CN112035592B - 基于stroke末梢特征的路网孤立网眼消除方法 - Google Patents
基于stroke末梢特征的路网孤立网眼消除方法 Download PDFInfo
- Publication number
- CN112035592B CN112035592B CN202010930440.2A CN202010930440A CN112035592B CN 112035592 B CN112035592 B CN 112035592B CN 202010930440 A CN202010930440 A CN 202010930440A CN 112035592 B CN112035592 B CN 112035592B
- Authority
- CN
- China
- Prior art keywords
- meshes
- mesh
- road
- stroke
- density
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于stroke末梢特征的路网孤立网眼消除方法,应用于地理制图学技术领域,包括获取地形图原始路网数据;为原始路网数据构造节点‑弧段‑多边形拓扑;计算原始路网中每个网眼的密度,并利用样图统计法确定网眼密度阈值,将网眼密度超过该阈值的网眼定义为小网眼;构建道路stroke,并识别道路stroke末梢弧段;提取包含道路stroke末梢弧段的小网眼,并将其定义为stroke末梢网眼,不包含道路stroke末梢弧段的小网眼,定义为stroke非末梢网眼;将步骤5得到的stroke末梢网眼放入待处理网眼候选集;等步骤。本发明将路网中的网眼分类进行定义,将与道路边缘相关的小网眼定义为末梢网眼并对其进行消除,避免道路网眼消除不合理对道路连通性和完整性形成的破坏。
Description
技术领域
本发明涉及地理制图学技术领域,尤其涉及基于stroke末梢特征的路网孤立网眼消除方法。
背景技术
地图上的道路网是对真实地理世界道路网络连通与分布情况的客观构建,是地图的骨架要素。通常,道路网等级繁多、关系复杂、成网络状,因此,如何良好的实现道路网多尺度连续表达一直是难点问题。道路网通过各路段相互连接并形成一系列网眼,在进行多尺度连续表达时,需要对路网的网眼进行科学的消除,从而确保多尺度表达时,既能够保持道路本身的连通性和完整性,又能够准确反映道路的空间形状和路网密度特征。
道路网的网眼消除一直以来就是道路网多尺度连续表达研究的热点。如国际上,学者Wanning和Muller等人,在1996年的研究中,提出了一种基于图论的网眼消除方法,在消除过程中易于路网数据的组织,有效保持路网拓扑关系,但这种方法不能描述道路形状和路网结构。为此,Thomson在其1999年和2006年的研究中,将视觉知觉的格式塔理论引入到道路网网眼的消除中,提出了一种基于stroke特征的道路网眼消除方法,提高了网眼消除的准确性。我国学者刘耀林、艾廷华、胡云岗等在2007-2016年的研究中,在Thomson方法基础上,利用道路的长度、连接性、道路语义特征、路网网眼密度等计算道路stroke重要性,开展道路网眼的消除及路网的选取。上述方法在城市等道路密集区域,能够有效的实现道路网眼的消除,但在某些特殊地区,通过上述方法消除的网眼,会位于道路网的中部,造成道路连通性和完整性的破坏。
为此,本发明提出一种基于stroke末梢特征的路网孤立网眼消除方法,与已有研究方法不同,其将路网中的网眼分类进行定义,将与道路边缘相关的小网眼定义为末梢网眼并对其进行消除,避免道路网眼消除不合理对道路连通性和完整性形成的破坏。
因此,提供一种能够避免因道路网眼消除不合理,对道路连通性和完整性形成的破坏的基于stroke末梢特征的路网孤立网眼消除方法,是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了基于stroke末梢特征的路网孤立网眼消除方法。
为了实现上述目的,本发明采用如下技术方案:
基于stroke末梢特征的路网孤立网眼消除方法,包括如下步骤:
步骤1:获取地形图原始路网数据;
步骤2:为原始路网数据构造节点-弧段-多边形拓扑,拓扑多边形对应的封闭区域即为网眼;
步骤3:计算原始路网中每个网眼的密度,并利用样图统计法确定网眼密度阈值,将网眼密度超过该阈值的网眼定义为小网眼;
步骤4:构建道路stroke,并识别道路stroke末梢弧段;
步骤5:提取包含道路stroke末梢弧段的小网眼,并将其定义为stroke末梢网眼,不包含道路stroke末梢弧段的小网眼,定义为stroke非末梢网眼;
步骤6:将步骤5得到的stroke末梢网眼放入待处理网眼候选集;
步骤7:采用网眼密度降序方式,对网眼候选集中的stroke末梢网眼进行排序,并选择其中网眼密度最大的stroke末梢网眼进行处理,处理后的stroke末梢网眼与邻接网眼合并形成新的网眼;
步骤8:计算步骤7中得到的新的网眼的密度,并判断其是否超过密度阈值,若超过,进入步骤9;若未超过,进入步骤10;
步骤9:判断进入该步骤的新的网眼是否包括道路stroke末梢弧段,若包括,则将该网眼放入并更新步骤6中待处理网眼候选集;若未包括,则进入步骤10;
步骤10:判断进入该步骤网眼的邻近网眼是否存在新的包含末梢弧段的网眼,若存在,计算该邻近网眼的密度,并判断其是否超过密度阈值,若超过,放入并更新待处理网眼候选集,若为超过,则进入步骤11;若不存在,进入步骤11;
步骤11:判断待处理网眼候选集中的所有stroke末梢网眼是否处理完毕,若处理完毕,则进入步骤12;若未处理完毕,回到步骤7;
步骤12、保留stroke非末梢网眼,得到消除结果。
优选的,在步骤3中网眼密度阈值计算方法,是比较道路网综合前后两个尺度的网眼密度分布曲线,取曲线明显不同的***节点的相应值作为密度阈值。
优选的,在步骤4中,stroke末梢弧段的判定方法,是该弧段自身与同一道路stroke中其他弧段的交叉节点数小于2(1或0),则该弧段被定义为末梢弧段。
优选的,在步骤5中,stroke末梢网眼和stroke非末梢网眼的判定方法,是与末梢弧段相关的小网眼定义为stroke末梢网眼,其余的定义为为stroke非末梢网眼。
优选的,步骤7中末梢网眼的处理包括:计算该stroke末梢网眼中每个末梢弧段的重要性,删除该重要性最低的末梢弧段,判断该stroke末梢网眼是否有邻接网眼,若有完成与邻接网眼的合并,若没有则重复步骤7。
优选的,在步骤7中,末梢弧段重要性计算方法,如下:
I=max{C,DSLS,L} (1)
式(1)中,C为道路等级,DS为stroke等级,LS为stroke长度,L为弧段长度,将上述参数的重要性按降序设置,并计算得到最大值即为该末梢弧段的重要性。
经由上述的技术方案可知,与现有技术相比,本发明提供了基于stroke末梢特征的路网孤立网眼消除方法,将路网中的网眼分类进行定义,将与道路边缘相关的小网眼定义为末梢网眼并对其进行消除,避免道路网眼消除不合理对道路连通性和完整性形成的破坏。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明网眼消除方法的流程图;
图2为本发明实施例密度阈值确定方法;
图3为本发明实施例中末梢弧段和末梢网眼示意图,其中图3.1为路网最***区域,图3.2为路网内部单回路区域和连通区域;
图4为本发明实施例中试验所采用的数据,其中图4.1为1:10000原始道路数据,图4.2为1:50000样本数据;
图5为本发明实施例中试验所进行的网眼消除顺序比较,其中,图5.1为对比方法的顺序,图5.2为本发明方法的顺序;
图6为本发明实施例中,三种典型区域末梢网眼消除结果比较,其中,图6.1为对比方法的最小网眼消除结果,图6.2为本发明方法的最小网眼消除结果,图6.3为对比方法的中等网眼消除结果,图6.4为本发明方法的中等网眼消除结果,图6.5为对比方法的最大网眼消除结果,图6.6为本发明方法的最大网眼消除结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照附图1所示,本发明提供了基于stroke末梢特征的路网孤立网眼消除方法,包括如下步骤:
步骤1:获取地形图原始路网数据;
步骤2:为原始路网数据构造节点-弧段-多边形拓扑,拓扑多边形对应的封闭区域即为网眼;
步骤3:计算原始路网中每个网眼的密度,并利用样图统计法确定网眼密度阈值,将网眼密度超过该阈值的网眼定义为小网眼;
步骤4:构建道路stroke,并识别道路stroke末梢弧段;
步骤5:提取包含道路stroke末梢弧段的小网眼,并将其定义为stroke末梢网眼,不包含道路stroke末梢弧段的小网眼,定义为stroke非末梢网眼;
步骤6:将步骤5得到的stroke末梢网眼放入待处理网眼候选集;
步骤7:采用网眼密度降序方式,对网眼候选集中的stroke末梢网眼进行排序,并选择其中网眼密度最大的stroke末梢网眼进行处理,处理后的stroke末梢网眼与邻接网眼合并形成新的网眼;
步骤8:计算步骤7中得到的新的网眼的密度,并判断其是否超过密度阈值,若超过,进入步骤9;若未超过,进入步骤10;
步骤9:判断进入该步骤的新的网眼是否包括道路stroke末梢弧段,若包括,则将该网眼放入并更新步骤6中待处理网眼候选集;若未包括,则进入步骤10;
步骤10:判断进入该步骤网眼的邻近网眼是否存在新的包含末梢弧段的网眼,若存在,计算该邻近网眼的密度,并判断其是否超过密度阈值,若超过,放入并更新待处理网眼候选集,若为超过,则进入步骤11;若不存在,进入步骤11;
步骤11:判断待处理网眼候选集中的所有stroke末梢网眼是否处理完毕,若处理完毕,则进入步骤12;若未处理完毕,回到步骤7;
步骤12、保留stroke非末梢网眼,得到消除结果。
其中,在步骤3中网眼密度阈值计算方法,是比较道路网综合前后两个尺度的网眼密度分布曲线,取曲线明显不同的***节点的相应值作为密度阈值。在步骤4中,stroke末梢弧段的判定方法,是该弧段自身与同一道路stroke中其他弧段的交叉节点数小于2(1或0),则该弧段被定义为末梢弧段。在步骤5中,stroke末梢网眼和stroke非末梢网眼的判定方法,是与末梢弧段相关的小网眼定义为stroke末梢网眼,其余的定义为为stroke非末梢网眼。步骤7中末梢网眼的处理包括:计算该stroke末梢网眼中每个末梢弧段的重要性,删除该重要性最低的末梢弧段,判断该stroke末梢网眼是否有邻接网眼,若有完成与邻接网眼的合并,若没有则重复步骤7。在步骤7中,末梢弧段重要性计算方法,如下:
I=max{C,DSLS,L} (1)
式(1)中,C为道路等级,DS为stroke等级,LS为stroke长度,L为弧段长度,将上述参数的重要性按降序设置,并计算得到最大值即为该末梢弧段的重要性。
实施例一
如图2所示,本实施例针对步骤S3进行解释。为了确定合适的网眼密度阈值,本发明采用样本数据统计算法。如图2中,以比例尺1:10000综合至1:50000为例,统计比较道路网综合前后两个尺度的网眼密度分布曲线,每条曲线代表了网眼数与网眼密度之间的关系。取曲线明显不同的***节点的相应值作为密度阈值。在图2中,当网眼密度等于0.016m/m2时,两条曲线彼此相差很大,为此0.016m/m2被视为1:50000的网眼密度阈值。相应地,网眼密度超过该阈值的网眼定义为小网眼。
实施例二
如图3所示,本实施例针对步骤S4和S5进行解释,即末梢弧段、末梢网眼和非末梢网眼的识别。
末梢弧段:对于一个路段,如果其自身与同一路段中其他弧段的交叉节点数小于2(即0或1),则该弧段被定义为末梢弧段。如图3.1所示,路段S1的末梢弧段为AB和CD,路段S2的末梢弧段为EF和GH,路段S5的末梢弧段为CG和KN。若有一条封闭的路段,其起点和终点节点重合,那该路段也为末梢弧段。
末梢网眼和非末梢网眼:与末梢弧段相关且不与其他小网眼相邻的网眼定义为末梢网眼,与道路stroke边段无关的小网眼定义为非末梢网眼。例如,图3.1中的网眼I是末梢网眼,网眼II是非末梢网眼。可见,末梢网眼I和非末梢网眼II的根本区别在于存在一个或多个末梢弧段。对于末梢网眼,存在末梢弧段,如果删除,则不会影响道路的连通性。相反,对于非末梢网眼,其不存在末梢弧段,当网眼中的任何弧段被删除时,关联stroke的连接性会被破坏。
通常,末梢网眼主要集中在三种区域:路网最***区域、路网内部单回路区域和道路形成的连通区域。如图3.1所示,末梢网眼I位于路网的最***区域;在图3.2中,弧段AB是一个末梢弧段,因此包含该弧段的网眼I是末梢网眼,它位于道路形成的连通区域;弧段CD也是一个末梢弧段,因此,网眼III是末梢网眼,它位于路网内部单回路区域。
实施例三
如图4-图6所示,为本实施中为了验证本发明所述方法的可靠性和优越性进行的试验。
图4.1为江苏省某地区1:10000地形图中的原始道路数据,数据范围为14.91×15.67km2,共有道路目标1064个,数据综合的目标比例尺为1:50000。所采用的网眼密度阈值按1:50000的比例设置为0.016m/m2,图4.2所示的为制图人员手工综合的1:50000样本数据。
图5.1和图5.2分别说明了胡云岗等提出的基于网眼的方法和本发明方法获得的试验路网数据的网眼消除顺序。用两种方法计算的消除顺序完全不同,分别用红色数字标记。采用基于网眼的方法,按网眼密度的降序对376个小网眼进行识别和剔除。相比之下,基于本发明方法共消除了376个小网眼中的365个末梢网眼,保留了11个非末梢网眼,连通性更好。
为了定量比较消除效果,实施例中对消除结果进行统计分析,其结果如表1所示。可以看出,1:10000原始数据中悬挂的路段为43条,1:50000样本数据中的悬挂路段为40条,表明在网眼消除过程中,制图人员手工消除了3条悬挂路段。对比可见,基于网眼的方法保留了48条悬挂路段,本发明方法保留了41条,更接近于手工消除得到的结果。此外,本发明方法比基于网眼的方法保留的网眼数多11个,也更接近于手工消除结果,间接表明本方法得到的结果更合理。最后,两种方法得到的网眼总面积为192.65km2,表明两种方法下所有保留的道路网眼所形成的区域整体形状基本相同。
表1.消除结果统计
为了进一步验证本发明方法网眼消除结果的可靠性和优越性,实施例中计算并比较了最大相似度和平均连通度,结果如表2所示。可以看出,本发明方法得到的结果与1:50000样本数据结果的最大相似度高达91.64%,高于基于网眼的方法得到的结果89.52%。此外,本发明方法得到的网眼消除结果的修正平均连通度为1,表明本发明方法有效地保留了所有道路stroke的道路连通性,没有对任何stroke进行破坏,也没有产生孤立路段,而基于网眼的方法得到的网眼消除结果的修正平均连通度为0.95,表明部分道路stroke存在破坏。
表2最大相似度和平均连通度对比
