CN111832103B - 一种基于道路网络封闭地块合并交通子区的快速实现方法 - Google Patents

一种基于道路网络封闭地块合并交通子区的快速实现方法 Download PDF

Info

Publication number
CN111832103B
CN111832103B CN202010577542.0A CN202010577542A CN111832103B CN 111832103 B CN111832103 B CN 111832103B CN 202010577542 A CN202010577542 A CN 202010577542A CN 111832103 B CN111832103 B CN 111832103B
Authority
CN
China
Prior art keywords
traffic
road network
zone
column
subareas
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
CN202010577542.0A
Other languages
English (en)
Other versions
CN111832103A (zh
Inventor
王炜
王玉杰
杨洋
李欣然
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202010577542.0A priority Critical patent/CN111832103B/zh
Publication of CN111832103A publication Critical patent/CN111832103A/zh
Application granted granted Critical
Publication of CN111832103B publication Critical patent/CN111832103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Structural Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于道路网络封闭地块合并交通子区的快速实现方法，包括根据宏观集计分析尺度变大时对于交通分区的尺度要求确定道路网络等级；将边界和道路网络输出为图像，提取像素点，识别图像中的封闭地块，并赋予每个地块唯一标记；分别提取每一个交通子区的边界坐标，将其输出为图像，提取交通子区边界及内部像素点；将交通子区像素点坐标映射为道路网络像素点坐标，统计交通子区与每一个地块的重叠像素点，将重叠像素点最多的地块的标记赋予交通子区；按照交通子区的标记合并交通子区，得到新的交通分区。本发明将道路网络封闭地块与多边形的位置关系识别转化为封闭地块与多边形重叠面积的估计，在复杂道路网络下有较高的处理精度和速度。

Description

一种基于道路网络封闭地块合并交通子区的快速实现方法
技术领域
本发明涉及平面道路网络中封闭地块与多边形位置关系识别技术，涉及复杂道路网络形成的封闭地块与大量任意形状交通子区位置关系快速识别的技术，特别涉及一种基于道路网络封闭地块合并交通子区的快速实现方法。
背景技术
为了减少交通分析、交通调查的复杂性，在进行交通规划时通常会将研究区域划分为若干子区域，按照空间尺度大小可分为交通小区、交通中区和交通大区三类。一般在进行宏观交通集计分析时，往往需要同时划分交通小区、交通中区和交通大区，满足多种尺度下的分析目的。交通中区和交通大区分别是在交通小区、交通中区的基础上合并得到的，可根据具体的分析目标人工合并或设计适用的合并方法实现子区合并。
根据道路网络形成的封闭地块合并交通子区是众多合并方法中的一种，具有合并形状比较规则、合并得到的交通分区间的相对大小能够反映道路网络的相对稀疏即交通强度的相对大小等优势。但是实际的道路网络拓扑结构非常复杂，如何有效且完整的识别封闭地块、快速合并交通子区是目前需要解决的问题。
发明内容
发明目的：本发明的目的是提供一种基于道路网络封闭地块合并交通子区的快速实现方法，为有效且完整的识别封闭地块、快速合并交通子区，本发明将道路网络封闭地块与多边形的位置关系识别转化为封闭地块与多边形重叠面积的估计。
技术方案：本发明的基于道路网络封闭地块合并交通子区的快速实现方法，包括以下步骤：
(1)当宏观交通集计分析尺度变大时，根据新的交通分区尺度要求确定道路网络图像中保留的道路等级范围和道路网络图像比例尺scale；
(2)根据道路网络图像比例尺和研究区域范围确定道路网络图像分辨率，将研究区域按照计算的道路网络图像分辨率输出为道路网络图像；
(3)读取道路网络图像得到原始的彩色三维像素矩阵P，并将其转化为二维像素矩阵A；
(4)基于四邻域的邻接关系识别道路网络图像中的所有封闭地块，并为每一个封闭地块赋予唯一标记，得到封闭地块标记的二维像素矩阵B；
(5)分别提取交通子区边界，按照与道路网络图像相同的比例尺和交通子区边界确定分辨率输出交通子区图像；
(6)读取交通子区图像得到原始的彩色三维像素矩阵P_zone，并将其转化为二维像素矩阵C；
(7)遍历矩阵C，将交通子区图像像素点坐标映射到道路网络图像坐标，统计交通子区与每个封闭地块的重叠像素点数量，将重叠像素点最多的地块的标记赋予交通子区；
(8)判断所有交通子区是否提取完毕，如果是，则执行步骤(9)；否则返回步骤步骤(5)，直到所有交通子区均已识别所属封闭地块；
(9)按照步骤(7)得到的交通子区的标记合并交通子区，得到合并后的交通子区即新的交通分区。
进一步的，步骤(2)中道路网络图像分辨率计算公式如下：
w＝(lonMax-lonMin)/base×1000×scale；
h＝(latMax-latMin)/base×1000×scale；
其中，w、h分别表示道路网络图像宽度和道路网络图像高度；lonMax、lonMin、latMax、latMin分别表示研究区域边界的最大经度、最小经度、最大纬度、最小纬度；base表示等价于一公里的经纬度差值；scale表示道路网络图像比例尺，即单位像素表示的实际距离。
进一步的，步骤(3)中二维像素矩阵A中第i行、第j列的像素点取值Aij的计算公式为：
Figure BDA0002551769530000021
其中，A表示二维像素矩阵，Aij表示二维像素矩阵中第i行、第j列的像素点取值，1代表道路或区域边界，0代表背景；P[i,j,0]、P[i,j,1]、P[i,j,2]分别表示道路网络彩色图像的R、G、B色彩分量。
进一步的，步骤(4)中满足四邻域邻接是指两个像素点的取值均为0，且位置关系是上下或左右相邻。
进一步的，步骤(5)中交通子区图像分辨率计算公式如下：
w_zone＝(lonMax_zone-lonMin_zone)/base×1000×scale；
h_zone＝(latMax_zone-latMin_zone)/base×1000×scale；
其中，w_zone、h_zone分别表示交通子区图像宽度和图像高度；lonMax_zone、lonMin_zone、latMax_zone、latMin_zone分别表示交通子区边界的最大经度、最小经度、最大纬度、最小纬度。
进一步的，步骤(6)中二维像素矩阵C中第i行、第j列的像素点取值Cij的计算公式为：
Figure BDA0002551769530000031
其中，C表示交通子区的二维像素矩阵，Cij表示二维像素矩阵中第i行、第j列的像素点取值，1代表交通子区边界或内部区域，0代表背景；P_zone[i,j,0]、P_zone[i,j,1]、P_zone[i,j,2]分别表示交通子区彩色图像的R、G、B色彩分量。
进一步的，步骤(7)中将重叠像素点最多的地块的标记赋予交通子区包含以下步骤：
(71)令rowMin＝Max(int((lonMin_zone-lonMin)/base×1000×scale),0)，column_Min＝Max(int((latMin_zone-latMin)/base×1000×scale),0)；
(72)令row＝row_Min，column＝column_Min，rows＝矩阵C行数，columns＝矩阵C列数，flag＝{}；
(73)若B[row,column]>1，则将B[row,column]追加至flag；
(74)令column＝column+1，若column＝columns+column_Min，则row＝row+1，column＝column_Min；
(75)若row＝rows+row_Min，执行步骤(76)，否则执行步骤(73)；
