CN111667394A - 一种基于特征描述的地图缩放比例推断方法 - Google Patents
一种基于特征描述的地图缩放比例推断方法 Download PDFInfo
- Publication number
- CN111667394A CN111667394A CN202010444270.7A CN202010444270A CN111667394A CN 111667394 A CN111667394 A CN 111667394A CN 202010444270 A CN202010444270 A CN 202010444270A CN 111667394 A CN111667394 A CN 111667394A
- Authority
- CN
- China
- Prior art keywords
- feature
- ground
- ratio
- string
- description
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008569 process Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000012533 medium component Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims 1
- 238000007792 addition Methods 0.000 description 6
- 230000007123 defense Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于特征描述的地图缩放比例推断方法,(1)首先在全局范围内计算地图地物特征边比值的稳定位数组。随后根据全局稳定位数组计算各地物的比值描述串,并根据比值描述串是否稳定将地物加入稳定地物集合与非稳定地物集合中。对于稳定地物集合中的地物,通过哈希表找出其中拥有独特比值描述串的地物,添加到高识别地物集。最终,找出高识别地物集中拥有着独特比值描述串与特征描述串的地物,并对地图进行方块划分,跨方块挑选地物组,将其比值描述串与特征描述串作为特征信息提取到秘钥中。(2)通过秘钥中记录的比值描述串和特征描述串,找到特征信息描述的地物,并利用与秘钥中距离信息的比较,得出地物的缩放比例。
Description
技术领域
本发明涉及一种地图缩放比例推断方法,该方法可辅助动态步长算法对向地理数据中嵌入和检测水印,使其可以在保持对水印攻击抗性的前提下,额外防御缩放攻击。
背景技术
近年来,随着地理信息技术的发展,地理空间数据已经变得越来越多样化,并且开始应用于如地图绘制、国土规划、城市规划、环境监测、灾害管理、定位导航和军事应用等多个方面。这些变化使得地理空间数据在人们的生活中扮演了越来越重要的角色。日益广泛的应用场景以及逐渐高昂的收集成本让地理数据的价值不断变高,但由于地理空间数据拷贝与窃取的便利性,地理空间数据的版权保护问题日益严重。
众所周知,数字水印技术可以用于解决版权保护问题,它通过轻微修改原始数据,将版权信息隐藏在原始数据中。鲁棒性、不可见性和盲检性是数字水印技术的三个重要属性。鲁棒性描述水印化数据在遭到特定破坏水印的攻击或操作后水印信息的生存能力。常见的地理数据操作或攻击方式包括:(1)旋转攻击;(2)平移攻击;(3)缩放攻击;(4)化简攻击;(5)噪声攻击;(6)增删攻击;
目前,鲜有算法能够同时防御上述提到的多种水印攻击,其中,对于噪声攻击的防御性能较差,是许多水印算法的痛点。因为为了保证水印算法对于多种复合攻击的防御性能,许多变水印算法会借助于从地图数据中抽象出来的复杂水印载体来记录水印信息,这些水印载体往往是通过复杂运算过程从地理数据中抽取出来的,对于旋转平移缩放这类直接几何攻击,以及乱序增删这些全局攻击往往会有着非常优秀的抗性。但在另一方面,由于水印载体运算过程的高度抽象和复杂性,会使嵌入算法难以控制对于地图本身数据的影响,同时也难以保证水印信息在地理数据经历噪声攻击后的准确性。在极端情况下,对于地理数据的微量修改,就会引起通过复杂运算得出的水印载体数值的巨大变化,从而导致水印失效。这一特性,使得大多数水印算法对于噪声攻击的抵抗性表现得极弱,甚至没有抗性。
和通常的水印算法不同,动态步长算法对于噪声攻击的防御力格外优秀,对于其他的水印攻击也有着非常优秀的防御力,它唯一的不足是无法防御缩放攻击。这是由其设计原理所决定的,缩放攻击会导致其检测的依赖步的距离信息发生变动,从而使全部水印信息都丢失。
发明内容
本发明主要是解决现有技术所存在的上述技术问题,提供了一种基于地物特征推断地图缩放比例的方法。该方法通过记录一对地物的特征信息及它们间的距离信息,根据这对地物在经历缩放前后,地物间距离的变化来推断缩放比例。
本文所提及的基于地物特征提取的地图缩放比例推断方法,就是为了解决这一问题所提出的。通过在动态步长算法嵌入和检测水印的途中加入这一辅助算法,在获取了了缩放比例的前提下,便可以消除缩放攻击对于距离信息的影响,从而帮助动态步长算法还原提取正确的水印,使得改进后的动态步长算法可同时防御(2)平移攻击;(3)缩放攻击;(4)化简攻击;(5)噪声攻击;(6)增删攻击;这六种攻击。同时,该算法也可用于需要检测地图缩放比例的情形,通过一串秘钥即可知道地图的放缩比例。
本发明提供的技术方案为一种基于特征描述的地图缩放比例推断方法,包括地物特征提取步骤,缩放比例还原步骤。基于以下定义执行地物特征提取步骤,缩放比例还原步骤。
地理数据集D={R,P},其中,R表示参考坐标系;P={P1,P2,…,Pr}表示区域类型的地物的集合,r为地物个数;每个地物Pi由一系列的顶点pi1,pi2,…,pim组成,i∈{1,2,…,r},Pi={pi1,pi2,…,pim}对应数据库中的一个元组;
所述地物特征提取步骤包括以下子步骤,
步骤1.1,计算各地物的特征边比值,统计其全局稳定位数数组。
步骤1.2,计算各地物比值描述串,并根据比值描述串的稳定性,将地物分别加入稳定地物集与不稳定地物集中。
步骤1.3,对稳定地物集中的地物,根据比值描述串建立哈希表,借助哈希表构建高识别地物集。
步骤1.4,对于高识别地物集以及不稳定地物集中的地物,计算其特征描述串,并通过特征描述串相似的比较,筛选出独特地物,构建出独特地物集。