图6为采用基于网眼方法和本发明方法,对三种典型区域末梢网眼消除结果比较。其中,对于三种区域,基于网眼的方法消除了弧段b,因为b是最不重要的弧段,而b所在的道路stroke在中间被分成了两个stroke,如图6.1,6.3,6.5所示。而本发明方法是以末梢弧段为消除单元,其保留了弧段b,消除了末梢弧段a,因此保留了弧段a和b所在的道路stroke,视觉连续性更好,而本发明方法得到的路网整体结构与手工消除结果更为相似,如图6.2,6.4,6.6。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.基于stroke末梢特征的路网孤立网眼消除方法,其特征在于,包括如下步骤:
步骤1:获取地形图原始路网数据;
步骤2:为原始路网数据构造节点-弧段-多边形拓扑,拓扑多边形对应的封闭区域即为网眼;
步骤3:计算原始路网中每个网眼的密度,并利用样图统计法确定网眼密度阈值,将网眼密度超过该阈值的网眼定义为小网眼;
步骤4:构建道路stroke,并识别道路stroke末梢弧段;
步骤5:提取包含道路stroke末梢弧段的小网眼,并将其定义为stroke末梢网眼,不包含道路stroke末梢弧段的小网眼,定义为stroke非末梢网眼;
步骤6:将步骤5得到的stroke末梢网眼放入待处理网眼候选集;
步骤7:采用网眼密度降序方式,对网眼候选集中的stroke末梢网眼进行排序,并选择其中网眼密度最大的stroke末梢网眼进行处理,处理后的stroke末梢网眼与邻接网眼合并形成新的网眼;
步骤8:计算步骤7中得到的新的网眼的密度,并判断其是否超过密度阈值,若超过,进入步骤9;若未超过,进入步骤10;
步骤9:判断进入该步骤的新的网眼是否包括道路stroke末梢弧段,若包括,则将该网眼放入并更新步骤6中待处理网眼候选集;若未包括,则进入步骤10;
步骤10:判断进入该步骤网眼的邻近网眼是否存在新的包含末梢弧段的网眼,若存在,计算该邻近网眼的密度,并判断其是否超过密度阈值,若超过,放入并更新待处理网眼候选集,若未超过,则进入步骤11;若不存在,进入步骤11;
步骤11:判断待处理网眼候选集中的所有stroke末梢网眼是否处理完毕,若处理完毕,则进入步骤12;若未处理完毕,回到步骤7;
步骤12、保留stroke非末梢网眼,得到消除结果;
步骤7中末梢网眼的处理包括:计算该stroke末梢网眼中每个末梢弧段的重要性,删除该重要性最低的末梢弧段,判断该stroke末梢网眼是否有邻接网眼,若有完成与邻接网眼的合并,若没有则重复步骤7。
2.根据权利要求1所述的基于stroke末梢特征的路网孤立网眼消除方法,其特征在于,在步骤4中,stroke末梢弧段的判定方法,是该弧段自身与同一道路stroke中其他弧段的交叉节点数小于2,则该弧段被定义为末梢弧段。
3.根据权利要求1所述的基于stroke末梢特征的路网孤立网眼消除方法,其特征在于,在步骤7中,末梢弧段重要性计算方法,如下:
I=max{C,DSLS,L} (1)
式(1)中,C为道路等级,DS为stroke等级,LS为stroke长度,L为弧段长度,将上述参数的重要性按降序设置,并计算得到最大值即为该末梢弧段的重要性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010930440.2A CN112035592B (zh) | 2020-09-07 | 2020-09-07 | 基于stroke末梢特征的路网孤立网眼消除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010930440.2A CN112035592B (zh) | 2020-09-07 | 2020-09-07 | 基于stroke末梢特征的路网孤立网眼消除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112035592A CN112035592A (zh) | 2020-12-04 |
CN112035592B true CN112035592B (zh) | 2021-03-23 |
Family
ID=73584105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010930440.2A Active CN112035592B (zh) | 2020-09-07 | 2020-09-07 | 基于stroke末梢特征的路网孤立网眼消除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112035592B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080189029A1 (en) * | 2004-10-18 | 2008-08-07 | Pierre Hayot | Route Calculation Method and Device with Progressive Elimination of Data Corresponding to the Road Network |
