随着传感器技术及遥感的快速发展，“数字地球”概念随之提出，并迅速成为研究热点^[1]。目前，很多民用应用均需在线的地理信息系统进行支撑，这说明数字地球越来越向着服务大众的方向发展^[2-4]。另一方面，利用数字地球发布海量遥感影像，存在着较大的困难。这是由于传感器技术的快速发展，使得获取的遥感影像通常具有更高的空间及谱间分辨率。此外，卫星重访周期的缩短，在获取更多的多时相数据的同时，也为数据的存储和处理带来了更大的挑战。如何将遥感与地理信息系统紧密地结合，实现基于网络的多源、多尺度、多模式的遥感影像共享，以及海量遥感影像在数字地球上的平滑显示，是当前迫切需要解决的问题^[5-6]。文献[7-8]对给定遥感影像进行多级下采样，并对下采样后的影像进行切片，最后用各级切片构成金字塔并存储。文献[9-11]在上述工作基础上，采用不同的压缩方法先对各级切片进行压缩，然后将压缩后的切片以金字塔的形式存储。上述基于切片的金字塔存储方法，优点是方便局部区域数据的读取，缺点是同一数据的多分辨率存储方式，会造成较大的空间浪费^[12]。采用金字塔方式存储数据所需要的空间，是只保存原始数据所需空间的三分之四。增加的三分之一比例的存储空间，其实就是数据冗余。由于当前获取的遥感影像大多具有“三高”的特点，即高空间分辨率、高谱间分辨率，以及高时间分辨率，若将获取的所有遥感影像均采用金字塔方式进行存储，空间浪费情况可想而知。从另一个角度看，采用该种数据存储方式，当用户请求某一分辨率下的局部区域时，服务器先找到该分辨率下该区域下对应的切片位置，然后将相应切片的压缩码流发送至接收端。接收端收到码流后，进行解压缩并显示。而用户若需要当前区域更高分辨率的影像，则需重新发送高分辨率数据，原来传送的数据并没有利用上。随着用户提出的更高分辨率的请求，需传送的数据越来越多，这需要较长的传输时间，在用户端的表现就是影像显示的延时。

针对遥感影像在线可视化的应用需求，在分析现有遥感影像压缩及传输现状的基础上，提出了一种基于人眼视觉的遥感影像分级压缩及渐进传输系统。

1 遥感影像分级压缩及调度流程

本文设计了一套遥感影像压缩及传输系统，目的是能够对遥感影像进行分级压缩，并根据用户的需求，实现遥感影像的渐进传输及实时显示。该系统包括四个主要模块：压缩中心、解压缩中心、调度中心以及显示中心。整个压缩系统框图如图 1所示。其中，压缩中心的任务是通过设计的高效压缩方法，对遥感影像进行高效离线分级压缩；解压缩中心的任务是根据用户的请求，对不同时刻收到的码流进行拼接并实时解压；调度中心的任务是根据用户发出的指令，协调其他几个中心之间的信息交互。显示中心的任务是显示解压缩后的图像，并根据当前解压缩的结果对重建影像进行能够实时更新。为了保证遥感影像的实时显示，将解压缩中心与显示中心部署在同一节点；此外，考虑到数据中心存储的是待压缩数据，为了尽快进行离线压缩，将压缩中心与数据中心部署在同一节点。遥感影像经过批量压缩后，生成的码流经过编号也存储在压缩中心；调度中心作为连接数据中心和显示中心的桥梁，部署在两者之间。除了发布指令对数据进行调度，还应完成通过接口转换数据类型的工作。为了对授权专业用户提供未压缩的原始数据，本文还安排了一个节点，通过该节点可直接对原始遥感影像进行下载。

