CN113190639B - 居民地制图综合方法 - Google Patents

居民地制图综合方法 Download PDF

Info

Publication number
CN113190639B
CN113190639B CN202110522060.XA CN202110522060A CN113190639B CN 113190639 B CN113190639 B CN 113190639B CN 202110522060 A CN202110522060 A CN 202110522060A CN 113190639 B CN113190639 B CN 113190639B
Authority
CN
China
Prior art keywords
vector
edge
integrated
synthesized
edges
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
Application number
CN202110522060.XA
Other languages
English (en)
Other versions
CN113190639A (zh
Inventor
陈翰新
周智勇
刘昌振
陈良超
胡开全
马红
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.)
Chongqing Institute Of Surveying And Mapping Science And Technology Chongqing Map Compilation Center
Original Assignee
Chongqing Survey Institute
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 Chongqing Survey Institute filed Critical Chongqing Survey Institute
Priority to CN202110522060.XA priority Critical patent/CN113190639B/zh
Publication of CN113190639A publication Critical patent/CN113190639A/zh
Application granted granted Critical
Publication of CN113190639B publication Critical patent/CN113190639B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种居民地制图综合方法，包括：首先，采用现有的技术获取居民地的矢量轮廓。然后，基于待综合阈值，遍历矢量轮廓中的每条矢量边，确定矢量轮廓中需要进行综合的待综合边。之后，按照设定的分组规则对每条待综合边包括的所有矢量边进行向量分组，并计算分组后的矢量边的和向量，得到每条待综合边对应的分组向量。然后，分别从每条待综合边对应的所有分组向量中选取出最优重组边，最后，用最优重组边替换掉原来的待综合边，得到综合后的居民地轮廓。无需预定义凹凸结构模板进行综合，综合后的居民地轮廓与原来的矢量轮廓相比，减少了居民地的节点，并且面积变化小，综合效果良好。

