فشرده سازي تصاوير ابر طيفي با استفاده از روش واترشد و تبديل موجك

COMPRESSION OF HYPERSPECTRAL IMAGES USING WATERSHED METHOD AND WAVELET TRANSFORM

يكي از اولين فرآيندهاي پيش بيني شده در مورد داده هاي هيپرپرترول به علت افزايش تعداد نوارهاي تصويربرداري و امكان افزايش دقت راديومتري، فشرده سازي آنهاست. در اين مقاله يك روش براي فشرده سازي تصاوير هيپرتراسترال ارائه شده است. در روش فشرده سازي پيشنهاد شده، ابتدا فشرده سازي تصوير با استفاده از روش تبديل موجك كه يك روش فشرده سازي طيفي است، سپس تقسيم بندي بر روي تصوير با استفاده از روش آبخيز انجام مي شود، به طوري كه تصوير به مناطق با پيكسل هاي خواص مشابه تقسيم مي شود. با توجه به حجم زياد داده ها، مي توان تصوير هيپراپرگرام را به جاي نمايش تصوير هيپراسفرتره بخش بندي شده همراه با پارامترهاي تخميني مانند ميانگين، واريانس، پيكسل دانه و بلوك بافت هر منطقه كه از استخراج ويژگي طيفي تبديل موجك به دست مي آيد را ارسال كرد و در طرف گيرنده، تصوير را مي توان با استفاده از اطلاعات منتقل شده، بازسازي كرد. اين روش، با توجه به اينكه فشرده سازي با استفاده از تقسيم بندي تصوير انجام مي شود، مناطقي كوچك را كه در روش هاي فشرده سازي ديگر حذف مي شوند، شناسايي مي كنند و در طول فشرده سازي آنها را حفظ مي كند. اين روش در تصوير AVIRIS اجرا شده و يك نسبت فشرده سازي بالا ايجاد كرده است و همچنين اطلاعات مربوط به طبقه بندي را حفظ مي كند.

One of the first processes that is proposed about hyperspectral data due to the increased number of imaging bands and the possibility of increasing the radiometric accuracy, is their compression. In this paper, a method is provided for compressing the hyperspectral images. In the proposed compression method, at first compress the image using the wavelet transform method that is a spectral compression method, then the segmentation is performed on the image using watershed method, so that the image is divided into areas with pixels of similar properties. Considering the high volume of data, the hyperspectral image can be sent rather than the segmented hyperspectral image along with the estimated parameters such as mean, variance, seed pixel and texture block of any area that are obtained from the extraction of spectral feature of wavelet transform and in the receiver side, the image can be reconstructed using the transmitted information. This method, considering that it performs the compression using the image segmentation, identifies the small areas which could be removed in the other compression methods, and maintains them during the compression. This method has been implemented on AVIRIS image and created a high compression ratio and also maintained the information about classification.