基于机器学习的地理信息协同标注方法研究

摘  要：为提升未知地理图像信息标注效果，解决地理信息标注中存在的精度较低的问题，该文提出设计一种基于机器学习的地理信息协同标注方法。通过度量具体的地理信息，对已知地理信息数据进行基于机器学习的PFLP协同计算，并通过构建权矩阵，提升地理信息的流形重构与检索标注，完成地理信息协同标注方法设计。实验结果表明：采用基于机器学习的协同地理信息标注方法，降低了地理图像信息特征的维数，准确展现了地理图像数据之间的内在关系，有效地提升了地理信息协同标注的精度。

关键词：机器学习   地理信息   协同标注  权矩阵

中图分类号： TP301.6     文献标识码：A   文章编号：1672-3791（2022）05（b）-0000-00

作者简介：郝梁（1983—），男，本科，工程师，研究方向为地图制图。

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

地理信息协同标注（GIS）是一种聚集了多种学科的新型科学。其中，包含了计算機应用、地理测绘、环境空间科学、信息与地质管理科学等技术的应用。通过电子计算机工具的应用，探索地理空间数据信息，并利用多种技术对地理位置信息进行空间操作，分析地理空间位置信息，根据确定的空间信息进行科学灾害监测、地理工程研究等相关事业的开展。其中，地理信息标注过程中，由于外界多种因素的影响，导致其标注的精度较低，且工作效率较低。现有标注方法中普遍以图形图像、文本表格和数字等形式进行地理信息标注，这些地理信息标注方法需要耗费大量的人工效力，相对来说效率地下，对于视频和图像的地理信息标注检索比较困难。

为此，该文设计了一种基于机器学习的地理信息协同标注方法，以期提升地理信息协同标注的工作的有效性。机器学习属于多学科的学习方法，其中涉及概率论、统计理论等多个学科，该方法借助电子计算机模拟，实现研究目标的有效研究，最大限度地提升方法的有效性。通过度量视频图像视觉上存在的一些特征，判断其相似性，对地理图像的结构重新构建，从各个角度观察地理信息图像的变化规则，分析地理图像中相似地理位置中的像素点，确定不一样的角度下各个位置之间存在的内部关系，从而实现地理信息协同标注。

1 基于机器学习的地理信息协同标注方法设计

为提升地理信息协同标注的有效性，在地理信息协同标注中融入机器学习，该方法在于融合BVSB主动学习获取地理信息，补充地理信息标注中没有采集到的地理信息位置，并不断地将这些新采集的信息进行有计划的训练，不断调整其结构，提高地理图像度量的泛化能力，最后对度量的结果进行位置信息统计和泛化，实现对地理信息相对应的图像标注，具体标注过程如图1所示。

通过图1 中设计的协同标注流程，首先将获取的地理图像进行颜色、纹理特征提取与直方图的处理，然后对其地理图像特征进行相关的维度处理，并将其进行主动增量训练，完成地理信息协同标注。其中，地理信息图像中的颜色是度量地理信息的关键路径，在这些地理信息图像中不会发生图像的平移和图像位置的旋转，度量后的地理信息图像具有较强的鲁棒性。

1.1 度量地理图像信息

为了获取最有效的地理信息，并将这些数据准确度量，需要通过构建颜色直方图的方式将地理图像信息进行有效表征。颜色直方图作为图像信息表征的关键表现形式，此时，需要将地理图像特征进行有效的度量。

首先，转换地理图像RGB和HSV的颜色空间，假设（，，）为颜色空间所属系数，数值内，，∈[0，255]，设为/100， 也是/100， 同理/100，则HSV空间（，，）的值可得：

式（1）中，为地理图像在HSV颜色空间中的量化统计，为度量的地理图像的形状表示特征。

在此基础上，借助Sobel算子中的边缘方向直方图，在计算方法中度量地理图像的形状和特征，分别计算地理图像在各个方向上的梯度位置，并以此为根据，处理地理图像阈值。给定的阈值可以用来决定地理图像边缘强度，边缘像素由地理图片的像素来决定，采用颜色直方图的方法获取地理图像的度量信息，此时直方图的边缘强度数值为0。

1.2 地理图像信息流重构

在上述度量地理图像后，为提升地理图像信息的有效协同标注，需要对其图像中的信息流进行重构，以提升地理信息点标注的有效性。

在地理信息流重构中，地理图像信息的标注构建需要找好角度，其标注角度一般情况下都是连续变化，变化缓慢且有规律，地理图像的空间特征中涵盖一些看似平滑的线性流，这些结构不容易被捕捉，都存在于微小的空间内。这种情况下，对地理图像信息的标注特征做出假设，假使其存在于一个高维度空间中，将低维流重构，需要光谱图像对非线性地理特征进行降维操作。

利用权矩阵热核法为对称矩阵进行乘子计算，对最小的特征值进行对应，提取构造特征向量来判断视觉特征，每10°作为划分的标准，在边缘方向上构造直方图。在特征空间中，流面构造涵盖了相近特征领接向量图像的关系，需要考虑恢复信息流中信息，建立具有类似相邻视点的连接关系。对特征映射内的特征空间使用拉普计算进行降维，在低维特征空间排序距离获取图像检索，对检索内容最终得到的数据进行样本上的标记，调整特征映射直到合适为止。此时，得到的地理图像包含信息，充分展示空间场景信息，地理图像数据准确反映成像视点，连续变化数据点分布均匀，从而重点放在检索精度，采用基于机器学习方法，提高标注准确性。

1.3 基于机器学习的PFLP协同计算

为实现地理信息的协同标注，本文借助机器学习中的PFLP协同计算方法对其标注的信息进行处理。PFLP协同算法中包括全局搜索法和局部搜索法。其中，全局搜索算法对数据进行分类时，一般情况下是通过回溯的方式，探寻在一个指定点可以找到所有按照顺序排列的点，并在每一个点中设置地理位置协同标志。在使用搜索方法搜索时，随机改变任意标签的位置，直到标志抵达一定局限，无法在进行标签，此时完成地理图像信息的分类。

在分类后的地理图像信息后，借助PFLP协同计算方法对地理图像信息进行标注。

在地理图像信息标注中中，标注的信息不断发生变化，因此需要不断地确定标注的信息变化情况，在本文的研究中将地理图像信息的变化标注为，若是旧的标注点被新的标注所覆盖，此时重新定位的标准表示为：

（2）

其中，表示重新定位所需要的時间。

通过PFLP协同计算时，将同一位置的地理信息标注点坐标表示为：

（3）

通过公式（2）中这种四轴对称的矩形标注来判定位置，如图2所示：

从基于机器学习的角度考虑，此时标注的4个点的位置具有不同的优先顺序。数字越小，代表优先级越高。因此，在进行协同标注时，首先要缩小标注所在的地理位置点，然后初始化并添加初始标注的数据点，以此来规划标注的位置，从而加快协同标注的速度。其具体协同标注流程为：

步骤1：规则中存在区域划分。如果，代表候补地理位置，而这些数据要求从将标注集中抹去。

步骤2：不要重写规则。如果，，候补地理位置数据要求从将标注集中抹去。

步骤3：如果点有候选注释位置，与其他注释位置不存在冲突，则为点的注释位置，删除点的其他候选注释位置。

步骤4：若存在某一点，标注位置表示为π，它只与候选人注释位置、，冲突点的标注位置有一个候选 （≠）仅与注释位置点不等于1时，π和的标注位置分别在点和之上，对于这两个点的其他地里标注位置需要被删除。

2实验分析

2.1实验准备

为了验证此方法的可行性，选取五个位置挑选十个角度，并携带一张带有准确标注的地理位置标准。这些实验用到的地理信息数据都是通过一些仪器获取，大部分定位系统所得到的数据，在各个点和位置上选取需要标注的信息进行唯一标注，为保证信息流重构，记录角度应该尽量缩小。另外，拍摄照片不管是角度还是位置都要随机选取，构成图像集，标注也都随机选择，需要等待标记的图像最好直接做出用户的信息整合，借助多结构图像检索，对同一地理位置的地理信息样本进行标记并输入。

将原有的一些搜索结果返回给用户，并将这些数据进行反馈，重新检索和标记地理图像信息。为了验证方法检索的精准性，通过输入待标注的单一地理图像，从地理图像数据库中检索出图像内容相似的图像，根据检索结果自动标注图像的地理位置信息，协同标注方法对4个不同地点中，分别在5个不同地理位置使用专用仪器所监测到的地理信息常数监测d检索结果。

2.2实验结果分析

从不同视角的地理视频数据采集的数据可以看出，不同视角获得的地理数据差异很大。对于两个位置进行具体检测，从各个位置的不同地理角度采用基于机器学习的地理信息联合标注方法后，得到的数据会发生变化，如表1所示。

在标注方法中，地理信息侧视图为待标注图像，从地理信息的正视图获得的图像与被标注图像的另一个标注之间的距离较大，基于机器学习的地理信息协同标注方法检索结果的常数检测项，在位置1和位置2两个角度，测量数值均比传统方法的数值要更贴近原始位置=0的常数检测项。因此，本文提出的基于机器学习的地理信息标注方法更加精准。

为进一步验证所提方法的有效性，实验分析了本文方法、传统方法1以及传统方法2 对5个不同地理信息协同标注的耗时进行分析，得到的结果如表2 所示。

分析表2 中实验结果数据可以看出，采用本文方法、传统方法1以及传统方法2 对5个不同地理信息协同标注的耗时存在一定不同。其中，采用本文方法对地理信息样本的5个地点标注的时间耗时是3种方法中耗时最少的方法，而其他两种传统方法的标注时间耗时高于本文方法，且耗时变化的幅度大于本文方法，因此，可以看出采用本文方法、传统方法1以及传统方法2 对5个不同地理信息协同标注的耗时中，本文男方法协同标注的耗时最短，验证所提方法的有效性。

3结语

该文提出了一种融合了机器学习的地理信息协同标注方法，通过设计地理信息协同标注总体流程，对地理图像的相关特征以及维度进行有效的处理，引入机器学习中PFLP协同计算获取地理图像直方图，并确定地理图像标注信息的变化特征，确定协同标注的规则，实现地理信息协同标注。实验结果表明：采用所提方法可有效提升地理信息协同标注的精度，且其协同标注的耗时较短，具有一定可行性。

参考文献

[1] 唐桂彬.基于图像注意力标注技术的空间GIS数据可视化研究[J].自动化与仪器仪表，2021（11）：15-18.

[2] 杨善婷.行业地理信息专题图设计与实践[J].居业，2021（9）：11-12.

[3] 徐华勇.1：10000基础地理信息DLG矢量数据几何结构分析[J].中国高新科技，2020（24）：68-70.

[4] 喻航，李红莲，吕学强.区级人大报告中的地名自动标注研究[J].北京信息科技大学学报：自然科学版，2020，35（6）：31-36.

[5] 殷钦霞.地图制图技术在地理信息系统数据集成中的应用[J].住宅与房地产，2020（24）：227.

[6] 朱秀丽，赵勇，刘万增，等.测绘地理信息应急快速制图系统研究[J].武汉大学学报：信息科学版，2020，45（8）：1303-1311.

[7] 段春磊，曾啟雄.地名地址信息管理系统的设计与实现研究——基于某地数字地理空间框架项目[J].工程技术研究，2019，4（16）：180-181.

[8] 柯佳宏，张强，李勇，等.基于SuperMap的矿山三维地理信息系统的设计与实现[J].地矿测绘，2019，35（1）：21-24.