建筑群组合直线模式识别的模板匹配方法

建筑群空间分布模式识别对制图综合、多尺度表达及空间数据挖掘具有重要意义.针对局部异质性明显的建筑群直线模式识别提取问题,本文提出基于模板匹配的建筑群组合直线模式识别方法.首先分析研究组合直线模式的认知特征和定义;然后,利用建筑物的空间邻近性、尺寸和方向约束进行聚类,获得建筑物间的空间邻近关系和扩展对齐关系;以放大的建筑物最小面积外接矩形作为初始匹配模板;最后,在确定模板分布间隔及方向的基础上,考虑组合直线模式的直线性、相似性和局部异质性约束条件,通过连续构建模板进行搜索匹配,识别出组合直线模式.试验表明本文方法能有效识别出组合直线模式,其识别结果符合人类认知特点.     

建筑群多连通直线模式的参数识别方法

结合国内外对建筑群空间分布模式的研究,提出了建筑群多连通直线模式的参数判别识别方法。首先从其组织规律出发,从距离、方向、大小3方面提取直线模式的结构化参数;然后利用Delaunay三角网构建建筑群的邻近关系,生成邻近图;考虑直线模式的直线性、紧凑性等,通过模拟直线模式识别的人工过程进行邻近图的同质性修剪,识别出多连通直线模式。实验表明,该方法能够识别出明显直线模式,且具有完备性,允许模式相交,更符合人类空间认知特点。     

城市建筑群网格模式的图论识别方法

建筑群空间分布模式体现了城市的物质形式及其与社会经济功能之间的关系,反应了城市的空间结构特征,对于制图综合和多尺度表达等具有重要意义。结合国内外对该问题的研究,提出了基于图论的建筑群网格模式识别方法。首先分析研究了网格模式的认知特征和定义。然后利用Delaunay三角网构建建筑群的邻近关系,生成邻近图;从Gestalt视觉准则出发,基于三角剖分模型建立视觉距离;考虑直线模式的直线性、紧凑性等约束条件识别出交叉的多连通直线模式。最后对直线模式建立相交图和方向关系图,通过求解极大完全子图、连接、相交和后期修建等图运算,实现网格模式的识别。实验表明该方法能够识别出明显网格模式,其识别结果符合人类空间认知特点。     

规则池塘群的复杂直线模式识别

针对现有面要素直线模式识别方法难以解决规则池塘中破碎区域的问题,提出了一种规则池塘群的复杂直线模式识别方法。首先,分析了规则池塘群的空间特征和认知特点,提出了“主次关系→并列关系→直线模式→复杂直线模式”的多层次认知顺序;其次,设计了主次关系池塘组、并列关系池塘组、直线模式池塘群的识别方法;最后,构建了复杂直线模式池塘群的识别模型。试验表明:本文方法能够消除破碎区域对规则池塘群直线模式提取的不利影响,有效提升复杂直线模式识别的质量。     

顾及Gestalt认知效应的线性岛屿模式识别

从岛屿分布的邻近性、延展性、紧凑性、直线性等特征出发,提出了线性岛屿结构识别的新方法。首先,以Delaunay三角网为空间分析工具,计算岛屿群空间邻近关系,生成空间邻近图;然后,在空间邻近图的基础上生成MST图;最后,利用Gestalt原则对线性阵列结构的识别效应,在MST上通过3次剪枝导出线性岛屿结构。实验结果表明,该方法能够识别出具有明显线性岛屿结构的目标集,与肉眼视觉识别基本一致。     

空间对准关系及其定量描述方法

空间对准是最基本的空间排列形式之一,属于高层次的空间关系概念。根据Gestalt心理学的空间认知原理,提出空间对准的概念及其定量描述和计算方法。通过定义正对投影长度比,实现空间对准的定量描述与计算,表明其具有平移、旋转、尺度不变性,弱反身性,不可传递性等。通过模拟实验分析和城市双线道路识别与建筑群直线模式识别两个真实案例,证明文中方法的实用性和有效性。     

典型建筑物群组模式的空间图卷积模型DGCNN识别方法

建筑物群组模式的识别是建筑物综合的重要步骤,高效的建筑物群组模式识别方法能有效提升地图自动综合的质量。建筑物群组模式的识别目前主要包括几何方法和传统的机器学习方法两种,存在规则定义复杂、特征工程庞大等缺点。图卷积神经网络方法克服了传统方法的局限性,已成功地应用于建筑物的模式分析。然而,目前使用图卷积进行建筑物群组多模式识别的相关研究较少,且已有的图卷积大多基于谱域图卷积,对空间局部信息考虑不足。引入空间图卷积模型DGCNN(deep graph convolutional neural network)进行建筑物群组的多模式识别,首先聚类建筑物数据形成群组,并构建建筑物群组的几何模型;然后定义建筑物的特征向量,建立建筑物群组的图结构;最后将图结构输入DGCNN模型训练,得到建筑物群组模式。结果发现,该模型在训练集的精度达到97.60%,测试集的精度达到95%,优于谱域图卷积方法,能有效用于建筑物群组模式分类。     

