CN109034234A - 一种毗邻区特征识别及自动处理方法 - Google Patents

一种毗邻区特征识别及自动处理方法 Download PDF

Info

Publication number
CN109034234A
CN109034234A CN201810795251.1A CN201810795251A CN109034234A CN 109034234 A CN109034234 A CN 109034234A CN 201810795251 A CN201810795251 A CN 201810795251A CN 109034234 A CN109034234 A CN 109034234A
Authority
CN
China
Prior art keywords
face
adjacent area
adjoining
boundary
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201810795251.1A
Other languages
English (en)
Inventor
李成名
刘振东
刘坡
赵占杰
王飞
武鹏达
刘晓丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Academy of Surveying and Mapping
Original Assignee
Chinese Academy of Surveying and Mapping
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chinese Academy of Surveying and Mapping filed Critical Chinese Academy of Surveying and Mapping
Priority to CN201810795251.1A priority Critical patent/CN109034234A/zh
Publication of CN109034234A publication Critical patent/CN109034234A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G06V10/7515—Shifting the patterns to accommodate for positional errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/759—Region-based matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种毗邻区特征识别及自动处理方法，具体步骤如下：步骤一、依据面要素的结构特征，建立结构特征判读指标自动识别毗邻区；步骤二、利用膨胀‑腐蚀变换精确计算各个毗邻区边界；步骤三、通过空间叠加计算提取各个毗邻区内部桥接面；步骤四、基于Delaunay三角网提取桥接面毗邻化线并对毗邻化线进行修正；步骤五、依据步骤四所得的毗邻化线对桥接面进行***融合处理，使被桥接面分割的面要素成为毗邻面要素；步骤六、将形成的毗邻化结果作为新的面要素，重复进行步骤一至五，直至不存在可以进行毗邻化操作的面要素。本发明是是一种动态迭代的过程，渐进式实现毗邻区要素的毗邻化处理，为毗邻化操作机器智能化处理奠定理论与方法基础。

Description

一种毗邻区特征识别及自动处理方法
技术领域
本发明涉及一种方法，尤其涉及一种毗邻区特征识别及自动处理方法。
背景技术
毗邻化是保持聚集性面状要素群结构化特征的几何变换，具体地讲，是指通过将规则排列的面群之间的狭长空白分割(即桥接面)收缩为线，从而使被其分割的面要素成为毗邻面要素的几何变换过程。这里所说的面要素群并非具有任意结构或形状的面要素集合，而是指具有一定排列规律、个体形状特征相似，并且被具有一定宽度的条带状桥接面的呈连片分布的面要素集合。当地图表达的比例尺从大变小时，这种聚集性面要素群内部的带状桥接面通常由于较为狭长难以在图上表现，而在现实应用中要求其结构化特征又必须保持，显然，较少考虑内部结构的连续性分布面要素群综合方法，如聚合和融合算法难以适用面要素群的毗邻化操作。
此外，已有研究仅给出了毗邻化的理论过程和操作思路，未涉及具体细节，具有制图经验的专业人士可以实现该操作，但是不足以支撑机器智能化处理；并且，研究者对毗邻化特征的地理要素缺乏足够重视，鲜见对毗邻化操作的深入探讨，对于影响聚集面群毗邻化自动处理的关键问题也未给出解答。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种毗邻区特征识别及自动处理方法。
为了解决以上技术问题，本发明采用的技术方案是：一种毗邻区特征识别及自动处理方法，毗邻区包含若干个面要素；特征识别及自动处理方法的具体步骤如下：
步骤一、依据面要素的结构特征，建立结构特征判读指标自动识别毗邻区；
面要素的结构特征包括带状桥接面宽度、分布格局指数、形状相似度指数、重叠度指数；
结构特征判读指标自动识别毗邻区的过程为：对于区域内的面要素集{Pi}(i＝1,2,...,n)，根据带状桥接面宽度阈值TBDistance确定候选毗邻区全集，对于任一要素Pi，进一步根据分布格局指数、形状相似度指数、重叠度指数识别其邻近面要素中适宜进行毗邻化操作的要素，并构成毗邻区子集，遍历候选毗邻区全集中的全部要素，形成多个毗邻区集合；
步骤二、利用膨胀-腐蚀变换精确计算各个毗邻区边界；
步骤三、通过空间叠加计算提取各个毗邻区内部桥接面；
步骤四、基于Delaunay三角网提取桥接面毗邻化线并对毗邻化线进行修正，其中，对于毗邻化线的修正采用分支去抖动法以及利用边界作为约束进行修正；
步骤五、依据步骤四所得的毗邻化线对桥接面进行***融合处理，使被桥接面分割的面要素成为毗邻面要素；
步骤六、将形成的毗邻化结果作为新的面要素，重复进行步骤一至五，直至不存在可以进行毗邻化操作的面要素。
进一步地，步骤一中带状桥接面宽度阈值TBDistance的计算方法如公式Ⅰ所示：
TBDistance＝BWthreshold×Tscale
Ⅰ
其中，TBDistance为邻近面要素之间的间距，BWthreshold为分割宽度阈值，Tscale为目标比例尺的分母；
候选毗邻区子集的确定过程如下：
①首先，利用最小面积矩形计算聚集面要素群边界；
②其次，加密最小面积矩形边界及各面要素边界结点，具体加密方法为：设定加密步长d，加密步长d的取值采用要素边界最短弧段的长度，以d为基元在两个结点之间进行采样得到加密点；
③然后，采用逐点***算法建立边界约束的Delaunay三角网；使得约束Delaunay三角网中的三角形连接了两个具有邻近关系的面要素；
④接下来，计算两个邻近面要素之间所有Delaunay三角形的高h，并将其平均值作为邻近面要素之间的间距BDistance，如公式Ⅱ所示：
其中，BDistance为邻近面要素之间的间距，n为相邻面要素之间Delaunay三角形的总个数，为n个Delaunay三角形的高度之和；
⑤最后，根据带状桥接面宽度阈值TBDistance，当两个邻近面要素的BDistance≤TBDistance时，则识别为候选毗邻区子集，以此类推，提取候选毗邻区全集。
进一步地，步骤一中分布格局指数由面要素的基高比W和邻近面要素间的间距BDistance构建，分布格局指数通过公式Ⅲ计算可得，公式Ⅲ如下所示：
其中，表示空间中彼此邻近的两面要素Xs、Xt形成的分布格局指数，分别为要素Xs、Xt的基高比，为要素Xs、Xt之间的间距；通过公式Ⅱ计算得到当时，表示适宜进行毗邻化操作，反之，不适宜。
进一步地，步骤一中形状相似度指数的计算过程为：
①首先，采用Douglas-Peucker算法对组成面要素的弧段进行化简，去除面要素边界的微小抖动，保留面要素的主要夹角；
②其次，以面要素的左下角点为起始点，沿逆时针方向顺次计算各个弧段的方向夹角并记录反映主体形状45°以上的夹角；
③然后，根据参与计算的两要素的夹角大小及顺序的一致性情况，通过公式Ⅳ计算两要素间的形状相似度指数；
公式Ⅳ如下所示：
其中，(α1,α2,...,αn)、(β1,β2,...,βn)分别为空间中彼此邻近的两面要素Xs、Xt的内角集合，为邻近面要素Xs、Xt的形状相似度；
④最后，将计算所得的形状相似度指数与设置为10°的阈值进行比较，当判定为适宜进行毗邻化操作，反之，不适合。
进一步地，步骤一中重叠度指数的确定过程为：邻近面要素分别用其主骨架线代替长边，相互投影，利用投影长度与主骨架线长度相比确定各自的要素重叠度指数，计算方法如公式Ⅴ所示：
其中，为要素Xs相对要素Xt的重叠指数，为要素Xt相对要素Xs的重叠指数，为要素Xs主骨架线向要素Xt主骨架线的投影长度，为要素Xt主骨架线向要素Xs主骨架线进行投影得到的投影长度，分别为要素Xs、要素Xt的主骨架线长度；
通过公式Ⅴ计算得到重叠度指数OI，当OI值介于0-1之间且OI≥0.5，判定为适宜进行毗邻化操作，反之，不适合；其中OI等于0时，属于相靠邻近、相对邻近的特殊情况；OI等于1时，属于完全相靠相邻。
进一步地，步骤二中扩张-腐蚀变换方法为：先对原始多边形面群向外进行距离为L的数学形态学意义上的扩张变换，以融合各个多边形扩张后重叠部分，得到边界多边形P1，然后对多边形P1向内进行距离为L的腐蚀变换得到多边形P2。
进一步地，步骤四中桥接面毗邻化线的提取过程为：将毗邻区***边界轮廓与原始面群进行空间叠加操作，计算得到原始面群的桥接区，更新毗邻区的拓扑关系，将桥接区转为桥接面要素，并计算桥接面的主骨架线，当该骨架线满足准确反映桥接面的主延伸方向和主体形状特征、自然光滑、末端结点在***边界轮廓上三个条件时，作作毗邻化线；
利用边界作为约束进行修正的具体过程为：首先，将桥接面与原始面群统一构建语义拓扑结构，当某一弧段无语义信息且属于桥接面的组成弧段，则该弧段为边界弧段，与此弧段相连的骨架线优先得到保留，同时，当所提骨架线的末节点不在边界上，则该段骨架线应去除，其中骨架线为毗邻化线。
