对等网络遥感影像瓦片资源遗传选择算法

doi:10.13474/j.cnki.11-2246.2017.0285

测绘通报 ›› 2017, Vol. 0 ›› Issue (9): 46-50.doi: 10.13474/j.cnki.11-2246.2017.0285

对等网络遥感影像瓦片资源遗传选择算法

范兆炜^1,2, 李子扬¹, 周增光¹, 李传荣¹

1. 中国科学院光电研究院中国科学院定量遥感信息技术重点实验室, 北京 100094;
2. 中国科学院大学, 北京 100049

收稿日期:2017-01-16 修回日期:2017-03-27 出版日期:2017-09-25 发布日期:2017-10-12
通讯作者: 李传荣.E-mail:crli@aoe.ac.cn E-mail:crli@aoe.ac.cn
作者简介:范兆炜(1991-),男,硕士生,主要研究方向为计算机应用技术.E-mail:18401698369@163.com
基金资助:
国家863计划（2013AA122904）。

Tile Resource Selection Algorithm for Remote Sensing Image Based on Peer-to-Peer Network

FAN Zhaowei^1,2, LI Ziyang¹, ZHOU Zengguang¹, LI Chuanrong¹

1. Key Laboratory of Quantitative Remote Sensing Information Technology, Academy of Opto-Electronics, Chinese Academy of Sciences, Beijing 100094, China;
2. University of Chinese Academy of Sciences, Beijing 100049, China

Received:2017-01-16 Revised:2017-03-27 Online:2017-09-25 Published:2017-10-12

摘要/Abstract

摘要： 对等网络技术的快速发展，为遥感影像数据的高效共享开辟了新的途径。对等节点终端间互相进行数据传输的方式，有效地降低了数据共享对服务器的依赖程度，极大地提高了数据分发传输的效率。由于对等网络中各终端可能存储不同区域的影像数据，因此当需要共享某个影像数据时，选择从哪些终端传输哪些瓦片以提高传输效率，是一个需要解决的重要问题。本文研究对等终端间瓦片数据集的高效共享途径，提出了一种基于遗传算法的瓦片资源选择方法，可以有效地解决对等网瓦片资源选择问题。

关键词: 遥感影像, 瓦片, 对等网, 数据传输, 组合优化, 遗传算法

Abstract: The rapid development of peer-to-peer network technology opens up a new way for the efficient sharing of remote sensing image data. The way of data transmission between peer nodes can effectively reduce the dependence of data sharing on the server, and greatly improve the efficiency of data distribution and transmission. As each terminal in the peer-to-peer network may store image data in different areas, therefore, when you need to share a certain image data, how to choose from which terminals to transmit which tiles to improve the transmission efficiency, is an important problem needed to be solved. This paper studies the efficient way to share the tile data sets between peer-to-peer terminals, and proposes a tile resource selection method based on genetic algorithm, which can effectively solve the problem of tile resource selection in the peer-to-peer network.

Key words: remote sensing image, tiles, P2P, data transmission, combinatorial optimization, genetic algorithm

中图分类号:

P237

范兆炜, 李子扬, 周增光, 李传荣. 对等网络遥感影像瓦片资源遗传选择算法[J]. 测绘通报, 2017, 0(9): 46-50.

FAN Zhaowei, LI Ziyang, ZHOU Zengguang, LI Chuanrong. Tile Resource Selection Algorithm for Remote Sensing Image Based on Peer-to-Peer Network[J]. 测绘通报, 2017, 0(9): 46-50.

参考文献

[1] 霍亮, 杨耀东, 刘小勇,等. 瓦片金字塔模型技术的研究与实践[J]. 测绘科学, 2012, 37(6):146-148.
[2] 贲进, 童晓冲, 张衡,等. 基于TIFF和XML标准的瓦片金字塔模型[J]. 测绘科学技术学报, 2005, 22(3):184-186.
[3] 周强, 宋志峰, 刘易鑫,等. 一种适用于多移动终端的地图瓦片格式的研究与应用[J]. 测绘与空间地理信息, 2013(S1):70-76.
[4] 郭明强, 黄颖, 谢忠. 分布式环境下海量瓦片数据实时组织与调度策略研究[J]. 测绘通报, 2013(4):25-28.
[5] 李治庆, 马照亭, 李成名,等. 3DGIS海量瓦片数据管理与调度[J]. 测绘科学, 2013, 38(6):109-110.
[6] 商秀玉. WebGIS海量瓦片数据管理引擎的设计与实现[D]. 金华:浙江师范大学, 2012.
[7] 刘小生, 吴征, 王永生. 一种海量遥感影像实时切割与高效调度新方法[J]. 测绘科学技术学报, 2013, 30(1):51-53.
[8] 马立肖, 王江晴, XIAO Mali,等. 遗传算法在组合优化问题中的应用[J]. 计算机工程与科学, 2005, 27(7):72-73.
[9] 汪松泉. 遗传算法在组合优化中的应用研究[D].合肥:安徽大学, 2010.
[10] 高经纬, 张煦, 李峰,等. 求解TSP问题的遗传算法实现[J]. 计算机时代, 2004(2):19-21.
[11] NOZARIAN S, DEHGHAN Y, JAHAN M V. Solving TSP on the Basis of Grid and Genetic Algorithm[J]. International Proceedings of Computer Science & Information Tech, 2012,34:61-66.
[12] 于莹莹, 陈燕, 李桃迎. 改进的遗传算法求解旅行商问题[J]. 控制与决策, 2014(8):1483-1488.
[13] SUN L. Genetic Algorithm for TSP Problem[C]//International Industrial Informatics and Computer Engineering Conference.[S.l.]:ACM 2015.
[14] 于海璁, 陆锋. 一种基于遗传算法的多模式多标准路径规划方法[J]. 测绘学报, 2014,43(1):89-96.
[15] 任海艳, 陈飞翔. 一种基于遗传算法的曲线化简方法[J]. 测绘通报, 2012(10):32-35.

对等网络遥感影像瓦片资源遗传选择算法

Tile Resource Selection Algorithm for Remote Sensing Image Based on Peer-to-Peer Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李茂林, 闫庆武, 仲晓雅. 一种复合型校正植被信息的方法[J]. 测绘通报, 2022, 0(6): 49-54142.
[2]	张龚泉, 岳建平, 刘胜男, 王海龙, 杨智翔, 周航宇. 基于遥感影像的鄱阳湖地形提取方法[J]. 测绘通报, 2022, 0(5): 62-66,73.
[3]	潘建平, 付占宝, 程卫华, 陆世安, 李鑫, 孙博文, 黄桂萍. 基于地表类型的山地海绵城市生态建设评估[J]. 测绘通报, 2022, 0(5): 84-88.
[4]	陈智朗, 付振华, 朱紫阳, 王慧慧, 刘沁雯, 杨钰灵, 许耿然. 基于HRNet的高分辨率遥感影像建筑物变化信息提取[J]. 测绘通报, 2022, 0(5): 126-132.
[5]	刘小玉, 刘扬, 杜明义, 张敏, 贾竞珏, 杨恒. 基于DeeplabV3+的建筑垃圾堆放点识别[J]. 测绘通报, 2022, 0(4): 16-19,43.
[6]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[7]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[8]	冯俊俊, 周立, 欧阳犬平, 周珍. 优化短期余水位组合预测模型[J]. 测绘通报, 2022, 0(3): 96-100.
[9]	王胜利, 朱寿红, 蒋毅. 基于CNN模型迁移的OLI影像光伏电池板场景识别[J]. 测绘通报, 2022, 0(2): 5-9.
[10]	杨素妨, 杜林. 多特征流形鉴别嵌入的高分辨率遥感影像分类[J]. 测绘通报, 2021, 0(9): 37-42.
[11]	陈优良, 陈洋, 肖钢, 陶剑辉. 改进蝙蝠算法优化极限学习机的大坝变形预测模型分析[J]. 测绘通报, 2021, 0(9): 68-73.
[12]	耿万轩, 周维勋, 金双根. 基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类[J]. 测绘通报, 2021, 0(8): 14-21.
[13]	王艳, 祁萌. 基于GA-SIFT算法的无人机航拍图像实时拼接[J]. 测绘通报, 2021, 0(8): 28-32,47.
[14]	苏艺凡, 党建武, 王阳萍, 杨景玉. 改进的区间二型模糊聚类遥感影像变化检测[J]. 测绘通报, 2021, 0(7): 44-51,58.
[15]	聂倩, 七珂珂, 赵艳福. 融入超像素分割的高分辨率影像面向对象分类[J]. 测绘通报, 2021, 0(6): 44-49.