一种改进的曲线特征点提取方法

针对传统曲线特征点的提取方法均采用Douglas-Peucher(D-P)算法给定阈值的思路,在曲度较大处易造成一些重要特征点缺失,在弯曲的水平距离较小处易造成非特征点保留的问题,该文提出一种改进的曲线特征点提取方法,通过自适应来提取曲线的全局特征点,即通过标准差分别计算出间隔点连线的参考值和中间点到该线垂线的参考值,比较曲线上每个点的弯曲程度与曲线整体弯曲程度的大小,来提取曲线的全局特征点。以道路和河流的实际线数据进行了实验,结果表明,该方法不仅很好地保持了曲线整体形状特征,而且大幅降低了压缩误差、提高了精度。     

面向交叉路口特征点的矢量数据化简算法

针对现有的算法不能够很好地保留道路交叉路口特征点的问题,该文提出了一种基于道路交叉路口特征点的矢量数据化简算法。把曲线上的特征点分为交叉路口特征点和重要的特征点两类,对两类点分别进行处理得到分段点;利用相邻的分段点作为道格拉斯-普克算法的首尾点,对每段子曲线以基于最小二乘法拟合曲线选定最优距离阈值,进行逐段化简。实验结果表明,该算法能够有效地化简道路矢量数据并保留交叉路口和重要的特征点。     

面向交叉路口特征点的矢量数据化简算法

针对现有的算法不能够很好地保留道路交叉路口特征点的问题,该文提出了一种基于道路交叉路口特征点的矢量数据化简算法。把曲线上的特征点分为交叉路口特征点和重要的特征点两类,对两类点分别进行处理得到分段点;利用相邻的分段点作为道格拉斯-普克算法的首尾点,对每段子曲线以基于最小二乘法拟合曲线选定最优距离阈值,进行逐段化简。实验结果表明,该算法能够有效地化简道路矢量数据并保留交叉路口和重要的特征点。     

面向交叉路口特征点的矢量数据化简算法

针对现有的算法不能够很好地保留道路交叉路口特征点的问题,该文提出了一种基于道路交叉路口特征点的矢量数据化简算法。把曲线上的特征点分为交叉路口特征点和重要的特征点两类,对两类点分别进行处理得到分段点;利用相邻的分段点作为道格拉斯-普克算法的首尾点,对每段子曲线以基于最小二乘法拟合曲线选定最优距离阈值,进行逐段化简。实验结果表明,该算法能够有效地化简道路矢量数据并保留交叉路口和重要的特征点。     

面向交叉路口特征点的矢量数据化简算法

针对现有的算法不能够很好地保留道路交叉路口特征点的问题,该文提出了一种基于道路交叉路口特征点的矢量数据化简算法。把曲线上的特征点分为交叉路口特征点和重要的特征点两类,对两类点分别进行处理得到分段点;利用相邻的分段点作为道格拉斯-普克算法的首尾点,对每段子曲线以基于最小二乘法拟合曲线选定最优距离阈值,进行逐段化简。实验结果表明,该算法能够有效地化简道路矢量数据并保留交叉路口和重要的特征点。     

顾及局部特征的图像短直线优化方法研究

由于各种线段检测算法误差以及相片噪声、遮挡物等因素的影响,导致图像线特征要素出现断裂、重叠、连续间断线段等情况。目前的解决方法主要是以线段的自身属性为阈值判断,并利用先验经验辅助判断。提出了一种顾及局部特征的优化删减短直线特征要素的方法,以提高现有算法的自动化水平;同时从整体角度出发,引入局部整体方向的概念来改进现有算法。     

一种基于曲率法的曲线特征点选取方法

本文提出使用弯曲树来组织曲线的弯曲形态,根据弯曲特征以一定范围计算曲线弯曲程度所得到的值度量点的宏观弯曲量,作为特征点的选取标准;并根据微观弯曲量微调领域内特征点的位置,来确定特征点。实验对比发现,本算法可以在一定程度上克服传统曲率算法的不足,选取的特征点能够控制曲线的宏观形态,并且位置准确。     

河网线要素与DEM综合的三维Douglas-Peucker算法

目前三维Douglas-Peucker(3D_DP)算法主要应用于单一类型的DEM综合。本文引入"弯曲调节指数"来改进3D_DP算法,提出了一种三维空间河网要素与DEM综合的新方法,即将河网线矢量提取成三维离散点数据集(增加高程属性),与DEM三维离散点数据集合并,在河网层次化选取基础上,利用改进的3D_DP算法对合并数据集进行综合操作。通过试验结果的对比和分析表明,该方法通过弯曲调节指数的调节使河流自身所具有的弯曲形态与地形的主要特征得以同时保留,试验效果良好,实现了三维空间河网要素与DEM数据在同一简化因子作用下的综合,提升了地图综合的质量。     

曲线弯曲的多叉树表达

针对当前曲线弯曲识别方法的不足,提出一种基于多叉树结构的曲线弯曲表达方法。该方法以曲线轴线作为弯曲划分基准,通过递归方式层次化提取不同方向、不同区间上弯曲,根据提取结果生成弯曲多叉树。最后通过曲线综合试验验证了方法的有效性。     

融合k-means聚类和Hausdorff距离的散乱点云精简算法

针对点云精简算法在处理点云数据时特征保留不完整和对小曲率点云精简造成数据空洞的问题,提出了一种融合k-means聚类和Hausdorff距离的点云精简算法。该算法在八叉树算法的基础上构建点云数据的拓扑关系,首先计算所有点云数据点的主曲率,然后计算点云数据点主曲率的Hausdorff距离,根据精简目标要求设定Hausdorff距离阈值,实现点云特征提取,最后对非特征区域进行k-means聚类提取特征点,并将两次提取的特征点融合得到精简结果。实验结果表明,该算法能较完整地保留模型的特征信息,并能避免形成空洞现象。