制图工具（15）建筑物轮廓简化

内容导读

---

在地图综合和地理信息系统（GIS）中，建筑物多边形的轮廓数据是重要的空间信息之一，建筑物轮廓通常由任意折线构成，通常呈现出以下特点：

• 直角特征弱：实际建筑物通常具有直角特征，但边界由任意折线构成，缺乏直角特征。

• 点数冗余：为了精确描述边界，多边形顶点数目冗余，增加了数据处理的复杂度和存储负担。

• 规范化表达困难：数据不规范，难以满足地理信息系统（GIS）中的规范化表达要求。

这些特点不仅影响了数据的可读性和美观性，还可能导致后续分析工作中的精度问题。建筑物多边形的简化通常包括三种处理模型：化简、直角化与制图综合。

本文将分享“建筑物轮廓简化”工具，提供三种数据简化类型，对应以上三种处理模型进行数据规范化处理：

1.根据角度偏移容差消除冗余点（仅移除冗余点）

2.对建筑轮廓进行直角化处理（移除冗余点+直角化）

3.规则化分组并简化建筑物轮廓（移除冗余点+分组简化+直角化）

若您觉得文章内容对你有用，请转发分享。

---

一、需求与背景

        在地图综合和地理信息系统（GIS）中，建筑物多边形的轮廓数据是重要的空间信息之一。随着遥感技术的发展，建筑物矢量数据的获取变得越来越便捷，但这些数据来源多样，包括但不限于高精度航拍图像、卫星影像、激光雷达扫描数据以及人工绘制的地图数据。尽管数据获取手段先进，但由于GPS精确度、遥感影像分辨率或人为因素的影响，建筑物多边形边界在数据采集过程中往往存在不同程度的误差。

        特别是采用图像分割、深度学习等技术提取的建筑物多边形边界，通常呈现出以下特点：

• 边界由任意折线构成，缺乏直角特征。

• 多边形顶点数目冗余，增加了数据处理的复杂度。

• 数据不规范，难以满足地理信息系统（GIS）中的规范化表达要求。

        建筑物轮廓的简化不仅是对数据进行优化的必要步骤，也是提升数据处理效率和规范化表达的重要手段。通过化简、直角化以及制图综合处理，可以显著改善建筑物多边形数据的质量，提高地图表现的清晰度和准确性。

二、建筑物简化主要技术路线

        建筑物轮廓简化是地理信息系统（GIS）和地图综合中的一个重要环节，它旨在解决建筑物多边形数据中存在的直角特征弱、点数冗余以及规范化表达困难等问题。通过对建筑物轮廓进行适当的处理，可以提高数据的可读性、美观性和分析精度。

以下是三种主流的处理模型及其常用方法、优缺点介绍。

2.1 化简 (Simplification)

        化简主要是指通过一定的算法减少多边形顶点的数量，同时尽可能保持原有的形状特征不变。

        常见的化简方法有：

        Douglas-Peucker算法：一种递归地选择多边形上最远离直线的点作为新的顶点，然后重复此过程直到所有顶点都在给定的阈值范围内。优点是算法简单且效率高；缺点是在某些情况下可能会丢失重要细节。

        Visvalingam-Whyatt算法：该算法基于三角形面积的概念，优先删除最小三角形面积对应的顶点。这种方法能够较好地保留多边形的基本形状，但计算量相对较大。

2.2 直角化（Rectangularization）

        直角化是指将建筑物多边形的边界调整为接近直角的形式，以增强其几何特征。这通常需要先进行化简步骤，然后再进行角度的校正。

        常见的方法包括：

        角点检测与优化：通过检测多边形上的角点，并调整这些角点的角度，使其趋向于90度。这种方法可以有效地增强直角特征，但可能需要额外的逻辑来处理特殊情况。

        基于模板匹配的直角化：使用预先定义的直角模板来匹配并替换原始的折线部分，这种方法在特定场景下能够快速实现直角化，但灵活性较低。

2.3 制图综合（Cartographic Generalization）

        制图综合是一个更广泛的术语，它涵盖了化简和直角化之外的其他处理方式，比如建筑物的合并、分组简化等。

        常用的制图综合方法包括：

        规则化分组简化：将临近的建筑物或多边形分组，并简化每组内部的多边形。这种方法可以显著减少顶点数量，同时保持整体布局的一致性。

        基于规则的综合：使用预定义的规则来指导综合过程，例如在特定条件下合并两个建筑物或多边形，或者根据比例尺的不同应用不同的综合策略。

三、建筑物轮廓简化的研究情况

        随着技术的不断进步，建筑物轮廓简化与优化领域迎来了新的突破。未来的研究将更加注重如何整合多种先进技术，以实现更高效、更高质量的数据处理目标。通过将机器学习、深度学习、大数据分析以及云计算等多种技术手段相结合，可以显著提升建筑物轮廓简化的效果，从而更好地支持地理信息系统（GIS）以及其他相关领域的应用需求。

3.1 机器学习和深度学习的应用

• 神经网络模型：研究人员利用深度学习技术开发了神经网络模型，以预测建筑物轮廓的最佳化简路径。这些模型能够自动识别并修正不规则的多边形边界，极大地提升了自动化程度和处理复杂情况的能力。这种智能识别和修正技术不仅提高了数据的准确性和一致性，还减少了人工干预的需求。

• 自动化修正：通过训练神经网络来检测和修正建筑物轮廓中的几何错误，这些方法优化了数据预处理和规范化的过程。尽管仍处于实验阶段，但已显示出良好的应用前景，特别是在大规模数据集上的应用。

3.2 大数据和云计算的应用

• 处理能力提升：大数据技术和云计算的发展显著增强了处理大规模地理数据集的能力。这使得更复杂的综合算法能够在合理的计算时间内完成，极大地推动了建筑物轮廓简化技术的进步。

• 云平台：利用云计算平台进行分布式处理，扩展了处理能力和存储资源，使得大规模数据的分析和处理变得更加高效。这种分布式架构不仅提高了处理速度，还降低了硬件成本。

3.3 多技术手段的结合

• 集成方法：未来的趋势是将机器学习、深度学习与传统的几何优化算法相结合，形成更加综合和高效的解决方案。这种集成方法可以更好地应对不同规模和复杂度的数据集，实现更高的效率和数据质量。

• 智能算法：通过结合遗传算法、强化学习等智能算法，进一步优化建筑物轮廓的简化过程。这些算法不仅能够自动发现最优解，还可以适应不同的应用场景，使处理过程更加智能化和自动化。

四、建筑物轮廓简化工具

        工具可在Geoscne Pro4.0+或ArcGIS Pro3.0+使用，不限坐标系类型（有些类似的工具仅支持投影坐标系），支持多进程并行处理，用于解决建筑物化简、直角化与制图综合的需求。

4.1工具概述

        工具打开界面如下图所示：

4.2 支持的功能

    （1）支持三种应用场景需求下的简化类型：

NO.1 消除冗余点

    ✔ 消除冗余点，按面要素节点顺序，对临近点位构成的转角与平角的夹角（角度偏移）容差或累计角度偏移值与直角的关系，对中间节点进行舍弃处理，实现冗余点消除；

冗余节点消除前后对比介绍如下：

NO.2 建筑物轮廓直角化

    ✔ 建筑物轮廓直角化，对建筑物顶点处的转角，与直角的偏差在指定角度容差范围内的顶点，进行点位调整，使其角度值为90度，并正确处理临近点位之间的关系；

直角化效果如下：

NO.3 分组简化建筑物轮廓

    ✔ 分组简化建筑物轮廓，用加粗“画笔”的思维，按面节点顺序，在指定距离（笔画宽度）容差范围内，对节点进行分组，对分组点位进行线段提取，最后对分组处理后的面多边形进行直角化处理。

分组简化建筑物效果如下：

（2）支持多进程并行处理方式，可以显著提高数据处理的速度和效率。

4.3 工具参数介绍

（1）工具输出：

          所有输出的要素类都存放在输出目录中的scratch.gdb中。若scratch.gdb不存在，则自动创建，若已存在，不会覆盖其中已有的要素。

        输出的处理结果，使用“{要素类名称}+简化类型”组成。

 （2）注意事项：

           偏离角度容差和偏移距离容差，不宜输入过大值，如角度容差，按理不应超过45°。