基于格式塔识别原则挖掘空间分布模式
第36卷第3期
2007年8月
测绘
ACTAGEODAETICAetCARTOGRAPHICASINICA
Vo1.36.No.3
Aug,2007
文章编号:1001.1595(2007)03.0302.07中图分类号:P208文献标识
码:A
基于格式塔识别原则挖掘空间分布模式
艾廷华,郭仁忠
(1.武汉大学资源与环境科学学院地理信息系统教育部重点
实验室
17025实验室iso17025实验室认可实验室检查项目微生物实验室标识重点实验室计划
,
湖北武汉430079;2.深圳市国土资源与房产管理
局,广东深圳518031)
PolygonClusterPatternMiningBasedonGestaltPrinciples
AITing-hua,GUORen-zhong2
(1.KeyLaboratoryofGeographicInformationSystem,SchoolofResourcea
ndEnvironmentSciences,WuhanUniversity,
Wuhan430079,China;2.ShenzhenMunicipalPlanningandLandInformatio
nCenter,Shenzhen518031,China)
Abstract:Thepatternrecognitionofspatialclusterobjectisanactiveissueinthefieldofdatamining.Thisstudyat-
temptstoinvestigatetheapphcationofspatialcognitionprinciplesinthisquestioncombingtheG~taltprinciplesand
spatialclusteringmethod.ToreplacethetraditionalEuclideandistance,anewdistanceconcept,namelyvisualdis-
tanceisbuilttorepresentthedifferencebetweenneighborentities,whichconsidersthedifferencenotonlyingeo-
metricpositionbutalsoinsizeandlayoutorientation.Becausethesefactorsgreatlyaffectthevisualjudgmentinspa-
tialcognition.BasedontheDelaunaytriangulationthestudypresentsthegeometricconstructionsimilartoVoronoi
diagramtocomputethevisualdistance.TheclusteringmethodbasedonMSTstructureshowsthebuildinggroup
recognitionisconsistentwiththemanualidentification.Thisstudytriestostatethattheutilizationofcommon
mathematicmodelinGISdomainhastotakeintoaccounttheimpactsofspatialcognitiontodesigntheimproved
modelwhichfromtheperspectiveofrecognitionconsidersthepsychologicalprocess,suchasperception,identifica-
tion,recognitionandreasoning.
Key
word
word文档格式规范word作业纸小票打印word模板word简历模板免费word简历
s:spatialcognition;Gestaltprinciples;spatialdatamining;spatialcl
ustering;Delaunaytriangulation
摘要:面向空间群目标的分布模式识别是空间数据挖掘比较关注的问题.本研究基于空间认知原理与视觉
识别格式塔完形原则并结合空间聚类方法对该问题进行研究,提出用于描述实体间差异的”视觉距离”概念,其
定义综合考虑视觉识别中的位置,方向,大小差异,通过Delaunav三角网计算几何构造建立该距离计算的模型.
在实验基础上提出基于最小支撑树MST的聚类方法,获得与视觉认知相一致的结果.研究试图
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
明一个观
念,即通用性的数据处理模型在GIS实际应用时,需要根据GIS作为”空间认知”科学的原理,作技术方法上的
改进,需要考虑认知主体在感知,辨析,识别,推理不同思维过程中的认知心理原则.
关键词:空间认知;格式塔原则;空间数据挖掘;空间聚类;Delaunay三角网
1引论
地理信息科学与信息技术,计算机科学密切
相关,计算机科学研究领域提出的热点问题,在
GIS研究领域很快被冠上”地理”,”空间”的前缀
后作为平行的热点问题,如科学计算可视化在
GIS领域对应为地理信息的可视化,数据挖掘在
GIS领域对应为空间数据挖掘,分布式并行处理
的网格计算,在GIS领域成为面向空间数据的地
理网格计算.以空间数据挖掘为例,旨在从大量
数据表征上提取,导出蕴藏在其后的关于事物现
象的机理,特征,规律的这门分析技术,在计算机
科学领域产生后,很快被引入到GIS领域,并逐
步与过去的计量地理,空间分析,地图分析融为一
体,在数据挖掘研究中应用的各种数学模型,方法
几乎均可以借用到GIS的针对空间定位数据的
加工处理中,如基于多元统计方法的空间关联规
收稿日期:2006—01—22;修回日期:2007—01—22
基金项目:”新世纪优秀人才支持
计划
项目进度计划表范例计划下载计划下载计划下载课程教学计划下载
”(NCET一05—0623)
作者简介:艾廷华(1969一),男,湖北宜都人,教授,博士生导师,主要研
究方向为地图综合,GIS不确定性问题.
E—mail:tinghua—ai@tom.com
第3期艾廷华等:基于格式塔识别原则挖掘空间分布模式303
则提取,空间聚类分析,空间语义类型识别是目前
空间数据挖掘研究的主要内容_1J.从这些问题
研究的内涵与外延看,给人一种感觉似乎GIS仅
仅是计算机科学的应用分支.
Goodchild[2J认为GIS的发展实现了从”地理
信息系统”到”地理信息科学”认识的转变,表明了
GIS不是计算机技术的一个简单的应用分支.它
所面向的具有空间定位特征的数据对象,其加工
处理明显有其独特性;通用性的计算处理方法一
旦与空间定位特征结合,就必然要作深层次的改
进,就不仅是简单的具体应用,这种改进应当是
GIS研究人员需独立完成的工作,同时也是显示
GIS学术地位的工作.
,
从何处来寻找GIS数据处理在空间定位特
征上体现的独特性?答案要从GIS的核心科学
问题中寻找.空间认知是GIS研究的核心问题
之一,即研究地理实体世界在人们大脑中如何建
立空间概念,如何在表达空间中描述地理事物与
现象,如何在心像地图中通过认知推理解释空间
现象,提取空间规律3.GIS的理论基础,在一定
程度上属于认知科学的范畴,美国NCGIA等研
究机构已将空间认知作为GIS研究的核心理论
问题提出来了.
.
一
旦从空间认知角度讨论GIS功能与技术
方法(包括空间数据挖掘),就需要考虑认知主体
的特征,而不能仅仅局限于数据客体本身.人在
识别,辨析,发掘地理信息的过程中,受认知能力,
认知环境,知识背景的影响,获取的信息以及对信
息的诠释会有较大的差别.从认知心理学原理
看,人们在对空间认知的过程中,会不自觉地受一
些共性的认知原则控制,这使得我们在研究设计
GIS分析模型,算法时,不仅要考虑数据本身的特
性,同时还要考虑其在后继应用过程中认知主体
的特征_4,5J.目前在学术界比较热门的基于本体
论的GIS研究,就在于试图将本体存在与被认知
两个过程区分开,剥离认知过程建立本体地理信
息概念,仅仅考虑地理实体本身,归纳出较多共
性,然后与不同领域的认知过程结合,达到服务于
多用户的目的.
,
传统的地图学已注意到基于地图图形,符号
的分析处理,需要将数学模型与认知识别的心理
学规则结合,才能获得符合我们认知规则的结果,
如基于Bertin符号参量的地图符号设计与分
析_6J,基于格式塔原则的空间分布模式读图识
别,等等.空间数据挖掘研究面临着同样的问题,
需要从空间认知原则出发在视觉识别过程提取空
间分布规律,分布模式以及过程机理,这是GIS
空间数据挖掘区别于诸如社会经济等一般性非空
间数据挖掘的重要方面.本文试图从一个小问题
的研究来阐明这一观点,以目前在空间数据挖掘
研究中应用较广的空间聚类分析为例,讨论如何
将格式塔视觉识别原则与常规的聚类分析方法结
合,来挖掘建筑物群,岛屿群目标的空间分布模
式.本文在研究两目标距离关系时,不仅考察欧
氏空间的远近(位置差异),还包括在模式结构上
对认知效应有重要影响的方向差异,大小差异,形
状差异等因素,提出”视觉距离”的概念取代”欧氏
距离”,采用了计算几何的Delaunav三角网模型
来提取计算视觉距离.
2动机
空间群目标是GIS数据类型中的复杂目标,
在空间场中通过地理现象相互作用,形成特定结
构的分布模式,该类目标在自然地理,人文地理现
象中具有大量实例,是GIS空间分析重要对象之
一
.群目标的分析与简单目标不同,其分析过程
对单个目标的个体特征不感兴趣,关心的是群体
分布所隐含的空间结构化信息,分析的目的在于
提取空间相关规律.在GIS研究中,群目标的分
布模式识别通常通过聚类分析来完成,根据距离
关系将目标群划分为若干个组,使得组内元素的
联系比跨组间元素的联系要紧密.根据对”相关
性联系”的不同定义,在多元统计分析中提出了多
种聚类方法,包括基于欧氏距离的,基于密度的,
基于层次的,基于概率分布的等_7J.
纯粹的统计聚类方法将实体元素视为O维的
点,其间的疏密关系通过欧氏距离计算,应用到空
间群目标模式识别时,这一处理策略显然是不合
理的.实际地理空间的实体是具有一定覆盖范围
且有特定分布态势的2维几何实体,相互间的距
离计算不能简单当作两点距离处理,两实体间的
疏密关系判断要顾及方向大小差异,形状相似性
等,除非是大尺度空间可以将目标视为无大小的
点.当目标间的欧氏距离相差无几时,在视觉识
别上判断目标分布模式将主要由其他因素决定,
几乎可以不考虑距离远近.
如图1所示,(a)图建筑物间的距离相近(尽
管在定量化数值上存在微小差异,但已不是我们
304测绘第36卷
肉眼能分辨出的),根据同方向,同大小,同形状的
格式塔完形原则肉眼识别得到(b)图的模式划分
结果,然而由计算机根据严格的距离远近比较得
到了(c)图的识别效果,严重歪曲了建筑物群的分
布模式,在这里欧氏距离对分布模式识别已完全
不起控制作用.
图1由大小,方向,形状相近识别建筑物分布模式示例
((b)正确,(C)不正确)
Fig.1Twocasesofbuildingclusterrecognition((b)correct
consideringthesize,orientationandshapebut(c)
incorrect)
这样,在小尺度空间对建筑物群这类目标进
行空间聚类时,需寻求新的距离概念来表达两目
标之间疏密关系,使其能合理地表达视觉识别上
的差异,同时在类型的划分(包括数目和层次)上
也要符合视觉识别的原则.
3基于格式塔原则的视觉距离计算
3.1格式塔原则
模式,结构是空间目标分布形成的一种态势,
一
种相互依存的空间构架,在视觉判断中自觉将
其归为一整体构造.在这一识别判断过程中,人
们会不自觉地受一些规则约束,其中格式塔视觉
识别原则是其中之一,它在认知心理学上也称为
完形识别原则.
单词Gestalt来源于德语,其原始含义为形式
(form)或形状(shape),而在心理学中又赋予它层
次更高的含义,特别强调具有praegnanz(简洁,完
备)性质与表象的完整性,有关研究将格式塔定义
为”各部分之间相互影响的一个有机整体,具有整
体大于各部分之和的特性”.认知心理学认为意
识不等于感觉元素的简单集合,人在视觉感知过
程中,总是会自然而然地有一种追求事物的结构
整体性或守形性的趋势,视觉形象首先是作为统
一
的整体被认知的,而后才以部分的形式被认知.
也就是说,我们先”看见”一个构图的整体,然后才
“看见”组成这一构图整体的各个部分.由这一规
则可派生出若干亚原则,称作组织律,即某些图形
组织的规律,包括图形和背景原则,接近性原则,
相似性原则,连续性原则,完美图形原则等【4,8J.
在空间聚类或模式识别中,通常只考虑元素
间的欧氏距离,把距离近的归为同一类,把距离远
的归到不同类.这是因为在尺度上实体单元的大
小比相互间距离小得多,在识别中几乎可以忽略
实体的大小,方向,布局等因素对模式结构的影
响,但对于图l的情形,在模式识别中非距离因素
上升为主要控制条件.于是产生了问题:如何构
造一个参量从视觉认知意义上来描述实体间的差
异?
这里我们建立一种新的距离概念”视觉距
离”,用于不同元素间视觉识别上的疏密关系表
达,该距离的定义考虑3个因素:欧氏距离上的远
近,方向布局上的差异和大小差异,将三者融合到
一
起建立视觉距离概念,以期解决图l模式识别
中的问题,即当所有目标间的欧氏距离相差无几
时,那些方位相同,大小接近的两目标,在视觉识
别中表现出密切的关系,其间的视觉距离数值小,
从而顾及视觉识别上的格式塔原则.多边形目标
间的距离计算是一个复杂的问题,存在最大距离,
最小距离,重心距离,平均距离等,这些距离概念
只是考虑了空间目标的几何特征,不能较好地描
述视觉识别上疏远与亲密的关系,广义上的距离
还包括诸如”社会心理距离”等,需要考虑除”位置
远近”以外的其他因素.
视觉距离的计算需要解决两个问题:一是采
用什么几何模型可以同时提取计算3个参量;二
是如何将不具有可比性的量纲参量融为一体.
3.2几何模型
以小尺度空间中建筑物群的模式识别为例提
出”视觉距离”计算的几何模型.建筑物多边形间
的空间关系判断是一种综合考虑距离,方向,大小
等因素的邻近分析,几何构造Delaunav三角网所
具备的”外接圆规则”和”最邻近连接”特征使得其
成为空间邻近分析中的有力工具,已广泛应用于
空间冲突探测,空间距离计算等【5?.这里运
用Delaunav三角网建立建筑物群的空间等剖分
几何模型,为视觉距离计算做准备.
参加三角网构建数据为建筑物多边形边界上
一
一摧一一豢一
圃匿
第3期艾廷华等:基于格式塔识别原则挖掘空间分布模式305
的点,为避免多边形边界与三角形相交,采用约束
Delaunav三角网.为解决建筑物多边形长边界导
致的约束条件与”最邻近连接”之间的矛盾,我们
采用边界点内插的方法,从而避免狭长形三角形
的产生,内插步长设置为相邻建筑物间的最小距
离,有关该问题的详细讨论和具体实现过程见作
者早期文献[5,9].这里只考察跨接不同建筑物
间的三角形,通过”三角形三顶点是否落在同一多
边形边界上”的条件判断,剔除那些位于建筑物多
边形内部或位于其凹部区域的三角形,对剩下的
三角形按文献[9]的方法构建骨架线,得到图2所
示的建筑物群剖分结构,类似于Voronoi图剖
分E12].
图2建筑物群剖分结果及相邻目标通视区域示例
Fig.2ThepartitioningofbuildingclusterandaniUustra—
tionofvisibleregionbetweentwoneighborbuildings
3.3视觉距离计算
建筑物多边形间的空白区域被三角网所覆
盖,由于Delaunav三角网的最邻近连接特征,跨
越两相邻多边形边界的三角形集构成了其间的通
视区域,如图2所示.三角形集通视区域及其穿
越该通视区域的骨架线,在几何特征上较好地描
述了两目标间的空间关系.两多边形间的距离处
处不一样,通过通视区域的平均宽度可以表达两
目标间的位置远近,互相面对的通视区域边界的
拟和直线的夹角可以表达两目标空间布局走向是
否一致.
根据上述讨论的视觉距离由欧氏距离,方向
差异,大小差异的复合,定义视觉距离:
dis,direction,Size) Vdis=f(Avg—
首先在上述剖分模型上计算3个独立的参
量.两目标间平均距离的计算,采用微积分思想,
认为布设在通视区域中的三角形是剖分的片元,
片元三角形的高表达局部的两点距离,以骨架线
落在当前三角形部分的长度占整条骨架线长度的
比率作为加权值,通过累积得到两目标间的加权
平均距离,计算公式如下
:
妻lli_0,
其中,f为骨架线长度,..为局部区域的间
距,PP+1为局部区域骨架线长度.在描述目标
间远近关系上,基于三角形剖分的平均距离比最
小距离有改善.如图3,A与B,A与c最小距离
相同,但按照该计算方法A与c的平均距离要小
于A与B的平均距离,这符合视觉感知上Ac
比AB关系密切的判断.
图3最小距离相同,视觉远近不同示例
Fig.3TheminimumdistancebetweenAandCissameas
thatbetweenAandB,butvisuallyAtoCiscloser
另外两个影响视觉感知的因素是方向差异及
大小差异,可分别表达为两直线的夹角及面积的
比率.如何寻求函数厂将3个不同量纲的参量集
成为统一的视觉距离具有一定难度,顾及到欧氏
距离仍然是描述目标关系疏密的主导因素,这里
将方向差异,大小差异作为权值加载到平均距离
上.
用cd,c分别表示方向差异权值和大小差
异权值,设定权值的变化范围为[1,2],cd对应
方向夹角为[0,90~],角度越大cd越大,其作用是
使视觉距离增大,解释为因为布局方向的不一致
导致视觉判别上关系疏远.
大小差异由面积比率(由其中的小面积比大
面积)表达.c的变化范围为[1,2]对应面积比
率为[1,0.25],如果面积比小于0.25,则大小差
异的权值强制为2,解释为两目标面积大小越悬
殊(面积比越小),权值越大,接近2,导致视觉
距离增大,表明两目标关系趋向于疏远.需要说
明的是,这些阈值的设定是基于大量实验后的经
验值,难以从原理上解释,但可以根据其变化趋势
分析其对视觉距离的影响.
图4及表1中的数值表达了视觉距离计算的
过程及结果,从中可看出视觉距离与常规的最小
距离的差异,如,比较连接线2与3,最小距离相
差无几,但3的视觉距离要比2小得多,由于3连
306测绘第36卷
接的两多边形的大小,方向比较接近,从而体现出
更密切的关系,符合视觉判断结果.
图4建筑物群的邻近连接及MST树表达
Fig.4TheneighborgraphandMSTtreerepresentationof
buildingcluster
表1视觉距离计算的有关参量及结果
Tab.1ParametersofVisIlaIdistancecomputation
4基于MST方法的空间聚类
基于视觉距离对多边形群进行空间聚类,这
里采用最小支撑树MST方法.MST为多边形群
连接的邻近图,具有所有连接点相通,无闭合环且
树的连接边的距离和最小的特征[13],MST是空
间聚类的有力支撑工具,通过树的逐级剪枝可获
得不同层次的聚类结果.与其他统计分析聚类方
法相比,基于MST树的方法可以不必预先确定
分多少类,通过后验分支距离的大小决定,同时在
剪枝过程中,元素的空间分布模式可作为附加条
件,非常符合本研究的应用需求.
在剖分模型上,根据通视关系可提取任意多边
形目标的邻近目标,该邻近关系通过边的连接表
达,而连接点代表多边形建筑物的重心点,得到的
结果为如图5所示的邻近图.这里邻近图的边上
被赋予视觉距离而非连接点间的实际欧氏距离.
图5基于邻近关系的建筑物群连接图
Fig.5Aneighborhoodgraphofbuildingclusterbasedon
adjacencyrelationship
图6在图5邻近图上生成的最小支撑树MST
Fig.6ThegenerationofMSTtreefromtheneighborhood
graphinfig.5
采用计算几何的基于图的MST生成算法,
将邻近图上的部分连接边删除,保证无闭合环且
保留边上的视觉距离和为最小,得到基于视觉距
离的最小支撑树MST,如图6所示.图4上的粗
线表示MST边,对应距离数字在表中也用加粗
黑色标示,其余为非MST边上的距离.
第3期艾廷华等:基于格式塔识别原则挖掘空间分布模式307
图7在MST树上逐级剪枝获得不同层次的分布群聚类结果
Fig.7ProgressivelyclippingMSTedgesgetspolygonclustersatdifferentleve
ls
MST树将区域内所有目标连成一个整体,且
在距离和最小条件下尽量使每个目标与较近的邻
近目标连接,对MST树任一条边剪枝,都会将目
标群分为两组.进一步考察MST树的连接边的
视觉距离,根据其值大小差异可区分为强连接和
弱连接,通过边的视觉距离的方差计算,可了解类
型划分是否明显,如果方差大,表明MST边的强
弱连接差异明显,有明显的类型划分结构,否则表
明差异不够明显(距离比较均匀,不具有明显分组
结构),难于划分类型.
对于类型划分明显,且有较好层次结构的情
形,如图7所示,我们可以在MST树上逐级剪
枝,在数据结构上得到树结构表达的聚类结果,图
8中A—c—DE,G一日,t,KL…,体现出聚
类的层次性,这里树结点A,B,c,…对应于图7
中的不同层次的多边形群组.
图8表达图7聚类过程的结构树
Fig.8ThetreestructuretoiepresenttheIippi”gprocessonMST
更一般的情形是类型划分不明显的,不能简
单按照MsT树各边视觉距离由大到小的顺序逐
级剪枝.在视觉识别中,我们有试图将对象归并
到某一类的倾向,而不让单个目标独立存在于心
像空间,顾及这一事实,在MST树的连接边中,
某些关键性的连接边不能简单按常规剪枝,否则
它连接的目标成为孤立的对象.可区分两种类型
的边,一是邻接多于两个结点的交汇点,二是邻接
一
个或两个结点的单连通点.单连通点与其他目
标的依附关系弱,除非边的视觉距离特别大(可
预设一个较大的阈值),否则这类邻接单连通点的
边不参加剪枝.而其他的边按视觉距离由大到小
逐级剪枝,预设一阈值,当遍历边视觉距离小于等
于该阈值时,停止剪枝,保留下来的MST边连接
的目标构成多边形组分布模式.
图9是基于1:1万城市街区数据的模式识别
实验结果,根据建筑物群的分布结构进行分组.
分析该结果,发现具有明显群结构的目标集均能由
该方法识别出来,与肉眼视觉识别基本一致.建筑
物大小差异不均,分布无规律时,识别结果不能令
人满意,这种情形对肉眼识别也是困难的.图9的
情形属于实体间欧氏距离无明显差异,如果采用常
规的聚类分析不能得到满意的分组结果.
图9建筑物分布群识别结果示例
Fig.9Anillustrationofbuildingclusterrecognitionbased
onMSTofvisualdistance
308测绘第36卷
5结束语
本文的研究试图表明一个观念,即通用性的
数据处理模型在GIS实际应用时,需要根据GIS
作为”空间认知”科学的原理,考虑认知主体在感
知,辨析,识别,推理不同思维过程中的认知心理
原则.这些原则是我们设计GIS分析模型的出
发点,通常需要与纯粹的数学方法,几何模型结
合,得出体现空间定位特征同时又为我们视觉认
知所接受的分析结果.
以格式塔视觉原则为例,本文提出了群目标
空间分布模式识别的方法,将通用型的聚类分析
应用到建筑物群分布模式数据挖掘时,根据视觉
认知对位置,大小,方向的综合考虑,定义了符合
格式塔识别原则的视觉距离,基于Delaunay三角
网几何构造,建立了视觉距离计算方法.
本研究需进一步探讨的问题包括:?格式塔
原则的扩展,在视觉距离定义中,至少还应包括
“形状”,形状尽管是图形认知中的最本源问题,在
GIS领域对大尺度空间认知时,如何用定量化模
型描述定义形状的是一个悬而未决的问题.此外
本研究只是考虑了格式塔原则中的相似性和邻近
性原则,其他还有封闭性,延展性,节奏性等原则
还需进一步考虑.?与其他聚类与模式识别方
法比较,寻找在这类问题研究中的最佳空间聚类
方法,聚类分析包含有多种方法,如基于欧氏距离
的,基于密度的,基于层次的,基于概率分布的等.
?通过认知实验来验证识别结果的好坏,通过不
同年龄,不同专业,不同文化背景的人员的认知实
验及结果分析,从中寻求空间分布模式挖掘的方
法,尤其是有关阈值参量的确定.
参考文献:
[2]
HANJ,KAMBERM.DataMining:ConceptsandTechnolo—
gies[M].NewYork:MorganKaufmann,2000.
GOODCHILDMF.GeographicalInformationScience[J].
InternationalJournalofGeographicalInformationSystems,
1992,6(1):31-45.
[3]GAOJun.CartographicTetrahedron:ExplanationofCartogra-
phyintheDigitalEra[J].ActaGeodaeticaetCartographica
Sinica,2004,33(1):6-11.(高俊.地图学四面体——数字
化时代地图学的诠释[J].测绘,2004,33(1):6-11.)
[4]LIZ,YANH,AIT.AutomatedBuildingGeneralizationBased
onUrbanMorphologyandGestaltTheory[J].International
JournalofGeographicInformationSciences,2Oo4,18(5):513—
534.
[5]AIT,GUOR,LIUY.ABinaryTreeRepresentationof
BendHierarchicalStructureBasedonGestaltPrinciples[A].
FORERP,YEHAG0,HEJ.Proceedingsofthe9thInter—
nationalSymposiumonSpatialDataHandling[C].Beijing:【S.
n.],2000.2a30.2a43.
[6]BERTIN.GraphicsandGraphicInformationProcessinglMJ.
Berlin:WalterdeGrnyter,1981.
[7]ESTIVILL-CASTROV,LEEI.Amoeba:HierarchicalClus.
teringBasedonSpatialProximityUsingDelaunayDiagram
[A].Proceedingsofthe9thInternationalSymposiumonSpa—
tialDataHandling[C]Beijing:[s.n.],2000.
[8]THOMSONRC,RICHARDSONDC.The’GoodContinu.
ation’PrincipleofPerceptualOrganizationAppliedtotheGen—
eralizationofRoadNetworks[A].CD—ROMProceedingsofthe
19thICC[C].Ottawa:[S.n.],1999.
[9]AITH,OOSTEROMPVan.GAP.treeExtensionsBasedon
Skeletons[A].AdvancesinSpatialDataHandling[C].Berlin:
514. Springer-Verlag,2002.501—
[10]JONESCB,BUNDYGL,WAREJM.MapGeneraliza-
tionwithaTriangulatedDataStrncture[J].Cartographyand
GIS,1995,22(4):317.331.
[11]WAREJM,JONESCB,BUNDYGL.ATriangulated
SpatialModelforCartographicGeneralizationofArealOb—
jects[A].AdvanceinGISResearchII(7thIntSymposiumon
SpatialDataHandling)[C].London:Taylor&Francis,
1997.173.192.
[12]LIC,CHENJ,L1z.ARaster-basedAlgorithmforCorn—
putingVoronoiDiagramsofSpatialObjectsUsingDynamic
DistanceTransformation[J].InternationalJournalofGeo—
graphicInformationSciences1999,13(3):209—225.
[13]O’ROURKEJ.ComputingtheRelativeNeighborhood
GraphintheL1andL—infMettics[J].PatternRecogni—
tion,1982,15(3):189.192.
(责任编辑:雷秀丽)