Выбор и оптимизация параметров модели гиперспектральных данных при помощи генетического алгоритма для оптимизации предиктивных этапов алгоритмов компрессии

Один из эффективных методов удаления информационной избыточности с гиперспектральных снимков – учет коррелированности отдельных элементов. Эффективность этого метода основана на том, что обычно на гиперспектральном снимке присутствует небольшое число типов поверхностей с характерными формами спектральных кривых и значительно меньшие по амплитуде шумовые сигналы различного характера. Соответственно и спектральные кривые для точек одного объекта или объектов из одинакового материала сильно коррелированны. Дополнительно на все спектральные кривые на гиперспектральном снимке влияет тот факт, что излучение их сформировавшее прошло через слой атмосферы имеющей определенную кривую зависимости поглощения от частоты. Соответственно некая кривая определяемая спектром источника освещения и функцией зависимости поглощения излучения атмосферой от частоты является составной частью всех спектральных кривых на снимке. В пространственных координатах гиперспектральный снимок представляет собой монохромное изображение связи между пикселями которого также велики и хорошо изучены.
Соответственно занимаемый гиперспектральными данными объем можно весьма эффективно уменьшить путем использования предиктивного кодирования. Это подразумевает построение некой модели связи элементов кодируемых данных на основе коррелированности элементов гиперспектрального снимка позволяющей по значениям уже прошедших компрессию элементов предсказывать значения обрабатываемых.
Эта модель должна быть высоко оптимизированной, иметь небольшое число параметров и существенно менять их от снимка к снимку или в процессе сканирования. Это обусловлено самим характером процесса гиперспектрального зондирования. В связи с большим объемом данных и высокой скоростью их поступления обычно осуществляется однократная съемка больших участков поверхности в процессе движения зонда или выборочная съемка отдельных участков поверхности. Таким образом, один снимок обычно охватывает большой участок поверхности, что позволяет на основе такой большой выборки с одной стороны оптимизировать параметры модели связи между элементами данных, а с другой – существенно потерять в эффективности в случае использования некоторой универсальной не оптимизированной модели. Кроме того, условия наблюдения (состояние атмосферы, источник света) также могут существенно меняться или в процессе поступления непрерывного потока данных или от снимка к снимку. Сам процесс оптимизации желательно проводить непрерывно т.к. непрерывно поступающие данные сканирования постоянно, в т.ч. и скачкообразно, меняют свой характер (Как в разных частях одного снимка, так и на разных снимках). Дополнительно, для ускорения обработки и сокращения занимаемого объема, иногда требуется хранить не первичные гиперспектральные данные, а результаты выделены площадные и точечные образований из одного материала.
В связи с этим наиболее предпочтителен метод оптимизации на основе генетического алгоритма. Этот метод быстро сходится в т.ч. и для целевых функций сложной формы. ГА позволяет эффективно использовать имеющиеся априорные предположения о характере связи между элементами данных, а также накопленный на предыдущих снимках опыт, что позволяет ему быстро «отслеживать» изменения в характере поступающих данных.
Полностью задачу компрессии гиперспектральных данных этим методом решить, однако целесообразно использовать его как один и начальных этапов компрессии дополняя такими алгоритмами как например компрессия на основе 3D вейвлет преобразования.