图残差神经网络支持下的建筑物群组模式分类

建筑物作为城市中的重要地物,分析其群组模式对地图综合、导航定位、市政规划等具有重要作用。建筑物群组模式分析目前主要有基于规则的方法和基于机器学习的方法两种。基于规则的方法和基于传统机器学习分类器的方法均需要大量的人工处理过程。近年来兴起的深度学习特别是图卷积神经网络前期无需人工处理,因此提高了建筑物群组模式分析的自动化程度。传统的图卷积神经网络模型在训练深层网络时易出现退化问题,提取深层特征困难。为解决此问题,本文引入了图残差神经网络模型用于建筑物群组的模式分类。首先使用道路和河流等作为约束条件,利用K-means方法对建筑物进行聚类;然后根据Bertin视觉变量计算对应的建筑物特征指标,在每个建筑物群组中以建筑物质心为节点,连接节点的最小生成树作为边,构建建筑物群组图结构;最后将得到的图结构数据输入图残差神经网络进行训练,得到规则和不规则两种建筑物群组模式。试验结果表明,该模型较好地解决了传统图卷积神经网络模型的退化问题,并取得了更高的精度。     

基于图顶点深度聚类的建筑物合并方法

建筑物要素合并是大比例尺地图缩编过程中实现空间结构简化的重要手段。基于综合规则的合并方法难以同时顾及要素形态、分布等诸多特征,受预设算法参数影响大,综合过程缺乏灵活性。针对这一问题,本文提出了一种基于图顶点深度聚类网络的建筑物合并模型,利用Delaunay三角网构建建筑物群组表征图模型,结合自编码器与图卷积网络学习剖分三角形的几何形态、空间分布特征,采用自监督学习方式实现三角形的聚类与分类(保留、删除),最终在不依赖样本条件下实现建筑物要素端到端智能化合并。试验表明,该方法对预设合并参数依赖低,能同时顾及建筑物要素的形态与分布特征。合并过程具有一定灵活性,合并结果能较好满足地图可视化要求。     

多边形区域信息最佳注记位置分析

针对土地利用现状图中某些特殊图斑的标注缺陷问题,提出了一种基于面积最大内接四边形的标注方法。通过理论推导,分析了图斑内面积最大内接四边形存在的条件,即为具有最大横向截距和最大纵向截距组成的四边形,由此提出了基于一定密度规则格网的内接四边形的查找方法,结合形状因子从而找到理想注记的面积最大内接四边形,由该四边形的重心位置即可确定图斑标注位置。实践证明,面积最大且形状因子较好的四边形具有最佳标注位置。特别地,针对不同的图斑给出了网格密度选取的经验值。     

顾及道路目标stroke特征保持的路网自动综合方法

地图综合中道路网选取通常要考虑道路的属性等级、几何形状、分布密度、通达性等,常规方法只能顾及部分指标评价对象(弧段、节点或网眼)的重要性,在此基础上按照"资格"法线性选取,由于缺乏顾及道路网空间分布信息的有效手段,造成原有空间分布特征被破坏。本研究将描述道路完整地理意义的stroke特征引入选取过程中,提出一种顾及道路目标stroke特征保持的路网选取方法,即构建道路网stroke特征并评价重要性,在按stroke重要性线性选取的基础上增加约束条件,包括等级约束条件和空间邻近关系约束条件,从而将空间分布信息与属性、几何及拓扑信息有效地结合在一起。试验表明,该方法保留重要道路目标的同时,也较好地保持了原有空间分布特征。     

建筑物形状特征分析表达与自适应化简方法EI北大核心CSCD

建筑物化简是地图制图领域关注的热点问题之一。集成不同算法构建形状特征自适应的化简模型是应对建筑物多样化形态的有效策略,但当前相关研究主要从局部结构模式或化简结果评价展开,缺乏对形状结构的整体分析视角和深层次认知。本文提出一种深度学习支持下的形状自适应建筑物化简方法。首先,利用图卷积自编码网络对建筑物形状进行深度认知,提取隐含在边界节点分布中的形状特征并进行编码表达;然后,通过监督学习方法建立形状编码与化简算法之间的映射关系,从而实现依据输入建筑物的形状特征选择适宜化简算法的自适应机制。试验表明,本文方法的化简结果在位置、方向、面积和形状保持指标上总体优于单一算法,具备较好的理论与应用价值。     

保持空间分布特征的散列式居民地综合选取方法

中小比例尺地形图上存在大量由不依比例尺"房屋群"构成的散列式居民地,综合选取时除考虑单个房屋专题重要性外,还要保持各房屋群的分布特征。将基于Vorinoi图模型的点群化简算法应用到散列式居民地选取中,在综合选取的两个主要过程(选取定额模型和结构化选取方法)中综合考虑分布密度、分布范围等分布结构信息和专题属性信息。实验分析表明,该方法保留重要居民地的同时,能够较好地保持原有的空间分布特征。     

