本發(fā)明涉及人工智能、地理空間場景、相似性度量等方面，屬地理信息科學(xué)領(lǐng)域。

背景技術(shù)：

在某些研究領(lǐng)域如地理信息系統(tǒng)(GIS)、圖像檢索或時空數(shù)據(jù)庫中，一組較重要的空間關(guān)系為拓?fù)潢P(guān)系。拓?fù)潢P(guān)系描述了空間場景的本質(zhì)，并保持了平移、縮放和旋轉(zhuǎn)不變性。當(dāng)前區(qū)對象的拓?fù)潢P(guān)系模型主要分為兩類，(1)針對簡單區(qū)：基于演算方法，點(diǎn)集拓?fù)洌?-交模型、衍生的9-交模型及區(qū)域連接演算(RCC-8)等；(2)針對復(fù)雜區(qū)：如RCC-8組合表，4交模型的擴(kuò)展，組合區(qū)的拓?fù)潢P(guān)系模型(TRCR)，基于演算方法的派生(CBM)及帶洞區(qū)域模型等。這些方法精確地描述了對象組合里兩個對象實體間的相互關(guān)系，并充分記錄了空間場景中的二元拓?fù)潢P(guān)系。然而當(dāng)發(fā)生復(fù)雜的邊界交互時，在純粹的拓?fù)浠A(chǔ)上，上述方法難以辨識拓?fù)涞葍r性。

技術(shù)實現(xiàn)要素：

為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于邊界交互的區(qū)組合拓?fù)湎嗨菩远攘糠椒ā?/p>

為實現(xiàn)以上發(fā)明目的，本發(fā)明提供以下技術(shù)方案：

基于邊界交互的區(qū)組合拓?fù)湎嗨菩远攘糠椒?其不同在于：其包括以下步驟：在區(qū)邊界交互的拓?fù)潢P(guān)系基礎(chǔ)上，通過分析復(fù)雜實體間的拓?fù)潢P(guān)系得到它們的邊界交互記錄，并將交互記錄轉(zhuǎn)換成為二進(jìn)制序列，從而實現(xiàn)將相似性評估轉(zhuǎn)換為序列校準(zhǔn)過程，在校準(zhǔn)過程中分成初始匹配和精確匹配兩個部分；使用C_R和C_P分別代表參照區(qū)組合和候選區(qū)組合,設(shè)參照區(qū)組合C_R和候選區(qū)組合C_P間的維數(shù)序列及細(xì)節(jié)序列相似度分別為sim_dim(C_R，C_P)和Sim_det(C_R，C_P)，維數(shù)序列和細(xì)節(jié)序列相似度的權(quán)重分別為γ和ε，則參照區(qū)組合C_R和候選區(qū)組合C_P的拓?fù)湎嗨贫葹镾im_top(C_R，C_P)＝γ×Sim_dim(C_R，C_P)+ε×Sim_det(C_R，C_P)。

進(jìn)一步的，在初始匹配步驟中，對區(qū)組合間的O標(biāo)記式進(jìn)行評估，以確認(rèn)是否需要執(zhí)行準(zhǔn)確匹配步驟，若在該步驟中發(fā)現(xiàn)兩個區(qū)組合極不相似，則不需執(zhí)行準(zhǔn)確匹配步驟；

參照區(qū)組合C_R和候選區(qū)組合C_P中的區(qū)對象表示為R_Ri和R_Rj，以此進(jìn)行說明；先使用初始匹配步驟來搜索與C_R相似的區(qū)組合；在兩個相似的區(qū)組合間，相互匹配的區(qū)應(yīng)具有相似的邊界交互，其中一個因素是邊界交集數(shù)量；一個區(qū)邊界與其它區(qū)邊界間會存在若干交集；

