1 前 言
近年来,随着遥感技术的迅猛发展,遥感影像(包括航空摄影相片、卫星遥感影像、地面摄影相片等)的数据量已经达到了TB级[1, 2],而且还在呈爆炸式的增长[3, 4, 5];而数据生产部门对大影像数据的管理要求,尤其是对影像数据的存储、传输和维护都提出了越来越高的要求;与此同时,随着大型关系型数据库技术的不断完善,空间数据由文件管理方式转为由关系数据库管理的方式,已经成为目前GIS领域的发展趋势。依赖关系型数据库的处理能力来智能、高效地存储影像数据的需求也愈来愈迫切。不仅如此,许多应用都对数据库进行了不同层次的扩展,使其能够满足更多更大数据的存储需求。为Oracle添加新的数据类型是一种比较常见的扩展模式,它通过增加一个变长的二进制数据类型,来存放复杂的大数据对象转换过来的二进制数据流[6]。还有的扩展通过增加对象体系结构,支持用户自定义的数据类型、函数和规则来实现对大对象的存储[7, 8],用户能够根据需求,灵活地定义需要的数据类型和方法来支持特定领域的应用。Oracle Spatial是Oracle支持GIS数据存储和管理的空间数据插件[9],包含了用于存储矢量数据类型、栅格数据类型和拓扑数据的原生数据类型,它将所有的地理空间数据类型(矢量、栅格、网格、影像、网络、拓扑)统一在单一、开放、基于标准的数据管理环境中,减少了管理单独、分离的专用系统的成本、复杂性和开销[10]。对关系数据库的扩展使得数据库在管理海量遥感影像数据的实现和效率上都有了长足的推进。面对众多的商业化数据库,如何更高效、快捷、有效和智能地管理,尤其是存取这些海量空间数据,是一个值得研究的问题。
利用关系型数据库来存储和管理遥感影像数据,主要借助了其对二进制对象存储(BLOB)的支持,即把影像数据分层分块建立金字塔模型后,将金字塔中每一层的影像块转换成字节数组存入数据库。但是大多数关系数据库管理系统并没有考虑基本参数的选择对数据存取效率的影响,而是选择经验值或是大多数数据管理系统使用的默认参数对影像进行存储和管理。事实上,遥感影像数据分块的大小不仅影响底层数据库的读写效率,也关系到客户端的影像渲染效果,数据的读取和显示速度是关系到系统可视化效率的重要问题[11]。根据海量遥感影像数据网络化快速存取的需求,本文深入研究了在C/S系统架构下,利用Oracle数据库支持对二进制流存储的特性,分别从数据库存储、传输和客户端3个方面来研究遥感影像的智能存取策略,提出了自适应的遥感影像数据库存储管理机制。通过对算法的分析,并与使用默认分块值对影像数据进行分块的情况做了对比试验,得出该自适应遥感影像管理机制能够更好地适应局域网环境,对遥感数据进行高效智能的存储管理。
2 自适应的遥感影像存储机制自适应的遥感影像存储机制包括影像的细节层次模型(level of detail,LOD)[12, 13]和数据库智能切片机制两部分组成。LOD影像模型是在不影响画面视觉效果的条件下,通过逐层简化影像的清晰度来减少影像数据量,从而提高绘制的效率。在LOD模型中经常会结合影像的分块技术,通过分块可以将LOD模型中的每一层数据分割成相对较小的数据块,选择合适的分块尺寸不仅影响了数据的存储效率,也制约着客户端快速的访问和显示。因此,本文设计的智能切片机制综合考虑了数据库存储块的大小、局域网的网络带宽和客户端的硬件设施对切片大小的影响。在LOD影像模型构建中主要对金字塔构建的层数进行了限制,从而影响了影像在进行重采样时采样算子的选取等,其层级关系如图 1所示。
2.1 遥感影像数据库的智能切片机制在自适应的切片算法中,本文将从服务器端数据库的存储块的大小、局域网的网络带宽和客户端硬件设施3个方面对切片大小的选取进行讨论和试验。
2.1.1 数据库存储的最适宜切片研究数据库每次执行I/O操作的时候,都是以Oracle的数据块为单位的。对于不同的硬件环境和操作系统,一般会设置不同的数据库存储块大小;设置合理的数据库存储块可以有效地节省I/O索引的访问路径[14]。设置较小的数据库存储块,可以有效减小数据块之间的读写竞争,提高文件系统的访问速率,但当存储相同大小的文件时,需要花费更多的存储空间,对局部块的写入会使数据库进程的工作效率降低。选择较大的数据库存储块时,虽然对每一个存储单元来讲能够存储更多的数据,额外的开销较小;然而,当读取连续文件系统的缓存时,会对其造成不恰当的预读[14, 15];对于多并发读取,会加重索引页块之间的竞争。因此在进行影像分块选择切片的大小时,对数据库的存储块大小必须予以考虑。表 1显示的是影像数据选择不同分块尺寸时在块大小不同的数据库中存储所耗费的时间。
