地图影像的几何纠正与识别.pptVIP

地图影像的几何纠正与识别 现阶段，纸质地图是获取数字地理信息的主要来源，而实现这一信息获取的主要途径是对地图进行扫描，形成栅格影像图，然后进行矢量化处理，生成矢量图。 经过处理后的数字影像地图和矢量地图是GIS最重要的组成部分，而上述方式是目前GIS数据采集的最主要方式。 影像地图以栅格形式存储，格式简单，容易与遥感影像和DEM进行联合空间分析并易实现数据共享，但数据量大且不是面向对象的。 直接扫描得到的栅格影像经过几何纠正、镶嵌等处理可生成影像地图，即GIS中的DRG数据。 对已处理的影像地图人工矢量化或自动识别可生成GIS中最主要的数据源DLG。 一、扫描影像几何纠正 整体纠正方法 分块纠正方法 整体纠正方法（1） 整体纠正方法（2） 整体纠正（3-1） 整体纠正（3-2） 非线性变换 分块纠正方法 传统纠正方法的不足 分块较多，影响纠正速度 栅格影像变形特征的可视化 变形矢量图 三维变形效果图 顾及变形特征的Delaunay三角网分块纠正方法 Delaunay三角网 Vip选择性构网 顾及变形特征的Delaunay三角网构网方法 阀值的选定 Delaunay三角网定义 Delaunay三角网[29]（简称D三角网）是Voronoi图的对偶元， V图的计算几何的定义为：假设P是一离散点集合, 定义P的Voronoi图V(P)为 其中 为第 点的Voronoi区域， Delaunay三角网由对应的Voronoi 多边形共边的点连接而成 VIP选择性构网 VIP法选择性构网的本质 顾及变形特征的Delaunay三角网构网方法（关键点） 判断点是否重要： 是否大于给定的阈值 。 为整体纠正时得到的各个控制点的点位误差， 为各个 控制点在相应的纠正变换模型下得到的误差值 ，即 终止判断条件：已经形成的所有三角形中不存在 值大于阈值的点。 连接地形图图廓的四角点，然后连接其中一条对角线，组成两个初始三角形，如图 阀值的选定 根据《1：500、1：1000、1：2000地形图数字化规范》,底图的影像图的定位中误差不超过图上0.16MM。阈值的选定可以根据影像的变形情况而定，若变形很大，阈值可以适当变小，以提高纠正精度。但是如果阈值过小，则会影响纠正速度。所以阈值的选定应以纠正精度和纠正速度达到最优化为目标。经试验证明，一般阈值选定为，即能达到很好的纠正效果 试验方法 未纠正 四点整体纠正 规则三角网纠正 顾及变形特征的Delaunay三角网纠正 实验结果对比 二、地图影像的自动识别 地图影像自动识别的目的及含义 国内外研究现状 针对地图的特点和点线面符号的特点进行了 的研究，提出了相应的算法，并进行了实验。 研究内容和方法 线状符号的识别 点状符号的描述与识别  点状符号的描述 点状符号包括数字和文字注记，点状符号形状稳定、符号相对较小、有一个定位点。 符号分类 形状相对规则或结构比较简单的符号 复杂符号或受噪声影响较大的符号 数字和文字注记 识别 基于形状分析的点状符号识别 基于神经网络的点状符号识别 OCR技术 符号库的设计 符号库是标准地图符号特征描述的集合，也是地图符号识别的依据，包括栅格符号库和矢量符号库。 基于神经网络的点状符号识别 神经网络的信息处理特点及优点 线状符号的描述与识别 线状符号的描述 线状符号（含面状符号）种类繁多，结构复杂，线状符号由许多长线划或短线链组成，线段以一定的规律相连；随地物的不同变化较大，没有确定的长度和方向；本身之间和与点状符号之间经常相互粘连、交叉重叠。 符号分类 长实线类 虚线类 组合线划类 房屋类 识别 自动跟踪 人机协同策略 等高线的识别 人机协同策略 即利用人自顶向下的和计算机从低向上的解译目标的特性，采用人工引导技术，属性编码等目标信息的赋值由人工完成，符号基元线段的提取和符号的构建在人工引导下由计算机完成。 对于不同的符号人工引导的方式不同，计算机根据不同的输入信息选择不同的算法计算描述，提取语义目标。 房屋的识别 陡坎的识别 陡坎是由棱缘线和与棱缘线垂直且等间隔排列的示坡线构成的组合线划符号，线划追踪时受噪声及细化的结果影响大。 流程 人工输入属性信息并在靠近棱缘线附近给定一点，计算机以这点为中心找到棱缘线上的点S。从S点分别向两个方向