基于Visvalingam-Whyatt改进算法的线要素化简

线要素化简对空间数据存储、传输和表达具有重要意义。现有方法的化简效率和空间关系维护是一个矛盾体,为提高化简效率的同时解决化简结果中线要素自相交问题,提出基于Visvalingam-Whyatt改进算法的线要素化简方法。以排序列表键值对的形式记录有效面积和节点标识,再利用给定的保留节点数重新构建线要素,在重构过程中逐点进行自相交判断,并通过前插或移除节点的方式解决自相交问题。以1∶100万比例尺的海南岛海岸线为研究对象进行化简实验,结果表明本文所提算法能够解决线要素自相交问题,且具有较高的化简效率。该方法可为其他线要素化简算法提供自相交解决思路。

复杂场景下农村道路裂缝分割方法

针对农村道路裂缝识别中存在训练样本数量少、场景单一、提取结果不准确等问题,本文首先依托辽宁省多年份实测道路图像数据,构建具有多种类、多场景的路面裂缝数据集(PCDs),以ResNet50为编码器、SegNet为解码器,构建路面裂缝图像识别模型Res⁃SegNet,通过增大卷积核的大小获取更丰富的裂缝信息,使用Focal Loss损失函数,令模型更专注困难样本。然后采用分块预测方法提升裂缝在图片中的占比,使图片预测更加精细。最后通过网络模型和预测方法进行对比试验。结果表明,使用Res⁃SegNet识别PCDs的测试集,在不同的场景中F值为0.691,使用Res⁃SegNet结合分块预测识别PCDs的测试集,在不同的场景中F值达0.753。

动态权重约束下的农村机耕路提取方法

宽度窄、路面材质与农田差异性低是农村机耕路的特点,也是导致现有模板匹配方法自动化程度低的主要因素。本文针对这一问题,提出动态权重约束下的农村机耕路提取方法。该方法首先通过改进多尺度线段方向直方图(Multi-Scale Line Segment Orientation Histogram, MLSOH)模型,对机耕路局部道路方向进行预测,能够降低由于田埂干扰所导致的道路方向错误预测几率;其次为明确表征机耕路线性特征,对影像进行线段提取。并将局部区域线段长度作为权重动态分配的主要因子,对不同道路预测方向进行动态权重分配,以此解决路面宽度窄导致的匹配准确度下降问题。最后,将HSL色彩空间相似性分析模型与动态权重因子进行结合,构成HSL动态匹配模型,以此提高机耕路与农田之间的对比性。本文以3幅不同地区、不同类型的高分辨率影像为实验数据,与其他多个模板匹配算法进行对比分析,结果表明,本文方法道路提取的完整度、正确率以及质量均在95%以上。同时相对于其他方法,在保证机耕路提取精度的基础上,本文提出的方法具有自动化程度高的优点,并且本文的方法也适用于其他农村区域道路。