基于K-近邻搜索的点云初始配准

为了使用最近点迭代算法(ICP)实现点云的精确配准,需要点云有良好的初始姿态,这可以通过点云的粗配准实现。本文结合K-近邻搜索和法向量估计,通过组建不变角度作为匹配特征,求解旋转矩阵和平移向量实现粗配准,方法由Matlab7.1编程实现。具体的实验结果表明,利用该方法能得到理想的粗配准效果,可以进一步应用ICP算法实现精确配准,该方法是有效的。     

一种改进的基于道路网络距离的K近邻查询算法

研究了空间网络数据库中的K近邻查询,提出了一种新的基于道路网络距离的KNN查询算法.这种方法以已有的道路网络模型框架为基础,通过预计算NN表,减少了昂贵的最短路径计算,利用两个链表记录已访问弧段的信息,避免了不必要的磁盘I/Os,从而有效地提高了算法效率.实验结果表明,在目标点分布比较密集的情况下,本算法明显优于其他算法.     

基于居民行为周期特征的城市空间研究

伴随着中国经济社会进入“新常态”的发展阶段,对城市存量空间的研究提出了更加精细化的要求,基于居民行为活动的周期规律对城市空间进行研究,进而提升城市空间的品质日益重要。随着信息通信技术的快速发展,使许多大数据的获取成为可能,并由于其低成本、即时、大样本等优势,在城市空间研究方面具有巨大的价值。以上海市中心城区为例,利用手机信令数据,探究居民活动的空间周期变化特征,并基于空间的周期特征曲线,采用相似性传播聚类算法进行空间分类。研究表明,居民活动有平日一日周期和平日加周末二日周期,与人的作息规律相符合。市核心区、城市副中心及主要就业中心,昼夜波动和平日周末活动强度的差异都较为明显。空间分类结果显示,城市活动空间的组织既体现出个体充分的空间能动性,也反映出对土地使用类型以及设施建设、投入程度的耦合性。上海市内环内核心区混合多样的用地模式使得活动区内居民活动内容丰富,周期特征功能区边界模糊。研究成果可为未来的城市空间规划提供指导,为城市空间结构、功能布置、设施布局等优化提供决策支撑和科学依据。     

基于Landsat影像的雄安新区2014～2018年土地利用变化检测

雄安新区是继深圳经济特区和上海浦东新区之后又一意义重大的新区,该地区的土地利用变化研究具有重要意义。但目前对于雄安新区初建阶段的土地利用变化的研究比较有限。本研究基于2014、2018年的雄安新区的Landsat影像对土地利用类型先进行面向对象的监督分类,再对比分类结果进行变化检测。基于支持向量机和k近邻方法两种分类方式得到的结果表明:雄安新区的建成区的增长百分比约为17%~21%,农田比例降低4%~5%,闲置农田约有20%的比例转化为建成区。结合夜光遥感影像提升了分类精度,同时利用面向对象的方法解决了同谱异物和同物异谱的问题。本研究的区域选择具有时效性,紧贴国家千年大计,为相关决策者提供了宏观信息支持,为雄安新区其他的相关研究提供了参考。     

K-近邻长方体的点云特征提取压缩算法

针对海量点云数据存在大量冗余问题,该文提出基于K-近邻长方体的点云压缩算法。利用目标点的K近邻在非特征点云与特征点云之间的不同分布特性,基于该文算法将点云集合分为特征及非特征点集。该方法先对目标点近邻点进行坐标转换并构建K-近邻长方体,建立压缩准则,对长方体进行扁平程度筛选,结合分段采样去除大量冗余点及少量密集特征点,实现保留原始特征的点云压缩。该文方法涉及K、α、采样率β_(all)3个参数,在实验分析中,采用体积偏差、表面积偏差和Hausdorff距离对该文方法涉及的3个参数进行精度影响分析,结果表明,该方法能保留大量原始特征,在最优K值条件下β_(all)为0.4,α为0.9,此时体积偏差百分比为0.27%,表面积偏差百分比为0.5%,具有较高的压缩精度。     

基于ArcPy的地名地址和POI数据判重实现

目前,基于ArcPy进行天地图地名地址和POI数据判重处理的研究较少,本文探讨利用Python扩展模块和ArcPy模块编写工具进行判重的思路和具体实现,通过近邻表得到地名地址和POI的近邻关系,然后利用multiprocessing模块、openpyxl模块等实现大数据量表格数据的多线程自动化处理,分别输出相同判重和相似判重结果。最后,结合70多万条数据实际场景,探讨实现效果。     

基于WIFI的位置指纹参考节点密度与定位精度关系研究

为探究基于WIFI的位置指纹室内定位中定位精度与离线数据库参考节点密度关系,本文采用待测节点与参考节点位置关系原理理论推导、正方形、三角形和六边形三种不同参考节点的排布方式的计算机拟合并以正方形排布方式为例进行实际验证的方法,对参考节点密度与定位精度关系开展研究。回归分析结果表明,参考节点密度与定位精度在不同排布方式下均呈现显著正相关线性关系。     

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.     

基于多变量相空间重构的局部降水预报

在已有的研究基础上,运用混沌理论中重建动力系统的方法来进行局地降水预测的研究。首先,通过分析降水时序关联维与嵌入相空间轨道的变化规律,探讨该降水时序的混沌动力学特性;接着对月降水量和气温时序进行多变量重构相空间,在相空间内搜索预报向量的k个最优近邻;最后,通过线性回归模型建立相似预报模型,试验结果与实际值吻合较好,证明了方法的有效性。     

一种基于组合特征的异源遥感影像配准方法

为实现大差异光学影像的高精度配准,充分利用各类特征检测算法的优势,提出一种基于多类型特征组合的异源遥感影像配准方法。在对获取的影像特征进行描述的基础上,通过影像分块均匀性分析和RANSAC整体一致性分析筛选高精度可靠的组合特征,构建和解算综合参数模型以实现影像的预配准和重采样。再利用最小二乘方法优化特征点匹配结果,使用小面元的方法进行影像的精配准和重采样。实验结果表明在异源光学遥感影像的亮度、分辨率差异较大时,可得到高精度的配准结果。