CN113392255A - 一种生态修复项目中的图斑的自动匹配方法及装置 - Google Patents

一种生态修复项目中的图斑的自动匹配方法及装置 Download PDF

Info

Publication number
CN113392255A
CN113392255A CN202110558777.XA CN202110558777A CN113392255A CN 113392255 A CN113392255 A CN 113392255A CN 202110558777 A CN202110558777 A CN 202110558777A CN 113392255 A CN113392255 A CN 113392255A
Authority
CN
China
Prior art keywords
matching
spots
image
spot
pattern
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
Application number
CN202110558777.XA
Other languages
English (en)
Other versions
CN113392255B (zh
Inventor
刘娜
张鸿辉
张恒
李霞
付浩
周常红
周广明
梁伟峰
何剑锋
刘禹麒
肖桂涛
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.)
Guangzhou Lantu Geographic Information Technology Co ltd
Guangdong Guodi Planning Technology Co ltd
Original Assignee
Guangzhou Lantu Geographic Information Technology Co ltd
Guangdong Guodi Planning Technology Co ltd
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 Guangzhou Lantu Geographic Information Technology Co ltd, Guangdong Guodi Planning Technology Co ltd filed Critical Guangzhou Lantu Geographic Information Technology Co ltd
Priority to CN202110558777.XA priority Critical patent/CN113392255B/zh
Publication of CN113392255A publication Critical patent/CN113392255A/zh
Application granted granted Critical
Publication of CN113392255B publication Critical patent/CN113392255B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • 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

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)
  • Library & Information Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种生态修复项目中的图斑的自动匹配方法及装置。所述自动匹配装置包括图斑获取单元、信息计算单元以及计算匹配单元。所述批量匹配装置包括如前所述的图斑的自动匹配装置以及分类模块。所述自动匹配方法、装置、批量匹配方法及装置通过分别计算候选图斑和多个基准图斑的图斑信息，根据预设的匹配图斑匹配方法将基准图斑和候选图斑进行选择匹配以获取匹配图斑以及对应顶点关系，最后根据匹配图斑以及对应顶点关系计算确定最佳匹配结果，从而不仅实现了图斑的自动匹配，还提升了图斑匹配的效率和准确性。