步骤1.5,按地物大小将地图划分为多个方格,跨方格挑选独特地物组,记录其特征信息及距离信息,添加到秘钥中。
所述缩放比例还原步骤包括以下子步骤,
步骤2.1对秘钥进行解密,得到一组比值描述串和特征描述串。
步骤2.2遍历被检测地图中的每一个地物,寻找符合这一组比值描述串与特征描述串的地物组。
步骤2.3计算地物组在被攻击后地图中的距离信息,通过与秘钥中记录的距离信息对比,获取缩放比例。
而且,所述的步骤1.1中具体过程如下,
步骤1.1.1,获取稳定的特征点,具体操作方法如下,
对于集合P={P1,P2,…,Pr}中任意地物Pi={pi1,pi2,…,pim},运用道格拉斯-普克算法进行特征点标识,标识过程为,令l为连接pi1和pim的直线,与地物Pi的所有顶点中距离l最远的顶点的距离长度为dmax;令dist=dmax*α,使用dist作为道格拉斯-普克算法的化简阈值对地物Pi化简,求取地物Pi的特征点集Fi={fi1,fi2,…,fij},其中,α为化简幅度阈值,fi1,fi2,…,fij是地物Pi的特征点,j是地物Pi的特征点总数;
步骤1.1.2,计算地物Pi的特征边比值及稳定位数。
根据特征点集Fi计算特征中心Oi,并计算每个特征点fi1,fi2,…,fij与特征中心Oi的距离,按从大到小顺序排序,得按长度排序后特征距离集FDi={fdi1,fdi2,…,fdim};
对于排序靠近的特征距离,两两计算其距离比值得特征边比值,如公式1所示,对于排序第k与k+1的特征距离所成的比值,称其为第k特征边比值。
对于每个地物的第k特征边比值都有,
compare函数比较两个浮点数类型从小数点后第一位开始不同的位数,将其作为返回值返回,将hrki称为地物Pi的稳定位数。
步骤1.1.3,统计全局范围内,各个地物前n个特征边比值的稳定位数,构建稳定位数数组。
统计地图中各个地物的第k特征边比值的稳定位数hrki,选取一个适用于大多数地物的稳定位数,作为第k边比值的全局稳定位数hrk。对于地图中各个地物的前n个特征边比值,分别统计其在全局内的稳定位数。将这些特征边比值的稳定位数一同记录,便构建出全局稳定位数数组Hr={hr1,hr2,…hrn}。其中,n为地图中地物平均特征点数目的二分之一取整。
而且,所述的步骤1.2中具体操作步骤为,计算各地物比值描述串,并根据比值描述串的稳定性,将地物分别加入稳定地物集与不稳定地物集中。
对于地物Pi,通过公式2,3,4计算其前n个特征边比值的稳定位数,得到该地物Pi的比值稳定位数数组Hri={hri1,hri2,…hrin}。对于地物Pi的比值稳定位数数组,与全局稳定位数数组Hr={hr1,hr2,…hrn}进行比较。
如果对任意一个k(0<k<n)有hrik<hrk,则将地物Pi加入不稳定地物集Knst,反之,则计算地物Pi的比值描述串rsdri,并将地物Pi添加到稳定地物集Kst中。
比值描述串rsdri的计算流程如下,对于地物Pi的前n个特征边比值,用公式5提取其第k边比值稳定位数上的数值,称其为第k边比值的稳定数值srik。
srik=extract(flrik,hrk), (公式5)
其中,extract函数用于获取传入的第一个参数的前hrk位,将其作为字符串返回。对前n个特征边比值,分别应用公式5后可得地物Pi的稳定数值数组Sri={sri1,sri2,…srin}。将地物Pi的稳定数值数组中各稳定数值用字符串连接操作拼接在一起,得地物Pi的比值描述串rsdri。
而且,所述的步骤1.3中具体操作步骤为,对稳定地物集中的地物,根据比值描述串建立哈希表,借助哈希表构建高识别地物集。
创建哈希表HASHm,HASHm中的键为比值描述串rsdri,值为该比值描述串出现的次数。
按如下规则向哈希表HASHm中放置比值描述串rsdri。
(1)如果比值描述串rsdri在哈希表中已存在,获得哈希表HASHm中比值描述串dsi对应的键值numi,将numi的值加1,更新到哈希表HASHm中。
(2)如果比值描述串rsdri在哈希表HASHm中不存在,则将比值描述串rsdri对应的键值设为1,放置到哈希表HASHm中。
遍历哈希表HASHm,寻找键值numi小于5的比值描述串rsdri对应的地物,将其添加到高识别地物集合Va中。
而且,所述的步骤1.4中具体过程如下,
步骤1.4.1计算高识别地物集合Va与不稳定地物集合Knst中地物的特征描述串,具体操作方法如下
通过公式4.1计算最长特征向量vli与各特征向量集VTi中各向量逆时针方向形成的夹角,称其为特征夹角anglez,并对向量集按照夹角大小由小到大进行排序,得排序后特征向量集VTSi={vti1,vti2,vti3…vtim}。
设fdai1,fdai2…fdaiz为按角度排序后特征向量集VTSi中各特征向量的长度,fdaiL为最长特征向量的长度。
分别计算VTSi中每条向量长度与最长特征向量长度所成比值,计算方式如公式7所示。
将各向量所得的比值与夹角一同组合记录,得到原始特征描述串Nfsdri={(anglei1,disi1),(anglei2,disi2)…,(angleim,disim)}。其中angleiz为最长特征向量与第z特征向量间所成夹角,称其为第z特征向量角,disiz为第z特征向量与最长特征向量长度的比值,称其为第z特征向量比值。
同时,为了预估噪声攻击对于各角度与比值带来的影响,对于每个特征向量用公式8预估出特征向量角波动范围maviz,用公式9,10,11预估出特征向量比值波动范围mvdiz。
其中,β为噪声补正参数,通常取3。
其中,公式9,公式10分别算出了噪声攻击下,第z特征向量比值的波动近似上限与波动近似下限。Max函数获取了这两个波动值中的最大者,作为特征向量比值波动范围mvdiz。
将各个角度及比值的波动范围加入到特征描述串中一同记录,得到特征描述串fsdri={(anglei1,dis1,mavi1,mvdi1)…(angleim,dism,mavim,mvdim)}将特征描述串中一个括号内的角度,比值,波动范围等,称为一个元组。将特征描述串重新描述为fsdri={tuplei1,tuplei2…tupleim},并在此给出两个地物的特征描述串相似的定义。
对于地物Pi与地物Pk,如果对于其特征描述串内的每一个元组tuple都有:
ABS(angleiz-anglekz)<mvaiz+mvakz
