Спосіб стиснення гіперспектральних аерокосмічних зображень з одночасним придушенням шумів

Спосіб стиснення гіперспектральних аерокосмічних зображень з одночасним придушенням C2 2 (19) 1 3 89596 4 рівнів квантування в просторово-частотній області Найбільш близьким до способу, що пропонув залежності від ентропії [10], тощо. Недоліками ється (прототип - United States Patent No таких методів прямого стиснення є значні шуми та 7,388,999) [20], є спосіб придушення шумів в зоблочні артефакти, притаманні способам стиснення браженні, згідно якого виконується поблочне просна основі дискретного косинусного перетворення торово-частотне перетворення D вхідного зобра(Discrete Cosine Transform - DCT, стандарт JPEG), ження, на його основі за допомогою нелінійного швидкого перетворення Фур'є (Fast Fourier Transоператора F обчислюється пряме поблочне просform - FFT), вейвлет-перетворення (Wavelet Transторове перетворення Z=F(D) вхідного зображення, form - WT, стандарт JPEG2000), тощо. вихідне виправлене зображення формується шляДля усунення шумів та блочних артефактів на хом застосування оберненого поблочного простозображеннях застосовують спеціальні технічні рового перетворення Z-1 яке пов'язане з прямим як рішення - використання блоків з просторовим пеZ×Z-1=L, де L - діагональна матриця. Як поблочне рекриттям (Modulated Lapped Transform - MLT) просторово-частотне перетворення D вхідного [11], пряме придушення просторових шумів застозображення може виступати перетворення Фур'є, суванням лінійного злагоджувального фільтра Адамара, Хаара, DCT, WT, тощо. Як нелінійний тільки всередині однорідних сегментів або вздовж оператор може застосовуватися округлення, усімежи сегментів зображення [12], адаптивне стискання, усереднення, масштабування, локальне нення або фільтрацію цифрових зображень з різзважування, порогова обробка, нелінійне зростанними параметрами на межі та всередині однорідня або убування, тощо. них сегментів [13], адаптивну фільтрацію на основі Недоліком вказаного способу є незабезпеченмоделі Хубер-Марковських випадкових полів ня стиснення гіперспектральних аерокосмічних (Huber-Markov Random Field - HMRF) із викорисзображень. танням таблиці шумів в сегментах [14], автоматичДля усунення цього недоліку пропонується вине регулювання підсилення з обмеженням великонувати стиснення гіперспектральних зображень, чини коефіцієнта підсилення та зміною алгоритму використовуючи метод стиснення з втратами, де стиснення при виході величини коефіцієнта підсирівень втрат визначається дисперсією або середлення за визначену межу [15], побудову карти імоньоквадратичним відхиленням (СКВ) шумів у спеквірності наявності об'єкта на сегментах зображентральних зонах й контролюється кроком квантуня та керування параметрами фільтрації в вання (Quantization Step Size - QSS) або іншими поточному сегменті залежно від величини цієї імопараметрами, що керують ступенем стиснення, вірності [16], та навіть використання анотаційних таким чином, щоб внесені втрати стосувались годаних, таких як тип цифрової камери, тип фотоловним чином придушення шумів й практично не приймального пристрою, величини шумів, парамеспотворювали інформаційну складову гіперспекттри освітлення, застосовані алгоритми стиснення, ральних зображень. Крім того, пропонується викоісторія попередньої фільтрації для покращення нувати стиснення, використовуючи ортогональні цифрових зображень [17]. Недоліками вказаних перетворення у тривимірних блоках або шарах методів є неврахування присутності великої кіль(групах спектральних зон гіперспектральних зокості окремих спектральних цифрових зображень, бражень), де групування виконуються шляхом тобто непристосованість до саме гіперспектральаналізу оцінок СКВ у спектральних зонах та поєдних зображень. нання у групи (шари) тих суміжних зон, для яких Для гіперспектральних зображень придатний оцінки СКВ шумів відрізняються несуттєво; при спосіб автоматичного регулювання підсилення та цьому QSS або інші параметри стиснення вибиадаптивної фільтрації шумів, різні для різних спекрають з урахуванням найменшого СКВ у сформотральних зон гіперспектрального зображення [18], ваних групах, зокрема, QSS вибирають пропорційале в цьому способі не враховуються зв'язки між ним цьому найменшому СКВ [21]. спектральними зонами, що не дозволяє викорисВ основу такого способу стиснення покладені товувати його для стиснення гіперспектральних наступні властивості гіперспектральних зображень зображень. та методів стиснення з втратами. Відомий спосіб паралельно-конвеєрного стисПерше, рівень шумів у різних спектральних нення гіперспектральних даних (аналог - United зонах гіперспектральних зображень, як і їх динаміStates Patent No 7,251,376) [19], згідно якого гіперчний діапазон, суттєво відрізняються. Про це свідкуб даних гіперспектрального зображення поблоччить, зокрема, залежність оцінок СКВ шумів від не стискується