数据库 存储块大小 | 128× 128 | 256× 256 | 512× 512 | 1024× 1024 | 2048× 2048 |
2KB | 104.08 | 45.08 | 36.62 | 38.14 | 40.36 |
4KB | 104.48 | 40.28 | 30.17 | 30.87 | 32.99 |
8KB | 92.86 | 33.62 | 24.04 | 22.30 | 23.87 |
16KB | 88.50 | 33.80 | 22.76 | 21.38 | 21.01 |
由表 1可以发现,在分块影像数据量一定的情况下,分块越小,由于增加了磁盘寻址和写操作的次数,花费在建立索引上的时间也增加了,这样就大大降低了入库效率;而分块过大,由于数据不能存储在一个存储块单元中,数据库就需要增加存储块来对影像块进行存储,因此也不利于提高存储速率。理论上,影像分块后使每块数据能保存在一个数据库存储块中效率最高,也能提高读取影像的速度。另外,考虑到每个数据块还要保留10%的空间以备后期数据的更新与维护[15, 16],所以若要使每个影像块存储在一个存储单元中,可根据式(1)估算分块的大小
式中,M为影像的数据量;w为影像的宽度;h为影像的高度;x为影像分块的大小;T为数据库存储块的大小。 2.1.2 网络传输下的最适宜切片研究通过数据分块可以有效地减少平台前端与数据库端的数据传输量[17]。在网络环境中,针对多用户影像数据服务,瓦片金字塔模型不仅具有良好的数据缓冲特性,而且还具有良好的并行特性[18]。
从理论上讲,网络带宽对于影像数据的传输正相关,即在网络带宽足够大的前提下,分块越大,传输效率越高,然而在一般的局域网环境下,网络的带宽都受到了限制。而通过设置合理的分块大小,可以有效地减小一次网络传输的数据量,从而减轻了网络传输的压力;但是随着分块数目的增加,传输的次数也随之增加;因此,过小的分割影像数据反而会影响影像的传输效率。图 2显示的是在不同带宽下不同分块所需传输时间的趋势图。
由于关系型数据库管理系统每次从数据库中读取的是数据块的整数倍,磁盘I/O对数据库性能的影响非常大[19]。从表 2中可以看出,在带宽一定的前提下,数据块设置得越小,虽然在一定程度上能提高传输效率,但是数据库系统将不断地从磁盘中读取数据,增加了磁盘寻道和寻址的时间;如果设置得太大,又将加重数据在网络上传输的压力,占用过多局域网的带宽,客户端需要等待的时间也越长。在较小的网络带宽下,设置256×256可以获得较快的传输效率,而在带宽不作为限制条件的情况下,可以设置较大的分块。假设T为局域网带宽大小,x为相应带宽下最佳的分块大小,则有
网络带宽 大小 | 128× 128 | 256× 256 | 512× 512 | 1024× 1024 | 2048× 2048 |
2MB | 122.725 | 52.272 | 64.83 | 72.272 | 149.335 |
10MB | 45.568 | 38.927 | 24.322 | 21.188 | 25.586 |
64MB | 29.043 | 24.988 | 20.218 | 18.147 | 19.863 |
128MB | 18.487 | 14.621 | 12.208 | 10.825 | 10.278 |
无论计算机的CPU和内存有多大,也无法将海量数据全部读取到内存中[11],而图像的漫游、平移、缩放等操作势必会引起内存与硬盘之间数据的频繁交互,导致系统效率下降,甚至出现系统瘫痪,而事实上,客户端实际使用的数据只是原始影像的一小部分[20],将原始影像整个传输到客户端会导致严重的资源浪费和客户端过长的等待时间。
为了突破计算机硬件的限制,解决遥感影像渲染的效率问题,必须通过设置合理的切片大小,并结合缓存技术,有效并快速地实现海量数据库影像的实时显示。若切片尺寸过大,出现用户查询区域与某些影像块相交后重叠范围过小的可能性也越大,造成无效的渲染区域也越大,占用的系统资源也越多。分块尺寸过小,相同大小的影像数据在客户端进行渲染时,需要耗费更多的时间。同时,如果数据块过小,尽管减少了多余数据,但却增加了磁盘寻址和读操作次数,造成索引数据的冗余,不利于节省总的读数据时间[18, 21]。表 3显示的是不同客户端内存下利用不同的分块大小进行端渲染时的速率比较。
