ZD-研究-数学形态学和模式识别在建筑物多边形化简中的应用-Vx.x(模板).docVIP

基于数学形态学和模式识别的建筑物多边形化简算法 研究文档 Version 1.0 文档名称：ZD-研究文档-Title-Vx.x.doc 修订历史记录 日期 版本号 修改说明 修改人 核准人 2005/11/16 1.0 首次撰写 目录 1 引言 4 1.1 目的与范围 4 1.2 预期的读者 4 1.3 方法学 4 1.4 定义、缩写词 4 1.5 参考资料 4 2 研究内容 4 2.1 子研究内容分解 4 3 附录 4 研究文档 1 引言 1.1 目的与范围 本文档介绍了在数学形态学和神经网络支持下的模式识别的化简方法来实施多边形的自动综合。本文档作为该算法实现的理论依据和设计基础。文档中包含该算法及其主要子函数的流程图以及伪代码。 1.2 预期的读者 本文档预期的读者是本项目的设计人员、开发人员、测试人员、项目经理。 1.3 方法学 本设计所使用的主要方法是数学形态学的击中变换，基于混合遗传BP神经网络的模式识别。 1.4 定义、缩写词 数学形态学：以形态为基础对图像进行分析的数学工具。其基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的，是非线性变换。 击中运算：一种数学形态学算子，用来寻找局部模式（局部指结构单元尺寸）。它是一种模版匹配的变形，可对物体进行粗化或细化。结构元素T对图像X的击中变换为： BP（反向传播学习ANN(人工神经网络)是对人类大脑的一种物理结构上的模拟，即以计算机仿真的方法，从物理结构上模拟人脑，以使系统具有人脑的某些智能。在众多的ANN模型中，多层前馈神经网络模型是目前应用最为广泛的模型反向传播学习算法（简称BP算法）以生物进化过程为背景，模拟生物进化的步骤，将繁殖、杂交、变异、竞争和选择等概念引入到算法中，通过维持一组可行解，并通过对可行解的重新组合，改进可行解在多维空间内的移动轨迹或趋向，最终走向最优解。它克服了传统优化方法容易陷入局部极值的缺点，是一种全局优化算法。基于遗传算法的人工神经网络的应用的基本原理是用遗传算法（GA）对神经网络的连接权值进行优化学习，利用GA的寻优能力来获取最佳权值。. 地图模式识别原理与方法[M] . 北京:测绘出版社,2000 胡师彦. 混合遗传BP 算法在图像识别中的应用. 石家庄铁道学院学报 ,2002.15（3） 孙即祥. 现代模式识别. 长沙.国防科技大学出版设，2002 张 迁 刘政凯. 基于数学形态学的地图自动配准方法. 小型微型计算机系统. 2003. 24（7） 2 研究内容 2.1 算法描述 2.1.1 与地图比例尺相关的栅格数据与矢量数据结合的数据模型 街区边线的矢量数据栅格化过程： 使用经典的Bresenham 算法进行街区边线的栅格化； 用种子填充算法得到建筑物多边形的栅格数据。 注：栅格单元尺寸定为地图上的0.1mm 栅格数据模型如下所示: typedef struct tagResident GridData { 　double X,Y； 　// 图像的左下角坐标 　double 　m_dGridWidth； 　//栅格宽度 　int 　m_iResident GridRow； 　//图像高 　int 　m_iResident GridColumn； 　//图像宽 　BYTE *m_pResident GridData； 　//栅格数据 } GMS_Resident GridData； 　//栅格数据结构 用改进的Freeman链码来表示街区的轮廓，其数据模型为： typedef struct tagCodeCell { 　int 　m_iDirection ; 　/ / 追踪方向 　int 　m_iLength ; 　/ / 追踪长度(像素数) 　int 　m_iPatternFlag ; 　/ / 模式识别标志 } GMS_CodeCell ; 　/ / Freeman 链码单元 typedef struct tagFreeman_ChainCode { 　BOOL 　m_bFinishedSimplication; //化简标识 　CPoint 　m_Start Point; 　//起点坐标 　CArray GMS_CodeCell , GMS_CodeCell m_ChainCodeArray ; 　// 链码数据 } GMS_Freeman_ChainCode ; 　//Freeman链码 2.1.2 对建筑物多边形进行矩形化变换 矩形化变换：在给定的化简尺度上,对建筑物多边形进行最大程度的化简,即直接变为矩形。街区的复杂度决定了建筑