禄小敏：基于网络加权Voronoi图的点群选取.ppt

（2）点的删除 算法遵循“网络Voronoi多边形面积越大或其扩展弧段总长度越长，其所对应的点越容易保留”的规则进行点群选取。并将点群分为三种类型：高等级必须保留(Ⅰ型)、低等级直接舍弃(Ⅱ型)、介于两者之间参与选取竞争(Ⅲ型)。 2 算法原理与方法（点群选取） 2 （2）点的删除 算法原理与方法： 2 Step1:根据开方根定律求得综合过程中预删除点的数目n： (1) 其中，N0为原始点群中点的总数，So为原始地图比例尺分母，S’是目标图比例尺分母； 4 Step2:在平面坐标系中标注权重值点 X坐标：网络Voronoi多边形面积 归一化值 Y坐标：扩展弧段总长度归一化值， 原始点群中每个点的权重值对应 坐标系中的一个点； 算法原理与方法： 2 4 Step3:以坐标原点为原点，以权重值点与坐标原点距离的最小值为初始半径在坐标系中画1/4圆，并将位于圆弧上的点添加“删除”标记，对其影响范围多边形邻居点添加 “固定”标记。 算法原理与方法： 2 4 Step4:以平面坐标系中权重属性值点之间的最小平面距离为增量，更新半径值，以原点为圆心在坐标系内做1/4同心圆，将其圆弧上及其与前一次的同心圆构成的圆环内没有任何标记的点添加删除标记，同时对其影响范围多边形邻居点添加“固定”标记。 算法原理与方法： 2 4 Step5:比较n与被标记为“删除”点的数目大小，若n值大，则返回Step4；若两值相同，则转Step6；否则，将上一轮添加“删除”标记的点去除“删除”标记，将这些点按照网络加权Voronoi多边形面积降序排序，依次对位于队列尾端的点进行判别并添加“删除”标记，并对其网络加权Voronoi多边形邻居添加“固定”标记，直至标记为“删除”的点的总个数等于n时转Step6； Step6:在原始点群中删除所有标记为“删除”的平面坐标点对应的点，剩余点群则构成综合结果，算法结束。 算法原理与方法： 2 1 选取某区域96个教育机构进行实验，其中，按照规模大小将其分为一级教育机构63个，二级教育机构33个；参与分析的道路网络由3级共4652条道路段组成，市区一级道路2217段、市区二级道路1765段、一般道路670段。原始地图比例尺为1:50K，目标比例尺为1:100K 实验与分析： 3 1 实验与分析： 3 (a)原始地图上的96个点(1:50K) 市区一级道路 市区二级道路 一级教育机构 普通道路 二级教育机构 1 实验与分析： 3 1 实验与分析： 3 分析可得如下规律：1）权重值较大的点在选取过程中被保留的概率较大（实验中一级教育机构被保留的比率为91.9%；二级教育机构被保留的概率为32.3%）； 2）位于多条道路交叉处的点被保留的概率较大（图中的点P1、P2等）；3）相关联的道路等级较高的点被保留的概率较大（图中的点P3等）。 1 实验与分析： 3 图12.基于传统加权Voronoi图的点群选取实验 2 实验与分析： 3 表1.实验中各类信息的传输程度 算法 Ds Dth（归一化后） Dtp Dm 基于传统加权Voronoi图的点群选取算法 1 0.062 1.563 1.324% 基于网络加权Voronoi图的点群选取算法 0.21 0.154 1.612 1.483% 2 （1）基于网络加权Voronoi图的选取算法，较好地保持了原始点群的各类信息，尤其是对于统计信息与专题信息的保持与传输明显优于传统算法； （2）将网络加权Voronoi多边形面积及扩展弧段总长度作为衡量点群权重的两大指标引入点群选取，充分顾及了点群重要性、相关道路网权重及道路网局部密度对点群选取结果的影响； （3）利用“同心圆”方法解决了点群删除过程中的多因子集成问题，算法思路简单，较好地解决了点群的取舍问题。 实验与分析： 3 算法利用改进PCNN模型实现了点群的网络Voronoi图构建，并在其基础上实现了点群的选取；在点的删除过程中，综合了点对应的网络加权Voronoi多边形面积及扩展弧段总长度对点的重要性的影响，在此基础上，提出了“同心圆”方法，较好地解决了两种因子影响下的点群取舍问题。综合后的点群较好地保持了原始点群的各类信息；较好地顾及了点群权重、点群分布位置及点群相关联道路属性特征，综合结果更加符合实际地理空间特征。 不足：对于辐射范围的确定仍然不是很贴合实际。 展望：结合大数据的点群辐射范围获取 总结与存在的问题 4 敬请各位老师、同学批评指正！ * * * * * * * 基于网络加权