IAESCOREIAESCORE

International Journal of Electrical and Computer Engineering (IJECE)International Journal of Electrical and Computer Engineering (IJECE)

Kompresi citra hiperspektral (HSIs) baru-baru ini menjadi isu yang sangat menarik untuk aplikasi penginderaan jauh karena data volumetriknya. Metode efisien untuk kompresi citra hiperspektral disajikan. Algoritma yang diusulkan, berdasarkan Discrete Wavelet Transform dan CANDECOM/PARAFAC (DWT-CP), memanfaatkan baik informasi spektral maupun spasial dalam citra. Ide utama di balik teknik yang diusulkan adalah menerapkan CP pada koefisien DWT dari pita spektral HSIs. Kami menggunakan DWT untuk secara efektif memisahkan HSIs menjadi subcitra berbeda dan CP untuk secara efisien memadatkan energi subcitra. Kami mengevaluasi efek metode yang diusulkan pada HSIs nyata dan juga membandingkan hasilnya dengan metode kompresi yang terkenal. Hasil yang diperoleh menunjukkan performa yang lebih baik ketika dibandingkan dengan metode yang ada, yaitu PCA dengan JPEG 2000 dan 3D SPECK.

Dalam makalah ini, kami memperkenalkan metode baru untuk kompresi HSIs menggunakan DWT dan CP.Hal ini dilakukan dengan mengurangi ukuran tensor 3D yang dihitung dari empat subcitra wavelet dari pita spektral HSIs.Performa algoritma yang diusulkan pada dataset AVIRIS menghasilkan berikut ini.1) DWT-CP mencapai SNR yang lebih tinggi dibandingkan dengan dua algoritma mutakhir (algoritma 3D-SPECK dan kombinasi PCA JPEG2000) khususnya pada bpppb di bawah 0,1.2) Algoritma yang diusulkan mencapai akurasi klasifikasi berbasis piksel SVM yang lebih baik.

Penelitian ini tentang kompresi citra hiperspektral dengan DWT dan CP menunjukkan potensi besar dalam aplikasi dunia nyata seperti pemantauan lingkungan dan analisis pertanian. Salah satu arah penelitian lanjutan yang menarik adalah mengembangkan algoritma untuk menghadapi keterbatasan dalam penanganan data spektral yang sangat bervariasi, seperti mencoba menerapkan transformasi wavelet lainnya untuk meningkatkan efisiensi kompresi tanpa kehilangan kualitas citra. Peneliti bisa mengeksplorasi penggabungan dengan teknik kecerdasan buatan untuk secara otomatis menentukan parameter CP terbaik berdasarkan karakteristik citra, sehingga algoritma menjadi lebih adaptif terhadap berbagai jenis HSIs. Selain itu, penting untuk memperluas penerapan metode ini ke dataset satelit skala besar, di mana volume data jauh lebih besar, dan menguji bagaimana performa klasifikasi dapat dipertahankan bahkan pada rasio kompresi ekstrem. Dengan pendekatan ini, kita bisa menghasilkan model kompresi yang lebih canggih, mengurangi jejak digital tanpa mengorbankan akurasi analisis, dan membuka pintu untuk studi tentang dampak kompresi pada interpretasi data geospasial. Pada akhirnya, penelitian seperti ini dapat membantu para ahli melakukan analisis HSIs dengan lebih efisien di lapangan, menghemat sumber daya penyimpanan dan transmisi data, serta mendukung inovasi dalam teknologi penginderaan jauh untuk kebaikan masyarakat.

File size584.35 KB
Pages11
DMCAReportReport

ads-block-test