對比每兩個O標(biāo)記式間的交集數(shù)量對區(qū)對象進(jìn)行評估，在此過程中，某個區(qū)在其他O標(biāo)記式中出現(xiàn)的總次數(shù)稱為標(biāo)記頻率，并用來識別可能相似的區(qū)，包含了節(jié)點(diǎn)和邊的關(guān)聯(lián)圖被用于描述區(qū)組合間的對應(yīng)關(guān)系；如果兩個O標(biāo)記式間具有同樣數(shù)量的邊界交集，則對應(yīng)的區(qū)存在相似的可能性，從而可進(jìn)行后繼的對比工作；使用集合Inter_R和Inter_P來記錄組合C_R和C_P中O標(biāo)記式的交集數(shù)量，并對每個集合中的交集值進(jìn)行從低到高的排序，從而實現(xiàn)對Inter_R和Inter_P的對比；假設(shè)存在m對具有相等交集數(shù)量的O標(biāo)記式，使用式計算基于交集數(shù)量的初始相似度；

假設(shè)C_R和C_P間存在p對相等的標(biāo)記頻率，則組合C_R和C_P在標(biāo)記頻率下的相似度為

在初始匹配階段對區(qū)組合C_R和C_P的相似度評估稱為初始相似度；假設(shè)交集數(shù)量準(zhǔn)則和標(biāo)記頻率準(zhǔn)則的權(quán)重分別為α和β，那么C_R和C_P的初始相似度為：Sim_pre(C_R，C_P)＝αSim_inter(C_R，C_P)+βSim_fre(C_R，C_P)；

所述區(qū)組合間的O標(biāo)記式具體如下描述，,其中符號A_comp代表了區(qū)域A的邊界，s是當(dāng)前邊界在A外的區(qū)的集合，并使用符號O進(jìn)行表示，維數(shù)dimension描述了交集的定性長度(0或1)，T是與A有相接交集的區(qū)集合，而C代表的是與A有相交交集的區(qū)集合。

進(jìn)一步的，在精確匹配步驟中，對從初始匹配中得到的粗糙評估執(zhí)行精確度量，詳細(xì)對比從初始匹配步驟中得到的每對匹配區(qū)的O標(biāo)記式；在這個步驟中，將O標(biāo)記式分解為兩個部分：1)維數(shù)序列，包含了每個交集中的維度；2)細(xì)節(jié)序列，描述O標(biāo)記式中的細(xì)節(jié)；采用生物信息學(xué)范疇中的序列校準(zhǔn)方法對兩個序列進(jìn)行度量分析；序列校準(zhǔn)是生物信息學(xué)中用來處理DNA、RNA或蛋白質(zhì)序列的方法，以識別出序列中功能、結(jié)構(gòu)或進(jìn)化的信息；

O標(biāo)記式記錄了交集維數(shù)、與當(dāng)前區(qū)具有相交或相接交集的區(qū)，將O標(biāo)記式中的項O_s，T和C進(jìn)行二進(jìn)制編碼，所得結(jié)果稱為細(xì)節(jié)序列，分別記錄著邊界在當(dāng)前區(qū)外部的區(qū)，與當(dāng)前區(qū)相接及相交的區(qū)；假設(shè)組合C_R和C_P有m對匹配區(qū)，則其細(xì)節(jié)序列的相似度為其中t_m表示組合C_R和C_P的序列校準(zhǔn)中存在t_m對相互對準(zhǔn)的元素，又因為每對匹配區(qū)交集中有三個項，所以每對匹配區(qū)的相似度為(t_m/3n_m)。

對比現(xiàn)有技術(shù)，本發(fā)明具有以下有益特點(diǎn)：

1)、對于復(fù)合空間對象，初始匹配和精確匹配法能夠較好的區(qū)分復(fù)合空間對象之間的拓?fù)潢P(guān)系及其相似性的差異。

2)、基于空間拓?fù)潢P(guān)系相似性的空間場景匹配方法能夠較好的處理存?zhèn)€多個可能匹配的目標(biāo)場景的情況，并對不同的匹配結(jié)果進(jìn)行量化的表示，更加直觀地為用戶提供多種可能的結(jié)果。