за технологією векторного кодуномера зони для гіперспектральних зображень: на вання (Code Vector Quantization - CVQ), причому фіг. 1 наведено типовий графік оцінок СКВ шумів словники кодових векторів будуються як вздовж для зображення гіперспектральної системи AVIRIS блоків просторових відліків, так й вздовж блоків (224 спектральні зони). При цьому в суміжних зоспектральних відліків. Технологія CVQ забезпечує нах оцінки СКВ шумів відрізняються несуттєво. високий коефіцієнт стиснення при відносно простій Друге, для суміжних спектральних зон гіперреалізації, що дозволяє використовувати її в борспектральних даних існує висока корельованість тових системах паралельно-конвеєрного стиснензображень [2], [6], [21], що саме й дозволяє виконя гіперспектральних даних. ристовувати цей факт для підвищення ступеня Недоліками вказаного способу є неврахування стиснення гіперспектральних зображень як без рівня шумів при стисненні гіперспектральних аеровтрат, так і з втратами. У зв'язку із цим бажано й космічних зображень, що призводить до втрат конавіть доцільно використовувати корельованість рисної інформації. між спектральними зонами, що можна зробити або шляхом попередньої спектральної декореляції 5 89596 6 гіперспектральних даних з використанням різних з одночасним придушенням шумів. Необхідну повідомих ортогональних перетворень, або викорисслідовність операцій показано на фіг. 3. товувати міжзональну та просторову надлишкоДля гіперспектрального аерокосмічного зовість гіперспектральних даних водночас, застосображення Н (блок 1) оцінюються рівні шумів N(H) в вуючи для цього тривимірні перетворення [22]. його спектральних зонах (блок 2). За рівнями шуАле застосування таких перетворень в рамках мів суміжні спектральні зони поєднуються у групи стиснення з втратами з фіксованим QSS або інG(N) (блок 3) та визначаються параметри Q(N) шими параметрами стиснення до всіх спектраль(блок 4) поблочного тривимірного просторовоних зон призводить до того, що в зображення у частотного кодера D (блок 5) для кожної з груп, що деяких спектральних зонах можуть бути внесені забезпечують такий коефіцієнт стиснення, при неприпустимі втрати [23]. якому вже придушуються шуми гіперспектрального Третє, завдяки стисненню з втратами за умови зображення, але корисна інформація ще не втраналежного вибору QSS або інших параметрів стичається. Далі поблочний тривимірний просторовоснення спостерігається ефект придушення шуму, частотний кодер D(Q) (блок 5) з визначеними пащо найкраще видно для зображень у тих спектрараметрами застосовується до кожної з груп гіперльних зонах, які характеризуються малим відноспектрального зображення Н (блок 1), в результаті шенням "сигнал-шум" [24]. Наприклад, на фіг. 2а чого формується вихідне стиснене гіперспектрапоказано первинне гіперспектральне зображення льне зображення Z (блок 6) із придушеними шуAVIRIS, спектральна зона №2, на якому візуально мами. легко бачити досить інтенсивний шум. Декодоване Література зображення, що було стиснуте з використанням 1. Попов М.О., Станкевич С.А., Молдаван В.Д. оптимального QSS для тривимірного кодера на Гіперспектральна аерокосмічна інформація у виоснові DCT, наведено на фіг. 2б. Як видно, споявленні та спостереженні об'єктів // Наука і оборостерігається суттєве придушення шуму у декодона, 2006.- №3.- С. 25-31. ваному зображенні, при цьому ніяких візуально 2. Landgrebe D.A. Hyperspectral image data помітних спотворень до інформаційної складової analysis // IEEE Signal Processing Magazine, 2002. зображення не внесено. Зазначимо, що такий Vol.17. - No.1.- P. 17-28. ефект має місце для різних методів стиснення з 3. Salomon D. Data compression: the complete втратами за умови, що середньоквадратична поreference. - Heidelberg: Springer-Verlag, 2004. – 898 хибка між первинним та декодованим зображенp. нями приблизно дорівнює дисперсії шумів [25]. 4. Миано Дж. Форматы и алгоритмы сжатия Враховуючи вищезазначені властивості гіперизображений: Пер. с англ. - М.: Триумф, 2003. спектральних зображень, пропонується групувати 336с. суміжні спектральні зони таким чином, щоб СКВ 5. Belbachir A.N., Bischof H. On-board data шуму у них були приблизно однакові, та викорисcompression: distortion and complexity related asтовувати для таких груп тривимірні методи стисpects // Technical Report of Pattern Recognition and нення з втратами із використанням QSS або інших Image Processing Group PRIP-TR-075. - Vienna: параметрів стиснення, що забезпечують приблизInstitute of Computer Aided Automation Vienna Uniну рівність середньоквадратичної похибки між пеversity of Technology, 2003. – 32 p. рвинним і декодованим зображеннями та дисперсії 6. Rao А.К. Multispectral data compression using шуму для кожної групи. Такий підхід дозволяє сутinter-band prediction / United States Patent No тєво підвищити ступінь стиснення у порівнянні не 5,513,128. -April 30, 1996.