CN113724279B - 路网自动划分交通小区的***、方法、设备及存储介质 - Google Patents

路网自动划分交通小区的***、方法、设备及存储介质 Download PDF

Info

Publication number
CN113724279B
CN113724279B CN202111279227.0A CN202111279227A CN113724279B CN 113724279 B CN113724279 B CN 113724279B CN 202111279227 A CN202111279227 A CN 202111279227A CN 113724279 B CN113724279 B CN 113724279B
Authority
CN
China
Prior art keywords
formula
traffic
pixel
image
longitude
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
CN202111279227.0A
Other languages
English (en)
Other versions
CN113724279A (zh
Inventor
唐铠
屈新明
刘晓玲
吕锴超
罗旭彬
林虹君
郑之帼
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.)
Shanghai Shenyan Urban Transportation Co ltd
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shanghai Shenyan Urban Transportation Co ltd
Shenzhen Urban Transport Planning Center Co Ltd
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 Shanghai Shenyan Urban Transportation Co ltd, Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shanghai Shenyan Urban Transportation Co ltd
Priority to CN202111279227.0A priority Critical patent/CN113724279B/zh
Publication of CN113724279A publication Critical patent/CN113724279A/zh
Application granted granted Critical
Publication of CN113724279B publication Critical patent/CN113724279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Processing Or Creating Images (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种路网自动划分交通小区的***、方法、设备及存储介质，属于智能交通技术领域。解决了已有自动划分交通小区技术，划分出的交通小区边界和真实道路相差甚远，要求提供过多的输入数据，难以应用在实际模型搭建过程中的问题。本申请步骤：路网缓冲区创建，坐标信息记录，缓冲区中轴线骨架提取，拓扑网络生成，查找最小基本环，交通小区划分，交通小区合并。本申请通过提取道路骨架形成新的拓扑网络，基于城市基础图层进行小区划分，计算速度快，输入数据简单，泛化能力好，可快速划分城市交通小区，人力投入少。本申请整合了路网骨架提取、骨架转拓扑、最小基本环查找、面域空间分析算法，提供了一套完整的***及方法。

Description

路网自动划分交通小区的***、方法、设备及存储介质
技术领域
本申请涉及一种自动划分交通小区的***、方法、设备及存储介质，尤其涉及一种基于图像技术的路网自动划分交通小区的***、方法、设备及存储介质，属于智能交通技术领域。
背景技术
交通模型技术是交通行业重要的理论支撑依据，可以为城市的规划建设提供重要的数据支撑。交通小区划分是交通模型构建过程中的重要一环，交通小区划分的合理与否，直接关系到了建成交通模型的准确性，然后交通小区划分是一个比较繁琐的过程，需要耗费大量的人力工作，为了简化交通小区划分的繁琐性，有不少自动划分交通小区的方法被工程师提出。一部分技术基于城市路网和用地性质，另一部分技术基于海量城市交通数据，从统计分析的角度进行小区划分的确定，前者基本都是基于Delaunay三角网进行的分区划分，小区边界和和真实道路相差较多，且划分过程中参数意义不明朗，难以被使用者理解，后者对输入数据的需求要求过高，使用成本较高。
现有最接近的方案有两种，一是基于Voronoi图的交通道路网络自动划分交通小区；第二种是基于空间统计分析方法的城市路网交通小区自动划分。
（1）基于Voronoi图的交通道路网络自动划分交通小区
Voronoi图，又叫泰森多边形或Dirichlet图，它是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。该方法通过提取所有道路节点，根据点集创建Delaunay三角网，然后建立对偶图Voronoi多边形，形成初始的交通小区，然后考虑水系绿地，根据面积阈值进行合并、叠加分析，生成最终的交通小区划分结果。
该方法的主要局限性体现在以下方面：没有考虑城市道路等级，因为主要道路网络才能成为交通小区的分界线，次要道路网络如支路等应该成为小区内部道路。
（2）基于空间统计分析方法的城市路网交通小区自动划分
目前该类方法主要基于空间聚类分析方法开展交通小区的自动划分，通过大量实时数据和历史数据挖掘交通特征较为相似的交通小区。
该方法的主要不足在于：需要大量的、完整的交通数据，成本高、效率低，划分出的交通小区边界和真实道路相差甚远，对于用户的输入要求过高，不适合作为一个通用工具，而适合于专题研究。
综合上述可知，现有交通小区划分主要存在的缺点为：
（1）没有考虑城市道路等级；
（2）需要大量的、完整的交通数据，成本高、效率低，划分出的交通小区边界和真实道路相差甚远；不适合作为一个通用工具，而适合于专题研究；
（3）对于用户的输入要求过高；
（4）难以应用在实际模型搭建过程中，非标准化工具，仅适合于专题研究。
发明内容
