Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

Jurnal Internasional Teknik Elektro dan Komputer (IJECE)

Vol. 12, No. 1, Februari 2022, hal. 311~319

ISSN: 2088-8708, DOI: 10.11591/ijece.v12i1.pp311-319 ❒ 311

Kompresi citra satelit dua dimensi menggunakan penginderaan

tekan

Gunasheela Keragodu Shivanna, Haranahalli Shreenivasamurthy Prasantha

Departemen Teknik Elektronika dan Komunikasi, Institut Teknologi Nitte Meenakshi, Bengaluru, India

Info Artikel ABSTRAK

Riwayat artikel: Penginderaan tekan menerima banyak perhatian dari komunitas penelitian
pemrosesan gambar sebagai teknik yang menjanjikan untuk pemulihan
Diterima 12 Januari 2021 gambar dari sampel yang sangat sedikit. Modalitas teknik penginderaan
Revisi 13 Juli 2021 tekan sangat berguna dalam aplikasi yang tidak memungkinkan untuk
Diterima 1 Agustus 2021 memperoleh banyak sampel. Teknik i n i juga sangat berguna dalam
aplikasi pencitraan satelit karena secara drastis mengurangi jumlah sampel
input sehingga mengurangi bandwidth penyimpanan dan komunikasi yang
Kata kunci: diperlukan untuk menyimpan dan mengirimkan data ke stasiun bumi. Dalam
makalah ini, metode berbasis titik interior digunakan untuk memulihkan
Penginderaan tekan seluruh citra satelit dari sampel penginderaan tekan. Hasil kompresi yang
Metode titik interior diperoleh dibandingkan dengan hasil kompresi dari algoritma kompresi citra
Citra satelit satelit konvensional. Hasilnya menunjukkan peningkatan akurasi
rekonstruksi serta tingkat kompresi yang lebih tinggi pada teknik kompresi
berbasis penginderaan tekan.
Ini adalah artikel akses terbuka di bawah lisensi CC BY-SA.

Penulis Korespondensi:
Gunasheela Keragodu Shivanna
Departemen Teknik Elektronika dan Komunikasi, Institut Teknologi Nitte Meenakshi Bengaluru, Karnataka,
India
Email: gunasheela.ks.2012@gmail.com

1. PENDAHULUAN
Aplikasi pengolahan citra memainkan peran penting dalam dunia digital saat ini. Pencitraan satelit
memiliki banyak aplikasi yang berguna dalam bidang pertanian, penginderaan jauh, perencanaan kota dan
eksplorasi mineral. Meskipun banyak aplikasi yang berguna, sangat penting untuk mengirimkan data citra
satelit ke stasiun bumi dalam bandwidth transmisi yang terbatas. Satelit akan melakukan kontak dengan
stasiun bumi hanya pada interval tertentu. Data harus disimpan di dalam satelit sampai jendela komunikasi
satelit berikutnya. Untuk semua alasan tersebut, sangat penting untuk mengkompresi data citra satelit agar
komunikasi dan penyimpanan dapat dilakukan. Algoritma kompresi citra secara luas diklasifikasikan menjadi
algoritma kompresi citra lossless dan lossy. Citra satelit tidak hanya digunakan untuk tujuan melihat tetapi
juga digunakan untuk membuat analisis eksplorasi yang penting. Oleh karena itu, kompresi citra lossless [1]
adalah modalitas yang digunakan di sebagian besar aplikasi. Namun dalam kasus tertentu, untuk
meningkatkan tingkat akuisisi citra dan untuk meningkatkan tingkat kompresi, algoritma kompresi citra
satelit lossy digunakan dalam misi seperti SPOT 4 [2].
Teorema pengambilan sampel Nyquist [3] adalah metode yang terkenal untuk akuisisi sinyal dan
pemulihan sinyal yang sesuai dengan pengukuran. Kemajuan dalam metodologi berbasis penginderaan
kompresi memberikan bukti yang memuaskan dalam mengambil sinyal dari jumlah sampel yang lebih sedikit
ketika sinyal bersifat kompresi. Modalitas penginderaan tekan sangat berguna ketika tidak praktis untuk
mendapatkan banyak sampel dan ketika sangat mahal untuk mengumpulkan sampel dalam jumlah besar.
Dalam kedua kasus tersebut, penginderaan tekan dapat berkontribusi dengan membuat perangkat keras
Laman muka jurnal: http://ijece.iaescore.com
312 ❒ ISSN: 2088-8708

akuisisi gambar menjadi lebih sederhana, mengurangi waktu akuisisi gambar, dan dengan demikian mencapai
kompresi gambar.

