Métodos para compressão de imagens em satélites de sensoriamento remoto

Transcrição

1 Métodos para compressão de imagens em satélites de sensoriamento remoto Lilian Nogueira de Faria 1 Leila Maria Garcia Fonseca 1 Max Henrique Machado Costa 2 1 Instituto Nacional de Pesquisas Espaciais - INPE Caixa Postal São José dos Campos - SP, Brasil {lilian, leila}@dpi.inpe.br 2 Universidade Estadual de Campinas - Unicamp Caixa Postal Campinas - SP, Brasil max@fee.unicamp.br Abstract. This paper presents some image compression algorithms suitable for remote sensing applications in order to reduce the data storage and downlink bandwidth requirements in space missions. Lossless and lossy compression methods, such as the prediction-based compression systems DPCM and JPEG-LS, and the new transform-based compression system JPEG-XR, were tested over twenty multispectral (5-band) images from CCD optical sensor of the CBERS-2B satellite. The performance of these compression algorithms was evaluated using quantitative rate-distortion measurements given by compression ratio and PSNR, as well subjective image quality analysis. In general, the lossless JPEG-LS method outperforms other lossless compression schemes with respect to compression ratio. Among the lossy compression algorithms, JPEG-XR can provide lower bit rate and better tradeoff between compression ratio and image quality. The compression system selected to be embedded in FPGA on-board of remote sensing satellites is dependent on the application requirements and hardware limitations. Palavras-chave: remote sensing, image processing, image compression, sensoriamento remoto, processamento de imagens, compressão de imagens. 1. Introdução Com o avanço da tecnologia dos sistemas de imageamento, câmeras de alta resolução a bordo de satélites geram uma quantidade crescente de dados na ordem de centenas de Mbits/s. Consequentemente, técnicas de compressão de dados a bordo de satélites são amplamente usadas em missões espaciais para reduzir os requisitos de espaço de armazenamento e largura de banda de transmissão de dados (Salomon, 2007). Uma característica desejável em aplicações espaciais é a preservação da qualidade dos dados originais usando algoritmos de compressão sem perda ou quase sem perda, já que o custo de desenvolvimento de satélites de sensoriamento remoto é alto e a informação contida na imagem é importante para exploração científica. Os satélites CBERS 3 e 4, em desenvolvimento no programa CBERS (China-Brazil Earth Resources Satellite), são resultado da renovação do acordo de cooperação entre o Instituto Nacional de Pesquisas Espaciais (INPE) e a Academia Chinesa de Tecnologia Espacial (CAST) para desenvolvimento de satélites de sensoriamento remoto. Um compressor DPCM foi implementado pela CAST para uso na câmera PANMUX (Panchromatic and Multispectral cameras) dos satélites CBERS 3 e 4 (Instituto Nacional de Pesquisas Espaciais- CBERS, 2011). Dada a importância dos sistemas de compressão no programa espacial brasileiro, pesquisadores do INPE têm estudado e avaliado alguns métodos para compressão de imagens de sensoriamento remoto (Faria et al., 2012). Neste contexto, apresentamos uma análise de alguns métodos de compressão que foram selecionados por terem características apropriadas de desempenho de compressão e qualidade de imagem. Medidas quantitativas como razão de compressão e PSNR (peak signal-to-noise ratio) foram usadas para medir o desempenho e 8192