特征分类与邻近图相结合的建筑物群空间分布特征提取方法

建筑物群综合过程中需要对建筑物群空间分布特征进行认知和识别。本文在分析国内外相关研究的基础上,从描述建筑物空间特征的大量指标中,利用主成份分析方法,总结并提出了有代表性的建筑物空间特征指标集:凸包面积、紧密度IPQ指标、边数和最小面积外接矩形方向,并基于这些指标研究了建筑物群的分类。在利用最小生成树邻近图(MST)划分建筑物空间子群时,考虑了建筑物成群与所处地理环境(河流和道路等因素)的关系。另外,基于最邻近图(NNG)、MST、相对邻近图(RNG)和Gabriel图(GG)4种建筑物群邻近图,提出了自动识别具有特定空间排列建筑物子群的方法,并比较分析了识别结果的影响因素和可用性。最后,选择北京某地区建筑物群为试验对象,实现了对建筑物群的分类和空间聚类,并提取了其中直线型空间排列的建筑物子群。     

建筑物线型排列模式识别的图卷积神经网络方法

针对建筑物空间分布模式识别过程中,建筑物参数间权重和模式间分类阈值难以确定的问题,设计了一种基于图卷积神经网络的建筑物线型排列模式识别方法。该方法在计算建筑排列特征因子和建立建筑物间邻近关系的基础上,根据图卷积操作与B-P神经网络搭建了图卷积神经网络模型,通过对样本的监督学习,建立预测模型。最后,在OpenStreetMap公开数据集上进行了实验。结果表明,该方法能够准确地识别建筑物线型排列的3种模式。     

顾及功能语义特征的建筑物空间分布模式识别方法

本文从空间-语义双重约束角度,提出一种顾及空间邻近和功能语义相似的建筑物空间分布模式识别方法。首先,基于建筑物的空间位置邻近性(即建筑物间的最小距离)约束进行聚类,获得建筑物的空间分布模式和建筑物间的空间邻近关系;然后,根据建筑物的功能语义相似性约束进行分割,获得建筑物的初步聚类结果;最后,考虑簇内相似性与簇间差异性进行整体优化,获得最终聚类结果。试验验证表明,本文方法比现有方法能够更有效地识别空间邻近与功能语义一致的建筑物群,服务于智慧城市建设中对建筑物进行语义层次综合和对城市结构进行深入研究的需求。     

Voronoi邻近关系支持下的点模式趋同提取方法

点模式及其趋同研究是揭示地学现象的产生、发展与演变,量化空间相似性分布、诠释空间分布成因的重要方式。目前,点模式研究侧重于已知频率与随机分布的一元独立性检验、距离测度下单观测值的二元相关性分析,而针对集聚过程相关性,空间拓扑与非拓扑邻近、综合多观测值的点模式趋同量化研究顾及不足。据此,以空间邻近性聚类、局部相关的多指标评价为切入点,本文提出了一种Voronoi邻近关系支持下的点模式趋同提取方法。首先,以Voronoi邻近相关表集聚算法剖分出空间独立性点模式;其次,依据Voronoi邻近关系指数测度、样本分布均值与分布方差的趋同假设,使用拉普拉斯平滑算子评价趋同度;最后,依据λ截矩阵,提取出Voronoi邻近、非Voronoi邻近关系支持下的强趋同点模式。试验以云南省腾冲市居民点数据为算例,经与点模式构建的聚类方法对比、趋同度计算与强趋同提取,验证了该方法的可行性与有效性。     

道路与建筑物空间冲突的几何相似性移位算法

保持建筑物群的空间分布模式一致是道路与建筑物空间冲突处理问题的难点。按道路对建筑物的包围程度,将道路与建筑物之间的关系类型划分为开放型、半开放型和闭合型。本文提出了基于几何相似性的建筑物移位算法,并以距离、角度和面积作为满足几何相似性的约束条件。以道路网眼为单位,采用最小生成树的方法生成建筑物群的骨架,以骨架的长度和角度特征分别作为建筑物移位的距离和角度约束条件,以建筑物与网眼的面积比作为建筑物移位的面积约束条件。针对可能出现的次生冲突,探讨了次生冲突的处理方法。试验结果表明,本文方法能够消除因道路拓宽导致的道路与建筑物冲突,并能完备地保持建筑物群的空间分布模式。     

On the spatial distribution of buildings for map generalization

Information on spatial distribution of buildings must be explored as part of the process of map generalization. A new approach is proposed in this article, which combines building classification and clustering to enable the detection of class differences within a pattern, as well as patterns within a class. To do this, an analysis of existing parameters describing building characteristics is performed via principal component analysis (PCA), and four major parameters (i.e. convex hull area, IPQ compactness, number of edges, and smallest minimum bounding rectangle orientation) are selected for further classification based on similarities between building characteristics. A building clustering method based on minimum spanning tree (MST) considering rivers and roads is then applied. Theory and experiments show that use of a relative neighbor graph (RNG) is more effective in detecting linear building patterns than either a nearest neighbor graph (NNG), an MST, or a Gabriel graph (GssG). Building classification and clustering are therefore conducted separately using experimental data extracted from OpenStreetMap (OSM), and linear patterns are then recognized within resultant clusters. Experimental results show that the approach proposed in this article is both reasonable and efficient for mining information on the spatial distribution of buildings for map generalization.     

A typification method for linear pattern in urban building generalisation

This paper presents a typification method for linear pattern in urban building generalization. The proposed method includes two processes. Firstly, structural knowledge in terms of linear pattern is detected using a two-step algorithm taking the advantages of Gestalt visual perception, computational geometry and graph theory. Spatial neighbourhood is captured using interpolated constrained Delaunay triangulation and the resulting proximity graph is pruned to be heterogeneous to get acceptable linear patterns with regard to Gestalt visual perception. Then, a typification strategy is proposed, in which typification is regarded as a progressive and iterative process consisting of elimination, exaggeration and displacement. The typification strategy iteratively executes eliminating the building with minimum overall effect, exaggerating remaining buildings considering key location and spatial characteristics and displacing them to preserve the linear pattern until elimination quantity is satisfied. Experiments show that this proposed strategy is effective and linear patterns are guaranteed with correctness and completeness.     

多层次空间同位模式自适应挖掘方法

空间同位模式挖掘旨在从空间数据中发现频繁发生在邻近位置的事件集合,对于揭示地理现象间的共生规律具有重要价值。由于地理现象的空间异质特质,空间同位模式也存在区域性分异的特点,在不同空间层次上的分析结果各异。然而,现有方法仅从全局视角挖掘空间同位模式,发现局部空间同位模式依然是一个亟待解决的难题。为此,本文基于由整体到局部的思想,提出了一种多层次空间同位模式自适应挖掘方法。首先,从全局视角提取频繁的空间同位模式,将全局不频繁的空间同位模式作为候选的局部空间同位模式;然后,通过对候选局部同位模式进行自适应聚类自动识别其局部分布区域,并在这些局部区域内度量候选模式的频繁程度;进而,提出了一种叠置推绎的方法,从频繁子模式的局部区域中进一步推绎获得超模式的局部分布区域,最终生成所有频繁的局部空间同位模式集合。通过试验分析与比较发现,本文方法不仅可以发现全局的空间同位模式,还能有效提取具有区域性分布特征的局部空间同位模式,可以从多个空间层次上反映地理事件间的共生规则。     

Grid pattern recognition in road networks using the C4.5 algorithm

Pattern recognition in road networks can be used for different applications, including spatiotemporal data mining, automated map generalization, data matching of different levels of detail, and other important research topics. Grid patterns are a common pattern type. This paper proposes and implements a method for grid pattern recognition based on the idea of mesh classification through a supervised learning process. To train the classifier, training datasets are selected from worldwide city samples with different cultural, historical, and geographical environments. Meshes are subsequently labeled as composing or noncomposing grids by participants in an experiment, and the mesh measures are defined while accounting for the mesh’s individual characteristics and spatial context. The classifier is generated using the C4.5 algorithm. The accuracy of the classifier is evaluated using Kappa statistics and the overall rate of correctness. The average Kappa value is approximately 0.74, which corresponds to a total accuracy of 87.5%. Additionally, the rationality of the classifier is evaluated in an interpretation step. Two other existing grid pattern recognition methods were also tested on the datasets, and comparison results indicate that our approach is effective in identifying grid patterns in road networks.     

直线排列建筑物群渐进式典型化方法

地图综合中,建筑物群的排列结构是需要重点考虑的因素。当不同排列的子建筑物群之间存在空间图形冲突时,这些建筑物群的综合就显得更为复杂。直线排列建筑物群的综合在大比例尺地形图上以典型化操作为主。本文提出一种相互之间存在潜在空间图形冲突的多个直线排列建筑物子群的渐进式典型化方法,渐进式地处理多个直线排列建筑物子群之间的空间图形冲突,保留建筑物群重要的直线排列结构;以建筑物表达的视觉图形约束为限制条件,自动确定典型化后的建筑物位置、形状、大小和方位。本文还研究了基于建筑物群空间邻近图的直线排列建筑物子群的自动识别方法,分析了这些直线排列之间的邻近关系和相交关系。最后,以1：5000地图上的建筑物群综合为1：25 000为试验对象,验证了所提出算法的可用性和有效性。