Hiperspektral Görüntü Sıkıştırma Teknikleri

Hiperspektral görüntüler üç boyutlu bir yapıda olduğundan hem uzamsal hem de spektral artıklık bulunmaktadır [10]. Yani, hiperspektral görüntü içerisindeki herhangi bir pikselin uzamsal ve spektral eksendeki komşuluklarına benzer değerlerde olma eğilimindedir. Literatürdeki hiperspektral sıkıştırma yöntemleri bu artıklıkları giderdikten sonra elde edilen veride sembol kodlama ile istatistiksel artıklığı de kaldırmakta ve veri boyutunda azalma sağlamaktadır.

Hiperspektral görüntü sıkıştırma teknikleri Şekil 3.5’te görüldüğü gibi 3 farklı başlık altında toplanmaktadır [10]. Her bir tekniğin ayrıntılı açıklaması aşağıda başlıklar halinde verilmiştir.

Şekil 3.5. Hiperspektral görüntülerin sıkıştırmasında kullanılan tekniklerin sınıflandırılması

3.2.1. Kayıplı sıkıştırma

Kayıplı sıkıştırma tekniğinde, sıkıştırılmış bit dizisinden geri elde edilen veri ile orijinal veri arasında farklılık oluşmakta ve bu farklılıklar bozunum olarak ifade edilmektedir. Kayıplı sıkıştırma ile küçük sıkıştırma oranlarından çok büyük oranlara kadar sıkıştırma imkanı sağlanabilmektedir [39]. Ancak, sıkıştırma oranı arttıkça görüntüde önemli bozunumlar oluşmaktadır ve bu da görüntünün kalitesini doğrudan etkilemektedir. Bu sebeple, kayıplı yöntemlerin başarısı çoğunlukla oran-bozunum (rate-distortion) eğrileri çıkartılarak değerlendirilmektedir. Ancak, hiperspektral görüntülerde genel amaç görselliğin bozulmasına ek olarak uygulamalardaki başarısının da düşmemesidir [39]. Bunun için sıkıştırma yönteminin hiperspektral görüntülemede sınıflandırma, hedef tespiti, anomali tespiti ve spektral ayrıştırma uygulamaları üzerinden yapılan performansları da birer karşılaştırma ölçütü olmaktadır.

23

Kayıplı sıkıştırma yöntemlerinin çok büyük bir çoğunluğu dönüşüm temelli sıkıştırma kullanmaktadır. Bu sıkıştırma şemasına ait genel akış Şekil 3.6’da paylaşılmıştır. İmge sıkıştırmada oldukça popüler olan JPEG ve JPEG2000 gibi standartlaşmış önemli sıkıştırma algoritmalarının temelini oluşturan dönüşüm temelli yöntemler veriyi bazı dönüşümlerden geçirerek daha kompakt bir şekilde gösterip uzamsal ve spektral artıklığı azaltmaktadır. Bu aşamada, bazı yöntemler standart dönüşüm işlemleri sözlük öğrenmesi temelli yaklaşımlarla da dönüşüm işlemi yapabilmektedir [40-42]. Bu yaklaşımlarda dönüşüm sonrası katsayılar seyrek olabilmektedir.

Dönüşüm sonrasında oluşan katsayıları bir nicemleyici ile belirli seviyelere atanmaktadır. Bu aşamada veride kayıp oluşmaktadır. Nicemleme sonrasında oluşan katsayılar çoğunlukla birbirine yakın seviyelere gelmekte ve sıkıştırmaya uygun hale gelmektedir. Son olarak bu katsayılar sembol kodlama yöntemleri ile istatistiksel artıklık kaldırılmakta ve veri sıkıştırılmaktadır. Bunun tam tersi işlemlerden geçtiğinde ise sıkıştırılan veri geri elde edilmektedir.

Şekil 3.6. Hiperspektral görüntülerin dönüşüm temelli yöntemlerle kayıplı sıkıştırılması

Bu yöntemlerde kullanılan dönüşümler birim dönüşüm (unitary transform) olarak isimlendirilmektedir. Birim dönüşümlerin genel özellikleri maddeler halinde aşağıda paylaşılmıştır [37].

 Dönüşüm öncesi kullanılan işaretin enerjisi dönüşüm sonrasında da korunmaktadır.  Tersi alınabilir bir dönüşümdür. Böylelikle, içerik bilgisi birebir korunarak ve herhangi bir kayıp olmadan ters dönüşüm ile işaretler geri elde edilebilmektedir.  Enerji sıkıştırma (energy compaction) özelliği sayesinde daha büyük bir enerji daha az katsayı ile ifade edilebilmektedir.

