برای ارضای بهتر نیازهای کاربر برای تجسم دقیق مقادیر انبوه داده های جغرافیایی، بیان مقیاس متغیر محتوای نقشه بر اساس سازماندهی داده های چند سطحی توجه روزافزونی را به خود جلب کرده است. روش‌های سنتی مبتنی بر داده‌های برداری معمولاً نمی‌توانند داده‌های کاشی را به شکل یک شبکه در شبکه مدیریت کنند. بنابراین، این مقاله یک روش تجسم مقیاس متغیر را برای ساختمان‌های با تراکم بالا بر اساس نقشه کاشی شطرنجی پیشنهاد می‌کند. ابتدا، ساختمان‌های روی نقشه کاشی بر اساس تقسیم‌بندی سوپرپیکسلی خوشه‌بندی طیفی خطی (LSC) برای کاهش تعداد ساختمان‌ها مشخص می‌شوند. سپس اشکال ساختمان ها با استفاده از روش مستطیل حداقل مرزی ساده می شود. در نهایت، از مدل تمرکز + چسب + زمینه (F + G + C) در مقیاس متغیر برای خروجی بصری استفاده می‌شود. داده های کاشی OpenStreetMap برای انجام آزمایش ها استفاده می شود. در مقایسه با روش‌های سنتی، روش تجسم مقیاس متغیر پیشنهادی در این مقاله، توزیع فضایی، کمیت و ویژگی‌های شکلی ساختمان‌ها را در نظر می‌گیرد، به هم ریختگی داده‌ها را کاهش می‌دهد و دارای ارزش بهتری است (متوسط ​​مقدار کمیت، مساحت و تراکم ساختمان 57 است. ٪ جلوه بصری. تجسم در مقیاس متغیر را می توان برای منابع داده های نقشه بدون ساختار اعمال کرد و به منابع داده شبکه گسترش داد تا خوانایی و تشخیص ساختمان های با تراکم بالا را بهبود بخشد. و جلوه بصری بهتری دارد (متوسط ​​مقدار ساختمان، مساحت و تراکم 57%). تجسم در مقیاس متغیر را می توان برای منابع داده های نقشه بدون ساختار اعمال کرد و به منابع داده شبکه گسترش داد تا خوانایی و تشخیص ساختمان های با تراکم بالا را بهبود بخشد. و جلوه بصری بهتری دارد (متوسط ​​مقدار ساختمان، مساحت و تراکم 57%). تجسم در مقیاس متغیر را می توان برای منابع داده های نقشه بدون ساختار اعمال کرد و به منابع داده شبکه گسترش داد تا خوانایی و تشخیص ساختمان های با تراکم بالا را بهبود بخشد.

کلید واژه ها:

تجسم متغیر ; نقشه مقیاس متغیر ; استخراج نمونه سازی معماری ; ساختمان های با تراکم بالا ؛ تقسیم بندی سوپرپیکسل LSC ; سازمان دهی سلسله مراتبی

1. مقدمه

با کاربرد گسترده فناوری شبکه های فراگیر (اینترنت اشیا، محاسبات ابری، دستگاه های تلفن همراه دستی، شبکه های حسگر و سایر فناوری ها)، مزیت ظرفیت با چگالی بالا منابع اطلاعات جغرافیایی شروع به شکل گیری کرده است [ 1 ]. تجسم یک روش مهم و ابزار مفید برای کمک به کاربران برای درک دانش پنهان و قوانین پشت داده های عظیم و حل چگونگی نمایش داده های عظیم به طور کارآمد در یک رابط نسبتا کوچک است. این یک محصول عالی اطلاعات جغرافیایی خواهد بود که انتظارات مردم را برآورده می کند.
برای حل تناقض بین تقاضای تمرکز کاربر و نمایش نقشه [ 2 ]، ما اطلاعات نمایش نقشه چند مقیاسی را در اختیار کاربران قرار می دهیم و تجسم مقیاس متغیر سازمان محتوای نقشه [ 3 ] را انجام می دهیم، به این معنی که مقیاس ها در موقعیت های مختلف نمایش داده می شوند. نسخه مشابه متفاوت است روش بیان چند مقیاسی [ 4 ] به کاهش بار اطلاعات نقشه [ 5 ] بر روی شناخت انسان کمک می کند. مشکلات زیادی وجود دارد که باید حل شوند، مانند ساده سازی [ 6 ]، جابجایی [ 7 ] و فروپاشی [ 8 ]]. در تحقیق تجسم در مقیاس متغیر، باید به الزامات و سازماندهی ساختار داده توجه کنیم. شاخص چند مقیاسی، یعنی ارتباط بین اهداف بازه مقیاس چندسطحی، بر توصیف سنتز نقشه سنتی تمرکز دارد. نباید به سادگی نتایج را ثبت کند، بلکه باید بتواند نیازهای برنامه های کاربردی بیشتری را برآورده کند [ 9 ].
در فرآیند طراحی مدل مقیاس متغیر سنتی، تحقیقات مرتبط زیادی از نظر الگوریتم‌های طراحی در مقیاس متغیر، انتخاب المان (بازسازی المان شبکه مثلثی)، محدوده قرارگیری (حفظ ویژگی‌های مکانی داده‌ها)، استانداردهای تغییر و غیره انجام شده است. [ 10 ، 11 ]. با این حال، به ساختارهای داده برداری مانند نقاط POI و جاده های ترافیکی محدود می شود [ 12 ]. فقدان تحقیق در مقیاس متغیر در مورد سطح چند ضلعی ساختمان‌ها، پردازش داده‌های کاشی و غربالگری حجم داده در فرآیند مقیاس متغیر [ 13 ] وجود دارد. برای داده های مکانی پیچیده، نحوه سازماندهی ساختاری آنها [ 9]، آن را به صورت پویا سازماندهی کنید، عناصر نقشه مربوطه را طبقه بندی کنید، و افزونگی محتوای اطلاعات را در پاسخ به مشکل بارگذاری کاهش دهید [ 14 ]. با توجه به ظرفیت بارگذاری نقشه، تصویرسازی نقشه به روشی مناسب برای ارائه اطلاعات مورد نیاز انجام می شود. برای نقشه ناوبری مورد نیاز کاربران، مناطق مرتفع در شهرهایی با ساختمان های متراکم باید تجسم شوند تا تضاد بین تقاضا و درجه بالای تجمع عوامل کاهش یابد [ 15 ]. برای انتخاب عناصر، این مقاله، بر اساس انطباق با تعمیم نقشه، از نمایش ساده عناصر نقشه استفاده می کند که توزیع ویژگی، کمیت و ساختار [ 16 ] را در نظر می گیرد، که همچنین بر اساس داده های کاشی ساختمان است.
در این مقاله، یک روش طراحی بصری در مقیاس متغیر تایپ‌سازی ساختمان‌های چند ضلعی مبتنی بر فناوری تقسیم‌بندی سوپرپیکسل LSC پیشنهاد شده‌است. ساختمان های شهری به طور جداگانه در طول پیش پردازش استخراج می شوند. سپس، سوپرپیکسل LSC برای نمونه‌سازی، کاهش تعداد ساختمان‌ها، ساده‌سازی شکل و در نهایت قرار دادن مدل مقیاس متغیر استفاده می‌شود. بنابراین هدف اصلی این مقاله به شرح زیر است:
  • روشی مبتنی بر تقسیم‌بندی سوپرپیکسل LSC برای نمونه‌سازی، کاهش عناصر اضافی نقشه، کاهش تعداد ساختمان‌ها [ 17 ] و جبران مشکل روابط کمی بین سازمان‌های سلسله مراتبی شاخص‌های فضایی چند مقیاسی در روش‌های سنتی برای در نظر گرفتن جامع نقشه کلی پیشنهاد شده است. سنتز؛
  • تغییری در وضعیت سنتی پیشنهاد شده است که در آن فقط یک منبع داده نقشه ساختار داده بردار واحد را می توان پردازش کرد و روشی برای تجسم مقیاس متغیر بر روی ساختار داده نقشه کاشی ارائه کرد.
  • با توجه به تعداد ساختمان ها، چیدمان و شکل ساختمان ها و اندازه ساختمان ها، از روش تجسم مقیاس متغیر برای مناطق ساختمانی با تراکم بالا برای بهبود شناخت کاربر از این ناحیه و خوانایی اطلاعات استفاده می شود.
سازماندهی این مقاله به شرح زیر است: بخش 2 مطالعات مربوط به بیان چند مقیاسی عناصر نقشه را معرفی می‌کند، از جمله توضیح و خلاصه وضعیت تحقیق حاضر. بخش 3 روش های خاص تجسم در مقیاس متغیر، از جمله نوع بندی، ساده سازی مورفولوژیکی، و طراحی مدل های مقیاس متغیر را توضیح می دهد. بخش 4 ارزیابی داده‌های OpenStreetMap (OSM) را مورد بحث قرار می‌دهد، منبع داده‌ها را معرفی می‌کند، نتایج تحقیقات مربوطه را تجزیه و تحلیل می‌کند، و روش‌های سنتی تحلیل را با هم مقایسه می‌کند. بخش 5 نتیجه گیری را ارائه می کند و چشم انداز مطالعات آینده را معرفی می کند.