(76)统计flag中各标记的数量，将出现数量最多的标记赋予当前交通子区，结束步骤(7)。
有益效果：与现有技术相比，本发明在由真实复杂道路结构构成的道路网络背景下，可以有效且完整的识别封闭地块、快速合并交通子区，由于该方法不涉及道路网络与多边形的拓扑结构，对复杂结构仍然适用。
附图说明
图1为本发明方法的流程图；
图2为本发明使用的包含次干道以上等级道路的道路网络及研究区域边界示意图；
图3为本发明使用的原始交通子区划分图；
图4为本发明示例封闭地块交通子区合并效果图；
图5为本发明南京市交通子区合并的效果图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。以下所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
本发明基于现有的连通区域标识逻辑，设计方法实现基于道路网络形成的封闭地块合并交通子区，为宏观交通分析提供自动化的交通分区处理方法。
本发明的一种基于道路网络封闭地块合并交通子区的快速实现方法，为有效且完整的识别封闭地块、快速合并交通子区，本发明将道路网络封闭地块与多边形的位置关系识别转化为封闭地块与多边形重叠面积的估计。
如图1所示，本发明方法包括以下步骤：
(1)当宏观交通集计分析尺度变大时，根据新的交通分区尺度要求确定道路网络图像中保留的道路等级范围和道路网络图像比例尺scale，综合考虑计算机内存、精度和常见的交通分区分析尺度，建议按照1像素代表实际距离20m-100m的比例尺输出，研究区域范围越大保留的道路等级越高，比例尺越小。
本实施实例选择南京市作为研究对象，全市域共划分3325个原始交通子区，如图3所示，现需将其合并为尺度更大的交通子区，在本实例中，根据交通子区合并前后的尺度将原有交通子区称为交通小区，合并后的交通子区称为交通中区，所需道路网络包含次干道以上等级道路，道路网络和边界数据从OpenStreetMap官网获取，比例尺scale取1:50，即一个像素点表示实际距离50m。
(2)根据道路网络图像比例尺和研究区域范围确定道路网络图像分辨率，将研究区域按照计算的道路网络图像分辨率输出为道路网络图像，如图2所示，建议研究区域的边界和道路网络输出白色，背景为黑色，道路网络图像分辨率计算公式如下：
w＝(lonMax-lonMin)/base×1000×scale (1)；
h＝(latMax-latMin)/base×1000×scale (2)；
其中，w、h分别表示道路网络图像宽度和道路网络图像高度，单位为像素；lonMax、lonMin、latMax、latMin分别表示研究区域边界的最大经度、最小经度、最大纬度、最小纬度；base表示等价于一公里的经纬度差值，单位为度，一般取值为0.008333°；scale表示道路网络图像比例尺，即单位像素表示的实际距离。
本实施实例中，lonMax、lonMin、latMax、latMin分别为119.289437 118.30804132.665687 31.180265，道路网络图像的宽度和高度计算如下：
w＝(119.289437-118.308041)/0.008333×1000×1/50＝2355；
h＝(32.665687-31.180265)/0.008333×1000×1/50＝3565；
道路网络图像分辨率为2355×3565，利用python的matplotlib库输出研究区域的边界和道路网络，效果如图2所示。
(3)读取道路网络图像得到原始的彩色三维像素矩阵P，按照公式(3)将其转化为二维像素矩阵A：
Figure BDA0002551769530000051
其中，A表示二维像素矩阵，Aij表示二维像素矩阵中第i行、第j列的像素点取值，1代表研究区域的边界或道路网络，0代表背景；P[i,j,0]、P[i,j,1]、P[i,j,2]分别表示道路网络彩色图像的R、G、B色彩分量，取值范围为[0,255]。
本实施实例使用python的PIL库进行图像像素提取，并按照式(3)将原始的彩色三维像素矩阵P转化为二维像素矩阵A，以第0行、第0列像素为例，三个色彩分量分别取值为P[0,0,0]＝0、P[0,0,1]＝0、P[0,0,2]＝0，根据式(3)，二维像素矩阵A中对应位置的像素取值为A[0,0]＝0，说明该像素点表示非研究区域的边界和道路网络的背景区域，由于矩阵规模庞大，表1仅展示从二维像素矩阵A中截取的部分像素矩阵元素，该表1中的像素构成了一个封闭地块。
表1 二维像素矩阵A中封闭地块像素矩阵示例
Figure BDA0002551769530000052
Figure BDA0002551769530000061
Figure BDA0002551769530000071
(4)基于四邻域的邻接关系识别道路网络图像中的所有封闭地块，并为每一个封闭地块赋予唯一标记，得到封闭地块标记的二维像素矩阵B。
满足四邻域邻接是指两个像素点的取值均为0，且位置关系是上下或左右相邻；为使封闭地块标记与道路网络、区域边界、背景的像素取值不冲突，封闭地块标记即像素取值可从2开始，依次递增1。
本实施例中，基于发明人已发表的名为《一种根据所属道路网络封闭多边形统计POI的快速实现方法》中的连通区域标识逻辑识别共识别229个封闭地块，其中192个为有效封闭地块，从2开始为每一个封闭地块的像素赋值，表1中的像素点所构成的封闭地块标记结果如表2所示，该地块标记为73，四周相邻的封闭地块标记分别是39、72、74、81。
表2 表1中的封闭地块标记结果
Figure BDA0002551769530000072
Figure BDA0002551769530000081
(5)分别提取交通子区边界，按照与道路网络图像相同的比例尺和交通子区边界确定分辨率输出交通子区图像，建议交通子区边界及内部均为白色，交通子区外部为黑色，交通子区图像分辨率计算公式如下：
w_zone＝(lonMax_zone-lonMin_zone)/base×1000×scale (4)；
h_zone＝(latMax_zone-latMin_zone)/base×1000×scale (5)；
其中，w_zone、h_zone分别表示交通子区图像宽度和图像高度，单位为像素；lonMax_zone、lonMin_zone、latMax_zone、latMin_zone分别表示交通子区边界的最大经度、最小经度、最大纬度、最小纬度。
本实施实例中，以标记为73的封闭地块所包含的191号交通小区为例，该交通小区边界的lonMax_zone、lonMin_zone、latMax_zone、latMin_zone分别是118.733836118.730547 32.067098 32.063938，交通小区图像的宽度和高度计算如下：
w_zone＝(118.733836-118.730547)/0.008333×1000×1/50＝7；
h_zone＝(32.067098-32.063938)/0.008333×1000×1/50＝7；
(6)读取交通子区图像得到原始的彩色三维像素矩阵P_zone，按照公式(6)将其转化为二维像素矩阵C：
Figure BDA0002551769530000091
其中，C表示交通子区的二维像素矩阵，Cij表示二维像素矩阵中第i行、第j列的像素点取值，1代表交通子区边界或内部区域，0代表背景；P_zone[i,j,0]、P_zone[i,j,1]、P_zone[i,j,2]分别表示交通小区彩色图像的R、G、B色彩分量，取值范围为[0,255]。
本实施实例使用python的PIL库进行图像像素提取，并按照式(3)将原始的彩色三维像素矩阵P_zone转化为二维像素矩阵B，以第0行、第0列像素为例，三个色彩分量分别取值为P_zone[5,5,0]＝255、P_zone[5,5,1]＝255、P_zone[5,5,2]＝255，根据式(3)，B中对应位置的像素取值为B[5,5]＝1，说明该像素点表示交通小区边界或交通小区内部点，由于交通小区规模庞大，表3仅展示标记为73的封闭地块所包含的191号交通小区像素矩阵C。
表3 191号交通小区像素矩阵C
2120 2121 2122 2123 2124 2125 2126
1014 1 1 1 1 1 1 1
1015 1 1 1 1 1 1 1
1016 1 1 1 1 1 1 1
1017 0 1 1 1 1 1 1
1018 0 1 1 1 1 1 1
1019 0 1 1 1 1 1 0
1020 0 1 0 0 0 0 0
(7)遍历矩阵C，将交通子区图像像素点坐标映射到道路网络图像坐标，统计交通子区与每个封闭地块的重叠像素点数量，将重叠像素点最多的地块的标记赋予交通子区；
将重叠像素点最多的地块的标记赋予交通子区包含以下步骤：
(71)令rowMin＝Max(int((lonMin_zone-lonMin)/base×1000×scale),0)，column_Min＝Max(int((latMin_zone-latMin)/base×1000×scale),0)；
(72)令row＝row_Min，column＝column_Min，rows＝矩阵C行数，columns＝矩阵C列数，flag＝{}；
(73)若B[row,column]>1，则将B[row,column]追加至flag；
(74)令column＝column+1，若column＝columns+column_Min，则row＝row+1，column＝column_Min；
(75)若row＝rows+row_Min，执行步骤(76)，否则执行步骤(73)；
(76)统计flag中各标记的数量，将出现数量最多的标记赋予当前交通子区，结束步骤(7)。
本实施实例中，矩阵C原点及C[0,0]在矩阵B中的行、列索引rowMin、column_Min分为别：
rowMin＝Max(int((118.730547-118.308041)/0.008333×1000×1/50),0)＝1014；
column_Min＝Max(int((32.063938-31.180265)/0.008333×1000×1/50),0)＝2120；
191号交通小区像素点在矩阵B中的对应位置像素点在表2中使用加粗字体表示，根据步骤(71)至步骤(76)，遍历矩阵C中的像素点，将矩阵C中取值为1的像素点对应矩阵B中像素点取值大于1的像素点取值追加至flag，得到flag＝{73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73,73}，有且仅有标记73出现，共出现39次，则将标记73赋予191号交通小区。
(8)判断所有交通子区是否提取完毕，如果是，则执行步骤(9)；否则返回步骤步骤(5)，直到所有交通子区均已识别所属封闭地块。
(9)按照步骤(7)得到的交通子区的标记合并交通子区，得到合并后的交通子区即新的交通分区。
本实施实例中，将标记相同的交通小区合并为一个新的交通中区，基于道路网络将原始的3325个交通小区合并为192个新的交通中区，其中标记为73的封闭地块包含交通小区171/191/192/193/194，如图4所示，南京市交通小区合并效果如图5所示，图4和图5中不同灰度表示不同的交通分区，新交通中区的边界与道路走向吻合。

Claims (7)

1.一种基于道路网络封闭地块合并交通子区的快速实现方法，其特征在于，包括以下步骤：
(1)当宏观交通集计分析尺度变大时，根据新的交通分区尺度要求确定道路网络图像中保留的道路等级范围和道路网络图像比例尺scale；
(2)根据道路网络图像比例尺和研究区域范围确定道路网络图像分辨率，将研究区域按照计算的道路网络图像分辨率输出为道路网络图像；
(3)读取道路网络图像得到原始的彩色三维像素矩阵P，并将其转化为二维像素矩阵A；
(4)基于四邻域的邻接关系识别道路网络图像中的所有封闭地块，并为每一个封闭地块赋予唯一标记，得到封闭地块标记的二维像素矩阵B；
(5)分别提取交通子区边界，按照与道路网络图像相同的比例尺和交通子区边界确定分辨率输出交通子区图像；
(6)读取交通子区图像得到原始的彩色三维像素矩阵P_zone，并将其转化为二维像素矩阵C；
(7)遍历矩阵C，将交通子区图像像素点坐标映射到道路网络图像坐标，统计交通子区与每个封闭地块的重叠像素点数量，将重叠像素点最多的地块的标记赋予交通子区；
(8)判断所有交通子区是否提取完毕，如果是，则执行步骤(9)；否则返回步骤(5)，直到所有交通子区均已识别所属封闭地块；
(9)按照步骤(7)中得到的交通子区的标记合并交通子区，得到合并后的交通子区即新的交通分区。
2.根据权利要求1所述的基于道路网络封闭地块合并交通子区的快速实现方法，其特征在于，步骤(2)中道路网络图像分辨率计算公式如下：
w＝(lonMax-lonMin)/base×1000×scale；
h＝(latMax-latMin)/base×1000×scale；
其中，w、h分别表示道路网络图像宽度和道路网络图像高度；lonMax、lonMin、latMax、latMin分别表示研究区域边界的最大经度、最小经度、最大纬度、最小纬度；base表示等价于一公里的经纬度差值；scale表示道路网络图像比例尺，即单位像素表示的实际距离。
3.根据权利要求1所述的基于道路网络封闭地块合并交通子区的快速实现方法，其特征在于，步骤(3)中二维像素矩阵A中第i行、第j列的像素点取值Aij的计算公式为：
Figure FDA0002551769520000021
其中，A表示二维像素矩阵，Aij表示二维像素矩阵中第i行、第j列的像素点取值，1代表道路或区域边界，0代表背景；P[i,j,0]、P[i,j,1]、P[i,j,2]分别表示道路网络彩色图像的R、G、B色彩分量。
4.根据权利要求1所述的基于道路网络封闭地块合并交通子区的快速实现方法，其特征在于，步骤(4)中满足四邻域邻接是指两个像素点的取值均为0，且位置关系是上下或左右相邻。
5.根据权利要求1所述的基于道路网络封闭地块合并交通子区的快速实现方法，其特征在于，步骤(5)中交通子区图像分辨率计算公式如下：
w_zone＝(lonMax_zone-lonMin_zone)/base×1000×scale；
h_zone＝(latMax_zone-latMin_zone)/base×1000×scale；
其中，w_zone、h_zone分别表示交通子区图像宽度和图像高度；lonMax_zone、lonMin_zone、latMax_zone、latMin_zone分别表示交通子区边界的最大经度、最小经度、最大纬度、最小纬度。
6.根据权利要求1所述的基于道路网络封闭地块合并交通子区的快速实现方法，其特征在于，步骤(6)中二维像素矩阵C中第i行、第j列的像素点取值Cij的计算公式为：
Figure FDA0002551769520000022
其中，C表示交通子区的二维像素矩阵，Cij表示二维像素矩阵中第i行、第j列的像素点取值，1代表交通子区边界或内部区域，0代表背景；P_zone[i,j,0]、P_zone[i,j,1]、P_zone[i,j,2]分别表示交通子区图像的R、G、B色彩分量。
7.根据权利要求1所述的基于道路网络封闭地块合并交通子区的快速实现方法，其特征在于，步骤(7)中将重叠像素点最多的地块的标记赋予交通子区包含以下步骤：
(71)令rowMin＝Max(int((lonMin_zone-lonMin)/base×1000×scale),0)，column_Min＝Max(int((latMin_zone-latMin)/base×1000×scale),0)；
(72)令row＝row_Min，column＝column_Min，rows＝矩阵C行数，columns＝矩阵C列数，flag＝{}；
(73)若B[row,column]>1，则将B[row,column]追加至flag；
(74)令column＝column+1，若column＝columns+column_Min，则row＝row+1，column＝column_Min；
(75)若row＝rows+row_Min，执行步骤(76)，否则执行步骤(73)；
(76)统计flag中各标记的数量，将出现数量最多的标记赋予当前交通子区，结束步骤(7)。
CN202010577542.0A 2020-06-23 2020-06-23 一种基于道路网络封闭地块合并交通子区的快速实现方法 Active CN111832103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010577542.0A CN111832103B (zh) 2020-06-23 2020-06-23 一种基于道路网络封闭地块合并交通子区的快速实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010577542.0A CN111832103B (zh) 2020-06-23 2020-06-23 一种基于道路网络封闭地块合并交通子区的快速实现方法

