顾及密度对比的多层次聚类点群选取方法

在语义信息缺乏的情况下进行点群选取是制图综合的难点之一。提出了一种新的通过多层次聚类进行点群选取的方法。首先,针对k-means聚类算法的不足,利用改进的密度峰值聚类算法实现点群自动聚类,主要表现为用基尼系数确定最优截断距离及用局部密度和相对距离的关系自动确定聚类中心。其次,提出一种顾及密度对比的选取策略,通过点群多层次聚类,将点群划分成不同等级的簇,确定不同等级的聚类中心,建立点群的层次树结构;依据方根定律计算的选取数量,按照各级别簇的点数比例,自上而下逐层分配待选取点数,确定选取对象,实现点群的自动选取和多尺度表达。对不同分布模式的点群进行实验,验证了该方法的普适性和有效性。     

空间知识挖掘的自然面群聚集度聚类方法

空间聚类是挖掘空间知识的重要手段之一。针对现有方法难以处理几何、分布特征差异大的面群聚类问题,本文提出了一种面要素分布密度的描述参数—聚集度,并设计了一种自然面群聚类方法。首先,分析了面要素分布密度的影响因子,定义了聚集度的概念,设计其计算方法并验证其有效性及优势;然后,基于聚集度和边界最短距离建立相邻面从属关系,识别聚类中心,完成初始群组的构建;最后,围绕群组特征设计了边缘检测和群组合并模型,实现了邻近相似群组的合并。试验表明,相较于最小生成树、强度函数聚类方法,本文方法兼顾几何特征、分布特征的复杂性,有效提升了自然面群的聚类效果。     

顾及超像素光谱特征的无人机影像自动模糊聚类分割法EI北大核心CSCD

针对现有流行模糊C均值聚类在影像分割中存在边界依附能力弱,分割不稳定及需要手动设置聚类数目等问题,提出一种顾及超像素光谱特征的无人机影像自动模糊聚类分割方法。相对于传统分水岭变换算法,该方法首先采用两步边界推进准则,生成轮廓更加精确、形状规则更加紧凑的超像素子区域;然后,提取子区域光谱特征并结合重缩放密度峰值算法自动获取聚类数目;最后,综合利用超像素光谱特征与隐式马尔可夫随机场思想对模糊聚类进行改进,实现超像素精确合并。通过两组影像数据的定性分析和定量评价表明,本文方法能准确定位目标边界,获得较好的视觉分割结果,同时有效提高了影像分割精度。     

激光点云输电线精细提取的残差聚类法

针对输电线点云数据中存在缺失、噪声等复杂环境,提出了一种基于模型残差聚类的激光点云电力线精细提取方法。首先根据归一化高程阈值分割去除近地面点,在此基础上,采用自适应维度特征和方向特征粗提取电力线点;然后以抛物线模型为约束条件,采用改进的建模方法,确定模型残差并对其进行密度聚类,根据聚类结果实现单根电力线精细提取;最后讨论了关键参数的选择对提取结果的影响。两景实测数据试验表明:该方法能快速实现点云部分缺失、噪声干扰等复杂环境下的电力线精细提取,无须电力线数目、点云密度等先验知识,对不同类型分裂导线提取均具有很好的适用性。单根电力线提取准确率达99.17%以上,模型误差最大值为0.167 m,中误差最大值为0.079 m。     

ADCN: An anisotropic density‐based clustering algorithm for discovering spatial point patterns with noise

Density‐based clustering algorithms such as DBSCAN have been widely used for spatial knowledge discovery as they offer several key advantages compared with other clustering algorithms. They can discover clusters with arbitrary shapes, are robust to noise, and do not require prior knowledge (or estimation) of the number of clusters. The idea of using a scan circle centered at each point with a search radius Eps to find at least MinPts points as a criterion for deriving local density is easily understandable and sufficient for exploring isotropic spatial point patterns. However, there are many cases that cannot be adequately captured this way, particularly if they involve linear features or shapes with a continuously changing density, such as a spiral. In such cases, DBSCAN tends to either create an increasing number of small clusters or add noise points into large clusters. Therefore, in this article, we propose a novel anisotropic density‐based clustering algorithm (ADCN). To motivate our work, we introduce synthetic and real‐world cases that cannot be handled sufficiently by DBSCAN (or OPTICS). We then present our clustering algorithm and test it with a wide range of cases. We demonstrate that our algorithm can perform equally as well as DBSCAN in cases that do not benefit explicitly from an anisotropic perspective, and that it outperforms DBSCAN in cases that do. Finally, we show that our approach has the same time complexity as DBSCAN and OPTICS, namely O(n log n) when using a spatial index and O(n²) otherwise. We provide an implementation and test the runtime over multiple cases.     