2. کارهای مرتبط

با توسعه شهرنشینی، ساختمان هایی که در همه جای نقشه قابل مشاهده هستند، به شکل ها و چیدمان های مختلف چیده شده اند که در جستجوی کاربر برای اطلاعات هدف اختلال ایجاد می کند. تجسم خوب در مقیاس متغیر بسیار مهم است. باید به مزایا و معایب صفحه نمایش های مختلف بپردازد، که الزامات بالاتری را برای داده های نقشه بصری معرفی می کند [ 3 ]. علاوه بر این، برای بهبود طراحی نقشه چند مقیاسی، Dumont [ 18] عواملی را در طراحی محتوای نقشه و سبک هایی تعیین کرد که تا حد زیادی بر اکتشاف اطلاعات و دانش تأثیر می گذارد. از نظر بیان رسمی، باید از نمادهای نقشه ساده تر با ویژگی های تطبیقی ​​محیط نمایش استفاده کنیم. در سازماندهی محتوا، کنترل پویا چند مقیاسی برای به دست آوردن بیان محتوای نقشه با وضوح چندگانه مورد نیاز است.

2.1. فوکوس + چسب + زمینه (F + G + C)

کل منطقه مورد علاقه به تدریج بزرگ می شود و منطقه غیرعلاقه کوچک نگه داشته می شود. یاماموتو [ 19 ] مدل نقشه در مقیاس متغیر تمرکز + چسب + زمینه (F + G + C) را بر این اساس پیشنهاد کرد. با تقسیم نقشه به سه منطقه، یک منطقه انتقال مقیاس که تغییر شکل کل نقشه را جذب می کند، طراحی می شود تا تغییر شکل نقشه را کاهش دهد و از خوانایی خوب آن اطمینان حاصل کند. یان-هنریک و همکاران [ 20 ] و لی [ 21 ] بسیاری از الگوریتم های کاهش چگالی را برای رفع کاستی های این مدل پیشنهاد کردند و آنها اثر بیانی نقشه مقیاس متغیر را بهبود بخشیدند. بکر و همکاران [ 22] رابطه بین اندازه صفحه و مقیاس را مورد بحث قرار داد و یک مدل کمی برای بهبود اثر بیان نقشه ها ارائه کرد. از نظر کاربرد، AI Tinghua [ 23 ] و Gao Ping [ 24 ] روش تجسم در مقیاس متغیر را برای یک نقشه ناوبری موبایل اعمال کردند تا تأثیر نزدیکی بزرگ بسیار کوچک متمرکز بر موقعیت فعلی را درک کنند. این الزامات را برآورده می کند که کاربران بتوانند جزئیات را ببینند و نمای کلی منطقه بیان شده توسط نقشه را درک کنند. تاکاهاشی [ 25 ] مشکلاتی را که کاربران در فرآیند استفاده با آن مواجه می شوند در نظر گرفت، این مشکلات را خلاصه کرد و یک حالت عملیاتی در مقیاس متغیر انعطاف پذیر ایجاد کرد. ژائو [ 12] طراحی مقیاس متغیر را در سطح داده های شبکه اعمال کرد و زمینه کاربرد را گسترش داد.

2.2. روش‌های مبتنی بر POI و دیگر ساختارهای داده برداری

اکثر مطالعات در مقیاس متغیر، تغییر شکل نقشه را با تغییر مستقیم مقیاس و هدف قرار دادن داده‌های برداری، از جمله مسیرهای ترافیک و نقاط POI مربوطه، تغییر می‌دهند. ژائو [ 12 ] نتایج تجسم در مقیاس متغیر POI و مسیرهای ترافیکی را طراحی کرد و از تغییر شکل یک شبکه مثلثی برای پیوند ساختار فضایی داده در تغییر مقیاس استفاده کرد. نمودار Voronoi و نمودار دوگانه آن Delaunay برای ساخت مدل سلسله مراتبی عناصر به کار گرفته شد. شکل 1 a نقشه اصلی است که در آن عناصر نقشه اطلاعات نقطه POI بیمارستان و مسیر تردد مکان تغییر یافته است. برای قسمتی با تراکم POI بالا در مرکز (در چارچوب خط چین قرمز)، یک مقیاس بزرگ طراحی شده و یک نقشه اثر مقیاس متغیر به دست می‌آید.شکل 1 ب). با مقایسه شکل 1 a و شکل 1 b، عناصر POI در قاب خط قرمز قرمز نشان می دهد که مقیاس آنها بزرگ شده است، که می تواند اطلاعات مربوطه را با جزئیات بیشتر نشان دهد. با این حال، آنها همان کاستی های قاب سبز را دارند. پدیده پوشش [ 8 ] از عناصر آنها حل نشده است، مشکل سنتز نقشه [ 9 ] در نظر گرفته نشده است، فرآیند تغییر تدریجی [ 10 ] بین داده ها مطالعه نشده است، و انتخاب حجم داده ها مورد بررسی قرار نگرفته است. حل کرد.
از متون بالا، می‌توان دید که بسیاری از محققان از فناوری مقیاس متغیر برای توسعه نقشه‌های جدید استفاده کردند و متوجه شدند که مقیاس‌بندی متغیر می‌تواند به‌طور مناسب نیازهای متنوع کاربران را برآورده کند و عناصر نقشه را سازمان‌دهی کند [ 10 ، 11 ]. با این حال، روش طراحی در مقیاس متغیر قبلی معمولاً مبتنی بر داده‌های برداری است، مانند رودخانه‌ها، جاده‌ها، POI و سایر عناصر. کاشی های ساختمانی چند ضلعی از عناصر مهم نقشه های شهری هستند و روش تغییر مقیاس آنها به ندرت مورد مطالعه قرار گرفته است. بنابراین، این مقاله یک روش مقیاس متغیر بر اساس کاشی‌های ساختمانی چند ضلعی ارائه می‌کند و سوپرپیکسل‌های LSC را برای ساخت مناطق تایپ‌سازی و عناصر نقشه صفحه ترکیب می‌کند. یک سری از فناوری های پردازش تصویر برای دستیابی به اثرات در مقیاس متغیر استفاده می شود.

3. تجسم در مقیاس متغیر از مناطق ساختمانی چند ضلعی

فرآیند تجسم در مقیاس متغیر ساختمان‌های با تراکم بالا در مناطق مختلف شامل کاهش تعداد عناصر نقشه، ساده‌سازی شکل ساختمان‌ها و متعاقباً حفظ ویژگی‌های توزیع فضایی ساختمان‌ها بدون تغییر است. ابتدا ساختمان نمونه سازی می شود. در این مرحله، مکان تایپ‌سازی [ 26 ] با استفاده از خوشه‌بندی همسایگی مرتبه دوم سوپرپیکسلی [ 27 ] ساخته می‌شود.] و قرار دادن فیلتر میانه و انتخاب مکان و کمیت با در نظر گرفتن مشخصات توزیع عناصر انجام می شود. سپس، ساختمان بازسازی می شود. برای انتخاب مکان و کمیت از طریق مرحله تعیین موقعیت، بزرگترین منطقه را به عنوان استاندارد انتخاب در نظر می گیریم و ویژگی های هندسی عنصر را در مکان مربوطه، از جمله اندازه، شکل و جهت بازیابی می کنیم. برای ساختمان های بازسازی شده، حداکثر روش ساده سازی مستطیل قرار داده شده است [ 28]، و مستطیل ساختمان های مربوطه را منظم می کند تا شکل ساختمان ها را ساده کند. سپس بیان مقیاس متغیر انجام می شود و مدل مقیاس متغیر مربوطه یعنی فوکوس + چسب + مدل زمینه طراحی می شود. نتایج تیپ‌سازی در ناحیه پس‌زمینه زمینه و ساختمان‌های اصلی در ناحیه کانونی میانی قرار می‌گیرند. علاوه بر این، پردازش بسط برای برجسته کردن عبارت مقیاس متغیر سوار می شود.
بنابراین، در این مقاله، بیان مقیاس متغیر ساختمان ها را می توان به پنج مرحله اصلی تقسیم کرد و چارچوب فنی آن در شکل 2 نشان داده شده است . ابتدا داده ها را پیش پردازش می کنیم و با استفاده از ابزار QGIS منطقه ساختمان را استخراج می کنیم. سپس، برای نمونه‌سازی ساختمان‌ها، این مرحله شامل دو محتوای پردازشی است: مناطق نمونه‌سازی ساختمان و تغییر مکان مکان ساختمان‌ها. فیلتر میانی برای ساختن ناحیه‌های تایپ‌سازی فیلدهای باینری ساختمان‌ها استفاده می‌شود و روش‌های تقسیم‌بندی سوپرپیکسل LSC برای آنها اعمال می‌شود [ 21 ]]. مناطق تایپ‌سازی تقسیم‌بندی شده با سوپرپیکسل‌ها برای مکان‌یابی و بازسازی ساختمان‌ها استفاده می‌شوند. شکل ساختمان با استفاده از حداکثر مرز مستطیلی ساده شده است. در نهایت، از مدل انتخاب شده در مقیاس متغیر برای تجسم استفاده می‌کنیم، به نمایش تضاد ساختمان‌ها در مرز توجه می‌کنیم تا به تجسم مقیاس متغیر ساختمان‌های با تراکم بالا در مناطق مختلف پی ببریم و نتایج نهایی در مقیاس متغیر را به‌دست آوریم.