分块大小 | 128×128 | 256×256 | 512×512 | 1024×1024 | 2048×2048 |
每块影像的数据量 | 48KB | 192KB | 768KB | 3MB | 5.29MB |
2GB内存平均渲染时间/s | 20.56 | 8.529 | 10.353 | 14.226 | 22.334 |
4GB内存平均渲染时间/s | 18.046 | 5.859 | 3.593 | 2.489 | 4.438 |
8GB内存平均渲染时间/s | 13.879 | 4.272 | 2.315 | 1.709 | 0.754 |
从表 3中可以看出,对同一区域进行渲染时,分块太小,因为数据块的增多而增加了本地磁盘的读取次数,而且过多的分块会直接影响查询效率,从而影响渲染的速率。但如果影像分块太大,导致读取过多不在显示范围内的影像数据,所以渲染的时间也会有所增加。当客户端内存较小时选择较小的分块(如256×256)可以获得较快的渲染速率,内存较大时可以选择大尺寸进行分块;假设T为客户端内存大小,x为分块大小(单位:像素),满足
从上面的3组试验可以看出数据库的存储块大小、局域网带宽和客户端的硬件都对影像数据分块大小的选取有着一定规律的影响。当数据库的存储块较小时,为了减小数据库I/O操作,选择512×512或者1024×1024比较理想,随着存储块的增大,选择大分块尺寸所换来的入库效率的提高也不是特别明显;在一个网络带宽较小的环境下,选择256×256可以有效地减小因带宽限制所带来的传输压力;随着带宽的增加,选择更大的分块可以明显地降低数据在网络中的传输时间;当客户端的内存较小时,选择小的分块(如256×256)可以降低数据在客户端渲染和漫游的时间,获得相对较好的用户交互效果,而随着内存的增大,大的分块更有利于客户端进行连贯的漫游和缩放。
2.1.4 自适应影像切片模型的建立本文假设自适应的分块大小是通过以上3个因素计算所得的分块大小值的一个线性组合,即为每一个影响因子赋予不同的权重,自适应分块大小是这3种影响因子下对应的分块大小的加权平均值。假设自适应影像分块大小为BlockSize,有下面的关系式
式中,P(T)是由客户端内存计算出的分块大小值;W(S)代表由网络带宽计算出的分块大小值;C(N)代表由数据库块大小计算出的分块大小值。利用建立的数学模型式(4),采用4组:①在2MB的局域网带宽下,客户端内存大小为2GB时,逐次改变数据库存储块的大小;②当数据库存储块大小为8KB、客户端的内存为2GB时,逐次改变网络带宽大小;③当数据库存储块大小为8KB、客户端的内存为4GB时,逐次改变网络带宽大小;④当数据库的存储块大小为4KB、网络带宽为64MB时,逐次改变客户端内存大小的试验环境下的测试数据对其进行最小二乘拟合。利用最小二乘原理解一个不相容方程组得到
取最接近BlockSize值的经验分块大小值作为自适应影像管理系统中切割影像的分块大小。从式(5)可以看出客户端内存对于影像数据切片大小的影响是最小的,数据库存储块的大小对于切片大小的影响次之,而局域网的带宽对切片大小的影响就相对比较大。对于一个C/S架构的系统而言,局域网的网络带宽对于遥感影像的快速存储、高效地传输和渲染有着至关重要的影响,它不仅制约着数据在上传时的传输效率,也关系到数据在下载到客户端缓存时的下载速度。因此当对海量遥感影像进行存储时,首先应该考虑当前局域网的网络带宽,它是制约影像切片大小的关键因素;其次,服务器端数据库存储块大小限制了数据在上传过程中写入硬盘的效率,也影响了客户端频繁访问数据时的读取速率,因此也占据了相当的比重。在进行智能分块时,必须考虑到所设置的数据库存储块的大小。最后,各个客户端内存的大小主要影响了数据在客户端渲染时的效率,因此它的影响因子就相对较低,但为了支持快速浏览和显示,也必须对它进行综合考虑。大量试验表明该模型能基本满足对海量遥感数据的自适应切片处理。
2.2 遥感影像的LOD模型 2.2.1 LOD模型的建立机制由于遥感影像的数据量一般非常庞大,一次性把影像数据读取到内存中是不现实的,即使CPU的频率再高、内存容量再大,也无法满足同时打开若干幅海量遥感影像数据,而在大多数情况下,客户端用户需要的影像只是原始影像的一部分,把原始影像一次性调入客户端内存中不仅会使局域网带宽被占用,而且还大大影响了客户端的显示效率,造成过多的资源浪费。借助影像金字塔的存储模型可以有效地克服这一弊端[21, 22]。影像金字塔就是以原始影像为基础通过重采样算法,依次生成分辨率由大到小的各层影像数据[23]。如图 3所示,每层金字塔数据又是按照一定的切片大小进行分块存储,其基本过程为:
(1) 根据当前窗口的显示范围确定最佳显示分辨率,在影像金字塔中找出分辨率与最佳分辨率最相近的影像金字塔层[24]。
(2) 确定了影像金字塔层之后,利用建立的空间索引,再确定需要调用哪些影像数据块。
(3) 客户端将从服务器端传输过来的影像数据块在显示器上进行拼接显示。
2.2.2 金字塔层数的确定构建金字塔在数据存储过程中是极为重要的步骤,除了重采样算法的选取以外,确定金字塔结构的层数也是一个值得研究的问题。当分层数越多时,影像的显示速度就会越快,过渡性就会越好,客户端等候的时间就会缩短,但是随着分层级数的增加,更上层的图像也会越模糊,更多的细节就会被丢弃掉[25]。同时,数据库存储空间的开销也会随之增加。一般的遥感影像数据,大多因其庞大的数据量而都被经过了分幅处理,而后才被投入生产使用,因此其影像的尺寸大小不会过大。以一幅200000像素×200000像素的遥感影像为例,当采用2×2的采样算子采样到第10层时(假设原始影像为第1层,当生成的影像尺寸小于512像素×512像素时停止重采样),瓦片的大小已经减小到了390像素×390像素(如表 4),没有必要再继续重采样生成上一级的金字塔数据了;而当数据尺寸进一步增大到800000像素×800000像素时,采用3×3的采样算子可以更好更快速地构建影像金字塔,而不会产生过多金字塔顶端无意义的数据层。
原始影像 大小/像素 | 原始分 辨率/m | 采样算子 | 所在金字 塔层数 | 分辨率 /m | 顶层影像 大小/像素 |
200000× 200000 | 2 | 2×2 | 10 | 1024 | 390×390 |
800000× 800000 | 2 | 2×2 | 12 | 4096 | 390×390 |
800000× 800000 | 2 | 3×3 | 8 | 4374 | 365×365 |
因此在构建自适应影像金字塔的过程中,金字塔的层数一般不超过10层。在构建影像金字塔之前,先判断按照2×2采样算子进行重采样,得到的金字塔层数是否大于10,若大于10则采用3×3的采样算子进行重采样,这样基本可以满足对航片和卫片数据的处理。
3 基于自适应影像管理机制的原型系统及测试 3.1 系统架构为了测试自适应影像管理机制的优越性,设计并开发了基于Oracle数据库的影像数据管理系统,支持大批量影像数据的自适应存取、处理、更新、查询和显示功能,为遥感影像提供安全、高效和智能的存储管理支撑平台。系统采用C/S架构实现,其中客户端提供数据处理、管理、查询和显示的用户交互接口。服务器端提供对遥感数据的存储和管理支持。系统的总体架构设计如图 4所示。
3.2 系统测试为了验证自适应影像存储管理模块的优越性,本文在多组试验环境下,分别对智能分块和存取经验值进行分块的效率进行了试验和对比,测试的结果数据如表 5,表 6,表 7所示。图 5显示的是一幅苏州地区的正射影像在8KB数据库存储块大小、100MB的局域网带宽和4GB客户端内存下按传统方式分块和智能分块的显示效果截图。
不同的局域网测试环境 | 2GB客户端内存 2MB局域网带宽 | 2GB客户端内存 10MB局域网带宽 | 4GB客户端内存 2MB局域网带宽 | 4GB客户端内存 10MB局域网带宽 | |||||||
存储 | 渲染 | 存储 | 渲染 | 存储 | 渲染 | 存储 | 渲染 | ||||
8KB存储块大小下自适应分块测试速度/s | 45.278 | 24.926 | 32.029 | 19.998 | 40.742 | 16.212 | 28.23 | 12.635 | |||
8KB存储块大小下取经验值分块测试速度/s | 50.727 | 31.294 | 35.328 | 19.51 | 42.573 | 16.636 | 27.996 | 12.59 | |||
16KB存储块大小下自适应分块测试速度/s | 41.001 | 18.56 | 30.657 | 12.502 | 36.87 | 15.897 | 26.787 | 10.289 | |||
16KB存储块大小下取经验值分块测试速度/s | 45.451 | 22.364 | 32.419 | 11.767 | 44.658 | 18.665 | 27.04 | 10.93 |
