Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması

Ergün CAN, (Piri Reis Üniversitesi, Mühendislik Fakültesi, Elektrik-Elektronik Mühendisliği Bölümü, İstanbul, Türkiye)
Ali Can KARACA, (Kocaeli Üniversitesi, Mühendislik Fakültesi, Elektronik-Haberleşme Mühendisliği Bölümü, Kocaeli, Türkiye)
Oğuzhan URHAN, (Kocaeli Üniversitesi, Mühendislik Fakültesi, Elektronik-Haberleşme Mühendisliği Bölümü, Kocaeli, Türkiye)
Mehmet GÜLLÜ (Kocaeli Üniversitesi, Mühendislik Fakültesi, Elektronik-Haberleşme Mühendisliği Bölümü, Kocaeli, Türkiye)
Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi
0 0
Yıl: 2020 Cilt: 26 Sayı: 5 Sayfa Aralığı: 868 - 883 Metin Dili: Türkçe DOI: 10.5505/pajes.2019.85126 İndeks Tarihi: 03-05-2021

Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması

Öz:
Hiperspektral görüntüleme, farklı uygulama alanlarındaki kullanımı ileson yıllarda oldukça popüler bir konu haline gelmiştir. Yüksekdepolama alanlarına ihtiyaç duyan hiperspektral görüntülerin yüksekverim ve kalite ile sıkıştırılması gerekmektedir. Bu çalışmada,hiperspektral görüntülerin kayıplı sıkıştırılması için otomatikuyarlamalı ışıklılık dönüşümü ve üç-boyutlu ayrık kosinüs dönüşümünü(3D-DCT) kullanan özgün bir yöntem önerilmektedir. Önerilenyöntemde ilk olarak hiperspektral verideki spektral bantlar gruplanmışve ön işlem olarak otomatik uyarlamalı ışıklılık dönüşümüuygulanmıştır. Elde edilen her bant grubu ayrık kosinüs dönüşümü vesonrasında Huffman kodlama kullanılarak sıkıştırılmıştır. Önerilenışıklılık dönüşümünün amacı, bir grup içindeki bant imgeleri arasındakiışıklılık ve karşıtlık farklılıklarını azaltarak sıkıştırma performansınınarttırılmasını sağlamaktır. Deneysel sonuçlarda, Cuprite, Moffett Field,Jasper Ridge ve Pavia University hiperspektral görüntüleri üzerindeönerilen yöntem, ışıklılık dönüşümünün farklı versiyonları ilekarşılaştırılmıştır. Karşılaştırma sinyal-gürültü oranı ve ortalamaspektral açı uzaklığı gibi ölçütler kullanılarak yapılmıştır. Bununyanında, sıkıştırılan verideki anomali ve hedef tespiti başarımları dakarşılaştırılmıştır. Önerilen yöntemin, 3D-DCT sıkıştırma performansınıözellikle düşük bit oranlarında ortalama %40 oranına kadar arttırdığıgösterilmiştir.
Anahtar Kelime:

Compression of hyperspectral images using automatic adaptive luminance transform and 3D-DCT method

Öz:
In recent years, hyperspectral imaging has become a very popular subject with its use in different application areas. Hyperspectral images that require high storage areas need to be compressed with high efficiency and quality. In this study, a novel method that uses automatic adaptive luminance transform and three-dimensional discrete cosine transform (3D-DCT) for lossy compression of hyperspectral images is proposed. Firstly, spectral bands in hyperspectral image are grouped and automatic adaptive luminance transform is performed as a preprocessing stage in the proposed method. Each group is compressed by using DCT and Huffman encoding. The aim of the proposed luminance transform is to increase compression performance by decreasing luminance and contrast differences between band images in a group. In the experimental results, the proposed method and different versions of luminance transform are compared on Cuprite, Moffet Field, Jasper Ridge and Pavia University hyperspectral images. Comparison is carried out using signal-to-noise ratio and average spectral distance metrics. Besides, anomaly and target detection performances are also compared for compressed images. The proposed method has been shown to increase compression performance of 3D-DCT up to an average of 40% rate, especially at low bit rates.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • [1] Öztürk Ş, Esin Y, Artan Y, Özdil Ö, Demirel B. “Importance of band selection for ethene and methanol gas detection in hyperspectral imagery”. 9th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), Amsterdam, Netherlands, 23-26 September 2018.
