Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
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. 2021. Т. 18. № 2. С. 9-17

Обзор существующих алгоритмов сжатия данных, получаемых от многозональных сканирующих устройств

В.Р. Печкурова 1, 2 
1 Московский государственный университет имени Н.Э. Баумана, Москва, Россия
2 АО "Российские космические системы", Москва, Россия
Одобрена к печати: 20.11.2020
DOI: 10.21046/2070-7401-2021-18-2-9-17
Вопрос сжатия данных, получаемых от приборов дистанционного зондирования Земли (ДЗЗ), не является новым в современном мире. Задачей правильной постановки этого вопроса, поиском ответов на него, поиском решения проблем, вытекающих из него, занимается достаточно большое количество инженеров и исследователей. Такой неподдельный интерес вызван увеличением обрабатываемых объёмов данных как на борту космических аппаратов ДЗЗ, так и на самой Земле. Увеличение объёмов данных, в свою очередь, связано с неминуемым ростом качества, расширением технических и программных возможностей аппаратов и приборов, исследующих Землю из космоса. В настоящий момент большая часть данных, получаемых от приборов ДЗЗ, ещё может отправляться без бортового сжатия на наземные пункты приёма, однако есть большая вероятность, что в будущем пропускная способность линии передачи данных не позволит пересылать сырые данные без обработки и дополнительного сжатия. Достаточно интересная область исследований связана именно с сжатием данных от многозональной сканирующей аппаратуры. Процедура сжатия может учитывать корреляцию данных разных секторов. В статье рассматриваются аспекты существующих алгоритмов сжатия данных применительно к многозональной сканирующей аппаратуре, гиперспектральным изображениям. Анализируются некоторые доступные источники с целью выявления настоящей и перспективной возможности сжатия данных на борту космических систем ДЗЗ.
Ключевые слова: дистанционное зондирование, мульти- и гиперспектральные данные, многозональное сканирование, сжатие данных, сжатие мультиспектральных данных, сжатие без потерь
Полный текст

Список литературы:

  1. Бабкин В. Ф., Книжный И. М., Хрекин К. Е. Сжатие многоспектральных изображений для задач дистанционного зондирования Земли из космоса // Современные проблемы дистанционного зондирования Земли из космоса. 2004. Вып. 1. Т. 1. С. 330–332.
  2. Бахтин А. А., Омельянчук Е. В., Семенова А. Ю. Анализ технических характеристик, ограничивающих пропускную способность радиолинии Космос – Земля // 8-я Всероссийская конф. «Радиолокация и радиосвязь»: сб. тр. 24–26 нояб. 2014, Москва. М., 2014. С. 145–149.
  3. Гершензон В. Е., Кучейко А. А. Стандартизация оборудования станций приема данных дистанционного зондирования Земли // Пространственные данные. 2006. № 1. С. 33–43.
  4. Егоров Н. Д., Новиков Д. В., Гильмутдинов М. Р. Метод сжатия изображений без потерь с помощью контекстного кодирования по двоичным уровням // Информационно-управляющие системы. 2017. № 6(91). C. 96–106. DOI: 10.15217/issn1684-8853.2017.6.96.
  5. Мальцев Г. Н., Козинов И. А. Передача гиперспектральных видеоданных дистанционного зондирования Земли по радиоканалам с ограниченной пропускной способностью // Информационно-управляющие системы. 2016. № 2(81). С. 74–83. DOI: 10.15217/issn1684-8853.2016.2.74.
  6. Меркушева А. В., Малыхина Г. Ф. Методы и алгоритмы разделения смеси сигналов. I. Применение декорреляции и статистик второго порядка // Научное приборостроение. 2009. Т. 19. № 2. C. 90–103.
  7. Печкурова В. Р. Актуальность анализа алгоритмов сжатия данных, получаемых от многозональных сканирующих устройств области космических исследований дистанционного зондирования Земли // Научный аспект. 2020. Т. 17. № 2. С. 2147–2155.
  8. Попов А. В. Алгоритмы энтропийного кодирования при сжатии спектра телевизионного сигнала // T-Comm — Телекоммуникации и Транспорт. 2013. № 4. С. 43–46.
  9. Садик Б. Дж., Бобов М. Н., Цветков В. Ю., Аль-Байати А. Э. К., Абдулхуссейн Х. М. А. Сжатие мультиспектральных изображений на основе прогрессивного кодирования длин серий // Телекоммуникации: сети и технологии, алгебраическое кодирование и безопасность данных: материалы международного научно-техн. семинара. Минск, 2016. С. 51–55.
  10. Egorov N., Novikov D., Gilmutdinov M. Performance Analysis of Prediction Methods for Lossless Image Compression // Smart Innovation, Systems and Technologies. 2015. V. 40. P. 169–178. DOI: 10.1007/978-3-319-19830-9_16.
  11. Gilmutdinov M., Egorov N., Novikov D. Lossless Image Compression Scheme with Binary Layers Scanning // 14th Intern. Symp. Problems of Redundancy in Information and Control Systems. 2014. P. 47–51. DOI: 10.15217/issn1684-8853.2017.6.96.
  12. Karam L. J. Lossless Image Compression //The Essential Guide to Image Processing / ed. Bovik A. Academic Press, 2009. P. 385–419.
  13. Lara R., Wang Y. Lossless Compression On-Board Remote Sensing Satellites // 2011 Intern. Conf. Future Computer Science and Education. 2011. P. 650–653. DOI: 10.1109/ICFCSE.2011.162.
  14. Motta G., Rizzo F., Storer J. A. Hyperspectral Data Compression. N. Y.: Springer Science and Business Media, 2006. 421 p. DOI: 10.1007/0-387-28600-4.
  15. Penna B., Tillo T., Magli E., Olmo G. Progressive 3-D Coding of Hyperspectral Images Based on JPEG 2000 // IEEE Geoscience and Remote Sensing Letters. 2006. V. 3. No. 1. P. 125–129. DOI: 10.1109/LGRS.2005.859942.
  16. Raymond C., Bristow J., Schoeberl M. R. Needs for an Intelligent Distributed Spacecraft Infrastructure // IEEE Intern. Geoscience and Remote Sensing Symp. Toronto, Ontario, Canada, 2002. V. 1. P. 371–374. DOI: 10.1109/IGARSS.2002.1025043.
  17. Speck D. Fast Robust Adaptation of Predictor Weights from Min/Max Neighboring Pixels for Minimum Conditional Entropy // Signals, Systems and Computers: Conf. Record of the 29th Asilomar Conf. 1995. V. 1. P. 234–238. DOI: 10.1109/ACSSC.1995.540547.
  18. Stolorz P., Gor V., Doyle R., Chapman C., Gladstone R., Merline W., Stern A. New directions in science-enabling autonomy for planetary missions // 1997 IEEE Aerospace Conf. Snowmass at Aspen, CO, USA, 1997. V. 1. P. 387–399. DOI: 10.1109/AERO.1997.574427.
  19. Yeh P.-Sh., Moury G. A., Armbruster P., Day J. H. The CCDS Data Compression Recommendations: Development and Status // Proc. SPIE — The Intern. Society for Optical Engineering. 2002. V. 4790. P. 302–313.
  20. Yu G., Vladimirova T., Sweeting M. Image compression systems on board satellites // Acta Astronautica. 2009. V. 64. P. 988–1005. DOI: 10.1016/j.actaastro.2008.12.006.
  21. Zhou G. Future Intelligent Earth Observing Satellite System (FIEOS): Advanced System of Systems // System of Systems. 2012. V. 6. P. 99–107. DOI: 10.5772/27723.