Global Vision Media Focus
Das Unternehmen wurde insgesamt 15 Mal im chinesischen Staatsfernsehen CCTV erwähnt und erreichte über Parteimedien, zentrale Medien und lokale offizielle Medien insgesamt 50 Millionen Menschen.
Warum ist hyperspektrale Kompression wichtig? Von Hunderten von Bändern zu wenigen Merkmalen (Teil 1)
In der Fernerkundungsbildverarbeitung gibt es einen ganz besonderen Datentyp. Im Gegensatz zu herkömmlichen Fotografien, die nur die Farben Rot, Grün und Blau aufzeichnen, erfassen hyperspektrale Bilder für jedes Pixel eine kontinuierliche Spektralkurve. In einem typischen RGB-Bild besitzt ein Pixel üblicherweise nur drei Kanäle; jedoch…hochIn einem Spektralbild kann ein einzelnes Pixel Dutzende, Hunderte oder sogar Tausende von Bändern enthalten.
Das bedeutet, dass hyperspektrale Bilddaten Bodenmerkmale besser erfassen können als herkömmliche Bilder. Objekte wie Vegetation, Gewässer, Dächer, Straßen und Schatten können in RGB-Bildern farblich ähnlich erscheinen und mit bloßem Auge kaum zu unterscheiden sein, weisen aber auf einer kontinuierlichen Spektralkurve deutliche Unterschiede auf. DaherDer Vorteil von Hyperspektralbildern besteht nicht nur in der „mehr Farben“, sondern darin, dass sie durch detailliertere spektrale Reaktionen Unterschiede in Materialien, Strukturen und Zuständen verschiedener Bodenmerkmale aufzeigen können.
Abbildung 1.Bildspektrum
Es treten jedoch Probleme auf: Je umfangreicher die Informationen, desto höher die Datenmenge. Der Vorteil hyperspektraler Bilder liegt in ihrer großen Anzahl an Spektralbändern, aber auch die damit verbundene Belastung. Jedes Pixel trägt eine relativ lange Spektralkurve, was direkt zu höheren Speicherkosten, größerem Rechenaufwand, langsamerem Modelltraining und größerer Komplexität bei nachfolgenden Klassifizierungs-, Erkennungs- und Inversionsaufgaben führt. DaherEine zentrale Frage der hyperspektralen Bildverarbeitung lautet: Können wir Hunderte von Bändern auf eine kleine Anzahl von Merkmalen komprimieren und dabei so viele nützliche Informationen wie möglich erhalten? Genau das ist die Frage.Hyperspektrale KompressionOder das Problem, das die spektrale Dimensionsreduktion lösen muss.
Abbildung 2.Schematische Darstellung der Anwendung zur hyperspektralen Dimensionsreduktion
Es ist wichtig zu verstehen, dass „Komprimierung“ hier nicht einfach die Reduzierung der Dateigröße bedeutet. Genauer gesagt geht es darum, die hochdimensionalen Spektralinformationen jedes Pixels in eine kompaktere, niedrigdimensionale Darstellung zu transformieren. Anders ausgedrückt: Es geht nicht darum, wie viel Speicherplatz die Datei benötigt, sondern vielmehr darum, ob Informationen aus Hunderten von Spektralbändern mit 15, 10 oder sogar weniger Merkmalen dargestellt werden können und gleichzeitig Klassifizierungsaufgaben möglich sind. Dies führt zu einem klassischen Widerspruch: Eine zu hohe Dimensionalität verbessert die Recheneffizienz nur geringfügig; eine zu starke Komprimierung kann zum Verlust wichtiger Spektralinformationen führen. Die Herausforderung der Hyperspektralkomprimierung besteht daher nicht einfach in der Reduzierung der Dimensionalität, sondern vielmehr darin, zu bestimmen, welche Informationen verworfen werden können und welche unbedingt erhalten bleiben müssen.
