Hiperspektral görüntülerin bölütleme ve seyrek gösterim temelli sıkıştırılması

Abstract

Hiperspektral görüntüler, yüksek miktarda veri içermektedir. Verinin iletilmesi ve saklanması maliyetli yapılar gerektirdiği için yüksek veri miktarları azaltılmak istenmektedir. Bu sebeple, iletimde bant genişliğini düşürmek ve depolamada daha az bellek alanı kullanmak için veri sıkıştırmaya ihtiyaç duyulmaktadır. Bu çalışma kapsamında, hiperspektral verileri daha iyi sıkıştırabilmek için özgün yöntemler geliştirilmiştir. Geliştirilen yöntemler süperpiksel bölütleme temelli olup sözlük öğrenmesi ve seyrek gösterim işlemleri barındırmaktadır. Önerilen yöntemler veriyi ilk olarak süperpiksellere ayırmaktadır. Daha sonra sözlük oluşturmada kullanmak için her bir süperpikselden belirli sayıda rastgele spektral imza alınmaktadır. Alınan bu imzalar PCA yardımıyla sözlük için atomlara dönüştürülmektedir. Oluşturulan sözlük yardımıyla her bir süperpiksel için seyrek katsayılar hesaplanmaktadır. Son olarak, hesaplanan seyrek katsayılar ve sözlük entropi kodlama yardımıyla sıkıştırılıp iletilmektedir.Geliştirilen yöntemler yüksek veri sıkıştırma oranlarına çıkılmasına katkı sağlamaktadır. Ayrıca geliştirilen yöntemler, anomali olan piksellerin korunmasında verimli bir şekilde çalışmaktadır. Son olarak önerilen yöntemlerin, literatürdeki güncel kayıplı sıkıştırma yöntemleriyle performansı birçok metrikle kıyaslanmaktadır.

Hyperspectral images contain large amounts of data. Since data transmission and storage require costly structures, high amounts of data are desired to be reduced. Therefore, data compression is needed to reduce bandwidth in transmission and to use less memory space in storage.In this study, specific methods have been developed to better compress the hyperspectral data. The methods developed are based on superpixel segmentation and include dictionary learning and sparse representation. The proposed methods first divide the data into superpixels. Then a certain number of random spectral signatures are obtained from each superpixel for use in dictionary creation. These signatures are converted into atoms for a dictionary using PCA. With the help of the generated dictionary, sparse coefficients are calculated for each superpixel. Finally, the calculated sparse coefficients and the dictionary are compressed and transmitted with the help of entropy coding.The developed methods contribute to high data compression rates. In addition, the developed methods work efficiently in the protection of anomalous pixels. Finally, the performance of the proposed methods with the current lossy compression methods in the literature is compared with many metrics.