本发明提供了一种毗邻区特征识别及自动处理方法，通过分析聚集面群要素的结构特征，自动识别适用于进行毗邻化处理的区域即毗邻区，并利用膨胀-腐蚀变换精确提取毗邻区边界，顾及边界约束对内部毗邻化线修正，进而渐进式实现毗邻区要素的毗邻化处理，为毗邻化操作机器智能化处理奠定理论与方法基础。
附图说明
图1为本发明的整体步骤流程图。
图2为本发明步骤一中聚集性面要素群最小面积矩形边界示意图。
图3为本发明步骤一中面要素结点加密示意图。
图4为本发明步骤一中边界约束Delaunay三角网。
图5为本发明步骤一中邻近面要素之间三角形的高。
图6为本发明步骤一中重叠度指数OI等于1时的示意图。
图7、图8、图9为本发明步骤一中重叠度指数OI等于0时三种的示意图。
图10为本发明步骤二中扩张-腐蚀变换示意图。
图11为本发明步骤二中补凹过程示意图。
图12为本发明面状要素A、B、C、D、E、F的原始图形。
图13为本发明毗邻化过程第一阶段桥接面示意图。
图14为本发明毗邻化过程第一阶段生成毗邻化线示意图。
图15为本发明毗邻化过程第二阶段桥接面示意图。
图16为本发明毗邻化过程第二阶段生成毗邻化线示意图。
图17为本发明毗邻化过程最终毗邻化结果示意图。
图18为本发明实施例提供的江苏省某典型区域的地理国情普查数据示意图。
图19为本发明实施提供的毗邻区识别与处理选定的实验区示意图。
图20为本发明实施例提供的毗邻化过程第一阶段毗邻区结果示意图。
图21为本发明实施例提供的毗邻化过程第二阶段毗邻区结果示意图。
图22为本发明实施例提供的毗邻化过程毗邻化后整体效果示意图。
具体实施方式
下面结合附图具体实施方式对本发明作进一步详细的说明。
如图1所示的一种毗邻区特征识别及自动处理方法，毗邻区包含若干个面要素；特征识别及自动处理方法的具体步骤如下：
步骤一、依据聚集面要素的结构特征，建立结构特征判读指标自动识别毗邻区；
聚集面要素的结构特征包括带状桥接面宽度、分布格局指数、形状相似度指数、重叠度指数；
结构特征判读指标自动识别毗邻区的过程为：对于区域内的面要素集{Pi}(i＝1,2,...,n)，根据带状桥接面宽度阈值TBDistance确定候选毗邻区全集，对于任一要素Pi，进一步根据分布格局指数、形状相似度指数、重叠度指数识别其邻近面要素中适宜进行毗邻化操作的要素，并构成毗邻区子集，遍历候选毗邻区全集中的全部要素，形成多个毗邻区集合；
步骤二、利用膨胀-腐蚀变换精确计算各个毗邻区边界；
步骤三、通过空间叠加计算提取各个毗邻区内部桥接面；
步骤四、基于Delaunay(德洛内)三角网提取桥接面毗邻化线并对毗邻化线进行修正，其中，对于毗邻化线的修正采用分支去抖动法以及利用边界作为约束进行修正；
步骤五、依据步骤四所得的毗邻化线对桥接面进行***融合处理，使被桥接面分割的面要素成为毗邻面要素；
步骤六、将形成的毗邻化结果作为新的面要素，重复进行步骤一至五，直至不存在可以进行毗邻化操作的面要素。
本发明所涉及的毗邻区特征识别及自动处理是一种动态迭代的过程，首先，识别毗邻区，计算各个毗邻区的外部轮廓；其次，提取桥接面的骨架线，并利用边界作为约束进行修正，构成新的毗邻区；不断重复上述操作，即可渐进式、分阶段完成全部面要素的毗邻化；具体的为：
一、对于步骤一
毗邻化是对规则排列、形状相似、呈聚集状态分布的面群要素进行匹配、连接的过程，然而，在实际地图数据库中，聚集面群要素形状复杂多样，贯穿其中的狭长桥接面宽窄不一，因此，欲进行毗邻化，首先需对符合毗邻化条件的面要素所在区域(毗邻区)进行识别，为此，本发明提出桥接面宽度、分布格局指数(DPI)、形状相似度指数(SSI)、重叠度指数(OI)等特征自动辨识毗邻区，其中，
步骤一中带状桥接面宽度实质上是邻近面要素之间的间距，即相邻面与面之间的距离。假设从原始尺度1:Oscale综合缩编至目标尺度1:Tscale(Tscale＞Oscale)时，首要任务是通过分割宽度阈值BWthreshold来辨识带状桥接面以确定聚集性面要素群是否为毗邻区。对于常规地图，可根据公式(1)依据目标比例尺计算出最小可视距离，最小可视距离即为带状桥接面宽度阈值TBDistance。
带状桥接面宽度阈值TBDistance的计算方法如公式Ⅰ所示：
TBDistance＝BWthreshold×Tscale
Ⅰ
其中，TBDistance为邻近面要素之间的间距，BWthreshold为分割宽度阈值，Tscale为目标比例尺的分母；其中，分割宽度阈值BWthreshold根据狭长要素图斑的宽度界定标准选定为0.4mm，由此公式Ⅰ可以简化为TBDistance＝0.4×Tscale×10-3，单位为m。
带状桥接面宽度的计算及候选毗邻区子集的确定过程如下：
①首先，如图2所示，利用最小面积矩形计算聚集面要素群边界；
②其次，如图3所示，加密最小面积矩形边界及各面要素边界结点，由于这些结点通常被用于描述面状地物重要形态特征，如拐点、相交点等，一般数量较少，为提高后续分割宽度计算精度，须加密两类边界上的结点；具体加密方法为：设定加密步长d(图3中两实心圆点之间的间距)，加密步长d的取值采用要素边界最短弧段的长度，以d为基元在两个结点之间进行采样得到加密点；
