CN115564672B - 一种带状面要素数据实体修复方法 - Google Patents

一种带状面要素数据实体修复方法 Download PDF

Info

Publication number
CN115564672B
CN115564672B CN202211169404.4A CN202211169404A CN115564672B CN 115564672 B CN115564672 B CN 115564672B CN 202211169404 A CN202211169404 A CN 202211169404A CN 115564672 B CN115564672 B CN 115564672B
Authority
CN
China
Prior art keywords
arc
matching
pattern
segment
mode
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
CN202211169404.4A
Other languages
English (en)
Other versions
CN115564672A (zh
Inventor
殷勇
郭沛沛
白晓飞
张成成
戴昭鑫
吴政
杨健男
张小桐
张嘉
尚梦佳
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.)
Chinese Academy of Surveying and Mapping
Original Assignee
Chinese Academy of Surveying and Mapping
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 Chinese Academy of Surveying and Mapping filed Critical Chinese Academy of Surveying and Mapping
Priority to CN202211169404.4A priority Critical patent/CN115564672B/zh
Publication of CN115564672A publication Critical patent/CN115564672A/zh
Application granted granted Critical
Publication of CN115564672B publication Critical patent/CN115564672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/77Retouching; Inpainting; Scratch removal
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/34Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757Matching configurations of points or features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种带状面要素数据实体修复方法,包括S1、识别并筛选各类面要素数据之间的公共弧段,并根据公共弧段之间是否存在投影重叠部分,定义弧段对之间的特征;S2、根据弧段对之间的特征关系、弧长比例以及匹配的弧段数量,划分弧段匹配模式;S3、根据图斑数据组别,对各类图斑进行编号分组,筛选同一组别且非约束图层的弧段;S4、根据弧段匹配模式,进行模式识别;S5、筛选模式识别后的弧段匹配结果;S6、对筛选后的模式识别结果,分模式进行修复。优点是:本发明方法从二维平面的角度,结合面数据之间的拓扑关系以及顾及其空间分布特征,能够提取并修复得到遮挡区域的实体信息与数据。

