Noise reduction in hyperspectral images, using MNF method and with GPU implementation

In recent years, hyperspectral imaging (HSI) has been widely used in various fields, such as earth observation, medical, food safety, agriculture, astrophysics, forensics, etc. HSI provides high spectral resolution by covering an expanded wavelength range from the electromagnetic spectrum, well beyond the visible range detected from human eye. This rich spectral information can be used in important applications such as object identification in remote sensing and noninvasive cancer diagnosis in biomedical fields. However, corruption of hyperspectral images (HSIs) by various types of noise, degrades the image quality greatly, leading to low accuracy in classification, object segmentation, to name but a few. Thus, denoising is a crucial preprocessing step before any type of analysis can be performed on HSIs. The Minimum Noise Fraction (MNF) transform provides suitable noise reduction performance by ordering the images in terms of quality. In this work, MNF method has been implemented first in MATLAB for application on small size HSI biomedical data sets. The error analysis shows that MNF can be used successfully for noise removal in biomedical HSI data. One of the major drawbacks of MNF consists in the fact that it is computationally expensive. In order to overcome this drawback an accelerated version of MNF has been implemented using Graphics Processing Unit (GPU) computing. The GPU implementation of MNF is significantly faster in comparison to its CPU implementation. This performance improvement in computational time is very important, since HSI data analysis involves large-scale data (exceeding 1TB in size), which significantly slows down processing time. Analyzing such data needs specialized software. The GPU-implementation portion of the work presented in this thesis has become part of an open-source software called SIproc, which is a biomedical data processing platform for large hyperspectral images, and it has resulted in a scientific paper publication. The GPU implementation of MNF has been successfully used for noise reduction in biomedical HSI data and it achieves significant speed-up compared to the CPU implementation.

Negli ultimi anni la tecnica di imaging iperspettrale (HSI) è stata ampiamenta utilizzata in vari campi, come ad esempio l'osservazione della Terra,la medicina, la sicurezza alimentare, l'agricoltura, l'astrofisica, la scienza forense, ecc. La tecnica di imaging iperspettrale (HSI) offre alta risoluzione spettrale coprendo una gamma di lunghezze d'onda espansa dallo spettro elettromagnetico, ben oltre il campo visibile rilevato dall'occhio umano. Questa ricca informazione spettrale, può essere utilizzata in applicazioni importanti come l'identificazione dell'oggetto in telerilevamento e diagnosi non invasiva del cancro in campo biomedico. Tuttavia le immagini iperspettrali danneggiate (HSIs) dei vari tipi di rumori, degrada la qualità dell'immagine notevolmente, portando a bassa precisione la classificazione delle segmentazioni delle immagini, per elencarne solo alcuni. Denoising è un passo di preelaborazione cruciale e prima di qualsiasi tipo di analisi può essere eseguita su HSIs. Il Minimum Noise Fraction (MNF) transform fornisce le prestazioni adatte di riduzione del rumore, ordinando le immagini in termini di qualità. Tramite questo lavoro, il metodo di MNF è stato implementato prima in MATLAB per l'applicazione su piccole dimensioni HSI per gli insiemi dei dati biomedici. L'analisi degli errori mostra che MNF può essere utilizzato con successo per la rimozione del rumore nei dati biomedici HSI. Uno dei principali inconvenienti di MNF consiste nel fatto di essere computazionalmente costoso. Per ovviare a questo inconveniente viene usata una versione accelerata di MNF, per cui è stato implementato utilizzando Graphics Processing Unit (GPU) computing. L'implementazione GPU di MNF è molto più veloce rispetto all’ implementazione CPU. Questo miglioramento delle prestazioni nel tempo computazionale è molto importante, poiché l'analisi dei dati HSI comportino dati di grandi dimensioni (superiore a 1 TB di dimensione), che rallentano notevolmente i tempi di lavorazione. Analizzando tali dati si ha bisogno di un software specializzato. L'implementazione GPU del lavoro presentato in questa tesi è diventato parte di un software open-source chiamato SIproc, di una piattaforma di elaborazione dati biomedici per grandi immagini iperspettrali e ha portato ad una pubblicazione scientifica. L'implementazione GPU della MNF è stata utilizzata con successo per ridurre il rumore nei dati biomedici HSI e raggiunge significativa accelerazione risultati rispetto all’implementazione CPU.