Formula for calculating spatial similarity degrees between point clouds on multi-scale maps taking map scale change as the only independent variable

The degree of spatial similarity plays an important role in map generalization, yet there has been no quantitative research into it. To fill this gap, this study first defines map scale change and spatial similarity degree/relation in multi-scale map spaces and then proposes a model for calculating the degree of spatial similarity between a point cloud at one scale and its gener- alized counterpart at another scale. After validation, the new model features 16 points with map scale change as the x coordinate and the degree of spatial similarity as the y coordinate. Finally, using an application for curve fitting, the model achieves an empirical formula that can calculate the degree of spatial similarity using map scale change as the sole independent variable, and vice versa. This formula can be used to automate algorithms for point feature generalization and to determine when to terminate them during the generalization.

基于HSV空间改进的多尺度显著性检测

图像显著性特征已被广泛地应用于图像分割、图像检索和图像压缩等领域,针对传统算法耗时较长,易受噪声影响等问题,提出了一种基于HSV色彩空间改进的多尺度显著性检测方法。该方法选择HSV色彩空间的色调、饱和度和亮度作为视觉特征,先通过高斯金字塔分解获得三种尺度的图像序列,然后使用改进的SR算法从三种尺度的图像序列中提出每个特征图,最后将这些特征图进行点对点的平方融合和线性融合。与其它算法的对比实验表明,该方法具有较好的检测效果和鲁棒性,能够较快速地检测出图像的显著性区域,能够突显整个显著性目标。

图像显著性区域检测:一种多层次融合的方法

图像中的显著性区域是图像中具有特殊特征的区域,由于不同特征甚至不同方式提取的相同特征都可以从不同方面反映图像的显著性,因此提出一种多层次融合的图像显著性区域检测方法.该方法首先在底层上融合图像的区域颜色特征、区域纹理特征和区域空间相干性得到区域对比度图,然后根据中心先验和颜色先验生成高层先验图并将其与区域对比度图进行融合得到初步的显著性图,最后在尺度空间上融合各个尺度下的初步显著性图得到具有各个尺度显著性图特点的最终的高质量显著性图.由于该方法同时考虑了不同特征的区域对比度、空间相干性、高层先验知识、尺度空间等多层次信息,所以在国际上现有最大的公开测试集上的测试结果表明,与现有显著性区域检测方法相比,所提方法具有更高的精确度和更好的召回率.

多尺度地图空间居民地语义相似度计算方法

地图综合的本质是一种空间相似变换,制图者在相似原则的指导下实施概括,读图者从包含相似性的地图中形成心象地图、重构现实世界。因此,多尺度地图空间中的相似关系研究非常重要。然而,由于相似的可计算性差,且其计算的目的在于揭示更深层次的信息,地图综合中相似关系尤其是语义相似关系的研究相对较少。针对这一问题,本文以语义功能区约束下的大比例尺街区式居民地合并(1∶1750至1∶4000)为例,基于匹配距离模型计算建筑物合并中的语义相似度,得到语义相似度在关键比例尺节点的值,并对结果进行分析、评价。试验表明,语义功能区约束下的建筑物合并符合读图者的地图认知需求,本文所述方法有助于地图更好地发挥信息传输载体的作用。

一种不同尺度下点群目标相似度计算模型

为了更为准确地表达不同尺度下点群目标的相似关系,针对前人研究未能顾及点群目标中的空白区域,利用自适应空间聚类方法,对点群目标进行聚类,得到点群目标内部空白区域。通过对空白区域的研究,提出相应的相似性计算模型;找到点群目标相似性的影响因子,包括拓扑关系、方向关系、分布范围、距离关系等,并提出相应的相似度计算方法,最后整合成整体的点群相似度计算模型。该方法能准确表达不同尺度间点群目标相似性的差异,对制图综合的质量评价以及点群目标的检索具有一定的参考价值。