基于城市POI的遙感影像漸進(jìn)壓縮技術(shù)

俞 童，鄧術(shù)軍，錢海忠

(信息工程大學(xué) 地理空間信息學(xué)院，河南 鄭州 450000)

基于城市POI的遙感影像漸進(jìn)壓縮技術(shù)

俞 童，鄧術(shù)軍，錢海忠

(信息工程大學(xué) 地理空間信息學(xué)院，河南 鄭州 450000)

傳統(tǒng)柵格影像均采用簡單的、由低分辨率到高分辨率的像素級漸進(jìn)壓縮模式，較少考慮到用戶需求特征和知識，因此，文中利用POI數(shù)據(jù)特點及圖像感興趣區(qū)編碼特性，提出一種基于城市POI的遙感影像漸進(jìn)壓縮思想：首先根據(jù)大量的POI數(shù)據(jù)分析挖掘用戶關(guān)注的熱度信息，建立興趣場，并以此確定遙感影像的感興趣區(qū)域，然后綜合SPIHT算法與Maxshift算法對遙感影像進(jìn)行漸進(jìn)壓縮編碼。實驗結(jié)果表明，該方法在低碼率下仍可以高質(zhì)量保留圖像所含重要信息，能夠很好地滿足用戶的需求，實現(xiàn)了知識層級的遙感影像漸進(jìn)壓縮，有效提高圖像壓縮編碼的實用性和優(yōu)越性。

POI；圖像壓縮；感興趣區(qū)域；SPIHT；Maxshift；Kriging插值

隨著空間科學(xué)技術(shù)、計算機(jī)技術(shù)、網(wǎng)絡(luò)技術(shù)、通信技術(shù)的迅速發(fā)展，人們可以從不同層面、不同現(xiàn)象對地球進(jìn)行觀測，并對海量的觀測數(shù)據(jù)的分析處理及應(yīng)用的能力日益強大。高性能新型傳感器的出現(xiàn)讓遙感影像的時間、空間、輻射和光譜分辨率不斷提高，同時，人們對于高精度遙感數(shù)據(jù)的要求也越來越高，這對海量遙感影像數(shù)據(jù)的存儲容量和傳輸速率提出了極高要求。

傳統(tǒng)的圖像壓縮方法不能兼顧圖像細(xì)節(jié)信息和壓縮效率，為此，圖像漸進(jìn)壓縮方法應(yīng)運而生。對一幅圖像而言，人們會根據(jù)具體應(yīng)用需求去著重關(guān)注圖像中的某些區(qū)域，通常這些區(qū)域被稱為感興趣區(qū)域(Region of Interest, ROI)，而這些區(qū)域之外的圖像區(qū)域則被稱為背景區(qū)域(Background, BG)。因此，一幅圖像可以分割為若干個感興趣區(qū)域和一個背景區(qū)域。為了保證圖像感興趣區(qū)域在壓縮過程中不丟失重要信息，并且能優(yōu)先優(yōu)質(zhì)傳輸，可以根據(jù)用戶不同信息需求，對不同的區(qū)域采用不同的壓縮編碼策略，對ROI區(qū)域采用無損或是近似無損壓縮的方法，并進(jìn)行優(yōu)先編碼，而對BG區(qū)域采用壓縮比較高的有損壓縮方法[1]，這樣，既能提高感興趣區(qū)域的圖像質(zhì)量，又可以高效地壓縮海量數(shù)據(jù)。因此, 實現(xiàn)具有高效壓縮性能、支持感興趣區(qū)編碼并適合漸進(jìn)傳輸?shù)膱D像壓縮編碼方法是當(dāng)前研究的熱點[2]。

目前，大多數(shù)學(xué)者都從人眼視覺的角度對遙感影像漸進(jìn)編碼進(jìn)行研究，主要根據(jù)影像的灰度、顏色、紋理等特征進(jìn)行圖像分割，劃分感興趣區(qū)域，如周大偉提出了一種基于人眼視覺特性的ROI漸進(jìn)圖像傳輸算法[3]；姚軍財提出了一種基于人眼對比度敏感視覺特性的圖像自適應(yīng)量化方法[4]等。然而這些方法都是以遙感影像自身性質(zhì)為主導(dǎo)，較少考慮實際應(yīng)用中廣大用戶群體的真正需求和興趣所在，缺乏一種以用戶興趣為主導(dǎo)的感興趣區(qū)域劃分方法。

