CN115719492A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115719492A CN115719492A CN202211511520.XA CN202211511520A CN115719492A CN 115719492 A CN115719492 A CN 115719492A CN 202211511520 A CN202211511520 A CN 202211511520A CN 115719492 A CN115719492 A CN 115719492A
- Authority
- CN
- China
- Prior art keywords
- width
- narrow
- polygon
- triangle
- triangles
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了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,属于地图制图学技术领域,该方法具体包括①全局宽窄识别。根据面状要素数据特征,定义了两种宽窄性质判断方法,包括面积直接判定和最小外接矩形判定,从全局的角度判定面状要素宽窄性质;②局部宽窄识别:从局部的角度,进行面状要素细节调整,分割得到宽和窄两种面状要素结果。本发明方法从多边形的形状特征入手,通过多边形自身以及其他形状分析方法,分别从全局角度和局部角度,判断多边形的宽窄特征以及细化并分割出多边形的宽窄细节,较全面地完成多边形宽窄特征识别。
Description
技术领域
本发明属于地图制图学技术领域,特别是涉及一种基于Delaunay三角网的面状要素宽窄特征识别方法、装置、设备及可读存储介质。
背景技术
面状要素是数字地图最重要的要素之一,对其形状的描述与识别有助于综合算法的设计以及选择不同的综合方法。要对面状要素的形状进行分析和识别,必须对目标的形状作定性与定量的分析,其中面状要素中的宽窄结构特征是很重要的一种形状结构特征。
目前已有面状要素的宽窄结构识别方法主要通过识别窄结构达到区分宽窄的目的,针对面状要素的窄部识别,目前的主要研究方法包括:基于栅格模型的数学形态学的腐蚀和膨胀组合操作,实现窄部的删除与相对宽部的保留,然而这一方法存在较严重的精度损失情况,且只适用于小比例尺;基于矢量模型的面状要素双缓冲变换所具有的“保凹”、“保平”、“减凸”特性,通过识别面状要素的弯曲单元间接达到消除窄部并保留相对宽部效果,但该方法“伪”窄部较多较碎的情况,后续还需进一步设计相关的过滤算法达到识别真窄部的情况,导致算法效率过低并且窄部在边界处视觉不自然的情况;基于Delaunay三角网对矢量模型的面状要素进行三角剖分,通过计算三角形约束边的高A与最小阈值d之间对比来判断。然而该方法尚缺乏对窄部的明确定量分析,无法有效地识别面状要素的窄部区域及面状要素可能存在的分段窄部区域,因此需要有更详细地研究,达到可以精细刻画面状要素的形状结构以及进一步进行结构的定性与定量分析。
发明内容
针对现有技术的不足,本发明提供了面状要素宽窄特征识别方法、装置、设备及可读存储介质,达到可以精细刻画面状要素的形状结构以及进一步进行结构的定性与定量分析。
较为具体地,本发明第一方面提供了一种面状要素宽窄特征识别方法,包括以下步骤:
S1:确定多边形分割宽度阈值以及面积比率阈值;
S2:输入原始多边形点串数据,利用原始多边形自身属性或者与其最小外接矩形的差异程度逐步从全局角度识别多边形宽窄特征;
S3:若从上述全局角度无法识别出多边形宽窄特征,则依据原始多边形点串数据,构建约束Delaunay三角网,从局部角度识别多边形宽窄特征,细化对多边形宽窄特征的最终识别。
作为第一方面方法的进一步优化方案,本发明具体限定了全局角度识别多边形宽窄特征包括:
S21:以面积直接判定,将面积小于分割宽度阈值平方值的多边形直接识别为“窄”多边形;
S22:若无法通过面积直接判定法识别多边形宽窄特征时,以多边形与其最小外接矩形之间的面积比率来判断宽窄特征,具体为:
如果面积比率小于面积比率阈值,则将多边形识别为“窄”多边形;
反之,需继续比较多边形的长宽值之和的一半与最小外接矩形宽度的比例,大于分割宽度阈值的识别为“宽”多边形。
作为第一方面方法的进一步优化方案,本发明具体限定了所述局部角度识别多边形宽窄特征包括:
S31:获取三角形的三个边的边长,若都在预设权重倍数下的分割宽度阈值范围内的三角形识别为“宽”三角形,其它则识别为“窄”三角形;
