Сжатие многозональных аэрокосмических изображении с использованием вейвлет-преобразования и учетом междиапазонной зависимости

Тип работы:
Реферат
Предмет:
Информатика


Узнать стоимость

Детальная информация о работе

Выдержка из работы

СПИСОК ЛИТЕРАТУРЫ
1. Замятин А. В., Марков Н. Г Анализ динамики земной поверхности с использованием данных дистанционного зондирования Земли. — М.: Физматлит, 2007. — 176 с.
2. Замятин А. В. Анализ динамики ландшафтного покрова на основе данных дистанционного зондирования Земли // Исследование Земли из космоса. — 2006. — № 6. — С. 50−64.
3. Тикунов В. С. Моделирование в картографии. — М.: Изд-во МГУ, 1997. — 405 с.
4. McGarigal K. Landscape pattern metric. [Электронный ресурс]. -Режим доступа: — www. umass. edu/landeco/pubs/Fragmet-rics_short. pdf, свободный.
5. Verburg P.H. et al. A method to analyse neighborhood characteristics of land use patterns // Computers, Environment and Urban Systems, 2003. — № 24. — P. 354−369.
6. Wu J.G. Can landscape indices predict ecological processes consistently? // Landscape Ecology. — 2000. — V. 16. — № 3. -P. 235−254.
7. Замятин А. В., Михайлов П. В., Cabral P. Современные средства для решения задач анализа динамики и прогнозирования изменений ландшафтного покрова // Известия Томского политехнического университета. — 2006. — T 309. — № 7. — C. 80−86.
8. Clark Labs — IDRISI GIS and Image Processing Software. [Электронный ресурс]. — Режим доступа: — http: //www. clarklabs. org/, свободный.
9. Westin L.K. Department of computer Science Umee University. Receiver operating characteristic analysis. [Электронный ресурс]. -Режим доступа: -http: //www. cs. umu. se/research/reports/2001/ 018/part1. pdf, свободный.
10. Richards J.A., Xiuping Jia. Remote Sensing Digital Image Analysis: An Introduction. — Berlin: Springer, 1999. — 400 p.
Поступила 24. 10. 2008 г.
УДК 004. 627
СЖАТИЕ МНОГОЗОНАЛЬНЫХ АЭРОКОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ И УЧЕТОМ МЕЖДИАПАЗОННОЙ ЗАВИСИМОСТИ
А. В. Замятин, То Динь Чыонг
Томский политехнический университет E-mail: zamyatin@tpu. ru
Предложен трехэтапный алгоритм сжатия многозональных аэрокосмических изображений, основанный на использовании вейвлет-преобразования и учете междапазонной зависимости, позволяющий в большей мере учесть специфику и повысить степень сжатия данных дистанционного зондирования Земли. Проведены сравнительные исследования эффективности предложенного алгоритма и универсальных алгоритмов сжатия, подтвердившие его работоспособность и позволившие определить оптимальную глубину вейвлет-преобразования. Результаты исследований показали превосходство предложенного алгоритма в различной степени над аналогами в сжатии при более существенных вычислительных затратах.
Ключевые слова:
Аэрокосмические изображения, вейвлет-преобразование, сжатие изображений, междиапазонная корреляция.
Введение
В связи с постоянно растущими техническими возможностями систем дистанционного зондирования Земли (ДЗЗ), их более широким использованием потребителями при решении различных задач, объем данных, которыми оперируют эти системы, исчисляется терабайтами и продолжает неуклонно увеличиваться. Поэтому решение задачи сжатия таких данных с использованием различных подходов и программно-аппаратных средств с целью существенного повышения эффективности обработки, хранения, и передачи аэрокосмической информации по каналам связи становится все более актуальным как в России, так и за рубежом [1−5]. Учитывая необходимость предварительной обработки и автоматизированной классификации таких данных, наибольшую ценность представляют алгоритмы сжатия без потерь, не допускающие искажения статистических яркостных характери-
стик восстановленного аэрокосмического изображения (АИ).
