CN111881964A - 一种基于Delaunay三角网的线性建筑物模式识别方法与系统 - Google Patents

一种基于Delaunay三角网的线性建筑物模式识别方法与系统 Download PDF

Info

Publication number
CN111881964A
CN111881964A CN202010698467.3A CN202010698467A CN111881964A CN 111881964 A CN111881964 A CN 111881964A CN 202010698467 A CN202010698467 A CN 202010698467A CN 111881964 A CN111881964 A CN 111881964A
Authority
CN
China
Prior art keywords
building
linear
buildings
adjacent
included angle
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.)
Pending
Application number
CN202010698467.3A
Other languages
English (en)
Inventor
何显锦
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.)
Nanning Normal University
Original Assignee
Nanning Normal 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 Nanning Normal University filed Critical Nanning Normal University
Priority to CN202010698467.3A priority Critical patent/CN111881964A/zh
Publication of CN111881964A publication Critical patent/CN111881964A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于Delaunay三角网的线性建筑物模式识别方法与系统，其方法包括：对每个识别区域内的建筑数据生成两种约束三角网，利用这两种约束三角网计算邻近建筑物之间的空间关系值；将建筑物数据转换为邻近建筑物之间的图的数据结构，其转换过程是以建筑物为节点，以邻近建筑物之间的邻近关系作为边，并将上述计算的空间关系值赋给边作为其权重；对所转换的图的数据结进行切割，得到多个相互连通的子图，然后根据建筑物方向计算线性模式的路径夹角，并以经验设定的路径夹角作为路径夹角阈值对子图进行优化，最终获取线性建筑物模式；本发明能够更精确地识别线性建筑物模式，且避免了大量的图遍历过程，较现有方法计算简单且表达精确。

