Ứng dụng phương pháp nén ảnh sử dụng PCA trong xử lý ảnh viễn thám

Chia sẻ: Tưởng Trì Hoài | Ngày: | Loại File: PDF | Số trang:9

Thêm vào BST

Báo xấu

17
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết "Ứng dụng phương pháp nén ảnh sử dụng PCA trong xử lý ảnh viễn thám" khám phá ứng dụng của PCA trong việc nén ảnh đặc biệt dành cho hình ảnh vệ tinh. Chúng tôi thảo luận về nguyên lý của PCA, cách thực hiện và các lợi ích mà nó mang lại trong việc lưu trữ, truyền tải và phân tích dữ liệu trong các ứng dụng địa tầng học. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Ứng dụng phương pháp nén ảnh sử dụng PCA trong xử lý ảnh viễn thám

Kỷ yếu Hội thảo khoa học Khoa Công nghệ thông tin, năm 2024 ỨNG DỤNG PHƯƠNG PHÁP NÉN ẢNH SỬ DỤNG PCA TRONG XỬ LÝ ẢNH VIỄN THÁM Đinh Nguyễn Trọng Nghĩa1, Nguyễn Thị Thu Tâm1* Trường Đại học Công thương Thành phố Hồ Chí Minh 1 * Email: tamntt@huit.edu.vn Ngày nhận bài: 05/05/2024; Ngày chấp nhận đăng: 20/05/2024 TÓM TẮT Trong lĩnh vực địa tầng học, hình ảnh vệ tinh đóng vai trò quan trọng trong nhiều lĩnh vực bao gồm địa lý, địa chất, nghiên cứu môi trường và quản lý tài nguyên. Tuy nhiên, việc xử lý và lưu trữ hình ảnh vệ tinh thường đối mặt với những thách thức lớn do dữ liệu quy mô lớn. Các kỹ thuật nén ảnh đóng vai trò quan trọng trong việc giải quyết những thách thức này bằng cách giảm kích thước của hình ảnh trong khi vẫn giữ lại thông tin cần thiết. Một phương pháp phổ biến là nén ảnh sử dụng Phân tích thành phần chính (PCA). Bài viết này khám phá ứng dụng của PCA trong việc nén ảnh đặc biệt dành cho hình ảnh vệ tinh. Chúng tôi thảo luận về nguyên lý của PCA, cách thực hiện và các lợi ích mà nó mang lại trong việc lưu trữ, truyền tải và phân tích dữ liệu trong các ứng dụng địa tầng học. Từ khóa: Nén ảnh bằng phương pháp PCA, Nén dữ liệu cảm biến từ xa, Ứng dụng Phân tích thành phần chính, Giảm chiều dữ liệu 1. MỞ ĐẦU Ảnh vệ tinh đóng vai trò quan trọng trong nhiều lĩnh vực như địa lý, địa chất, nghiên cứu môi trường và quản lý tài nguyên [1]. Sự phong phú của dữ liệu được tạo ra bởi các công nghệ cảm biến từ xa đặt ra những thách thức trong việc xử lý và lưu trữ [2]. Khi độ phân giải và độ phức tạp của hình ảnh vệ tinh tăng, nhu cầu về các phương pháp hiệu quả để xử lý và phân tích dữ liệu này cũng tăng cao [3] [4]. Các kỹ thuật nén ảnh đóng vai trò quan trọng trong việc giải quyết các thách thức về lưu trữ và truyền tải dữ liệu từ hình ảnh vệ tinh quy mô lớn [5]. Một trong những kỹ thuật nén ảnh phổ biến, Phân tích thành phần chính (PCA) [6], đã trở nên phổ biến với khả năng giảm chiều dữ liệu mà vẫn giữ lại thông tin cần thiết. Bài báo này sẽ tìm hiểu về ứng dụng của phương pháp nén ảnh dựa trên PCA được tinh chỉnh đặc biệt cho hình ảnh từ cảm biến từ xa. Chúng ta sẽ khám phá nguyên lý của PCA, cách thực hiện và các lợi ích mà nó mang lại trong việc lưu trữ, truyền tải và phân tích dữ liệu trong các ứng dụng cảm biến từ xa. Bằng cách hiểu và áp dụng PCA trong ngữ cảnh của cảm biến từ xa, các nhà nghiên cứu và chuyên gia có thể hiệu quả quản lý và sử dụng hình ảnh vệ tinh cho các mục đích khoa học và thực tiễn. 32
Đinh Nguyễn Trọng Nghĩa, Nguyễn Thị Thu Tâm 2. CƠ SỞ LÝ THUYẾT VỀ KỸ THUẬT NÉN ẢNH PCA 2.1. Nguyên lý PCA Phân tích thành phần chính (PCA) là một kỹ thuật phân tích dữ liệu có ảnh hưởng lớn trong nhiều lĩnh vực khoa học [6], đặc biệt là trong xử lý và phân tích dữ liệu đa chiều [7] [8]. PCA được sử dụng để giảm chiều dữ liệu mà vẫn giữ lại phần lớn thông tin quan trọng, bằng cách biến đổi không gian dữ liệu ban đầu thành một không gian mới, được gọi là không gian thành phần chính. Trước tiên, giả sử có một tập dữ liệu X gồm n mẫu và mỗi mẫu có m biến số. Mỗi mẫu có thể được biểu diễn dưới dạng một vectơ trong không gian m chiều. Mục tiêu của PCA là tìm ra một tập hợp các trục (hoặc thành phần) mới trong không gian m chiều, sao cho sự biến động của dữ liệu trên các trục này là lớn nhất có thể. Để đạt được mục tiêu này, PCA bắt đầu bằng cách tính toán ma trận hiệp phương sai S của dữ liệu, trong đó các phần tử của ma trận là các phương sai của các biến số và các phần tử ở dòng i, cột j là hệ số tương quan giữa biến số i và j. Công thức tính toán ma trận hiệp phương sai được thể hiện như sau: (1) Trong đó là giá trị của biến số i cho mẫu thứ k, là giá trị trung bình của biến số i. Tiếp theo, PCA tính toán các trị riêng và vector riêng của ma trận hiệp phương sai S. Các trị riêng là các giá trị λ mà thỏa mãn phương trình đặc trưng Sv=λv, trong đó v là vector riêng tương ứng với trị riêng λ. Các trị riêng và vector riêng được sắp xếp theo thứ tự giảm dần của giá trị riêng. Cuối cùng, các thành phần chính (PCs) được xác định bằng cách lựa chọn các vector riêng tương ứng với các trị riêng lớn nhất. Các PC này là các hướng trong không gian mới mà dữ liệu phân bố biến động nhiều nhất. Tóm lại, PCA là một công cụ mạnh mẽ cho việc giảm chiều dữ liệu bằng cách tìm ra các hướng chính của biến động dữ liệu và biến đổi dữ liệu vào không gian mới có kích thước nhỏ hơn, nhưng vẫn giữ lại phần lớn thông tin quan trọng. 2.2. Kỹ thuật nén ảnh bằng PCA Phương pháp nén ảnh dựa trên Phân tích thành phần chính (PCA) là một trong những phương tiện hiệu quả để giảm kích thước của dữ liệu ảnh mà vẫn duy trì được một phần đáng kể của thông tin chính. Trong phần này, chúng tôi trình bày về quá trình nén ảnh sử dụng PCA, bao gồm các bước chính và cách thức thực hiện. Chuẩn bị dữ liệu: Trước tiên, ảnh được chuyển đổi thành một ma trận pixel, trong đó mỗi giá trị pixel thể hiện độ sáng của điểm ảnh tương ứng trên ảnh. Ma trận này sẽ được biểu diễn dưới dạng ma trận dữ liệu X với mỗi hàng là một vector pixel. Chuẩn hóa dữ liệu: 33
