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。     

建筑群多连通直线模式的参数识别方法

结合国内外对建筑群空间分布模式的研究,提出了建筑群多连通直线模式的参数判别识别方法。首先从其组织规律出发,从距离、方向、大小3方面提取直线模式的结构化参数;然后利用Delaunay三角网构建建筑群的邻近关系,生成邻近图;考虑直线模式的直线性、紧凑性等,通过模拟直线模式识别的人工过程进行邻近图的同质性修剪,识别出多连通直线模式。实验表明,该方法能够识别出明显直线模式,且具有完备性,允许模式相交,更符合人类空间认知特点。     

视觉认知的自适应多级岛屿群空间模式提取

针对当前电子地图显示范围以及人眼视觉分辨能力的限制,该文提出了符合视觉认知规律的自适应多级岛屿群空间模式,基于动态邻近图、最小生成树、最小面积外接矩形等概念设计了岛屿群多级空间模式提取算法。实验结果表明,该方法有效顾及了岛屿群显示的空间尺度,能够自适应地生成符合显示尺度要求的岛屿群多级空间模式,提高了空间模式识别的灵活性和有效性。     

基于邻近图的点群层次聚类方法的研究

空间聚类是点状空间目标群在地图综合中必须解决的问题。分析点群的几种常用邻近图的特征及其层次关系,并基于原始的点集合生成的DT构建相应的GG,UG,MST和NNG,然后在所选择的密度适应性约束、距离适应性约束和偏差适应性约束这三种条件下,利用所生成的邻近图进行了点群的层次聚类。研究并改进现有的点状空间目标群的无监督层次聚类方法,并通过实例验证该算法的可行性。     

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。     

一种建筑群同质二元组直线模式的识别方法

建筑群空间分布模式识别对制图综合、多尺度表达及空间数据挖掘具有重要意义。针对建筑群中以建筑物组合结构为单元的直线模式识别问题,提出一种建筑群同质二元组直线模式的识别方法。首先分析研究同质二元组直线模式的认知特征和定义;然后利用Delaunay三角网构建建筑群邻近关系,以建筑物邻近性、尺寸和方向相似性约束进行聚类,考虑邻近程度的异质性、直线性识别直线模式,根据直线模式识别结果识别同质二元组结构;最后逐步识别由具有相似特征且呈等间隔直线排列的同质二元组构成的直线模式。实验表明所提方法能有效识别出同质二元组直线模式,其识别结果符合人类认知。     

基于地图代数的最小生成树实现方法

本文介绍了最小生成树及其常见的算法,对比栅格算法分析了基于矢量的最小生成树算法的缺点,介绍了地图代数的距离变换和基于地图代数的距离变换图生成Voronoi图、Delaunay三角网,然后根据最小生成树MST是Delaunay三角剖分的一个子集,逐次删掉Delaunay三角网中每个三角形的最长边,从而得到最小生成树,该方法不仅适用于欧氏非障碍空间,同样也适用于障碍空间的情况,解决了以往最小生成树在障碍空间下(尤其是当障碍空间中的障碍是全形态的条件下)难以求解的问题,具有一定的理论意义。     

顾及功能语义特征的建筑物空间分布模式识别方法

本文从空间-语义双重约束角度,提出一种顾及空间邻近和功能语义相似的建筑物空间分布模式识别方法。首先,基于建筑物的空间位置邻近性(即建筑物间的最小距离)约束进行聚类,获得建筑物的空间分布模式和建筑物间的空间邻近关系;然后,根据建筑物的功能语义相似性约束进行分割,获得建筑物的初步聚类结果;最后,考虑簇内相似性与簇间差异性进行整体优化,获得最终聚类结果。试验验证表明,本文方法比现有方法能够更有效地识别空间邻近与功能语义一致的建筑物群,服务于智慧城市建设中对建筑物进行语义层次综合和对城市结构进行深入研究的需求。     

支持地图综合的面状目标约束Delaunay三角网剖分

针对多边形面状目标的综合问题,建立了二维空间中约束Ｄｅｌａｕｎａｙ三角网剖分结构,融入多边形的环、岛屿、边界、顶点的描述,通过形式化条件检索,在该结构上提取二维空间中各种感兴趣的由剖分三角形组成的区域,用于支持地图综合中邻近多边形的搜索、多边形弯曲部位的识别、冲突关系探测、多边形合并等操作。并对基于骨架线的图结构建立、分枝宽度计算等几何问题进行了详细讨论,指出了其在诸如双线河中轴化、街道中轴线网络模型建立、多边形合并中的邻近关系分析、面状目标注记自动定位领域的支持作用。     

建筑群组合直线模式识别的模板匹配方法

建筑群空间分布模式识别对制图综合、多尺度表达及空间数据挖掘具有重要意义.针对局部异质性明显的建筑群直线模式识别提取问题,本文提出基于模板匹配的建筑群组合直线模式识别方法.首先分析研究组合直线模式的认知特征和定义;然后,利用建筑物的空间邻近性、尺寸和方向约束进行聚类,获得建筑物间的空间邻近关系和扩展对齐关系;以放大的建筑物最小面积外接矩形作为初始匹配模板;最后,在确定模板分布间隔及方向的基础上,考虑组合直线模式的直线性、相似性和局部异质性约束条件,通过连续构建模板进行搜索匹配,识别出组合直线模式.试验表明本文方法能有效识别出组合直线模式,其识别结果符合人类认知特点.     

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。     

基于立体环形邻域的GMRF模型及其在遥感影像纹理识别中的应用

对传统的GMRF模型进行了扩展,建立了基于立体环形邻域的GMRF模型,并设计了分步模型参数求解方法。这种新的模型不仅全面考虑了多光谱高分辨率影像中各波段内像元之间的空间相关性,而且还顾及了波段间像元的相关性。与传统的GMRF模型相比,基于立体环形邻域的GMRF模型提取的纹理信息更为丰富。采用Forrest彩色纹理图像和QuickBird卫星遥感影像进行了实验验证,实验结果表明本文提出的基于立体环形邻域GM-RF模型的纹理识别算法具有较强的普遍适用性,对不同情况的纹理影像(即空间相关性主要存在于波段间还是波段内)进行识别均能获得较好的分类效果。     

Exploring the relationships between perceived neighborhood boundaries and street network orientation

The neighborhood is a core unit of analysis in urban research, planning, and policy-making. However, perceptual and historical processes oftentimes result in neighborhoods that are not tied to sub-urban jurisdictions. For instance, historic neighborhoods might lack official spatial definitions, hampering neighborhood-based tasks in local offices. In this case, urban practitioners can benefit from readily available spatial proxies, such as the local street network. In this study, we conducted an exploratory analysis that combines neighborhood mapping and street network modeling. By retrieving participants' sketched boundaries and quantifying spatial orientations of sketched polygons and local network patterns, we were able to measure and compare the relationships between the urban fabric and the perceived extents of two historic neighborhoods in Lisbon, Portugal. The results provided insights for enhancing existing definitions of non-official neighborhoods, outlining new urban districts as well as for discussions about the role of the urban form in shaping people's perceptions.     

利用Landsat ETM+分析城市热岛与下垫面的空间分布关系

采用数理统计与空间统计相结合的方法,利用Landsat ETM 数据对北京、上海、沈阳和武汉等4个大城市的夏季城市热岛相对强度与城市下垫面的空间分布关系进行对比研究。用混合像元线性光谱分解方法提取的城市植被覆盖度与不透水面表征城市下垫面;用城市地表亮温与水体亮温差值表征城市热岛相对强度。结果显示,4个城市的植被覆盖、不透水面与热岛强度的分布呈较强的空间正自相关,并且存在较为一致的自相关范围,该范围相当于城市街道与建筑组合特征尺度;自相关引起的结构性是导致3者空间分布异质性的主要因素。植被覆盖对城市热岛的缓解效果与不透水面对城市热岛的增强作用均呈分段线性特征,但区域差异较为明显;交叉相关系数曲线则显示出相关性的空间异质性与多尺度现象,同时存在一个约550 m的空间作用特征尺度。该研究结果有助于在城市规划实践中合理配置建筑与植被的间隔和比例,以缓解城市热岛效应。     

基于多尺度特征融合和支持向量机的高分辨率遥感影像分类

相对传统的中低分辨率遥感数据而言,高空间分辨率遥感影像同一地物内部丰富的细节得到表征,空间信息更加丰富,地物的尺寸、形状以及相邻地物的关系得到更好的反映,但其光谱统计特性不如中低分辨率影像稳定,类内光谱差异较大,而传统分类方法仅依据像元的光谱值,因此在高分辨率影像分类中,传统方法往往不能获得好的结果。在此背景下,提出了一种多尺度空间特征融合的分类方法,旨在利用不同尺度的空间邻域特征弥补传统方法的不足。其基本过程是：首先针对不同尺度特点,用小波变换压缩空间邻域特征,并结合支持向量机得到不同尺度下的分类结果,然后根据尺度选择因子为每个像元选择最佳的类别。文中QuickBird和IKONOS影像实验证明该算法能有效提高高分辨率影像解译的精度。     

基于Delaunay三角网的空间邻近关系推理

空间邻近关系是一种重要的空间关系,对这种关系的识别是任何空间建模系统所必须的。Delaunay三角网是根据最小角最大规则建立的一种三角剖分,可以较好地表达空间目标之间的邻近关系。利用Delaunay三角网对空间邻近关系进行了描述,在此基础上提出了空间邻近关系推理方法。     

Delineation and geometric modeling of road networks

In this work we present a novel vision-based system for automatic detection and extraction of complex road networks from various sensor resources such as aerial photographs, satellite images, and LiDAR. Uniquely, the proposed system is an integrated solution that merges the power of perceptual grouping theory (Gabor filtering, tensor voting) and optimized segmentation techniques (global optimization using graph-cuts) into a unified framework to address the challenging problems of geospatial feature detection and classification.Firstly, the local precision of the Gabor filters is combined with the global context of the tensor voting to produce accurate classification of the geospatial features. In addition, the tensorial representation used for the encoding of the data eliminates the need for any thresholds, therefore removing any data dependencies.Secondly, a novel orientation-based segmentation is presented which incorporates the classification of the perceptual grouping, and results in segmentations with better defined boundaries and continuous linear segments.Finally, a set of gaussian-based filters are applied to automatically extract centerline information (magnitude, width and orientation). This information is then used for creating road segments and transforming them to their polygonal representations.     

自然邻域支持下的空间同位模式挖掘方法

空间同位模式指频繁发生在邻近空间位置的事件集合,此类模式对于深入理解不同空间要素间的交互关系具有重要意义。空间同位模式挖掘的一个核心内容是空间要素邻近关系构建,然而现有方法在空间要素分布不均匀时难以准确地描述要素间的邻近关系,容易导致挖掘结果的遗漏或误判。为此,本文提出了一种基于自然邻域的空间同位模式挖掘方法。首先从同位模式的产生机理分析入手,过滤同位模式挖掘中的干扰要素;进而,从距离邻近性、密度变化一致性和关系紧密性的原则出发,自适应地构建空间要素实例的自然邻近关系;最后,以自然邻域为基础,基于图的连通性从整体到局部发现多层次同位模式。试验分析与比较发现,本文方法能够有效发现空间要素分布不均匀情况下的同位模式,而且降低了人为设置邻域参数对挖掘结果的影响。