建筑物合并的Delaunay三角网分类过滤法

建筑物面合并的方法是大比例尺地图综合研究的重要内容之一,本文提出了一种借助三角网进行建筑物合并的方法:针对约束Delaunay三角网中三角形的形态特征,提出了6种度量参数,依据这些参数进行排除和修复筛选操作;然后自动识别保留下来三角形的外轮廓作为建筑物之间的桥接部分,并对其进行直角化处理;接下来通过桥接部分和建筑物面的融合实现建筑物的合并,同时保持其直角化特征。最后,以多样性的实际数据进行实际处理,验证了该方法的正确性和高效性。     

序列比例尺地图缩编中建筑物综合算法

针对在序列比例尺地图综合中较少涉及如何构建面向大规模工程化应用的、顾及不同居民地分布特征的建筑物综合算子的现状,该文以广州地区为例,从纵横两条线开展。纵向上,对建筑物随尺度变换依次从单幢房屋向建筑群组、建筑区域、街区转换过程中涉及的综合操作和关键算子进行研究;横向上,主要研究同一尺度转换过程中顾及空间分布特征的建筑物多边形分组合并方法,基于"分而治之"的思想对城区、城中村、郊区等三种典型样本设计综合算子。该文设计的算子兼顾了适用性和效率,在广州地区序列比例尺空间数据库快速构建中得到了应用。     

曲线弯曲深度层次结构的二叉树表达

地图综合要顾及目标的几何特征、语义特征和拓扑特征，其中地理意义是控制综合算子系统、参量调整的决定性因素。就线状要素而言，单从角度、距离、矢高等几何特征出发设计的曲线化简算法只能算作对曲线坐标串的几何压缩，不是真正意义上的地图综合。由于曲线的弯曲特征在表达线状地物地理特征上具有重要意义，对弯曲特征的识别、结构描述及操作分析成为目前线要素制图综合的研究热点。本文基于约束Delaunay三角网模型提出一种方法描述曲线弯曲特征在深度上的层次结构，对曲线上的矢量点构建三角网，在三角网覆盖区域里，由外向内进行三角形的“剥皮”操作，根据“剥皮”操作，根据“剥皮”进行过程中遇到的特征三角形构建二叉树，实现大弯曲套小弯曲层次结构的表达。该方法基于Gestalt对称性、连续性原则、对二叉树结点进行考察，可提取认知意义上的真正弯曲。本文同时给出了弯曲特征二叉树在多边形（闭合曲线）综合化简中的算法设计及实验结果。     

一种顾及多特征约束的Voronoi图点群选取方法

点群的自动选取是制图综合的重要内容。在Voronoi图点群选取的基础上,提出一种顾及多特征约束的Voronoi图点群选取方法。该方法顾及了描述点群要素重要性的空间分布特征、拓扑和密度特征、专题属性特征以及与其他要素的关联特征,构建了基于综合特征重要性的度量模型,并作为约束条件应用于Voronoi图点群要素的选取。实验结果表明,该方法不仅可以综合考虑点群要素的多种重要性特征,而且能够较好地保持点群综合前后空间特征的一致性,符合传统制图综合规律,具有一定的普适性。     

顾及居民地分布特征的建筑物分组合并算法研究

建筑物多边形分组合并是城市大比例尺地图综合中的重要问题。本文在建筑物群的约束Delaunay三角网空间剖分模型及目标间"视觉距离"计算模型研究基础上,以广州地区3种具有典型分布特征的建筑物群分组合并操作为研究对象,并基于"分而治之"的思想,分别提出不同处理方法。设计的算子兼顾了适用性和效率,在广州地区序列比例尺空间数据库快速构建中得到了成功应用。     

地形图图廓整饰的设计与实现

图廓整饰是地形图的重要组成部分,也是地图输出过程中的一个重要环节。针对现有软件生成图廓整饰缺乏标准性和灵活性的问题,文中分析不同比例尺地形图图式规范,归纳总结出图廓整饰的内容,并根据图形特征与位置分布加以分类。在此基础上提出一种设计方案,通过对每个整饰要素定义相对坐标系和添加参数属性的方法,可以实现整饰要素的精确生成以及灵活调整。根据设计方案进行相关开发予以实现,实践结果表明,该方案确实有效,能实现地形图图廓整饰的自动化生成,提高制图工作效率。     