Dữ liệu ảnh được chuẩn hóa để đảm bảo rằng mỗi biến số (pixel) có cùng phạm vi và độ lớn. Bước này thường bao gồm việc trừ đi giá trị trung bình của mỗi pixel và chia cho độ lệch chuẩn của pixel tương ứng. Áp dụng PCA: Sau khi chuẩn hóa dữ liệu, PCA được áp dụng bằng cách tính toán ma trận hiệp phương sai của dữ liệu ảnh. Ma trận hiệp phương sai này thể hiện sự tương quan giữa các pixel trên ảnh. Chọn số lượng thành phần chính: Một trong những quyết định quan trọng trong quá trình này là lựa chọn số lượng thành phần chính cần giữ lại. Thông thường, chúng ta chọn một số lượng thành phần sao cho tỷ lệ phương sai được giữ lại là đủ lớn (ví dụ: 95%). Tính toán ảnh nén: Cuối cùng, dữ liệu ảnh được biến đổi bằng cách sử dụng các thành phần chính đã chọn. Bằng cách nhân ma trận ảnh gốc với ma trận trọng số của các thành phần chính, chúng ta thu được dữ liệu ảnh nén có số chiều nhỏ hơn, nhưng vẫn giữ lại nhiều thông tin quan trọng. Tóm lại, phương pháp nén ảnh sử dụng PCA là một công cụ quan trọng và hiệu quả trong việc giảm kích thước của dữ liệu ảnh, đồng thời vẫn đảm bảo tính toàn vẹn và chất lượng của dữ liệu sau khi nén. 2.3. Kỹ thuật phục hồi ảnh gốc Sau khi áp dụng phương pháp nén ảnh sử dụng PCA, quá trình phục hồi ảnh ban đầu từ dữ liệu nén bao gồm các bước sau: Tính toán ma trận phục hồi: Đầu tiên, ta sử dụng các thành phần chính đã chọn và dữ liệu nén để tính toán ma trận phục hồi . Ma trận này được tính bằng cách nhân ma trận dữ liệu nén với ma trận trọng số của các thành phần chính đã chọn. Chuyển đổi ma trận phục hồi: Sau khi tính toán ma trận phục hồi, ta cần chuyển đổi ma trận này từ không gian mới (có số chiều nhỏ hơn) trở lại không gian ban đầu của dữ liệu ảnh. Điều này được thực hiện bằng cách nhân ma trận phục hồi với ma trận chuyển vị của ma trận vector riêng của ma trận hiệp phương sai S. Thêm lại giá trị trung bình và độ lệch chuẩn: Sau khi chuyển đổi, ta cần thêm lại giá trị trung bình và độ lệch chuẩn đã được loại bỏ trong quá trình chuẩn hóa dữ liệu ban đầu. Điều này được thực hiện bằng cách cộng giá trị trung bình của mỗi pixel và nhân với độ lệch chuẩn của pixel tương ứng. Tạo ảnh phục hồi: 34
Đinh Nguyễn Trọng Nghĩa, Nguyễn Thị Thu Tâm Cuối cùng, ta sử dụng các giá trị pixel đã được chuyển đổi và chuẩn hóa để tạo ra ảnh phục hồi ban đầu. Ảnh phục hồi này sẽ giống với ảnh ban đầu, nhưng có thể có một chút chênh lệch do quá trình nén và phục hồi. Tóm lại, quá trình phục hồi ảnh ban đầu từ dữ liệu nén bằng PCA bao gồm việc tính toán ma trận phục hồi, chuyển đổi không gian dữ liệu, thêm lại giá trị trung bình và độ lệch chuẩn, và tạo ảnh phục hồi từ các giá trị pixel đã được chuẩn hóa và chuyển đổi. 3. ÁP DỤNG PCA CHO ẢNH VIỄN THÁM 3.1. Chuẩn bị dữ liệu Trước khi áp dụng Phân tích thành phần chính (PCA) cho ảnh viễn thám, bước đầu tiên quan trọng là chuẩn bị dữ liệu. Quá trình này bao gồm các bước sau: − Thu thập dữ liệu ảnh: Dữ liệu ảnh viễn thám cần được thu thập từ các nguồn tương ứng với mục đích và yêu cầu của dự án. Đảm bảo rằng dữ liệu được thu thập có độ phân giải và độ phủ đầy đủ, phản ánh đúng các đặc điểm của khu vực nghiên cứu. − Chuẩn bị ảnh: Ảnh thu được từ dữ liệu viễn thám cần được chuyển đổi vào định dạng phù hợp để tiến hành xử lý. Đối với các ảnh đa phổ, có thể cần thực hiện việc chọn bước sóng phù hợp hoặc kết hợp các băng phổ khác nhau. − Tạo ma trận ảnh: Sau khi ảnh đã được chuẩn bị, chúng ta chuyển đổi ảnh thành một ma trận pixel. Mỗi pixel trên ảnh sẽ tương ứng với một giá trị trong ma trận. Điều này giúp biểu diễn dữ liệu ảnh dưới dạng ma trận số học, là cơ sở cho việc thực hiện PCA. − Chuẩn hóa dữ liệu: Trước khi áp dụng PCA, dữ liệu pixel cần được chuẩn hóa để đảm bảo rằng các pixel có cùng phạm vi và độ lớn. Thông thường, ta sẽ trừ đi giá trị trung bình của mỗi pixel và chia cho độ lệch chuẩn của pixel tương ứng. − Xây dựng ma trận dữ liệu: Cuối cùng, ta sẽ xây dựng ma trận dữ liệu X từ các pixel đã được chuẩn hóa. Ma trận X sẽ có số hàng tương đương với số pixel trên ảnh và số cột tương đương với số lượng ảnh trong tập dữ liệu. Bằng cách này, dữ liệu ảnh sẽ được chuẩn bị sẵn sàng cho quá trình Phân tích thành phần chính, là bước tiếp theo trong việc áp dụng PCA cho ảnh viễn thám. 3.2. Chuẩn hóa dữ liệu Trong quá trình áp dụng Phân tích thành phần chính (PCA) cho ảnh viễn thám, việc chuẩn hóa dữ liệu là một bước quan trọng để đảm bảo tính nhất quán và hiệu quả của phương pháp. Chuẩn hóa dữ liệu giúp đồng bộ hóa các biến số và đảm bảo rằng chúng có cùng phạm vi và độ lớn. Quá trình này thường bao gồm các bước sau: − Trừ giá trị trung bình: Đầu tiên, ta tính giá trị trung bình của mỗi pixel trên ảnh. Sau đó, từ mỗi giá trị pixel, ta trừ đi giá trị trung bình tương ứng. Quá trình này đảm bảo rằng dữ liệu trở nên tâm trung, giảm thiểu ảnh hưởng của độ sáng tổng thể của ảnh đối với kết quả của PCA. − Chia cho độ lệch chuẩn: Tiếp theo, ta tính độ lệch chuẩn của mỗi pixel trên ảnh. Sau đó, mỗi giá trị pixel được chia cho độ lệch chuẩn tương ứng. Quá trình này đảm bảo rằng các pixel có cùng phạm vi và độ lớn, từ đó tạo ra điều kiện thuận lợi cho việc thực hiện PCA một cách hiệu quả. Bằng cách này, việc chuẩn hóa dữ liệu không chỉ giúp làm giảm biến thiên không cần thiết mà còn đảm bảo rằng mỗi pixel có sự đóng góp tương đồng vào quá trình phân tích. 35
Điều này là quan trọng để đảm bảo tính chính xác và đáng tin cậy của kết quả PCA khi áp dụng cho dữ liệu ảnh viễn thám. 3.3. Áp dụng PCA Sau khi chuẩn bị dữ liệu ảnh, bước tiếp theo là áp dụng Phân tích thành phần chính (PCA) để giảm chiều dữ liệu và nén ảnh. Quá trình này được thực hiện theo các bước cụ thể như sau: − Tính toán ma trận hiệp phương sai: Đầu tiên, ta tính toán ma trận hiệp phương sai của dữ liệu ảnh đã được chuẩn hóa. Ma trận hiệp phương sai thể hiện mức độ biến động và mối tương quan giữa các pixel trên ảnh. Việc này được thực hiện bằng cách tính toán giá trị trung bình của các pixel và sau đó tính toán ma trận hiệp phương sai dựa trên sự biến thiên của các pixel so với giá trị trung bình. − Tính toán các vector riêng và trị riêng: Tiếp theo, PCA tính toán các vector riêng và trị riêng của ma trận hiệp phương sai đã tính được. Các vector riêng và trị riêng này thể hiện hướng và mức độ biến đổi tương ứng của dữ liệu. − Lựa chọn số lượng thành phần chính: Sau khi tính toán các trị riêng, ta sắp xếp chúng theo thứ tự giảm dần và lựa chọn một số lượng thành phần chính cần giữ lại. Quyết định này thường dựa trên một ngưỡng phương sai giữ lại, chẳng hạn như 95% hoặc 99%. − Biến đổi dữ liệu bằng các thành phần chính: Cuối cùng, ta sử dụng các thành phần chính đã chọn để biến đổi dữ liệu ảnh ban đầu thành không gian mới có số chiều thấp hơn. Việc này được thực hiện bằng cách nhân ma trận dữ liệu ảnh gốc với ma trận các thành phần chính đã chọn, giúp tạo ra dữ liệu ảnh nén có số chiều nhỏ hơn, nhưng vẫn giữ lại một phần đáng kể của thông tin quan trọng. Tóm lại, quá trình áp dụng PCA cho ảnh viễn thám là một phương pháp hiệu quả để giảm kích thước dữ liệu và nén ảnh, đồng thời vẫn đảm bảo tính toàn vẹn và chất lượng của dữ liệu sau khi nén. 3.4. Chọn số lượng thành phần chính Trong quá trình áp dụng Phân tích thành phần chính (PCA) cho ảnh viễn thám, việc lựa chọn số lượng thành phần chính là một bước quan trọng và đòi hỏi sự cân nhắc kỹ lưỡng. Quyết định về số lượng thành phần chính cần giữ lại ảnh hưởng trực tiếp đến chất lượng và hiệu suất của quá trình nén ảnh. Dưới đây là một số phương pháp phổ biến để lựa chọn số lượng thành phần chính: − Ngưỡng phương sai giữ lại: Một phương pháp đơn giản và phổ biến là chọn số lượng thành phần chính sao cho tỷ lệ phương sai giữ lại đạt một ngưỡng nhất định, chẳng hạn như 95% hoặc 99%. Điều này đảm bảo rằng một lượng lớn thông tin quan trọng vẫn được giữ lại trong dữ liệu sau khi giảm chiều. − Phương pháp khuỷu tay (Elbow method): Phương pháp này đánh giá sự giảm dần của giá trị riêng và chọn số lượng thành phần chính tại điểm "khuỷu tay" của đường cong biểu diễn tỷ lệ phương sai giữ lại. Điểm này thường là một điểm mà sự giảm dần của giá trị riêng giảm đi đáng kể. − Đánh giá thông qua thử nghiệm và kiểm định: Thông thường, ta có thể thực hiện các thử nghiệm và kiểm định trên một tập dữ liệu thử nghiệm để đánh giá hiệu suất của mô hình 36
Đinh Nguyễn Trọng Nghĩa, Nguyễn Thị Thu Tâm PCA với các số lượng thành phần chính khác nhau. Sau đó, ta chọn số lượng thành phần chính tốt nhất dựa trên kết quả của các thử nghiệm này. Dù sử dụng phương pháp nào, việc lựa chọn số lượng thành phần chính phải dựa trên sự hiểu biết sâu sắc về bản chất của dữ liệu và mục tiêu của dự án. Sự cân nhắc kỹ lưỡng trong quá trình này sẽ giúp đảm bảo rằng quá trình nén ảnh bằng PCA đem lại kết quả tốt nhất có thể. 4. THỰC NGHIỆM VÀ ĐÁNH GIÁ Trong nghiên cứu này, chúng tôi tiến hành một thực nghiệm áp dụng Phân tích thành phần chính (PCA) để nén ảnh chụp từ vệ tinh Landsat 8. Landsat 8 là một trong những vệ tinh quan trọng được sử dụng rộng rãi trong việc thu thập dữ liệu đa phổ về mặt đất, cung cấp thông tin hữu ích về đa dạng của các biến số môi trường như đất đai, nước, rừng, và các loại đất [9]. Mục tiêu của thử nghiệm này là áp dụng PCA để giảm kích thước dữ liệu ảnh từ vệ tinh Landsat 8 mà vẫn duy trì được một phần đáng kể của thông tin chính. Qua đó, chúng tôi mong muốn tạo ra một phương pháp nén ảnh hiệu quả và tiết kiệm tài nguyên cho việc lưu trữ và truyền tải dữ liệu ảnh từ vệ tinh. Hình 1. Một ảnh chụp từ vệ tinh Kết quả của thử nghiệm cho thấy rằng sau khi áp dụng Phân tích thành phần chính (PCA) để nén ảnh từ tập dữ liệu Landsat 8, chúng ta thu được các kết quả quan trọng như sau: − Giảm kích thước ảnh đáng kể: Kích thước của ảnh trong tập dữ liệu đã giảm một cách đáng kể. Trung bình, kích thước của mỗi ảnh đã giảm khoảng 45% so với ảnh gốc. Điều này đại diện cho một sự giảm đáng kể trong khối lượng dữ liệu lưu trữ và truyền tải, mang lại lợi ích đáng kể trong việc quản lý và sử dụng dữ liệu ảnh từ vệ tinh Landsat 8. 37
− Giữ được các thông tin quan trọng: Mặc dù đã giảm kích thước, quá trình nén ảnh bằng PCA vẫn đảm bảo giữ lại một phần đáng kể của các thông tin quan trọng trong ảnh gốc. Điều này có nghĩa là mặc dù kích thước của ảnh đã giảm, nhưng các đặc điểm quan trọng của môi trường và đất đai vẫn được bảo tồn, đáp ứng nhu cầu sử dụng dữ liệu ảnh trong nghiên cứu và ứng dụng thực tiễn. Những kết quả này không chỉ đề cập đến việc giảm kích thước dữ liệu mà còn là sự đảm bảo về tính toàn vẹn và hữu ích của dữ liệu sau quá trình nén, từ đó cung cấp cơ sở cho việc sử dụng phương pháp nén ảnh PCA trong việc xử lý dữ liệu ảnh từ vệ tinh Landsat 8. Phục hồi ảnh gốc Tiếp theo, thực hiện việc tái tạo ảnh bốn lần bằng cách sử dụng 2, 30, 200 và 300 thành phần chính. Qua quá trình này, mong muốn thấy được sự thay đổi trong chất lượng của ảnh khi số lượng thành phần chính được sử dụng tăng lên. Ảnh phục hồi được thể hiện trên hình 2 Hình 2. Các ảnh được phục hồi từ dữ liệu nén khi sử dụng 2, 30, 200, 300 thành phần chính Khi sử dụng ít thành phần chính hơn, ảnh tái tạo chỉ có thể bao quát một phần nhỏ của biến thiên trong dữ liệu gốc, dẫn đến mất mát thông tin và chất lượng ảnh giảm đi đáng kể. Những thành phần chính đầu tiên thường chứa các đặc điểm chính của dữ liệu, vì vậy sự thay đổi trong chất lượng của ảnh sẽ rất đáng kể khi sử dụng ít thành phần chính. Tuy nhiên, khi sử dụng nhiều hơn các thành phần chính, ảnh tái tạo sẽ bắt đầu bao quát nhiều hơn các biến thiên trong dữ liệu gốc. Các thành phần chính cuối cùng thường chứa ít thông tin quan trọng hơn và do đó sự thay đổi trong chất lượng của ảnh khi sử dụng số lượng lớn thành phần chính sẽ không đáng kể. Như vậy, qua việc tái tạo ảnh với các số lượng thành phần chính khác nhau, hy vọng có thể hiểu rõ hơn về sự ảnh hưởng của số lượng thành phần chính đối với chất lượng của ảnh tái tạo. 5. KẾT LUẬN Nghiên cứu này đã thực hiện một phân tích về việc áp dụng Phân tích thành phần chính (PCA) để nén ảnh từ vệ tinh Landsat 8. Kết quả chỉ ra rằng việc sử dụng PCA là một phương pháp hiệu quả để giảm kích thước dữ liệu ảnh, đồng thời vẫn bảo toàn được một phần lớn của thông tin quan trọng trong ảnh gốc. Sự phụ thuộc của chất lượng tái tạo ảnh vào số lượng thành phần chính đã được chọn đã được làm rõ, và qua đó đã thấy được sự tăng đáng kể 38
