CN106446000A - 基于边界交互的区组合拓扑相似性度量方法 - Google Patents

Abstract

本发明涉及属地理信息科学领域，具体涉及一种基于边界交互的区组合拓扑相似性度量方法,其包括以下步骤：在区边界交互的拓扑关系基础上，通过分析复杂实体间的拓扑关系得到它们的边界交互记录，并将交互记录转换成为二进制序列，从而实现将相似性评估转换为序列校准过程；使用C_R和C_P分别代表参照区组合和候选区组合,然后通过设置维数序列和细节序列相似度的权重来计算参照区组合C_R和候选区组合C_P的拓扑相似度。本发明具有以下优点：1)、能够较好的区分复合空间对象之间的拓扑关系及其相似性的差异。2)、更加直观地为用户提供多种可能的结果。

Description

基于边界交互的区组合拓扑相似性度量方法

技术领域

本发明涉及人工智能、地理空间场景、相似性度量等方面，属地理信息科学领域。

背景技术

在某些研究领域如地理信息系统(GIS)、图像检索或时空数据库中，一组较重要的空间关系为拓扑关系。拓扑关系描述了空间场景的本质，并保持了平移、缩放和旋转不变性。当前区对象的拓扑关系模型主要分为两类，(1)针对简单区：基于演算方法，点集拓扑，4-交模型、衍生的9-交模型及区域连接演算(RCC-8)等；(2)针对复杂区：如RCC-8组合表，4交模型的扩展，组合区的拓扑关系模型(TRCR)，基于演算方法的派生(CBM)及带洞区域模型等。这些方法精确地描述了对象组合里两个对象实体间的相互关系，并充分记录了空间场景中的二元拓扑关系。然而当发生复杂的边界交互时，在纯粹的拓扑基础上，上述方法难以辨识拓扑等价性。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于边界交互的区组合拓扑相似性度量方法。

为实现以上发明目的，本发明提供以下技术方案：

基于边界交互的区组合拓扑相似性度量方法,其不同在于：其包括以下步骤：在区边界交互的拓扑关系基础上，通过分析复杂实体间的拓扑关系得到它们的边界交互记录，并将交互记录转换成为二进制序列，从而实现将相似性评估转换为序列校准过程，在校准过程中分成初始匹配和精确匹配两个部分；使用C_R和C_P分别代表参照区组合和候选区组合,设参照区组合C_R和候选区组合C_P间的维数序列及细节序列相似度分别为sim_dim(C_R，C_P)和Sim_det(C_R，C_P)，维数序列和细节序列相似度的权重分别为γ和ε，则参照区组合C_R和候选区组合C_P的拓扑相似度为Sim_top(C_R，C_P)＝γ×Sim_dim(C_R，C_P)+ε×Sim_det(C_R，C_P)。

进一步的，在初始匹配步骤中，对区组合间的O标记式进行评估，以确认是否需要执行准确匹配步骤，若在该步骤中发现两个区组合极不相似，则不需执行准确匹配步骤；

参照区组合C_R和候选区组合C_P中的区对象表示为R_Ri和R_Rj，以此进行说明；先使用初始匹配步骤来搜索与C_R相似的区组合；在两个相似的区组合间，相互匹配的区应具有相似的边界交互，其中一个因素是边界交集数量；一个区边界与其它区边界间会存在若干交集；

对比每两个O标记式间的交集数量对区对象进行评估，在此过程中，某个区在其他O标记式中出现的总次数称为标记频率，并用来识别可能相似的区，包含了节点和边的关联图被用于描述区组合间的对应关系；如果两个O标记式间具有同样数量的边界交集，则对应的区存在相似的可能性，从而可进行后继的对比工作；使用集合Inter_R和Inter_P来记录组合C_R和C_P中O标记式的交集数量，并对每个集合中的交集值进行从低到高的排序，从而实现对Inter_R和Inter_P的对比；假设存在m对具有相等交集数量的O标记式，使用式计算基于交集数量的初始相似度；

假设C_R和C_P间存在p对相等的标记频率，则组合C_R和C_P在标记频率下的相似度为

在初始匹配阶段对区组合C_R和C_P的相似度评估称为初始相似度；假设交集数量准则和标记频率准则的权重分别为α和β，那么C_R和C_P的初始相似度为：Sim_pre(C_R，C_P)＝αSim_inter(C_R，C_P)+βSim_fre(C_R，C_P)；

所述区组合间的O标记式具体如下描述，,其中符号A_comp代表了区域A的边界，s是当前边界在A外的区的集合，并使用符号O进行表示，维数dimension描述了交集的定性长度(0或1)，T是与A有相接交集的区集合，而C代表的是与A有相交交集的区集合。

