Compresión sin pérdida de imágenes satelitales multiespectrales e hiperespectrales

Mostrar todas las versiones(2)

En esta tesis se presentan nuevas técnicas de compresión sin pérdida tendientes a reducir el espacio de almacenamiento requerido por imágenes satelitales. Dos tipos principales de imágenes son tratadas: multiespectrales e hiperespectrales. En el caso de imágenes multiespectrales, se desarrolló un co...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Acevedo, Daniel Germán
Otros Autores: Ruedin, Ana M. C.
Formato: Tesis doctoral publishedVersion
Lenguaje:Inglés
Publicado: Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2011
Materias:
IMAGENES SATELITALES
MULTIESPECTRAL
HIPERESPECTRAL
COMPRESION SIN PERDIDA
TRANSFORMADA WAVELET
PREDICCION
SATELLITE IMAGES
HYPERSPECTRAL
LOSSLESS
COMPRESSION
WAVELET TRANSFORM
PREDICTION
Acceso en línea:https://hdl.handle.net/20.500.12110/tesis_n4928_Acevedo
Aporte de:
Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA) de Universidad de Buenos Aires
id tesis:tesis_n4928_Acevedo
record_format dspace
institution Universidad de Buenos Aires
institution_str I-28
repository_str R-134
collection Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA)
language Inglés
orig_language_str_mv eng
topic IMAGENES SATELITALES
MULTIESPECTRAL
HIPERESPECTRAL
COMPRESION SIN PERDIDA
TRANSFORMADA WAVELET
PREDICCION
SATELLITE IMAGES
MULTIESPECTRAL
HYPERSPECTRAL
LOSSLESS
COMPRESSION
WAVELET TRANSFORM
PREDICTION
spellingShingle IMAGENES SATELITALES
MULTIESPECTRAL
HIPERESPECTRAL
COMPRESION SIN PERDIDA
TRANSFORMADA WAVELET
PREDICCION
SATELLITE IMAGES
MULTIESPECTRAL
HYPERSPECTRAL
LOSSLESS
COMPRESSION
WAVELET TRANSFORM
PREDICTION
Acevedo, Daniel Germán
Compresión sin pérdida de imágenes satelitales multiespectrales e hiperespectrales
topic_facet IMAGENES SATELITALES
MULTIESPECTRAL
HIPERESPECTRAL
COMPRESION SIN PERDIDA
TRANSFORMADA WAVELET
PREDICCION
SATELLITE IMAGES
MULTIESPECTRAL
HYPERSPECTRAL
LOSSLESS
COMPRESSION
WAVELET TRANSFORM
PREDICTION
description En esta tesis se presentan nuevas técnicas de compresión sin pérdida tendientes a reducir el espacio de almacenamiento requerido por imágenes satelitales. Dos tipos principales de imágenes son tratadas: multiespectrales e hiperespectrales. En el caso de imágenes multiespectrales, se desarrolló un compresor no lineal que explota tanto las correlaciones intra como interbanda presentes en la imagen. Este se basa en la transformada wavelet de enteros a enteros y se aplica sobre bloques no solapados de la imagen. Diferentes modelos para las dependencias estadísticas de los coeficientes de detalle de la transformada wavelet son propuestos y analizados. Aquellos coeficientes que se encuentran en las subbandas de detalle fino de la transformada son modelados como una combinación afín de coeficientes vecinos y coeficientes en bandas adyacentes, sujetos a que se encuentren en la misma clase. Este modelo se utiliza para generar predicciones de otros coficientes que ya fueron codificados. La información de clase se genera mediante la cuantización LloydMax, la cual también se utiliza para predecir y como contextos de condicionamiento para codificar los errores de predicción con un codificador aritmético adaptativo. Dado que el ordenamiento de las bandas también afecta la precisión de las predicciones, un nuevo mecanismo de ordenamiento es propuesto basado en los coeficientes de detalle de los últimos dos niveles de la transformada wavelet. Los resultados obtenidos superan a los de otros compresores 2D sin pérdida como PNG, JPEG-LS, SPIHT y JPEG2000, como también a otros compresores 3D como SLSQ-OPT, JPEG-LS diferencial y JPEG2000 para imágenes a color y 3D-SPIHT. El método propuesto provee acceso aleatorio a partes de la imagen, y puede aplicarse para la compresión sin pérdida de otros datos volumétricos. Para las imágenes hiperespectrales, algoritmos como LUT o LAIS-LUT que revisten el estado del arte para la compresión sin pérdida para este tipo de imágenes, explotan