3.1. گروه بندی ساختمان ها در یک منطقه تایپ سازی

3.1.1. Superpixel Multi-order Neighborhood Clustering

شن و همکاران [ 27 و 28 ] ابتدا سوپرپیکسل ها را برای خوشه بندی آب ها و ساختمان ها اعمال کرد. ساختمان ها بر اساس تقسیم بندی سوپرپیکسل ها انتخاب و گروه بندی شدند. در این مقاله، ساختمان‌ها با استفاده از همسایگی مرتبه دوم سوپرپیکسل‌ها خوشه‌بندی شدند. فرمول رابطه به صورت زیر است:

Lsc-سوپرپیکسلn=Lس|Lس∈Lآ∩Lسیn،

جایی که Lsc- سوپرپیکسلnهمسایگی مرتبه n سوپرپیکسل است، Ls عنصر است سوپرپیکسلn، مجموعه La همه سوپرپیکسل های تصویر را نشان می دهد و Lسیnn سوپرپیکسل است که دو حوزه متصل از شی نقشه اصلی را به هم متصل می کند. به این معنا که ساختمان ها از طریق تقاطع دامنه های متصل، خوشه بندی و گروه بندی می شوند.

همانطور که در شکل 3 الف نشان داده شده است، اندازه کل پیکسل نقشه کاشی ساختمان اصلی 1864 × 781 پیکسل است. با استفاده از علامت جستجوی دامنه متصل در هشت جهت، تعداد دامنه های متصل ساختمان اصلی 50 است، یعنی تعداد ساختمان ها، همانطور که در شکل 3 ب نشان داده شده است. سپس، از روش تقسیم بندی سوپرپیکسل LSC استفاده می شود، که در آن اندازه دیافراگم سوپرپیکسل برای تقسیم بندی 20 است، و مناطق 3426 پیکسل برای تقسیم بندی برنامه ریزی شده است، همانطور که در شکل 3 ج نشان داده شده است. شکل 3c نتایج خوشه‌بندی همزمان چندسطحی سوپرپیکسل‌ها را نشان می‌دهد، جایی که همسایگی مرتبه دوم با رنگ سبز مشخص شده و به منطقه سوپرپیکسل دو ساختمان متصل است و علامت خاکستری سوپرپیکسلی است که مجاور تنها یک ساختمان است، یعنی یک ساختمان محله درجه یک پس از استفاده از دسته بندی مرتبه دوم سوپرپیکسل ها، ساخت گروه بندی کاشی های ساختمان اصلی تکمیل می شود، همانطور که در شکل 3 d نشان داده شده است. نتیجه، ناحیه ای است که توسط مرز آبی در شکل احاطه شده است.
3.1.2. ساخت منطقه تایپیکاسیون توسط یک فیلتر میانه
فیلتر میانه [ 29 ] اغلب برای پردازش کاهش نویز در پردازش تصویر استفاده می شود. اصل این است که پنجره همسایگی را تنظیم کرده و مقدار خاکستری را در هر پیکسل با مقدار میانه تمام مقادیر خاکستری در فیلد مجاور آن جایگزین کنید، به طوری که مقدار خاکستری پیکسل های اطراف نزدیک به مقدار واقعی باشد تا نقاط نویز جدا شده حذف شود [ 7 ] . به صورت زیر تعریف می شود:

هر پیکسل از تصویر دیجیتال به شکل یک ماتریس ذخیره شده و به صورت [i، j] ثبت می شود. تصویر اصلی نویزدار را به عنوان f(x,y) و تصویر پردازش شده توسط فیلتر میانه را به صورت g(x,y) تنظیم کنید و سپس مقادیر هر عنصر را در ماتریس a تبدیل کنید.

gایکس،y=fایکس،yمن،j∈سمیانه،

که در آن S پنجره همسایگی پیکسل های (x,y) را نشان می دهد.

همانطور که در شکل 4 نشان داده شده است ، از صفحات همسایگی با اندازه های مختلف به عنوان فیلتر میانه استفاده می شود. شکل 4 a منطقه نمونه‌سازی باینری اصلی تصویر را نشان می‌دهد، که استخراج شکل در شکل 3 است، و پنجره‌های همسایگی با اندازه‌های مختلف به عنوان فیلتر میانی در شکل 4 b–d استفاده شده‌اند. می‌توانیم ببینیم که با افزایش اندازه، مرز ناحیه تیپ‌سازی صاف‌تر می‌شود، اما ویژگی‌های شکل مرز به خوبی حفظ می‌شود.
منطقه پس از فیلتر کردن میانه در این مقاله منطقه نوع‌بندی [ 30 ] نامیده می‌شود. پس از خوشه‌بندی فیلتر میانه، منطقه نوع‌بندی با خوشه‌بندی و با استفاده از پنجره فیلتر میانه با اندازه = 29، همانطور که در شکل 5 نشان داده شده است، ساخته می‌شود . در مقایسه با دسته بندی مرتبه دوم همسایگی سوپرپیکسل ها که در شکل 3 d نشان داده شده است، مرز صاف تر است و مقداری چسبندگی پس از فیلتر میانی رخ می دهد که بر تعداد گروه ها تأثیر می گذارد.
3.1.3. قرار دادن بر اساس الگوریتم LSC
در این مرحله از الگوریتم LSC استفاده می شود و روش خوشه بندی K-means برای تولید سوپرپیکسل های فشرده و یکنواخت با هزینه محاسباتی کم که دارای پیچیدگی محاسباتی خطی و کارایی حافظه بالایی است و می تواند ویژگی های کلی تصویر را حفظ کند، اتخاذ می شود. همانطور که در شکل 6 نشان داده شده است، منطقه تایپ سازی نشان داده شده در شکل 5 به سطوح مختلف تقسیم بندی سوپرپیکسل LSC تقسیم شده است. همانطور که در شکل 6 نشان داده شده استa، b، لبه آبی نشان دهنده خط مرزی هر سوپرپیکسل تقسیم بر ناحیه تایپ سازی است، منطقه خاکستری در پایین و مرز سیاه ساختمان های کاشی اصلی هستند، و دایره قرمز داخلی نشان دهنده مرکز هر ناحیه سوپرپیکسل تقسیم شده برای مکان یابی است. جابجایی روش حداکثر مساحت در مراحل بعدی. با افزایش سطح تقسیم، تعداد ساختمان‌های اصلی موجود در هر سوپرپیکسل افزایش می‌یابد، اما ما فقط باید ساختمانی را با بیشترین مساحت در داخل هر سوپرپیکسل برای جابجایی انتخاب کنیم. از این رو، تعداد ساختمان های نمونه به طور فزاینده ای کم می شود.

3.2. جابجایی ساختمان ها

3.2.1. LSC Superpixel Division

پس از استفاده از الگوریتم تقسیم بندی سوپرپیکسل LSC، ناحیه تایپ به مناطق تقسیم می شود، همانطور که در شکل 7 نشان داده شده است. در شکل، خط مرزی هر سوپرپیکسل با رنگ قرمز مشخص شده است. ساختمان های تشکیل شده از قسمت های 1 و 2 در شکل به ترتیب در دو ناحیه سوپرپیکسلی A و B قرار دارند. چون ناحیه 1 > ناحیه 2 این ساختمان متعلق به سوپرپیکسل A است. سپس ساختمانی که در بین دو ساختمان در سوپرپیکسل A بیشترین مساحت را داشته باشد انتخاب شده و برای جابجایی به مرکز ناحیه سوپرپیکسل یعنی جابجایی بزرگترین منتقل می شود. منطقه تکمیل شده است.
3.2.2. جابجایی بر اساس حداکثر مساحت
در این مقاله، طراحی تیپ سازی ساختمان ها از روش حداکثر مساحت برای جابجایی ساختمان استفاده می کند. همانطور که در شکل 5 نشان داده شده است ، مرکز را در داخل ناحیه سوپرپیکسل از طریق خوشه بندی نواحی تایپ سازی به دست می آوریم که به عنوان محل جابجایی استفاده می شود. سپس با محاسبه مساحت هر ساختمان در داخل هر شکل سوپرپیکسل، max_area به عنوان ساختمان بازسازی شده در مرکز انتخاب می شود. شکل 8نمونه ای از روش جابجایی حداکثر مساحت دو سطح را نشان می دهد، که در آن خط مرز آبی ساختمان بازسازی شده است و خاکستری در پایین نشان دهنده کاشی های اصلی ساختمان است. ساختمان‌هایی که برای جابجایی انتخاب شده‌اند آنهایی هستند که بیشترین مساحت را در اصل دارند. علاوه بر این، تعداد گروه‌های تقسیم‌بندی منطقه نمونه‌سازی بر سطح پراکنده پس از جابجایی و ساختمان‌هایی که باید بازسازی شوند تأثیر می‌گذارد.