Description

一种生态修复项目中的图斑的自动匹配方法及装置
技术领域
本发明涉及自然资源数据治理领域，涉及一种生态修复项目中的图斑的自动匹配方法及装置。
背景技术
在生态修复领域中，以1：10000地形图作为工作底图，将地貌、土地利用类型基本相同、水土流失类型基本一致的土地单元(地块)分为一类，以其为基础调查单元，然后将单元勾绘到地形图上成为图斑。(图上最小图斑面积不小于0.5cm，实地面积0.5km；最大不超过50cm，实地面积50km)图像分割或者矢量图套合，将整个影像划分成若干个小的区域，这样的区域即为图斑。
在对多个图斑进行数据治理工作中，经常遇到同一个矢量多边形，因为数据来自不同的部门、不同的坐标系、不同的年代、人工手动描绘矢量化等原因，导致图斑多边形会存在偏移、旋转、轻微扭曲、缩放的问题不能进行批量处理，只能通过人工去逐个匹配检查确认。
在现有技术中，通常通过ArcGIS软件将多边形数据进行叠加在一个视图里，通过人眼观察一个个去匹配，然后人工测量偏移距离和旋转角度。但这样仍然会存在缺点：当图斑数量较多时，人工校核的方法效率极其低下，而且容易出错。
因此，当前在生态修复领域中需要一种图斑的自动匹配方法及装置，从而解决现有技术中存在的上述问题。
发明内容
针对现存的上述技术问题，本发明的目的在于提供一种生态修复项目中的图斑的自动匹配方法及装置，从而提升图斑匹配的效率和准确性。
本发明提供了一种图斑的自动匹配方法，包括：获取用户输入的候选图斑、多个基准图斑以及所有图斑的创建信息；根据预设的图斑信息计算方法以及所述所有图斑的创建信息，分别计算获取所有图斑各自的图斑信息；将所述多个基准图斑、多个基准图斑各自的图斑信息以及创建信息存储为基准图斑数据组，并将所述候选图斑、候选图斑的图斑信息以及创建信息存储为候选图斑数据组；通过预设的图斑匹配方法，从所述基准图斑数据组中，分别根据基准图斑的图斑信息以及所述候选图斑的图斑信息，计算并选择获取与所述候选图斑相匹配的匹配图斑组；其中，所述匹配图斑组包括匹配图斑以及每个匹配图斑与所述候选图斑的顶点关系；分别根据所述顶点关系计算每个匹配图斑的偏移角度和旋转角度，并根据计算结果确认最佳匹配结果，从而实现所述候选图斑与匹配图斑的相应匹配。
在一个实施例中，在所述通过预设的图斑匹配方法，从所述基准图斑数据组中，分别根据基准图斑信息以及候选图斑信息计算获取与所述候选图斑相匹配的匹配图斑组之后，还包括：根据预设的匹配权重计算方法，分别计算每个匹配图斑的匹配权重，并根据所述匹配权重的计算结果，对匹配图斑组中的所有基准图斑进行降序排列。
在一个实施例中，所述预设的图斑信息计算方法，具体为：获取图斑的创建信息；所述创建信息包括创建时间、坐标点个数、坐标点序号以及坐标点坐标；按照图斑的坐标点序号，依次计算获取每个坐标点对应的内角，并将所述内角依次排列为顶点内角组；根据图斑上的坐标点序号以及坐标点坐标分别计算图斑的第二类环路积分，并根据计算结果的正负性判断获取所述图斑的边界方向；计算获取图斑的投影面积；将顶点内角组、边界方向以及投影面积存储为对应图斑的图斑信息。
在一个实施例中，通过预设的图斑匹配方法，从所述基准图斑数据组中，分别根据基准图斑的图斑信息以及候选图斑的图斑信息，计算并选择获取与所述候选图斑相匹配的匹配图斑组，具体为：通过具有预设的半径值的空间选择运算，从所述基准图斑数据组中选择获取与所述候选图斑相匹配的一个或多个基准图斑、基准图斑的图斑信息以及创建信息；排除坐标点不同的基准图斑，从而将剩余的基准图斑作为匹配图斑；计算每个匹配图斑与所述候选图斑的顶点关系；将匹配图斑、匹配图斑的图斑信息、匹配图斑的创建信息以及每个匹配图斑与所述候选图斑的顶点关系作为匹配图斑组。
在一个实施例中，所述预设的匹配权重计算方法，包括：获取匹配图斑的顶点内角组以及候选图斑的顶点内角组；分别计算匹配图斑的顶点内角组的第一标准差、候选图斑的顶点内角组的第二标准差，以及匹配图斑的顶点内角组和候选图斑的顶点内角组之间的循环卷积结果；根据预设的第一系数计算公式、所述第一标准差、第二标准差以及所述循环卷积结果，计算得出匹配图斑和候选图斑的第一系数序列，并获取所述第一系数序列中的最大第一系数值；其中，预设的第一系数计算公式为：
Figure BDA0003078118080000031
其中，RX1X2[n]为所述循环卷积结果，σX1为所述匹配图斑的顶点内角组的第一标准差，σX2为候选图斑的顶点内角组的第二标准差，ρ[n]为第一系数序列；根据所述匹配图斑的投影面积、所述候选图斑的投影面积、所述最大第一系数值以及预设的权重计算公式，计算获取所述匹配图斑与所述候选图斑的匹配权重；其中，预设的权重计算公式为：
