürmektedir.Teknolojinin gelişmesiyle birlikte, görüntüleme teknolojileri, hiperspektralgörüntüleme gibi görüntüleme yeteneklerine ve gelişmiş görüntüleme özellikleriniolanaklı kılmıştır. Hiperspektral görüntülerin kullanılması ile, spektral düzlemdeki darbant genişlikleri ile çok büyük miktarda veri işlenmeye başlandı ve daha yüksekhesaplama maliyetleri oluştu Sınıflandırma performanslarındaki artışa rağmen, bubüyük boyutlu verilerin boyutunun azaltılması önemli bir olgu hâline geldi.Bu çalışmada, çevrimiçi öğrenmeyi kullanan seyrekliğe dayalı hiperspektral görüntüsıkıştırma yöntemleri için bir çerçeve ve dalgacık dönüşümüne dayalı bir izgelilintisizleştirme önerilmektedir. Bu amaçla, tamsayı katsayılı dalgacık dönüşümüsüzgeçleriyle izgel ilintisizleştirilen hiperspektral veri, JPEG2000 kodeği ile kayıpsızolarak, seyrek gösterimlere dayalı yöntemle ise kayıplı olarak sıkıştırılmaktadır. Busâyede, kayıpsız ve kayıplı sıkıştırma yöntemlerinin en uygun yönlerini bünyesindebarındıran melez bir hiperspektral veri sıkıştırma yöntemi geliştirilmiştir.Farklı seyrek optimizasyon modelleri bulunmaktadır. Hiperspektral görüntü sıkıştırmabaşarımı ile ilgili seyrek gösterimlerin bağıl analizne de yer verilen çalışmada, çevrimiçiöğrenme tabanlı hiperspektral görüntü sıkıştırma modları iki farklı seyrek gösterimlesunulmaktadır. İki veri kümesi için hiperspektral görüntüler, üç seviye dalgacıkdönüşümüyle izgel ilintisizleştirilerek sıkıştırılmaktadır.Bu çalışma, iki tür veri kümesinden elde edilen (AVIRIS ve HYPERION) iki farklıhiperspektral veri üzerinde sonuçların alınmasını sağlamıştır. Ortalama Kare Hata(MSE) işlemine dayalı olarak belirlenen PSNR değeri, sonuç başarımlarınınkarşılaştırılması amacıyla kullanılmaktadır.Bu tezde, verilerin mümkün olduğunca içsel bağıntısını kullanmak için tamamen veritabanlı tekniklerden (sözlük öğrenme tabanlı seyreltik gösterimler) ve sabit katsayıdönüşümü (wavelet / DCT) temelli algoritmalardan yararlanarak dengeli birhiperspektral görüntü sıkıştırma yaklaşımı önermekteyiz. Bu bağlamda, hiperspektralveriler tam rekonstrüksiyon elde etmek için tamsayılı dalgacık dönüşümü temelli filtrebankaları kullanılarak spektral olarak ilintisizleştirilir. Spektral olarak ilintisizleştirilenverilerin, yüksek bant kısımları JPEG2000 standardıyla kodlanacak şekildesıkıştırılırken, düşük bantlı veriler için çevrimiçi sözlük öğrenme çerçevesini kullanarakseyrek bir gösterim elde edilir.Tezin katkısı, veriye dayalı uyarlanır katsayılı yaklaşımlar ile veriden bağımsız, sabitkatsayılı süzgeç temelli yaklaşımların melez ve yenilikçi bir yaklaşımla harmanlanarakyeni bir hiperspektral veri sıkıştırma yöntemini ilk kez öneriyor oluşudur. Böyle biryaklaşımın arkasındaki ana motivasyon, her iki yöntemin de hiperspektral görüntüsıkıştırma amaçları için yararlanılmasıdır.Hiperspektral görüntülerin kayıplı sıkıştırılması için ayırt edici bir çevrimiçi sözlüköğrenme yöntemine dayanan seyrek kodlama algoritması önerilmiştir. Değişken sayıdasıfır olmayan sözlük unsurlarının etkileri de analiz edilmiştir. Sonuçlar, önerilençevrimiçi öğrenme temelli seyrek kodlama algoritmasının, PSNR değerleri bakımından xxiiidaha iyi performans gösterdiği için, daha yüksek veri hızları için kullanılabileceğinigöstermektedir. Ayrıca, sıfır olmayan sözlük öğelerinin sayısının bir ön analizininsıkıştırma yaklaşımının başarımını artırabileceği değerlendirilmektedir.

Being a spectral imaging technique, hyperspectral imagery enables acquisition ofelectromagnetic spectrum data in hundreds of narrow bands. The chemical compositionof objects within the viewing range of hyperspectral sensors may be analyzed with thehelp hyperspectral imaging techniques. Providing a huge amount of data comes with aheavy cost of size. To that extent, hyperspectral compression methods become essentialfor transmission and storage purposes.There are two fundamental ways for data compression, namely, lossless and lossy.Lossy methods aims at compressing the data as much as possible while keeping thereconstructed data quality as high as possible. On the other hand, lossless compressiontechniques, as the name suggests, are targeted towards compressing the data in a losslessmanner with the largest possible compression ratio value defined as the ration ofuncompressed data size to the size of the compressed data. Lossless compressionschemes typically achieve much higher compression ratios as compared with lossytechniques.For hyperspectral compression purposes, data-driven approaches, such as dictionarylearning based lossy compression methods, yield better compression performancecompared with other state-of-the-art methods. Regarding the lossless compressionmethods for hyperspectral imagery, integer wavelet transform based techniques arereported to perform better in terms of compression ratio.In this thesis, a novel hyperspectral image compression approach that blends a fullydata-driven technique based on sparse representations and an integer wavelet transformbased algorithm is proposed. The hyperspectral data is spectrally decorrelated usingvarious integer wavelet filters at different levels. The decorrelated data is then processedaccording to its frequency content in such a way that highly correlated, sparse high-bandblock is compressed in a lossless fashion with JPEG2000. On the other hand, a sparserepresentation is obtained for the low-band block making it possible to represent thelower subband data block using a few number of coefficients.Experimental results indicate that, the proposed hybrid method perfroms better than theexisting hyperspectral image compression techniques.