Ugrás a tartalomhoz

Műholdakról távérzékelt adatok feldolgozása és hasznosítása

Mika János, Utasi Zoltán, Biró Csaba, Pénzesné Kónya Erika (2011)

EKF TTK

10. Tömörítési eljárások

10. Tömörítési eljárások

A műholdról érkező, jellemzően képi információ mennyisége hatalmas, ezért kifejezetten fontos terület, hogy az elsősorban raszter grafikus adatok egyrészt a háttértárakon a lehető legkisebb helyet foglalják el, másrészt hálózaton gyorsabban továbbíthatók és visszakereshetőek legyenek. Digitális képek tömörítésére rengeteg eljárás létezik, de alapvetően a tömörítési eljárások az alábbi két csoportba sorolhatóak:

  1. veszteségmentes tömörítés: ebben az esetben kicsomagoláskor visszaállítható az eredeti állapot;

  2. veszteséges tömörítés: itt minden esetében információveszteséggel kell számolnunk, de cserébe nagyobb a helymegtakarítást érhetünk el.

Míg veszteséges tömörítés esetében tehát egy nagyobb helymegtakarítást érhetünk mégis figyelnünk kell, hogy mely adatokon végzünk veszteséges illetve veszteségmentes tömörítést, hiszen könnyen előfordulhat, hogy értékes információkat veszítünk el.

10.1Veszteségmentes tömörítési eljárások

Huffman kód alapú tömörítés

A Huffman kódolási eljárás alapötlete, hogy a gyakrabban előforduló elemeket rövidebb kóddal helyettesíti, mint a ritkábban előfordulókat. Így azon elemekhez rendeli a legrövidebb kódokat, amelyek a legtöbbször fordulnak. Az eljárás két lépésből áll. Először a kódban előforduló elemekről egy gyakorisági táblát készít, majd az elkészített tábla alapján egy bináris fát épít fel. A végső kódokat a bináris fa megfelelő sorrendben történő kiolvasásával állítja elő. Huffman kódolást alkalmazó raszter formátumok: TIFF, JPEG.

RLE (Run Lenght Encoding) alapú tömörítés

A futáshossz alapú tömörítés eljárás, amely nagyon jól alkalmazható sorfolytonos tárolású (képek) adatokon. kódolási eljárás, amely a kódot és az azt egymás után követő azonos értékek helyett az azonos értékek számát tárolja. Elsősorban alacsony színmélységű képek esetén hatékony, RLE alapú tömörítést alkalmazó raszter formátumok: BMP, RLE, Targa, PCX, TIFF.

LZW (Lempel-Ziv) alapú tömörítés

Az LWZ algoritmusa az egymást követő tömörítendő adatból (adatcsoportokból) egy táblát épít fel. A tábla méretét limitálhatjuk (pl. 4096). Az adatokat szekvenciálisan olvassa ki, majd minden egyes kiolvasáskor megvizsgálja, hogy a táblában előfordult-e már ilyen elemekből álló sorozat, amennyiben nem, belehelyezi az aktuális adatcsoportot. Ha a vizsgált csoport már szerepel a táblában, akkor a táblában elfoglalt indexe kerül letárolásra. Amennyiben az adatcsoportok száma meghaladja az előírt limitet, törli a táblát, ezzel lehetőséget adva újabb adatcsoportok elhelyezésére. Az eljárás legnagyobb előnye, hogy a táblát nem kell letárolni, ugyanis kitömörítés folyamán minden további nélkül felépíthető. Az LWZ alapú tömörítési eljárást alkalmazó raszter formátumok: GIF, TIFF.

10.2Veszteséges tömörítési eljárások

  1. Diszkrét koszinusz transzformáció

A diszkrét koszinusz transzformáció (discrete cosine transform - DCT) célja, hogy a lényegtelen információt kiszűrje, mivel a jelek alacsony frekvenciás összetevőire koncentrálnak, nagy tömörítési hatásfok. A DCT tulajdonképpen egy valós számokon értelmezett a diszkrét Fourier transzformációs eljáráshoz hasonló transzformáció. A képet leggyakrabban 8x8 képpontból álló tartományokra bontja, majd diszkrét koszinusz transzformációval kétdimenziós frekvenciasíkba transzformálja az adatokat. A szürkeárnyalatos képek esetén akár 1:60 tömörítési arányt is el lehet érni. Diszkrét koszinusz transzformációt alkalmazó raszter formátumok: JPEG, FIF.A JPEG formátum a DCT transzformációt követően a tartományokon RLE, majd Huffman kódolást alkalmaz.

  1. Wavelet tömörítés

Wavelet-ek legnagyobb előnye, hogy viszonylag alacsony számítási kapacitást igényelnek. Elsődlegesen rekurzív szűrések sorozatából álló algoritmusa nagyban hasonlít a DCT algoritmusához. A diszkrét wavelet transzformáció a képek 2N méretű adattartományonként egy ugyanilyen dimenziójú méretű kimeneti tartományba transzformálja át. Raszteres terepmodellek esetében a DCT-nél is jobb tömörítési arány érhető el.

  1. Fraktál tömörítés

A fraktál tömörítés algoritmusa a képek azonos és/vagy hasonló részleteit keresi ki, mivel a képek többsége kellően redundáns ezért ezzel az eljárással igen nagy tömörítés érhető el. Gyakorlati életben kevésbé elterjedt, mivel az ismétlődő vagy hasonló képrészleteket megtaláló algoritmus hosszadalmas és nagy számítási igényű. Elérhető tömörítési arány 1:100-oz , de akár 1:1000-es tömörítés is elérhető segítségével.

VII.A műholdfelvételek elemzése térinformatikai módszerekkel

Az előző fejezetek elméleti áttekintése után a következőkben a műholdfelvételek kiértékelésének gyakorlati megvalósításáról, annak feladatairól és problémáiról esik szó.