KaydedilenlerDerginizi ekleyin

Dergiler / Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi / 2020 / Cilt: 26 - Sayı: 5

Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması

Ergün CAN
Ali Can KARACA
Oğuzhan URHAN
Mehmet Kemal GÜLLÜ
Sayfa
868–883
Yayın Tarihi
2020-10-23
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmada, hiperspektral görüntülerin kayıplı sıkıştırılması için otomatik uyarlamalı ışıklılık dönüşümü ve üç-boyutlu ayrık kosinüs dönüşümünü (3D-DCT) kullanan özgün bir yöntem önerilmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Hiperspektral görüntüleme, farklı uygulama alanlarındaki kullanımı ile son yıllarda oldukça popüler bir konu haline gelmiştir.
📊
Temel Bulgular & Veri:Yüksek depolama alanlarına ihtiyaç duyan hiperspektral görüntülerin yüksek verim ve kalite ile sıkıştırılması gerekmektedir.
💡
Sonuç & Katkı:Bu çalışmada, hiperspektral görüntülerin kayıplı sıkıştırılması için otomatik uyarlamalı ışıklılık dönüşümü ve üç-boyutlu ayrık kosinüs dönüşümünü (3D-DCT) kullanan özgün bir yöntem önerilmektedir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Hiperspektral görüntüler · Sıkıştırma · Ayrık kosinüs dönüşümü

Özet

Hiperspektral görüntüleme, farklı uygulama alanlarındaki kullanımı ile son yıllarda oldukça popüler bir konu haline gelmiştir. Yüksek depolama alanlarına ihtiyaç duyan hiperspektral görüntülerin yüksek verim ve kalite ile sıkıştırılması gerekmektedir. Bu çalışmada, hiperspektral görüntülerin kayıplı sıkıştırılması için otomatik uyarlamalı ışıklılık dönüşümü ve üç-boyutlu ayrık kosinüs dönüşümünü (3D-DCT) kullanan özgün bir yöntem önerilmektedir. Önerilen yöntemde ilk olarak hiperspektral verideki spektral bantlar gruplanmış ve ön işlem olarak otomatik uyarlamalı ışıklılık dönüşümü uygulanmıştır. Elde edilen her bant grubu ayrık kosinüs dönüşümü ve sonrasında Huffman kodlama kullanılarak sıkıştırılmıştır. Önerilen ışıklılık dönüşümünün amacı, bir grup içindeki bant imgeleri arasındaki ışıklılık ve karşıtlık farklılıklarını azaltarak sıkıştırma performansının arttırılmasını sağlamaktır. Deneysel sonuçlarda, Cuprite, Moffett Field, Jasper Ridge ve Pavia University hiperspektral görüntüleri üzerinde önerilen yöntem, ışıklılık dönüşümünün farklı versiyonları ile karşılaştırılmıştır. Karşılaştırma sinyal-gürültü oranı ve ortalama spektral açı uzaklığı gibi ölçütler kullanılarak yapılmıştır. Bunun yanında, sıkıştırılan verideki anomali ve hedef tespiti başarımları dakarşılaştırılmıştır. Önerilen yöntemin, 3D-DCT sıkıştırma performansını özellikle düşük bit oranlarında ortalama %40 oranına kadar arttırdığı gösterilmiştir.

🔖

Bu Makaleye Atıf Yap

CAN, E., KARACA, A. C., URHAN, O., GÜLLÜ, M. K. (2020). Hiperspektral görüntülerin otomatik uyarlamalı ışıklılık dönüşümü ve 3D-DCT yöntemi kullanılarak sıkıştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 26 - Sayı: 5, 868–883. https://ajindex.com/articles/100584

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (1)

  1. Öztürk Ş, Esin Y, Artan Y, Özdil Ö, Demirel B. “Importance of band selection for ethene and methanol gas detection in hyperspectral imagery”. 9thWorkshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), Amsterdam, Netherlands, 23-26 September 2018. [2]Xu Y, Wu Z, Wei Z, Dalla Mura M, Chanussot J, Bertozzi A. “Gasplume detection in hyperspectral video sequence using low rank representation”. IEEE2016International Conference on Image Processing (ICIP), Phoenix, USA, 25-28 September 2016. [3]Çeşmeci D, Karaca AC, Ertürk A, Güllü MK, Ertürk S. “Hyperspectral change detection by multi-band census transform”. IEEE2018Geoscience and Remote Sensing Symposium, Quebec City, Canada, 13-18 July 2018. [4]Kumar JP, Deshpande S, Inamdar A. “Detection of fertilizer quantity in soil using hyperspectral data”. 9thWorkshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), Amsterdam, Netherlands, 23-26 September 2018. [5]Zhao Y, Wang Y, Wei D, Mu H, Ning T. “Application of hyperspectral imaging in measurement real-time of seeds”. IEEE 2016International Conference on Smart Cloud, New York, NY, 18-20 November 2016. [6]Liang Y, Markopoulos PP, Saber ES. “Subpixel target detection in hyperspectral images with local matched filtering in SLIC superpixels”. 8thWorkshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), Los Angeles, USA, 21-24 August2016. [7]Ben Salem M, Ettabaa KS, Bouhlel MS. “Anomaly detection in hyperspectral images based spatial spectral classification”. 7thInternational Conference on Sciences of Electronics, Technologies of Information and Telecommunications (SETIT), Hammamet, Tunusia,18-26 December2016. [8]Xu H, Wang XJ. “Applications of multispectral hyperspectral ımaging technologies ın military”.Infrared And Laser Engineering, 36(1), 13-18, 2007. [9]Weijtmans PJC, Shan C, Tan T, Brouwer de Koning SG, Ruers TJM. “A duel stream network for tumordetection in hyperspectral ımages”. IEEE 16thInternational Symposium on Biomedical Imaging, Venice, Italy, 8-11 April2019. [10]Pike R, Lu G, Wang D, Chen ZG, Fei B. “A minimum spanning forest-based method for noninvasive cancer detection with hyperspectral imaging”. IEEE Transactions on Biomedical Engineering, 63(3), 653-663, 2016. [11]Christophe E, “Hyperspectral Data Compression Tradeoff, In: Prasad S, Bruce L, Chanussot J, Optical Remote Sensing”. Augmented Vision and Reality, 3(1), 9-29, 2011. [12]Pennebak