la alta correlación espectral de estas imágenes y utilizan tablas de lookup para generar predicciones. A pesar de ello, existen casos donde las predicciones no son buenas. En esta tesis, se propone una modificación a estos algoritmos de lookup permitiendo diferentes niveles de confianza a las tablas de lookup en base a las variaciones locales del factor de escala. Los resultados obtenidos son altamente satisfactorios y mejores a los de LUT y LAIS-LUT. Se han diseñado dos compresores sin pérdida para dos tipos de imágenes satelitales, las cuales tienen distintas propiedades, a saber, diferente resolución espectral, espacial y radiométrica, y también de diferentes correlaciones espectrales y espaciales. En cada caso, el compresor explota estas propiedades para incrementar las tasas de compresión.
author2 Ruedin, Ana M. C.
author_facet Ruedin, Ana M. C.
Acevedo, Daniel Germán
format Tesis doctoral
Tesis doctoral
publishedVersion
author Acevedo, Daniel Germán
author_sort Acevedo, Daniel Germán
title Compresión sin pérdida de imágenes satelitales multiespectrales e hiperespectrales
title_short Compresión sin pérdida de imágenes satelitales multiespectrales e hiperespectrales
title_full Compresión sin pérdida de imágenes satelitales multiespectrales e hiperespectrales
title_fullStr Compresión sin pérdida de imágenes satelitales multiespectrales e hiperespectrales
title_full_unstemmed Compresión sin pérdida de imágenes satelitales multiespectrales e hiperespectrales
title_sort compresión sin pérdida de imágenes satelitales multiespectrales e hiperespectrales
publisher Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publishDate 2011
url https://hdl.handle.net/20.500.12110/tesis_n4928_Acevedo
work_keys_str_mv AT acevedodanielgerman compresionsinperdidadeimagenessatelitalesmultiespectralesehiperespectrales
AT acevedodanielgerman losslesscompressionofsatellitemultispectralandhyperspectralimages
_version_ 1782022459022639104
spelling tesis:tesis_n4928_Acevedo2023-10-02T20:02:31Z Compresión sin pérdida de imágenes satelitales multiespectrales e hiperespectrales Lossless compression of satellite multispectral and hyperspectral images Acevedo, Daniel Germán Ruedin, Ana M. C. IMAGENES SATELITALES MULTIESPECTRAL HIPERESPECTRAL COMPRESION SIN PERDIDA TRANSFORMADA WAVELET PREDICCION SATELLITE IMAGES MULTIESPECTRAL HYPERSPECTRAL LOSSLESS COMPRESSION WAVELET TRANSFORM PREDICTION En esta tesis se presentan nuevas técnicas de compresión sin pérdida tendientes a reducir el espacio de almacenamiento requerido por imágenes satelitales. Dos tipos principales de imágenes son tratadas: multiespectrales e hiperespectrales. En el caso de imágenes multiespectrales, se desarrolló un compresor no lineal que explota tanto las correlaciones intra como interbanda presentes en la imagen. Este se basa en la transformada wavelet de enteros a enteros y se aplica sobre bloques no solapados de la imagen. Diferentes modelos para las dependencias estadísticas de los coeficientes de detalle de la transformada wavelet son propuestos y analizados. Aquellos coeficientes que se encuentran en las subbandas de detalle fino de la transformada son modelados como una combinación afín de coeficientes vecinos y coeficientes en bandas adyacentes, sujetos a que se encuentren en la misma clase. Este modelo se utiliza para generar predicciones de otros coficientes que ya fueron codificados. La información de clase se genera mediante la cuantización LloydMax, la cual también se utiliza para predecir y como contextos de condicionamiento para codificar los errores de predicción con un codificador aritmético adaptativo. Dado que el ordenamiento de las bandas también afecta la precisión de las predicciones, un nuevo mecanismo de ordenamiento es propuesto basado en los coeficientes de detalle de los últimos dos niveles de la transformada wavelet. Los resultados obtenidos superan a los de otros compresores 2D sin pérdida como PNG, JPEG-LS, SPIHT y JPEG2000, como también a otros compresores 3D como