ABS(disiz-diskz)<mvdiz+mvdkz
则称这两个地物的特征描述串相似,反之则称其不相似。其中ABS为绝对值函数。
步骤1.4.2,对于高识别地物集中地物,通过特征描述串的相似比较,构建独特地物集。
对于高识别地物集Va中的地物,计算其特征描述串,与两类地物进行特征描述串相似的判定。
第一类地物:非稳定地物集合Knst中的地物。
第二类地物:高识别地物集Va中有着相同比值描述串rsdri的地物。
如果一个地物的特征描述串不与任何上述两类地物中的任何一个相似,则将其添加到独特地物集Haim中。
而且,所述的步骤1.5中具体操作步骤为,按地物大小将地图划分为多个方格,跨方格挑选独特地物组,记录其特征信息及距离信息,添加到秘钥中。设Li为地物Pi中最远两点间的距离,统计全局内地物的平均最远点距离,记为Lavg。
获取地图中的最大及最小x,y值。根据其构建矩形区间,再计算出地图中地物的平均定向距离Lavg,并以Lavg*50作为方格边长,将矩形区间划分成ll*lr组正方形方格。随后将上一步骤中计算出的独特地物集Haim中的地物,根据其地物中心的x,y坐标,划分入这些方格之中。
随后,按照如下顺序挑选地物组,从第一列方格开始,随机抽取该列方格中的一个方格,检查其中有无独特地物。如无独特地物,则从该列中随机抽取另一个方格,检查其中有无独特地物,重复上述步骤直至找到独特地物为止。
在第一列方格中找到独特地物后,再跳转至第三列方格中,同样重复上述步骤直至找到独特地物。找到两个独特地物后,将这两个独特地物当做一个地物组,一同记录其比值描述串,特征描述串及两地物中心点距离,将这些内容加密后输出到秘钥K中。
继续通过如上方式,在地图的第t列与t+2列中挑选地物组,如果t达到ll-2,则重新从第一列开始,继续挑选地物组,直至秘钥中记录的地物组对数量达到预先设定的数量要求nm为止。其中nm为秘钥长度参数,由用户自己指定,用于控制提取地物组对的数量。
而且,所述的步骤2.1中具体操作步骤为,对于用户提供的秘钥K进行解密,从中提取出一组地物的比值描述串rsdri,特征描述串fsdrkey,中心点距离diskey,以及全局稳定位数数组Hr。
而且,所述的步骤2.2中具体操作步骤为,遍历地图中的每一个地物,对地物Pi进行道格拉斯普克化简后,计算其比值描述串rsdri,比较地物的比值描述串rsdri是否与秘钥中记录的某一个比值描述串rsdrkey相同。若两比值描述串相等,则进入下一步骤,计算地物Pi的特征描述串,将其与秘钥中记录的特征描述串进行相符判定。对相符的地物予以标记。
在此给出地物Pi与特征描述串fsdrk相符的定义。
对于有m+1个特征点的地物Pi,如果它的特征描述串
Nfsdri={(anglei1,dis,,mavi1,mvdi1)…(angleim,dism,mavim,mvdim)}
与一个特征描述串
fdsrk={(anglek1,disk1,mavk1,mvdk1)…(anglekm,diskm,mavkm,mvdkm)}满足如下关系:
如果对每一个z,都有
ABS(anglekz-angleiz)<mvakz
ABS(diskz-disiz)<mvdkz
则称地物Pi符合特征描述串fsdrk的地物,其中ABS为绝对值函数。
而且,所述的步骤2.3中具体操作步骤为,找到秘钥中所记录的地物组,通过公式12计算出地图相较于原地图的缩放比例sri。
其中,diskey为秘钥中记录的地物中心点距离,disij为地物组间距离。
与现有技术相比,本发明的优点和有益效果:本发明中的比值描述串与特征描述串有着在地理数据平移、旋转、缩放、化简、顶点插值、噪音附加、元组删除、元组增加和元组修改中维持稳定的特性,因此本发明具有良好的抗几何攻击、顶点攻击和元组攻击能力,可在经历一系列水印攻击后还原地图缩放比例。
附图说明
图1为本发明实施例的地物特征提取流程图;
图2为本发明实施例的缩放比例推断流程图;
图3为本发明实施例的地物特征描述串计算实例图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
地理数据集D={R,P},其中,R表示参考坐标系;P={P1,P2,…,Pr}表示区域类型的地物的集合,r为地物个数;每个地物Pi由一系列的顶点pi1,pi2,…,pim组成,i∈{1,2,…,r},Pi={pi1,pi2,…,pim}对应数据库中的一个元组;
地物特征提取步骤如下:
地物特征提取步骤的核心目标在于找到地图中拥有着独特形状的地物组,并将其形状特征通过比值描述串与特征描述串记录下来,并记录下两个地物之间的距离。
在缩放比例还原步骤中,将利用比值描述串与特征描述串重新找到这对地物组,并利用它们当前的距离与秘钥中的距离还原缩放比例。
为了记录特征用于在攻击前后的地图中找到同一组地物,本专利设计了一种名为特征描述串fsdr的地物标识符,并定义了其相似和相符的判定用于在经受水印攻击的地图中,尽可能不混淆地找到某个地物。
然而,通过特征描述串的相似判定找到独特地物计算效率较低,因此,本算法引入了另一类数值化的地物标识符比值描述串rsdr,运用该标识符可数值化的特性,借助哈希表快速过滤,仅对有着相同比值描述串的地物进行特征描述串的相似判定,提高了算法效率。
此外,部分地物的比值描述串rsdr在水印攻击下并不稳定,因此在运算过程中对这些地物加以记录,构成了不稳定地物集。一个地物的特征描述串既与不稳定地物集中的地物不相似,又与有着相同比值描述串的地物不相似,才能确定其为独特地物。
最后,对于筛选出的独特地物集,通过方格化及跨方格挑选,保证了挑选出的地物组距离中心点距离远大于平均特征距离。将这些挑选出的地物组的比值描述串及特征描述串,输出到秘钥串当中,供缩放比例还原使用。
而且,所述的步骤1.1中具体过程如下,
特征点是地物中最为能突出其形状特征的点,一般默认地图攻击方不会对地图做出影响其特征点的水印攻击。因此,根据地物特征点提取其比值描述串及特征描述串,会对一系列水印攻击较为稳定。从而保证可在水印攻击后,依靠比值描述串及特征描述串找到同一组地物。
步骤1.1.1,获取稳定的特征点,具体操作方法如下,