3)、該算法簡便容易操作，不僅易于對復(fù)雜空間場景的拓?fù)潢P(guān)系進(jìn)行定性描述，也可方便進(jìn)行定量計算。

附圖說明

圖1是本發(fā)明實施例目標(biāo)1的場景圖和其手繪草圖；

圖2是本發(fā)明實施例目標(biāo)2的場景圖和其手繪草圖；

圖3是本發(fā)明實施例目標(biāo)3的場景圖和其手繪草圖；

圖4是本發(fā)明實施例目標(biāo)4的場景圖和其手繪草圖；

圖5是本發(fā)明實施例目標(biāo)5的場景圖和其手繪草圖；

圖6是本發(fā)明實施例目標(biāo)6的場景圖和其手繪草圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，下面結(jié)合附圖和具體實施例對本發(fā)明作進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

在區(qū)邊界交互的拓?fù)潢P(guān)系基礎(chǔ)上，針對復(fù)雜的拓?fù)潢P(guān)系采用基于邊界交互的區(qū)組合拓?fù)湎嗨菩远攘磕Ｐ?，該模型通過分析復(fù)雜實體間的拓?fù)潢P(guān)系得到它們的邊界交互記錄，并將交互記錄轉(zhuǎn)換成為二進(jìn)制序列，從而實現(xiàn)將相似性評估轉(zhuǎn)換為序列校準(zhǔn)過程，在校準(zhǔn)過程中分成初始匹配和精確匹配兩個部分，以提高相似性評估的效率；

若兩條線段交互于一點(diǎn)，將其稱為0-維交集，若線段交互于一段弧線，將其稱為1-維交集；線段交集的主要類型為相交和相接，因此兩條線段間存在4種可能的交集類型：0-維相接、0-維相交、1-維相接和1-維相交；在這4種交集類型及韋恩圖基礎(chǔ)上，使用O標(biāo)記法進(jìn)行描述，其中符號A_comp代表了區(qū)域A的邊界，s是當(dāng)前邊界在A外的區(qū)的集合，并使用符號O進(jìn)行表示，維數(shù)dimension描述了交集的定性長度(0或1)，T是與A有相接交集的區(qū)集合，而C代表的是與A有相交交集的區(qū)集合。

基于邊界交互的區(qū)組合拓?fù)湎嗨菩远攘糠椒?其特征在于：在初始匹配步驟中，對區(qū)組合間的O標(biāo)記式進(jìn)行評估，以確認(rèn)是否需要執(zhí)行準(zhǔn)確匹配步驟，若在該步驟中發(fā)現(xiàn)兩個區(qū)組合極不相似，則不需執(zhí)行準(zhǔn)確匹配步驟；

使用C_R和C_P分別代表參照區(qū)組合和候選區(qū)組合，C_R和C_P中的區(qū)對象表示為R_Ri和R_Rj，以此進(jìn)行說明；先使用初始匹配步驟來搜索與C_R相似的區(qū)組合；在兩個相似的區(qū)組合間，相互匹配的區(qū)應(yīng)具有相似的邊界交互，其中一個因素是邊界交集數(shù)量。一個區(qū)邊界與其它區(qū)邊界間會存在若干交集；同時，由于空間對象的任意幾何形狀及隨機(jī)分布屬性，不同的區(qū)有不同的邊界交集；基于這個客觀事實，可通過對比每兩個O標(biāo)記式間的交集數(shù)量對區(qū)對象進(jìn)行評估。在此過程中，某個區(qū)在其他O標(biāo)記式中出現(xiàn)的總次數(shù)稱為標(biāo)記頻率，并用來識別可能相似的區(qū)，包含了節(jié)點(diǎn)和邊的關(guān)聯(lián)圖被用于描述區(qū)組合間的對應(yīng)關(guān)系。如果兩個O標(biāo)記式間具有同樣數(shù)量的邊界交集，則對應(yīng)的區(qū)存在相似的可能性，從而可進(jìn)行后繼的對比工作。使用集合Inter_R和Inter_P來記錄組合C_R和C_P中O標(biāo)記式的交集數(shù)量，并對每個集合中的交集值進(jìn)行從低到高的排序，從而實現(xiàn)對Inter_R和Tnter_P的對比。假設(shè)存在m對具有相等交集數(shù)量的O標(biāo)記式，使用式可計算基于交集數(shù)量的初始相似度；