有鉴于此，本申请提供一种路网自动划分交通小区的***、方法、设备及存储介质，以减少交通小区划分过程中的人工投入成本、提高小区划分效率、简化用户输入为目的，只要求用户给出城市路网即可自动划分，解决了目前已有的自动划分交通小区的技术方案，划分出的交通小区边界和真实道路相差甚远，要求提供过多的输入数据，难以应用在实际模型搭建过程中，因此基于本申请技术方案所构建的是一个可标准化的工具，可以被大规模应用在交通小区划分工作中。
本申请的技术方案是这样实现的：
方案一：一种基于图像技术的路网自动划分交通小区的***，包括：
路网缓冲区创建模块，用于将复杂道路的路网进行合并，将线形矢量图形转化为面域矢量图形，存储为二值图像格式；
坐标信息记录模块，用于计算二值图像单位像素的经纬度跨度；
缓冲区中轴线骨架提取模块，依据二值图像单位像素的经纬度跨度，通过迭代计算提取二值图像的主线轮廓，得到骨架图像；
拓扑网络生成模块，基于骨架图像获取拓扑网络；
查找最小基本环模块，采用贪心算法对拓扑网络进行最小基本环的查找；
交通小区划分模块，基于最小基本环面层对面域矢量图形（街道图层）进行空间切割，得到初步的交通小区面层文件；
交通小区合并模块，空间切割后，在街道图层的边界处形成小面积的交通小区，将小面积的交通小区合并到其邻近的交通小区中，得到最终的交通小区面层文件。
方案二：一种基于图像技术的路网自动划分交通小区的方法，包括：
步骤一，路网缓冲区创建，
将复杂道路的路网进行合并，将线形矢量图形转化为面域矢量图形，存储为二值图像格式；
步骤二，坐标信息记录，
计算二值图像单位像素的经纬度跨度；
步骤三，缓冲区骨架提取，
依据二值图像单位像素的经纬度跨度，通过迭代计算提取二值图像的主线轮廓，得到骨架图像；
步骤四，拓扑网络生成，
基于骨架图像建立一圈0分析值像素作为保护层，根据标识单位像素的分析值进行等值填充，标记结点在二值图像中的位置，追踪结点之间的连接像素，记录线层信息，将得到的拓扑网络的像素坐标还原为经纬度坐标；
步骤五，查找最小基本环，
采用贪心算法对拓扑网络进行最小基本环的查找；
步骤六，交通小区划分，
基于最小基本环面层对面域矢量图形（街道图层）进行空间切割，得到初步的交通小区面层文件；
步骤七，交通小区合并，
空间切割后，在街道图层的边界处形成小面积的交通小区，将小面积的交通小区合并到其邻近的交通小区中，得到最终的交通小区面层文件。
进一步地，所述步骤一，路网缓冲区创建，具体步骤为：
设复杂道路的路网有N条交通路线link，基于输入的路网
Figure 482418DEST_PATH_IMAGE001
，对每一条link对象创建缓冲区
Figure 930717DEST_PATH_IMAGE002
，将线形矢量图形转化为多边形的面域矢量图形，进行合并后，得到一个面域对象
Figure 992345DEST_PATH_IMAGE003
；记录面域矢量图形中所有几何点的最大经度max_lon、最大纬度max_lat、最小纬度min_lat、最小经度min_lon，然后将面域矢量图形存储为二值图像。
进一步地，所述步骤二，坐标信息记录，具体步骤为：
得到的二值图像为一个矩阵，其元素的值为0或者1，找出矩阵中1值的最小行索引min_row_index、最大行索引max_row_index、最小列索引min_col_index、最大列索引max_ col_index，然后对其进行裁切，这一步裁切的目的就是去除矩阵的周边零元素，以便正确记录单位像素跨越的经纬度，裁切后记目前矩阵的行像素个数为row_pixel_num，列像素个数为col_pixel_num，经度方向上单位像素所跨越的经度为lng_para，纬度方向上单位像素所跨越的纬度为lat_para，按照公式一、公式二计算，得到的矩阵作为骨架提取的输入数据；
Figure 184292DEST_PATH_IMAGE004
公式一
Figure 529823DEST_PATH_IMAGE005
公式二。
进一步地，所述步骤三，缓冲区骨架提取，具体步骤为：
二值图像中的每一个元素代表一个像素，像素的值为0或者1，值为1的像素构成了图像，值为0的像素为空白；
首先，定义二值图像的一个像素点P 1的八个方向上的邻域，北向为P 2，东北为P 3，东向为P 4，东南向为P 5，南向为P 6，西南向为P 7，西向为P 8，西北向为P 9；
其次，进行迭代计算，每次迭代分为两个子项，在第一次子迭代中，若像素点P 1满足公式3及公式4的条件，则，该像素点P 1被删除；
Figure 899755DEST_PATH_IMAGE006
公式三
Figure 963526DEST_PATH_IMAGE007
公式四
Figure 693585DEST_PATH_IMAGE008
公式五
Figure 644355DEST_PATH_IMAGE009
公式六
公式三中
Figure 168877DEST_PATH_IMAGE010
表示非0邻域的数量，公式四中
Figure 454365DEST_PATH_IMAGE011
是有序集合
Figure 988114DEST_PATH_IMAGE013
中01模式的数量，如果不满足公式三至公式六中任何一个条件，那么
Figure 793390DEST_PATH_IMAGE014
，像素点P 1不被删除；
在第二个子迭代中，公式三、公式四不变，公式五、公式六替换为公式七和公式八，如下：
Figure 19972DEST_PATH_IMAGE015
公式七
Figure 792756DEST_PATH_IMAGE016
公式八
公式七和公式八的解是
Figure 349771DEST_PATH_IMAGE017
或者
Figure 524400DEST_PATH_IMAGE018
或者
Figure 390725DEST_PATH_IMAGE019
且
Figure 650805DEST_PATH_IMAGE020
，被移除的像素点P 1在图像的东边或者南边或者西北角点，在第二个子迭代中删除的像素点P 1在西北或者东南角点；
经过多轮迭代后，获得骨架图像。
进一步地，所述步骤四，拓扑网络生成，具体步骤为：
1) 在骨架图像的周围加一圈0值像素作为图像的保护层；
2) 若某像素值原来为0，经过迭代后仍然为0；
3) 如果有某非0像素点Pi，且B(Pi)=2，则令该像素点的分析值为1，代表该像素点为骨架图像的中间段的像素；
4) 如果有某非0像素点Pi，且B(Pi)≠2，则令该像素点的分析值为2，代表该像素点为骨架图像的端点和交点；
5) 然后依次遍历分析值为2的像素点，进行等值填充，并且标记端点和交点（端点和交点统称为结点）在骨架图像中的位置；
6) 最后追踪结点之间的连接像素，依次记录其线层信息，得到的拓扑网络的坐标是像素坐标，将其还原为经纬度坐标。
进一步地，所述步骤五，在生成的拓扑网络中查找最小基本环，具体步骤为：
