CN110704559B - 一种多尺度矢量面数据匹配方法 - Google Patents
一种多尺度矢量面数据匹配方法 Download PDFInfo
- Publication number
- CN110704559B CN110704559B CN201910865904.3A CN201910865904A CN110704559B CN 110704559 B CN110704559 B CN 110704559B CN 201910865904 A CN201910865904 A CN 201910865904A CN 110704559 B CN110704559 B CN 110704559B
- Authority
- CN
- China
- Prior art keywords
- polygon
- area
- map database
- data
- vector surface
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于矢量数据匹配技术领域,公开了一种多尺度矢量面数据匹配方法,对不同尺度地图数据库进行双向匹配,确定地图数据库各个矢量面数据候选匹配集并进行合并得到新的矢量面数据,对合并后的矢量面数据进行相似度特征提取,确定合并后的矢量面数据是否匹配,从而得出不同尺度地图数据库各要素之间的匹配映射关系。本发明解决了现有技术中矢量面数据匹配非一对一矢量面数据匹配问题,能够让数量面数据匹配适应更多不同的情况。
Description
技术领域
本发明涉及一种矢量数据匹配方法,尤其涉及一种多尺度矢量面数据匹配方法。
背景技术
同一地区的矢量空间面数据往往被多个部门重复采集或同一部门不同时间采集,这些数据在几何位置、几何形状、拓扑结构、几何精度、属性详细程度、编码方案、语义表达以及实体空间关系等方面不尽相同,使得数据的合并与共享非常困难。为了得到精度较高、属性信息更丰富、地图范围更大的高质量的空间面数据,就需要对不同的地图数据库之间进行实体匹配,建立实体之间的连接,从而在此基础上进行矢量空间数据融合处理,解决数据之间的几何、拓扑和语义的不一致性问题。
在矢量空间数据匹配中面数据匹配是研究难点之一,现有的矢量面数据的匹配一般是根据面目标之间的位置距离、面积重叠、面积大小和形状结构来进行匹配。对于同一尺度下的矢量面数据匹配上述方法尚可以满足要求,但是当面对不同尺度的矢量面数据匹配时,就会存在一个面要素对应着多个面要素、多个面要素对应一个面要素以及多个面要素对应多个面要素的问题,现有的方法往往不能正确的处理上述问题,造成匹配错误。
本发明提供一种多尺度矢量面数据匹配方法,对不同尺度下矢量面数据匹配情况给出了合理可行的多尺度矢量面数据匹配方法。
发明内容
本发明通过提供一种多尺度矢量面数据匹配方法,解决了现有技术中多尺度矢量面数据非一对一矢量面数据匹配问题。
本发明采用的技术方案为一种多尺度矢量面数据匹配方法,包括以下步骤:
步骤1、多尺度矢量面数据预处理;
步骤2、记两个不同尺度的矢量面数据库分别是地图数据库A和地图数据库B,遍历地图数据库A的所有的面要素,计算地图数据库A中各个矢量面数据与地图数据库B中各个矢量面数据的重叠度,并根据重叠度获取地图数据库A中各个矢量面数据在地图数据库B的候选匹配集;
步骤3、对步骤2获取的候选匹配集进行面要素合并得到新地图数据库B’,并建立合并前地图数据库B与合并后地图数据库B’的映射关系;
步骤4、对新地图数据库B’的矢量面数据进行遍历,计算新地图数据库B’中各个矢量面数据与地图数据库A中各个矢量面数据的重叠度,获得新地图数据B’各个矢量面要素在地图数据库A的匹配集,对A中的匹配集进行合并得到新地图数据库A’;
步骤5、对新地图数据库A’和新地图数据B’的矢量面要素进行特征提取,其中包括位置相似度特征提取、形状相似度特征提取、面积大小相似度特征提取和面积重叠相似度特征提取;
步骤6、根据提取的各个相似度特征,利用支持向量机方法通过训练数据学习获取最终分类器,用来确定新地理数据库A’和新地理数据B’中各个矢量面数据匹配情况;
步骤7、根据步骤3建立的映射关系,得到地理数据库A与地理数据库B的各个面要素的匹配情况。