Aus methodischer Sicht lassen sich hyperspektrale Kompressionsverfahren grob in verschiedene Typen einteilen: lineare Dimensionsreduktionsverfahren, nichtlineare Dimensionsreduktionsverfahren usw.Zerlegung in unabhängige KomponentenMethoden und auf Deep Learning basierende Autoencoder-Methoden.Der Unterschied zwischen ihnen liegt nicht nur in ihren algorithmischen Formen; viel wichtiger ist, dass sie zwei Fragen aus unterschiedlichen Perspektiven beantworten:Wo liegt die spektrale Redundanz? Wie wird die effektive Information erhalten?
Die klassischste Methode ist die PCA, die Hauptkomponentenanalyse.Die Grundidee ist sehr intuitiv: Viele benachbarte Spektralbänder in einem hyperspektralen Bild sind stark korreliert, und es besteht eine erhebliche Informationsredundanz. Daher kann das ursprüngliche Spektrum auf neue Richtungen projiziert werden, wobei die Hauptkomponenten mit den größten Veränderungen beibehalten und die weniger relevanten Komponenten verworfen werden. Die Vorteile der Hauptkomponentenanalyse (PCA) liegen in ihrer Einfachheit, Stabilität und hohen Recheneffizienz, wodurch sie sich hervorragend als grundlegende Methode in der hyperspektralen Datenverarbeitung eignet. Bei vielen Projekten zur Dimensionsreduktion hyperspektraler Daten ist die PCA oft die erste Methode, die angewendet wird.
Die Hauptkomponentenanalyse (PCA) weist jedoch auch erhebliche Einschränkungen auf. Sie ist im Wesentlichen ein lineares Verfahren, während die spektrale Empfindlichkeit realer Objekte häufig von einer Kombination verschiedener Faktoren beeinflusst wird, darunter Materialeigenschaften, Lichtverhältnisse, atmosphärische Einflüsse, Reflexions- und Absorptionseigenschaften. Daher sind die Beziehungen zwischen den Spektralbändern nicht zwangsläufig linear. Folglich kann die PCA bei komplexen Datenstrukturen die Daten unter Umständen nicht adäquat abbilden.Hyperspektrale DatenDie nichtlinearen Eigenschaften in.
Deshalb wurde KPCA eingeführt.KPCA kann als nichtlineare Erweiterung der PCA verstanden werden.KPCA transformiert Daten mithilfe von Kernelfunktionen in einen höherdimensionalen Merkmalsraum und erleichtert so die Entfaltung und Unterscheidung der ursprünglich komplexen und verschränkten spektralen Beziehungen. Im Vergleich zu PCA ist KPCA besser geeignet, komplexe spektrale Strukturen darzustellen, allerdings auf Kosten eines höheren Rechenaufwands. Bei großflächigen hyperspektralen Bilddaten oder Echtzeitverarbeitungsaufgaben muss die Effizienz von KPCA daher unbedingt berücksichtigt werden.
Eine weitere Methode ist die ICA, die unabhängige Komponentenanalyse.Im Gegensatz zur PCA, die auf die Maximierung der Varianz abzielt, versucht die ICA, das ursprüngliche Signal in mehrere unabhängige Komponenten zu zerlegen. Bei hyperspektralen Bildern können verschiedene Bodenmerkmale, Hintergrund und Rauschen im Pixelspektrum koexistieren. Die ICA zielt darauf ab, innerhalb dieses gemischten Signals unabhängigere Strukturen zu identifizieren. Der Vorteil der ICA liegt in ihrer Fähigkeit, bestimmte unabhängige Komponenten zu erfassen. Sie reagiert jedoch empfindlich auf die Datenverteilung und Modellannahmen, wodurch ihre Leistung von der Szene und der Kompressionsrate beeinflusst wird. Obwohl sie in bestimmten Bereichen mitunter gute Ergebnisse erzielen kann, ist sie nicht unbedingt der stabilste Ansatz.
