CN106204446B - 一种地形图的建筑物合并方法 - Google Patents
一种地形图的建筑物合并方法 Download PDFInfo
- Publication number
- CN106204446B CN106204446B CN201610514598.5A CN201610514598A CN106204446B CN 106204446 B CN106204446 B CN 106204446B CN 201610514598 A CN201610514598 A CN 201610514598A CN 106204446 B CN106204446 B CN 106204446B
- Authority
- CN
- China
- Prior art keywords
- triangles
- building
- triangle
- filtering
- reserved
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 230000008439 repair process Effects 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 2
- 208000008975 Angle Class II Malocclusion Diseases 0.000 claims 1
- 230000000694 effects Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 230000001154 acute effect Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 210000003739 neck Anatomy 0.000 description 6
- 230000014759 maintenance of location Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000007596 consolidation process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明实施例公开了一种地形图的建筑物合并方法,所述方法包括:A、将具有空间区分特征的数据作为限制要素,将建筑物数据划分为各个区域的数据;B、对于每个所述区域:B1、建立该区域内各建筑物数据对应的C‑Delaunay三角网;B2、根据度量特征对所述三角网中的各三角形进行分类过滤;B3、对所述过滤后剩余的三角形进行聚类,获取聚类而形成的各个三角网的外边界形成各个桥接多边形;B4、将所述桥接多边形进行直角化处理,且将处理后的桥接多边形与其关联的建筑物进行融合。由上,本申请通过对桥接多边形进行直角化处理,保持了合并结果的直角化特征。
Description
技术领域
本发明涉及地理信息系统领域,尤其涉及一种地形图的建筑物合并方法。
背景技术
建筑物是大比例尺城市地形图的核心要素,对地图表达的效果具有重要影响。建筑物多边形的合并作为大比例尺地形图综合的难点之一,一直是国内外制图综合领域的研究热点,出现了不同的方法和策略:扫描扩展搜索、凸包演化方法及类似的基于数学形态学的方法适用于图象数据,即栅格数据,对矢量格式的数据处理需要借助矢栅转换的过程才能完成,合并过程略显繁复,合并结果在形状上可能产生较大弯曲且精度问题会对合并结果产生影响;基于缓冲区的面合并方法是对多边形建立外侧缓冲区,根据缓冲区的相交情况来实现合并的,但在实际应用中,对矢量多边形建立缓冲区及其求交运算效率不高,难以用于大范围数据处理中。
借助Delaunay三角网进行面综合为建筑物合并提供了一种解决思路,通常的解决过程是基于Delaunay三角网的方法对研究区域进行三角剖分,借助三角网来识别多边形的空间关系,辅助完成多边形的合并。Delaunay三角剖分算法以其强大的空间邻近探测和分析功能,引起了制图专家的重视并将其应用到地图自动综合中。
借助Delaunay三角网进行面综合为建筑物多边形的自动合并提供了一种解决思路,但仍存在一些不足:有的方法在对面进行合并时探讨的是一般面目标的合并,并未顾及到建筑物作为一种特殊的面,具有直角化的特征,合并结果丢失了这一特征。
发明内容
有鉴于此,本发明的主要目的在于提供一种地形图的建筑物合并方法,该方法对三角形进行分类过滤以确定建筑物的空间邻近关系。同时,借助保留下来的三角形识别出建筑物的桥接部分,并对桥接部分进行直角化处理。最后,通过桥接部分和建筑物面的融合实现建筑物的合并,同时保持了合并结果的直角化特征。
本发明提供一种地形图的建筑物合并方法,包括:
A、将具有空间区分特征的数据作为限制要素,将建筑物数据划分为各个区域的数据;
B、对于每个所述区域:
B1、建立该区域内各建筑物数据对应的C-Delaunay三角网;
B2、根据度量特征对所述三角网中的各三角形进行分类过滤;
B3、对所述过滤后剩余的三角形进行聚类,将剩余的三角形之间有公共边的三角形聚为一个三角网,获取各个三角网的外边界形成各个桥接多边形;
B4、将所述桥接多边形进行直角化处理,并将处理后的桥接多边形与其关联的建筑物进行融合。
由上,通过对桥接部分的直角化处理,保持了合并结果的直角化特征。
优选地,步骤B4所述将所述桥接多边形进行直角化处理,包括以下步骤:
识别出所述桥接多边形与建筑物的非公共边;
由所述非公共边与其连接的与建筑物的公共边形成的钝角的顶点向与所述非公共边连接的另一公共边做垂线,并确定垂点的位置;
确定所述非公共边的两个端点与所述垂点形成的边角三角形;
切除所述边角三角形。
优选地,所述步骤B4之后还包括:
对所述融合后的图像中宽度低于阈值的两建筑物之间的连接部分进行删除。
由上,实现了对桥接部分的直角化处理。
优选地,步骤B2所述度量特征至少包括但不限于以下其一:位置特征、属性特征、关联特征、边长特征、角度特征、高度特征。
优选地,当所述度量特征为位置特征时,所述步骤C包括:
判断各三角形的内心点是否在建筑物面的内部;并过滤掉内心点在建筑物面的内部的三角形。
优选地,当所述度量特征包含属性特征和关联特征时,所述步骤C包括:
排除三边均不是或只有一条边是建筑物边的I类三角形,保留II类三角形;
且预留两边是建筑物边的I类三角形和III类三角形以备修复;
其中,所述修复包括:
将预留的III类三角形中属于B类三角形的三角形保留;
且将预留的非建筑物边关联了保留状态的三角形的I类三角形保集;
其中,所述I类三角形为三个顶点位于同一建筑物面的三角形;
所述II类三角形为三个顶点中有一个顶点与其他两个顶点位于不同的建筑物面的三角形;
所述III类三角形为三个顶点分别位于不同的建筑物面的三角形;
所述B类三角形为有两条边关联其他三角形且另外一条边无关联三角形的三角形。
优选地,当所述度量特征为边长特征时,所述步骤C包括:
排除平均边长大于边长阈值的三角形。
优选地,当所述度量特征包含属性特征和角度特征时,所述步骤C包括:
保留钝角对边是建筑物边的钝角三角形,预留其余的钝角三角形以备修复;
且保留包含建筑物边界边的锐角三角形,预留不含边界边的锐角II类三角形以备修复;
其中,所述修复预留的钝角三角形,包括:
将所述预留的钝角三角形中存在两条非建筑物边且所述两条建筑物边分别关联的三角形处于保留状态的三角形进行保留;
所述修复预留不含边界边的锐角II类三角形,包括:将所述预留的锐角II类三角形中属于B类三角形的三角形进行保留。
优选地,当所述度量特征为高度特征时,所述步骤C包括:
根据三角形之间是否有公共边,将有公共边的三角形分为一组,计算每一个三角形分组的平均高度,排除所述平均高度大于高度阈值的三角形集合。
优选地,步骤A所述具有空间区分特征的数据包括至少以下其一:河流、道路、边界、区域、标识。
优选地,所述步骤B2包括:
B2.1、根据位置特征判断各三角形的内心点是否在建筑物面的内部;并过滤掉内心点在建筑物面的内部的三角形;
B2.2、根据属性特征排除三边均不是或只有一条边是建筑物边的I类三角形,保留II类三角形;且预留两边是建筑物边的I类三角形和III类三角形以备修复;
B2.3、根据边长特征排除平均边长大于边长阈值的三角形;
B2.4、根据角度特征保留钝角对边是建筑物边的钝角三角形,预留其余的钝角三角形以备修复;且保留包含建筑物边界边的锐角三角形,预留不含边界边的钝角II类三角形以备修复;
B2.5、将预留的钝角三角形进行修复,具体为:将所述预留的钝角三角形和所述预留的钝角II类三角形中存在两条非建筑物边且所述两条建筑物边分别关联的三角形处于保留状态的三角形进行保留。
B2.6、将保留的三角形中之间有公共边的三角形分为一组,根据高度特征,计算每一个三角形分组的平均高度,排除所述平均高度大于高度阈值的三角形集合;
B2.7、将预留的I、II、III类三角形进行修复,具体为:将预留的II、III类三角形中属于B类三角形的三角形进行保留;且将非建筑物边关联了保留状态的三角形的I类三角形保留。
由上,利用6种度量特征从多种角度对三角形进行分类过滤以确定建筑物的空间邻近关系,不会夸大聚类结果,过滤效率和效果更好,从而保证了聚类分析和过滤的合理性。
由上可以看出,本发明提供了一种地形图的建筑物合并方法,对Delaunay三角网中的三角形提出了定量与定性结合的度量参数,利用6种度量特征从多种角度对三角形进行分类过滤以确定建筑物的空间邻近关系,不会夸大聚类结果,过滤效率和效果更好,从而保证了聚类分析和过滤的合理性。同时,借助保留下来的三角形识别出建筑物的桥接部分,对桥接部分的进行直角化处理。最后,通过桥接部分和建筑物面的融合既实现了建筑物的合并,也保持了合并结果的直角化特征。而且经过多样性数据的实验和分析证明,效率和效果远远高于人工综合应用,更好的满足了生产实践对建筑物综合的要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种建筑物合并效果示意图;