  • [2] Xu Y, Wu Z, Wei Z, Dalla Mura M, Chanussot J, Bertozzi A. “Gas plume detection in hyperspectral video sequence using low rank representation”. IEEE 2016 International Conference on Image Processing (ICIP), Phoenix, USA, 25-28 September 2016.
  • [3] Çeşmeci D, Karaca AC, Ertürk A, Güllü MK, Ertürk S. “Hyperspectral change detection by multi-band census transform”. IEEE 2018 Geoscience and Remote Sensing Symposium, Quebec City, Canada, 13-18 July 2018.
  • [4] Kumar JP, Deshpande S, Inamdar A. “Detection of fertilizer quantity in soil using hyperspectral data”. 9th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), Amsterdam, Netherlands, 23-26 September 2018.
  • [5] Zhao Y, Wang Y, Wei D, Mu H, Ning T. “Application of hyperspectral imaging in measurement real-time of seeds”. IEEE 2016 International Conference on Smart Cloud, New York, NY, 18-20 November 2016.
  • [6] Liang Y, Markopoulos PP, Saber ES. “Subpixel target detection in hyperspectral images with local matched filtering in SLIC superpixels”. 8th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), Los Angeles, USA, 21-24 August 2016.
  • [7] Ben Salem M, Ettabaa KS, Bouhlel MS. “Anomaly detection in hyperspectral images based spatial spectral classification”. 7th International Conference on Sciences of Electronics, Technologies of Information and Telecommunications (SETIT), Hammamet, Tunusia, 18-26 December 2016.
  • [8] Xu H, Wang XJ. “Applications of multispectral hyperspectral ımaging technologies ın military”. Infrared And Laser Engineering, 36(1), 13-18, 2007.
  • [9] Weijtmans PJC, Shan C, Tan T, Brouwer de Koning SG, Ruers TJM. “A duel stream network for tumor detection in hyperspectral ımages”. IEEE 16th International Symposium on Biomedical Imaging, Venice, Italy, 8-11 April 2019.
  • [10] Pike R, Lu G, Wang D, Chen ZG, Fei B. “A minimum spanning forest-based method for noninvasive cancer detection with hyperspectral imaging”. IEEE Transactions on Biomedical Engineering, 63(3), 653-663, 2016.
  • [11] Christophe E, “Hyperspectral Data Compression Tradeoff, In: Prasad S, Bruce L, Chanussot J, Optical Remote Sensing”. Augmented Vision and Reality, 3(1), 9-29, 2011.
  • [12] Pennebaker WB, Mitchell JL. JPEG: Still image data compression standard. 2nd ed. New York, USA, Springer Verlag, 2006.
  • [13] Schelkens, Peter, Athanassios Skodras, and Touradj Ebrahimi. The JPEG 2000 Suite. 1st ed. West Sussex, United Kingdom, John Wiley & Sons, 2009.
  • [14] Abousleman GP, Marcellin MW, Hunt BR. “Compression of hyperspectral imagery using the 3-D DCT and hybrid DPCM/DCT”. IEEE Transactions on Geoscience and Remote Sensing, 33(1), 26-34, 1995.
  • [15] Thyagarajan K. S. Still Image Video Compression with MATLAB, 1st ed. New Jersey, USA, John Wiley & Sons, 2011.
  • [16] Yıldız K, Buldu A. “Wavelet transform and principal component analysis in fabric defect detection and classification”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 23(5), 622-627, 2016.
  • [17] Penna B, Tillo T, Magli E, Olmo G. “Transform coding techniques for lossy hyperspectral data compression”. IEEE Transactions on Geoscience and Remote Sensing, 45(5), 1408-1421, 2007.
  • [18] Mei S, Khan BM, Zhang Y,e Du Q. “Low-complexity hyperspectral image compression using folded PCA and JPEG2000”. IEEE 2018 International Geoscience and Remote Sensing Symposium (IGARSS), Valencia, Spain, 22-27 July 2018.
  • [19] Tang X, Pearlman WA. Three-dimensional wavelet-based compression of hyperspectral images. Editors: Motta G, Rizzo F, Storer JA. Hyperspectral Data Compression, 273-308, Boston, USA, Springer US, 2006.
  • [20] Lim, S, Sohn K, Lee C. “Compression for hyperspectral ımages using three dimensional wavelet transform”. IEEE 2001 International Geoscience and Remote Sensing Symposium (IGARSS), Sydney, Australia, 9-13 July 2001.
  • [21] Wang, Y, Rucker JT, Fowler JE. “Three-dimensional tarp coding for the compression of hyperspectral images”. IEEE Geoscience and Remote Sensing Letters, 1(2), 136-140, 2004.
  • [22] Hassanzadeh S, Karami A. “Compression and noise reduction of hyperspectral images using non-negative tensor decomposition and compressed sensing”. European Journal of Remote Sensing, 49(1), 587-598, 2016.
  • [23] Huber-Lerner M, Hadar O, Rotman SR, Huber-Shalem R. “Compression of hyperspectral images containing a subpixel target”. IEEE Journal Of Selected Topics in Applıed Earth Observatıons and Remote Sensıng, 7(6), 2246-2255, 2014.
  • [24] Santos L, López S, Callico GM, Lopez JF, Sarmiento R. “Performance evaluation of the H. 264/AVC video coding standard for lossy hyperspectral image compression”. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(2), 451-461, 2011.
  • [25] Qiao T, Ren J, Sun M, Zheng J, Marshall S. “Effective compression of hyperspectral imagery using an improved 3D DCT approach for land-cover analysis in remote-sensing applications”. International Journal of Remote Sensing, 35(20), 7316-7337, 2014.
  • [26] Karami A, Behesti S, Yazdi M. “Hyperspectral image compression using 3D discrete cosine transform and support vector machine learning”. 11th International Conference on Information Science, Signal Processing and their Applications (ISSPA), Canada, Montreal, 3-5 July 2012.
  • [27] Karami A, Yazdi M, Asli AZ. “Hyperspectral ımage compression based on tucker decomposition and discrete cosine transform”. 2nd International Conference on Image Processing Theory, Tools and Applications, Paris, France, 7-10 July 2010.
  • [28] Haiyan T, Wenbang S, Bingzhe G, Fengjing Z. “Research on quantization and scanning order for 3-D DCT video coding”. International Conference on Computer Science and Electronics Engineering, Hangzhou, China, 23-25 March 2012.
  • [29] Engin MA, Cavusoglu B. “New approach in image compression: 3D spiral JPEG”. IEEE Communications Letters, 15(11), 1234-1236, 2011.
  • [30] Can E, Karaca AC, Danışman M, Urhan O, Güllü MK. “Compression of hyperspectral images using luminance transform and 3D-DCT”. IEEE 2018 International Geoscience and Remote Sensing Symposium, Valencia, Spain, 22-27 July 2018.
  • [31] Can E, Karaca AC, Danışman M, Urhan O, Güllü MK. “Compression of hyperspectral images using adaptive luminance transform”. 26th IEEE Signal Processing and Communications Applications Conference (SIU2018), İzmir, Turkey, 2-5 Mayıs 2018.
  • [32] Du Q, Zhu W, Yang H, Fowler JE. “Segmented principal component analysis for parallel compression of hyperspectral imagery”. IEEE Geoscience and Remote Sensing Letters, 6(4), 713-717, 2009.
  • [33] Zhou S, Xu Z, Liu F, “Method for determining the optimal number of clusters based on agglomerative hierarchical clustering”. IEEE Transactions on Neural Networks and Learning Systems, 28(12), 3007-3017, 2017.