 Dönüşüm sonrasında işaret içerisindeki ilinti giderilmektedir. Bu özellik literatürde ilintisizleştirme (decorrelation) özelliği olarak da bilinmektedir.

24 3.2.2. Kayıpsız sıkıştırma

Bu kategoride tanımlanmış sıkıştırma algoritmaları, sıkıştırılmış bit dizisini kullanarak orijinal verinin birebir aynısını geri elde edebilmesini sağlamaktadır. Geri elde edilen veride herhangi bir bozunum oluşmadığından sıkıştırma yöntemlerinin performanslarının değerlendirilmesinde herhangi bir kalite metriğine ihtiyaç duyulmamaktadır. Kayıpsız sıkıştırma yöntemlerinde sıkıştırma oranları yaklaşık 4:1 oranındadır ve kayıplı sıkıştırma yöntemlerine göre düşük oranlar sağlamaktadır. Hiperspektral görüntüler, üç boyutlu bir yapıda olduğundan herhangi bir pikselin uzamsal ve spektral eksendeki komşulukları merkezde bulunan piksele benzer değerlerde olma eğilimindedir. Hiperspektral görüntü sıkıştırmada bu özellik kullanılarak ilgili piksele ait tahmin yapılabilmektedir. Tahmin temelli yöntemler kayıpsız sıkıştırmanın temelini oluşturmaktadır. Bunun dışında, kayıplıdan kayıpsıza (lossy to lossless) adı altında vektör nicemleme ve dönüşüm temelli sıkıştırma başlıklı çalışmalar da bulunmaktadır.

Tahmin temelli yöntemler düşük karmaşıklığa sahip olduğundan gömülü platformlarda daha az güç tüketimine sahiptir. Bu sebeple, tahmin temelli yöntemler hiperspektral görüntülerin uydu üzerinde sıkıştırılması için uygun yöntemler olmaktadır. Bilindiği üzere uydu üzerindeki platformlarda çok güçlü donanımlar ve kaynakları olmadığından yöntemin düşük karmaşıklığa sahip olması aranmaktadır. Tahmin temelli yöntemlerine ait genel akış Şekil 3.7’deki gibidir. Bant sıralama veya gruplama, bant içi tahmin, bantlar arası tahmin ve sembol kodlama olmak üzere dört farklı adım kullanılmaktadır. Bu yapılara ait ayrıntılar aşağıda alt başlıklar halinde paylaşılmştır.

3.2.2.1. Bant sıralama ve bant gruplama

Bant görüntülerinin sıralanması ve gruplanması adımı, hiperspektral görüntü sıkıştırmasında bir önişlem adımıdır [39]. Bu amaçla kullanılan yöntemler sıralama ve gruplama olmak üzere iki farklı yaklaşım sunmaktadır. Hiperspektralde kullanılan tahmin yöntemleri spektral bantları ilk banttan itibaren sırasıyla tahmin etmektedir. Her bant görüntüsü sıkıştırma sonrasında referans ve kestirilecek bant görüntüsü

25

ardışık olarak değişmektedir. Bant sıralama yaklaşımı bu sırayı daha ilintili hale getirerek sıkıştırma performansını arttırmayı amaçlamaktadır. Örneğin, 20. spektral bant görüntüsünü, 19. bant yerine daha düşük tahmin hatası sağlayacak farklı bir bant görüntüsünü referans alarak kestirim yapabilmektedir. Hiperspektral görüntülerde bazı bant görüntüleri gürültü, sensör karakteristiği, atmosferik etki, kontrast değişimi veya bulanıklık gibi sebeplerden ötürü ardışık bantlar arasında düşük ilintili olabilmektedir. Bu gibi durumlarda ilgili bantların bant içi tahmini verimli olabilmektedir. Bant gruplama, sıralamadan farklı olarak bant içi ve bantlar arası tahmin edilecek bant indislerini ayırmaktadır.