2 遥感影像的分级压缩系统设计

由于遥感影像通常尺寸较大，若直接传输整幅影像的压缩码流，用户端收到全部码流后再解压，则所需的时间较长。另一方面，用户有时并不需要接收完整的码流，当接收的影像并不是自己想要的，或当前影像的质量已经满足了浏览需求，则可以停止码流的接收。因此，可以根据用户的需求，提供不同分辨率的遥感影像。可以先将原始遥感影像进行分割，并研究支持多分辨率传输的分级压缩技术，使得每个分割块都可以进行多级渐进传输。渐进传输通常用在低带宽的网络环境下，将待传输数据分为几个阶段传输^[13-14]。对于渐进传输技术，一般目标是刚开始传输的影像应尽量清晰，这可以通过码流组织来实现。将重要信息的码流放在整个码流的最前面，由于先接收的码流先解码，从而实现低码率下遥感影像的高质量重建。渐进传输还应能实现码流的自动连接，即后面接收的码流是对之前接收码流的细化。在重建影像时，随着接收码流的增多，应能平滑地改善遥感影像的重建质量。此外，由于该应用是面向用户的，解压缩后的影像是供用户浏览，故在设计分级压缩算法时，若考虑到人眼视觉系统(human vision system，HVS)特性，则显示端的重建影像视觉效果理论上会更好。因此，本文设计了一套基于人眼视觉的遥感影像压缩算法，系统组织框图如图 2所示。

对于给定的遥感影像，先建立基于HVS的视觉敏感度模型，并计算对应的视觉加权掩膜。小波变换后，利用视觉加权掩膜对变换影像加权。为了使多分辨率显示更为灵活，以码块为单位对遥感影像进行编码。为了提高编码效率，设计了一种自适应扫描方法，能够在不增加额外数据量的情况下，尽可能保留影像的细节信息。由于该压缩方法生成的码流是嵌入式码流，故可以方便对码流进行截断，以实现码流的渐进传输并解码。在解码端，若是第一次接收码流，则解压缩并显示重建影像。否则，先进行码流合并，再对合并后的码流解压缩并显示重建影像。下面对分级压缩系统中的关键模块进行说明。

2.1 失真敏感度模型及视觉加权掩膜的设计

根据人眼的视觉特性，建立人眼视觉中心凹与影像观测距离的映射模型^[16]，并据此建立人眼对小波域中各点位置的失真敏感度模型，为视觉加权提供基础。人眼视觉中心凹与观测距离的关系如图 3所示。对于视网膜来说，人眼对2°视角内的影像内容最为敏感。

基于空域的失真敏感度模型可表示为

$ {\rm{CT}}\left( {f,e} \right) = {\rm{C}}{{\rm{T}}_0}\exp \left( {af\frac{{e + {e_2}}}{{{e_2}}}} \right) $

(1)

式中：f表示空间频率；e表示视觉离心率；CT₀表示最小对比度阈值，一般为1/64；a是常数，一般为0.106；e₂是半分辨率离心率常数，通常取2.3；CT(f, e)是视觉敏感度阈值，是f和e的函数。

令CT=0，则得到截止频率f_c，周期/(°)，可表示为

$ {f_c} = \frac{{{e_2}\ln \left( {\frac{1}{{{\rm{C}}{{\rm{T}}_0}}}} \right)}}{{\alpha \left( {e + {e_2}} \right)}} $

(2)

当影像的频率超过f_c时，人眼就无法区分了，这也是影像能够进行视觉无损压缩的原因。

令显示分辨率r=πNv/360，根据Nyquist定理，信号不混叠的最高频率为

$ {f_d} = r/2 = {\rm{ \mathsf{ π} }}Nv/360 $

(3)

根据式(2)、(3)，对于给定的一个空间位置x，其截止频率为

$ {f_m}\left( x \right) = \min \left( {{f_{\rm{c}}},{f_{\rm{d}}}} \right) = \min \left( {\frac{{{e_2}\ln \left( {\frac{1}{{{\rm{C}}{{\rm{T}}_0}}}} \right)}}{{\alpha \left( {e + {e_2}} \right)}},\frac{{{\rm{ \mathsf{ π} }}Nv}}{{350}}} \right) $