图2a为本发明实施例提供的一种依托建筑物构建的Delaunay三角网效果示意图;
图2b为本发明实施例提供的一种依托建筑物构建的C-Delaunay三角网效果示意图;
图3为本发明实施例提供的一种地形图的建筑物合并方法流程示意图;
图4为本发明实施例提供的一种建筑物边线数据加密算法流程示意图;
图5a为本发明实施例提供的一种特殊特征的三角形效果示意图,
图5b为本发明实施例提供的一种特殊特征的三角形效果示意图,
图5c为本发明实施例提供的一种特殊特征的三角形效果示意图;
图6a为本发明实施例提供的一种直角化处理前的结构示意图;
图6b为本发明实施例提供的一种直角化处理后的效果示意图;
图7为本发明实施例提供的一种合并示意图;
图8为本发明实施例提供的一种为建筑物合并后的整体结果对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为克服现有技术中的缺陷,本申请实施例提供一种地形图的建筑物合并方法,该方法能够从多种角度对三角形进行分类过滤以确定建筑物的空间邻近关系,从而保证聚类分析的合理性。同时,借助保留下来的三角形识别出建筑物的桥接部分,并对桥接部分的进行直角化处理。最后,通过桥接部分和建筑物面的融合实现建筑物的合并,保持了合并结果的直角化特征。
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述。
首先,结合相关图示对本发明所涉及的一些技术术语及其相关原理进行相关说明。
1、建筑物合并
如图1所示,建筑物的合并主要分为两种。一种是拓扑邻近的合并,即建筑物之间具有共边的情况,删除公共边即可实现合并。这种实现比较简单,常用的方式是针对建筑物面构建拓扑结构,将拓扑结构中同时具有左右多边形的弧段删除掉,即可实现拓扑邻近建筑物的合并。
另外一种是对视觉邻近的建筑物进行合并。视觉邻近是指建筑物之间的距离较小,当比例尺变换为某一更小尺度下时,它们之间的距离看上去也会随之变的更小,有时在地图图面上无法观察到。导致建筑物在视觉上表现为邻近状态,甚至会出现建筑物部分重叠的冲突现象。这种情况下,需要填充建筑物之间的缝隙,使建筑物合并为一个整体从而消除空间冲突。
2、C-Delaunay三角网
如图2所示,其中的(a)、(b)分别表示用建筑物构建的Delaunay三角网和C-Delaunay三角网,后者更合理地保留了建筑物的边线信息。Delaunay三角网是对空间的一种特殊剖分,具备多种优异特性:如邻近性、最优性、区域性、凸多边形性等。C-Delaunay即约束Delaunay三角网,其约束为:在构建三角网的过程中,要求指定的边必须作为三角形的边存在,不能够被穿越。由于实际生产中的线数据和面数据由点连接形成,同时也隐含着边界不被穿越的要求,仅使用点数据构建的Delaunay三角网,会造成约束信息的丢失,不能满足实际应用的需要。因此C-Delaunay三角网对空间的划分更加理想,在实际生产活动中的应用也更广泛。使用建筑物数据构建三角网时,把面边界数据作为约束条件,添加到无约束三角网中生成C-Delaunay三角网,从而更合理地保留了建筑物的边线信息。
3、基于C-Delaunay的建筑物合并
三角网的优良性质对于建筑物面合并是非常重要的。使用建筑物面边线上的点为原始点集、以边线为限制边建立C-Delaunay。根据三角网的性质可知,C-Delaunay的边界轮廓为一个凸多边形,所有的建筑物包含在内部。三角形单元遍布了整个数据区域,实现无重叠、无缝隙的覆盖。建筑物内部被一部分三角形填充,建筑物之间的空隙被另一部分三角形覆盖,建筑物通过这些三角形连接起来。相互联接的三角形很好的表达了空间对象间的邻近特性,使其成为空间邻近分析的有力工具,本文将其应用在对需要合并建筑物对象的定性探测上。
4、三角形形态的度量
如前所述,当地图比例尺发生变化时(缩小时),建筑物需要进行合并操作。对距离较近的建筑物之间的空隙进行填充。在这一过程中,三角网可以精确地描述数据表达的目标边界,且容易进行长度、面积等几何计算。本文将三角网的这个优势应用在对合并过程的定量控制上。具体提出了三角形形态的6种度量特征,通过6种特征对三角网中的三角形进行过滤,进而自动获得桥接多边形,实现建筑物的合并。6种特征具体如下:
1)位置特征
考量三角形内心在建筑物面内部或外部。三角形的内心点一定位于三角形内部,因此以内心点代表三角形的位置。在使用建筑物面边线建立起来的C-Delaunay三角网中,一部分三角形位于建筑物面内部,另外一部分位于建筑物面外部。我们关注的是位于外部的部分,内部的对合并操作无参考意义的,可以忽略。因此对三角形逐一取内心点,判断是否位于建筑物几何面体内。
