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。     

城市建筑群网格模式的图论识别方法

建筑群空间分布模式体现了城市的物质形式及其与社会经济功能之间的关系,反应了城市的空间结构特征,对于制图综合和多尺度表达等具有重要意义。结合国内外对该问题的研究,提出了基于图论的建筑群网格模式识别方法。首先分析研究了网格模式的认知特征和定义。然后利用Delaunay三角网构建建筑群的邻近关系,生成邻近图;从Gestalt视觉准则出发,基于三角剖分模型建立视觉距离;考虑直线模式的直线性、紧凑性等约束条件识别出交叉的多连通直线模式。最后对直线模式建立相交图和方向关系图,通过求解极大完全子图、连接、相交和后期修建等图运算,实现网格模式的识别。实验表明该方法能够识别出明显网格模式,其识别结果符合人类空间认知特点。     

遥感影像主特征线检测

受到成像规律性差,背景纹理复杂及强烈噪声的影响,直线检测方法通常难以适应遥感影像处理的需求。有鉴于此,论文提出一种具有视觉显著性的遥感影像主特征线检测方法。论文首先论证了利用已提取直线为基元,基于格式塔法则构建主特征线的可行性;其次对直线在主特征线上的复杂投影情况进行了详细的剖析,并给出了主特征线的定义;接着建立了主特征线累计权重矩阵及直线统计矩阵,依据格式塔原则分析直线权重分布规律,以此构建了直线的权重模型,同时探讨不同直线在同一主特征线上权重分配规律;最后依据上述分析结果提出了具体的算法步骤。通过多幅含有强烈噪声的光学与SAR遥感卫星影像实验结果表明,相对于其他聚类算法,论文算法能够在杂乱无序的直线集中提取较为清晰的主特征线,并且实验效果基本符合人工视觉感知,便于机器对遥感影像的清晰理解。     

空间对准关系及其定量描述方法

空间对准是最基本的空间排列形式之一,属于高层次的空间关系概念。根据Gestalt心理学的空间认知原理,提出空间对准的概念及其定量描述和计算方法。通过定义正对投影长度比,实现空间对准的定量描述与计算,表明其具有平移、旋转、尺度不变性,弱反身性,不可传递性等。通过模拟实验分析和城市双线道路识别与建筑群直线模式识别两个真实案例,证明文中方法的实用性和有效性。     

基于格式塔识别原则挖掘空间分布模式

面向空间群目标的分布模式识别是空间数据挖掘比较关注的问题。本研究基于空间认知原理与视觉识别格式塔完形原则并结合空间聚类方法对该问题进行研究,提出用于描述实体间差异的"视觉距离"概念,其定义综合考虑视觉识别中的位置、方向、大小差异,通过Delaunay三角网计算几何构造建立该距离计算的模型。在实验基础上提出基于最小支撑树MST的聚类方法,获得与视觉认知相一致的结果。研究试图表明一个观念,即通用性的数据处理模型在GIS实际应用时,需要根据GIS作为"空间认知"科学的原理,作技术方法上的改进,需要考虑认知主体在感知、辨析、识别、推理不同思维过程中的认知心理原则。     

基于数据匹配的建筑物群典型化快速算法

分析了多尺度数据库和在线综合集成的途径与网格简化技术的矛盾及改进方法．提出了基于多尺度数据匹配的建筑物群典型化算法。算法基于分治原则．将整个图面空间划分为多个分区，每个分区进而划分为多个簇，以簇为单元，支持并行计算。此方法快速有效，适于网络制图。     

On the spatial distribution of buildings for map generalization

Information on spatial distribution of buildings must be explored as part of the process of map generalization. A new approach is proposed in this article, which combines building classification and clustering to enable the detection of class differences within a pattern, as well as patterns within a class. To do this, an analysis of existing parameters describing building characteristics is performed via principal component analysis (PCA), and four major parameters (i.e. convex hull area, IPQ compactness, number of edges, and smallest minimum bounding rectangle orientation) are selected for further classification based on similarities between building characteristics. A building clustering method based on minimum spanning tree (MST) considering rivers and roads is then applied. Theory and experiments show that use of a relative neighbor graph (RNG) is more effective in detecting linear building patterns than either a nearest neighbor graph (NNG), an MST, or a Gabriel graph (GssG). Building classification and clustering are therefore conducted separately using experimental data extracted from OpenStreetMap (OSM), and linear patterns are then recognized within resultant clusters. Experimental results show that the approach proposed in this article is both reasonable and efficient for mining information on the spatial distribution of buildings for map generalization.     

基于图论的遥感影像误匹配点自动探测方法

提出一种基于图论的卫星遥感影像误匹配点自动剔除方法。首先以稀疏匹配点为节点分别构建左右影像的完全图;然后利用每个节点所对应三角形的相似度之和为属性值构建导出图;最后通过搜索导出图中属性值最小的节点定位误匹配点。在剔除单个误匹配点的基础上,采用重新构建完全图-导出图-定位误匹配点的循环搜索策略,达到自动探测并剔除多个误匹配点的目的。实验表明,该方法无需建立匹配点间的映射模型,仅利用三角形的相似关系就可以定位误匹配点,与广泛使用的随机抽样一致性粗差探测方法相比,对误匹配点具有更高的识别率和更低的误判率。     

An integrated framework for linear pattern extraction in the building group generalization process

Building pattern extraction is an essential step in building generalization. Although many studies have already been conducted, there is a lack of a framework for extracting building patterns. To overcome this problem, an integrated framework for extracting building linear patterns is presented. First, an aggregation function is presented based on the TOPSIS method, which determines the similarity index in terms of area, shape, rectangularity and distance similarities. This results in the extraction of straight and perpendicular patterns using the similarity index and orientation difference criteria. Second, a refinement strategy is proposed, which refines the extracted patterns using a novel definition of the pattern interaction index. To evaluate the proposed model, the complete building group generalization process is implemented using a data-set at 1:25 k scale. The evaluation results allowed us to conclude that the proposed model produces meaningful results, and therefore it would be beneficial in the generalization process.     

A Gestalt rules and graph-cut-based simplification framework for urban building models

To visualize large urban models efficiently, this paper presents a framework for generalizing urban building footprints and facade textures by using multiple Gestalt rules and a graph-cut-based energy function. First, an urban scene is divided into different blocks by main road networks. In each block, the building footprints are partitioned into potential Gestalt groups. A footprint may satisfy several Gestalt principles. We employ the graph-cut-based optimization function to obtain a consistent segmentation of the buildings into optimal Gestalt groups with minimal energy. The building footprints in each Gestalt group are aggregated into different levels of detail (LODs). Building facade textures are also abstracted and simplified into multiple LODs using the same approach as the building footprint simplification. An effective data structure termed SceneTree is introduced to manage these aggregated building footprints and facade textures. Combined with the parallelization scheme, the rendering efficiency of large-scale urban buildings is improved. Compared with other methods, our presented method can efficiently visualize large urban models and maintain the city's image.     

网络空间向量剖分法识别城市路网网格模式

将道路网络空间视为嵌在2D空间中的独立子空间,利用形态单一的线性单元剖分图结构的边,实现网络空间的栅格化;提取网格模式的典型特征,包括几何和拓扑特征,以栅格单元邻域为目标计算特征值,构建特征向量描述栅格单元,实现对象空间到特征空间的映射,构建空间向量场;基于支持向量机（support vector machine,SVM）实现网格模式分类;结合格式塔原则完善实验结果。将此方法应用于深圳市路网数据,实验结果表明能有效地识别网格模式。     

基于加权网格简化的建筑物群渐进式典型化

提出了渐进式简化建筑物群目标的算法，该算法考虑了目标之间的分辨距离和密度，能够渐进式得到任意比例尺的地图，可以从几何和语义两方面最大限度地保持原有建筑物群的特征，同时可保持综合前后不同分区之间的密度差异。     

顾及Gestalt认知效应的线性岛屿模式识别

从岛屿分布的邻近性、延展性、紧凑性、直线性等特征出发,提出了线性岛屿结构识别的新方法。首先,以Delaunay三角网为空间分析工具,计算岛屿群空间邻近关系,生成空间邻近图;然后,在空间邻近图的基础上生成MST图;最后,利用Gestalt原则对线性阵列结构的识别效应,在MST上通过3次剪枝导出线性岛屿结构。实验结果表明,该方法能够识别出具有明显线性岛屿结构的目标集,与肉眼视觉识别基本一致。     

多星形约束图割与轮廓规则化的高分遥感影像直角建筑物提取

提出了一种基于多星形约束的图割和轮廓规则化的交互式半自动提取高分影像上直角建筑物的方法。首先,通过人工在建筑物上画一条线的交互方式自动得到包含目标建筑物的影像图块;其次,利用双边滤波对该影像块进行保边去噪预处理并进行超像素分割;再次,以交互线所在的超像素为前景,以交互线所得的建筑物范围与影像块边界之间的超像素为背景,进行基于多星形约束图割方法得到建筑物图斑;最后,利用Harris算子检测图斑上的角点,并对角点分组拟合得到规则的建筑物轮廓。为验证本文方法的有效性,分别对两幅不同地区和不同空间分辨率的高分航空影像进行建筑物提取试验,结果表明,该方法不仅交互简单而且具有高效性、准确性和稳定性。     

空间点群目标相似度计算

顾及到视觉认知的Gestalt原则,提出了一种综合考虑到点群的空间关系、空间分布和几何特征,注重空间点群的整体描述的相似度计算模型。实验结果表明,相似度计算结果与直观认知比较一致。     

地图线状符号图案单元的优化配置方法

在分析地图线状符号的分解与组合等特征的基础上，提出了线状符号的优化配置方法和常见的线状符号之间的空间关系的处理方法，并着重讨论了顾及格式塔理论的虎线型线状符号优化配置算法。     

图论算法的无人机影像匹配特征点粗差剔除

无人机影像匹配过程中，粗差是不可避免的，因此，获取稳健性较高的特征点进行无人机影像匹配至关重要。传统的方法是采用经典的RANSAC算法进行粗差剔除，该算法受抽样次数、误差阈值的影响，还会残存部分误匹配的特征点。利用图论原理，对SIFT算法提取的特征点进行预处理，通过构建特征点的能量函数剔除能量较低的特征点，可以提高匹配特征点的稳健性，减少特征点的粗差。本文提出了一种新的方法，将图论算法与经典的RANSAC算法相结合进行粗差剔除。该方法命名为GSIFT-RANSAC算法，利用该算法可以提高特征点的稳健性，获取高精度的单应矩阵。采用两组无人机影像进行验证，本文提出的算法与单独利用图论剔除特征点的算法相比，粗差剔除率分别提高了5.31%和14.29%，说明该方法效果较好。     

Effective Graphic Features for Multivariate Symbol Mapping

Abstract

Various patterns of cartographic multivariate symbols (MSs) have been developed to work efficiently with objective symbol mapping. One such MS pattern is composed of a graph that uses spatial data to represent statistical data. A preliminary study revealed major problems with users’ perceptions and understanding of the symbol. These problems present obstacles to the presentation objectives. We are therefore interested in studying the human factors that contribute to the visual perception of graph symbols. We predict that the graph symbols currently in use are too complex for viewers to fully understand what they are intended to represent. This research aims to study the mechanisms and behaviours of human visual perception that are necessary to understand cartography MSs and to determine a more effective prototype symbol that presents and conveys information to viewers more efficiently. The prototype design is based on a basic cartographic symbol and includes the characteristics and properties of the original patterns of graph symbols via a study of their pros and cons. Graphic structures and properties were modified to create a more effective symbol.     

特征分类与邻近图相结合的建筑物群空间分布特征提取方法

建筑物群综合过程中需要对建筑物群空间分布特征进行认知和识别。本文在分析国内外相关研究的基础上,从描述建筑物空间特征的大量指标中,利用主成份分析方法,总结并提出了有代表性的建筑物空间特征指标集:凸包面积、紧密度IPQ指标、边数和最小面积外接矩形方向,并基于这些指标研究了建筑物群的分类。在利用最小生成树邻近图(MST)划分建筑物空间子群时,考虑了建筑物成群与所处地理环境(河流和道路等因素)的关系。另外,基于最邻近图(NNG)、MST、相对邻近图(RNG)和Gabriel图(GG)4种建筑物群邻近图,提出了自动识别具有特定空间排列建筑物子群的方法,并比较分析了识别结果的影响因素和可用性。最后,选择北京某地区建筑物群为试验对象,实现了对建筑物群的分类和空间聚类,并提取了其中直线型空间排列的建筑物子群。     

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。