基于機器學習的地理信息協(xié)同標注方法研究

摘 ?要：為提升未知地理圖像信息標注效果，解決地理信息標注中存在的精度較低的問題，該文提出設計一種基于機器學習的地理信息協(xié)同標注方法。通過度量具體的地理信息，對已知地理信息數(shù)據(jù)進行基于機器學習的PFLP協(xié)同計算，并通過構建權矩陣，提升地理信息的流形重構與檢索標注，完成地理信息協(xié)同標注方法設計。實驗結果表明：采用基于機器學習的協(xié)同地理信息標注方法，降低了地理圖像信息特征的維數(shù)，準確展現(xiàn)了地理圖像數(shù)據(jù)之間的內在關系，有效地提升了地理信息協(xié)同標注的精度。

關鍵詞：機器學習 ??地理信息 ??協(xié)同標注 ?權矩陣

中圖分類號：?TP301.6 ????文獻標識碼：A???文章編號：1672-3791（2022）05（b）-0000-00

作者簡介：郝梁（1983—），男，本科，工程師，研究方向為地圖制圖。

Research on Geographic Information Collaborative Annotation Method Based on Machine learning

HAO Liang

（61243 Troops， Urumqi， Xinjiang Uygur Autonomous Region， 830006 China）

Abstract： In order to improve the effect of unknown Geographic Image Information annotation and solve the problem of low accuracy in geographic information annotation， a geographic information collaborative annotation method based on machine learning is proposed in this paper.?By measuring the specific geographic information， PFLP collaborative computing based on machine learning is carried out for the known geographic information data， and the manifold reconstruction and retrieval annotation of geographic information are improved by constructing the weight matrix， so as to complete the design of geographic information collaborative annotation method. The experimental results show that the collaborative geographic information annotation method based on machine learning reduces the dimension of geographic image information features， accurately shows the internal relationship between geographic image data， and effectively improves the accuracy of geographic information collaborative annotation.

Key Words： Machine learning; Geographic information; Collaborative annotation; Weight matrix

地理信息協(xié)同標注（GIS）是一種聚集了多種學科的新型科學。其中，包含了計算機應用、地理測繪、環(huán)境空間科學、信息與地質管理科學等技術的應用。通過電子計算機工具的應用，探索地理空間數(shù)據(jù)信息，并利用多種技術對地理位置信息進行空間操作，分析地理空間位置信息，根據(jù)確定的空間信息進行科學災害監(jiān)測、地理工程研究等相關事業(yè)的開展。其中，地理信息標注過程中，由于外界多種因素的影響，導致其標注的精度較低，且工作效率較低。現(xiàn)有標注方法中普遍以圖形圖像、文本表格和數(shù)字等形式進行地理信息標注，這些地理信息標注方法需要耗費大量的人工效力，相對來說效率地下，對于視頻和圖像的地理信息標注檢索比較困難。

為此，該文設計了一種基于機器學習的地理信息協(xié)同標注方法，以期提升地理信息協(xié)同標注的工作的有效性。機器學習屬于多學科的學習方法，其中涉及概率論、統(tǒng)計理論等多個學科，該方法借助電子計算機模擬，實現(xiàn)研究目標的有效研究，最大限度地提升方法的有效性。通過度量視頻圖像視覺上存在的一些特征，判斷其相似性，對地理圖像的結構重新構建，從各個角度觀察地理信息圖像的變化規(guī)則，分析地理圖像中相似地理位置中的像素點，確定不一樣的角度下各個位置之間存在的內部關系，從而實現(xiàn)地理信息協(xié)同標注。

1 基于機器學習的地理信息協(xié)同標注方法設計

為提升地理信息協(xié)同標注的有效性，在地理信息協(xié)同標注中融入機器學習，該方法在于融合BVSB主動學習獲取地理信息，補充地理信息標注中沒有采集到的地理信息位置，并不斷地將這些新采集的信息進行有計劃的訓練，不斷調整其結構，提高地理圖像度量的泛化能力，最后對度量的結果進行位置信息統(tǒng)計和泛化，實現(xiàn)對地理信息相對應的圖像標注，具體標注過程如圖1所示。

通過圖1 中設計的協(xié)同標注流程，首先將獲取的地理圖像進行顏色、紋理特征提取與直方圖的處理，然后對其地理圖像特征進行相關的維度處理，并將其進行主動增量訓練，完成地理信息協(xié)同標注。其中，地理信息圖像中的顏色是度量地理信息的關鍵路徑，在這些地理信息圖像中不會發(fā)生圖像的平移和圖像位置的旋轉，度量后的地理信息圖像具有較強的魯棒性。

1.1 度量地理圖像信息

為了獲取最有效的地理信息，并將這些數(shù)據(jù)準確度量，需要通過構建顏色直方圖的方式將地理圖像信息進行有效表征。顏色直方圖作為圖像信息表征的關鍵表現(xiàn)形式，此時，需要將地理圖像特征進行有效的度量。

首先，轉換地理圖像RGB和HSV的顏色空間，假設（，，）為顏色空間所屬系數(shù)，數(shù)值內，，∈[0，255]，設為/100， 也是/100， 同理/100，則HSV空間（，，）的值可得：

式（1）中，為地理圖像在HSV顏色空間中的量化統(tǒng)計，為度量的地理圖像的形狀表示特征。

在此基礎上，借助Sobel算子中的邊緣方向直方圖，在計算方法中度量地理圖像的形狀和特征，分別計算地理圖像在各個方向上的梯度位置，并以此為根據(jù)，處理地理圖像閾值。給定的閾值可以用來決定地理圖像邊緣強度，邊緣像素由地理圖片的像素來決定，采用顏色直方圖的方法獲取地理圖像的度量信息，此時直方圖的邊緣強度數(shù)值為0。

1.2 地理圖像信息流重構

在上述度量地理圖像后，為提升地理圖像信息的有效協(xié)同標注，需要對其圖像中的信息流進行重構，以提升地理信息點標注的有效性。

在地理信息流重構中，地理圖像信息的標注構建需要找好角度，其標注角度一般情況下都是連續(xù)變化，變化緩慢且有規(guī)律，地理圖像的空間特征中涵蓋一些看似平滑的線性流，這些結構不容易被捕捉，都存在于微小的空間內。這種情況下，對地理圖像信息的標注特征做出假設，假使其存在于一個高維度空間中，將低維流重構，需要光譜圖像對非線性地理特征進行降維操作。

利用權矩陣熱核法為對稱矩陣進行乘子計算，對最小的特征值進行對應，提取構造特征向量來判斷視覺特征，每10°作為劃分的標準，在邊緣方向上構造直方圖。在特征空間中，流面構造涵蓋了相近特征領接向量圖像的關系，需要考慮恢復信息流中信息，建立具有類似相鄰視點的連接關系。對特征映射內的特征空間使用拉普計算進行降維，在低維特征空間排序距離獲取圖像檢索，對檢索內容最終得到的數(shù)據(jù)進行樣本上的標記，調整特征映射直到合適為止。此時，得到的地理圖像包含信息，充分展示空間場景信息，地理圖像數(shù)據(jù)準確反映成像視點，連續(xù)變化數(shù)據(jù)點分布均勻，從而重點放在檢索精度，采用基于機器學習方法，提高標注準確性。

1.3 基于機器學習的PFLP協(xié)同計算

為實現(xiàn)地理信息的協(xié)同標注，本文借助機器學習中的PFLP協(xié)同計算方法對其標注的信息進行處理。PFLP協(xié)同算法中包括全局搜索法和局部搜索法。其中，全局搜索算法對數(shù)據(jù)進行分類時，一般情況下是通過回溯的方式，探尋在一個指定點可以找到所有按照順序排列的點，并在每一個點中設置地理位置協(xié)同標志。在使用搜索方法搜索時，隨機改變任意標簽的位置，直到標志抵達一定局限，無法在進行標簽，此時完成地理圖像信息的分類。

在分類后的地理圖像信息后，借助PFLP協(xié)同計算方法對地理圖像信息進行標注。

在地理圖像信息標注中中，標注的信息不斷發(fā)生變化，因此需要不斷地確定標注的信息變化情況，在本文的研究中將地理圖像信息的變化標注為，若是舊的標注點被新的標注所覆蓋，此時重新定位的標準表示為：

（2）

其中，表示重新定位所需要的時間。

通過PFLP協(xié)同計算時，將同一位置的地理信息標注點坐標表示為：

（3）

通過公式（2）中這種四軸對稱的矩形標注來判定位置，如圖2所示：

從基于機器學習的角度考慮，此時標注的4個點的位置具有不同的優(yōu)先順序。數(shù)字越小，代表優(yōu)先級越高。因此，在進行協(xié)同標注時，首先要縮小標注所在的地理位置點，然后初始化并添加初始標注的數(shù)據(jù)點，以此來規(guī)劃標注的位置，從而加快協(xié)同標注的速度。其具體協(xié)同標注流程為：

步驟1：規(guī)則中存在區(qū)域劃分。如果，代表候補地理位置，而這些數(shù)據(jù)要求從將標注集中抹去。

步驟2：不要重寫規(guī)則。如果，，候補地理位置數(shù)據(jù)要求從將標注集中抹去。

步驟3：如果點有候選注釋位置，與其他注釋位置不存在沖突，則為點的注釋位置，刪除點的其他候選注釋位置。

步驟4：若存在某一點，標注位置表示為π，它只與候選人注釋位置、，沖突點的標注位置有一個候選?（≠）僅與注釋位置點不等于1時，π和的標注位置分別在點和之上，對于這兩個點的其他地里標注位置需要被刪除。

