CN110807797A - 顾及全局寻优的多源异构面实体与点实体的匹配方法及其存储介质 - Google Patents
顾及全局寻优的多源异构面实体与点实体的匹配方法及其存储介质 Download PDFInfo
- Publication number
- CN110807797A CN110807797A CN201911007472.9A CN201911007472A CN110807797A CN 110807797 A CN110807797 A CN 110807797A CN 201911007472 A CN201911007472 A CN 201911007472A CN 110807797 A CN110807797 A CN 110807797A
- Authority
- CN
- China
- Prior art keywords
- entity
- point
- entities
- matching
- class
- 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.)
- Granted
Links
Images
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
Abstract
一种顾及全局寻优的多源异构面实体与点实体的匹配方法及其存储介质，其中，该方法首先生成了面实体的Voronoi多边形并定义邻域关系，然后利用点实体与面实体Voronoi多边形的位置关系进行实体匹配，最后利用全局寻优的匹配策略优化匹配结果。本发明能够用于自动化地进行多源异构面实体和点实体的匹配，从而避免人工匹配，节省工作量。同时，相对于局部寻优的实体匹配算法，本发明能够更为准确地进行实体匹配，所有的匹配实体在全局上达到最佳的协调一致性。
Description
技术领域
本申请涉及一种地理实体的匹配方法，具体的，涉及一种顾及全局寻优的多源异构面实体与点实体的匹配方法。
背景技术
地理实体是指与空间位置有关、不能再进行同一类型个体区分的自然或社会经济对象，地理实体通常具有属性、空间和时间特征[1]。地理实体可以分为点实体、线实体、面实体和体实体。其中，点实体可以用来表示可以抽象为点的地理对象，如行道树、感兴趣点(Point Of Interest,POI)、门牌位置等，小比例尺地图中的面状要素也可以抽象为点实体，如建筑物、村庄等。面实体可以用来表示抽象为面的地理对象，如建筑物、行政区、河流、农田等。面实体与点实体的匹配存在于以下几种情况中：1)相同比例尺的地图中，面实体对点实体具有包含关系，或点实体对于面实体具有从属关系，如建筑物面实体包含门牌位置点实体、POI点实体；2)不同比例尺的地图中，点实体与面实体表示同一个要素，如同一个建筑物在大比例尺地图中表示为面实体，在小比例尺地图中表示为点实体。多源异构面实体与点实体的匹配对于建立和理解不同要素或不同比例尺的同名要素之间的关系并进行后续的空间分析具有重要意义。
然而，对于多源异构的地理实体来说，由于数据采集装置、数据采集方式、坐标系、比例尺等等的差异，它们在几何形状和位置上都存在差异，这便使地理实体匹配关系的建立受到影响。例如，不同比例尺的地图中建筑物的形状和位置存在差异，对识别同名建筑物、检测新增建筑物等造成影响；门牌位置点数据与建筑物范围面数据存在位置上的偏移，使得无法准确建立门牌位置与建筑物之间的对应关系。特别是在属性特征缺失、错误或不一致的情况下，仅通过空间特征对地理实体进行匹配面临挑战。地理实体匹配技术是有效消除多源异构数据的几何和语义不一致问题的重要手段，对地理实体匹配算法的研究具有重要的意义。
目前，很多学者对同类型地理实体的匹配方法展开研究，如点实体匹配[2,3]、线实体匹配[3-5]和面实体匹配[3,6-8]。在对地理实体匹配方法的研究中，对点实体之间的匹配多采用通过比较点实体之间的距离及空间关系来判断是否匹配，如庄敏[3]计算了参考实体和待匹配实体间的曼哈顿距离，然后基于阈值法并辅以语义匹配对点实体进行匹配；吴建华等[2]利用点实体生成泰森多边形，然后通过点对距离和泰森多边形位置及形状相似性进行点实体的匹配。对面实体之间的多利用周长、距离、面积、形状、方向等特征进行匹配，如刘凌佳等[8]公开了一种多尺度建筑物面实体匹配方法及系统发明专利，从建筑物面实体中提取特征点，通过对特征点的匹配实现面实体的匹配；蓝振家[6]利用距离目标面实体东西南北四个方向最近的要素构建面实体的邻域环境，提出了顾及邻域相似性的面实体匹配算法。然而，目前仍鲜有研究对面实体与点实体的匹配算法展开探索。与同类型地理实体匹配有所不同的是，相互匹配的面实体与点实体在数量上和形状上都有着显著差异，并可能存在一对一、一对多等不同的对应关系，因此两者之间的匹配难以直接套用现有方法。
