Гашников М., Глумов Н., Чернов А.

245
ИЕРАРХИЧЕСКАЯ КОМПРЕССИЯ
В ЗАДАЧЕ СОСТАВЛЕНИЯ ЕДИНОГО РАСТРОВОГО ПОКРЫТИЯ
ТЕРРИТОРИИ ОРТОИЗОБРАЖЕНИЯМИ 1
Гашников М.В, Глумов Н.И., Чернов А.В.2
Институт систем обработки изображений РАН
443001, ул. Молодогвардейская, 151, Самара, Россия; +7 (846) 3378084, mgash@smr.ru
2
Разрабатывается технология быстрого просмотра набора геопривязанных изображений. Описываются принципы организации и структура иерархического HGIформата, предназначенного для хранения сжатых изображений с контролируемой
максимальной погрешностью. Описывается базовый метод сжатия HGI-формата.
Обосновываются преимущества HGI-формата в задаче покрытия территории ортоизображениями.
Введение
Перед использованием в геоинформационных системах (ГИС) аэрофото- или
космических снимков, необходимо выполнить их геопривязку к местности и преобразовать их в ортоизображения, то есть
убрать геометрические искажения, связанные с рельефом местности. Совокупность
таких ортоизображений, покрывающих соседние участки территории, образует единое растровое покрытие.
Задача составления и использования
растрового покрытия территории ортоизображениями [1] является актуальной как для
ГИС, так и для систем обработки и отображения данных дистанционного зондирования. Каждое ортоизображение может иметь
значительный размер (до сотен мегабайт).
Площадь покрытия также может быть велика, поэтому ортоизображений может потребоваться много. Например, полное покрытие Самарской области ортофотоснимками имеет следующие параметры:
Разрешение растров:
0.7 м
Общая площадь:
50 000 кв.км.
Объем несжатых данных 100 ГБ
Основным требованиям к системе
ведения растрового покрытия является его
быстрое отображение в различных масштабах. Использование распространенных
форматов типа BMP или TIFF [2] приводит
к значительному увеличению времени до-
ступа. Причем время отображения резко
возрастает при увеличении масштаба просмотра, потому что при этом в поле зрения
попадает все больше растров, которые
необходимо считывать с диска и отображать. Хранение данных с использованием
стандартных методов сжатия (JPEG, LZW
[2]) также ведет к значительному повышению времени отображения, так как при
каждой перерисовке экрана выполняется
полная или частичная декомпрессия файла.
Специфика данных дистанционного
зондирования в их чрезвычайной ценности
и возможной высокой информативности
отдельных пикселей. Поэтому используемый метод сжатия обязательно должен
иметь контролируемую погрешность, причем вид показателя качества является существенным.
В частности, нельзя использовать
популярный среднеквадратический критерий [2], так как это сильно ухудшит качество работы многих алгоритмов обработки
изображений. Это ограничивает использование иерархических методов сжатия с потерями,
основанных
на
Waveletпреобразовании (JPEG2000 и пр.) [2].
Исходя из этого, актуальной становится задача разработки сжатого формата
данных, специализированного для задачи
растрового покрытия.
Требования к формату данных
246
В задаче растрового покрытия к
формату данных предъявляются следующие требования:
1. Формат должен хранить данные в сжатом
виде, т.к. в этом случае:
 с диска считывается меньше данных
 уменьшается общий объем данных
2. Быстрая декомпрессия заданной части
массива данных в выбранном масштабе
(необходимо для того, чтобы время отображения не зависело от масштаба).
3. Строгий контроль погрешности, т.к.
сжимаемые данные являются уникальными и большие погрешности недопустимы
4. Малая вычислительная сложность метода
сжатия.
В данной работе в качестве такого
формата использован HGI-формат (hierarchical grid interpolation), основанный на авторском HGI-методе [3-5].
Метод сжатия HGI
Основная идея метода HGI [3-5] заключается в иерархическом прореживании
сжимаемого изображения, интерполяции
пропущенных отсчетов и последующем энтропийном кодировании [6] ошибок интерполяции (постинтерполяционных остатков).
Изображение X  x  m, n  представляется в виде набора из L штук непересекающихся иерархических уровней X l :
X 
L 1
l 0
Xl ,
X L 1  x L  m, n ,
X l  xl  m, n  \ xl 1  m, n , 0  l  L  2,
где xl  m, n  - прореженная матрица отсчетов изображения, взятых с шагом 2l по
каждой координате:


xl  m, n   x 2l m, 2l n .
Данные иерархических уровней
(квантованные
постинтерполяционные
остатки) сжимаются последовательно,
начиная с наиболее прореженного.
Вычислительная сложность метода
определяется сложностью интерполятора,
который основан на простом усреднении по
соседним отчетам. Благодаря этому метод
имеет очень низкую вычислительную
сложность (20-40 операций на отсчет, в зависимости от модификации), т.е. удовлетворяет требованию 4.