(4)

对于空域中的每一点，基于视网膜中心凹的空域失真敏感度为

$ \begin{array}{l} {\mathit{\boldsymbol{s}}_f}\left( {v,f,x,} \right) = \\ \left\{ \begin{array}{l} \frac{{{\rm{CT}}\left( {f,0} \right)}}{{{\rm{CT}}\left( {f,e} \right)}} = \exp \left( { - 0.0461fe} \right),\;\;\;\;f \le {f_{\rm{m}}}\left( x \right)\\ 0,\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;f > {f_{\rm{m}}}\left( x \right) \end{array} \right. \end{array} $

(5)

其中${\rm{CS}}\left( {f, e} \right) = \frac{1}{{{\rm{CT}}\left( {f, e} \right)}} $。

根据该空域失真敏感度模型，可建立对应的小波域失真敏感度模型。对9/7双正交小波变换，每个子带的敏感度阈值可表示为

$ {T_{\lambda ,\theta }} = \frac{{\alpha {{10}^{k\left( {\log {{\left( {{g_\theta }{f_0}{2^\lambda }} \right)}^2}} \right)}}}}{{{A_{\lambda ,\theta }}}} $

(6)

式中：α、k、f₀、g_θ均为常数，A_{λ, θ}是第λ层子带的θ方向对应的幅值，具体的值可参见文献[16]。

因此，对于子带，其视觉敏感度模型可表示为

$ {S_w}\left( {\lambda ,\theta } \right) = \frac{1}{{{T_{\lambda ,\theta }}}} $

(7)

根据式(5)和(7)，小波域中基于视网膜中心凹的失真敏感度模型可表示为

$ S\left( {v,\mathit{\boldsymbol{p}}} \right) = {\left[ {{S_w}\left( {\lambda ,\theta } \right)} \right]^{{\beta _1}}} \cdot {\left[ {{s_f}\left( {v,f,\mathit{\boldsymbol{p}}} \right)} \right]^{{\beta _2}}} $

(8)

式中：p表示在子带(λ, θ)中某一小波系数的位置。β₁和β₂分别用来控制s_w和s_f幅度的调整，可根据实验情况进行设定。

根据该失真敏感度模型，进行视觉加权掩膜的设计。从人眼视觉角度讲，视觉越敏感的位置，越应少压缩。换句话说，对失真敏感度大的系数，编码时应多分配比特。故在本文中直接采用失真敏感度模型作为视觉加权掩膜，对变换影像进行加权。这样，相当于对每个小波系数，按视觉重要性不同，进行了不同程度的提升。

2.2 码块的自适应扫描方法设计

对进行视觉加权后的变换影像，先将其等分为若干个码块，后面的扫描和编码均是以码块为单位进行。由于要进行渐进传输，必须生成嵌入式比特流，本文通过对码块进行位平面扫描和编码来实现。

对于影像压缩而言，扫描过程和编码过程通常紧密联系。先扫描到的系数可以先编码。对遥感影像的可视化应用来讲，如果能从人眼视觉的角度出发，设计影像的扫描方法，那么重建影像的视觉质量一定会得到提高。在低比特率下，这种基于应用的扫描方法优势会更加明显。

本文提出的扫描方法如下：为使码流在整体上能够按照子带重要性进行组织，首先，根据每个加权子带能量的降序，确定子带间扫描顺序。其次，根据子带特性设计子带内的扫描方法，以尽可能保留影像的纹理信息。水平子带、垂直子带、对角子带的扫描方式分别如图 4所示。对于最低频子带，其扫描方式可通过比较水平和垂直两个方向的子带总能量来确定。通过上述子带间和子带内扫描方法，可以在几乎不增加额外数据的情况下，保留更多的方向信息，提高重建影像的视觉效果。