3.3. ساده سازی ساختمان ها

اگرچه تعداد ساختمان‌ها کاهش می‌یابد، اما برای مجازی‌سازی تأثیر بصری ساختمان‌های نمونه‌سازی شده، باید شکل ساختمان‌ها را ساده کرد. Wood، J [ 31 ] پیشنهاد کرد که ساختمان‌ها را در یک سیستم مختصات مستطیلی مسطح قرار دهیم، مماس‌ها را برای انتقال و چرخش تنظیم کنیم، خطوط گیره موازی به‌دست آوریم، و سپس از مماس‌های عمودی برای به دست آوردن حداقل مستطیل مرزی با شکل نامنظم استفاده کنیم. در این مقاله، مقدار 0-1 تصویر باینری برای یافتن کانتور بیرونی متناظر تصویر، یعنی دامنه متصل هر شکل، همانطور که در شکل 9 نشان داده شده است، استفاده می شود.. مرز آبی نشان دهنده مرز گرافیکی است که پیدا می کند و سپس مختصات مرزی در ماتریس های X [i] و Y [i] گنجانده می شود تا بدنه محدب به سمت بیرون گسترش یابد. با مقایسه دو پارامتر حداقل مساحت و حداقل محیط، شکل ساده سازی شده در ربع اول قرار می گیرد و چهار نقطه گوشه شکل مستطیل در جهت عقربه های ساعت می چرخند. سپس، کانتور بیرونی برای به دست آوردن حداقل مستطیل مرزی نصب می شود.
شکل ساختمان ساده شده در شکل 10 نشان داده شده است . همانطور که در شکل 10 نشان داده شده است، شکل کاشی زیرین ساختمان ساده شده کوچکترین است . از طریق ساده‌سازی مرز ساختمان، برخی از اشکال پیچیده نامنظم حذف می‌شوند، که می‌تواند تاثیر تمرکز چشم انسان در پس‌زمینه را در آزمایش ترکیبی بعدی به طور موثر مجازی کند، و برخی نویزهای کوچک را می‌توان همزمان حذف کرد، که یک اثر خوب برای ترکیب بعدی در مقیاس متغیر.

3.4. تجسم ساختمانها در مقیاس متغیر

3.4.1. طراحی مدل در مقیاس متغیر

پس از کاهش تعداد ساختمان‌ها و ساده‌سازی فرم، لازم است منطقه نقشه با مقیاس متغیر تجسم شود. مدل پیشنهادی تمرکز + چسب + مقیاس متغیر زمینه در شکل 11 ب نشان داده شده است. ناحیه فوکوس میانی دارای مقیاس بزرگی است، ناحیه نقشه پایین دارای مقیاس کوچکی است و ناحیه انتقال میانی تغییر شکل هر دو را جذب می کند. منحنی تغییر مقیاس در شکل 11 نشان داده شده استد این قانون تغییر شکل مقیاس مدل F + G + C را نشان می دهد. با کاهش فاصله از نقطه مرکزی، مقیاس در ناحیه بافت قرار می گیرد، وحدت کوچک است، ناحیه انتقال افزایش می یابد و به اوج تغییر شکل می رسد، یعنی مقیاس حداکثر می شود و متعاقباً به آرامی کاهش می یابد و به یکپارچه منتقل می شود. مقیاس بزرگ در ناحیه فوکوس همانطور که در شکل 11 ج نشان داده شده است، مناطق فوکوس چند هسته ای و مدل های مقیاس متغیر مناطق فوکوس با اشکال مختلف نیز می توانند برای نمایش تطبیقی ​​طراحی شوند [ 32 ، 33 ].
3.4.2. شاخص فضایی چند مقیاسی

برای فرمول‌بندی تعداد ساختمان‌ها در مناطق مختلف، اندازه‌های مقیاس متغیر انتخاب می‌شوند و کنترل تسهیل می‌شود. در محیط دیجیتال فعلی، مدل ریاضی ریشه مربع [ 34 ] اتخاذ شده است و روش محاسبه به شرح زیر است:

نب=نآمآ/مب،

جایی که نبتعداد ویژگی‌های موجود در سرزمین تازه گردآوری شده است، نآتعداد ویژگی های موجود در زمین اصلی است، مبمخرج مقیاس نقشه جدید تدوین شده است و مآمخرج مقیاس نقشه اصلی است.

با توجه به کاهش تعداد ساختمان ها، تغییر مقیاس را هماهنگ کرده و با مدل مقیاس متغیر فوق ترکیب می کنیم. ناحیه فوکوس مقیاس بزرگی دارد، ساختمان‌های زیادی وجود دارد و ناحیه پس‌زمینه مقیاس کوچکی دارد، یعنی تعداد ساختمان‌ها پس از تایپ‌سازی کاهش می‌یابد.
3.4.3. حذف تضادها
پس از انتخاب مدل F + G + C در طراحی، همراه با نتایج تایپ‌سازی، تصویرسازی در مقیاس متغیر نقشه کاشی را می‌توان انجام داد. نتایج تیپ‌سازی در ناحیه بافت قرار می‌گیرد، ساختمان‌های اصلی در ناحیه تمرکز قرار می‌گیرند، و درمان گسترش روی هم قرار می‌گیرد. باید به رفتار ساختمان‌های داخل مرز توجه کرد، که به راحتی باعث برش ساختمان‌ها می‌شود، یعنی در جایی که یک ساختمان در دو منطقه متفاوت است [ 35 ، 36 ]. برای حل این مشکل باید حرکت ساختمان ها را در مرز طراحی کنیم یا عملیات حذف را انتخاب کنیم.
حذف تعارض شامل سه فرآیند است: مبادله، جابجایی و جابجایی. ابتدا، برای انتخاب حذف در مرز ناحیه تمرکز، از استراتژی بر اساس بزرگترین منطقه استفاده می کنیم. همانطور که در شکل 12 نشان داده شده است، دو ساختمانی که با a و b در خط نقطه چین مستطیلی مشکی مشخص شده اند، توسط ناحیه فوکوس به دو قسمت تقسیم می شوند. از آنجایی که a2، یعنی مساحت قسمت در ناحیه فوکوس، کمتر از a1 است، یعنی مساحت ناحیه انتقال، ساختمان 1 حذف شده است و ناحیه فوکوس در این ساختمان قرار نمی گیرد. به همین ترتیب، از آنجایی که مساحت b2 (در ناحیه تمرکز) بزرگتر از b1 است (در ناحیه انتقال)، ساختمان 2 نگه داشته و جابجا می شود. مرکز جرم ساختمان، نقطه صورتی در نقشه و مرکز ناحیه فوکوس، یعنی مرکز c، مطابق شکل 12 قرار دارند.. خط اتصال بین این دو جهت حرکت ساختمان است. در نهایت، در مرحله جابجایی ساختمان در این خط، باید موقعیت جابجایی را به صورت متقاطع تشخیص دهیم، یعنی اینکه آیا ساختمان توسط مرز ناحیه کانونی پوشیده شده است یا خیر. تشخیص غده در ادامه تعریف می شود.
در فرآیند جابجایی، هر نقطه P (x,y) در مرز ساختمان به دست می آید. همانطور که در شکل 12 نشان داده شده است ، معادله منطقه کانونی مرکزی است ایکس-جایکس2+ ایکس-جy2= آر2و فاصله نقطه تا مرکز دایره d = است ایکس-جایکس2+y-جy2. با قضاوت در مورد فاصله d و شعاع R و تشخیص اینکه آیا نقاط مرزی ساختمان در دایره ناحیه کانونی قرار دارند یا خیر، می توان حرکت و جابجایی ساختمان را تکمیل کرد. بر اساس این روش، غده مرزی ساختمان در مرز حذف می شود تا طرح نهایی تکمیل شود. از آنجایی که هدف مقیاس متغیر تمرکز بهتر افراد بر روی ناحیه فوکوس و کاهش تداخل سایر عناصر نقشه است که مورد علاقه کاربران نیستند، طراحی تضاد و تضاد فقط برای ساختمان هایی است که مستقیماً بین منطقه انتقال و محدوده منطقه تمرکز ترکیب با نتایج ساده سازی و تیپ سازی شکل ساختمان فوق و با در نظر گرفتن تصحیح روابط توپولوژیکی در فرآیند گسترش ساختمان و مقیاس متغیر در ناحیه کانونی،بخش 4 برای جزئیات).

4. آزمایش ها و ارزیابی ها

4.1. داده های تجربی

برای ارزیابی روش تجسم مقیاس متغیر F + G + C بر اساس سوپرپیکسل ها در این مقاله، مجموعه داده ساختمان کاشی سانفرانسیسکو از OpenStreetMap دانلود شد و طرح ساختمان با پیش پردازش QGIS استخراج شد. نقشه کاشی داده نهایی نهایی در شکل 13 نشان داده شده است . محدوده مختصات خام داده ها است 20944≤ایکس ≤20946 و 50,670≤y≤50,672سطح 17 OSM ( برای جزئیات به پیوست A مراجعه کنید).
در این محدوده داده، اندازه کل 2848 × 2069 پیکسل است و در مجموع 1599 ساختمان در این مجموعه داده چیده شده است که 16.40٪ از کل مساحت کل نقشه کاشی را تشکیل می دهد. طرح ساختمان در شکل عمدتاً یک نوار و شبکه است که اساس تجسم مقیاس متغیر تطبیقی ​​تمرکزهای چند هسته ای بعدی و شکل های مختلف است.