③然后，如图4所示，采用逐点***算法建立边界约束的Delaunay三角网；使得约束Delaunay三角网中的三角形连接了如图5所示的两个具有邻近关系的面要素，通过三角形ABC的边AB或AC可知P1和P2为邻近面要素；
④接下来，计算两个邻近面要素之间所有Delaunay三角形的高h，并将其平均值作为邻近面要素之间的间距BDistance，如公式Ⅱ所示：
其中，BDistance为邻近面要素之间的间距，n为相邻面要素之间Delaunay三角形的总个数，为n个Delaunay三角形的高度之和；
⑤最后，根据带状桥接面宽度阈值TBDistance，当两个邻近面要素的BDistance≤TBDistance时，则识别为候选毗邻区子集，以此类推，提取候选毗邻区全集。
步骤一中分布格局由面要素的基高比W和邻近面要素间的间距BDistance构建，分布格局指数通过公式Ⅲ计算可得，公式Ⅲ如下所示：
其中，表示空间中彼此邻近的两面要素Xs、Xt形成的分布格局指数，分别为要素Xs、Xt的基高比，为要素Xs、Xt之间的间距；通过公式Ⅱ计算得到当时，表示适宜进行毗邻化操作，反之，不适宜。
对于基高比，当两邻近面群要素的基高比之和大于或远大于其间的狭长桥接面间距时，毗邻化结果在保持面群要素空间分布特征不变的基础上，可以更好的突出其聚集状态，此时适宜对此类要素进行毗邻化处理；当两邻近面群要素的基高比之和小于狭长桥接面间距时，经毗邻化处理后的要素会发生较大变形，此时不适宜对此类要素进行毗邻化处理，利用公式Ⅵ对不规则面要素基高(即平局宽度)比进行计算，公式Ⅵ如下所示：
W＝S/BL Ⅵ
其中，W为要素的近似平均宽度，S为图斑面积，BL为图斑最长长度基线，即面状要素最长骨架线的长度。
步骤一中形状相似度指数，本发明提出利用线段方向夹角进行面状要素形状相似度的计算，具体计算过程为：
①首先，采用Douglas-Peucker算法对组成面要素的弧段进行化简，去除面要素边界的微小抖动，保留面要素的主要夹角；
②其次，以面要素的左下角点为起始点，沿逆时针方向顺次计算各个弧段的方向夹角并记录反映主体形状45°以上的夹角；
③然后，根据参与计算的两要素的夹角大小及顺序的一致性情况，通过公式Ⅳ计算两要素间的形状相似度指数；
公式Ⅳ如下所示：
其中，(α1,α2,...,αn)、(β1,β2,...,βn)分别为空间中彼此邻近的两面要素Xs、Xt的内角集合，为邻近面要素Xs、Xt的形状相似度；
④最后，将计算所得的形状相似度指数与设置为10°的阈值进行比较，当判定为适宜进行毗邻化操作，反之，不适合。
对于步骤一中重叠度指数，依据相靠邻近特征，同一面要素的长边相对短边可以更好地概括要素的主体结构及延展方向，所以若长边相靠邻近，判定为适宜进行毗邻化处理；反之，若短边相对邻近，则判定为不适宜进行毗邻化处理，因此重叠度指数的确定过程为：邻近面要素分别用其主骨架线代替长边，相互投影，利用投影长度与主骨架线长度相比确定各自的要素重叠度指数，计算方法如公式Ⅴ所示：
其中，为要素Xs相对要素Xt的重叠指数，为要素Xt相对要素Xs的重叠指数，为要素Xs主骨架线向要素Xt主骨架线的投影长度，为要素Xt主骨架线向要素Xs主骨架线进行投影得到的投影长度，分别为要素Xs、要素Xt的主骨架线长度；
通过公式Ⅴ计算得到重叠度指数OI，当OI的值介于0-1之间，数值越大表明二者重叠度越大，进行毗邻化操作的适宜性就越强；如图6所示，当OI等于1时，属于完全相靠相邻，此时PL与SL长度相等；如图7、图8、图9所示，当OI等于0时，属于相靠邻近、相对邻近的特殊情况，此时PL＝0；通常情况下，阈值设置为0.5，若OI≥0.5，判定为适宜进行毗邻化操作；反之，不适合。
对于区域内的面要素集{Pi}(i＝1,2,...,n)，根据带状桥接面宽度阈值TBDistance确定候选毗邻区全集，对于任一要素Pi，进一步根据分布格局指数、形状相似度指数、重叠度指数识别其邻近面要素中适宜进行毗邻化操作的要素，并构成毗邻区子集，遍历候选毗邻区全集中的全部要素，形成多个毗邻区集合；由此完成对毗邻区的辨识，进而可对各个毗邻区进行毗邻化处理。
二、对于步骤二
毗邻区***边界轮廓的计算是面群毗邻化的基础，其准确性直接影响后续的桥接面及桥接面骨架线合理提取，故***边界轮廓须准确描述毗邻区的凹凸结构，然而，现有方法在保持边界结构特征方面存在明显不足，为此，本发明文引入了缓冲区变换及语义拓扑作为约束开展***边界轮廓计算；
步骤二中扩张-腐蚀变换方法为：如图10所示，先对原始多边形面群(原始面群分别为A、B、C、D、E、F)向外进行距离为L的数学形态学意义上的扩张变换，以融合各个多边形扩张后重叠部分，得到边界多边形P1，然后对多边形P1向内进行距离为L的腐蚀变换得到多边形P2。
扩张-腐蚀变换具有保凸、保平、减凹等特点，变换前后，图形的总体形态不变，凸起和直线部分形态无变化，即保凸、保平；图形凹陷部分在变换过程中发生融合，使形态趋于光滑，即减凹，当然，减凹的强度与距离L相关。