对于集合P={P1,P2,…,Pr}中任意地物Pi={pi1,pi2,…,pim},运用道格拉斯-普克算法进行特征点标识,标识过程为,令l为连接pi1和pim的直线,与地物Pi的所有顶点中距离l最远的顶点的距离长度为dmax;令dist=dmax*α,使用dist作为道格拉斯-普克算法的化简阈值对地物Pi化简,求取地物Pi的特征点集Fi={fi1,fi2,…,fij},其中,α为化简幅度阈值,fi1,fi2,…,fij是地物Pi的特征点,j是地物Pi的特征点总数;
本专利计算地物的多个特征边比值,并将它们的稳定位拼接为比值描述串,作为地物的标识符。由于比值的特性,比值描述串的计算不会受到平移旋转缩放的影响,又因为是利用不会被噪声影响的比值稳定位计算,因此不会被噪声攻击影响。然而,根据地图数据集特性的不同,不同地图中的不同地物,其特征边比值会有着不同的稳定位数。因此,在计算地物的比值描述串之前,需要先针对该地图,统计适用于地图中大多数地物特征边比值的稳定位数,并利用这一稳定位数去提取特征边比值的稳定位,用于拼接出比值描述串。
步骤1.1.2,计算地物Pi的特征边比值及稳定位数。
根据特征点集Fi计算特征中心Oi,并计算每个特征点fi1,fi2,…,fij与特征中心Oi的距离,按从大到小顺序排序,得按长度排序后特征距离集FDi={fdi1,fdi2,…,fdim};
对于排序靠近的特征距离,两两计算其距离比值得特征边比值,如公式1所示,对于排序第k与k+1的特征距离所成的比值,称其为第k特征边比值。
对于每个地物的第k特征边比值都有,
compare函数比较两个浮点数类型从小数点后第一位开始不同的位数,将其作为返回值返回,将hrki称为地物Pi的稳定位数。
步骤1.1.3,统计全局范围内,各个地物前n个特征边比值的稳定位数,构建稳定位数数组。
统计地图中各个地物的第k特征边比值的稳定位数hrki,选取一个适用于大多数地物的稳定位数,作为第k边比值的全局稳定位数hrk。对于地图中各个地物的前n个特征边比值,分别统计其在全局内的稳定位数。将这些特征边比值的稳定位数一同记录,便构建出全局稳定位数数组Hr={hr1,hr2,…hrn}。其中,n为地图中地物平均特征点数目的二分之一取整。
因本专利挑选稳定位数的时候,并不是以满足所有地物的稳定为目标,而是以满足大部分地物的稳定为目标。所以根据全局稳定位数数组中记录的稳定位数计算各地物的比值描述串时,部分地物的比值描述串是不稳定的。为此,把这些比值描述串不稳定的地物的添加到不稳定地物集中处理。
而且,所述的步骤1.2中具体操作步骤为,计算各地物比值描述串,并根据比值描述串的稳定性,将地物分别加入稳定地物集与不稳定地物集中。
对于地物Pi,通过公式2,3,4计算其前n个特征边比值的稳定位数,得到该地物Pi的比值稳定位数数组Hri={hri1,hri2,…hrin}。对于地物Pi的比值稳定位数数组,与全局稳定位数数组Hr={hr1,hr2,…hrn}进行比较。
如果对任意一个k(0<k<n)有hrik<hrk,则将地物Pi加入不稳定地物集Knst,反之,则计算地物Pi的比值描述串rsdri,并将地物Pi添加到稳定地物集Kst中。
比值描述串rsdri的计算流程如下,对于地物Pi的前n个特征边比值都有,用公式5提取其第k边比值稳定位数上的数值,称其为第k边比值的稳定数值srik。
srik=extract(flrik,hrk), (公式5)
其中,extract函数用于获取传入的第一个参数的前hrk位,将其作为字符串返回。对前n个特征边比值,分别应用公式5后可得地物Pi的稳定数值数组Sri={sri1,sri2,…srin}。将地物Pi的稳定数值数组中各稳定数值用字符串连接操作拼接在一起,得地物Pi的比值描述串rsdri。
而且,所述的步骤1.3中具体操作步骤为,对稳定地物集中的地物,根据比值描述串建立哈希表,借助哈希表构建高识别地物集。
因为通过逐个比较特征描述串的方式,挑选独特地物过慢。本文利用比值描述串这一可以数值化的载体,借助于哈希表高速比值描述串重复度低的地物,
创建哈希表HASHm,HASHm中的键为比值描述串rsdri,值为该比值描述串出现的次数。
按如下规则向哈希表HASHm中放置比值描述串rsdri。
(1)如果比值描述串rsdri在哈希表中已存在,获得哈希表HASHm中比值描述串dsi对应的键值numi,将numi的值加1,更新到哈希表HASHm中。
(2)如果比值描述串rsdri在哈希表HASHm中不存在,则将比值描述串rsdri对应的键值设为1,放置到哈希表HASHm中。
遍历哈希表HASHm,寻找键值numi小于5的比值描述串rsdri对应的地物,将其添加到高识别地物集合Va中。
而且,所述的步骤1.4中具体过程如下,
步骤1.4.1计算高识别地物集合Va与不稳定地物集合Knst中地物的特征描述串,具体操作方法如下
通过公式4.1计算最长特征向量vli与各特征向量集VTi中各向量逆时针方向形成的夹角,称其为特征夹角anglez,并对向量集按照夹角大小由小到大进行排序,得排序后特征向量集VTSi={vti1,vti2,vti3…vtim}。
设fdai1,fdai2…fdaiz为按角度排序后特征向量集VTSi中各特征向量的长度,fdaiL为最长特征向量的长度。
分别计算VTSi中每条向量长度与最长特征向量长度所成比值,计算方式如公式7所示。
将各向量所得的比值与夹角一同组合记录,得到原始特征描述串Nfsdri={(anglei1,disi1),(anglei2,disi2)…,(angleim,disim)}。其中angleiz为最长特征向量与第z特征向量间所成夹角,称其为第z特征向量角,disiz为第z特征向量与最长特征向量长度的比值,称其为第z特征向量比值。
同时,为了预估噪声攻击对于各角度与比值带来的影响,对于每个特征向量用公式8预估出特征向量角波动范围maviz,用公式9,10,11预估出特征向量比值波动范围mvdiz。
其中,β为噪声补正参数,通常取3。
其中,公式9,公式10分别算出了噪声攻击下,第z特征向量比值的波动近似上限与波动近似下限。Max函数获取了这两个波动值中的最大者,作为特征向量比值波动范围mvdiz。
将各个角度及比值的波动范围加入到特征描述串中一同记录,得到特征描述串fsdri={(anglei1,dis1,mavi1,mvdi1)…(angleim,dism,mavim,mvdim)}将特征描述串中一个括号内的角度,比值,波动范围等,称为一个元组。将特征描述串重新描述为fsdri={tuplei1,tuplei2…tupleim},并在此给出两个地物的特征描述串相似的定义。
