CN101840582B - 一种地籍图地块的边界数字化方法 - Google Patents

Abstract

本发明提供了一种地籍图地块的边界数字化方法，包括：输入步骤：输入已有纸质地籍图的扫描栅格图像；分割步骤：将所述扫描栅格图像分割成多个待分类的图像对象；提取步骤：构建知识规则，应用面向对象分析的分类方法，从所述多个图像对象中提取出地块对象；矢量化步骤：矢量化所述提取的地块对象；综合概括步骤：对所述地块对象轮廓进行综合概括，最终获得矢量化的地籍图地块边界要素。本发明用以解决现有地籍图数字化方法自动化程度不高，人机交互工作量大，效率低的问题。

Description

一种地籍图地块的边界数字化方法

技术领域

本发明涉及地籍测量、地理数据获取和数字测绘技术领域，特别是涉及一种地籍图地块的边界数字化方法。 

背景技术

随着城市建设的不断加快，城市面貌已发生了巨大变化，故已有纸质地籍图在使用与管理中均极为不便，故原始纸质地图的数字化与变更地籍测量的数据合并已成为必然。 

参考图1，示出了现有技术一种地籍图数字化方法的处理流程，其主要可以包括以下部分： 

第一部分、主要采用联机手扶跟踪数字化仪数字化输入或扫描输入后屏幕数字化的方式，对现有地籍图上所需地籍要素数据(主要是宗地或地块边界)进行数字化采集； 

第二部分、主要采用野外数字测量或数字摄影测量方式，测量和计算得到界址点的坐标数据，或把已有界址点的坐标数据输入计算机； 

第三部分、将地籍要素数据和界址点数据叠加，并在数据处理软件的控制下，经编辑处理形成以数字形式表示的数字地籍图，以便于电子计算机进行数据文件生成、成果打印、绘图仪绘图、屏幕显示等操作。 

在上述两种数字化方式中，用数字化仪进行数字化采集是实现地籍图数字化的一种传统而成熟的方法，其原理是将已有纸质地籍图平铺到数字化板上，然后用定标器将图纸上点、线等地籍要素逐一跟踪描入计算机，得到一个以.dwg(Drawing)为后缀的图形文件，这种方式所得图形的精度较高，但工作量和工作强度都很大，尤其是曲线较多时工作量明显增大。 

扫描输入后屏幕数字化的原理是，先将已有纸质地籍图通过扫描仪输入计算机，以.BMP(bit map)、.GIFF(Tagged Image File Format)、.GIF(GraphicsInterchange Format)、.PCX等为后缀的光栅图像文件形式存放在计算机中；再利用鼠标将图上的地籍要素进行屏幕跟踪数字化，与数字化仪的跟踪操作一样，最后，同样可以得到以dwg为后缀的图形文件。 

综上，现有地籍图数字化方法，便于操作过程中地籍要素的概括和取舍，容易实现实时的错误检查，具有数字化后编辑速度快、方便实用等优点；但由于无论是数字化仪还是扫描仪录入地籍图，对地籍要素的人工跟踪数字化都是必不可少的工作过程，故在技术上也存在自动化程度不高，人机交互工作量大，效率低等缺点。 

总之，需要本领域技术人员迫切解决的一个技术问题就是：如何能够解决现有数字化方法自动化程度不高，人机交互工作量大，效率低的问题。 

发明内容

本发明所要解决的技术问题是提供一种地籍图地块的边界数字化方法，以解决现有地籍图数字化方法自动化程度不高，人机交互工作量大，效率低的问题。 

为了解决上述问题，本发明公开了一种地籍图地块的边界数字化方法，包括： 

输入步骤：输入已有纸质地籍图的扫描栅格图像； 

分割步骤：将所述扫描栅格图像分割成多个待分类的图像对象； 

提取步骤：构建知识规则，应用面向对象分析的分类方法，从所述多个图像对象中提取出地块对象； 

矢量化步骤：矢量化所述提取的地块对象； 

综合概括步骤：对所述地块对象轮廓进行综合概括，最终获得矢量化的地籍图地块边界要素； 

其中，所述提取步骤为，利用模糊逻辑分类器，借助隶属度函数来表达所述知识规则，并按照所述知识规则从所述多个对象中提取出地块对象，其中，所述隶属度函数是表达图像对象特征值与隶属度之间关系的数学模型； 

所述按照所述知识规则从所述多个对象中提取出地块对象的步骤为，依次构建知识规则，把每一次知识规则分类后的图像对象进行相同类合并形成供后续分类的新图像对象层，经过所构建的全部知识规则分类后，最终获得分类的地块对象类； 

所述提取步骤包括： 

以所述分割得到的对象作为第1层图像对象，构建知识规则1，将所述第1层图像对象首先划分为白色1和黑色1两类，再进一步，将黑色1细分为黑色边界1和黑色非边界1两类； 

合并连续相邻的白色1类和黑色非边界1类，形成第2层图像对象； 

构建知识规则2，将所述第2层图像对象首先划分为白色2和黑色2两类，再进一步，将白色2细分为白色背景2和白色地块2两类，将黑色2细分为黑色边界2和黑色非边界2两类； 

合并连续相邻的白色背景2、白色地块2和黑色非边界2，得到第3层图像对象； 

构建知识规则3，将所述第3层图像对象划分为白色3、黑色3和地块3三类； 

合并连续相邻的白色3和黑色3，得到第4层图像对象； 

构建知识规则4，将所述第4层图像对象划分为地块类和非地块类； 

其中，所述知识规则1包括： 

对于每一个第1层图像对象，如果对象均值的隶属度函数值高，则白色1类的隶属度高，否则，黑色1类的隶属度高； 

进一步，如果对象均值的隶属度函数值低，并且，密度特征的隶属度函数值低，矩形拟合度特征的隶属度函数值低，形状指数特征的隶属度函数值高，以及，相邻白色1对象数量的隶属度函数值高，则黑色边界1类的隶属度高，否则，黑色非边界1类的隶属度高； 

所述知识规则2包括： 

对于每一个第2层图像对象，如果白色1类子对象存在特征的隶属度函数值高，则白色2类的隶属度高，否则，黑色2类的隶属度高； 

进一步，如果白色2类的隶属度高，并且，至图像边界距离的隶属度函数值低或者面积的隶属度函数值低，或者，面积的隶属度函数值低以及平行或垂直主方向的隶属度函数值高，则白色背景2类的隶属度高，否则，白色地块2类的隶属度高； 

更进一步，如果黑色2类的隶属度高，并且，与相邻白色地块2类对象 的相对边界的隶属度函数值高，则黑色边界2类的隶属度高，否则，黑色非边界2的隶属度高； 

所述知识规则3包括： 

对于新对象层中的每一个图像对象，如果白色背景2子对象存在特征的隶属度函数值高，则白色3隶属度高； 

如果黑色边界2子对象存在特征的隶属度函数值高，则黑色3隶属度高；否则地块3隶属度高； 

所述知识规则4包括： 

对于新对象层中的每一个图像对象，如果地块3类子对象存在特征的隶属度函数值高，则地块类的隶属度高，对象被分类为地块类； 

否则，非地块类的隶属度高，对象被分类为非地块类。 

优选的，采用Sigmoid型隶属度函数来表达所述知识规则。 

优选的，所述对象特征包括空间属性和上下文属性，其中， 

所述空间属性包括密度、面积、主方向、矩形拟合度和形状指数； 

所述上下文属性包括与相邻对象的相对边界、与相邻对象的距离和相邻对象的数量。 

与现有技术相比，本发明具有以下优点： 

本发明采用基于知识规则的面向对象分析方法，从已有纸质地籍图的扫描栅格图像中提取出地块对象，并矢量化所述地块对象，得到地籍图地块边界要素；由于上述数字化过程，是从扫描栅格图到矢量化地块边界要素的自动处理过程，因而，相对于现有技术跟踪数字化时人为主观因素的干扰，本发明能够大大减少人机交互工作量，具有自动化程度高，效率高，错误率低，精度高，适用性强，整体性强等特点，且矢量化得到的图件精确、美观、规范。 

附图说明

图1是现有技术一种地籍图数字化方法的处理流程；

 图2是本发明一种地籍图地块的边界数字化方法实施例的流程图； 

图3是本发明一种经格式转换并缩小显示的扫描栅格图像示例； 

图4是Sigmoid型隶属度函数曲线示意图，其中，图4(a)是上升型函数曲线示意图，图4(b)是下降型函数曲线示意图； 

图5是本发明一种利用知识规则分类的结构图； 

图6是本发明一种地块对象的矢量化结果示例； 

图7是本发明经综合概括后生成的矢量化地籍地块边界要素示意图。 

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。 

在实现扫描输入后屏幕数字化时，虽然可以利用扫描矢量化软件对扫描栅格图像进行矢量数字化，相对而言可减轻一些工作强度，操作也更简便些。但在实际操作中，由于地籍图中包含除权属地界线或宗地边界外的其它多种图面内容，如变更记录、标识符和注记等，而扫描矢量化软件并不能有选择地识别并进行矢量化，因此，直接用扫描矢量化软件对扫描的栅格图像进行矢量化并不可行。 

而基于对象的图像分析是近年来出现的一种新理论，这种分析处理策略可以有效地结合人工智能的知识提高图像信息提取的自动化程度，其在遥感影像分类和地物目标识别与信息提取领域已获得了较多的应用。 

本发明实施例的核心构思之一在于，采用基于知识规则的面向对象分析方法，从已有纸质地籍图的扫描栅格图像中提取出地块对象，并矢量化所述地块对象，得到地籍图地块边界要素；由于上述数字化过程，是从扫描栅格图到矢量化地块边界要素的自动处理过程，因而能够减少人机交互工作量，提高数字化的效率。 

参照图2，示出了本发明一种地籍图地块的边界数字化方法实施例的流程图，具体可以包括： 

输入步骤21、输入已有纸质地籍图的扫描栅格图像； 

例如，在用扫描仪扫描输入时，可设置扫描分辨率为500dpi(Dots PerInch)，并将所述扫描栅格图像保存为1-bit(位)的黑白TIFF格式。注意，为尽量取得高精度的数字化结果，所述扫描输入分辨率应设置不低于300dpi。 

另外，为加快计算机处理速度，可利用通用图像处理软件(如AdobePhotoshop)将TIFF格式转换为GIF格式，从而可以减小扫描栅格图像占用的空间。 

再者，由于栅格图像固有特点，在图像文件压缩、格式转换或缩放操作后，显示图像部分或局部内容出现模糊是正常的；参照图3所示的本发明一种经格式转换并缩小显示的扫描栅格图像示例，其中的文字注记部分已经模糊不清；这不影响后续处理流程，因为本发明实施例的目的是提取地籍地块或宗地的边界要素，处理过程可忽略地籍图上的其它内容或要素。 

分割步骤22、将所述扫描栅格图像分割成多个待分类的对象； 

本步骤是将一扫描栅格图像分解成一系列的对象I＝{O₁，O₂，...，O_n}，其中，n为对象个数。 

图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。本发明实施例可以采用多分辨率分割算法(MRS，Multi-resolution Segmentation)，该算法本质上是一种基于局部异质性最小的区域增长算法，多分辨率分割程序的执行过程可以为：首先确定待分割图像各图层的权重，然后设置尺度参数、颜色权重和形状权重。这些设置参数都与分割生成的图像区域大小范围紧密相关，其中，尺度参数对分割生成的影像区域大小直接正相关，影响最明显；在其它参数设置相同的情况下，尺度参数越大，生成的图像分割区域越大。 

具体到本实施例，由于输入的扫描栅格地籍图是1位的黑白图，而地块或宗地边界相对细小，这样，在设置算法分割参数时，可设置尺度参数为3，颜色权重为1，形状权重为0。 

提取步骤23、构建知识规则，应用面向对象分析的分类方法，从所述多个对象中提取出地块对象； 

由于地籍图上除主要的地块边界要素外，还可能包括图例、描述性标志、符号、变更记录和注记等非地块边界要素；因此，本步骤的主要功能是，构建知识规则对分割后的多个对象(即图像区域)进行分类提取，目的在于把地块边界要素与其他地籍图要素区分出来。 

在面向对象分析的分类方法中，由于模糊逻辑善于表达界限不清晰的定性知识与经验，并借助于隶属度函数概念，区分模糊集合，处理模糊关系，模拟人脑实施规则型推理，解决因“排中律”的逻辑破缺产生的种种不确定问题。 

因此，在本发明的一种优选实施例中，所述提取步骤23可以为，利用模糊逻辑分类器，借助隶属度函数来表达所述知识规则，并按照所述知识规则从所述多个对象中提取出地块对象，其中，所述隶属度函数是表达图像对象特征值与隶属度之间关系的数学模型。 

这样，模糊逻辑分类器可以给每个对象计算多个不同地类的隶属度，从而可以使对象的分类不限于某一类，而是可以属于多个类别。基于知识规则的模糊分类方法在成员函数表达的知识规则之间可利用布尔逻辑操作符“AND”或“OR”，或者它们的组合来表达分类知识，最终可获得图像对象对于所有地类的类属度；通常情况下，把计算获得的最高类属度地类作为最终的分类结果进行输出。 

在实际中，所述模糊逻辑分类器的实现主要可以包括以下两个部分： 

一、分类器设计； 

由于所述分类器的目标是从所述多个对象中提取出地块对象，也即，所述分类器的目标类别是地块类，而初始条件是多个对象类，因此，分类器设计是本发明实施例的关键所在，在实际中主要有两种设计思想： 

思想一、只构建一次知识规则，就把所述多个对象类划分为地块类和非地块类； 

基于本思想的分类器设计比较简单，但是，地籍图的内容复杂，会给对 象特征的选用带来困难，且容易提高分类器的错误率，例如，将非地块边界要素划分到地块类的多提取错误，或者，将地块边界要素划分到非地块边界要素的少提取错误等。 

思想二、依次构建知识规则，把每一次知识规则分类后的图像对象进行相同类合并形成供后续分类的新图像对象层，经过所构建的全部知识规则分类后，最终获得分类的地块对象类。 

基于本思想，可以根据地块的空间属性和上下文属性，设计精确的知识规则，从而能够最大限度地降低分类器的错误率。 

二、知识规则的构建。 

在具体实现中，基于知识规则的模糊逻辑分类可通过隶属度函数值来表达对象的隶属度，其中，隶属度函数是表达图像对象特征值与隶属度之间关系的数学模型，其定义为，若对论域(对象特征值的范围)U中的任一元素x，都有一个数A(x)∈[0，1]与之对应，则称A为U上的模糊集，A(x)称为x对A的隶属度；并且，当x在U中变动时，A(x)就是一个函数，称为A的隶属函数。隶属度A(x)越接近于1，表示x属于A的程度越高，A(x)越接近于0，表示x属于A的程度越低；也即，取值于区间[0，1]的隶属函数A(x)，表征x属于A的程度高低。 

因此，构建一个知识规则需要明确如下两个方面： 

(1)隶属度函数的选取； 

当对象特征值增大，隶属度也增大时，利用上升型函数来表达；相反，当对象特征值增大，隶属度降低时，利用下降型函数来表达。 

本本发明的一种优选实施例中，可以采用Sigmoid型隶属度函数来表达所述知识规则，其曲线可参照图4，其中，图4(a)是上升型函数曲线示意图，图4(b)是下降型函数曲线示意图： 

上升S型函数：μ_x＝S(i；a，b，c)， 

下降S型函数：μ_x＝1-S(i；a，b，c)。 

其中，a、b、c为隶属度函数的控制点，在上升S型函数中，a、b、c分别是当类别隶属度为0、0.5、1时，对象特征值i的取值；在下降型S型 函数中，a、b、c则分别是当类别隶属度为1、0.5、0时，对象特征值i的取值，其中，b＝(a+c)/2。 

(2)对象特征的选取。 

由于隶属度函数是表达图像对象特征值与隶属度之间关系的数学模型，所以对象特征的选取对模糊逻辑分类器的性能起着至关重要的作用。 

在具体实现中，可以依据地籍图的特性以及图像对象层的分类需求，选取如下特征： 

A1、空间属性，具体可以包括： 

(1)密度：对象的面积除以半径(以像元为单位)； 

(2)面积：以图像像元为单位计算(本实施例扫描输入分辨率为500dpi，实施时可以根据对应的设置调整)； 

(3)主方向：图中变更记录表格所在对象的方向一般平行或垂直于图像的边界； 

(4)矩形拟合度：表征影像对象与具有同样面积、宽度和长度的主矩形之间的差异程度，其中，1代表完全拟合，0代表没有拟合； 

(5)形状指数：表征影像对象边界的平滑度，其计算式为：s＝e/(4*A^0.5)，其中，e为边界长度，A为对象面积； 

A2、上下文属性，例如，与相邻对象的相对边界、与相邻对象的距离、和/或相邻对象的数量等。 

为使本领域技术人员更好地理解本实施例，能否厘清构建的知识规则分类结构与最终的地块分类结果之间的逻辑关系至关重要，参考图5，示出了列出了本发明一种利用知识规则分类的结构图，其中，虚线框框表示类合并的类。 

需要进一步说明的是，图5表明了本发明方法知识规则分类是逐层推进的，此外，还有另一重要的内部关系需要强调，即每一层图像对象都是分开存放的，而且各层对象之间也是相互联系的，这种内部关系可以这样理解： 

B1、当处理推进到某对象层时，前面的对象层及其分类并没有消失，而 是依然存在，并且前面对象层的分类可以为后续层分类提供特征信息； 

B2、从第1层图像对象直至生成第2、3和4层图像对象，这是一个自底向上构建图像对象层的过程；具体而言，凡是位于下层的图像对象都成为上层的图像对象的子对象，而位于上层的图像对象都成为下层的图像对象的父对象，位于任一层的子对象和父对象特征都可以互相调用。 

本例中，选择的对象特征及所应用的模糊逻辑知识规则列于表1，其中，所述知识规则通常使用IF/THEN/ELSE规则，通常可以表达为如下形式： 

针对当前对象层中的每个图像对象： 

IF对象特征1隶属度函数值低 

THEN地类1隶属度高， 

ELSE地类2隶属度高。 

其中，表达的知识规则之间可利用布尔逻辑操作符“AND”或“OR”，或者它们的组合来表达分类知识。 

表1知识规则 

知识  规则	规则描述
		知识 规则1	对于每一个第1层图像对象： IF对象均值隶属度函数值高，THEN白色1隶属度高，ELSE黑 色1隶属度高。 IF对象均值的隶属度函数值低， AND密度的隶属度函数值低， AND矩形拟合度的隶属度函数值低， AND形状指数的隶属度函数值高， AND相邻白色1对象数量的隶属度函数值高， THEN黑色边界1隶属度高。 ELSE黑色非边界1隶属度高。
	合并相邻的白色1和黑色非边界1类对象，形成第2层图像对象。

知识  规则2	对于每一个第2层图像对象：  IF白色1子对象存在特征的隶属度函数值高，THEN白色2隶属  度高。  ELSE黑色2隶属度高。  IF白色2隶属度高，  AND(至图像边界距离的隶属度函数值低OR面积的隶属度  函数值低OR   (面积的隶属度函数值低AND平行或垂直主方向的隶属度   函数值高)，  THEN白色背景2隶属度高，  ELSE白色地块2隶属度高。  IF黑色2隶属度高，  AND与相邻白色地块2类对象的相对边界的隶属度函数值高，  THEN黑色边界2隶属度高，  ELSE黑色非边界2隶属度高。
			合并相邻的白色背景2，白色地块2和黑色非边界2类对象，形  成第3层图像对象。
知识 规则3	对于每一个第3层图像对象：  IF白色背景2子对象存在特征的隶属度函数值高，THEN白色3  隶属度高；  ELSE IF黑色边界2子对象存在特征的隶属度函数值高，THEN黑  色3隶属度高；  ELSE地块3隶属度高。
			合并相邻的白色3和黑色3类对象，形成第4层图像对象。
知识  规则4	对于每一个第4层图像对象：  IF地块3子对象存在特征的隶属度函数值高，THEN地块隶属   度高，对象分类为地块。ELSE非地块隶属度高，对象分类为非

地块。

相应地，所述步骤23具体可以包括以下子步骤： 

子步骤S1、以所述分割得到的对象作为第1层图像对象，构建知识规则1，将所述第1层图像对象划分为白色1、黑色边界1和黑色非边界三类； 

在具体实现中，所述知识规则1可以包括： 

子规则C1、对于每一个第1层图像对象，如果对象均值的隶属度函数值高，则白色1类的隶属度高，否则，黑色1类的隶属度高； 

对于分割得到的1-bit的黑白图像，其对象均值(构成对象的所有像元的灰度平均值)要么是0，要么是1；所以，首先构建白色1和黑色1两类；其中，对于黑色1类，可采用下降S型函数，其中，控制点取值分别为：a＝1，b＝0.5，c＝0；对于白色1类，利用上升S型函数，其中，控制点取值分别为：a＝0，b＝0.5，c＝1。 

子规则C2、进一步，如果对象均值的隶属度函数值低，并且，密度特征的隶属度函数值低，矩形拟合度特征的隶属度函数值低，形状指数特征的隶属度函数值高，以及，相邻白色1对象数量的隶属度函数值高，则黑色边界1类的隶属度高，否则，黑色非边界1类的隶属度高。 

从黑色1类中，可以选取如下3个空间属性和1个上下文属性特征作为对象特征，来区分黑色边界1和黑色非边界1： 

(1)密度：黑色边界1类对象具有较低的密度值，因此，可采用下降S型函数，其中，控制点取值可以为：a＝0，b＝0.85，c＝1.7； 

(2)矩形拟合度：黑色边界1类具有较低的矩形拟合度，因此，可采用下降S型函数，其中，控制点的取值可以为：a＝0，b＝0.15，c＝0.3； 

(3)形状指数： 

黑色边界1类对象具有较高的形状指数，因此，可利用上升S型函数，其中，控制点的取值可以为：a＝0，b＝11.995，c＝23.999； 

(4)相邻白色1对象数量：黑色边界1类对象具有较高的相邻白色1对象数量，因此，可利用上升S型函数，其中，控制点的取值可以为：a＝0， b＝11.995，c＝23.999。 

如果图像对象上述4个属性特征的隶属度函数值都满足大于0.5，则该图像对象被判别为黑色边界1类，否则，被判别为黑色非边界1类。 

子步骤S2、合并连续相邻的白色1类和黑色非边界1类，形成第2层图像对象； 

子步骤S3、构建知识规则2，将所述第2层图像对象划分为白色背景2、白色地块2、黑色边界2和黑色非边界2四类； 

在具体实现中，所述知识规则2类具体可以包括： 

子规则D1、对于每一个第2层图像对象，如果白色1类子对象存在特征的隶属度函数值高，则白色2类的隶属度高，否则，黑色2类的隶属度高； 

本子规则是依据第1层图像对象的白色1类和黑色边界1类子对象存在特征，在第2层图像对象上对应分类为白色2和黑色2两类。 

子规则D2、进一步，如果白色2类的隶属度高，并且，至图像边界距离的隶属度函数值低或者面积的隶属度函数值低，或者，面积的隶属度函数值低以及平行或垂直主方向的隶属度函数值高，则白色背景2类的隶属度高，否则，白色地块2类的隶属度高； 

本子规则用于对白色2类进一步细分。在实际中，可应用第一空间属性条件来区分白色背景2类对象和白色地块2类对象： 

(1)至图像边界距离：影像对象至图像边界的最近距离(以像元为单位计算)； 

与图像边界相邻的对象认为是背景类，因此，可利用下降S型函数，其中，控制点的取值可以为：a＝0，b＝0.05，c＝0.1； 

(2)面积：由于地块面积不可能太小，因此，面积过小的对象可以认为是背景类。这样，可以利用下降S型函数，其中控制点取值可以为；a＝0，b＝9000，c＝18000。 

此外，还可以把同时满足第二空间属性条件的白色2类对象进一步分类为白色背景2类： 

(1)面积：可利用下降S型函数，其中，控制点取值可以为，a＝9000，b＝13500，c＝18000； 

(2)主方向：图中变更记录表格所在对象的方向一般平行或垂直于图像的边界，因此，对于平行方向，可利用下降S型函数，其中，控制点取值可以为：a＝0，b＝1，c＝2；对于垂直方向，可利用上升S型曲线，其中，控制点取值可以为：a＝178，b＝179，c＝180。 

这样，可以由上述平行、垂直两个隶属度函数值通过“OR”操作符结合，可得到主方向的最终隶属度函数值；进一步，可以把所述主方向的最终隶属度函数值与面积的隶属度函数值通过“AND”操作符结合。 

由于第一空间属性条件与第二空间属性条件之间是“OR”关系，因此，只要第2层图像对象能够满足上述两个条件之一，该对象分类即可被判别为白色背景2类，否则，被判别为白色地块2类。 

子规则D3、更进一步，如果黑色2类的隶属度高，并且，与相邻白色地块2类对象的相对边界的隶属度函数值高，则黑色边界2类的隶属度高，否则，黑色非边界2的隶属度高。 

当完成上述分类后，本实施例还可以利用与白色地块2类的上下文关系特征，进一步从黑色2类中区分出地块边界类(黑色边界2)，具体而言，可以利用与相邻白色地块2类对象的相对边界关系特征(即与相邻白色地块2类对象的共享边界长度与总边界长度之比)； 

在具体实现中，可采用上升S型函数，其中控制点取值可分别为：a＝0，b＝0.4，c＝0.8；这样，当黑色2类对象该特征隶属度函数值大于0.5时，则被分类为黑色边界2类，否则，被分类为黑色非边界2类。 

子步骤S4、合并连续相邻的白色背景2、白色地块2和黑色非边界2，得到第3层图像对象； 

子步骤S5、构建知识规则3，将所述第3层图像对象划分为白色3、黑色3和地块3三类； 

在合并得到第3层图像对象后，该层图像中背景，地块边界和地块区域对象往往是互不相邻的或相互隔开的，故可利用第2层白色背景2，黑色边 界2和白色地块2这三类子对象存在特征，将第3层图像对象分别分类为白色3，黑色3和地块3三类，也即，所述知识规则3可以包括： 

对于新对象层中的每一个图像对象，如果白色背景2子对象存在特征的隶属度函数值高，则白色3隶属度高； 

否则，如果黑色边界2子对象存在特征的隶属度函数值高，则黑色3隶属度高，否则地块3隶属度高。 

子步骤S6、合并连续相邻的白色背景3和黑色3，得到第4层图像对象； 

子步骤S7、构建知识规则4，将所述第4层图像对象划分为地块类和非地块类。 

分类提取的最终目标是地块对象，因此，在合并生成第4层图像对象后，可利用第3层地块3类子对象存在特征区分出地块类，其他的对象则被归为非地块类。 

因此，所述知识规则4可以为： 

对于新对象层中的每一个图像对象，如果地块3类子对象存在特征的隶属度函数值高，则地块类的隶属度高，对象被分类为地块类； 

否则，非地块类的隶属度高，对象被分类为非地块类。 

可以理解，上述4层分类器只是作为示例，本领域技术人员可以根据需要，设置分类器的层数，根据具体情况选取对象特征和隶属度函数，以及，选取隶属度函数中控制点的取值，本发明对此不加以限制。 

矢量化步骤24、矢量化所述提取的地块对象； 

为了不依赖于缩放而将图像对象的边界表现出来，必须借助矢量形式的多边形来表示图像对象的形状。因此，当表示地块的图像对象已完成分类后，可以进行矢量化生成地块形状多边形。形状多边形是不依赖于图像对象的拓扑结构生成的比基本多边形(依照图像对象的拓扑结构沿着像素栅格生成)更简化抽象的矢量多边形，这种矢量多边形可用于形状特征的计算。 

Douglas-Peucker算法是提取多边形最常用的算法之一，这是一种从上到下的方法，基本思想是从一个给定多边形的边开始，然后重复迭代将它分成 小的部分。具体执行时，给定一个多边形边的两个拓扑逻辑点为起始结点，探测多边形边上的某一特定点，该点到这两结点所连接起来的线段的垂直距离最大。在这个探测点，将原来多边形的边分成两条更短的多边形边。这个程序反复迭代进行，直到探测到的最大垂直距离小于给定的阈值(给定的阈值描述了最后生成的多边形与方形栅格像素组成的基本多边形的最大偏离程度，以像元为单位)，程序终止。Douglas-Peucker算法在运用中有时会遇到生成相对较小锐角的情况。因此，本发明在具体实现中，所述矢量化算法采用改进的Douglas-Peucker算法，即为了改善Douglas-Peucker生成的结果，每次运行程序时将检测小于45°的角。从这个角的两个线段中选一个可以得到更大的角的线段再细分，这个程序迭代重复进行，当所有角度都不小于45°时，程序终止。 

参考图6，示出了本发明一种地块对象的矢量化结果示例。需注意的是，为消除多边形上的毛刺、毛刺、悬线和标记，多边形的阈值应尽可能取大；同时，考虑到保持地块对象的基本形状的需求，对于较明显的矩形地块，基础和形状阈值可以增大，而对于形状不规则的地块或弯曲地块，基础和形状阈值可以减小。 

综合概括步骤25、对所述地块对象轮廓进行综合概括，最终获得矢量化的地籍图地块边界要素。 

由于步骤24得到的矢量化结果直接由栅格图像中的地块对象生成，这些对象往往被栅格图像中其它的对象所限制和分离，并不完整；而且，许多对象形状不规整。因此，需要应用矢量工具来综合和概括这些多边形，从而生成相邻的，准确和简化的地块多边形，最终获得矢量化的地籍地块边界要素。 

在具体实现中，可应用地理信息系统平台软件(如ESRI ArcGIS)中的矢量数据管理工具，综合概括地块对象形状，生成地块矢量多边形，所述综合和概括处理取决于输入多边形形状的不规整程度。 

一般情况下，需要下述两种处理： 

(1)“Integrate”功能，当输入多边形较为规整时，一般仅需执行这个处理功能即可； 

(2)完成“Integrate”处理后，当存在凸入地块内部的边界毛刺或合并分开的地块多边形时，进一步概括优化处理如下： 

①“Eliminate”功能，可以把分开地块的内部共享最长边界的相邻多边形进行合并； 

②“Feature to line”功能，把多边形特征转换为线特征。执行时设定的距离容许值是指在该容许值范围之内的所有结点和边界都认为是同样的或一致的。建议取值为5至20之间，具体取决于凸出的程度； 

③“Simplify line”功能，把线特征的波动点或折叠弯曲点剔除。这个算法保留描述线型基本形状的关键点，剔除所有其他的点。算法执行中需指定最大充许偏差(容许值)，建议取值为5至40之间，具体取决于凸出的程度； 

④“Feature to polygon”功能，把线特征转换为多边形特征。一般设定充许值为5就够了。 

完成全部上述步骤处理后，图7为本发明经综合概括后生成的矢量化地籍地块边界要素示意图。 

上述实施例说明了本发明方法的具体处理过程。由于发明的目的在于提取地块或宗地边界，而处理对象又是黑白1-bit的扫描栅格图；因此，实施例中构建的知识规则及分类结构，特别是采用的对象特征、控制点值和分类结构关系具有应用参考推广意义，并取得相对传统数字化方法更好的效果 

此外，需说明的是，上述处理步骤可以集成采用自动批处理或宏处理的方式完成，从而提高处理速度，实现自动化提取处理；而且，更为简便的是，由于涉及有关算法已有成熟的软件可执行其中的功能，故执行处理更为简便快速。 

例如，上述处理过程可以分别借助已有的遥感和GIS软件完成：首先采用Definiens eCognition软件完成面向对象的分类和地块对象轮廓形状提取；然后，通过ESRI(美国环境系统研究所公司，Environmental Systems Research Institute)ArcGIS中的矢量数据管理工具完成地块轮廓综合概括，最终生成光滑规整的矢量多边形。 

最后，由于本发明方法的主要目的是提高已有地籍图数字化的自动化程度、减少人机交互工作量、提高数字化的效率。因此，在生产实践中，利用这种方法要求地籍图的现势性较强。 

以上对本发明所提供的一种地籍图地块的边界数字化方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。 

Claims (3)

1.一种地籍图地块的边界数字化方法，其特征在于，包括：

输入步骤：输入已有纸质地籍图的扫描栅格图像；

分割步骤：将所述扫描栅格图像分割成多个待分类的图像对象；

提取步骤：构建知识规则，应用面向对象分析的分类方法，从所述多个图像对象中提取出地块对象；

矢量化步骤：矢量化所述提取的地块对象；

综合概括步骤：对所述地块对象轮廓进行综合概括，最终获得矢量化的地籍图地块边界要素；

其中，所述提取步骤为，利用模糊逻辑分类器，借助隶属度函数来表达所述知识规则，并按照所述知识规则从所述多个对象中提取出地块对象，其中，所述隶属度函数是表达图像对象特征值与隶属度之间关系的数学模型；

所述按照所述知识规则从所述多个对象中提取出地块对象的步骤为，依次构建知识规则，把每一次知识规则分类后的图像对象进行相同类合并形成供后续分类的新图像对象层，经过所构建的全部知识规则分类后，最终获得分类的地块对象类；

所述提取步骤包括：

以所述分割得到的对象作为第1层图像对象，构建知识规则1，将所述第1层图像对象首先划分为白色1和黑色1两类，再进一步，将黑色1细分为黑色边界1和黑色非边界1两类；

合并连续相邻的白色1类和黑色非边界1类，形成第2层图像对象；

构建知识规则2，将所述第2层图像对象首先划分为白色2和黑色2两类，再进一步，将白色2细分为白色背景2和白色地块2两类，将黑色2细分为黑色边界2和黑色非边界2两类；

合并连续相邻的白色背景2、白色地块2和黑色非边界2，得到第3层图像对象；

构建知识规则3，将所述第3层图像对象划分为白色3、黑色3和地块3三类；

合并连续相邻的白色3和黑色3，得到第4层图像对象；

构建知识规则4，将所述第4层图像对象划分为地块类和非地块类；

其中，所述知识规则1包括：

对于每一个第1层图像对象，如果对象均值的隶属度函数值高，则白色1类的隶属度高，否则，黑色1类的隶属度高；

进一步，如果对象均值的隶属度函数值低，并且，密度特征的隶属度函数值低，矩形拟合度特征的隶属度函数值低，形状指数特征的隶属度函数值高，以及，相邻白色1对象数量的隶属度函数值高，则黑色边界1类的隶属度高，否则，黑色非边界1类的隶属度高；

所述知识规则2包括：

对于每一个第2层图像对象，如果白色1类子对象存在特征的隶属度函数值高，则白色2类的隶属度高，否则，黑色2类的隶属度高；

进一步，如果白色2类的隶属度高，并且，至图像边界距离的隶属度函数值低或者面积的隶属度函数值低，或者，面积的隶属度函数值低以及平行或垂直主方向的隶属度函数值高，则白色背景2类的隶属度高，否则，白色地块2类的隶属度高；

更进一步，如果黑色2类的隶属度高，并且，与相邻白色地块2类对象的相对边界的隶属度函数值高，则黑色边界2类的隶属度高，否则，黑色非边界2的隶属度高；

所述知识规则3包括：

对于新对象层中的每一个图像对象，如果白色背景2子对象存在特征的隶属度函数值高，则白色3隶属度高；

如果黑色边界2子对象存在特征的隶属度函数值高，则黑色3隶属度高；否则地块3隶属度高；

所述知识规则4包括：

对于新对象层中的每一个图像对象，如果地块3类子对象存在特征的隶属度函数值高，则地块类的隶属度高，对象被分类为地块类；

否则，非地块类的隶属度高，对象被分类为非地块类。

2.如权利要求1所述的方法，其特征在于，采用Sigmoid型隶属度函数来表达所述知识规则。

3.如权利要求1所述的方法，其特征在于，所述对象特征包括空间属性和上下文属性，其中，

所述空间属性包括密度、面积、主方向、矩形拟合度和形状指数；

所述上下文属性包括与相邻对象的相对边界、与相邻对象的距离和相邻对象的数量。

Images