Description

居民地制图综合方法
技术领域
本发明涉及制图综合技术领域，具体涉及一种居民地制图综合方法。
背景技术
不同尺度下要素的表达精度和数据的承载量不同，从大比例尺数据到小比例尺数据转换时需要制图综合。居民地要素作为一种重要的要素，一直是制图综合关注的重点。居民地综合的基本目标是在保持居民地多边形主体不变的情况下，对小的凹凸结构进行识别和处理，同时尽量保持面积变化较小。现有技术中，一般预先定义一部分典型的凹凸结构模板，对待综合居民地凹凸结构识别和对比，根据识别的凹凸结构模板进行综合处理，对于较简单居民地有较好的处理效果。但是，针对复杂的居民地，因待综合边结构较复杂，定义的凹凸结构模版难以满足复杂结构的匹配，造成综合效果不好的情况。
发明内容
针对现有技术存在的不足，本发明提出一种居民地制图综合方法，通过设定的综合阈值可以识别出居民地矢量轮廓中的待综合边，通过确定待综合边对应的最优重组边对待综合边进行替换，从而得到综合后的居民地。
具体技术方案如下：
一种居民地制图综合方法，在第一种可实现方式中，包括：
获取居民地的矢量轮廓并确定待综合阈值；
遍历所述矢量轮廓中的每条矢量边，根据待综合阈值确定待综合初始边，并对确定待综合初始边进行分类处理，得到相应的待综合边；
对每条所述待综合边分别进行向量重组，并按照分组规则对重组后的向量进行分组求和，得到每条待综合边对应的分组向量；
根据相应的所述分组向量确定每条待综合边的最优重组边；
利用相应的最优重组边替换原来的待综合边，得到综合后的居民地轮廓。
结合第一种可实现方式，在第二种可实现方式中，所述待综合阈值为边长。
结合第二种可实现方式，在第三种可实现方式中，所述遍历所述矢量轮廓中的每条矢量边，根据待综合阈值确定待综合初始边，包括：
遍历所述矢量轮廓中的每条矢量边，确定每条矢量边的边长；
确定边长小于待综合阈值的矢量边，得到待综合矢量边；
将相邻的待综合矢量边组合成所述待综合初始边。
结合第一种可实现方式，在第四种可实现方式中，所述对待综合初始边进行分类处理包括：
遍历每条所述待综合初始边，通过分类标准确定所述待综合初始边的类型；
采用相应的处理方法分别对不同类型的所述待综合初始边进行处理，得到相应的待综合边。
结合第四种可实现方式，在第五种可实现方式中，所述分类标准为：
Figure BDA0003064423590000021
其中，a为组成待综合初始边的矢量边数量，L为待综合初始边的边长，b为待综合阈值。
结合第五种可实现方式，在第六种可实现方式中，所述简单边的处理方法包括：获取待综合初始边的前一条矢量边和后一条矢量边组成所述待综合边。
结合第五种可实现方式，在第七种可实现方式中，所述复杂边的处理方法包括：
按照边的顺序，逐一将所述复杂边中待综合矢量边加入到相应的待综合矢量边组中，直至其中一个待综合矢量边组的向量和边长大于2倍待综合阈值或者所有待综合矢量边组的向量和边长大于综合阈值；
将加入各个待综合矢量边组中的所有待综合矢量边组合成所述待综合边。
结合第一种可实现方式，在第八种可实现方式中，采用以下方法对所述待综合边进行向量分组：
对待综合边的矢量边进行向量平移，以将组成待综合边的所有矢量边的起点平移到同一节点；
根据设定的分组规则对平移后的所有矢量边进行分组。
结合第八种可实现方式，在第九种可实现方式中，所述分组规则为：两条矢量边之间满足|α1-α2|＜θ或|α1-α2-π|＜θ，则两条矢量边分为同一组，其中，α1、α2分别为所述两条矢量边的方位角，θ为预设的角度阈值。
结合第一种可实现方式，在第十种可实现方式中，采用以下方法确定所述待综合边对应的最优重组边：
将所述待综合边对应的所有分组向量按照不同的组合顺序进行组合，得到不同的重组边；
利用不同的重组边分别替换所述待综合边，得到相应的替换多边形；
计算所有替换多边形的面积；
将不同替换多边形的面积与替换前矢量轮廓的面积进行比较，选取面积变化最小的替换多边形对应的重组边作为最优重组边。
有益效果：采用本发明的居民地制图综合方法，通过给定的综合阈值，确定居民地矢量轮廓中的待综合边，对待综合边采用向量分组的方式获得分组向量，通过分组向量组合为重组边，在给定的优化规则下获得最优重组边，使用最优重组边替换待综合边，得到综合后的居民地。无需预定义凹凸结构模板，即可进行综合。
附图说明
为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明一实施例提供的综合方法的流程图；
图2为本发明一实施例提供的确定待综合边的流程图；
图3为本发明一实施例提供的计算待综合边对应的分组向量的流程图；
图4为本发明一实施例提供的确定待综合边对应的最优重组边的流程图；
图5为采用本发明的综合方法确定的待综合边的示意图；
图6为图5中组成待综合边3的矢量边示意图；
图7为待综合边3的矢量边重组结果示意图；
图8为待综合边3对应的分组向量的示意图；
图9为图8中的分组向量进行替换得到替换多边形的示意图；
图10为采用本发明的综合方法综合后的居民地轮廓示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
如图1所示的居民地制图综合方法的流程图，该综合方法包括：
步骤1、获取居民地的矢量轮廓并确定待综合阈值；
步骤2、遍历所述矢量轮廓中的每条矢量边，根据待综合阈值确定待综合初始边，并对确定待综合初始边进行分类处理，得到相应的待综合边；
步骤3、对每条所述待综合边分别进行向量重组，并按照分组规则对重组后的向量进行分组求和，得到每条待综合边对应的分组向量；