Description

一种带状面要素数据实体修复方法
技术领域
本发明涉及地图制图学技术领域,尤其涉及一种带状面要素数据实体修复方法。
背景技术
地图上的带状面要素数据是对真实地理世界带状面目标分布情况的客观反映,其中土地利用数据是地图中常见的带状面要素数据之一。面状目标通常是自然形成或人工建造而成,随着社会的发展,诸如公路、铁路、桥等人造要素变得越来越多,各类要素之间的纵横交错关系也随之变得复杂,常常在真实地理位置处存在上下相隔的空间,即上方地物遮掩下方地物的空间铺盖结构,这种铺盖结构在二维平面数据层面上,因其数据生产方式,没有进行呈现,在后续应用上表现出连通性问题,比如土地利用数据在空间分布上具有全覆盖、无重叠、无缝隙特征,所以不会以数据形式呈现出这种铺盖结构,在利用该数据进行骨架线提取的时候,会导致骨架线不连通,结构表现不理想,这种骨架线结构将影响诸如面状地物注记自动配置领域、多边形拆分合并等制图综合领域、道路结构识别、河流分水岭识别等其他研究的进一步应用。因此,提取并修复得到此处被遮掩的数据,对数据来说是一种丰富过程,对后续的应用来说,将会有更理想的应用结果。
现有研究主要是通过图像的角度去阐述与分析这类铺盖问题。遥感影像提取道路时,会存在因树木、云层、建筑等遮挡导致道路不连通,如何修复被遮挡的不连通道路,是一个难点问题。有学者把遮挡现象分为绝对遮挡和相对遮挡两种情况,如果遮挡是由于高楼等建筑物引起影像不可见,但其可能在另一幅影像上却可见,这种属于相对遮挡,可以互补完成修复;如果遮挡是由于立交桥处相互两条交叉的道路具有上下空间关系、河流上方有道路通过等引起,这种属于绝对遮挡。有学者以提高遥感影像道路提取精度为目标,分别基于直方图均衡、图卷积和融合GPS点位置信息的方法,改善了道路连通性。虽然,其方法在获取图像或生产过程中减少了遮挡现象,但解决的是相对遮挡问题,效果有限,并不能完全被消除。有学者认为,若能结合点线面这样的GIS空间数据,就能在图像缺损信息修复时,保证其修复合理性,解决遮挡区域多种问题,但因为其是图像修复的研究,没有对如何提取这种遮挡区域做介绍。
发明内容
本发明的目的在于提供一种带状面要素数据实体修复方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种带状面要素数据实体修复方法,包括如下步骤,
S1、识别并筛选各类面要素数据之间的公共弧段,并根据公共弧段之间是否存在投影重叠部分,定义弧段对之间的特征;
S2、根据弧段对之间的特征关系、弧长比例以及匹配的弧段数量,划分弧段匹配模式;
S3、根据图斑数据组别,对各类图斑进行编号分组,筛选同一组别且非约束图层的弧段;
S4、根据弧段匹配模式,进行模式识别;
S5、筛选模式识别后的弧段匹配结果;
S6、对筛选后的模式识别结果,分模式进行修复。
优选的,步骤S1具体包括如下内容,
S11、为带状面要素数据构建点、弧段及多边形拓扑关系;
S12、根据拓扑关系,把邻接的带状面要素之间的公共部分进行弧段化,筛选弧长小于预设倍数权重的图斑宽度阈值下的公共弧段;
S13、根据公共弧段之间的投影部分,将无投影重叠部分的两个公共弧段成为斜对弧段对,将有投影重叠部分的两个公共弧段成为正对弧段对。
优选的,步骤S2具体包括如下内容,
S21、判断方式:
通过一弧段相对或斜对的弧段数量,分为一对一和一对多两种模式;
根据弧段对之间的弧长比例是否大于弧长差异程度阈值,划分为弧段差异小和弧段差异大两种模式;
在一弧段正对的有两个或两个以上的弧段,并且有弧长差异大的情况存在时,这种情况称为相向或异向的并行邻接模式;
S22、基于判断方式,将弧段匹配模式分为三类:
Ⅰ类模式:正对特征匹配模式中的一对一和一对多两种模式,包括弧长差异小、弧长差异大和并行邻接三种场景;
Ⅱ类模式:斜对特征匹配模式中的一对一和一对多两种模式,无场景具体划分;
Ⅲ类模式:正对和斜对混合匹配模式,只有一对多模式,无场景具体划分。
优选的,步骤S3中图斑分组方法为,根据地物真实分布情况,铺盖处前后位置须为同一类别下的图斑;其中,
将河流、水库、沟渠这些不同图层的水系图斑作为一个组别;
将公路、农村道路这些不同图层的道路图斑作为一个组别;
约束图层单独作为一个组别,限制非该区域所需的弧段匹配;
按照上述分组依据对所有图斑进行分组,只有同一组别的图斑才能进行模式识别。
优选的,步骤S4具体包括如下内容,
S41、在正对特征的弧段匹配中,对于弧长差异值小于或等于弧长差异程度阈值的弧段对,直接进行匹配;对于弧长差异值大于弧长差异程度阈值的弧段对,以较短弧段在较长弧段上的投影线作为新匹配弧段与较短弧段进行匹配;对于并行邻接的情况,以最长弧段作为基准弧,计算基准弧的弧长与其它弧段的弧长之间的比例,记录其他弧段中比例超过弧长差异程度阈值的弧段,以已记录的弧段在基准弧上的投影线与已记录弧段进行匹配;
S42、在斜对特征的弧段匹配中,只要斜对弧段之间的中点距离在图斑宽度阈值范围内,且匹配弧段的长度比例不超过弧长比例阈值,即可将此处的斜对弧段识别成功;
S43、在正对和斜对特征混合匹配的模式中,按照S41和S42的方式分别对应识别即可。
优选的,步骤S5具体为,剔除两弧段首尾端点的连接线长度大于预设倍数权重的图斑宽度阈值的弧段匹配结果,以及根据拓扑关系检查,剔除两弧段首尾端点连接线会与其它图斑相交的弧段匹配结果;保留下的弧段匹配结果即为筛选后的模式识别结果。
优选的,步骤S6具体包括如下内容,
S61、在经筛选后的正对特征的模式识别结果中,除了弧长差异大和并行邻接的情况是利用投影区域作为构建面以外,其他情况的弧段对直接连接两弧段端点,若连接两弧段端点后出现交叉情况,更换首尾点连接方式,直至非交叉,再进行构面;
S62、在经筛选后的斜对特征的模式识别结果中,直接连接两弧段端点,若连接两弧段端点后出现交叉情况,更换首尾点连接方式,直至非交叉,再进行构面;
S63、在经筛选后的混合型模式识别结果中,根据S61和S62中的方式分别对应进行面构建即可;
S64、对以上成功构建的面,使用弧长较长的弧段对应的实体信息作为构建面的实体信息,完成各个模式的实体修复。
本发明的有益效果是:1、本发明方法从二维平面的角度,结合面数据之间的拓扑关系以及顾及其空间分布特征,能够提取并修复得到遮挡区域的实体信息与数据。2、本发明方法能够提取得到理想的骨架线结构,能够有效避免以图斑合并的方式来修复骨架线导致结构表达产生歧义的问题,相对于图斑合并的方法在图斑的骨架线提取场景中更有效。
附图说明
图1为本发明实施例中带状面要素数据实体修复方法的流程图;
图2为本发明实施例中因土地利用数据特有的空间分布特征导致没有以数据呈现出来的铺盖结构示意图;
图3为本发明实施例中具有正对特征的弧段对的示意图;
图4为本发明实施例中具有斜对特征的弧段对的示意图;
图5为本发明实施例中正对特征弧段匹配中,一对一模式下的匹配场景;(a)为弧长差异小的匹配场景,(b)为弧长差异大的匹配场景;
图6为本发明实施例中正对特征弧段匹配中,一对多模式下的匹配场景;(a)为并行邻接的匹配场景,(b)为弧长差异小的匹配场景,(c)为弧长差异大的匹配场景;
图7为本发明实施例中斜对特征的弧段匹配场景;(a)为一对一模式,(b)为一对多模式;
图8为本发明实施例中斜对特征和正对特征混合的弧段匹配模式;
图9为本发明实施例中弧长差异大的模式识别示意图;
图10为本发明实施例中并行邻接的模式识别示意图;
图11为本发明实施例中斜对特征的模式识别示意图;
图12为本发明实施例中需要剔除的识别结果示意图;
图13为本发明实施例中正对特征的模式修复示意图;
图14为本发明实施例中斜对特征的模式修复示意图;
图15为本发明实施例中混合型的模式修复示意图;
图16为本发明实施例中实体修复实验案例示意图;
图17为本发明实施例中一种骨架线提取场景的案例示意图;
图18为本发明实施例中另一种骨架线提取场景的案例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
实施例一
如图1所示,本实施例中,提供了一种带状面要素数据实体修复方法,包括如下步骤,
一、定义弧段对
该部分对应S1:识别并筛选各类面要素数据之间的公共弧段,并根据公共弧段之间是否存在投影重叠部分,定义弧段对之间的特征;具体包括,
1、为带状面要素数据构建点、弧段及多边形拓扑关系;
2、根据拓扑关系,把邻接的带状面要素之间的公共部分进行弧段化,筛选弧长小于预设倍数权重的图斑宽度阈值下的公共弧段;此处的预设倍数可以根据实际情况进行选择,以便更好的满足实际需求。本发明方法中此预设倍数设置为2。
3、根据公共弧段之间的投影部分,将无投影重叠部分的两个公共弧段成为斜对弧段对,将有投影重叠部分的两个公共弧段成为正对弧段对。
二、阈值设置
在执行步骤S2-S6的内容之前,需要先进行阈值设置,即确定正对特征的弧长差异程度阈值(ε)、斜对特征的弧长比例阈值(β)、图斑宽度阈值(ω)。其中,
弧长差异程度指一弧段的长度与另一弧段的长度比值的大小。正对特征模式下的该阈值(ε)要求要比斜对特征模式下的阈值(β)要求低,阈值范围较大。
图斑宽度是指两弧段各自中点之间的距离值;
弧长差异程度阈值(ε)、斜对特征的弧长比例阈值(β)、图斑宽度阈值(ω)都是主观阈值,受人眼视觉等主观影响,通过图上视觉可分辨的最小距离以及制图要求所得。构建面的形状一般不会和实际地物分布形状相同,为了减小差异,保持形状一致性以及其合理性。在进行弧段匹配之前,每个弧段的弧长须小于预设权重倍数的图斑宽度阈值(ω),权重越小,弧段匹配合理性越强,可匹配的弧段越少,以及利用图斑宽度阈值(ω)限制匹配弧段的间距,约束构面后的形状。
三、弧段匹配模式划分
该部分对应步骤S2:根据弧段对之间的特征关系、弧长比例以及匹配的弧段数量,划分弧段匹配模式;
1、判断方式:
通过一弧段相对或斜对的弧段数量,分为一对一和一对多两种模式;
根据弧段对之间的弧长比例是否大于弧长差异程度阈值,划分为弧段差异小和弧段差异大两种模式;
在一弧段正对的有两个或两个以上的弧段,并且有弧长差异大的情况存在时,这种情况称为相向或异向的并行邻接模式;
2、基于判断方式,将弧段匹配模式分为三类:
Ⅰ类模式:正对特征匹配模式中的一对一和一对多两种模式,包括弧长差异小、弧长差异大和并行邻接三种场景;
Ⅱ类模式:斜对特征匹配模式中的一对一和一对多两种模式,无场景具体划分;
Ⅲ类模式:正对和斜对混合匹配模式,只有一对多模式,无场景具体划分。
四、基于图斑组别筛选弧段
该部分对应步骤S3:根据图斑数据组别,对各类图斑进行编号分组,筛选同一组别且非约束图层的弧段;图斑分组方法为,根据地物真实分布情况,铺盖处前后位置须为同一类别下的图斑,比如不可能有道路系组成图斑的弧段与水系图斑的弧段进行匹配的情况。本发明预先为各类图斑进行了分组:将河流、水库、沟渠等这些不同图层的水系图斑作为一个组别;将公路、农村道路等这些不同图层的道路图斑作为一个组别;约束图层单独作为一个组别,限制非该区域所需的弧段匹配;
按照上述分组依据对所有图斑进行分组,只有同一组别的图斑才能进行模式识别。
五、模式识别
该部分对应步骤S4:根据弧段匹配模式,进行模式识别;具体包括,
1、在正对特征的弧段匹配中,对于弧长差异值小于或等于弧长差异程度阈值的弧段对,直接进行匹配;对于弧长差异值大于弧长差异程度阈值的弧段对,以较短弧段在较长弧段上的投影线作为新匹配弧段与较短弧段进行匹配;对于并行邻接的情况,以最长弧段作为基准弧,计算基准弧的弧长与其它弧段的弧长之间的比例,记录其他弧段中比例超过弧长差异程度阈值的弧段,以已记录的弧段在基准弧上的投影线与已记录弧段进行匹配;
2、在斜对特征的弧段匹配中,只要斜对弧段之间的中点距离在图斑宽度阈值范围内,且匹配弧段的长度比例不超过弧长比例阈值,即可将此处的斜对弧段识别成功;
3、在正对和斜对特征混合匹配的模式中,按照1和2的方式分别对应识别即可。
六、筛选弧段匹配结果
该部分对应步骤S5:筛选模式识别后的弧段匹配结果;即剔除两弧段首尾端点的连接线长度大于预设倍数权重的图斑宽度阈值的弧段匹配结果,以及根据拓扑关系检查,剔除两弧段首尾端点连接线会与其它图斑相交的弧段匹配结果;保留下的弧段匹配结果即为筛选后的模式识别结果。
此处的预设倍数可以根据实际情况进行选择,以便更好的满足实际需求。本发明方法中此预设倍数设置为5。
七、分模式修复
该部分对应步骤S6:对筛选后的模式识别结果,分模式进行修复;具体包括,
1、在经筛选后的正对特征的模式识别结果中,除了弧长差异大和并行邻接的情况是利用投影区域作为构建面以外,其他情况的弧段对直接连接两弧段端点,若连接两弧段端点后出现交叉情况,更换首尾点连接方式,直至非交叉,再进行构面;
2、在经筛选后的斜对特征的模式识别结果中,直接连接两弧段端点,若连接两弧段端点后出现交叉情况,更换首尾点连接方式,直至非交叉,再进行构面;
3、在经筛选后的混合型模式识别结果中,根据1和2中的方式分别对应进行面构建即可;
4、对以上成功构建的面,使用弧长较长的弧段对应的实体信息作为构建面的实体信息,完成各个模式的实体修复。
实施例二
本实施例中,结合附图3至11,具体说明本发明方法中的弧段匹配模式的识别过程。
通过分析图斑之间的空间分布特征以及根据拓扑关系将图斑邻接处的公共部分弧段化,定义了两种弧段之间的匹配特征,正对特征和斜对特征,如图3和图4所示。在这特征定义下,给出了正对特征、斜对特征和二者混合呈现出来的几种弧段匹配模式,如图5至图8。最后在这几种弧段匹配模式下进行识别过程。
正对特征下的弧长差异小的模式识别:对于弧长差异值小于或等于弧长差异程度阈值(ε)的弧段对,直接进行识别并记录。
正对特征下的弧长差异大的模式识别:对于弧长差异值大于弧长差异程度阈值(ε)的弧段对,如图9所示,以较短弧段(s2e2)在较长弧段(s1e1)上的投影线(s'2e'2)作为新匹配弧段与较短弧段(s2e2)作为弧段匹配结果。弧长差异程度阈值(ε)根据视觉效果而设定,给定值越小,弧长差异检测越严格。
弧段差异值通过如下公式计算:
diff=Lenarc1/Lenarc2
式(1)中,diff是两弧段长度的差异值;Lenarc1,Lenarc2是弧段1和弧段2的弧长值;如果diff小于1,取其倒数。
并行邻近模式识别:对于并行邻接的情况,如图10所示,以最长的弧段作为基准弧,通过基准弧的弧长(LenBase)与其它弧段的弧长(LenOther)之间的比例(R),记录其它弧段中比例(R)超过弧长差异程度阈值(ε)的弧段。以已记录弧段与基准弧的投影线进行弧段匹配。目的是为了避免后面过度修复,得到一个狭长形的修复面。
R=LenBase/LenOther
斜对特征下的弧段匹配模式识别:斜对特征的弧段对经匹配后,只要斜对弧段之间的中点距在图斑宽度阈值(ω)范围内,且匹配弧段的长度比例不超过弧长比例阈值(β),即可将此处的斜对弧段识别成功,如图11的一对一和一对多两种模式示意图。
斜对弧段之间的中点距通过欧式距离公式计算,具体如下:
Figure BDA0003858592790000091
式(3)中,Dmid是两弧段各自的中点之间距离;x1,x2,y1,y2为两弧段各自中点处的横纵坐标。
匹配弧段的长度比例同理公式(1)进行计算,若比例小于1,则取其倒数。
本实施例中,结合附图2和图12,具体说明本方法中对各弧段匹配模式的识别结果进行筛选的过程。
虽然匹配的弧段之间符合正对特征或斜对特征,但其在后面进行面构建的修复过程时会出现不符合本发明所提的如图2所示的铺盖区域理想的实体修复结果。例如图12中的场景,盘旋型或环型的图斑与其它图斑之间,容易出现两个成功匹配弧段的端点连接线过长或者连接线穿越图斑的情况。因此,需要进行识别结果筛选。根据这类场景,定义了一种判断方法:两弧段端点连接线长度是否过长,并通过拓扑关系来检查两弧段端点连接线是否会产生与其它图斑相交的情况。剔除两弧段首尾端点的连接线长度大于5倍权重的图斑宽度阈值(ω)的弧段匹配结果,以及根据拓扑关系检查,剔除两弧段首尾端点连接线会与其它图斑相交的弧段匹配结果。此处连接线长度阈值设定为一定权重的图斑宽度阈值(ω),权重越大,在没有拓扑相交的情况时,在后面出现修复面越长的可能性越大。
本实施例中,结合图13至图15,具体说明本发明中的弧段匹配模式修复过程。
正对特征的模式修复:如图13列出的所有正对特征模式修复案例,所有基于弧段特征匹配模式识别成功的弧段中,弧段对如图13(a)所示,直接连接两弧段端点(s1连s2,e1连e2),若连接两弧段端点后出现交叉情况,更换首尾点连接方式(s1连e2,e1连s2),直至非交叉,再进行构面,并对构建得到的面进行属性赋值,赋值规则具体为:成功匹配的面构建场景使用弧长较长的弧段对应的实体信息作为构建面的实体信息。
斜对特征的模式修复:对于斜对特征的模式修复,同理正对特征修复模式中的弧长差异小的修复模式,如图14(a),直接连接两弧段端点(s1连s2,e1连e2),若连接两弧段端点后出现交叉情况,更换首尾点连接方式(s1连e2,e1连s2),直至非交叉,再进行构面,并对构建得到的面进行属性赋值,赋值规则同上,即成功匹配的面构建场景使用弧长较长的弧段对应的实体信息作为构建面的实体信息。
二者特征混合的模式修复:如果同时识别得到正对特征和斜对特征的弧段匹配结果,按照前两个模式的修复方法分别进行修复即可,如图15所示。
图16是本发明方法进行实体修复的结果。涵盖三组组别的图斑,包括河流、沟渠、水库三种水系图斑,公路、农村道路、城镇村道路三种道路图斑,以及水工建筑用地。以第一行第一个图中的公路与水库之间的修复过程为例进行目视分析:水库在修复前,被公路图斑分为两段图斑,从视觉效果上,此处的水库应是一段连续的图斑。利用本发明方法,进行模式识别并修复,成功得到呈正对特征的水库图斑,将水库图斑之间的连续性表达了出来,既满足了视觉感官效果,也与地物真实分布一致。为了反映这种修复结果的实用性,以骨架线提取效果为例作分析,定位图17(a)中的图17(b)处数据,此处为实体修复前的图斑进行骨架线提取的效果,图17(c)图为图17(b)修复后的图斑进行骨架线提取的理想效果。修复前,该处河流在实际地理位置上并不是一条截断河流,但河流图斑与农村道路产生了空间相隔,农村道路压盖河流,使河流形成不连续的两个图斑,若直接进行河流图斑的骨架线提取,得到的骨架线结果对河流图斑而言,为一条剪断的线。针对这种场景,河流实体经提取后将前后两个河流图斑合并来修复,此时再进行骨架线提取,得到如图17(c)图的河流图斑骨架线,不再是一条剪断的线。
不过,针对这种简单的十字铺盖的场景,其实可以通过传统方法,将所有图斑直接合并,同样可以解决此处的骨架线提取问题,得到图17(c)图中的理想骨架线。在这种场景中,本发明方法和图斑合并方法都适用。
但当如图18所示的河流和农村道路两类图斑前后出现邻接的情况时,对比中可以看到图斑合并的方式不再适用。因为,以图斑合并的方式来修复骨架线,本该以两条骨架线区分农村道路和河流的结构,经合并后为一条“共用”骨架线,结构表达会产生歧义,即无法正确或者详细地表达两类图斑的骨架结构。而河流图斑经本发明方法修复后,提取得到理想的骨架线结构,避免了这种歧义问题。可以证明,本发明中所提的一种带状面要素数据实体修复方法,在图斑的骨架线提取场景中更有效。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明提供了一种带状面要素数据实体修复方法,本发明方法从二维平面的角度,结合面数据之间的拓扑关系以及顾及其空间分布特征,能够提取并修复得到遮挡区域的实体信息与数据。本发明方法能够提取得到理想的骨架线结构,能够有效避免以图斑合并的方式来修复骨架线导致结构表达产生歧义的问题,相对于图斑合并的方法在图斑的骨架线提取场景中更有效。
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,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。

Claims (6)

1.一种带状面要素数据实体修复方法,其特征在于:包括如下步骤,
S1、识别并筛选各类面要素数据之间的公共弧段,并根据公共弧段之间是否存在投影重叠部分,定义弧段对之间的特征;
S2、根据弧段对之间的特征关系、弧长比例以及匹配的弧段数量,划分弧段匹配模式;步骤S2具体包括如下内容,
S21、判断方式:
通过一弧段相对或斜对的弧段数量,分为一对一和一对多两种模式;
根据弧段对之间的弧长比例是否大于弧长差异程度阈值,划分为弧段差异小和弧段差异大两种模式;
在一弧段正对的有两个或两个以上的弧段,并且有弧长差异大的情况存在时,这种情况称为相向或异向的并行邻接模式;
S22、基于判断方式,将弧段匹配模式分为三类:
Ⅰ类模式:正对特征匹配模式中的一对一和一对多两种模式,包括弧长差异小、弧长差异大和并行邻接三种场景;
Ⅱ类模式:斜对特征匹配模式中的一对一和一对多两种模式,无场景具体划分;
Ⅲ类模式:正对和斜对混合匹配模式,只有一对多模式,无场景具体划分;
S3、根据图斑数据组别,对各类图斑进行编号分组,筛选同一组别且非约束图层的弧段;
S4、根据弧段匹配模式,进行模式识别;
S5、筛选模式识别后的弧段匹配结果;
S6、对筛选后的模式识别结果,分模式进行修复。
2.根据权利要求1所述的带状面要素数据实体修复方法,其特征在于:步骤S1具体包括如下内容,
S11、为带状面要素数据构建点、弧段及多边形拓扑关系;
S12、根据拓扑关系,把邻接的带状面要素之间的公共部分进行弧段化,筛选弧长小于预设倍数权重的图斑宽度阈值下的公共弧段;
S13、根据公共弧段之间的投影部分,将无投影重叠部分的两个公共弧段成为斜对弧段对,将有投影重叠部分的两个公共弧段成为正对弧段对。
3.根据权利要求1所述的带状面要素数据实体修复方法,其特征在于:步骤S3中图斑分组方法为,根据地物真实分布情况,铺盖处前后位置须为同一类别下的图斑;其中,
将河流、水库、沟渠这些不同图层的水系图斑作为一个组别;
将公路、农村道路这些不同图层的道路图斑作为一个组别;
约束图层单独作为一个组别,限制非实操区域所需的弧段匹配;
按照上述分组依据对所有图斑进行分组,只有同一组别的图斑才能进行模式识别。
4.根据权利要求3所述的带状面要素数据实体修复方法,其特征在于:步骤S4具体包括如下内容,
S41、在正对特征的弧段匹配中,对于弧长差异值小于或等于弧长差异程度阈值的弧段对,直接进行匹配;对于弧长差异值大于弧长差异程度阈值的弧段对,以较短弧段在较长弧段上的投影线作为新匹配弧段与较短弧段进行匹配;对于并行邻接的情况,以最长弧段作为基准弧,计算基准弧的弧长与其它弧段的弧长之间的比例,记录其他弧段中比例超过弧长差异程度阈值的弧段,以已记录的弧段在基准弧上的投影线与已记录弧段进行匹配;
S42、在斜对特征的弧段匹配中,只要斜对弧段之间的中点距离在图斑宽度阈值范围内,且匹配弧段的长度比例不超过弧长比例阈值,即可将此处的斜对弧段识别成功;
S43、在正对和斜对特征混合匹配的模式中,按照S41和S42的方式分别对应识别即可。
5.根据权利要求4所述的带状面要素数据实体修复方法,其特征在于:步骤S5具体为,剔除两弧段首尾端点的连接线长度大于预设倍数权重的图斑宽度阈值的弧段匹配结果,以及根据拓扑关系检查,剔除两弧段首尾端点连接线会与其它图斑相交的弧段匹配结果;保留下的弧段匹配结果即为筛选后的模式识别结果。
6.根据权利要求5所述的带状面要素数据实体修复方法,其特征在于:步骤S6具体包括如下内容,
S61、在经筛选后的正对特征的模式识别结果中,除了弧长差异大和并行邻接的情况是利用投影区域作为构建面以外,其他情况的弧段对直接连接两弧段端点,若连接两弧段端点后出现交叉情况,更换首尾点连接方式,直至非交叉,再进行构面;
S62、在经筛选后的斜对特征的模式识别结果中,直接连接两弧段端点,若连接两弧段端点后出现交叉情况,更换首尾点连接方式,直至非交叉,再进行构面;
S63、在经筛选后的混合型模式识别结果中,根据S61和S62中的方式分别对应进行面构建即可;
S64、对以上成功构建的面,使用弧长较长的弧段对应的实体信息作为构建面的实体信息,完成各个模式的实体修复。
CN202211169404.4A 2022-09-22 2022-09-22 一种带状面要素数据实体修复方法 Active CN115564672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211169404.4A CN115564672B (zh) 2022-09-22 2022-09-22 一种带状面要素数据实体修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211169404.4A CN115564672B (zh) 2022-09-22 2022-09-22 一种带状面要素数据实体修复方法

Publications (2)

Publication Number Publication Date
CN115564672A CN115564672A (zh) 2023-01-03
CN115564672B true CN115564672B (zh) 2023-04-18

Family

ID=84742871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211169404.4A Active CN115564672B (zh) 2022-09-22 2022-09-22 一种带状面要素数据实体修复方法

Country Status (1)

Country Link
CN (1) CN115564672B (zh)

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7324666B2 (en) * 2002-11-15 2008-01-29 Whitegold Solutions, Inc. Methods for assigning geocodes to street addressable entities
CN102332168B (zh) * 2011-09-08 2012-12-26 南京大学 一种基于v图的栅格地图矢量化方法
EP3293486B1 (en) * 2016-09-07 2019-04-24 Ordnance Survey Limited Method and system for improving spatial accuracy of map data
US10866101B2 (en) * 2017-06-13 2020-12-15 Tusimple, Inc. Sensor calibration and time system for ground truth static scene sparse flow generation
CN107845139B (zh) * 2017-10-18 2021-05-07 中国测绘科学研究院 一种狭长图斑分裂线的处理方法
CN109934866B (zh) * 2019-03-07 2020-12-08 武大吉奥信息技术有限公司 一种图斑划分模式的提取方法、拷贝方法及装置
CN110009649B (zh) * 2019-04-10 2020-03-17 中国测绘科学研究院 一种交叉口密集区域的骨架线提取方法
CN110176018B (zh) * 2019-04-18 2021-02-26 中国测绘科学研究院 一种保持结构化地物轮廓特征的图斑合并方法
CN112100300B (zh) * 2020-08-22 2022-02-18 中国测绘科学研究院 矢量地表覆盖图斑空间拓扑关系快速构建方法及存储介质
CN113032404B (zh) * 2021-05-20 2021-09-14 中国测绘科学研究院 一种面向地表覆盖数据的图斑变化轨迹提取方法与系统
CN113628236A (zh) * 2021-08-16 2021-11-09 北京百度网讯科技有限公司 摄像头遮挡检测方法、装置、设备、存储介质及程序产品
CN114485684B (zh) * 2021-12-31 2023-11-28 武汉中海庭数据技术有限公司 一种基于地面要素拓扑关系的地图道路匹配方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
方敏,等.节点相似度辅助下的线要素匹配方法设计.测绘通报 .2018,(3),66-70. *

Also Published As

Publication number Publication date
CN115564672A (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
Huertas et al. Detecting buildings in aerial images
US8155391B1 (en) Semi-automatic extraction of linear features from image data
Hinz et al. Automatic extraction of urban road networks from multi-view aerial imagery
CN106087677B (zh) 沥青路面裂缝类型自动识别方法
Jha et al. Using GIS, genetic algorithms, and visualization in highway development
CN108320511A (zh) 基于谱聚类的城市道路交通子区划分方法
CN107958183A (zh) 一种高分辨率遥感图像的城市路网信息自动提取方法
CN103593491B (zh) 一种基于空间匹配技术的互通立交三维仿真设计方法
CN108898672A (zh) 一种制作三维高清道路图车道线的半自动点云方法
CN111553963A (zh) 一种基于地理信息的元网格生成方法及装置
CN103226844A (zh) 一种基于空间数据结构体系的三维地质巷道建模方法
JP7290240B2 (ja) 対象物認識装置
KR102009573B1 (ko) 근적외선 항공영상을 활용한 아파트 단지 내 인공초지 자동 탐색 및 세분류 토지피복도 부분 갱신 방법 및 장치
JP4619504B2 (ja) 3次元デジタル地図作成装置
CN115564672B (zh) 一种带状面要素数据实体修复方法
Zhu et al. Extraction of city roads through shadow path reconstruction using laser data
Duran et al. Map construction algorithms: a local evaluation through hiking data
CN106339985B (zh) 一种从矢量房屋数据中选取镶嵌线对航空影像镶嵌的方法
Price Urban street grid description and verification
CN112288854B (zh) 立交桥三维模型的构建方法
KR101389126B1 (ko) 라이다 자료와 정사영상을 이용한 제방법선 매핑 방법
CN112002012A (zh) 城市区域的可视性分析方法
JP4029925B2 (ja) 電子地図データベースの生成方法
Osmond Evaluating urban ambience-an investigation into quantifying the qualities of the walkable city
CN114898095A (zh) 一种面向国土调查线状特征图斑的数据缩编方法

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