CN107292919B - 一种面向空间剖分的多尺度居民地匹配方法 - Google Patents

一种面向空间剖分的多尺度居民地匹配方法 Download PDF

Info

Publication number
CN107292919B
CN107292919B CN201710404507.7A CN201710404507A CN107292919B CN 107292919 B CN107292919 B CN 107292919B CN 201710404507 A CN201710404507 A CN 201710404507A CN 107292919 B CN107292919 B CN 107292919B
Authority
CN
China
Prior art keywords
skeleton line
white space
settlement place
map
group
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.)
Active
Application number
CN201710404507.7A
Other languages
English (en)
Other versions
CN107292919A (zh
Inventor
叶亚琴
万波
周顺平
莫叶安
左泽均
胡茂胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201710404507.7A priority Critical patent/CN107292919B/zh
Publication of CN107292919A publication Critical patent/CN107292919A/zh
Application granted granted Critical
Publication of CN107292919B publication Critical patent/CN107292919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Abstract

本发明提供一种面向空间剖分的多尺度居民地匹配方法，包括：选取待匹配地图主干路网，将待匹配地图空间分割成若干道路网眼，并匹配不同比例尺之间道路网眼；在上述匹配后的道路网眼下，构建空白区域骨架线，将道路网眼剖分成群组以及空白区域骨架线网眼；按相同步骤完成小比例尺地图的每个道路网眼的空间剖分；同理，构建大比例尺地图的空白区域骨架线网眼，并提取各道路网眼中的居民地群组；接下来，逐级匹配不同比例尺地图中的居民地群组、空白区域骨架线网眼和居民地实体，最终得到以空白区域骨架线网眼为单元的不同尺度地图之间的映射体系，本发明提出的多级空间剖分和渐进式匹配方法，增强了不同尺度的居民地实体匹配的正确性和可信度。

Description

一种面向空间剖分的多尺度居民地匹配方法
技术领域
本发明涉及多地图要素之间的匹配技术领域，尤其涉及一种面向空间剖分的多尺度居民地匹配方法。
背景技术
目前针对不同数据库之间更新与整合，所涉及到的同名实体匹配技术主要集中在相同或相近的比例尺之间，对于多尺度的研究较少，居民地占城市地图空间很大的比重，是地图数据更新的重点要素，多尺度下居民地的匹配方法主要有：(1)单一同名实体多尺度特征的描述；(2)构建道路或规则格网等相对位置约束，缩小匹配候选集；(4)加入邻近对象，以缓冲组合等方式扩大同名实体即以新组合的同名实体作为匹配单元。
单一同名实体多尺度特征的描述是指在不同尺度下，计算同名实体几何等特征的相似度；该方法没有将居民地整体图形进行相似性评估，只是顾及尺度变化，将整体分成若干局部进行处理，弱化尺度效应，尽可能多的获取不同尺度同名实体的相似性，但是多尺度下的居民地匹配，1:1的配比类型较少；单一的居民地实体配对无法构建图幅之间全局的联系，且在没有任何位置约束的情况下，难以找到多尺度下存在对应关系的实体。
构建道路或规则格网等相对位置约束，一定程度上缩小了候选匹配集范围；另外道路属性信息丰富，约束过程简单又高效；但是道路的覆盖面积较小，故在约束范围上存在很大的局限性，且在多尺度下，约束的粒度也存在不对等，例如道路在较大比例尺地图上的显示更加密集，约束更为精细；利用格网等非自然要素对地图空间增加约束的方法，则存在格网大小的选取等问题，格网从地图构建的起点、网格线之间的间距设置等都会影响对空间约束的效果，该方法存在很大的不确定性，且经常会割裂居民地实体。
加入邻近对象，将离散的居民地实体进行组合，代替单一实体从而形成新的居民地相似性评估单元；同名实体在不同尺度地图上表现形式不同，故对单一同名实体相似性的评估不足以确定匹配关系；该方法在一定程度上弥补了此不足；但这种邻近对象的选取并没有顾及邻域要素重要程度的不一致，这样做的后果是相似度值中参杂了许多噪声；在评价组合后的新实体相似度之前，其组合要素就已经存在不对等，本质原因是没有相对位置约束。
发明内容
有鉴于此，本发明提供了一种兼顾图幅整体和局部、弥补路网对居民地空间剖分粒度的不足、引入制图约束增强空间剖分要素的尺度稳定性的一种面向空间剖分的多尺度居民地匹配方法。
本发明提供了一种面向空间剖分的多尺度居民地匹配方法，,包括以下步骤：
步骤1：选取待匹配地图主干路网，将待匹配地图空间分割成若干闭合区块，即道路网眼，利用主干道路属性信息，匹配小比例尺地图与大比例尺地图的道路网眼；在匹配后的道路网眼下，加密网眼中居民地的节点，然后建立Delaunay三角网，再构建空白区域骨架线；
步骤2：基于小比例尺地图空白区域骨架线网眼,识别并提取位于每一道路网眼内的居民地群组，这些居民地群组包括：规则分布模式群组、整体移位特征群组以及未涵盖群组；
步骤3：同理，基于大比例尺地图道路网眼内的空白区域骨架线网眼，提取每一道路网眼内的三类居民地群组；
步骤4：以较小比例尺地图的居民地群组、空白区域骨架线网眼为参照，逐级匹配较大比例尺地图中的居民地群组、空白区域骨架线网眼；
步骤5：以上述匹配好的空白区域骨架线网眼为单位，使比例尺较大的地图中的空白区域骨架线网眼中居民地与比例尺较小的地图中的空白区域骨架线网眼中居民地进行匹配，根据空白区域骨架线网眼内的不同居民地的配比类型，设置不同的配比权重，得到以空白区域骨架线网眼为整体的居民地相似度值,将上述匹配好的空白区域骨架线网眼的相似度与该网眼内居民地的整体相似度作为两组变量，求得它们的皮尔森相关系数，作为检验和优化匹配关系传递效果的指标，即检测多级约束的准确性。
进一步地，步骤1中构建空白区域骨架线的具体方法为：在选定的道路网眼中构建封闭矩形，加密该矩形内的居民地节点，然后基于所述节点，建立Delaunay三角网，再基于Delaunay三角网，根据不同的三角类型制定相应的骨架线提取规则，连接这些骨架线，得到空白区域骨架线。
进一步地，步骤2中，提取的整体移位特征群组基于制图约束对地图空间进行进一步剖分，该群组邻近道路边界，继承了道路的尺度稳定性，且在不同尺度下依托受力平衡，具备较强的整体性的保持能力；提取方法：以空白区域骨架线网眼为单位，选择某个空白区域骨架线网眼作为参考网眼，计算其他空白区域骨架线网眼的邻近度，将邻近度一致且与道路相邻的空白区域骨架线网眼合为一组，该群组即为整体移位特征群组。
进一步地，步骤2中，规则分布模式群组的识别方式为：(1)以空白区域骨架线网眼为单位，计算居民地之间和居民地与道路之间的最短距离，构建最初的邻近图；(2)执行该最初的邻近图的最小生成树，在最小生成树中识别和提取具有代表意义的空白区域骨架线网眼，该步骤完成后，一些空白区域骨架线网眼将会被分离出去；(3)基于最小生成树，对剩下的空白区域骨架线网眼中的不同的建筑模式采用不同的检测算法，以识别出这些空白区域骨架线网眼中的各种建筑模式；(4)重复(2)和(3)，寻找更多的建筑模式，直到没有新的建筑模式再被识别出来，将每一次循环所检测到的建筑模式添加到结果集当中；(5)采用同质检验的方法对结果集中的建筑模式进行处理，得到最终的邻近图，即规则分布模式群组。
进一步地，步骤4中所述的匹配是将空白区域骨架线网眼作为排序元素，并基于排序算法完成不同比例尺居民地群组和空白区域骨架线网眼之间的匹配。
本发明提供的技术方案带来的有益效果是：(1)将制图约束应用到多尺度下的实体匹配，对M:N的匹配类型构建了相应的约束界限，摆脱了候选集选取的盲目性；(2)利用道路网、居民地群组和空白区域骨架线完成约束级别由高到低的空间剖分，有效保持了空间剖分的广度和精度；(3)采用居民地逐级匹配的模式，根据尺度稳定性的强弱，优先匹配居民地的空间剖分要素，逐步缩小居民地候选匹配范围的同时，渐进式的将匹配关系传递给居民地。
附图说明
图1是本发明一种面向空间剖分的多尺度居民地匹配方法实施步骤图；
图2是本发明中其中一道路网眼中Delaunay三角网构建后的示意图；
图3是图2的局部放大示意图；
图4是基于图2构建了空白区域骨架线后的示意图；
图5是本发明对比例尺较小的地图识别群组后的示意图；
图6是本发明对比例尺较大的地图识别群组后的示意图；
图7是本发明完成匹配后的其中一映射图；
图8是本发明完成匹配后的另一映射图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，本发明的实施例提供了一种面向空间剖分的多尺度居民地匹配方法，用于对不同比例尺地图之间的居民地更新与整合，包括以下步骤：
请参考图2和图3，步骤1：选取待匹配地图主干路网，将待匹配地图空间分割成若干闭合区块，即道路网眼，利用主干道路属性信息，匹配小比例尺地图与大比例尺地图的道路网眼；在匹配后的道路网眼下，加密所述比例尺较小道路网眼1中居民地2的节点，然后基于所述节点，建立Delaunay三角网3，再基于所述Delaunay三角网3构建空白区域骨架线4。
具体的，以所述比例尺较小的地图上的道路为基础，选择道路中的主干道路来构建道路网眼，每一所述道路网眼1中包含若干居民地2，在选定的道路网眼1中构建封闭矩形，加密该矩形内的居民地1节点，建立Delaunay三角网3，基于Delaunay三角网3，根据不同的三角类型制定相应的骨架线提取规则，连接这些骨架线，得到空白区域骨架线4，Delaunay三角网3具有：(1)总是具有最优的形状特征；(2)总是选择最邻近的点形成三角形并且不与约束线段相交；(3)具有唯一性。
然后在已经建立的Delaunay三角网3的基础上，根据不同的三角类型制定相应的骨架线提取规则，连接这些骨架线，得到空白区域骨架线网眼41。
若三角形的三个顶点位于三个不同的居民地2，那么该三角形具有三根骨架线，且三根所述骨架线分别垂直于该三角形的三边；若三角形的其中的两个顶点位于同一居民地2，那么该三角形具有两根骨架线，两根所述骨架线相连接且位于同一直线上，同时与该三角形的一条边平行。
本发明中，对所述道路网的构建，构成了对地图空间的一级剖分，空白区域骨架线网眼41的建立构成了地图空间的二级剖分，并遵循制图约束组合空白区域骨架线网眼，将居民地群组用于居民地匹配新的约束条件，由此构建了道路、居民地群组和空白区域骨架线对地图空间三层的空间剖分，有效保持了空间剖分的广度和精度。
步骤2：基于小比例尺地图空白区域骨架线网眼41,识别并提取位于每一道路网眼1内的居民地群组，这些居民地群组包括：规则分布模式群组5和具有整体移位特征的居民地群组6以及未涵盖群组7。
通过计算机中的识别模块遍历所述比例尺较小的地图，识别出位于道路网眼1内的各个空白区域骨架线网眼41，然后再对这些空白区域骨架线网眼41进行合并或者分离操作，以划分和提取位于该道路网眼1内的居民地群组，这些居民地群组分为三大类，分别为：规则分布模式群组5和具有整体移位特征的居民地群组6以及未涵盖群组7，定义处于规则分布模式群组和具有整体移位特征的居民地群组之外的群组7为未涵盖群组。
请参考图4和图5，其中，划分整体移位特征的居民地群组6的方法具体为：以空白区域骨架线网眼41为单位，计算空白区域骨架线网眼41内居民地2之间的邻近度，将邻近度一致的空白区域骨架线网眼41合为一个群组，该群组即为具有整体移位特征的居民地群组6。
划分规则分布模式群组5的方法具体为：(1)以空白区域骨架线网眼41为单位，计算居民地2之间和居民地2与道路之间的最短距离，构建最初的邻近图；(2)执行该最初的邻近图的MST(最小生成树)，在MST中识别和提取具有代表意义的空白区域骨架线网眼41，该步骤完成后，一些空白区域骨架线网眼41将会被分离出去；(3)基于MST，对剩下的空白区域骨架线网眼41中的不同的建筑模式采用不同的检测算法，以识别出这些空白区域骨架线网眼41中的各种建筑模式；(4)重复(2)和(3)，寻找更多的建筑模式，直到没有新的建筑模式再被识别出来，将每一次循环所检测到的建筑模式添加到结果集当中；(5)采用同质检验的方法对结果集中的建筑模式进行处理，处理主要是评估各建筑模式之间的冲突，并将有冲突的模式重新组合，得到最终的邻近图，即规则分布模式群组5。
然后通过计算机中的选择模块，提取规则分布模式群组5和具有整体移位特征的居民地群组6以及未涵盖群组7，并且将这三大群组分别放置于三个不同的存储模块中。
请参考图6，步骤3：同理，基于大比例尺地图道路网眼内的空白区域骨架线网眼41′，并提取该比例尺较大的地图中的居民地群组，这些居民地群组也包括：规则分布模式群组5′、具有整体移位特征的居民地群组6′和未涵盖群组7′
步骤4：以较小比例尺地图的居民地群组、空白区域骨架线网眼4为参照，逐级匹配较大比例尺地图中的居民地群组、空白区域骨架线网眼4′。
请参考图5和图6，首先将比例尺较小的地图中的道路网眼1与1′进行匹配，即进行一级匹配；一级匹配完毕之后，再对道路网眼1、1′中的居民地群组进行匹配，即二级匹配；然后对居民地群组中的空白区域骨架线网眼41与41′进行匹配，即进行三级匹配；然后再对空白区域骨架线网眼下的居民地进行匹配，即进行四级匹配：包括比例尺较小的地图中的规则分布模式群组5与比例尺较大的另一地图中的规则分布模式群组5′的匹配，比例尺较小的地图中的具有整体移位特征的居民地群组6与比例尺较大的另一地图中的具有整体移位特征的居民地群组6′的匹配，和比例尺较小的地图中的未涵盖群组7与比例尺较大的另一地图中的未涵盖群组7′的匹配。
请参考图5和图6，步骤5：以上述匹配好的空白区域骨架线网眼4、4′为单位，使比例尺较大的地图中的空白区域骨架线网眼4′中居民地2与比例尺较小的地图中的空白区域骨架线网眼4中居民地2进行匹配，根据空白区域骨架线网眼4、4′内的不同居民地的配比类型，设置不同的配比权重，得到以空白区域骨架线网眼4、4′为整体的居民地相似度值,将上述匹配好的空白区域骨架线网眼4、4′的相似度与该网眼内居民地2的整体相似度作为两组变量，求得它们的皮尔森相关系数，作为检验和优化匹配关系传递效果的指标，即检测多级约束的准确性。
在步骤4的基础上，最后对空白区域骨架线网眼41、41′内的居民地进行匹配，即进行四级匹配，匹配的算法为迭代排序算法，随着匹配级数的增加，匹配关系渐进式的传递到了居民地。
相似度值计算公式：
SIMg(A)＝a1*SIM1(A)+a2*SIM2(A)+a3*SIM3(A)
A为目标对象，这里指居民地，SIMg(A)为以空白区域骨架线网眼为整体的总居民地相似度值；SIM1(A)为居民地图形整体相似度；SIM2(A)为居民地形状相似度；SIM3(A)为居民地方向相似度；a1、a2、a3为权重系数；Sr为居民地形状评估因子，由居民地面积Ar与周长p的比值求得；Sh由居民地最小外接矩形长L与宽W比值求得；SIM3(A)为居民地所属网眼方向与L方向最小夹角比值。
请参考图7和图8，图7和图8表示的是更新或者整合之后的映射图，图7为配比类型为1:2和0:1，配比权重为0.67和0.33的映射图，图8为配比类型为1:1和0:1，配比权重为0.85和0.15的映射图。
道路网眼1、1′、空白区域骨架线网眼41、41′、道路网眼内的群组和空白区域骨架线网眼41、41′内的居民地2，构成了居民地的逐级分配模式，通过一级匹配、二级匹配和三级匹配以及四级匹配，在自然要素道路网和空白区域骨架线4、4′约束的基础上，遵循制图约束，即居民地群组对M:N的匹配类型构建了相应的约束界限，摆脱了候选集选取的盲目性。
道路网眼1、1′、群组、空白区域骨架线网眼41、41′构成了不同约束等级中的约束要素，这些要素具有不同的约束等级，根据约束要素的等级，采用渐进式的方法逐级匹配，最终将匹配关系传递到居民地实体中，得到以空白区域骨架线4、4′为整体的总居民地相似度值的同时，还完成了对空白区域骨架线4、4′约束效果的检验，间接验证了该方法的有效性。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种面向空间剖分的多尺度居民地匹配方法，其特征在于,包括以下步骤：
步骤1：选取待匹配地图主干路网，将待匹配地图空间分割成若干闭合区块，即道路网眼，利用主干道路属性信息，匹配小比例尺地图与大比例尺地图的道路网眼；在匹配后的道路网眼下，加密网眼中居民地的节点，然后建立Delaunay三角网，再构建空白区域骨架线；
步骤2：基于小比例尺地图空白区域骨架线网眼,识别并提取位于每一道路网眼内的居民地群组，这些居民地群组包括：规则分布模式群组、整体移位特征群组以及未涵盖群组；
步骤3：同理，基于大比例尺地图道路网眼内的空白区域骨架线网眼，提取每一道路网眼内的三类居民地群组；
步骤4：以较小比例尺地图的居民地群组、空白区域骨架线网眼为参照，逐级匹配较大比例尺地图中的居民地群组、空白区域骨架线网眼；
步骤5：以上述匹配好的空白区域骨架线网眼为单位，使比例尺较大的地图中的空白区域骨架线网眼中居民地与比例尺较小的地图中的空白区域骨架线网眼中居民地进行匹配，根据空白区域骨架线网眼内的不同居民地的配比类型，设置不同的配比权重，得到以空白区域骨架线网眼为整体的居民地相似度值,将上述匹配好的空白区域骨架线网眼的相似度与该网眼内居民地的整体相似度作为两组变量，求得它们的皮尔森相关系数，作为检验和优化匹配关系传递效果的指标，即检测多级约束的准确性。
2.如权利要求1所述的面向空间剖分的多尺度居民地匹配方法，其特征在于：步骤1中构建空白区域骨架线的具体方法为：在选定的道路网眼中构建封闭矩形，加密该矩形内的居民地节点，然后基于所述节点，建立Delaunay三角网，再基于Delaunay三角网，根据不同的三角类型制定相应的骨架线提取规则，连接这些骨架线，得到空白区域骨架线。
3.如权利要求1所述的面向空间剖分的多尺度居民地匹配方法，其特征在于：步骤2中，提取的整体移位特征群组基于制图约束对地图空间进行进一步剖分，该群组邻近道路边界，继承了道路的尺度稳定性，且在不同尺度下依托受力平衡，具备较强的整体性的保持能力；提取方法：以空白区域骨架线网眼为单位，选择某个空白区域骨架线网眼作为参考网眼，计算其他空白区域骨架线网眼的邻近度，将邻近度一致且与道路相邻的空白区域骨架线网眼合为一组，该群组即为整体移位特征群组。
4.如权利要求1所述的面向空间剖分的多尺度居民地匹配方法，其特征在于：步骤2中，规则分布模式群组的识别方式为：(1)以空白区域骨架线网眼为单位，计算居民地之间和居民地与道路之间的最短距离，构建最初的邻近图；(2)执行该最初的邻近图的最小生成树，在最小生成树中识别和提取具有代表意义的空白区域骨架线网眼，该步骤完成后，一些空白区域骨架线网眼将会被分离出去；(3)基于最小生成树，对剩下的空白区域骨架线网眼中的不同的建筑模式采用不同的检测算法，以识别出这些空白区域骨架线网眼中的各种建筑模式；(4)重复(2)和(3)，寻找更多的建筑模式，直到没有新的建筑模式再被识别出来，将每一次循环所检测到的建筑模式添加到结果集当中；(5)采用同质检验的方法对结果集中的建筑模式进行处理，得到最终的邻近图，即规则分布模式群组。
5.如权利要求1所述的面向空间剖分的多尺度居民地匹配方法，其特征在于：步骤4中所述的匹配是将空白区域骨架线网眼作为排序元素，并基于排序算法完成不同比例尺居民地群组和空白区域骨架线网眼之间的匹配。
CN201710404507.7A 2017-06-01 2017-06-01 一种面向空间剖分的多尺度居民地匹配方法 Active CN107292919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710404507.7A CN107292919B (zh) 2017-06-01 2017-06-01 一种面向空间剖分的多尺度居民地匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710404507.7A CN107292919B (zh) 2017-06-01 2017-06-01 一种面向空间剖分的多尺度居民地匹配方法

Publications (2)

Publication Number Publication Date
CN107292919A CN107292919A (zh) 2017-10-24
CN107292919B true CN107292919B (zh) 2019-10-18

Family

ID=60094898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710404507.7A Active CN107292919B (zh) 2017-06-01 2017-06-01 一种面向空间剖分的多尺度居民地匹配方法

Country Status (1)

Country Link
CN (1) CN107292919B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108709561B (zh) 2018-04-15 2020-10-30 武汉中海庭数据技术有限公司 一种基于全局路网特征的不同尺度数据的匹配算法
CN108629036A (zh) * 2018-05-10 2018-10-09 中国人民解放军战略支援部队信息工程大学 一种道路缩编方法及装置
CN108846089B (zh) * 2018-06-12 2021-10-19 南京师范大学 一种面向城市供水专业管线与综合管线的空间数据匹配方法
CN109145171B (zh) * 2018-07-23 2020-09-08 广州市城市规划勘测设计研究院 一种多尺度地图数据更新方法
CN108959638B (zh) * 2018-07-26 2021-10-19 南京师范大学 一种面向城市燃气专业管线与综合管线的空间数据匹配方法
CN111897895B (zh) * 2019-05-06 2024-01-30 武汉大学 顾及弯曲特征的道路内部空间冲突解决的协同移位方法
CN111651501B (zh) * 2020-06-01 2021-05-14 中南大学 一种面向地理大数据的空间聚合尺度选择方法
CN113838198B (zh) * 2021-08-17 2023-12-05 上海师范大学 一种电子地图中文字的自动标注方法、装置及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2251797A2 (en) * 2009-03-24 2010-11-17 Mireo d.o.o. Recognition of addresses from the body of arbitrary text
CN104574519A (zh) * 2015-01-31 2015-04-29 华北水利水电大学 多源居民地面要素的免阈值自动稳健匹配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2251797A2 (en) * 2009-03-24 2010-11-17 Mireo d.o.o. Recognition of addresses from the body of arbitrary text
CN104574519A (zh) * 2015-01-31 2015-04-29 华北水利水电大学 多源居民地面要素的免阈值自动稳健匹配方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
利用城市骨架线网的道路和居民地联动匹配方法;刘闯等;《测绘学报》;20161231;第45卷(第12期);正文第1-3节 *
道路网约束下的多尺度面状要素自动匹配;罗俊沣等;《计算机应用研究》;20141130;第31卷(第11期);摘要，正文第1-4节 *
顾及邻域居民地群组相似性的道路网匹配方法;王骁等;《测绘学报》;20160131;第45卷(第1期);全文 *

Also Published As

Publication number Publication date
CN107292919A (zh) 2017-10-24

Similar Documents

Publication Publication Date Title
CN107292919B (zh) 一种面向空间剖分的多尺度居民地匹配方法
He et al. Recognition of building group patterns in topographic maps based on graph partitioning and random forest
CN101149843B (zh) 一种数字城市的继承式自动生成及实时更新方法
Zhao et al. Automatic recognition of loess landforms using Random Forest method
CN102890828B (zh) 基于法向夹角的点云数据精简方法
Wang et al. Indicator cokriging-based subpixel mapping without prior spatial structure information
CN110992473B (zh) 一种基于车载激光扫描点云的树木枝干建模方法及系统
CN109145171A (zh) 一种多尺度地图数据更新方法
CN109859054A (zh) 网络社团挖掘方法、装置、计算机设备及存储介质
CN107832849B (zh) 一种基于知识库的电力线廊道三维信息提取方法及装置
CN108876136A (zh) 基于位置推荐改进算法的恐怖袭击事件风险评估方法
CN109947881A (zh) 一种poi判重方法、装置、移动终端及计算机可读存储介质
WO2019201135A1 (zh) 基于全局路网特征的数据匹配方法、装置及存储介质
CN107944383A (zh) 基于三维Voronoi图的建筑物屋顶面片分割方法
Fan et al. Understanding spatial-temporal urban expansion pattern (1990–2009) using impervious surface data and landscape indexes: a case study in Guangzhou (China)
CN104820826B (zh) 一种基于数字高程模型的坡形提取与识别方法
Jiang et al. Box-counting dimension of fractal urban form: stability issues and measurement design
CN105447452A (zh) 一种基于地物空间分布特征的遥感亚像元制图方法
CN109410329A (zh) 一种雪崩信息提取方法、装置、电子设备及存储介质
CN112241676A (zh) 一种地形杂物自动识别的方法
CN109299301A (zh) 一种基于形状分布和曲度的三维模型检索方法
CN107818338A (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
CN106844642A (zh) 一种基于gis计算路网网格中人口密度的方法
CN107644230A (zh) 一种遥感图像对象的空间关系建模方法
Ferreira et al. Methods to calculate urban surface parameters and their relation to the LCZ classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant