本文主要研究内容
作者楚潇蓉,逯跃锋,陈坤,陆黎娟,范俊甫（2019）在《基于支持向量机与尺度不变特征转换算法相结合的线状矢量数据匹配方法》一文中研究指出：由于不同来源或不同时间,导致了同一地物在存储方式或属性等方面存在着很多差异,这给后期的数据处理和使用带来了诸多不便,因此矢量空间数据匹配已经成为关键性问题。为了便于矢量数据匹配,提出了一种基于栅格化的线状矢量数据匹配方法,其主要思想是对线状矢量数据栅格化,利用支持向量机(support vector machine,SVM)算法提取出所要研究的数据,然后利用Harris算子提取特征点,用尺度不变特征转换(scale-invariant feature transform,SIFT)算法计算特征向量并对其进行匹配,最后把匹配结果转换为矢量数据。结果表明该算法不受平移、旋转、缩放、明亮度变化等的影响,弥补了矢量匹配过程中因数据旋转等问题而无法匹配的不足,将矢量数据栅格化处理,使其数据结构更简单,操作容易,更易于算法的实现。可见该方法便于线状矢量数据的匹配,为道路匹配提供了一种新的方法。
Abstract
you yu bu tong lai yuan huo bu tong shi jian ,dao zhi le tong yi de wu zai cun chu fang shi huo shu xing deng fang mian cun zai zhao hen duo cha yi ,zhe gei hou ji de shu ju chu li he shi yong dai lai le zhu duo bu bian ,yin ci shi liang kong jian shu ju pi pei yi jing cheng wei guan jian xing wen ti 。wei le bian yu shi liang shu ju pi pei ,di chu le yi chong ji yu shan ge hua de xian zhuang shi liang shu ju pi pei fang fa ,ji zhu yao sai xiang shi dui xian zhuang shi liang shu ju shan ge hua ,li yong zhi chi xiang liang ji (support vector machine,SVM)suan fa di qu chu suo yao yan jiu de shu ju ,ran hou li yong Harrissuan zi di qu te zheng dian ,yong che du bu bian te zheng zhuai huan (scale-invariant feature transform,SIFT)suan fa ji suan te zheng xiang liang bing dui ji jin hang pi pei ,zui hou ba pi pei jie guo zhuai huan wei shi liang shu ju 。jie guo biao ming gai suan fa bu shou ping yi 、xuan zhuai 、su fang 、ming liang du bian hua deng de ying xiang ,mi bu le shi liang pi pei guo cheng zhong yin shu ju xuan zhuai deng wen ti er mo fa pi pei de bu zu ,jiang shi liang shu ju shan ge hua chu li ,shi ji shu ju jie gou geng jian chan ,cao zuo rong yi ,geng yi yu suan fa de shi xian 。ke jian gai fang fa bian yu xian zhuang shi liang shu ju de pi pei ,wei dao lu pi pei di gong le yi chong xin de fang fa 。
论文参考文献
论文详细介绍
论文作者分别是来自科学技术与工程的楚潇蓉,逯跃锋,陈坤,陆黎娟,范俊甫，发表于刊物科学技术与工程2019年28期论文，是一篇关于线状矢量数据论文,栅格化论文,特征提取论文,机器学习论文,匹配论文,科学技术与工程2019年28期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自科学技术与工程2019年28期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：线状矢量数据论文; 栅格化论文; 特征提取论文; 机器学习论文; 匹配论文; 科学技术与工程2019年28期论文;