4.2. نتایج تحقیق و تحلیل

4.2.1. تجسم ساختمانها در مقیاس متغیر

نتایج تجسم با روش مقیاس متغیر نقشه کاشی تولید می شود. پارامترهای مربوطه در فرآیند مقیاس متغیر در این آزمایش در جدول 1 نشان داده شده است. معانی این پارامترها به شرح زیر است: S LSC اندازه سوپرپیکسل بر اساس روش خوشه بندی تقسیم بندی سوپرپیکسل LSC است. S m محدوده پنجره همسایگی است که برای ساخت فیلتر میانه استفاده می شود. R G-C شعاع دایره بزرگ از نقشه پس زمینه تا ناحیه انتقال است. R F-Gبعد شعاع دایره کوچک از ناحیه انتقال به ناحیه کانونی است. Lsc_num تعداد اشکال تقسیم‌بندی شده نقشه کاشی اصلی با استفاده از روش تقسیم‌بندی سوپرپیکسل LSC است. T_num تعداد اشکال تقسیم‌بندی شده یک منطقه تایپ‌سازی با استفاده از روش تقسیم‌بندی سوپرپیکسل LSC است. B_num تعداد ساختمان ها پس از تایپ سازی است. A_T_O نسبت مساحت کل ساختمان ها پس از تایپ سازی به کل نقشه است. A_T_E نسبت مساحت کل ساختمان ها پس از اعمال روش مقیاس متغیر یعنی عملیات بسط به کل نقشه است.
شکل 14 نتایج حاصل از استفاده از استراتژی تجسم مقیاس متغیر را نشان می دهد. چند ضلعی خاکستری در ناحیه زمینه یک ساختمان نمونه است. در عین حال، شکل برای دستیابی به اثر پس زمینه مجازی ساده شده است. دایره قرمز ناحیه ای است که مقیاس تغییر می کند، جایی که ناحیه چسب از دایره بزرگ خط نقطه قرمز به دایره کوچک خط جامد است که تغییر شکل ناشی از تغییر مقیاس را جذب می کند. دایره کوچک ناحیه کانونی است که ساختمان اصلی یعنی شکل زرد در آن قرار گرفته است. طراحی ترازو از طریق گسترش برای دستیابی به عملکرد فوکوس بزرگ می شود.
همانطور که در شکل 14 a-c نشان داده شده است، پس از استفاده از روش نوع‌بندی خوشه‌بندی روش تقسیم‌بندی سوپرپیکسل LSC، ویژگی‌های توزیع ساختمان‌ها تغییر چندانی نکرد. روش تقسیم بندی سوپرپیکسل LSC با اندازه سوپرپیکسل و دیافراگم 10 برای سطوح مختلف تایپ سازی در این آزمایش استفاده شد. میانه پنجره محله فیلتر 29 و تعداد سوپرپیکسل های اصلی ساختمان 43250 بود. تعداد سوپرپیکسل‌ها در طراحی تایپ‌سازی به صورت T_num در جدول 1 نشان داده شده است که با عدد ثبت شده است. تایپ سازی در حدود انجام شد 18، 116، و 164، در نتیجه تعداد ساختمان های بازسازی شده پس از تایپ سازی تقریباً می باشد 12، 14، و 18از تعداد ساختمان های اصلی بنابراین، شکل 14 الف نشان می دهد که ساختمانی با مساحت بزرگتر بین دو ساختمان برای بازسازی انتخاب شده است، شکل 14 ب نشان می دهد که ساختمانی که بیشترین مساحت را در بین چهار ساختمان دارد برای بازسازی انتخاب شده است، و شکل 14 ج نشان می دهد که ساختمانی با بزرگترین منطقه از بین هشت ساختمان برای بازسازی انتخاب شده است. مقیاس منطقه تمرکز 1:5000 است. مقیاس نقشه پایین در شکل نشان داده شده و با تغییر مقیاس به تصویر کشیده شده است.
با توجه به مطالعه نسبت مساحت A_T_O و A_T_E که در جدول 1 نشان داده شده است ، تعداد ساختمان ها با نوع بندی از طریق عملیات مقیاس متغیر پس از تیپ سازی، یعنی عملیات گسترش، کاهش می یابد. سپس، ∑اسهمچنین کاهش می یابد، اما مقیاس برای برجسته کردن نسبت کلی ناحیه فوکوس و تغییر تمرکز نقشه اصلی به ناحیه فوکوس تغییر می کند. کاربران همیشه به قسمت های خاصی از نقشه علاقه مند هستند. بنابراین، استراتژی تجسم در مقیاس متغیر برای تمرکز بر نیازهای کاربر، طراحی تمرکز کل نقشه و برجسته کردن آن در نظر گرفته شده است.
4.2.2. تجسم مقیاس متغیر تطبیقی
در نقشه اصلی کاشی ساختمان نشان داده شده در شکل 13 ، طرح ساختمان ها را می توان به نوع نواری و قالب شبکه ای تقسیم کرد. برای این منظور، مدل های چند هسته ای در مقیاس متغیر با اشکال مختلف برای نمایش بصری طراحی شده است. همانطور که در شکل 15 نشان داده شده است، یک مدل در مقیاس متغیر مستطیلی برای یک شبکه با آرایش منظم طراحی شده است، و یک مدل در مقیاس متغیر دایره ای برای نمایش نوار استفاده می شود .. با استفاده از طرح ساختمان در نقشه کاشی ساختمان اصلی برای طراحی مدل مقیاس متغیر مربوطه، حجم نسبتاً پیچیده و بزرگ داده ها ساده شده و افزونگی داده ها کاهش می یابد. علاوه بر این، همراه با مدل مقیاس متغیر مناسب، داده‌های نقشه به صورت بصری نمایش داده می‌شوند تا از سلسله مراتب واضح و محتوای واضح داده‌های نقشه اطمینان حاصل شود و اهمیت خود انطباق را می‌توان مشاهده کرد.
4.2.3. تصحیح روابط توپولوژیکی
پس از تیپ سازی ساختمان، با توجه به هدف خوانایی، ساده سازی حداقل مستطیل خارجی برای شکل آن طراحی شده است. همانطور که در شکل 16 نشان داده شده است، گسترش بدنه محدب ساختمان ممکن است منجر به خطاهای توپولوژی مربوط به پوشش و همپوشانی ساختمان شود .آ. همانطور که در شکل نشان داده شده است، در لبه های دو ساختمان در بیضی قرمز، پدیده های درپوش وجود دارد. دلیل آن این است که ساختمان ها خیلی نزدیک هستند، یعنی مشکل موقعیت یابی در فرآیند تیپ سازی منجر به تشکیل کوچکترین مستطیل خارجی و در نتیجه یک غده می شود. بنابراین، حفظ ساختمان واحد اصلی، حفظ رابطه توپولوژیکی آن و اصلاح رابطه توپولوژیکی قسمت همپوشانی در بیضی بسیار مهم است. از آنجایی که دلیل آن مشکل موقعیت‌یابی مرکزی سوپرپیکسلی است که در ناحیه تایپ‌سازی قرار می‌گیرد، می‌تواند مهم باشد که فیلتر میانه [ 29 ] را به طور جداگانه انجام دهیم تا یک منطقه تایپ‌سازی جداگانه ایجاد شود و سپس پردازش تایپ‌سازی برای تغییر مکان تغییر مکان ساختمان انجام شود. نتایج تصحیح در نشان داده شده استشکل 16 ب.
4.2.4. انتخاب و ارزیابی پارامتر
دیافراگم سوپرپیکسل مورد استفاده در خوشه بندی تقسیم بندی سوپرپیکسل LSC 10 است، همانطور که در S LSC در جدول 1 نشان داده شده است. آزمایش‌ها نشان داده‌اند که تغییر در اندازه دیافراگم تأثیر زیادی بر انتخاب نوع‌بندی نمی‌گذارد، اما ممکن است محدوده استقرار منطقه نمونه‌سازی آن را تغییر دهد، که مکان جابجایی بعدی ساختمان‌ها را تغییر می‌دهد. در شکل 17 ، چیدمان کل ساختمان خیلی متفاوت نیست. علاوه بر این، تأیید نشان می‌دهد که هنگام استفاده از S LSC = 20 برای خوشه‌بندی تقسیم‌بندی سوپرپیکسل LSC در همان سطح، تعداد ساختمان‌ها پس از تایپ‌سازی 709 است که با مقدار 799 B_num در جدول 1 فاصله چندانی ندارد.. اگرچه تفاوت‌هایی بین ساختمان‌های موجود در کادر مستطیلی آبی شکل در شکل وجود دارد، دلیل آن ممکن است این باشد که اندازه حفره‌های مورد استفاده در خوشه‌بندی منجر به تقسیم‌بندی متفاوت مناطق نمونه‌سازی می‌شود و در نتیجه تفاوت بین ساختمان‌های انتخاب شده در حین جابجایی و جابجایی ایجاد می‌شود. محل. با این حال، اثر تجسم مقیاس متغیر کلی آن تغییر چندانی نکرد.
سپس برای طراحی اندازه همسایگی پنجره فیلتر میانی در ساخت مناطق تیپ‌سازی (به S m در جدول 1 مراجعه کنید )، اندازه استفاده شده در این زمان 29 است که اثرات هموارسازی و ساده‌سازی خوبی را به دست می‌آورد و می‌تواند به دقت موارد مربوطه را حفظ کند. ویژگی های مرز انتخاب دستی اندازه در فرآیند عملیات بسیار زمان بر است. ممکن است برای انتخاب هوشمندانه اندازه پارامترها و دستیابی به نتایج تجربی بهتر، تحقیقات بیشتری مورد نیاز باشد.
سپس، برای تقسیم‌بندی سوپرپیکسل LSC و قرار دادن ناحیه تایپ‌سازی، تعداد اشکال سوپرپیکسلی طراحی‌شده در T_num در جدول 1 نشان داده شده است . این مقاله بر اساس نسبت سوپرپیکسل‌ها تقسیم می‌شود و در نتیجه نسبت تعداد ساختمان‌های مشخص شده نسبت به تعداد ساختمان‌های اصلی به دست می‌آید. تجسم سلسله مراتبی از طریق یک رابطه نسبت معین انجام می شود که به افراد حس لایه های پیشرونده را می دهد. علاوه بر این، می‌توانیم نسبت تایپ‌سازی را انتخاب کرده و نقشه مقیاس متغیر مربوطه را ترسیم کنیم.
علاوه بر این، برای ایجاد مدل مقیاس متغیر در این مقاله، اندازه و شعاع مدل در R G-C و R F-G در جدول 1 نشان داده شده است. در این آزمایش، اندازه کل نقشه کاشی و شعاع طراحی شده با عملیات مرزی ترکیب می شود تا محدوده معقولی از ناحیه کانونی را برنامه ریزی کند. بنابراین، لازم است موقعیت مربوطه را به صورت دستی برنامه ریزی کنید و منطقه فوکوس را می توان بعداً جابجا کرد. همراه با فناوری تجسم مربوطه، پس‌زمینه محدوده انتخاب‌شده را برای تجسم در مقیاس متغیر بارگیری می‌کند، که به یک نقشه ثابت محدود نمی‌شود.

