基于多层级最小外包矩形规则建筑物轮廓线提取

建筑物轮廓线是各类应用的数据源,但散乱、不规则激光点云数据给轮廓线提取带来了难度。针对上述问题,提出一种基于多层级最小外包矩形规则建筑物轮廓线提取方法,首先使用迭代区域增长算法对轮廓点进行分组,根据点数最多的一组确定初始最小外包矩形。再对初始最小外包矩形进行多层级分解,使轮廓点与不同层级最小外包矩形重合,最后根据不同层级最小外包矩形生成轮廓线。使用Vaihingen城区中规则建筑物进行实验,实验结果表明:与最小面积方法与最大重叠度方法相比,所提方法能准确确定初始最小外包矩形,且提取效率得到略微提高。提取的轮廓线角点均方根误差为0.71 m,优于其他4种方法。所提方法可快速提取规则建筑物轮廓线,有利于后续三维重建。

基于视觉对比显著性分析的红外目标算法研究

从图像中自动检测出目标是红外图像应用的一个重要环节,借鉴计算机视觉中对比显著性分析的相关策略和思路,通过模糊C均值聚类和联通分析对图像进行初始分割得到初始分割对象,计算每个初始分割对象在视觉上的突出程度,通过对初始分割对象突出程度的定量化计算实现目标与背景的分离,在此基础上采用基于对象的分析方法,统计目标相关参数,构建目标过滤规则,实现目标的过滤和最终提取。实验结果表明该算法可有效从红外影像中提取目标。

基于改进四叉树的LiDAR点云数据组织研究

分析了点云数据处理中常用数据组织方法,并指出方法的性能判定指标。对常用的构建四叉树方法进行了改进以提高建立四叉树索引的速度,分析及改进索引算法改进以增进数据筛选的速度,最后通过实验证明了该方法的有效性和可靠性。

三维空间方向关系的定性描述与推理

在研究现有二维平面对象的方向关系模型的基础上,给出一个三维空间方向关系定性表达和推理模型。该模型是平面方向关系矩阵模型向三维空间的扩展,通过延伸参考对象在三维空间最小外包矩形的边,将三维空间划分为27个方向区域,通过记录上述27个方向区域与主对象的交集是否为空,构造一个三行九列的矩阵,用以表示三维空间的方向关系。基于该模型给出三维空间方向关系的定性推理方法。

Spark框架下矢量多边形求交算法研究

提出一种分布式内存计算框架Spark下的矢量多边形求交算法,解决了大数据环境下并行矢量多边形求交计算过程中网络数据传输成本高、冗余计算量大的问题。该算法根据空间填充曲线构建空间网格分区,并利用多边形最小外包矩形(MBR)进行网格填充,以传输MBR代替传统算法中直接传输多边形几何体的过程,减少了算法的网络数据传输量。针对复杂多边形跨越多个网格分区的场景,提出一种跨区数据交点定位策略,从而消除跨区多边形的冗余计算。实验结果表明,本文方法能够显著提高并行矢量多边形求交算法的计算效率。

空间相似查询中MBR边界区域关系研究

相似查询是基于向量空间的一种重要查询方法。点、线段、区域是向量空间对空间对象的三种基本表达。本文在不改变结点MBR区域前提下，通过区域扫描对MBR区域重叠面积进行计算。利用R^＊树结点MBR允许重叠的特性，在不能消除区域重叠产生的死空间情况下，研究了更为精确的MBR边界的线段关系，并给出线段的最近邻查询算法和相似线段选取算法。实验结果表明该方法的CPU计算代价较低且显著提高了相似查询与更新的效率。

引入深度优先策略的图像边缘聚类算法仿真

为了实现对提取边界后剩余数据对象的聚类,提出一种由图像边缘出发进行聚类的算法。该算法首先采用深度优先搜索的策略将已知的边界对象进行分类,并计算各边界曲线的最小外包矩形区域;然后运用夹角和法去除内边界类;最后依据近邻原则对每一个核心对象进行归类。实验结果表明,对于含有噪声、密度均匀的数据集,算法可以识别出各种形状的聚类,且聚类质量和时间性能较好。

MSCR树:一种移动终端电子地图索引结构

现有空间数据索引结构并未同时考虑移动终端电子地图的多比例尺特性及嵌入式设备性能的限制,造成对大区域进行空间查询操作时装载开销过大。深入分析了多种空间索引结构的特点,提出一种新的空间索引结构——MSCR树索引结构,该结构将多级地图中的空间元素线性化,同时以压缩的方式存储空间元素外包矩形数据以提高数据读写效率。实验表明,MSCR树算法有效地提高了查询性能与空间利用率。

一种MBR约束下的高分光学影像直角建筑物提取与标绘方法

针对高空间分辨率遥感影像中建筑物信息提取与标绘问题,提出了一种MBR约束下的高分光学影像中直角建筑物信息提取与标绘方法。首先采用多尺度影像对象分割与CART决策树分类技术,提取影像中的建筑物区域;其次用Candy算子提取出建筑物的粗轮廓,并将其转化为点集形式表示;然后通过轮廓点集计算建筑物最小外包矩形(MBR),对建筑物的轮廓进行分段拟合与优化;最后通过交点方向决策器确定建筑物的角点,依次连接各角点实现建筑物的标绘。通过计算建筑物的面积与周长,确定周长相对精度为93.3%,面积相对精度为96.1%,本文方法可以有效提高建筑物的标绘精度。

基于GCP的大规模无人机影像检索方法

鉴于利用无人机影像数据进行高精度测绘及地表三维信息提取时,从具有定位定向信息、数据规模大、影像分布密集等特点的数据集中检索包含地面控制点(ground control point,GCP)的目标影像存在检索速度较慢的问题,提出了基于GCP的影像检索方法。首先,对无人机影像点集构建最小外包矩形与基准坐标系;其次,利用GCP数据构建合适大小的索引矩形(ground control point rectangle,GCP-Rec);最后,依据GCP-Rec对影像数据批量建立索引,最终生成树形索引。效率对比实验表明,该方法能快速完成大规模无人机影像的空间索引构建,提升影像检索效率,且其检索性能优于传统的R树与四叉树等空间索引。影响因素对照实验表明,影像检索效率与GCP数量成反比关系,设定GCP-Rec边长为2.0~2.4倍航带间距时检索精度最优。