一、栅格数据矢量化及其相关问题的解决方法(论文文献综述)
袁浪[1](2021)在《基于深度学习的地物目标变化检测与矢量化》文中提出随着遥感影像分辨率的提升,影像中所包含的信息量越来越大,同时由于植被遮挡、天气等原因,高分辨率遥感影像中存在大量的干扰信息,给地表典型目标要素(道路、建筑、水、植被、农田等)的变化检测带来了巨大的挑战。相较于栅格数据,矢量数据具有严密的数据结构,冗余度小,能够更加精确的表达地理位置,方便进行网络分析和空间查询,还能方便的进行属性表达。但现有的矢量化算法都忽略了属性信息的表达。针对上述问题,本文利用高分辨率遥感图像,将典型地物目标要素的变化检测转化为多分类问题,通过端到端的深度学习网络模型,由输入图像直接获取变化区域和变化类型信息,同时基于线状目标的矢量化,提出了多边形状目标的矢量化算法,将变化检测结果图转化为矢量数据,同时对变化类型信息进行表达,生成带有属性信息的矢量文件。主要内容和研究成果如下:(1)遥感图像预处理与多地物目标变化检测标签制作。对实验区域两时期的遥感数据进行辐射校正和配准等预处理,再通过人工标记的方法获取地表典型目标要素(道路、建筑、水、植被、农田)标签,然后将两时期影像标签数据进行差值运算,基于差值结果判断对应区域的变化类型,获得变化检测标签数据。(2)基于深度学习的多地物目标变化检测算法。针对多目标变化检测,将其转化为多分类问题,将两时期遥感影像合并为六通道数据,作为模型的输入,对模型进行端到端的训练,直接获取变化区域,并根据分类结果,得到变化区域的变化类型。针对直接应用U-Net模型精度较低的问题,本文使用学习能力更强的残差模块替换U-Net中的卷积模块,构建Res-Unet模型。最终实验结果表明,Res-Unet比U-Net的精度提高了约2%,FWIo U提高了约2.3%,F1指数提高了2.8%。(3)栅格数据的矢量化。针对道路栅格数据,提出了一种基于细化的矢量化算法,能准确、快速的提取出道路的中心线,对其进行矢量化,并将属性信息与之关联,形成矢量文件。而在变化检测结果图中,变化区域由多边形构成,各变化类型由不同的灰度值表示。进行矢量化时,需要先提取出各变化区域的边界线,再根据边界线生成对应的面状矢量要素,并将其对应的变化信息写入其属性信息中,形成矢量文件。(4)软件模块设计与实现。设计了图像基本操作功能模块、遥感图像变化检测功能模块和矢量化模块,方便快捷的实现变化检测及矢量化操作。
章雨彬[2](2021)在《基于多时相遥感影像的道路信息变化检测技术研究》文中研究说明随着遥感技术的发展,遥感影像在成像精度、成像周期等方面都在不断提升,为相关从业人员从遥感影像中获取地物信息提供了良好的数据支持。多时相遥感影像指的是在不同时间对同一区域拍摄的遥感影像,利用多时相遥感影像,可以分析成像区域的变化情况,为灾害检测、数据更新等研究提供相关支持。道路作为的地理信息系统中最重要的地物之一,自古至今都在经济发展、军事指挥、地理测绘、交通出行等许多领域都有着重要意义。近年来,智慧城市、自动驾驶等概念的兴起推动了道路信息相关方向的研究,并为道路信息的研究带来了更多的条件和思路。道路信息的变化检测指的是对同一地区不同时相的道路信息的变化情况进行观测。研究基于多时相遥感影像的道路信息变化检测技术,可以节约人工分析道路变化的时间成本、并为道路灾害检测、道路信息更新等相关领域提供数据支持。在此背景下,本文针对利用多时相遥感影像进行道路数据的变化检测问题,对其中存在的部分问题提出了相应的解决方案,主要研究内容为以下四个部分。第一部分为基于多时相遥感影像的道路信息变化检测主要方法。本文首先对研究内容的国内外研究现状进行了总结与分析,总结了当前主流的技术与方法,并在此基础上进行了技术选型。第二部分为多时相遥感影像的误差改善算法设计。受到遥感影像成像机理的影响,遥感影像会存在偏移、扭曲等问题,严重影响道路数据的可靠性和道路数据变化检测的准确性。针对此问题,本文提出了结合道路二值图的误差改善方法和基于聚类分析的遥感影像配准优化方法提高遥感影像配准的精度,减少了遥感影像本身带来的道路数据伪变化。第三部分为矢量道路信息变化检测方法设计。本文设计了一种由粗到精的矢量道路信息变化检测算法,先以每条矢量道路数据为整体,针对矢量道路数据变化检测问题对Hausdorff距离进行改进并用于变化道路的粗筛选,将道路划分为变化区域和疑似变化区域。然后以道路段为最小匹配单位,对筛选后的道路数据进行分段变化检测,检测疑似变化道路的局部变化情况。第四部分为实验部分。本文通过实验验证了本文提出的算法的可行性并分析了算法的优势与不足。
李文华[3](2017)在《众源GPS轨迹归并算法研究》文中进行了进一步梳理随着移动互联网与移动终端的迅猛发展与普及,智能手机价格的降低,促使智能手机在大部分地区及人群中普及,并成为人们生活中不可或缺的工具。通过移动手机获取GPS(Global Positioning System,全球定位系统)轨迹数据变得越来越方便,规模也越来越庞大,因而出现了海量移动对象轨迹数据。而这些轨迹数据,产生了各种基于位置服务(Location Based Services,LBS)的应用。因此,如何从海量的GPS轨迹数据中自动提取、构建路网并更新路网信息,已成为当前研究的热点,该问题的解决在改善城市交通环境、车辆导航、景区旅游和灾害救助等方面扮演着越来越重要的角色。采用计算机软件、GIS(Geographic Information System或Geo-Information System,地理信息系统)等相关技术,考虑空间数据结构中矢量数据结构和栅格数据结构的特点,论文提出了一种众源GPS轨迹归并算法,该算法包括矢量数据栅格化、栅格数据二值化、栅格数据矢量化和轨迹中心线提取四个步骤。具体来讲,首先基于ArcGIS Engine组件,并采用C#语言实现了轨迹归并算法,然后在此基础上进行了4组实验,并利用Google Earth和ArcGIS Desktop软件对四组实验数据进行了可视化分析。通过以上的分析,论文得出了以下几点结论:(1)在轨迹数据预处理中,道格拉斯普克-线性简化(Douglas-Peucker,DP)算法对漂移点去除效果较好;具有噪音的基于密度的聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法对噪音点去除取得较好效果。(2)使用优化的矢量数据栅格化方法,将矢量数据转换成栅格数据可以取得较好效果;在输出归并后的轨迹中心线过程中,高斯滤波算法对轨迹进行平滑处理可以获取较好效果。(3)论文提出的众源GPS轨迹归并算法,能够准确提取轨迹路网并生成中心线。
金良益[4](2017)在《遥感影像矢量化中多边形数据优化处理技术研究》文中认为遥感影像矢量化作为矢量数据来源的重要技术手段,近年来随着遥感技术的发展而愈发受到重视。一般的矢量化方法对矢量化数据的后处理关注不足,而矢量化多边形的优化问题是矢量化数据后处理的关键,优化结果的好坏及优化效率的高低直接影响到矢量化数据的实际应用。同时,海量遥感影像矢量化技术的发展进步也对更加高效的矢量化数据后处理技术提出了更迫切的需求。鉴于此,本文结合矢量数据化简相关方法和并行计算技术,对遥感影像矢量化中多边形数据优化处理方法开展研究,主要进行以下工作:1.总结栅格矢量化算法、矢量数据化简处理、并行计算与地理空间数据处理等领域的研究现状和已有研究成果,分析存在的不足,以此为基础明确本文研究内容及研究思路。2.基于动态规划的无拓扑矢量化多边形公共边提取算法研究。结合动态规划原理,提出一种无拓扑遥感影像矢量化数据中多边形公共边提取算法,通过对比实验,验证本文所提出方法的有效性和高效性,为后续矢量化多边形的化简奠定数据基础。3.遥感影像矢量化多边形边界化简方法研究。从地理空间数据不确定性理论出发,提出遥感影像矢量化多边形边界化简方法。通过对矢量化多边形边界进行“磨角插值”和基于可接受域限定的自适应滤波平滑处理,最后采用基于全局阈值的DP算法进行压缩,消除数据冗余。实验结果显示,该方法相对于传统方法具有更好的平滑效果及更高的位置精度。4.矢量化多边形公共边提取与化简方法并行化改进研究。基于MPI并行编程模型,设计数据并行模式下矢量数据划分与并行处理结果融合的方法。对主从架构下的矢量化多边形并行优化算法进行详细设计,并设计相关实验进行验证与分析。实验表明,该方法能较大的提高矢量化数据后处理的效率。5.遥感影像矢量化多边形优化模块的设计与实现。设计并开发遥感影像矢量化多边形优化模块插件,并将其集成到地理信息产品生产线系统中,结合一个实例验证本文研究内容的有效性和实用性。
陈明明,何方,杨媛[5](2015)在《基于ArcGIS的矢量数据单元提取栅格值的方法实现》文中提出矢量和栅格是地理信息系统中2种基本的数据结构形式,在处理过程中2种形式之间可以相互转换。该文基于Arc GIS软件,提出了以特定的矢量数据单元来提取栅格数据值的方法实现,间接达到栅格数据向矢量数据转换的目的。该方法为耕地地力评价工作中利用采样点空间插值得到的栅格数据向耕地资源管理单元图赋养分值提供了有价值的参考。
魏金标,陈振杰,周琛,任沂斌[6](2015)在《一种基于边界搜索的栅格矢量化算法》文中进行了进一步梳理栅格数据的矢量化是GIS领域重要的研究内容。针对栅格数据矢量化准确率低和效率低等问题,该文提出了一种基于边界搜索的矢量化算法,通过对栅格图像的一次遍历,提取结点和中间点,生成弧段,构建多边形;并在构建多边形中,提出了一种简单易行的最右侧方向判断方法,综合运用最小外接矩形和射线法判定逆时针多边形的归属。实验表明,该文提出的矢量化算法能够较准确矢量化复杂的栅格图像,具有较好的效率,可为多值栅格图像快速矢量化及相关研究提供借鉴。
魏金标[7](2014)在《自适应栅格数据矢量化并行方法研究》文中研究表明遥感图像分类处理后的栅格数据向矢量数据的快速转换是遥感和地理信息系统集成的关键技术之一。遥感图像的空间分析结果通常需要转换为矢量数据,遥感图像的专题信息也需要进行矢量化表达。因此,栅格矢量化技术在国土资源、农业等行业的信息化建设中受到越来越多的关注。随着对地观测技术的快速发展,人类获取地理数据的数据量呈几何式增长,GIS数据转换的数据规模也成倍增长。传统的栅格数据矢量化算法已无法满足现实的效率需求。因此,大型栅格数据的快速矢量化算法研究具有重要的现实意义。近年来,并行计算技术迅速发展,其强大的计算资源为解决GIS中大型栅格数据的矢量化问题提供了动力。然而,国内、外学者在栅格矢量化并行算法研究方面依然存在数据划分方法单一,划分后引起拓扑拼接等缺点,存在明显的效率提升瓶颈。鉴于此,本文对栅格数据矢量化串行算法进行了深入研究,对算法进行并行化分析。改进传统栅格矢量化算法,设计适用于并行处理的栅格矢量化方法。提出针对栅格矢量化过程的自适应数据划分方法,并据此设计并实现了三种基于MPI分布式环境下中的栅格矢量化并行算法。最后,使用多组大型栅格数据对并行算法进行测试分析。本文的主要研究工作如下:(1)深入研究经典栅格数据矢量化串行算法的具体过程,分析各算法的并行化特点。结合两种经典算法的并行优势,研究以二值化思想改进栅格矢量化串行方法,设计适用于并行处理的栅格矢量化串行算法。(2)总结传统栅格图像数据划分方法及其适用范围,分析传统划分方法应用栅格矢量化并行处理上的不足。研究栅格矢量化计算量与图像复杂度的关系,探索在保证矢量多边形数据完整性条件下的静态划分和动态划分方法,提出了面向栅格矢量化的自适应数据划分方法。(3)根据三种数据划分方法和改进的栅格矢量化算法,设计三种基于MPI的栅格矢量化的并行算法,并在集成开发环境下实现栅格矢量化并行程序。在集群环境下测试并行程序,并对测试结果进行分析。研究结果表明:论文改进的栅格矢量化方法相对传统方法更适合于并行化处理。自适应数据划分方法能够保证矢量多边形完整性,使进程间达到在一定程度的负载均衡,能够显着提升了栅格矢量化并行算法的效率,本文为提高栅格矢量化并行处理效率提供了一种可行的思路。
彭靖叶[8](2014)在《航拍图像矢量化技术及其导航应用研究》文中研究说明现代航空导航领域中,景象匹配辅助导航已被广泛应用于各国飞机、导弹的导航系统中。但是用于景象匹配的栅格图像数据量很大,机载数据库只能储存较小地理范围的栅格图像。矢量地图能够以较小数据量来表现完整的地面景象特征,基于矢量地图的匹配导航具有定位精度高、导航范围广、定位时效高等优势,为航空器导航提供了一种新的思路。本文根据地形景象匹配系统的导航方案,结合矢量数据结构特点,提出了矢量地图匹配导航系统的导航方案,并针对航拍图像目标水域提取、线状目标矢量化算法以及矢量图匹配算法展开研究,以实现矢量地图匹配导航系统。首先,对矢量数据的结构及特点进行研究,分析讨论现有已成熟的景象匹配导航系统方案,进而对两者结合,研究了矢量地图匹配导航方案,充分发挥矢量数据简洁表达图形信息、数据量小的优势;接着,针对实时航拍图像的目标提取技术开展研究,选定水域作为提取目标,研究了一种两步水域提取方法,实现了对目标水域轮廓的提取;然后,针对线状目标栅格图像的矢量化展开研究,研究了一种基于特殊点跟踪的矢量化算法,实现了包括线相交和封闭曲线情况在内的所有曲线的矢量化;最后,针对矢量地图匹配,基于曲线差角特征的不变性,结合Hausdorff距离度量方法,改进提出了基于差角Hausdorff距离的矢量线图匹配算法,解决了实时图中存在误提取矢量线时与基准图的匹配问题,并最终解算出实时图与基准图之间的平移、旋转和缩放关系。结果表明,本文提出的矢量地图匹配系统方案是合理可行的,具有重要的现实意义和应用前景。
姜晓慧[9](2013)在《栅格数据矢量化并行算法研究》文中研究表明遥感栅格数据是地理信息系统中最常用的数据源之一,由于其数据量大、定位精度低、难以表达空间拓扑关系等缺点,在现实应用中往往需要将其转换为矢量数据,因此栅格数据矢量化操作成为空间数据转换的重要内容之一。随着航空航天遥感朝着多传感器、多平台、多角度和高空间分辨率、高光谱分辨率、高时相分辨率、高辐射分辨率的方向发展,栅格数据量呈现爆炸式增长,传统的栅格矢量化算法已经不能满足矢量信息提取的需要,因此探索新型硬件架构下的栅格数据矢量化并行算法具有重大理论意义和实用价值。然而长期以来对栅格数据矢量化的研究还多数停留在通过改进现有算法以提高效率的阶段,仅有的涉及栅格数据矢量化并行算法的研究,多采用均等的数据按行划分方法,转换结果为拓扑数据结构,不能满足实际应用中对简单矢量实体结构的需求。本文以传统的基于拓扑关系的栅格数据矢量化算法为基础,研究数据并行模式下的栅格数据矢量化并行方法,重点探索栅格数据划分、数据块内部拓扑构建以及数据块拼接方法,探讨栅格数据矢量化的任务调度策略和任务映射方法等并行关键技术,设计并实现基于拓扑关系的栅格数据矢量化并行算法,并对该算法的时间性能和可扩展性进行评估。论文的主要研究内容包括:(1)栅格数据划分方法分析。总结常见的栅格数据划分方法、分析影响栅格数据划分的两个重要因素——栅格数据存储结构和栅格处理算法类型,针对栅格数据矢量化对数据划分的要求,提出基于游程统计的栅格数据划分方法,使得每个进程所处理的栅格区域内的数据复杂度相接近,进而平衡各数据块的内部拓扑构建时间,减少进程间等待。(2)并行拓扑构建方法研究。在分析基于拓扑关系的栅格数据矢量化串行算法中各要素之间拓扑关系构建过程的基础上,通过提取数据块边界处的特征点,分别记录其在上下数据块中的连接信息,研究数据行划分下的数据块内部拓扑构建和数据块拼接等关键问题。(3)栅格数据矢量化并行算法设计。结合并行算法设计中的PCAM模型,按照任务分解、任务调度以及任务映射的研究思路,完成栅格数据矢量化的并行算法详细设计,重点探索主从模式下的数据块动态分配策略和数据拼接策略。(4)栅格数据矢量化并行算法实现与测试。在并行软硬件环境支持下编程实现栅格数据矢量化并行算法,并选择不同规模的数据对算法进行测试,评估该并行算法的运行时间、加速比等时间性能和可扩展性。综上所述,本文提出了考虑栅格数据复杂度的基于游程统计的栅格数据划分方法;突破了并行拓扑构建这一栅格数据并行矢量化的关键问题;设计了主从模式的栅格数据矢量化并行算法,并在并行环境下编程实现。研究结果表明:基于游程统计的栅格数据划分方法能够获得更加稳定的并行加速比,并行拓扑构建是提高栅格数据矢量化效率的关键,主从模式可以有效实现数据块的动态分配和数据块拼接。
罗寅[10](2012)在《宏观山脉线抽取及其辅助技术研究》文中指出基于数字高程模型DEM的数字地形分析已成为地理信息系统GIS的重要组成部分,广泛应用于测绘、遥感、城市规划、军事作战等各个方面,其中的特征地形要素分析研究尤为活跃。但目前特征地形要素研究多集中于微观特征,对具有宏观态势的特征要素涉猎较少,且各特征要素间交叉融合后信息辨识更少;为此本文从DEM原始数据和初步提取的特征线数据两方面着手,研究快速、准确地抽取宏观山脉线的方法,并对抽取过程中所需数据模型及检验抽取结果的辅助技术也进行了研究,以达到拓宽数字地形分析的内涵与应用领域的目的。具体工作涉及:(1)考虑到在后续山脉线抽取方案中需要频繁获取、移动某一特征线的空间位置,而初步提取的特征线是栅格标记图,无法胜任数据精度和可操作性的要求。因此设计了针对特征线数据的矢量化组织和存储方案。另外,该矢量化方法亦可用于从DEM原始数据中标定等高线的算法。(2)宏观地形特征可由微观地形特征综合而成,因此从山脉特征形态和它的数学描述两方面着手,设计了一种利用矢量分段思想,从已矢量化处理过的山脊线中先标定出主体脉络,再根据拓扑结构划分出支脉的宏观山脉线抽取方案。(3)在Visual C++集成开发环境下使用MFC Application Frame开发了相应的软件平台,实现了上述宏观山脉线抽取模块和等高线模块,并在此平台上进行了相关的实验。
二、栅格数据矢量化及其相关问题的解决方法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、栅格数据矢量化及其相关问题的解决方法(论文提纲范文)
(1)基于深度学习的地物目标变化检测与矢量化(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 选题背景 |
1.2 国内外研究现状 |
1.2.1 地物目标变化检测研究现状 |
1.2.2 栅格数据矢量化研究现状 |
1.3 本文主要研究内容 |
1.4 论文内容及章节安排 |
第二章 相关技术原理 |
2.1 深度学习 |
2.1.1 深度学习理论基础 |
2.1.2 卷积神经网络 |
2.1.3 常用的深度学习框架 |
2.2 遥感图像变化检测 |
2.2.1 基本概念 |
2.2.2 处理流程 |
2.3 栅格数据矢量化 |
2.3.1 线状目标的矢量化方法 |
2.3.2 多边形状目标的矢量化方法 |
2.4 本章小结 |
第三章 基于深度学习的多地物目标变化检测方法 |
3.1 数据处理 |
3.1.1 图像数据源及图像预处理 |
3.1.2 标签数据制作 |
3.1.3 训练数据增强 |
3.2 基于U-NET的多地物目标变化检测方法 |
3.2.1 U-Net模型 |
3.2.2 基于U-Net的多地物目标变化检测方法模型与实现 |
3.3 基于RES-UNET的多地物目标变化检测方法 |
3.3.1 残差结构 |
3.3.2 基于Res-Unet的多地物目标变化检测方法模型与实现 |
3.4 实验结果与分析 |
3.4.1 实验结果评价指标 |
3.4.2 实验结果分析 |
3.5 本章小结 |
第四章 栅格数据的矢量化算法 |
4.1 道路提取结果图的矢量化算法 |
4.1.1 道路细化 |
4.1.2 节点提取 |
4.1.3 道路中心线的提取 |
4.1.4 属性匹配 |
4.1.5 矢量文件生成 |
4.2 多地物目标变化检测结果图的矢量化算法 |
4.2.1 变化区域边界提取 |
4.2.2 包含关系确定 |
4.2.3 变化区域属性提取 |
4.2.4 矢量文件生成 |
4.3 实验结果与分析 |
4.3.1 实验数据 |
4.3.2 结果分析与评价 |
4.4 本章小结 |
第五章 地物目标变化检测与矢量化原型系统开发 |
5.1 系统模块功能设计 |
5.2 系统功能实现 |
5.2.1 系统实现环境 |
5.2.2 系统功能实现 |
5.3 系统功能测试 |
5.3.1 变化检测功能测试 |
5.3.2 矢量化功能测试 |
5.4 本章小结 |
第六章 总结和展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(2)基于多时相遥感影像的道路信息变化检测技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外研究历史与现状 |
1.3 本文主要研究内容与结构安排 |
第二章 多时相道路信息变化检测主要技术 |
2.1 道路信息主要数据结构 |
2.1.1 栅格道路数据 |
2.1.2 矢量道路数据 |
2.1.3 道路数据结构比较 |
2.2 遥感影像配准 |
2.2.1 遥感影像配准主要方法 |
2.2.2 特征描述子 |
2.2.3 控制点布设 |
2.2.4 RANSAC算法 |
2.2.5 空间映射函数 |
2.3 道路数据提取 |
2.3.1 道路栅格数据提取 |
2.3.2 道路栅格数据细化 |
2.3.3 矢量数据去冗余 |
2.4 道路信息变化检测 |
2.4.1 栅格道路信息变化检测 |
2.4.2 矢量道路信息变化检测 |
2.4.3 道路信息变化检测方式比较 |
2.5 本章小结 |
第三章 针对多时相遥感影像的误差改善算法设计 |
3.1 结合道路二值图的误差改善算法研究与设计 |
3.1.1 基于道路二值图的配准特性及优点分析 |
3.1.2 控制点选取算法设计 |
3.1.3 配准方法改进与误匹配问题解决 |
3.1.4 结合道路二值图的配准方法总流程 |
3.2 基于聚类分析的配准过程优化 |
3.2.1 主流配准方法的不足 |
3.2.2 DBSCAN聚类算法 |
3.2.3 基于聚类分析的控制点布设优化 |
3.3 本章小结 |
第四章 矢量道路信息变化检测算法设计 |
4.1 矢量道路信息变化检测方法研究与设计 |
4.1.1 矢量道路信息变化检测方法分析 |
4.1.2 变化检测算法基本流程设计 |
4.2 改进Hausdorff距离的道路变化区域初筛选 |
4.2.1 传统Hausdorff距离 |
4.2.2 传统Hausdorff距离在道路矢量匹配中的不足 |
4.2.3 针对道路同名区域检测的Hausdorff距离改进 |
4.3 矢量道路数据道路段匹配模型设计 |
4.3.1 道路段匹配模型主要问题分析 |
4.3.2 缓冲区增长法 |
4.3.3 道路段相似度度量及匹配算法设计 |
4.3.4 匹配道路段同名区域提取策略 |
4.3.5 道路段匹配模型总流程 |
4.4 本章小结 |
第五章 实验结果与分析 |
5.1 实验平台介绍 |
5.1.1 开发和运行环境介绍 |
5.1.2 实验数据介绍 |
5.2 总实验流程 |
5.3 遥感影像配准实验结果与分析 |
5.3.1 遥感影像配准指标 |
5.3.2 实验流程 |
5.3.3 配准结果与分析 |
5.4 变化检测实验结果与分析 |
5.4.1 矢量道路数据变化检测指标 |
5.4.2 实验流程 |
5.4.3 实验结果与分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 研究内容总结 |
6.2 主要创新点 |
6.3 研究展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(3)众源GPS轨迹归并算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 主要研究内容 |
1.4 研究技术路线 |
第2章 众源轨迹数据预处理与可视化 |
2.1 众源轨迹数据 |
2.1.1 轨迹基本概念 |
2.1.2 数据来源 |
2.1.3 轨迹数据基本特征 |
2.2 众源轨迹数据预处理 |
2.2.1 轨迹坐标转换 |
2.2.2 数据冗余去除 |
2.2.3 漂移点去除 |
2.2.4 噪音点的去除 |
2.2.5 轨迹平滑处理 |
2.3 众源轨迹数据可视化 |
2.3.1 基于Google Earth的数据可视化 |
2.3.2 基于ArcGIS Desktop的数据可视化 |
第3章 众源轨迹归并算法 |
3.1 众源轨迹归并算法原理 |
3.1.1 矢量数据栅格化 |
3.1.2 栅格数据二值化 |
3.1.3 栅格数据矢量化 |
3.1.4 轨迹路网中心线提取 |
3.2 众源轨迹归并算法构建 |
第4章 众源轨迹归并算法设计与实现 |
4.1 众源轨迹归并算法设计 |
4.1.1 算法核心模块设计 |
4.1.2 事件监听模块设计 |
4.1.3 可视化模块设计 |
4.1.4 数据统计模块设计 |
4.1.5 工具类模块设计 |
4.1.6 数据分析模块设计 |
4.2 众源轨迹归并算法实现 |
4.2.1 算法核心模块实现 |
4.2.2 事件监听模块实现 |
4.2.3 可视化模块实现 |
4.2.4 数据统计模块实现 |
4.2.5 工具类模块实现 |
4.2.6 数据分析模块实现 |
第5章 众源轨迹归并算法实验设计与结果分析 |
5.1 众源轨迹归并算法实验设计 |
5.2 实验结果与分析 |
结论与展望 |
结论 |
展望 |
致谢 |
参考文献 |
攻读学位期间取得的学术成果 |
(4)遥感影像矢量化中多边形数据优化处理技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 相关领域研究现状及问题分析 |
1.3.1 遥感影像矢量化方法研究现状 |
1.3.2 矢量数据化简方法研究现状 |
1.3.3 并行计算在空间数据处理中的应用研究现状 |
1.3.4 存在问题分析 |
1.4 本文主要研究内容及技术路线 |
1.5 本文的组织架构 |
第二章 基于动态规划的无拓扑矢量化多边形公共边提取算法 |
2.1 问题的提出 |
2.2 动态规划概述 |
2.2.1 基本概念知识 |
2.2.2 动态规划问题的基本特征 |
2.2.3 动态规划问题的基本求解过程 |
2.3 公共边提取问题形式化分析 |
2.3.1 引例 |
2.3.2 公共边提取问题形式化表达 |
2.4 基于动态规划的公共边提取流程设计 |
2.4.1 数据预处理 |
2.4.2 公共边提取具体流程 |
2.4.3 算法的时间/空间复杂度分析 |
2.5 实验分析及讨论 |
2.5.1 实验数据 |
2.5.2 实验结果分析 |
2.6 本章小结 |
第三章 遥感影像矢量化多边形边界化简方法 |
3.1 问题的提出 |
3.2 地理空间数据的不确定性理论及矢量数据化简准则 |
3.2.1 地理空间数据的不确定性理论 |
3.2.2 矢量数据化简准则 |
3.3 基于可接受域限定的矢量化多边形边界化简方法 |
3.3.1 化简方法概述 |
3.3.2 边界链码与磨角插值 |
3.3.3 平滑坐标可接受域定义与自适应高斯滤波平滑算法 |
3.3.4 边界全局阈值压缩 |
3.4 矢量化多边形数据重构 |
3.5 实验分析及讨论 |
3.5.1 实验数据 |
3.5.2 实验结果分析 |
3.6 本章小结 |
第四章 矢量化多边形公共边提取与边界化简方法并行化改进 |
4.1 问题的提出 |
4.2 化简方法一体化集成及并行性分析 |
4.2.1 公共边提取算法与化简方法的集成 |
4.2.2 集成算法的并行性分析 |
4.3 矢量化多边形数据划分方法 |
4.3.1 空间数据划分方法概述 |
4.3.2 矢量数据划分原则 |
4.3.3 矢量化多边形并行优化处理算法中的数据划分策略 |
4.3.4 边界多边形对象的处理 |
4.4 并行处理结果融合处理 |
4.5 基于MPI的并行优化算法设计 |
4.5.1 MPI编程模型 |
4.5.2 基于MPI的矢量化多边形并行优化算法整体设计 |
4.6 实验分析及讨论 |
4.6.1 实验环境与实验数据 |
4.6.2 实验结果分析 |
4.7 本章小结 |
第五章 遥感影像矢量化多边形优化模块设计与实现 |
5.1 模块开发平台及环境简介 |
5.1.1 开发平台 |
5.1.2 地理信息产品生产线系统简介 |
5.2 矢量化多边形优化功能插件的设计与实现 |
5.3 应用案例 |
5.3.1 应用案例数据简介 |
5.3.2 基本实施过程 |
5.3.3 应用案例结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 主要工作总结 |
6.2 本文创新点 |
6.3 有待深入研究的问题 |
致谢 |
参考文献 |
作者简历 攻读硕士学位期间完成的主要工作 |
(5)基于ArcGIS的矢量数据单元提取栅格值的方法实现(论文提纲范文)
1 前言 |
2 2种方法的实现 |
2.1 分区统计法 |
2.2 空间连接法 |
2.3 2种实现方法的比较 |
3 结语 |
(6)一种基于边界搜索的栅格矢量化算法(论文提纲范文)
1 引言 |
2 矢量化实现方法 |
2.1 提取结点和中间点 |
2.2 生成弧段 |
2.3 构建多边形 |
1)构建多边形外边界 |
2)生成多边形内边界 |
3 算法测试与分析 |
4 结束语 |
(7)自适应栅格数据矢量化并行方法研究(论文提纲范文)
摘要 |
ABSTRACT |
目录 |
图表索引 |
Index of Figures and Tables |
第1章 引言 |
1.1 选题背景 |
1.2 研究进展 |
1.2.1 栅格数据矢量化算法 |
1.2.2 栅格数据矢量化并行处理 |
1.3 研究现状评述 |
1.4 研究内容和技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
1.5 论文结构 |
1.5.1 章节安排 |
1.5.2 论文组织结构 |
第2章 栅格矢量化算法并行化研究与改进 |
2.1 栅格矢量化一般过程 |
2.2 栅格矢量化算法 |
2.2.1 基于边缘跟踪的矢量化算法 |
2.2.2 基于窗口匹配的矢量化算法 |
2.2.3 基于拓扑关系的栅格矢量化算法 |
2.3 栅格矢量化算法并行化分析 |
2.4 栅格矢量化算法的改进 |
2.4.1 提取点集 |
2.4.2 构建含结点多边形 |
2.4.3 构建中间点多边形 |
2.4.4 建立拓扑关系 |
2.5 本章小结 |
第3章 栅格矢量化自适应数据划分方法 |
3.1 数据划分原则 |
3.2 传统栅格数据划分方法 |
3.2.1 栅格数据的特点 |
3.2.2 已有栅格数据划分方法 |
3.3 自适应数据划分方法 |
3.3.1 粒度划分与任务调度分析 |
3.3.2 A-Q划分方法 |
3.3.3 资源分配方法 |
3.3.4 动态划分方法 |
3.4 本章小结 |
第4章 栅格矢量化并行算法的实现与测试 |
4.1 整体设计 |
4.2 开发工具 |
4.3 实验平台与设计 |
4.4 实验数据 |
4.5 实验结果分析 |
4.5.1 划分效率验证 |
4.5.2 正确性分析 |
4.5.3 效率分析 |
4.6 本章小结 |
第5章 结论与展望 |
5.1 研究结论 |
5.2 创新点 |
5.3 展望 |
附录 |
参考文献 |
致谢 |
(8)航拍图像矢量化技术及其导航应用研究(论文提纲范文)
摘要 |
ABSTRACT |
注释表 |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 矢量地图匹配研究现状 |
1.3 图像矢量化技术现状分析 |
1.3.1 栅格图像矢量化算法现状 |
1.3.2 图像矢量化软件现状 |
1.4 本文主要内容和组织安排 |
第二章 矢量地图匹配导航方案研究 |
2.1 引言 |
2.2 GIS数据结构及特点分析 |
2.2.1 栅格数据结构 |
2.2.2 矢量数据结构 |
2.2.3 栅格数据与矢量数据特点对比 |
2.3 景象匹配辅助导航方案分析 |
2.4 矢量地图匹配导航方案设计 |
2.4.1 矢量地图匹配导航方案 |
2.4.2 与景象匹配导航间的对比 |
2.4.3 关键技术问题分析 |
2.5 本章小结 |
第三章 航拍图像水域提取技术研究 |
3.1 引言 |
3.2 航拍图像成像原理分析 |
3.3 图像预处理方法研究 |
3.3.1 灰度化 |
3.3.2 高斯拉普拉斯滤波 |
3.3.3 直方图均衡化 |
3.4 水域目标提取算法方案 |
3.4.1 数学形态学运算 |
3.4.2 水域粗提取 |
3.4.3 水域精提取 |
3.5 算法仿真与结果分析 |
3.5.1 水域提取仿真 |
3.5.2 仿真实验结果分析 |
3.6 本章小结 |
第四章 线状目标栅格图像矢量化算法研究 |
4.1 引言 |
4.2 线状目标栅格图像矢量化算法概述 |
4.2.1 基于细化的矢量化算法 |
4.2.2 基于非细化的矢量化算法 |
4.3 基于特殊点跟踪的栅格图像矢量化算法研究 |
4.3.1 栅格图像像素点分析与处理 |
4.3.2 基于特殊点跟踪的曲线提取 |
4.3.3 曲线压缩矢量化 |
4.3.4 线段连接 |
4.4 算法仿真与结果分析 |
4.4.1 图像矢量化效果评估 |
4.4.2 V-SPT矢量化算法测试 |
4.5 本章小结 |
第五章 矢量图匹配算法研究 |
5.1 引言 |
5.2 矢量地图匹配算法概述 |
5.2.1 图像匹配算法概述 |
5.2.2 矢量地图匹配算法概述 |
5.3 矢量线图匹配算法 |
5.3.1 矢量曲线差角特征 |
5.3.2 Hausdorff距离及其在差角序列中的应用 |
5.3.3 实时图与基准图的对准参数计算 |
5.3.4 基于差角Hausdorff距离的矢量线图匹配算法 |
5.4 算法仿真与结果分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 全文主要工作总结 |
6.2 后续研究工作展望 |
参考文献 |
致谢 |
在学期间的研究成果及发表的学术论文 |
(9)栅格数据矢量化并行算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 引言 |
1.1 研究背景 |
1.1.1 选题背景 |
1.1.2 国内外研究现状 |
1.2 研究内容与技术路线 |
1.2.1 研究内容 |
1.2.2 技术路线 |
1.2.3 论文组织结构 |
第二章 栅格数据矢量化并行算法理论基础 |
2.1 并行计算相关 |
2.1.1 并行计算机体系结构 |
2.1.2 并行算法设计方法 |
2.1.3 并行程序设计 |
2.2 基于拓扑关系的栅格数据矢量化算法原理 |
2.2.1 空间拓扑关系概述 |
2.2.2 栅格数据矢量化算法步骤 |
2.3 本章小结 |
第三章 栅格数据矢量化并行关键问题研究 |
3.1 栅格数据划分概述 |
3.1.1 常见栅格数据划分方法 |
3.1.2 影响栅格数据划分因素 |
3.2 面向栅格数据矢量化的数据划分 |
3.2.1 栅格数据矢量化的数据划分原则 |
3.2.2 基于游程统计的行划分方法 |
3.3 并行拓扑构建研究 |
3.3.1 数据块内部拓扑关系构建 |
3.3.2 不闭合要素拼接 |
3.4 本章小结 |
第四章 栅格数据矢量化并行算法设计 |
4.1 栅格数据矢量化任务分解 |
4.2 栅格数据矢量化任务调度 |
4.2.1 数据块动态分配策略 |
4.2.2 数据块拼接策略 |
4.3 主从模式下的任务映射 |
4.4 本章小结 |
第五章 栅格数据矢量化并行算法实现与测试 |
5.1 并行算法实现 |
5.1.1 并行编程环境概述 |
5.1.2 实验平台与数据 |
5.2 实验结果分析 |
5.2.1 数据划分对并行算法性能的影响 |
5.2.2 栅格数据矢量化并行算法评估 |
5.3 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 创新点 |
6.3 展望 |
参考文献 |
附录 |
致谢 |
(10)宏观山脉线抽取及其辅助技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 引言——课题的提出 |
1.2 研究意义及目的 |
1.3 国内外研究现状综述 |
1.3.1 辅助技术发展现状 |
1.3.2 地形特征提取技术发展现状 |
1.4 主要研究内容及结构 |
1.5 技术路线 |
第二章 相关原理与理论基础 |
2.1 数字地形分析的内涵 |
2.1.1 数字地形分析的数据基础 |
2.1.2 数字地形分析的基本内容 |
2.2 地形特征提取技术原理 |
2.2.1 解析法 |
2.2.2 模拟法 |
2.3 宏观和微观地貌概述 |
2.4 本章小节 |
第三章 线状地形特征的辅助技术研究 |
3.1 栅格数据矢量化方法研究 |
3.1.1 栅格数据矢量化方法基本思想 |
3.1.2 地形特征线的矢量化 |
3.1.3 实验与分析 |
3.2 等高线标定算法 |
3.2.1 等高线标定的基本思想 |
3.2.2 等高线标定算法设计 |
3.2.3 实验与分析 |
3.3 本章小节 |
第四章 宏观山脉线抽取方法 |
4.1 宏观山脉线定义及特征分析 |
4.2 宏观山脉线抽取依据及基本思想 |
4.2.1 地形地貌划分依据 |
4.2.2 山脉线抽取基本思路 |
4.3 宏观山脉线抽取方法设计 |
4.3.1 预处理 |
4.3.2 主山脉提取 |
4.3.3 支脉等级划分 |
4.4 实验结果及分析 |
4.4.1 实验结果分析 |
4.4.2 算法复杂度分析 |
4.5 本章小结 |
结束语 |
致谢 |
参考文献 |
研究成果 |
攻读硕士学位期间发表的学位论文 |
参与开发的软件系统 |
附录A 第三章实验彩图 |
附录B 第四章实验彩图 |
四、栅格数据矢量化及其相关问题的解决方法(论文参考文献)
- [1]基于深度学习的地物目标变化检测与矢量化[D]. 袁浪. 电子科技大学, 2021(01)
- [2]基于多时相遥感影像的道路信息变化检测技术研究[D]. 章雨彬. 电子科技大学, 2021(01)
- [3]众源GPS轨迹归并算法研究[D]. 李文华. 成都理工大学, 2017(02)
- [4]遥感影像矢量化中多边形数据优化处理技术研究[D]. 金良益. 解放军信息工程大学, 2017(06)
- [5]基于ArcGIS的矢量数据单元提取栅格值的方法实现[J]. 陈明明,何方,杨媛. 安徽农学通报, 2015(Z1)
- [6]一种基于边界搜索的栅格矢量化算法[J]. 魏金标,陈振杰,周琛,任沂斌. 测绘科学, 2015(03)
- [7]自适应栅格数据矢量化并行方法研究[D]. 魏金标. 南京大学, 2014(03)
- [8]航拍图像矢量化技术及其导航应用研究[D]. 彭靖叶. 南京航空航天大学, 2014(01)
- [9]栅格数据矢量化并行算法研究[D]. 姜晓慧. 南京大学, 2013(08)
- [10]宏观山脉线抽取及其辅助技术研究[D]. 罗寅. 西安建筑科技大学, 2012(03)