4.3. مقایسه با روش های سنتی

اکثر نقشه های الکترونیکی را می توان پیمایش کرد، بزرگ کرد (بزرگنمایی کرد) و کوچک کرد (کوچک کرد). هنگام مرور نقشه، کاربران می توانند نمای مورد نظر را اسکرول کرده و بزرگ کنند [ 37 ]. همانطور که در شکل 18 ج نشان داده شده است، در دایره سبز رنگ در وسط، افراد می توانند از عملیات رومینگ نقشه (موش اسکرول) برای بررسی مکرر عقب و جلو استفاده کنند که به راحتی می تواند حواس کاربران را پرت کند. هنگام بزرگنمایی و بارگذاری نقشه، کاربران باید داده ها را در پس زمینه بازیابی کنند، که به سرعت شبکه و زمان بارگذاری مشخصی نیاز دارد. بر این اساس، نقشه بایدو، لایه باز و سایر نقشه های شبکه مربوطه موجود در بازار فعلی با استفاده از روش چشم عقاب برای بزرگنمایی محلی برخی مناطق طراحی شده است. همانطور که در شکل 18 نشان داده شده استب، کاربران می توانند نقشه را در قاب چشم عقاب حرکت دهند تا نمایش موقعیت کل نقشه را کنترل کنند و موقعیت نسبی تصویر کوچک در مقیاس بزرگ در چشم عقاب را در نقشه کلی بدست آورند. با این حال، برای یک نقشه در مقیاس بزرگ، تصویر کوچک چشم عقاب با حاشیه کوچک یک مصالحه است. برای یک صفحه نمایش بزرگ مقیاس بزرگ، محدوده نمایش چشم عقاب باید از طریق حرکت ماوس تغییر کند تا نیازهای کاربران را برآورده کند. نمایش نقشه بصری در مقیاس متغیر که در این مقاله طراحی شده است، همانطور که در شکل 18 نشان داده شده استالف، نمی تواند نیازهای مختلف کاربران را برای یک مقیاس برآورده کند. با این حال، می‌تواند عناصر نمایشگر را برای برآورده کردن نیازهای کاربران بدون تغییر طرح کلی عناصر اصلی نقشه بزرگ کند، رابطه محلی و کلی را هماهنگ کند و تضاد بین نیازهای کاربران و عناصر پیچیده نقشه را برطرف کند.
برای انعکاس بهتر مزایای ساختمان‌های مبتنی بر سوپرپیکسل LSC پیشنهادی در این مطالعه نسبت به تجسم سنتی، چندین بخش تایپ‌سازی در شکل 18 انتخاب شده‌اند ، یعنی حاشیه‌های سیاه و بنفش، که تا حدی در شکل 19 برای تحلیل مقایسه‌ای ادغام شده‌اند. ابتدا، برای قسمت هایی که توسط یک قاب سیاه احاطه شده اند، شکل 19 a در ناحیه فوکوس قرار دارد و با ناحیه انتقال اطراف، شکل طرح ساختمان به خوبی حفظ شده و تداوم خوبی دارد. در شکل 19 ب، ناحیه 1 در چشم عقابی آن بزرگ شده است (حاشیه آبی در شکل 18ب) و تنها بخش کوچکی از محتوای اندازه ثابت چشم عقاب قابل نمایش است. به عبارت دیگر، در منطقه 2، حاشیه آن باید در تصویر اصلی و تصویر چشم عقاب مقایسه و شناسایی شود که کاربر را ملزم به اسکن و جابجایی به جلو و عقب می‌کند. در شکل 19 ج، محتوای انتخاب در مقیاس بزرگنمایی سبز در شکل 18 ج است، و تنها ساختمان‌های داخل مرز بزرگ‌نمایی شده‌اند که باعث می‌شود زنجیره در مرز خود پاره شود. سپس، حاشیه بنفش آن قسمت را احاطه کرده است. در شکل 19 الف، در ناحیه انتقال و ناحیه پس زمینه قرار دارد. ما می توانیم تغییر در مقیاس را ببینیم. چیدمان ساختمان به خوبی به هم متصل است و توزیع فضایی عناصر را حفظ می کند. در شکل 19ب، برای قسمت بنفش چون چشم عقابی این قسمت از ساختمان را انتخاب نکرده، اثر تغییری ندارد. در نهایت، در شکل 19 ج، به دلیل انتخاب مرز تغییر مقیاس، برخی از ساختمان ها از ناحیه اصلی 1 بزرگ شده اند. انتقال به منطقه 2 باعث اختلال در چیدمان ساختمان و دررفتگی موقعیت مکانی می شود که کار را دشوار می کند. برای شناسایی اطلاعات کاربر
مدل‌های مقیاس متغیر F + G + C بر اساس سوپرپیکسل و دو روش سنتی، تعداد، مساحت و تراکم ساختمان‌ها را در مناطق نمایشی مختلف ارزیابی می‌کنند. همانطور که در جدول 2 نشان داده شده است ، تعداد ساختمان ها از طریق دامنه متصل محاسبه می شود، واحد مساحت پیکسل است و تراکم ساختمان نسبت کل مساحت پایه ساختمان به مساحت زمین اشغال شده است. سپس درصد کاهش ساختمان های درهم ریخته در تصاویر اصلی در مقایسه با روش های مختلف محاسبه می شود. با تجزیه و تحلیل جدول 2 ، به نتایج زیر می رسیم:
  • با نمایش زیر منطقه ای، ساختمان ها در ناحیه کانونی، ساختمان ها در چشم عقاب، و ساختمان ها در نمای بزرگ شده بزرگ می شوند و تعداد کل، مساحت و تراکم آنها کمتر از اصلی است که می تواند داده های اضافی را کاهش دهد.
  • روش F + G + C بر اساس سوپرپیکسل ها از نمایش پارتیشن استفاده می کند و درصد کاهش در هر پارامتر در هر ناحیه نسبتاً متعادل است. در مقایسه با ناحیه چشم عقاب، که فقط محدوده کمی برای بزرگ کردن ساختمان دارد، تغییر ناگهانی و شدید است.
  • در مقایسه با روش بزرگنمایی و نمایش بر اساس رومینگ نقشه، درصد کاهش نسبتا کم است، به خصوص در قسمت تراکم ساختمان که نقشی در رفع مشکل حجم داده های پیچیده ندارد.
  • به عبارت دیگر، با استفاده از F + G + C بر اساس سوپرپیکسل ها برای تجسم، تعداد، مساحت و تراکم ساختمان ها 70٪، 78٪ و 24٪ (میانگین سه منطقه) کاهش می یابد، که ساده تر می شود. داده های عظیم ساختمان با در نظر گرفتن تمام پارامترها، حجم داده ها 57 درصد کاهش می یابد و جلوه های بصری بهتری به دست می آید.

4.4. همپوشانی با داده های OSM اصلی

پس از استفاده از روش تجسم مقیاس متغیر، نتایج به رابط نقشه OpenStreetMap بازیابی می شوند، همانطور که در شکل 20 در مقایسه با نقشه پایه ساختمان اصلی در شکل 13 نشان داده شده است.در داده های تجربی؛ تعداد ساختمان های خاکستری در اطراف خط نقطه قرمز، یعنی ناحیه بافت، کاهش یافته و شکل آن ساده شده است. ناحیه انتقال مقیاس چسب از خط نقطه چین به خط ثابت می تواند مقیاس و تغییرات کلی رابط را باریک کند و همچنین تغییر شکل را جذب کند. ساختمان زرد در خط جامد قرمز، ساختمان اصلی است که با گسترش و بزرگ کردن مقیاس برای افزایش تمرکز کاربران نمایش داده می شود. برای یک صفحه نمایش با اندازه محدود، این روش می تواند نیازهای نمایش کاربران را برای عناصر مختلف نقشه بهبود بخشد، عناصر متفرقه را حذف کند و نمایش بصری را تغییر دهد.