进一步的,所述步骤1中对数据的预处理包括统一数据格式、坐标系统、投影系统、实体类型。
进一步的,所述步骤2中其面积重叠度的计算公式如下:
其中a和b分别为不同地图数据库中的待匹配矢量面数据,Area(a)、Area(b)、Area(a∩b)分别为多边形a的面积、多边形b的面积、多边形a与多边形b交集的面积。
进一步的,所述步骤3对候选匹配集中矢量面要素数据合并过程中,以能够包含候选匹配集所有矢量面要素的最小凸多边形作为合并的最后结果。
进一步的,所述步骤5中矢量面数据相似度特征分别从矢量面数据的位置、形状、面积、重叠度四个方面进行提取,设两个不同尺度的地图数据库中待匹配的多边形别为a和b,则四类特征的计算公式如下:
(1)位置相似度特征提取:
a=(x1,y1)和b=(x2,y2)为平面上待匹配的两多边形的形状中心点,采用欧几里得距离来计算其位置相似度,计算公式如下:
其中,U为待匹配2个多边形的任意边界点间距离的最大值;
(2)形状相似度特征提取:
多边形a和多边形b的形状使用正切空间进行描述,其中θa(l)和θb(l)分别代表多边形a和多边形b的正切空间函数,选取多边形上一个顶点作为参考点构建多边形的正切空间,l表示为多边形上任意一点距离该参考点的距离与总边长的比值;
将多边形a边界上的参考点移动一定的距离t,得到新的函数为θa(s+t),将多边形a旋转角θ,则新函数为θa(s)+θ,因此,想找出所有类似的偏移量t和旋转量θ的最小值,则可得出:
其中,p是指p范数,D(a,b)指的是多边形a和多边形b正切空间差值面积最小值,R的范围为[0,2π];
(3)面积相似度特征提取:记Area(a)、Area(b)分别为多边形a和b的面积,则其面积大小相似度的计算公式如下:
σ3(a,b)=1-|Area(a)-Area(b)|/max(Area(a),Area(b))
(4)面积重叠度特征提取:
其面积重叠度的计算公式如下:
进一步的,所述步骤6中通过支持向量机对提取的相似度特征数据进行处理,使用的是线性可分支持向量机学习算法:最大间隔法。
与现有技术相比,本发明的优点:
(1)本发明对不多尺度地图数据库进行矢量面数据双向匹配候选集的筛选和合并,解决了不同尺度下地图数据库匹配中存在的非一对一的问题。
(2)本发明利用支持向量机对多个矢量面数据相似度特征进行学习构建一个最终的分类器,对比单一指标评价方法,本发明方法更能准确判断矢量面数据是否匹配。
附图说明
为了更清楚地说明本实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,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为本发明的程序流程图;
图2为本发明的候选集要素合并过程示意图;
图中标注符号的含义如下:1-地图数据库A中矢量面要素;2-地图数据库B中矢量面要素;3-地图数据库B中矢量面要素;4-数据合并新矢量面数据。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本实施例提供了一种多尺度矢量面数据匹配方法,适用于不同尺度的矢量面数据匹配,包括:
步骤1:对不同尺度矢量面数据进行预处理,矢量面数据匹配中的数据预处理是指通过统一数据格式、坐标系统、投影系统、实体类型等,已排除无关因素对匹配结果的影响,便于后续匹配过程的进行。
步骤2:本实施例中两个不同尺度的矢量面数据库分别记为地图数据库A和地图数据库B,遍历地图数据库A的所有的面要素,计算地图数据库A中各个矢量面数据与地图数据库B中各个矢量面数据的重叠度,并根据重叠度获取地图数据库A中各个矢量面数据在地图数据库B的候选匹配集;
其中,面积重叠度的计算公式如下:
a和b分别为不同地图数据库中的待匹配矢量面数据。Area(a)、Area(b)、Area(a∩b)分别为多边形a的面积、多边形b的面积、多边形a与多边形b交集的面积。
在本实施例中,重叠度的阈值设置为0.5,若a与b计算的重叠度大于或等于0.5,则将多边形b纳入多边形a的候选匹配集;a与b计算的重叠度小于0.5则不会将多边形b纳入多边形a的候选匹配集。在图2中,地图数据库A中矢量面要素1的候选匹配集为地图数据库B中矢量面要素2和3.
