共查询到10条相似文献，搜索用时 15 毫秒
1.
建筑物化简是地图制图领域关注的热点问题之一。集成不同算法构建形状特征自适应的化简模型是应对建筑物多样化形态的有效策略,但当前相关研究主要从局部结构模式或化简结果评价展开,缺乏对形状结构的整体分析视角和深层次认知。本文提出一种深度学习支持下的形状自适应建筑物化简方法。首先,利用图卷积自编码网络对建筑物形状进行深度认知,提取隐含在边界节点分布中的形状特征并进行编码表达;然后,通过监督学习方法建立形状编码与化简算法之间的映射关系,从而实现依据输入建筑物的形状特征选择适宜化简算法的自适应机制。试验表明,本文方法的化简结果在位置、方向、面积和形状保持指标上总体优于单一算法,具备较好的理论与应用价值。 相似文献
2.
针对传统方法在度量建筑物面要素几何形状时,未能考虑形状认知的视觉特征因素且形状特征需要人为定义等问题,该文提出一种建筑物几何形状度量方法。首先,利用深度卷积神经网络的图像特征学习特性,结合自动编码机的自监督学习能力,构建基于机器自监督学习的建筑物面要素几何形状度量神经网络;其次,利用建筑物图像形状大数据对网络进行训练;最后,利用训练完成的神经网络识别并提取建筑物形状特征集并作为形状度量的结果。实验表明,该方法形状度量结果区分度高,一定程度上克服了人为定义形状特征的缺点,且与视觉感知结果基本一致。 相似文献
3.
形状识别和分类是地图制图综合的重要内容之一,面状居民地要素作为地理空间矢量数据的重要组成部分,其形状认知是制图综合的基础。本文针对当前几何和统计形状分类方法的不足,借助图卷积神经网络的图数据分类能力,提出了一种基于图卷积神经网络的面状居民地形状分类方法。该方法首先从面状居民地轮廓多边形入手,提取其轮廓的多个特征,获取形状的图表达;然后,利用图卷积神经网络对居民地形状信息进行多轮次提取和聚合,将形状信息嵌入一个高维向量中;最后利用全连接神经网络对高维形状向量进行分类。试验表明,该方法能够有效提取居民地形状信息,克服了传统分类方法人为设置指标的不足,实现了端到端的居民地形状信息提取与分类。 相似文献
4.
建筑物选取是地图综合的关键步骤,需要考虑目标大小、方向、形状、密度等多种上下文因子进行重要性评价与选取决策。现有方法大多考虑单一或少数几个因子,通过人工设置选取规则与参数,导致选取模型适应性不强。本文构建一种数据驱动的图卷积神经网络选取方法,该方法利用Delaunay三角网将建筑物目标组织为图结构,节点表示建筑物中心点,连接边体现建筑物之间的邻近关系,并计算建筑物的大小、方向、形状、密度特征作为对应节点的描述特征;然后叠加多个图傅里叶卷积运算构建图学习模型,并采用半监督学习方式训练模型,使之具备决策单个建筑物保留与否的能力。试验表明,本文方法能从少量的标注样本中有效地学习建筑物选取知识,在保留重要个体目标的同时也能较好地保持原有空间分布密度关系,克服传统方法在规则定义与参数设置方面的难题且不依赖于大量人工标注,为建筑物综合选取的智能化实施提供潜在的技术途径。 相似文献
5.
针对在制图综合中,建筑物要素的简化一方面应逐步去除细节以达到简化目的;另一方面应保持其直角、面积、位置等特征,以符合空间表达和认知的基本规律这一问题,该文基于曲线演化理论,通过构造曲线的演化函数,提出建筑物要素自动连续简化的方法。利用曲率演化的思想,使多边形形状逐步规则;利用常值演化的方法保持多边形的面积;利用角度和重心的定义,保持多边形的直角特征和位置。实验结果显示,提出的简化方法能在连续尺度上进行自动简化,能保证建筑物多边形的直角、面积、位置等特征。 相似文献
6.
从机载激光雷达点云提取建筑物屋顶边界的活动轮廓模型改进方法 总被引：1，自引：0，他引：1
本文基于边缘与局部信息提出了一种处理多波段图像的活动轮廓模型,并将其应用于LiDAR数据的建筑物边界提取。本文首先将分类得到的屋顶点云数据转换为栅格数据,并作为模型的输入图像,进而采用变分水平集方法解求模型能量函数的最小解,得到建筑物的边界。该模型消除了其他活动轮廓模型对初始曲线和所处理图像类型的限制,适于任意形状的建筑物边界的自动提取;水平集规则项的添加,减小了模型的计算时间。实验结果表明：与IAC模型、GACcolor模型相比,本文模型在建筑物边界提取的应用中可以达到更高的匹配度、形状相似度以及位置精度。 相似文献
7.
探索建筑物的空间分布模式信息是建筑物地图综合过程中不可或缺的一部分,以建筑物距离为基础,结合建筑物的大小、形状、方向3种特征因子,将多个聚类算法应用于多边形建筑物的聚类分析,并通过不同的城市街区实地数据集对多个聚类算法进行比较分析。结果表明：k-means算法效率最高,但只能识别近似于球形的群组,对呈线性分布的建筑物模式识别效果较差;具有噪声的基于密度的空间聚类（density-basedspatialclusteringofapplicationswithnoise,DBSCAN）算法可以发现任意形状的集群,其对参数的选择过于敏感,难以从复杂的建筑物群中识别出连贯的群组;具有噪声的基于分层的密度聚类（hierarchical DBSCAN,HDBSCAN）算法可以发现任意形状和密度的群组,但对边界区域的建筑物群识别效果较差;最小生成树（minimum spanning tree,MST）算法能够识别出不同类型的建筑物群模式,但难以确定复杂建筑物群的合理划分阈值。 相似文献
8.
基于编解码网络的航空影像像素级建筑物提取 总被引：2，自引：2，他引：0
建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN(Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE(Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。 相似文献
9.
10.
多特征多尺度相结合的高分辨率遥感影像建筑物提取 总被引：3，自引：0，他引：3
在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。 相似文献