2.3 结合人眼视觉特性的比特分配

传统的压缩方法如JPEG 2000，其核心是率失真最优化截取码块嵌入式编码(embedded block coding with optimized truncation，EBCOT)算法。EBCOT算法的核心是将小波变换后的子带分成多个码块，对每个码块进行位平面编码和MQ算数编码。位平面编码要经过3个通道：重要性通道、细化通道和清除通道。对给定的第i个码块，设p表示当前位平面，k表示当前通道，对应的编码失真记为$ \Delta D_i^{p, k}$。根据EBCOT的思想，对于给定的压缩比，最小失真采用均方误差(mean square error，MSE)标准来衡量。本文提出的压缩方法是在EBCOT基础上实现的，由于对变换影像进行了视觉加权，故在衡量最小失真时，其衡量标准改为视觉最小失真。对于上面提到的码块，视觉失真记为

$ \Delta {D_{{\rm{HVS}}}} = {S_i} \cdot \Delta D_i^{\left( {p,k} \right)} $

(9)

式中：S_i表示对第i个码块进行的视觉加权。在本文中，用视觉失真代替MSE作为准则，进行各码块的比特分配。

2.4 码流的拆分与合并

分级压缩完毕后，对总码流进行截断，并在各段码流前面分别加入头文件，该头文件指明了该层码流的长度。分辨率层和码块的关系如图 5所示。

码流拆分后，需要对各段码流编号，并存入数据库。整个离线压缩的过程，包括影像压缩、码流拆分，以及入库的过程如图 6所示。对于一幅待压缩的遥感影像，先将影像数据读入内存，然后调用“compress.dll”进行影像压缩。压缩过程中需要用到的参数分别为：影像的内存地址、影像大小、压缩比，以及影像位深。假设影像的大小为L×L，则影像压缩后，整个码流被拆分的段数为lb(L)-7。以一幅大小为2 048×2 048的遥感影像为例，先从内存中读取遥感影像，压缩后将总码流拆分为四段码流，将这些码流段按指定位置写入内存或者外部文件。从图 6中还可以看出，数据中心还提供了供专业用户下载原始遥感影像的接口，以实现原始遥感影像的后续分析或其他应用。

对客户端来说，当用户需要特定分辨率的遥感影像时，先向数据中心发送指令。数据中心检索到对应码流的位置，并将其送至显示端。在显示端，根据头文件判断该码流是对应区域的第几段码流，并确定解压缩方式，进而对显示端的影像实时更新。

可见，整个分级压缩与渐进传输系统分为压缩、合并、解压三个模块，每个模块对应一个dll文件，分别记作“compress.dll”，“merge.dll”，“decompress.dll”。所有模块操作均在内存中实现。三个模块的内部工作关系如图 7所示。

3 渐进传输模块设计

渐进传输模块的作用是提供基于Socket传输协议的接口，以实现码流传输、解压及显示之间的调度功能。所有模块的操作均是在内存中完成。渐进传输及交互式可视化模块整体流程如图 8所示。

客户端要先输入服务器IP进行连接，成功后可请求显示某幅遥感图像的特定分辨率图像。该请求经调度发送至数据中心，数据中心收到该请求后，查找相应码流位置。若码流不存在，向客户端发送无结果提示；若存在，将该码流传送至客户端。客户端接收到该码流后先判断，若该码流为图像的第一段压缩码流，则立即解压并显示；否则，将该码流与之前接收的码流合并，再进行解压，最后用重建图像对客户端的图像进行实时更新。

4 实验及结果分析

为了验证提出分级压缩方法的有效性，进行了一些测试实验。图 9(a)给出了一幅测试遥感影像，大小为2 048×2 048。图 9(b)是采用提出的分级压缩算法，在压缩比为120倍时得到的重建影像。可见，从视觉上讲，重建影像与原始遥感影像的差别很小，完全能够满足用户浏览的需求，证实了提出方法的有效性。

对提出的分级压缩算法，由于数据中心采用离线压缩，故对压缩时间没有特别要求。但对于用户请求的数据，为了缓解用户的等待感觉，应尽可能提高码流合并以及解压缩的时间。对图 9(a)所示遥感影像，进行了压缩、合并、解压缩时间测试，结果如图 10所示。

可以看出，相对于压缩时间，解压缩所需时间大大减小。此外，合并模块所需的时间小到几乎可以忽略不计。证明提出方法在速度上能够满足预期要求。

对于图 9中的原始遥感影像，设定压缩比为50。压缩该幅影像所需的时间如图 11(a)所示。根据2.4节的计算方法，压缩后的总码流被截断为四段码流。将各段码流逐个传输，第一、二段码流所需的合并时间如图 11(b)所示，解压缩前两段码流所需的时间如图 11(c)所示。当第三段码流到来时，前两段码流与第三段码流合并所需的时间如图 11(d)所示，解压缩前三段码流所需的时间如图 11(e)所示。可见，对各阶段的解压缩来说，解压缩模块和合并模块所需的总时间，均远远小于压缩模块所需的时间。与传统的整个码流全部接收完才能解压的方法相比，在采用相同压缩方法的情况下，这种渐进解压方式能更快地为客户提供重建影像。以本文提出的压缩方法为例，若对生成的整个压缩码流直接解压，设压缩后整个压缩码流为前三段码流长度，则直接解压缩时间为30 ms。换句话说，在30 ms以内，用户一直处于等待状态。而采用这种渐进的解压方式，在30 ms以前，用户可以先看到由第一段码流生成的重建图像，然后快速过渡到第一、二段码流生成的重建图像，接着再过渡到由前三段码流生成的重建图像。这种渐进传输并解压的方式，能够缓解用户的等待感觉。在低带宽的网络环境下，提出的方法由于能较早地显示重建图像，故带给用户的主观体验更好。

此外，为了验证分级压缩和渐进传输的效果，根据图 1的总体框图，进行了分级压缩及渐进传输仿真系统的设计。硬件环境配置为Pentium 4处理器，2G内存，Windows 2000系统。应用的软件为Visual Studio 2010，程序采用C++语言进行编写。采用一副大小为2 048×2 048的遥感影像进行测试，客户端在不同阶段显示的界面如图 12所示。

从这些结果可以看出，用户可在客户端选择需要浏览的影像。分级压缩的码流经传输后，显示端能够实时接收码流并解压缩，解压完毕立即进行显示。当有新的码流被接收，则先合并码流，再进行解压缩，然后在显示端对重建影像进行更新。与传统的接收完整个码流才能解压的方法相比，本文方法更为灵活，且这种优势在低码率下会体现的更为明显。

5 结论

1) 传统的金字塔存储方式存在数据存储量过大，且需要数据传输完毕再解压的问题，为了提高数据存储和传输的效率，开发了一套面向可视化应用的遥感影像压缩与渐进传输系统。其测试平台已经成功地与国内其他两家研究单位完成对接，能够顺利实现遥感数据的发布和共享。

2) 对于每一幅遥感影像，提出方法仅需存储其各段压缩码流，不需再建立金字塔，减少了数据的重复存储，节省了大量的存储空间。

3) 本文设计的压缩方法考虑了人眼视觉特性，能够在压缩过程中尽可能保护视觉敏感信息。同时，从小波子带特性出发设计扫描算法，在几乎不增加额外数据的基础上，保留了更多的影像纹理信息。

4) 该系统的“增量”传输方式不需重复传输已有数据，提高了数据传输效率，在解码端利用当前新接收的数据对已显示影像进行实时更新。该系统实现了遥感影像在虚拟地球平台上快速、平滑的发布。

该工作今后的研究重点是当大量用户同时发出遥感数据请求时，快速进行系统响应。响应速度与用户本身等级有关，还与数据类型有关，这将作为下一步工作继续研究。