步骤4、根据相应的所述分组向量确定每条待综合边的最优重组边；
步骤5、利用相应的最优重组边替换原来的待综合边，得到综合后的居民地轮廓。
具体而言，首先，可以采用现有的技术获取居民地的矢量轮廓，如遥感影像，待综合阈值可以根据居民地的实际测量情况人工进行设定。然后，可以基于待综合阈值，遍历所述矢量轮廓中的每条矢量边，从而确定矢量轮廓中需要进行综合的待综合边。之后，可以按照设定的分组规则对得到的每条待综合边包括的所有矢量边进行向量分组，并计算分组后的矢量边的和向量，得到每条待综合边对应的分组向量。然后，可以分别从每条待综合边对应的所有分组向量中选取出最优重组边，最后，用最优重组边替换掉原来的待综合边，从而得到综合后的居民地轮廓。如此，无需预定义凹凸结构模板，即可实现复杂居民地轮廓的综合。
在本实施例中，优选的，为确定待综合边，首先，可以将每条所述矢量边与待综合阈值进行比较，确定小于待综合阈值的矢量边组合成待综合初始边。在本实施例中，待综合阈值可以为矢量边的边长，确定待综合初始边的具体步骤如图2所示，包括：
步骤2-1-1、遍历所述矢量轮廓中的每条矢量边，确定每条矢量边的边长；
步骤2-1-2、确定边长小于待综合阈值的矢量边，得到待综合矢量边；
步骤2-1-3、将相邻的待综合矢量边组合成所述待综合初始边。
然后，可以对所述对待综合初始边进行分类处理，具体包括：
步骤2-2-1、遍历每条所述待综合初始边，通过分类标准确定所述待综合初始边的类型；
步骤2-2-2、采用相应的处理方法分别对不同类型的所述待综合初始边进行处理，得到相应的待综合边。
在本实施例中，优选的，所述分类标准为：
Figure BDA0003064423590000051
其中，a为组成待综合初始边的矢量边数量，L为待综合初始边的边长，b为待综合阈值。具体而言，可以通过遍历每条待综合边，确定每条待综合初始边包括的矢量边数量，以及这些矢量边相连后的边长，将分类标准与每条待综合初始边的矢量边数量和边长进行比较，即可确定每条待综合初始边是属于简单边类型、常规边类型或者复杂边类型。之后即可针对不同类型的待综合初始边分别进行处理，采用合适的处理方法对待综合初始边进行处理，从而得到相应的待综合边。
在本实施例中，优选的，所述简单边的处理方法包括：获取待综合初始边的前一条矢量边和后一条矢量边组成所述待综合边。具体而言，当待综合初始边只有一条矢量边或两条矢量边时，向量重组后无法获得新的重组边，可以取待综合初始边的前一条矢量边和后一条矢量边组成的新的待综合边，新的待综合初始边包含三条或四条矢量边，是可进行向量重组获得新重组边的待综合边。
复杂边的长度较长或边数较多，直接采用向量重组的方式对复杂边处理后，可能导致最终综合后的面积变化较大，综合结果不合理。为解决面积变化较大的问题，可以按照一定的规则，对复杂待综合边渐进式处理。在本实施例中，优选的，所述复杂边的处理方法包括：
按照边的顺序，逐一将所述复杂边中待综合矢量边加入到相应的待综合矢量边组中，直至其中一个待综合矢量边组的向量和边长大于2倍待综合阈值或者所有待综合矢量边组的向量和边长大于综合阈值；
将加入各个待综合矢量边组中的所有待综合矢量边组合成所述待综合边。
具体而言，首先，可以从复杂边的第一条待综合矢量边开始，按照复杂边中每条待综合矢量的连接顺序，依次将每条待综合矢量边按照分组规则归入相应的待综合矢量边组中，并计算每次待综合矢量边加入待综合矢量边组后，每组待综合矢量边组的向量和，然后，将各组待综合矢量边组的向量和与待综合阈值进行比较，如果其中一个待综合矢量边组的向量和大于2倍待综合阈值，或者，所有的待综合矢量边组的向量和均大于待综合阈值，则停止对复杂边剩余的待综合矢量边进行分组。最后，就将各个待综合矢量边组中的待综合矢量边全部提取出来组合成复杂边对应的待综合边。
采用上述的方法得到的待综合边分布如图5所示，总共得到8组待综合边，其中待综合边1、待综合边2和待综合边4均由1条矢量边组成，待综合边6由2条矢量边组成，待综合边5和待综合边7均由3条矢量边组成，待综合边3和待综合边8均由7条矢量边组成。
在确定建筑物矢量轮廓所有的待综合边后，可以采用以下方法对每条待综合边进行处理，如图3所示，包括：
步骤3-1、对待综合边的矢量边进行向量平移，以将组成待综合边的所有矢量边的起点平移到同一节点；
步骤3-2、根据设定的分组规则对平移后的所有矢量边进行分组；
步骤3-3、对分组后的矢量边求和，得到待综合边对应的分组向量。
具体而言，对如图6所示的待综合边3进行处理时，首先，可以向将组成待综合边3的矢量边进行向量平移，将待综合边3的所有矢量边的起点平移到同一节点O，得到重组后的矢量边，重组结果如图7所示。
然后，按照设定的分组规则对图7中的矢量边进行分组，得到不同的矢量边组。在本实施例中，分组规则设定为：两条矢量边之间满足|α1-α2|＜θ或α1-α2-π|＜θ，则两条矢量边分为同一组，其中，α1、α2分别为所述两条矢量边的方位角，θ为预设的角度阈值，在本实施例中，角度阈值θ可以设定为π/24，图中的矢量边进行分组后得到的结果是：
Figure BDA0003064423590000071
最后，对分组后的矢量边组运用向量运算法则求和，得到待综合边对应的分组向量。其中，第一组的分组向量为
Figure BDA0003064423590000072
第二组的分组向量为
Figure BDA0003064423590000073
得到的结果如图8所示。
在本实施例中，优选的，如图4所示，采用以下方法确定所述待综合边对应的最优重组边：
步骤4-1、将所述待综合边对应的所有分组向量按照不同的组合顺序进行组合，得到不同的重组边；
步骤4-2、利用不同的重组边分别替换所述待综合边，得到相应的替换多边形；
步骤4-3、计算所有替换多边形的面积；
步骤4-4、将不同替换多边形的面积与替换前矢量轮廓的面积进行比较，选取面积变化最小的替换多边形对应的重组边作为最优重组边。
具体而言，首先，可以对分组向量
Figure BDA0003064423590000074
和分组向量
Figure BDA0003064423590000075
按照起点、终点的顺序构建重组边，可获得两个重组边，分别为重组边
Figure BDA0003064423590000076
和重组边
Figure BDA0003064423590000077
然后，可以利用重组边
Figure BDA0003064423590000081
和重组边
Figure BDA0003064423590000082
分别替换原来的待综合边3，得到如图9所示的两个替换多边形。之后，可以采用现有的计算方法计算这两个替换多边形的面积，最后，将两个替换多边形的面积与替换前的矢量轮廓对应的多边形的面积进行比较，从中选取出替换后面积变化最小的替换多边形，并将选取出的替换多边形对应的重组边作为最优重组边。在本实施例中，重组边
Figure BDA0003064423590000083
对应的替换多边形的面积变化最小，因此，选取重组边
Figure BDA0003064423590000084
对待综合边3进行替换。如此，采用上述的方法依次对每条待综合边进行替换，即可得到如图10所示的居民地轮廓，综合后的居民地轮廓与原来的矢量轮廓相比，减少了居民地的节点，并且面积变化小，综合效果良好。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种居民地制图综合方法，其特征在于，包括：
获取居民地的矢量轮廓并确定待综合阈值；
遍历所述矢量轮廓中的每条矢量边，根据待综合阈值确定待综合初始边，并对待综合初始边进行分类处理，得到相应的待综合边；
对每条所述待综合边分别进行向量重组，并按照分组规则对重组后的向量进行分组求和，得到待综合边对应的分组向量；
根据相应的所述分组向量确定每条待综合边的最优重组边；
利用相应的最优重组边替换原来的待综合边，得到综合后的居民地轮廓；
采用以下方法确定所述待综合边对应的最优重组边：
将所述待综合边对应的所有分组向量按照不同的组合顺序进行组合，得到不同的重组边；
利用不同的重组边分别替换所述待综合边，得到相应的替换多边形；
计算所有替换多边形的面积；
将不同替换多边形的面积与替换前矢量轮廓的面积进行比较，选取面积变化最小的替换多边形对应的重组边作为最优重组边。
2.根据权利要求1所述的居民地制图综合方法，其特征在于，所述待综合阈值为边长。
3.根据权利要求2所述的居民地制图综合方法，其特征在于，所述遍历所述矢量轮廓中的每条矢量边，根据待综合阈值确定待综合初始边，包括：
遍历所述矢量轮廓中的每条矢量边，确定每条矢量边的边长；
确定边长小于待综合阈值的矢量边，得到待综合矢量边；
将相邻的待综合矢量边组合成所述待综合初始边。
4.根据权利要求1所述的居民地制图综合方法，其特征在于，所述对待综合初始边进行分类处理包括：
遍历每条所述待综合初始边，通过分类标准确定所述待综合初始边的类型；
采用相应的处理方法分别对不同类型的所述待综合初始边进行处理，得到相应的待综合边。
5.根据权利要求4所述的居民地制图综合方法，其特征在于，所述分类标准为：
Figure FDA0003917495830000021
其中，a为组成待综合初始边的矢量边数量，L为待综合初始边的边长，b为待综合阈值。
6.根据权利要求5所述的居民地制图综合方法，其特征在于，所述简单边的处理方法包括：获取待综合初始边的前一条矢量边和后一条矢量边组成所述待综合边。
7.根据权利要求5所述的居民地制图综合方法，其特征在于，所述复杂边的处理方法包括：
按照边的顺序，逐一将所述复杂边中待综合矢量边加入到相应的待综合矢量边组中，直至其中一个待综合矢量边组的向量和边长大于2倍待综合阈值或者所有待综合矢量边组的向量和边长大于综合阈值；
将加入各个待综合矢量边组中的所有待综合矢量边组合成所述待综合边。
8.根据权利要求1所述的居民地制图综合方法，其特征在于，采用以下方法对所述待综合边进行分组：
对待综合边的矢量边进行向量平移，以将组成待综合边的所有矢量边的起点平移到同一节点；
根据设定的分组规则对平移后的所有矢量边进行分组。
9.根据权利要求8所述的居民地制图综合方法，其特征在于，所述分组规则为：两条矢量边之间满足|α1-α2|<θ或|α1-α2-π|<θ，则两条矢量边分为同一组，其中，α1、α2分别为所述两条矢量边的方位角，θ为预设的角度阈值。
CN202110522060.XA 2021-05-13 2021-05-13 居民地制图综合方法 Active CN113190639B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110522060.XA CN113190639B (zh) 2021-05-13 2021-05-13 居民地制图综合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110522060.XA CN113190639B (zh) 2021-05-13 2021-05-13 居民地制图综合方法

Publications (2)

Publication Number Publication Date
CN113190639A CN113190639A (zh) 2021-07-30
CN113190639B true CN113190639B (zh) 2022-12-13

Family

ID=76981412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110522060.XA Active CN113190639B (zh) 2021-05-13 2021-05-13 居民地制图综合方法

Country Status (1)

Country Link
CN (1) CN113190639B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268729A (zh) * 2013-05-22 2013-08-28 北京工业大学 基于混合特征的移动机器人级联式地图创建方法
CN105787977A (zh) * 2016-02-26 2016-07-20 民政部国家减灾中心 建筑物矢量边界简化的方法
CN106649776A (zh) * 2016-12-27 2017-05-10 中科宇图科技股份有限公司 一种半自动化综合矢量多边形的方法
CN106710437A (zh) * 2016-12-26 2017-05-24 中国矿业大学(北京) 电子地图的编制方法和***
CN107818338A (zh) * 2017-10-16 2018-03-20 辛秦川 一种面向地图综合的建筑物群组模式识别的方法及***
CN108830876A (zh) * 2018-05-28 2018-11-16 河海大学 一种水域轮廓提取及面积检测方法
CN109903304A (zh) * 2019-02-25 2019-06-18 武汉大学 一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法
CN109991636A (zh) * 2019-03-25 2019-07-09 启明信息技术股份有限公司 基于gps、imu以及双目视觉的地图构建方法及***
CN110363053A (zh) * 2018-08-09 2019-10-22 中国人民解放军战略支援部队信息工程大学 一种遥感影像居民地提取方法及装置
CN111241228A (zh) * 2020-01-15 2020-06-05 合肥慧图软件有限公司 基于矢量数据与图形化处理技术的综合制图方法
CN112581468A (zh) * 2020-12-29 2021-03-30 二十一世纪空间技术应用股份有限公司 一种面向遥感影像提取信息的处理方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6853386B1 (en) * 2002-02-27 2005-02-08 At&T Corp. Method for generating contiguous cartograms
GB2457215A (en) * 2007-03-07 2009-08-12 Nikolaos Kokkas Automatic 3D Modelling
CN101930483B (zh) * 2009-11-25 2012-07-04 中国人民解放军信息工程大学 应用参数化设计模型化简数字地图居民地多边形的方法
CN102902837B (zh) * 2012-07-25 2015-02-11 南京大学 一种复杂矢量多边形图形空间叠置分析制图方法
CN103559506B (zh) * 2013-11-19 2015-04-15 中国科学院地理科学与资源研究所 一种基于矢量边界的亚像元制图方法
EP3133510A1 (en) * 2015-08-17 2017-02-22 Palantir Technologies, Inc. Interactive geospatial map
CN107220481B (zh) * 2017-05-09 2019-12-17 中国地质大学（武汉） 一种面状要素地图综合质量的定量评价方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268729A (zh) * 2013-05-22 2013-08-28 北京工业大学 基于混合特征的移动机器人级联式地图创建方法
CN105787977A (zh) * 2016-02-26 2016-07-20 民政部国家减灾中心 建筑物矢量边界简化的方法
CN106710437A (zh) * 2016-12-26 2017-05-24 中国矿业大学(北京) 电子地图的编制方法和***
CN106649776A (zh) * 2016-12-27 2017-05-10 中科宇图科技股份有限公司 一种半自动化综合矢量多边形的方法
CN107818338A (zh) * 2017-10-16 2018-03-20 辛秦川 一种面向地图综合的建筑物群组模式识别的方法及***
CN108830876A (zh) * 2018-05-28 2018-11-16 河海大学 一种水域轮廓提取及面积检测方法
CN110363053A (zh) * 2018-08-09 2019-10-22 中国人民解放军战略支援部队信息工程大学 一种遥感影像居民地提取方法及装置
CN109903304A (zh) * 2019-02-25 2019-06-18 武汉大学 一种基于卷积神经元网络和多边形规则化的建筑物轮廓自动提取算法
CN109991636A (zh) * 2019-03-25 2019-07-09 启明信息技术股份有限公司 基于gps、imu以及双目视觉的地图构建方法及***
CN111241228A (zh) * 2020-01-15 2020-06-05 合肥慧图软件有限公司 基于矢量数据与图形化处理技术的综合制图方法
CN112581468A (zh) * 2020-12-29 2021-03-30 二十一世纪空间技术应用股份有限公司 一种面向遥感影像提取信息的处理方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于邻近四点法的建筑物多边形化简;许文帅等;《测绘学报》;20131215(第06期);第143-150页 *
计算机制图综合在土地详查中的应用研究;蒋新华等;《测绘通报》;19981225(第12期);第28-31页 *
遥感影像矢量化图形的多层次优化方法;吴宁等;《浙江大学学报(工学版)》;20130415(第04期);第23-29页 *