步骤3、对前一步骤获取的候选匹配集进行面要素合并得到新地图数据库B’,并建立合并前地图数据库B与合并后地图数据库B’的映射关系。候选匹配集中矢量面要素数据合并以能包含候选匹配集所有矢量面要素的最小凸多边形作为合并的最后结果。在图2中,地图数据库A中矢量面要素1的候选匹配集合并结果为数据合并新矢量面数据4。
步骤4:对新地图数据库B’的矢量面数据进行遍历,计算新地图数据库B’中各个矢量面数据与地图数据库A中各个矢量面数据的重叠度,获得新地图数据B’各个矢量面要素在地图数据库A的匹配集,对A中的匹配集进行合并得到新地图数据库A’。
步骤5:对新地图数据库A’和新地图数据B’的矢量面要素进行特征提取。其中包括位置相似度特征提取、形状相似度特征提取、面积大小相似度特征提取和面积重叠相似度特征提取。
其中,设两个不同尺度的地图数据库中待匹配的多边形别为a和b,则四类特征的计算公式如下:
(1)位置相似度特征提取:
a=(x1,y1)和b=(x2,y2)为平面上待匹配的两多边形的形状中心点,采用欧几里得(Euclid)距离来计算其位置相似度,计算公式如下:
其中,U为待匹配2个多边形的任意边界点间距离的最大值。
(2)形状相似度特征提取:
多边形a和多边形b的形状使用正切空间进行描述,其中θa(l)和θb(l)分别代表多边形a和多边形b的正切空间函数,选取多边形上一个顶点作为参考点构建多边形的正切空间,l表示为多边形上任意一点距离该参考点的距离与总边长的比值,任意一点到参考点的距离指的是点沿多边形边到参考点的距离。
由正切空间的定义可以看出,设置不同参考点的位置,会得到不同的正切空间函数。因为参考点的选择是任意的,考虑所有类似选择的距离最小值更有意义,将多边形a边界上的参考点移动一定的距离t,这样新的函数为θa(s+t),将多边形a旋转角θ,则新函数为θa(s)+θ。因此,想找出所有类似的偏移量t和旋转量θ的最小值。则可得出
其中,p是指p范数,D(a,b)指的是多边形a和多边形b正切空间差值面积最小值,R的范围为[0,2π]。
(3)面积相似度特征提取:记Area(a)、Area(b)分别为多边形a和b的面积,则其面积大小相似度的计算公式如下:
σ3(a,b)=1-|Area(a)-Area(b)|/max(Area(a),Area(b))
(4)面积重叠度特征提取:
其面积重叠度的计算公式如下:
步骤F:根据提取的各个相似度特征,利用支持向量机方法通过训练数据学习获取最终分类器,用来确定新地理数据库A’和新地理数据B’中各个矢量面数据匹配情况。其中,支持向量机使用的是线性可分支持向量机学习算法:最大间隔法。
步骤G:根据步骤3建立的映射关系,得到地理数据库A与地理数据库B的各个面要素的匹配情况。
下面结合附图和具体参数对本发明做进一步的说明。
在不同尺度矢量面数据匹配过程中,参见图1和图2,主要包括以下步骤:
步骤1:不同尺度矢量面数据预处理,通过统一数据格式、坐标系统、投影系统、实体类型等,已排除无关因素对匹配结果的影响,便于后续匹配过程的进行。
本实施例中涉及的数据预处理过程如下:将OSM数据中的面状居民地要素和专业测绘数据中的面状居民地要素的数据格式转化为通用的“*.shp”格式,坐标系统选用“CGCS2000国家大地坐标”,投影系统选用“横轴墨卡托”投影,类型均统一为“面状要素”。
步骤2、记两个不同尺度的矢量面数据库分别是地图数据库A和地图数据库B,遍历地图数据库A的所有的面要素,计算地图数据库A中各个矢量面数据与地图数据库B中各个矢量面数据的重叠度,并根据重叠度获取地图数据库A中各个矢量面数据在地图数据库B的候选匹配集;
其中,面积重叠度的计算公式如下:
其中a和b分别为不同地图数据库中的待匹配矢量面数据。Area(a)、Area(b)、Area(a∩b)分别为多边形a的面积、多边形b的面积、多边形a与多边形b交集的面积。
步骤3、对前一步骤获取的候选匹配集进行面要素合并得到新地图数据库B’,并建立合并前地图数据库B与合并后地图数据库B’的映射关系。
其中,对候选匹配集中矢量面要素数据合并过程中,以能够包含候选匹配集所有矢量面要素的最小凸多边形作为合并的最后结果,并将合并多边形与候选匹配集中多边形建立映射关系。
步骤4、对新地图数据库B’的矢量面数据进行遍历,计算新地图数据库B’中各个矢量面数据与地图数据库A中各个矢量面数据的重叠度,获得新地图数据B’各个矢量面要素在地图数据库A的匹配集。再进行步骤3,获取新地图数据库A’;
步骤5、对新地图数据库A’和新地图数据B’的矢量面要素进行特征提取。其中包括位置相似度特征提取、形状相似度特征提取、面积大小相似度特征提取和面积重叠相似度特征提取。
其中,设两个不同尺度的地图数据库中待匹配的多边形别为a和b,则四类特征的计算公式如下:
(1)位置相似度特征提取:
a=(x1,y1)和b=(x2,y2)为平面上待匹配的两多边形的形状中心点,采用欧几里得(Euclid)距离来计算其位置相似度,计算公式如下:
其中,U为待匹配2个多边形的任意边界点间距离的最大值。
(2)形状相似度特征提取:
多边形a和多边形b的形状使用正切空间进行描述,其中θa(l)和θb(l)分别代表多边形a和多边形b的正切空间函数,选取多边形上一个顶点作为参考点构建多边形的正切空间,l表示为多边形上任意一点距离该参考点的距离与总边长的比值,任意一点到参考点的距离指的是点沿多边形边到参考点的距离;