近年來，大數(shù)據(jù)技術(shù)備受關(guān)注，其中位置數(shù)據(jù)是大數(shù)據(jù)中的一個重要組成部分[5]，它不僅能夠記錄人類的真實活動情況，而且能夠反映出人們對于地理位置的感興趣度。通過對位置數(shù)據(jù)中POI數(shù)據(jù)進(jìn)行深入挖掘與分析，能夠得到反映社會現(xiàn)象、廣大用戶興趣的地理空間分布規(guī)律和特征知識，可應(yīng)用到感興趣區(qū)域劃分當(dāng)中，為遙感影像漸進(jìn)壓縮研究提供了一條新的思路與解決辦法。

本文提出一種基于城市POI的遙感影像漸進(jìn)壓縮思想。首先，對POI數(shù)據(jù)進(jìn)行挖掘與分析，根據(jù)其位置信息與熱度信息建立研究區(qū)域的興趣場模型，并以此劃分感興趣區(qū)域；然后，利用SPIHT算法與Maxshift算法相結(jié)合的方法對遙感影像進(jìn)行壓縮編碼。實現(xiàn)在有限的存儲空間和傳輸帶寬下，對大眾用戶感興趣區(qū)域進(jìn)行優(yōu)先優(yōu)質(zhì)壓縮編碼，較好地保留了用戶關(guān)注度高的圖像區(qū)域，實現(xiàn)一種矢柵數(shù)據(jù)集成的、由重要到次要的層次漸進(jìn)編碼傳輸技術(shù)。

1 基于POI的感興趣區(qū)域劃分

1.1 POI數(shù)據(jù)

目前，Web2.0、全球定位系統(tǒng)(GPS)、基于位置的信息服務(wù)(LBS)等技術(shù)飛速發(fā)展，為GIS提供了許多重要數(shù)據(jù)源，能夠支撐城市發(fā)展與規(guī)劃、社會經(jīng)濟(jì)結(jié)構(gòu)、社會行為心理分析、環(huán)境監(jiān)測等方面定量化研究，并在地理信息服務(wù)、數(shù)據(jù)融合與知識發(fā)現(xiàn)、室內(nèi)外導(dǎo)航等領(lǐng)域?qū)崿F(xiàn)了成功應(yīng)用[6]。興趣點(points of interest, POI)是地理空間信息的一個重要組成部分,是地圖服務(wù)中一種重要的矢量化表達(dá)形式，與面向大眾的基于位置服務(wù)密切相關(guān)。它描述了人們?nèi)粘Ｉ钪凶畛Ｒ姷乩韺嶓w的空間信息和屬性信息，如實體的名稱、類別、地理坐標(biāo)等。POI最主要的特征是具有與位置相關(guān)的信息，通過這個位置信息可以提供與該位置相關(guān)的面向大眾用戶的應(yīng)用、產(chǎn)品或服務(wù)。POI可以引起用戶的關(guān)注，在地圖服務(wù)中承載著地理目標(biāo)的查詢、屬性查看、路徑規(guī)劃及輔助定位等功能，用戶利用這些功能找到感興趣目標(biāo)的地理位置及其相關(guān)的屬性信息。POI數(shù)據(jù)在提供豐富屬性信息的同時，可以反映出用戶對于地理興趣點的關(guān)注熱度和地理區(qū)域的感興趣度。因此，通過對POI數(shù)據(jù)進(jìn)行深入挖掘分析，可以建立用戶興趣模型，得到用戶較為關(guān)注區(qū)域，為進(jìn)一步圖像壓縮奠定基礎(chǔ)。

本文的實驗數(shù)據(jù)是利用網(wǎng)頁爬蟲在百度地圖網(wǎng)站抽取的1 000個鄭州市區(qū)POI數(shù)據(jù)。所得的POI數(shù)據(jù)包含類型編碼、名稱、經(jīng)度、緯度、Hot(熱度值)、郵政編碼和地址等字段，具體數(shù)據(jù)格式如表1所示。

