面状居民地聚类方法的对比分析

探索建筑物的空间分布模式信息是建筑物地图综合过程中不可或缺的一部分,以建筑物距离为基础,结合建筑物的大小、形状、方向3种特征因子,将多个聚类算法应用于多边形建筑物的聚类分析,并通过不同的城市街区实地数据集对多个聚类算法进行比较分析。结果表明：k-means算法效率最高,但只能识别近似于球形的群组,对呈线性分布的建筑物模式识别效果较差;具有噪声的基于密度的空间聚类（density-basedspatialclusteringofapplicationswithnoise,DBSCAN）算法可以发现任意形状的集群,其对参数的选择过于敏感,难以从复杂的建筑物群中识别出连贯的群组;具有噪声的基于分层的密度聚类（hierarchical DBSCAN,HDBSCAN）算法可以发现任意形状和密度的群组,但对边界区域的建筑物群识别效果较差;最小生成树（minimum spanning tree,MST）算法能够识别出不同类型的建筑物群模式,但难以确定复杂建筑物群的合理划分阈值。     

基于栅格距离变换的扩展对象空间聚类方法

空间聚类是空间分析和空间数据挖掘的重要方法和研究内容。在地图代数中,通过建立栅格坐标与距离平方对应的栅格平方平面!计算栅格空间的最短距离,实现栅格距离变换。以栅格空间距离变换为基础,通过提取特征等距线,揭示简单的空间点集聚类过程,并将这种算法扩展到点$线$面实体混合分布空间!以及加权距离以及障碍空间的空间聚类,算法分析表明该算法简单、合理。     

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。     

基于法向量密度聚类的LiDAR点云屋顶面提取

针对现有算法从LiDAR点云中提取复杂建筑物屋顶面不完整、阈值难以设置的问题,提出一种结合点云空间分布的法向量密度聚类提取屋顶面点云方法。通过构建Delaunay三角网,计算建筑物LiDAR点云的法向量;在分析建筑物点云空间和法向量分布特点的基础上,定义一种邻域关系度量屋顶面点云之间的相似性,并利用提出的算法聚类建筑物点云,得到屋顶面片点云粗提取结果;通过构建屋顶面片缓冲区,经面片处理得到建筑物各屋顶面的完整点云。选取不同复杂程度的建筑物进行实验,结果表明,算法能有效提取复杂建筑物屋顶面点云,具有较好的适应性,并能为建筑物三维重建提供可靠的屋顶面信息。     

融合图论与密度思想的混合空间聚类方法

提出了一种融合图论与密度思想的空间聚类方法——HGDSC。该方法首先借助附加约束的Delau-nay三角网来建立空间实体之间的邻接关系,然后对基于密度的聚类方法进行改进,顾及空间邻近与非空间属性相似性进行聚类。特别地,该方法只需要一个输入参数。模拟数据和实际数据验证表明,HGDSC方法能够发现任意形状和密度变化的空间簇,并且可以很好地识别噪声点。     

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.     

基于模拟退火的空间聚类算法

根据模拟退火具有寻求全局最优解的特性,在分析模拟退火基本理论的基础上,利用模拟退火基本思想对传统的空间聚类方法--K-means算法进行优化.然后分别对优化后的算法和传统算法进行实验分析.实验结果表明:优化后的方法以概率接受劣解的方式跳出局部极小值,从而为寻求全局的最优解提供了可能.另外,在优化过程中提出并应用了点密度的思想,使得聚类结果不受初始值影响,其执行效率也有所提高.     

从相异空间聚类主题的聚类结果比较中发现知识

给出了空间聚类知识发现的一些基本概念，包括空间聚类维、空间聚类主题及主题相关性度量(相关度和包容度)等。按不同的空间聚类主题进行聚类分析，并以聚类结果的空间样本为纽带，以计算的主题相关性度量为评价标准，对相异空间聚类主题问可能的关联关系进行知识挖掘发现，获得了良好的结果。     

一种适应局部密度变化的空间聚类方法

研究一种适应空间局部密度变化的空间聚类算法(简称ADBSC).在该算法中,首先提出一种新的空间局部密度度量方法,即k-空间近邻最大距离,而为了表达空间局部密度变化特征,引入距离变化率概念,用于度量邻近目标间空间局部密度变化情况.然后将所有空间邻近的距离变化率小于给定变化率阈值的空间目标标记为局部密度相等,再将空间邻近的局部密度相等的空间目标聚为一类,得到空间聚类结果.并给出ADBSC算法的详细描述和计算过程.最后,通过模拟实验和实际算例,对提出的方法进行验证.结果表明,该算法能够自动适应空间位置的局部密度变化,适应不同形态的空间簇,而且比DBSCAN算法更实用.     