Figure BDA0003078118080000032
其中，S1为所述匹配图斑的投影面积，S2为所述候选图斑的投影面积，L为匹配权重，ρmax为最大第一系数值。
本发明还提供了一种图斑的批量匹配方法，包括：获取用户输入的多组图斑以及所有图斑的创建信息，并在每组图斑中根据各个图斑的创建信息分别确定每个图斑的图斑类型，从而获取基准图斑和多个对应于所述基准图斑的候选图斑；其中，所述基准图斑为创建时间最短的图斑；所述候选图斑为除基准图斑之外的图斑；针对多个候选图斑，依次执行如前所述的图斑的自动匹配方法，从而实现候选图斑与基准图斑的相应匹配。
本发明还提供了一种图斑的自动匹配装置，其特征在于，所述装置包括图斑获取单元、信息计算单元以及计算匹配单元，其中，所述图斑获取单元用于获取用户输入的候选图斑、多个基准图斑以及所有图斑的创建信息；所述创建信息包括创建时间、坐标点个数、坐标点序号以及坐标点坐标；所述信息计算单元用于根据预设的图斑信息计算方法以及所述所有图斑的创建信息，分别计算获取所有图斑各自的图斑信息；其中，所述图斑信息包括顶点内角组、边界方向以及投影面积；将所述多个基准图斑、多个基准图斑各自的图斑信息以及创建信息存储为基准图斑数据组，并将所述候选图斑、候选图斑的图斑信息以及创建信息存储为候选图斑数据组；所述计算匹配单元用于通过预设的图斑匹配方法，从所述基准图斑数据组中，分别根据基准图斑的图斑信息以及所述候选图斑的图斑信息，计算并选择获取与所述候选图斑相匹配的匹配图斑组；其中，所述匹配图斑组包括匹配图斑、匹配图斑的图斑信息、匹配图斑的创建信息以及每个匹配图斑与所述候选图斑的顶点关系；分别根据所述顶点关系计算每个匹配图斑的偏移角度和旋转角度，并根据计算结果确认最佳匹配结果，从而实现所述候选图斑与匹配图斑的相应匹配。
在一个实施例中，所述计算匹配单元还用于根据预设的匹配权重计算方法，分别计算每个匹配图斑的匹配权重，并根据所述匹配权重的计算结果，对匹配图斑组中的所有基准图斑进行降序排列。
本发明还提供了一种图斑的批量匹配装置，所述批量匹配装置包括分类模块以及如前所述的图斑的自动匹配装置；其中，所述分类模块用于获取用户输入的多组图斑以及所有图斑的创建信息，并在每组图斑中根据各个图斑的创建信息分别确定每个图斑的图斑类型，从而获取基准图斑和多个对应于所述基准图斑的候选图斑；其中，所述图斑类型包括基准图斑和候选图斑，所述基准图斑为创建时间最短的图斑；所述候选图斑为除基准图斑之外的图斑；所述图斑的自动匹配装置用于针对多个候选图斑，依次执行如前所述的图斑的自动匹配方法，从而实现候选图斑与基准图斑的相应匹配。
相比于现有技术，本发明实施例具有如下有益效果：
本发明提供了一种图斑的自动匹配方法及装置，通过分别计算候选图斑和多个基准图斑的图斑信息，根据预设的匹配图斑匹配方法将基准图斑和候选图斑进行选择匹配以获取匹配图斑以及对应顶点关系，最后根据匹配图斑以及对应顶点关系计算确定最佳匹配结果，该自动匹配方法及装置实现了图斑的自动匹配，还提升了图斑匹配的效率和准确性。
进一步地，本发明提供的图斑的自动匹配方法及装置还通过计算各个匹配图斑的权重并排序，进一步提升了图斑匹配的效率。
本发明还提供了一种图斑的批量匹配方法及装置，通过获取多组图斑并将每组图斑分为基准图斑和候选图斑，并针对每一个候选图斑自动执行前述图斑的自动匹配方法，该批量匹配方法及装置自动实现了多个候选图斑的批量匹配，更进一步提升了图斑匹配的效率。
附图说明
下文将结合说明书附图对本发明进行进一步的描述说明，其中：
图1示出了根据本发明的一种图斑的自动匹配方法的一个实施例的流程图；
图2示出了根据本发明的预设的匹配权重计算方法的一个实施例的流程图；
图3示出了根据本发明的一种图斑的自动匹配装置的一个实施例的结构图；
图4示出了根据本发明的一种图斑的批量匹配方法的一个实施例的流程图；
图5示出了根据本发明的一种图斑的批量匹配装置的一个实施例的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
具体实施例一
本发明提供了一种图斑的自动匹配方法。图1示出了根据本发明的一种图斑的自动匹配方法的一个实施例的流程图。如图1所示，该方法至少包括如下步骤：
S1:获取用户输入的候选图斑、多个基准图斑以及所有图斑的创建信息。
其中，基准图斑为最新创建的、准确的图斑，候选图斑为历史的、多来源的图斑需要和基准图斑建立对应关系的图斑。候选图斑即为待进行匹配的图斑，通过后续一系列的步骤匹配到多个基准图斑中的一个基准图斑上。所述创建信息包括创建时间、坐标点个数、坐标点序号以及坐标点坐标。