表1 POI數(shù)據(jù)格式

1.2 空間興趣場

大眾用戶對地理實體的興趣表現(xiàn)為經(jīng)常查詢訪問感興趣的地理位置，或利用與其相關(guān)的空間媒體數(shù)據(jù)如地理標(biāo)簽、文字、圖片等對該地理位置進(jìn)行描述。這些地理實體連續(xù)分布在地球表面，因此，用戶的興趣也是連續(xù)分布于整個地理空間中。本文提出一種空間興趣場的概念，描述用戶對地理實體的興趣度空間分布特征。

空間興趣場是由位置數(shù)據(jù)及用戶興趣信息共同構(gòu)成的覆蓋整個地理空間的一種場模型，興趣場信號的強弱描述用戶對地理實體的感興趣度。該模型是將用戶興趣在地理空間中進(jìn)行定位，進(jìn)行空間化表示，能夠客觀反映出用戶在地理空間中的興趣特征、空間分布及興趣變化趨勢規(guī)律。

本文通過利用POI數(shù)據(jù)包含的位置信息進(jìn)行定位，以相應(yīng)的POI熱度屬性信息作為該地理位置的場強，根據(jù)這些離散的POI反演得到整個地理空間的用戶興趣，構(gòu)建空間興趣場模型。該興趣場中每個POI的訪問查詢次數(shù)多、訪問人數(shù)多，熱度值越大，在興趣場中場強越大。通過對該空間興趣場的研究，可有效挖掘用戶興趣，實現(xiàn)以用戶為主導(dǎo)、數(shù)據(jù)驅(qū)動的研究方法。

1.3 空間興趣場模型的構(gòu)建

POI數(shù)據(jù)是以離散的點狀要素的形式存在于地圖中，具有準(zhǔn)確的空間位置屬性，可通過大量離散POI數(shù)據(jù)的空間插值來反演獲得整個研究區(qū)域的熱度信息，建立空間興趣場模型。

本文采用Kriging插值方法進(jìn)行空間插值。Kriging插值是通過一組利用已知地理特征離散點，推求整個觀測區(qū)域的未知點，使測量數(shù)據(jù)轉(zhuǎn)換為連續(xù)的數(shù)據(jù)曲面，進(jìn)而構(gòu)建更接近真實環(huán)境的地理空間模型的過程。Kriging法具有對區(qū)域變化量估計的無偏性，可以反映變量的空間結(jié)構(gòu)，能夠計算出每個估算值方差，從而得到估計精度[7-8]。

假設(shè)與空間變化有關(guān)的隨機(jī)變量(區(qū)域變化量)為z(x),xi(i=1,2,…,n)為區(qū)域上的一系列觀測點，則z(xi)(i=1,2,…,n)為相應(yīng)的觀測值。區(qū)域變化量在x0處的估計值z*(x0)可利用x0周圍相鄰的觀測點進(jìn)行加權(quán)求和所得，可采用以下公式計算：

(1)

其中λi為觀測值的加權(quán)系數(shù)，選取λi要求滿足z*(x0)是z(x0)的無偏估計和觀測值的估計方差最小的兩個條件。公式如下：

(2)

假設(shè)z(x)不滿足二階平穩(wěn)，而滿足內(nèi)蘊(本征)假設(shè)時，則用變差函數(shù)表示的普通Kriging方程組如下：

(3)

其中γ(xi,xj)為觀測點xi與xj之間的變異函數(shù)值，μ為拉格朗日常數(shù)。

根據(jù)此方法可利用一系列觀測點由式(3)解出加權(quán)系數(shù)λi，再代入式(1)求得該研究區(qū)域其他的未知點的值。

本文采用Kriging方法對獲得的1 000個鄭州市POI散點數(shù)據(jù)進(jìn)行空間插值，將POI點的熱度值作為觀測值，其坐標(biāo)數(shù)據(jù)作為區(qū)域變化量，對鄭州區(qū)域的熱度值進(jìn)行估計。根據(jù)插值后獲得的鄭州市的熱度信息，得到整個鄭州區(qū)域的空間興趣場(見圖1)，模型效果圖中，以高低程度表示用戶興趣度大小，以特殊高亮的形式和顏色變化顯示用戶興趣分布及變化情況，紅色表示用戶興趣度較高，在興趣場模型中場強較強，黃色次之，綠色表示興趣度較低。