- 10 p. тільки з методами стиснення гіперспектральних 7. Sharp M. Adaptive hyperspectral data comзображень без втрат (у 3-6 разів), але й з аналогіpression / United States Patent No 7,319,796. чним способом стиснення зображень з втратами January 15, 2008.- 14 p. покомпонентно [8-11], тобто з використанням дво8. Cheng A.F., Hawkins S.E., Nguyen L., Monaco вимірних методів стиснення до кожної спектральC.A., Seagrave G.G. Data compression using Chebyної зони гіперспектрального зображення. shev transform / United States Patent No 7,249,153. Нарешті, слід відзначити, що стиснення з July 24, 2007.- 16 p. втратами гіперспектральних зображень, на яких 9. Chen H.-W., Olson T.L. Method and system for присутні шуми, призводить ще до одного позитивwavelet packet transmission using a best base algoного ефекту. Завдяки усуненню шуму спостерігаrithm / United States Patent No 7,436,884.- October ється підвищення імовірності правильної класифі14, 2008.- 12 p. кації для декодованих зображень у порівнянні з 10. Okada S. Image quantization and coding класифікацією відповідних первинних зображень based on adaptive threshold / United States Patent або, що еквівалентно, цих зображень, стиснутих No 7,174,046. - February 6, 2007.- 9 p. без втрат [26]. Це підвищення залежить від рівня 11. Hou H.S. Modulated lapped transform шуму, класифікатору, що застосовується, та стуmethod / United States Patent No 5,859,788. - Januпеня стиснення, який використовується. За умови ary 12, 1999.- 27 p. досить інтенсивних шумів та вибору характеристик 12. Anderson C.M. Directional spatial video noise стиснення згідно запропонованого способу, точreduction / United States Patent No 7,437,013.- Ocність класифікації земних покривів може бути підtober 14, 2008.- 39 p. вищено на 10-15 % [27]. 13. Ishikawa M. Image processing system, image Таким чином, пропонується новий спосіб стисprocessing method, and image processing program / нення гіперспектральних аерокосмічних зображень United States Patent No 7,054,503. - May 30, 2006.28 p. 7 89596 8 14. Yu Q., Luo J., Joshi R.L. Image processing 22. Penna В., Tillo В., Maglі Е., Olmo G. Transmethod for reducing noise and blocking artifact in a form coding techniques for lossy hyperspectral data digital image / United States Patent No 6,636,645. – compression // IEEE Transactions on Geoscience October 21, 2003.- 10 p. and Remote Sensing, 2007. - Vol.45. - No.5. -P. 15. Patej E.J. Digital image system and method 1408-1421. for noise compensation / United States Patent No 23. Ponomarenko N., Lukin V., Zriakhov M, 7,136,095. - November 14, 2006.- 7 p. Kaarna A. Two aspects in lossy compression of hy16. Luo J., Gallagher A.C., Singhal A., Gray R.T. perspectral AVIRIS images // Proceedings of MMET. Method and system for selectively applying enOdessa, 2008. - P.375-377. hancement to an image / United States Patent No 24. Ponomarenko N.N., Lukin V.V., Zriakhov 7,092,573. - August 15, 2006.- 15 p. M.S., Kaarna A., Astola J.T. An automatic approach 17. Chen K.T., Gindele E.B., Wilson R.J. Method to lossy compression of AVIRIS hyperspectral data // and apparatus for enhancing digital images utilizing Proceedings of IGARSS. - Barcelona, 2007. - P. 472non-image data / United States Patent No 7,065,255. 475. -June 20, 2006.- 19 p. 25. Ponomarenko N.N., Lukin V.V., Zriakhov M.S. 18. Pelz J.B. Method and system for reducing Lossy compression of images with additive noise // noise in a digital image and apparatus thereof / Proceedings of International Conference on AdUnited States Patent No 7,324,143. - January 29, vanced Concepts for Intelligent Vision Systems. 2008.- 15 р. Antwerpen, 2005. - P.381-386. 19. Qian S.-E., Hollinger A.B., Gagnon L. Data 26. Lukin V.V, Ponomarenko N.N., Zelensky A.A., compression engines and real-time wideband comKurekin A.A., Lever K., Sanchez-Fernandez L. Appressor for multi-dimensional data / United States proaches to classification of multichannel images // Patent No 7,251,376.-July 31, 2007.- 15 p. Proceedings of CIAPR.- Vol. 4225.- Cancun: 20. Samadani R. Transformations for denoising Springer, 2006.- P.794-803. images / United States Patent No 7,388,999. - June 21. Lukin V.V., Ponomarenko N.N., Zelensky 17, 2008.- 14 p. (прототип). A.A., Kurekin A.A., Lever K. Compression and classi21. Ponomarenko N., Lukin V., Zriakhov M., fication of noisy multichannel remote sensing images Kaarna M. Preliminary automatic analysis of charac// Proceedings of Image and Signal Processing for teristics of hyperspectral AVIRIS images // ProceedRemote Sensing XIV. -Vol.7109. - Cardiff: SPIE, ings of MMET. - Kharkov, 2006.- P. 158-160. 2008.- 12 p. 9 Комп’ютерна верстка Д. Шеверун 89596 Підписне 10 Тираж 28 прим. Міністерство освіти і науки України Державний департамент інтелектуальної власності, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601