Publications (2)

Publication Number Publication Date
CN111832103A CN111832103A (zh) 2020-10-27
CN111832103B true CN111832103B (zh) 2022-11-01

Family

ID=72898313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010577542.0A Active CN111832103B (zh) 2020-06-23 2020-06-23 一种基于道路网络封闭地块合并交通子区的快速实现方法

Country Status (1)

Country Link
CN (1) CN111832103B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823811B (zh) * 2023-08-25 2023-12-01 汶上县誉诚制衣有限公司 一种功能性冲锋衣表面质量检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008837B (zh) * 2019-03-06 2022-04-29 东南大学 一种根据所属道路网络封闭多边形统计poi的快速实现方法
CN110119740B (zh) * 2019-03-06 2023-04-14 东南大学 一种从复杂城市道路网络提取简化拓扑关系的方法
CN110309248B (zh) * 2019-06-26 2022-04-29 东南大学 一种基于Voronoi图的交通道路网络自动划分交通小区的方法

Also Published As

Publication number Publication date
CN111832103A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN108491757B (zh) 基于多尺度特征学习的光学遥感图像目标检测方法
CN109493320B (zh) 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备
CN111598101B (zh) 基于遥感影像场景分割的城区智能提取方法、系统及设备
CN110334709B (zh) 基于端到端多任务深度学习的车牌检测方法
CN112733781B (zh) 结合poi数据的城市功能区识别方法、存储介质和电子设备
Chen et al. Urban road mapping based on an end-to-end road vectorization mapping network framework
CN111414878B (zh) 一种关于地块的社会属性分析、图像处理方法及装置
CN109858450A (zh) 一种十米级空间分辨率遥感影像城镇提取方法及系统
CN112613344B (zh) 车辆占道检测方法、装置、计算机设备和可读存储介质
CN111291826A (zh) 基于相关性融合网络的多源遥感图像的逐像素分类方法
CN113724279B (zh) 路网自动划分交通小区的系统、方法、设备及存储介质
CN110119740A (zh) 一种从复杂城市道路网络提取简化拓扑关系的方法
CN111242223B (zh) 一种基于街景影像多特征融合的街道空间品质评价方法
CN112488083A (zh) 基于heatmap提取关键点的交通信号灯的识别方法、装置、介质
CN111832103B (zh) 一种基于道路网络封闭地块合并交通子区的快速实现方法
CN106845458A (zh) 一种基于核超限学习机的快速交通标识检测方法
CN115327524A (zh) 基于毫米波雷达与视觉融合的路侧端目标检测方法及装置
CN114880730A (zh) 确定目标设备的方法、装置及光伏系统
CN113516194B (zh) 高光谱遥感影像半监督分类方法、装置、设备及存储介质
CN104036295A (zh) 多光谱遥感影像道路中心线自动检测方法
CN115841558B (zh) 城市道路建模的方法、装置、电子设备和存储介质
Tejeswari et al. Building footprint extraction from space-borne imagery using deep neural networks
CN112733782B (zh) 基于道路网的城市功能区识别方法、存储介质和电子设备
KR102416714B1 (ko) 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법
Mao et al. City object detection from airborne Lidar data with OpenStreetMap‐tagged superpixels

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