ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 4. С. 9-23

Фрактальный подход к выбору коэффициента сжатия гиперспектральных изображений в методе 3D-SPIHT при условии последующей классификации восстанавливаемых изображений методом опорных векторов

Д.В. Учаeв 1 , Д.В. Учаев 1 , А.С. Есипов 1 , Е.Г. Филатова 1 
1 Московский государственный университет геодезии и картографии, Москва, Россия
Одобрена к печати: 25.05.2017
DOI: 10.21046/2070-7401-2017-14-4-9-23
На протяжении последнего десятилетия наблюдается значительный рост интереса к решению прикладных задач с использованием гиперспектральных изображений, получаемых в процессе дистанционного зондирования Земли. Вместе с этим ростом увеличивается и потребность в высокоэффективных методах сжатия гиперспектральных изображений. Методы 3D-SPIHT являются одними из наиболее эффективных методов, используемых для сжатия гиперспектральных изображений. Одной из важнейших проблем при использовании методов 3D-SPIHT является выбор коэффициента сжатия в условиях, когда восстанавливаемые гиперспектральные изображения должны в дальнейшем быть подвергнуты процедуре классификации. В данной работе представлены результаты научных исследований влияния сжатия гиперспектральных изображений методом 3D-SPIHT на качество их классификации методом опорных векторов. На примере двух тестовых наборов данных Pavia University (ROSIS) и Salinas (AVIRIS) показано, что между качеством классификации и эталонными метриками оценки качества восстанавливаемых гиперспектральных изображений существует связь. Данная связь позволяет выделить три характерных диапазона коэффициента сжатия, при которых общая точность классификации практически не уменьшается, уменьшается незначительно и снижается катастрофически. На основе сделанных наблюдений предложен фрактальный подход к выбору коэффициента сжатия гиперспектральных изображений в методе 3D-SPIHT при условии последующей классификации восстанавливаемых изображений методом опорных векторов.
Ключевые слова: гиперспектральное изображение, 3D-SPIHT, машина опорных векторов, качество классификации, фрактал
Полный текст

Список литературы:

  1. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. Статистические проблемы обучения. М.: Наука, 1974. 416 с.
  2. Вьюгин В.В. Математические основы машинного обучения и прогнозирования. М.: МЦНМО, 2014. 304 с.
  3. Сэломон Д. Сжатие данных, изображений и звука: пер. с англ. М.: Техносфера, 2004. 368 с.
  4. Учаев Д.В., Бобков А.Е., Малинников В.А., Учаев Дм.В. Управление гиперспектральными изображениями в процессе научно-исследовательской деятельности малых коллективов // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 6. С. 233–248.
  5. Abousleman G.P., Marcellin M.W., Hunt B.R. Compression of hyperspectral imagery using the 3-D DCT and hybrid DPCM/DCT // IEEE Trans. Geosci. Remote Sens. 1995. Vol. 33. No. 1. P. 26–34.
  6. Bioucas-Dias J.M., Plaza A., Camps-Valls G., Scheunders P., Nasrabadi N., Chanussot J. Hyperspectral Remote Sensing Data Analysis and Future Challenges // IEEE Geosci. Remote Sens. Mag. 2013. Vol. 1. No. 2. P. 6–36.
  7. Boser B.E., Guyon I.M., Vapnik V.N. A Training Algorithm for Optimal Margin Classifiers // Proc. 5th Annual Workshop on Computational Learning Theory (COLT’92). New York. 1992. P. 144–152.
  8. Chang C.-I. Hyperspectral data processing. Algorithm design and analysis. N.Y.: Wiley, 2013. 1151 p.
  9. Christophe E., Mailhes C., Duhamel P. Best Anisotropic 3-D Wavelet Decomposition in a Rate-Distortion Sense // Proc. IEEE Intern. Conf. Acoustics Speech and Signal Processing, 2006 (ICASSP 2006). Toulouse. 2006. P. II-17–II-20.
  10. Congalton R.G., Green K. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. 2nd ed. Boca Raton: CRC Press, 2008. 210 p.
  11. Cover T.M. Geometrical and Statistical Properties of Systems of Linear Inequalities with Applications in Pattern Recognition // IEEE Trans. Electron. Comput. 1965. Vol. EC-14. No. 3. P. 326–334.
  12. Dragotti P.L., Poggi G., Ragozini A.R.P. Compression of multispectral images by three-dimensional SPIHT algorithm // IEEE Trans. Geosci. Remote Sens. 2000. Vol. 38. No. 1. P. 416–428.
  13. Gamba P. A collection of data for urban area characterization // Proc. IEEE International Geoscience and Remote Sensing Symp., 2004 (IGARSS 2004). Anchorage. 2004. P. 69–72.
  14. García-Vílchez F., Muñoz-Marí J., Zortea M., Blanes I., González-Ruiz V., Camps-Valls G., Plaza A., Serra-Sagristà J. On the Impact of Lossy Compression on Hyperspectral Image Classification and Unmixing // IEEE Geosci. Remote Sens. Lett. 2011. Vol. 8. No. 2. P. 253–257.
  15. Gualtieri J.A., Chettri S.R., Cromp R.F., Johnson L.F. Support Vector Machine Classifiers as Applied to AVIRIS Data // Summaries of the Eighth JPL Airborne Earth Science Workshop. Nevada. 1999. P. 217–227.
  16. Kim B.-J., Pearlman W.A. An embedded wavelet video coder using three-dimensional set partitioning in hierarchical trees (SPIHT) // Proc. Data Compression Conf., 1997 (DCC’97). Snowbird. 1997. P. 251–260.
  17. Kim B.-J., Xiong Z., Pearlman W.A. Low bit-rate scalable video coding with 3-D set partitioning in hierarchical trees (3-D SPIHT) // IEEE Trans. Circuits Syst. Video Technol. 2000. Vol. 10. No. 8. P. 1374–1387.
  18. Langevin Y., Forni O. Image and spectral image compression for four experiments on the ROSETTA and Mars Express missions of ESA // Proc. SPIE. Applications of Digital Image Processing XXIII. 2000. Vol. 4115. P. 364–373.
  19. Lee C., Choi E., Jeong T., Lee S., Lee J. Compression of hyperspectral images with discriminant features enhanced // J. Appl. Remote Sens. 2010. Vol. 4. No. 1. P. 041764.
  20. Lee C., Youn S., Baek J.Y., Sagristà J.S. Effects of compression on classification performance and discriminant information preservation in remotely sensed data // Proc. SPIE. Satellite Data Compression, Communications, and Processing XI. 2015. Vol. 9501. P. 950103.
  21. Liang Z., Xinming T., Guo Z., Xiaoliang W. Effects of JPEG2000 and SPIHT Compression on Image Classification // Proc. 21st ISPRS Congress Technical Commission VII. 2008. P. 541–544.
  22. Lim S., Sohn K., Lee C. Compression for hyperspectral images using three dimensional wavelet transform // Proc. IEEE Intern. Geoscience and Remote Sensing Symp., 2001 (IGARSS 2001). Scanning the Present and Resolving the Future. Sydney. 2001. P. 109–111.
  23. Liu X., Beltran J.F., Mohanchandra N., Toussaint G.T. On Speeding Up Support Vector Machines: Proximity Graphs Versus Random Sampling for Pre-Selection Condensation // Intern. J. Computer, Electrical, Automation, Control and Information Engineering. 2013. Vol. 7. No. 1. P. 133–140.
  24. Lossless Multispectral and Hyperspectral Image Compression standard. Green Book. Informational Report, Issue 1. CCSDS 120.2-G-1. Washington: The Consultative Committee for Space Data Systems, 2015. 99 p.
  25. Markman D., Malah D. Hyperspectral image coding using 3D transforms // Proc. Intern. Conf. Image Processing, 2001 (ICIP 2001). Thessaloniki. 2001. Vol. 1. P. 114–117.
  26. Melgani F., Bruzzone L. Classification of Hyperspectral Remote Sensing Images With Support Vector Machines // IEEE Trans. Geosci. Remote Sens. 2004. Vol. 42. No. 8. P. 1778–1790.
  27. Pearlman W.A., Said A. Data compression using set partitioning in hierarchical trees: Patent. 5764807 United States. 1998.
  28. Penna B., Tillo T., Magli E., Olmo G. Transform Coding Techniques for Lossy Hyperspectral Data Compression // IEEE Trans. Geosci. Remote Sens. 2007. Vol. 45. No. 5. P. 1408–1421.
  29. Qian S.-E., Hollinger A.B., Dutkiewicz M., Tsang H., Zwick H., Freemantle J.R. Effect of lossy vector quantization hyperspectral data compression on retrieval of red-edge indices // IEEE Trans. Geosci. Remote Sens. 2001. Vol. 39. No. 7. P. 1459–1470.
  30. Said A., Pearlman W.A. A new, fast, and efficient image codec based on set partitioning in hierarchical trees // IEEE Trans. Circuits Syst. Video Technol. 1996. Vol. 6. No. 3. P. 243–250.
  31. Serra-Sagristà J., Aulí-Llinàs F. Remote Sensing Data Compression // Computational Intelligence for Remote Sensing Studies in Computational Intelligence / eds. M. Graña, R.J. Duro. Berlin, Heidelberg: Springer, 2008. P. 27–61.
  32. Shah C.A., Watanachaturaporn P., Varshney P.K., Arora M.K. Some recent results on hyperspectral image classification // Proc. IEEE Workshop on Advances in Techniques for Analysis of Remotely Sensed Data, 2003 (WARSD 2003). Greenbelt. 2003. P. 346–353.
  33. Tang X., Cho S., Pearlman W.A. 3D set partitioning coding methods in hyperspectral image compression // Proc. Intern. Conf. Image Processing, 2003 (ICIP 2003). Barcelona. 2003. Vol. 2. P. II-239–II-242.
  34. Tang X., Pearlman W.A. Lossy-To-Lossless Block-Based Compression of Hyperspectral Volumetric Data // Proc. Intern. Conf. Image Processing, 2006 (ICIP 2006). Atlanta. 2006. P. 1133–1136.
  35. Vaiopoulos A.D. Developing Matlab scripts for image analysis and quality assessment // Proc. SPIE. Earth Resources and Environmental Remote Sensing. GIS Applications II. 2011. Vol. 8181. P. 81810B.
  36. van der Linden S., Rabe A., Held M., Jakimow B., Leitão P.J., Okujeni A., Schwieder M., Suess S., Hostert P. The EnMAP-Box — A Toolbox and Application Programming Interface for EnMAP Data Processing // Remote Sens. 2015. Vol. 7. No. 9. P. 11249–11266.
  37. Vapnik V.N. The Nature of Statistical Learning Theory. N.Y.: Springer Science and Business Media, 1995. 201 p.