Also Published As

Publication number Publication date
CN113190639A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN109993825B (zh) 一种基于深度学习的三维重建方法
CN112241997B (zh) 基于多尺度点云上采样的三维模型建立、修复方法及***
CN110059768B (zh) 用于街景理解的融合点与区域特征的语义分割方法及***
CN110543906B (zh) 基于Mask R-CNN模型的肤质自动识别方法
CN108920765B (zh) 一种基于建筑物三维线段模型的假设平面拟合方法
CN109214422B (zh) 基于dcgan的停车数据修补方法、装置、设备及存储介质
CN109583474A (zh) 一种用于工业大数据处理的训练样本生成方法
CN110363178B (zh) 基于局部和全局深度特征嵌入的机载激光点云分类方法
CN116704137B (zh) 一种海上石油钻井平台点云深度学习逆向建模方法
CN112418049A (zh) 一种基于高分遥感影像的水体变化检测方法
CN113963138A (zh) 三维激光点云特征点线完整准确提取方法
CN116682021A (zh) 一种高分辨率遥感影像建筑物矢量轮廓数据提取方法
Hu et al. Geometric feature enhanced line segment extraction from large-scale point clouds with hierarchical topological optimization
CN116665053A (zh) 顾及阴影信息的高分辨遥感影像建筑物识别方法及***
CN113190639B (zh) 居民地制图综合方法
CN114821299A (zh) 一种遥感图像变化检测方法
CN108074253B (zh) 一种基于Delaunay三角剖分的多层级矢量道路网匹配方法
CN113643303A (zh) 基于双路注意力编解码网络的三维图像分割方法
CN113421258A (zh) 一种基于高分辨率遥感影像的自动云检测方法
CN116452604A (zh) 一种复杂变电站场景分割方法、设备及存储介质
CN117036373A (zh) 基于圆函数双线性正则编解码网络的大规模点云分割方法
CN116934628A (zh) 基于大规模协同遗传算法的残片复原方法及存储介质
CN114201635B (zh) 一种基于多视图图数据特征学习的案源线索分类方法
Furferi et al. Multiple incident splines (MISs) algorithm for topological reconstruction of 2D unordered point clouds
CN114399428A (zh) 面状人工要素降维处理方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240318

Address after: No. 6 Qingzhu East Road, Dazhulin Street, Yubei District, Chongqing, 400000

Patentee after: Chongqing Institute of Surveying and Mapping Science and Technology (Chongqing Map Compilation Center)

Country or region after: China

Address before: 401121 No. 6, Qingzhu East Road, Yubei District, Chongqing

Patentee before: CHONGQING SURVEY INSTITUTE

Country or region before: China

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240320

Address after: No. 6 Qingzhu East Road, Dazhulin Street, Yubei District, Chongqing, 400000

Patentee after: Chongqing Institute of Surveying and Mapping Science and Technology (Chongqing Map Compilation Center)

Country or region after: China

Address before: 401121 No. 6, Qingzhu East Road, Yubei District, Chongqing

Patentee before: CHONGQING SURVEY INSTITUTE

Country or region before: China