平面特征保持的城市三维点云高精度分类方法

针对基于单一尺度点簇的分类算法无法满足大范围城市三维点云高精度分类的问题，该文提出了一种平面特征保持的多尺度点簇城市场景三维点云分割分类方法。该方法首先以超体素为基元进行动态区域生长，将具有平面特征的超体素逐步合并，生成平面特征保持的多尺度点簇，然后基于多尺度点簇进行特征计算并使用随机森林分类器进行分类。为验证该方法的有效性，分别采用机载LiDAR点云和影像密集匹配点云进行实验，并与基于不同分类基元的分类方法进行对比。实验结果表明，与原始区域生长方法相比本文提出的分割方法得到的点簇更加准确，分割准确度达到97%,并且分割效率提升了一倍以上，同时分类准确度也优于其他方法，达到94.1%、87.5%。     

一种基于多尺度特征簇的舰船目标快速定位与识别方法

针对海天背景下彩色近景舰船图像,采用了一种基于多尺度特征簇的舰船目标快速定位与识别方法,此方法对旋转具有鲁棒性,对光照具有良好的适应性。借鉴Canny边缘检测与图像金子塔及最小生成树聚类算法的思想,设计了一套可适应目标多尺度特性并提高Canny边缘检测自适应性的"特征簇"目标定位算法,结合概率树分类器与二维主成分分析算法,可对多视角、多目标类型舰船目标进行识别,并根据全概率公式评估识别结果。     

基于最小平方和残差的高阶模糊联合聚类算法

目前,多数高阶联合聚类算法属于硬划分方法,不考虑聚簇重叠问题。为了更有效地分析具有重叠聚簇结构的数据,提出了一种基于最小平方和残差的高阶模糊联合聚类算法(MSR-HFCC),该算法将聚类问题转化为最小化模糊平方和残差的优化问题,推导出求解优化问题的隶属度迭代更新公式,设计出聚类过程的迭代算法。实验结果表明,MSR-HFCC算法聚类效果优于目前已有的5种硬划分高阶联合聚类算法。     

一种求解学区划分问题的混合启发式算法

针对目前求解学区划分问题算法搜索过程缺乏记忆,搜索效率不高,容易陷入局部最优而收敛慢等问题,该文提出一种多启动(M)框架下,迭代禁忌搜索(ITS)算法与模拟退火(SA)算法混合的M-ITS-SA算法。该算法包括构造初始解、禁忌搜索、SA算法优化与求解等。运用K-Medoids模型对学校分组后,采用M-ITS-SA算法对学区进行划分与优化,并从多个分区方案中求解最优分区方案。学区划分实验结果表明:该文提出的M-ITS-SA算法能够保证分区的空间连续性,适用于单校和多校划片,并在入学总距离上与混合元启发算法(M-ILS-SPP)保持相当的同时,大大降低了超额招生人数和总用时,具有良好的寻优能力和收敛性,优于M-ILS-SPP算法。     

多尺度点云噪声检测的密度分析法

当前机载激光雷达数据和影像匹配得到的点云是密集点云数据的两类主要来源,但都不可避免存在着噪声点。本文提出一种新的点云去噪算法,可适用于这两类数据中所包含的噪声点的去除。算法主要包括两步:第1步利用多尺度的密度算法去除孤立噪声和小的簇状噪声;第2步利用三角网约束将第1步中误检测为噪声的点重新归为正常点。针对真实数据进行了剔噪试验,结果表明本文提出的基于密度分析的多尺度噪声检测算法对孤立噪声和簇状噪声都有较为效,且对于质量较差的影像匹配点云的检测也能有效处理。本文算法检测率达到97%以上。     

利用多尺度弦角尖锐度累积的自适应角点检测算子

为提高角点检测算法的定位精度和对噪声的鲁棒性,提出了基于多尺度弦角尖锐度累积的自适应角点检测算子。首先,利用Canny算法快速提取图像边缘轮廓;然后,划分轮廓支撑域并将其作为尺度,分别计算3个尺度下的弦角尖锐度均值,并将其累积作为角点响应函数;最后,根据每条轮廓各自的自适应阈值标记角点。实验结果表明,与现有的角点检测算法相比,该算法提高了噪声图像和模糊图像上角点的定位精度和抗噪声能力,并具有自适应性。     

MOTS算法在空间分区问题中的应用研究

空间分区问题是将基本的空间单元遵照多个规划准则组合成若干较大簇即空间区域的过程,保证区片的连续性是其空间硬约束条件。近年来,空间分区问题在政治选举区域划分,市政公共设施选址布局,社会紧急服务以及商业销售区域的划分等领域有着十分重要的应用。目前,空间分区问题的研究成果较为零散,缺乏较系统的归纳和总结,而且其应用也大多集中在传统领域。为此,本文对空间分区问题的通用模型进行了总结,并对多目标禁忌搜索算法解决此类问题的流程和核心问题作了详细阐述,最后本文将研究成果应用到江夏区高产农田整理区片自动划分中,并取得了较好的效果。     

轨迹数据的非关系管理及相似性分析

针对高动态、半结构化的轨迹数据,充分利用文档型非关系数据库MongoDB的特性,本文首先提出了一套分层、分区、分片的存储策略,设计了以整条轨迹为基本粒度的非关系组织模型,能够有效应对轨迹数据的海量性和动态性挑战。然后据此开展轨迹相似性分析的研究,提出了一种兼顾时间维和轨迹形状的轨迹相似性度量方法DTWEUCLI,可计算长短不一且含有噪声的轨迹数据之间的相似性。最后基于轨迹的非关系存储和相似性计算,开展了轨迹簇生成的试验与分析,设计实现了基于轨迹相似性计算的轨迹聚类计算框架。基于3个轨迹数据集的试验表明,DTWEUCLI算法能够对多源轨迹数据集进行有效聚类,输出轨迹簇。     

基于局部光谱空间分析的多尺度边缘检测

分析了传统边缘检测算法在多光谱影像应用中的局限性，提出了一种基于局部区域的光谱空间平均半径测度的边缘检测方法，该方法扩展了原有的单波段影像边缘检测的概念，将像元的灰度信息转化为光谱矢量，提高了检测的可靠性，并给出了多尺度边缘组合的算法。通过MAIS成像光谱仪对鄱阳湖30个波段数据试验，证明了此方法对边缘检测的有效性。     

面向多维时空位置数据的动态加权聚类模型

针对传统聚类算法在处理时空位置数据挖掘时面临的多维聚类问题,提出了动态加权聚类模型。该模型叠加利用经典k-均值和基于密度的DBSCAN聚类算法,通过计算最大轮廓系数确定合适的簇数目,按照划分初始簇类、识别和剔除噪声点、修正聚类簇中心点位置坐标3个步骤实现对大体量多维时空位置数据的聚类分析,提出了动态权重系数计算公式,优化了基于密度的DBSCAN聚类算法中相似度函数,并在Python3.7环境下以网络签到数据集实例仿真验算了该模型算法。实验结果表明,相较单一的传统聚类算法,该模型能综合利用多维非位置属性对时空位置数据点聚类,更合理界定聚类簇的归属数据点,对提升时空位置数据集聚类簇中数据点的聚类效果明显。     

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。     

A typification method for linear pattern in urban building generalisation

This paper presents a typification method for linear pattern in urban building generalization. The proposed method includes two processes. Firstly, structural knowledge in terms of linear pattern is detected using a two-step algorithm taking the advantages of Gestalt visual perception, computational geometry and graph theory. Spatial neighbourhood is captured using interpolated constrained Delaunay triangulation and the resulting proximity graph is pruned to be heterogeneous to get acceptable linear patterns with regard to Gestalt visual perception. Then, a typification strategy is proposed, in which typification is regarded as a progressive and iterative process consisting of elimination, exaggeration and displacement. The typification strategy iteratively executes eliminating the building with minimum overall effect, exaggerating remaining buildings considering key location and spatial characteristics and displacing them to preserve the linear pattern until elimination quantity is satisfied. Experiments show that this proposed strategy is effective and linear patterns are guaranteed with correctness and completeness.     

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。     

一种基于分类-竞争矢量量化算法

本算法在分类量化的基础上通过引入竞争的方式产生初始码书。试验结果表明,本算法产生的初始码书的典型性较好。在不降低图像压缩质量的同时,极大的减少获取最优码书所需要的运算时间。     

顾及邻近五点的建筑物多边形化简方法

针对传统的建筑物化简算法无法准确保持建筑物局部细节几何特征,容易产生尖锐凸角等问题,提出了一种基于邻近五点的建筑物多边形化简方法。通过将多边形边界上的邻近五点定义为基本处理单元,实现对建筑物边界Z形平行、Z形不平行、U形平行、U形不平行的4类几何模式划分,进行渐进式化简,并针对化简过程中产生的尖角顾及角度约束对其削尖。对某地区部分1∶1万实际建筑物多边形数据进行试验,结果表明,所提算法在保持建筑物基本几何形态特征的基础上,能够尽可能地避免尖角的产生,化简结果更加符合人类的视觉认知。     

高精度曲面建模的三维地形可视化研究

根据高精度曲面建模理论(HASM)中曲面单元算法的特点,提出基于视点的多分辨率LOD实时生成算法。该方法通过对规则格网的DEM数据进行划分,以单元分片为基本单位对DEM数据进行组织。根据各曲面单元与视点的相对关系,以不同间距对曲面单元进行内插,实时重建视景内的三维地形。在实时显示过程中,对硬盘中的数据进行实时读取,采用多线程技术对图像渲染操作进行处理,实现了对DEM数据的实时计算、动态显示。该方法无需对规则格网DEM数据建立空间层次组织结构,在对虚拟地形进行实时漫游过程中,存储空间占用少,不受数据规模的影响。     

基于Kohonen网络的点群综合研究

基于Kohonen网络模型，对标准的SOM（self-organizing feature map）算法进行了改进，在保持点群原有空间分布特征的情况下研究点群的选取和典型化。实践表明，该方法适合任意空间分布类型的点群综合。     

三维建筑综合基本方法的探讨

分析了三维建筑分类和识别,探讨了取舍、化简、概括和位移等二维综合的基本方法的应用,总结了三维建筑综合具有方法多样性、实现复杂性和综合结果不确定性等特点。     

制图综合中建筑物多边形的合并与化简

讨论了数字环境下顾及建筑物矩形几何特征的多边形自动综合算法,针对多边形之间的拓扑邻近与视觉邻近两种空间关系,提出了基于矢量和基于栅格的两种建筑物多边形合并方法。关于建筑物形状的化简,本文提出了矩形差分方法,并在此基础上建立了建筑物多边形化简的层次化途径。