张新长院士：地物要素的快速提取与级联更新

1、地物要素特征的快速提取与地图尺度级联更新研究背景在全国基础测绘中长期规划纲要中，把多尺度数据融合与联动更新列为 新型城镇化建设等国家重大战略保障的基础测绘等主要特征。多尺度空间数据联动更新的目标：空间数据的现势性与尺度一致性的统一； 多元化的地理空间数据表达“粒度不同”；地物特征的深度表达与识别地物特征的深度表达:城市地物要素识别、建筑物要素识别、道路要素识别；传统机器学习方法及问题：分类：神经网络、支持向量机（SVM）、决策树、随机森林；过程：特征提起、模型训练、输出结果1:最初研究中所用的特征主要是基于影响的光谱信息；2:但随着空间分辨率的提升引起的类内类间方差变化，使得仅仅依据单个像 素

2、光谱信息的方法不在奏效，通常会出现比较严重的椒盐效应（黑白噪声）；3:因此，后来开始倾向于使用面向对象的方法，面向对象通过考虑像素的领 域信息，在一定程度上改善了椒盐效应的影响，但面向对象的方法通过要考 虑一个合适的对象分割尺度深度学习的工作模式：深度学习的工作模式与传统机器学习大致相似，不同之处在于：深度学习将 特征提取过程与分类统一到了一个框架之下；通过不断地迭代使所提取的特征能量最大程度的表达地物的特性，从而达到 区分不同类别的地物目的。城市地物要素识别：1:地物特征深度表达一取决于深度网络之结构原有全卷积网络（FCN）多是三波段（日常影像）输入，而遥感影像（多源 数据）波段较多。卷积神

3、经网络（CNN）往往只有一个感受野，但固定感受野不能很好的探 测到尺度多变地物的特征；而多尺度可以有效地解决此问题。目前的解决方案：利用相同区域，但不同分辨率的patch作为输入。（Zhao and Du，2016） 利用相同分辨率，但不同尺寸的patch作为输入。多源数据任意波段输入（光学，LiDAR）。建筑物要素提取：FCN+ACM (Active contour model)；为什么有这种考虑呢？就是全卷积网络(FCN)实际也是一种基于像素的分 割方式，那么也不可避免会有一些椒盐的效应，而ACM这种分割方式是通 过定义一个曲线，通过计算曲线里面的灰度差异作为压力，对曲线的运动方 向进行推

4、动，直至曲线处于平衡的状态。这样的操作可以直接得到边缘，而 不会产生椒盐效应当一些建筑物灰度接近于背景时，往往会被忽略掉，这是我们利用归一化数 字表面模型(NDSM)数据进行建筑物提取的结果，为了解决这个问题，我 们想通过CNN和ACM结合对建筑物的脚点进行探测。所以二者是一个很好 的互补的操作。道路要素提取：道路中心线提取方法：我们提出了一种融合高分辨率遥感影像与机zaiLiDAR的道路中心线提取方 法，以期解决道路提取过程中的阴影和树木遮挡问题。该方法主要包括以下 五部分内容：首先采用多尺度分割算法进行影像分割，然后利用随机森林分 类器进行对象分类。对于被阴影和树木遮挡的道路段，提出一种基

5、于最小外 接矩形的干扰填充方法，进行填充处理，并进一步通过形状滤波剔除非道路 不透水面。接着集成形态学细化、Harris角点检测和最小二乘法拟合算法进 行道路中心线提取。最后，利用编辑后的OSM道路网络数据进行精读评价。变化信息检测与级联更新研究内容：变化信息识别与提取、自适应增量更新、更新信息多尺度匹配与 传递、空间数据多尺度表达。研究目标：构建空间要素特征开会，识别变化信息、实现同比例空间数据快 速增量更新、研制空间数据多尺度匹配方法、揭示更新信息多尺度传递规律、 构建空间数据尺度集，实现空间数据跨尺度的快速更新。更新信息多尺度匹配与传递：构建制图综合规则哭，采用6元组的方式描述综合规则；

6、面向更新要素进行局部制图综合，以提高工作效率，保证尺度一致性：1:建立模型、算法。规则与一体的自动制图综合体系。2:用数学形态学、模式识别等方法，建立图形形状变化与尺度变化的数 量关系。3:运用人工神经网络等智能化算法，实现自动制图综合。多尺度更新的不确定因素分析：测量误差、数据匹配、制图综合。误差的尺度效应与空间分布特征：地物差异、空间特征、尺度效应。算法的训练效率与鲁棒性：收敛程度、算法效率；多尺度联动更新的方法流程:大比例尺变化信息检测、多尺度空间信息匹配、 空间冲突检测与处理、更新信息多尺度传递。基于尺度集的居民地尺度变换：选题来源：国家自然科学基金重点项目“基于模式识别的多尺度空间数

7、据联 动更新关键技术研究”和广东省自然科学基金重点项目“基于数据挖掘的多 尺度空间数据更新信息的自动识别与传递”。研究目标：研发可实现连续表达的居民地尺度转化模式。研究内容：邻近度计算模型、建筑物群组尺度集构造、关键尺度群组模式提 取、群组模式尺度转换。尺度集理论：（Guigues et al，2006）认为影像分析理解可以分解为两个层次 的活动：低层次的要素提取与表达和高层次的认知解释。对影像的分块表达 属于低层次的分析活动，无需引入过多的人工干预，而针对应用的需求，选 定合适的尺度是较高层次的分析活动，其与影像的多尺度表达属于两个层次 的行为，因而选定尺度与影像多尺度表达应该是两个相互独立

8、的过程。基于图割的建筑物群组尺度集构建：图割机理:分割采用自上而下的策略，即优先切割代表最长最宽道路的节点。 先获取大尺度群组，后获取小尺度群组。基于渐进式地图综合的居民地尺度变换（1）:渐进式综合思路：首先对建筑物群组尺度集中的最底层群组进行合并、化简 等综合操作，然后将综合对象作为下一层待综合群组的成员，循环迭代这个 过程直到没有待处理的群组对象。基于渐进式地图综合的居民地尺度变换（2）:同质性群组合并方法：同质性群组即要么在下一尺度合并表示，要么单独表 示。合并以该群组的最大距离作为合并距离。通过合并距离确定连接建筑物 物三角网的去留，保留三角网将与建筑物合并为一个对象。基于渐进式地图综合的居民地尺度变换（3）:化简与直角化：建筑物化简操作采用Sester&Brenner（2005）提出的方法， 直角化采用边线中点固定算法（应国为et al，2014）。多尺度空间数据联动更新：结合对象变化检测、多尺度空间数据匹配及制图 综合自动处理技术，通过一次采集大比例尺空间数据，实现多尺度空间数据的联动更新和在线服务，以提高数据更新的自动化与智能化水平典型应用案例1：南海一号考古挖掘。2:广州市增城区利用该技术，在不增加用地指标的基础上，整合出适合建设 的地块173公顷，创造经