1) 找到拓扑网络中每个无向图的所有顶点之间的最短路径；
2) 对于每一个顶点v和每一条边(x，y)，创建一个回路集：
Figure 11510DEST_PATH_IMAGE021
公式九
P(v，x)表示v,x之间的最短路径，P(v，y)表示v，y之间的最短路径；
3) 对回路集中的回路按照权重排序；
4) 采用贪心算法找到回路集中的最小基本环。
进一步地，所述步骤七，交通小区合并，具体步骤为：
获得最小基本环的顶点序列（顶点序列为若干个顶点组成的序列）后，结合经纬度坐标可转化为面层数据：
进一步地，所述步骤七，交通小区合并，具体步骤为：
设街道图层中有K个面域，记为
Figure 40646DEST_PATH_IMAGE022
；
基于最小基本环面层对基础面域矢量图形（街道图层）进行空间切割后，
Figure 343451DEST_PATH_IMAGE023
中有Z i个交通小区，初步划分的交通小区集合为
Figure 90828DEST_PATH_IMAGE024
，
Figure 249364DEST_PATH_IMAGE025
表示由第i个基础面域划分出的第j个初始交通小区，设置面积阈值为area_ threshold；
合并规则为：
For（重复）
Figure 133007DEST_PATH_IMAGE026
：
找出初步划分的交通小区
Figure 606713DEST_PATH_IMAGE024
，
筛选面积小于等于area_threshold的交通小区，设筛选出的交通小区的索引构成的集合为S，此时的交通小区构成集合
Figure 575806DEST_PATH_IMAGE027
；
For
Figure 12735DEST_PATH_IMAGE028
(此循环嵌套在上层循环中)：
在
Figure 16463DEST_PATH_IMAGE024
中找到与当前交通小区相邻的小区，若有多个，则匹配面积最大的，然后将小面积的交通小区合并到其邻近的交通小区中，得到最终的交通小区面层文件。此种设计机制保证了小区只会在同一个基础面层中进行合并，即不会生成跨基础面层（街道图层）的交通小区。
所述方案二是基于方案一所述***实现的。
方案三：一种电子设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行方案二所述方法的步骤。
方案四： 一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案二所述方法的步骤。
本申请有益效果体现在：
本申请仍然基于路网进行交通小区划分，为了保留“主要道路作为交通小区边界”这一特征，通过提取道路骨架形成新的拓扑网络，然后基于城市基础图层进行小区划分，计算速度快，输入数据简单，泛化能力好，可快速帮助交通模型师划分城市交通小区，可大大简化划分工作的人力投入。具有的主要效果有：
1) 提出一套基于路网自动划分交通小区的可行方法；
2) 整合了路网骨架提取、骨架转拓扑、最小基本环查找、面域空间分析算法，提供了一套完整的***及方法；
3) 支持不同的道路使用不同的半径来创建缓冲区，进而可以有效提取多线道路的骨架；
4) 所需基础数据少、参数含义明确、运行速度快，可标准化为一个模型工具。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请实施例一提供的路网自动划分交通小区的***框图；
图2为本申请实施例二提供的路网自动划分交通小区的方法流程图；
图3为本申请实施例二方法细化流程图；
图4为本申请实施例二中获取边界经纬度示意图；
图5为本申请实施例二中像素点P 1的八邻域示意图；
图6为本申请实施例二中形成的像素序列示意图；
图7为本申请实施例二中基于最小基本环面层对（街道图层）进行空间切割前示意图；
图8为本申请实施例二中基于最小基本环面层对（街道图层）进行空间切割后示意图；
图9为本申请实施例二中交通小区合并后示意图；
图10为本申请实施例二中以深圳路网作为切分路网、使用街道图层作为基础面层示意图；
图11为本申请实施例二中深圳路网骨架网络拓扑图；
图12为本申请实施例二中深圳路网最终划分得到的交通小区图层示意图；
图13为本申请的一种电子设备的结构示意图；
图14为本申请实施例二中交通小区合并流程示意图；
图15为本申请实施例二中图像骨架提取示例图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与申请相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例相关符号说明如下：
<i>link</i><sub><i>i</i></sub> 路网中的第i条link多段线对象
<i>link_buffer_polygon</i><sub><i>i</i></sub> 由第i条link对象生成的buffer面域
<i>merged_polygon</i> 所有link_buffer_polygon合并后的面域
<i>max_lon、min_lon</i> 最大经度、最小经度
<i>max_lat、min_lat</i> 最大纬度、最小纬度
<i>max_row_index、min_row_index</i> 最大行索引、最小行索引
<i>max_col_index、min_col_index</i> 最大列索引、最小列索引
<i>row_pixel_num</i> 行像素个数
<i>col_pixel_num</i> 列像素个数
<i>lng_para</i> 经度方向上单位像素所跨越的经度
<i>lat_para</i> 纬度方向上单位像素所跨越的纬度
<i>P</i><sub><i>i</i></sub> 第i个像素点的值（或第i个像素点对象）
<i>B(P</i><sub><i>i</i></sub><i>)</i> 第i个像素点非0邻域数量
<i>A(P</i><sub><i>i</i></sub><i>)</i> 有序集合中01模式的数量
<i>base_region</i><sub><i>i</i></sub> 第i个基础面域对象
<i>initial_taz</i><sub><i>ij</i></sub> 由第i个基础面域图层划分出来的第j个初始交通小区
<i>small_taz</i><sub><i>ij</i></sub> 由第i个基础面域图层划分出来的第j个面积小于阈值的初始交通小区
<i>area_threshold</i> 面积阈值
实施例一
本申请实施例一提供了一种基于图像技术的路网自动划分交通小区的***（参见图1），包括：
路网缓冲区创建模块，用于将复杂道路的路网进行合并，将线形矢量图形转化为面域矢量图形，存储为二值图像格式；
坐标信息记录模块，用于计算二值图像单位像素的经纬度跨度；
