Compressione di immagini multispettrali

La compressione di immagini multispettrale rappresenta un campo applicativo di elevato interesse. Per ottenere tassi di compressione spinti con una qualità di riproduzione soddisfacente è necessario sfruttare sia le dipendenze spaziali che quelle spettrali all'interno di ogni immagine.
In questa tesi sono proposte alcune soluzioni originali al problema della compressione di tali immagini e ne sono analizzate le prestazioni attraverso esperimenti numerici.

Il primo capitolo è dedicato ad una descrizione generale delle immagini telerilevate, vengono descritti i radiometri multispettrali e si discutono le caratteristiche fisiche e statistiche delle immagini dai sensori Landsat-TM e GER impiegate nelle sperimentazioni.

Nel secondo capitolo sono passate in rassegna le principali tecniche di compressione per immagini multispettrali presenti in letteratura. L'analisi comprende sia le tecniche di codifica senza perdita, che quelle con perdita, ma si concentra soprattutto su queste ultime che sono le uniche che riescono a garantire una significativa riduzione della mole dei dati (rapporti di compressione fino a 100:1). Si passano in rassegna alcuni risultati teorici utili per l'inquadramento delle tecniche proposte introducendo alcuni strumenti di base, quali la quantizzazione scalare e vettoriale, la predizione e i vari tipi di trasformata lineare, impiegati nei capitoli successivi.

Il terzo capitolo propone due tecniche di compressione per immagini multispettrali basate sull'uso delle trasformate wavelet e della quantizzazione progressiva dei coefficienti. Entrambe estendono l'algoritmo SPIHT (proposto da Said e Pearlman per immagini commerciali) al caso multispettrale. La prima tecnica usa la trasformata di Karhunen-Loeve nella direzione spettrale e trasmette i coefficienti definendo degli alberi tridimensionali tra le bande dell'immagine trasformata.
Per evitare le ingenti richieste di memoria connaturate a quest'approccio è stata poi sviluppata la seconda tecnica, basata sulla quantizzazione vettoriale gain-shape ad albero.
Questa nuova procedura di quantizzazione unisce i vantaggi della codifica gain-shape (riduzione dell'ingombro di memoria) a quelli della codifica ad albero (riduzione della complessità, codifica progressiva) ed ha perciò permesso di codificare le immagini multispettrali con ingombro di memoria e complessità ridotti, e con eccellenti prestazioni.
Nella compressione d'immagini telerilevate, le prestazioni vanno valutate non solo in termini di rapporto segnale-rumore ma anche in termini d'utilità residua delle immagini ricostruite per le più comuni elaborazioni successive, come estrazione dei contorni, segmentazione, classificazione.
Si è quindi fatto uso di un semplice algoritmo di clustering non contestuale per valutare gli effetti della compressione sull'accuratezza della segmentazione.

Nel quarto capitolo si propone una tecnica per la contemporanea compressione e segmentazione delle immagini multispettrali, in modo da garantire i migliori risultati per entrambe le operazioni. Più precisamente, si opera una segmentazione dell'immagine originale in classi di caratteristiche omogenee, e si usa poi un algoritmo di compressione che si basa su tale segmentazione per adattarsi alle caratteristiche statistiche di ciascuna classe.
In questo modo la classificazione originale, codificata senza perdita, è disponibile con l'immagine ricostruita come side information, ed allo stesso tempo la compressione, effettuata mediante trasformate lineari spettrali e spaziali, trae vantaggio dalla suddivisione in classi. In questo approccio la qualità della segmentazione risulta di importanza fondamentale, per cui si è scelto di adoperare una tecnica contestuale, in cui l'etichetta (classe) di un punto è statisticamente dipendente da quelle dei punti vicini oltre che dai dati osservabili. Tali dipendenze sono ben modellate attraverso campi aleatori markoviani (MRF), in cui la distribuzione congiunta dell'intera immagine è completamente determinata dalle distribuzioni condizionali locali.
L'uso degli MRF permette di definire algoritmi di ricerca della segmentazione ottima computabili, la cui complessità, tuttavia, resta elevatissima. Per questo motivo, nel capitolo quattro, dopo una breve introduzione sui campi di Markov, si propone un algoritmo di segmentazione contestuale basato sull'impiego di campi markoviani ad albero.
L'imporre una struttura (binaria) alle decisioni permette anzitutto di abbattere i tempi della segmentazione; inoltre, poiché ogni classe è caratterizzata da parametri di interazione spaziale stimati localmente, la segmentazione si adatta meglio alla natura spazio variante delle immagini; infine la struttura ad albero permette di stimare in modo semplice il numero di classi presenti nell'immagine, informazione solitamente non nota a priori.