Int J Elec & Comp Eng, Vol. 12, No. 1, Februari 2022: 311-319
Jurnal Internasional Teknik Elektro dan Komputer (IJECE)
Vol. 12, No. 1, Februari 2022, hal. 311~319
Algoritma kompresi gambar konvensional bergantung pada teorema pengambilan sampel Nyquist di
mana sejumlah besar sampel dikumpulkan hanya untuk dibuang pada tahap kompresi. Algoritma kompresi
gambar konvensional dalam literatur umumnya didasarkan pada teknik pengkodean transformasi. Di mana,
gambar ditransformasikan menggunakan discrete cosine transform (DCT) atau discrete wavelet transform
(DWT). Koefisien-koefisien tersebut kemudian dikodekan menggunakan teknik-teknik pengkodean seperti
run-length encoding, Golomb coding [4], [5], Arithmetic coding [6], dan rice coding [7]. Banyak algoritma
kompresi citra konvensional telah diusulkan dalam literatur untuk kompresi citra satelit. Dokumen Komite
Konsultatif untuk Sistem Data Antariksa (CCSDS) [8] menjelaskan metode kompresi lossless untuk citra
satelit. Algoritma kompresi citra berdasarkan DWT yang disebut set partition in hierarchical trees (SPIHT),
di mana koefisien DWT yang signifikan dikodekan terlebih dahulu untuk pengkodean citra yang cepat dan
efisien disajikan dalam [9]. Aranki dkk. [10], implementasi field programmable gate array (FPGA) dari
skema pengangkatan DWT diusulkan. Penelitian dalam [10] dan [11] membahas konsep menemukan
koefisien DWT dari sebuah segmen gambar, dengan cara pipeline, alih-alih menunggu seluruh gambar dari
pemindaian push-broom, karena nilai koefisien DWT tergantung pada piksel di lingkungan sekitar. Algoritma
JPEG-LS untuk kompresi lossless gambar disajikan dalam [12]. Algoritma kompresi gambar lossless berbasis
konteks dengan kompleksitas rendah disajikan dalam [13]. Algoritma JPEG-2000, yang merupakan versi
DWT dari JPEG berbasis DCT untuk mencapai tingkat kualitas gambar yang berbeda berdasarkan aplikasi
yang berbeda diusulkan oleh kelompok ahli fotografi bersama dalam [14]-[16]. Penginderaan kompresi [17]-
[19] didasarkan pada prinsip bahwa jika sinyal bersifat kompresibel, maka dimungkinkan untuk
merekonstruksi sinyal dari pengukuran yang sangat sedikit. Sampel kompresi dihasilkan dengan
menggunakan matriks pengambilan sampel acak yang menangkap sinyal dalam pengukuran yang sangat
sedikit.
Gambar 1 menunjukkan diagram blok umum dari algoritma kompresi gambar konvensional seperti
JPEG dan standar CCSDS. Seperti yang terlihat pada diagram blok, citra satelit melalui banyak langkah
pemrosesan pada tahap encoder. Pertama, citra ditransformasikan menggunakan salah satu teknik
pengkodean transformasi seperti DCT atau DWT. Koefisien yang tidak signifikan dibuang setelah
pengkodean transformasi. Koefisien yang tersisa akan dikuantisasi pada tahap berikutnya. Koefisien yang
dikuantisasi selanjutnya dikodekan menggunakan teknik pengkodean entropi seperti pengkodean Huffman,
dan pengkodean aritmatika. Encoder sangat sederhana dalam hal algoritma kompresi berbasis CS seperti
yang ditunjukkan pada Gambar 2. Satu-satunya langkah pemrosesan pada encoder adalah pembuatan sampel
penginderaan tekan dari matriks penginderaan tekan acak. Penurunan langkah komputasi pada encoder sangat
penting dalam hal aplikasi penginderaan jauh karena memori dan daya merupakan dua sumber daya penting
yang penting dalam hal aplikasi penginderaan jauh.

Gambar 1. Diagram blok umum dari algoritma kompresi citra satelit konvensional

Aspek yang paling signifikan dari penggunaan CS untuk kompresi dalam aplikasi penginderaan jauh
dapat dikaitkan dengan sifat membuat encoder yang sangat sederhana dengan menghilangkan semua langkah
pemrosesan pada tahap encoder pada algoritma kompresi konvensional. Sampel penginderaan terkompresi
dikomunikasikan ke stasiun bumi dalam hal aplikasi pencitraan satelit. Kerugian dari algoritma berbasis CS
untuk kompresi adalah proses rekonstruksi dari sampel penginderaan tekan cukup mahal secara komputasi.
Aspek ini dapat diabaikan karena proses rekonstruksi terjadi di stasiun bumi di mana sumber daya tersedia
dalam jumlah yang melimpah.
Laman muka jurnal: http://ijece.iaescore.com
Int J Elec & Comp Eng ISSN: 2088-8708 ❒ 313