Şekil 3.7. Hiperspektral görüntülerin tahmin temelli yöntemlerle sıkıştırılması

3.2.2.2. Bant içi tahmin

Bant içi tahmin adımında değerlendirilen bant görüntüleri yukarıda belirtildiği gibi genellikle komşu spektral bant görüntüleriyle ilintisi düşük olan (örneğin; gürültülü bantlar gibi) görüntülerdir. Bu adıma girecek spektral bant sayısının çoğunlukla düşük olması ve sıkıştırma performansını çok etkileyememesi nedeniyle, bantlar arası sıkıştırma konusu bantlar arası sıkıştırma literatürüne göre biraz daha geri planda kalmıştır. Yapılan çalışmalarda, hesapsal yükünün az olmasından dolayı JPEG-LS’in temelinde kullanılan ortanca tahmin yapısı kullanılmıştır [12, 30, 34].

26 3.2.2.3. Bantlar arası tahmin

Hiperspektral görüntülerde bantlar arasındaki ilintinin oldukça yüksek olmasından dolayı herhangi bir spektral bant bir veya birden fazla komşu spektral bant üzerinden yüksek kalite ile tahmin edilebilmektedir. Bantlar arası tahmin yöntemleri, sıkıştırma performansı önemli derecede değiştirebildiği için tahmin temelli sıkıştırmanın en önemli adımı olarak öne çıkmaktadır [9].

3.2.2.4. Sembol kodlama

Sembol kodlama adımında, tahmin edilen görüntü ve orijinal görüntü arasındaki farklar hesaplanarak hiperspektral görüntü hem spektral hem de uzamsal eksende ilintisizleştirilmektedir [38]. Tahmin hataları kayıplı sıkıştırmadakine benzer olarak sembol kodlama yöntemleriyle sıkıştırılmaktadır.

3.2.3. Kayıpsıza yakın sıkıştırma

Hiperspektral görüntü alınırken kullanılan ekipmanlar termal gürültü, tuz biber gürültüsü ve nicemleme gürültüsü gibi pek çok gürültü tipi üretmekte ve veri üzerinde farklı etkiler oluşturmaktadır [43]. Ham olarak gelen görüntü radyans (radiance) verisine dönüştürülerek istenmeyen atmosferik etkiler giderilmeye çalışılmaktadır. Fakat, bu aşama da istenmeyen bazı bozunumlar oluşturabilmektedir. Tüm bu süreçte veriyi bozucu pek çok etki olduğu görülmektedir. Bu sebeple, literatürde veriyi tamamen kayıpsız sıkıştırmak yerine belirli bir bozunum seviyesi belirlenerek kayıpsıza yakın sıkıştırma konusu ortaya çıkmıştır.

Orijinal veri ile geri elde edilen veri arasındaki hatanın oldukça küçük olduğu durumlar literatürde kayıpsıza yakın sıkıştırma yöntemi olarak adlandırılmaktadır [43]. Oluşan hatanın sınırı, zirve mutlak hata (peak absolute error) kıstasıyla kontrol edilebilmektedir. Bu metrik değeri, 0 olduğunda yöntem kayıpsız olarak çalışmaktadır [43]. Kayıpsıza yakın sıkıştırma yöntemleri kayıpsız sıkıştırma yöntemlerine göre daha yüksek sıkıştırma oranlarıyla dikkat çekmektedir.

Kayıpsıza yakın sıkıştırma altındaki yöntemler dönüşüm temeli, vektör nicemleme temelli ve tahmin temelli yöntemleri de kullanabilmektedir [9]. Geleneksel olarak kayıpsız sıkıştırmada kullanılan tahmin temelli yöntemleri kayıpsıza yakın hale

27

getirmek için sembol kodlamaya giren tahmin hataları düşük seviyelerde nicemlenebilmektedir.

Vektör nicemleme yöntemlerinde ilk adım hiperspektral görüntünün kümelere ayrılmasıdır [9]. Kümeleme spektral imzalar üzerinde yapılmakta ve işlem karmaşıklığı sebebiyle tüm veri yerine örnek sayısı azaltılmış veri üzerinden gerçekleştirilebilmektedir. Tüm kümelerin merkezine ait spektral imzaların alt alta dizilmesiyle bir kod kitabı oluşturulmaktadır. Küme sayısı kod kitabının uzunluğunu belirlemektedir. Sonrasında, tüm piksellere ait spektral imzalar kod kitabındaki en yakın spektral imza ile eşleştirilmekte ve kod kitabındaki indisleri alıcıya gönderilmektedir. Alınan veriyi geri elde edebilmesi için kod kitabı da ayrıca iletilmektedir. Alıcı kısmının işlemsel karmaşıklığı göndericiye göre düşük olmaktadır. Dezavantajları, kenar bilgilerini iyi korumaması ve kod kitabı uzunluğunun gönderilecek bilgileri doğrudan etkilemesidir.