在一个实施例中，用户输入图斑的步骤可以直接通过上传图斑的电子文件实现，也可以通过扫描手绘图斑实现，从而使得能够进行匹配的图斑范围更广，避免了手绘图斑无法进行匹配的情况。
S2:根据预设的图斑信息计算方法以及所述所有图斑的创建信息，分别计算获取所有图斑各自的图斑信息。
具体地，预设的图斑信息计算方法为：获取图斑的创建信息；按照图斑的坐标点序号，依次计算获取每个坐标点对应的内角，并将所述内角依次排列为顶点内角组；根据图斑上的坐标点序号以及坐标点坐标分别计算图斑的第二类环路积分，并根据计算结果的正负性判断获取所述图斑的边界方向(顺时针/逆时针)；计算获取图斑的投影面积；将顶点内角组、边界方向以及投影面积存储为对应图斑的图斑信息。
分别通过上述图斑信息计算方法对多个基准图斑以及候选图斑进行计算，即可分别获取多个基准图斑的图斑信息以及候选图斑的图斑信息。在一个实施例中，顶点内角组中的内角根据坐标点序号顺序排列为一维向量。
S3:将所述多个基准图斑、多个基准图斑各自的图斑信息以及创建信息存储为基准图斑数据组，并将所述候选图斑、候选图斑的图斑信息以及创建信息存储为候选图斑数据组。
在一个实施例中，基准图斑数据组中的基准图斑、图斑信息以及创建信息按照坐标点个数递增、投影面积递减来排序；候选图斑数据组中的候选图斑、候选信息以及创建信息同样按照坐标点个数递增、投影面积递减来排序。
S41:通过预设的图斑匹配方法，从所述基准图斑数据组中，分别根据基准图斑的图斑信息以及所述候选图斑的图斑信息，计算并选择获取与所述候选图斑相匹配的匹配图斑组。
具体地，通过具有预设的半径值的空间选择运算，从所述基准图斑数据组中选择获取与所述候选图斑相匹配的一个或多个基准图斑、基准图斑的图斑信息以及创建信息；排除坐标点不同的基准图斑，从而将剩余的基准图斑作为匹配图斑；计算每个匹配图斑与所述候选图斑的顶点关系；将匹配图斑、匹配图斑的图斑信息、匹配图斑的创建信息以及每个匹配图斑与所述候选图斑的顶点关系作为匹配图斑组。
其中，预设的半径值根据不同坐标系转换误差而设定。匹配图斑组中的匹配图斑为多个基准图斑中的一个或多个。
S5:分别根据所述顶点关系计算每个匹配图斑的偏移角度和旋转角度，并根据计算结果确认最佳匹配结果，从而实现所述候选图斑与匹配图斑的相应匹配。
在获取每个匹配图斑与待匹配的候选图斑的顶点关系后，求出仿射矩阵，并根据该仿射矩阵计算出偏移角度和旋转角度，并根据所得偏移角度和旋转角度确认最佳的匹配结果，即最终获得与待匹配的候选图斑最为匹配的基准图斑，从而完成候选图斑与基准图斑的自动匹配。
在一个实施例中，在步骤S41后，该方法还包括：
S42：根据预设的匹配权重计算方法，分别计算每个匹配图斑的匹配权重，并根据所述匹配权重的计算结果，对匹配图斑组中的所有基准图斑进行降序排列。
图2示出了根据本发明的预设的匹配权重计算方法的一个实施例的流程图。具体地，如图2所示，所述预设的匹配权重计算方法，包括：
S421：获取匹配图斑的顶点内角组以及候选图斑的顶点内角组；
S422：分别计算匹配图斑的顶点内角组的第一标准差、候选图斑的顶点内角组的第二标准差，以及匹配图斑的顶点内角组和候选图斑的顶点内角组之间的循环卷积结果；
其中，为了加快计算匹配图斑的顶点内角组和候选图斑的顶点内角组之间的循环卷积的运算速度，该循环卷积结果的计算包括如下步骤：
A101：用0将匹配图斑的顶点内角组的第一序列长度扩充到第三序列长度，用0将候选图斑的顶点内角组的第二序列长度扩充到第四序列长度。
其中，第三序列长度和第四序列长度均为大于第一数值的最小二次幂，第一数值的计算公式如下：
L＝2*N-1
其中，L为第一数值，N为第一序列长度或第二序列长度(第一序列长度与第二序列长度相等)。
A102:分别计算第三序列长度的第一快速傅里叶变换(FFT)频谱和第四序列长度的第二快速傅里叶变换(FFT)频谱，并将第一快速傅里叶变换频谱和第二快速傅里叶变换频谱相乘，从而得到第一频谱矩阵。
A103:对第一频谱矩阵进行逆变换，从而得到该循环卷积结果。
S423：根据预设的第一系数计算公式、所述第一标准差、第二标准差以及所述循环卷积结果，计算得出匹配图斑和候选图斑的第一系数序列，并获取所述第一系数序列中的最大第一系数值；其中，预设的第一系数计算公式为：
Figure BDA0003078118080000091
其中，RX1X2[n]为所述循环卷积结果，σX1为所述匹配图斑的顶点内角组的第一标准差，σX2为候选图斑的顶点内角组的第二标准差，ρ[n]为第一系数序列；
