利用3D Voronoi图的兔子点云聚类分割

利用基于3D Voronoi多面体分割三维空间,并将其应用于具有典型三维特征的点云数据的聚类分割.通过对点云数据的离散体元表示,透过Voronoi单元的特征参数实现了三维点集的度量、提取和结构分析,揭示了点集间存在的相互关系,并通过3D Voronoi图所确定的空间邻近关系完成点集间相似度的测度和聚类.以三维兔子点云为样本数据的实验分析表明,本文所提出的思路聚类分割特征明显.     

集聚型空间点模式结构信息提取研究

空间点模式是一个2维离散点集,点集中的每一个元素代表地球表面一个点状目标的空间位置。当2维离散点集具有集聚特征时,称其为集聚型空间点模式,它与空间聚类、制图综合和空间分析的许多具体应用紧密相关。如何提取集聚型空间点模式的结构信息(集聚子群的个数和对应的集聚中心)是其中尚未彻底解决的问题。作者以几何概率为理论基础,提出测度正方形区域内2维离散点集分布特征的H函数并推导其解析表达式,运用H函数设计和实现了集聚型2维离散点集结构信息提取的通用算法。利用该算法处理一个由居民地坐标数据得到的具有集聚特征的空间点模式,提取出其结构信息并进行可视表达。分别以该空间点模式中的各离散点为顶点和发生元生成Delaunay三角网和Voronoi图,在Delaunay三角网中保留面积最小的前1/10、前1/100三角形的顶点,在Voronoi图中保留面积最小的前1/10、前1/100邻近多边形的发生元,将可视表达的点集结构信息分别与依据Delaunay三角网和Voronoi图得到的结果进行对比分析。结果表明,运用H函数能够有效地提取出集聚型空间点模式的全局性结构信息,而Delaunay三角网和Voronoi图虽然能够反映其局部密度,但在提取全局结构信息时存在局限性。     

基于Voronoi图的点状目标邻近空间分布测试方法

邻近空间分布测度研究观测点邻近空间中目标的分布规律,是地理分析、环境评价、选址优化等的重要依据。提出了基于Voronoi图的邻近空间分布测度方法。该方法通过观测点的k阶Voronoi邻近关系,动态确定影响观测点的空间目标范围,通过k阶邻近分布指数定量评价观测点邻近空间目标的分布情况,实现了任一观测点邻近空间分布的测度,并将k阶邻近分布指数应用于整体空间目标离散度的测度。最后通过城市楼盘开发与景观保护评价实例说明了该方法的应用前景。     

顾及方向关系的农村居民地聚类方法

农村居民地空间分布具有独特的规律性和复杂性,Voronoi图在表达居民地分布特征方面有显著优势。针对当前空间聚类较少考虑实体方向关系的问题,基于Voronoi图提出一种顾及方向关系的农村居民地聚类方法。首先,构建距离约束的Voronoi图,并构建居民地实体间的Voronoi邻近图;然后,利用无向特征与有向特征来综合评价居民地实体间的聚集强度;最后,消除聚集强度小于阈值的实体对的邻近关系,得到聚类结果。采用浙江省宁波地区部分农村居民地数据进行实验,结果表明,所提方法能够有效聚类不同分布模式的居民地,聚类结果符合人的认知习惯。     

利用层次Voronoi图进行点群综合

通过距离权重描述点的重要程度,采用改进的k-means算法得到点群的聚类中心,进而以聚类中心为基础,构建了层次加权Voronoi图与Voronoi层次树结构.以点群的分布范围、排列方式与密度为度量,给出了基于Voronoi层次树结构的点群综合方法,确保了点群综合前后在空间形态分布上的一致性.结合地理统计学计算,对综合方法作了进一步的量化评估与优化.经验证,本文方法是可行、有效的.     

空白区域对点群相似性特征因子的影响

针对空白区域对点群相似性特征因子的影响,该文首先综述相关研究文献并整合影响点群相似性的要素,包括拓扑关系、方向关系、距离关系和分布范围;然后通过自适应聚类方法提取点群目标中的空白区域。通过对考虑空白区域与未考虑空白区域点群目标之间的拓扑关系、方向关系、距离关系和分布范围的相似度计算并进行对比,发现点群中的空白区域对点群的拓扑关系之间的相似度计算影响较小,对点群的方向关系、距离关系和分布范围的相似度计算影响较大。     

多阶三角形数据结构的高阶Voronoi图算法研究

针对大多数传统高阶Voronoi算法复杂且运行效率低下,缺乏拓扑关系与多种邻近查询以及地理空间可视化交互与分析上的问题,该文借助Delaunay三角形天然优势,首先建立了一种k阶Delaunay三角形数据结构,利用k阶Delaunay三角剖分与k阶的Voronoi图存在的间接性对偶关系,提出了一种k阶Delaunay三角形数据结构的高阶Voronoi图的算法,并通过数据实验分析与对比,结果表明:该算法易于理解,程序设计简单易行,提高了运行效率,有效支持地理空间应用与几何学与拓扑邻近查询,满足实际应用的需要。     

