A Scalable Reduced-Complexity Compression of Hyperspectral Remote Sensing Images Using Deep Learning
Mijares i Verdú, Sebastià (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
Ballé, Johannes (Google Research)
Laparra, Valero (Universitat de Valencia. Laboratori de Processament d'imatges)
Bartrina Rapesta, Joan (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
Hernández-Cabronero, Miguel (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
Serra Sagristà, Joan (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)

Fecha:	2023
Resumen:	Two key hurdles to the adoption of Machine Learning (ML) techniques in hyperspectral data compression are computational complexity and scalability for large numbers of bands. These are due to the limited computing capacity available in remote sensing platforms and the high computational cost of compression algorithms for hyperspectral data, especially when the number of bands is large. To address these issues, a channel clusterisation strategy is proposed, which reduces the computational demands of learned compression methods for real scenarios and is scalable for different sources of data with varying numbers of bands. The proposed method is compatible with an embedded implementation for state-of-the-art on board hardware, a first for a ML hyperspectral data compression method. In terms of coding performance, our proposal surpasses established lossy methods such as JPEG 2000 preceded by a spectral Karhunen-Loève Transform (KLT), in clusters of 3 to 7 bands, achieving a PSNR improvement of, on average, 9 dB for AVIRIS and 3 dB for Hyperion images.
Ayudas:	Agència de Gestió d'Ajuts Universitaris i de Recerca 2018/BP-00008 Agència de Gestió d'Ajuts Universitaris i de Recerca 2021/SGR-00643 European Commission 801370 Agencia Estatal de Investigación RTI2018-095287-B-I00 Agencia Estatal de Investigación PID2020-118071GB-I00
Derechos:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.
Lengua:	Anglès
Documento:	Article ; recerca ; Versió publicada
Materia:	Image compression ; Hyperspectral ; Deep learning ; Data compression ; AVIRIS ; Hyperion
Publicado en:	Remote sensing (Basel), Vol. 15, Issue 18 (September 2023) , art. 4422, ISSN 2072-4292

DOI: 10.3390/rs15184422

15 p, 3.5 MB

El registro aparece en las colecciones:
Artículos > Artículos de investigación
Artículos > Artículos publicados