S424：根据所述匹配图斑的投影面积、所述候选图斑的投影面积、所述最大第一系数值以及预设的权重计算公式，计算获取所述匹配图斑与所述候选图斑的匹配权重；其中，预设的权重计算公式为：
Figure BDA0003078118080000092
其中，S1为所述匹配图斑的投影面积，S2为所述候选图斑的投影面积，L为匹配权重，ρmax为最大第一系数值。
本实施例提供了一种图斑的自动匹配方法，通过分别计算候选图斑和多个基准图斑的图斑信息，根据预设的匹配图斑匹配方法将基准图斑和候选图斑进行选择匹配以获取匹配图斑以及对应顶点关系，最后根据匹配图斑以及对应顶点关系计算确定最佳匹配结果，该自动匹配方法实现了图斑的自动匹配，还提升了图斑匹配的效率和准确性；进一步地，本实施例提供的图斑的自动匹配方法还通过计算各个匹配图斑的权重并排序，进一步提升了图斑匹配的效率。
具体实施例二
除上述方法外，本发明还提供了一种图斑的自动匹配装置11。图3示出了根据本发明的一种图斑的自动匹配装置的一个实施例的结构图。如图3所示，所述装置包括图斑获取单元111、信息计算单元112以及计算匹配单元113。
图斑获取单元111用于获取用户输入的候选图斑、多个基准图斑以及所有图斑的创建信息。其中，创建信息包括创建时间、坐标点个数、坐标点序号以及坐标点坐标。在一个实施例中，图斑获取单元111可以直接获取上传图斑的电子文件，也可以通过扫描手绘图斑获取，从而使得能够进行匹配的图斑范围更广，避免了手绘图斑无法进行匹配的情况。
信息计算单元112用于根据预设的图斑信息计算方法以及所述所有图斑的创建信息，分别计算获取所有图斑各自的图斑信息；信息计算单元112还用于将所述多个基准图斑、多个基准图斑各自的图斑信息以及创建信息存储为基准图斑数据组，并将所述候选图斑、候选图斑的图斑信息以及创建信息存储为候选图斑数据组。其中，所述图斑信息包括顶点内角组、边界方向以及投影面积。
计算匹配单元113用于通过预设的图斑匹配方法，从所述基准图斑数据组中，分别根据基准图斑的图斑信息以及所述候选图斑的图斑信息，计算并选择获取与所述候选图斑相匹配的匹配图斑组；分别根据所述顶点关系计算每个匹配图斑的偏移角度和旋转角度，并根据计算结果确认最佳匹配结果，从而实现所述候选图斑与匹配图斑的相应匹配。在一个实施例中，所述匹配图斑组包括匹配图斑、匹配图斑的图斑信息、匹配图斑的创建信息以及每个匹配图斑与所述候选图斑的顶点关系。
在一个实施例中，所述计算匹配单元还用于根据预设的匹配权重计算方法，分别计算每个匹配图斑的匹配权重，并根据所述匹配权重的计算结果，对匹配图斑组中的所有基准图斑进行降序排列。
当需要对候选图斑进行匹配时，用户首先向图斑获取单元111输入一个候选图斑以及多个基准图斑，图斑获取单元111在接收到用户输入的图斑后对其创建信息进行获取；随后，图斑获取单元111将各个图斑以及对应的创建信息发送给信息计算单元112；信息计算单元112根据接收到的创建信息以及预设的图斑信息计算方法分别计算每个图斑的图斑信息，并针对候选图斑和基准图斑两类进行存储，从而将候选图斑、候选图斑的图斑信息以及候选图斑的创建信息一并存储为候选图斑数据组，而将基准图斑、基准图斑的图斑信息以及基准图斑的创建信息一并存储为基准图斑数据组，在进行分类存储后，信息计算单元112将候选图斑数据组以及基准图斑数据组发送给计算匹配单元113；信息计算单元112通过预设的图斑匹配方法，从基准图斑数据组中选择出与候选图斑匹配的匹配图斑，并计算各个匹配图斑与候选图斑的对应的顶点关系；然后，分别根据顶点关系计算仿射矩阵，并进一步计算偏移角度和旋转角度，最后，根据偏移角度和旋转角度确定匹配程度最高的匹配图斑，从而实现候选图斑的匹配。
本实施例提供了一种图斑的自动匹配装置，通过分别计算候选图斑和多个基准图斑的图斑信息，根据预设的匹配图斑匹配方法将基准图斑和候选图斑进行选择匹配以获取匹配图斑以及对应顶点关系，最后根据匹配图斑以及对应顶点关系计算确定最佳匹配结果，该自动匹配装置实现了图斑的自动匹配，还提升了图斑匹配的效率和准确性；进一步地，本实施例提供的图斑的自动匹配装置还通过计算各个匹配图斑的权重并排序，进一步提升了图斑匹配的效率。
具体实施例三
除上述图斑的自动匹配方法及装置外，本发明还提供一种图斑的批量匹配方法。图4示出了根据本发明的一种图斑的批量匹配方法的一个实施例的流程图。如图4所示，该批量匹配方法包括：
SS1:获取用户输入的多组图斑以及所有图斑的创建信息，并在每组图斑中根据各个图斑的创建信息分别确定每个图斑的图斑类型，从而获取基准图斑和多个对应于所述基准图斑的候选图斑。