缓冲区中轴线骨架提取模块，依据二值图像单位像素的经纬度跨度，通过迭代计算提取二值图像的主线轮廓，得到骨架图像；
拓扑网络生成模块，基于骨架图像获取拓扑网络；
查找最小基本环模块，采用贪心算法对拓扑网络进行最小基本环的查找；
交通小区划分模块，基于最小基本环面层对街道图层进行空间切割，得到初步的交通小区面层文件；
交通小区合并模块，空间切割后，在街道图层的边界处形成小面积的交通小区，将小面积的交通小区合并到其邻近的交通小区中，得到最终的交通小区面层文件。
实施例二
本申请实施例二提供了一种基于图像技术的路网自动划分交通小区的方法（参见图2-图9），该方法具体为：
S1，路网缓冲区创建，
缓冲区的创建，对于小区的划分合理性有较为重要的影响，该步骤的主要目的有：
1) 将立交、多线快速路等复杂道路进行合并，方便提取道路中心线；
2) 将线形文件转化为面域文件，以存储为图片格式，作为提取骨架图像的输入文件。
具体步骤为：
设复杂道路的路网有N条交通路线link，基于输入的路网
Figure 661071DEST_PATH_IMAGE001
，路网信息只要求包含几何信息即可，对每一条link对象创建缓冲区
Figure 117460DEST_PATH_IMAGE002
，将线形矢量图形转化为多边形的面域矢量图形，进行合并后，得到一个面域对象
Figure 623659DEST_PATH_IMAGE003
；记录面域矢量图形中所有几何点的最大经度max_lon、最大纬度max_lat、最小纬度min_lat、最小经度min_lon，然后将面域矢量图形存储为二值图像。边界经纬度参见图4。
S2，坐标信息记录，
矢量文件被二值化后，只有像素坐标，为了在后续步骤中能够还原地理坐标，需要计算单位像素的经纬度跨度。
计算二值图像单位像素的经纬度跨度，作为骨架图像提取的输入数据；
具体步骤为：
得到的二值图像为一个矩阵，其元素的值为0或者1，找出矩阵中1值的最小行索引min_row_index、最大行索引max_row_index、最小列索引min_col_index、最大列索引max_ col_index，然后对其进行裁切，这一步裁切的目的就是去除矩阵的周边零元素，以便正确记录单位像素跨越的经纬度，裁切后记目前矩阵的行像素个数为row_pixel_num，列像素个数为col_pixel_num，经度方向上单位像素所跨越的经度为lng_para，纬度方向上单位像素所跨越的纬度为lat_para，按照公式一、公式二计算，得到的矩阵作为骨架提取的输入数据；
Figure 216314DEST_PATH_IMAGE004
公式一
Figure DEST_PATH_IMAGE029
公式二
S3，缓冲区骨架提取，
骨架提取是一个图形学分支下的形态学问题，直观的理解，就是提取目标图像的主线轮廓，本质上是提取目标在图像上的中心像素轮廓，细化后的目标都是单层像素宽度。
依据二值图像单位像素的经纬度跨度，通过迭代计算提取二值图像的主线轮廓，得到骨架图像；
具体步骤为：
一副二值图可由矩阵M来定义，矩阵中的每一个元素m ij 代表一个像素，像素的值为0或者1，值为1的像素构成了图像，黑色部分的路网像素的值为1，白色部分的像素值为0。在图像的骨架化过程中，就是要删除那些属于骨架之外的所有的像素点，为了完成这个过程，需要进行迭代计算；
首先，定义二值图像的一个像素点P 1的八个方向上的邻域（参见图5），北向为P 2，东北为P 3，东向为P 4，东南向为P 5，南向为P 6，西南向为P 7，西向为P 8，西北向为P 9；
其次，进行迭代计算，每次迭代分为两个子项，在第一次子迭代中，若像素点P 1满足公式3及公式4的条件，则，该像素点P 1被删除；
Figure 562982DEST_PATH_IMAGE006
公式三
Figure 257400DEST_PATH_IMAGE007
公式四
Figure 816557DEST_PATH_IMAGE008
公式五
Figure 263719DEST_PATH_IMAGE009
公式六
公式三中
Figure 984550DEST_PATH_IMAGE010
表示非0邻域的数量，公式四中
Figure 415532DEST_PATH_IMAGE011
是有序集合
Figure DEST_PATH_IMAGE031
中01模式的数量，如果不满足公式三至公式六中任何一个条件，那么
Figure 60271DEST_PATH_IMAGE014
，像素点P 1不被删除；
关于01模式数量的说明（参见图6），形成的像素序列值为：
0（P2）1（P3）0（P4）0（P5）1（P6）0（P7）0（P8）0（P9），
此时
Figure 627518DEST_PATH_IMAGE032
=2。
在第二个子迭代中，公式三、公式四不变，公式五、公式六替换为公式七和公式八，如下：
Figure 519251DEST_PATH_IMAGE015
公式七
Figure 188261DEST_PATH_IMAGE016
公式八
公式七和公式八的解是
Figure 89221DEST_PATH_IMAGE017
或者
Figure 510975DEST_PATH_IMAGE018
或者
Figure 839188DEST_PATH_IMAGE019
且
Figure 464336DEST_PATH_IMAGE020
，被移除的像素点P 1在图像的东边或者南边或者西北角点，在第二个子迭代中删除的像素点P 1在西北或者东南角点；
经过多轮迭代后，获得骨架图像。
S4，拓扑网络生成，
基于骨架图像建立一圈0分析值像素作为保护层，根据标识单位像素的分析值进行等值填充，标记结点在二值图像中的位置，追踪结点之间的连接像素，记录线层信息，将得到的拓扑网络的像素坐标还原为经纬度坐标；
拓扑网络生成，具体步骤为：
1) 在骨架图像的周围加一圈0值像素作为保护层；
2) 像素值原来为0的像素点，仍然为0；
3) 如果某非0像素，其八个邻域有两个非0像素，那么标识该像素为1，代表了骨架图像中的中间段的像素；
4) 如果某非0像素，其八邻域中的非0像素个数不是2（比如是1、3等），那么标识该像素为分析值2，代表了骨架图像中端点和交点部分的像素；
5) 然后依次遍历分析值为2的像素，进行等值填充，并且标记结点（结点为端点和交点的统称）在骨架图像中的位置；
6) 最后追踪结点之间的连接像素，记录其线层信息，得到的拓扑网络的坐标是像素坐标，将其还原为经纬度坐标。
S5，查找最小基本环，
提取出道路骨架的拓扑文件后，需要对网络进行最小基本环的查找，查找算法如下：
对于一个无向图G(V，E)(边权值为正数)，设图中边的数量为m，节点的数量为n；
查找最小基本环，具体步骤为：
1) 找到拓扑网络中每个无向图的所有顶点之间的最短路径；
2) 对于每一个顶点v和每一条边(x，y)，创建一个回路集：
Figure 168986DEST_PATH_IMAGE021
公式九
P(v，x)表示v,x之间的最短路径，P(v，x)表示v，x之间的最短路径，P(v，y)表示v，y之间的最短路径；
3) 对回路集中的回路按照权重排序；
4) 采用贪心算法找到回路集中的最小基本环。
S6，交通小区划分，
基于最小基本环面层对街道图层进行空间切割，得到初步的交通小区面层文件；
S7，交通小区合并（参见图14），
由于部分道路和基础街道图层的边界距离较近，在使用路网分割街道图层后，在街道图层的边界处会形成较多的面积很小的小区，这部分小区应该被合并到其邻近的交通小区中。交通小区合并，具体步骤为：
设街道图层中有K个面域，记为
Figure 710826DEST_PATH_IMAGE022
；
基于最小基本环面层对街道图层进行空间切割后（切割前参见图7，切割后参见图8，合并优化后见图9，为了方便理解，这里仅仅使用局部图层进行划分说明），
Figure 209941DEST_PATH_IMAGE023
中有Z i个交通小区，初步划分的交通小区集合为
Figure 587963DEST_PATH_IMAGE024
，
Figure 830726DEST_PATH_IMAGE025
表示属于第i个基础面域的第j个初始交通小区，设置面积阈值为area_threshold；
合并规则为：
For（重复）
Figure 961493DEST_PATH_IMAGE026
：
找出初步划分的交通小区
Figure 631509DEST_PATH_IMAGE024
，
筛选面积小于等于area_threshold的交通小区，设筛选出的交通小区的索引构成的集合为S，此时的交通小区构成集合
Figure 746095DEST_PATH_IMAGE027
；
For
Figure 295280DEST_PATH_IMAGE028
：
在
Figure 811712DEST_PATH_IMAGE024
中找到与当前交通小区相邻的小区，若有多个，则匹配面积最大的，然后将小面积的交通小区合并到其邻近的交通小区中（图8中的initial_taz1-2和initial_taz2-2面积小于阈值，将和其父图层合并），得到最终的交通小区面层文件。
合并后交通小区面层文件如图9所示。
本示例使用深圳路网作为切分路网、使用街道图层作为基础面层（见图10），通过本方法生成得到的骨架网络拓扑见图11，最终划分得到的交通小区图层见图12。
实施例三
本申请实施例三提供一种电子设备，参见图13，电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器或者处理单元，用于存储能够在处理器上运行的计算机程序的存储器，连接不同***组件(包括存储器、一个或者多个处理器或者处理单元)的总线。
其中，所述一个或者多个处理器或者处理单元用于运行所述计算机程序时，执行实施例二所述方法的步骤。所述处理器所用类型包括中央处理器、通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。
其中，总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
实施例四
本申请实施例四提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例二所述方法的步骤。
需要说明的是，本申请所示的存储介质可以是计算机可读信号介质或者存储介质或者是上述两者的任意组合。存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。存储介质还可以是存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
着重强调本申请的技术关键点：
1、缓冲区中轴线骨架提取方法；
2、拓扑网络生成方法；
3、整合了路网骨架提取、骨架转拓扑、最小基本环查找、面域空间分析算法，提供了一套完整的***及方法和python源代码实现。
本申请中缩略语和关键术语定义如下：
（1）交通模型
交通模型是反映交通***内在规律的数学模型组合，并通过数字、图形、影像、视频等形式来描述，融合交通工程学与社会学、人口学、经济学、统计学、行为学、信息学等多种学科理论，运用数理方法和计算机软硬件设备，对交通政策与规划、建设与投资、运行与管理等各阶段决策提供支持的重要定量分析技术。
（2）城市交通模型
城市交通模型是一系列对城市交通进行解析，以揭示和反映交通***内在规律的数学模型。对城市交通解析的透彻程度将决定模型质量的优劣。现状交通模型是对城市现状的解释，规划交通模型则是对城市未来发展的判断，也即对城市规划的解读。
（3）交通小区
在城市交通研究中，为了将交通需求的产生、吸引与一定区域的社会经济指标联系起来，将交通需求在空间上的流动用交通小区之间的交通分布图表现出来，同时为了便于用交通分配理论模拟道路网上的交通流，在不打破行政区划、保持交通区的用地性质、交通特性应尽量一致的情况下，将城市划分为多个交通小区。
（4）二值图像
二值图像是指在图像中，灰度等级只有两种，也就是说，图像中的任何像素点的灰度值均为0或者1，分别代表黑色和白色。
（5）图像骨架提取
图像骨架提取可直观的理解为：通过一定的算法规则识别数字图像中非骨架多余像素点后删除，仅仅保留骨架像素点，示例见图15 。在复杂多线道路场景下，骨架提取对于道路简化非常有用。
（6）面域对象和多段线对象
面域对象（POLYGON）和多段线对象（LINESTRING）用于描述空间地理信息元素，一个面域对象在可视化软件中表现为一个二维平面区域，一个多段线对象在可视化软件中表现为一条多折点折线，多用来模拟真实路网，这两种对象均存储着坐标信息，因此可以进行合并、打断、切分等空间运算。
以上所述的实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的实施例而已，并不用于限定本申请的保护范围，凡在本申请的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。

Claims (9)

1.一种路网自动划分交通小区的***，其特征在于，包括：
路网缓冲区创建模块，用于将复杂道路的路网进行合并，将线形矢量图形转化为面域矢量图形，存储为二值图像格式；
坐标信息记录模块，用于计算二值图像单位像素的经纬度跨度；
缓冲区中轴线骨架提取模块，依据二值图像单位像素的经纬度跨度，通过迭代计算提取二值图像的主线轮廓，得到骨架图像；具体为：
二值图像中的每一个元素代表一个像素，像素的值为0或者1，值为1的像素构成了图像，值为0的像素为空白；