假設(shè)C_R和C_P間存在p對相等的標(biāo)記頻率，則組合C_R和C_P在標(biāo)記頻率下的相似度為

在初始匹配階段對區(qū)組合C_R和C_P的相似度評估稱為初始相似度。初始相似度粗略描述了C_R和C_P的對應(yīng)情況，并提供了是否需要進(jìn)行精確匹配的理由。假設(shè)交集數(shù)量準(zhǔn)則和標(biāo)記頻率準(zhǔn)則的權(quán)重分別為α和β，那么C_R和C_P的初始相似度為：Sim_pre(C_R，C_P)＝αSim_inter(C_R，C_P)+βSim_fre(C_R，C_P)。

在精確匹配步驟中，對從初始匹配中得到的粗糙評估執(zhí)行精確度量，詳細(xì)對比從初始匹配步驟中得到的每對匹配區(qū)的O標(biāo)記式。在這個步驟中，將O標(biāo)記式分解為兩個部分：1)維數(shù)序列，包含了每個交集中的維度；2)細(xì)節(jié)序列，描述O標(biāo)記式中的細(xì)節(jié)；采用生物信息學(xué)范疇中的序列校準(zhǔn)方法對兩個序列進(jìn)行度量分析；

序列校準(zhǔn)是生物信息學(xué)中用來處理DNA、RNA或蛋白質(zhì)序列的方法，以識別出序列中功能、結(jié)構(gòu)或進(jìn)化的信息；

邊界交集主要分為兩種類型-邊界交互于點(diǎn)或弧段，這兩種類型的維度分別為0和1；因此，O標(biāo)記式中的維數(shù)序列粗略描述了某個區(qū)邊界的總體交互情況，即維數(shù)序列校準(zhǔn)可以為區(qū)組合間的相似度提供一個準(zhǔn)確度量；假設(shè)n對維數(shù)元素中有q對可相互匹配，則區(qū)R₁和R₂的維數(shù)相似度為(q/n)；假設(shè)區(qū)組合C_R和C_P間有m對相互匹配的區(qū)，則C_R和C_P間的維數(shù)相似度為

作為邊界交互記錄的一部分，維數(shù)序列描述了區(qū)邊界交互的總體情況；為了對兩個區(qū)組合進(jìn)行精確度量，需要對O標(biāo)記式中的細(xì)節(jié)序列進(jìn)行對比；除了交集維數(shù)，O標(biāo)記式記錄了與當(dāng)前區(qū)具有相交或相接交集的區(qū)，由于每個區(qū)組合中區(qū)的標(biāo)記都不同，無法對O標(biāo)記式進(jìn)行直接對比；為了實現(xiàn)O標(biāo)記式的可比性，須將O標(biāo)記式中的項O_s，T和C進(jìn)行二進(jìn)制編碼，所得結(jié)果稱為細(xì)節(jié)序列，分別記錄著邊界在當(dāng)前區(qū)外部的區(qū)，與當(dāng)前區(qū)相接及相交的區(qū)；假設(shè)組合C_R和C_P有m對匹配區(qū)，則其細(xì)節(jié)序列的相似度為

拓?fù)湎嗨贫攘堪ㄒ韵虏襟E：維數(shù)序列和細(xì)節(jié)序列覆蓋了區(qū)邊界交互信息的各個方面，通過設(shè)置維數(shù)序列和細(xì)節(jié)序列相似度的權(quán)重可以計算出兩個區(qū)組合間的拓?fù)湎嗨贫?。設(shè)區(qū)組合C_R和C_P間的維數(shù)序列及細(xì)節(jié)序列相似度分別為Sim_dim(C_R，C_P)和Sim_det(C_R，C_P)，維數(shù)序列和細(xì)節(jié)序列相似度的權(quán)重分別為γ和ε，則C_R和C_P的拓?fù)湎嗨贫葹镾im_top(C_R，C_P)＝γ×Sim_dim(C_R，C_P)+ε×Sim_det(C_R，C_P)。