2 distorção das imagens, respectivamente. O sistema de compressão deve atender alguns requisitos mínimos tais como razão de compressão igual a 4 e PSNR de 50 db, para atender as expectativas de desempenho dos compressores a serem implementados em hardware nos futuros satélites desenvolvidos pelo programa espacial brasileiro,. Os algoritmos foram testados usando um conjunto de imagens da câmera CCD (CCD medium resolution camera) a bordo do CBERS-2B, por conter uma variedade de alvos relevantes para aplicações de sensoriamento remoto incluindo agricultura, floresta, áreas urbanas e superfícies de água com diferentes coberturas de nuvem. Além de bom desempenho, o sistema de compressão a ser selecionado deve atender certos requisitos para compressão em tempo real embutido em hardware a bordo de satélite, tais como processamento de dados push-broom, alta qualidade da imagem decodificada, e efeito de perda de pacote limitado a uma pequena região da imagem. Em particular, a complexidade computacional do algoritmo deve ser suficientemente baixa para tornar a implementação em hardware viável. Neste artigo, apresentamos uma comparação de alguns sistemas de compressão com perda e sem perda, tais como DPCM, JPEG-LS e JPEG-XR. O artigo está estruturado da seguinte forma. Na Seção 2, apresentamos uma introdução à compressão de imagens e uma breve descrição dos algoritmos. Os resultados e análises de desempenho dos compressores são apresentados na Seção 3 e as conclusões na Seção Compressão de Imagens de Sensoriamento Remoto De acordo com Gonzalez e Woods (2007), compressão de imagem refere-se ao processo de redução da quantidade de dados necessária para representar a imagem. Métodos de compressão de imagens podem ser classificados como sem perda ou com perda. Na compressão sem perda, a imagem é descomprimida sem perda de informação original, e na compressão com perda, uma perda limitada de dados é tolerada para aumentar a razão de compressão. Técnicas específicas para compressão de imagens exploram a redundância em imagens digitais, como redundância espacial e de codificação, visando reduzir o número de bits necessário para representar a imagem. A redundância espacial ocorre devido à correlação entre os pixels na imagem, ou seja, o valor de um pixel pode ser parcialmente predito pelos valores dos pixels vizinhos. Para reduzir a redundância espacial, a imagem é modificada usando métodos de descorrelação espacial, tais como predição ou transformada de imagem. Para reduzir a redundância de codificação, uma codificação de comprimento variável associa códigos mais curtos para símbolos com maior ocorrência. Dois exemplos deste processo, também conhecido como codificação de entropia, são: codificação de Huffman (Huffman, 1952) e codificação de Golomb (Golomb, 1966). Geralmente, o modelo de sistemas de compressão consiste de um codificador e um decodificador. O codificador gera uma saída de dados comprimidos a partir dos dados originais. Depois da transmissão através de um canal de comunicação, o decodificador gera uma saída de dados reconstruídos sem perda ou com perda. Conforme mostrado na Figura 1, o codificador consiste de um módulo de predição (para métodos baseados em predição) ou um módulo de transformada (para métodos baseados em transformada) que executam a descorrelação espacial, um módulo de quantização irreversível (para compressão com perda) e um módulo de codificação de entropia que reduz a redundância de codificação. Figura 1. Diagrama geral da codificação em sistemas de compressão. 8193

3 Métodos baseados em predição, como DPCM (Differential Pulse Code Modulation) (Moayeri, 1998) e JPEG-LS (ISO/IEC FCD , 1997) preveem o valor do pixel atual a partir dos valores dos pixels vizinhos. Métodos baseados em transformada mapeiam a imagem do domínio espacial (pixel) para o domínio da frequência. O padrão JPEG (Pennebaker e Mitchell, 1992) usa a transformada DCT (discrete cosine transform), enquanto os métodos JPEG2000 (Taubman e Marcellin, 1992) e a recomendação do CCSDS-IDC (Consultative Committee for Space Data Systems-Image Data Compression, 2005 e 2007) usam uma transformada DWT (discrete wavelet transform). O padrão mais recente JPEG-XR (JPEG extended range) usa outro tipo de transformada. 