圖1 鄭州市部分地區(qū)感興趣場模型效果圖

1.4 用戶興趣空間分布分析與ROI的確定

POI數(shù)據(jù)的空間分布往往受到所在環(huán)境以及人類活動的影響，POI承載著用戶的興趣，對POI的分布特征進(jìn)行分析，可以獲得用戶對地理空間興趣的分布特征，為進(jìn)一步的城市規(guī)劃、商業(yè)布局、選址等領(lǐng)域提供重要的信息服務(wù)[9]。核密度分析是對空間點數(shù)據(jù)空間分析的一種常用方法，可以描述點數(shù)據(jù)的空間分布格局及變化趨勢。通過核密度分析，將POI數(shù)據(jù)進(jìn)行二維表達(dá)，得到POI點的聚集狀況。核密度分析中，考慮到離POI點越遠(yuǎn)，該空間位置受POI的興趣度影響越小，其核密度隨中心點向外輻射影響的距離增大而縮小。核密度的計算公式如下：

(4)

其中：f(x)為空間位置x的核密度函數(shù)；h為帶寬或閾值；n為與空間位置s的距離小于帶寬的POI個數(shù)；k為空間權(quán)重。根據(jù)距離衰減效應(yīng)，落入中心點ci鄰域范圍內(nèi)的點具有不同的空間權(quán)重，靠近中心點ci的點被賦予較大的權(quán)重，隨著與中心點距離的加大權(quán)重降低，直至達(dá)到閾值h，此時核密度降為0。

對POI數(shù)據(jù)進(jìn)行核密度估計，其結(jié)果如圖2、圖3所示。

圖2 鄭州市ROI密度圖

圖3 鄭州市商圈圖

由圖2、圖3可知，鄭州市POI的空間分布特征：①POI在整個地理空間中分布不均勻，各個區(qū)域的POI分布密度有明顯差異。②鄭州市POI分布情況與空間興趣場分布情況大體吻合，都主要集中于二七、火車站、碧沙崗、大學(xué)路、鄭東、花園農(nóng)業(yè)路、鄭汴路等商業(yè)區(qū)域。③POI分布較密集區(qū)域，對應(yīng)空間興趣場中用戶興趣度較高；POI分布較稀疏區(qū)域，所對應(yīng)空間興趣場中用戶興趣較低。

根據(jù)興趣場的分布特征，將興趣范圍選擇的閾值設(shè)定為127，則熱度值大于127的區(qū)域為ROI區(qū)域，熱度值小于127即為背景區(qū)域。則所得鄭州市部分地區(qū)ROI區(qū)域如圖4所示，白色區(qū)域為ROI，黑色區(qū)域為BG。

圖4 鄭州市部分地區(qū)ROI

2 遙感影像漸進(jìn)壓縮

2.1 ROI系數(shù)的提升

JPEG2000標(biāo)準(zhǔn)提出了兩種ROI編碼的標(biāo)準(zhǔn)方法：一般位移法(General Scaling Based Method)[10]和最大位移法 (Maxshift Method)[11]，兩種方法均是按比例移動ROI的小波系數(shù)，使其位于較高的位平面上。一般位移法僅僅適用于具有規(guī)則形狀的ROI，而最大位移法可用于不規(guī)則形狀的ROI。

如圖5所示，在一般位移法中，選擇一個合適的位移因子s(尺度縮放值)來描述ROI與BG之間的相對重要比例，使全部ROI小波系數(shù)的位平面提升s位，則ROI系數(shù)最重要的位平面高于BG系數(shù)的所有位平面，使其位于碼流的前部，從而在編碼過程中 ROI系數(shù)可以被優(yōu)先編碼和傳輸，保證了解碼端重構(gòu)圖像ROI的質(zhì)量。

圖5 ROI系數(shù)縮放

最大位移法就是當(dāng)一般位移法中位移因子s滿足以下條件：

(5)

其中max(Mb)是BG系數(shù)的位平面的最大值，即ROI區(qū)域的最小系數(shù)要大于BG的最大系數(shù)[12]。因此，ROI系數(shù)提升到更高的位平面，使得ROI系數(shù)全部大于BG系數(shù)的最大值，即ROI與BG系數(shù)位平面完全沒有重疊。