上述的算法可應(yīng)用到基于手繪草圖的空間場景的搜索中，為了保證真實場景的代表性和復(fù)雜性，目標(biāo)場景選擇了中國地質(zhì)大學(xué)(武漢)校園地圖，如圖1(1)所示。輸入手繪草圖如圖1(2)所示。通過空間場景匹配需要確認(rèn)輸入圖中的空間實體S₁，S₂，S₃，S₄，S₅，S₆與目標(biāo)場景中的空間實體的對應(yīng)關(guān)系。

運(yùn)用初始匹配和精確匹配算法，得到在S₁對應(yīng)N₁的前提下的所有匹配關(guān)系相似度排序如表1所示。

通過表1，可以發(fā)現(xiàn)當(dāng)S₅對應(yīng)N₂時，有最高的匹配度。在輸入圖中S₅包含S₁的一部分，在目標(biāo)場景中N₂包含N₁，這個匹配結(jié)果也符合人的直觀認(rèn)知。

同樣采用初始和精確匹配法可以對余下的目標(biāo)場景進(jìn)行分析，可以得到余下的目標(biāo)場景各自最高的相似度及其對應(yīng)的匹配情況：

(1)荷池：最高相似度491.67％，見表2；

(2)柳池：最高相似度441.89％，見表3；

(3)游泳池：最高相似度484.25％，見表4；

(4)翠池：最高相似度500％，見表5；

對所有結(jié)果進(jìn)行統(tǒng)計，得到最后排序的結(jié)果如表6所示。

通過觀察原始輸入圖和目標(biāo)場景發(fā)現(xiàn)，在第一個目標(biāo)場景中只有一個空間實體與輸入圖中的空間實體拓?fù)潢P(guān)系相似，包含湖泊區(qū)域的N₂；在第二個目標(biāo)場景中有兩個空間實體與輸入圖中的空間實體拓?fù)潢P(guān)系相似，包含湖泊區(qū)域的W₈，與湖泊相接的W₄；在第三個目標(biāo)場景中只有一個空間實體與輸入圖中的空間實體拓?fù)潢P(guān)系相似，包含湖泊區(qū)域的L₂，而且它的基準(zhǔn)空間實體并不是分開的區(qū)域，只是一個簡單區(qū)域；在第四個目標(biāo)場景中只有一個空間實體與輸入圖中的空間實體拓?fù)潢P(guān)系相似，與湖泊區(qū)域相接的P₂；在第五個目標(biāo)場景中有多個空間實體與輸入圖中的空間實體拓?fù)潢P(guān)系一致，覆蓋湖泊區(qū)域的C₂，C₇，與湖泊區(qū)域相接的C₆。而從表6中可以看出，這五個目標(biāo)場景相似度的大小排序是：第五個(翠池)、第二個(荷池)、第一個(北區(qū)湖泊)、第四個(游泳池)、第三個(柳池)。這個排序結(jié)果正好符合原始輸入圖和目標(biāo)場景中相似性的排序結(jié)果。

通過本次實驗，可以總結(jié)如下結(jié)論：

1)、對于復(fù)合空間對象，初始匹配和精確匹配法能夠較好的區(qū)分復(fù)合空間對象之間的拓?fù)潢P(guān)系及其相似性的差異。

2)、基于空間拓?fù)潢P(guān)系相似性的空間場景匹配方法能夠較好的處理存?zhèn)€多個可能匹配的目標(biāo)場景的情況，并對不同的匹配結(jié)果進(jìn)行量化的表示，更加直觀地為用戶提供多種可能的結(jié)果。

3)、在空間場景匹配方法中，并不允許多個空間實體對應(yīng)同一個空間實體，但在實際的空間場景匹配問題中，用戶繪制草圖時可能把空間數(shù)據(jù)庫中的一個空間實體繪制成多個空間實體，這也就導(dǎo)致了多個空間實體需要對應(yīng)同一個空間實體，即多尺度空間場景匹配。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。