2.1 DPCM com perda Neste artigo, avaliamos o algoritmo DPCM (Differential Pulse Code Modulation) implementado pela CAST/China para ser usado na câmera PANMUX a bordo do CBERS 3 e 4 (China Academy of Space Technology, 2010). O diagrama deste algoritmo DPCM com perda é mostrado na Figura 2. Os métodos preditivos fazem uma previsão do valor de um pixel a partir dos valores dos pixels vizinhos. A diferença ou erro de predição e n entre os valores preditos e os valores reais dos pixels resulta na imagem diferença, que é menos correlacionada espacialmente do que a imagem original. O codificador usa o valor do pixel reconstruído precedente para prever o próximo pixel; isto é, ~ xn = ρ.ˆ xn 1, ondeρ é um coeficiente de predição para reduzir a propagação de erro. Neste algoritmo DPCM em particular, o erro de predição é quantizado de 8 bits para 4 bits, resultando em uma razão de compressão fixa de 2. Por fim, o erro quantizado ê n é codificado com um codificador binário. As distorções típicas causadas pela quantização no DPCM com perda são: ruído granular nas áreas planas da imagem e suavização das bordas (slope overload). As vantagens deste método com perda são simplicidade computacional e facilidade de implementação em hardware. Figura 2. Diagrama do método de codificação DPCM com perda. 2.2 JPEG-LS sem perda JPEG-LS é um método de compressão de imagens preditivo, sem perda ou quase sem perda, baseado no algoritmo LOCO-I (Low Complexity Lossless Compression for Images) (ISO/IEC FCD , 1997). O diagrama básico é mostrado na Figura 3. Basicamente, JPEG-LS consiste de dois estágios independentes chamados modelagem e codificação. A modelagem é baseada em um contexto determinado por quatro amostras reconstruídas nas posições a, b, c, e d. A partir destes valores, o contexto determina se a informação na amostra x deveria ser codificada no modo regular ou modo de corrida. O modo de corrida é selecionado quando o contexto estima que sucessivas amostras são idênticas (para codificação sem perda) ou quase idênticas (para codificação quase sem perda); caso contrário, o modo regular é usado. 8194

4 Modo regular: a modelagem de contexto é seguida por um procedimento de predição (descorrelação) e codificação de erro. O preditor combina os valores reconstruídos das três amostras vizinhas nas posições a, b, e c usando um preditor de detecção de borda ou preditor LOCO-I para prever a amostra na posição x. O erro de predição é calculado como a diferença entre o valor real da amostra na posição x e seu valor predito. Os erros de predição são codificados usando um procedimento derivado da codificação de Golomb (Golomb, 1966) que associa códigos mais curtos para símbolos mais frequentes. Modo de corrida: Se os valores reconstruídos das amostras em a, b, c e d são idênticos (para codificação sem perda) ou se as diferenças entre elas estão dentro de um limite (para codificação quase sem perda), o procedimento de modelagem de contexto seleciona o modo de corrida e não executa a predição e codificação de erro. No modo de corrida, uma sequência de amostras consecutivas com valores idênticos (ou valores dentro de um limite especificado) é codificada. Figura 3. Diagrama do método de JPEG-LS (ISO/IEC FCD , 1997). 2.3 Compressor sem perda baseado em predição e codificação Golomb-Rice Uma abordagem de compressão sem perda baseada em predição e codificação de Golomb-Rice foi implementada por Costa (2012) com baixa complexidade computacional. O compressor é composto por um preditor, como etapa de descorrelação, e um codificador. A técnica de predição empregada é baseada no método de detecção de bordas usado no método JPEG-LS. O erro de predição é mapeado antes de ser codificado com codificação adaptativa de Golomb-Rice (codificações unária e binária). 