Publication:
Fast piecewise linear predictors for lossless compression of hyperspectral imagery

Thumbnail Image
Authors
Rodríguez-del Río, Leila S.
Embargoed Until
Advisor
Hunt, Shawn D.
College
College of Engineering
Department
Department of Electrical and Computer Engineering
Degree Level
M.S.
Publisher
Date
2003
Abstract
Image compression of hyperspectral is necessary because of the large storage requirements. The main objective of this research is to develop and implement fast and good predictors, for use in lossless compression of hyperspectral images. The algorithms developed in this research are compared in terms of compression performance and computational complexity against the best existent algorithms. These benchmark algorithms are LOCO-I and CALIC-Extended. Lossless compression algorithms are typically divided into two stages, a prediction stage to eliminate redundancy and a coding stage. The predictors can utilize pixels of the same spectral band, adjacent bands or both in order to perform the prediction. Algorithms found in documented research use information of their same band or an adjacent band, but not at the same time. An example of this type of algorithm is algorithm LOCO-I, which only uses the information in the same band in order to predict. However, the CALICExtended algorithm alternates between the information in the same band and that of the adjacent one. The algorithms developed during this research use pixels of both bands in order to do the prediction. The best lossless compression predictor implemented in this research, gave better compression than the state of the art along with a low computational complexity.

La compresión de imágenes hiperespectrales es necesaria porque estas imágenes requieren un espacio considerable de almacenamiento. Este trabajo tiene como propósito desarrollar e implementar predictores para compresión sin perdida de imágenes hiperespectrales, que sean rápidos y que tengan poca complejidad. Los algoritmos implementados en este trabajo serán comparados en términos de la razón de compresión y complejidad computacional contra los algoritmos de compresión más populares en la literatura. Los algoritmos que utilizaremos como punto de comparación son LOCO-I y CALIC-Extendido. Típicamente los algoritmos de compresión sin pérdida consisten de una etapa de predicción para reducir la redundancia y de una etapa de codificación. Los predictores pueden utilizar tanto píxeles en la misma banda espectral como en la banda previa o en ambas. Los algoritmos presentados en la literatura se basan en predictores donde solo utilizan la información de la misma banda de predicción o utilizan la información de la banda previa, pero nunca utilizan ambas al mismo tiempo. Ejemplo de esto, es el algoritmo LOCO-I donde solo utiliza la información de la misma banda para hacer la predicción. Sin embargo, CALICExtended intercambia entre la misma banda y la banda previa. Los algoritmos desarrollados en este trabajo utilizaran píxeles de ambas banda para hacer la predicción. Los mejores algoritmos implementados en este trabajo dieron los mejores resultados de compresión en comparación a los algoritmos mas utilizados en la literatura, y a su vez co
Keywords
Lossless compression,
hyperspectral imagery
Cite
Rodríguez-del Río, L. S. (2003). Fast piecewise linear predictors for lossless compression of hyperspectral imagery [Thesis]. Retrieved from https://hdl.handle.net/20.500.11801/2128