SLSQ-OPT, JPEG-LS diferencial y JPEG2000 para imágenes a color y 3D-SPIHT. El método propuesto provee acceso aleatorio a partes de la imagen, y puede aplicarse para la compresión sin pérdida de otros datos volumétricos. Para las imágenes hiperespectrales, algoritmos como LUT o LAIS-LUT que revisten el estado del arte para la compresión sin pérdida para este tipo de imágenes, explotan la alta correlación espectral de estas imágenes y utilizan tablas de lookup para generar predicciones. A pesar de ello, existen casos donde las predicciones no son buenas. En esta tesis, se propone una modificación a estos algoritmos de lookup permitiendo diferentes niveles de confianza a las tablas de lookup en base a las variaciones locales del factor de escala. Los resultados obtenidos son altamente satisfactorios y mejores a los de LUT y LAIS-LUT. Se han diseñado dos compresores sin pérdida para dos tipos de imágenes satelitales, las cuales tienen distintas propiedades, a saber, diferente resolución espectral, espacial y radiométrica, y también de diferentes correlaciones espectrales y espaciales. En cada caso, el compresor explota estas propiedades para incrementar las tasas de compresión. In this thesis, new lossless compression techniques aiming at reducing the size of storage of satellite images are presented. Two type of images are considered: multispectral and hyperspectral. For multispectral images, a nonlinear lossless compressor that exploits both intraband and interband correlations is developed. The compressor is based on a wavelet transform that maps integers into integers, applied to tiles of the image. Different models for statistical dependencies of wavelet detail coefficients are proposed and analyzed. Wavelet coefficients belonging to the fine detail subbands are successfully modelled as an affine combination of neighboring coefficients and the coefficient at the same location in the previous band, as long as all these coefficients belong to the same landscape. This model is used to predict wavelet coefficients by means of already coded coefficients. Lloyd-Max quantization is used to extract class information, which is used in the prediction and later used as a conditioning context to encode prediction errors with an adaptive arithmetic coder. The band order affects the accuracy of predictions: a new mechanism is proposed for ordering the bands, based on the wavelet detail coefficients of the 2 finest levels. The results obtained outperform 2D lossless compressors such as PNG, JPEG-LS, SPIHT and JPEG2000 and other 3D lossless compressors such as SLSQ-OPT, differential JPEG-LS, JPEG2000 for color images and 3D-SPIHT. Our method has random access capability, and can be applied for lossless compression of other kinds of volumetric data. For hyperspectral images, state-of-the-art algorithms LUT and LAIS-LUT proposed for lossless compression, exploit high spectral correlations in these images, and use lookup tables to perform predictions. However, there are cases where their predictions are not accurate. In this thesis a modification based also on look-up tables is proposed, giving these tables different degrees of confidence, based on the local variations of the scaling factor. Our results are highly satisfactory and outperform both LUT and LAIS-LUT methods. Two lossless compressors have been designed for two different kinds of satellite images having different properties, namely, different spectral resolution, spatial resolution, and bitdepth, as well as different spectral and spatial correlations. In each case, the compressor exploits these properties to increase compression ratios. Fil: Acevedo, Daniel Germán. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2011 info:eu-repo/semantics/doctoralThesis info:ar-repo/semantics/tesis doctoral info:eu-repo/semantics/publishedVersion application/pdf eng info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar https://hdl.handle.net/20.500.12110/tesis_n4928_Acevedo

Ejemplares similares