减凹导致***轮廓不准确，接下来须补凹，将多边形P2与原始面群统一构建包含语义信息的拓扑结构，若多边形中的弧段仅由某一语义及无语义信息的弧段组成，则该多边形为腐蚀变换中舍去的凹陷。那么，将具有语义信息的弧段代替无语义信息弧段以形成新的面群边界多边形P，则该多边形为毗邻区的最小包络多边形，其边界为毗邻区***边界轮廓。
如图11所示，拓扑多边形由弧段L1、L2组成，其中，L2中具有多边形D的语义信息，但因L1为P2中的弧段，因此，其不具有语义信息，由此可判定多边形O为凹部区域，将L2代替L1作为边界P的弧段，得到如图11所示的边界轮廓P。
三、对于步骤三和步骤四
桥接面毗邻化线的提取过程为：将毗邻区***边界轮廓与原始面群进行空间叠加操作，可计算得到原始面群的桥接区，更新毗邻区的拓扑关系，将桥接区转为桥接面要素，并计算桥接面的主骨架线。当该骨架线具有准确反映桥接面的主延伸方向和主体形状特征、自然光滑、末端结点在***边界轮廓上等三个特点时，可用作毗邻化线。
对于毗邻化线的修正，在发明采用了基于分支骨架线连接点聚合重构方法以对工字形抖动进行修正，并依据主骨架线延展方向对末端骨架线进行调整；并利用边界作为约束修正主骨架线，使之克服末端结点提取不准确的缺陷；
利用边界作为约束修正主骨架线的具体过程为：首先，将桥接面与原始面群统一构建语义拓扑结构，当某一弧段无语义信息且属于桥接面的组成弧段，则该弧段为边界弧段，与此弧段相连的骨架线优先得到保留，同时，当所提骨架线的末节点不在边界上，则该段骨架线应去除，其中骨架线为毗邻化线。
四、对于步骤五和步骤六
针对自动识别的毗邻区进行毗邻化线提取，并进行毗邻化，然后将此结果与区域其他面状要素构成新的毗邻区，再次进行毗邻化。重复上述过程，直至不存在符合条件的毗邻区。
以图12所示原始面群为例，经毗邻区识别特征判断，面要素A、C、E与面要素B、D、F为符合条件的第一阶段毗邻化要素，经计算得到桥接面毗邻化线，如图13所示的加粗实线；按照将经毗邻化线分割后的桥接面合并至相邻面要素这一原则对桥接面进行***融合，得到第一阶段毗邻化结果，如图14所示；继续对要素A、C、E形成的整体要素O与要素B、D、F形成的整体要素P进行判断，其符合毗邻区条件，因此对其进行第二阶段毗邻化处理，生成桥接面毗邻化线如图15所示的加粗实线，毗邻化处理结果如图16所示；对各个阶段的毗邻化线进行延展连接，得到最终毗邻化结果，如图17所示。
【实施例】
依托中国测绘科学研究院研制的WJ-III地图工作站，嵌入本发明创新的毗邻化方法，以坑塘面群为例进行合理性和有效性验证。如图18所示，实验数据为江苏省某典型区域的地理国情普查数据，具有水产养殖发达、坑塘密布、排列整齐和形状多样的特点，其空间分布特征很有代表性。该数据空间范围为2.8×3.1km2，源比例尺1:1万、目标比例尺1:5万，软件***运行环境为Windows764位操作***、CPU为Intel Core I7-3770、主频3.2GHz、内存16GB、固态硬盘1024GB；
根据公式Ⅰ计算桥接面的宽度阈值为20m，提取的36个候选毗邻区；遍历候选毗邻区全集中的所有要素，根据分布格局指数(DPI)、形状相似度指数(SSI)、重叠度指数(OI)计算得到第一阶段的多个毗邻区集合。
下面以实验区内某一毗邻区(图19中矩形框A所示)为例描述该过程：①对原始毗邻区面要素群进行扩张-腐蚀变换并识别***边界轮廓；②将原始数据与边界轮廓进行叠加分析得到桥接面，并对桥接面边界进行加密，构建边界约束Delaunay三角网，提取桥接面主骨架线；③对主骨架线末端及中间区域的抖动进行调整，同时利用边界作为约束修正主骨架线，获得毗邻化线；④基于毗邻化线，对桥接面进行***融合最终实现毗邻化，结果如图20所示。
将第一阶段毗邻化结果与区域其他面要素构成第二阶段毗邻区，如图21深色矩形框部分所示，再次进行毗邻化，至此完成对区域所有要素的处理，得到图22所示的该实验数据毗邻化整体效果。
基于典型特征识别的毗邻区***边界轮廓准确、内部骨架线自然光滑，毗邻化后的坑塘面群保持了原始面群的空间分布特征，空间关系由相离变为毗邻状态，聚集状态更为明显，如毗邻区A、C，其中毗邻区C经过了两个阶段的毗邻化处理。
本发明提供了一种毗邻区特征识别及自动处理方法，是一种动态迭代的过程，首先，识别毗邻区，计算各个毗邻区的外部轮廓；其次，提取桥接面的骨架线，并利用边界作为约束进行修正，构成新的毗邻区；不断重复上述操作，即可渐进式、分阶段完成全部面状要素的毗邻化，为毗邻化操作机器智能化处理奠定理论与方法基础。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

Claims (7)

1.一种毗邻区特征识别及自动处理方法，所述毗邻区包含若干个面要素；其特征在于：所述特征识别及自动处理方法的具体步骤如下：
步骤一、依据面要素的结构特征，建立结构特征判读指标自动识别毗邻区；
所述面要素的结构特征包括带状桥接面宽度、分布格局指数、形状相似度指数、重叠度指数；