2.4 JPEG-XR JPEG-XR é o mais novo padrão de compressão de imagens do comitê JPEG (Dufaux et al., 2009). As principais operações de JPEG-XR, como transformada, quantização escalar e codificação, são mostradas na Figura 4. A transformada LBT (lapped biorthogonal transform) mapeia os pixels do domínio espacial para o domínio da frequência. Um parâmetro de quantização modifica cada coeficiente da transformada. Depois, os coeficientes são codificados. JPEGXR usa uma técnica de quantização dos coeficientes que é controlada pelo parâmetro de quantização (QPs). Os coeficientes são organizados e convertidos em um vetor unidimensional antes de serem codificados. Para isto, é usada uma técnica de codificação de comprimento variável (VLC) através de uma tabela; baseada em estatísticas locais, uma tabela VLC é selecionada de um pequeno conjunto de tabelas predefinidas. A imagem é dividida em macroblocos com 256 coeficientes: um DC, 15 passa-baixa, e 240 passa-alta. Os dados da imagem são representados no domínio da frequência, e os coeficientes associados com cada macrobloco são divididos em três bandas de frequência: coeficientes DC, coeficientes passa-baixa e coeficientes passa-alta. Esta divisão hierárquica suporta descompressão em três resoluções diferentes contendo apenas coeficientes DC, sem coeficiente passa-alta e todos os coeficientes. 8195

5 Figura 4. O diagrama de bloco do codificador JPEG-XR (ITU-T Rec. T.832, 2009). 3. Resultados e Discussão Para comparar o desempenho de compressão dos quatro métodos, alguns experimentos foram realizados usando um conjunto de 20 cenas com 5 bandas espectrais adquiridas pela câmera CCD do CBERS-2B. Estas imagens foram selecionadas por conter alvos relevantes em diferentes aplicações de sensoriamento remoto tais como agricultura, floresta, áreas urbanas e superfícies de água com diferentes coberturas de nuvem (Instituto Nacional de Pesquisas Espaciais - Catálogo de imagens, 2011). Algumas composições coloridas 3R4G2B (bandas 3, 4 e 2) são mostradas na Figura 5. Softwares de referência implementados em C foram usados para testar e comparar os resultados dos algoritmos de compressão. O software DPCM foi implementado pela empresa brasileira AMS Kepler, baseado na documentação fornecida pela CAST (China Academy of Space Technology, 2010). O software JPEG-LS foi originalmente desenvolvido pela Hewlett- Packard Laboratories (JPEG-LS reference encoder, 2011). Um software de referência de JPEG-XR foi publicado em ISO/IEC International Standard (2011). Alguns parâmetros de compressão são determinados para cada aplicação e especificados na linha de comando. O principal parâmetro de JPEG-LS é Near (máximo erro absoluto), com valor 0 (para modo sem perda) ou 1 e 2 (para modo quase sem perda). JPEG-XR usa os parâmetros Mode com valor 0 (para incluir todos os coeficientes); e QP, que define o parâmetro de quantização com valores 0 (sem perda), 8 e 10 (com quantização). Figura 5. Composição colorida 3R4G2B de algumas cenas do sensor CCD do CBERS-2B. 3.1 Medidas de Desempenho e Qualidade A medida quantitativa de desempenho dada pela razão de compressão e a medida de distorção dada pelo PSNR foram usadas para comparar os algoritmos. Razão de compressão (CR) é definida como o numero de bits na imagem original dividida pelo numero de bits usados para representar a imagem comprimida. Na compressão com perda, uma medida de distorção comumente usada é o erro médio quadrático (MSE), definido pela Equação 1. MSE = 1 ( x ˆ ) 2 i, j xi, j w h, (1) i j onde x i,j e x i,j são os valores dos pixels original e reconstruído na i-ésima linha e j-ésima coluna, onde w e h denotam a largura e altura da imagem, respectivamente. Mais comumente, 8196