Метод HGI позволяет контролировать максимальную погрешность [2]
max  max x  m, n   x  m, n  ,
 m, n 
где x m, n  и x m, n  отсчеты исходного и
декомпрессированного изображения соответственно.
Это очень строгий показатель качества, погрешности от 1 до 3 (для байтовых
изображений)
искажают
изображение
весьма несущественно, а визуально вообще
не заметны (требование 3 также выполняется).
Формат сжатых данных HGI
При компрессии изображение разбивается на блоки равного размера, которые сжимаются независимо, размер блока
выбирается приблизительно соответствующим размеру экрана. При компрессии
каждого блока образуется набор сжатых
массивов данных, по массиву для каждого
масштабного уровня изображения, кратного степени двойки.
В HGI-архиве сжатые данные каждого блока размещены отдельно (см.
рис. 1), внутри данных блока данные каждого уровня также размещены отдельно.
Благодаря этому возможна декомпрессия
любого блока в заданном масштабе (кратном степени двойки) без декомпрессии (и
считывания с диска) других блоков и других масштабных уровней того же блока.
Таким образом, при декомпрессии
заданного участка изображения в заданном
масштабе, распаковываются только необходимые блоки в необходимом масштабе.
При этом объем распаковываемых данных
всегда соответствует одному экрану, следовательно, время доступа практически не
зависит от масштаба (выполнено требование 2).
247
Сжатое HGI-изображение
2.5
2
Данные блока 1
уровень 1:4
Данные блока 2
уровень 1:4
1.5
уровень 1:2
уровень 1:2
0.5
уровень 1:1
уровень 1:1
0
HGI
TIF
1
1:1
1:2
1:4
1:8
Данные блока 3 Данные блока 4
…..
…..
……………
Рис. 2. Зависимость среднего времени отображения
экрана (секунды) от масштаба просмотра
для растрового покрытия из 133 растров
(размера каждого растра 7000х7700 пикселов)
Рис. 1. Структура HGI-формата (для 3 уровней)
Заключение
HGI-формат
в задаче растрового покрытия
Разработан иерархический HGIформат представления сжатых изображений. Формат позволяет организовывать
быстрый мультимасштабный просмотр
изображений, при сжатии контролируется
максимальная погрешность. Применение
HGI-формата в реальных задачах покрытия
территории ортоизображениями подтвердило значительные его преимущества по
сравнению с известными форматами.
Растровое покрытие Самарской области создано на базе ГИС Ингео. Зависимость среднего времени отображения экрана от масштаба просмотра показана на
рис. 2. Нетрудно видеть, что при увеличении масштаба просмотра преимущество
формата HGI над форматом TIF увеличивается - время отображения уменьшается
приблизительно в 5 раз, при этом оно практически не зависит от масштаба просмотра.
Управление показом ортоизображений (см. рис. 3) осуществляется с помощью
модуля “менеджер растров”. Этот модуль
поддерживает как распространенные форматы (BMP, TIFF и т.д.), так и специализированный HGI-формат для хранения крупноразмерных сжатых изображений.
Основные функции менеджера растров:
1. управление отображением растрового
покрытия с поддержкой областей отсечения для растров и;
2. трансформация и интерактивная геопривязка растров по заданным координатам;
3. тематическая интерпретация отображения растрового покрытия с помощью палитр;
4. подключение внешних вспомогательных
модулей системы обработки изображений ResLook [7] (линейная и ранговая
фильтрация, пороговая обработка и др.).
Перечисленные функции реализованы для всех поддерживаемых форматов,
включая предлагаемый формат HGI.
Список литературы
1. Назаров А.С. Фотограмметрия. Учебное пособие., М, ТетраСистемс, 2006
2. Gonzalez, Woods, Digital Image Processing, 2nd
Edition, Prentice Hall, 2004, 624 pages
3. C. M. Kortman, “Redundancy Reduction: A Practical Method of Data Compression,” IEEE, 55 (3),
1967, pp. 253–263.
4. M. V. Gashnikov, N. I. Glumov, and V. V. Sergeyev, “Compression Method for Real-Time Systems of Remote Sensing,” in Proceedings of the 5th
International Conference on Pattern Recognition,
Barcelona, Spain, 2000, pp. 232–235.
5. Gashnikov M.V., Glumov N.I., Sergeyev V.V. Stabilization of the Compressed Data Formation Rate in
Hierarchical Image Compression, Pattern Recognition and Image Analysis, 2007, Vol. 17, No. 1, pp.
79–81
6. A. Feinstein, Foundations of Information Theory,
McGraw-Hill, New York, 1958
7. M. V. Gashnikov, N. I Glumov, E. V. Myasnikov,
V. V. Sergeev, A. V. Chernov, and M. A. Chicheva
Software Environment for Simulating Algorithms
for ImageAnalysis and Processing, Pattern Recognition and Image Analysis, 2007, Vol. 17, No. 2, pp.
263–267.
248
Рис. 3. Отображение растрового покрытия