进一步的，在精确匹配步骤中，对从初始匹配中得到的粗糙评估执行精确度量，详细对比从初始匹配步骤中得到的每对匹配区的O标记式；在这个步骤中，将O标记式分解为两个部分：1)维数序列，包含了每个交集中的维度；2)细节序列，描述O标记式中的细节；采用生物信息学范畴中的序列校准方法对两个序列进行度量分析；序列校准是生物信息学中用来处理DNA、RNA或蛋白质序列的方法，以识别出序列中功能、结构或进化的信息；

O标记式记录了交集维数、与当前区具有相交或相接交集的区，将O标记式中的项O_s，T和C进行二进制编码，所得结果称为细节序列，分别记录着边界在当前区外部的区，与当前区相接及相交的区；假设组合C_R和C_P有m对匹配区，则其细节序列的相似度为其中t_m表示组合C_R和C_P的序列校准中存在t_m对相互对准的元素，又因为每对匹配区交集中有三个项，所以每对匹配区的相似度为(t_m/3n_m)。

对比现有技术，本发明具有以下有益特点：

1)、对于复合空间对象，初始匹配和精确匹配法能够较好的区分复合空间对象之间的拓扑关系及其相似性的差异。

2)、基于空间拓扑关系相似性的空间场景匹配方法能够较好的处理存个多个可能匹配的目标场景的情况，并对不同的匹配结果进行量化的表示，更加直观地为用户提供多种可能的结果。

3)、该算法简便容易操作，不仅易于对复杂空间场景的拓扑关系进行定性描述，也可方便进行定量计算。

附图说明

图1是本发明实施例目标1的场景图和其手绘草图；

图2是本发明实施例目标2的场景图和其手绘草图；

图3是本发明实施例目标3的场景图和其手绘草图；

图4是本发明实施例目标4的场景图和其手绘草图；

图5是本发明实施例目标5的场景图和其手绘草图；

图6是本发明实施例目标6的场景图和其手绘草图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在区边界交互的拓扑关系基础上，针对复杂的拓扑关系采用基于边界交互的区组合拓扑相似性度量模型，该模型通过分析复杂实体间的拓扑关系得到它们的边界交互记录，并将交互记录转换成为二进制序列，从而实现将相似性评估转换为序列校准过程，在校准过程中分成初始匹配和精确匹配两个部分，以提高相似性评估的效率；

若两条线段交互于一点，将其称为0-维交集，若线段交互于一段弧线，将其称为1-维交集；线段交集的主要类型为相交和相接，因此两条线段间存在4种可能的交集类型：0-维相接、0-维相交、1-维相接和1-维相交；在这4种交集类型及韦恩图基础上，使用O标记法进行描述，其中符号A_comp代表了区域A的边界，s是当前边界在A外的区的集合，并使用符号O进行表示，维数dimension描述了交集的定性长度(0或1)，T是与A有相接交集的区集合，而C代表的是与A有相交交集的区集合。

基于边界交互的区组合拓扑相似性度量方法,其特征在于：在初始匹配步骤中，对区组合间的O标记式进行评估，以确认是否需要执行准确匹配步骤，若在该步骤中发现两个区组合极不相似，则不需执行准确匹配步骤；

使用C_R和C_P分别代表参照区组合和候选区组合，C_R和C_P中的区对象表示为R_Ri和R_Rj，以此进行说明；先使用初始匹配步骤来搜索与C_R相似的区组合；在两个相似的区组合间，相互匹配的区应具有相似的边界交互，其中一个因素是边界交集数量。一个区边界与其它区边界间会存在若干交集；同时，由于空间对象的任意几何形状及随机分布属性，不同的区有不同的边界交集；基于这个客观事实，可通过对比每两个O标记式间的交集数量对区对象进行评估。在此过程中，某个区在其他O标记式中出现的总次数称为标记频率，并用来识别可能相似的区，包含了节点和边的关联图被用于描述区组合间的对应关系。如果两个O标记式间具有同样数量的边界交集，则对应的区存在相似的可能性，从而可进行后继的对比工作。使用集合Inter_R和Inter_P来记录组合C_R和C_P中O标记式的交集数量，并对每个集合中的交集值进行从低到高的排序，从而实现对Inter_R和Tnter_P的对比。假设存在m对具有相等交集数量的O标记式，使用式可计算基于交集数量的初始相似度；

假设C_R和C_P间存在p对相等的标记频率，则组合C_R和C_P在标记频率下的相似度为

在初始匹配阶段对区组合C_R和C_P的相似度评估称为初始相似度。初始相似度粗略描述了C_R和C_P的对应情况，并提供了是否需要进行精确匹配的理由。假设交集数量准则和标记频率准则的权重分别为α和β，那么C_R和C_P的初始相似度为：Sim_pre(C_R，C_P)＝αSim_inter(C_R，C_P)+βSim_fre(C_R，C_P)。