2.2 SPIHT算法

分層樹集合分裂算法(Set Partitioning in Hierarchical Trees, SPIHT)[13]是A. Said和W. A. Pearlman在嵌入式零樹小波編碼算法(EZW)的基礎(chǔ)上提出的一種壓縮效率更優(yōu)越、重構(gòu)效果更佳的方法。SPIHT算法是利用圖像固有的自相似性進(jìn)行小波分解的圖像壓縮算法，它能夠生成嵌入式位流(embedded bit stream)，使接收到的位流可在任意位置中斷，進(jìn)行解壓和重構(gòu)圖像，具有良好的漸進(jìn)傳輸特性。該算法對EZW算法的小波系數(shù)零樹結(jié)構(gòu)進(jìn)行改進(jìn)，采用了空間方向樹( Spatial Orientation Tree,SOT)、節(jié)點集合O(i,j)、所有子孫集合D(i,j)和非直系子孫集合L(i,j)等，更有效地表示系數(shù)結(jié)構(gòu)，精簡了集合的表示，從而提高了圖像編碼和壓縮的效率[14]。與EZW算法相比， SPIHT算法壓縮后的重構(gòu)圖像具有較高的峰值信噪比(PSNR)，計算復(fù)雜度較低，位速率更容易控制[15]。

在編碼過程中，SPIHT算法使用了3個有序表，對位平面集合進(jìn)行劃分，即不重要系數(shù)表LIP(the list of insignificant pixels)、重要系數(shù)表LSP(the list of significant pixels)和不重要集合表LIS(the list of insignificant sets)[16]。在解碼時，按編碼時有序表存放數(shù)據(jù)的順序重新對其構(gòu)造。

SPIHT算法編碼過程如下：

1)閾值和有序表的初始化。對圖像進(jìn)行小波變換，計算變換后小波系數(shù)的比特最大位

則設(shè)閾值為T=2N，若系數(shù)大于等于閾值，則為重要系數(shù)，否則為不重要系數(shù)。

有序表的初始化為

LSP=?；

其中，LIP表和LIS表中小波系數(shù)(i,j)的排列順序與EZW算法的掃描順序相同。

2)排序掃描。對當(dāng)前位平面的重要系數(shù)進(jìn)行編碼。掃描LIP表中的每一項，順次檢查LIP中所有的小波系數(shù)(i,j)并判斷其重要性，若為重要系數(shù)，則輸出“1”及Ci,j的符號，并將該系數(shù)移到LSP表中；若系數(shù)不是重要的，則輸出“0”。再對LIS表中每個節(jié)點(i,j)判斷其重要性，若是重要的，輸出“1”，并對集合D(i,j)和集合L(i,j)分別采用不同的處理方法；若不是重要的，則輸出“0”，轉(zhuǎn)到下一個集合。

4)更新閾值指數(shù)。將閾值指數(shù)N減1，返回到2)進(jìn)行下一級編碼掃描。

SPIHT算法解碼過程如下：

編碼器讀取編碼過程中輸出的碼流文件, 以及相關(guān)的解碼信息(初始值及LIS、LIP、LSP的初始化信息)，解碼端即可恢復(fù)原圖像的小波系數(shù)排序信息；與此同時，解碼器進(jìn)行重構(gòu)圖像，其過程是編碼的逆過程。

2.3 感興趣區(qū)域編碼

本文利用SPIHT算法與Maxshift算法結(jié)合的方法對感興趣區(qū)域進(jìn)行壓縮編碼，其步驟如下：

1)輸入遙感影像，根據(jù)空間感興趣場劃分感興趣區(qū)域。

2)對圖像進(jìn)行小波變換，生成ROI掩膜。

3)經(jīng)過小波變換后，采用Maxshift算法，對不同子帶的ROI的系數(shù)左移s位(位移因子s為背景區(qū)域系數(shù)的最高比特數(shù)，相當(dāng)于對ROI對應(yīng)的小波系數(shù)乘以位移因子2s)，使ROI系數(shù)高于BG系數(shù)。

4)采用SPIHT算法對經(jīng)過提升后的小波系數(shù)進(jìn)行編碼。

解碼過程是上述過程的逆過程，圖像經(jīng)SPIHT解碼后，確定感興趣區(qū)域，對ROI系數(shù)右移s位，將ROI系數(shù)的位平面降低，再對小波系數(shù)進(jìn)行小波逆變換，最終獲得重構(gòu)圖像。