Đinh Nguyễn Trọng Nghĩa, Nguyễn Thị Thu Tâm trong chất lượng tái tạo khi sử dụng số lượng thành phần chính lớn hơn. Kết quả này cung cấp một cơ sở vững chắc cho việc sử dụng PCA như một công cụ hiệu quả trong việc nén ảnh và quản lý dữ liệu trong lĩnh vực ảnh viễn thám. TÀI LIỆU THAM KHẢO 1. Chongyuan Zhang, Afef Marzougui, Sindhuja Sankaran (2020), “High-resolution satellite imagery applications in crop phenotyping: An overview”, Computers and Electronics in Agriculture 175, 105584. 2. Dileep Kumar Gupta, Shivendu Prashar, Sartajvir Singh, Prashant K. Srivastava, Rajendra Prasad (2022), Chapter 1 - Introduction to RADAR remote sensing,In Earth Observation, Radar Remote Sensing, Elsevier, Pages 3-27. 3. Karim, S., Zhang, Y., Yin (2019), S. et al. Impact of compressed and down-scaled training images on vehicle detection in remote sensing imagery. Multimed Tools Appl 78, pp. 32565–32583. 4. Mansmann, S., Neumuth, T., Scholl, M.H. (2007). Multidimensional Data Modeling for Business Process Analysis. In: Parent, C., Schewe, KD., Storey, V.C., Thalheim, B. (eds) Conceptual Modeling - ER 2007. ER 2007. Lecture Notes in Computer Science, vol 4801. Springer, Berlin, Heidelberg. 5. Rasmus Bro and Age K. Smilde (2014), “Principal component analysis, The Royal Society of Chemistry” 6. S. A. Yamashkin, A. A. Yamashkin, V. V. Zanozin, M. M. Radovanovic and A. N. Barmin (2020, "Improving the Efficiency of Deep Learning Methods in Remote Sensing Data Analysis: Geosystem Approach," in IEEE Access, vol. 8, pp. 179516-179529. 7. Sisodiya, N., Dube, N., Thakkar (2020), “P. Next-Generation Artificial Intelligence Techniques for Satellite Data Processing. In: Hemanth, D. (eds) Artificial Intelligence Techniques for Satellite Image Analysis. Remote Sensing and Digital Image Processing”, vol 24. Springer. 8. T. B. Pedersen and C. S. Jensen (1999), "Multidimensional data modeling for complex data," Proceedings 15th International Conference on Data Engineering (Cat. No.99CB36337), Sydney, NSW, Australia, pp. 336-345. 9. Yan Ma, Haiping Wu, Lizhe Wang, Bormin Huang, Rajiv Ranjan, Albert Zomaya, Wei Jie (2015), “Remote sensing big data computing: Challenges and opportunities”, Future Generation Computer Systems 51, Pages 47-60. 39
ABSTRACT APPLICATION OF PCA-BASED IMAGE COMPRESSION IN REMOTE SENSING Dinh Nguyen Trong Nghia1, Nguyen Thi Thu Tam1* 1 Ho Chi Minh City University of Industry and Trade Email: tamntt@huit.edu.vn In the field of remote sensing, satellite imagery serves as a vital resource across various domains including geography, geology, environmental studies, and resource management. However, the processing and storage of such imagery often pose significant challenges due to its large-scale data. Image compression techniques play a crucial role in addressing these challenges by reducing the size of the imagery while preserving essential information. One widely used method is image compression using Principal Component Analysis (PCA). This article explores the application of PCA-based image compression specifically tailored for remote sensing imagery. We discuss the principles of PCA, its implementation, and the benefits it offers in terms of data storage, transmission, and analysis in remote sensing applications. Keywords: PCA image compression, Remote sensing data compression, Principal Component Analysis application, Data dimensionality reduction. 40