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。     

顾及上下文的线状目标实体派生方法

针对制图自动综合中发现的线面数据存在的没有构建空间实体拓扑问题,本文提出一种顾及上下文的线状目标实体派生方法。首先,对围墙线、附属设施和建筑物建立空间拓扑邻近关系,对直接邻近群组进行聚类,然后,将其划分为3种模式,即两个围墙之间的拓扑连接、围墙与建筑物之间的拓扑连接及建筑物邻近的悬挂围墙线与建筑物之间的拓扑连接;最后,对这3种模式分别采用各自对应的最短路径、外轮廓线以及最近点的拓扑连接方法进行连接。以福建省数据为例进行试验,本文方法能够有效构建空间实体拓扑连接,有助于提高地图自动综合,同时能够满足生产实践的要求,具有很高的实用性。     

基于结点逼近提取的平面点集Voronoi图构建算法

提出一种基于结点空间逼近、精确提取以及面向拓扑关系生成的2维平面点集的构建方法。主要给出了搜索矩形域及其剖分概念、Voronoi图的基本性质、矩形域与Voronoi图结点关系的定理及其证明、基于链队的矩形域剖分和结点逼近机制及结点提取策略、基于条带有序表的最近邻近发生元快速检索算法、矢量Voronoi图的拓扑关系建立算法等。经过算法分析和程序试验验证本文算法的时间复杂度为0（n log2 n）,本方法可以扩展到平面任意发生元Voronoi图的构建,具有简洁、高精度、鲁棒性、高效、适合于海量数据等特点,并且具有较好的实用价值和应用前景。     

综合线面特征分布的点目标多尺度聚类方法

考虑空间数据分布的复杂性与不连续性,提出了一种点目标聚类方法。算法利用全要素Voronoi图准确识别与表达点目标与线面实体的空间相关性;根据点目标位置分布特征计算面积阈值来控制聚类的粒度,同时以空间尺度变化下面积阈值的恒定作为判断尺度收敛的条件,实现点目标的多尺度划分,时间复杂度为O(nlogn)。经试验验证,聚类尺度随点目标分布特征自适应收敛,算法无须自定义参数,能够有效地发现受线面目标约束的任意形态点目标集群,对异常值处理稳健。     

A spatial contextual immune genetic algorithm to building cartographic displacement

In map generalization, displacement is the most frequently used operator to reduce the proximity conflicts caused by reducing scales or other generalization operations. Building displacement can be formalized as a combinatorial optimization problem, and a heuristic or intelligent search algorithm can be borrowed to obtain the solution. In this way, we can explicitly resolve minimum distance conflicts and control positional accuracy during the displacement. However, maintaining spatial relations and patterns of buildings can be challenging. To address spatial conflicts as well as preserve the significant spatial relations and patterns of buildings, we propose a new spatial contextual displacement algorithm based on an immune genetic algorithm. To preserve important spatial relations and global patterns of map objects and avoid topology errors, displacement safety zones are constructed by overlapping the Voronoi tessellation and buffer areas of the buildings. Additionally, a strategy to shift the buildings in a building group synchronously is used to maintain local building patterns. To demonstrate the effectiveness of our algorithm, two data sets with different building densities were tested. The results indicate that the new algorithm has obvious advantages in preventing topology errors and preserving spatial relations and patterns.     

基于Voronoi图的空间邻近定义与查询

首先在点Voronoi图的基础上,引进了空间目标的Voronoi图的定义,进而论述了空间目标Voronoi图在GIS中定义空间邻近及其邻近查询中的作用。最后给出了部分实验结果。     

一种可见光影像稠密匹配点云的单栋建筑物提取方法

建筑物点云提取是城市快速三维建模的基础。针对城区中建筑物和树木空间距离较近导致建筑物点云误提取的问题,提出一种颜色约束的欧式聚类算法。该方法利用低空拍摄可见光影像进行三维重建、获取点云数据,在建立点云K邻域索引和表面估计的基础上,以曲率最小的点作为欧式聚类的种子点,将点云的RGB值转换成Lab颜色模型,对建筑物点云的聚类提取进行约束。实验表明,该方法可以有效地解决可见光影像匹配点云中建筑物提取时将树木误提取的问题。     

基于V9I的空间关系映射与操作

利用V9I模型中目标的边界、内部和Voronoi区域均可量测及易于操作的特点 ,研究建立底层数据结构与空间关系语义层之间的V9I映射机制 ,在Voronoi的动态栅格生成算法的基础上 ,构建空间关系的基本操作。最后 ,以VC 为开发工具并采用面向对象的技术 ,设计了基于V9I的空间关系操作工具原型VTKit ,并给出部分操作实例     

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...     

集成距离变换和区域邻接图生成Delaunay三角网的方法研究

基于距离变换和区域邻接图,提出了一种D-TIN(包括约束的D-TIN)的生成方法。利用D-TIN是Voronoi图的几何对偶这一特性,使用距离变换获取点的Voronoi图,使用区域邻接图获取点在该Voronoi图上的空间邻接关系,以生成D-TIN或者约束的D-TIN。实验表明,与经典的基于数学形态学生成的D-TIN和约束D-TIN的方法相比,本文算法可以分别提高约57.70%和56.64%的效率。