3 實驗結(jié)果與分析

為驗證本文方法的有效性，本文通過網(wǎng)絡(luò)爬蟲獲取大量的百度地圖POI數(shù)據(jù)，并利用Kriging插值方法反演整個研究區(qū)域的用戶興趣度，然后根據(jù)位置數(shù)據(jù)及用戶興趣度建立空間興趣場模型，劃分感興趣區(qū)域，再采用SPIHT與Maxshift混合算法對ROI區(qū)域編碼，輔助遙感影像進(jìn)行漸進(jìn)壓縮。

實驗數(shù)據(jù)是采集的1 000個鄭州市POI數(shù)據(jù)及其所對應(yīng)區(qū)域的LANDSAT-TM影像(見圖6)，圖像壓縮質(zhì)量效果采用峰值信噪比PSNR來判定。

根據(jù)上述算法，得到壓縮結(jié)果如圖7所示，圖中(a)、(b)、(c)、(d)4幅圖像分別碼率為0.2 bpp,0.5 bpp,0.7 bpp,0.9 bpp的重構(gòu)圖像，從整個圖像來看，在低碼率下，背景區(qū)域已經(jīng)虛化，而根據(jù)POI數(shù)據(jù)所選取的ROI圖像依然清晰，可達(dá)到人眼可接受的效果。隨碼率的增加，ROI區(qū)域在保持較高質(zhì)量的同時，細(xì)節(jié)也逐漸豐富，背景區(qū)域逐漸清晰。

通過表2可看出，隨著碼率的增加，分配給ROI和BG的比特的增多，ROI、BG以及整個圖像的PSNR都隨著碼率的增大而增加。雖然本文算法壓縮后BG和整幅圖像總的PSNR相比于SPIHT算法要低，并不占優(yōu)勢，但本文算法的ROI部分的PSNR要遠(yuǎn)高于SPIHT算法，當(dāng)碼率為0.05時，ROI區(qū)域的PSNR即達(dá)到了25.33 dB，說明在低碼率下，ROI區(qū)域圖像就可以具有較高的質(zhì)量。這是由于ROI系數(shù)位平面被提升，即使低碼率下ROI區(qū)域獲得較多的碼流，并優(yōu)先編碼，因此重構(gòu)質(zhì)量相對較高，主觀視覺效果較好，而且，隨著碼流不斷增加，ROI的圖像質(zhì)量比較穩(wěn)定。因此，本文算法性能較好，所得的壓縮效果要優(yōu)于傳統(tǒng)的SPIHT算法，尤其在低碼率下，本文算法能夠很好地將圖像中人們關(guān)注的重要信息進(jìn)行高質(zhì)量保留，滿足了人們的實際需求。

圖6 原始遙感影像

圖7 本文算法在不同碼率下的重構(gòu)圖像

表2 不同碼率壓縮下重構(gòu)圖像質(zhì)量的評價

4 結(jié)束語

本文提出的基于城市POI的遙感影像漸進(jìn)壓縮思想，通過研究區(qū)域的大量POI矢量數(shù)據(jù)及用戶興趣度挖掘，建立空間興趣場，并以此劃分感興趣區(qū)域，再采用Maxshift對感興趣區(qū)域的小波系數(shù)進(jìn)行提升，利用SPIHT算法進(jìn)行遙感影像的漸進(jìn)壓縮編碼。實驗結(jié)果表明，該方法根據(jù)海量網(wǎng)絡(luò)數(shù)據(jù)挖掘用戶感興趣地理信息，并在壓縮過程中，圖像中人們關(guān)注的重要信息能夠高質(zhì)量的保留，并且優(yōu)先編碼，提高ROI的峰值信噪比，增加了圖像壓縮編碼優(yōu)越性和實用性，有很好的主觀視覺效果，支持遙感影像的漸進(jìn)傳輸，有著實際的研究意義與應(yīng)用價值。但由于用戶群體具有多元性和復(fù)雜性，對興趣場的建立還需進(jìn)一步研究，因此在下一步工作中還需要對用戶興趣信息進(jìn)行更深層次挖掘，對不同類別的用戶群體以及不同應(yīng)用需求進(jìn)行深入討論，以及可以劃分更多興趣層次采用不同編碼策略，優(yōu)化漸進(jìn)傳輸?shù)男Ч?/p>

[1] 陳雨時.基于光譜特性的高光譜圖像壓縮方法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué),2007.

[2] 卓力,沈蘭蓀,LAM Kin-man.基于感興趣區(qū)的圖像編碼與漸進(jìn)傳輸[J].電子學(xué)報,2004,32(3):411-415.

