遥感影像剖分模板库模型及应用研究

安丰光，宋树华，陈 东，杨 莉

(1.北京大学遥感与地理信息系统研究所，北京 100871；2.中国资源卫星应用中心，北京 100094；3.中铁第四勘察设计院集团有限公司，湖北 武汉 430063)

遥感影像剖分模板库模型及应用研究

安丰光1，宋树华2，陈 东1，杨 莉3

(1.北京大学遥感与地理信息系统研究所，北京 100871；2.中国资源卫星应用中心，北京 100094；3.中铁第四勘察设计院集团有限公司，湖北 武汉 430063)

以GeoSOT网格不同层级、不同大小的剖分面片为基本单元，建立不同尺度剖分面片的标准影像、控制点位、基础特征数据、数字地形数据等基础信息，并由此形成全球多尺度、多分辨率、多传感器、多光谱分辨率遥感影像剖分模板库。在数据处理时，以剖分面片为单位，利用剖分模板库中的基础信息，对待处理影像数据进行运算，实现遥感数据快速处理。试验证明，基于GeoSOT的遥感数据剖分模板库可提高遥感数据处理效率。

GeoSOT网格；剖分面片；遥感数据剖分模板库；数据处理；模板库

一、引 言

随着航空航天技术、传感技术、数据库技术的飞速发展，卫星遥感影像的数据量已经急剧上升[1]。急剧增长的遥感数据在为人们分析、解决问题提供了新的途径的同时，空间应用需求对数据处理的精度和时间提出了新的要求，处理的精度要求越来越高，而处理的时间却要求越来越短[2]。为此，国内外学者通常基于计算机集群并行计算策略来加快遥感数据处理。如基于计算影像2-D关系[3]、多层金字塔架构[4]、混合分类算法[5]、基于影像分割[6-11]等并行方法，以及基于分布式计算的遥感数据处理方法[12]。但这些遥感数据处理方法多是通过增加计算机计算节点或计算进程等计算资源来加快数据处理，或者根据遥感数据灰度、色彩、纹理等特征分割成若干互不交叠的多区域进行处理。现有分割算法大都是针对具体问题的，尚无通用的分割理论和算法[1]。为此，本文提出基于2n及整型一维数组全球经纬度剖分网格GeoSOT[13]剖分面片的遥感数据处理方法，以实现从遥感数据组织结构的层面上，提高遥感数据处理效率。

二、基于GeoSOT遥感影像分块与标识方法

1.GeoSOT网格及其编码

GeoSOT网格在地球表面经纬度空间3次扩展基础上进行严格的递归四叉剖分。其中，3次空间扩展依次是将整个地球表面 360°×360°扩展为512°×512°、1°扩展为64′，以及1′扩展为64″。在逐级递归剖分过程中，当遇到没有实际地理意义的区域时，不再向下剖分。这样，1级网格大小为256°× 256°，2级网格大小为128°×128°，……，32级网格大小为1/2048″×1/2048″，在赤道附近的尺度约为1.5 cm，如图1所示。

图1 GeoSOT网格多级剖分示意图

根据上述划分规则，每个GeoSOT网格单元采用如下方式对其进行编码，如图2所示。假设第k层某剖分面片编码为a0、a1、a2、…、ak，a0取0，a1～ak取为0、1、2、3，1≤k≤31。通过该编码方式，实现对大到整个地球小到厘米级的GeoSOT网格单元的编码且该编码全球唯一。同时，由于GeoSOT网格中每个剖分面片在地球上具有确定的地理空间范围，因此GeoSOT网格单元剖分编码具有了准确的地理空间含义，可在某种程度上具有地理空间坐标的意义。

2.基于GeoSOT的遥感数据分块与标识方法

本文提出的基于GeoSOT的遥感数据分块思路是，按照GeoSOT网格剖分面片的大小对不同分辨率的遥感影像进行分块。由于GeoSOT网格剖分面片空间位置固定、大小具有层次性，对于同一区域的不同类型影像数据块具有相同的空间范围大小，同时，为在尽量不改变目前遥感数据组织模式的前提下，通过建立遥感数据逻辑剖分文件，实现基于GeoSOT的遥感数据的逻辑分块。具体思路是，利用GeoSOT网格剖分面片的空间位置确定性，将其覆盖在遥感影像上，遥感影像根据剖分面片的边进行“虚拟划分”，并将剖分面片对应的部分标识设为该面片的编码，同时将剖分面片编码与遥感影像四角对应的影像行列号信息写入逻辑剖分文件。在数据处理时，通过逻辑剖分索引，获取目标区剖分面片对应的遥感数据，然后对数据进行处理。

图2 GeoSOT网格不同象限剖分面片编码示意图

基于GeoSOT的遥感数据分块体系，使得不同类型的遥感数据具有相同空间范围，从而建立了统一的遥感数据分块体系，实现了同一区域的遥感数据高效关联，有助于跨部门不同类型遥感数据的处理。

三、基于GeoSOT的遥感数据剖分模板库

1.遥感数据剖分模板库数据模型

在GeoSOT框架下，以不同层级、大小的剖分面片为基本单元，建立不同尺度剖分面片的标准影像、控制点位、基础特征数据、数字地形数据等基础信息，并对这些信息采用剖分面片编码进行统一标识，由此形成基于GeoSOT剖分面片的全球多尺度、多分辨率、多传感器、多光谱分辨率遥感影像剖分模板库[14]。它犹如“剖分面片的DNA特征库”，为全球遥感数据提供自动化计算处理的模板素材，为剖分数据模板批处理提供了理论依据和基准数据支持。

遥感数据剖分模板库的数据模型依托地球剖分GeoSOT框架，如图3所示。

1)概念层描述遥感数据剖分模板库的统一接口和抽象模型，是各类模板的设计基础，遥感数据剖分模板库的建设也以概念层为依据。

2)数据层包括各类遥感影像控制点数据、目标特征数据、高程数据等基础数据信息，并可根据实际需求进行方便的扩展或定制。其中，基础数据信息可从高分辨率的高级遥感影像产品中获取。

3)操作层由针对数据层各类模板的具体算法组成，包括图像配准、投影变换、拼接镶嵌、目标检测、地形分析、区域环境量化等，以及对特定的数据处理操作进行定制。

图3 遥感数据剖分模板库数据模型框架图[14]

2.基于遥感数据剖分模板库的数据处理

当处理新的遥感数据时，以剖分面片为处理单元，通过剖分面片编码获得待处理的局部遥感数据以及剖分面片对应的剖分模板库的基础信息，利用基础信息即可对新的遥感数据进行几何校正、图像配准、校正处理等，将原始的0级或1级遥感数据直接转化成为具有高精度的高级遥感数据产品，从而实现多源遥感数据快速处理，如图4所示。

图4 基于全球遥感数据剖分模板库的数据产品生产[14]

3.影像剖分模板建设

由于目前遥感数据种类很多，有可见光、红外、高光谱、SAR等不同分辨率的遥感数据，且全球不同层级不同尺度的标准景单元数量量大，建设全球遥感影像剖分模板库将是一个庞大、复杂的工程。因此，建立地球剖分模板库时需要考虑的问题叙述如下。

(1)基于标准景单元的模板数据建设规模

目前传统遥感影像控制点数据库和标准基准影像数据库在数据组织与管理时，并没有太多考虑数据的空间区域性问题，只是根据实际需要建立不同相应的控制点、标准影像数据等信息。而在标准分景框架中，不同层级的标准景单元大小不同，其对应的地球表面空间地理范围也不同，因此需要针对不同层级的标准景所对应的地理空间特点，制定不同规模的标准控制点、标准基准影像等信息设计规模和设计策略。

(2)影像剖分模板的生成

考虑到地球剖分模板库的庞大性，在影像剖分模板生成时基本上应该是全自动化，尽可能减少人工干预，因此，需要针对不同类型的遥感数据，设计相应的基准数据处理方法，以便于高效地生成各类不同尺度的剖分影像模板，如图5所示。

图5 影像剖分模板生成流程图[14]

4.应用前景

1)缩短卫星信息处理链，提高数据处理效率。通过与影像特征模板的高精度配准和拼接镶嵌，实现原始遥感数据直接生成4级产品，缩短数据处理流程。

2)提高目标普查效率和自动化程度。通过基于目标特征模板的高性能并行计算，实现算法执行的自动化，从而提高目标普查效率。

四、试验及分析

根据GeoSOT格网及编码模型，在WorldWind开源代码的基础上，利用 Microsoft Visual Studio 2008 C＃作为开发平台，开发基于GeoSOT网格的数据球系统，实现对基于GeoSOT的遥感数据剖分模板库进行原理验证。模拟系统主要验证基于遥感数据剖分模板库的图像配准与目标检测功能。验证系统使用的遥感数据为厦门某区域的0.61 m分辨率2级产品数据。模拟系统的平台是一台主频为2.4 GHz的双核CPU，2 GB内存，240 GB硬盘的PC机。

具体过程是在数据球上点击厦门某区域的剖分面片，利用剖分面片编码获取面片对应2级影像数据和遥感数据剖分模板中的控制点信息和基准影像数据，利用控制点信息对低级别遥感数据产品进行图像配准；然后，将配准后的影像数据与基准影像数据进行目标检测。表1为基于遥感数据剖分模板库的图像配准与采用Global Mapper系统试验对比情况。在对比试验中，由于Global Mapper必须以整幅遥感影像为对应进行图像配准，而基于遥感数据剖分模板库是以剖分面片为处理单元并行进行图像配准处理，因此基于遥感数据剖分模板库图像配准效率要高。图6为基于遥感数据剖分模板库的图像配准和目标检测结果。

表1 与Global Mapper系统的图像配准比较结果

图6 基于剖分模板库的图像配准和目标检测结果

五、结束语

利用GeoSOT网格的全球多层次性和剖分面片编码的全球唯一性和遥感影像点阵特点，使得以不同层级、不同大小的剖分面片为基本单元的遥感数据剖分模板库成为可能。为此，本文设计了基于地球剖分GeoSOT框架的遥感数据剖分模板库的数据模型，以及相关的数据处理流程图。最后通过仿真验证，基于GeoSOT数据剖分模板库有助于遥感数据快速处理。但本文只是对遥感数据剖分模板库进行了原理性验证，其应用还需进一步研究。

[1] 郑月玲.遥感影像并行计算策略研究[D].阜新：辽宁技术工程大学，2010.

[2] 史园莉，申文明，熊文成，等.遥感数据集群处理作业调度管理系统研究[J].计算机工程与应用，2012，48 (25)：77-82.

[3] BOUSSAKTA S.A Novel Method for Parallel Image Processing Applications[J].Journal of Systems Architecture，1999，45(10)：825-839.

[4] CROOKES D.Architectures for High Performance Image Processing：The Future[J].Journal of Systems Architecture，1999，45(10)：739-748.

[5] PHILLIPS R D，WATSON L T，WYNNE R H.Highbird Image Classification and Parameter Selection Using a Shared Memory Parallel Algorithm[J].Computers＆Geosciences，2007，33(7)：875-897.

[6] MOGA A N，GABBOUJ M F.Parallel Marker-based Image Segmentation with Watershed Transformation[J]. Journal of Parallel and Distributed Computing，1998，51 (1)：27-45.

[7] GU Haiyan，LI H，HAN Y，et al.An Efficient Multiscale SRMMHR(Statistical Region Merging and Minimum Heterogeneity Rule) Segmentation Method for High-resolution Remote Sensing Imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2009，2(2)：67-73.

[8] 张健，徐茂兴.连通域标记并行算法在多核处理器上的设计和实现[J].计算机系统应用，2010，19(4)：140-143.

[9] 郭佳，郭治成.基于并行四邻域区域生长的遥感图像分割方法[J].兰州石化职业学院学报，2008，8(2)：31-33.

[10] 刘敬伟，李岑，侯帅.基于水平集的并行融合图像分割[J].计算机工程与应用，2008，44(16)：160-162.

[11] 沈占峰，骆剑承，吴炜，等.遥感影像均值漂移分割算法的并行化实现[J].哈尔滨工业大学学报，2010，42(5)：811-815.

[12] 李军，李德仁.分布式遥感图像处理中的若干关键技术[J].武汉测绘科技大学学报，1999，24(1)：15-19.

[13] 程承旗，任伏虎，濮国梁，等.空间信息剖分组织导论[M].北京：科学出版社，2012.

[14] 宋树华.遥感数据标准分景框架及其应用模型研究[D].北京：北京大学，2011.

Preliminary Studies on Remote Sensing Data Subdivision Template Library and Application

AN Fengguang，SONG Shuhua，CHEN Dong，YANG Li

P237

B

0494-0911(2014)12-0009-03

安丰光，宋树华，陈东，等.遥感影像剖分模板库模型及应用研究[J].测绘通报，2014(12)：9-11.

10.13474/j.cnki.11-2246.2014. 0385

2013-08-14

安丰光(1971—)，男，山东日照人，博士，高级工程师，研究方向为高光谱遥感信息处理与应用技术。