一种建筑物只能聚类方法

建筑物聚类是大比例尺地图自动制图综合中需要解决的关键问题。通过分析Gestalt原理的邻近性、相似性等,采用建筑物重心、建筑物间的距离、建筑物与邻近线状地物要素间位置关系等参数描述建筑物。本文提出的建筑物智能聚类方法包含两个连续的步骤:首先计算建筑物的描述参数,利用SOM网络的聚类能力,进行建筑物的初步聚类;然后,利用SOM竞争层行列扫描的方法,对初步聚类的建筑物类簇进行精确划分,获得满足建筑物聚类的全局和局部约束条件等制图要求的建筑物聚类群组。     

卷积神经网络支持下的建筑物选取方法EI北大核心CSCD

建筑物选取是地图综合的关键步骤,需要考虑目标大小、方向、形状、密度等多种上下文因子进行重要性评价与选取决策。现有方法大多考虑单一或少数几个因子,通过人工设置选取规则与参数,导致选取模型适应性不强。本文构建一种数据驱动的图卷积神经网络选取方法,该方法利用Delaunay三角网将建筑物目标组织为图结构,节点表示建筑物中心点,连接边体现建筑物之间的邻近关系,并计算建筑物的大小、方向、形状、密度特征作为对应节点的描述特征;然后叠加多个图傅里叶卷积运算构建图学习模型,并采用半监督学习方式训练模型,使之具备决策单个建筑物保留与否的能力。试验表明,本文方法能从少量的标注样本中有效地学习建筑物选取知识,在保留重要个体目标的同时也能较好地保持原有空间分布密度关系,克服传统方法在规则定义与参数设置方面的难题且不依赖于大量人工标注,为建筑物综合选取的智能化实施提供潜在的技术途径。     

微地图环境下的手绘地图线要素综合方法

针对微地图中手绘地图线要素转折点信息冗余,影响其传输、存储与渲染效率的问题,该文提出了一种基于头/尾断裂分类规则的手绘地图线要素综合方法。该方法根据手绘地图线要素转折点具有重尾分布的特征以及分形理论中局部图形与整体相似的原理,较好地解决了传统综合方法中要素的取舍过于依赖制图人员经验,导致综合结果容易出现失真和偏误的问题,实现了微地图中手绘地图线要素的综合与化简。实验结果表明,使用头/尾断裂分类规则,可以在多细节层次下,较为合理地为手绘地图线要素的转折点进行分类选取,且选择保留的少数头部点能有效保持原有线要素的几何特征,从而提高了传输、存储与渲染手绘地图线要素的效率。     

顾及局部特征的线状要素制图综合

针对传统的线状要素化简方法难以准确描述线要素局部结构特征的问题,该文提出了一种顾及局部结构特征的线状要素制图综合方法。引入m阶邻居坐标点概念,分析坐标点对线要素局部结构特征的贡献程度;建立了局部结构特征度量方法,实现了简单线要素的自动化简;基于该化简过程,从拓扑不变性角度顾及线状要素的整体形态及不同线状要素之间的拓扑关系,实现了复合线划网络的自动综合。基于对简单线划目标和复杂线划网络的实验结果表明:通过调整m的取值,可以完成不同尺度下线要素的自动制图综合,且化简结果较好地保持了原始线划要素的整体形态特征。     

几种具有编解码结构的深度学习模型在建筑物综合中的应用与比较

深度学习技术促使诸多领域研究取得突破性进展, 基于深度神经网络的地图综合研究备受期待。将建筑物综合过程抽象解释为编解码过程, 系统地研究基于编解码结构的深度神经网络在建筑物综合中的应用。首先, 利用空间划分与矢量-栅格数据转换相结合的方式构建样本和样本集; 然后, 利用样本集训练基于编解码结构的深度神经网络, 实现建筑物综合学习泛化并测试、评估其效果; 最后, 搭建5种代表性的基于编解码结构的深度神经网络, 分析比较各模型在建筑物综合中的应用效果。实验结果表明, 基于编解码结构的深度神经网络能够从建筑物综合样本中学习或推理出部分建筑物综合知识和综合操作, 且5种模型中Pix2Pix更适用于建筑物综合的学习模拟。     

图残差神经网络支持下的建筑物群组模式分类

建筑物作为城市中的重要地物,分析其群组模式对地图综合、导航定位、市政规划等具有重要作用。建筑物群组模式分析目前主要有基于规则的方法和基于机器学习的方法两种。基于规则的方法和基于传统机器学习分类器的方法均需要大量的人工处理过程。近年来兴起的深度学习特别是图卷积神经网络前期无需人工处理,因此提高了建筑物群组模式分析的自动化程度。传统的图卷积神经网络模型在训练深层网络时易出现退化问题,提取深层特征困难。为解决此问题,本文引入了图残差神经网络模型用于建筑物群组的模式分类。首先使用道路和河流等作为约束条件,利用K-means方法对建筑物进行聚类;然后根据Bertin视觉变量计算对应的建筑物特征指标,在每个建筑物群组中以建筑物质心为节点,连接节点的最小生成树作为边,构建建筑物群组图结构;最后将得到的图结构数据输入图残差神经网络进行训练,得到规则和不规则两种建筑物群组模式。试验结果表明,该模型较好地解决了传统图卷积神经网络模型的退化问题,并取得了更高的精度。     

