[发明专利]一种监督学习支持的多化简算法协同的线要素自适应化简方法及装置

说明书

本发明公开一种监督学习支持的多化简算法协同的线要素自适应化简方法及装置，该方法包含三个主要过程：线要素优选化简方案案例的获取，监督学习支持的面向线化简方案优选任务的分类器构建与拟合，以及基于分类器的线要素渐进剖分与自适应化简。本发明避免了单一化简算法及固定化简参数值的针对性和局限性，实现了算法级、参数级更为丰富的多化简算法协同应用；基于数据驱动的监督学习策略，克服了主观分配化简算法的模糊性和不完备性；达到了曲线级、弧段级更细粒度的线要素自适应化简，提升了线要素自动化简效果，增强了线要素自动化简的可用性和实用性。

技术领域

本发明涉及空间数据处理、地图综合技术领域，尤其涉及一种监督学习支持的多化简算法协同的线要素自适应化简方法及装置。

背景技术

线要素化简是空间数据处理、地图综合中的重要研究内容和经典研究问题之一，已经积累了大量的自动化简算法。但是，这些化简算法往往各有侧重，适用于不同的特定化简任务。例如，有的化简算法针对某种几何形状的线要素，有的适用于某一特定地理环境，有的则面向某一具体制图应用。但在实际应用中，线要素形态多样，存在于各种地理环境交叉的复杂化简，且面向各种需求混合的应用场景，单一化简算法往往不能取得良好效果，成为制约自动化简应用的“最后一公里”的重要问题。研究能够合理协同多种化简算法、实现不同化简算法的优势互补的化简方法成为解决这一问题的关键，当前主要存在以下两种研究思路：一是，从原理上将不同化简算法组合成新的自动化简算法，实现优势互补；二是，区分不同线要素或线要素内的不同弧段，有针性地人为约定化简算法，实现多化简算法的协同应用和优势互补。虽然这两种思路都能协同部分化简算法，但必须建立在对已有化简算法清晰、准确理解基础上，往往只能协同少量化简算法，本质上无法避免线要素分类不完备的主观影响且不符合算法边界模糊的客观实际。

随着以机器学习为代表的智能方法在拟合主观分类、解决非线性问题、实现自适应优化等应用中效果良好，研究人员尝试利用机器学习方法自适应地选择与线要素相适应的化简算法，实现多种化简算法的自适应协同和优势互补。基于此思路的研究十分匮乏，且至少存在以下三点不足：一是，适用的化简对象单一，局限于对某种线要素不同化简算法的协同化简应用。发表于《International Journal of Geographical InformationScience》2022年第2期上一篇名为《A hybrid approach to building simplificationwith an evaluator from a backpropagation neural network》的论文利用人工神经网络从四种建筑物化简算法中选择恰当化简算法，但仅对建筑物轮廓一种线要素的化简研究，难以应用于类型各异、形态多样的各种线要素。二是，适用的化简算法片面，局限于对某类自动化简算法的协同应用。发表于《Pattern Recognition Letter》2011年第9期上一篇名为《Hybrid line simplification for cartographic generalization》的论文利用k-Means聚类算法自适应匹配化简弧段与化简算法以实现对建筑物、道路和水系混合的线要素化简应用，但是该方法只适于协同顶点取舍类的自动化简算法，无法合理协同包含新顶点生成、强调整体相似性保持的自动化简算法。三是，自适应程度相对粗糙，局限于对不同线要素自动匹配不同化简算法自适应研究，忽略了线要素内不同弧段、化简算法不同化简参数等更细粒度的自适应协同。具体而言：不同化简算法化简效果不同，适用于不同化简应用，而同一化简算法采用不同化简参数也可得到不同化简效果，也适用于不同化简应用；不同线要素几何形态、地理特征各部相同，需要匹配与之适应的化简算法及化简参数，而一条蜿蜒绵长的线要素内不同弧段的几何形态、地理特征也未必相同，各弧段也需要匹配与之相适应的化简算法及化简参数。

发明内容