在精确匹配步骤中，对从初始匹配中得到的粗糙评估执行精确度量，详细对比从初始匹配步骤中得到的每对匹配区的O标记式。在这个步骤中，将O标记式分解为两个部分：1)维数序列，包含了每个交集中的维度；2)细节序列，描述O标记式中的细节；采用生物信息学范畴中的序列校准方法对两个序列进行度量分析；

序列校准是生物信息学中用来处理DNA、RNA或蛋白质序列的方法，以识别出序列中功能、结构或进化的信息；

边界交集主要分为两种类型-边界交互于点或弧段，这两种类型的维度分别为0和1；因此，O标记式中的维数序列粗略描述了某个区边界的总体交互情况，即维数序列校准可以为区组合间的相似度提供一个准确度量；假设n对维数元素中有q对可相互匹配，则区R₁和R₂的维数相似度为(q/n)；假设区组合C_R和C_P间有m对相互匹配的区，则C_R和C_P间的维数相似度为

作为边界交互记录的一部分，维数序列描述了区边界交互的总体情况；为了对两个区组合进行精确度量，需要对O标记式中的细节序列进行对比；除了交集维数，O标记式记录了与当前区具有相交或相接交集的区，由于每个区组合中区的标记都不同，无法对O标记式进行直接对比；为了实现O标记式的可比性，须将O标记式中的项O_s，T和C进行二进制编码，所得结果称为细节序列，分别记录着边界在当前区外部的区，与当前区相接及相交的区；假设组合C_R和C_P有m对匹配区，则其细节序列的相似度为

拓扑相似度量包括以下步骤：维数序列和细节序列覆盖了区边界交互信息的各个方面，通过设置维数序列和细节序列相似度的权重可以计算出两个区组合间的拓扑相似度。设区组合C_R和C_P间的维数序列及细节序列相似度分别为Sim_dim(C_R，C_P)和Sim_det(C_R，C_P)，维数序列和细节序列相似度的权重分别为γ和ε，则C_R和C_P的拓扑相似度为Sim_top(C_R，C_P)＝γ×Sim_dim(C_R，C_P)+ε×Sim_det(C_R，C_P)。

上述的算法可应用到基于手绘草图的空间场景的搜索中，为了保证真实场景的代表性和复杂性，目标场景选择了中国地质大学(武汉)校园地图，如图1(1)所示。输入手绘草图如图1(2)所示。通过空间场景匹配需要确认输入图中的空间实体S₁，S₂，S₃，S₄，S₅，S₆与目标场景中的空间实体的对应关系。

运用初始匹配和精确匹配算法，得到在S₁对应N₁的前提下的所有匹配关系相似度排序如表1所示。

通过表1，可以发现当S₅对应N₂时，有最高的匹配度。在输入图中S₅包含S₁的一部分，在目标场景中N₂包含N₁，这个匹配结果也符合人的直观认知。

同样采用初始和精确匹配法可以对余下的目标场景进行分析，可以得到余下的目标场景各自最高的相似度及其对应的匹配情况：

(1)荷池：最高相似度491.67％，见表2；

(2)柳池：最高相似度441.89％，见表3；

(3)游泳池：最高相似度484.25％，见表4；

(4)翠池：最高相似度500％，见表5；

对所有结果进行统计，得到最后排序的结果如表6所示。

通过观察原始输入图和目标场景发现，在第一个目标场景中只有一个空间实体与输入图中的空间实体拓扑关系相似，包含湖泊区域的N₂；在第二个目标场景中有两个空间实体与输入图中的空间实体拓扑关系相似，包含湖泊区域的W₈，与湖泊相接的W₄；在第三个目标场景中只有一个空间实体与输入图中的空间实体拓扑关系相似，包含湖泊区域的L₂，而且它的基准空间实体并不是分开的区域，只是一个简单区域；在第四个目标场景中只有一个空间实体与输入图中的空间实体拓扑关系相似，与湖泊区域相接的P₂；在第五个目标场景中有多个空间实体与输入图中的空间实体拓扑关系一致，覆盖湖泊区域的C₂，C₇，与湖泊区域相接的C₆。而从表6中可以看出，这五个目标场景相似度的大小排序是：第五个(翠池)、第二个(荷池)、第一个(北区湖泊)、第四个(游泳池)、第三个(柳池)。这个排序结果正好符合原始输入图和目标场景中相似性的排序结果。

通过本次实验，可以总结如下结论：

1)、对于复合空间对象，初始匹配和精确匹配法能够较好的区分复合空间对象之间的拓扑关系及其相似性的差异。

2)、基于空间拓扑关系相似性的空间场景匹配方法能够较好的处理存个多个可能匹配的目标场景的情况，并对不同的匹配结果进行量化的表示，更加直观地为用户提供多种可能的结果。

3)、在空间场景匹配方法中，并不允许多个空间实体对应同一个空间实体，但在实际的空间场景匹配问题中，用户绘制草图时可能把空间数据库中的一个空间实体绘制成多个空间实体，这也就导致了多个空间实体需要对应同一个空间实体，即多尺度空间场景匹配。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.基于边界交互的区组合拓扑相似性度量方法,其特征在于：其包括以下步骤：在区边界交互的拓扑关系基础上，通过分析复杂实体间的拓扑关系得到它们的边界交互记录，并将交互记录转换成为二进制序列，从而实现将相似性评估转换为序列校准过程，在校准过程中分成初始匹配和精确匹配两个部分；使用C_R和C_P分别代表参照区组合和候选区组合,设参照区组合C_R和候选区组合C_P间的维数序列及细节序列相似度分别为Sim_dim(C_R，C_P)和Sim_det(C_R，C_P)，维数序列和细节序列相似度的权重分别为γ和ε，则参照区组合C_R和候选区组合C_P的拓扑相似度为Sim_top(C_R，C_P)＝γ×Sim_dim(C_R，C_P)+ε×Sim_det(C_R，C_P)。

2.如权利要求1所述的基于边界交互的区组合拓扑相似性度量方法,其特征在于：

在初始匹配步骤中，对区组合间的O标记式进行评估，以确认是否需要执行准确匹配步骤，若在该步骤中发现两个区组合极不相似，则不需执行准确匹配步骤；

参照区组合C_R和候选区组合C_P中的区对象表示为R_Ri和R_Rj，以此进行说明；先使用初始匹配步骤来搜索与C_R相似的区组合；在两个相似的区组合间，相互匹配的区应具有相似的边界交互，其中一个因素是边界交集数量；一个区边界与其它区边界间会存在若干交集；

对比每两个O标记式间的交集数量对区对象进行评估，在此过程中，某个区在其他O标记式中出现的总次数称为标记频率，并用来识别可能相似的区，包含了节点和边的关联图被用于描述区组合间的对应关系；如果两个O标记式间具有同样数量的边界交集，则对应的区存在相似的可能性，从而可进行后继的对比工作；使用集合Inter_R和Inter_P来记录组合C_R和C_P中O标记式的交集数量，并对每个集合中的交集值进行从低到高的排序，从而实现对Inter_R和Inter_P的对比；假设存在m对具有相等交集数量的O标记式，使用式计算基于交集数量的初始相似度；

假设C_R和C_P间存在P对相等的标记频率，则组合C_R和C_P在标记频率下的相似度为

${\mathrm{Sim}}_{fre}(C_R,C_P)=\frac{p}{n};$

在初始匹配阶段对区组合C_R和C_P的相似度评估称为初始相似度；假设交集数量准则和标记频率准则的权重分别为α和β，那么C_R和C_P的初始相似度为：

Sim_pre(C_R，C_P)＝αSim_inter(C_R，C_P)+βSim_fre(C_R，C_P)；

所述区组合间的O标记式具体如下描述，其中符号A_comp代表了区域A的边界，s是当前边界在A外的区的集合，并使用符号O进行表示，维数dimension描述了交集的定性长度(0或1)，T是与A有相接交集的区集合，而C代表的是与A有相交交集的区集合。

3.如权利要求2所述的基于边界交互的区组合拓扑相似性度量方法,其特征在于：在精确匹配步骤中，对从初始匹配中得到的粗糙评估执行精确度量，详细对比从初始匹配步骤中得到的每对匹配区的O标记式；在这个步骤中，将O标记式分解为两个部分：1)维数序列，包含了每个交集中的维度；2)细节序列，描述O标记式中的细节；采用生物信息学范畴中的序列校准方法对两个序列进行度量分析；序列校准是生物信息学中用来处理DNA、RNA或蛋白质序列的方法，以识别出序列中功能、结构或进化的信息；

O标记式记录了交集维数、与当前区具有相交或相接交集的区，将O标记式中的项O_s，T和C进行二进制编码，所得结果称为细节序列，分别记录着边界在当前区外部的区，与当前区相接及相交的区；假设组合C_R和C_P有m对匹配区，则其细节序列的相似度为其中t_m表示组合C_R和C_P的序列校准中存在t_m对相互对准的元素，每对匹配区交集中有三个项，每对匹配区的相似度为(t_m/3n_m)。