S32:获取三角网中“窄”三角形的总面积,如果三角网中“窄”三角形的总面积与多边形的面积比率大于面积比率阈值,则将多边形识别为“窄”多边形;
S33:如果不满足S32要求,则进一步根据三角网中的三角形之间的邻接关系,分别对所有“宽”三角形与所有“窄”三角形进行聚类,得到“宽”三角形集合以及“窄”三角形集合;
S34:根据不同的宽窄三角形聚类情况,“宽”三角形集合与“窄”三角形集合通过单独三角形成类识别、“细颈”特征识别、末端宽窄识别来分别处理得到多边形的宽窄部分调整结果;
S35:根据调整结果细化多边形的宽窄识别。
作为第一方面方法的进一步优化方案,本发明具体限定了所述步骤S31中宽窄特征识别公式
其中,Lenside为三角形的边长,α为权重。
作为第一方面方法的进一步优化方案,本发明具体限定了所述步骤S34中
S341、单独三角形成类识别的处理方法,具体为:
单独宽三角形识别
将宽三角形合并至左右邻接的窄小三角形中,并重新根据式(1)聚类此处的窄小三角形;
单独窄三角形识别
通过窄小三角形的角度和边长特征,以窄小三角形某内角大于拐点阈值以及该内角相对边大于设定长度为条件来进行调整。
S342、“细颈”特征识别的处理方法,具体为:
窄小三角形的骨架线长度与平均宽度的比例判断狭长性质,大于长宽比阈值的则认定其狭长,其中,平均宽度计算公式如式2)
S343、末端宽窄识别的处理方法,具体为:
当少于指定数量且邻接的宽三角形只有一类的窄小三角形聚类时,这类三角形为末端窄小三角形;
如果末端窄小三角形无狭长末端则归并为宽面三角形。
作为第一方面方法的进一步优化方案,本发明具体限定了所述步骤S34中多边形的宽窄部分调整方法包括:
A、末端宽三角形调整
当宽三角形邻接的窄小三角形只有一类时,这类宽三角形为末端宽三角形;如果末端宽三角形的平均宽度与邻接的窄小三角形平均宽度之比不大于2,则直接归并为窄小三角形;
B、窄小“细颈”调整
“细颈”不长的窄小三角形调整,即窄小三角形的骨架线长度在设定值范围内,且通过比较该长度与其平均宽度的比例与长宽比阈值,判定宽三角形。
C、末端窄小三角形再调整
末端窄小三角形个数相对邻接的宽三角形较少时,比较末端窄小三角形的骨架线长度与平均宽度的比例与末梢窄面保留的长宽比阈值,判定宽三角形;
D、末端小窄面再调整
如果窄小三角形与宽三角形的邻接边的边长在分割宽度阈值内,邻接边中点与末端窄小三角形中Ⅰ类三角形的边界点的距离的最大值小于分割宽度阈值且小于邻接边长;或者邻接边与最大距离的比例大于1.2,这类窄小三角形被定义为小窄面,且直接并入邻接的宽三角形。
较为具体地,本发明第二方面提供了一种面状要素宽窄特征识别装置,其特征在于,包括:
计算模块,通过计算确定多边形分割宽度阈值,面积比率阈值;
多边形宽窄特征全局识别模块,利用原始多边形自身或者与其最小外接矩形的差异程度逐步从全局角度识别多边形宽窄特征;
多边形宽窄特征局部识别模块,构建约束Delaunay三角网,从局部角度,细化对多边形宽窄特征的识别。
作为第二方面产品的进一步优化方案,本发明具体限定了所述多边形宽窄特征全局识别模块包括:
面积识别子模块,将面积小于分割宽度阈值平方值的多边形直接识别为“窄”多边形;
面积比率识别子模块,若无法通过面积识别子模块识别,则根据多边形与其最小外接矩形之间的面积比率来判断宽窄特征。
作为第二方面产品的进一步优化方案,本发明具体限定了所述多边形宽窄特征局部识别模块包括:
粗分识别子模块,通过三角形的三个边的边长,若都在预设权重倍数下的分割宽度阈值范围内的三角形识别为“宽”三角形,其它则识别为“窄”三角形;
补充识别子模块,三角网中“窄”三角形的总面积与多边形的面积比率大于面积比率阈值,则将多边形识别为“窄”多边形,若不满足,则通过三角形邻接关系进行聚类;
聚类调整子模块,根据聚类情况,通过单独三角形成类识别、“细颈”特征识别、末端宽窄识别来分别处理得到多边形的宽窄部分调整结果;
细化识别子模块,根据调整结果细化多边形宽窄识别。
较为具体地,本发明第三方面提供了一种电子设备,包括处理器和存储器,其特征在于,所述存储器上存储有计算机指令,处理器用于运行存储器上存储的计算机指令,以实现如权利要求1-6中任一项面状要素宽窄特征识别方法的步骤。
较为具体地,本发明第四方面提供了一种计算机可读存储介质,其上存储有计算机指令,其中,所述计算机指令用于使计算机执行如权利要求1-6中任一项面状要素宽窄特征识别方法。
综上所述,本发明主要具有以下有益效果:
本发明方法从多边形形状特征入手,通过多边形自身以及其他形状分析方法,分别从全局角度和局部角度,判断多边形的宽窄特征以及细化并分割出多边形的宽窄细节,较全面地完成多边形宽窄特征识别。