2實驗分析

2.1實驗準備

為了驗證此方法的可行性，選取五個位置挑選十個角度，并攜帶一張帶有準確標注的地理位置標準。這些實驗用到的地理信息數(shù)據(jù)都是通過一些儀器獲取，大部分定位系統(tǒng)所得到的數(shù)據(jù)，在各個點和位置上選取需要標注的信息進行唯一標注，為保證信息流重構，記錄角度應該盡量縮小。另外，拍攝照片不管是角度還是位置都要隨機選取，構成圖像集，標注也都隨機選擇，需要等待標記的圖像最好直接做出用戶的信息整合，借助多結構圖像檢索，對同一地理位置的地理信息樣本進行標記并輸入。

將原有的一些搜索結果返回給用戶，并將這些數(shù)據(jù)進行反饋，重新檢索和標記地理圖像信息。為了驗證方法檢索的精準性，通過輸入待標注的單一地理圖像，從地理圖像數(shù)據(jù)庫中檢索出圖像內容相似的圖像，根據(jù)檢索結果自動標注圖像的地理位置信息，協(xié)同標注方法對4個不同地點中，分別在5個不同地理位置使用專用儀器所監(jiān)測到的地理信息常數(shù)監(jiān)測d檢索結果。

2.2實驗結果分析

從不同視角的地理視頻數(shù)據(jù)采集的數(shù)據(jù)可以看出，不同視角獲得的地理數(shù)據(jù)差異很大。對于兩個位置進行具體檢測，從各個位置的不同地理角度采用基于機器學習的地理信息聯(lián)合標注方法后，得到的數(shù)據(jù)會發(fā)生變化，如表1所示。

在標注方法中，地理信息側視圖為待標注圖像，從地理信息的正視圖獲得的圖像與被標注圖像的另一個標注之間的距離較大，基于機器學習的地理信息協(xié)同標注方法檢索結果的常數(shù)檢測項，在位置1和位置2兩個角度，測量數(shù)值均比傳統(tǒng)方法的數(shù)值要更貼近原始位置=0的常數(shù)檢測項。因此，本文提出的基于機器學習的地理信息標注方法更加精準。

為進一步驗證所提方法的有效性，實驗分析了本文方法、傳統(tǒng)方法1以及傳統(tǒng)方法2 對5個不同地理信息協(xié)同標注的耗時進行分析，得到的結果如表2 所示。

分析表2 中實驗結果數(shù)據(jù)可以看出，采用本文方法、傳統(tǒng)方法1以及傳統(tǒng)方法2 對5個不同地理信息協(xié)同標注的耗時存在一定不同。其中，采用本文方法對地理信息樣本的5個地點標注的時間耗時是3種方法中耗時最少的方法，而其他兩種傳統(tǒng)方法的標注時間耗時高于本文方法，且耗時變化的幅度大于本文方法，因此，可以看出采用本文方法、傳統(tǒng)方法1以及傳統(tǒng)方法2 對5個不同地理信息協(xié)同標注的耗時中，本文男方法協(xié)同標注的耗時最短，驗證所提方法的有效性。

3結語

該文提出了一種融合了機器學習的地理信息協(xié)同標注方法，通過設計地理信息協(xié)同標注總體流程，對地理圖像的相關特征以及維度進行有效的處理，引入機器學習中PFLP協(xié)同計算獲取地理圖像直方圖，并確定地理圖像標注信息的變化特征，確定協(xié)同標注的規(guī)則，實現(xiàn)地理信息協(xié)同標注。實驗結果表明：采用所提方法可有效提升地理信息協(xié)同標注的精度，且其協(xié)同標注的耗時較短，具有一定可行性。

參考文獻

[1] 唐桂彬.基于圖像注意力標注技術的空間GIS數(shù)據(jù)可視化研究[J].自動化與儀器儀表，2021（11）：15-18.

[2] 楊善婷.行業(yè)地理信息專題圖設計與實踐[J].居業(yè)，2021（9）：11-12.

[3] 徐華勇.1：10000基礎地理信息DLG矢量數(shù)據(jù)幾何結構分析[J].中國高新科技，2020（24）：68-70.

[4] 喻航，李紅蓮，呂學強.區(qū)級人大報告中的地名自動標注研究[J].北京信息科技大學學報：自然科學版，2020，35（6）：31-36.

[5] 殷欽霞.地圖制圖技術在地理信息系統(tǒng)數(shù)據(jù)集成中的應用[J].住宅與房地產，2020（24）：227.

[6] 朱秀麗，趙勇，劉萬增，等.測繪地理信息應急快速制圖系統(tǒng)研究[J].武漢大學學報：信息科學版，2020，45（8）：1303-1311.

[7] 段春磊，曾啟雄.地名地址信息管理系統(tǒng)的設計與實現(xiàn)研究——基于某地數(shù)字地理空間框架項目[J].工程技術研究，2019，4（16）：180-181.

[8] 柯佳宏，張強，李勇，等.基于SuperMap的礦山三維地理信息系統(tǒng)的設計與實現(xiàn)[J].地礦測繪，2019，35（1）：21-24.