基于模糊推理的空间聚类方法研究

提出了基于模糊推理的空间聚类方法,给出了其实现步骤,并以实例验证了其可行性和科学性。     

建筑物多边形化简及优化的自动方案研究

针对居民地地图形状化简的一个方面——建筑物多边形的化简,通过对综合规则的研究和居民地几何特征的剖析,提出一种与比例尺相关的切割实现建筑物多边形化简的方法,在Visual Basic6.0环境下实现了该算法,试验结果表明此方法在保持街区的形态特征上效果较好。     

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。     

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。     

用于数字地图自动综合的多边形合并算法

从计算几何出发,实现了能考虑到空间关系和形态要求的一种新的多边形合并算法--"凸包演化"算法,并用于自动综合软伴中,取得了较好的效果.     

一种改进的网格索引生成方法

分析了网格索引的优缺点以及Bresenham等方法用于线状目标网格索引生成存在的问题,在此基础上提出了一种改进的网格索引生成方法,此方法避免了在生成网格索引时遗漏目标覆盖的网格格子,并可提高选择目标的精度。     

Relationship of Uncertainty and Line Segment for Between Polygon Segment Spatial Data in GIS

The mathematic theory for uncertainty model of line segment are summed up to achieve a general conception, and the line error hand model of εσ is a basic uncertainty model that can depict the line accuracy and quality efficiently while the model of εm and error entropy can be regarded as the supplement of it. The error band model will reflect and describe the influence of line uncertainty on polygon uncertainty. Therefore, the statistical characteristic of the line error is studied deeply by analyzing the probability that the line error falls into a certain range. Moreover, the theory accordance is achieved in the selecting the error buffer for line feature and the error indicator. The relationship of the accuracy of area for a polygon with the error loop for a polygon boundary is deduced and computed.     

Relationship of uncertainty between polygon segment and line segment for spatial data in GIS

The mathematic theory for uncertainty model of line segment are summed up to achieve a general conception, and the line error band model of ?σ is a basic uncertainty model that can depict the line accuracy and quality efficiently while the model of ?m and error entropy can be regarded as the supplement of it. The error band model will reflect and describe the influence of line uncertainty on polygon uncertainty. Therefore, the statistical characteristic of the line error is studied deeply by analyzing the probability that the line error falls into a certain range. Moreover, the theory accordance is achieved in the selecting the error buffer for line feature and the error indicator. The relationship of the accuracy of area for a polygon with the error loop for a polygon boundary is deduced and computed.     

地理空间数据自动综合方法的研究现状与发展趋势

多年来人们已经报道了很多自动综合方法。这些方法确实解决了地理空间数据自动综合中的很多重要问题,但这些方法也有明显的缺陷和应用范围。本文对这些方法进行了研究,研究内容包括这些方法的分类、原理、优缺点和适用范围,并提出了今后自动综合方法的研究发展趋势。     

基于空间实体约束的空间聚类算法研究

空间实体的存在对空间聚类分析产生重要的影响,传统的空间聚类分析中没有考虑空间实体的约束作用,从而影响了聚类结果。本文在总结了以往的空间聚类算法的基础上,提出了一种改进的基于空间邻接关系的空间聚类算法,该算法将空间邻接关系和空间实体作为约束条件嵌入到整个聚类过程中,使得数据对象的归类受到"就近原则"和"约束条件"的双重限制。     

On the spatial distribution of buildings for map generalization

Information on spatial distribution of buildings must be explored as part of the process of map generalization. A new approach is proposed in this article, which combines building classification and clustering to enable the detection of class differences within a pattern, as well as patterns within a class. To do this, an analysis of existing parameters describing building characteristics is performed via principal component analysis (PCA), and four major parameters (i.e. convex hull area, IPQ compactness, number of edges, and smallest minimum bounding rectangle orientation) are selected for further classification based on similarities between building characteristics. A building clustering method based on minimum spanning tree (MST) considering rivers and roads is then applied. Theory and experiments show that use of a relative neighbor graph (RNG) is more effective in detecting linear building patterns than either a nearest neighbor graph (NNG), an MST, or a Gabriel graph (GssG). Building classification and clustering are therefore conducted separately using experimental data extracted from OpenStreetMap (OSM), and linear patterns are then recognized within resultant clusters. Experimental results show that the approach proposed in this article is both reasonable and efficient for mining information on the spatial distribution of buildings for map generalization.