Compression des images hyperspectrales
These en pdf
Conclusion
CE document aborde le problème de la compression des images hyperspectrales de bout en bout :
Acquisition : étude du principe d’acquisition, des instruments.
Données : propriétés statistiques, mise en évidence d’une anisotropie : cette propriété importante des images hyperspectrales n’est pas trop exploitée dans la littérature.
Transformée : définition d’une transformée en ondelette quasi-optimale pour un bon compromis performances/complexité. On a montré dans un premier temps l’intérêt d’une transformée en ondelette optimale au sens d’un critère débit-distortion par rapport à une transformée classique isotropique. Le gain est de l’ordre de 8 dB en terme de PSNR par rapport à une décomposition isotropique classique, pour des débits compris entre 0.1 et 4 bits par pixel par bande (bpppb). Dans un deuxième temps, on a proposé une décomposition par ondelettes anisotropique fixe, quelle que soit l’image et le débit visé. Cette décomposition est ensuite qualifiée de quasi-optimale dans le sens où elle approche à moins d’un dB la décomposition optimale sur les courbes de PSNR fonction du débit.
Codage : structures d’arbres de zéros, adaptation des algorithmes EZW et SPIHT. Une fois la décomposition anisotropique quasi-optimale proposée, nous nous sommes intéressés au codage des coefficients d’ondelettes. Nous avons proposés des adaptations des algorithmes EZW et SPIHT en incluant une structure d’arbre basée sur la décomposition 3D des images. Sur l’ensemble des images, l’algorithme de compression proposé permet d’atteindre des PSNR de l’ordre de 70 dB pour des débits de 0.5 bpppb. L’utilisation de la notation binaire signée est également proposée pour renforcer l’attrait des arbres de zéros.
Utilisation : souci de produire des trains de bits flexibles pour une utilisation des données efficace. Nous avons ainsi développé une adaptation de l’algorithme permettant un codage progressif en résolution ainsi qu’un accès aléatoire, sans réduire les performances de compression. L’utilisateur peut ainsi décomprimer les données hyperspectrales avec une résolution plus faible spectralement ou juste une portion de l’image avec des ressources limitées.
Qualité : définition et sélection de cinq critères de qualité complémentaires et définition d’une méthode originale pour les exploiter. En particulier, nous montrons que le PSNR n’est pas le bon critère pour prédire la qualité de l’application sur les images hyperspectrales après compression, en particulier dans le cadre d’une classification. Nous proposons un ensemble de critères qui apparaissent complémentaires et qui permettent de qualifier le type de dégradation appliquée à l’image et de donner un ordre d’idée des performances de l’application sur les images après compression (par exemple, le nombre de pixels qui seront mal classifiés).
Même si ce travail est consacré aux images hyperspectrales, la plupart des résultats restent valides pour d’autres types de données. En particulier, certaines images médicales, acquises par tranches, sont très semblables. La décomposition quasi-optimale fonctionne également très bien, l’algorithme de compression proposant accès aléatoire, codage progressif en qualité garde tout son intérêt.
Il reste bien entendu beaucoup de possibilités d’améliorations, d’idées nouvelles à essayer, de points à préciser…Un travail plus exhaustif est à faire sur les critères de qualité, en particulier sur la façon de les combiner et d’en exploiter les résultats. Le dernier chapitre de cette thèse a donné quelques pistes mais l’étude n’est pas complète.
Le codage des coefficients d’ondelettes proposé mériterait aussi qu’on s’intéresse un peu plus à l’implantation de SPIHT utilisant de véritables arbres 3D, nécessitant une réponse au problème du tree-crossing évoqué dans le chapitre 3.
Enfin, l’implémentation matérielle de l’algorithme de compression est à chiffrer et son optimisation à réaliser. Celle-ci est à envisager conjointement avec le processeur spatialisable du moment.