Description

一种基于Delaunay三角网的线性建筑物模式识别方法与系统
技术领域
本发明属于地理空间信息处理技术领域，尤其涉及一种基于Delaunay三角网的线性建筑物模式识别方法与系统。
背景技术
建筑物作为城市最常见的地理实体，是地图导航的重要方向定位对象。由建筑物所形成的线性模式是指在一定尺度(比例尺)下，地图空间中的建筑物集合所显示的布局和形式。该线性模式看起来像一条线，其元素(即建筑物)在空间属性(例如间距、方向、形状和密度)方面是同质的。作为一种城市景观配置，建筑物模式是城市结构的重要组成部分，在地图综合过程中随着空间比例缩小而必须予以保留。在地图学中，线性建筑物模式识别是将建筑物个体组织为不同的线性簇的过程。线性建筑物模式的检测是将分散的建筑物个体组织为不同线性簇的过程，自动识别建筑物模式具有很大的挑战性，因为该过程通常与尺度有关，并且会随建筑物的分布(例如，建筑物之间的距离、方向、面积和形状)而变化，这导致了大量的候选对象,目前用于检测线性建筑模式有多种方法和措施。其中，基于图的分割方法是最常见的方法。本方法也是在此模型基础上进行。该方法首先将建筑物及其邻近关系转为图的结构，其中节点代表建筑物，边表示建筑物之间的相邻关系。然后通过分割方法对图的边进行切割，获得同质群组(即线性模式)。
在将建筑物转为图的结构过程中，通常需要将邻近建筑物间的空间关系指数作为图形的边的权重。这些指数主要来自格式塔原则，其中包括方向和连续性。方向确保中间建筑物两边的建筑物所形成的路径角的偏差不超过设置的阈值。现有的方向模型包括基于圆锥的模型、2D投影模型和方向Voronoi图(DVD)模型。前两个模型在定性空间推理中非常有用且有效，DVD模型是一种定量模型，使用多个方向而不是单个方向来描述两个对象的方向关系；上述模型方法对于自动检测线性建筑物模式存在如下问题：(1)自动检测需要定量的方向测量模型，定性模型无法精确反映方向关系；(2)多个方向的定量模型无法精确度量两个建筑物的方向关系，且不利于计算。鉴于此，针对上述存在的问题，运用基于Delaunay三角网的方向和连续性计算模型方法，并根据图的分割方法进行线性建筑模式识别。
发明内容
本发明的目的在于：针对上述存在的问题，提供一种基于Delaunay三角网的线性建筑物模式识别方法与系统，根据本发明的识别方法能够更精确地识别线性建筑物模式，且避免了大量的图遍历过程。为了实现上述目的，本发明采用以下技术方案：
本发明提供了一种基于Delaunay三角网的线性建筑物模式识别方法，所述识别方法包括以下步骤：
步骤一：建筑数据预处理：对每个识别区域内的建筑数据生成两种约束三角网，利用这两种约束三角网计算邻近建筑物之间的邻近关系、骨架线、平均距离、连续性指数、方向指数和路径夹角的空间关系值；
步骤二：图的构建：将建筑物数据转换为邻近建筑物之间的图的数据结构，其转换过程是以建筑物为图的节点，以邻近建筑物之间的邻近关系作为图的边，并将上述计算的空间关系值赋给边作为其权重；
步骤三：图的切割：对所转换的图的数据结进行切割，即先采用由经验设定的连续性指数、平均距离分别作为连续性指数阈值和平均距离阈值删除其不符合阈值条件的边，得到多个相互连通的子图，然后根据建筑物方向计算线性模式的路径夹角，并以经验设定的路径夹角作为路径夹角阈值对子图进行优化，最终获取线性建筑物模式。
上述方案进一步优选的，上述对每个识别区域内的建筑数据生成两种约束三角网包括利用整个建筑物数据生成一个全局约束三角网和仅利用两个邻近建筑数据生成的局部约束三角网。
上述方案进一步优选的，邻近建筑物之间的方向指数由全局约束三角网中的三角形计算得到，其计算过程为：
先对三角网中每个三角形建立直角坐标系，在坐标系内，先以x轴正方向为参考，再以逆时针旋转，计算每个三角形的以建筑物边作为底边的中线方向指数；然后将计算得到的中线方向指数转为以y轴正方向为参考，逆时针旋转，计算其方向指数，并采用三角形的骨架线长度占总骨架线长度比重进行加权求和计算所有三角形方向指数的平均方向指数；最后，以x轴正方向为参考，以逆时针旋转，计算平均方向指数，即为邻近建筑物之间的最终方向指数。
上述方案进一步优选的，所述邻近关系包括相邻关系、相接关系和相离关系，且邻近关系R满足如下关系：
R＝Ri，j；公式(1)；
其中：i＝1:n，j＝1:n，n表示建筑物个数；Ri，j＝0表示建筑i与j相离，Ri，j＝1表示建筑i与j相邻，Ri，j＝2表示建筑i与j相接。
上述方案进一步优选的，所述骨架线由连接两个邻近建筑物之间的三角形的两条边的中点连线构成，骨架线的长度L计算公式如下：
L＝Li，j＝∑li，j，k；公式(2)；
li，j，k为中点连线，i＝1:n，j＝1:n，n表示建筑物个数，k表示第k个三角形；
邻近建筑物之间的平均距离d满足：
Figure BDA0002592176650000031
di，j表示邻近建筑物i与j的平均距离，hi，j，k表示邻近建筑物之间第k个三角形的高。
上述方案进一步优选的，邻近建筑物之间的连续性指数SCI满足：
Figure BDA0002592176650000032
SCIi，j表示邻近建筑物i和j的连续性指数，AR表示局部约束三角网的面积，AO表示全局约束三角网的面积。
上述方案进一步优选的，所述距离阈值P满足：
Figure BDA0002592176650000033
式中：Cut_Value(Pi)表示节点i删除其邻近边的删除阈值，Mean(Pi)表示其邻近边权重的平均值，Variation(Pi)表示其标准差，ζ为调整系数。
上述方案进一步优选的，所述邻近建筑物之间的路径夹角由中间建筑物与其两个相邻建筑物的方向指数计算得到，根据建筑物方向计算线性模式的路径夹角，并以经验设定的路径夹角作为路径夹角阈值对子图进行优化；若中间建筑物邻近的两个建筑物的三角网存在相接，则直接由相接三角形计算的最小角度确定；若中间建筑物邻近的两个建筑物的三角网不存在相接，则根据两对建筑物的方向指数差值的绝对值确定。
上述方案进一步优选的，以经验设定的路径夹角作为路径夹角阈值对子图进行优化的过程包括：首先，选择一个子图作为未处理节点，并且找出其所有邻近节点；其次，根据这些邻近节点找出每对线性节点对，如果每对线性节点的路径夹角小于或大于某个路径夹角阈值则认为是一个线性邻近对；路径夹角阈值也由经验值确定，即直接路径夹角大于120度，或间接路径夹角小于60度则为一对线性节点对；最后，由多个线性节点对构成线性模式，并选择最大均匀性指数线性建筑物模式作为最佳模式，最大均匀性指数I的计算公式如公下：
Figure BDA0002592176650000041
li表示第i条线性模式，N表示节点个数Mean(li)线性模式li的平均距离。
根据本发明的另一个方面，本发明提供了一种基于Delaunay三角网的线性建筑物模式识别系统，其特征在于：包括识别模块、处理模块和存储模块，所述识别模块用于识别建筑物并获取相邻建筑物数据，所述处理模块接收建筑物数据以及执行各建筑数据处理指令，所述存储模块用于存储各建筑数据处理指令，所述处理指令适于由处理模块加载和接收以及执行上述所述的识别方法。
综上所述，由于本发明采用了上述技术方案，本发明具有以下有益技术效果是：本方发明的识别方法提出了采用全局三角形面积与局部三角形面积的比重表达邻近对象的连续性指数，较现有方法计算简单且表达精确；提出了建筑物间的方向指数由其全局三角网中的三角形计算得到，较现有方法更好地表达精确方向性；本发明采用上述两个指数(即连续性指数和方向指数)及其计算路径夹角，较现有方法能够更精确地识别线性建筑物模式，且避免了大量的图遍历过程。
附图说明
图1为本发明的全局约束三角网的结构示意图；
图2为本发明的局部约束三角网的结构示意图；
图3为本发明的图的构造与线性模式获取过程示意图。
图4为本发明的邻近对象间的方向指数计算的过程示意图；
图5为本发明的路径夹角计算示意图；
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
如图1和图2所示，根据本发明的一种基于Delaunay三角网的线性建筑物模式识别方法，所述识别方法包括以下步骤：
步骤一：建筑数据预处理：对每个识别区域内的建筑数据生成两种约束三角网，对每个识别区域内的建筑数据生成两种约束三角网，首先对每个街区内的建筑生成两种约束三角网，包括利用整个建筑物数据生成一个约束三角网(全局约束三角网，如图1所示，其中数字表示建筑物)和仅仅两个邻近建筑物生成的约束三角网(局部约束三角网，如图2所示，其中数字表示建筑物)；利用这两种约束三角网计算邻近建筑物之间的邻近关系、骨架线、平均距离、连续性指数、方向指数和路径夹角的空间关系值；计算邻近建筑物之间的空间关系值包括邻近关系的空间关系值、骨架线的空间关系值、平均距离的空间关系值、连续性指数的空间关系值、方向指数的空间关系值和路径夹的空间关系值，这些空间关系值用于判断建筑物是否在一条线上，从而可综合全面地对建筑物模式进行细化分类识别，提高识别的准确度；
步骤二：图的构建：将建筑物数据转换为邻近建筑物之间的图的数据结构，如图3所示，其转换过程是以建筑物为图的节点，以邻近建筑物之间的邻近关系作为图的边，并将上述计算的空间关系值赋给边作为其权重；以建筑物中的点作为为节点(如图3A1)，以邻近建筑物(邻近节点)之间的邻近关系作为边，对其空间关系值赋予权重；
步骤三：图的切割：对所转换的图的数据结进行切割，即先采用由经验设定的连续性指数、平均距离分别作为连续性指数阈值和平均距离阈值删除其不符合阈值条件的边，得到多个相互连通的子图，然后根据建筑物方向计算线性模式的路径夹角，并以经验设定的路径夹角作为路径夹角阈值对子图进行优化，最终获取线性建筑物模式。在本发明中，采用由经验设定的连续性指数、平均距离分别作为连续性指数阈值和平均距离阈值删除其不符合阈值条件的边，移除连续性较弱和距离较远的边后，得到多个相互连通的子图，如图3B1中I区域的和II区域所示，在该图3B1中，虚线表示连续性指数低于连续性指数阈值或平均距离大于平均距离阈值的边，属于被删除的边，删除后得到两个子图。在本发明中，邻近建筑物之间的方向指数由全局约束三角网中的三角形计算得到，如图4所示，其计算过程为：先对三角网中每个三角形建立直角坐标系，在坐标系内，先以x轴正方向为参考，以逆时针旋转，计算每个三角形的以建筑物边作为底边的中线方向指数(如图4a所示)；然后将计算得到的中线方向指数转为以y轴正方向为参考，逆时针旋转，计算其方向指数，并采用三角形的骨架线长度占总骨架线长度比重进行加权求和计算所有三角形方向指数的平均方向指数(如图4b所示)；最后，以x轴正方向为参考，以逆时针旋转，计算平均方向指数，即为邻近建筑物之间的最终方向指数(如图4c所示)。
在本发明中，所述邻近关系主要用于构造建筑物图的数据结构，所述邻近关系包括相邻关系、相接关系和相离关系，且邻近关系R满足如下关系：
R＝Ri，j；公式(1)；
其中：i＝1:n，j＝1:n，n表示建筑物个数；Ri，j＝0表示建筑i与j相离，Ri，j＝1表示建筑i与j相邻，Ri，j＝2表示建筑i与j相接。
在本发明中，所述骨架线主要用于计算建筑物平均距离和方向指数，所述骨架线由连接两个邻近建筑物之间的三角形的两条边的中点连线构成，骨架线的长度L计算公式如下：
L＝Li，j＝∑li，j，k；公式(2)；
li，j，k为中点连线，i＝1:n，j＝1:n，n表示建筑物个数，k表示第k个三角形；
在本发明中，所述平均距离主要用于图的切割，判断邻近建筑物是否属于线性模式，邻近建筑物之间的平均距离d满足：
Figure BDA0002592176650000061
di，j表示邻近建筑物i与j的平均距离，hi，j，k表示邻近建筑物之间第k个三角形的高；
在本发明中，所述连续性指数用于图的切割，从而判断邻近建筑物是否属于线性模式，邻近建筑物之间的连续性指数SCI满足：
Figure BDA0002592176650000062
SCIi，j表示邻近建筑物i和j的连续性指数，AR表示局部约束三角网的面积，AO表示全局约束三角网的面积。
在本发明中，距离阈值用于图的切割，所述距离阈值P满足：
Figure BDA0002592176650000072
式中：Cut_Value(Pi)表示节点i删除其邻近边的删除阈值，Mean(Pi)表示其邻近边权重的平均值，Variation(Pi)表示其标准差，ζ为调整系数。
在本发明中，所述邻近建筑物之间的路径夹角由中间建筑物与其两个相邻建筑物的方向指数计算得到，结合图3和图5所示，根据建筑物方向计算线性模式的路径夹角，并以经验设定的路径夹角作为路径夹角阈值对子图进行优化；若中间建筑物邻近的两个建筑物的三角网存在相接，则直接由相接三角形计算的最小角度确定(如图5中的α角度，该夹角称为直接路径夹角)；若中间建筑物邻近的两个建筑物的三角网不存在相接，则根据两对建筑物的方向指数差值的绝对值确定(如图5中的β角度，该夹角称为间接路径夹角)。
以经验设定的路径夹角作为路径夹角阈值对子图进行优化的过程包括：首先，选择一个子图作为未处理节点(如图3C1)，并且找出其所有邻近节点；其次，根据这些邻近节点找出每对线性节点对(如图3C1中虚线圈内节点(建筑物)所示)，如果每对线性节点的路径夹角小于或大于某个路径夹角阈值则认为是一个线性邻近对；路径夹角阈值也由经验值确定，即直接路径夹角大于120度，或间接路径夹角小于60度则为一对线性节点对；最后，由多个线性节点对构成线性模式，并选择最大均匀性指数线性建筑物模式作为最佳模式(如图3D1所示)，最大均匀性指数I的计算公式如公下：
Figure BDA0002592176650000071
li表示第i条线性模式，N表示节点个数Mean(li)线性模式li的平均距离。
本发明采用上述两个指数(即连续性指数和方向指数)及其计算路径夹角，较现有方法能够更精确地识别线性建筑物模式，且避免了大量的图遍历过程，而且通过全局三角形面积与局部三角形面积的比重表达邻近对象的连续性指数，较现有方法计算简单且表达精确。本发明的上述实施例的实施过程，基于本领域普通技术人员可以理解为上述Delaunay三角网的线性建筑物模式识别方法中的全部或部分步骤是可以通过如下线性建筑物模式识别系统完成的，所述模式识别系统包括识别模块、处理模块和存储模块，所述识别模块用于识别建筑物并获取建筑物数据，该识别模块用于对每个识别区域内的建筑物并获取建筑数据，所述处理模块接收建筑物数据及执行各建筑数据处理指令，该处理模块将建筑数据生成两种约束三角网、利用这两种约束三角网计算邻近建筑物之间的于计算建筑物间的空间关系值以及将建筑物数据转换为相邻之间的图的数据结构等各建筑数据处理指令，所述存储模块用于存储各建筑数据处理指令，所述处理指令适于由处理模块加载和接收以及执行以上所述识别方法；所述处理指令可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于Delaunay三角网的线性建筑物模式识别方法，其特征在于：所述识别方法包括以下步骤：
步骤一：建筑数据预处理：对每个识别区域内的建筑数据生成两种约束三角网，利用这两种约束三角网计算邻近建筑物之间的邻近关系、骨架线、平均距离、连续性指数、方向指数和路径夹角的空间关系值；
步骤二：图的构建：将建筑物数据转换为邻近建筑物之间的图的数据结构，其转换过程是以建筑物为图的节点，以邻近建筑物之间的邻近关系作为图的边，并将上述计算的空间关系值赋给边作为其权重；
步骤三：图的切割：对所转换的图的数据结进行切割，即先采用由经验设定的连续性指数、平均距离分别作为连续性指数阈值和平均距离阈值删除其不符合阈值条件的边，得到多个相互连通的子图，然后根据建筑物方向计算线性模式的路径夹角，并以经验设定的路径夹角作为路径夹角阈值对子图进行优化，最终获取线性建筑物模式。
2.根据权利要求1所述的一种基于Delaunay三角网的线性建筑物模式识别方法，其特征在于：对每个识别区域内的建筑数据生成两种约束三角网包括利用整个建筑物数据生成一个全局约束三角网和仅利用两个邻近建筑数据生成的局部约束三角网。
3.根据权利要求1所述的一种基于Delaunay三角网的线性建筑物模式识别方法，其特征在于：邻近建筑物之间的方向指数由全局约束三角网中的三角形计算得到，其计算过程为：
先对三角网中每个三角形建立直角坐标系，在坐标系内，先以x轴正方向为参考，再以逆时针旋转，计算每个三角形的以建筑物边作为底边的中线方向指数；
然后将计算得到的中线方向指数转为以y轴正方向为参考，逆时针旋转，计算其方向指数，并采用三角形的骨架线长度占总骨架线长度比重进行加权求和计算所有三角形方向指数的平均方向指数；
最后，以x轴正方向为参考，以逆时针旋转，计算平均方向指数，即为邻近建筑物之间的最终方向指数。
4.根据权利要求1所述的一种基于Delaunay三角网的线性建筑物模式识别方法，其特征在于：所述邻近关系包括相邻关系、相接关系和相离关系，且邻近关系R满足如下关系：
R＝Ri，j；公式(1)；
其中：i＝1:n，j＝1:n，n表示建筑物个数；Ri，j＝0表示建筑i与j相离，Ri，j＝1表示建筑i与j相邻，Ri，j＝2表示建筑i与j相接。
5.根据权利要求1或3所述的一种基于Delaunay三角网的线性建筑物模式识别方法，其特征在于：所述骨架线由连接两个邻近建筑物之间的三角形的两条边的中点连线构成，骨架线的长度L计算公式如下：
L＝Li，j＝∑li，j，k；公式(2)；
li，j，k为中点连线，i＝1:n，j＝1:n，n表示建筑物个数，k表示第k个三角形；
邻近建筑物之间的平均距离d满足：
Figure FDA0002592176640000021
di，j表示邻近建筑物i与j的平均距离，hi，j，k表示邻近建筑物之间第k个三角形的高。
6.根据权利要求1所述的一种基于Delaunay三角网的线性建筑物模式识别方法，其特征在于：邻近建筑物之间的连续性指数SCI满足：
Figure FDA0002592176640000022
SCIi，j表示邻近建筑物i和j的连续性指数，AR表示局部约束三角网的面积，AO表示全局约束三角网的面积。
7.根据权利要求1所述的一种基于Delaunay三角网的线性建筑物模式识别方法，其特征在于：所述距离阈值P满足：
Figure FDA0002592176640000023
式中：Cut_Value(Pi)表示节点i删除其邻近边的删除阈值，Mean(Pi)表示其邻近边权重的平均值，Variation(Pi)表示其标准差，ζ为调整系数。
8.根据权利要求1所述的一种基于Delaunay三角网的线性建筑物模式识别方法，其特征在于：所述邻近建筑物之间的路径夹角由中间建筑物与其两个相邻建筑物的方向指数计算得到，根据建筑物方向计算线性模式的路径夹角，并以经验设定的路径夹角作为路径夹角阈值对子图进行优化；若中间建筑物邻近的两个建筑物的三角网存在相接，则直接由相接三角形计算的最小角度确定；若中间建筑物邻近的两个建筑物的三角网不存在相接，则根据两对建筑物的方向指数差值的绝对值确定。
9.根据权利要求1或8所述的一种基于Delaunay三角网的线性建筑物模式识别方法，其特征在于：以经验设定的路径夹角作为路径夹角阈值对子图进行优化的过程包括：首先，选择一个子图作为未处理节点，并且找出其所有邻近节点；其次，根据这些邻近节点找出每对线性节点对，如果每对线性节点的路径夹角小于或大于某个路径夹角阈值则认为是一个线性邻近对；路径夹角阈值也由经验值确定，即直接路径夹角大于120度，或间接路径夹角小于60度则为一对线性节点对；最后，由多个线性节点对构成线性模式，并选择最大均匀性指数线性建筑物模式作为最佳模式，最大均匀性指数I的计算公式如公下：
Figure FDA0002592176640000031
li表示第i条线性模式，N表示节点个数Mean(li)线性模式li的平均距离。
10.一种基于Delaunay三角网的线性建筑物模式识别系统，其特征在于：包括识别模块、处理模块和存储模块，所述识别模块用于识别建筑物并获取相邻建筑物数据，所述处理模块接收建筑物数据以及执行各建筑数据处理指令，所述存储模块用于存储各建筑数据处理指令，所述处理指令适于由处理模块加载和接收以及执行权利要求1至9任一项所述的识别方法。
CN202010698467.3A 2020-07-20 2020-07-20 一种基于Delaunay三角网的线性建筑物模式识别方法与系统 Pending CN111881964A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010698467.3A CN111881964A (zh) 2020-07-20 2020-07-20 一种基于Delaunay三角网的线性建筑物模式识别方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010698467.3A CN111881964A (zh) 2020-07-20 2020-07-20 一种基于Delaunay三角网的线性建筑物模式识别方法与系统

Publications (1)

Publication Number Publication Date
CN111881964A true CN111881964A (zh) 2020-11-03

Family

ID=73155502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010698467.3A Pending CN111881964A (zh) 2020-07-20 2020-07-20 一种基于Delaunay三角网的线性建筑物模式识别方法与系统

Country Status (1)

Country Link
CN (1) CN111881964A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632652A (zh) * 2020-12-31 2021-04-09 上海孚典智能科技有限公司 基于数据挖掘的建筑cad模型分析方法
CN115131526A (zh) * 2022-08-25 2022-09-30 广州城市信息研究所有限公司 一种自动化综合制图方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818338A (zh) * 2017-10-16 2018-03-20 辛秦川 一种面向地图综合的建筑物群组模式识别的方法及系统
CN110856208A (zh) * 2019-11-04 2020-02-28 南宁师范大学 一种网络式资源环境数据采集通信平台

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818338A (zh) * 2017-10-16 2018-03-20 辛秦川 一种面向地图综合的建筑物群组模式识别的方法及系统
CN110856208A (zh) * 2019-11-04 2020-02-28 南宁师范大学 一种网络式资源环境数据采集通信平台

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIANJIN HE 等: "Recognizing Linear Building Patterns in Topographic Data by Using Two New Indices based on Delaunay Triangulation", 《ISPRS INTERNATIONAL JOURNAL OF GEO-INFORMATION》, vol. 9, no. 4, pages 1 - 14 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632652A (zh) * 2020-12-31 2021-04-09 上海孚典智能科技有限公司 基于数据挖掘的建筑cad模型分析方法
CN115131526A (zh) * 2022-08-25 2022-09-30 广州城市信息研究所有限公司 一种自动化综合制图方法及系统

Similar Documents

Publication Publication Date Title
CN110969624B (zh) 一种激光雷达三维点云分割方法
CN107038717B (zh) 一种基于立体栅格自动分析3d点云配准误差的方法
Zhou et al. 2.5 d dual contouring: A robust approach to creating building models from aerial lidar point clouds
CN112070769B (zh) 一种基于dbscan的分层点云分割方法
CN110222642B (zh) 一种基于全局图聚类的平面建筑构件点云轮廓提取方法
US20130096886A1 (en) System and Method for Extracting Features from Data Having Spatial Coordinates
CN110060338B (zh) 一种基于bim模型的预制构件点云识别方法
CN109446691B (zh) 基于激光点云与空气动力学的活立木抗风性能分析方法
CN110794413B (zh) 线性体素分割的激光雷达点云数据电力线检测方法和系统
CN113723715B (zh) 公交线网自动匹配道路网络方法、系统、设备及存储介质
Zhao et al. Automated recognition and measurement based on three-dimensional point clouds to connect precast concrete components
JP5981886B2 (ja) 点群解析処理装置、点群解析処理方法、及びプログラム
CN110827302A (zh) 基于深度图卷积网络的点云目标提取方法及装置
CN113781667A (zh) 三维结构简化重建方法、装置、计算机设备和存储介质
CN105139379A (zh) 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法
CN111881964A (zh) 一种基于Delaunay三角网的线性建筑物模式识别方法与系统
CN111932669A (zh) 一种基于边坡岩体特征对象的变形监测方法
CN107818338B (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
CN108388723B (zh) 板桥桥梁点云的部件自动检测方法及系统
CN113902688A (zh) 基于改进区域生长法的非均匀点云面域分割方法
CN111598941A (zh) 一种杆塔倾斜度测量方法、装置、设备及存储介质
Shen et al. An automatic framework for pylon detection by a hierarchical coarse-to-fine segmentation of powerline corridors from UAV LiDAR point clouds
CN117253205A (zh) 一种基于移动测量系统的道路面点云快速提取方法
CN113724343A (zh) 一种基于结构感知的树木点云压缩方法
Xiao Detecting changes in trees using multi-temporal airborne LIDAR point clouds

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