Spectral decorrelation for coding remote sensing data

Abstract

Hoy en día, los datos de teledetección son esenciales para muchas aplicaciones dirigidas a la observación de la tierra. El potencial de los datos de teledetección en ofrecer información valiosa permite entender mejor las características de la tierra y las actividades humanas. Los desarrollos recientes en los sensores de satélites permiten cubrir amplias áreas geográficas, produciendo imágenes con resoluciones espaciales, espectrales y temporales sin precedentes. Esta cantidad de datos producidos implica una necesidad requiere técnicas de compresión eficientes para mejorar la transmisión y la capacidad de almacenamiento. La mayoría de estas técnicas se basan en las transformadas o en los métodos de predicción.

Con el fin de entender la independencia no lineal y la compactación de datos para las imágenes hiperespectrales, empezaos por investigar la mejora de la transformada “Principa Component Analysis” (PCA) que proporciona una decorrelación optima para fuentes Gausianas. Analizamos la eficiencia en compresión sin perdida de “Principal Polynomial Analysis” (PPA) que generaliza PCA con la eliminación de las dependencias non lineales a través de regresión polinomial. Mostramos que las componentes principales no son capaces de predecirse con la regresión polinomial y por tanto no se mejora la independencia del PCA.

Este análisis nos permite entender mejor el concepto de la predicción en el dominio de la transformada para fines de compresión. Por tanto, en lugar de utilizar transformadas sofisticadas y costosas como PCA, centramos nuestro interés en transformadas más simples como “CDiscrete Wavelet Transform”(DWT). Mientras tanto, adoptamos técnicas de predicción para explotar cualquier dependencia restante entre las componentes transformadas. Así, introducimos un nuevo esquema llamado “Regression Wavelet Analysis” (RWA) para aumentar la independencia entre los coeficientes de las imágenes hiperespectrales. El algoritmo utiliza la regresión multivariante para explotar las relaciones entre los coeficientes de las transformada DWT. El algoritmo RWA ofrece muchas ventajas, como el bajo coste computacional y la no expansión del rango dinámico. Sin embargo, la propiedad más importante es la eficiencia en compresión sin perdida. Experimentaos extensivos sobre un conjunto amplio de imanes indican que RWA supera las técnicas mas competitivas en el estado del arte com. PCA o el estándar CCSDS-123.

Extendemos los beneficios de RWA para la compresión progresiva “ Lossy-to-lossless “. Mostramos que RWA puede alcanzar una relación rate-distorsión mejor que las obtenidas por otras técnicas del estado del arte como PCA. Para este fin, proponemos un esquema de pesos que captura la significancia predictiva de las componentes.

Para un análisis más profundo, también analizamos el sesgo en los parámetros de regresión cuando se aplica una compresión con perdida. Mostramos que los parámetros de RWA no son sesgados cuando los modelos de regresión se aplican con los datos recuperados que carecen información.

Finalmente, introducimos una versión del algoritmo RWA de muy bajo coste computacional. Con este nuevo enfoque, la predicción solo se basa en muy pocas componentes, mientras que el rendimiento se mantiene. Mientras que la complejidad de RWA se lleva a su bajo extremo, un método de selección eficiente es necesario. A diferencia de otros métodos de selección costosos, proponemos una estrategia simple pero eficiente llamada “ neighbor selection” para seleccionar modelos con pocas componentes predictivas. Sobre un amplio conjunto de imágenes hiperespectrales, estos modelos mantienen el excelente rendimiento de RWA con el modelo máximo, mientras que el coste computacional es reducido al

Today remote sensing is essential for many applications addressed to Earth Observation. The potential capability of remote sensing in providing valuable information enables a better understanding of Earth characteristics and human activities. Recent advances in satellite sensors allow recovering large areas, producing images with unprecedented spatial, spectral and temporal resolution. This amount of data implies a need for efficient compression techniques to improve the capabilities of storage and transmissions. Most of these techniques are dominated by transforms or prediction methods. This thesis aims at deeply analyzing the state-of-the-art techniques and at providing efficient solutions that improve the compression of remote sensing data. In order to understand the non-linear independence and data compaction of hyperspectral images, we investigate the improvement of Principal Component Analysis (PCA) that provides optimal independence for Gaussian sources. We analyse the lossless coding efficiency of Principal Polynomial Analysis (PPA), which generalizes PCA by removing non-linear relations among components using polynomial regression. We show that principal components are not able to predict each other through polynomial regression, resulting in no improvement of PCA at the cost of higher complexity and larger amount of side information.

This analysis allows us to understand better the concept of prediction in the transform domain for compression purposes. Therefore, rather than using expensive sophisticated transforms like PCA, we focus on theoretically suboptimal but simpler transforms like Discrete Wavelet Transform (DWT). Meanwhile, we adopt predictive techniques to exploit any remaining statistical dependence. Thus, we introduce a novel scheme, called Regression Wavelet Analysis (RWA), to increase the coefficient independence in remote sensing images. The algorithm employs multivariate regression to exploit the relationships among wavelet-transformed components. The proposed RWA has many important advantages, like the low complexity and no dynamic range expansion. Nevertheless, the most important advantage consists of its performance for lossless coding. Extensive experimental results over a wide range of sensors, such as AVIRIS, IASI and Hyperion, indicate that RWA outperforms the most prominent transforms like PCA and wavelets, and also the best recent coding standard, CCSDS-123. We extend the benefits of RWA to progressive lossy-to-lossless. We show that RWA can attain a rate-distortion performance superior to those obtained with the state-of-the-art techniques. To this end, we propose a Prediction Weighting Scheme that captures the prediction significance of each transformed components. The reason of using a weighting strategy is that coefficients with similar magnitude can have extremely different impact on the reconstruction quality. For a deeper analysis, we also investigate the bias in the least squares parameters, when coding with low bitrates. We show that the RWA parameters are unbiased for lossy coding, where the regression models are used not with the original transformed components, but with the recovered ones, which lack some information due to the lossy reconstruction. We show that hyperspectral images with large size in the spectral dimension can be coded via RWA without side information and at a lower computational cost. Finally, we introduce a very low-complexity version of RWA algorithm. Here, the prediction is based on only some few components, while the performance is maintained. When the complexity of RWA is taken to an extremely low level, a careful model selection is necessary. Contrary to expensive selection procedures, we propose a simple and efficient strategy called \textit{neighbor selection} for using small regression models. On a set of well-known and representative hyperspectral images, these small models maintain the excellent coding performance of RWA, while reducing the computational cost by about 90\%.