CN105740878B - 地理信息系统的符号识别方法和装置 - Google Patents
地理信息系统的符号识别方法和装置 Download PDFInfo
- Publication number
- CN105740878B CN105740878B CN201510921037.2A CN201510921037A CN105740878B CN 105740878 B CN105740878 B CN 105740878B CN 201510921037 A CN201510921037 A CN 201510921037A CN 105740878 B CN105740878 B CN 105740878B
- Authority
- CN
- China
- Prior art keywords
- symbol
- matched
- vector
- subgraph
- characteristic
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及地理信息系统的符号识别方法和装置,其中该方法包括:根据从待匹配符号中所提取的几何形状特征信息,确定所述待匹配符号中各子图的特征类型和属性信息,每个待匹配符号包括至少一个子图;根据各所述子图的特征类型,在目标符号库中进行初步筛选得到与各所述特征类型对应的符号;在初步筛选得到的符号中,根据各所述子图的特征类型和属性信息进行多级筛选,得到相似符号集;在所述相似符号集中,根据所述待匹配符号的上下文特征信息确定匹配结果。本发明通过GIS中的符号的几何形状特征信息确定特征类型和属性信息,在目标符号库进行多次筛选,能够快速、准确的对比矢量符号,从而有利于实现GIS中多数据源多系统库的统一。
Description
技术领域
本发明涉及地理信息系统(Geographic Information System,GIS)领域,尤其涉及一种地理信息系统的符号识别方法和装置。
背景技术
由于不同专题不同比例的数据生产单位不同,用途不同,所使用的符号库不统一,许多图库中是一图一系统库,造成当前地质资料数据所涉及的系统库千差万别,使得数据的共享、管理、维护都不方便,在进行数据转换时浪费了大量的人力物力,因此系统库的统一换库处理成为当前急需研究解决的问题之一。
目前常规的形状匹配方法是基于结构信息的符号识别方法,通常可以包括基于轮廓的方法和基于区域的方法两类,均可按结构化方法或全局方法对形状进行描述。其中,基于轮廓的方法的结构化方法包括链表、多边形、B样条、不变量,全局方法包括周长、紧密度、偏心率、形状信号、小波描述子、尺度空间、自回归模型、弹性匹配、Hausdoff距离、Fourier描述子。基于区域的方法的结构化方法包括面积、欧拉数、偏心率、几何矩、栅格方法、形状矩阵、Zernike矩、Legendre矩、广义Fourier描述子,全局方法包括凸壳、中轴、形状核。此外,基于轮廓点集的方法有:①基于薄板样条的鲁棒点匹配方法;②基于上下文的形状匹配方法;③保持领域结构的形状匹配方法;④基于局部搜索的形状匹配;⑤基于视觉部件的形状匹配。
基于形状的识别方法是在提取符号轮廓特征点或特征区域的基础上来对两个符号进行识别,但是对于地质符号来说采用这种方法的对比效果不好,在精度和效率上难以满足实际工作中对地质符号识别的需要。
发明内容
技术问题
有鉴于此,本发明要解决的技术问题是,如何准确地识别GIS系统中的符号。
解决方案
为了解决上述技术问题,根据本发明的一实施例,提供了一种地理信息系统的符号识别方法,包括:
根据从待匹配符号中所提取的几何形状特征信息,确定所述待匹配符号中各子图的特征类型和属性信息,每个待匹配符号包括至少一个子图;
根据各所述子图的特征类型,在目标符号库中进行初步筛选得到与各所述特征类型对应的符号;
在初步筛选得到的符号中,根据各所述子图的特征类型和属性信息进行多级筛选,得到相似符号集;
在所述相似符号集中,根据所述待匹配符号的上下文特征信息确定匹配结果。
在一种可能的实现方式中,该方法还包括符号库预处理步骤,所述符号库预处理步骤具体包括:
对所述目标符号库中的各矢量符号进行几何形状特征信息的提取;
根据各所述矢量符号的几何形状特征信息,划分各所述矢量符号的子图的特征类型;
对各所述矢量符号的子图的特征类型进行编码,并记录各所述矢量符号的子图的属性信息。
在一种可能的实现方式中,该方法还包括:
对所述待匹配符号进行轮廓简化和去噪处理,得到所述待匹配符号的形状的轮廓点集。
在一种可能的实现方式中,在所述相似符号集中,根据所述待匹配符号的上下文特征信息确定匹配结果,包括:
计算所述待匹配符号的质心坐标点;
根据所述轮廓点集中每个点相对于所述质心坐标点的向量的模长和极角,确定所述待匹配符号的特征点集;
根据所述待匹配符号的特征点集生成形状直方图;
将所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图进行比较,以确定匹配结果。
在一种可能的实现方式中,将所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图进行比较,以确定匹配结果,包括:
采用下式1和式2确定所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图的相似度,
其中,Cij为两个形状直方图hi(k)和hj(k)的匹配代价,k为形状直方图的级数,pi为所述待匹配符号的第i个特征点,qj为所述相似符号集中的某个矢量符号的第j个特征点,hi(k)为所述待匹配符号的第i个特征点的形状直方图,hj(k)为所述相似符号集中的某个矢量符号的第j个特征点的形状直方图;
其中,形状匹配的目标是寻找一个置换匹配π,π是两个形状轮廓点集之间的对应关系,令匹配代价之和H(π)最小,选取该值最小化的矢量符号作为所述待匹配符号的最优匹配结果。
为了解决上述技术问题,根据本发明的另一实施例,提供了一种地理信息系统的符号识别装置,其特征在于,包括:
特征提取模块,用于根据从待匹配符号中所提取的几何形状特征信息,确定所述待匹配符号中各子图的特征类型和属性信息,每个待匹配符号包括至少一个子图;
初步筛选模块,与所述特征提取模块连接,用于根据各所述子图的特征类型,在目标符号库中进行初步筛选得到与各所述特征类型对应的符号;
多级筛选模块,与所述初步筛选模块连接,用于在初步筛选得到的符号中,根据各所述子图的特征类型和属性信息进行多级筛选,得到相似符号集;
上下文匹配模块,与所述多级筛选模块连接,用于在所述相似符号集中,根据所述待匹配符号的上下文特征信息确定匹配结果。
在一种可能的实现方式中,该装置还包括:
符号库预处理模块,用于对所述目标符号库中的各矢量符号进行几何形状特征信息的提取;根据各所述矢量符号的几何形状特征信息,划分各所述矢量符号的子图的特征类型;对各所述矢量符号的子图的特征类型进行编码,并记录各所述矢量符号的子图的属性信息。
在一种可能的实现方式中,该装置还包括:
简化去噪模块,用于对所述待匹配符号进行轮廓简化和去噪处理,得到所述待匹配符号的形状的轮廓点集。
在一种可能的实现方式中,所述上下文匹配模块具体用于:计算所述待匹配符号的质心坐标点;根据所述轮廓点集中每个点相对于所述质心坐标点的向量的模长和极角,确定所述待匹配符号的特征点集;根据所述待匹配符号的特征点集生成形状直方图;将所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图进行比较,以确定匹配结果。
在一种可能的实现方式中,所述上下文匹配模块还用于:
采用下式3和式4确定所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图的相似度,
其中,Cij为两个形状直方图hi(k)和hj(k)的匹配代价,k为形状直方图的级数,pi为所述待匹配符号的第i个特征点,qj为所述相似符号集中的某个矢量符号的第j个特征点,hi(k)为所述待匹配符号的第i个特征点的形状直方图,hj(k)为所述相似符号集中的某个矢量符号的第j个特征点的形状直方图;
其中,形状匹配的目标是寻找一个置换匹配π,π是两个形状轮廓点集之间的对应关系,令匹配代价之和H(π)最小,选取该值最小化的矢量符号作为所述待匹配符号的最优匹配结果。
有益效果
本发明通过GIS中的符号的几何形状特征信息确定特征类型和属性信息,在目标符号库进行多次筛选,能够快速、准确的对比矢量符号,从而有利于实现GIS中多数据源多系统库的统一,为实现数据的集成与利用提供基础技术手段。
根据下面参考附图对示例性实施例的详细说明,本发明的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本发明的示例性实施例、特征和方面,并且用于解释本发明的原理。
图1示出根据本发明一实施例的GIS的符号识别方法的流程图;
图2示出根据本发明另一实施例的GIS的符号识别方法的流程图;
图3示出根据本发明另一实施例的GIS的符号识别方法所应用的系统主界面视图;
图4示出根据本发明另一实施例的GIS的符号识别方法中交互式确认相似性符号的界面视图;
图5示出根据本发明另一实施例的GIS的符号识别方法中符号中心显示界面视图;
图6示出根据本发明一实施例的GIS的符号识别装置的结构框图。
具体实施方式
以下将参考附图详细说明本发明的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本发明,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本发明的主旨。
基于矢量的图形识别算法大多基于某一种算法实现(或者多种算法分别实现),但是这些方法对于矢量地质符号库的识别效果不好,需要一种专门针对矢量地质符号库的满足效率和精度要求的方法,这就需要研究矢量地质符号的特点(符号的绘制方法、意义表达、与周围元素的关系),有针对性的对不同类型的符号采用不同的算法,多种算法组合来实现。因此,针对不同的识别目标,不同的识别对象,结合符号形状特点,应用适当的算法来实现高效准确的符号库匹配具有重要的实用意义和理论价值。
深入的研究地质符号后会发现,地质符号的轮廓大多是相似的,区别主要在于地质符号内部子图的组成不同,或者相同的子图的拓扑关系不同,或者子图颜色不同等。因此,针对矢量的地质符号的特点,本发明主要具有以下优点:
(1)具有统一的符号特征表达方法。
(2)符号匹配的容错能力强。
(3)符号库方便扩展。
(4)适用于子图不规则的复杂符号识别。
(5)能够判别子图之间的拓扑关系。
下面结合具体实施例对本发明的具体原理进行说明。
实施例1
图1示出根据本发明一实施例的GIS的符号识别方法的流程图。如图1所示,该GIS的符号识别方法主要可以包括:
步骤101、根据从待匹配符号中所提取的几何形状特征信息,确定所述待匹配符号中各子图的特征类型和属性信息,每个待匹配符号包括至少一个子图;
步骤102、根据各所述子图的特征类型,在目标符号库中进行初步筛选得到与各所述特征类型对应的符号;
步骤103、在初步筛选得到的符号中,根据各所述子图的属性信息进行多级筛选,得到相似符号集;
步骤104、在所述相似符号集中,根据所述待匹配符号的上下文特征信息确定匹配结果。
本发明实施例中的符号的子图优选为是指构成矢量符号的最简单图元。
在一种可能的实现方式中,该GIS的符号识别方法还可以包括符号库预处理步骤,所述符号库预处理步骤具体包括:对目标符号库中的各矢量符号进行几何形状特征信息的提取。根据各所述矢量符号的几何形状特征信息,划分各所述矢量符号的子图的特征类型。对各所述矢量符号的子图的特征类型进行编码,并记录各所述矢量符号的子图的属性信息。其中,对符号库中的符号信息进行预处理,包括消除因为符号制作不标准等原因导致的在形状识别时产生的误差(闭合、平差等),规范符号坐标的组织方式,并且转换成适合计算几何算法分析的数据(离散或插值等)。
在一种可能的实现方式中,该GIS的符号识别方法还可以包括:对所述待匹配符号进行轮廓简化和去噪处理,得到待匹配符号的形状的轮廓点集。
在一种可能的实现方式中,步骤104可以包括:计算所述待匹配符号的质心坐标点;根据所述轮廓点集中每个点相对于所述质心坐标点的向量的模长和极角,确定所述待匹配符号的特征点集;根据所述待匹配符号的特征点集生成形状直方图;将所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图进行比较,以确定匹配结果。
具体而言,可以采用下式1和式2确定所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图的相似度,
其中,Cij为两个形状直方图hi(k)和hj(k)的匹配代价,k为形状直方图的级数,pi为所述待匹配符号的第i个特征点,qj为所述相似符号集中的某个矢量符号的第j个特征点,hi(k)为所述待匹配符号的第i个特征点的形状直方图,hj(k)为所述相似符号集中的某个矢量符号的第j个特征点的形状直方图;
其中,形状匹配的目标是寻找一个置换匹配π,π是两个形状轮廓点集之间的对应关系,令匹配代价之和H(π)最小,选取该值最小化的矢量符号作为所述待匹配符号的最优匹配结果。
本发明能够从待匹配符号提取的几何形状特征信息,确定待匹配符号的各子图的特征类型和属性信息,从而在目标符号库中进行初步筛选和多级筛选,得到相似符号集后根据待匹配符号的上下文特征信息确定匹配结果。本发明在研究和总结目前符号匹配方法和相关算法的基础上,结合地质符号的特点,实现通过目标的矢量地质符号库快速、准确的对比矢量的地质符号,从而有利于实现GIS中多数据源多系统库的统一,为实现数据的集成与利用提供基础技术手段。
实施例2
图2示出根据本发明另一实施例的GIS的符号识别方法的流程图。本实施例以GIS中的地质符号为例说明本发明的GIS的符号识别方法的实现原理。如图2所示,本实施例中符号识别对比过程可以包括以下步骤:符号库预处理(步骤201)、符号匹配(步骤202)、对比结果浏览与确认(步骤203)。
其中,符号库预处理步骤可以包括:
步骤2011、进行符号库信息提取与入库。
步骤2012、进行符号库信息整理与缓存,以便于快速查找。
具体而言,结合地质符号特点,可以预先建立几何特征分类体系。通过研究发现:地质符号库中的符号大多数都是由规则的几何形状组合而成的。所以可以对地质符号子图通过多边形近似法提取的几何形状特征信息,进行分类。例如,按下表1对所提取的几何形状特征信息进行分类:
表1
该表仅是一种示例,并非对几何形状特征信息进行分类的限制,在实际应用中,可以对该表中的分类方式进行修改和扩展,也可以采用与该表类似的其他分类方式。
首先,对地质符号库中各符号,根据各符号所提取的几何形状特征信息对各符号的特征类型进行初步的划分符号子图的特征类型,包括点状符号、线状符号以及填充符号等。
其次,根据各符号子图的特征类型对符号子图的特征类型进行编码。优选地,编码可以采用55位,以一定的规则定义符号出现的序列,在某一特征所表示的编码位,“0”为不出现该特征,“1”为出现该特征。其中,前45位编码可以为已利用,后10位编码可以为扩充码,方便符号类别的扩充定义。通过对符号子图的特征类型进行编码,可以快速的判断两个符号子图的相似程度,从而快速筛选出与该符号相似的符号(步骤2022、2023)。进而,在这些相似符号中,再用改进的上下文特征对比法进一步从这些相似符号中找出最优结果,作为建议找到的目标符号。
本发明的符号匹配算法主要是针对矢量的地质符号,所以先要获取符号库信息,根据这些信息设计数据库,地质符号信息包括符号整体信息和组成符号的子图信息。其中,地质符号整体信息包括例如符号的大小(符号高与符号宽值),相对中心点坐标位置,组成地质符号的基本要素子符号的个数、数据长度、符号名称和该符号在符号库中的编号等信息,子图信息包括例如子图类型、线型、线宽、可变色、不可变色、子图坐标等信息。
进一步地,如图2所示,符号匹配步骤可以包括:
步骤2021、按照符号的特征类型进行初步筛选。
步骤2022、按照符号几何特征提取(基于计算几何的形状识别),找到相似的符号,缩小查找范围。
步骤2023、按照符号组成的属性特征(线宽、颜色等属性特征)进行多级筛选。
步骤2024、采用改进的上下文特征法定位最优结果。
本发明目前主要针对矢量符号的对比。为了提高符号库的对比效率,在开始对比前,根据地质符号库的原符号库中当前选定的符号的特征类型,提取目标符号库中的符号的几何形状特征信息和上下文特征信息。
在符号对比过程中,根据符号的特征类型(例如点状符号、线状符号、填充图案)分别实现初步的筛选(步骤2021)。例如对原符号库(需要进行符号识别的符号库)中的点状符号判别只在目标符号库(作为符号识别基准的符号库)的点符号中查找判别即可。
通过基于计算几何的形状识别来判断符号的各子图的几何形状,从而缩小查找范围(步骤2022)。再根据符号子图属性信息(线型、颜色、填充等属性信息)进行多级筛选,模糊定位,得到相似符号集(步骤2023)。在相似符号集中采用改进的上下文特征算法进一步定位一个最优结果(步骤2024),如果没有符合条件的结果,重新在目标符号库中查找。
通过以上对比步骤,得到相似符号集和最优结果以供用户检查和确认,对比结果表中可以记录原符号和目标符号的相关参数(例如:中心上下、左右偏移值,符号缩放比例、颜色号、旋转角度等)。
进一步地,对应某些符号,如果具有相同的几何形状特征信息,如由一个矩形和一个三角形或圆组成的子图符号,但这些几何形状特征信息构成的位置不同,这些符号所表达的意义也可能不同,需要在步骤2023中进一步判别其相似性。
为了解决符号的基本要素之间的拓扑关系(如相邻、包含、相接等),计算其相似程度系数,选取最优的相似符号,可以采用如下方法:对于符号库中部分形状不规则,符号的轮廓简化和去噪用偏角-距离限制特征点的方法(道格拉斯-普克法)提取符号形状轮廓点集,以简化符号子图。
举例而言,简化符号子图的具体处理步骤如下:遍历符号子图,每次顺序取子图上的3个点。计算32点和21点的连线间的夹角α,将α与阈值A比较。如果α>A,则将2点记录到特征点集中;如果α<A,则舍去2点,判断后面3个点,直到该子图所有坐标点判断结束得到初始特征点集。计算特征点集中相邻两点之间的距离并与阈值D比较,舍去距离小于阈值D的点得到符号的轮廓点集。用相同的方法提取下一个子图的特征点,直到该符号特征点提取完成。其中阀值A和D决定了轮廓点集的个数,点的个数越多,对比的精度越高,但对比效率也就越低。为了在精度和效率上取得好的效果,结合地质符号子图组成特点,结合实际对比效果,可以对不同的符号(点、线、填充)设定不同的阀值A。
进一步地,在步骤2024中,可以根据轮廓点集提取特征点集。首先,计算符号的质心坐标点O。通常,轮廓点集中每个点对于符号的质心坐标点O都有一个对应的向量。对于这个向量的模长和极角组成的点作为一个特征点,它反映了该轮廓点在整个符号中的位置,将轮廓点集对于中心点组成的特征点集P以形状直方图的方式来表示,即在给定模长或极角参数的前提下,各个极角上分布的特征点的个数。判断两个符号形状相似,就是判断两个形状直方图的相似度。首先,计算两个形状直方图的匹配代价,计算匹配代价函数可以参见下面的公式(1)
其中,Cij为两个形状直方图hi(k)和hj(k)的匹配代价,k为形状直方图的级数,pi为所述待匹配符号(原符号)的第i个特征点,qj为所述相似符号集中的某个矢量符号(目标符号)的第j个特征点,hi(k)为所述待匹配符号的第i个特征点的形状直方图,hj(k)为所述相似符号集中的某个矢量符号的第j个特征点的形状直方图。计算公式(2),使H(π)值最小。
利用匈牙利算法解决上述两个直方图的相似判断问题。
基于形状上下文的匹配算法是根据轮廓点的相对位置关系进行匹配,不涉及轮廓点的绝对位置,匹配结果具有平移不变性。其中,特征曲线在模长分量的差决定了符号的缩放大小。因此,匹配结果具有缩放不变性。在计算特征点的时候,以横坐标为正轴,特征点的极角确定了它在特征曲线上的水平位置。因此,该方法具有旋转不变性。
根据上述的研究技术方案,通过编程可以实现地质图符号库相似性识别。符号库相似性识别系统可以集成MapGIS符号管理、符号库升级、符号库信息导出、符号库拷贝合并等方面的功能。在符号库对比功能上实现了符号库的整库对比,对选择图幅数据中的图例符号进行对比,指定单个符号对比等,以满足实际工作中的不同的需要,如图3所示的系统主界面。
进一步地,如图2所示,对比结果浏览与确认步骤可以包括:
步骤2031、查看对比结果。
步骤2032、浏览相似符号。
步骤2033、确认且自动计算、记录相关参数。
具体而言,在显示和查看对比结果功能上,可以采用交互的方式,如图4的交互式确认相似性符号的界面,系统提供最优化的结果显示在主界面上,同时提供相似符号供用户参考(见图右下角所列相似符号图示)。用户可以选择相似符号中的某个符号作为当前符号的最佳匹配结果,在结果表中列出了对比相关参数,包括缩放比例、旋转角度、符号偏移、符号高宽、填充颜色等。通过结果表可以方便的切换查看其它符号的对比结果。
进一步地,根据实际工作的需要,系统还可以提供符号库的拷贝和合并功能,并提供系统皮肤设置功能,提高了界面的友好性。如图5所示的符号中心显示界面,系统提供了符号中心点显示,可以直观的判断符号的缩放、偏移程度。
本发明在技术上可以将特征匹配和上下文匹配方法相结合,通过特征匹配缩小查找范围,根据上下文特征匹配确定最优方案,基本实现了符号库与符号库间的相似性识别问题,提供了符号库中符号间的关联确认可视化工具,极大地提高了原系统库与目标系统库中相同符号的查找效率。
本发明在应用上,地质符号库相似性对比识别软件基于MapGIS K9二次开发,实现MapGIS 67、MapGIS K9符号库的对比。通过多种匹配、识别算法的计算,以多种方式(例如按符号分类对比、整个符号库对比、根据图幅图例符号选择对比、单个符号查找对比等)得到两个符号库的对比结果表,其中包括相同符号和相似符号以及符号缩放和偏移等参数。用户可以以多种方式灵活查看和编辑对比结果,改变了原有的人工查找相同符号的方式。单个符号库(约5000个符号)对比所用时间从原来的几天缩短到目前的1个小时左右,极大的提高了符号对比的工作效率,节约了大量的人力物力。为数据格式转换提供了切实可行的保障,能大幅度提高转换效率,同时为实现数据共享、集成管理、统一系统库提供了可靠依据和方法技术。
此外,本发明还可以包括采用缓冲区进行符号识别的方法,通过判断子图与目标子图缓冲区之间的空间关系来判断两个符号的相似性。这样,可以不用提取子图的特征,实现简单,精度高。但是可能会比提取子图的特征的方法效率低,并且对于符号的旋转、平移以及缩放无法识别。
此外,如果将矢量符号转换为栅格图像,也可以利用图像的相似性识别算法来实现。但是由于矢量转栅格图像算法不仅需要识别形状,还需要识别颜色,效率需要提高。
本发明在充分分析地质符号信息的特点的基础上,建立了地质符号的几何特征分类体系,研究和制定了一套切实可行的地质符号识别规则编码信息库及符号识别模型。采用几何特征分析法、上下文特征法等相结合的技术,并运行GIS技术手段通过高级语言编程开发实现了地质符号相似性识别软件工具。
本发明通过地质建立符号的编码信息体系和符号识别模型,在地质符号库管理上解决了地质符号库不统一,造成大批数据无法集成应用的难题,创新地运用几何特征分析法、上下文特征法等相结合的相关技术。
实施例3
图6示出根据本发明一实施例的GIS的符号识别装置的结构框图。如图6所示,该GIS的符号识别装置主要可以包括:
特征提取模块61,用于根据从待匹配符号中所提取的几何形状特征信息,确定所述待匹配符号中各子图的特征类型和属性信息,每个待匹配符号包括至少一个子图;
初步筛选模块63,与所述特征提取模块61连接,用于根据各所述子图的特征类型,在目标符号库中进行初步筛选得到与各所述特征类型对应的符号;
多级筛选模块65,与所述初步筛选模块63连接,用于在初步筛选得到的符号中,根据各所述子图的特征类型和属性信息进行多级筛选,得到相似符号集;
上下文匹配模块67,与所述多级筛选模块65连接,用于在所述相似符号集中,根据所述待匹配符号的上下文特征信息确定匹配结果。
在一种可能的实现方式中,该GIS的符号识别装置还可以包括:
符号库预处理模块68,用于对所述目标符号库中的各矢量符号进行几何形状特征信息的提取;根据各所述矢量符号的几何形状特征信息,划分各所述矢量符号的子图的特征类型;对各所述矢量符号的子图的特征类型进行编码,并记录各所述矢量符号的子图的属性信息。
在一种可能的实现方式中,该GIS的符号识别装置还可以包括:
简化去噪模块69,用于对所述待匹配符号进行轮廓简化和去噪处理,得到所述待匹配符号的形状的轮廓点集。
在一种可能的实现方式中,所述上下文匹配模块具体用于:计算所述待匹配符号的质心坐标点;根据所述轮廓点集中每个点相对于所述质心坐标点的向量的模长和极角,确定所述待匹配符号的特征点集;根据所述待匹配符号的特征点集生成形状直方图;将所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图进行比较,以确定匹配结果。
在一种可能的实现方式中,所述上下文匹配模块还用于:
采用下式3和式4确定所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图的相似度,
其中,Cij为两个形状直方图hi(k)和hj(k)的匹配代价,k为形状直方图的级数,pi为所述待匹配符号的第i个特征点,qj为所述相似符号集中的某个矢量符号的第j个特征点,hi(k)为所述待匹配符号的第i个特征点的形状直方图,hj(k)为所述相似符号集中的某个矢量符号的第j个特征点的形状直方图;
其中,形状匹配的目标是寻找一个置换匹配π,π是两个形状轮廓点集之间的对应关系,令匹配代价之和H(π)最小,选取该值最小化的矢量符号作为所述待匹配符号的最优匹配结果。
本发明实施例的GIS的符号识别装置能够执行上述实施例中任意一种的GIS的符号识别方法,具体原理可以参见上述实施例中方法的相关描述。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种地理信息系统的符号识别方法,其特征在于,包括:
根据从待匹配符号中所提取的几何形状特征信息,确定所述待匹配符号中各子图的特征类型和属性信息,每个待匹配符号包括至少一个子图;
根据各所述子图的特征类型,在目标符号库中进行初步筛选得到与各所述特征类型对应的符号;
在初步筛选得到的符号中,根据各所述子图的特征类型和属性信息进行多级筛选,得到相似符号集;
在所述相似符号集中,根据所述待匹配符号的上下文特征信息确定匹配结果。
2.根据权利要求1所述的方法,其特征在于,还包括符号库预处理步骤,所述符号库预处理步骤具体包括:
对所述目标符号库中的各矢量符号进行几何形状特征信息的提取;
根据各所述矢量符号的几何形状特征信息,划分各所述矢量符号的子图的特征类型;
对各所述矢量符号的子图的特征类型进行编码,并记录各所述矢量符号的子图的属性信息。
3.根据权利要求1或2所述的方法,其特征在于,还包括:
对所述待匹配符号进行轮廓简化和去噪处理,得到所述待匹配符号的形状的轮廓点集。
4.根据权利要求3所述的方法,其特征在于,在所述相似符号集中,根据所述待匹配符号的上下文特征信息确定匹配结果,包括:
计算所述待匹配符号的质心坐标点;
根据所述轮廓点集中每个点相对于所述质心坐标点的向量的模长和极角,确定所述待匹配符号的特征点集;
根据所述待匹配符号的特征点集生成形状直方图;
将所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图进行比较,以确定匹配结果。
5.根据权利要求4所述的方法,其特征在于,将所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图进行比较,以确定匹配结果,包括:
采用下式1和式2确定所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图的相似度,
其中,Cij为两个形状直方图hi(k)和hj(k)的匹配代价,k为形状直方图的级数,pi为所述待匹配符号的第i个特征点,qj为所述相似符号集中的某个矢量符号的第j个特征点,hi(k)为所述待匹配符号的第i个特征点的形状直方图,hj(k)为所述相似符号集中的某个矢量符号的第j个特征点的形状直方图;
其中,形状匹配的目标是寻找一个置换匹配π,π是两个形状轮廓点集之间的对应关系,令匹配代价之和H(π)最小,选取该值最小化的矢量符号作为所述待匹配符号的最优匹配结果。
6.一种地理信息系统的符号识别装置,其特征在于,包括:
特征提取模块,用于根据从待匹配符号中所提取的几何形状特征信息,确定所述待匹配符号中各子图的特征类型和属性信息,每个待匹配符号包括至少一个子图;
初步筛选模块,与所述特征提取模块连接,用于根据各所述子图的特征类型,在目标符号库中进行初步筛选得到与各所述特征类型对应的符号;
多级筛选模块,与所述初步筛选模块连接,用于在初步筛选得到的符号中,根据各所述子图的特征类型和属性信息进行多级筛选,得到相似符号集;
上下文匹配模块,与所述多级筛选模块连接,用于在所述相似符号集中,根据所述待匹配符号的上下文特征信息确定匹配结果。
7.根据权利要求6所述的装置,其特征在于,还包括:
符号库预处理模块,用于对所述目标符号库中的各矢量符号进行几何形状特征信息的提取;根据各所述矢量符号的几何形状特征信息,划分各所述矢量符号的子图的特征类型;对各所述矢量符号的子图的特征类型进行编码,并记录各所述矢量符号的子图的属性信息。
8.根据权利要求6或7所述的装置,其特征在于,还包括:
简化去噪模块,用于对所述待匹配符号进行轮廓简化和去噪处理,得到所述待匹配符号的形状的轮廓点集。
9.根据权利要求8所述的装置,其特征在于,所述上下文匹配模块具体用于:计算所述待匹配符号的质心坐标点;根据所述轮廓点集中每个点相对于所述质心坐标点的向量的模长和极角,确定所述待匹配符号的特征点集;根据所述待匹配符号的特征点集生成形状直方图;将所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图进行比较,以确定匹配结果。
10.根据权利要求9所述的装置,其特征在于,所述上下文匹配模块还用于:
采用下式3和式4确定所述待匹配符号的形状直方图与所述相似符号集中的各矢量符号的形状直方图的相似度,
其中,Cij为两个形状直方图hi(k)和hj(k)的匹配代价,k为形状直方图的级数,pi为所述待匹配符号的第i个特征点,qj为所述相似符号集中的某个矢量符号的第j个特征点,hi(k)为所述待匹配符号的第i个特征点的形状直方图,hj(k)为所述相似符号集中的某个矢量符号的第j个特征点的形状直方图;
其中,形状匹配的目标是寻找一个置换匹配π,π是两个形状轮廓点集之间的对应关系,令匹配代价之和H(π)最小,选取该值最小化的矢量符号作为所述待匹配符号的最优匹配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510921037.2A CN105740878B (zh) | 2015-12-11 | 2015-12-11 | 地理信息系统的符号识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510921037.2A CN105740878B (zh) | 2015-12-11 | 2015-12-11 | 地理信息系统的符号识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740878A CN105740878A (zh) | 2016-07-06 |
CN105740878B true CN105740878B (zh) | 2019-06-21 |
Family
ID=56296263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510921037.2A Expired - Fee Related CN105740878B (zh) | 2015-12-11 | 2015-12-11 | 地理信息系统的符号识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740878B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103323B (zh) * | 2017-03-09 | 2020-06-16 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
CN108536732B (zh) * | 2018-02-28 | 2021-08-27 | 中国地质大学(武汉) | 支持MapGIS67地图工程的瓦片地图在线自动切片服务方法与系统 |
CN111881947B (zh) * | 2020-07-09 | 2024-05-14 | 广联达科技股份有限公司 | 特征点集对的筛选方法、目标匹配方法、装置及电子设备 |
CN117094288B (zh) * | 2023-10-18 | 2024-01-26 | 江西联创精密机电有限公司 | 图纸格式转换方法、装置、可读存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558763B2 (en) * | 2005-06-20 | 2009-07-07 | Samsung Electronics Co., Ltd. | Image verification method, medium, and apparatus using a kernel based discriminant analysis with a local binary pattern (LBP) |
CN102129684A (zh) * | 2011-03-17 | 2011-07-20 | 南京航空航天大学 | 基于拟合轮廓的异源图像匹配方法 |
US8014954B2 (en) * | 2005-04-05 | 2011-09-06 | Merck Sharp & Dohme Corp. | Methods for characterizing agonists and partial agonists of target molecules |
CN103309944A (zh) * | 2013-05-14 | 2013-09-18 | 广东南方数码科技有限公司 | 一种实现图库一体化的地物符号化方法 |
-
2015
- 2015-12-11 CN CN201510921037.2A patent/CN105740878B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8014954B2 (en) * | 2005-04-05 | 2011-09-06 | Merck Sharp & Dohme Corp. | Methods for characterizing agonists and partial agonists of target molecules |
US7558763B2 (en) * | 2005-06-20 | 2009-07-07 | Samsung Electronics Co., Ltd. | Image verification method, medium, and apparatus using a kernel based discriminant analysis with a local binary pattern (LBP) |
CN102129684A (zh) * | 2011-03-17 | 2011-07-20 | 南京航空航天大学 | 基于拟合轮廓的异源图像匹配方法 |
CN103309944A (zh) * | 2013-05-14 | 2013-09-18 | 广东南方数码科技有限公司 | 一种实现图库一体化的地物符号化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105740878A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | Multilabel remote sensing image retrieval based on fully convolutional network | |
Varish et al. | Image retrieval scheme using quantized bins of color image components and adaptive tetrolet transform | |
CN105740878B (zh) | 地理信息系统的符号识别方法和装置 | |
Lee et al. | Place recognition using straight lines for vision-based SLAM | |
CN103473551A (zh) | 基于sift算子的台标识别方法及系统 | |
CN104331682A (zh) | 一种基于傅里叶描述子的建筑物自动识别方法 | |
CN102208033B (zh) | 基于数据聚类的鲁棒sift特征匹配方法 | |
CN105740378B (zh) | 一种数字病理全切片图像检索方法 | |
CN103106409A (zh) | 一种针对头肩检测的混合特征提取方法 | |
Song et al. | Analyzing scenery images by monotonic tree | |
Saber et al. | Region-based shape matching for automatic image annotation and query-by-example | |
CN108121806A (zh) | 一种基于局部特征匹配的图像搜索方法及系统 | |
CN105678244A (zh) | 一种基于改进编辑距离的近似视频检索方法 | |
CN112712066B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
Trinder et al. | Artificial intelligence in 3-D feature extraction | |
Xu et al. | License plate recognition system based on deep learning | |
Sfikas et al. | 3D object retrieval via range image queries in a bag-of-visual-words context | |
Chen et al. | Road object detection using a disparity-based fusion model | |
Ai et al. | Geometry preserving active polygon-incorporated sign detection algorithm | |
Pei et al. | Fine-grained classification of automobile front face modeling based on Gestalt psychology | |
Jin et al. | A method for traffic signs detection, tracking and recognition | |
CN106844767A (zh) | 格式文档关键信息块配准及提取的方法及装置 | |
Hong et al. | Improved SSD model for pedestrian detection in natural scene | |
Hao et al. | Structure-based Street Tree Extraction from Mobile Laser Scanning Point Clouds | |
Yu et al. | Improved MB-LBP feature extraction algorithm based on reduced-dimensional HOG |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190621 Termination date: 20211211 |