A network distance and graph-partitioning-based clustering method for improving the accuracy of urban hotspot detection

Clustering is an important approach to identifying hotspots with broad applications, ranging from crime area analysis to transport prediction and urban planning. As an on-demand transport service, taxis play an important role in urban systems, and the pick-up and drop-off locations in taxi GPS trajectory data have been widely used to detect urban hotspots for various purposes. In this work, taxi drop-off events are represented as linear features in the context of the road network space. Based on such representation, instead of the most frequently used Euclidian distance, Jaccard distance is calculated to measure the similarity of road segments for cluster analysis, and further, a network distance and graph-partitioning-based clustering method is proposed for improving the accuracy of urban hotspot detection. A case study is conducted using taxi trajectory data collected from over 6500 taxis during one week, and the results indicate that the proposed method can identify urban hotspots more precisely.     

Graph distance and feature-guided multi-view clustering: A novel method for clustering urban buildings

Urban buildings are an integral component of urban space, and accurately identifying their spatial configurations and grouping them is vital for various urban applications. However, most existing building clustering methods only utilize the original spatial and nonspatial features of buildings, disregarding the potential value of complementary information from multiple perspectives. This limitation hinders their effectiveness in scenarios with intricate spatial configurations. To address this, this article proposes a novel multi-view building clustering method that captures cross-view information from spatial and nonspatial features. Drawing inspiration from both spatial proximity characteristics and nonspatial attributes, three views are established, including two spatial distance graphs (centroid distance graph and the nearest outlier distance graph) and a building attribute graph (multiple-attribute graph). The three graphs undergo iterative cross-diffusion processes to amplify similarities within each predefined graph view, culminating in their fusion into a unified graph. This fusion facilitates the comprehensive correlation and mutual enhancement of spatial and nonspatial information. Experiments were conducted using 10 real-world community-building datasets from Wuhan and Chengdu, China. The results demonstrate that our approach achieves 21.27% higher accuracy and 22.28% higher adjusted rand index in recognizing diverse complex arrangements compared to existing methods. These findings highlight the importance of leveraging complementary and consensus information across different feature dimensions for improving the performance of building clustering.     

鲁棒多特征谱聚类的高光谱影像波段选择

传统谱聚类的高光谱影像波段选择模型中,采用的波段相似矩阵受到噪声或异常值的影响且仅能表征波段的单一相似特征,导致波段子集的选取结果受到限制.本文从波段选择的目的 出发,提出鲁棒多特征谱聚类方法,整合多个特征的波段相似矩阵来形成综合相似矩阵以解决上述问题.该方法假设4种相似性度量包括光谱信息散度、光谱角度距离、波段相关性...     

空间聚类方法的分类

目前,空间聚类的研究成果主要集中在点目标方面,现有的分类方法也主要针对点目标的聚类。随着空间聚类研究和应用的不断深入,线目标、面目标的空间聚类方法也逐渐被提出,因此本文从空间目标的维度、是否顾及非空间属性、算法思想等3个方面,探讨了空间聚类的分类方法,进而简要阐述每种空间聚类方法的典型算法。     

基于K-means聚类距离准则的R树结点分配算法研究

对于空间数据库,R树索引是非常有效的空间索引。本文针对R树的结点分配算法存在的不足,提出了一种新的结点分配算法—基于K-means聚类距离最小的R树结点分配算法。研究结果表明,新的分配算法比原始的算法,产生的虚结点的最小约束矩形具有更少的空白区域,较明显地提高了空间查询的效率。     

基于场论的空间聚类算法

从空间数据场的角度出发,提出了一种适用于空间聚类的场——凝聚场,并给出了一种新的空间聚类度量指标(即凝聚力)。进而,提出了一种基于场论的空间聚类算法(简称FTSC算法)。该算法根据凝聚力的矢量计算获取每个实体的邻近实体,通过递归搜索的策略,生成一系列不同的空间簇。通过模拟实验验证、经典算法比较和实际应用分析,发现所提出的算法具有3个方面的优势:(1)不需要用户输入参数;(2)能够发现任意形状的空间簇;(3)能够很好适应空间数据分布不均匀的特性。     

采用聚类技术探测空间异常

提出了一种基于聚类的空间异常探测方法。该方法通过空间聚类获得局部相关性较强的实体集合,分别探测空间异常,给出了一种稳健的空间异常度量指标,提高了异常探测结果的可靠性。通过实例验证以及与SOM方法的比较分析,证明了该方法的正确性和优越性。     

结合PS特征点的SBAS地表形变监测

针对SARscape SBAS技术存在人工选取地面控制点影响监测结果的问题,本文提出了一种结合PS特征点的SBAS地表形变监测方法。通过设置PS技术中的振幅离差指数与相干性阈值,提取PS监测结果中的特征点作为地面控制点进行轨道精炼与形变反演。以2017年3月至2018年12月覆盖南昌地区的Sentinel-1影像为数据源,进行了地表形变监测与验证。结果表明：①该方法与PS方法监测结果均显示南昌市城区在监测时段内整体呈小幅度上升趋势,年平均沉降速率相关性达到了0.959,具有高度一致性。②将该方法、PS方法、人工选取地面控制点的SBAS方法的监测结果与水准数据进行对比,该方法与水准数据的误差不超过3.5 mm,说明了该方法的有效性。     

保持移动速度特征的轨迹线化简方法

轨迹线数据实施化简处理对于缓解数据存储、传输压力以及后期的分析可视化效率具有重要意义。常规方法(如Douglas-Peucker算法)主要考虑线目标的几何形态结构,直接应用到轨迹线化简中容易丢失移动物体的运动状态特征。本研究从保持轨迹线隐含速度特征出发,提出了一种基于移动速度相似性原则的轨迹线层次化剖分与分区化简处理方法。首先,以相邻轨迹点构成的直线段为基本单元,在拓扑连接关系约束下基于速度指标对轨迹直线段进行层次化聚类,并将聚类结果组织为层次树结构;然后,以建立的层次树结构为约束条件对原始轨迹线实施分区处理,使得同一区域内轨迹线片段的中间点距首尾基准线的最大时间同步偏移距离小于设定的阈值;最后,依次连接各分区轨迹线片段首尾点导出化简结果。采用真实的车辆轨迹线作为试验数据,通过与其他多种方法进行对比分析验证了本文提出方法的有效性。     

一种基于动态多尺度聚类的湖泊选取方法

当前湖泊选取方法多采用整体选取的形式,且难以兼顾湖泊的属性特征、分布特征和拓扑特征。通过分析和模仿制图专家人工选取湖泊的认知行为和过程,提出一种顾及分布特征和拓扑特征保持的基于动态多尺度聚类的湖泊选取方法。首先设置面积阈值以选取大面积湖泊,然后通过缓冲区选取"孤立"湖泊,接下来对湖泊群进行动态多尺度聚类来划分出湖泊分布密度不同的区域,对不同区域按开方根规律确定选取数量指标并采用不同选取策略,其中对包含湖泊数量较多的区域依据由主成分分析法定量计算出的重要性综合评价进行迭代选取,直至达到选取数量指标。实验对比表明,该方法在综合考虑重要性的前提下,有效地保持了选取前后湖泊群的形态结构和密度对比。     

顾及结构和几何特征的道路自动选取方法

提出了一种顾及结构和几何特征的道路网自动选取方法。综合考虑道路的度中心性、集聚系数和路划的几何长度等道路选取影响因素,提出一种道路重要性评价方法。实验结果表明,本文方法能够很好地保持选取道路网的整体与局部结构、拓扑结构以及路网连通性。基于该方法,由大比例尺地图选取出的小比例尺地图与相应标准比例尺地图保持较高的一致性,表明该方法是稳定可靠的。     

An adaptive method for clustering spatio‐temporal events

The clustering of spatio‐temporal events has become one of the most important research branches of spatio‐temporal data mining. However, the discovery of clusters of spatio‐temporal events with different shapes and densities remains a challenging problem because of the subjectivity in the choice of two critical parameters: the spatio‐temporal window for estimating the density around each event, and the density threshold for evaluating the significance of clusters. To make the clustering of spatio‐temporal events objective, in this study these two parameters were adaptively generated from statistical information about the dataset. More precisely, the density threshold was statistically modeled as an adjusted significance level controlled by the cardinality and support domain of the dataset, and the appropriate sizes of spatio‐temporal windows for clustering were determined by the spatio‐temporal classification entropy and stability analysis. Experiments on both simulated and earthquake datasets were conducted, and the results show that the proposed method can identify clusters of different shapes and densities.     

空间影响域覆盖最大的航标自动选取方法

针对当前海图制图综合中航标手工选取作业效率低、选取结果受限于作业人员业务水平和工作态度等不足,提出了一种基于空间影响域覆盖最大的航标自动选取方法。通过定义空间影响域,创建空间影响域模型,加权评估航标地理位置重要性,设计空间影响域覆盖最大的分轮次自动选取策略,实现了航标的自动选取。实验结果表明:本文方法实现了航标的自动选取且结果符合《中国航海图编绘规范》要求,能避免手工选取可能存在的明显失误和不同作业人员可能导致的结果不一致性,作业效率明显高于当前普遍使用的手工选取方法。     

基于自组织神经网络的空间点群聚类及其应用分析

探讨了采用自组织神经网络进行离散空间点群聚类的原理、方法及应用分析,提出了一种兼顾几何距离和属性特征的广义Euclid距离,并将其作为聚类统计量.并以实例验证了采用自组织空间聚类进行空间点群的数据分类、异常数据检验、均质区域划分等是有效的.     

欧氏聚类算法支持下的点云数据分割

欧氏聚类算法是多元统计中的一种重要分类方法,可以将其应用于测绘领域中点云数据的分割。本文首先计算点云数据中两点之间的欧氏距离,将距离小于指定阈值作为分为一类的判定准则;然后迭代计算,直至所有的类间距大于指定阈值,完成欧氏聚类分割。具体步骤为：①利用Octree法建立点云数据拓扑组织结构;②对每个点进行k近邻搜索,计算该点与k个邻近点之间的欧氏距离,最小归为一类;③设置一定的阈值,对步骤②迭代计算,直至所有类与类之间的距离大于指定阈值。试验证明,欧氏聚类算法对不同测量技术手段获取的点云数据均具有适用性,可以成功对点云数据进行分割,分割效果良好。