Métodos para reconstrução de imagens hiperespectrais para a costa brasileira baseados em compressive sensing

Abstract

A imagem hiperespectral surgiu como uma nova geração de tecnologia para observação da Terra e exploração espacial desde o início deste milênio e amplamente utilizada em várias disciplinas e aplicações. A informação espectral detalhada é adquirida por imageadores hiperespectrais, nos quais, geralmente produzem resultados impossíveis de serem obtidos com imagens multiespectrais ou outros tipos de satélites. Muitas técnicas para análise de qualidade dos dados foram desenvolvidas ao longo dos anos, e adaptadas para imagens hiperespectrais de acordo com o objetivo, como o NDVI (Normalized Difference Vegetation Index ) e o NDWI (Normalized Difference Water Index ). A grande limitação deste tipo de tecnologia é o armazenamento dos dados devido a limitação de peso que satélites possuem. Desta forma, técnicas de compressão passaram-se a ser utilizadas, como o Compressive Sensing (CS) criado para imageamento médico, gerando imagens com alta qualidade a partir de linhas radiais no espaço-k mesmo quando a relação de Shannon-Nyquist não é obtida. Assim, este trabalho combinou a técnica de CS com a de análise de qualidade para reconstruir imagens hiperespectrais da costa brasileira, a partir de estimação de dados no domínio de Fourier e quantificar a qualidade do dado a partir dos dados reais, obtidos pelo satélite PRISMA. Os resultados obtidos apresentam tanto a relação sinal-ruído da reconstrução, onde há uma variação entre 45 dB e 330 dB comparados a imagem original e que mesmo em imagens o valor de números de radias abaixo do ideal, é visível a ênfase de informação de acordo com o NDWI. A partir dessa variação é possível determinar um número ótimo de radias que é 750. Estes resultados sugerem que Compressive Sensing com pré-filtragem permite uma melhora em relação à técnica de pré-filtragem para imageamento hiperespectral, analogamente à melhora observada nos últimos anos em problemas de imageamento médico.