DP算法自动实现方法：以河流化简为例

曲线化简是自动地图综合的重要内容,但其中广泛应用的DP(Douglas-Peucker)算法却是非自动化的,原因是需要在算法执行之初由人工输入距离阈值ε。为此,首先提出了一个多尺度曲线相似度的计算公式;然后基于该公式,以河流数据为例给出了地图比例尺与曲线目标相似度的函数关系推导方法和曲线目标相似度与ε的函数关系推导方法,进而得出了ε与比例尺的函数关系;最后实现了DP算法的自动化。实验研究表明,利用提出的自动化DP算法可以获得指定地理区域不同比例尺的水系要素的化简结果,化简结果与经验丰富的制图员的手工化简结果的相似度平均值为0.927,相似度总体表现良好,表明了该方法良好的可靠性和较高的智能化。     

提高线要素匹配率的动态化简方法

矢量线要素匹配是当前空间数据匹配领域的研究焦点之一。本文提出了一种提高已有匹配算法正确率的线要素动态化简方法。首先,对待匹配双方利用开方根规律分别确定各自的化简阈值范围;其次,令化简参数在线要素各自的阈值范围内以一定的步长变化,对每条线要素分别进行化简,每完成一次化简,重新计算待匹配双方的匹配相似度,并与上一次化简后的匹配相似度进行比较,最终得到最高的匹配相似度值;最后,根据获取的最高匹配相似度来判断其是否成功匹配。该算法是一种以动态化简来带动动态匹配的过程。通过化简提取线要素主要形态,降低了局部细节对已有匹配算法的影响,从而提高了匹配正确率。试验验证及对比分析证明了本方法的科学性和普适性。     

线要素化简算法的传递误差模型

在分析了算法对线要素化简过程中对其邻近其他地理要素的空间精度和空间关系产生影响的基础上,提出了线要素化简算法误差传播的研究方法,建立了线要素化简算法的传递误差模型,并利用误差椭圆将模型可视化。最后针对不同线要素,对不同算法的传递误差进行了分析和评估。     

线要素多尺度表达的一种新方法

本文依据多比例尺条件下矢量数据的绘制原理,提出了多尺度线化简与线选取方法。多尺度线化简算法依比例尺将空间坐标转换为像素坐标,根据像素坐标删除曲线中重合点与共线点,综合后的曲线与原始曲线在各比例尺下绘制结果相同;多尺度线选取算法利用仿射变换结果快速计算线要素之间的连通关系,然后渐进删除长度小于阈值的悬线与孤立弧段,保持了线要素的连通性。对不同类型数据的实验验证了本文算法的有效性和可行性。     

线要素化简及参数自动设置的案例推理方法

目前,线要素化简的人机协同机制研究得较少,化简算法的选择以及参数设置依赖于人工反复修正,影响了算法的易用性。针对该问题,提出了通过案例进行类比推理得到线要素化简算法及参数的寻优方法。该方法采用案例推理(case-based reasoning,CBR)思想,计算机参考专家化简案例,通过相似性评价指标和参数寻优策略对参数候选集进行类比推理,自动筛选出与案例同一类区域和比例尺下的线要素化简算法及参数的最佳设置,从而省去制图员不断试错的繁琐过程。实验结果表明,该方法能够自动得到算法和参数的最优组合,化简结果与已有成果数据吻合度较高,能够有效地提高参数设置的效率和准确性,降低化简算法工具的使用难度。     

线状要素化简算法的分析与评估

线状要素是地图中量最大、形式最多样的要素,它们的化简在自动制图综合中非常重要.目前对线状要素化简的算法研究较多,但其化简质量却少有研究.针对化简算法的基本要求,提出了易于操作的评估化简算法质量的6个方面:面积差、弯曲度、最大拐角比率、化简变化趋势、化简结果一致性和自相交性.通过大量实验,比较了Douglas-Peucker等算法的化简效果,最后对化简中的自相交问题提出了相应的改正措施.     

基于线要素动态化简的匹配算法比较与评价

矢量线要素数据来源多样,细节层次不一,限制了已有匹配算法正确率的提高,同时也给算法评价带来困难。化简可以减少线要素细节层次,提取其主要形态,据此提出一种基于线要素动态化简的匹配算法评价新方法。对不同匹配算法采用相同数据,在相同化简算法支撑下进行匹配,从而实现对不同匹配算法的评价。首先,阐述动态化简方法提取线要素主要形态的过程;其次,利用动态化简分别辅助4种已有匹配算法,获取每个匹配算法的最优匹配正确率;最后,将4种匹配算法的原始匹配结果与加入动态化简后的匹配结果进行对比,分析化简对匹配结果的影响,并把该影响运用到匹配算法的比较和评价中来。其中,1通过匹配正确率变化、误匹配等分析了匹配算法的数据适用性;2通过化简比例系数K变化时新增匹配数量的统计,评价了匹配算法对线要素局部细节的敏感程度并提出该指标的量化方法;3结合匹配算法采用的匹配相似度指标对其作出评价。     

基于支持向量机的线化简方法

线要素化简是地图自动综合中的重要部分之一。当前线化简算法的参数和阈值一般依赖于人工设定,且对不同的化简环境缺乏自适应学习能力。将线要素化简视作一种对局部化简单元的取舍二分类问题,从案例学习的角度出发,提出了一种新的基于支持向量机(support vector machine,SVM)的线化简方法。该方法首先以节点和弯曲为化简单元,从专家化简结果中自动获取化简案例;然后提取化简单元的特征描述项作为化简案例的属性空间,利用SVM机器学习方法进行训练,得到用于线化简的SVM分类器;最后通过SVM分类器对新的同类线要素中的化简单元作取舍分类,从而实现线化简。实验结果表明,该方法能够通过学习专家化简案例,在实际测试中较好地还原专家的化简意向,对化简单元取舍的分类正确率高,能够自适应地完成线化简。     

基于交叉点的道路曲线化简算法研究

现有的曲线化简算法不能很好地化简具有交叉路口的道路曲线,针对这一问题提出一种基于交叉点的道路曲线化简算法。算法分为预化简和修正化简两个阶段:首先识别并得到曲线上的分段点,利用相邻的分段点作为道格拉斯-普克算法的首尾点对曲线进行化简,得到预化简的结果;然后对于交叉点引入偏差阈值ε,通过判断道路曲线交叉点与化简后交叉点的距离与偏差精度ε的大小关系来确定该交叉点的化简与保留,如果保留或者化简后的道路曲线没有交叉点那么将原交叉点作为分段点对此段曲线进行重新化简。理论分析与实验结果表明,文中算法能够有针对性地保留或化简道路交叉点以及保持曲线化简后的形态特征。     

渐进式改进的线要素简化算法探讨

针对经典的线要素全局化简综合算法D-P算法因缺乏拓扑控制而易产生自相交问题,且阈值选取不确定、严重影响简化结果的不足,文章在分析D-P算法优缺点的基础之上,提出了渐进式改进方法,并对改进算法进行了实验验证。结果表明:改进后的D-P算法优化了线状要素的化简综合结果,且提高了简化计算效率。