在地理实体匹配的算法中，多数采用局部寻优的方法，即仅考虑单个实体之间的匹配程度。与之相对的全局寻优策略则需要考虑在两个实体互为匹配的同时，它们邻域内的其他实体也互为匹配关系[6]。采用全局寻优的匹配方法，能够更为准确地进行实体匹配，实现所有的匹配实体在全局上达到最佳的协调一致性。
现有技术文献
[1]舒红,陈军,杜道生,等.时空拓扑关系定义及时态拓扑关系描述[J].测绘学报,1997,(04):20-27.
[2]吴建华,万洋洋.利用泰森多边形的点实体匹配算法[J].测绘科学,2015,40(04):97-100+120.
[3]庄敏.地理实体匹配技术研究[D].东南大学,2016.
[4]余梦娟.基于Voronoi图的多尺度道路网匹配方法研究[D].江西师范大学,2017.
[5]邹丹,毛政元,李继红,等.核密度估计的道路匹配方法探讨[J].测绘科学,2015,40(07):104-108.
[6]蓝振家.顾及邻域相似性的面实体匹配最优化方法[D].武汉大学,2017.
[7]万波,宗琴,刘川川,等.基于骨架化和蜘蛛编码的面状实体匹配方法研究[J].测绘科学,2012,37(05):97-99+106.
[8]刘凌佳,朱欣焰,呙维,朱道也，一种多尺度建筑物面实体匹配方法及系统:中国.201710891628.9[P].2018-01-19
发明内容
本发明的目的在于提出一种顾及全局寻优的多源异构面实体与点实体的匹配方法，能够用于自动化地进行多源异构面实体和点实体的匹配，从而避免人工匹配，节省工作量。同时，相对于局部寻优的实体匹配算法，本发明能够更为准确地进行实体匹配，所有的匹配实体在全局上达到最佳的协调一致性。
为达此目的，本发明采用以下技术方案：
一种顾及全局寻优的多源异构面实体与点实体匹配方法，其特征在于，包括如下步骤：
生成面实体的Voronoi多边形并定义邻域关系步骤S110：
1)获取地理实体的面实体数据和点实体数据，对面实体数据和点实体数据进行预处理；
2)采用栅格生成法对面实体数据建立Voronoi多边形，在得到的Voronoi多边形内，任意一点到生成该多边形的面实体的距离小于到生成其他Voronoi多边形的面实体的距离；
3)定义面实体之间的临近关系；
利用点实体与面实体Voronoi多边形的位置关系进行点实体匹配步骤S120:
对全部待匹配点实体与全部目标面实体的Voronoi多边形进行空间叠置，判断点实体pi与全部Voronoi多边形{V1,V2,…,Vn}的位置关系；
利用全局寻优的匹配策略优化匹配结果步骤S130：
对上述匹配到每个面实体的点实体进行重新聚类，识别出离散部分，对所述离散部分通过计算相对于匹配正确的点群的平均距离的方法来对所述离散部分进行重新匹配。
可选的，在步骤S110中，所述预处理包括：通过格式转换统一面实体数据与点实体数据的存储格式，通过坐标转换统一数据的地理坐标系和投影坐标系，然后进行拓扑检查。
可选的，在步骤S110中采用栅格生成法对面实体建立Voronoi多边形，需要首先对面实体数据进行栅格化，栅格的边长应小于最小面积实体最窄处长度的1/25以保持最小实体的几何特征。
可选的，在步骤S110中定义面实体之间的临近关系具体为：如果两个面实体的Voronoi多边形有公共边，则认为这两个面实体是相邻的，对于任意一个面实体而言，所有与之相邻的面实体构成其邻域面实体空间结构。
可选的，在步骤S120中，判断点实体pi与全部Voronoi多边形{V1,V2,…,Vn}的位置关系具体为：如果点实体pi落在Vj内，则将pi匹配到面实体Sj上；如果点实体pi落在多个Voronoi多边形的交界线上，则比较几个面实体的面积然后将pi匹配到面积最大的面实体上，如果存在多个面积最大的面实体，则将pi随机匹配到其中一个面实体上，最终每个点实体都被匹配到一个面实体上。
可选的，在步骤S130具体为，
1)对于匹配到每一个面实体Sj的点群，对点群进行聚类，使得面实体Sj中的点实体或者位于类Cj中，或者在类Cj之外，得到类Cj＝{Cj1,Cj2,…,Cjm}和离群点Pj＝{pj1,pj2,…,pjn}，其中Cj的数量大于或等于1，每类包含若干个点实体，Pj的数量大于或等于0，即尽可能的将点实体分在类中，不在类中的点实体均位于离群点中；