线要素综合的形状相似性评价方法

针对线要素综合质量评价中的形状相似性评价问题,提出一种基于双侧弯曲森林形状表示模型的线要素形状相似性评价方法。引入约束Delaunay三角网及其凸包,生成线要素的双侧根弯曲序列,并在每个根弯曲上生成弯曲树,使用三角形表达每个层次上的弯曲,从而建立基于双侧弯曲森林的线要素形状表示模型。在该模型基础上,顾及线要素的地理位置特征,对综合前后线要素的形状相似性进行评价。实验结果表明,该方法能够区别不同层次上的形状特征,与形状认知的层次一致,能够有效辨识综合质量是否存在问题。     

面向地图综合的道路网相似度计算模型

针对地图制图综合过程中道路网相似度的定量计算问题,提出了一种顾及道路网综合过程的相似度计算模型.方法 基于空间相似关系理论较好地顾及了地图综合中空间关系的相似性;利用语义权重计算总体相似度更加符合地图综合的规则.最终经由430个样本的心理认知实验结果与专业人员的心理认知结果基本一致.实验结果表明:该模型基本符合人类直观...     

Stroke特征约束的树状河系层次关系构建及简化方法

树状河系作为地图骨干要素之一,其简化效果直接决定地图综合的质量。树状河系简化需要考虑其语义、几何、拓扑和结构等多种特征,而现有方法大多只注重了长度、角度和属性等约束性量化指标,致使简化后的空间分布特征容易被破坏。本文首先研究基于树状河系有向拓扑树（DTT）的特征智能识别方法,然后依据Paiva提出的"180°假设"和"锐角假设",从河口出发,自下游向上游建立顾及河流语义、长度、角度约束的树状河系stroke连接,并据此判断树状河系层次关系,最后提出河系整体选取数量确定方法和顾及密度差异的河系分层剔除选取算法,实现树状河系自动化简化。经样本数据测试,验证了该方法的可靠性,同时经实际数据测试,验证了该方法在树状河系简化中的合理性和有效性。     

基于TIN的面要素聚合优化算法

针对TIN三角网在实现地图面要素聚合过程中效率低下的问题,提出了一种基于TIN面要素聚合的优化方法。首先,利用格网的方法聚类面要素,缩小TIN搜索范围;然后,在聚类的基础上进行TIN三角网的构建实现面要素的综合;最后,实验验证了综合结果,并通过对比证明了算法的效率。     

面向居民地要素智能化综合的样本库构建

以深度学习为代表的人工智能技术为制图综合智能化水平的提升创造了有力的条件.然而,智能学习模型的应用依赖高质量的样本数据,目前还缺乏适宜制图综合知识学习的案例数据集.以不同比例尺居民地要素综合为例,深入探讨服务于智能化制图综合的样本数据采集建库方法.主要工作包括:依据地图数据组织特点和制图综合过程决策需求,提出了区分特征...     

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。     

形状识别在地图综合中的应用研究

形状分析和形状识别是地图综合的重要内容之一,地图综合中需要对地理要素进行结构的识别,包括对要素的分布模式和形状特征进行分析,以便获取地理要素和现象的分布规律,制定综合的总体策略。其二,同一要素在不同尺度的表达中应保持形状的主体轮廓的一致性,这需要在综合算法中顾及形状的保真问题。其三,在地图综合的结果评价中,形状相似性是其重要的指标。地图是现实世界的抽象反映,没有形状的一致性人们很难将地图中的要素与真实的地理要素建立对应关系。但形状识别属于认知领域的范畴,具有很强的主观性和不确定性。本文就形状分析和识别在地图综合中的应用进行了探讨。     

基础地理信息数据快速出图技术的研究与应用——以“内蒙古快速出图系统”为例

常规地图生产过程中,制图综合自动化程度低是长期困扰地图工作者的难题,内蒙古地图院快速出图系统采用数符分离模型,基于自动综合技术和专家知识模版,依托WJ-Ⅲ地图工作站建立了数据综合与制图应用技术体系,实现了数据从大比例尺到小比例尺的自动缩编,满足数据日常更新,支持快速出图,可向社会提供应急保障服务。