Design space exploration for hyperspectral image processing pipeline in HYPSO mission

Abstract

HYPSO er et NTNU forskningsprosjekt som har som mål å oppdage giftige algeoppblomstringer i havet. HYPSO bruker hyperspektral avbildning fra verdensrommet for å få informasjon om algeoppblomstringen. Tanken er at oppdrettsanlegg aktivt kan bruke HYPSOs data, og potensielt redde fisken deres fra å dø på grunn av de giftige algene.

Denne masteroppgaven bidrar til HYPSO-prosjektet ved å utføre en grov design utforskning som tar for seg mulige måter å utføre hyperspektral databehandling ombord på satellitten. Det er avgjørende å gjøre databehandling ombord på satellitten fordi hyperspektrale bilder kan bli så store at det vil ta mye tid å laste dem ned Jorden i råformat. I tillegg har satellitten et budsjett når det kommer til strøm, og å laste ned data fra satellitten til jorden er en ganske strømkrevende prosess.

Ved å gjøre en grov design tforskning av databehandling ombord av hyperspektrale bilder, får vi innsikt i hvilke kombinasjoner av algoritmer som kan være fordelaktige å inkludere i databehandlingen ombord. Den viktig å understreke at den grove design-romutforskningen utført i denne oppgaven er grov, og det produserte resultatet bør derfor kun betraktes som retningslinjer for å hjelpe videre planlegging av prosjektet. Den produserte dataen er langt fra harde fakta.

Denne oppgaven inkluderer estimeringer av kjøretid, nøyaktighetsestimeringer og resulterende datastørrelsesberegninger for ulike typer algoritmer. Databehandlingsrørledninger ombord kan bestå av flere algoritmer, så den estimerte kjøretiden, nøyaktigheten og resulterende datautdatastørrelsen til prosesseringskjedene for databehandling ombord produseres ved å kombinere estimatene for algoritmene i kjeden. Denne oppgaven inkluderer også evalueringsmodeller for å sammenligne ombord databehandlingskjeder.

En felles faktor for det som ser ut til å være lovende data prosessering ombord, er at de inkluderer algoritmer som tar sikte på å korrigere feilaktige effekter som er forutsaket av bildeverktøy eller prosessen av å ta bildet. Utforskningen av designene viser også at det kan være interessant å forske videre på bruk av dimensjonalitetsreduksjonsalgoritmer for datakomprimeringsformål.

The Hyperspectral SmallSat for Ocean Observation (HYPSO) is a Norwegian University of Science and Technology (NTNU) research project that aims to detect poisonous algae blooms in the ocean. HYPSO uses hyperspectral imaging from space to obtain information about the algae blooms. The idea is that fish farms can actively use HYPSO’s data, potentially saving their fish from dying due to the poisonous algae.

This master thesis contributes to the HYPSO project by conducting a rough design space exploration that addresses possible ways to do hyperspectral data processing onboard the satellite. It is crucial to do data processing onboard the satellite because hyperspectral images can become so big that it will take a lot of time to download them Earth in raw format. In addition, the satellite has a budget when it comes to power, and downloading data from the satellite to Earth is quite a power hungry process.

By doing a rough design space exploration of onboard data processing of hyperspectral images, we get insight into what combinations of algorithms could be beneficial to include in the onboard data processing. However, the rough design space exploration conducted in this thesis is, indeed, rough, and the produced result should therefore only be considered guidelines to help further planning of the project. It is important to note that the results are far from hard facts.

This thesis includes run time estimations, accuracy estimations, and outputted data size estimations of different types of algorithms. Onboard data processing pipelines can consist of several algorithms, so the estimated run time, accuracy, and data output size of the onboard data processing pipelines are produced by combining the estimates of the algorithms in the pipeline. This thesis also includes evaluative models to compare onboard data processing pipelines.

A common factor for what seems to be promising processing onboard data processing pipelines is that they include algorithms that aim to correct erroneous effects caused by imaging tools or the imaging process. The design space exploration also shows that it can be interesting to do further research on using dimensionality reduction algorithms for data compression purposes.