Penelitian ini menggunakan teknik penginderaan kompresi untuk memampatkan citra satelit. Sampel
penginderaan tekan dihasilkan menggunakan matriks CS yang berisi koefisien transformasi Fourier acak.
Citra satelit dikompresi pada berbagai tingkat sampling untuk menganalisis kinerja algoritma pada tingkat
kompresi yang berbeda. Citra satelit direkonstruksi dari sampel penginderaan terkompresi dengan kelas
metode titik interior yang disebut metode penghalang log. Teknik iteratif meminimalkan fungsi objektif
dengan regularisasi variasi total untuk memecahkan masalah rekonstruksi citra dari sampel penginderaan
jauh. Sisa dari artikel ini disusun sebagai berikut; Bagian 2 menjelaskan teknik penginderaan jauh yang
diusulkan untuk merekonstruksi citra satelit dari sampel penginderaan jauh. Bagian 3 menyajikan hasil
eksperimen dengan menggunakan dataset yang berbeda. Kinerja algoritma dianalisis dengan menggunakan
metrik kuantitatif seperti peak signal to noise ratio (PSNR) dan structural similarity index measure (SSIM).
Bagian 4 menyimpulkan hasil penelitian yang disajikan dalam artikel ini.

Gambar 2. Diagram blok umum algoritma berbasis penginderaan tekan

2. ALGORITMA CS-CR
Pertimbangkan sebuah gambar 𝐼, yang memiliki dimensi 𝑛 × 𝑛. Jumlah total piksel dalam 𝐼
dilambangkan dengan 𝑁. Gambar 𝐼 divisualisasikan sebagai 𝑥 ≔ 𝑉𝑒𝑐(𝐼), di mana panjang vektor 𝑥 adalah 𝑁.
Hasil dalam makalah [20]-[22] menunjukkan kemungkinan untuk memulihkan sinyal dari jumlah pengukuran
yang lebih sedikit, yaitu,
𝑧 = 𝐶𝑥 ∈ 𝑅𝑃 , 𝑃 ≪ 𝑁 dengan akurasi yang cukup tinggi. Masalah pencarian basis untuk menyelesaikan
nilai optimal dari 𝑥
dari lebih sedikit sampel penginderaan tekan 𝑧 diberikan oleh (1):

𝑚𝑖𝑛𝑥‖𝑥‖1 𝑠𝑢𝑐ℎ 𝑡ℎ𝑎𝑡 𝐶𝑥 = 𝑧 (1)

Masalah optimasi diselesaikan untuk 𝑥 dengan norma minimum 𝑙1 , yang menjelaskan pengukuran
penginderaan tekan 𝑧. Strategi lain untuk menyelesaikan 𝑥 diberikan oleh (2):

𝑚𝑖𝑛𝑥 𝑇𝑉(𝑥) 𝑠𝑢𝑐ℎ 𝑡ℎ𝑎𝑡 𝐶𝑥 = 𝑧 (2)

di mana, 𝑇𝑉(𝑥) mewakili total variasi [23] dari 𝑥. 𝑇𝑉(𝑥) didefinisikan sebagai (3),

𝑇𝑉(𝑥) = ∑𝑖,𝑗 √(𝐷ℎ 𝐼)2 + (𝐷𝑣 𝐼)2 (3)

𝑖, 𝑗 𝑖, 𝑗

dimana,
ℎ 𝐼𝑖+1 - 𝐼𝑖,𝑗 𝑖 <𝑛
𝐷𝑖, 𝑗𝐼 = { (4)
0 𝑖=𝑛
𝑣 𝐼𝑖, 𝑗+1 - 𝐼𝑖, 𝑗 𝑗 <𝑛
𝐷𝑖, 𝑗𝐼 = { (5)
0 𝑗=𝑛

Kompresi citra satelit dua dimensi menggunakan penginderaan tekan (Gunasheela Keragodu Shivanna)
314 ❒ ISSN: 2088-8708

Masalah pada (2) dapat digeneralisasi menjadi (6),

Int J Elec & Comp Eng, Vol. 12, No. 1, Februari 2022: 311-319
Int J Elec & Comp Eng ISSN: 2088-8708 ❒ 315

𝑚𝑖𝑛𝑥 < 𝑘𝑜, 𝑥 > 𝑠𝑢𝑐ℎ 𝑡ℎ𝑎𝑡 𝐶𝑥 = 𝑧, 𝐹𝑖(𝑥) ≤ 0 𝑖 = 1 ... . 𝑚 (6)

dimana, 𝐹𝑖 merepresentasikan kendala linearitas ke-𝑚. Masalah optimasi pada (6) dapat diubah m e n j a d i
serangkaian sub masalah dengan kendala linearitas menggunakan metode Log-barrier [24] seperti pada (7):
1
𝑚𝑖𝑛 < 𝑘 , 𝑥 > + ∑ - log(-𝐹 (𝑥)) 𝑠𝑢𝑐ℎ 𝑡ℎ𝑎𝑡 𝐶𝑥 = 𝑧 (7)
𝑥 𝑜 𝜏𝐿 𝑖 𝑖