其中，所述基准图斑为创建时间最短的图斑；所述候选图斑为除基准图斑之外的图斑。
SS2:针对多个候选图斑，依次执行如前所述的图斑的自动匹配方法，从而实现候选图斑与基准图斑的相应匹配。
当用户输入多组图斑时，根据创建信息确定每组图斑的基准图斑和候选图斑，从而获取多个基准图斑和多个候选图斑，随后，对每个候选图斑执行前述的图斑的自动匹配方法，以依次将各个候选图斑与多个基准图斑进行匹配，从而得到每个候选图斑对应的基准图斑，以实现候选图斑与基准图斑的相应匹配。
本实施例还提供了一种图斑的批量匹配方法，通过获取多组图斑并将每组图斑分为基准图斑和候选图斑，并针对每一个候选图斑自动执行前述图斑的自动匹配方法，该批量匹配方法自动实现了多个候选图斑的批量匹配，更进一步提升了图斑匹配的效率。
具体实施例四
本发明还提供了一种图斑的批量匹配装置。图5示出了根据本发明的一种图斑的批量匹配装置的一个实施例的结构图。如图5所示，所述批量匹配装置1包括如前所述的图斑的自动匹配装置11以及分类模块12。
分类模块12用于获取用户输入的多组图斑以及所有图斑的创建信息，并在每组图斑中根据各个图斑的创建信息分别确定每个图斑的图斑类型，从而获取基准图斑和多个对应于所述基准图斑的候选图斑；其中，所述图斑类型包括基准图斑和候选图斑，所述基准图斑为创建时间最短的图斑；所述候选图斑为除基准图斑之外的图斑；
图斑的自动匹配装置11用于针对多个候选图斑，依次执行如前所述的图斑的自动匹配方法，从而实现候选图斑与基准图斑的相应匹配。
当需要对多组图斑进行批量匹配时，分类模块12首先将用户输入的多组图斑分类为多个基准图斑和多个候选图斑，并将多个基准图斑发送给如前所述的图斑的自动匹配装置11；随后，依次向如前所述的图斑的自动匹配装置11发送候选图斑以进行一一匹配，从而实现多个候选图斑与基准图斑的相应匹配。
本实施例还提供了一种图斑的批量匹配装置，通过获取多组图斑并将每组图斑分为基准图斑和候选图斑，并针对每一个候选图斑自动执行前述图斑的自动匹配方法，该批量匹配装置自动实现了多个候选图斑的批量匹配，更进一步提升了图斑匹配的效率。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种图斑的自动匹配方法，其特征在于，包括：
获取用户输入的候选图斑、多个基准图斑以及所有图斑的创建信息；
根据预设的图斑信息计算方法以及所述所有图斑的创建信息，分别计算获取所有图斑各自的图斑信息；
将所述多个基准图斑、多个基准图斑各自的图斑信息以及创建信息存储为基准图斑数据组，并将所述候选图斑、候选图斑的图斑信息以及创建信息存储为候选图斑数据组；
通过预设的图斑匹配方法，从所述基准图斑数据组中，分别根据基准图斑的图斑信息以及所述候选图斑的图斑信息，计算并选择获取与所述候选图斑相匹配的匹配图斑组；其中，所述匹配图斑组包括匹配图斑以及每个匹配图斑与所述候选图斑的顶点关系；
分别根据所述顶点关系计算每个匹配图斑的偏移角度和旋转角度，并根据计算结果确认最佳匹配结果，从而实现所述候选图斑与匹配图斑的相应匹配。
2.根据权利要求1所述的图斑的自动匹配方法，其特征在于，在所述通过预设的图斑匹配方法，从所述基准图斑数据组中，分别根据基准图斑信息以及候选图斑信息计算获取与所述候选图斑相匹配的匹配图斑组之后，还包括：
根据预设的匹配权重计算方法，分别计算每个匹配图斑的匹配权重，并根据所述匹配权重的计算结果，对匹配图斑组中的所有基准图斑进行降序排列。
3.根据权利要求2所述的图斑的自动匹配方法，其特征在于，所述预设的图斑信息计算方法，具体为：
获取图斑的创建信息；所述创建信息包括创建时间、坐标点个数、坐标点序号以及坐标点坐标；
按照图斑的坐标点序号，依次计算获取每个坐标点对应的内角，并将所述内角依次排列为顶点内角组；
根据图斑上的坐标点序号以及坐标点坐标分别计算图斑的第二类环路积分，并根据计算结果的正负性判断获取所述图斑的边界方向；
计算获取图斑的投影面积；
将顶点内角组、边界方向以及投影面积存储为对应图斑的图斑信息。
4.根据权利要求3所述的图斑的自动匹配方法，其特征在于，通过预设的图斑匹配方法，从所述基准图斑数据组中，分别根据基准图斑的图斑信息以及候选图斑的图斑信息，计算并选择获取与所述候选图斑相匹配的匹配图斑组，具体为：
通过具有预设的半径值的空间选择运算，从所述基准图斑数据组中选择获取与所述候选图斑相匹配的一个或多个基准图斑、基准图斑的图斑信息以及创建信息；
排除坐标点不同的基准图斑，从而将剩余的基准图斑作为匹配图斑；
计算每个匹配图斑与所述候选图斑的顶点关系；
将匹配图斑、匹配图斑的图斑信息、匹配图斑的创建信息以及每个匹配图斑与所述候选图斑的顶点关系作为匹配图斑组。
5.根据权利要求2-4任一项所述的图斑的自动匹配方法，其特征在于，所述预设的匹配权重计算方法，包括：
获取匹配图斑的顶点内角组以及候选图斑的顶点内角组；
分别计算匹配图斑的顶点内角组的第一标准差、候选图斑的顶点内角组的第二标准差，以及匹配图斑的顶点内角组和候选图斑的顶点内角组之间的循环卷积结果；
根据预设的第一系数计算公式、所述第一标准差、第二标准差以及所述循环卷积结果，计算得出匹配图斑和候选图斑的第一系数序列，并获取所述第一系数序列中的最大第一系数值；其中，预设的第一系数计算公式为：
Figure FDA0003078118070000031
其中，RX1X2[n]为所述循环卷积结果，σX1为所述匹配图斑的顶点内角组的第一标准差，σX2为候选图斑的顶点内角组的第二标准差，ρ[n]为第一系数序列；
根据所述匹配图斑的投影面积、所述候选图斑的投影面积、所述最大第一系数值以及预设的权重计算公式，计算获取所述匹配图斑与所述候选图斑的匹配权重；其中，预设的权重计算公式为：
Figure FDA0003078118070000032
其中，S1为所述匹配图斑的投影面积，S2为所述候选图斑的投影面积，L为匹配权重，ρmax为最大第一系数值。
6.一种图斑的批量匹配方法，其特征在于，包括：
获取用户输入的多组图斑以及所有图斑的创建信息，并在每组图斑中根据各个图斑的创建信息分别确定每个图斑的图斑类型，从而获取基准图斑和多个对应于所述基准图斑的候选图斑；其中，所述基准图斑为创建时间最短的图斑；所述候选图斑为除基准图斑之外的图斑；
针对多个候选图斑，依次执行如权利要求1-5任一项所述的图斑的自动匹配方法，从而实现候选图斑与基准图斑的相应匹配。
7.一种图斑的自动匹配装置，其特征在于，所述装置包括图斑获取单元、信息计算单元以及计算匹配单元，其中，
所述图斑获取单元用于获取用户输入的候选图斑、多个基准图斑以及所有图斑的创建信息；所述创建信息包括创建时间、坐标点个数、坐标点序号以及坐标点坐标；
所述信息计算单元用于根据预设的图斑信息计算方法以及所述所有图斑的创建信息，分别计算获取所有图斑各自的图斑信息；其中，所述图斑信息包括顶点内角组、边界方向以及投影面积；将所述多个基准图斑、多个基准图斑各自的图斑信息以及创建信息存储为基准图斑数据组，并将所述候选图斑、候选图斑的图斑信息以及创建信息存储为候选图斑数据组；
所述计算匹配单元用于通过预设的图斑匹配方法，从所述基准图斑数据组中，分别根据基准图斑的图斑信息以及所述候选图斑的图斑信息，计算并选择获取与所述候选图斑相匹配的匹配图斑组；其中，所述匹配图斑组包括匹配图斑、匹配图斑的图斑信息、匹配图斑的创建信息以及每个匹配图斑与所述候选图斑的顶点关系；分别根据所述顶点关系计算每个匹配图斑的偏移角度和旋转角度，并根据计算结果确认最佳匹配结果，从而实现所述候选图斑与匹配图斑的相应匹配。
8.根据权利要求7所述的图斑的自动匹配装置，其特征在于，所述计算匹配单元还用于根据预设的匹配权重计算方法，分别计算每个匹配图斑的匹配权重，并根据所述匹配权重的计算结果，对匹配图斑组中的所有基准图斑进行降序排列。
9.一种图斑的批量匹配装置，其特征在于，所述批量匹配装置包括分类模块以及如权利要求7或8所述的图斑的自动匹配装置；其中，
所述分类模块用于获取用户输入的多组图斑以及所有图斑的创建信息，并在每组图斑中根据各个图斑的创建信息分别确定每个图斑的图斑类型，从而获取基准图斑和多个对应于所述基准图斑的候选图斑；其中，所述图斑类型包括基准图斑和候选图斑，所述基准图斑为创建时间最短的图斑；所述候选图斑为除基准图斑之外的图斑；
所述图斑的自动匹配装置用于针对多个候选图斑，依次执行如权利要求1-5任一项所述的图斑的自动匹配方法，从而实现候选图斑与基准图斑的相应匹配。
CN202110558777.XA 2021-05-21 2021-05-21 一种生态修复项目中的图斑的自动匹配方法及装置 Active CN113392255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110558777.XA CN113392255B (zh) 2021-05-21 2021-05-21 一种生态修复项目中的图斑的自动匹配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110558777.XA CN113392255B (zh) 2021-05-21 2021-05-21 一种生态修复项目中的图斑的自动匹配方法及装置

Publications (2)

Publication Number Publication Date
CN113392255A true CN113392255A (zh) 2021-09-14
CN113392255B CN113392255B (zh) 2022-02-08

Family

ID=77618854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110558777.XA Active CN113392255B (zh) 2021-05-21 2021-05-21 一种生态修复项目中的图斑的自动匹配方法及装置

Country Status (1)

Country Link
CN (1) CN113392255B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101510374A (zh) * 2009-03-12 2009-08-19 中国科学院遥感应用研究所 一种基于历史数据及遥感数据的土地利用图自动更新方法
CN104298734A (zh) * 2014-09-30 2015-01-21 东南大学 土地利用现状变更调查中变更图斑移动更新方法
CN105046684A (zh) * 2015-06-15 2015-11-11 华中科技大学 一种基于多边形广义霍夫变换的图像匹配方法
CN106709501A (zh) * 2015-11-16 2017-05-24 中国科学院沈阳自动化研究所 一种图像匹配系统的景象匹配区域选择与基准图优化方法
US20190293419A1 (en) * 2018-03-20 2019-09-26 Pixart Imaging Inc. Distance detection device
CN110472661A (zh) * 2019-07-10 2019-11-19 北京吉威数源信息技术有限公司 基于历史本底和现时遥感影像的自动变化检测方法和系统
CN112380307A (zh) * 2020-11-12 2021-02-19 中国国土勘测规划院 一种土地利用时空数据模型设计方法
CN112765296A (zh) * 2021-01-14 2021-05-07 武汉光庭信息技术股份有限公司 一种网格化图斑核查方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101510374A (zh) * 2009-03-12 2009-08-19 中国科学院遥感应用研究所 一种基于历史数据及遥感数据的土地利用图自动更新方法
CN104298734A (zh) * 2014-09-30 2015-01-21 东南大学 土地利用现状变更调查中变更图斑移动更新方法
CN105046684A (zh) * 2015-06-15 2015-11-11 华中科技大学 一种基于多边形广义霍夫变换的图像匹配方法
CN106709501A (zh) * 2015-11-16 2017-05-24 中国科学院沈阳自动化研究所 一种图像匹配系统的景象匹配区域选择与基准图优化方法
US20190293419A1 (en) * 2018-03-20 2019-09-26 Pixart Imaging Inc. Distance detection device
CN110472661A (zh) * 2019-07-10 2019-11-19 北京吉威数源信息技术有限公司 基于历史本底和现时遥感影像的自动变化检测方法和系统
CN112380307A (zh) * 2020-11-12 2021-02-19 中国国土勘测规划院 一种土地利用时空数据模型设计方法
CN112765296A (zh) * 2021-01-14 2021-05-07 武汉光庭信息技术股份有限公司 一种网格化图斑核查方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜法明: "土地利用更新调查中新旧图斑对照的比较方法", 《现代测绘》 *

Also Published As

Publication number Publication date
CN113392255B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN107766859B (zh) 移动机器人定位方法、装置及移动机器人
CN103383682B (zh) 一种地理编码方法、位置查询系统及方法
CN112990228B (zh) 图像特征匹配方法和相关装置、设备及存储介质
CN103295014B (zh) 基于像素位置排列直方图的图像局部特征描述方法
US20140219569A1 (en) Image recognition system and method for identifying similarities in different images
US10592761B2 (en) Image processing method and device
US20160125266A1 (en) Image Processing Method, Image Processing Device, And Image Processing Program
CN105740868B (zh) 一种基于圆形算子的图像边缘提取方法和装置
CN107067371B (zh) 大幅面皮革图像拼接方法
CN109948135A (zh) 一种基于表格特征归一化图像的方法及设备
CN111008560A (zh) 一种牲畜的重量确定方法、装置、终端及计算机存储介质
CN106296587B (zh) 轮胎模具图像的拼接方法
CN115147499A (zh) 标定参数确定方法、混合标定板、装置、设备和介质
CN112907746A (zh) 电子地图的生成方法、装置、电子设备及存储介质
CN113392255B (zh) 一种生态修复项目中的图斑的自动匹配方法及装置
CN110298233B (zh) 掌纹识别方法、装置、计算机设备及存储介质
CN114693529A (zh) 一种图像拼接方法、装置、设备及存储介质
CN110385434B (zh) 3d嫁接打印的对齐方法、装置、电子设备及存储介质
CN114882085B (zh) 一种基于单一立方体三维点云配准方法及系统
CN115482267A (zh) 基于圆形物体的圆心定位方法、装置、设备及介质
CN114119455B (zh) 一种基于目标检测网络定位血管狭窄部位的方法和装置
CN115731458A (zh) 一种遥感影像的处理方法、装置和电子设备
CN115127481A (zh) 条纹投影3d测量方法、终端设备及计算机可读存储介质
CN114037993A (zh) 变电站指针仪表读数方法、装置、存储介质以及电子设备
CN117853382B (zh) 基于稀疏标记物的图像矫正方法、装置及存储介质

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