2)计算Cj中每个类包含的点实体数量，定义点实体数量最多的类为主类CjM，其他类为离群类CjD＝{CjD1,CjD2,…,CjDr}；
3)定义类Ca与类Cb之间的距离为Ca包含的所有点的平均坐标与Cb包含的所有点的平均坐标之间的欧式距离，定义点pc与类Ca之间的距离为点pc与类Ca包含的所有点的欧式距离的平均值；
4)对于匹配到每个面实体Sj的每个离群类CjDk，计算CjDk与Sj对应的主类CjM之间的距离ljDk-jM，同时计算CjDk与Sj的所有邻域面实体{SjN1,SjN2,…,SjNf}对应的主类{CjN1M,CjN2M,…,CjNfM}之间的距离{ljDk-jN1M,ljDk-jN2M,…,ljDk-jNfM},然后将CjDk内的所有点实体重新匹配到min{ljDk-jM,ljDk-jN1M,ljDk-jN2M,…,ljDk-jNfM}所对应的面实体上；
5)对于匹配到每个面实体Sj的每个离群点pjk，计算pjk与Sj对应的主类CjM之间的距离ljk-jM，同时计算pjk与Sj的所有邻域面实体{SjN1,SjN2,…,SjNf}对应的主类{CjN1M,CjN2M,…,CjNfM}之间的距离{ljk-jN1M,ljk-jN2M,…,ljk-jNfM},然后将pjk重新匹配到min{ljk-jM,ljk-jN1M,ljk-jN2M,…,lDk-jNfM}所对应的面实体上
可选的，在S130中，利用DBSCAN聚类算法对于匹配到每一个面实体Sj的点群进行聚类。
本发明还公开了一种存储介质，用于存储计算机可执行指令，其特征在于：
所述计算机可执行指令在被处理器执行时执行上述的顾及全局寻优的多源异构面实体与点实体的匹配方法。
本发明进一步公开了根据上述的顾及全局寻优的多源异构面实体与点实体的匹配方法在地理实体匹配中的应用。
本发明能够用于自动化地进行多源异构面状和点状地理实体的匹配，从而避免人工匹配，节省工作量；采用全局寻优的匹配方法，能够更为准确地进行实体匹配，实现所有的匹配实体在全局上达到最佳的协调一致性。
附图说明
图1是根据本发明具体实施例的顾及全局寻优的多源异构面实体与点实体的匹配方法的流程图；
图2是利用Voronoi多边形定义面实体邻域关系的示意图；
图3是利用点实体与面实体Voronoi多边形的位置关系进行实体匹配的一个示例的流程图；
图4是建筑物面实体与门牌位置点实体的匹配结果示意图；
图5是利用全局寻优的匹配策略优化匹配结果的流程图；
图6是优化的建筑物面实体与门牌位置点匹配结果示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
本发明充分利用Voronoi图、DBSCAN等相关方法，实现了顾及全局寻优的多源异构面实体与点实体匹配方法。
具体而言，参见图1，顾及全局寻优的多源异构面实体与点实体匹配方法的流程图，包括如下步骤：
生成面实体的Voronoi多边形并定义邻域关系步骤S110：
1)获取地理实体的面实体数据和点实体数据，对面实体数据和点实体数据进行预处理；
在一个可选的实施例中，所述预处理包括：通过格式转换统一面实体数据与点实体数据的存储格式，通过坐标转换统一数据的地理坐标系和投影坐标系，然后进行拓扑检查。其中，格式转换、坐标转换、拓扑检查的目的是为了消除匹配数据的系统性误差。
2)采用栅格生成法对面实体数据建立Voronoi多边形，在得到的Voronoi多边形内，任意一点到生成该多边形的面实体的距离小于到生成其他Voronoi多边形的面实体的距离。
在建立Voronoi多边形时，首先要对面实体数据进行栅格化，由于栅格边长的选择能够影响Voronoi多边形的生成速度与几何精度，栅格的边长应小于最小面积实体最窄处长度的1/25以保持最小实体的几何特征，在具体的实施例中，所述栅格边长设置为最小面积实体最窄处长度的1/25，然后采用栅格生成法对面实体数据建立Voronoi多边形，在得到的Voronoi多边形内，任意一点到生成该多边形的面实体的距离小于到生成其他Voronoi多边形的面实体的距离；
3)定义面实体之间的临近关系。
在一个示例中：如果两个面实体的Voronoi多边形有公共边，则认为这两个面实体是相邻的，对于任意一个面实体而言，所有与之相邻的面实体构成其邻域面实体空间结构。
参见图2，示出了建筑物面实体邻域关系定义的结果图，其中S0为目标面实体，S1-S6为其邻域面实体。
利用点实体与面实体Voronoi多边形的位置关系进行点实体匹配步骤S120:
对全部待匹配点实体与全部目标面实体的Voronoi多边形进行空间叠置，判断点实体pi与全部Voronoi多边形{V1,V2,…,Vn}的位置关系。
进一步的，参见图3，示出了利用点实体与面实体Voronoi多边形的位置关系进行点实体匹配的流程图。
示例性的，该步骤为：如果点实体pi落在Vj内，则将pi匹配到面实体Sj上；如果点实体pi落在多个Voronoi多边形的交界线上，则比较几个面实体的面积然后将pi匹配到面积最大的面实体上，如果存在多个面积最大的面实体，则将pi随机匹配到其中一个面实体上，最终每个点实体都被匹配到一个面实体上。
参见图4，示出了建筑物面实体与门牌位置点实体的匹配结果示意图。可以看到多数点实体都得到了正确的匹配，但仍存在一些错误匹配的点实体，例如，点实体P1-P4为建筑物S0对应的门牌位置，P2-P4被正确匹配到S0，但P1被错误匹配到S1。
利用全局寻优的匹配策略优化匹配结果步骤S130：
对上述匹配到每个面实体的点实体进行重新聚类，识别出离散部分，对所述离散部分通过计算相对于匹配正确的点群的平均距离的方法来对所述离散部分进行重新匹配。
具体的，参见图5，示出了利用全局寻优的匹配策略优化匹配结果的流程图，具体步骤S130包括如下：
1)对于匹配到每一个面实体Sj的点群，利用DBSCAN聚类算法对点群进行聚类，使得面实体Sj中的点实体或者位于类Cj中，或者在类Cj之外，得到类Cj＝{Cj1,Cj2,…,Cjm}和离群点Pj＝{pj1,pj2,…,pjn}，其中Cj的数量大于或等于1，每类包含若干个点实体，Pj的数量大于或等于0，即尽可能的将点实体分在类中，不在类中的点实体均位于离群点中；
2)计算Cj中每个类包含的点实体数量，定义点实体数量最多的类为主类CjM，其他类为离群类CjD＝{CjD1,CjD2,…,CjDr}；
3)定义类Ca与类Cb之间的距离为Ca包含的所有点的平均坐标与Cb包含的所有点的平均坐标之间的欧式距离，定义点pc与类Ca之间的距离为点pc与类Ca包含的所有点的欧式距离的平均值；
4)对于匹配到每个面实体Sj的每个离群类CjDk，计算CjDk与Sj对应的主类CjM之间的距离ljDk-jM，同时计算CjDk与Sj的所有邻域面实体{SjN1,SjN2,…,SjNf}对应的主类{CjN1M,CjN2M,…,CjNfM}之间的距离
{ljDk-jN1M,ljDk-jN2M,…,ljDk-jNfM},然后将CjDk内的所有点实体重新匹配到min{ljDk-jM,ljDk-jN1M,ljDk-jN2M,…,ljDk-jNfM}所对应的面实体上；
5)对于匹配到每个面实体Sj的每个离群点pjk，计算pjk与Sj对应的主类CjM之间的距离ljk-jM，同时计算pjk与Sj的所有邻域面实体{SjN1,SjN2,…,SjNf}对应的主类{CjN1M,CjN2M,…,CjNfM}之间的距离{ljk-jN1M,ljk-jN2M,…,ljk-jNfM},然后将pjk重新匹配到min{ljk-jM,ljk-jN1M,ljk-jN2M,…,lDk-jNfM}所对应的面实体上。
通常来说，同一个面实体对应的点实体相互之间在空间上呈现聚集关系，而与其他面实体对应的点实体呈现离散关系，步骤S130对S120结果进行重新聚类，识别出匹配到同一个面实体的点群内的离散部分，重新计算该离散部分与周围点群主类的距离来重新匹配该离散部分，从而达到优化匹配结果的目的。
参见图6，示出了优化的建筑物面实体与门牌位置点匹配结果示意图，可以看到，经过全局寻优的匹配策略优化，所有点实体都被正确匹配到对应的面实体上。
本发明进一步公开了一种存储介质，用于存储计算机可执行指令，其特征在于：
所述计算机可执行指令在被处理器执行时执行上述的顾及全局寻优的多源异构面实体与点实体的匹配方法的处理方法。
本发明进一步公开了利用上述的顾及全局寻优的多源异构面实体与点实体的匹配方法在地理实体匹配中的应用。
实施例1：
在上海市浦东新区建筑物面实体与门牌位置点实体匹配的项目中，门牌位置点缺少属性信息，需要根据其与建筑物的位置关系，找到其所属的建筑物。为了验证匹配算法的精度，通过实地调查建立验证数据集，具体的，在需要匹配的建筑物中，选取100个建筑物进行实地调查，记录匹配到每个建筑物的门牌位置点序号。该100个建筑物共对应583个门牌位置点。
在对建筑物面实体和门牌位置点实体进行匹配时，现有技术通常能在583个点的门牌位置点中，有452个点的得到正确匹配，匹配精度为77.5％，仍有近130个点被错误匹配到相邻的建筑物上。
利用本发明的顾及全局寻优的多源异构面实体与点实体匹配方法对结果进行优化。结果表明，557个点得到了正确匹配，匹配精度为95.5％。匹配精度提高18％。这说明本发明提出的方法能够有效提高面实体与点实体匹配的精度。
综上，本发明具有如下优点：
1)本发明能够用于自动化地进行多源异构面状和点状地理实体的匹配，从而避免人工匹配，节省工作量；
2)本发明采用全局寻优的匹配方法，能够更为准确地进行实体匹配，实现所有的匹配实体在全局上达到最佳的协调一致性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定保护范围。
Claims (9)
1.一种顾及全局寻优的多源异构面实体与点实体匹配方法，其特征在于，包括如下步骤：
生成面实体的Voronoi多边形并定义邻域关系步骤S110：
1)获取地理实体的面实体数据和点实体数据，对面实体数据和点实体数据进行预处理；
2)采用栅格生成法对面实体数据建立Voronoi多边形，在得到的Voronoi多边形内，任意一点到生成该多边形的面实体的距离小于到生成其他Voronoi多边形的面实体的距离；
3)定义面实体之间的临近关系；
利用点实体与面实体Voronoi多边形的位置关系进行点实体匹配步骤S120:
对全部待匹配点实体与全部目标面实体的Voronoi多边形进行空间叠置，判断点实体pi与全部Voronoi多边形{V1,V2,…,Vn}的位置关系；
利用全局寻优的匹配策略优化匹配结果步骤S130：
对上述匹配到每个面实体的点实体进行重新聚类，识别出离散部分，对所述离散部分通过计算相对于匹配正确的点群的平均距离的方法来对所述离散部分进行重新匹配。
2.根据权利要求1所述的匹配方法，其特征在于：
在步骤S110中，所述预处理包括：通过格式转换统一面实体数据与点实体数据的存储格式，通过坐标转换统一数据的地理坐标系和投影坐标系，然后进行拓扑检查。
3.根据权利要求1所述的匹配方法，其特征在于：
在步骤S110中采用栅格生成法对面实体建立Voronoi多边形，需要首先对面实体数据进行栅格化，栅格的边长应小于最小面积实体最窄处长度的1/25以保持最小实体的几何特征。
4.根据权利要求1所述的匹配方法，其特征在于：
在步骤S110中定义面实体之间的临近关系具体为：如果两个面实体的Voronoi多边形有公共边，则认为这两个面实体是相邻的，对于任意一个面实体而言，所有与之相邻的面实体构成其邻域面实体空间结构。
5.根据权利要求1所述的匹配方法，其特征在于：
在步骤S120中，判断点实体pi与全部Voronoi多边形{V1,V2,…,Vn}的位置关系具体为：如果点实体pi落在Vj内，则将pi匹配到面实体Sj上；如果点实体pi落在多个Voronoi多边形的交界线上，则比较几个面实体的面积然后将pi匹配到面积最大的面实体上，如果存在多个面积最大的面实体，则将pi随机匹配到其中一个面实体上，最终每个点实体都被匹配到一个面实体上。
6.根据权利要求1所述的匹配方法，其特征在于：
所述步骤S130具体为：
1)对于匹配到每一个面实体Sj的点群，对点群进行聚类，使得面实体Sj中的点实体或者位于类Cj中，或者在类Cj之外，得到类Cj＝{Cj1,Cj2,…,Cjm}和离群点Pj＝{pj1,pj2,…,pjn}，其中Cj的数量大于或等于1，每类包含若干个点实体，Pj的数量大于或等于0，即尽可能的将点实体分在类中，不在类中的点实体均位于离群点中；
2)计算Cj中每个类包含的点实体数量，定义点实体数量最多的类为主类CjM，其他类为离群类CjD＝{CjD1,CjD2,…,CjDr}；
3)定义类Ca与类Cb之间的距离为Ca包含的所有点的平均坐标与Cb包含的所有点的平均坐标之间的欧式距离，定义点pc与类Ca之间的距离为点pc与类Ca包含的所有点的欧式距离的平均值；
4)对于匹配到每个面实体Sj的每个离群类CjDk，计算CjDk与Sj对应的主类CjM之间的距离ljDk-jM，同时计算CjDk与Sj的所有邻域面实体{SjN1,SjN2,…,SjNf}对应的主类{CjN1M,CjN2M,…,CjNfM}之间的距离{ljDk-jN1M,ljDk-jN2M,…,ljDk-jNfM},然后将CjDk内的所有点实体重新匹配到min{ljDk-jM,ljDk-jN1M,ljDk-jN2M,…,ljDk-jNfM}所对应的面实体上；
5)对于匹配到每个面实体Sj的每个离群点pjk，计算pjk与Sj对应的主类CjM之间的距离ljk-jM，同时计算pjk与Sj的所有邻域面实体{SjN1,SjN2,…,SjNf}对应的主类{CjN1M,CjN2M,…,CjNfM}之间的距离{ljk-jN1M,ljk-jN2M,…,ljk-jNfM},然后将pjk重新匹配到min{ljk-jM,ljk-jN1M,ljk-jN2M,…,lDk-jNfM}所对应的面实体上。
7.根据权利要求1所述的匹配方法，其特征在于：
在步骤S130中，利用DBSCAN聚类算法对于匹配到每一个面实体Sj的点群进行聚类。
8.一种存储介质，用于存储计算机可执行指令，其特征在于：
所述计算机可执行指令在被处理器执行时执行权利要求1-7中任意一项所述的顾及全局寻优的多源异构面实体与点实体的匹配方法。
9.根据权利要求1-7中任意一项所述的顾及全局寻优的多源异构面实体与点实体的匹配方法在地理实体匹配中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911007472.9A CN110807797B (zh) | 2019-10-22 | 2019-10-22 | 顾及全局寻优的多源异构面实体与点实体的匹配方法及其存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911007472.9A CN110807797B (zh) | 2019-10-22 | 2019-10-22 | 顾及全局寻优的多源异构面实体与点实体的匹配方法及其存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110807797A true CN110807797A (zh) | 2020-02-18 |
| CN110807797B CN110807797B (zh) | 2022-03-22 |
Family
ID=69488969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911007472.9A Expired - Fee Related CN110807797B (zh) | 2019-10-22 | 2019-10-22 | 顾及全局寻优的多源异构面实体与点实体的匹配方法及其存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110807797B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040249809A1 (en) * | 2003-01-25 | 2004-12-09 | Purdue Research Foundation | Methods, systems, and data structures for performing searches on three dimensional objects |
| CN102222066A (zh) * | 2010-04-15 | 2011-10-19 | 同济大学 | 一种多源空间数据合并的冲突移位处理方法 |
| CN102567492A (zh) * | 2011-12-22 | 2012-07-11 | 哈尔滨工程大学 | 一种海陆矢量地图数据集成与融合的方法 |
| CN104317793A (zh) * | 2014-08-27 | 2015-01-28 | 河南理工大学 | 基于多源信息的不同时期空间实体层次式匹配方法及系统 |
| US20170161342A1 (en) * | 2015-12-04 | 2017-06-08 | JVC Kenwood Corporation | Information provision apparatus that provides information related to item used by user, and management client |
| CN107610120A (zh) * | 2017-09-27 | 2018-01-19 | 武汉大学 | 一种多尺度建筑物面实体匹配方法及系统 |
| CN109145171A (zh) * | 2018-07-23 | 2019-01-04 | 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 |
| CN109697692A (zh) * | 2018-12-29 | 2019-04-30 | 安徽大学 | 一种基于局部结构相似的特征匹配方法 |
-
2019
- 2019-10-22 CN CN201911007472.9A patent/CN110807797B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040249809A1 (en) * | 2003-01-25 | 2004-12-09 | Purdue Research Foundation | Methods, systems, and data structures for performing searches on three dimensional objects |
| CN102222066A (zh) * | 2010-04-15 | 2011-10-19 | 同济大学 | 一种多源空间数据合并的冲突移位处理方法 |
| CN102567492A (zh) * | 2011-12-22 | 2012-07-11 | 哈尔滨工程大学 | 一种海陆矢量地图数据集成与融合的方法 |
| CN104317793A (zh) * | 2014-08-27 | 2015-01-28 | 河南理工大学 | 基于多源信息的不同时期空间实体层次式匹配方法及系统 |
| US20170161342A1 (en) * | 2015-12-04 | 2017-06-08 | JVC Kenwood Corporation | Information provision apparatus that provides information related to item used by user, and management client |
| CN107610120A (zh) * | 2017-09-27 | 2018-01-19 | 武汉大学 | 一种多尺度建筑物面实体匹配方法及系统 |
| CN109145171A (zh) * | 2018-07-23 | 2019-01-04 | 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 |
| CN109697692A (zh) * | 2018-12-29 | 2019-04-30 | 安徽大学 | 一种基于局部结构相似的特征匹配方法 |
Non-Patent Citations (5)
| Title |
|---|
| JIANHUA WU 等: "A Matching Algorithm Based on Voronoi Diagram for Multi-Scale Polygonal Residential Areas", 《IEEE ACCESS》 * |
| 万洋洋: "基于Voronoi图的多尺度面状居民地匹配方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
| 吴建华 等: "利用泰森多边形的点实体匹配算法", 《测绘科学》 * |
| 姚驰: "基于网格索引与几何特征的多尺度面状地理实体匹配方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
| 王凌阳 等: "多源异构数据的实体匹配方法研究", 《计算机工程与应用》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110807797B (zh) | 2022-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tran et al. | Shape grammar approach to 3D modeling of indoor environments using point clouds | |
| Dimitrov et al. | Non‐uniform B‐spline surface fitting from unordered 3D point clouds for as‐built modeling | |
| Liu et al. | Cylinder detection in large-scale point cloud of pipeline plant | |
| Yan et al. | A multi-parameter approach to automated building grouping and generalization | |
| Sohn et al. | An implicit regularization for 3D building rooftop modeling using airborne lidar data | |
| Jung et al. | Implicit regularization for reconstructing 3D building rooftop models using airborne LiDAR data | |
| Previtali et al. | A flexible methodology for outdoor/indoor building reconstruction from occluded point clouds | |
| Song et al. | Relaxation‐based point feature matching for vector map conflation | |
| US20200387553A1 (en) | Digitization of technical documentation driven by machine learning | |
| CN110347764A (zh) | 一种生态空间数据整合方法 | |
| Li et al. | Automatic modeling of prefabricated components with laser‐scanned data for virtual trial assembly | |
| Huang et al. | Feature matching in cadastral map integration with a case study of Beijing | |
| Yang et al. | Complementarity of historic building information modelling and geographic information systems | |
| Song et al. | Curved buildings reconstruction from airborne LiDAR data by matching and deforming geometric primitives | |
| CN113656477A (zh) | 一种国土空间多源异构数据的校验与融合方法 | |
| CN105302874A (zh) | 基于地理云数据的空间匹配方法 | |
| CN105184854A (zh) | 针对地下空间扫描点云成果数据的快速建模方法 | |
| Jiang et al. | Extracting 3-D structural lines of building from ALS point clouds using graph neural network embedded with corner information | |
| CN111915720B (zh) | 一种建筑物Mesh模型到CityGML模型的自动转换方法 | |
| Zhao et al. | A 3D modeling method for buildings based on LiDAR point cloud and DLG | |
| CN112906092B (zh) | 一种映射方法和映射系统 | |
| Wang et al. | A segmentation method for point cloud based on local sample and statistic inference | |
| CN110807797B (zh) | 顾及全局寻优的多源异构面实体与点实体的匹配方法及其存储介质 | |
| Liu et al. | M: N Object matching on multiscale datasets based on MBR combinatorial optimization algorithm and spatial district | |
| CN115935561A (zh) | 一种三维管网建模方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| 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: 20220322 |