保持分布特征与重要性意义的高程点选取方法

针对地形图上的高程点,提出了一种保持群分布特征与个体重要性意义的选取方法。一方面结合等高线表达上的地形特征、河流道路等重要地理目标区分个体高程点的重要性意义;另一方面基于Delaunay三角网及Voronoi图模型提取高程点群分布结构化特征,在此基础上评估单个高程点的选取概率,并以一种渐进式删除的方式实施选取。试验表明,该方法在保留具有重要性意义个体高程点的同时,也可以较好地保持原有的空间分布特征。     

保持空间分布特征的群点化简方法

群点目标隐含的空间结构化信息是空间分布分析、地图综合感兴趣的内容。对群点目标分布的信息内容区分为存在性、度量结构与拓扑结构，在Delaunay三角网及其对偶Voronoi图模型上对工量结构定义4个在量；分布范围、分布密度、分布中心及分布轴线，顾及视觉识别Gestalt邻近原则，运用三角形“剥皮”法，确立了非凸多边形所表达的群点分布范围，运用图像灰度表达群点分布密度并通过图像处理方法提取分布中心。建立了Voronoi图动态重建进行群点化简的方法，该方法通过边界点和内部点的分开处理，较好地保持了4个空间分布特征。     

数字海图水深注记的自动选取

水深注记作为表示海底地形地貌特征的主要制图要素,它的正确选取对于保证航海安全、反映海底地貌起伏具有重要意义。针对传统的水深注记方法,该文提出一种顾及多重约束条件的水深注记选取方法。在总结水深注记综合约束条件基础上,以Vononoi图为支撑几何构造,对水深注记综合涉及的地形特征、空间分布特征、邻近特征3个方面的综合约束进行了形式化定义;借鉴人工选取的思想,在水深综合约束条件重要性排序的基础上,通过反映地形、空间分布、邻近关系等主体特征的重要水深的依次选取,以及背景水深的抽稀实现水深注记选取;最后以实测数据进行实验,验证该方法的有效性。     

地理多要素Voronoi图相邻关系下的地图放大裁剪方法

针对以欧氏距离作为放大因子对电子地图进行放大裁剪引起的信息失衡问题,提出了采用地理多要素Voronoi图相邻关系的地图放大裁剪方法,可有效避免以欧氏距离作为地图放大因子的地图信息失衡问题。将电子地图中的地理要素分为点、线、面,对于点要素,构建它的Voronoi图;对于非点要素,即线和面要素,构建它们的近似Voronoi图,当用户对电子地图中感兴趣地理要素目标放大时,只需要提取该目标的多要素Voronoi图相邻要素的近似Voronoi图,并计算它们的最小外包矩形,将最小外包矩形区域用于最终的地图放大裁剪区域,则可较好地顾及用户感兴趣地理要素目标周围的地理要素信息,可提高地图的易读性。采用本文方法对某区域电子地图进行了试验,结果表明,地理多要素Voronoi图相邻关系的地图放大裁剪方法能够较好地顾及目标周边地理要素信息,避免了以欧氏距离为放大因子的地图信息失衡。     

脉冲耦合神经网络支持下的网络Voronoi图构建

针对网络Voronoi图中点与点之间通过实际路径距离而非传统欧式距离相连,在实际应用中较平面Voronoi图更加合理,该文提出了一种基于改进脉冲耦合神经网络的网络Voronoi图构建算法。借助模型的自动波发放及并行处理特性,较好地实现了基于路网的网络空间剖分,顾及了道路网及其点群自身属性对其服务范围的影响。实验表明,该算法实现了点群网络Voronoi图的构建,最短路径思想的引入使得构建的网络Voronoi图符合Voronoi图基本特征,可以用来表示点群的服务范围,不仅如此,算法的并行特性保证了算法的高效率。     

面向多重空间冲突解决的移位场模型

制图综合中的移位在解决空间冲突时,需要顾及多种上下文条件下的邻近目标的空间冲突,同时要保持目标群分布模式形态。本研究针对该问题,建立了多力源作用下的移位场模型,实现满足以上条件的多边形目标群的移位。该模型在Voronoi图剖分结构中,通过邻近距离阈值探测空间冲突,并作为斥力发生源,基于多源斥力的向量和计算得到最终移位的方向与偏移距离。该模型同时利用群组的方式保持空间目标的分布模式形态。本研究通过街区中建筑物群的综合试验,验证了基于该移位场模型的移位不会产生新的空间冲突,较好地保持了移位前的相对空间关系。     

路网约束下的点群状居民地选取方法

点群状居民地的空间分布与路网结构相互影响。提出了一种路网约束下的点群状居民地选取方法。首先以路段为单元构建道路Voronoi图来划分区域,在合并面积过小的区域后对点群状居民地进行分区;然后计算每个区域中点的权值并进行选取;最后对间距小于冲突距离阈值的密集点群进行处理。将该方法用于点群状居民地的实例数据进行验证,结果表明该方法能有效保持点群状居民地的空间分布特征和密度对比。     

数字海图点群状特征的识别、量测与综合

空间分布特征的保持是点群自动综合的核心和难点所在,为此,本文定义了4个参量：分布范围、分布密度、分布中心和分布轴线,来描述点群目标的结构化信息。利用Delaunay三角网和Voronoi图两种模型,着重探讨了点群分布特征的识别和量测问题,并在识别与量测的基础上,通过Voronoi图的动态构建,给出了点群自动综合模型,通过实际岛群数据的检测,证明了模型的正确性与可行性。     

结合轨迹数据的混合多特征道路网选取方法

道路网选取是制图综合的重要内容,针对现有方法仅考虑道路网静态特征等问题,提出了一种结合轨迹数据的混合多特征选取方法。首先以stroke为基本选取单元,构建对偶图来描述路网的结构关系,采用长度、连通度、接近度和中介度等指标对道路的静态特征进行评价;然后结合轨迹数据特点,采用车流量、车辆速度和道路交叉口附近的车辆密度等指标对道路的动态特征进行评价;最后利用基于相互关系准则的标准重要性方法计算得到各指标的权值及各道路的综合重要性值。同时引入线Voronoi图对道路进行划分,得到道路的密度特征值,并将其作为道路网选取的约束指标。实验结果表明,所提方法能够保持道路的整体结构,同时顾及道路的连通性和密度分布,而且结合了轨迹数据的动态交通特性,选取结果符合实际情况,具有一定的实用性。     

面向特征的网络空间点群要素自动综合方法

网络空间信息可视化对揭示网络空域规律、促进网络空间认知具有重要意义。将网络空间节点与拓扑关系直接可视化的视图中存在大量的点重合和线交叉,目前已有的网络节点布局算法、集束边技术、骨干网提取和网络路由拓扑多尺度表达等方法能够优化视图效果,但在网络的微观结构上,对保持网络空间点群要素的特征信息关注不够。通过分析并量化网络空间点群要素的各类特征信息,提出了一种基于层次聚类的要素聚合方法和一种基于节点重要性度量的要素选取方法,以自动综合的方式对网络空间点群要素进行综合。实验结果表明,该方法能够保持网络空间点群要素的空间特征,为定量表达网络空间特征、加速生成视觉效果良好的网络空间地图提供基础数据综合方法。