6 a qualidade objetiva da imagem é avaliada em termos de uma razão sinal-ruído (PSNR), medida em db e definida pela Equação 2. B 2 (2 1) PSNR= 10 log10 (2) ( MSE+ 1 12) onde B é a faixa dinâmica (em bits) da imagem original. O termo 1/12 elimina o valor infinito de PSNR quando MSE se aproxima de 0. A Tabela 1 mostra os valores médios de razão de compressão e PSNR para cada método. Os PSNR dos algoritmos sem perda com valor de 58.9 db foram omitidos. Os resultados PSNR x CR de cada uma das 100 imagens são plotados no gráfico da Figura 6. Os valores PSNR dos três algoritmos sem perda são plotados no gráfico com valores ligeiramente diferentes para efeito de visualização. A Figura 7 mostra os artefatos típicos gerados por cada compressor nas imagens descomprimidas (usando contraste linear para visualização). Tabela 1. Média da razão de compressão e PSNR para 100 imagens CCD do CBERS 2B. 60 DPCM JPEG-LS Predição e JPEG-XR Golomb- Near 0 Near 1 Near 2 QP=0 QP=10 Rice CR PSNR PSNR Razão de Compressão DPCM JPEG-LS Lossless JPEG-LS Near 1 JPEG-LS Near 2 JPEG-XR ALL Lossless JPEG-XR ALL QP=8 JPEG-XR ALL QP=10 Predição e Golomb-Rice Figura 6. Gráfico PSNR x razão de compressão das 100 imagens de teste. CR=2.0 PSNR=47.45 db CR=8.21 PSNR=45.34 db CR=9.64 PSNR=51.89 db (a) Imagem original (b) DPCM (c) JPEG-LS Near 2 (d) JPEG-XR QP=10 Figura 7. Distorções geradas nas imagens reconstruídas por diferentes compressores. 8197

7 4. Conclusões Neste artigo, apresentamos uma comparação entre alguns sistemas de compressão adequados para imagens de sensoriamento remoto. Para comparar o desempenho de compressão dos métodos DPCM, JPEG-LS e JPEG-XR alguns testes foram executados, usando um conjunto de imagens adquiridas pela câmera CCD do CBERS-2B. Medidas de qualidade objetiva como razão de compressão e PSNR foram usadas para análise comparativa dos algoritmos. Uma das vantagens do DPCM para aplicações de tempo real é a baixa complexidade do algoritmo, uma vez que o preditor executa apenas operações básicas com números inteiros e o codificador é implementado por tabelas. Consequentemente, cada pixel é codificado em tempo real assim que é capturado pelo sensor. Além disso, o codificador transmite dados com razão de compressão fixa em um tempo determinado, simplificando a implementação. Todas estas características tornam este codificador DPCM facilmente implementável em aplicações embutidas. Entretanto, seu desempenho de compressão não atende os requisitos mínimos de razão de compressão e PSNR (acima de 4 e 50 db, respectivamente) desejável para aplicações de sensoriamento remoto dos futuros satélites do programa espacial brasileiro. O algoritmo JPEG-LS é adequado para aplicações embutidas que não necessitam de qualquer funcionalidade adicional, como transmissão progressiva de bits e resiliência a erros. Este algoritmo sem perda apresenta razão de compressão variável dependendo da complexidade de conteúdo na imagem e, por isso, não há garantia de que o requisito mínimo de compressão seja satisfeito. Porém, entre os algoritmos sem perda, o algoritmo JPEG-LS apresenta bom resultado, com razão de compressão média próxima de 4. O algoritmo JPEG- LS quase sem perda, por outro lado, não adquiriu o requisito mínimo para qualidade das imagens dada por PSNR acima de 50 db, principalmente devido aos artefatos de linha introduzidos por este método no modo de corrida. O algoritmo de compressão sem perda baseado em predição e codificação Golomb-Rice tem como vantagem a baixa complexidade do algoritmo quando comparado com JPEG-LS e razão de compressão compatível com os resultados obtidos pelo JPEG-LS sem perda. Dependendo de alguns parâmetros de execução do JPEG-XR com perda, o algoritmo pode gerar imagens com qualidade superior a outros algoritmos com perda disponíveis atualmente. Além disso, o algoritmo JPEG-XR com perda pode adquirir desempenho de compressão maior que os algoritmos preditivos e tem menor complexidade computacional e