顾及多特征的多尺度道路网相似性计算模型

针对现有的多尺度道路网相似性计算方法对道路网特征顾及不足的问题，提出了一种顾及全局轮廓和局部细节的多特征多尺度道路网空间相似性计算模型。该模型首先提取道路网的全局轮廓边界，通过傅里叶描述子计算出轮廓边的形状相似性，以此来度量多尺度道路网的全局相似性；其次，将能够反映局部密度特征的道路网眼引入到局部相似性计算中，分别求取网眼之间的拓扑相似度和几何相似度，二者结合计算多尺度道路网的局部相似性；最后，进行全局特征和局部特征的相似性归一化，对多尺度道路网目标相似性进行整体度量。实验结果表明，该模型计算结果与实际地物特征变化程度保持了较高的一致性，比较符合人类认知。     

基于网络加权Voronoi图的点群选取

传统基于Voronoi图的算法忽略了点与点之间是通过实际网络距离相连这一事实,针对此缺陷,提出一种基于网络加权Voronoi图的点群选取算法. 1）利用网络扩展法构建点群的网络加权Voronoi图;2）计算每个点对应的网络Voronoi多边形面积及扩展弧段总长度,并以此为依据,为点群中所包含的统计、专题、拓扑和度量信息分别选定量化描述因子;3）提出“同心圆”算法,解决点群取舍问题. 实验结果表明,提出的方法顾及了点群权重以及与点群相关联的道路等级、方向及局部密度对选取结果的影响,较好地保持了原始点群的各类信息,选取结果符合实际地理空间特征.     

模糊因素在道路网选取过程中的应用及评价

道路网选取因素的确定是道路网选取的基础。针对已有算法没有充分考虑模糊因素在道路选取时的作用的问题，提出了道路选取过程中应考虑到的几种模糊因素，借助模糊数学综合评价方法对其进行了综合评价，并将评价结果与基于网眼密度的道路网选取算法进行了融合。实验表明，考虑了模糊因素后的道路网选取在继承了基于网眼密度算法优点的基础上保留了某些交通流量大、具有历史意义或经济价值的“重要”道路，相应地删除了个别同等级但上述意义相对较小的道路，道路网选取结果更加合理，更加符合人们的实际需求。     

一种改进U-Net的高分辨率遥感影像道路提取方法

从遥感影像中准确高效地提取道路信息,对基础地理数据库的建立与维护具有重大意义。高分辨率遥感影像背景信息复杂,导致现有算法无法较好地从中提取道路信息。U-Net网络在图像分割方面有较好的实验效果,但道路分割结果准确性不佳,因此,提出了一种改进U-Net网络的高分辨率影像道路提取方法。首先,设计基于U-Net的网络结构,将VGG16作为网络编码结构,可更好地提取特征语义信息;其次,利用Batch Normalization与Dropout解决网络训练过程中出现的过拟合;最后,对训练数据利用旋转与镜像变换进行扩充,采用ELU激活函数,提升了网络训练速度。实验结果表明：该方法可以较为准确高效地提取道路信息。