5. نتیجه گیری ها

در ساخت و ساز شهرنشینی، برای به حداکثر رساندن سود استفاده در زمین های محدود، جاده ها باریک و متراکم هستند و طرح ساختمان ها متراکم تر و متمرکز تر است. برای نقشه سنتی تک مقیاسی، دستیابی دقیق اطلاعات داده های مورد نیاز برای کاربران دشوار است. به همین دلیل، پیامدهای اصلی این مقاله استفاده از روش تجسم مقیاس متغیر F + G + C بر اساس نوع‌سازی سوپرپیکسلی برای غنی‌سازی این نقص است که روش‌های سنتی به منابع داده نقشه برداری محدود می‌شوند و نمی‌توانند ساختارهای داده کاشی را پردازش کنند. ساختمان ها از طریق سوپرپیکسل های LSC، تعداد ساختمان ها را بر اساس بازسازی حداکثر مساحت کاهش می دهند و حداقل مستطیل مرزی را در شکل ساختمان ها ساده می کنند. سپس از مدل F + G + C برای تغییر مقیاس استفاده می شود. طرح کلی ساختمان را حفظ کنید، خوانایی خواننده و تشخیص اطلاعات داده ها را در نظر بگیرید و تعداد، مساحت و تراکم ساختمان ها را به طور جامع در نظر بگیرید. کاهش داده های اضافی تقریباً 57٪ است (متوسط ​​مقدار کمیت ساختمان، مساحت و تراکم). برای ارزیابی این روش از داده های به دست آمده از OSM استفاده شد و نتایج زیر از این مطالعه به دست آمد.
تقسیم بندی و خوشه بندی سوپرپیکسل LSC زمانی استفاده می شود که روش سنتی نتواند منبع داده شبکه را مدیریت کند. با حفظ چیدمان ساختمان‌ها و در نظر گرفتن ترکیب نقشه، تعداد ساختمان‌ها کاهش می‌یابد، شکل ساختمان‌ها ساده می‌شود و افزونگی داده‌ها کاهش می‌یابد. سپس، یک مدل مقیاس متغیر برای بهبود کارایی اکتساب اطلاعات کاربر و دید نقشه ها طراحی شده است.
1. روش پردازش سوپرپیکسل LSC می تواند ویژگی های توزیع ساختمان های اصلی را حفظ کند، تعداد ساختمان ها را کاهش دهد و به طور موثر ساختمان ها را در ساختار داده کاشی شبکه ای نهایی و ساده کند.
2. با استفاده از روش مقیاس متغیر F + G + C، افزونگی داده ها در مورد یک مقیاس تغییر می کند، اما نقشه پایه اصلی حفظ می شود تا کاربر با اشاره به رابطه جغرافیایی مربوطه، حفظ شود. ساختار کلی موقعیت مکانی، شناسایی کاربر را تسهیل می کند و قابلیت عمل را بهبود می بخشد. این یک روش تجسم نقشه ساده و علمی است.
روش نسبت متغیر پیشنهادی دارای معایبی است، مانند انتخاب دستی پارامترها، که ممکن است تصادفی و زمان بر باشد. تعداد ساختمان‌های مشخص شده به سه سطح نشان‌داده‌شده در این مقاله محدود نمی‌شود، بلکه می‌تواند با توجه به نیازهای کاربران مختلف تغییر کند. به همین ترتیب، می توان محدوده مقیاس متغیر را با توجه به نیازهای مختلف کاربران تغییر داد. در فرآیند تجسم و پردازش مرزی، مهم است که ما رابطه توپولوژیکی بین ساختمان‌ها را برای دستیابی به نمایش بهتری از اثر کلی روش مقیاس متغیر در نظر بگیریم.