Wenn wir PCA, KPCA und ICA zusammen betrachten, können wir erkennen, dass die Kernlogik der traditionellen Methoden relativ klar ist:Sie alle versuchen, durch mathematische Transformationen eine kompaktere Darstellung aus dem ursprünglichen hochdimensionalen Spektrum zu extrahieren.Das Problem liegt jedoch darin, dass die meisten dieser Methoden auf vordefinierten Regeln beruhen. Sie wissen weder, ob es sich bei der nachfolgenden Aufgabe um Klassifizierung, Erkennung oder Inversion handelt, noch wissen sie unbedingt, welche Merkmale für die endgültige Aufgabe am wichtigsten sind.
Dies führt zur nächsten Klasse von Methoden: Autoencodern.Ein Autoencoder, oder AE, kann als ein neuronales Netzwerk verstanden werden, das "erst komprimiert und dann wiederherstellt".Der erste Teil, der sogenannte Encoder, komprimiert das ursprüngliche hochdimensionale Spektrum in niedrigdimensionale Merkmale; der zweite Teil, der Decoder, rekonstruiert das ursprüngliche Spektrum aus diesen Merkmalen. Während des Trainings lernt das Modell kontinuierlich, wie das Spektrum komprimiert werden kann, um Verzerrungen zu minimieren.RekonstruktionsfehlerDer Vorteil der aspektorientierten Dimensionsreduktion (AE) liegt darin, dass sie die Dimensionalität nicht einfach nach festen Regeln reduziert, sondern nichtlineare Abbildungsbeziehungen aus den Daten lernt. Daher bietet AE bei hohen Kompressionsraten oft mehr Potenzial als herkömmliche lineare Methoden.
Neben AE gibt es auch DAE, welches...Denoising-AutoencoderDie Rauschpegel in verschiedenen Spektralbändern hyperspektraler Bilder variieren häufig, insbesondere in einigen Nahinfrarotbändern, die anfällig für atmosphärisches und sensorisches Rauschen sind. Ziel der digitalen Bildanalyse (DAE) ist es, nicht nur komprimierte Darstellungen zu erlernen, sondern das Modell auch robuster gegenüber Rauschen zu machen. Anders ausgedrückt: DAE lernt nicht nur, „hochdimensionale Spektren in niedrigdimensionale Merkmale zu komprimieren“, sondern auch, „eine stabilere spektrale Darstellung trotz Rauschens wiederherzustellen“. DAE ist jedoch kein Allheilmittel. Zwar bietet das Modell eine höhere Leistungsfähigkeit, aber die Zufälligkeit im Training ist auch ausgeprägter, was höhere Anforderungen an Datenqualität, Parametereinstellungen und Trainingsstabilität stellt.
Hier wird deutlich, dass der technische Weg zur hyperspektralen Kompression allmählich klarer wird:PCA strebt Einfachheit und Stabilität an, KPCA betont die nichtlineare Repräsentation, ICA konzentriert sich auf die unabhängige Komponentenzerlegung, während AE und DAE auf neuronale Netze zurückgreifen, um automatisch niedrigdimensionale Merkmale aus Daten zu lernen.
Abbildung 3. Übersichtsdiagramm der Methodik
Diese Methoden verfolgen ein gemeinsames Ziel: mehr nützliche Informationen mit weniger Dimensionen zu erhalten.Die entscheidende Frage ist jedoch: Was genau stellt „nützliche Information“ dar? Geht es lediglich darum, das ursprüngliche Spektrum nach der Komprimierung zu rekonstruieren, könnte der Rekonstruktionsfehler als Bewertungskriterium dienen. Soll jedoch die Landbedeckung klassifiziert werden, ist nicht entscheidend, wie genau die Spektralkurven rekonstruiert werden, sondern ob die komprimierten Merkmale noch zwischen verschiedenen Landbedeckungen unterscheiden können.
Dies ist ebenfalls ein wichtiger Punkt, der im nächsten Artikel behandelt werden muss: Bei der hyperspektralen Kompression sollte der Fokus nicht nur auf dem Rekonstruktionsfehler liegen, sondern auch auf der Missionsleistung.