Efficient Hyperspectral Data Compression Using Vector Quantization and Scene Segmentation
D. Manak, S. Qian, A. Hollinger, D. Williams · Canadian Journal of Remote Sensing · 1998
Pour pallier au problème du volume important des ensembles de données hyperspectrales et du taux de transfert élevé requis pour leur transmission, l'Agence spanale canadienne développe des méthodes de compression de données hyperspectrales avec perte d'information. Une de ces méthodes, basée sur la technique de quantification vectorielle (VQ), a permis d'enregistrer des résultats prometteurs en termes de taux compression et de fidélité de reconstruction. Toutefois, cette technique présente une lacune significative au plan du temps de traitement qu'elle requiert. Cet article présente des stratégies pour réduire le temps de traitement et quantifie l'erreur de reconstruction. L'algorithme VQ est constitué de deux étapes principales: la génération du livre de codes (entraînement) et le codage. De ces étapes, la génération du livre de codes est l'étape la plus intensive en terme de temps machine. Les besoins en temps de traitement pour cette étape peuvent être réduit en sous-échantillonnant l'ensemble d'apprentissage en échange d'une dégradation au plan de la fidélité. Toutefois, au delà d'un certain seuil, la pénalité subie au plan de la fidélité devient suffisamment importante pour contrebalancer l'avantage de l'accroissement de la vitesse. Ainsi, nous proposons la segmentation comme méthode pour améliorer à la fois l'efficacité des étapes d'entraînement et de codage. À l'aide d'un ensemble de données d'entrée test consistant surtout en végétation, le livre de codes VQ a été segmenté en ensembles de 8 et 16 sous-livres de codes plus petits et plus efficaces. La segmentation a été réalisée en fixant des seuils multiples dans l'espace NDVI (Normalized Difference Vegetation Index). Globalement, dépendant du nombre d'entrées choisi pour le livre de codes, le temps de traitement requis pour compresser l'ensemble des données test a été réduit par un facteur de près de 100 ou 200 par rapport à la méthode ne faisant pas appel au sous-échantillonnage. La perte maximum en fidélité dans ces cas est d'environ 1.5 dB. À fidélité de reconstruction constante, le temps de traitement est amélioré d'un facteur de 5 à 8 par rapport aux cas utilisant le sous-échantillonnage et un livre de codes unique.