  • [34] Murtagh F, Contreras P. “Algorithms for hierarchical clustering: an overview”. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2(1), 86-97, 2012.
  • [35] Gerçek D, Çeşmeci D, Güllü MK, Ertürk A, Ertürk S, “Automated co-registeration of satellite images through luminance transform”. The Photogrammetric Record, 31(156), 407-427, 2016.
  • [36] Kwon HJ, Lee SH, Lee GY, Sohng KL, “Luminance adaptation transform based on brightness functions for LDR image reproduction”. Digital Signal Processing, 30(1), 74-85, 2014.
  • [37] Skretting K. “MATLAB’da Huffman ve Aritmetik Kodlama”. http://www.ux.uis.no/~karlsk/proj99/index.html (01.07.2019).
  • [38] Du Q, Ly N, Fowler JE. “An operational approach to PCA+JPEG2000 compression of hyperspectral imagery”. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6), 2237-2245, 2014.
  • [39] Wang Z, Bovik A, Sheikh H, Simoncelli E. “Image quality assessment: from error visibility to structural similarity”. IEEE Transaction on Image Processing, 13(4), 600-612, 2004.
  • [40] Li W, Wu G, Du Q. “Transferred deep learning for anomaly detection in hyperspectral imagery”. IEEE Geoscience and Remote Sensing Letters, 14(5), 597-601, 2017.
  • [41] Reed I, Yu X. “Adaptive multiple-band cfar detection of an optical pattern with unkown spectral distrubition”. IEEE Transactions on Acoustics, Speech, and Signal Processing, 38(1), 1760-1770, 1990.
APA CAN E, Karaca A, Urhan O, GULLU M (2020). Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması. , 868 - 883. 10.5505/pajes.2019.85126
Chicago CAN Ergün,Karaca Ali Can,Urhan Oğuzhan,GULLU MEHMET Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması. (2020): 868 - 883. 10.5505/pajes.2019.85126
MLA CAN Ergün,Karaca Ali Can,Urhan Oğuzhan,GULLU MEHMET Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması. , 2020, ss.868 - 883. 10.5505/pajes.2019.85126
AMA CAN E,Karaca A,Urhan O,GULLU M Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması. . 2020; 868 - 883. 10.5505/pajes.2019.85126
Vancouver CAN E,Karaca A,Urhan O,GULLU M Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması. . 2020; 868 - 883. 10.5505/pajes.2019.85126
IEEE CAN E,Karaca A,Urhan O,GULLU M "Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması." , ss.868 - 883, 2020. 10.5505/pajes.2019.85126
ISNAD CAN, Ergün vd. "Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması". (2020), 868-883. https://doi.org/10.5505/pajes.2019.85126
APA CAN E, Karaca A, Urhan O, GULLU M (2020). Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 26(5), 868 - 883. 10.5505/pajes.2019.85126
Chicago CAN Ergün,Karaca Ali Can,Urhan Oğuzhan,GULLU MEHMET Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 26, no.5 (2020): 868 - 883. 10.5505/pajes.2019.85126
MLA CAN Ergün,Karaca Ali Can,Urhan Oğuzhan,GULLU MEHMET Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, vol.26, no.5, 2020, ss.868 - 883. 10.5505/pajes.2019.85126
AMA CAN E,Karaca A,Urhan O,GULLU M Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2020; 26(5): 868 - 883. 10.5505/pajes.2019.85126
Vancouver CAN E,Karaca A,Urhan O,GULLU M Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2020; 26(5): 868 - 883. 10.5505/pajes.2019.85126
IEEE CAN E,Karaca A,Urhan O,GULLU M "Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması." Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 26, ss.868 - 883, 2020. 10.5505/pajes.2019.85126
ISNAD CAN, Ergün vd. "Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması". Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 26/5 (2020), 868-883. https://doi.org/10.5505/pajes.2019.85126
Sayfa Oluşturulma Tarihi
23-04-2024 17:21

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları