Compresión de imágenes hiperespectrales a partir de técnicas de codificación y descodificación de imágenes fijas

Las imágenes hiperespectrales contienen información con una amplia resolución espectral, que suele abarcar desde el ultravioleta hasta el infrarrojo cercanos. Originalmente, esta tecnología se utilizó para la observación del suelo terrestre, pero en los últimos años esta tecnología se ha extendido dando lugar a un amplio abanico de aplicaciones como, por ejemplo, meteorología o medicina y, concretamente en este último campo, la detección del cáncer. Sin embargo, debido a la enorme cantidad de información que contienen este tipo de imágenes, ha surgido la necesidad de emplear técnicas de compresión de imagen digital aplicadas en imágenes hiperespectrales para poder reducir su tamaño y facilitar su almacenamiento y transmisión. Sin embargo, estas técnicas de compresión pueden introducir pérdidas de información que no deben perjudicar su finalidad. En este contexto, y junto con los resultados del proyecto HELICoiD en el que participó recientemente el GDEM, se describe el desarrollo de dos cadenas de compresión de imágenes hiperespectrales utilizando un códec de código abierto basado en estándares de compresión de imágenes fijas para la clasificación de tumores cerebrales. Además, se describen dos programas para el cálculo de errores en la compresión y medir así la calidad de la compresión pudiendo decidir si las pérdidas son o no aceptables. Las dos cadenas de compresión mencionadas anteriormente se han desarrollado con el objetivo de determinar cuál es más eficiente para comprimir imágenes hiperespectrales. La principal diferencia que existe entre estas dos cadenas de compresión es que una realiza una permutación de las dimensiones de los cubos hiperespectrales antes de introducirlos a la cadena de compresión y la otra los utiliza directamente sin necesidad de permutar sus dimensiones. Después de comprimir las imágenes hiperespectrales con ambas cadenas, se utilizan los dos programas mencionados anteriormente que calculan los errores en la compresión y se comparan los resultados obtenidos. La comparación de resultados se ha hecho con los resultados obtenidos al utilizar ambas cadenas, al utilizar el codificador de la Agencia Espacial Europea (ESA) y al utilizar el estándar de codificación de vídeo High Efficiency Video Coding (HEVC). Una vez analizados estos resultados se ha conseguido determinar que para una compresión sin pérdidas el estándar que ofrece mejores resultados es el que utiliza la ESA. En cambio, para compresión con pérdidas, y si se utiliza la cadena de compresión que no permuta las dimensiones de los cubos hiperespectrales, el estándar más eficiente es el HEVC. Por último, el estándar más eficiente utilizando la cadena de compresión que permuta las dimensiones de los cubos hiperespectrales es el JPEG2000. Finalmente, con cualquiera de los diseños desarrollados en este Proyecto Fin de Grado se pueden comprimir imágenes hiperespectrales sin que las pérdidas de información afecten significativamente a la clasificación de tumores cerebrales. Abstract: Hyperspectral images contain information with a wide spectral resolution, which usually ranges from ultraviolet to near infrared. Originally, this technology was mainly used for earth observation, but in recent years, it has been extended, giving rise to a wide range of applications, such as meteorology or medicine and, specifically in this last field, the cancer detection. However, due to the huge amount of data contained in this type of images, the need has arisen to employ digital image compression techniques applied in hyperspectral images in order to reduce their size, simplifying their storage and transmission. However, these compression techniques may introduce information losses that should not risk their purpose. In this framework, and together with the results of the HELICoiD project in which the GDEM recently participated, the development of two hyperspectral image compression chains using an open source codec based on still image compression standards for the classification of brain tumors is described. Moreover, two programs are described for both, calculation of compressing-due errors thus measuring the quality of the compression, allowing to decide if whether the losses are acceptable or not. The two compression chains mentioned above have been developed with the aim of determining the more efficient for compressing hyperspectral images. The main difference between these two compression chains is that one performs a permutation of the dimensions of the hyperspectral cubes before the compressing process and the other uses them directly without any permutation. After compressing, the hyperspectral images with both chains results are obtained and compared. The comparison of results has been performed with the results obtained when using both chains, using the encoder of the European Space Agency (ESA) and with the High Efficiency Video Coding (HEVC) standard too. Once these results have been analyzed, it has been determined that for lossless compression the standard that offers the best results is the one used by the ESA. In contrast, for a lossy–compression without permutation, the most efficient solution is HEVC. Finally, the most efficient standard using the compression chain that permutes the dimensions of the hyperspectral cubes is the JPEG2000. However, any of the designs developed in this project, hyperspectral images can be compressed without critical losses of information affecting the classification of brain tumors