[3] 周大偉,耿金玲,鄭繼明.一種基于人眼視覺特性的ROI漸進(jìn)圖像傳輸算法[J].計算機(jī)應(yīng)用,2007,27(7):1654-1656.

[4] 姚軍財,劉貴忠.一種基于人眼對比度敏感視覺特性的圖像自適應(yīng)量化方法[J].電子與信息學(xué)報,2016，38(5)：1202-1210.

[5] 劉經(jīng)南,方媛,郭遲,等.位置大數(shù)據(jù)的分析處理研究進(jìn)展[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2014,39(4):379-385.

[6] 楊敏,艾廷華,盧威,等.自發(fā)地理信息興趣點數(shù)據(jù)在線綜合與多尺度可視化方法[J].測繪學(xué)報, 2015,44(2): 228-234.

[7] 曾懷恩, 黃聲享. 基于Kriging方法的空間數(shù)據(jù)插值研究[J]. 測繪工程, 2007,16(5):5-8.

[8] 陳錫超,寧芊.基于Kriging方法的動態(tài)地形反向多級細(xì)化研究[J]. 計算機(jī)工程與應(yīng)用, 2013,49(9):171-175.

[9] 禹文豪, 艾廷華, 楊敏,等. 利用核密度與空間自相關(guān)進(jìn)行城市設(shè)施興趣點分布熱點探測[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2016, 41(2):221-227.

[10] ISO/ISC JTC 1/SC 29/WG 1 (ITU-T SG8)JPEG2000 PartⅡFinal Committee Draft Version 1.0[S]. Dec, 2000.

[11] ISO/ISC JTC 1/SC 29/WG 1 (ITU-T SG8)JPEG2000 PartⅠFinal Committee Draft Version 1.0[S]. Dec, 2000.

[12] 孫武,王有釗.JPEG2000感興趣區(qū)域編碼技術(shù)淺析[J]. 計算機(jī)工程與應(yīng)用, 2003(24):67-68.

[13] SAID A, PEARLMAN W A. A new, fast, and efficient image codec based on set partitioning in hierarchical trees [J]. IEEE Transactions on Circuits & Systems for Video Technology, 2001, 6(3):243-250.

[14] 湯敏,陳秀梅,陳峰.基于Contourlet變換和SPIHT算法的彩色醫(yī)學(xué)圖像壓縮[J].計算機(jī)科學(xué),2014,41(1):303-306.

[15] 王立國,孟凡旺,張文生.遙感圖像感興趣區(qū)域壓縮算法的研究[J]. 儀器儀表用戶,2009,16(2):17-19.

[16] 錢劍,戚玉松,夏良正.小波圖像編碼技術(shù)SPIHT的改進(jìn)算法[J]. 東南大學(xué)學(xué)報(自然科學(xué)版), 2003,33(S1): 82-85.

[責(zé)任編輯：劉文霞]

Remote sensing image progressive compression based on city POI

YU Tong, DENG Shujun, QIAN Haizhong

(School of Geospatial Information, Information Engineering University, Zhengzhou 450000, China)

The traditional raster image is a simple pixel level compression mode from low resolution to high resolution without considering much about users’ requirements. With the characteristics of POI (points of interest) data reflecting user needs and ROI coding, a method for remote sensing image progressive compression based on city POI is proposed. First, the application and importance of a great deal of POI data are analyzed from rich attribute information, position characteristics and user interest. A concept of space interest field is put forward. Then SPIHT algorithm and Maxshift algorithm are integiated to encode with compression for the remote sensing images. The experimental results show that the important and users’ interested information of remote sensing image can be retained with high quality when the bit rate is low, and can well meet the needs of users. The method realizes remote sensing image progressive compression by knowledge hierarchy, and also improves the practicability and superiority of image compression.

POI；image compression；region of interest; SPIHT；Maxshift; Kriging interpolation

引用著錄：俞 童，鄧術(shù)軍，錢海忠.基于城市POI的遙感影像漸進(jìn)壓縮技術(shù)[J].測繪工程，2017，26(4)：58-63，69.

10.19349/j.cnki.issn1006-7949.2017.04.011

2016-06-07

國家自然科學(xué)基金資助項目(41571442)

俞 童(1992-)，女，碩士研究生.

P23

A

1006-7949(2017)04-0058-06