所述结构特征判读指标自动识别毗邻区的过程为：对于区域内的面要素集{Pi}(i＝1,2,...,n)，根据带状桥接面宽度阈值TBDistance确定候选毗邻区全集，对于任一要素Pi，进一步根据分布格局指数、形状相似度指数、重叠度指数识别其邻近面要素中适宜进行毗邻化操作的面要素，并构成毗邻区子集，遍历候选毗邻区全集中的全部面要素，形成多个毗邻区集合；
步骤二、利用膨胀-腐蚀变换精确计算各个毗邻区边界；
步骤三、通过空间叠加计算提取各个毗邻区内部桥接面；
步骤四、基于Delaunay三角网提取桥接面毗邻化线并对毗邻化线进行修正，其中，对于毗邻化线的修正采用分支去抖动法以及利用边界作为约束进行修正；
步骤五、依据步骤四所得的毗邻化线对桥接面进行***融合处理，使被桥接面分割的面要素成为毗邻面要素；
步骤六、将形成的毗邻化结果作为新的面要素，重复进行步骤一至五，直至不存在可以进行毗邻化操作的面要素。
2.根据权利要求1所述的毗邻区特征识别及自动处理方法，其特征在于：步骤一中所述带状桥接面宽度阈值TBDistance的计算方法如公式Ⅰ所示：
TBDistance＝BWthreshold×Tscale
I
其中，TBDistance为邻近面要素之间的间距，BWthreshold为分割宽度阈值，Tscale为目标比例尺的分母；
候选毗邻区子集的确定过程如下：
①首先，利用最小面积矩形计算聚集面要素群边界；
②其次，加密最小面积矩形边界及各面要素边界结点，具体加密方法为：设定加密步长d，加密步长d的取值采用要素边界最短弧段的长度，以d为基元在两个结点之间进行采样得到加密点；
③然后，采用逐点***算法建立边界约束的Delaunay三角网；使得约束Delaunay三角网中的三角形连接了两个具有邻近关系的面要素；
④接下来，计算两个邻近面要素之间所有Delaunay三角形的高h，并将其平均值作为邻近面要素之间的间距BDistance，如公式Ⅱ所示：
其中，BDistance为邻近面要素之间的间距，n为相邻面要素之间Delaunay三角形的总个数，为n个Delaunay三角形的高度之和；
⑤最后，根据带状桥接面宽度阈值TBDistance，当两个邻近面要素的BDistance≤TBDistance时，则识别为候选毗邻区子集，以此类推，提取候选毗邻区全集。
3.根据权利要求2所述的毗邻区特征识别及自动处理方法，其特征在于：步骤一中的分布格局指数由面要素的基高比W和邻近面要素间的间距BDistance构建，分布格局指数通过公式Ⅲ计算可得，公式Ⅲ如下所示：
其中，表示空间中彼此邻近的两面要素Xs、Xt形成的分布格局指数，分别为要素Xs、Xt的基高比，为要素Xs、Xt之间的间距；通过公式Ⅱ计算得到当时，表示适宜进行毗邻化操作，反之，不适宜。
4.根据权利要求3所述的毗邻区特征识别及自动处理方法，其特征在于：步骤一中所述形状相似度指数的计算过程为：
①首先，采用Douglas-Peucker算法对组成面要素的弧段进行化简，去除面要素边界的微小抖动，保留面要素的主要夹角；
②其次，以面要素的左下角点为起始点，沿逆时针方向顺次计算各个弧段的方向夹角并记录反映主体形状45°以上的夹角；
③然后，根据参与计算的两要素的夹角大小及顺序的一致性情况，通过公式Ⅳ计算两要素间的形状相似度指数；
公式Ⅳ如下所示：
其中，(α1,α2,...,αn)、(β1,β2,...,βn)分别为空间中彼此邻近的两面要素Xs、Xt的内角集合，为邻近面要素Xs、Xt的形状相似度；
④最后，将计算所得的形状相似度指数与设置为10°的阈值进行比较，当判定为适宜进行毗邻化操作，反之，不适合。
5.根据权利要求4所述的毗邻区特征识别及自动处理方法，其特征在于：步骤一中所述重叠度指数的确定过程为：邻近面要素分别用其主骨架线代替长边，相互投影，利用投影长度与主骨架线长度相比确定各自的要素重叠度指数，计算方法如公式Ⅴ所示：
其中，为要素Xs相对要素Xt的重叠指数，为要素Xt相对要素Xs的重叠指数，为要素Xs主骨架线向要素Xt主骨架线的投影长度，为要素Xt主骨架线向要素Xs主骨架线进行投影得到的投影长度，分别为要素Xs、要素Xt的主骨架线长度；
通过公式Ⅴ计算得到重叠度指数OI，当OI值介于0-1之间且OI≥0.5，判定为适宜进行毗邻化操作，反之，不适合；其中OI等于0时，属于相靠邻近、相对邻近的特殊情况；OI等于1时，属于完全相靠相邻。
6.根据权利要求5所述的毗邻区特征识别及自动处理方法，其特征在于：步骤二中所述扩张-腐蚀变换方法为：先对原始多边形面群向外进行距离为L的数学形态学意义上的扩张变换，以融合各个多边形扩张后重叠部分，得到边界多边形P1，然后对多边形P1向内进行距离为L的腐蚀变换得到多边形P2。
7.根据权利要求6所述的毗邻区特征识别及自动处理方法，其特征在于：步骤四中所述桥接面毗邻化线的提取过程为：将毗邻区***边界轮廓与原始面群进行空间叠加操作，计算得到原始面群的桥接区，更新毗邻区的拓扑关系，将桥接区转为桥接面要素，并计算桥接面的主骨架线，当该骨架线满足准确反映桥接面的主延伸方向和主体形状特征、自然光滑、末端结点在***边界轮廓上三个条件时，作作毗邻化线；