requisitos de memória que outros algoritmos baseados em transformada wavelet. Como os algoritmos DPCM, JPEG-LS e JPEG-XR com perda são baseados em diferentes tecnologias, a análise visual das imagens mostra que os artefatos introduzidos por estes sistemas de compressão são também muito diferentes. Após análises quantitativas e subjetivas, podemos selecionar os algoritmos que apresentaram a melhor relação entre razão de compressão e qualidade da imagem. Para compressão sem perda, selecionamos JPEG-LS que adquiriu o melhor desempenho de compressão e, alternativamente, selecionamos o modelo baseado em predição e codificação Golomb-Rice pela menor complexidade computacional. Para compressão com perda, o algoritmo JPEG-XR ( All Coefficients, QP=10) obteve a melhor relação de eficiência de compressão e qualidade da imagem. Como conclusão, os resultados obtidos pelas medidas de qualidade mostram que o JPEG- LS sem perda e JPEG-XR All, QP = 10 com perda satisfazem os requisitos mínimos de razão de compressão e PSNR de 4 e 50 db, respectivamente. Agradecimentos Os autores agradecem ao Conselho Nacional de Desenvolvimento Científico e Tecnológico CNPq pelo suporte financeiro no desenvolvimento deste trabalho. 8198

8 Referências Bibliográficas Salomon, D. Data Compression: The Complete Reference. New York: Springer, 4a. edição, Faria, L. N.; Fonseca, L. M. G.; Costa, M. H. M. Performance Evaluation of Data Compression Systems Applied to Satellite Imagery. Journal of Electrical and Computer Engineering, v. 2012, Article ID , Disponível em: < Acesso em: 07 nov Instituto Nacional de Pesquisas Espaciais. CBERS Satélite sino-brasileiro de recursos terrestres: câmeras imageadoras CBERS 3 and 4. Disponível em: < Acesso em: 07 nov Gonzalez, R. C.;Woods, R. E. Digital Image Processing. New York: Prentice Hall, 3a. edição, Huffman, D. A. A method for the construction of minimum redundancy codes. Proceedings of the Institute of Radio Engineers, v. 40, n. 9, p , Golomb, S. Run-length encoding. IEEE Transactions on Information Theory, v. 12, n. 3, p , Moayeri, N. A low-complexity, fixed-rate compression scheme for color images and documents. The Hewlett- Packard Journal, v. 50, n. 1, p , ISO/IEC FCD , Lossless and near-lossless coding of continuous tone still images (JPEG-LS), ISO international standard, Pennebaker, W. B.; Mitchell, J. L. JPEG: Still Image Data Compression Standard. New York: Springer, 1a. edição, Taubman, D.; Marcellin, M. W. JPEG2000: Image Compression Fundamentals, Standards and Practice. New York: Springer, 1a. edição, Consultative Committee for Space Data Systems. CCSDS B-1: image data compression, report concerning space data system standards, blue book, Consultative Committee for Space Data Systems. CCSDS G-1: image data compression, report concerning space data system standards, green book, China Academy of Space Technology. Introduction to DCPM encoding algorithm in data transmission subsystem of PANMUX IRMSS onboard CBERS 3&4 satellites. [S.l.]: CAST, (Wx CBERS03/04DPS.SM01), Costa, Y. G. G. Desenvolvimento e implementação em FPGA de um compressor sem perdas de baixa complexidade para imagens de satélite p. Dissertação (Mestrado em Informática) Universidade Federal da Paraíba, João Pessoa Dufaux, F.; Sullivan, G. J.; Ebrahimi, T. The JPEG XR image coding standard [Standards in a Nutshell]. IEEE Signal Processing Magazine, v. 26, n. 6, p , ITU-T Rec. T.832 ISO/IEC Information technology JPEG XR image coding system Image coding specification. ITU-T CCITT Recommendation, Instituto Nacional de Pesquisas Espaciais. Catálogo de imagens. Disponível em: < Acesso em: 07 nov JPEG-LS reference encoder-v Disponível em: < Acesso em: 07 nov ISO/IEC International Standard Information technology JPEG XR image coding system part 5: reference software. [ISO/IEC JTC 1/SC 29/WG 1 N 5020],