不同的局域网测试环境 | 10MB局域网带宽 4KB存储块大小 | 10MB局域网带宽 8KB存储块大小 | 100MB局域网带宽 4KB存储块大小 | 100MB局域网带宽 8KB存储块大小 | |||||||
存储 | 渲染 | 存储 | 渲染 | 存储 | 渲染 | 存储 | 渲染 | ||||
2GB客户端内存自适应分块测试速度/s | 36.682 | 20.936 | 32.029 | 19.998 | 32.96 | 15.886 | 23.367 | 14.311 | |||
2GB客户端内存取经验值分块测试速度/s | 40.003 | 26.412 | 35.328 | 19.51 | 37.481 | 14.923 | 27.647 | 17.141 | |||
4GB客户端内存自适应分块测试速度/s | 34.152 | 15.424 | 28.23 | 12.635 | 27.485 | 13.001 | 22.476 | 10.839 | |||
4GB客户端内存取经验值分块测试速度/s | 38.962 | 16.017 | 27.996 | 12.59 | 31.526 | 13.985 | 23.474 | 13.064 |
不同的局域网 测试环境 | 8KB存储块大小 4GB客户端内存 | 8KB存储块大小 8GB客户端内存 | 16KB存储块大小 4GB客户端内存 | 16KB存储块大小 8GB客户端内存 | |||||||
存储 | 渲染 | 存储 | 渲染 | 存储 | 渲染 | 存储 | 渲染 | ||||
10MB带宽下自适应分块测试速度/s | 28.23 | 12.635 | 24.995 | 8.668 | 26.787 | 10.289 | 22.126 | 10.346 | |||
10MB带宽下取经验值分块测试速度/s | 27.996 | 12.59 | 26.162 | 10.781 | 27.04 | 10.93 | 25.825 | 18.017 | |||
100MB带宽下自适应分块测试速度/s | 22.476 | 10.839 | 19.054 | 7.432 | 19.244 | 7.432 | 16.856 | 6.236 | |||
100MB带宽下取经验值分块测试速度/s | 23.474 | 13.064 | 22.017 | 10.289 | 26.946 | 10.535 | 21.367 | 8.042 |
3.3 试验结果分析
通过试验对比发现,在常规环境下,自适应影像管理模块的处理效率与选用了经验值时相差不大,而在某些特殊的环境下(例如较小的网络带宽等),自适应模块能够更好地适应局域网的网络环境,结合服务器端数据库的存储块大小和客户端的硬件情况,利用自适应影像切片模型计算出更适合该环境下影像分块的大小值,通过限制构建的金字塔模型层数,选用恰当的重采样算子大小,建立最合适的LOD模型,对各类大数据量的遥感影像进行有效的存储和管理。试验证明,当数据库的存储块较小时,为了避免对数据库频繁的I/O操作,应当选择较小的影像分块方式;随着存储块的增大,选择大分块尺寸对入库效率有一定程度的提高。在一个网络带宽较小的环境下,小尺寸分块可以有效地减小因带宽限制所带来的传输压力;随着带宽的增加,选择更大的分块可以明显地降低数据在网络中的传输时间。当客户端的内存较小时,选择小的数据分块可以降低数据在客户端渲染和漫游的时间,获得相对较好的用户交互效果,而随着内存的增大,大尺寸分块也不会对客户端进行连贯的漫游和缩放产生影响。综上所述,本文提出的自适应切片机制能够满足对海量遥感数据的高效、智能存储,是一种可行的影像管理策略。
4 结 论本文主要讨论了在C/S局域网环境下海量遥感影像在存储过程中数据分块大小的选取与数据库存储块的大小、网络带宽和客户端内存大小之间的关系,在基于金字塔模型结构的基础上,探讨了C/S局域网环境下海量影像数据的自适应切片机制,通过研究试验,得出以下结论:
(1) 当数据库存储块的大小较小时,选择较小的影像分块尺寸,可以避免对数据库的频繁读写操作;随着存储块的增大,选择较大的分块对入库效率有一定程度的提高。
(2) 在一个带宽较小的局域网环境下,对影像进行小尺寸分块可以有效地减小因网络带宽限制所带来的传输压力,减少数据传输的延时;随着网络带宽的增大,选择较大的分块可以明显降低数据在网络中的传输时间。
(3) 当局域网中的客户端内存较小时,选择较小的数据分块可以降低数据在客户端进行渲染和漫游的时间;当局域网中的客户端内存较大时,选择大尺寸的数据分块也不会对影像进行连贯的漫游和缩放产生影响。
试验表明自适应影像金字塔模型能够综合考虑局域网中的网络带宽和服务器端数据库的存储块大小,结合局域网中客户端的硬件情况,利用自适应影像切片模型自动确定适合该局域网环境下的影像分块大小值,从而为高效、智能存取管理影像数据提供了有效的理论依据。
[1] | FANG Liuyang, WANG Mi, LI Deren. A CPU-GPU Co-processing Orthographic Rectification Approach for Optical Satellite Imagery[J]. Acta Geodaetica et Cartographica Sinica,2013,42(5):668-675.(方留杨,王密,李德仁. CPU和GPU协同处理的光学卫星遥感影像正射校正方法[J]. 测绘学报, 2013,42(5): 668-675.) |
[2] | YANG Ahua,LI Xuejun,XIE Jianwei,et al. Automatic Mosaic Method for CE-2 Lunar Imagery Based on Local Coordinate System[J]. Acta Geodaetica et Cartographica Sinica,2014,43(1):52-59.(杨阿华,李学军,谢剑薇,等.局部坐标系的嫦娥二号月面影像自动拼接方法[J]. 测绘学报, 2014,43(1): 52-59.) |
[3] | GENG Xun,XU Qing,XING Shuai,et al. Differential Rectification of Linear Pushbroom Imagery Based on the Fast Algorithm for Best Scan Line Searching [J]. Acta Geodaetica et Cartographica Sinica,2013,42(6): 861-868.(耿迅,徐青,邢帅,等.基于最佳扫描行快速搜索策略的线阵推扫式影像微分纠正算法[J]. 测绘学报, 2013,42(6): 861-868.) |
[4] | HUANG Feipeng. Design and Implement of Massive Remote Sensing Image Management System [D]. Shanghai:East China Normal University,2011.(黄飞鹏.海量遥感影像管理系统的设计与实现[D].上海:华东师范大学,2011.) |
[5] | LOU Shurong, MENG Lingkui, FANG Jun,et al. Network Transmission Model for Multi-resolution Image Based on P2P[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(5): 628-634.(娄书荣,孟令奎,方军,等.基于对等网络的多分辨率影像的网络传输模型[J]. 测绘学报, 2011,40(5): 628-634.) |
[6] | WANG Mi,GONG Jianya. Research and Implementation of Remote Sensing Image Database Based on the Extension of Relational Database[J].Journal of Geomatics,2002, 27(5):1-3.(王密,龚健雅.基于扩展关系数据库的遥感影像数据库管理系统的研究与实现[J]. 测绘信息与工程, 2002,27(5): 1-3.) |
[7] | YU Zhanwu,ZHENG Sheng,LI Zhongmin,et al. Massive Spatial Data Storage and Management Based on Object-based Storage[J]. Geomatics and Information Science of Wuhan University, 2008, 33(5): 528-532.(喻占武, 郑胜, 李忠民,等. 基于对象存储的海量空间数据存储与管理[J]. 武汉大学学报:信息科学版, 2008,33(5): 528-532.) |
[8] | ZHAO Zhige. Database Systems and Applications(SQL Server)[M].Beijing: Tsinghua University Press,2005.(赵致格.数据库系统与应用(SQL Server)[M],北京:清华大学出版社,2005.) |
[9] | WANG Lijiang, YUE Guosen, CHENG Weixing. The Realization of Differentiating Spatial Topological Relations between Lines Based on Oracle Spatial[J]. Acta Geodaetica et Cartographica Sinica, 2006, 35(1): 77-82.(王礼江, 岳国森,程卫兴.基于Oracle Spatial的空间线线拓扑关系判断的实现[J]. 测绘学报, 2006, 35(1): 77-82.) |
[10] | ZHANG Jingjing. Research Mobile Network Coverage Optimization Based on Oracle Spatial[D]. Guangzhou: South China University of Technology,2011.(张晶晶.基于Oracle Spatial的移动通信网络覆盖优化的研究[D]. 广州:华南理工大学, 2011.) |
[11] | HUANG Jie,LIU Renyi,LIU Nan,et al. An Management and Visualization System for Massive Remote Sensing Image: Research and Implementation[J].Journal of Zhejiang University:Science Edition,2008,35(6):701-706.(黄杰,刘仁义,刘南,等.海量遥感影像管理与可视化系统的研究与实现[J]. 浙江大学学报:理学版, 2008,35(6): 701-706.) |
[12] | WANG Guangxia,ZHU Changqing.LoD Modeling and Accuracy Analysis of Terrain Information[J]. Acta Geodaetica et Cartographica Sinica, 2005, 34(3): 228-232. (王光霞,朱长青. 地形信息的LoD建模及精度分析[J]. 测绘学报, 2005,34(3): 228-232.) |
[13] | YANG Chongyuan,ZHANG Jixian,LIN Zongjian. The Real-time LoD Algorithm for Rendering the Virtual Terrain Scene[J]. Acta Geodaetica et Cartographica Sinica, 2001,30(2):133-139.(杨崇源, 张继贤,林宗坚.虚拟地形场景绘制中的实时LoD算法[J].测绘学报, 2001,30(2): 133-139.) |
[14] | IXORA Pty Ltd. Oracle Performance Tuning Tips.Database block size=File system buffer size [EB/OL].[2007-12-10].http://www.ixora.com.au/tips/buffered_block_size.htm. |
[15] | VAIDYANATHA G K,DESHPANDE K,KOSTELAC J A. Oracle Performance Tuning 101[M].New York:McGraw-Hill Osborne Media,2001. |
[16] | LI Xueguo, SHEN Yinglan. Optimizational Study of Table Performance Based on Oracle 11g[J]. Journal of Henan Science and Technology, 2013,(14): 2,15.(李学国,沈应兰. 基于Oracle 11g表性能优化初探[J]. 河南科技, 2013,(14): 2,15.) |
[17] | LIU Huijie. Research of Key Technologies for Visualization of Massive, Multi-vision Remote Sensing Image Database Management[D].Jiaozuo:Henan Polytechnic University,2011.(刘慧杰. 面向三维可视化的海量、多版本遥感影像数据库管理关键技术研究[D].焦作:河南理工大学,2011.) |
[18] | ZHANG Yong. Design and Implement of Practical Remote Sensing Image Database[D]. Zhengzhou: Information Engineering University,2008.(张勇.遥感影像数据库原型系统的设计与实现[D]. 郑州:信息工程大学, 2008.) |
[19] | LI Zonghua, PENG Mingjun. Remote Sensing Image Database Based on RDBMS[J]. Geomatics and Information Science of Wuhan University, 2005, 30(2): 166-169.(李宗华,彭明军. 基于关系数据库技术的遥感影像数据建库研究[J]. 武汉大学学报:信息科学版, 2005,30(2): 166-169.) |
[20] | LI Luqun, LI Chengming, LIN Zongjian. Data Structure of Sliced Saving Vector Data for PDA[J]. Acta Geodaetica et Cartographica Sinica, 2002, 31(02): 170-174.(李鲁群, 李成名,林宗坚.服务于PDA的矢量数据分块存储数据结构的研究[J]. 测绘学报, 2002,31(02): 170-174.) |
[21] | LEI Xin,LIU Xiuguo,ZHANG Wei, et al.A Method for Real-time Accessing Massive Remote Sensing Image Data in Three-dimensional GIS[C]//2010 18th International Conference on Geoinformatics: Geoinformatics 2010. Beijing: IEEE, 2010: 1-4. |
[22] | [JP+4]KOKOULIN A. Methods for Large Image Distributed Processing and Storage[C]//IEEE EuroCon 2013. Zagreb: IEEE,2013: 1606-1610. |
[23] | TAN Qingquan, BI Jiantao, CHI Tianhe. A Flexible and Efficient Algorithm for Constructing Remote Sensing Image Pyramid[J]. Computer Systems & Applications,2008,(4): 124-127.(谭庆全, 毕建涛, 池天河. 一种灵活高效的遥感影像金字塔构建算法[J]. 计算机系统应用, 2008,(4): 124-127.) |
[24] | YUN Jianming. GIS-based Massive and Multi-source Image Archiving Database System: Research and Practice [D]. Xi'an: Xi'an University of Science and Technology,2008.(贠建明. 基于GIS的海量多源存档影像数据库系统的研究与实践[D]. 西安:西安科技大学, 2008.) |
[25] | CHEN Min. Image Feature Extraction and Matching Research Based on Multi-scale[D]. Changsha: Central South University,2011.(陈敏. 基于多尺度的图像特征提取与匹配研究[D].长沙:中南大学,2011.) |