首先，定义二值图像的一个像素点P 1的八个方向上的邻域，北向为P 2，东北为P 3，东向为P 4，东南向为P 5，南向为P 6，西南向为P 7，西向为P 8，西北向为P 9；
其次，进行迭代计算，每次迭代分为两个子项，在第一次子迭代中，若像素点P 1满足公式三及公式四的条件，则，该像素点P 1被删除；
Figure DEST_PATH_IMAGE001
公式三
Figure 388482DEST_PATH_IMAGE002
公式四
Figure DEST_PATH_IMAGE003
公式五
Figure 297532DEST_PATH_IMAGE004
公式六
公式三中
Figure DEST_PATH_IMAGE005
表示非0邻域的数量，公式四中
Figure 923379DEST_PATH_IMAGE006
是有序集合𝑃2,𝑃3,𝑃4,𝑃5,𝑃6,𝑃7,𝑃8,𝑃9中01模式的数量，如果不满足公式三至公式六中任何一个条件，那么
Figure DEST_PATH_IMAGE007
，像素点P 1不被删除；
在第二个子迭代中，公式三、公式四不变，公式五、公式六替换为公式七和公式八，如下：
Figure 183459DEST_PATH_IMAGE008
公式七
Figure DEST_PATH_IMAGE009
公式八
公式七和公式八的解是
Figure 793432DEST_PATH_IMAGE010
或者
Figure DEST_PATH_IMAGE011
或者
Figure 822567DEST_PATH_IMAGE012
且
Figure DEST_PATH_IMAGE013
，被移除的像素点P 1在图像的东边或者南边或者西北角点，在第二个子迭代中删除的像素点P 1在西北或者东南角点；
经过多轮迭代后，获得骨架图像；
拓扑网络生成模块，基于骨架图像获取拓扑网络；
查找最小基本环模块，采用贪心算法对拓扑网络进行最小基本环的查找；
交通小区划分模块，基于最小基本环面层对面域矢量图形进行空间切割，得到初步的交通小区面层文件；
交通小区合并模块，空间切割后，在街道图层的边界处形成小面积的交通小区，将小面积的交通小区合并到其邻近的交通小区中，得到最终的交通小区面层文件。
2.一种路网自动划分交通小区的方法，其特征在于，包括：
步骤一，路网缓冲区创建，
将复杂道路的路网进行合并，将线形矢量图形转化为面域矢量图形，存储为二值图像格式；
步骤二，坐标信息记录，
计算二值图像单位像素的经纬度跨度；
步骤三，缓冲区骨架提取，
依据二值图像单位像素的经纬度跨度，通过迭代计算提取二值图像的主线轮廓，得到骨架图像；具体为：
二值图像中的每一个元素代表一个像素，像素的值为0或者1，值为1的像素构成了图像，值为0的像素为空白；
首先，定义二值图像的一个像素点P 1的八个方向上的邻域，北向为P 2，东北为P 3，东向为P 4，东南向为P 5，南向为P 6，西南向为P 7，西向为P 8，西北向为P 9；
其次，进行迭代计算，每次迭代分为两个子项，在第一次子迭代中，若像素点P 1满足公式三及公式四的条件，则，该像素点P 1被删除；
Figure 141684DEST_PATH_IMAGE001
公式三
Figure 826744DEST_PATH_IMAGE002
公式四
Figure 505987DEST_PATH_IMAGE003
公式五
Figure 592891DEST_PATH_IMAGE004
公式六
公式三中
Figure 332177DEST_PATH_IMAGE005
表示非0邻域的数量，公式四中
Figure 770112DEST_PATH_IMAGE006
是有序集合𝑃2,𝑃3,𝑃4,𝑃5,𝑃6,𝑃7,𝑃8,𝑃9中01模式的数量，如果不满足公式三至公式六中任何一个条件，那么
Figure 925150DEST_PATH_IMAGE007
，像素点P 1不被删除；
在第二个子迭代中，公式三、公式四不变，公式五、公式六替换为公式七和公式八，如下：
Figure 194457DEST_PATH_IMAGE008
公式七
Figure 42327DEST_PATH_IMAGE009
公式八
公式七和公式八的解是
Figure 515028DEST_PATH_IMAGE010
或者
Figure 739336DEST_PATH_IMAGE011
或者
Figure 535254DEST_PATH_IMAGE012
且
Figure 616342DEST_PATH_IMAGE013
，被移除的像素点P 1在图像的东边或者南边或者西北角点，在第二个子迭代中删除的像素点P 1在西北或者东南角点；
经过多轮迭代后，获得骨架图像；
步骤四，拓扑网络生成，
基于骨架图像建立一圈0分析值像素作为保护层，根据标识单位像素的分析值进行等值填充，标记结点在二值图像中的位置，追踪结点之间的连接像素，记录线层信息，将得到的拓扑网络的像素坐标还原为经纬度坐标；
步骤五，查找最小基本环，
采用贪心算法对拓扑网络进行最小基本环的查找；
步骤六，交通小区划分，
基于最小基本环面层对面域矢量图形进行空间切割，得到初步的交通小区面层文件；
步骤七，交通小区合并，
空间切割后，在街道图层的边界处形成小面积的交通小区，将小面积的交通小区合并到其邻近的交通小区中，得到最终的交通小区面层文件。
3.根据权利要求2所述的路网自动划分交通小区的方法，其特征在于，所述步骤一，路网缓冲区创建，具体步骤为：
设复杂道路的路网有N条交通路线link，基于输入的路网
Figure 763290DEST_PATH_IMAGE014
，对每一条link对象创建缓冲区
Figure DEST_PATH_IMAGE015
，将线形矢量图形转化为多边形的面域矢量图形，进行合并后，得到一个面域对象
Figure 322447DEST_PATH_IMAGE016
；记录面域矢量图形中所有几何点的最大经度max_lon、最大纬度max_lat、最小纬度min_lat、最小经度min_lon，然后将面域矢量图形存储为二值图像。
4.根据权利要求3所述的路网自动划分交通小区的方法，其特征在于，所述步骤二，坐标信息记录，具体步骤为：
得到的二值图像为一个矩阵，其元素的值为0或者1，找出矩阵中1值的最小行索引min_ row_index、最大行索引max_row_index、最小列索引min_col_index、最大列索引max_col_ index，然后对其进行裁切，这一步裁切的目的就是去除矩阵的周边零元素，以便正确记录单位像素跨越的经纬度，裁切后记目前矩阵的行像素个数为row_pixel_num，列像素个数为col_pixel_num，经度方向上单位像素所跨越的经度为lng_para，纬度方向上单位像素所跨越的纬度为lat_para，按照公式一、公式二计算，得到的矩阵作为骨架提取的输入数据；
