Onboard processing of hyperspectral data in the remote sensing systems based on hierarchical compression

Abstract

1 Самарский национальный исследовательский университет имени академика С.П. Королёва, Самара, Россия, 2 Институт систем обработки изображений РАН -филиал ФНИЦ «Кристаллография и фотоника» РАН, Самара, Россия Аннотация Работа посвящена решению задачи бортовой обработки гиперспектральных данных с целью последующей передачи по каналам связи в системах дистанционного зондирования Земли. В качестве базового алгоритма сжатия данных, необходимого для сокращения объема передаваемой информации, предлагается использование адаптированного для бортовой обра-ботки метода компрессии на основе иерархической сеточной интерполяции. В работе рас-смотрена специфика формирования гиперспектрального изображения, с учетом которой раз-работан алгоритм стабилизации скорости формирования сжатых данных. Проведенные ис-следования показали, что предложенные алгоритмы имеют эффективность, достаточную для использования при передаче гиперспектральных данных дистанционного зондирования Земли в условиях ограниченной емкости буферной памяти и пропускной способности канала связи.Ключевые слова: гиперспектральные изображения, компрессия данных, метод иерар-хической сеточной интерполяции, бортовая обработка, стабилизация скорости форми-рования потока данных.Цитирование: Гашников, М.В. Бортовая обработка гиперспектральных данных в систе-мах дистанционного зондирования Земли на основе иерархической компрессии / М.В. Гаш-ников, Н.И. Глумов // Компьютерная оптика. Введение Гиперспектральные данные дистанционного зон-дирования Земли (ДЗЗ) [1 -3] необходимы для на-блюдения и исследования изменений природной сре-ды и хозяйственной деятельности под воздействием естественных и антропогенных факторов, монито-ринга природных ресурсов, инженерной и транспорт-ной инфраструктуры, предупреждения, оценки и ми-нимизации последствий чрезвычайных ситуаций, по-вышения эффективности управления экономически-ми процессами и т.д. [4 -11].Разработка систем передачи таких данных являет-ся актуальной наукоёмкой задачей. Решение этой за-дачи неизбежно приводит к необходимости эффек-тивного разрешения следующих проблем. Задача компрессии многомерных сигналов, част-ным случаем которых являются гиперспектральные изображения, была поставлена в 60-х годах прошлого столетия, и с тех пор исследования в этой области по-прежнему продолжаются [12 -18]. Результатом стал обширный набор методов компрессии, условно под-разделяемых на следующие классы:• аппроксимационные методы, основанные на ко-дировании параметров аппроксимации сигнала; • дифференциальные методы, в основе которых ле-жит предсказание отсчетов и последующее коди-рование постинтерполяционных остатков; • методы кодирования с преобразованием, в кото-рых кодированию подвергается результат некото-

Hyperspectral regression lossless compression algorithm of aerospace images

“…From table 1 it is seen that the interchannel correlation increases, starting from channel 5. This suggests that the channels whose indices lie in the range [4][5][6][7][8][9][10][11] have a high correlation dependence, the maximum correlation value between channel 10 and 11. 0,23 0,3 0,56 0,89 1 0,95 0,95 0,95 0,95 0,92 0,92 0, 9 5 0,23 0,27 0,51 0,81 0,95 1 0,97 0,97 0,97 0,96 0,95 0,95 6 0,22 0,29 0,53 0,85 0,95 0,97 1 0,985 0,983 0,978 0,972 0,968 7 0,234 0,29 0,52 0,845 0,945 0,975 0,985 1 0,990 0,981 0,984 0,982 8 0,23 0,29 0,50 0,82 0,935 0,970 0,983 0,990 1 0,992 0,991 0,988 9 0,23 0,29 0,50 0,81 0,924 0,963 0,978 0,989 0,992 1 0,995 0,994 10 0,224 0,295 0,491 0,803 0,912 0,955 0,972 0,984 0,991 0,995 1 0,996 11 0,23 0,30 0,499 0,798 0,907 0,950 0,968 0,982 0,988 0,994 0,996 1 3.1 Based on the constructed correlation matrix, we construct the L tree of indicesthese are ordered pairs of channels (for example, channels numbered 10 and 11).…”

“…, 0 (2020) https://doi.org/10.1051/e3sconf /20201490 E3S Web of Conferences 149 0 RPERS 2019 20 200 3 3 Based on researches of hyperspectral AI in the field of compression [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20] presented in the works of scientists from Russia, China, the USA, India, etc., it can be assumed that the developed methods and lossless compression algorithms for hyperspectral AI can be improved by reducing their computational efficiency and increasing the compression ratio by modifying the preprocessing steps using mathematical methods. In addition, new compression preprocessing steps can be proposed that effectively increase the compression ratio and reduce the compression process time.…”

Hyperspectral remote sensing data compression and protection

“…The dependence parameters (6) calculated for real hyperspectral images are shown in paper [30]: Fig. 6.…”

Context-based method for lossless compression of RGB and multispectral images

“…Therefore, the publications at that time primarily considered algorithms for processing single-channel (halftone) images, which are basic for implementing all compression methods. More recent publications are related to the compression of hyperspectral images, where the hierarchical compression method for both hyperspectral images (HSI) and for ERS as a whole occupies one of the leading positions [8], [9], [10]. In [9], the following statistical characteristics of the HSI are given:…”