一种要素匹配的数字化地形图联动更新方法技术

本发明专利技术涉及一种要素匹配的数字化地形图联动更新方法，将数字化地形图中各类型的地形要素根据其形状抽象为要素实体；分别建立各个要素实体的缓冲区，在要素实体的缓冲区中分别获得该要素实体的类型对应的各个候选匹配对；将各种要素实体的候选匹配对的相似性特征作为机器学习的训练样本集，每种类型的要素实体均训练2个匹配关系识别模型，分别为模型一和模型二；利用各类要素实体的模型一分别对点

【技术实现步骤摘要】
一种要素匹配的数字化地形图联动更新方法


[0001]本专利技术涉及数字化地形图更新领域，尤其涉及一种要素匹配的数字化地形图联动更新方法
。

技术介绍

[0002]地形图通过将地貌
、
房屋
、
植被等地理要素以点线面的形式进行可视化，使人们能够更好地理解地球表面的形态变化
。
在地理认知探索
、
城市规划和决策支持
、
地理信息系统应用等方面具有广泛的应用，尤其是市政建设方面的道路规划
、
排水系统设计
、
交通网络优化
、
土地利用规划等都依赖于准确
、
最新的地形数据
。
亦要求积极探索“统一规划
、
分级实施
、
协同更新”的新型基础测绘生产模式，推动传统单一比例尺数据库向实体化
、
一体化时空数据库转变
。
这些现状意味着迫切需要对多比例尺
、
多时相等多源地形图数据进行集成
、
融合和更新，以推进城市智慧化成长，辅助城市的信息化建设
。
[0003]在现有地形图数据的基础上，对现状地形进行快速有效的动态更新是数据一体化需要解决的重要问题之一
。
目前相关的研究过程大致为通过将原地形图与最新的影像数据叠加，目视解译影像变化区域，然后设定地形图动态更新的规则，如现势性，精准性
、
一致性等，最后依此数字化或外业进行重测或修测来实现变化区域的地形图更新
。
此方法侧重于采用影像数据结合人机交互方式更新图形数据，没有顾及到属性数据的更新需求，而且目视判别变化要素对于局部区域效果明显，但针对大规模区域的地形图动态更新则效率较低，不符合快速
、
高效更新地形要素数据的现实需求，而且类如基于影像的矢量数据提取技术发展迅速，矢量数据获取来源多样，促进了多源矢量数据的增量更新和融合需求
。

技术实现思路

[0004]本专利技术针对现有技术中存在的技术问题，提供一种要素匹配的数字化地形图联动更新方法，实现图形和属性信息的动态更新，为建立地形一体化时空数据库提供技术支撑
。
[0005]根据本专利技术的第一方面，提供了一种要素匹配的数字化地形图联动更新方法，包括：步骤1，将所述数字化地形图中各类型的地形要素根据其形状抽象为要素实体，所述要素实体包括：点实体
、
线实体和面实体；
[0006]步骤2，分别建立各个所述要素实体的缓冲区，在所述要素实体的缓冲区中分别获得该要素实体的类型对应的各个候选匹配对；
[0007]步骤3，以内部
、
边界和外部关系定义各个所述要素实体之间的相离
、
包含
、
相接和相交关系；将各个所述要素实体的关联关系划分为强关联
、
中关联和弱关联；
[0008]步骤4，将各种所述要素实体的候选匹配对的相似性特征作为机器学习的训练样本集，每种类型的所述要素实体均训练2个匹配关系识别模型，分别为模型一和模型二；其中，点实体数据用于训练点实体匹配关系识别模型，线实体数据用于训练线实体匹配关系识别模型，面实体数据用于训练面实体匹配关系识别模型；所述相似性特征包括：拓扑相似性，计算所述拓扑相似性基于所述步骤3中划分的所述关联关系获得；
[0009]步骤5，利用各类要素实体的模型一分别对点
、
线和面实体数据进行初次识别，提取初次识别结果中的已匹配要素作为各种要素实体中的地标集，建立各类要素的信息传递模型，依据信息传递模型并将所述地标集作为约束，利用各类要素实体的模型二对其余未匹配的各种要素实体进行联动匹配；
[0010]步骤6，定义数据融合规则，基于联动匹配结果对异源地形图数据进行增量更新
。
[0011]在上述技术方案的基础上，本专利技术还可以作出如下改进
。
[0012]可选的，所述步骤1还包括：对所述数字化地形图数据集中的源数据和目标数据的格式进行统一，对空间信息的系统误差进行校正，构建各类型要素的类别
、
名称和属性表信息；所述属性表信息包括：共有属性和特殊属性
。
[0013]可选的，所述候选匹配对包括：
1:1
匹配对和因实际变化
、
地图缩编和生产误差造成的
1:N、M:1
以及
M:N
匹配对；
N
和
M
为大于1的自然数
。
[0014]可选的，所述步骤4中所述匹配关系识别模型选择
OCSVM
作为分类器，在创建样本和相似性特征提取之后，选择高斯核函数，并使用最大化的测试集
F1
得分来获得高斯核带宽
g∈(0,1)
和松弛因子
v∈(0,1]；对于输入样本，
OCSVM
输出标签1或输出标签
‑1分别表示匹配关系和不匹配关系，并输出样本的决策距离值，所述决策距离值为正数且越接近0表示匹配概率越大
。
[0015]可选的，所述步骤4中，根据所述点实体的候选匹配对的欧氏距离将所述点实体的训练样本集分为严格训练样本集和一般训练样本集；根据所述线实体的候选匹配对的最近距离将所述线实体的训练样本集分为严格训练样本集和一般训练样本集；根据所述面实体的候选匹配对的面积重叠度将所述面实体的训练样本集分为严格训练样本集和一般训练样本集；使用所述严格样本集进行训练得到所述模型一，使用所述一般样本集进行训练得到所述模型二
。
[0016]可选的，所述步骤4中，
[0017]所述要素实体为点实体时，作为训练样本数据集的所述相似性特征包括：类别相似性
、
名称相似性
、
空间距离和拓扑相似性；
[0018]所述要素实体为线实体时，作为训练样本数据集的所述相似性特征包括：
Hausdorff
距离
、
名称相似性
、
类别关系相似性和拓扑相似性；
[0019]所述要素实体为面实体时，作为训练样本数据集的所述相似性特征包括：位置相似性
、
方向相似性
、
面积相似性
、
形状相似性和拓扑相似性
。
[0020]可选的，所述拓扑相似性的计算公式为：
[0021]TS
＝
a
×
TP
q
+b
×
TP
z
+c
×
TP
r
[0022]其中，
a、b
和
c
分别为关联关系强关联
、
中关联和弱关联时对应的权重；
TP
表示拓扑强度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种要素匹配的数字化地形图联动更新方法，其特征在于，所述更新方法包括：步骤1，将所述数字化地形图中各类型的地形要素根据其形状抽象为要素实体，所述要素实体包括：点实体
、
线实体和面实体；步骤2，分别建立各个所述要素实体的缓冲区，在所述要素实体的缓冲区中分别获得该要素实体的类型对应的各个候选匹配对；步骤3，以内部
、
边界和外部关系定义各个所述要素实体之间的相离
、
包含
、
相接和相交关系；将各个所述要素实体的关联关系划分为强关联
、
中关联和弱关联；步骤4，将各种所述要素实体的候选匹配对的相似性特征作为机器学习的训练样本集，每种类型的所述要素实体均训练2个匹配关系识别模型，分别为模型一和模型二；其中，点实体数据用于训练点实体匹配关系识别模型，线实体数据用于训练线实体匹配关系识别模型，面实体数据用于训练面实体匹配关系识别模型；所述相似性特征包括：拓扑相似性，计算所述拓扑相似性基于所述步骤3中划分的所述关联关系获得；步骤5，利用各类要素实体的模型一分别对点
、
线和面实体数据进行初次识别，提取初次识别结果中的已匹配要素作为各种要素实体中的地标集，建立各类要素的信息传递模型，依据信息传递模型并将所述地标集作为约束，利用各类要素实体的模型二对其余未匹配的各种要素实体进行联动匹配；步骤6，定义数据融合规则，基于联动匹配结果对异源地形图数据进行增量更新
。2.
根据权利要求1所述的更新方法，其特征在于，所述步骤1还包括：对所述数字化地形图数据集中的源数据和目标数据的格式进行统一，对空间信息的系统误差进行校正，构建各类型要素的类别
、
名称和属性表信息；所述属性表信息包括：共有属性和特殊属性
。3.
根据权利要求1所述的更新方法，其特征在于，所述候选匹配对包括：
1:1
匹配对和因实际变化
、
地图缩编和生产误差造成的
1:N、M:1
以及
M:N
匹配对；
N
和
M
为大于1的自然数
。4.
根据权利要求1所述的更新方法，其特征在于，所述步骤4中所述匹配关系识别模型选择
OCSVM
作为分类器，在创建样本和相似性特征提取之后，选择高斯核函数，并使用最大化的测试集
F1
得分来获得高斯核带宽
g∈(0,1)
和松弛因子
v∈(0,1]
；对于输入样本，
OCSVM
输出标签1或输出标签
‑1分别表示匹配关系和不匹配关系，并输出样本的决策距离值，所述决策距离值为正数且越接近0表示匹配概率越大
。5.
根据权利要求1所述的更新方法，其特征在于，所述步骤4中，根据所述点实体的候选匹配对的欧氏距离将所述点实体的训练样本集分为严格训练样本集和一般训练样本集；根据所述线实体的候选匹配对的最近距离将所述线实体的训练样本集分为严格训练样本集和一般训练样本集；根据所述面实体的候选匹配对的面积重叠度将所述面实体的训练样本集分为严格训练样本集和一般训练样本集；使用所述严格样本集进行训练得到所述模型一，使用所述一般样本集进行训练得到所述模型二
。6.
根据权利要求1所述的更新方法，其特征在于，所述步骤...

【专利技术属性】
技术研发人员：李俊，覃双煜，汤少帅，李忠享，胡家文，徐伟，黄志华，陶源，付铭，阎波，
申请(专利权)人：中国市政工程中南设计研究总院有限公司，
类型：发明
国别省市：