منابع

  1. رابینسون، AC; دمشار، یو. مور، AB; باکلی، ا. جیانگ، بی. فیلد، ک. کراک، ام جی. Camboim, SP; Sluter، CR داده‌های بزرگ جغرافیایی و نقشه‌برداری: چالش‌ها و فرصت‌های تحقیق برای ساختن نقشه‌های مهم. بین المللی جی. جئوگر. 2017 ، 3 ، 32-60. [ Google Scholar ] [ CrossRef ]
  2. باک، پ. شفر، م. استوفل، ا. کیم، دی. Omer, I. اعوجاج تساوی چگالی مجموعه های نقاط جغرافیایی بزرگ. کارتوگر. Geogr. Inf. علمی 2009 ، 36 ، 237-250. [ Google Scholar ] [ CrossRef ]
  3. هری، ال. سارجاکوسکی، LT; Lehto, L. یک نقشه در مقیاس متغیر برای کارتوگرافی با نمایش کوچک. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2002 ، 34 ، 237-242. [ Google Scholar ]
  4. چنگ، سی. نیو، اف. کای، جی. Zhu, Y. توسعه‌های GAP-tree و اجرای آن بر اساس مدل داده‌های غیر توپولوژیکی. بین المللی جی. جئوگر. Inf. علمی 2008 ، 22 ، 657-673. [ Google Scholar ] [ CrossRef ]
  5. کیل، جی. ادلر، دی. دیکمن، اف. Kuchinke, L. معنی‌دار بودن پیکتوگرام‌های شاخص، برجستگی بصری و عملکرد تشخیص را کاهش می‌دهد. Appl. ارگون. 2019 ، 75 ، 214-220. [ Google Scholar ] [ CrossRef ]
  6. آی، تی. که، اس. یانگ، م. Li, J. تولید پاکت و ساده‌سازی چند خطوط با استفاده از مثلث‌سازی Delaunay. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 297-319. [ Google Scholar ] [ CrossRef ]
  7. هوانگ، اچ. گوا، کیو. سان، ی. لیو، ی. کاهش تضادهای ساختمان در تعمیم نقشه با الگوریتم PSO بهبود یافته. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 127. [ Google Scholar ] [ CrossRef ]
  8. Haunert، JH; Sester، M. فروپاشی منطقه و خطوط مرکزی جاده بر اساس اسکلت های مستقیم. GeoInformatica 2008 ، 12 ، 169-191. [ Google Scholar ] [ CrossRef ]
  9. Van Oosterom، P. ساختارهای داده توپولوژیکی در مقیاس متغیر مناسب برای انتقال پیشرونده داده: درخت GAP-face و جنگل لبه GAP. کارتوگر. Geogr. Inf. علمی 2005 ، 32 ، 331-346. [ Google Scholar ] [ CrossRef ]
  10. بورگاردت، دی. Cecconi، A. ساده سازی مش برای نمونه سازی ساختمان. بین المللی جی. جئوگر. Inf. علمی 2007 ، 21 ، 283-298. [ Google Scholar ] [ CrossRef ]
  11. گونگ، ایکس. Wu, F. روشی برای الگوی خطی در تعمیم ساختمان شهری. Geocarto Int. 2018 ، 33 ، 189-207. [ Google Scholar ] [ CrossRef ]
  12. ژائو، آر. آی، تی. Wen, C. روشی برای تولید نقشه‌های مقیاس متغیر برای نمایشگرهای کوچک. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 250. [ Google Scholar ] [ CrossRef ]
  13. Anders، KH سطح تولید جزئیات گروه های ساختمانی سه بعدی با تجمیع و نوع بندی. در مجموعه مقالات بیست و دومین کنفرانس بین المللی کارتوگرافی، کورونا، اسپانیا، 9 تا 16 ژوئیه 2005. [ Google Scholar ]
  14. وانگ، ال. گوا، کیو. لیو، ی. سان، ی. Wei, Z. انتخاب ساختمان متنی بر اساس الگوریتم ژنتیک در تعمیم نقشه. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 271. [ Google Scholar ] [ CrossRef ]
  15. ساندرو، اس. ماسیمو، آر. ماتئو، زی. شناسایی الگو و نمونه‌سازی خندق‌ها. در پیشرفت در نقشه برداری و علوم GIS ; Springer: برلین/هایدلبرگ، آلمان، 2011; جلد 1، ص 425-437. [ Google Scholar ]
  16. Sester, M. رویکردهای بهینه سازی برای تعمیم و انتزاع داده ها. بین المللی جی. جئوگر. Inf. علمی 2005 ، 19 ، 871-897. [ Google Scholar ] [ CrossRef ]
  17. Regnauld، N. نوع سازی ساختمان متنی در تعمیم خودکار نقشه. الگوریتمیکا 2001 ، 30 ، 312-333. [ Google Scholar ] [ CrossRef ]
  18. دومونت، ام. تویا، جی. Duchêne, C. طراحی نقشه های چند مقیاسی: درس های آموخته شده از شیوه های موجود. بین المللی جی. کارتوگر. 2020 ، 6 ، 121-151. [ Google Scholar ] [ CrossRef ]
  19. یاماموتو، دی. اوزکی، س. تاکاهاشی، N. فوکوس + چسب + زمینه: یک رویکرد چشم ماهی بهبود یافته برای خدمات نقشه وب. در مجموعه مقالات هفدهمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سیاتل، WA، ایالات متحده آمریکا، 4-6 نوامبر 2009. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2009. [ Google Scholar ]
  20. Haunert، JH; Sering، L. ترسیم شبکه های جاده ای با مناطق متمرکز. Vis. محاسبه کنید. نمودار. IEEE Trans. 2011 ، 17 ، 2555-2562. [ Google Scholar ] [ CrossRef ]
  21. لی، ز. چن، جی. تقسیم بندی سوپرپیکسل با استفاده از خوشه بندی طیفی خطی. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو، بوستون، MA، ایالات متحده آمریکا، 7 تا 12 ژوئن 2015. صص 1356–1363. [ Google Scholar ]
  22. بکر، بی. شش، HW; Widmayer, P. Spatial Priority Search: An Access Technique for Scaleless Maps. ACM 1991 ، 20 ، 128-137. [ Google Scholar ]
  23. آی، تی. لیانگ، آر. تجسم مقیاس متغیر نقشه الکترونیکی ناوبری. J. دانشگاه ووهان. 2007 ، 32 ، 127-130. [ Google Scholar ]
  24. گائو، پی. Feng, Y. تحقق تجسم چند مقیاسی نقشه الکترونیکی ناوبری. Jiangxi Surv. نقشه 2010 ، 4 ، 35-37. [ Google Scholar ]
  25. تاکاهاشی، ن. یک سیستم نقشه کشسان با عملیات مبتنی بر نقشه شناختی. در دیدگاه های بین المللی در مورد نقشه ها و اینترنت ; Springer: برلین/هایدلبرگ، آلمان، 2008; صص 73-87. [ Google Scholar ]
  26. شن، ی. آی، تی. لی، دبلیو. یانگ، م. Feng, Y. روش تجمع چند ضلعی با حفظ ویژگی های جهانی با استفاده از تقسیم بندی سوپرپیکسل. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 75 ، 117-131. [ Google Scholar ] [ CrossRef ]
  27. شن، ی. آی، تی. او، Y. یک رویکرد جدید برای ساده سازی خط بر اساس پردازش تصویر: مطالعه موردی مرزهای منطقه آب. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 41. [ Google Scholar ] [ CrossRef ]
  28. شن، ی. آی، تی. وانگ، ال. ژو، جی. رویکردی جدید برای ساده‌سازی ویژگی‌های چندضلعی و خطی با استفاده از تقسیم‌بندی سوپرپیکسلی. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 2023–2054. [ Google Scholar ] [ CrossRef ]
  29. هوانگ، تی. یانگ، جی. تانگ، جی. الگوریتم فیلترینگ میانه دو بعدی سریع. IEEE Trans. آکوست. فرآیند سیگنال گفتار 1979 ، 27 ، 13-18. [ Google Scholar ] [ CrossRef ]
  30. شن، ییل. آی، تی. لی، جی. وانگ، ال. Li, W. یک روش مبتنی بر نقشه کاشی برای نمونه‌سازی مناطق آب مصنوعی چند ضلعی با در نظر گرفتن خوانایی. محاسبه کنید. Geosci. 2020 , 143 , 104552. [ Google Scholar ] [ CrossRef ]
  31. وود، J. حداقل مستطیل مرزی. در دایره المعارف GIS ; Shekhar, S., Xiong, H., Eds. Springer: Boston, MA, USA, 2008. [ Google Scholar ] [ CrossRef ]
  32. فیربیرمن، دی. Yaylor، G. توسعه یک طرح نقشه مقیاس متغیر برای مناطق شهری. محاسبه کنید. Geosci. 1995 ، 21 ، 1053-1064. [ Google Scholar ] [ CrossRef ]
  33. Reichenbacher، T. جهان در جیب شما – به سمت یک کارتوگرافی موبایل. در مجموعه مقالات بیستمین کنفرانس بین المللی کارتوگرافی، پکن، چین، 6 تا 10 اوت 2001. [ Google Scholar ]
  34. تاپفر، اف. Pillewizer, W. اصول انتخاب، وسیله ای برای تعمیم نقشه برداری. کارتوگر. J. 1966 ، 3 ، 10-16. [ Google Scholar ] [ CrossRef ]
  35. دیوید، بی. Garth, S. فناوری نمایش قابل انعطاف برای تصویر عملیاتی مشترک . پنل فناوری سیستم های اطلاعات RTO: تورنتو، ON، کانادا، 2004. [ Google Scholar ]
  36. Srnka، E. راه حل تحلیلی تعمیم منظم در کارتوگرافی. بین المللی سالب. کارتوگر. 1970 ، 10 ، 48-62. [ Google Scholar ]
  37. هالندز، جی جی. کری، TT; متیوز، ام ال. McCann، CA ارائه یک شبکه گرافیکی: مقایسه عملکرد با استفاده از چشم ماهی و نماهای اسکرول. در مجموعه مقالات سومین کنفرانس بین المللی تعامل انسان و کامپیوتر در طراحی و استفاده از رابط های انسان و کامپیوتر و سیستم های مبتنی بر دانش ، ویرایش دوم. Elsevier Science Inc.: آمستردام، هلند، 1989; صص 313-320. در دسترس آنلاین: https://dl.acm.org/doi/abs/10.5555/92449.92489 (در 21 مه 2022 قابل دسترسی است).
Ijgi 11 00505 g001 550
شکل 1. نمایش در مقیاس متغیر بر اساس POI و جاده ها. ( الف ) نقشه POI اصلی. ( ب ) نقشه POI تجسم شده در مقیاس متغیر.
Ijgi 11 00505 g002 550
شکل 2. نمودار جریان تجسم در مقیاس متغیر منطقه ساختمان چند ضلعی.
Ijgi 11 00505 g003 550
شکل 3. دسته بندی مرتبه دوم محله با استفاده از سوپرپیکسل برای ساختمان ها. ( الف ) نقشه کاشی ساختمان های اصلی. ( ب ) نمودار مرز اتصال ساختمانها. ( ج ) نمودار محله سوپرپیکسل. ( د ) منطقه نمونه سازی ساختمان ها.
Ijgi 11 00505 g004 550
شکل 4. فیلتر میانه در مناطق تیپ سازی ساختمان ها. ( الف ) شکل اصلی. ( ب ) نتایج اندازه فیلتر میانه 9. ( ج ) نتایج اندازه فیلتر میانه 19. ( د ) نتایج اندازه فیلتر میانه 29.
Ijgi 11 00505 g005 550
شکل 5. ساخت مناطق تیپ سازی ساختمان ها با فیلتر میانه.
Ijgi 11 00505 g006 550
شکل 6. تقسیم بندی سوپرپیکسل LSC برای بخش بندی مناطق نمونه سازی ساختمان استفاده می شود. ( الف ) نتایج مسدود کردن سوپرپیکسل دیافراگم کوچک. ( ب ) نتایج مسدود کردن سوپرپیکسل دیافراگم بزرگ.
Ijgi 11 00505 g007 550
شکل 7. تقسیم مناطق تیپ سازی ساختمان ها.
Ijgi 11 00505 g008 550
شکل 8. جابجایی ساختمان ها بر اساس حداکثر مساحت. ( الف ) ساختمان‌هایی با دیافراگم کوچک سوپرپیکسلی. ( ب ) ساختمانهایی با دیافراگم بزرگ سوپرپیکسل مشخص شده است.
Ijgi 11 00505 g009 550
شکل 9. جستجوی مرزی تصویر باینری.
Ijgi 11 00505 g010 550
شکل 10. ساده سازی اشکال ساختمان.
Ijgi 11 00505 g011 550
شکل 11. مدل های مقیاس متغیر. ( الف ) طراحی پایه اصلی. ( ب ) مدل مقیاس متغیر F + G + C. ( ج ) مدل مقیاس متغیر تطبیقی. ( د ) منحنی تغییر مقیاس مدل F + G + C.
Ijgi 11 00505 g012 550
شکل 12. حذف تضادهای مرزی.
Ijgi 11 00505 g013 550
شکل 13. داده های تجربی.
Ijgi 11 00505 g014 550
شکل 14. نتایج تجسم در مقیاس متغیر چند سطحی ساختمان ها. ( الف ) نتایج در مقیاس متغیر برای ساختمان دارای سطح 1. ( ب ) نتایج در مقیاس متغیر برای ساختمان دارای سطح 2. ( ج ) نتایج در مقیاس متغیر برای ساختمان طبقه بندی شده سطح 3.
Ijgi 11 00505 g015 550
شکل 15. تجسم ساختمان ها در مقیاس متغیر تطبیقی ​​چند هسته ای.
Ijgi 11 00505 g016 550
شکل 16. توپولوژی و خوانایی را در نظر بگیرید. ( الف ) نقشه خطای توپولوژی اصلی. ( ب ) نتایج تصحیح توپولوژی.
Ijgi 11 00505 g017 550
شکل 17. مقایسه نمونه‌سازی اندازه‌های مختلف سوپرپیکسل دیافراگم LSC.
Ijgi 11 00505 g018 550
شکل 18. مقایسه با روش های سنتی. ( الف ) نتیجه نقشه مقیاس متغیر. ( ب ) نتیجه نقشه چشم عقابی. ( ج ) نتیجه نقشه رومینگ.
Ijgi 11 00505 g019 550
شکل 19. مقایسه جزئیات روش های مختلف در مقیاس متغیر در مناطق مختلف. ( الف ) منطقه مقایسه در نقشه مقیاس متغیر. ( ب ) منطقه مقایسه در نقشه چشم عقاب. ( ج ) منطقه را در نقشه رومینگ مقایسه کنید.
Ijgi 11 00505 g020 550
شکل 20. همپوشانی با داده های OSM اصلی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید