基于CIRCLE特征变换的点群选取算法

本文在分析了当前地图自动综合算法的基础上,提出了一种基于Circle特征变换的点群选取新算法。文中介绍了该算法中空域中心点的确定、目标特征空间的计算、坐标空间到特征空间的转换、特征空间的聚类以及特征空间的化简等关键步骤。最后就算法的结果进行了分析与评价。

一种顾及多特征约束的Voronoi图点群选取方法

点群的自动选取是制图综合的重要内容。在Voronoi图点群选取的基础上,提出一种顾及多特征约束的Voronoi图点群选取方法。该方法顾及了描述点群要素重要性的空间分布特征、拓扑和密度特征、专题属性特征以及与其他要素的关联特征,构建了基于综合特征重要性的度量模型,并作为约束条件应用于Voronoi图点群要素的选取。实验结果表明,该方法不仅可以综合考虑点群要素的多种重要性特征,而且能够较好地保持点群综合前后空间特征的一致性,符合传统制图综合规律,具有一定的普适性。

基于网络加权Voronoi图的点群选取

传统基于Voronoi图的算法忽略了点与点之间是通过实际网络距离相连这一事实,针对此缺陷,提出一种基于网络加权Voronoi图的点群选取算法. 1)利用网络扩展法构建点群的网络加权Voronoi图;2)计算每个点对应的网络Voronoi多边形面积及扩展弧段总长度,并以此为依据,为点群中所包含的统计、专题、拓扑和度量信息分别选定量化描述因子;3)提出"同心圆"算法,解决点群取舍问题.实验结果表明,提出的方法顾及了点群权重以及与点群相关联的道路等级、方向及局部密度对选取结果的影响,较好地保持了原始点群的各类信息,选取结果符合实际地理空间特征.

利用重力模型进行GIS点群选取

在现有GIS点状要素综合选取方法的基础上,针对两种具有相关关系的GIS要素,综合考虑它们的空间与属性信息,运用重力模型对要素间的相关性进行评价,提出惯性选取的方法。实验结果表明,重力模型可以很好地集成地理目标的空间与属性信息,定量描述不同要素之间的相关性;采取惯性选取的方法不仅可以保持目标综合前后空间结构的一致性,而且可以顾及不同地理要素相关性对目标选取的影响。

顾及密度对比的多层次聚类点群选取方法

在语义信息缺乏的情况下进行点群选取是制图综合的难点之一。提出了一种新的通过多层次聚类进行点群选取的方法。首先,针对k-means聚类算法的不足,利用改进的密度峰值聚类算法实现点群自动聚类,主要表现为用基尼系数确定最优截断距离及用局部密度和相对距离的关系自动确定聚类中心。其次,提出一种顾及密度对比的选取策略,通过点群多层次聚类,将点群划分成不同等级的簇,确定不同等级的聚类中心,建立点群的层次树结构;依据方根定律计算的选取数量,按照各级别簇的点数比例,自上而下逐层分配待选取点数,确定选取对象,实现点群的自动选取和多尺度表达。对不同分布模式的点群进行实验,验证了该方法的普适性和有效性。

基于遗传算法的点群目标选取模型

结合 3种点群目标选取的一般原则和遗传算法的基本原理与特点 ,设计了基于遗传算法的点群目标选取模型 .考虑到要最大限度地保持点群的分布范围、排列规律、内部各地段的分布密度等因素 ,基于遗传算法的点群选取模型的基本原理是 :首先采用自适应分类方法 ,将点群 M依照密度分成若干类子点群 ,然后根据每个子点群的点数和最后要保留的总的点数 ,计算每个子点群中要保留的点数 ,最后结合凸壳化简方法和遗传算法对点进行选择 .在对关键性步骤进行讨论的基础上 ,本文针对某一地区的点群目标分别采用基于遗传算法的点目标选取方法与凸壳选取方法进行了选取对比实验 .从实验结果和遗传算法的特点分析可以看出 ,基于遗传算法的点目标选取方法的特点是非常明显的 ,其适用于分散式居民地记号房、可看作点状目标的小湖泊群等点状要素的选取 ;能够保持密度分布特征及其排列规律 ;