Figure DEST_PATH_IMAGE017
公式一
Figure 35188DEST_PATH_IMAGE018
公式二。
5.根据权利要求4所述的路网自动划分交通小区的方法，其特征在于，所述步骤四，拓扑网络生成，具体步骤为：
1) 在骨架图像的周围加一圈0值像素作为图像的保护层；
2) 若某像素值原来为0，经过迭代后仍然为0；
3) 如果有某非0像素点Pi，且B(Pi)=2，则令该像素点的分析值为1，代表该像素点为骨架图像的中间段的像素；
4) 如果有某非0像素点Pi，且B(Pi)≠2，则令该像素点的分析值为2，代表该像素点为骨架图像的端点和交点；
5) 然后依次遍历分析值为2的像素点，进行等值填充，并且标记端点和交点（端点和交点统称为结点）在骨架图像中的位置；
6)最后追踪结点之间的连接像素，依次记录其线层信息，得到的拓扑网络的坐标是像素坐标，将其还原为经纬度坐标。
6.根据权利要求5所述的路网自动划分交通小区的方法，其特征在于，所述步骤五，在生成的拓扑网络中查找最小基本环，具体步骤为：
1) 找到拓扑网络中每个无向图的所有顶点之间的最短路径；
2) 对于每一个顶点v和每一条边(x，y)，创建一个回路集：
Figure DEST_PATH_IMAGE019
公式九
P(v，x)表示v，x之间的最短路径，P(v，y)表示v，y之间的最短路径；
3) 对回路集中的回路按照权重排序；
4)采用贪心算法找到回路集中的最小基本环。
7.根据权利要求6所述的路网自动划分交通小区的方法，其特征在于，所述步骤七，交通小区合并，具体步骤为：
获得最小基本环的顶点序列后，结合经纬度坐标可转化为面层数据：
进一步地，所述步骤七，交通小区合并，具体步骤为：
设街道图层中有K个面域，记为
Figure 506752DEST_PATH_IMAGE020
；
基于最小基本环面层对基础面域矢量图形进行空间切割后，
Figure DEST_PATH_IMAGE021
中有Z i个交通小区，初步划分的交通小区集合为
Figure 203312DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
表示由第i个基础面域划分出的第j个初始交通小区，设置面积阈值为area_threshold；
合并规则为：
For
Figure 300581DEST_PATH_IMAGE024
：
找出初步划分的交通小区
Figure 336671DEST_PATH_IMAGE022
，
筛选面积小于等于area_threshold的交通小区，设筛选出的交通小区的索引构成的集合为S，此时的交通小区构成集合
Figure DEST_PATH_IMAGE025
；
For
Figure 228403DEST_PATH_IMAGE026
：
在
Figure 615522DEST_PATH_IMAGE022
中找到与当前交通小区相邻的小区，若有多个，则匹配面积最大的，然后将小面积的交通小区合并到其邻近的交通小区中，得到最终的交通小区面层文件。
8.一种电子设备，其特征在于：包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行权利要求2至7任一项所述方法的步骤。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求2至7任一项所述方法的步骤。
CN202111279227.0A 2021-11-01 2021-11-01 路网自动划分交通小区的***、方法、设备及存储介质 Active CN113724279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111279227.0A CN113724279B (zh) 2021-11-01 2021-11-01 路网自动划分交通小区的***、方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111279227.0A CN113724279B (zh) 2021-11-01 2021-11-01 路网自动划分交通小区的***、方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113724279A CN113724279A (zh) 2021-11-30
CN113724279B true CN113724279B (zh) 2022-03-18

Family

ID=78686131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111279227.0A Active CN113724279B (zh) 2021-11-01 2021-11-01 路网自动划分交通小区的***、方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113724279B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114547827B (zh) * 2022-04-26 2022-09-23 深圳市城市交通规划设计研究中心股份有限公司 一种基础设施群运行状态评价方法、电子设备及存储介质
CN114898013B (zh) * 2022-07-15 2022-11-22 深圳市城市交通规划设计研究中心股份有限公司 一种交通等时圈生成方法、电子设备及存储介质
CN115424446B (zh) * 2022-11-03 2023-02-14 深圳市城市交通规划设计研究中心股份有限公司 用于交通组织评估的道路网络拓扑简化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751777A (zh) * 2008-12-02 2010-06-23 同济大学 基于空间聚类分析的城市路网交通小区动态划分方法
CN105139434A (zh) * 2015-08-11 2015-12-09 长沙迪迈数码科技股份有限公司 露天矿山道路网自动构建方法及***
CN110119740A (zh) * 2019-03-06 2019-08-13 东南大学 一种从复杂城市道路网络提取简化拓扑关系的方法