由正切空间的定义可以看出,设置不同参考点的位置,会得到不同的正切空间函数。因为参考点的选择是任意的,考虑所有类似选择的距离最小值更有意义,将多边形a边界上的参考点移动一定的距离t,这样新的函数为θa(s+t),将多边形a旋转角θ,则新函数为θa(s)+θ。因此,想找出所有类似的偏移量t和旋转量θ的最小值。则可得出
其中,p是指p范数,D(a,b)指的是多边形a和多边形b正切空间差值面积最小值,R的范围为[0,2π];
(3)面积相似度特征提取:记Area(a)、Area(b)分别为多边形a和b的面积,则其面积大小相似度的计算公式如下:
σ3(a,b)=1-|Area(a)-Area(b)|/max(Area(a),Area(b))
(4)面积重叠度特征提取:
其面积重叠度的计算公式如下:
步骤6:根据提取的各个相似度特征,利用支持向量机方法通过训练数据学习获取最终分类器,用来确定新地理数据库A’和新地理数据B’中各个矢量面数据匹配情况。
步骤7:根据步骤3建立的映射关系,得到地理数据库A与地理数据库B的各个面要素的匹配情况。
本发明通过对地图数据库双向匹配并构建候选匹配集,解决多尺度地图数据库中存在的非一对一矢量面数据匹配问题,避免多尺度地图数据库存在匹配错误的情况。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种多尺度矢量面数据匹配方法,其特征在于,包括如下步骤:
步骤1、多尺度矢量面数据预处理;
步骤2、记两个不同尺度的矢量面数据库分别是地图数据库A和地图数据库B,遍历地图数据库A的所有的面要素,计算地图数据库A中各个矢量面数据与地图数据库B中各个矢量面数据的重叠度,并根据重叠度获取地图数据库A中各个矢量面数据在地图数据库B的候选匹配集;
步骤3、对步骤2获取的候选匹配集进行面要素合并得到新地图数据库B’,并建立合并前地图数据库B与合并后地图数据库B’的映射关系;
步骤4、对新地图数据库B’的矢量面数据进行遍历,计算新地图数据库B’中各个矢量面数据与地图数据库A中各个矢量面数据的重叠度,获得新地图数据B’各个矢量面要素在地图数据库A的匹配集,对A中的匹配集进行合并得到新地图数据库A’;
步骤5、对新地图数据库A’和新地图数据B’的矢量面要素进行特征提取,其中包括位置相似度特征提取、形状相似度特征提取、面积大小相似度特征提取和面积重叠相似度特征提取;
步骤6、根据提取的各个相似度特征,利用支持向量机方法通过训练数据学习获取最终分类器,用来确定新地理数据库A’和新地理数据B’中各个矢量面数据匹配情况;
步骤7、根据步骤3建立的映射关系,得到地理数据库A与地理数据库B的各个面要素的匹配情况。
2.根据权利要求1所述的多尺度矢量面数据匹配方法,其特征在于:所述步骤1中对数据的预处理包括统一数据格式、坐标系统、投影系统、实体类型。
4.根据权利要求1所述的多尺度矢量面数据匹配方法,其特征在于:所述步骤3对候选匹配集中矢量面要素数据合并过程中,以能够包含候选匹配集所有矢量面要素的最小凸多边形作为合并的最后结果。
5.根据权利要求1所述的多尺度矢量面数据匹配方法,其特征在于:所述步骤5中矢量面数据相似度特征分别从矢量面数据的位置、形状、面积、重叠度四个方面进行提取,设两个不同尺度的地图数据库中待匹配的多边形别为a和b,则四类特征的计算公式如下:
(1)位置相似度特征提取:
a=(x1,y1)和b=(x2,y2)为平面上待匹配的两多边形的形状中心点,采用欧几里得距离来计算其位置相似度,计算公式如下:
其中,U为待匹配2个多边形的任意边界点间距离的最大值;
(2)形状相似度特征提取:
多边形a和多边形b的形状使用正切空间进行描述,其中θa(l)和θb(l)分别代表多边形a和多边形b的正切空间函数,选取多边形上一个顶点作为参考点构建多边形的正切空间,l表示为多边形上任意一点距离该参考点的距离与总边长的比值;
将多边形a边界上的参考点移动一定的距离t,得到新的函数为θa(s+t),将多边形a旋转角θ,则新函数为θa(s)+θ,因此,要找出所有类似的偏移量t和旋转量θ的最小值,则得出:
其中,p是指p范数,D(a,b)指的是多边形a和多边形b正切空间差值面积最小值,R的范围为[0,2π];
(3)面积相似度特征提取:记Area(a)、Area(b)分别为多边形a和b的面积,则其面积大小相似度的计算公式如下:
σ3(a,b)=1-|Area(a)-Area(b)|/max(Area(a),Area(b))
(4)面积重叠度特征提取:
其面积重叠度的计算公式如下:
6.根据权利要求1所述的多尺度矢量面数据匹配方法,其特征在于:所述步骤6中通过支持向量机对提取的相似度特征数据进行处理,使用的是线性可分支持向量机学习算法:最大间隔法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910865904.3A CN110704559B (zh) | 2019-09-09 | 2019-09-09 | 一种多尺度矢量面数据匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910865904.3A CN110704559B (zh) | 2019-09-09 | 2019-09-09 | 一种多尺度矢量面数据匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110704559A CN110704559A (zh) | 2020-01-17 |
CN110704559B true CN110704559B (zh) | 2021-04-16 |
Family
ID=69195288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910865904.3A Expired - Fee Related CN110704559B (zh) | 2019-09-09 | 2019-09-09 | 一种多尺度矢量面数据匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110704559B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766385B (zh) * | 2021-01-22 | 2022-05-17 | 武汉大学 | 一种众源矢量线数据几何匹配与属性融合方法 |
CN115602041B (zh) * | 2021-07-09 | 2024-04-09 | 华为技术有限公司 | 信息生成方法和装置、信息使用方法和装置 |
CN113569554B (zh) * | 2021-09-24 | 2021-12-28 | 北京明略软件系统有限公司 | 一种数据库中实体对匹配方法、装置、电子设备及存储介质 |
CN115238800B (zh) * | 2022-07-27 | 2023-04-28 | 湖北省地质环境总站 | 一种基于ocsvm的矢量面状要素匹配方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6016487A (en) * | 1997-03-26 | 2000-01-18 | National Research Council Of Canada | Method of searching three-dimensional images |
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
WO2008033100A8 (en) * | 2006-09-11 | 2009-07-23 | Agency Science Tech & Res | Method of predicting protein allergenicity using a support vector machine |
CN103577835A (zh) * | 2013-08-02 | 2014-02-12 | 中国科学技术大学苏州研究院 | 采用多维特征向量检测ip id隐信道的方法 |
US9165393B1 (en) * | 2012-07-31 | 2015-10-20 | Dreamworks Animation Llc | Measuring stereoscopic quality in a three-dimensional computer-generated scene |
CN106780729A (zh) * | 2016-11-10 | 2017-05-31 | 中国人民解放军理工大学 | 一种无人机序列影像批处理三维重建方法 |
CN107341795A (zh) * | 2017-06-30 | 2017-11-10 | 武汉大学 | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008191816A (ja) * | 2007-02-02 | 2008-08-21 | Sony Corp | 画像処理装置、および画像処理方法、並びにコンピュータ・プログラム |
EP2530433B1 (en) * | 2011-06-01 | 2015-04-22 | Harman Becker Automotive Systems GmbH | Method of generating a database for a navigation device |
JP5941782B2 (ja) * | 2012-07-27 | 2016-06-29 | 株式会社日立ハイテクノロジーズ | マッチング処理装置、マッチング処理方法、及びそれを用いた検査装置 |
-
2019
- 2019-09-09 CN CN201910865904.3A patent/CN110704559B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6016487A (en) * | 1997-03-26 | 2000-01-18 | National Research Council Of Canada | Method of searching three-dimensional images |
WO2008033100A8 (en) * | 2006-09-11 | 2009-07-23 | Agency Science Tech & Res | Method of predicting protein allergenicity using a support vector machine |
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
US9165393B1 (en) * | 2012-07-31 | 2015-10-20 | Dreamworks Animation Llc | Measuring stereoscopic quality in a three-dimensional computer-generated scene |
CN103577835A (zh) * | 2013-08-02 | 2014-02-12 | 中国科学技术大学苏州研究院 | 采用多维特征向量检测ip id隐信道的方法 |
CN106780729A (zh) * | 2016-11-10 | 2017-05-31 | 中国人民解放军理工大学 | 一种无人机序列影像批处理三维重建方法 |
CN107341795A (zh) * | 2017-06-30 | 2017-11-10 | 武汉大学 | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 |
Non-Patent Citations (2)
Title |
---|
"Matching of polygon objects based on geometric measures in a multi-scale";Mozhgan Chamani et.al;《https://www.researchgate.net/publication/320491253》;20171030;第1-16页 * |
"基于正切空间的多尺度面实体形状匹配";付仲良;《计算机工程》;20100905;第216-217页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110704559A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704559B (zh) | 一种多尺度矢量面数据匹配方法 | |
KR20190082062A (ko) | 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치 | |
CN109145171B (zh) | 一种多尺度地图数据更新方法 | |
WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
Orbay et al. | Beautification of design sketches using trainable stroke clustering and curve fitting | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
Yan et al. | A multi-parameter approach to automated building grouping and generalization | |
Song et al. | Relaxation‐based point feature matching for vector map conflation | |
CN106874580A (zh) | 一种基于点云数据的弯管模型重建方法 | |
WO2021109775A1 (zh) | 训练样本生成、模型训练、字符识别方法及其装置 | |
van Kreveld | Geographic information systems | |
JP2013025799A (ja) | 画像検索方法、システム、及びプログラム | |
CN109711321B (zh) | 一种结构自适应的宽基线影像视角不变直线特征匹配方法 | |
CN103745459A (zh) | 一种非结构化点云特征点检测方法及其提取方法 | |
EP4105600A2 (en) | Method for automatically producing map data, related apparatus and computer program product | |
CN111159451B (zh) | 一种基于空间数据库的电力线路点云动态单体化方法 | |
CN111782739A (zh) | 地图更新方法及装置 | |
CN111144466B (zh) | 一种图像样本自适应的深度度量学习方法 | |
CN113255677A (zh) | 一种岩体结构面及产状信息快速提取方法、设备及介质 | |
CN104965928A (zh) | 一种基于形状匹配的汉字图像检索方法 | |
Zhang et al. | Accurate real-time SLAM based on two-step registration and multimodal loop detection | |
CN105955473A (zh) | 一种基于计算机的静态手势图像识别交互系统 | |
CN110210576A (zh) | 一种地图数据的图斑相似性计算方法及系统 | |
Zhang et al. | A YOLOv3-Based Industrial Instrument Classification and Reading Recognition Method | |
Lu et al. | Estimation of Transformation Parameters Between Centre‐Line Vector Road Maps and High Resolution Satellite Images |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210416 Termination date: 20210909 |
|
CF01 | Termination of patent right due to non-payment of annual fee |