[发明专利]基于图卷积的建筑物模式识别方法

说明书

本发明提供了一种基于图卷积的建筑物模式识别方法，包括：将建筑物数据划分为预设街区，在所述预设街区内利用德洛内三角网创建邻接关系；计算建筑物特征描述指标集合，得到建筑物特征描述指标值集合矩阵；分别对描述指标特征降维，获得建筑物特征值向量；标记建筑物模式标签，并采用半监督图卷积网络识别模式获得结果。本发明所提供的基于图卷积的建筑物模式识别方法仅需要较少的标注数据即可准确发现建筑物群组模式，有效改善了当前建筑物群组识别方法参数设置困难、识别结果不稳定、精度低的缺陷，可以推广应用于地图综合、空间数据更新、城市规划与景观设计等领域。

技术领域

本发明涉及地图学与地理信息系统领域，特别涉及一种基于图卷积的建筑物模式识别方法

背景技术

建筑物群组模式可以用于空间数据更新、城市规划、城市景观设计以及地图制图综合。如何高效准确的识别出建筑物模式是当前的迫切需要。

目前建筑物群组识别的方法可划分为四种，即：基于自然原理的方法，基于分区的方法，基于图的方法和区域合并的方法。

基于自然原理的方法：建筑物之间的距离通常以最小距离来衡量，并且分组操作以自然原理为指导，将“物理限制”定义为与人眼分辨率有关的“最小可见目标”。然后，“最小可见目标”的大小用作测量建筑物之间接近程度的“分离阈值”，当比例尺缩小后在视觉上无法分离的相邻建筑物将合并在一组。基于自然原理的方法只考虑格式塔分组准则的邻近性显得过于片面。

基于分区的方法用建筑物质心代表建筑物，建筑物之间的距离为质心间的距离。一个建筑物群组被定义为一系列建筑物，其中每一个建筑物更接近于代表这个建筑物群组的中心建筑物而不是其他建筑物群组的中心建筑物。基于分区的方法用质心代表建筑物，只考虑了建筑物间质心距离而忽略了建筑物的形状大小等属性，同样太片面。

基于图的方法首先使用最小二叉树，德洛内三角网，最近邻图等邻域图检测建筑物之间的相邻关系。然后，采用两种策略来检测建筑物组。策略一是分离的方法，将图中长度大于连接长度平均值的边分离，剩下的图就是建筑物群组。策略二是合并的方法，根据建筑物邻接图中建筑物之间的长度(只考虑到邻近性时)包含在建筑物邻域图中，将两个建筑物合并。基于图的方法考虑到了除邻近性以外的其他约束，但是分离阈值大小的选取仍然是一个问题。

基于区域合并的方法将建筑物的邻近性、相似性和连续性都考虑在内。首先将每座建筑物视作单个组，然后看单个组和相邻组是否可以合并，合并的原则是判断建筑物之间相似性、连续性和邻近性确定的度量值是否满足设定的阈值。虽然基于区域合并的方法考虑到了建筑物的邻接性、相似性和连续性，但是阈值的设定以及各性质权重的确定没有客观统一的标准。

发明内容

本发明提供了一种基于图卷积的建筑物模式识别方法，其目的是为了改善当前建筑物群组识别方法参数设置困难、识别结果不稳定、精度低的缺陷。

为了达到上述目的，本发明的实施例提供了一种基于图卷积的建筑物模式识别方法，包括：

步骤1，将建筑物数据划分为预设街区，在所述预设街区内利用德洛内三角网创建邻接关系；

步骤2，计算建筑物特征描述指标集合，得到建筑物特征描述指标值集合矩阵；

步骤3，分别对描述指标特征降维，获得建筑物特征值向量；

步骤4，标记建筑物模式标签，并采用半监督图卷积网络识别模式获得结果。

其中，所述步骤1具体包括：

利用城市道路网与河流对建筑物进行划分，得到不连通街区；

在建筑物矢量边上近似等距插入点，分别在不连通街区对这些点依次构建德洛内三角网。

其中，所述构建德洛内三角网的步骤包括：