Metode log-barrier menambahkan kendala ketidaksamaan ke dalam tujuan dengan fungsi penalti
log. Pada setiap iterasi 𝐿, nilai 𝜏 ditingkatkan. Ketika 𝜏 cukup besar, solusi 𝑥𝐿 mendekati nilai optimal dari
masalah asli pada (6). Aproksimasi orde dua dari (7) pada ∆𝑥 diberikan oleh (8):
1
𝐹0(𝑥 + ∆𝑥) ≈ 𝑥 + < 𝐺𝑟𝑥, ∆𝑥 > + < 𝐻𝑥∆𝑥, ∆𝑥 > (8)
2

di mana, 𝐺𝑟𝑥 mewakili gradien, yang diberikan oleh (9):

𝐺𝑟 =𝑘 1
+ ∑
1 ∇𝐹 (𝑥) (9)
𝑥 0
𝜏 𝑖 -𝐹 𝑖(𝑥) 𝑖

𝐻𝑥 Merupakan matriks Hessian, yang diberikan oleh (10):

1 1
𝐻= ∑ () () 𝑇 1 1 ∇2 𝐹 (𝑥) (10)
𝑥 (∇𝐹𝑖 𝑥 ) +𝜏 ∑
𝑥 𝑖 𝐹 (𝑥)2 ∇𝑓𝑖 𝑖 - (𝑥) 𝑖
𝜏 𝑖 𝐹𝑖

Jika 𝑥 berada dalam himpunan layak, ∆𝑥 yang merepresentasikan minimum dari pendekatan orde dua pada
(8) diberikan oleh himpunan linear berikut:
𝑇
𝜏( 𝐻𝑥𝐶
) (∆𝑥 ) = -𝜏𝐺𝑟 (11)
𝐶 0 𝜌 𝑥

𝜌 adalah pengali Lagrange untuk batasan kesetaraan.

Diagram alir algoritma CS-CR berdasarkan metode Log-barrier untuk rekonstruksi citra dari
pengukuran penginderaan tekan diberikan pada Gambar 3. Algoritma diinisialisasi dengan 𝑥𝑜 , 𝑡𝑜𝑙, 𝐿, 𝜏, 𝛼
pada langkah 1. Pada langkah 2 (7) diselesaikan dengan menggunakan metode Newton dengan
menggunakan 𝑥𝐿−1 sebagai titik awal. Pada langkah 3, jika𝑚 < 𝑡𝑜𝑙,
𝜏𝐿
algoritme dihentikan, jika tidak, algoritme kembali ke langkah 2.

Gambar 3. Diagram alir algoritme CS-CR

Kompresi citra satelit dua dimensi menggunakan penginderaan tekan (Gunasheela Keragodu Shivanna)
316 ❒ ISSN: 2088-8708

3. HASIL DAN PEMBAHASAN

Eksperimen dilakukan dengan menggunakan MATLB R2016b pada laptop windows 10, sistem
operasi 64-bit dengan prosesor Intel(R) i7, RAM 16 GB. Untuk eksperimen, dua set data [25] telah
dipertimbangkan. Sebuah band dari data coastal_b1 dari Landsat NASA dianggap sebagai data pertama.
Gambar tersebut berukuran 1024×1024. Data lain yang dipertimbangkan untuk eksperimen adalah
spot_la_b3 dari SPOT 3 CNES. Citra tersebut berukuran 500×500. Tiga algoritma [26] dipertimbangkan
untuk membandingkan dan memvalidasi kinerja algoritma rekonstruksi berbasis CS. Algoritma yang
diusulkan dalam dokumen CCSDS, menggunakan float DWT untuk mencapai kompresi lossy pada citra
satelit, di mana parameter disetel untuk mencapai kinerja distorsi tingkat yang berbeda dan kompresi full
frame. Algoritma JPEG-2000 yang didasarkan pada float DWT baik dalam mode pemindaian maupun mode
bingkai dipertimbangkan untuk perbandingan di mana optimasi alokasi laju dilakukan dengan menggunakan
pengganda Lagrange. Algoritme lain yang dipertimbangkan untuk perbandingan adalah set partitioning in
hierarchical trees (SPIHT), yang didasarkan pada float DWT untuk menguraikan sampel gambar ke dalam
tingkat dekomposisi yang berbeda. Metode-metode ini dibandingkan dalam hal metrik kuantitatif seperti
PSNR dan SSIM. PSNR memberikan informasi tentang kesamaan numerik rata-rata antara gambar asli dan
gambar yang direkonstruksi. SSIM memberikan ukuran kesamaan struktural spasial rata-rata antara gambar
asli dan gambar yang direkonstruksi. Ukuran PSNR dan SSIM didefinisikan sebagai berikut:
- Rasio sinyal puncak terhadap noise (PSNR):

𝑃𝑆𝑁𝑅(𝑋, 𝑋̂) = 20𝑙𝑜𝑔 max(𝑋) (12)

10 √𝑀𝑆𝐸(𝑋, 𝑋̂)

𝑋 dan 𝑋̂ masing-masing adalah gambar asli dan gambar yang direkonstruksi.

- Kesalahan kuadrat rata-rata (MSE):
2
𝑀𝑆𝐸(𝑋, 𝑋̂) =
1
‖𝑋 - 𝑋̂‖ (13)
𝑁 2

- Ukuran indeks kemiripan struktural (SSIM):

(2𝜇𝑋𝜇𝑋̂ +𝐶1)(2𝜎𝑥𝑥̂+𝐾2)
𝑆𝑆𝐼𝑀(𝑋, 𝑋̂) = (𝜇2 +𝜇2 +𝐶1) (𝜎2 +𝜎2 +𝐾2) (14)
𝑋 𝑋̂ 𝑋 𝑋̂

𝜇𝑋 dan 𝜇𝑋 ̂ mengacu pada nilai rata-rata dari citra asli dan citra yang direkonstruksi. 𝜎𝑋 dan 𝜎𝑋 ̂ mengacu pada
standar deviasi dari gambar asli dan gambar yang direkonstruksi. 𝐾1 dan 𝐾2 adalah konstanta yang terkait
dengan rentang dinamis nilai piksel. PSNR dan SSIM yang lebih tinggi merupakan indikasi peningkatan
akurasi rekonstruksi. PSNR dan SSIM dievaluasi pada tingkat pengambilan sampel yang berbeda untuk
algoritma berbasis CS. Laju pengambilan sampel adalah proporsi sampel yang diekstraksi dari gambar asli
sehubungan dengan jumlah total sampel dalam gambar asli.
Gambar 4 menunjukkan hasil rekonstruksi menggunakan algoritma berbasis CS untuk data Landsat
coastal_b1 pada berbagai sampling rate mulai dari 0,1 hingga 0,5. Demikian pula Gambar 5 menunjukkan
hasil rekonstruksi menggunakan algoritma berbasis CS untuk data spot_la_b3 pada berbagai sampling rate
mulai dari 0,1 hingga 0,5. Gambar 6(a) menunjukkan perbandingan nilai PSNR untuk dua dataset spot_la_b3
dan coastal_b1 dengan menggunakan teknik kompresi konvensional seperti JPEG-2000, SPIHT dan CCSDS
dan teknik berbasis CS yang diusulkan. Terlihat jelas dari grafik bahwa, PSNR yang dicapai dengan
menggunakan algoritma berbasis CS jauh lebih tinggi untuk kedua dataset tersebut.
Nilai rata-rata PSNR menggunakan algoritma JPEG-2000 untuk dataset spot_la_b3 adalah 42,21.
Nilai PSNR rata-rata untuk dataset yang sama menggunakan algoritma berbasis CCSDS adalah 41,84.
Demikian pula, nilai PSNR menggunakan algoritma SPIHT diberikan oleh 41,68. Nilai PSNR yang dicapai
dengan menggunakan algoritma berbasis penginderaan tekan yang diusulkan adalah 74,82 untuk dataset
spot_la_b3, yang mana lebih baik 77%, 78%, 79% dibandingkan dengan algoritma JPEG-2000, CCSDS, dan
SPIHT. Nilai PSNR rata-rata menggunakan algoritma JPEG-2000 untuk dataset coastal_b1 adalah 51,39.
Nilai rata-rata PSNR untuk dataset yang sama menggunakan algoritma berbasis CCSDS adalah 51,05.
Demikian pula, nilai PSNR menggunakan algoritma SPIHT diberikan oleh 50,64. Nilai PSNR yang dicapai
dengan menggunakan algoritma berbasis penginderaan tekan yang diusulkan adalah 93,67 untuk dataset
coastal_b1, yang mana lebih baik 82,27%, 83,48%, 84,97% dibandingkan dengan algoritma JPEG-2000,
CCSDS, dan SPIHT. Gambar 6(b) menunjukkan nilai PSNR menggunakan teknik kompresi berbasis CS pada
kecepatan sampling yang berbeda. Terlihat jelas bahwa ada peningkatan yang stabil pada nilai PSNR dengan
peningkatan laju sampling untuk kedua set data. PSNR pada laju sampling 0,1 untuk data spot_la_b3 adalah
72,68. PSNR pada 0.1 sampling rate untuk data coastal_b1 adalah 90.97. Gambar 6(c) menunjukkan ukuran
indeks kemiripan struktural untuk dua dataset yang dipertimbangkan pada berbagai tingkat pengambilan
Int J Elec & Comp Eng, Vol. 12, No. 1, Februari 2022: 311-319
Int J Elec & Comp Eng ISSN: 2088-8708 ❒ 317

sampel dengan menggunakan teknik kompresi berbasis CS. Nilai SSIM rata-rata untuk data coastal_b1
adalah 0.9984. Nilai SSIM rata-rata untuk data spot_la_b3 adalah 0,9961. Gambar 6(d) menunjukkan waktu
berjalan teknik kompresi berbasis CS pada berbagai tingkat sampling. Rata-rata waktu berjalan

Kompresi citra satelit dua dimensi menggunakan penginderaan tekan (Gunasheela Keragodu Shivanna)
318 ❒ ISSN: 2088-8708

untuk data spot_la_b3 adalah 341,97 detik. Waktu run rata-rata untuk data coastal_b1 adalah 1027 detik.
Penurunan waktu proses dengan peningkatan laju sampling menunjukkan bahwa algoritma akan lebih cepat
mencapai konvergen ketika jumlah sampel yang lebih banyak tersedia sebagai input. Gambar 6(e) dan
Gambar 6(f) menunjukkan ukuran kompresi dalam byte dari citra asli dan citra yang direkonstruksi pada
berbagai laju sampling menggunakan teknik kompresi berbasis CS untuk set data coastal_b1 dan spot_la_b3.

Gambar 4. Citra yang direkonstruksi pada laju sampling 0,1, 0,2, 0,3, 0,4, 0,5, data Landsat coastal_b1

Int J Elec & Comp Eng, Vol. 12, No. 1, Februari 2022: 311-319
Int J Elec & Comp Eng ISSN: 2088-8708 ❒ 319

Rekonstruksi pada laju pengambilan sampel 0,4

Gambar 5. Gambar yang direkonstruksi pada laju sampling 0,1, 0,2, 0,3, 0,4, 0,5, data spot_la_b3 CNES
[25] (Semua hak cipta dilindungi undang-undang © CNES (2007))

Kompresi citra satelit dua dimensi menggunakan penginderaan tekan (Gunasheela Keragodu Shivanna)
320 ❒ ISSN: 2088-8708

100 120 0.9985

90 CCSDS-strip
0.998
80 100
70 JPEG-2000- 0.9975 pesisir_b1
60 80
memindai
0.997
50 JPEG-2000-
spot_la_b3
40 bingkai 60 0.9965
30 Bingkai pesisir_b1 0.996
20 40
10
CCSDS 0.9955
spot_la_b3
0 SPIHT
20 0.995
CS-CR 0
0.1 0.2 0 . 3 0 . 4 0.1 0.2 0.3 0.4 0.5
0.5

(a) (b) (c)

2500 2500000 9000000

spot_la_ Ukuran asli Asli
b3 (byte) 8000000 ukuran
2000 2000000 (byte)
coastal_ 7000000 Terkompresi
Terkompresi
b1 ukuran (byte) 6000000 ukuran
1500 1500000 (byte)
5000000
4000000
1000 1000000
3000000
2000000
500 500000
1000000

0 0 0
0.1 0.2 0 . 3 0 . 4 0 . 5 0.1 0.2 0 . 3 0 . 4 0 . 5 0.1 0.2 0 . 3 0 . 4
0 . 5

(d) (e) (f)

Gambar 6. Gambar-gambar ini adalah; (a) PSNR menggunakan teknik kompresi yang berbeda, (b) PSNR pada
berbagai laju sampling menggunakan teknik kompresi berbasis CS, (c) SSIM pada berbagai laju sampling
menggunakan teknik kompresi berbasis CS, (d) waktu berjalan dalam detik pada berbagai laju sampling
menggunakan teknik kompresi berbasis CS,
(e) ukuran asli dan terkompresi dari citra coastal_b1 pada tingkat pengambilan sampel yang berbeda, (f)
ukuran asli dan terkompresi dari citra spot_la_b3 CNES pada tingkat pengambilan
sampel yang berbeda

4. KESIMPULAN
Tujuan utama dari penelitian ini adalah untuk menunjukkan kegunaan teknik kompresi berbasis
penginderaan kompresi dalam domain kompresi citra satelit. Hasil eksperimen dan analisis menunjukkan
keunggulan teknik berbasis penginderaan kompresi dibandingkan teknik kompresi citra konvensional, baik
dari segi akurasi rekonstruksi maupun laju kompresi. Teknik penginderaan kompresi akan sangat berguna
dalam kompresi dataset citra satelit hiperspektral dan multispektral yang sangat besar karena teknik ini sangat
membantu dalam mengurangi hambatan bandwidth penyimpanan dan transmisi dalam aplikasi penginderaan
jauh.

REFERENSI
[1] Gunasheela K. S. dan H. S. Prasantha, "Kompresi citra satelit-survei terperinci mengenai algoritme," Prosiding ICCR di LNNS
Springer, vol. 14, 2017, hal. 187-198, doi: 10.1109/ICPADS.2012.35.
[2] C. Lambert-Nebout dan G. Moury, "Sebuah survei kompresi citra di dalam pesawat untuk misi ruang angkasa CNES," dalam:
Prosiding Simposium Geosains dan Penginderaan Jauh Internasional IEEE 1999, 1999, hal. 2032-2034, doi:
10.1109/IGARSS.1999.775023.
[3] R. J. Marks (II), "Pengantar teori pengambilan sampel dan interpolasi Shannon," Springer-Verlag, 1991.
[4] S. Golomb, "Run-length encoding," IEEE Transactions on Information Theory, vol. 12, no. 3, hal. 399 - 401, Juli 1966.
[5] A. Kiely, "Memilih parameter golomb dalam pengkodean padi," Laporan Kemajuan Jaringan Antarplanet, vol. 42, no. 159,
November 2004.
[6] D. Le Gall dan A. Tabatabai, "Pengkodean sub-band gambar digital menggunakan filter Kernel pendek simetris dan teknik
pengkodean aritmatika," Dalam Prosiding Konferensi Internasional tentang Akustik, Wicara, dan Pemrosesan Sinyal, 1988 (New
York, NY, AS), vol. 2, hal. 761-764, April 1988, doi: 10.1109/ICASSP.1988.196696.

Int J Elec & Comp Eng, Vol. 12, No. 1, Februari 2022: 311-319
Int J Elec & Comp Eng ISSN: 2088-8708 ❒ 321
[7] R. F. Rice, "Beberapa Teknik Pengkodean Tanpa Suara Universal yang Praktis," Server laporan teknis NTRS-NASA Pasadena,
California: JPL, Amerika Serikat, Rep. JPL-PUB-79-22; NASACR-158515, 1979.
[8] Kompresi Data Tanpa Kehilangan, Rekomendasi untuk Standar Sistem Data Ruang Angkasa, CCSDS 121.0-B-3, Buku Biru,
Edisi 1, Washington, D.C.: CCSDS, Mei 1997.

Kompresi citra satelit dua dimensi menggunakan penginderaan tekan (Gunasheela Keragodu Shivanna)
322 ❒ ISSN: 2088-8708

[9] A. Said dan WA Pearlman, "Codec Gambar Baru, Cepat, dan Efisien Berdasarkan Pemartisian Himpunan pada Pohon Hirarkis,"
IEEE Transactions on Circuits and Systems for Video Technology, vol. 6, no. 3, hal. 243-250, Juni 1996, doi: 10.1109/76.499834.
[10] N. Aranki, W. Jiang, dan A. Ortega, "Implementasi Paralel Berbasis FPGA untuk Transformasi Wavelet Diskrit Pengangkatan," In
Metode Paralel dan Terdistribusi untuk Pemrosesan Citra IV, vol. 4118, hal. 96-107, 2000, doi: 10.1117/12.403593.
[11] C. Chrysafis dan A. Ortega, "Kompresi Citra Wavelet Berbasis Garis, Memori Berkurang," IEEE Transactions on Image
Processing, vol. 9, no. 3, hal. 378-389, Mar. 2000, doi: 10.1109/83.826776.
[12] M. J. Weinberger, G. Seroussi, dan G. Sapiro, "Algoritma Kompresi Citra Lossless LOCO-I: Prinsip dan Standarisasi ke dalam
JPEG-LS," IEEE Transactions on Image Processing, vol. 9, no. 8, hal. 1309-1324, Agustus 2000, doi: 10.1109/83.855427.
[13] M. J. Weinberger, G. Seroussi, dan G. Sapiro, "LOCO-I: Sebuah Algoritma Kompresi Gambar Lossless dengan Kompleksitas
Rendah, Berbasis Konteks, dan Lossless," Dalam Prosiding Konferensi Kompresi Data, 1996 (Snowbird, UT, USA), 1996, hal.
140-149, doi: 10.1109/DCC.1996.488319.
[14] D. Taubman dan M. Marcellin, "JPEG2000: Dasar-dasar Kompresi Gambar, Standar dan Praktik," Seri Internasional Kluwer
dalam Teknik dan Ilmu Komputer, Norwell, Massachusetts: Kluwer, November 2001.
[15] M. D. Adams dan F. Kossentini, "JasPer: Implementasi Codec JPEG-2000 Berbasis Perangkat Lunak," Dalam Prosiding
Konferensi Internasional 2000 tentang Pemrosesan Gambar (Vancouver, BC, Kanada), vol. 2, 2000, hal. 53-56, doi:
10.1109/ICIP.2000.899223.
[16] Teknologi Informasi-Sistem Pengkodean Gambar JPEG 2000: Sistem Pengkodean Inti, Standar Internasional, ISO/IEC 15444-
1:2004. Edisi ke-2. Jenewa: ISO, 2004.
[17] M. Lustig, D. Donoho dan J. Pauly, "MRI yang jarang: Penerapan penginderaan tekan untuk pencitraan MR yang cepat,"
Magnetic Resonance in Medicine, vol. 58 no. 6 hal. 1182-1195, 2007, doi: 10.1002/mrm.21391.
[18] D. L. Donoho, "Penginderaan tekan," IEEE Transactions on Information Theory, vol. 52, no. 4, pp. 1289-1306, 2006.
[19] Gunasheela KS, HS Prasantha, "Penginderaan kompresi untuk kompresi gambar: survei algoritma," Prosiding Penelitian Terbaru
dalam Komputasi, Informasi, Komunikasi, dan Aplikasi, ERCICA, publikasi Springer, Bengaluru, 2018.
[20] E. Cand`es dan J. Romberg, "Prinsip-prinsip ketidakpastian yang kuat secara kuantitatif dan dekomposisi yang jarang secara
optimal," Akan dipublikasikan di Foundations of Comput. Matematika, 2005.
[21] E. Cand`es, J. Romberg, dan T. Tao, "Prinsip ketidakpastian yang kuat: Rekonstruksi sinyal yang tepat dari informasi frekuensi
yang sangat tidak lengkap," Diserahkan ke IEEE Trans. Inform. Theory, Jun. 2004, doi: 10.1109/TIT.2005.862083.
[22] E. Cand`es, J. Romberg, dan T. Tao, "Pemulihan sinyal yang stabil dari pengukuran yang tidak lengkap dan tidak akurat,"
Komunikasi Matematika Murni dan Terapan, 2005, doi: 10.1002/cpa.20124.
[23] T. Chan, G. Golub, dan P. Mulet, "Metode primal-dual nonlinier untuk restorasi citra berbasis variasi total," SIAM J. Sci. Comput.
vol. 20, no. 6, 1999, doi: 10.1137/S1064827596299767.
[24] S. Boyd dan L. Vandenberghe, Optimasi Cembung, Cambridge University Press, 2004.
[25] Y. P. Shu, April 27, 2007, "Uji gambar kumpulan data," CWE CCSDS. [Online].
Tersedia:
https://cwe.ccsds.org/sls/docs/Forms/AllItems.aspx?RootFolder=%2fsls%2fdocs%2fSLS%2dDC%2fBB122TestImage&FolderC
TID=0x012000439B56FF51847E41B5728F9730D7B55F (Diakses Januari, 2020).
[26] "Kompresi Data Citra," Laporan mengenai Standar Sistem Data Antariksa, CCSDS 120.1-G-1-S, Buku Hijau, Edisi 1,
Washington, D.C.: CCSDS, Juni 2007.

BIOGRAFI PENULIS

Gunasheela Keragodu Shivannamenerima gelar B.E. di bidang Teknik Elektronika dan

Komunikasi dan gelar M. Tech. Gelar di bidang pemrosesan sinyal dari Visveswaraya
technological University, India masing-masing pada tahun 2012 dan 2014. Saat ini, ia sedang
bekerja untuk meraih gelar Ph.D. dalam bidang kompresi citra hiperspektral di institut
teknologi Nitte Meenakshi yang berafiliasi dengan VTU, India. Minat penelitiannya meliputi
penginderaan terkompresi, pemrosesan citra hiperspektral, optimasi, dan visi komputer. Ia
dapat dihubungi melalui email: gunasheela.ks.2012@gmail.com.

Haranahalli Shreenivasamurthy Prasantha menerima gelar sarjana dari

Bangalore University, gelar master dari V.T.U, Belgaum, dan gelar PhD dari Anna University,
Chennai, di bidang Signal and Image Processing. Beliau memiliki lebih dari 20 tahun
pengalaman mengajar dan penelitian. Minat penelitiannya meliputi Multimedia dan
Pemrosesan Sinyal. Dia telah menerbitkan lebih dari 35 makalah dalam konferensi dan Jurnal
internasional. Dia adalah pengulas untuk berbagai konferensi dan Jurnal terkenal. Saat ini, ia
membimbing empat mahasiswa untuk program penelitian mereka di bawah VTU. Saat ini, ia
bekerja sebagai profesor di departemen Teknik Elektronika dan Komunikasi, Institut
Teknologi Nitte Meenakshi (Berafiliasi dengan VTU).
Belgaum), Bangalore. Beliau dapat dihubungi melalui email: drhsprashanth@gmail.com.

Int J Elec & Comp Eng, Vol. 12, No. 1, Februari 2022: 311-319