对于地物Pi与地物Pk,如果对于其特征描述串内的每一个元组tuple都有:
ABS(angleiz-anglekz)<mvaiz+mvakz
ABS(disiz-diskz)<mvdiz+mvdkz
则称这两个地物的特征描述串相似,反之则称其不相似。其中ABS为绝对值函数。
在这里,特征描述串相似的比较设计,考虑到了加噪攻击的影响。特征描述串是由一系列比值和角度数值组成的,这些数值对于几何变换稳定,但对于噪声攻击不稳定,因此需要预先把噪声攻击的影响考虑进去,预先通过上述公式计算各数值的波动范围,在检测时,对于比值和角度在波动范围内的地物,依然把它们看做同一地物。
另外,为了避免噪声攻击使两个原本特征描述串不同的地物,在被攻击后数值发生混淆,设计了特征描述串的相似判定操作。相似的判定实际上就是考虑到了各个比值和角度的波动范围,如果两个地物的特征描述串中,每一个角度,每一个比值的波动范围都不会重合,那么说明噪声攻击也不会让他们混淆。是值得被提取,对于一系列水印攻击安全的地物。
步骤1.4.2,对于高识别地物集中地物,通过特征描述串的相似比较,构建独特地物集。
对于高识别地物集Va中的地物,计算其特征描述串,与两类地物进行特征描述串相似的判定。
第一类地物:非稳定地物集合Knst中的地物。
第二类地物:高识别地物集Va中有着相同比值描述串rsdri的地物。
如果一个地物的特征描述串不与任何上述两类地物中的任何一个相似,则将其添加到独特地物集Haim中。
在缩放比例还原步骤中,需要通过比值描述串与特征描述串来找到地物组。高识别地物集中的地物其比值描述串是稳定的,但随着地图数据特性的不同,部分地物的比值描述串可能重复,因此要利用特征描述串的相似判定予以区分。此外,不稳定地物集中的地物由于比值描述串不稳定,最坏情况下可能会因为噪声攻击而变动与秘钥中记录的地物一致,因此也同样需要特征描述串的相似判定保证区分。
综上所述,如果一个地物的特征描述串不与不稳定地物集中的地物相似,也不与高识别地物集中有着相同比值描述串的地物相似,便基本可以保证,可在经历一系列水印攻击的地图中找到该地物。
而且,所述的步骤1.5中具体操作步骤为,按地物大小将地图划分为多个方格,跨方格挑选独特地物组,记录其特征信息及距离信息,添加到秘钥中。设Li为地物Pi中最远两点间的距离,统计全局内地物的平均最远点距离,记为Lavg。
获取地图中的最大及最小x,y值。根据其构建矩形区间,再计算出地图中地物的平均定向距离Lavg,并以Lavg*50作为方格边长,将矩形区间划分成ll*lr组正方形方格。随后将上一步骤中计算出的独特地物集Haim中的地物,根据其地物中心的x,y坐标,划分入这些方格之中。
随后,按照如下顺序挑选地物组,从第一列方格开始,随机抽取该列方格中的一个方格,检查其中有无独特地物。如无独特地物,则从该列中随机抽取另一个方格,检查其中有无独特地物,重复上述步骤直至找到独特地物为止。
在第一列方格中找到独特地物后,再跳转至第三列方格中,同样重复上述步骤直至找到独特地物。找到两个独特地物后,将这两个独特地物当做一个地物组,一同记录其比值描述串,特征描述串及两地物中心点距离,将这些内容加密后输出到秘钥K中。
继续通过如上方式,在地图的第t列与t+2列中挑选地物组,如果t达到ll-2,则重新从第一列开始,继续挑选地物组,直至秘钥中记录的地物组对数量达到预先设定的数量要求nm为止。其中nm为秘钥长度参数,由用户自己指定,用于控制提取地物组对的数量。
因噪声攻击会对地物之间的距离造成轻微的影响,进而导致推断所得的缩放比例出现波动,由数学推理可知,对于同样幅度的噪声攻击,地物之间的距离越远,借助于距离推算出的缩放比例。因此,通过对跨方块选取地物组,就保证了选取的地物组之间距离较远,推断出的缩放比例受噪声攻击影响较小。
而且,所述的步骤2.1中具体操作步骤为,对于用户提供的秘钥K进行解密,从中提取出一组地物的比值描述串rsdri,特征描述串fsdrkey,中心点距离diskey,以及全局稳定位数数组Hr。
而且,所述的步骤2.2中具体操作步骤为,遍历地图中的每一个地物,对地物Pi进行道格拉斯普克化简后,计算其比值描述串rsdri,比较地物的比值描述串rsdri是否与秘钥中记录的某一个比值描述串rsdrkey相同。若两比值描述串相等,则进入下一步骤,计算地物Pi的特征描述串,将其与秘钥中记录的特征描述串进行相符判定。
在此给出地物Pi与特征描述串fsdrk相符的定义。
对于有m+1个特征点的地物Pi,如果它的特征描述串
Nfsdri={(anglei1,dis,,mavi1,mvdi1)…(angleim,dism,mavim,mvdim)}
与一个特征描述串
fdsrk={(anglek1,disk1,mavk1,mvdk1)…(anglekm,diskm,mavkm,mvdkm)}满足如下关系:
如果对每一个z,都有
ABS(anglekz-angleiz)<mvakz
ABS(diskz-disiz)<mvdkz
则称地物Pi符合特征描述串fsdrk的地物,其中ABS为绝对值函数。
这一特征描述串的相符判定,实际上就是将噪声对于特征描述串的影响也考虑了进去,扩大了对各个比值与角度的相等判定范围,从而实现屏蔽噪声攻击对特征描述串判断带来的干扰。
而且,所述的步骤2.3中具体操作步骤为,找到秘钥中所记录的地物组,通过公式12计算出地图相较于原地图的缩放比例sri;由于提取了多组地物组的信息,根据这些不同的地物,可获取多个缩放比例。对于这些获取的缩放比例进行DBSCAN聚类,聚类参数分别取Eps=d/50*Lavg、MinPts=nm/2。对于聚类结果最多的分组,取其缩放比例的平均值,作为推断缩放比sr输出。
其中,diskey为秘钥中记录的地物中心点距离,disij为地物组间距离。
因地图缩放比例的具体值,会体现在地物中心点的距离上,如一个地图被放大两倍,那么同一个地物组中心点距离也会变为两倍。本专利通过比值描述串与特征描述串记录了一组地物的特征信息,并将该特征信息与中心点距离记录在秘钥中。在经历水印攻击后的地图中,通过特征信息找到同一组地物,并根据前后中心点的距离获取缩放比例。
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 (9)
1.一种基于特征描述的地图缩放比例推断方法,其特征在于:包括地物特征提取步骤与缩放比例还原步骤,基于以下定义执行物特征提取步骤与缩放比例还原步骤;
所述地物特征提取步骤包括以下子步骤,
步骤1.1,计算各地物的特征边比值,统计其全局稳定位数数组;
步骤1.2,计算各地物比值描述串,并根据比值描述串的稳定性,将地物分别加入稳定地物集与不稳定地物集中;
步骤1.3,对稳定地物集中的地物,根据比值描述串建立哈希表,借助哈希表构建高识别地物集;
步骤1.4,对于高识别地物集以及不稳定地物集中的地物,计算其特征描述串,并通过特征描述串相似的比较,筛选出独特地物,构建出独特地物集;
步骤1.5,按地物大小将地图划分为多个方格,跨方格挑选独特地物组,记录其特征信息及距离信息,添加到秘钥中;
所述缩放比例还原步骤包括以下子步骤,
步骤2.1,对秘钥进行解密,得到一组比值描述串和特征描述串;
步骤2.2,遍历被检测地图中的每一个地物,寻找符合这一组比值描述串与特征描述串的地物组;
步骤2.3,计算地物组在被攻击后地图中的距离信息,通过与秘钥中记录的距离信息对比,获取缩放比例。
2.根据权利要求1所述的一种基于地物特征描述的地图缩放比例推断方法,其特征在于:所述步骤1.1的具体实现过程如下,
步骤1.1.1,获取稳定的特征点,具体操作方法如下,
地理数据集D={R,P},其中,R表示参考坐标系;P={P1,P2,…,Pr}表示区域类型的地物的集合,r为地物个数;每个地物Pi由一系列的顶点pi1,pi2,…,pim组成,i∈{1,2,…,r},Pi={pi1,pi2,…,pim}对应数据库中的一个元组;
对于集合P={P1,P2,…,Pr}中任意地物Pi={pi1,pi2,…,pim},运用道格拉斯-普克算法进行特征点标识,标识过程为:令l为连接pi1和pim的直线,与地物Pi的所有顶点中距离l最远的顶点的距离长度为dmax;令dist=dmax*α,使用dist作为道格拉斯-普克算法的化简阈值对地物Pi化简,求取地物Pi的特征点集Fi={fi1,fi2,…,fij},其中,α为化简幅度阈值,fi1,fi2,…,fij是地物Pi的特征点,j是地物Pi的特征点总数;
步骤1.1.2,计算地物Pi的特征边比值及稳定位数;
根据特征点集Fi计算特征中心Oi,并计算每个特征点fi1,fi2,…,fij与特征中心Oi的距离,按从大到小顺序排序,得按长度排序后特征距离集FDi={fdi1,fdi2,…,fdim};
对于排序靠近的特征距离,两两计算其距离比值得特征边比值,如公式1所示,对于排序第k与k+1的特征距离所成的比值,称其为第k特征边比值,
对于每个地物的第k特征边比值都有,
compare函数比较两个浮点数类型从小数点后第一位开始不同的位数,将其作为返回值返回,将hrki称为地物Pi的稳定位数;
步骤1.1.3,统计全局范围内,各个地物前n个特征边比值的稳定位数,构建稳定位数数组;
统计地图中各个地物的第k特征边比值的稳定位数hrki,选取一个适用于大多数地物的稳定位数,作为第k边比值的全局稳定位数hrk,对于地图中各个地物的前n个特征边比值,分别统计其在全局内的稳定位数,将这些特征边比值的稳定位数一同记录,便构建出全局稳定位数数组Hr={hr1,hr2,…hrn},其中,n为地图中地物平均特征点数目的二分之一取整。
3.根据权利要求2所述的一种基于特征描述的地图缩放比例推断方法,其特征在于:所述步骤1.2的具体实现过程如下,
对于地物Pi,通过公式2,3,4计算其前n个特征边比值的稳定位数,得到该地物Pi的比值稳定位数数组Hri={hri1,hri2,…hrin},对于地物Pi的比值稳定位数数组,与全局稳定位数数组Hr={hr1,hr2,…hrn}进行比较;
如果对任意一个k有hrik<hrk,则将地物Pi加入不稳定地物集Knst,反之,则计算地物Pi的比值描述串rsdri,并将地物Pi添加到稳定地物集Kst中,其中0<k<n;
比值描述串rsdri的计算流程如下,对于地物Pi的前n个特征边比值,用公式5提取其第k边比值稳定位数上的数值,称其为第k边比值的稳定数值srik,
srik=extract(flrik,hrk), (公式5)
其中,extract函数用于获取传入的第一个参数的前hrk位,将其作为字符串返回;对前n个特征边比值,分别应用公式5后可得地物Pi的稳定数值数组Sri={sri1,sri2,…srin};将地物Pi的稳定数值数组中各稳定数值用字符串连接操作拼接在一起,得地物Pi的比值描述串rsdri。
4.根据权利要求3所述的一种种基于特征描述的地图缩放比例推断方法,其特征在于:所述步骤1.3的具体实现过程如下,
创建哈希表HASHm,HASHm中的键为比值描述串rsdri,值为该比值描述串出现的次数,按如下规则向哈希表HASHm中放置比值描述串rsdri;
(1)如果比值描述串rsdri在哈希表中已存在,获得哈希表HASHm中比值描述串dsi对应的键值numi,将numi的值加1,更新到哈希表HASHm中;
(2)如果比值描述串rsdri在哈希表HASHm中不存在,则将比值描述串rsdri对应的键值设为1,放置到哈希表HASHm中;
遍历哈希表HASHm,寻找键值numi小于5的比值描述串rsdri对应的地物,将其添加到高识别地物集合Va中。
5.根据权利要求4所述的一种基于特征描述的地图缩放比例推断方法,其特征在于:所述步骤1.4的具体实现过程如下,
通过公式6计算最长特征向量vli与各特征向量集VTi中各向量逆时针方向形成的夹角,称其为特征夹角anglez,并对向量集按照夹角大小由小到大进行排序,得排序后特征向量集VTSi={vti1,vti2,vti3…vtim};
设fdai1,fdai2…fdaiz为按角度排序后特征向量集VTSi中各特征向量的长度,fdaiL为最长特征向量的长度;
分别计算VTSi中每条向量长度与最长特征向量长度所成比值,计算方式如公式7所示,
将各向量所得的比值与夹角一同组合记录,得到原始特征描述串Nfsdri={(anglei1,disi1),(anglei2,disi2)…,(angleim,disim)};其中angleiz为最长特征向量与第z特征向量间所成夹角,称其为第z特征向量角,disiz为第z特征向量与最长特征向量长度的比值,称其为第z特征向量比值;
同时,为了预估噪声攻击对于各角度与比值带来的影响,对于每个特征向量用公式8预估出特征向量角波动范围maviz,用公式9,10,11预估出特征向量比值波动范围mvdiz,
