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。     

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。     

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。     

规则池塘群的复杂直线模式识别

针对现有面要素直线模式识别方法难以解决规则池塘中破碎区域的问题,提出了一种规则池塘群的复杂直线模式识别方法。首先,分析了规则池塘群的空间特征和认知特点,提出了“主次关系→并列关系→直线模式→复杂直线模式”的多层次认知顺序;其次,设计了主次关系池塘组、并列关系池塘组、直线模式池塘群的识别方法;最后,构建了复杂直线模式池塘群的识别模型。试验表明:本文方法能够消除破碎区域对规则池塘群直线模式提取的不利影响,有效提升复杂直线模式识别的质量。     

基于图匹配的城市建筑群典型字母型分布的识别

建筑群空间分布结构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,从结构模式识别的角度提出了基于图匹配算法的建筑群典型字母型分布模式的识别方法。首先统计和提取感兴趣的字母型分布模式,选定基元,选取合理的属性信息参数和结构信息参数,利用属性关系图形式语言描述模式,构建模板库。然后对建筑群抽象和降维,将其转化为基于属性关系图表达的场模型。最后通过Ullman图匹配算法求解非精确子图同构问题,从而识别建筑群中的典型字母型分布模式子集。实验表明该方法能够有效识别典型字母型建筑群分布,并为地图综合提供了新思路。     

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。     

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。     

基于邻近模式的多比例尺居民地松弛迭代匹配

空间目标匹配是实现多源空间信息融合、空间对象变化检测与动态更新的重要前提。针对多比例尺居民地匹配问题,提出了一种基于邻近模式的松弛迭代匹配方法。该方法首先利用缓冲区分析与空间邻近关系检测候选匹配目标与邻近模式,同时计算候选匹配目标或邻近模式间的几何相似性得到初始匹配概率矩阵;然后对邻近候选匹配对进行上下文兼容性建模,利用松弛迭代方法求解多比例尺居民地的最优匹配模型,选取匹配概率最大并满足上下文一致的候选匹配目标或邻近模式为最终匹配结果。实验结果表明,所提出的多比例尺居民地匹配方法具有较高的匹配精度,能有效克服形状轮廓同质化与非均匀性偏差问题,并准确识别1:M、M:N的复杂匹配关系。     

建筑物线型排列模式识别的图卷积神经网络方法

针对建筑物空间分布模式识别过程中,建筑物参数间权重和模式间分类阈值难以确定的问题,设计了一种基于图卷积神经网络的建筑物线型排列模式识别方法。该方法在计算建筑排列特征因子和建立建筑物间邻近关系的基础上,根据图卷积操作与B-P神经网络搭建了图卷积神经网络模型,通过对样本的监督学习,建立预测模型。最后,在OpenStreetMap公开数据集上进行了实验。结果表明,该方法能够准确地识别建筑物线型排列的3种模式。     

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。