Classification of BPG-Based Lossy Compressed Noisy Images
Acquired remote sensing images can be noisy. This fact has to be taken into account in their lossy compression and classification. In particular, a specific noise filtering effect is usually observed due to lossy compression and this can be positive for classification. Classification can be also inf...
Збережено в:
| Дата: | 2024 |
|---|---|
| Автори: | , , |
| Формат: | Стаття |
| Мова: | English |
| Опубліковано: |
Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine
2024
|
| Теми: | |
| Онлайн доступ: | https://ujrs.org.ua/ujrs/article/view/266 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Ukrainian Journal of Remote Sensing of the Earth |
Репозитарії
Ukrainian Journal of Remote Sensing of the Earth| id |
uajuacgovua-article-266 |
|---|---|
| record_format |
ojs |
| spelling |
uajuacgovua-article-2662024-10-04T20:39:36Z Classification of BPG-Based Lossy Compressed Noisy Images Класифікація зашумлених зображень, стиснутих з втратами на основі BPG Proskura, Galina Naumenko, Victoria Lukin, Volodymyr стиснення зображення з втратами оптимальна точка експлуатації Кодер BPG класифікаційна трансформація image lossy compression optimal operation point BPG encoder classification transform Acquired remote sensing images can be noisy. This fact has to be taken into account in their lossy compression and classification. In particular, a specific noise filtering effect is usually observed due to lossy compression and this can be positive for classification. Classification can be also influenced by methodology of classifier learning. In this paper, we consider peculiarities of lossy compression of three-channel noisy images by better portable graphics (BPG) encoder and their further classification. It is demonstrated that improvement of data classification accuracy is not observed if a given image is compressed in the neighborhood of optimal operation point (OOP) and the classifier training is performed for the noisy image. Performance of neural network based classifier is studied. As demonstrated, its training for compressed remote sensing data is able to provide certain benefits compared to training for noisy (uncompressed) data. Examples for Sentinel data used in simulations are offered. Отримані зображення дистанційного зондування можуть містити шум. Цей факт необхідно враховувати при їх стисненні з втратами та класифікації. Зокрема, при стисненні з втратами зазвичай спостерігається специфічний ефект фільтрації шуму, який може бути позитивним для класифікації. На класифікацію також може впливати методологія навчання класифікатора. У цій статті розглядаються особливості стиснення з втратами триканальних зображень, що спотворені шумом, за допомогою кодера покращеної портативної графіки (BPG) та їх подальша класифікація. Показано, що покращення точності класифікації даних не спостерігається, якщо стискати зображення в околі оптимальної робочої точки (ОРТ), а тренування класифікатора виконувати для зображень із шумом. Досліджено роботу класифікатора на основі нейронної мережі. Показано, що його навчання на стиснених даних дистанційного зондування здатне забезпечити певні переваги порівняно з навчанням на зашумлених (нестиснених) даних. У статті наведено приклади використання даних Sentinel у моделюванні. Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine 2024-09-30 Article Article application/pdf https://ujrs.org.ua/ujrs/article/view/266 10.36023/ujrs.2024.11.3.266 Ukrainian journal of remote sensing; Vol. 11 No. 3 (2024); 13-25 Украинский журнал дистанционного зондирования Земли; Том 11 № 3 (2024); 13-25 Український журнал дистанційного зондування Землі; Том 11 № 3 (2024); 13-25 2313-2132 en https://ujrs.org.ua/ujrs/article/view/266/275 Copyright (c) 2024 Ukrainian journal of remote sensing |
| institution |
Ukrainian Journal of Remote Sensing of the Earth |
| baseUrl_str |
|
| datestamp_date |
2024-10-04T20:39:36Z |
| collection |
OJS |
| language |
English |
| topic |
image lossy compression optimal operation point BPG encoder classification transform |
| spellingShingle |
image lossy compression optimal operation point BPG encoder classification transform Proskura, Galina Naumenko, Victoria Lukin, Volodymyr Classification of BPG-Based Lossy Compressed Noisy Images |
| topic_facet |
стиснення зображення з втратами оптимальна точка експлуатації Кодер BPG класифікаційна трансформація image lossy compression optimal operation point BPG encoder classification transform |
| format |
Article |
| author |
Proskura, Galina Naumenko, Victoria Lukin, Volodymyr |
| author_facet |
Proskura, Galina Naumenko, Victoria Lukin, Volodymyr |
| author_sort |
Proskura, Galina |
| title |
Classification of BPG-Based Lossy Compressed Noisy Images |
| title_short |
Classification of BPG-Based Lossy Compressed Noisy Images |
| title_full |
Classification of BPG-Based Lossy Compressed Noisy Images |
| title_fullStr |
Classification of BPG-Based Lossy Compressed Noisy Images |
| title_full_unstemmed |
Classification of BPG-Based Lossy Compressed Noisy Images |
| title_sort |
classification of bpg-based lossy compressed noisy images |
| title_alt |
Класифікація зашумлених зображень, стиснутих з втратами на основі BPG |
| description |
Acquired remote sensing images can be noisy. This fact has to be taken into account in their lossy compression and classification. In particular, a specific noise filtering effect is usually observed due to lossy compression and this can be positive for classification. Classification can be also influenced by methodology of classifier learning. In this paper, we consider peculiarities of lossy compression of three-channel noisy images by better portable graphics (BPG) encoder and their further classification. It is demonstrated that improvement of data classification accuracy is not observed if a given image is compressed in the neighborhood of optimal operation point (OOP) and the classifier training is performed for the noisy image. Performance of neural network based classifier is studied. As demonstrated, its training for compressed remote sensing data is able to provide certain benefits compared to training for noisy (uncompressed) data. Examples for Sentinel data used in simulations are offered. |
| publisher |
Scientific Centre for Aerospace Research of the Earth Institute of Geological Science National Academy of Sciences of Ukraine, Kyiv, Ukraine |
| publishDate |
2024 |
| url |
https://ujrs.org.ua/ujrs/article/view/266 |
| work_keys_str_mv |
AT proskuragalina classificationofbpgbasedlossycompressednoisyimages AT naumenkovictoria classificationofbpgbasedlossycompressednoisyimages AT lukinvolodymyr classificationofbpgbasedlossycompressednoisyimages AT proskuragalina klasifíkacíâzašumlenihzobraženʹstisnutihzvtrataminaosnovíbpg AT naumenkovictoria klasifíkacíâzašumlenihzobraženʹstisnutihzvtrataminaosnovíbpg AT lukinvolodymyr klasifíkacíâzašumlenihzobraženʹstisnutihzvtrataminaosnovíbpg |
| first_indexed |
2024-12-15T20:51:07Z |
| last_indexed |
2024-12-15T20:51:10Z |
| _version_ |
1818541026573287424 |