Выделяют два принципиально различных подхода к сжатию данных ДЗЗ. Один подход предполагает использование универсальных и широко известных алгоритмов сжатия, не учитывающих их специфику, и представленных в универсальных архиваторах WinRar или WinZip [3]. Другой подход предполагает разработку новых алгоритмов сжатия, учитывающих при обработке не только данные каналов (диапазонов) как совокупность обычных черно-белых изображений или как неструктурированный массив информации, но и существующую зависимость (корреляцию) между диапазонами АИ. Несмотря на то, что такой подход является более сложным с вычислительной точки зрения, именно при его использовании можно добиться существенно более высоких показателей степени сжатия за счет учета специфики данных ДЗЗ.
Данная работа направлена на разработку и исследование алгоритма сжатия многозональных космических снимков без потерь, основанного как на независимой обработке данных в различных каналах, так и учитывающего их междиапазонную корреляцию с целью повышения степени сжатия в сравнении с широко известными универсальными алгоритмами.
Трехэтапный алгоритм сжатия
Одним из наиболее эффективных подходов к сжатию изображений без потерь является использование вейвлет-преобразования, при котором полученные коэффициенты преобразования сжимаются значительно лучше данных исходного изображения [3].
Многозональное А И представляет собой значения яркостей, полученные в различных спектральных диапазонах, и, как правило, имеющие значительную междиапазонную зависимость [5]. Если такая функциональная зависимость известна, то оперируя значениями отклонений (разницы) между ней и фактическими исходными значениями, можно существенно уменьшить диапазон изменения данных. Это позволит задействовать для хранения этих отклонений меньшее число разрядов, чем необходимо для хранения исходных данных, что в конечном итоге способствует увеличению степени сжатия.
Применение указанных выше преобразований совместно при решении задачи сжатия позволит использовать как преимущества аппарата вейвлет-преобразования обычных изображений, так и существующую зависимость между каналами многозонального АИ. Учитывая это, алгоритм сжатия предлагается реализовать в три этапа:
• выполнить вейвлет-преобразование исходных данных, получив соответствующие коэффициенты преобразования-
• осуществить учет функциональной зависимости значений яркости между различными каналами АИ и сформировать массивы отклонений (разностей) исходных данных от значений найденной функциональной зависимости-
• выполнить сжатие полученных после преобразований данных одним из традиционных алгоритмов.
Рассмотрим подробнее этапы предлагаемого трехэтапного алгоритма сжатия многозонального АИ.
Как отмечено выше, на первом этапе над исходными данными осуществляется вейвлет-преобразование, суть которого заключается в том, что к к-му каналу исходного АИ (данных матрицы 1[т, п, к]) по строкам и по столбцам применяется преобразование с заданным числом уровней, при котором выделяется высокочастотная (В) и низкочастотная (Н) составляющие (рис. 1).
Для пошагового описания первого этапа в алгоритме сжатия необходимо ввести некоторые условные обозначения: М — количество строк, N — количество столбцов, К — количество каналов исходного многозонального АИ, / - индекс текущего уровня преобразования, Ь — число уровней преобразования, знак «I. _1» — округление до целого.
Шаг 1. Задать т=0, п=0, к=1, /=1.
Шаг 2. Выделить из исходного изображения матрицу 1[т, п, к] четную 1,[т, 2/, к] и нечетную
1,[т, 2/+1,к] составляющие при / = 0,1, …, Ш/2п].
Шаг 3. Рассчитать низкочастотную У[т, 2/] и высокочастотную У[т, 2/+1] составляющие путем использования, соответственно, 5-ти и 3-х слагаемых компонентов исходного изображения 1/, при/=0,1, …, |Д/2/-1: У[т, 2/]=(-1г[т, 2/-1,к]+2. 1г[т, 2/, к] +
+6. 1 г [т, 2/+1,к]+2. 1, [т, 2/+2,к]-1, [т, 2/+3,к])/8, У[т, 2/+1]=(-1г [т, 2/, к]+2. 1 г [т, 2/+1,к]-Г [т, 2/+2, к])/2, или после упрощения и применения операции округления
У[т, 2/]=1, [т, 2/, к]+|_(У[т, 2/-1]+ У[т, 2/+1])+2)/4, У[т, 2/+1]=1, [т, 2/+1,к]Ч (1 [т, 2/, к]+Г [т, 2/+2,к])/2.
Шаг 4. Если т& lt-М, то т=т+1, шаг 2, иначе шаг 5.
Шаг 5. Сформировать изображение Г, содержащее высокочастотную и низкочастотную области (по столбцам):
Для р=0,1,…, |_М/2'--Ч 4= 0,1,…, NN/24,1ША = У[т, 2/],
Для р= 0,1,…, |_М/2/-1, q=LN/2l+1, |Ж/2'-]+2, …, VN/2l-l, Г,[р,^к]=У[т, 2/+1].
Шаг 6. Рассчитать низкочастотную У[т, 2/] и высокочастотную У[т, 2/+1] составляющие на основе изображения Г: У[2/, п]=Гг[2/, п, к]+КУ[2/-1,т]+У[2/+1,п])+2)/4, У[2/+1,п]=Гг[2/+1,п, к]-КГг[т, 2/, к]+Гг[т, 2/+2,к])/2.
Шаг 7. Если п& lt-Д то п=п+1, шаг 6, иначе шаг 8.
Шаг 8. Сформировать изображение, содержащее высокочастотную и низкочастотную области (по строкам):
нн нв ННо нв2 НВ1
& amp--ЫЙ ь н в ь / * й вв2
канал
АИ вн вв 1 ВН! ВВ!
I/ I/ I & quot-/ !/+1
Рис. 1. Обобщенная схема выделения из данных к-го канала АИ низкочастотных и высокочастотных составляющих при вейвлет-преобразовании
г-]р, 9, к] = у/]
прир=0,1,…, _М/2п, q=0,1,…, LN/2l-1,
Ш^к] = У[2/+1^] прир=_М/2н+1, |М/2/-1+2, …, |М/21, q=0,1,…, LN/2l4.
Шаг 9. Для р=0,1,… ,|М/2/-1 и q=0,1,…, LN/2l-1 сформировать I& quot-, q, k] = ГХр^к], если /& lt-Ь, то /=/+1, шаг 2, иначе шаг 10.
Шаг 10. Если к& lt-К, то к=к+1, шаг 2, иначе шаг 11.
Шаг 11. Конец.
Результатом этого этапа является изображение 1{'[т, п, к], содержащее выделенные низкочастотную и высокочастотную составляющие, сформированное на основе исходного изображения 1[т, п, к] с использованием вейвлет-преобразования глубины Ь.
Суть второго этапа — учет межканальной корреляции путем определения отклонений между найденной зависимостью (в данном случае 2-го порядка) и фактическими значениями в соответствующих каналах, полученными после вейвлет-преобразования данных (рис. 2). Сохранение и последующая обработка отклонений (а не исходных данных) характеризуются существенно меньшим диапазоном изменения значений, что позволит сжать такие данные с более высоким коэффициентом.
При условии, что ГКВ[т, п, к] - матрица значений квадранта изображения 1{'[т, п, к] с индексом КВ, КВ = {НН, НВ, ВН, ВВ}, е,[т, п, к] - матрица отклонений, пошаговое описание второго этапа алгоритма сжатия можно представить следующим образом:
Шаг 1. Для т=0,1,…, М п=0,1,…Д КВ= {НН,…, ВВ}, е1КВ[т, п, 1] = 1/В[т, п, 1], ехнн[т, п,2] = 1хнн[т, п,2] - 1хнн[т, п,1].
Шаг2. Для т=0,1,…, LM/2l, п=0,1,…,. N/2% к=3,4,…, К, е1нн[т, п, к]=11нн[т, п, к]-2−11нн[т, п, к-1]+11нн[т, п, к-2].
Шаг 3. Рассчитать коэффициенты для уровня Ь:
«ьнв[к] = (1ьнн[к]Т 1ьнн[к])-11ьнн[к]Т 1Ьнн[к],
1Ь — матрица размерности Z¦(LM/2Ь-1+1). (LN/2Ь-1+1), причем Z=1 при к=2, иначе Z=2.
1ьнн[к]=[[1Г[0,0,к-1], [1?нн[0,1,к-1], … ,
Iiнн[LM/2Ь-1,LN/2Ь-1,k-1], [1?нн[0,0,к-2],
[1,нн[0,1,к-2], …, Iiнн[LM/2Ь-1,LN/2Ь-1, к-2]], J, Ьнн[k] - вектор размерности (LM/2Ь+1). (LN/2Ь+1), ^Ьнн[к]=[[1,нн[0,0,к], [Iiнн[0,1,k],…, Iiнн[LM/2Ь-1,LN/2Ь-1,k]], где «Т» — знак транспонирования, «-1" — знак обратной матрицы.
Шаг 4. Для /=Ь-1,Ь-2,…, 1 рассчитать векторы коэффициентов w/HБ, для /=Ь, Ь-1,Ь-2,…, 1 — векторы коэффициентов «г, БН и ч,»:
1-й уровень преобразования
Рис. 2. Обобщенная схема учета междиапазонной зависимости для уровней преобразования 1 и 2
W, HB[k] = (J--iEE[k]T J"BB[k])
«БИГМ — /ТН"^1П НВ
J,
н [k]T J'-HBB[k]),
НВ T
w,"[k] = (J, HB[k]T J, HB[k])-1 J-HB[k]T j-HB[k]), wBB [k]= (JBH [k]T JBH [k])-1 JBH[k]T J'-BH[k]).
Шаг 5. Для l = 1,2,… ,! и КВ = {НВ, ВН, ВВ} найти
efB[m, n, k] = IfB[m, n, k] -
(w Т [к ])T
l
wKB r
№ Система ДЗЗ Количество каналов Размер изображения, пикс. Размер файла, байт
1 SPOT 3 509×571 871 917
2 SPOT 3 615×558 1 029 510
3 ADAR-5000 3 541×440 714 120
4 Airphoto 3 652×694 1 357 464
5 Landsat-MSS 4 558×560 1 249 920
6 Landsat-MSS 4 480×480 921 600
7 Landsat-TM 6 934×700 3 922 800
8 Landsat-TM 7 500×500 1 750 000
9 Landsat-TM 7 525×280 1 029 000
10 Flightline C1 12 949×220 2 505 360
Как отмечалось выше, одним из основных параметров вейвлет-преобразования является его глубина Ь, которая на практике может быть задана в широких пределах. Увеличение значения Ь должно приводить к увеличению степени сжатия за счет формирования высокочастотной области большего размера. Для определения в алгоритме
оптимальных значений параметра Ь с точки зрения компромисса между вычислительной сложностью и степенью сжатия был проведен ряд экспериментов, результаты которых представлены на рис. 3.
-№ 1
-№ 6
-№ 2 А № 3
-№ 7----------№ 8
-№ 4
-№ 9
-№ 5
-№ 10
[m, n, k — 2] у
Шаг 6. Если k& lt-K, то k=k+1, шаг 4, иначе шаг 7.
Шаг 7. Конец.
Результатом работы второго этапа является матрица отклонений e, [m, n, k], которая на заключительном третьем этапе может быть сжата каким-либо алгоритмом. В данном случае для сжатия полученных данных предлагается применить широко известный арифметический алгоритм [3].
Для формирования исходного многоканального изображения I[m, n, k] из e[m, n, k] необходимо выполнить ряд преобразований, обратных вышеизложенным.
Эксперименты
Для определения эффективности предлагаемого трехэтапного алгоритма с точки зрения степени сжатия и вычислительных затрат, а также пределов его применимости проведен ряд экспериментов с использованием многозональных АИ различных систем ДЗЗ (таблица) в формате данных растровой гео-информационной системы Idrisi Kilimanjaro, а также выполнено их сравнение с результатами экспериментов, полученных для универсальных алгоритмов сжатия, реализованных в известных архиваторах WinRarи WinZip [3, 4]. Эксперименты выполнены на ПЭВМ с процессором Intel Pentium IV2,8 ГГц и объемом оперативной памяти 1 Гб под управлением операционной системы Windows XP (SP 3).
Таблица 1. Характеристики тестовых данных
3. 0E-05 2. 5E-05 2. 0E-05 J 1. 5E-05 1. 0E-05 5. 0E-06 0. 0E+00
Рис. 3. Зависимость степени D и времени? сжатия от глубины вейвлет-преобразования L
3,5 -3 —
?трехэтапныи
алгоритм
¦ WinR ar
^WinZip
[fi
гг
It-
3 4 5 6 7
Номера изображений
140
120
100
: 80 60 40 20
1
10
3 4 5 6 7 8
Номера изображений
Рис. 4. Сравнительная эффективность алгоритмов сжатия
Анализ результатов экспериментов (рис. 3), показывает, что хотя вычислительные затраты алгоритма для Ье[1−5] от глубины преобразования существенно не зависят, степень сжатия Б перестает
L
L
2.5 --
2 —
1. 5
0. 5
0
9
160
0
увеличиваться уже при Ь& gt-3, в связи с чем представляется целесообразным в алгоритме принять Ь=3.
На рис. 4 представлены некоторые результаты сравнительных экспериментов, демонстрирующие превосходство предлагаемого алгоритма над Шт-Яаг и WinZip в степени сжатия при более существенных вычислительных затратах.
Выводы
1. Разработан трехэтапный алгоритм сжатия многозональных аэрокосмических изображений, основанный на использовании вейвлет-преобразования и учете междиапазонной зависимости.
2. На тестовом наборе данных из 10-ти многозональных аэрокосмических изображений раз-
личных систем дистанционного зондирования Земли проведены исследования эффективности алгоритма, позволяющие подтвердить его работоспособность и определить оптимальную глубину вейвлет-преобразования Ь=3.
3. С учетом найденных значений оптимальной глубины преобразования на тестовом наборе данных проведены сравнительные исследования трехэтапного алгоритма сжатия с универсальными алгоритмами, позволяющие сделать вывод о его превосходстве в различной степени над ШшЯаг и WтZip в эффективности сжатия, но и существенных временных затратах на обработку за счет более сложного алгоритмического обеспечения.
СПИСОК ЛИТЕРАТУРЫ
1. Cagnazzo M., Cicala L., Poggi G., Verdoliva L. Low-complexity compression of multispectral images based on classified transform coding // Signal Processing: Image Communication. — 2006. -№ 10 (21). — P. 850−861.
2. Gueguen L., Trocan M., Pesquet-Popescu B., Giros A., Datcu M. A comparison of multispectral satellite sequence compression approaches // Signals, Circuits and Systems. — 2005. — № 1. — P. 87−90.
3. Ватолин Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных. — М.: Диалог-МИФИ, 2003. — 384 с.
4. Kiely A., Klimesh M., Xie H., Aranki N. ICER-3D: A Progressive Wavelet-Based Compressor for Hyperspectral Images // The Interplanetary Network Progress Report. — 2006. — P 142−164.
5. Motta G., Rizzo F., Storer J.A. Hyperspectral Data Compression. -Berlin: Springer, 2006. — 415 p.
Поступила 27. 10. 2008 г.
УДК 004. 627
ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ТРЕХЭТАПНОГО АЛГОРИТМА СЖАТИЯ МНОГОЗОНАЛЬНЫХ АЭРОКОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ
А. В. Замятин, То Динь Чыонг
Томский политехнический университет E-mail: zamyatin@tpu. ru
Предложена и разработана модификация трехэтапного алгоритма, направленная на повышение степени сжатия аэрокосмических изображений путем использования подхода к поиску очередности обработки каналов, а также способы повышения вычислительной эффективности поиска очередности обработки, основанные на применении усеченного перебора и выборочного использования данных. Проведены комплексные исследования эффективности предложенного алгоритма в сравнении с универсальными алгоритмами сжатия на данных ряда систем дистанционного зондирования Земли, показавшие в различной степени превосходство в эффективности сжатия и некоторое отставание от них в вычислительной эффективности.
Ключевые слова:
Аэрокосмические изображения, вейвлет-преобразование, междиапазонная зависимость, сжатие изображений, повышение эффективности.
Введение
Более широкое использование данных дистанционного зондирования Земли (ДЗЗ) ведет к постоянному увеличению их объема, который исчисляется терабайтами и продолжает неуклонно расти. В связи с этим повышается актуальность решения задачи сжатия данных ДЗЗ с использованием различных подходов и программно-аппаратных
средств с целью существенного повышения эффективности обработки, хранения, и передачи таких данных по каналам связи [1−6]. Учитывая необходимость предварительной обработки и автоматизированной классификации таких данных, наибольшую ценность представляют алгоритмы сжатия без потерь, не допускающие искажения статистических яркостных характеристик восстановленного аэрокосмического изображения (АИ). Одним из

ПоказатьСвернуть
Заполнить форму текущей работой