CN110309248A (zh) * 2019-06-26 2019-10-08 东南大学 一种基于Voronoi图的交通道路网络自动划分交通小区的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7447588B1 (en) * 2007-07-16 2008-11-04 Wenshine Technology Ltd. Method and system for partitioning a continental roadway network for an intelligent vehicle highway system
CN102801154B (zh) * 2011-05-27 2014-11-26 国际商业机器公司 电力网络骨干拓扑结构的提取方法和装置
CN109948477B (zh) * 2019-03-06 2022-05-13 东南大学 一种提取图片中道路网络拓扑点的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751777A (zh) * 2008-12-02 2010-06-23 同济大学 基于空间聚类分析的城市路网交通小区动态划分方法
CN105139434A (zh) * 2015-08-11 2015-12-09 长沙迪迈数码科技股份有限公司 露天矿山道路网自动构建方法及***
CN110119740A (zh) * 2019-03-06 2019-08-13 东南大学 一种从复杂城市道路网络提取简化拓扑关系的方法
CN110309248A (zh) * 2019-06-26 2019-10-08 东南大学 一种基于Voronoi图的交通道路网络自动划分交通小区的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
城市道路网络交通小区划分方法研究;李晓丹等;《计算机工程与应用》;20090211(第05期);第19-22页 *
基于路网的城市子区域提取技术研究;宋雪涛等;《地理空间信息》;20060131(第06期);第101-102、105页 *

Also Published As

Publication number Publication date
CN113724279A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN113724279B (zh) 路网自动划分交通小区的***、方法、设备及存储介质
Chen et al. Automatic building information model reconstruction in high-density urban areas: Augmenting multi-source data with architectural knowledge
WO2024077812A1 (zh) 基于点云语义分割与结构拟合的单体建筑三维重建方法
Chen et al. A methodology for automated segmentation and reconstruction of urban 3-D buildings from ALS point clouds
CN110021072B (zh) 面向全息测绘的多平台点云智能处理方法
CN113723715B (zh) 公交线网自动匹配道路网络方法、***、设备及存储介质
CN110992473A (zh) 一种基于车载激光扫描点云的树木枝干建模方法及***
CN115661374B (zh) 一种基于空间划分和模型体素化的快速检索方法
Guilbert et al. Terrain generalisation
Ortega et al. Generating 3D city models from open LiDAR point clouds: Advancing towards smart city applications
Khayyal et al. Creation and spatial analysis of 3D city modeling based on GIS data
CN112528508A (zh) 电磁可视化方法和装置
Yang et al. Complementarity of historic building information modelling and geographic information systems
Yang et al. A map‐algebra‐based method for automatic change detection and spatial data updating across multiple scales
CN107818338B (zh) 一种面向地图综合的建筑物群组模式识别的方法及***
CN114661744B (zh) 一种基于深度学习的地形数据库更新方法及***
She et al. 3D building model simplification method considering both model mesh and building structure
Guo et al. Study on landscape architecture model design based on big data intelligence
CN115937461A (zh) 多源融合模型构建及纹理生成方法、装置、介质及设备
Zhou et al. Automated extraction of 3D vector topographic feature line from terrain point cloud
Borisov et al. An automated process of creating 3D city model for monitoring urban infrastructures
Lei et al. Automatic identification of street trees with improved RandLA-Net and accurate calculation of shading area with density-based iterative α-shape
KR101063827B1 (ko) 한국토지정보시스템 연속지적도와 수치지형도의 기하학적 지도 변환을 위한 반자동화된 공액점 쌍 추출방법
CN114445574B (zh) 将GeoJSON数据格式转换为三维GLB格式的方法、装置和设备
Mao et al. City object detection from airborne Lidar data with OpenStreetMap‐tagged superpixels

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