矢量跟蹤演算法

Ⅰ 一般圖形voronoi圖的自動生成演算法怎麼做

你好，
基本內容:
本考試大綱適用於福州大學地圖學與地理信息系統專業、地圖制圖學與地理信息工程專業的碩士研究生入學考試。具體內容包括地理信息系統的基本知識、空間資料庫、空間數據採集、空間數據處理、空間查詢與空間分析、空間數據輸出和地理信息系統應用七個方面。要求考生准確地理解地理信息系統涉及的基本概念，識記其中的主要概念；系統地掌握地理空間數據的採集、存儲、處理、查詢、分析、輸出和應用的基本內容，了解地理信息系統的相關技術和方法；具有綜合運用地理信息系統分析和解決問題的能力。
一 考試內容
（一）地理信息系統的基本知識
1．地理信息系統的基本概念
2．地理信息系統的組成
3．地理信息系統的功能
4．地理信息系統的發展
（二）空間資料庫
1．地理對象及其表達
2．地圖投影
3．空間數據模型（或空間數據結構）
4．資料庫與資料庫管理系統
（三）空間數據採集
1．地理信息系統的數據源
2．空間數據採集的方式與過程
3．空間數據的質量
4．空間數據標准
（四）空間數據處理
1．圖形編輯與拓撲生成
2．空間數據的拼接和裁剪
3．空間數據的坐標變換
4．空間數據的壓縮
5．空間數據的轉換
6．空間插值
（五）空間查詢和空間分析
1．空間查詢
2．空間量算與統計
3．數字高程模型
4．泰森多邊形
5．疊置分析
6．緩沖區分析
7．網路分析
（六）空間數據輸出
1．空間數據的標度與可視化
2．數字地圖設計與輸出
3．電子地圖
4．虛擬現實
（七）地理信息系統應用
1．地理信息系統產業
2．「3S」集成
3．WebGIS
二、考試要求
（一）地理信息系統的基本知識
1．地理信息系統的基本概念
a）深刻理解地理空間數據的特殊性和地理信息系統的含義
b）熟悉GIScience、Geomatics和GeoComputation的含義
c）了解地理信息系統的其他相關概念
2．地理信息系統的組成
a）理解工具型地理信息系統和實用型地理信息系統的差異
b）熟悉實用型地理信息系統的組成
c）了解工具型地理信息系統的模塊結構
3．地理信息系統的功能
a）熟悉地理信息系統的基本功能
b）了解地理信息系統的應用功能
4．地理信息系統的發展
a）了解國內外地理信息系統的發展歷程
b）熟悉地理信息系統的發展趨勢和目前的熱點研究領域
（二）空間資料庫
1．地理對象及其表達
a）理解地理實體和地理變數的差異
b）了解地理實體和地理變數的表達方式
2．地圖投影
a）了解地圖投影的含義
b）掌握高斯－克呂格投影
3．空間數據模型（或空間數據結構）
a） 深刻理解空間數據模型的含義
b）掌握矢量和柵格數據模型
c）了解三維數據模型、時空數據模型和面向對象的數據模型
4．資料庫與資料庫管理系統
a）理解資料庫與資料庫管理系統的含義
b）熟悉關系資料庫管理系統
c）理解空間數據存取的特殊性
d）掌握利用關系資料庫管理系統存貯地理空間數據的方法
e）理解空間資料庫與非空間資料庫的差異
（三）空間數據採集
1．地理信息系統的數據源
了解地理信息系統的各種數據源和不同數據類型的差異
2．空間數據採集的方式與過程
掌握空間數據採集的方式與過程
3．空間數據的質量
a）了解空間數據質量的內容
b）了解空間數據的誤差來源
c）熟悉空間數據的質量評價方法
4．空間數據標准
a）了解空間數據交換標准與交換格式
b）掌握元數據的概念和內容
c）了解空間數據互操作的含義
（四）空間數據處理
1．圖形編輯與拓撲生成
a）掌握圖形編輯的方法和過程
b）理解拓撲關系自動生成的原理
2．空間數據的拼接和裁剪
熟悉空間數據的拼接和裁剪
3．空間數據的坐標變換
了解空間數據的坐標變換
4．空間數據的壓縮
掌握矢量和柵格數據壓縮的方法
5．空間數據的轉換
a）掌握矢量和柵格數據轉換的方法和步驟
b）了解空間數據的格式轉換
6．空間插值
掌握空間插值的基本原理和主要方法
（五）空間查詢和空間分析
1．空間查詢
了解基本的空間查詢方法
2．空間量算與統計
a）掌握距離、方向、長度、面積等基本測度值的計算方法
b）掌握數學期望、方差、標准差、極差、相關系數等統計量的計算方法
c）具有運用空間統計分析解決問題的能力
3．數字高程模型
a）理解數字高程模型、數字地形模型的概念
b）掌握建立數字高程模型的方法
c）掌握坡度、坡向的計算方法
4．泰森多邊形
a）准確理解泰森多邊形（Voronoi圖）和Delaunay三角網的含義
b）掌握生成泰森多邊形的方法
5．疊置分析
a）理解疊置分析的含義
b）了解運用疊置分析的條件
c）熟悉疊置分析的類型和目的
6．緩沖區分析
a）理解緩沖區分析的含義
b）熟悉緩沖區的類型
c）掌握生成緩沖區的方法
7．網路分析
a）理解圖、樹、最小生成樹的概念
b）掌握最短路徑演算法
c）了解構造最小生成樹的思路
（六）空間數據輸出
1．空間數據的標度與可視化
a）了解空間數據的標度
b）熟悉空間數據的基本可視化方案
2．數字地圖設計與輸出
了解數字地圖設計與輸出的基本流程
3．電子地圖
a）掌握數字地圖和電子地圖的概念
b）了解電子地圖的基本特徵
4．虛擬現實
a）熟悉虛擬現實的概念和基本類型
b）了解虛擬現實的意義
c）了解虛擬現實的應用
（七）地理信息系統應用
1．地理信息系統產業
a）了解地理信息系統的主要應用領域
b）熟悉地理信息系統產業的主要業務和產品
c）了解地理信息系統的開發方法和開發過程
d）了解中國地理信息系統產業的發展現狀及存在的問題
e）具有運用地理信息系統解決實際問題的能力
2．「3S」集成
a）了解「3S」集成的含義
b）熟悉「3S」集成的方式
c）了解「3S」集成的應用領域
3．WebGIS
a）掌握WebGIS的概念
b）了解WebGIS的特點和意義

參考書目(須與專業目錄一致)(包括作者、書目、出版社、出版時間、版次)：

胡鵬，黃杏元，華一新．地理信息系統教程．武漢大學出版社，2002年，第一版。（建議考生適當參考其他地理信息系統教材和著作）

http://yjsy.fzu.e.cn/pu_list.asp?newid=15847&classid=819
希望能幫到你。

Ⅱ 從微信提現到銀行卡需要多長時間

微信提現到銀行卡時，當天16:00之前提現，當前23:59分之前到賬；當天16:00之後提現，次日23:59分之前到賬。微信提現步驟如下：
1、打開微信，點擊【錢包】；

2、點擊錢包下的【零錢】；

3、點擊零錢下的【提現】；

4、輸入提現金額；

5、輸入支付密碼驗證身份，驗證通過則提現成功。

Ⅲ 無人駕駛(三)行人跟蹤演算法

姓名：王夢妮

學號：20021210873

學院：電子工程學院

【嵌牛導讀】本文主要介紹了無人駕駛中所需的行人跟蹤演算法

【嵌牛鼻子】無人駕駛 環境感知 計算機視覺 卡爾曼濾波 粒子濾波 均值漂移

【嵌牛提問】無人駕駛中所用到的行人跟蹤演算法有哪些

【嵌牛正文】

行人跟蹤一直是視覺領域的一個難點，實際應用環境復雜、遮擋以及行人姿態變化等外界因素都影響著行人跟蹤演算法的研究。行人跟蹤演算法模型主要分為生成模型和判別模型。

（一）生成式模型

生成式模型是一種通過在線學習行人目標特徵，建立行人跟蹤模型，然後使用模型來搜索誤差最小的目標區域，從而完成對行人的跟蹤。這種演算法在構建模型只考慮了行人本身的特徵，忽略了背景信息，沒有做到有效利用圖像中的全部信息。其中比較經典的演算法主要有卡爾曼濾波，粒子濾波，mean-shift等。

（1）卡爾曼濾波演算法

卡爾曼濾波演算法是一種通過對行人構建狀態方程和觀測方程為基礎，計算最小均方誤差來實現跟蹤的最優線性遞歸濾波演算法，通過遞歸行人的運動狀態來預測行人軌跡的變化。

首先設定初始參數，讀取視頻序列。然後進行背景估計，產生初始化背景圖像。然後依次讀取視頻序列，利用Kahnan濾波演算法，根據上一幀估計的背景和當前幀數據得到當前幀的前景目標。然後對前景目標進行連通計算，檢測出運動目標的軌跡。經典的卡爾曼濾波演算法．只能對線性運動的行人實現跟蹤，之後學者改進了卡爾曼濾波演算法，能夠實現對非線性運動的行人進行跟蹤，計算量小，能實現實時跟蹤，但是跟蹤效果不理想。

（2）粒子濾波

    粒子濾波的核心就是貝葉斯推理和重要性采樣。粒子濾波可用於非線性非高斯模型，這是由於貝葉斯推理採用蒙特卡洛法，以某個時間點事件出現的頻率表示其概率。通過一組粒子對整個模型的後驗概率分布進行近似的表示，通過這個表示來估計整個非線性非高斯系統的狀態。重要性採用就是通過粒子的置信度來賦予不同的權重，置信度高的粒子，賦予較大的權重，通過權重的分布形式表示相似程度。

（3）均值漂移（mean-shift）

    Mean-shift演算法屬於核密度估計法。不必知道先驗概率，密度函數值由采樣點的特徵空間計算。通過計算當前幀目標區域的像素特徵值概率來描述目標模型，並對候選區域進行統一描述，使用相似的函數表示目標模型與候選模板之間的相似度，然後選擇在具有相似函數值最大的候選模型中，您將獲得關於目標模型的均值漂移向量，該向量表示目標從當前位置移動到下一個位置的向量。通過連續迭代地計算均值偏移矢量，行人跟蹤演算法將最終收斂到行人的實際位置，從而實現行人跟蹤。

（二） 判別式模型

判別模型與生成模型不同，行人跟蹤被視為二分類問題。提取圖像中的行人和背景信息，並用於訓練分類器。通過分類將行人從圖像背景中分離出來，以獲取行人的當前位置。以行人區域為正樣本，背景區域為負樣本，通過機器學習演算法對正樣本和負樣本進行訓練，訓練後的分類器用於在下一幀中找到相似度最高的區域，以完成行人軌跡更新。判別式模型不像生成式模型僅僅利用了行人的信息，還利用了背景信息，因此判別式模型的跟蹤效果普遍優於生成式模型。

（1）基於相關濾波的跟蹤演算法

      核相關濾波(KCF)演算法是基於相關濾波的經典跟蹤演算法，具有優良的跟蹤效果和跟蹤速度。這是由於其採用了循環移位的方式來進行樣本生產，用生成的樣本來訓練分類器，通過高斯核函數來計算當前幀行人與下一幀中所有候選目標之間的相似概率圖，找到相似概率圖最大的那個候選目標，就得到了行人的新位置。KCF演算法為了提高跟蹤精度，使用HOG特徵對行人進行描述，同時結合了離散傅里葉變換來降低計算量。

（2）基於深度學習的跟蹤演算法

    近年來，深度學習在圖像和語音方面取得了較大的成果，因此有許多科研人員將深度學習與行人跟蹤相結合，取得了比傳統跟蹤演算法更好的性能。DLT就是一個基於深度學習的行人跟蹤演算法，利用深度模型自動編碼器通過離線訓練的方式，在大規模行人數據集上得到一個行人模型，然後在線對行人進行跟蹤來微調模型。首先通過粒子濾波獲取候選行人目標，然後利用自動編碼器進行預測，最終得到行人的預測位置即最大輸出值的候選行人目標位置。2015年提出的MDNet演算法採用了分域訓練的方式。對於每個類別，一個單獨的全連接層用於分類，並且全連接層前面的所有層都是共享，用於特徵提取。2017年提出的HCFT演算法使用深度學習對大量標定數據進行訓練，得到強有力的特徵表達模型，結合基於相關濾波的跟蹤演算法，用於解決在線進行跟蹤過程中行人樣本少、網路訓練不充分的問題。此外，通過深度學習提取特徵，利用數據關聯的方法來實現跟蹤的演算法，其中最為著名的就JPDAF與MHT這兩種方法。

Ⅳ 求在進行多雷達精確定位時的一種定位演算法.

在實際情況中，往往使用更多雷達進行精確定位。在採用多基雷達進行飛行目標空中定位測量，主要為一發(T或T/R)多收(R)的多基系統，為集中式結構，
系統配置為一個主站(發射/接收)和三個分站(接收)，主站與分站之間通過信號同步網路實現在時域、頻域、空域上的嚴格同步。空間同步採用數字波束形成(DBF)技術，工作於脈沖追趕方式或同時多波束方式，各站將所測得的目標數據通過數據傳輸網路傳輸到中處理機，進行點跡相關、定位與跟蹤處理。觀測模式為主站(T/R)發射雷達信號，並能測量目標距離
!或方位角
，分站
測量距離差
方位角
或者其中之一的觀測量。在此種觀測模式下，目標的空間定位面為回轉雙曲面。因此我們設計了多基雷達目標定位演算法。具體演算法為:
設
為在笛卡兒坐標下某一地面站
的站址坐標，j=0,1,2,3.
為空中飛行目標的位置矢量，
.
為飛行目標至地面站
的距離，j=0,1,2,3.
為主目標斜距觀測量與分站至目標斜距觀測量之差值。
,其中
為主站與某一分站接收雷達反射信號的到達時間差i=1,2,3.
顯然，測量的斜距差
是空中飛行目標位置矢量
的函數，有
fj(r)=s0-sj-pj=0
(3)
sj=[(x-xj)^2+(y-yj)^2+(z-zj)^2]^1/2
要獲得空中目標三維位置矢量
，利用每一時刻測得的3個
值，
可得到如(3)式所示的三個獨立方程，用矩陣表達式為
,其中，f(r)=[f1(r)
f2(r)
f3(r)]^T
.
要從上述非線性測量方程中獲得精確的空間目標位置估計值，一個比較通用的方法是作泰勒級數展開，先給出一個飛行目標的初始估值
作為一個參考點，然後將測量函數
在
處作泰勒展開並進行線性化處理，有f
(r)=f|r0+G|r0*(r-r0)
(4)
式中，G是雅克比矩陣，定義為
.由(3)式和(4)式又可獲得空間目標位置矢量新的估計值
r=r0-G^-1*f|r0
(5)
然後，再將求出的估計值
作為新的初值，重復上述過程，又可獲得在
處的空中目標位置矢量估計
，這樣重復對目標位置進行迭代計，直到使估計值均方誤差滿足要求的精度。在上述過程中，由於採用了泰勒級數展開，存在一個線性化模型誤差。在實際解算時，也可以根據測量位置精度要求設置泰勒級數展開的階數，從而使得模型化誤差小得可以忽略。

Ⅳ 控制工程論文選題參考

控制工程論文選題參考

控制工程是處理自動控制系統各種工程實現問題的綜合性工程技術。下面，我為大家分享控制工程論文選題，希望對大家有所幫助!

1、DC-DC開關變換器建模、模擬與補償網路設計研究

2、Delta並聯機器人的運動規劃研究

3、GIS環境下的動態交通最優路徑演算法研究

4、GPS/SINS組合導航系統應用研究

5、GPS/SINS組合導航系統中誤差及精度研究

6、3×20KW光伏並網發電系統的設計

7、3G移動通信系統的無線網路優化

8、Android系統數據 護關鍵技術研究

9、LED車燈功能控制研究

10、LNG接收站安全系統的設計

11、PLC工控系統設計及其在自來水控制中的應用

12、PLC及變頻器控制的多電機驅動帶式輸送機的研究

13、RS232/PROFIBUS-DP從站介面設計與實現

14、ZigBee技術在智能家居系統中的應用研究

15、北斗衛星導航系統定位解算演算法的研究

16、變電站巡檢機器人磁導航系統設計與實現

17、變頻器用高性能開關電源的設計

18、攜帶型心電監護儀的採集電路和底層驅動程序開發

19、並聯型混合動力汽車再生制動控制策略研究

20、布袋式脈沖除塵器控制系統的設計與實現

21、步進電機快速定位方法研究

22、超臨界600MW機組協調控制系統的研究

23、超長航時無人機持久組合導航系統設計

24、城市自來水廠自控系統的設計與實現

25、程序化交易演算法模型的研究

26、船用起重機和波浪補償控制系統設計研究

27、純電動汽車鋰電池組充電均衡技術的研究

28、大型飛機項目風險管理研究

29、單相光伏並網逆變器的研究

30、單相光伏離網逆變器研究

31、倒立擺系統的穩定控制研究

32、低功耗嵌入式實時人臉識別系統

33、地面移動機器人安全路徑規劃研究

34、地源熱泵空調自動控制系統設計

35、電廠煙氣脫硫脫硝控制系統的研究與應用

36、電除塵電氣控制設計與實施

37、電動汽車動力電池管理系統的開發

38、電梯製造企業中供應鏈合理庫存問題研究

39、電子鼻/舌系統設計及氣-味信息融合技術應用

40、電子鼻與電子舌融合技術及其應用

41、動力電池主動均衡策略和SOC估計方法研究

42、動力鋰電池組管理系統的研究與設計

43、對艦船設備沖擊振動試驗的分析

44、多功能智能家居系統的設計與實現

45、多媒體教學設備管理系統設計

46、多通道腦電信號採集系統設計及開發

47、房地產市場的多方博弈分析

48、分布式光纖溫度感測系統的研究與設計

49、粉塵濃度測量技術研究

50、風電機組狀態監測與故障智能診斷系統研究

51、風力發電機整機性能評估與載荷計算的研究

52、風力發電機組模擬實驗平台的設計與實現

53、改進遺傳演算法和蟻群演算法在電力系統問題中的應用研究

54、高動態下GPS矢量接收機跟蹤演算法與實現研究

55、高精度溫箱溫度控制系統設計

56、高速PCB電源完整性設計與分析

57、高校貧困生認定方法與資助體系的研究

58、高校實驗室綜合管理系統研究與設計

59、高校圖書館火災自動報警與消防聯動系統的設計

60、高校遠程教育網路課程的設計與實現研究

61、高壓高頻變壓器的研究與設計

62、工業控制系統脆弱性分析與建模研究

63、工業用六軸機械臂的建模與模擬

64、故障電弧的識別及防護方法的研究

65、光伏並網發電系統的MATLAB模擬研究

66、光伏並網逆變器的濾波與控制技術研究

67、光伏發電系統建模及功率控制方法研究

68、光伏發電系統效率提升的研究

69、光纖光柵溫度感測器信號解調及其自動標定系統設計

70、鍋爐控制及PLC應用

71、海外投資項目的風險評價及控制研究

72、焊接機器人伺服控制系統設計

73、換流變壓器閥側套管的電場分布及絕緣特性研究

74、換熱器性能測試系統的設計與開發

75、火電廠輸煤電氣控制系統研究與設計

76、火災報警系統的應用與集成

77、基於51單片機的電子汽車衡設計

78、基於AIS的船舶實時監控系統的研究與實現

79、基於Android的移動VoIP高清視頻通話系統的設計與實現

80、基於Android的智能家居系統的設計與實現

81、基於ARM的物流包裹分揀機控制系統的設計

82、基於ARM和ZigBee的智能家居無線終端控制系統的設計

83、基於ARM與Zigbee技術的嵌入式智能家居系統設計

84、基於BP神經網路的銷售預測研究

85、基於C8051F單片機的'USB數據採集卡設計

86、基於CAN匯流排的汽車儀表研究

87、基於CCD攝像頭的智能小車系統研製

88、基於DCS的造紙自動化控制系統的設計與實現

89、基於DM365的智能視頻監控系統研究

90、基於DSP+FPGA的視頻圖像處理

91、基於DSP大功率全數字開關電源系統研究

92、基於DSP的SVPWM逆變器的研究與實現

93、基於DSP的高頻開關電源設計與實現

94、基於DSP的數字化舵機系統設計與實現

95、基於DSP的太陽跟蹤控制系統研究

96、基於DSP的無人機飛控系統的設計

97、基於DSP和CPLD的伺服控制器設計

98、基於EtherCAT匯流排的焊接機器人控制系統研究

99、基於GPRS的電梯遠程監控系統的設計

100、基於GPRS的智能充電樁數據管理系統的設計與實現

;

Ⅵ 粒子群優化演算法

姓名：楊晶晶  學號：21011210420  學院：通信工程學院

【嵌牛導讀】

傳統的多目標優化方法是將多目標問題通過加權求和轉化為單目標問題來處理的,而粒子演算法主要是解決一些多目標優化問題的（例如機械零件的多目標設計優化）,其優點是容易實現,精度高,收斂速度快。

【嵌牛鼻子】粒子群演算法的概念、公式、調參以及與遺傳演算法的比較。

【嵌牛提問】什麼是粒子群演算法？它的計算流程是什麼？與遺傳演算法相比呢？

【嵌牛正文】

1. 概念

        粒子群優化演算法(PSO：Particle swarm optimization) 是一種進化計算技術（evolutionary computation），源於對鳥群捕食的行為研究。

        粒子群優化演算法的基本思想：是通過群體中個體之間的協作和信息共享來尋找最優解。

        PSO的優勢：在於簡單容易實現並且沒有許多參數的調節。目前已被廣泛應用於函數優化、神經網路訓練、模糊系統控制以及其他遺傳演算法的應用領域。

2. 演算法

2.1 問題抽象

        鳥被抽象為沒有質量和體積的微粒(點)，並延伸到N維空間，粒子i在N維空間的位置表示為矢量Xi＝(x1，x2，…，xN)，飛行速度表示為矢量Vi＝(v1，v2，…，vN)。每個粒子都有一個由目標函數決定的適應值(fitness value)，並且知道自己到目前為止發現的最好位置(pbest)和現在的位置Xi。這個可以看作是粒子自己的飛行經驗。除此之外，每個粒子還知道到目前為止整個群體中所有粒子發現的最好位置(gbest)(gbest是pbest中的最好值)，這個可以看作是粒子同伴的經驗。粒子就是通過自己的經驗和同伴中最好的經驗來決定下一步的運動。

2.2 更新規則

      PSO初始化為一群隨機粒子(隨機解)。然後通過迭代找到最優解。在每一次的迭代中，粒子通過跟蹤兩個「極值」(pbest，gbest)來更新自己。在找到這兩個最優值後，粒子通過下面的公式來更新自己的速度和位置。

      公式(1)的第一部分稱為【記憶項】，表示上次速度大小和方向的影響；公式(1)的第二部分稱為【自身認知項】，是從當前點指向粒子自身最好點的一個矢量，表示粒子的動作來源於自己經驗的部分；公式(1)的第三部分稱為【群體認知項】，是一個從當前點指向種群最好點的矢量，反映了粒子間的協同合作和知識共享。粒子就是通過自己的經驗和同伴中最好的經驗來決定下一步的運動。

      以上面兩個公式為基礎，形成了PSO的標准形式。

      公式(2)和 公式(3)被視為標准PSO演算法。

2.3 標准PSO演算法流程

    標准PSO演算法的流程：

    1）初始化一群微粒(群體規模為N)，包括隨機位置和速度；

    2）評價每個微粒的適應度；

    3）對每個微粒，將其適應值與其經過的最好位置pbest作比較，如果較好，則將其作為當前的最好位置pbest；

    4）對每個微粒，將其適應值與其經過的最好位置gbest作比較，如果較好，則將其作為當前的最好位置gbest；

    5）根據公式(2)、(3)調整微粒速度和位置；

    6）未達到結束條件則轉第2）步。

        迭代終止條件根據具體問題一般選為最大迭代次數Gk或(和)微粒群迄今為止搜索到的最優位置滿足預定最小適應閾值。

      公式(2)和(3)中pbest和gbest分別表示微粒群的局部和全局最優位置。

    當C1＝0時，則粒子沒有了認知能力，變為只有社會的模型(social-only)：

被稱為全局PSO演算法。粒子有擴展搜索空間的能力，具有較快的收斂速度，但由於缺少局部搜索，對於復雜問題

比標准PSO 更易陷入局部最優。

    當C2＝0時，則粒子之間沒有社會信息，模型變為只有認知(cognition-only)模型：

      被稱為局部PSO演算法。由於個體之間沒有信息的交流，整個群體相當於多個粒子進行盲目的隨機搜索，收斂速度慢，因而得到最優解的可能性小。

2.4 參數分析

        參數：群體規模N，慣性因子 ，學習因子c1和c2，最大速度Vmax，最大迭代次數Gk。

        群體規模N：一般取20～40，對較難或特定類別的問題可以取到100～200。

        最大速度Vmax：決定當前位置與最好位置之間的區域的解析度(或精度)。如果太快，則粒子有可能越過極小點；如果太慢，則粒子不能在局部極小點之外進行足夠的探索，會陷入到局部極值區域內。這種限制可以達到防止計算溢出、決定問題空間搜索的粒度的目的。

        權重因子：包括慣性因子和學習因子c1和c2。使粒子保持著運動慣性，使其具有擴展搜索空間的趨勢，有能力探索新的區域。c1和c2代表將每個粒子推向pbest和gbest位置的統計加速項的權值。較低的值允許粒子在被拉回之前可以在目標區域外徘徊，較高的值導致粒子突然地沖向或越過目標區域。

        參數設置：

        1)如果令c1＝c2＝0，粒子將一直以當前速度的飛行，直到邊界。很難找到最優解。

        2)如果＝0，則速度只取決於當前位置和歷史最好位置，速度本身沒有記憶性。假設一個粒子處在全局最好位置，它將保持靜止，其他粒子則飛向它的最好位置和全局最好位置的加權中心。粒子將收縮到當前全局最好位置。在加上第一部分後，粒子有擴展搜索空間的趨勢，這也使得的作用表現為針對不同的搜索問題，調整演算法的全局和局部搜索能力的平衡。較大時，具有較強的全局搜索能力；較小時，具有較強的局部搜索能力。

        3)通常設c1＝c2＝2。Suganthan的實驗表明：c1和c2為常數時可以得到較好的解，但不一定必須等於2。Clerc引入收斂因子(constriction factor) K來保證收斂性。

      通常取為4.1,則K＝0.729.實驗表明，與使用慣性權重的PSO演算法相比，使用收斂因子的PSO有更快的收斂速度。其實只要恰當的選取和c1、c2，兩種演算法是一樣的。因此使用收斂因子的PSO可以看作使用慣性權重PSO的特例。

        恰當的選取演算法的參數值可以改善演算法的性能。

3. PSO與其它演算法的比較

3.1 遺傳演算法和PSO的比較

  1)共性：

  (1)都屬於仿生演算法。

  (2)都屬於全局優化方法。

  (3)都屬於隨機搜索演算法。

  (4)都隱含並行性。

  (5)根據個體的適配信息進行搜索，因此不受函數約束條件的限制，如連續性、可導性等。

  (6)對高維復雜問題，往往會遇到早熟收斂和收斂 性能差的缺點，都無法保證收斂到最優點。

    2)差異：   

    (1)PSO有記憶，好的解的知識所有粒子都保 存，而GA（Genetic Algorithm），以前的知識隨著種群的改變被改變。

    (2)PSO中的粒子僅僅通過當前搜索到最優點進行共享信息，所以很大程度上這是一種單共享項信息機制。而GA中，染色體之間相互共享信息，使得整個種群都向最優區域移動。

    (3)GA的編碼技術和遺傳操作比較簡單，而PSO相對於GA，沒有交叉和變異操作，粒子只是通過內部速度進行更新，因此原理更簡單、參數更少、實現更容易。

    (4)應用於人工神經網路(ANN)

    GA可以用來研究NN的三個方面：網路連接權重、網路結構、學習演算法。優勢在於可處理傳統方法不能處理的問題，例如不可導的節點傳遞函數或沒有梯度信息。

    GA缺點:在某些問題上性能不是特別好；網路權重的編碼和遺傳運算元的選擇有時較麻煩。

    已有利用PSO來進行神經網路訓練。研究表明PSO是一種很有潛力的神經網路演算法。速度較快且有較好的結果。且沒有遺傳演算法碰到的問題。

Ⅶ 矢量控制和V/F控制有何區別

一、性質不同

1、V/f控制：保證輸出電壓與控制頻率成正比，使電機能保持一定的磁通量，避免弱磁和磁飽和現象的產生。

2、矢量控制：用變頻器控制三相交流電動機的技術。通過調整變頻器的輸出頻率、輸出電壓的大小和角度來控制電機的輸出。

二、原理不同

1、V/f控制

V/f控制的原理是產生振盪頻率的電路稱為壓控振盪器，它是一種變阻器電容器。在電壓變化的情況下，電容的容量會發生變化，電容的變化會引起振盪頻率的變化，產生頻率轉換。此控制頻率用於控制輸出電壓的頻率，使被控制電機的轉速發生變化。

2、矢量控制

矢量控制將根據程序中計算出的電流矢量向電機產生三相PWM電壓。目的是控制電動機的三相電流。其中，電流、電壓等物理量將在兩個系統之間進行轉換。一個是隨速度和時間變化的三相系統，另一個是雙軸非線性旋轉坐標系統。

(7)矢量跟蹤演算法擴展閱讀：

矢量控制的特點：

1、需要量測（或是估測）電機的速度或位置，為了估計電機的轉速，需要電機的電阻和電感等參數。如果可以與各種不同的電機配合，則需要使用自動調諧程序來測量電機的參數。

2、通過調整控制的目標值，轉矩和磁通量可以快速變化，通常在5-10毫秒內。

3、如果使用PI控制，則階躍響應將超調。

4、功率晶體的開關頻率（載波）通常是固定的。

5、扭矩精度與控制系統中使用的電機參數有關。因此，如果電機的溫度發生變化，轉子的電阻值就會增大，誤差也會增大。

6、處理器效率要求高，電機控制演算法應至少每毫秒執行一次。

Ⅷ 柵格數據和矢量數據的組織異同點

柵格數據和矢量數據的組織異同點：
1、柵格數據操作總的來說容易實現，矢量數據操作則比較復雜；
2、柵格結構是矢量結構在某種程度上的一種近似，對於同一地物達到於矢量數據相同的精度需要更大量的數據；
3、在坐標位置搜索、計算多邊形形狀面積等方面柵格結構更為有效，而且易於遙感相結合，易於信息共享；
4、矢量結構對於拓撲關系的搜索則更為高效，網路信息只有用矢量才能完全描述，而且精度較高。
簡介：
一、柵格數據結構
基於柵格模型的數據結構簡稱柵格數據結構，是指將空間分割成有規則的網格，稱為柵格單元，在各個柵格單元上給出出相應的屬性值來表示地理實體的一種數據組織形式。
柵格數據結構表示的是二維表面上的要素的離散化數值，每個網格對應一種屬性。 網格邊長決定了柵格數據的精度。
二、矢量數據結構
矢量數據結構是利用歐幾里得幾何學中的點、線、面及其組合體來表示地理實體的空間分布的一種數據組合方式。

Ⅸ 目標跟蹤檢測演算法（一）——傳統方法

姓名：劉帆；學號：20021210609；學院：電子工程學院

https://blog.csdn.net/qq_34919792/article/details/89893214

【嵌牛導讀】目標跟蹤演算法研究難點與挑戰在於實際復雜的應用環境 、背景相似干擾、光照條件的變化、遮擋等外界因素以及目標姿態變化，外觀變形，尺度變化、平面外旋轉、平面內旋轉、出視野、快速運動和運動模糊等。而且當目標跟蹤演算法投入實際應用時，不可避免的一個問題——實時性問題也是非常的重要。正是有了這些問題，才使得演算法研究充滿著難點和挑戰。

【嵌牛鼻子】目標跟蹤演算法，傳統演算法

【嵌牛提問】利用目標跟蹤檢測演算法要達到何目的?第一階段的單目標追蹤演算法包括什麼?具體步驟有哪些?它們有何特點?

【嵌牛正文】

第一階段

目標跟蹤分為兩個部分，一個是對指定目標尋找可以跟蹤的特徵，常用的有顏色，輪廓，特徵點，軌跡等，另一個是對目標特徵進行跟蹤。

1、靜態背景

1）背景差： 對背景的光照變化、雜訊干擾以及周期性運動等進行建模。通過當前幀減去背景圖來捕獲運動物體的過程。

2）幀差： 由於場景中的目標在運動，目標的影像在不同圖像幀中的位置不同。該類演算法對時間上連續的兩幀或三幀圖像進行差分運算，不同幀對應的像素點相減，判斷灰度差的絕對值，當絕對值超過一定閾值時，即可判斷為運動目標，從而實現目標的檢測功能。

與二幀差分法不同的是，三幀差分法（交並運算）去除了重影現象，可以檢測出較為完整的物體。幀間差分法的原理簡單，計算量小，能夠快速檢測出場景中的運動目標。但幀間差分法檢測的目標不完整，內部含有「空洞」，這是因為運動目標在相鄰幀之間的位置變化緩慢，目標內部在不同幀圖像中相重疊的部分很難檢測出來。幀間差分法通常不單獨用在目標檢測中，往往與其它的檢測演算法結合使用。

3）Codebook

演算法為圖像中每一個像素點建立一個碼本，每個碼本可以包括多個碼元（對應閾值范圍），在學習階段，對當前像素點進行匹配，如果該像素值在某個碼元的學習閾值內，也就是說與之前出現過的某種歷史情況偏離不大，則認為該像素點符合背景特徵，需要更新對應點的學習閾值和檢測閾值。

如果新來的像素值與每個碼元都不匹配，則可能是由於動態背景導致，這種情況下，我們需要為其建立一個新的碼元。每個像素點通過對應多個碼元，來適應復雜的動態背景。

在應用時，每隔一段時間選擇K幀通過更新演算法建立CodeBook背景模型，並且刪除超過一段時間未使用的碼元。

4）GMM

混合高斯模型（Gaussian of Micture Models，GMM）是較常用的背景去除方法之一（其他的還有均值法、中值法、滑動平均濾波等）。

首先我們需要了解單核高斯濾波的演算法步驟：

混合高斯建模GMM（Gaussian Mixture Model）作為單核高斯背景建模的擴展，是目前使用最廣泛的一種方法，GMM將背景模型描述為多個分布，每個像素的R、G、B三個通道像素值的變化分別由一個混合高斯模型分布來刻畫，符合其中一個分布模型的像素即為背景像素。作為最常用的一種背景建模方法，GMM有很多改進版本，比如利用紋理復雜度來更新差分閾值，通過像素變化的劇烈程度來動態調整學習率等。

5）ViBe（2011）

ViBe演算法主要特點是隨機背景更新策略，這和GMM有很大不同。其步驟和GMM類似。具體的思想就是為每個像素點存儲了一個樣本集，樣本集中采樣值就是該像素點過去的像素值和其鄰居點的像素值，然後將每一個新的像素值和樣本集進行比較來判斷是否屬於背景點。

其中pt（x）為新幀的像素值，R為設定值，p1、p2、p3….為樣本集中的像素值，以pt（x）為圓心R為半徑的圓被認為成一個集，當樣本集與此集的交集大於設定的閾值#min時，可認為此為背景像素點（交集越大，表示新像素點與樣本集越相關）。我們可以通過改變#min的值與R的值來改變模型的靈敏度。

Step1：初始化單幀圖像中每個像素點的背景模型。假設每一個像素和其鄰域像素的像素值在空域上有相似的分布。基於這種假設，每一個像素模型都可以用其鄰域中的像素來表示。為了保證背景模型符合統計學規律，鄰域的范圍要足夠大。當輸入第一幀圖像時，即t=0時，像素的背景模型。其中，NG（x,y）表示空域上相鄰的像素值，f(xi,yi)表示當前點的像素值。在N次的初始化的過程中，NG（x,y）中的像素點(xi,yi)被選中的可能次數為L=1,2,3,…,N。

Step2：對後續的圖像序列進行前景目標分割操作。當t=k時，像素點(x,y)的背景模型為BKm(x,y)，像素值為fk(x,y)。按照下面判斷該像素值是否為前景。這里上標r是隨機選的；T是預先設置好的閾值。當fk(x,y)滿足符合背景#N次時，我們認為像素點fk(x,y)為背景，否則為前景。

Step3：ViBe演算法的更新在時間和空間上都具有隨機性。每一個背景點有1/ φ的概率去更新自己的模型樣本值，同時也有1/ φ的概率去更新它的鄰居點的模型樣本值。更新鄰居的樣本值利用了像素值的空間傳播特性，背景模型逐漸向外擴散，這也有利於Ghost區域的更快的識別。同時當前景點計數達到臨界值時將其變為背景，並有1/ φ的概率去更新自己的模型樣本值（為了減少緩慢移動物體的影響和攝像機的抖動）。

可以有如下總結，ViBe中的每一個像素點在更新的時候都有一個時間和空間上隨機影響的范圍，這個范圍很小，大概3x3的樣子，這個是考慮到攝像頭抖動時會有坐標的輕微來回變化，這樣雖然由於ViBe的判別方式仍認為是背景點，但是也會對後面的判別產生影響，為了保證空間的連續性，隨機更新減少了這個影響。而在樣本值保留在樣本集中的概率隨著時間的增大而變小，這就保證了像素模型在時間上面的延續特性。

6）光流

光流是由物體或相機的運動引起的圖像對象在兩個連續幀之間的視在運動模式。它是2D矢量場，其中每個矢量是一個位移矢量，顯示點從第一幀到第二幀的移動。

光流實際上是一種特徵點跟蹤方法，其計算的為向量，基於三點假設：

1、場景中目標的像素在幀間運動時亮度（像素值或其衍生值）不發生變化；2、幀間位移不能太大；3、同一表面上的鄰近點都在做相同的運動；

光流跟蹤過程：1）對一個連續視頻幀序列進行處理；2）對每一幀進行前景目標檢測；3）對某一幀出現的前景目標，找出具有代表性的特徵點（Harris角點）；4）對於前後幀做像素值比較，尋找上一幀在當前幀中的最佳位置，從而得到前景目標在當前幀中的位置信息；5）重復上述步驟，即可實現目標跟蹤

2、運動場（分為相機固定，但是視角變化和相機是運動的）

1）運動建模（如視覺里程計運動模型、速度運動模型等）

運動學是對進行剛性位移的相機進行構型，一般通過6個變數來描述，3個直角坐標，3個歐拉角（橫滾、俯仰、偏航）。

Ⅰ、對相機的運動建模

由於這個不是我們本次所要討論的重點，但是在《概率機器人》一書中提出了很多很好的方法，相機的運動需要對圖像內的像素做位移矩陣和旋轉矩陣的坐標換算。除了對相機建立傳統的速度運動模型外，也可以用視覺里程計等通關過置信度的更新來得到概率最大位置。

Ⅱ、對於跟蹤目標的運動建模

該方法需要提前通過先驗知識知道所跟蹤的目標對象是什麼，比如車輛、行人、人臉等。通過對要跟蹤的目標進行建模，然後再利用該模型來進行實際的跟蹤。該方法必須提前知道要跟蹤的目標對象是什麼，然後再去跟蹤指定的目標，這是它的局限性，因而其推廣性相對比較差。（比如已知跟蹤的物體是羽毛球，那很容易通過前幾幀的取點，來建立整個羽毛球運動的拋物線模型）

2）核心搜索演算法（常見的預測演算法有Kalman(卡爾曼)濾波、擴展卡爾曼濾波、粒子濾波）

Ⅰ、Kalman 濾波

Kalman濾波器是通過前一狀態預測當前狀態，並使用當前觀測狀態進行校正，從而保證輸出狀態平穩變化，可有效抵抗觀測誤差。因此在運動目標跟蹤中也被廣泛使用。

在視頻處理的運動目標跟蹤里，每個目標的狀態可表示為(x,y,w,h)，x和y表示目標位置，w和h表示目標寬高。一般地認為目標的寬高是不變的，而其運動速度是勻速，那麼目標的狀態向量就應該擴展為(x,y,w,h,dx,dy)，其中dx和dy是目標當前時刻的速度。通過kalman濾波器來估計每個時刻目標狀態的大致過程為：

對視頻進行運動目標檢測，通過簡單匹配方法來給出目標的第一個和第二個狀態，從第三個狀態開始，就先使用kalman濾波器預測出當前狀態，再用當前幀圖像的檢測結果作為觀測值輸入給kalman濾波器，得到的校正結果就被認為是目標在當前幀的真實狀態。(其中，Zt為測量值，為預測值，ut為控制量，Kt為增益。)

Ⅱ、擴展卡爾曼濾波（EKF）和無跡卡爾曼濾波（UKF）

由於卡爾曼濾波的假設為線性問題，無法直接用在非線性問題上，EKF和UKF解決了這個問題（這個線性問題體現在用測量量來計算預測量的過程中）。EKF是通過構建線性函數g(x)，與非線性函數相切，並對每一時刻所求得的g（x）做KF，如下圖所示。

UKF與EKF去求解雅可比矩陣擬合線性方程的方法不同，通過對那個先驗分布中的採集點，來線性化隨機變數的非線性函數。與EKF所用的方法不同，UKF產生的高斯分布和實際高斯分布更加接近，其引起的近似誤差也更小。

Ⅲ、粒子濾波

1、初始狀態：基於粒子濾波的目標追蹤方法是一種生成式跟蹤方法，所以要有一個初始化的階段。對於第一幀圖像，人工標定出待檢測的目標，對該目標區域提出特徵；

2、搜索階段：現在已經知道了目標的特徵，然後就在目標的周圍撒點(particle), 如：a)均勻的撒點;b)按高斯分布撒點，就是近的地方撒得多，遠的地方撒的少。論文里使用的是後一種方法。每一個粒子都計算所在區域內的顏色直方圖，如初始化提取特徵一樣，然後對所有的相似度進行歸一化。文中相似性使用的是巴氏距離；

3、重采樣：根據粒子權重對粒子進行篩選，篩選過程中，既要大量保留權重大的粒子，又要有一小部分權重小的粒子；

4、狀態轉移：將重采樣後的粒子帶入狀態轉移方程得到新的預測粒子；

5、測量及更新：對目標點特徵化，並計算各個粒子和目標間的巴氏距離，更新粒子的權重；

6、決策階段：每個粒子都獲得一個和目標的相似度，相似度越高，目標在該范圍出現的可能性越高，將保留的所有粒子通過相似度加權後的結果作為目標可能的位置。

3）Meanshift演算法

MeanShift演算法屬於核密度估計法，它不需要任何先驗知識而完全依靠特徵空間中樣本點的計算其密度函數值。對於一組采樣數據，直方圖法通常把數據的值域分成若干相等的區間，數據按區間分成若干組，每組數據的個數與總參數個數的比率就是每個單元的概率值；核密度估計法的原理相似於直方圖法，只是多了一個用於平滑數據的核函數。採用核函數估計法，在采樣充分的情況下，能夠漸進地收斂於任意的密度函數，即可以對服從任何分布的數據進行密度估計。

Meanshift演算法步驟

1、通過對初始點（或者上一幀的目標點）為圓心，繪制一個半徑為R的圓心，尋找特徵和該點相似的點所構成的向量；

2、所有向量相加，可以獲得一個向量疊加，這個向量指向特徵點多的方向；

3、取步驟二的向量終點為初始點重復步驟一、二，直到得到的向量小於一定的閾值，也就是說明當前位置是特徵點密度最密集的地方，停止迭代，認為該點為當前幀的目標點；

4）Camshift演算法

Camshift演算法是MeanShift演算法的改進，稱為連續自適應的MeanShift演算法。Camshift 是由Meanshift 推導而來 Meanshift主要是用在單張影像上，但是獨立一張影像分析對追蹤而言並無意義，Camshift 就是利用MeanShift的方法，對影像串列進行分析。

1、首先在影像串列中選擇目標區域。

2、計算此區域的顏色直方圖（特徵提取）。

3、用MeanShift演演算法來收斂欲追蹤的區域。

4、通過目標點的位置和向量信息計算新的窗口大小，並標示之。

5、以此為參數重復步驟三、四。

Camshift 關鍵就在於當目標的大小發生改變的時候，此演算法可以自適應調整目標區域繼續跟蹤。

3、小結

第一階段的單目標追蹤演算法基本上都是傳統方法，計算量小，在嵌入式等設備中落地較多，opencv中也預留了大量的介面。通過上面的兩節的介紹，我們不難發現，目標檢測演算法的步驟分為兩部分，一部分是對指定目標尋找可以跟蹤的特徵，常用的有顏色，輪廓，特徵點，軌跡等，另一部分是對目標特徵進行跟蹤，如上文所提及的方法。所以目標檢測方法的發展，也可總結為兩個方面，一個是如何去獲得更加具有區分性的可跟蹤的穩定特徵，另一個是如何建立幀與幀之間的數據關聯，保證跟蹤目標是正確的。

隨著以概率為基礎的卡爾曼濾波、粒子濾波或是以Meanshift為代表向量疊加方法在目標檢測的運用，使得目標檢測不再需要假設自身的一個狀態為靜止的，而是可以是運動的，更加符合復雜場景中的目標跟蹤。

Ⅹ 矢量化及MAPGIS相關技術

秦爽 李進化

（河南省地質博物館，鄭州450016）

摘要 地質圖件的矢量化，是解決地質圖件數字化瓶頸難題的必然途徑，隨著計算機與信息技術的迅速發展，數字化成圖方式已被廣泛應用，基於數字化地質圖的機助編繪勢在必行。本文從掃描矢量化的實際出發，從MAPGIS的基礎准備到具體操作等環節進行了分析，並結合了本人工作實踐，得出利用MAPGIS矢量化圖像的幾點體會。

關鍵詞 掃描；矢量化；柵格圖像；矢量圖形；MAPGIS；編輯；數字化

對於原有地質資料進行矢量化管理已成為趨勢。對圖件數字化不外乎兩種方法，一種是利用數字化儀進行數字化，誤差來源定向誤差，採集誤差等，這種方法在20世紀80、90年代曾流行一時，但由於投資較大，誤差較高，很少有人再使用；另一種方法是將圖件掃描成柵格圖像，並利用光柵矢量混合編輯軟體如MAPGIS、GTX、AutoCAD Overlay等來轉變成矢量數字圖形。

1 掃描矢量化的基本概念

（1）數字化。數字化是指把圖形、文字等模擬信息轉換成為計算機能夠識別、處理、貯存的數字信息的過程。

（2）矢量化。矢量化是指把柵格數據轉換成矢量數據的過程。

（3）光柵化。光柵化是指把矢量數據轉換成柵格數據的過程。

（4）柵格圖像。也稱光柵圖像，是指在空間和亮度上都已經離散化了的圖像。我們可以把一幅柵格圖像考慮為一個矩陣，矩陣中的任一元素對應於圖像中的一個點，而相應的值對應於該點的灰度級，數字矩陣中的元素叫做像素。數字圖像與馬賽克拼圖相似，是由一系列像素組成的矩形圖案，如果所有的像素有且僅有兩個灰度級（黑或白），則稱其為二值圖像，即點陣圖；否者稱其為灰度圖像或彩色圖像。

（5）矢量圖形。在介紹矢量圖形之前，我們首先闡述矢量對象的概念。矢量對象是以矢量的形式，即用方向和大小來綜合表示目標的形式描述的對象。例如畫面上的一段直線，一個矩形，一個點，一個圓，一個填充的封閉區域等。矢量圖形文件就是由這些矢量對象組合而成的描述性文件。矢量圖形則是計算機軟體通過一定演算法，將矢量對象的描述信息在顯示終端上重繪的結果。

紙質地圖經掃描儀掃描後，初步保存為柵格圖像（常見的格式有TIFF、BMP、PCX、JPEG等）。柵格圖像在地理應用領域有著這樣的缺陷：首先，柵格圖像文件對圖像的每一像素點（不管前景或背景像素）都要保存，所以其存儲量特別大。另外，我們不能對圖像上的任一對象（曲線、文字或符號）進行屬性修改、拷貝、移動及刪除等圖形編輯操作，更不能進行拓撲求解，只能對某個矩形區域內的所有像素同時進行圖像編輯操作。此外，當圖像進行放大或縮小顯示時，圖像信息會發生失真，特別是放大時圖像目標的邊界會發生階梯效應，正如點陣漢字放大顯示發生階梯效應的原理一樣。

而矢量圖形則不同。在矢量圖形中每個目標均為單個矢量單位（點、線、面）或多個矢量單位的結合體。基於這樣的數據結構，我們便可以很方便地在地圖上編輯各個地物，將地物歸類，以及求解各地物之間的空間關系。並有利於地圖的瀏覽、輸出。矢量化則是利用數字圖像處理演算法，將源圖上的各種柵格陣列識別為矢量對象，最後以一定格式保存的過程。矢量圖形在工業、制圖業、土地利用部門等行業都有廣泛的應用。在這些領域的許多成功軟體都基於矢量圖形，或離不開矢量圖形的參與，如MAPGIS、AutoCAD、ARC/INFO、Corel Draw、GeoStar等等。

隨著計算機科學、地理學、制圖學、遙感與攝影測量學、圖形圖像技術以及資料庫技術的不斷發展，地理信息系統已成為一種功能強大、性能完善的計算機系統，廣泛應用於規劃、土地、測繪、建設、環保、軍事等諸多部門，成為政府部門進行科學管理和快速決策時不可或缺的工具。而各具特點的 GIS和制圖應用軟體也給社會用戶提供更大的選擇性。MAP GIS作為較早發展起來的國產 GIS軟體，國內擁有一定數量的用戶。

由中國地質大學開發的MAP GIS是一個具有國際先進水平的地理信息系統，它分為「圖形處理」、「庫管理」、「空間分析」、「圖像處理」及「實用服務」5大部分，共計21個子系統。使用時，用戶根據自己的不同需要，隨機選擇各個子系統。

2 MAPGIS 掃描矢量化輸入

掃描矢量化，通過掃描儀輸入掃描圖像，然後通過矢量追蹤，確定實體的空間位置。對於高質量的原資料，掃描是一種省時、高效的數據輸入方式。MAPGIS掃描矢量化的主要功能有：

圖像格式轉換功能——系統可接受掃描儀輸入的TIFF柵格數據格式，並將其轉換為MAPGIS系統的標准RBM格式。

矢量跟蹤導向功能——可對整個圖形進行全方位游覽，任意縮放，自動調整矢量化時的窗口位置，以保證矢量化的導向游標始終處在屏幕中央。在多灰度級圖像上跟蹤線劃時，保證跟蹤中心線。

多種矢量化處理功能——系統提供了互動式手動、半自動、細化全自動和非細化全自動矢量化方式，同時提供了全圖矢量化和窗口內矢量化功能，供用戶選擇。

自動識別功能——系統應用人工智慧及模式識別的技術，在我國率先成功地實現灰度掃描地圖矢量化和彩色掃描地圖矢量化，克服了二值掃描地圖矢量化的致命弱點，使之彩色地圖可達全要素一次性矢量化。

編輯校正功能——系統提供了對矢量化後的圖元（包括點圖元和線圖元），進行編輯、修改等功能，可隨時進行任意大小比例的顯示，便於校對；對漢字、圖符等特殊圖元，可直接調用系統庫，根據給定的參數，自動輸入生成。

3 MAPGIS 的基本概念

MAP GIS把地圖數據根據基本形狀分為三類：點數據，線數據和區數據（亦即面數據）。與之相對應，文件的基本類型也分為三類：點文件（∗.WT），線文件（∗.WL）和區文件（∗.WP）。只有包括所有地圖數據的三類文件都疊加起來時，才構成一幅完整的地圖。

3.1 點

點是地圖數據中點狀物的統稱，是由一個控制點決定其位置的符號或注釋。它不是一個簡單的點，而是包括各種注釋（英文、漢字、阿拉伯數字等）和專用符號（包括圓、弧、直線、五角星、亭子等各類符號）。它與線編輯中「線上加點」的點的概念不同，「線上加點」的點是坐標點。所有的點圖元數據都保存在點文件中（∗.WT）。

3.2 線

線是地圖中線狀物的統稱。MAP GIS將各種線型（如點劃線、省界、國界、等高線、路、河堤）以線為單位作為線圖元來編輯。所有的線圖元數據都保存在線文件中（∗.WL）。

3.3 區

區通常也稱面，它是由首尾相連的弧段組成封閉圖形，並以顏色和花紋圖案填充封閉圖形所形成的一個區域。如湖泊、居民地等。所有的區圖元數據都保存在區文件中（∗.WP）。

3.4 圖層

在GIS的應用中，同一文件中有多種類型的地理要素。如一個線文件中可能包括等高線、公路、鐵路、河流等多種類型的線。為了便於編輯和管理，一般情況下，可以把同一類型的地理要素放到同一圖層，例如：將所有的鐵路線都放到鐵路圖層，而把所有的等高線都存放到等高線圖層，這樣所有的圖層都疊加起來就構成了一個完整的線文件。特殊情況下，一個圖層也可存為一個單獨的文件。

3.5 工程

一個工程由一個或一個以上的點文件、一個或一個以上的線文件和一個或一個以上的區文件組成。

3.6 編輯處理

數據輸入計算機後，就要進入圖形編輯、數據校正、圖廓整飾、鄰圖接邊、誤差消除等項工作。由MAP GIS圖形編輯子系統、拓撲結構編輯子系統、錯誤檢查和數據校正等子系統來完成上述各項編輯處理任務。

3.7 顏色設計

顏色是地學圖表現的一種重要要素，它直接影響地學圖的表現力和圖面效果。因此，地學圖對顏色的要求是非常嚴格的。MAP GIS對地學圖作了顏色的要求，在分析了地學圖印刷特點的基礎上，設計了一套靈活、方便、精確的顏色定義和色標系統。

3.8 圖形輸出

圖形輸出是MAP GIS系統中最後一道工序，通常是把顯示所需的圖形數據，經過分析、處理、編輯、用色、自檢、誤差消除等，在基本符合要求後，用彩色噴墨繪圖儀輸出彩色樣圖，對彩色樣圖進行校對和系統質量檢查。

4 利用 MAPGIS 矢量化圖像的幾點體會

在MAP GIS軟體使用過程中，制圖單位經常會遇到這樣或那樣棘手的問題，針對這類問題，通過查閱MAP GIS參考手冊並總結計算機制圖工作經驗，得出了以下利用MAP GIS繪制地質圖件的幾點體會，以供同行參考。

4.1 掃描數字化的圖件，可以直接用於MAPGIS 矢量化

我們掃描圖字化的圖件，有黑白二值、灰度和彩色（RGB模式）三種格式，MAP GIS正好支持這三種格式的TIF光柵文件（∗.TIF），可以在PHOTOSHOP中打開此光柵文件，另存為TIF文件即可。

4.2 編輯

作為地質圖編輯者來說，不僅應有相關的專業技術能力，而且還要有一定的野外工作經驗，美術特長和認真負責的態度，按照國家標准、行業規范進行編輯處理。在圖形輸入之前，編輯者必須對原圖進行全面閱讀，了解圖面內容，查看平面圖、圖切剖面、圖例、文字、地質事件、模式圖等是否合理和吻合。對地形圖編輯時，必須增加補充現勢性資料，如三角點、公路、鐵路、河流、湖泊、水庫、居民地及注記等。然後，對圖件的各項內容先進行錯誤消除，按地學圖製作要求，設計版面，按規范設置字體、字型大小、圖面整飾、設色方案等，這些都與編輯者密切相關。

4.3 校對

校對是一項反復的系統工程，又是出版物的一個重要環節，一般需經過多次校對，才可能消除存在的錯誤，保證其質量。地質圖雖然在MAP GIS系統下經過編輯和處理，往往還不能達到理想效果。那麼，必須通過彩色噴墨繪圖儀輸出彩色樣圖（或素圖），進行一校、二校及質量檢查。在檢查過程中發現的缺陷，應及時處理，使圖件規范化、標准化，彌補編圖者之不足，達到最佳效果。

值得注意的是：從彩色噴墨繪圖儀輸出的顏色和色標存在著一定的差異（水性顏色與油性油墨之間的差別），膠版紙和銅版紙紙質纖維、亮度的差別，只要按地質圖用色標准確定色號，印刷成品的顏色和色標顏色基本是一致的。

5 結束語

在掃描數字化的基礎上，對原有地質資料進行矢量化。MAP GIS作為一套優秀的地理信息系統軟體，應用在很多行業中。我們可以通過MAP GIS的「輸入編輯」模塊，在地形圖或其他掃描後的柵格圖件上採集數據，矢量化，形成完整的點、線、面文件，結果或者出圖列印，或者進行各種應用分析，這是我們的發展趨勢。

參考文獻

［1］秦爽，李進化.普查地圖編制.北京：測繪出版社.1982.

［2］秦爽，李進化.計算機地圖制圖.北京：測繪出版社.1991.

［3］第四屆全國地質檔案資料學術研討會文集.北京：海洋出版社.2004.

［4］楊公之主編.檔案信息化建設實務.北京：中國檔案出版社.2003.

［5］董國臣，郝國傑，陳達，等.GIS在1：5萬榆關鎮幅區域地質調查中的應用［J］.中國區域地質，1998，17（4）.