Loading...
A block-compressive sensing algorithm for hyperspectral data processing and acquisition: A comparative classification performance study
Citations
Altmetric:
Abstract
Current deployments of remote sensing hyperspectral imaging (HSI) technology usually require expensive setup costs, specialized aircraft and associated infrastructure, in addition to producing amounts of data that have a nontrivial impact on data storage resources. Compressive Sensing (CS) and sparse recovery of signals is a field of growing recent interest due to the promise of efficient signal acquisition, manipulation and recovery operations in applications where sensor utilization is a scarce, coveted, and/or expensive resource. Applications of CS technology on HIS acquisition and processing application promise to significantly increase the volume of relevant data captured in a single expedition and/or reduce the need of either continuously increasing available data storage resources or discarding valuable information. However, CS is an inherently lossy compression format, therefore it is necessary to evaluate the system parametrization that best fits the acquisition of data for a certain application. The current work shows that approaches based on this technology can improve the efficiency of several data processes, such as manipulation, analysis and storage, already established for hyperspectral imagery, without significant loss in data performance upon reconstruction. We present the results of a comparative analysis of classification performance between a HSI data cube acquired by traditional means, and HSI data cubes obtained through reconstruction from compressively sampled data points using a variety of different parameter combinations with a block-based CS recovery algorithm. To obtain a big picture view of the classification performance of compressively sensed HSI data cubes, we classify two verified HSI data cubes using a set of five classifiers commonly used in hyperspectral image classification. Global accuracy statistics are presented and discussed for each parameter combination, as well as class-specific statistical properties of the evaluated HSIs. Additionally, we perform a study of a state-of-the-art sparse-representation-based classifier(SRC) for hyperspectral imaging, and evaluate potential improvements that reduce computational complexity with comparable results. With the intention of furthering the extent of our classification performance analysis, we use these SRC-based classifiers in addition to the five conventional HSI classification algorithms considered. In this thesis, we show that using sampling factors below the values that allow for nearperfect HSI recovery has a positive impact on classification performance, and higher sampling factors do not have a negative impact on classification performance when compared to that of the original, uncompressed HSIs. Further, the use of large block sizes do not have a positive impact on classification performance that offsets the high computation time that comes with them. Finally, our proposed improvement to the SRC-based HSI classifier showed results comparable to a state-of-the-art approach, with the added benefit of reduced computational complexity.
Description
Las aplicaciones actuales de sensado remoto que emplean tecnología de adquisición
de imágenes hiperespectrales usualmente presentan una serie de desventajas que incluyen
altos costos de preparación de expediciones, requisitos especiales de aeronaves
e infraestructura asociada, y el hecho que generan cantidades de datos que
tienen un impacto no trivial en la disponibilidad de recursos de almacenamiento.
Recientemente, los campos de Sensado Compresivo (CS, por sus siglas en inglés)
y recuperación de señales dispersas están despertando gran interés debido a que
prometen hacer más eficientes los procesos de adquisición, manipulación, almacenamiento
y recuperación de señales en aplicaciones donde el tiempo de utilización
de un sensor dado es un recurso escaso, codiciado y/o costoso. Las aplicaciones que
emplean tecnologías basadas en SC para adquisición y procesamiento de imágenes
hiperespectrales prometen incrementar significativamente el volumen de datos relevantes
que se capturan en expediciones individuales, y/o reducir la presión por
parte de la disponibilidad de los recursos computacionales de almacenamiento para continuamente proveer más espacio, o tener que deshacerse de datos potencialmente
valiosos. Sin embargo, dado que el SC es un formato de compresión inherentemente
con pérdidas, es necesario evaluar la parametrización adecuada del sistema
que maximize la adquisición de datos relevantes para una aplicación específica.
El trabajo actual intenta demostrar que las tecnologías de sensado compresivo
y recuperación de señales dispersas pueden mejorar la eficiencia de los procesos de
manipulación, análisis y almacenamientos ya establecidos para imágenes hiperespectrales,
con pérdidas mínimamente descernibles de desempeño de clasificación una vez
recuperadas. Presentamos los resultados de un análisis comparativo de desempeño
de clasificación entre imágenes hiperespectrales adquiridos de manera convencional,
e imágenes hiperespectrales recuperadas a partir de muestras compresivas utilizando
un algoritmo de sensado y recuperación dispersa de imágenes hiperespectrales por
bloques, bajo una variedad de combinaciones de parámetros de muestreo y recuperación. Con el objetivo de obtener un panorama amplio del desempeño de clasificación de imágenes hiperspectrales sensadas de manera compresiva, clasificamos dos
imágenes hiperespectrales distintas previamente verificadas utilizando un conjunto
de 5 algoritmos de clasificación comúnmente utilizados en la actualidad. Estadísticas
globales de exactitud de clasificación son presentadas y discutidas para cada combinación de parámetros. Adicional a esto, presentamos propiedades estadísticas
específicas para cada clase en las imágenes hiperespectrales consideradas.
Finalmente, realizamos un estudio sobre un algoritmo de clasificación de imágenes
hiperespectrales que utiliza tecnologías de punta basadas en representación dispersa
de imágenes, y evaluamos potenciales mejoras que reducen significativamente su
complejidad computacional, sin impactar de manera considerable su desempeño de
clasificación. Con la intención de extender la amplitud de nuestro análisis de desempeño de clasificación, empleamos dos clasificadores basados en la representación
dispersa de las muestras como complemento a los cinco algoritmos de clasificación para imágenes hiperespectrales convencionales previamente considerados. Nuestros
resultados demuestran que la utilización de factores de muestreo por debajo de aquellos
que permiten la reconstrucción casi perfecta de imágenes hiperespectrales tienen
un impacto positivo sobre el desempeño de clasificación. Mientras tanto, los factores
de muestreo por encima de estos valores no presentan un impacto negativo en desempeño de clasificación en comparación a las imágenes hiperespectrales originales
sin compresión. En el caso de los tamaños de bloque, observamos que no tienen
un impacto positivo sobre del desempeño de clasificación que justifique los altos
costos en tiempos computacionales asociados a ellos. Finalmente, los resultados en
desempeño de clasificación de nuestra propuesta para mejorar un clasificador por
representación dispersa son comparables a la alternativa de punta, con el beneficio
adicional de presentar una complejidad computacional reducida.
Date
2016
Journal Title
Journal ISSN
Volume Title
Publisher
Collections
Keywords
Data processing, Hyperspectral imaging