一种顾及多特征约束的Voronoi图点群选取方法

点群的自动选取是制图综合的重要内容。在Voronoi图点群选取的基础上,提出一种顾及多特征约束的Voronoi图点群选取方法。该方法顾及了描述点群要素重要性的空间分布特征、拓扑和密度特征、专题属性特征以及与其他要素的关联特征,构建了基于综合特征重要性的度量模型,并作为约束条件应用于Voronoi图点群要素的选取。实验结果表明,该方法不仅可以综合考虑点群要素的多种重要性特征,而且能够较好地保持点群综合前后空间特征的一致性,符合传统制图综合规律,具有一定的普适性。     

面向对象的高光谱影像目标识别方法

将面向对象影像分析和决策树方法综合应用于高光谱遥感影像的目标提取,在分析待提取地物特征的基础上,总结归纳其特性知识,构建分类规则,设计和实现决策树以完成目标识别。该方法充分应用分割所得到的均质对象的位置、形状、纹理等特征实现了决策规则提取和决策树构建,在应用OMIS和PHI影像进行目标识别的实践中取得了很好的效果。     

高分辨率遥感影像目标形状特征多尺度描述与识别

在高分遥感影像中,同类地物目标形状具有多样性,单一尺度或单一形状模版不足以描述同类目标的形状。本文利用小波变换和Fourier描述子构建了一种目标形状的多尺度描述模型,并基于该模型给出了一种新的面向对象的高分遥感影像目标识别方法。从上到下,该模型采用尺度依次减小的小波近似系数对原始形状进行近似表示,并利用Fourier描述子对其进行定量描述。利用语义规则综合考虑多个尺度下的识别结果,得到最终识别结果,减小小尺度下分割目标破碎和大尺度下小目标无法识别造成的影响,提高识别精度。基于本文方法分别对高分遥感影像中的飞机和建筑物进行识别,对比实验表明,该方法具有较高识别精度。     

机器自监督学习的建筑物面要素几何形状度量

针对传统方法在度量建筑物面要素几何形状时,未能考虑形状认知的视觉特征因素且形状特征需要人为定义等问题,该文提出一种建筑物几何形状度量方法。首先,利用深度卷积神经网络的图像特征学习特性,结合自动编码机的自监督学习能力,构建基于机器自监督学习的建筑物面要素几何形状度量神经网络;其次,利用建筑物图像形状大数据对网络进行训练;最后,利用训练完成的神经网络识别并提取建筑物形状特征集并作为形状度量的结果。实验表明,该方法形状度量结果区分度高,一定程度上克服了人为定义形状特征的缺点,且与视觉感知结果基本一致。     

面状居民地聚类方法的对比分析

探索建筑物的空间分布模式信息是建筑物地图综合过程中不可或缺的一部分,以建筑物距离为基础,结合建筑物的大小、形状、方向3种特征因子,将多个聚类算法应用于多边形建筑物的聚类分析,并通过不同的城市街区实地数据集对多个聚类算法进行比较分析。结果表明：k-means算法效率最高,但只能识别近似于球形的群组,对呈线性分布的建筑物模式识别效果较差;具有噪声的基于密度的空间聚类（density-basedspatialclusteringofapplicationswithnoise,DBSCAN）算法可以发现任意形状的集群,其对参数的选择过于敏感,难以从复杂的建筑物群中识别出连贯的群组;具有噪声的基于分层的密度聚类（hierarchical DBSCAN,HDBSCAN）算法可以发现任意形状和密度的群组,但对边界区域的建筑物群识别效果较差;最小生成树（minimum spanning tree,MST）算法能够识别出不同类型的建筑物群模式,但难以确定复杂建筑物群的合理划分阈值。     

典型建筑物群组模式的空间图卷积模型DGCNN识别方法

建筑物群组模式的识别是建筑物综合的重要步骤,高效的建筑物群组模式识别方法能有效提升地图自动综合的质量。建筑物群组模式的识别目前主要包括几何方法和传统的机器学习方法两种,存在规则定义复杂、特征工程庞大等缺点。图卷积神经网络方法克服了传统方法的局限性,已成功地应用于建筑物的模式分析。然而,目前使用图卷积进行建筑物群组多模式识别的相关研究较少,且已有的图卷积大多基于谱域图卷积,对空间局部信息考虑不足。引入空间图卷积模型DGCNN(deep graph convolutional neural network)进行建筑物群组的多模式识别,首先聚类建筑物数据形成群组,并构建建筑物群组的几何模型;然后定义建筑物的特征向量,建立建筑物群组的图结构;最后将图结构输入DGCNN模型训练,得到建筑物群组模式。结果发现,该模型在训练集的精度达到97.60%,测试集的精度达到95%,优于谱域图卷积方法,能有效用于建筑物群组模式分类。     

地图数据图层级批量综合功能的设计与研制

目前,已有地图综合系统使用过程中需要专业人员深度参与,耗时耗力、自动化程度较低。针对这一问题,从软件工程的角度探讨了图层级批量综合功能的研制。以1∶5万居民地图层数据的综合处理为例,分别从建筑物目标的剖分、特征参量定义与计算、综合操作决策与实施、综合控制规则建立与表达4个方面进行分析,尝试构建"特征诊断→行为决策→操作执行"的完整技术链条。结合样例数据对提出的技术设想进行可行性验证,并对后续工作进行展望。     

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

由于农村建筑物结构多样、空间分布复杂等特征,自动提取面临较多困难。针对该问题,本文提出采用膨胀卷积和金字塔池化表达的神经网络模型用于遥感影像中农村建筑物自动提取。在膨胀卷积神经网络模块中,通过改变孔尺寸的大小,获取不同感受野的特征信息;在金字塔表达方面,每个模块输入不同尺度的信息,且同时下采样的倍率也不同,获取多维的金字塔尺度特征;最终将提取的浅层及深层尺度特征信息进行融合,构建一个改进的适用于农村建筑物目标自动提取的深度学习模型。试验结果表明,与FCN-8s和DeepLab模型提取的结果相比,本文方法在农村建筑物提取中表现较好的性能,提取精度明显提高,且更好保留了目标边界细节信息,减少了噪声。     

一种综合多特征的全极化SAR建筑物分割模型

针对全极化SAR影像的特点以及传统分割方法存在的问题,提出了一种综合多特征(多种极化特征和形状特征)的全极化SAR建筑物分割模型。该模型采用分形网络演化算法及多元线性回归模型,构建综合多特征的建筑物分割模型。实验结果表明,该模型能够显著提高分割的精度,并且分割对象个数比较合理。     

基于特征边重构的建筑物化简方法

针对轮廓模糊建筑物多边形的化简问题,提出一种基于特征边重构的建筑物化简方法。该方法定义了建筑物的主方向和控制其整体结构的特征边,以保持建筑物的规则形态。首先利用统计加权方法计算建筑物的主方向,基于主方向对建筑物执行直角化操作。然后按照特征边的定义检测直角化建筑物的特征边,将特征边组合并抽象出几种局部结构,建立重组规则。最后通过判别特征边组合的空间关系,选择合适的结构重组规则来化简建筑物。结合真实数据进行多组试验,结果表明该方法有效还原了建筑物的直角特征,面积和形状保持良好,适用性强。     

直线排列建筑物群渐进式典型化方法

地图综合中,建筑物群的排列结构是需要重点考虑的因素。当不同排列的子建筑物群之间存在空间图形冲突时,这些建筑物群的综合就显得更为复杂。直线排列建筑物群的综合在大比例尺地形图上以典型化操作为主。本文提出一种相互之间存在潜在空间图形冲突的多个直线排列建筑物子群的渐进式典型化方法,渐进式地处理多个直线排列建筑物子群之间的空间图形冲突,保留建筑物群重要的直线排列结构;以建筑物表达的视觉图形约束为限制条件,自动确定典型化后的建筑物位置、形状、大小和方位。本文还研究了基于建筑物群空间邻近图的直线排列建筑物子群的自动识别方法,分析了这些直线排列之间的邻近关系和相交关系。最后,以1：5000地图上的建筑物群综合为1：25 000为试验对象,验证了所提出算法的可用性和有效性。     

基于遗传多目标优化的人工河网自动选取模型

针对人工河网难于结构化综合的问题,引入路径系统模型组织人工河网数据,并在形态上对沟渠进行分级、分类。建立基于遗传多目标优化的人工河网自动选取模型,并对模型建立中的几个关键问题进行讨论,给出影响模型选取的三个关键因素,即人工水网选取总量、沟渠最小间距指标、初始化选取中加入少量"骨架"沟渠。选取过程采取分层次进行的办法。首先运用知识规则进行初始化选取,剩下的待选沟渠采用遗传算法进行结构化选取。实验结果表明模型既顾及沟渠的质量特征,同时很好地保持人工河网的图形分布特征。模型能够适用于多种类型的人工河网,具备一定的智能化水平。     

基于图的语义室内导航模型构建研究

室内空间模型是室内导航的基础和关键所在,针对当前多数室内空间模型在建模过程中只考虑部分导航相关的影响因素,适用范围有限这一问题,结合室内导航特点,综合考虑用户室内移动特征、几何和语义信息表达、路径规划效率3个方面的建模影响因素,提出一种基于图的语义室内导航模型。基于图论的方法构建室内导航概念模型,然后在概念模型的基础上提出具体的几何图模型构建方法和语义信息表达方式,设计图模型中节点和边的数据结构,最后研究将该模型用于不同情景下室内路径规划的具体流程。     

基于DBM数据制作真正射影像图的方法探索

随着三维城市等新兴技术发展,真正射影像图需求也日益明显。传统正射影像图并未考虑如人工建筑物等空间目标,从而导致这些目标的中心投影变形依然存在,势必导致数字正摄影像(DOM)中出现建筑物倾斜、遮挡等问题。据此,总结了一种利用数字建筑物模型(DBM)数据进行真正射数据的处理方法。真正射影像重建的结果表明:应用本方法进行三维城市模型重建具有自动化程度高、效果逼真、成本低的特点,为快速、大面积的城市真三维模型纹理迅速重建提供了一种有效途径。