本发明的主要目的在于提供一种新的面状要素宽窄特征识别方法,首先,整体判断多边形面积是否符合狭窄面特征;接着,利用最小外接矩形进一步分析多边形的整体形状特征;最后,利用约束Delaunay三角网分析原始多边形内部的宽窄细节特征,得到原始多边形的“窄”与“宽”形状特征识别结果。通过本发明方法对面状要素宽窄特征识别的查全率和查准率分别达到了91.43%和94.67%,明显提高了识别的精度和准度,具有较强地泛化性和抗干扰性。
附图说明
图1为本发明方法一种面状要素宽窄特征识别基本原理图;
图2为全局式多边形宽窄特征分析示意图;
图3为宽窄三角形聚类示例图;
图4为独立“宽”三角形成类的示意图;
图5为独立“窄”三角形成类的示意图;
图6为“细颈”特征示意图;
图7为三角形内宽度计算示意图;
图8为末端窄小三角形处理过程图;
图9为末端宽三角形调整示意图;
图10为末端小窄面处理示意图;
图11-1为实施例1在实际数据实验下的宽窄识别结果。
图11-2为实施例2在实际数据实验下的宽窄识别结果。
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。
本发明中的基本原理,结合图1进行说明。
面状要素常存在着一些因为生产质量或者本身具有的狭小细节,在一定可忽略条件下可以视其细节为可省略的部分。针对如何识别面状要素宽窄部分,本发明中提出的一种基于Delaunay三角网的面状要素宽窄特征识别方法,基本原理如图1所示,识别内容包括两部分:
①全局宽窄识别。根据面状要素数据特征,定义了两种宽窄性质判断方法,包括面积直接判定和最小外接矩形判定,从全局的角度判定面状要素宽窄性质;
②局部宽窄识别:从局部的角度,进行面状要素细节调整,分割得到宽和窄两种面状要素结果。
具体的,本发明一种基于Delaunay三角网的面状要素宽窄特征识别方法,包括以下步骤:
A:确定分割宽度阈值σ,面积比率阈值ε;
B:输入原始多边形点串数据,利用原始多边形自身或者与其最小外接矩形的差异程度,从全局角度识别多边形宽窄特征;
C:依据原始多边形点串数据,构建约束Delaunay三角网,从局部角度,细化对多边形宽窄特征的识别;全局与局部分界是构建不构建约束Delaunay三角网。
上述步骤A中,分割宽度阈值σ,面积比率阈值ε的确定方法为:
A1:多边形的长宽属性影响着多边形的形状特征,因此使用分割宽度阈值σ作为多边形的“宽”与“窄”的特征分界值,此处=Scale*10-3*Widthvis,单位为米,其中Scale为制图比例尺,Widthvis为人眼在地图上识别线状地物的最小分辨率(单位毫米),一般取值区间为[0.3,0.5]。
A2:面积比率ε。多边形与其它形状之间综合分析时所设的宽窄特征分界值,一般取值区间为[0.85,0.95]。
上述步骤B中,全局的多边形宽窄识别方法包括:
B1:面积直接判定:将面积小于分割宽度阈值σ平方值的多边形直接识别为“窄”多边形;
如图2(a),相对于多边形B,多边形A明显表现出狭窄性质,在面积上有较大的差异。因此根据多边形本身的面积属性,将面积小于分割宽度阈值σ平方值的多边形直接识别为“窄”多边形。
B2:最小外接矩形:对于面状要素目标而言,用其外接矩形来近似描述其形状是地理信息***和图形学领域的一种常用方法。最小外接矩形的实现方式比较简单,即利用面状要素顶点的最小最大坐标确定的矩形即为最小外接矩形;
B3:无法直接通过B1识别其宽窄特征时,借助多边形与其最小外接矩形之间的面积比率来判断宽窄特征,如果面积比率小于面积比率阈值ε,则将多边形识别为“窄”多边形;反之需继续比较多边形的长宽值之和(如果多边形有内边界或洞,长宽值之和须包括内边界的长宽)的一半与最小外接矩形宽度的比例,大于分割宽度阈值σ的认定为“宽”多边形。
具体的,最小外接矩形判定:如图2(b),如果面状要素的最小外接矩形面积和其本身的面积相差较大,此处以面积比率阈值ε衡量,取值0.85,大于面积比率阈值ε的情况则继续比较面状要素长宽值之和(如果面状要素有内边界或洞,长宽值包括内边界的长宽)的一半与最小外接矩形宽度的比例,大于分割宽度阈值σ的则认定为宽面,反之认为该面状要素是狭窄面状要素;对于小于面积比率的情况,直接认定其为狭窄面状要素。
上述步骤C中,局部多边形宽窄特征识别方法包括:
C1:“宽”和“窄”三角形的确定。根据构建的约束Delaunay三角网,将三角形的三个边的边长都在预设权重倍数下的分割宽度阈值σ范围内的三角形确定为“宽”三角形,其它则确定为“窄”三角形;
C2:统计三角网中“窄”三角形的总面积,如果三角网中“窄”三角形的总面积与多边形的面积比率大于面积比率阈值ε,则将多边形识别为“窄”多边形;
C3:如果不满足C2要求,需进一步根据三角网中的三角形之间的邻接关系,分别对所有“宽”三角形与所有“窄”三角形进行聚类,得到“宽”三角形集合以及“窄”三角形集合;
C4:根据不同的宽窄三角形聚类情况,“宽”三角形集合与“窄”三角形集合大致分为单独三角形成类、“细颈”特征识别、末端宽窄识别等情况,分别处理得到多边形的宽窄部分调整结果,继而根据调整结果将多边形分割并得到“宽”和“窄”两种多边形结果,细化多边形的宽窄识别。
本发明中的局部式的多边形宽窄识别方法,结合图3至图10进行说明。
在全局宽窄识别之后,为了更加全面地分析多边形的宽窄特征,需利用Delaunay三角网更加细致地对多边形形状进行分析,得到更加详细的多边形宽窄识别结果。
首先对原始多边形数据构建约束Delaunay三角网,按式1)的三角形宽窄特征式分出“窄”三角形和“宽”三角形,只要三角形的三个边的边长都在权重的宽度阈值范围内则为宽三角形,其余的情况为窄三角形。
如果三角网中的窄小三角形在三角网中占了较大比例,此处以面积比率阈值ε衡量,超过面积比率阈值ε则直接判断该面状要素为狭窄面状要素。面积比率阈值ε预设为0.9,其值越小,越容易将面状要素识别为狭窄面状要素。
式(1)中,Lenside为三角形的边长,α为权重,可以根据实际情况设置不同的值,权重值越大,面状要素窄小性质的判断程度越小,得到的窄小三角形个数相应较少。
如果三角网中的窄小三角形在三角网中的占比在面积比率阈值ε之下,则对已分出的宽窄三角形,根据它们的邻接关系,聚类所有宽窄三角形,如图3为某一多边形的宽窄聚类结果示例图。
通过分析不同的聚类情况,将其聚类结果分为以下7种情况,分别进行处理:
①单独宽或窄三角形成类
宽窄三角形特征聚类时,可能对应的三角形周围无邻接且同特征的三角形,导致其被单独划分为一类的情况。如图4,处理单个宽三角自成一类的情况,直接将该宽三角形合并至左右邻接的窄小三角形中,并且重新根据宽窄特征式(1)聚类此处的窄小三角形。
单个窄小三角形的处理不同于独立宽三角形成类的情况。根据窄小三角形的角度和边长特征,该调整场景下,以窄小三角形某内角大于一定角度阈值(此处设定为60°)的拐点以及该内角相对边大于一定长度为条件来进行调整。
具体方法如图5所示,如果该独立窄小三角形与宽三角形的公共边se首尾点关联的三角形外边界(如sa、ss’和ea、ee’)两边界不平行,形成的外角大于一定拐角阈值λ(此处设定为20°),则认为对应的公共边首尾点是拐点。只要存在其中一拐点(s或e)就获取独立窄小三角形中拐点相对边(ae或as),计算拐点相对边长与公共边长的比例,如果不小于一定边长比例阈值δ,认定独立三角形相对邻接的宽三角形过于狭窄,不调整此处的窄小三角形。
②“细颈”部分的窄小三角形处理
如图6所示,如果某分类下的“窄”三角形集合呈现出狭长形状且面积非常小,表现为“细颈”特征,这类窄小三角形不再参与调整。此处以此类窄小三角形的骨架线长度与平均宽度的比例判断狭长性质,大于长宽比阈值κ的则认定其狭长,
“细颈”特征面积的判断方法具体为:“细颈”部分的窄小三角形的总面积小于预设权重倍数下的三角网总面积,此次权重设置为0.05,权重根据实际情况设定,以满足不同的需要。
平均宽度计算如式2),为“细颈”中每个三角形的长度leni和其面积areai的乘积值的总和与该分类下所有三角形面积总和的比值。其中,每个三角形的长度leni,如图7所示,根据三角形类型获取,Ⅰ类三角形为次长边相对点的垂距,Ⅱ类三角形为非公共边相对点的垂距,Ⅲ类三角形为三条边上对应的最长垂距。
③末端窄小三角形处理
当少于指定数量且邻接的宽三角形只有一类的窄小三角形聚类时,这类三角形为末端窄小三角形。此处数量限定为5个,数量值越大,处理末端的可能性越大。
如果末端窄小三角形无狭长末端则归并为宽面三角形。判断狭长末端的方法为:如果该分类下的Ⅰ类三角形的边界长度差异小,设为小于2倍(如图8,Ⅰ类三角形的边界s1e1和s2e1)以及Ⅱ类三角形的边界和Ⅰ类三角形的较长边界不平行(如较长边s1e1和Ⅱ类边界s2e2)。此处的边界指面状要素部分轮廓。
④末端宽三角形调整
如图9,当宽三角形邻接的窄小三角形只有一类时,这类宽三角形为末端宽三角形。如果末端宽三角形的平均宽度与邻接的窄小三角形平均宽度之比不大于2,则直接归并为窄小三角形。
⑤窄小“细颈”调整
“细颈”不长的窄小三角形调整,即该类窄小三角形的骨架线长度在一定值范围内,且该长度与其平均宽度的比例不超过长宽比阈值。
如果这类窄小三角形的平均宽度大于预设权重倍数下的分割宽度阈值,权重设为0.85,则直接归属宽三角形。不大于该阈值时,分别与邻接的宽三角形的平均宽度的比例只要存在不大于1.5的情况,且窄小三角形个数分别较邻接的宽三角形个数少则将该处窄小三角形调整为宽三角形,并与邻接的宽三角形合并成一类。
⑥末端窄小三角形再调整
末端窄小三角形个数相对邻接的宽三角形较少时,如果末端窄小三角形的骨架线长度与平均宽度的比例不大于末梢窄面保留的长宽比阈值κ,且邻接的宽三角形平均宽度与末端窄小三角形的平均宽度的比例小于2,则直接归并为宽三角形;如果宽度比例大于2,无狭长末端的该类窄小三角形骨架线长度不够阈值ω时转化宽三角形。
⑦末端小窄面再调整
如图10,如果窄小三角形与宽三角形的邻接边的边长在分割宽度阈值(σ)内,邻接边中点与末端窄小三角形中Ⅰ类三角形的边界点的距离的最大值小于分割宽度阈值(σ)且小于邻接边长;或者邻接边与最大距离的比例大于1.2,这类窄小三角形被定义为小窄面,且直接并入邻接的宽三角形。
实施例1:
参照图11-1所示,在设定多边形分割宽度阈值σ为30、面积比率阈值ε为0.85参数情况下,原始数据中有67个多边形,利用本发明方法最后识别分割出22个窄面多边形,69个宽面多边形。首先通过全局角度中的面积直接判定法识别出如(1)面积太小2个窄面多边形,接着通过全局角度中的最小外接矩形判别法识别出如(2)最小外接矩形判断3个窄面多边形;在前述两种全局角度判断识别之后,对剩下的62个原始多边形构建约束Delaunay三角网,转入局部角度判断识别,其中单独三角形成类识别如(3)独立宽三角形并入窄小三角形分割出窄面多边形6个,宽面多边形25个、“细颈”特征识别如(4)细颈处理分割出窄面多边形4个,宽面多边形11个、末端宽窄识别如(5)末端窄三角形处理分割出窄面多边形7个,宽面多边形33个。
实施例2:
参照图11-2所示,在设定多边形分割宽度阈值σ为30、面积比率阈值ε为0.85参数情况下,原始数据中有81个多边形,利用本发明方法最后识别分割出34个窄面多边形,83个宽面多边形。首先通过全局角度中的面积直接判定法识别出如(1)面积太小2个窄面多边形,接着通过全局角度中的最小外接矩形判别法识别出如(2)最小外接矩形判断7个窄面多边形;在前述两种全局角度判断识别之后,对剩下的72个原始多边形构建约束Delaunay三角网,转入局部角度判断识别,其中单独三角形成类识别如(3)独立窄小三角形并入宽三角形分割出窄面多边形3个,宽面多边形21个、“细颈”特征识别如(4)细颈处理分割出窄面多边形7个,宽面多边形29个、末端宽窄识别如(5)末端窄三角形处理分割出窄面多边形15个,宽面多边形33个。
实施例1和2是本发明方法在实际区域空间面数据下的宽窄特征识别结果。可以看出,本方法在全局角度上成功识别出狭窄面状要素,在局部角度上成功分割出狭窄细节,包括“细颈”、狭长末端和处于图斑之间的其它狭窄细节。这些细节是各种各样面状要素中常见的呈窄小、尖角特征的细节,常处于面状要素末梢或之间。本文发明方法得到的狭窄面识别结果经删除后,更便于对面结构进行剖析,在制图任务中能得到更好的制图效果或分析结果。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种面状要素宽窄特征识别方法,其特征在于,包括以下步骤:
S1:确定多边形分割宽度阈值σ以及面积比率阈值ε;
S2:输入原始多边形点串数据,利用原始多边形自身属性或者与其最小外接矩形的差异程度逐步从全局角度识别多边形宽窄特征;
S3:若从上述全局角度无法识别出多边形宽窄特征,则依据原始多边形点串数据,构建约束Delaunay三角网,从局部角度识别多边形宽窄特征,细化对多边形宽窄特征的最终识别。
2.根据权利要求1所述的一种面状要素宽窄特征识别方法,其特征在于,全局角度识别多边形宽窄特征包括:
S21:以面积直接判定,将面积小于分割宽度阈值σ平方值的多边形直接识别为“窄”多边形;
S22:若无法通过面积直接判定法识别多边形宽窄特征时,以多边形与其最小外接矩形之间的面积比率来判断宽窄特征,具体为:
如果面积比率小于面积比率阈值ε,则将多边形识别为“窄”多边形;
反之,需继续比较多边形的长宽值之和的一半与最小外接矩形宽度的比例,大于分割宽度阈值ε的识别为“宽”多边形。
3.根据权利要求1所述的一种面状要素宽窄特征识别方法,其特征在于,所述局部角度识别多边形宽窄特征包括:
S31:获取三角形的三个边的边长,若都在预设权重倍数下的分割宽度阈值σ范围内的三角形识别为“宽”三角形,其它则识别为“窄”三角形;
S32:获取三角网中“窄”三角形的总面积,如果三角网中“窄”三角形的总面积与多边形的面积比率大于面积比率阈值ε,则将多边形识别为“窄”多边形;
S33:如果不满足S32要求,则进一步根据三角网中的三角形之间的邻接关系,分别对所有“宽”三角形与所有“窄”三角形进行聚类,得到“宽”三角形集合以及“窄”三角形集合;
S34:根据不同的宽窄三角形聚类情况,“宽”三角形集合与“窄”三角形集合通过单独三角形成类识别、“细颈”特征识别、末端宽窄识别来分别处理得到多边形的宽窄部分调整结果;
S35:根据调整结果细化多边形的宽窄识别。
4.根据权利要求3所述的一种面状要素宽窄特征识别方法,其特征在于,所述步骤S34中
S341、单独三角形成类识别的处理方法,具体为:
单独宽三角形识别
将宽三角形合并至左右邻接的窄小三角形中,并重新根据式(1)聚类此处的窄小三角形;
单独窄三角形识别
通过窄小三角形的角度和边长特征,以窄小三角形某内角大于拐点阈值以及该内角相对边大于设定长度为条件来进行调整。
S342、“细颈”特征识别的处理方法,具体为:
窄小三角形的骨架线长度与平均宽度的比例判断狭长性质,大于长宽比阈值的则认定其狭长,其中,平均宽度计算公式如式2)
S343、末端宽窄识别的处理方法,具体为:
当少于指定数量且邻接的宽三角形只有一类的窄小三角形聚类时,这类三角形为末端窄小三角形;
如果末端窄小三角形无狭长末端则归并为宽面三角形。
5.根据权利要求4所述的一种面状要素宽窄特征识别方法,其特征在于,所述步骤S34中多边形的宽窄部分调整方法包括:
A、末端宽三角形调整
当宽三角形邻接的窄小三角形只有一类时,这类宽三角形为末端宽三角形;如果末端宽三角形的平均宽度与邻接的窄小三角形平均宽度之比不大于2,则直接归并为窄小三角形;
B、窄小“细颈”调整
“细颈”不长的窄小三角形调整,即窄小三角形的骨架线长度在设定值范围内,且通过比较该长度与其平均宽度的比例与长宽比阈值ρ,判定宽三角形。
C、末端窄小三角形再调整
末端窄小三角形个数相对邻接的宽三角形较少时,比较末端窄小三角形的骨架线长度与平均宽度的比例与末梢窄面保留的长宽比阈值ρ,判定宽三角形;
D、末端小窄面再调整
如果窄小三角形与宽三角形的邻接边的边长在分割宽度阈值σ内,邻接边中点与末端窄小三角形中Ⅰ类三角形的边界点的距离的最大值小于分割宽度阈值σ且小于邻接边长;或者邻接边与最大距离的比例大于1.2,这类窄小三角形被定义为小窄面,且直接并入邻接的宽三角形。
6.一种面状要素宽窄特征识别装置,其特征在于,包括:
计算模块,通过计算确定多边形分割宽度阈值σ,面积比率阈值ε;
多边形宽窄特征全局识别模块,利用原始多边形自身或者与其最小外接矩形的差异程度逐步从全局角度识别多边形宽窄特征;
多边形宽窄特征局部识别模块,构建约束Delaunay三角网,从局部角度,细化对多边形宽窄特征的识别。
7.根据权利要求6所述的一种面状要素宽窄特征识别装置,其特征在于,所述多边形宽窄特征全局识别模块包括:
面积识别子模块,将面积小于分割宽度阈值σ平方值的多边形直接识别为“窄”多边形;
面积比率识别子模块,若无法通过面积识别子模块识别,则根据多边形与其最小外接矩形之间的面积比率来判断宽窄特征。
8.根据权利要求7所述的一种面状要素宽窄特征识别装置,其特征在于,所述多边形宽窄特征局部识别模块包括:
粗分识别子模块,通过三角形的三个边的边长,若都在预设权重倍数下的分割宽度阈值σ范围内的三角形识别为“宽”三角形,其它则识别为“窄”三角形;
补充识别子模块,三角网中“窄”三角形的总面积与多边形的面积比率大于面积比率阈值ε,则将多边形识别为“窄”多边形,若不满足,则通过三角形邻接关系进行聚类;
聚类调整子模块,根据聚类情况,通过单独三角形成类识别、“细颈”特征识别、末端宽窄识别来分别处理得到多边形的宽窄部分调整结果;
细化识别子模块,根据调整结果细化多边形宽窄识别。
9.一种电子设备,包括处理器和存储器,其特征在于,所述存储器上存储有计算机指令,处理器用于运行存储器上存储的计算机指令,以实现如权利要求1-5中任一项面状要素宽窄特征识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机指令,其中,所述计算机指令用于使计算机执行如权利要求1-5中任一项面状要素宽窄特征识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211511520.XA CN115719492B (zh) | 2022-11-29 | 2022-11-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211511520.XA CN115719492B (zh) | 2022-11-29 | 2022-11-29 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115719492A true CN115719492A (zh) | 2023-02-28 |
CN115719492B CN115719492B (zh) | 2023-08-11 |
Family
ID=85256944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211511520.XA Active CN115719492B (zh) | 2022-11-29 | 2022-11-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115719492B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000003451A (ja) * | 1999-05-24 | 2000-01-07 | Honda Motor Co Ltd | カラ―画像における対象領域の境界識別方法 |
JP2000121358A (ja) * | 1998-10-19 | 2000-04-28 | Asia Air Survey Co Ltd | 検査点位置取得方法および装置 |
CN109034234A (zh) * | 2018-07-19 | 2018-12-18 | 中国测绘科学研究院 | 一种毗邻区特征识别及自动处理方法 |
CN109658509A (zh) * | 2018-12-11 | 2019-04-19 | 中国测绘科学研究院 | 一种狭长图斑分块方法、装置、计算机设备和存储介质 |
CN112199460A (zh) * | 2020-11-11 | 2021-01-08 | 福州大学 | 矢量地图狭长弧段识别方法 |
WO2022048468A1 (zh) * | 2020-09-01 | 2022-03-10 | 腾讯科技(深圳)有限公司 | 平面轮廓识别方法、装置、计算机设备和存储介质 |
WO2022061994A1 (zh) * | 2020-09-25 | 2022-03-31 | 浙江大学 | 基于全局特征的数字地图线要素综合方法、装置和介质 |
CN114399428A (zh) * | 2022-01-21 | 2022-04-26 | 重庆市勘测院((重庆市地图编制中心)) | 面状人工要素降维处理方法 |
-
2022
- 2022-11-29 CN CN202211511520.XA patent/CN115719492B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000121358A (ja) * | 1998-10-19 | 2000-04-28 | Asia Air Survey Co Ltd | 検査点位置取得方法および装置 |
JP2000003451A (ja) * | 1999-05-24 | 2000-01-07 | Honda Motor Co Ltd | カラ―画像における対象領域の境界識別方法 |
CN109034234A (zh) * | 2018-07-19 | 2018-12-18 | 中国测绘科学研究院 | 一种毗邻区特征识别及自动处理方法 |
CN109658509A (zh) * | 2018-12-11 | 2019-04-19 | 中国测绘科学研究院 | 一种狭长图斑分块方法、装置、计算机设备和存储介质 |
WO2022048468A1 (zh) * | 2020-09-01 | 2022-03-10 | 腾讯科技(深圳)有限公司 | 平面轮廓识别方法、装置、计算机设备和存储介质 |
WO2022061994A1 (zh) * | 2020-09-25 | 2022-03-31 | 浙江大学 | 基于全局特征的数字地图线要素综合方法、装置和介质 |
CN112199460A (zh) * | 2020-11-11 | 2021-01-08 | 福州大学 | 矢量地图狭长弧段识别方法 |
CN114399428A (zh) * | 2022-01-21 | 2022-04-26 | 重庆市勘测院((重庆市地图编制中心)) | 面状人工要素降维处理方法 |
Non-Patent Citations (3)
Title |
---|
