检索结果-南通市图书馆

作者：李驿言兰州交通大学

学位级别：硕士

大比例尺建筑物的模式识别和化简是制图综合领域一个重要的课题。在制图综合领域,诸多学者已经为大比例尺建筑物的化简做了极大的努力。然而,已有的科学研究未能在形状化简和保持局部特征之间采取一种平衡的策略,为此,本文采取了将建筑... 详细信息

大比例尺建筑物的模式识别和化简是制图综合领域一个重要的课题。在制图综合领域,诸多学者已经为大比例尺建筑物的化简做了极大的努力。然而,已有的科学研究未能在形状化简和保持局部特征之间采取一种平衡的策略,为此,本文采取了将建筑物按照形状分类,再根据所划分的形状类别进行化简的策略。主要内容为将建筑物通过图卷积神经网络进行英文字母形状的模式识别,再根据分类后的模式,对模板进行局部特征的调整,最终完成建筑物的化简。对于图卷积神经网络的数据集部分而言,用建筑物的骨架线来代替轮廓线作为数据集,取得了很好的分类效果。最后,基于所分的形状类别,采取顾及局部特征的化简策略。本研究的内容以及取得的成果主要包括以下3个方面:(1)建筑物骨架线的提取建筑物的几何形态是地理要素中最主要的部分,而骨架线可以精准的刻画出建筑物几何要素基本形态以及大体走势。本文建筑物骨架线的构建过程为,首先将建筑物矢量数据进行节点加密,然后进行约束Delaunay三角剖分,依次划分为1、2、3类三角形。基于二维矩阵结构,以三类三角形边的个数作为列数,构建二维骨架线矩阵。对于小段骨架线段的交点,采用了一种节点选择的算法对其位置进行选择,连接而成最符合形态特征的骨架线,从而实现骨架线的全自动提取,节点的选择算法也是本文提取骨架线数据集部分的创新点所在。(2)基于建筑物骨架线的图卷积神经网络形状分类面状建筑物的表达形式作为地理空间中极其重要的构成部分,其形状认知是制图综合领域的基础理论。本文结合建筑物的骨架线矢量数据和图卷积神经网络,提出一种建筑物形状分类方法,该方法的具体步骤清晰明确,首先提取面状建筑物的骨架线,形成以边为节点的对偶图结构,而后提取其基本几何特征,以此来获取建筑物形状的图表达信息;运用图卷积神经网络对建筑物骨架线以及其形状信息采取多轮次的提取和聚合,最终提取出高维形状信息,通过全连接层完成对高维形状信息的分类。实验结果表明,该方法有效的提取了建筑物的形状信息并得到了精确的分类效果,消除了轮廓线对建筑物形状描述不够深入的欠缺,充分体现出图卷积神经网络的优势,实现了精度较高的建筑物形状信息提取与分类的方法。实验中使用了240个兰州市的样本对模型进行测试,整体的分类精度为93.3%,其中E型、F型和H型的F值分别达到了96.5%,92.3%,和100%。实验结果显示本文中建筑物的形状分类模型具备很强的分类能力,复杂英文字母形状的建筑物相比较于简单英文字母形状的建筑物分类效果更好。(3)基于建筑物匹配模板的局部形态变化第二部分大比例尺建筑物形状识别完成后,对原建筑物进行特征矩阵的提取,将建筑物按照已分类完成的形状模板,对模板按照特征矩阵进行形变,用形变后的模板对原建筑物进行替换从而完成化简,这种方法很好的兼顾了建筑物的局部特征。最终通过评价指标的衡量以及和其他方法进行对比试验,都显示出很好的效果。本文通过设计训练集,利用图卷积神经网络对空间认知领域数据的识别优势,构建出建筑物形状识别的模型,基于此模型对建筑物进行英文字母形状的识别,对所分类完全的建筑物进行特征矩阵的提取,通过特征矩阵对模板进行局部特征的变换。最终用变换后的模板来代替原建筑物,从而完成建筑物的化简。本文算法为基于深度学习和传统算法相结合的建筑物化简思路进行了探索。

关键词：制图综合骨架线图卷积神经网络模板匹配建筑物化简

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于特征边重构的建筑物化简方法

引用

测绘学报 2020年第6期49卷 703-710页

作者：尹烁闫小明晏雄锋武汉大学遥感信息工程学院湖北武汉430079 苏州中科天启遥感科技有限公司江苏苏州215000 同济大学测绘与地理信息学院上海200092

针对轮廓模糊建筑物多边形的化简问题,提出一种基于特征边重构的建筑物化简方法。该方法定义了建筑物的主方向和控制其整体结构的特征边,以保持建筑物的规则形态。首先利用统计加权方法计算建筑物的主方向,基于主方向对建筑物执行直角... 详细信息