其中,β为噪声补正参数,通常取3;
其中,公式9,公式10分别算出了噪声攻击下,第z特征向量比值的波动近似上限与波动近似下限。Max函数获取了这两个波动值中的最大者,作为特征向量比值波动范围mvdiz;
将各个角度及比值的波动范围加入到特征描述串中一同记录,得到特征描述串fsdri={(anglei1,dis1,mavi1,mvdi1)…(angleim,dism,mavim,mvdim)}将特征描述串中一个括号内的角度,比值,波动范围,称为一个元组;将特征描述串重新描述为fsdri={tuplei1,tuplei2…tupleim},并在此给出两个地物的特征描述串相似的定义;
对于地物Pi与地物Pk,如果对于其特征描述串内的每一个元组tuple都有:
ABS(angleiz-anglekz)<mvaiz+mvakz
ABS(disiz-diskz)<mvdiz+mvdkz
则称这两个地物的特征描述串相似,反之则称其不相似,其中ABS为绝对值函数;
步骤1.4.2,对于高识别地物集中地物,通过特征描述串的相似比较,构建独特地物集;
对于高识别地物集Va中的地物,计算其特征描述串,与两类地物进行特征描述串相似的判定;
第一类地物:非稳定地物集合Knst中的地物;
第二类地物:高识别地物集Va中有着相同比值描述串rsdri的地物;
如果一个地物的特征描述串不与任何上述两类地物中的任何一个相似,则将其添加到独特地物集Haim中。
6.根据权利要求5所述的一种基于特征描述的地图缩放比例推断方法,其特征在于:所述步骤1.5的具体实现过程如下,
设Li为地物Pi中最远两点间的距离,统计全局内地物的平均最远点距离,记为Lavg,获取地图中的最大及最小x,y值,根据其构建矩形区间,再计算出地图中地物的平均定向距离Lavg,并以Lavg*50作为方格边长,将矩形区间划分成ll*lr组正方形方格,随后将上一步骤中计算出的独特地物集Haim中的地物,根据其地物中心的x,y坐标,划分入这些方格之中;
随后,按照如下顺序挑选地物组,从第一列方格开始,随机抽取该列方格中的一个方格,检查其中有无独特地物,如无独特地物,则从该列中随机抽取另一个方格,检查其中有无独特地物,重复上述步骤直至找到独特地物为止;
在第一列方格中找到独特地物后,再跳转至第三列方格中,同样重复上述步骤直至找到独特地物;找到两个独特地物后,将这两个独特地物当做一个地物组,一同记录其比值描述串,特征描述串及两地物中心点距离,将这些内容加密后输出到秘钥K中;
继续通过如上方式,在地图的第t列与t+2列中挑选地物组,如果t达到ll-2,则重新从第一列开始,继续挑选地物组,直至秘钥中记录的地物组对数量达到预先设定的数量要求nm为止,其中nm为秘钥长度参数,由用户自己指定,用于控制提取地物组对的数量。
7.根据权利要求6所述的一种基于地物特征提取的地图缩放比例推断方法,其特征在于:所述步骤2.1中的具体实现过程如下,
对于用户提供的秘钥K进行解密,从中提取出一组地物的比值描述串rsdri,特征描述串fsdrkey,中心点距离diskey,以及全局稳定位数数组Hr。
8.根据权利要求7所述的一种基于地物特征提取的地图缩放比例推断方法,其特征在于:所述步骤2.1中的具体实现过程如下,
遍历地图中的每一个地物,对地物Pi进行道格拉斯普克化简后,计算其比值描述串rsdri,比较地物的比值描述串rsdri是否与秘钥中记录的某一个比值描述串rsdrkey相同;若两比值描述串相等,则进入下一步骤,计算地物Pi的特征描述串,将其与秘钥中记录的特征描述串进行相符判定,对于特征描述串相符的地物予以记录;
在此给出地物Pi与特征描述串fsdrk相符的定义;
对于有m+1个特征点的地物Pi,如果它的特征描述串
Nfsdri={(anglei1,dis,,mavi1,mvdi1)…(angleim,dism,mavim,mvdim)}
与一个特征描述串
fdsrk={(anglek1,disk1,mavk1,mvdk1)…(anglekm,diskm,mavkm,mvdkm)}满足如下关系:
如果对每一个z,都有
ABS(anglekz-angleiz)<mvakz
ABS(diskz-disiz)<mvdkz
则称地物Pi符合特征描述串fsdrk的地物,其中ABS为绝对值函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010444270.7A CN111667394B (zh) | 2020-05-22 | 2020-05-22 | 一种基于特征描述的地图缩放比例推断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010444270.7A CN111667394B (zh) | 2020-05-22 | 2020-05-22 | 一种基于特征描述的地图缩放比例推断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667394A true CN111667394A (zh) | 2020-09-15 |
CN111667394B CN111667394B (zh) | 2023-04-18 |
Family
ID=72384284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010444270.7A Active CN111667394B (zh) | 2020-05-22 | 2020-05-22 | 一种基于特征描述的地图缩放比例推断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667394B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937673A (zh) * | 2022-11-24 | 2023-04-07 | 中国测绘科学研究院 | 一种基于移动终端照片的地理要素快速变化发现方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070077298A (ko) * | 2006-01-23 | 2007-07-26 | 주식회사 현대오토넷 | 내비게이션 단말기에서 터치스크린을 이용한 지도 스케일조정 방법 |
US20100194784A1 (en) * | 2009-02-04 | 2010-08-05 | Raytheon Company | Apparatus and Method for Map Zooming |
CN102184244A (zh) * | 2011-05-18 | 2011-09-14 | 武汉大学 | 一种适合于polygon类型、高鲁棒的地理数据库水印方法 |
-
2020
- 2020-05-22 CN CN202010444270.7A patent/CN111667394B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070077298A (ko) * | 2006-01-23 | 2007-07-26 | 주식회사 현대오토넷 | 내비게이션 단말기에서 터치스크린을 이용한 지도 스케일조정 방법 |
US20100194784A1 (en) * | 2009-02-04 | 2010-08-05 | Raytheon Company | Apparatus and Method for Map Zooming |
CN102184244A (zh) * | 2011-05-18 | 2011-09-14 | 武汉大学 | 一种适合于polygon类型、高鲁棒的地理数据库水印方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937673A (zh) * | 2022-11-24 | 2023-04-07 | 中国测绘科学研究院 | 一种基于移动终端照片的地理要素快速变化发现方法 |
CN115937673B (zh) * | 2022-11-24 | 2024-04-26 | 中国测绘科学研究院 | 一种基于移动终端照片的地理要素快速变化发现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111667394B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Segmentation-based image copy-move forgery detection scheme | |
Warif et al. | SIFT-symmetry: a robust detection method for copy-move forgery with reflection attack | |
JP5463415B2 (ja) | 準複製画像検索のための方法およびシステム | |
CN109858361B (zh) | 基于街景图像匹配重复结构建筑的定位方法 | |
CN108961141B (zh) | 矢量地图的双重零水印方法、系统、存储介质及服务器 | |
CN103700099B (zh) | 一种旋转和尺度不变的宽基线立体匹配方法 | |
CN108830279B (zh) | 一种图像特征提取与匹配方法 | |
CN111523143B (zh) | 针对多方的隐私数据进行聚类的方法和装置 | |
WO2017173929A1 (zh) | 无监督的特征选择方法、装置 | |
Sun et al. | Nonoverlapping blocks based copy‐move forgery detection | |
CN102193934B (zh) | 用于寻找图像集合中的代表性图像的系统和方法 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
Peng et al. | A Zero‐Watermarking Scheme for Vector Map Based on Feature Vertex Distance Ratio | |
Ying et al. | A simple efficient approximation algorithm for dynamic time warping | |
Xie et al. | A Survey of Data Distortion Watermarking Relational Databases. | |
Kong et al. | Local stereo matching using adaptive cross-region-based guided image filtering with orthogonal weights | |
Dixit et al. | Region duplication detection in digital images based on Centroid Linkage Clustering of key–points and graph similarity matching | |
CN111667394B (zh) | 一种基于特征描述的地图缩放比例推断方法 | |
CN100397400C (zh) | 图形检索的方法 | |
US11983789B1 (en) | Generation method, detection method, generation device, and detection device of zero watermarking for trajectory data, and storage medium | |
CN102629325A (zh) | 图像特征提取方法和装置及图像拷贝检测方法和系统 | |
CN111402429B (zh) | 一种尺度还原、三维重建方法、系统、存储介质及设备 | |
Chou et al. | Affine-transformation-invariant public fragile watermarking for 3D model authentication | |
CN113704787B (zh) | 一种基于差分隐私的隐私保护聚类方法 | |
Shen et al. | Relational database watermarking for data tracing |
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 |