Embed Size (px)
Citation preview
Sistemas para
Compressão de Imagens em
Satélites de Sensoriamento Remoto
Profa. Dra. Leila M. G. Fonseca (Supervisora).................. DPI/INPE
Prof. Dr. Max H. M. Costa (Colaborador)................ FEEC/UNICAMP
Lilian Nogueira de Faria (Bolsista).................................... DPI/INPE
{leila, lilian}@dpi.inpe.br, [email protected]
Lilian Nogueira de Faria
Universidade Federal de São Carlos (UFSCar)
Mestre em Ciência da Computação Processamento de Imagens e Sinais: Arquiteturas e Algoritmos Orientadores: Prof. Dr. Nelson D. A. Mascarenhas e Prof. Dr. Célio E. Moron
Instituto Nacional de Pesquisas Espaciais (INPE)
Bolsista do Programa de Capacitação Institucional Coordenação Geral de Observação da Terra (OBT)
Divisão de Processamento de Imagens (DPI)
Supervisora: Profa. Dra. Leila M. G. Fonseca
Bolsista PCI-DA (2009-atual)
Programa Interno de
Desenvolvimento de Tecnologias Críticas
Projetos que visam consolidar tecnologias
prioritárias e inovadoras para desenvolvimento
independente de satélites no Brasil.
PTCR-INPE
Projeto Sistema de Compressão de Dados
Motivação
[ Dependência da tecnologia chinesa ]
Adquirir conhecimentos sólidos e
estabelecer domínio da tecnologia de compressão
de imagens para embarcar nos futuros satélites
do Programa Espacial Brasileiro.
PTCR-PJSCD (2009-atual)
Compressão de imagens reduz a
quantidade de dados necessária para
representar uma imagem digital, com perda
ou sem perda de informação.
Compressão de imagens
Codificador
Codificador Decodificador Canal
Compressão de imagens
Imagem
original
Imagem
decodificada
Satélites de Sensoriamento Remoto
Em missões espaciais, a compressão é necessária
devido a limitações de recursos de armazenamento
e largura de banda de transmissão de dados.
Em aplicações onde a informação contida na
imagem é importante para exploração científica e o
custo de aquisição de dados é alto, os dados
originais devem ser preservados.
Compressão de imagens
A câmera PAN do satélite CBERS 3, com lançamento em 9 de
dezembro de 2013, usa um compressor DPCM com perda
desenvolvido pela CAST/China.
Domínio espacial Métodos preditivos
DPCM
Lossless JPEG
JPEG-LS ...
Modelos de Compressão
Domínio da frequência Métodos baseados em transformada
JPEG
JPEG2000
CCSDS-IDC
ICER e SPIHT
JPEG-XR ...
Compressão de imagens
Os métodos DPCM, JPEG-LS, CCSDS-IDC e
JPEG-XR foram avaliados em software para seleção do
compressor de melhor desempenho.
Conjunto de imagens-teste:
20 cenas multiespectrais (5 bandas)
da câmera CCD/CBERS-2B
Sistemas de compressão de imagens
1992 1993 ... 1999 2000 ... 2005 2006 ... 2009 1950
1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
16 17 18 19 20
Imag
en
s C
CD
/CB
ER
S-2
B
Processamento rápido.
Execução em tempo real durante aquisição das imagens.
Bom desempenho de compressão.
Diminuição do volume de dados.
Boa qualidade da imagem recuperada. Imagem sem perda ou quase sem perda.
Baixa complexidade computacional.
Implementação em hardware embarcado no satélite
com recursos computacionais limitados.