EP2470863B1 (en) * | 2009-08-25 | 2014-12-24 | Tomtom Belgium N.V. | Digital map editing process using active contour manipulation |
GB201501245D0 (en) * | 2015-01-26 | 2015-03-11 | Ordnance Survey | Method and system for generalising topographical map data |
CN109740289A (zh) * | 2019-01-28 | 2019-05-10 | 首都师范大学 | 一种集成线、面模式的道路网选取方法 |
CN110008602B (zh) * | 2019-04-10 | 2020-03-17 | 中国测绘科学研究院 | 一种大比例尺下顾及多特征协调的路网选取方法 |
CN111611668A (zh) * | 2020-06-06 | 2020-09-01 | 兰州交通大学 | 一种顾及几何特征与语义信息的道路网自动选取方法 |
CN111611667A (zh) * | 2020-06-06 | 2020-09-01 | 兰州交通大学 | 一种结合poi数据的道路网自动选取方法 |
-
2020
- 2020-09-07 CN CN202010930440.2A patent/CN112035592B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112035592A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105701204B (zh) | 基于道路网的电子地图兴趣点的提取方法及显示方法 | |
CN110008602B (zh) | 一种大比例尺下顾及多特征协调的路网选取方法 | |
CN111639237A (zh) | 一种基于聚类和关联规则挖掘的电力通信网风险评估*** | |
CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN110688958A (zh) | 基于GoogLeNet神经网络的交叉路口识别方法 | |
CN111027574A (zh) | 基于图卷积的建筑物模式识别方法 | |
CN108268460A (zh) | 一种基于大数据的自动选择最优模型的方法 | |
CN107818338B (zh) | 一种面向地图综合的建筑物群组模式识别的方法及*** | |
CN104317908A (zh) | 基于三支决策和距离的离群点检测方法 | |
CN112926556A (zh) | 一种基于语义分割的航拍输电线路散断股识别方法及*** | |
CN112529044A (zh) | 基于车载LiDAR的铁路接触网提取分类的方法 | |
CN112035592B (zh) | 基于stroke末梢特征的路网孤立网眼消除方法 | |
CN114511587A (zh) | 一种ct图像的标记方法、***、介质及设备 | |
CN108108700B (zh) | 一种基于弦轴变换的猪的特征区域识别方法 | |
AU2021102429A4 (en) | Method for selecting roads in a small-mesh accumulation area | |
CN115309846B (zh) | 一种基于平行系数的道路网结构识别方法 | |
CN113158084A (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
CN109033746B (zh) | 一种基于节点向量的蛋白质复合物识别方法 | |
CN113393129B (zh) | 顾及路网关联约束的海量建筑物多尺度分块合并方法 | |
CN116071455A (zh) | 一种基于同尺度相似关系的道路网stroke生成方法 | |
CN111985065A (zh) | 基于引力场理论的道路自动选取技术 | |
CN113449403B (zh) | 一种基于分层网络划分的复杂网络节点评价方法 | |
CN115359286A (zh) | 一种基于多网络特征融合的输电线路悬挂异物检测方法 | |
Wu et al. | Automatic Selection Method of Urban Road Network Considering Structural Characteristics | |
Santri et al. | Analysis Of Poverty Level Mapping In Riau Province Using The K-Means Method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |