2.1 技术路线

本文旨在结合网眼结构和路网路段结构的优势，以实现路网和网眼群组模式的识别。由于城市路网中格网型、不规则型路网以及直线型、格网型网眼群组最为常见，因此本文选取以上常见的路网模式进行识别。

算法流程包含道路网数据预处理、路网结构构建、特征参量计算、阈值设定与模式分类等步骤。

2.2 数据预处理

由于OpenStreetMap下载的道路网原始数据内部不仅包含了城市主干道路网，还包含了许多琐碎道路，诸如人行道和自行车道等。同时，道路网自身具有一定的曲线性，因此在实验开始前，先对道路网进行数据预处理：

数据优化过程

图2 道路网样本集数据优化过程

1. 将路网数据按照交叉点分割为多条路段
2. 遍历整个道路网，将所有包含节点度为1的首尾节点的路段进行删除
3. 遍历删减后的道路网，利用Douglas-Peucker算法对每条路段进行化简
4. 优化结束

2.3 网眼最小生成树构建

图3 直线型和格网型网眼群组及其最小生成树

根据不同的路网模式，路网所包含的网眼群组的空间分布模式也不尽相同，其中格网路网的直线模式和网格模式是最常见的网眼群组的2种分布模式。

最小生成树（Minimal Spanning Tree）是将N个顶点通过N-1条边连接而成的权值最小无闭合连通子图。对于道路网眼模式识别而言，对网眼群组构建最小生成树具有以下优势：

• 将相邻的道路网眼相互连接起来，方便聚类描述
• 通过构建网眼最小生成树可以较为直观地得出网眼群组的排列方式
• 通过构建网眼最小生成树将网眼群组原本的面状结构转换为边-节点结构

2.4 特征参量计算

分别构建路网的路段结构、网眼结构和网眼最小生成树，并根据结构的不同提取对应的特征参量。其优势在于通过网眼结构可以顾及到每一个网眼的规整情况，通过路段结构和网眼最小生成树结构能够顾及到路网的整体排列方式。

2.4.1 针对网眼的特征参量提取与计算

矩形度 (Rectangularity)

矩形度是指物体外形与矩形外形的相似程度，用于描述一个物体的形状规则程度。在路网中，矩形度通常是指道路网眼面积和网眼最小外接矩形面积的比值，取值范围为(0,1]。

凹凸度 (Convexity)

凹凸度是一种描述多边形凹凸程度的特征参量，也用于描述事物趋近于四边形的程度。在道路网中，凹凸度通常是指道路网网眼面积与网眼所形成的凸壳面积的比值，比值取值范围为(0,1]。

图4 路网网眼特征参量计算

2.4.2 针对边-节点结构的特征参量计算

从路段结构来看，不规则路网和格网路网最明显的区别在于，格网路网的路段排列规整，整体路网具有明显的方向性；而不规则路网的路段排列混乱，路网中路段方向不一致。

本文引入方向熵作为边-节点结构特征参量，借助其在描述数据空间```html 空间分布方面的优势，对路网模式进行快速划分。

方向熵 (Directional Entropy)

方向熵是一种用来反映数据方向分布情况的熵值。假设在空间中存在n个数据点，在使用经纬度或是xyz坐标表示这些空间点的方位时，若发现这些点呈现出特定的分布方向，则可以用方向熵来定量化描述这种方向性。

计算公式：

ENTROPY = -∑(P_i)log₂(P_i)

其中：

P_i = Y_i / Y_sum

图5 方向熵计算流程

3.1 参量阈值设定

为完成特征参量阈值统计，本次实验从优化后的南京市和西安市路网中选取出300个网格模式路网和50个不规则模式路网，并将网格模式路网进一步细分为150个直线型网眼群组和150个格网型网眼群组。

图6 南京市和西安市路网样本

3.2 路网模式识别

为验证所得特征参量的阈值划分是否合理以及算法是否具备可迁移能力，本次实验选用武汉市和上海市道路网进行验证。

图7 上海市和武汉市路网样本

3.3 对比试验

为验证本文方法的有效性，从南京市样本集中选取了80个已标注好的格网路网样本和20个不规则路网样本，分别与Yang等和Tian等提出的基于网眼结构或路段结构的路网格模式识别方法进行对比实验。

图8 对比实验结果