2)属性特征
考量三角形三个顶点连接的建筑物个数。C-Delaunay三角网中的三角形,每个顶点至少关联一个建筑物。对每个顶点赋予其关联的建筑物面要素的唯一ID。依据顶点ID的情况,三角形可以分为3类:
a、只连接一个建筑物面的,即三个顶点ID相同的称为I类三角形。
b、连接两个建筑物面的,即有两个顶点的ID相同的称为II类三角形。
c、连接三个建筑物面的,即三个顶点的ID都不相同的称为III类三角形。
本发明考量的建筑物面之间都是非共边的,当建筑物面共边时,对拓扑相邻的面进行合并,消除共线边。当不同的建筑物仅仅相交于一个点时,点的ID值选择存在二义性,这时可取任一ID,同时做特殊标记。
3)关联特征
考量三角形邻接三角形的个数。在三角网中的三角形通过共同的边和顶点进行关联。三角形通过边关联的情况可以分为4种:
a、仅有一个边关联三角形,另外两个边无关联三角形,称为A类三角形。
b、有两条边关联三角形,另外一条边无关联三角形,称为B类三角形。
c、三条边都有关联三角形,称为C类三角形。
d、无关联的三角形,即孤立的三角形。
以上的描述针对的是一个完整的、三角形没有任何标记的三角网。在对三角网进行筛选过程中,当对不符合要求的三角形做了特殊标记后,关联规则可以变形为另一种形式。对关联的三角形的标记状态也要进行考量,将“通过边关联的三角形的个数”改为“通过三角形的边关联、同时所关联的三角形属于保留集合(或未标记为false过滤屏蔽状态)的个数”。
4)高度特征
考量三角形的高度。高度规则除了用于单个三角形外,还可以用于对相互关联聚集的三角形集合。
单个三角形高度规则如下:对于I类三角形,找到位于同一条建筑物边线上且是边线上紧相邻的两顶点,取这条边上的高。否则取任意一个边上的高;对于II类三角形,找到ID值相同的两顶点,取这条边上的高;对于III类三角形,取三条边上的高度平均值作为它的高。
对于三角形集合,取所有三角形的平均高度。当一个集合中三角形的个数小于一定阈值C时,求所有三角形高度,取其平均值。当集合中三角形的个数大于一定阈值C时,对所有高度值按照升序排列,排除最大、最小的1\5部分,对剩余的三角形求平均值,这样可以排除极值情况。
5)角度特征
考量三角形是锐角还是钝角。根据三角形的最大内角,将三角形分为锐角三角形和钝角三角形两类。在三角网的边界部分会出现狭长的钝角三角线,关联的是距离较远的建筑物。它们是不合理的存在,通过角度规则可以过滤掉。
6)边长特征
考量三角形边的长度。取三角形三条边长度的平均值。连接距离较近建筑物的三角形的平均边长往往也较小。而距离较远的建筑物,或者被其他建筑物所阻隔,或者连接它们的三角形平均边比较大。通过边长规则可以将这部分三角形过滤掉。
结合上述说明和相关图示,如图3所示,为上述建筑物合并的具体流程,包括:
1、准备数据,并依据限制要素将大范围区域内的建筑物数据划分为各个区域内的数据块。
数据包括区域内的建筑物数据、河流数据和道路数据。使用河流、道路、边界、区域、标识等数据作为限制要素,据此将建筑物数据划分为各个子区域内的数据块。
通过本步骤,使得后续的处理以小的子区域为单位进行。通过划分处理,使得数据既符合实际情况,同时有助于提高处理过程的效率。例如,经过河流、道路划分的建筑物数据,在后续合并时不会合并到一起,也就避免了跨越河流或道路的建筑物的合并。
2、加密建筑物数据,对每一个区域内的建筑物建立C-Delaunay三角网。
三角网是探测建筑物面邻近关系以及进行连接的关键所在,因此要保证建立三角网的质量良好。为了保证建立三角网的结果更理想,效果更好,需要对建网数据进行加密。指定一定的长度阈值,使用此长度阈值对所有参与建网的边线数据进行加密。经过加密的点数据比较均匀,构建的三角网才能更均衡。
(1)确定加密阈值,对建筑物数据进行加密。
对数据进行加密是十分有必要的。借助三角网进行建筑物面的合并中,三角网是探测建筑物面邻近关系以及进行连接的关键所在。前述6种特征的应用中,三角形的形态十分重要。为了使网中的三角形保持“良好”的几何形态,加密建筑物面的边线是建立C-Delaunay过程中非常重要的一步。经过大量的实验,发现选择合适的加密阈值建立三角网,三角形的理想形状是近似等边三角形。这样的三角网能保证后续的过滤操作结果更优。
如图4所示,为加密步骤,假设加密阈值为L,要加密线的长度为I,如果I大于L,则再进一步地判断I是否大于1.2L,若是,则从起点开始每隔L插入一点,若否,则在线中点插入一点即可。加密阈值的选择十分重要,阈值的选择需要综合考虑建筑物之间的距离和目标比例尺的大小。阈值过小会造成加密点冗余,降低处理效率。阈值过大起不到加密的作用,不能保证三角网的良好形态。
(2)建立C-Delaunay三角网。
使用加密后的点集,以建筑物边为限制边条件,建立C-Delaunay三角网的方法已经有很多研究,这里不再赘述。
3、三角网建立之后,根据6种度量参数对三角网内的各个三角形依次进行过滤操作,其中,每一步过滤,都会屏蔽一部分三角形,即,每一步的操作对象集合都是前一步过滤处理后保留下来的三角形集合,并在所有过滤操作之后,对最终保留下来的三角形进行聚类操作。
就要通过对三角形分类,达到对三角网过滤的目的。过滤的顺序为:1.位置过滤;2.属性过滤;3.关联过滤;4.高度过滤;5.角度过滤;6.边长过滤。
对过滤操作的结果有两种形式表示:一是用两个三角形集合分别存储排除和保留的三角形;二是用三角形做标记的形式,以true表示保留,以false表示排除。标记的方式可以快速查询三角形的排除保留状态,而集合的方式能快速确定每一步过滤操作的对象。考虑到具体应用的需求,我们采用两种方式结合的方法。
过滤操作的主要步骤如下:
(1)位置特征过滤。排除建筑物面内的三角形,保留面外的三角形。
(2)属性特征过滤。排除三边均不是或只有一条是建筑物边的I类三角形,保留II类三角形,预留两边是建筑物边的I类三角形和III类三角形以备修复。
(3)边长特征过滤。排除平均边长大于阈值的三角形,保留平均边长小于阈值的三角形。
(4)角度特征过滤。保留钝角对边是建筑物边的钝角三角形,预留其余的钝角三角形以备修复;保留包含建筑物边界边的锐角三角形,预留不含边界边的锐角II类三角形以备修复。
(5)修复预留的钝角三角形。当钝角三角形存在两条非建筑物边,且他们关联的三角形处于保留状态时,把该三角形放回保留集。
(6)高度特征过滤。根据三角形之间是否有公共边,对有保留集中的三角形中有公共边的三角形分为一组,计算每一个三角形分组的平均高度,排除大于阈值的三角形集合,保留小于阈值的三角形集合。
(7)修复预留的I、II、III类三角形。考量预留II、III类三角形标记状态下的关联特征,若属于B类三角形则放回保留集。考虑预留的I类三角形的非建筑物边是否关联了保留状态的三角形,若是则放回保留集。
如图5所示,其中星状标记的三角形展示了几种修复的情况。图5a中的III类三角形,三边关联的三角形都是保留状态。图5b中的I类三角形,顶点是同一边线上的连续三点且唯一的关联三角形是保留状态。图5c中的钝角三角形,两边关联的三角形是保留状态。
以上步骤是过滤操作时效率和效果最优的步骤,其中,利用以上6中度量参数中的一种或多种度量参数以其他顺序进行过滤的操作,都在本发明的保护范围之内。
4、识别出聚类结果的外围轮廓,即是作为建筑物之间的空隙存在的桥接多边形,自动提取、直角化桥接多边形。
根据三角形之间是否有公共边,对过滤剩下的三角网部分进行聚类,将有公共边的三角形聚集到一起,获取聚类后的每个三角网的外边界,外边界形成的封闭面即为建筑物之间的桥接部分。如果聚类后的三角网集合中只有一个三角形,则屏蔽此三角形,认为它是无效的桥接部分。只有多于两个的时候,才求它们的边界。
提取桥接部分过程中的符号定义为:RetainTriGrp-保留三角形集合;SrchTriGrp-已处理三角形集合;CurBriEdge-当前桥接边界边集合;CurSeedTri-当前种子三角形;CurSeedTriGrp-当前种子三角形集合;提取桥接多边形的过程如下:
(1)得到步骤3过滤操作得到的保留三角形集合RetainTriGrp。
(2)判断RetainTriGrp中的三角形是否都已经处理过。如果都处理过进入(6);否则取RetainTriGrp中任一未处理过的三角形放入到CurSeedTriGrp中,进入(3)。
(3)从CurSeedTriGrp中移出一个三角形,作为CurSeedTri放入SrchTriGrp中。取CurSeedTri三边关联的三角形,进入(4);当CurSeedTriGrp为空时,进入(5)。
(4)如果CurSeedTri的边没有关联三角形或者关联的三角形不属于RetainTriGrp时,将这个边放入到CurBriEdge中;如果三边关联的三角形都已处理过时返回(3);否则将未处理过的关联三角形放入到CurSeedTriGrp中返回(3)。
(5)把CurBriEdge中的边按照点的关联进行连接,即为一个桥接多边形的外轮廓,完成一个桥接多边形的搜索;清空CurBriEdge,返回(2)。
其中,CurBriEdge里存放的是桥接边界边的集合,但都是离散的边,为了连接起来形成桥接多边形,需要根据边的端点与另一个边的端点是否相连(即坐标一样),来将离散的边进行连接。
(6)确定最后一个桥接多边形的轮廓,结束搜索,即得到所有的桥接多边形。
通过上述步骤得到的桥接部分的轮廓边线可以分为两种,一种是和建筑物的公共边,另一种是非公共边。公共边是原始建筑物边线的一部分,非公共边连接的是视觉邻近的建筑物,直角化调整的是后者。在三角网中,公共边和非公共边的区分在于它们左右两侧三角形的位置属性特征。公共边两侧的三角形一个在建筑物面内,另一个在面外;而非公共边两侧的建筑物都位于建筑物面外。公共边的两端点分别与两条公共边相连接,过一个端点可向另一端点关联的公共边做垂线,如果垂点在公共边上,则称该端点为短顶点,另一端点为长顶点。一个桥接部分的非公共边有多条,每一条非公共边都要进行直角化处理。
如图6所示,为直角化处理前后的对比图。(a)为未直角化的桥接部分,(b)为直角化后的桥接部分,一个基本的直角化处理单元步骤如下:
(1)对桥接部分Q,根据两侧三角形的位置属性不同这一条件,识别出它的非公共边L。
(2)确定L的长顶点N1、短顶点N2,过N2向N1关联的公共边做垂线,计算垂点P位置。
(3)确定N1、N2与P所形成的边角三角形T。
(4)从桥接部分Q中切除T。
5、将桥接多边形与其关联的建筑物融合。
通过相邻关系对桥接多边形与其相邻的建筑物进行聚类,自动识别关联在一起的建筑物面和桥接面。对每一组聚类结果进行拓扑邻近合并。具体为:将原始的建筑物和前一步骤中求取的桥接面一起建立拓扑,删除拓扑中左右多边形都存在的弧段,更新拓扑。重复此过程,直到不存在满足条件的弧段为止。在最后得到的拓扑中,每一个拓扑面都对应着一个合并结果建筑物。如果需要保留属性信息,则提取原始建筑物的内点,通过判断内点在哪个拓扑面中,来决定每一个结果建筑物面是由哪些原始的建筑物合并得到的。通过一定的准则,比如保留其中某一个原始建筑物的属性或对组成的建筑物进行属性计算,来维护结果建筑物的属性。
如图7所示,为合并示意图,其中,h是桥接部分,p1,p2为建筑物,合并桥接部分和建筑物就是把p1,p2和h三者合为一个目标p。
6、进行细颈修复处理,完成视觉邻近多边形的合并。
通过以上合并、直角化处理后,得到的结果可能会出现不理想的情况,这是因为距离比较近,但是空间是相对错开的呈现X状。一些细长的连接部分(细颈)需要后续识别出并进行修复删除。细颈的识别也可以借助三角网进行,原理与合并过程类似。由于细颈属于结果建筑物面的一部分,因此三角网位置分类的时候,保留的是位于建筑物内部的三角形。同时对细颈的宽度设置阈值,即对三角形进行宽度过滤分类。配合细颈部分具有连接两部分建筑物等形状特征,就可以实现细颈的识别和删除操作,进而达到多边形合并后较好的效果。
如图8所示,为数据合并后的整体结果对比图。(a)为原始建筑物的分布,(b)为对应的合并后的效果图。(c)、(d)、(e)图是原始建筑物的局部放大图,(f)、(g)、(h)是对应的合并结果的局部放大图。(d)中的建筑物形状比较规则,分布较为整齐,而(c)、(e)中的建筑物比较破碎。从对应的合并结果图中可以看出空间的多边形合并到了一起,结果建筑物保持了直角化特征。
综上所述,本发明对Delaunay三角网中的三角形提出了定量与定性结合的度量参数,利用6种度量特征从多种角度对三角形进行分类过滤以确定建筑物的空间邻近关系,不会夸大聚类结果,更加合理,过滤效率和效果好。同时,借助保留下来的三角形识别出建筑物的桥接部分,对桥接部分的进行直角化处理。最后,通过桥接部分和建筑物面的融合既实现了建筑物的合并,也保持了合并结果的直角化特征。而且经过多样性数据的实验和分析证明,效率和效果远远高于人工综合应用,更好的满足了生产实践对建筑物综合的要求。
Claims (3)
1.一种地形图的建筑物合并方法,其特征在于,包括
A、将具有空间区分特征的数据作为限制要素,将建筑物数据划分为各个区域的数据;
B、对于每个所述区域:
B1、建立该区域内各建筑物数据对应的C-Delaunay三角网;
B2、根据度量特征对所述三角网中的各三角形进行分类过滤;过滤的顺序为:1.位置过滤;2.属性过滤;3.关联过滤;4.高度过滤;5.角度过滤;6.边长过滤;过滤操作的步骤如下:
(1)位置特征过滤:排除建筑物面内的三角形,保留面外的三角形;
(2)属性特征过滤:排除三边均不是或只有一条是建筑物边的I类三角形,保留II类三角形,预留两边是建筑物边的I类三角形和III类三角形以备修复;
(3)边长特征过滤:排除平均边长大于阈值的三角形,保留平均边长小于阈值的三角形;
(4)角度特征过滤:保留钝角对边是建筑物边的钝角三角形,预留其余的钝角三角形以备修复;保留包含建筑物边界边的锐角三角形,预留不含边界边的锐角II类三角形以备修复;
(5)修复预留的钝角三角形:当钝角三角形存在两条非建筑物边,且他们关联的三角形处于保留状态时,把该三角形放回保留集;
(6)高度特征过滤:根据三角形之间是否有公共边,对有保留集中的三角形中有公共边的三角形分为一组,计算每一个三角形分组的平均高度,排除大于阈值的三角形集合,保留小于阈值的三角形集合;
(7)修复预留的I、II、III类三角形:考量预留II、III类三角形标记状态下的关联特征,若属于B类三角形则放回保留集;考虑预留的I类三角形的非建筑物边是否关联了保留状态的三角形,若是则放回保留集;
B3、对所述过滤后剩余的三角形进行聚类,将剩余的三角形之间有公共边的三角形聚为一个三角网,获取各个三角网的外边界形成各个桥接多边形;
B4、将所述桥接多边形进行直角化处理,并将处理后的桥接多边形与其关联的建筑物进行融合;
步骤B4所述将所述桥接多边形进行直角化处理,包括以下步骤:
识别出所述桥接多边形与建筑物的非公共边;
由所述非公共边与其连接的与建筑物的公共边形成的钝角的顶点向与所述非公共边连接的另一公共边做垂线,并确定垂点的位置;
确定所述非公共边的两个端点与所述垂点形成的边角三角形;
切除所述边角三角形。
2.根据权利要求1所述的方法,其特征在于,所述步骤B4之后还包括:
对所述融合后的图像中宽度低于阈值的两建筑物之间的连接部分进行删除。
3.根据权利要求1所述的方法,其特征在于,步骤A所述具有空间区分特征的数据包括至少以下其一:河流、道路、边界、区域、标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610514598.5A CN106204446B (zh) | 2016-07-01 | 2016-07-01 | 一种地形图的建筑物合并方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610514598.5A CN106204446B (zh) | 2016-07-01 | 2016-07-01 | 一种地形图的建筑物合并方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204446A CN106204446A (zh) | 2016-12-07 |
CN106204446B true CN106204446B (zh) | 2020-02-11 |
Family
ID=57464507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610514598.5A Expired - Fee Related CN106204446B (zh) | 2016-07-01 | 2016-07-01 | 一种地形图的建筑物合并方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204446B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573653B (zh) * | 2017-03-13 | 2022-01-04 | 腾讯科技(深圳)有限公司 | 电子地图生成方法及装置 |
CN107480274B (zh) * | 2017-08-21 | 2020-12-15 | 北京星选科技有限公司 | 区域边界信息处理方法和装置 |
CN107818338B (zh) * | 2017-10-16 | 2021-04-06 | 辛秦川 | 一种面向地图综合的建筑物群组模式识别的方法及系统 |
CN107909111B (zh) * | 2017-11-24 | 2020-06-26 | 中国地质大学(武汉) | 一种居民地多边形的多级图聚类划分方法 |
CN108931795B (zh) * | 2018-05-21 | 2022-05-13 | 千寻位置网络有限公司 | 定位设备轨迹优化和边界提取方法及装置 |
CN110992481B (zh) * | 2019-11-04 | 2021-09-14 | 武汉大学 | 基于最邻近连线的建筑物白模一致性合并方法 |
CN110689569B (zh) * | 2019-12-10 | 2020-06-30 | 北京唯智佳辰科技发展有限责任公司 | 集成电路版图场域识别与网格细分处理方法及装置 |
CN111737392B (zh) * | 2020-06-22 | 2024-04-02 | 北京百度网讯科技有限公司 | 合并楼块数据的方法、装置、设备及存储介质 |
CN113313101B (zh) * | 2021-08-02 | 2021-10-29 | 杭州安恒信息技术股份有限公司 | 一种建筑物轮廓自动聚合方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251929A (zh) * | 2008-02-29 | 2008-08-27 | 浙江大学 | 基于Delaunay三角网技术的区域拓扑关系构建方法 |
CN102663811A (zh) * | 2012-03-23 | 2012-09-12 | 北京师范大学 | 一种基于空间认知的大场景城市建筑实时三维可视化的方法 |
CN103337084A (zh) * | 2013-06-05 | 2013-10-02 | 东南大学 | 一种基于人工地物特征的地物图斑自动生成方法 |
CN104282221A (zh) * | 2013-07-01 | 2015-01-14 | 北京四维图新科技股份有限公司 | 一种构建室内地图的道路网络的方法 |
-
2016
- 2016-07-01 CN CN201610514598.5A patent/CN106204446B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251929A (zh) * | 2008-02-29 | 2008-08-27 | 浙江大学 | 基于Delaunay三角网技术的区域拓扑关系构建方法 |
CN102663811A (zh) * | 2012-03-23 | 2012-09-12 | 北京师范大学 | 一种基于空间认知的大场景城市建筑实时三维可视化的方法 |
CN103337084A (zh) * | 2013-06-05 | 2013-10-02 | 东南大学 | 一种基于人工地物特征的地物图斑自动生成方法 |
CN104282221A (zh) * | 2013-07-01 | 2015-01-14 | 北京四维图新科技股份有限公司 | 一种构建室内地图的道路网络的方法 |
Non-Patent Citations (3)
Title |
---|
基于多Agent的道路与居民地协同综合方法研究;许文帅;《中国优秀硕士学位论文全文数据库 基础科学辑》;20141215(第12期);第A008-46页 * |
建筑物多边形的多尺度合并化简与平差处理;童小华 等;《同济大学学报(自然科学版)》;20070615;第35卷(第6期);第824-829页 * |
顾及多重约束的土地利用数据库制图综合研究;江宝得;《中国优秀硕士学位论文全文数据库 基础科学辑》;20140715(第7期);第A008-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106204446A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204446B (zh) | 一种地形图的建筑物合并方法 | |
CN106683167B (zh) | 复杂建筑物高精度模型自动建模方法 | |
CN109685080B (zh) | 基于霍夫变换与区域生长的多尺度平面提取方法 | |
CN105701204B (zh) | 基于道路网的电子地图兴趣点的提取方法及显示方法 | |
CN111553963B (zh) | 一种基于地理信息的元网格生成方法及装置 | |
CN105787977B (zh) | 建筑物矢量边界简化的方法 | |
JP2009545032A (ja) | 建物屋根タイプの識別の機能を提供する地理空間モデリング・システム及び関連した方法 | |
CN107330901B (zh) | 一种基于骨架的物体构件分解方法 | |
CN111858810B (zh) | 一种面向道路dem构建的建模高程点筛选方法 | |
CN114332291A (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
CN107818338B (zh) | 一种面向地图综合的建筑物群组模式识别的方法及系统 | |
CN113963130A (zh) | 一种针对岩心裂隙的裂隙网络模型的构建方法 | |
CN110992481B (zh) | 基于最邻近连线的建筑物白模一致性合并方法 | |
CN110428386A (zh) | 地图网格合并方法、装置、存储介质、电子装置 | |
CN112598724A (zh) | 一种改进的基于tin的面状要素中心线提取方法 | |
CN103473420B (zh) | 一种分区统计地图中统计图表的自动定位方法 | |
CN114677388A (zh) | 基于单元分解与空间分割的房间布局划分方法 | |
JP2002092658A (ja) | 3次元デジタル地図作成装置及び3次元デジタル地図作成のプログラムを記憶した記憶媒体 | |
CN112288854B (zh) | 立交桥三维模型的构建方法 | |
US7181377B1 (en) | Method of modifying a volume mesh using sheet extraction | |
JP6715200B2 (ja) | 地形情報処理装置、地形情報処理方法、およびプログラム | |
CN113592976B (zh) | 地图数据的处理方法、装置、家用电器和可读存储介质 | |
CN114742852A (zh) | 一种基于网格求交的高效自由曲面分层方法及其应用 | |
CN111612869A (zh) | 一种基于栅格数据进行地质编图的分析方法 | |
CN115828110B (zh) | 水系空间特征相似性检测方法、设备、存储介质及装置 |
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: 20200211 |