HUSEYIN ZAHIT SELVI等: "Triangulation Method for Area-line Geometry-type Changes in Map Generalisation", 《THE CARTOGRAPHIC JOURNAL》, vol. 47, no. 2, pages 157 - 163 * |
张旗升等: "基于层次匹配的面状要素几何匹配方法研究", 《地球信息科学》, vol. 18, no. 8, pages 1043 - 1051 * |
李成名等: "一种狭长图斑分块融解方法", 《武汉大学学报 信息科学版》, vol. 43, no. 12, pages 2259 - 2268 * |
Also Published As
Publication number | Publication date |
---|---|
CN115719492B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292276B (zh) | 一种车载点云聚类方法及*** | |
US7933749B2 (en) | System and method for computing minimum distances between two point clouds | |
CN115311292A (zh) | 基于图像处理的带钢表面缺陷检测方法及*** | |
CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
Hu et al. | Unsupervised simplification of image hierarchies via evolution analysis in scale-sets framework | |
CN109102538B (zh) | 利用等值线数据提取槽脊特征点与槽脊特征线的方法、天气图分析方法 | |
CN112396133B (zh) | 基于多尺度空间的城市区域空地一体融合点云分类方法 | |
CN116310849B (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
CN113916894A (zh) | 基于量子鸽群峰谷区间分割的铜冲压件表面裂缝检测方法 | |
CN113538264B (zh) | 一种点云数据的去噪方法、装置及存储介质 | |
Kosarevych et al. | Image segmentation based on the evaluation of the tendency of image elements to form clusters with the help of point field characteristics | |
CN107818338B (zh) | 一种面向地图综合的建筑物群组模式识别的方法及*** | |
CN111950589B (zh) | 结合K-means聚类的点云区域生长优化分割方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN115797551A (zh) | 基于两步无监督聚类算法的激光点云数据自动建模方法 | |
CN116258857A (zh) | 一种面向室外树木激光点云分割与提取方法 | |
CN116091771A (zh) | 一种复杂机匣腔体点云分割方法、装置及设备 | |
CN115719492A (zh) | 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 | |
CN113657216A (zh) | 基于形状特征的点云场景树木树冠及木质点分离方法 | |
CN112395516A (zh) | 空间区域分析处理方法、装置、设备及存储介质 | |
CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
Zhang et al. | Automated demarcation of the homogeneous domains of trace distribution within a rock mass based on GLCM and ISODATA | |
CN114882192B (zh) | 一种建筑立面的分割方法、装置、电子设备以及存储介质 | |
CN116469092A (zh) | 基于DBSCAN算法的自适应Alpha Shapes轮廓提取方法 |
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 |