基于动态聚合的多尺度建筑物匹配精度提升方法

《Geocarto International》:Improving the accuracy of multi-scale building matching based on dynamic aggregation

【字体: 大 中 小 】 时间:2026年01月15日 来源:Geocarto International 3.5

编辑推荐:

  地图综合(Map Generalization)过程使得多尺度建筑物匹配成为空间数据更新中的关键难题。本文提出了一种动态聚合方法。首先,对大比例尺建筑物进行组合枚举并动态聚合为凸包(Convex Hull),计算该凸包与小比例尺建筑物之间的凸包相似性,最终选取

  
地图综合(Map Generalization)过程使得多尺度建筑物匹配成为空间数据更新中的关键难题。本文提出了一种动态聚合方法。首先,对大比例尺建筑物进行组合枚举并动态聚合为凸包(Convex Hull),计算该凸包与小比例尺建筑物之间的凸包相似性,最终选取相似性最高的组合。其次,采用德劳内三角剖分(Delaunay Triangulation)分类滤波方法对候选建筑物组合进行聚合,并计算聚合后的整体相似性。最后,依据整体相似性判定匹配是否成功,并将匹配关系传递至参与聚合的原始建筑物。在两组数据集上的实验验证表明,经聚合处理后,匹配的F1指标分别提升了28.57%和9.28%,达到94.62%和90.44%。
本文的研究背景源于空间数据更新需求的日益增长。随着中国国家级基本比例尺地理空间数据库的建成,地理信息系统(GIS)发展的主要挑战已从数据生产转向保持地理空间信息的现势性。数据更新是维持数据现势性的主要手段,对于提升数据的可靠性及利用价值至关重要。同名实体(Homonymous Entities)是指在不同数据集中表示同一现实世界对象的空间要素,匹配这些实体需要通过分析其空间相似性与差异性来识别同一现实地物。然而,由于制图误差、应用目的差异以及制图综合的影响,这些同名实体往往在几何与属性特征上存在差异,准确高效地建立匹配关系成为空间数据更新、集成与融合的基础。地图综合导致几何形态与空间关系的变化,这些变化构成了多尺度数据库中同名实体表征差异的主要来源,已成为制约跨尺度数据匹配精度提升的主要瓶颈。通过逆向应用地图综合方法以恢复几何演化逻辑,有助于减少同名实体匹配的差异,为匹配算法提供更加稳定可靠的判别依据。建筑物要素在大比例尺城市地图中广泛分布,是城市空间数据集中最具动态性的要素之一,因此成为空间数据匹配研究的重点对象。尽管现有关于建筑物匹配与建筑物综合的研究较为丰富,但二者大多相互独立。已有研究主要将地图综合用于地图生产目的,而较少将其系统性地作为提升数据匹配能力的策略。该方法的核心思想在于:综合不再直接服务于新地图的生产,而是作为逆向解析多尺度建筑物演化关系的核心分析与推断工具,直接服务于关联关系的发现与验证。建筑物聚合作为地图综合的重要组成部分,为弥合多尺度要素之间的几何差异提供了一条可行途径。

研究人员开展了基于翌动态聚合方法提升多尺度建筑物匹配精度的研究。该方法的核心在于通过动态逆演建筑物聚合操作,重构候选匹配对象的几何构型,使其更加接近目标尺度的表征形式,从而提升相似性计算的正确性,最终改善匹配结果。研究得出以下主要结论:经动态聚合处理后,宁波数据集的匹配F1分数从66.05%提升至94.62%,Heerhugowaard数据集的F1分数从81.84%提升至90.44%。与其他三种现有匹配方法相比,该方法在两个数据集上均取得了最高的F1分数,分别超出对比算法3.05%–3.70%和1.94%–4.44%。该方法能够有效处理1:1匹配和复杂的1:N匹配关系,且其有效性不依赖于特定邻接类型是否在数据集中占主导地位。该研究的重要意义在于:提出了一种"匹配驱动的动态聚合"新策略,从根本上缓解了匹配对象之间的几何差异,在精度和召回率之间取得了更好的平衡,为地图综合算子的逆向应用提升建筑物匹配精度提供了可行性验证。该论文发表于《Geocarto International》。

关键技术方法包括:基于路网网格划分与缓冲区分析构建候选匹配集;利用约束三角网构建建筑物邻接图,进行组合枚举;动态凸包筛选确定最优聚合候选组合;基于德劳内三角剖分分类滤波的建筑物轮廓精确聚合;采用层次分析法(Analytic Hierarchy Process, AHP)加权计算距离、面积、形状、方向四个维度的整体相似性。样本队列来源为:中国宁波市江北区1:10,000与1:50,000比例尺建筑物数据;荷兰Heerhugowaard市OpenStreetMap大比例尺数据与荷兰政府开放地理数据平台1:25,000比例尺数据。

研究结果的"候选匹配集构建"部分通过以下研究得出相应结论。研究人员采用路网网格划分方法防止建筑物跨越道路障碍物进行聚合,将同等级道路数据经拓扑检查、去除断开线段、裁剪等预处理后由线转面形成路网网格区域,完成大比例尺建筑物的初始分割。再通过面积重叠法将小比例尺建筑物与路网网格匹配关联,进而通过缓冲区分析构建候选匹配集。研究结论表明,该方法能够有效建立大比例尺与小比例尺建筑物之间的候选关联,为后续动态聚合提供基础。

研究结果的"动态凸包筛选确定聚合建筑物集"部分通过以下研究得出相应结论。研究人员对候选匹配集中包含三个及以上建筑物的情形,采用组合数理论生成所有理论可行的建筑物组合,并通过约束三角网构建建筑物邻接图,利用"剥皮法"过滤外围三角形以判断组合的空间连通性。进而动态构建各有效组合的最小外接凸包,计算其与目标小比例尺建筑物凸包的距离相似性、面积相似性、形状相似性和方向相似性,通过AHP加权得到整体凸包相似性,选取最优组合作为待聚合候选集。研究结论表明,该方法能够在精确轮廓聚合前实现粗粒度、高效率的预筛选,且保持与最终匹配阶段一致的地理评价标准。

研究结果的"德劳内三角剖分分类滤波聚合"部分通过以下研究得出相应结论。研究人员对拓扑相邻建筑物直接消去公共边聚合;对视觉相邻建筑物,采用约束德劳内三角剖分方法,通过点位加密构建约束三角网,基于位置、属性、相关性、高度、角度和边长六个参数筛选符合条件的三角网,分组提取外边界形成桥接区域并进行直角化处理,最终将桥接区域与原始建筑物聚合。研究结论表明,该方法能够实现对建筑物轮廓的精确聚合,有效填充视觉相邻建筑物间的空隙。

研究结果的"匹配相似性计算"部分通过以下研究得出相应结论。研究人员采用四项常用指标:基于质心欧氏距离的距离相似性、基于交集面积与最大面积比的面积相似性、基于最小外接矩形(Minimum Bounding Rectangle, MBR)长轴方向角余弦的方向相似性,以及基于转向角函数(Turning Angle Function)L2距离的形状相似性。通过AHP赋权计算整体相似性,权重分别为距离0.3001、方向0.1737、面积0.3968、形状0.1294。研究结论表明,该相似性计算体系在动态凸包筛选和最终轮廓匹配两个阶段保持一致,仅评价对象从凸包替换为实际轮廓。

研究结果的"动态聚合优化策略"部分通过以下研究得出相应结论。研究人员针对组合枚举可能导致的计算效率问题,提出动态组合规模控制策略:宁波数据集M=11、Heerhugowaard数据集M=9,超过阈值的不予处理;建立建筑物数量优先规则,在凸包相似性相同时优先选择建筑物数量更多的组合;采用多候选验证机制,选取凸包相似性最高的三个组合进行精确轮廓聚合验证后确定最终匹配。研究结论表明,上述优化策略有效平衡了匹配精度与计算效率。

研究结果的"实验结果分析与评价"部分通过以下研究得出相应结论。研究人员在宁波和Heerhugowaard两个数据集上进行了实验,对比了聚合前后的匹配效果,并与三种现有方法进行了比较。宁波数据集以离散建筑物为主(99.38%),1:N匹配关系占65.93%;Heerhugowaard数据集离散与拓扑相邻建筑物混合分布(离散63.17%)。研究结论表明,动态聚合显著提升了两个数据集的召回率和F1分数,宁波数据集召回率提升42.95%、F1提升28.57%,Heerhugowaard数据集召回率提升22.32%、F1提升9.28%。与现有方法相比,该方法在两个数据集上均取得最高F1分数(94.62%和90.44%),精度略低于最高值但召回率显著更优,整体性能更加均衡。

在讨论部分,研究人员指出该方法有效性的核心在于:动态聚合作为关键预处理步骤,通过动态凸包筛选识别最优聚合候选组合,再经德劳内三角剖分实现精确聚合,最后将匹配关系传回原始特征。这一过程动态模拟了地图综合的逆过程,主动构建与大比例尺目标几何更一致的实体,从而显著提升了召回率。方法对不同数据特征具有适应性:在制图综合标准化的宁波数据中效果更为突出;在数据来源异质性较高的Heerhugowaard数据中改进幅度相对有限,但仍优于现有方法。同时,研究人员也坦陈了当前方法的局限性:动态凸包筛选阶段的枚举策略缺乏特异性,与后续精确聚合步骤操作独立,候选集规模较大时计算开销显著;仅处理了大比例尺建筑物的聚合而未对聚合后轮廓进行简化,建筑物轮廓与目标之间仍存在细节差异;主要面向1:N匹配关系,更复杂的M:N关系尚待研究。

研究结论部分的主要内容翻译如下:为缓解地图综合对多尺度建筑物匹配的影响、提升匹配精度,本文提出了一种动态聚合方法。基于宁波和Heerhugowaard数据集的实验分析,可得出以下主要结论:(1)通过在邻接图约束下进行候选匹配建筑物的组合优化,该方法能够动态自动地识别考虑匹配关系的聚合候选建筑物集,为面向匹配增强的聚合逆演操作提供了前提条件。(2)该方法通过动态聚合主动弥合多尺度数据集之间的几何差异,将复杂的1:N匹配转化为更易处理的1:1匹配,降低了匹配难度。实验结果显示,两个数据集的F1分数较聚合前分别提升了28.57%和9.28%。(3)与多种现有匹配方法相比,该方法在两组数据集上均取得了最高的F1分数,分别达到94.62%和90.44%,展现了其优越的整体匹配性能,以及对不同地区、不同质量标准建筑物数据跨尺度匹配的适应性。本工作验证了应用聚合算子逆演提升建筑物匹配的可行性。未来工作包括:(1)优化建筑物聚合逆演策略,探索匹配相似性驱动的增量式建筑物聚合,增强聚合逆演过程的目标导向性并提高算法效率;(2)采用简化算子动态精化聚合建筑物边界,寻求进一步提升匹配相似性和精度;(3)探究典型化(Typification)算子在建筑物群组关系识别中的作用,以优化M:N关系的匹配效果。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号