在计算机出现后, 人们企图用计算机来实现人或动物所具备的形状识别能力时, 它的难度才逐步为人们所认识 " 在地球科学的地图学领域, 人们在进行地图综合时也无时不刻地进行着形状的识别 " 自从计算机技术应用于地图制图领域的第一天起, 地图自动综合就成为人们一直想要解决的问题, 直到今天, 仍没有找到一个万全之策来解决这一难题, 原因是对人类的认知规律不清楚, 计算机难以模拟人在地图综合的思维活动以及决策 " 本文尝试将形状识别的有关规律 ! 方法应用到地图综合中, 期待有助于提高地图自动综合的自动化程度 "
1.1 研究的背景与意义
就形状识别而言, 目前在模式识别与图形图像检索方面的研究成果十分丰富, 无论从模型理论还是实际的应用都是硕果累累。文字识别 、指纹识别、车牌识别等等已经广泛地运用到人们的日常生活中。地图综合应 该吸收其它学科的研究成果, 可以将模式识别中的形状识别技术引入到地图综合中。
1.2 有关地图综合的概念
不同科学会对地图综合有不同的见解。
1.3 基于形状识别的地图自动综合的研究现状
从广义上讲, 在地图综合中无处不在地进行着形状分析、形状识别与形状的化简 。这里所指的是狭义的形状识别, 属于模式识别范畴, 是指人们设计和执行算法来对事物 的形状进行描绘和分类。目前, 国内外有关地图自动综合的文献中, 将形状识别直接纳 入到地图综合的并不多见, 但相关的思想在许多文献中有一定的体现:
1.4 矢量图形的形状化简方法
在地图综合中, 处理的主要是矢量数据, 其中的形状度量直接针对几何实体, 如线、多边形、弧段、点集等。目前对矢量数据的形状化简的模型很多, 由于面要素的形状化简可以看成其构成弧段的化简, 因而线要素化简的方法均可运用到面要素, 另外还有一部分形状化简方法是专门针对面要素的。
1.5 论文安排
论文研究的对象为形状的定量化和定性化表达在地图综合中的应用, 而非计算机图形学中的形状识别问题。
第二章 支持形状识别的基本理论
2.1 形状的定义
人类 80%的信息来自视觉, 而视觉信息的来源主要靠人类对形状的识别 " 如我们每 天读书辨字, 主要是形状信息在起作用 " 但是给形状一个准确的定义却不是一件容易的 事 " 下面是字典中给出的形状的几个描述:
形状匹配的原理 和模式识别 现在还不能自学习
从简单到复杂：直线->圆->复杂的图像（文字-
先二值化
特征匹配模型：人工设计特征。模式是若干要素或成分按一定结构 (或关系) 构成 的, 这些元 素或成分可称为特征 (feature ) ,而其关系有 时也称特 征 " 特征 匹配模型认为所有 复杂的刺激都是 由一些可 以 区分的 相互分离 的特征所组成的 " 通过计算特征的 出现或不 出现 , 并把计算数与不同 标签相联系的特征的列表进行 比较来实现模式识别 " 特征匹配模型强调的是特征和特征 分析, 特征匹配的成功与否依赖于刺激的可解析性 " 特征在这里的地位和作用类似于模 板 匹配模型中的模板 , 即特征可 以看着是一种微型模板或是一种局部的部件模板 " 但特 征 匹配毕竟不同于模板 匹配 , 它具有一定的优势 " 第一 , 依据刺 激的特征和关系进行识 别 , 就可 以不管刺激 的大小 ! 方位等其他细节 , 避开预加工 的困难和负担, 使识别有更 强的适应性 " 第二 , 同样 的特征可 以出现在许 多不同的模式 中, 可极大地减轻记忆之 负 担 " 第三 , 由于需 要获得刺激 的组成成分信息, 即抽取必要的特 征和关系 , 再加 以综合 , 才 能进行识别 , 这使模 式识别过程带有更重的学习色彩 " 不过 , 当不 同的模式具有一些 共 同的特征时 , 就会使识别发生 困难, 甚至出现错误 " 与其他 的模 式识别模型相 比较 , 特征匹配模 型确 实具有更加灵活的特 点 " 但它也只是 自下而上 的加工模型 , 缺 少 自上而 下 的加工 " 按照 目前认知心理学对 知觉过程 的一般理解 , 给特 征匹配模 型附加 自上而下 的程序在理论上也是完全可能的 "。
人工智能和模式识别和特征匹配的区别。
小样本：深度学习与文字识别 小样本迁移学习 学习特征[必须是同类学习才行吗 有没有统一的学习数据库]
如果样本和目标之间差别很大，是很难迁移成功，学习到小样本的特征，挖掘成功的
字符识别：monig 可表征 人类设计的形状 并不具有普适性
能不能monig迁移成功？
深度学习与目标识别