所述利用边界作为约束进行修正的具体过程为：首先，将桥接面与原始面群统一构建语义拓扑结构，当某一弧段无语义信息且属于桥接面的组成弧段，则该弧段为边界弧段，与此弧段相连的骨架线优先得到保留，同时，当所提骨架线的末节点不在边界上，则该段骨架线应去除，其中骨架线为毗邻化线。
CN201810795251.1A 2018-07-19 2018-07-19 一种毗邻区特征识别及自动处理方法 Withdrawn CN109034234A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810795251.1A CN109034234A (zh) 2018-07-19 2018-07-19 一种毗邻区特征识别及自动处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810795251.1A CN109034234A (zh) 2018-07-19 2018-07-19 一种毗邻区特征识别及自动处理方法

Publications (1)

Publication Number Publication Date
CN109034234A true CN109034234A (zh) 2018-12-18

Family

ID=64644295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810795251.1A Withdrawn CN109034234A (zh) 2018-07-19 2018-07-19 一种毗邻区特征识别及自动处理方法

Country Status (1)

Country Link
CN (1) CN109034234A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816749A (zh) * 2019-02-14 2019-05-28 中国测绘科学研究院 图斑地图符号填充方法、装置、计算机设备及存储介质
CN110009649A (zh) * 2019-04-10 2019-07-12 中国测绘科学研究院 一种交叉口密集区域的骨架线提取方法
CN110176018A (zh) * 2019-04-18 2019-08-27 中国测绘科学研究院 一种保持结构化地物轮廓特征的图斑合并方法
CN111104535A (zh) * 2019-11-20 2020-05-05 中国第一汽车股份有限公司 一种数据管理***及数据管理方法
CN115719492A (zh) * 2022-11-29 2023-02-28 中国测绘科学研究院 一种面状要素宽窄特征识别方法、装置、设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139031A (zh) * 2015-08-21 2015-12-09 天津中科智能识别产业技术研究院有限公司 一种基于子空间聚类的数据处理方法
US20160267758A1 (en) * 2015-03-13 2016-09-15 Morpho Method and device for monitoring individuals in a place equipped with distributed detection means
CN106162548A (zh) * 2015-04-28 2016-11-23 ***通信集团公司 一种识别超远邻区覆盖的方法及装置
CN106255126A (zh) * 2015-06-09 2016-12-21 ***通信集团湖北有限公司 一种识别基站位置区插花的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160267758A1 (en) * 2015-03-13 2016-09-15 Morpho Method and device for monitoring individuals in a place equipped with distributed detection means
CN106162548A (zh) * 2015-04-28 2016-11-23 ***通信集团公司 一种识别超远邻区覆盖的方法及装置
CN106255126A (zh) * 2015-06-09 2016-12-21 ***通信集团湖北有限公司 一种识别基站位置区插花的方法及装置
CN105139031A (zh) * 2015-08-21 2015-12-09 天津中科智能识别产业技术研究院有限公司 一种基于子空间聚类的数据处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHENGMING LI 等: "An Automated Processing Method for Agglomeration Areas", 《MDPI》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816749A (zh) * 2019-02-14 2019-05-28 中国测绘科学研究院 图斑地图符号填充方法、装置、计算机设备及存储介质
CN110009649A (zh) * 2019-04-10 2019-07-12 中国测绘科学研究院 一种交叉口密集区域的骨架线提取方法
CN110009649B (zh) * 2019-04-10 2020-03-17 中国测绘科学研究院 一种交叉口密集区域的骨架线提取方法
CN110176018A (zh) * 2019-04-18 2019-08-27 中国测绘科学研究院 一种保持结构化地物轮廓特征的图斑合并方法
CN111104535A (zh) * 2019-11-20 2020-05-05 中国第一汽车股份有限公司 一种数据管理***及数据管理方法
CN115719492A (zh) * 2022-11-29 2023-02-28 中国测绘科学研究院 一种面状要素宽窄特征识别方法、装置、设备及可读存储介质
CN115719492B (zh) * 2022-11-29 2023-08-11 中国测绘科学研究院 一种面状要素宽窄特征识别方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN109034234A (zh) 一种毗邻区特征识别及自动处理方法
KR100810294B1 (ko) 3차원 메쉬 데이터의 특징-유지 간략화 방법
CN112699623B (zh) 基于非结构网格规则化重构技术的高精度热流计算方法
CN110276732B (zh) 一种顾及地形特征线要素的山区点云空洞修复方法
CN106897445A (zh) 一种基于ArcGIS的改进边界划定操作的新型方法
CN105205841B (zh) 地理信息***的地图生成方法和***
CN109636870A (zh) 一种狭长图斑分块融解方法及装置
Danovaro et al. Morphology-driven simplification and multiresolution modeling of terrains
CN105069181A (zh) 基于患者股骨参数的个性化远端解剖型接骨板设计方法
JPH04243487A (ja) 三次元立体形状処理方式
Chen et al. Automatic surface repairing, defeaturing and meshing algorithms based on an extended B-rep
Schneider Extraction of hierarchical surface networks from bilinear surface patches
Xin et al. Efficiently computing geodesic offsets on triangle meshes by the extended Xin–Wang algorithm
CN105894553B (zh) 一种基于格栅选择的街巷空间形态布局方法
CN104143214A (zh) 一种电子地图多边形三角剖分方法与装置
Yin Direct generation of extended STL file from unorganized point data
Regnauld et al. Automatic amalgamation of buildings for producing ordnance survey® 1: 50 000 scale maps
CN111008429B (zh) 一种基于点云的异构cad几何一致性对比方法
Kieler et al. Matching river datasets of different scales
Diatta et al. On the isotopic meshing of an algebraic implicit surface
Han et al. A fast propagation scheme for approximate geodesic paths
Ng et al. Incremental tessellation of trimmed parametric surfaces
Gold et al. The crust and skeleton–applications in GIS
Djebali et al. Range-image segmentation and model reconstruction based on a fit-and-merge strategy
JP2006277712A (ja) ３次元モデルのフィッティング装置、方法及びプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20181218