针对轮廓模糊建筑物多边形的化简问题,提出一种基于特征边重构的建筑物化简方法。该方法定义了建筑物的主方向和控制其整体结构的特征边,以保持建筑物的规则形态。首先利用统计加权方法计算建筑物的主方向,基于主方向对建筑物执行直角化操作。然后按照特征边的定义检测直角化建筑物的特征边,将特征边组合并抽象出几种局部结构,建立重组规则。最后通过判别特征边组合的空间关系,选择合适的结构重组规则来化简建筑物。结合真实数据进行多组试验,结果表明该方法有效还原了建筑物的直角特征,面积和形状保持良好,适用性强。

关键词：建筑物化简特征边局部重构直角化主方向

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

建筑物形状特征分析表达与自适应化简方法

引用

测绘学报 2022年第2期51卷 269-278页

作者：晏雄锋袁拓杨敏孔博刘鹏程同济大学测绘与地理信息学院上海200092 武汉大学资源与环境科学学院湖北武汉430079 华中师范大学城市与环境科学学院湖北武汉430079

建筑物化简是地图制图领域关注的热点问题之一。集成不同算法构建形状特征自适应的化简模型是应对建筑物多样化形态的有效策略,但当前相关研究主要从局部结构模式或化简结果评价展开,缺乏对形状结构的整体分析视角和深层次认知。本文提... 详细信息

建筑物化简是地图制图领域关注的热点问题之一。集成不同算法构建形状特征自适应的化简模型是应对建筑物多样化形态的有效策略,但当前相关研究主要从局部结构模式或化简结果评价展开,缺乏对形状结构的整体分析视角和深层次认知。本文提出一种深度学习支持下的形状自适应建筑物化简方法。首先,利用图卷积自编码网络对建筑物形状进行深度认知,提取隐含在边界节点分布中的形状特征并进行编码表达;然后,通过监督学习方法建立形状编码与化简算法之间的映射关系,从而实现依据输入建筑物的形状特征选择适宜化简算法的自适应机制。试验表明,本文方法的化简结果在位置、方向、面积和形状保持指标上总体优于单一算法,具备较好的理论与应用价值。

关键词：建筑物化简形状表达自适应化简图卷积编码器

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

AlexNet支持下的地图建筑物形状分类方法

引用

地球信息科学学报 2022年第12期24卷 2333-2341页

作者：焦洋洋刘平芝刘爱龙刘松林信息工程大学郑州450001 地理信息工程国家重点实验室西安710054 西安测绘研究所西安710054

地图目标的形状在地图制图综合、空间查询等研究中发挥着重要作用。地图建筑物形状的识别与分类作为建筑物轮廓化简与典型化的基础,一直是制图综合研究的热点问题。目前,主要的建筑物形状识别方法主要依赖对建筑物轮廓的描述,对建筑物... 详细信息

地图目标的形状在地图制图综合、空间查询等研究中发挥着重要作用。地图建筑物形状的识别与分类作为建筑物轮廓化简与典型化的基础,一直是制图综合研究的热点问题。目前,主要的建筑物形状识别方法主要依赖对建筑物轮廓的描述,对建筑物等地图面状要素的形态特征有较强的依赖性,通常只在应对特定类型的规则轮廓或直角化轮廓时能发挥较好的效果,对于形状不规则或复杂的情况识别不佳。本文提出一种AlexNet支持下的地图建筑物形状分类方法,将矢量地图中建筑物数据的形状分类问题,转化为建筑物栅格图像的分类问题,通过完成卷积神经网络的图形分类实现建筑物的形状识别。该方法首先结合空间认知规律提出一系列典型建筑物形状类型,然后利用矢量-栅格转换的方法从OSM数据采样单体建筑物栅格图像,通过人工标识获得建筑物形状分类训练样本,训练AlexNet卷积神经网络分类模型,最后利用训练好的模型对大比例尺建筑物数据进行智能形状分类与识别。本文利用北京、香港2个城市的OSM建筑物数据作为样本训练建筑物形状分类模型,并在广州部分城区的OSM建筑物数据上进行验证。相较传统形状相似性度量方法,本文提出的方法对实验区建筑物的识别分类总体查全率提高了2.48%,达到92.32%,对于较为复杂的形状(如T形、十字形)识别也具有更高的精度,查准率分别提高了13.83%和24.53%。实验结果表明本文提出的方法对建筑物形状分类的效果有明显提升,能够实现常见建筑物形状的有效分类,为下一步的建筑物化简、典型化等综合操作打下了基础。

关键词：制图综合建筑物识别深度学习卷积神经网络模板匹配形状分类建筑物化简矢栅结合

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：