Requisitos do sistema de compressão
Razão de Compressão Requisitos mínimos
Qualidade quantitativa da imagem
Medidas de desempenho e qualidade
CR = tamanho original
tamanho comprimido
MSEPSNR
2
10 )255(log10 (dB)
2
0 0
)(1
dec
M
x
N
y
orig IIMN
MSE
4:1
50 dB
Desempenho Razão de Compressão
4
P
SN
R (
dB
)
Qu
alid
ad
e
30
35
40
45
50
55
60
1 10 100
DPCM
JPEG - LS
CCSDS -IDC
JPEG - XR
JPEG - XR All
DPCM *
All QP = 10
All QP = 16
All QP = 8
All QP = 4
All QP = 32
Near 4
JPEG-LS Near 0
Near 1
Near 2
Near 3
Bpp 2.0
Bpp 0.5
CCSDS Bpp = 4
Bpp 1.0
NoHighpass
Noflexbits
JPEG-XR All
DC-Only
Bpp 0.25
Resultado de desempenho x qualidade
*Errata Doc. DPCM
Análise subjetiva de qualidade visual DPCM
Original DPCM
Ruído granular
CR 2.0
Ne
ar
1
Ne
ar
2
Ne
ar
3
JPEG-LS
Ori
gin
al &
Near
0
CR 6.0
CR 9.0 CR 15.0
Sem perda
Ori
gin
al
Int
4b
pp
Int
2b
pp
Int
1b
pp
CCSDS-IDC
CR 4.0 CR 8.0
CR 2.0
No
fle
xb
its
No
Hig
hp
ass
DC
On
ly
JPEG-XR
Ori
gin
al
& A
ll
Sem perda
CR
4.0
CR
16.0
CR
> 1
00
All Q10 CR 9.0
Similaridade Estrutural (SSIM)
Colormap SSIM Maior degradação < 0.95 1.0 Sem degradação estrutural
DPCM
CR 2.0
PSNR 38.6
MSSIM 0.98
JPEG-LS 2
CR 8.2
PSNR 45.3
MSSIM 0.97
CCSDS
CR 8.0
PSNR 47.8
MSSIM 0.98
JPEG-XR
CR 9.6
PSNR 51.9
MSSIM 0.99
Colormap SSIM Maior degradação < 0.95 1.0 Sem degradação estrutural
Similaridade Estrutural (SSIM)
Velocidade de compressão
0.0 2.0 4.0 6.0 8.0 10.0 12.0 14.0 16.0
Tempo(s)
JPEG-LS
DPCM
CCSDS-IDC
JPEG-XR (All QP=8)
Intel Core i3 350 2.93 GHz
~ 6000 x 6000 pixels
Principais benefícios
Seleção dos métodos mais apropriados para compressão de
imagens de sensoriamento remoto.
Avaliação e correção do descompressor DPCM da câmera
PAN do CBERS 3 & 4.
Confirmação dos resultados do JPEG-LS implementado em
hardware (FPGA) na DEA-INPE.
Palestras técnicas e científicas sobre compressão de dados
aos engenheiros, pesquisadores e pós-graduandos do INPE.
Publicações científicas
•Artigo completo publicado em periódico Lilian N. Faria, Leila M. G. Fonseca, and Max H. M. Costa, “Performance Evalu
ation of Data Compression Systems Applied to Satellite Imagery,” Journal of
Electrical and Computer Engineering, vol. 2012, Article ID 471857, 15 pages,
2012. doi:10.1155/2012/471857 http://www.hindawi.com/journals/jece/2012/47
1857/
•Trabalho publicado em anais de congresso Lilian N. Faria, Leila M. G. Fonseca, and Max H. M. Costa, “Métodos para
Compressão de Imagens em Satélites de Sensoriamento Remoto,” Anais XVI
Simpósio Brasileiro de Sensoriamento Remoto – SBSR, Foz de Iguaçu, PR,
Brasil, 13 a 18 de abril de 2013, INPE.
•Relatório técnico Lilian N. Faria, Leila M. G. Fonseca, “DPCM for Pan camera onboard CBERS
3&4 satellites,” 2013, INPE.
Conclusões
Alguns algoritmos apresentaram alta complexidade para
implementação em hardware, baixo desempenho de
compressão ou baixa qualidade de imagem.
Seleção dos métodos de compressão que apresentam
melhor relação entre complexidade computacional,
desempenho de compressão e qualidade da imagem.
Conhecimentos sólidos para desenvolvimento de siste-
mas de compressão de imagens nas futuras missões
espaciais do INPE.
