基于规则区域的遥感图像分块组织策略优化

基于规则区域的遥感图像分块是早期遥感图像检索系统中常用的数据分块组织方式，包括不重叠规则区域分块(如Tile分块、四叉树分块)和重叠区域分块(如Nona树)。基于规则区域划分遥感图像时，分块方式、分块尺寸、区域重叠比等都会影响到检索性能，合理有效的分块组织策略应该具备在检索精度、检索效率和存储空间之间达到较好平衡的能力。

一、基于不重叠区域的规则分块

1.Tile分块

Tile分块是遥感图像检索系统中最简单的基于不重叠区域的图像分块组织方式，这种方式简单、直观、易理解易实现、实时性高，常用于中低分辨率的遥感图像数据管理。

Tile分块的基本思想是:将遥感图像从左至右、从上至下分成不重叠且尺寸相等的规则图像区域(例如256×256像素、128×128像素、64×64像素等)，图6-8所示为一幅遥感图像的Tile分块示意图，原始遥感图像按照64×64像素被分成规则的4×4＝16块。这种数据分块组织方式非常直观，便于实现图像的实时裁切和拼接，在成熟的遥感图像管理系统中应用很广。例如，Microsoft Terra Server就是基于Tile分块来存储、组织和浏览海量多尺度遥感图像数据的。遥感图像检索系统采用Tile分块管理数据，可以很方便地实现检索功能与现有的遥感图像系统其它功能的无缝集成。然而，Tile分块在实际检索应用中存在较大局限性，这是由于Tile分块忽视了遥感图像相邻区域之间的相关性，造成了目标整体性的人为割裂，当查询图像同时覆盖多幅相邻但具有不同视觉特征的图像区域时，将会严重影响检索精度。

图6-8　遥感图像的Tile分块示意图

2.四叉树分块

四叉树结构是基于空间划分组织数据的一类索引机制，常用于对海量数据建立空间索引。基于四叉树结构的数据分块将已知范围的空间划分为四个大小相等的子空间，如图6-9所示，可根据需要将每个或其中几个子空间继续划分下去，在遥感图像检索中已有应用，如RISE-SIMR系统就采用了四叉树分块。

基于四叉树结构的数据分块过程为:

对于一个四叉树节点，首先设定一个距离阈值，计算父节点预备切分得到的4个子节点两两之间的所有距离(1和2、2和4、4和3、3和1、1和3、2和4)；如果所有距离值都小于距离阈值，将不再对父节点继续划分，记录该父节点为一个叶子节点；否则，继续划分该父节点；对以上过程进行递归，直到满足以下列出的任一结束条件:

(1)子节点所代表的图像区域(以下称子图像块)的尺寸小于某个预设尺寸阈值(如64×64像素或32×32像素)；

(2)子图像块之间的距离小于某个距离阈值；

(3)四叉树分解级数达到某个阈值条件。

四叉树创建完成后，提取四叉树的所有叶子节点的特征建立特征库，特征向量与四叉树的叶子节点所表示的子图像块一一对应。四叉树第k级分解，可以产生的最大子图像块的个数为4k个。

图6-9　遥感图像的四叉树分块示意图

基于四叉树结构的图像数据分块与Tile分块相比，减少了特征向量的数量，便于实现图像特征索引，然而本质上仍属于不重叠区域的数据分块方式，用于遥感图像检索时，存在与Tile分块相似的局限性。

二、基于重叠区域的规则分块

基于重叠区域的遥感图像数据分块组织，如五叉树和Nona树，都是在四叉树基础上扩展的层状图像分解数据结构，基本思想是通过增加查询图像被目标图像区域覆盖的面积，从而达到提高检索性能的目的。

其中，Nona树结构是由Edward Remias等(1996)和G.Sheikholeslami等(1998)提出的一种基于四叉树递归的层状图像分解数据结构，是四叉树结构的一种扩展。不同的是，四叉树结构的一次分解将一个图像分成相同大小的互不重叠4个子图像块(4个子节点)，而Nona树的一次分解将一个图像分成相同大小的有重叠区域的9个子图像块(9个子节点)，如图6-10所示。如果一次分解将一个图像分成相同大小的有重叠区域的5个子图像块(如图6-10所示的1、2、3、4、5)，则为五叉树。设Nona树的分解级数为k，原图像的尺寸为N×N，则分割后的子图像块的尺寸为N2，N2/22，N2/24，…，N2/22k。

在Nona树分解过程中，一个父节点是否进一步分解产生5、6、7、8、9五个子图像块是由该父节点是否分解产生1、2、3、4四个子图像块所决定的。具体而言，首先设定一个距离阈值，然后分别计算一个父节点预备分解得到的四个子图像块1、2、3、4两两之间视觉特征的距离值，如果所有的距离值都小于距离阈值，那么这个父节点不进行任何分解；否则，顺时针两两判断相邻子图像块的距离值，包括以下四种情况:(www.xing528.com)

①如果1和2的距离值小于距离阈值，则不需要分解产生子图像块6；

②如果2和4的距离值小于距离阈值，则不需要分解产生子图像块9；

③如果4和3的距离值小于距离阈值，则不需要分解产生子图像块7；

④如果3和1的距离值小于距离阈值，则不需要分解产生子图像块8；

⑤如果①～④有一条不满足，则分解产生子图像块5。

对以上过程进行递归，直到满足以下任一阈值条件:

①子图像块的尺寸小于某个预设尺寸阈值(如64×64或32×32)；

②子图像块之间的距离小于某个距离阈值；

③Nona树的分解级数达到某个阈值条件。

图6-11(a)～(d)给出对瑞士某城市的Quickbird卫星影像的Nona树分块结果图(叶子节点的最小尺寸取值分别为64、128、256、512)，原始影像的尺寸为4096×4096像素。采用的特征提取方法为2D Gabor函数。

图6-12和图6-13给出某城市航空影像基于Nona树的分块(叶子节点的最小尺寸为128)及检索结果。图6-13中，红色方框标注出与查询图像最为相似的前8个区域，采用的特征提取函数为2D Gabor函数。

图6-10　Nona-tree节点

图6-11　遥感图像的Nona树分块结果(叶子节点的最小尺寸取值分别为64、128、256、512)(1)

图6-11　遥感图像的Nona树分块结果(叶子节点的最小尺寸取值分别为64、128、256、512)(2)

图6-12　遥感图像的Nona树分块结果(nFloorValue＝128)

图6-13　基于Nona树和2D Gabor小波函数的遥感图像检索结果