随着人类社会的快速进步和发展,地图数据也面临着数据量大、更新快、数据形式多样等问题,这造成了地图制图人工成本的不断提升,使得现有的地图制图模式无法满足日益增长的制图需求。因此,将机器人引入地图制图领域替代人工作业也成为现代地图学智能化发展的必然趋势。计算机视觉是一门研究如何使计算机“看”懂世界的学科,其应用非常广泛,如人脸识别、无人驾驶、无人机飞行等。一些基本的计算机视觉技术包括有图像分割、图像特征探测、图像拼接、目标匹配和识别以及深度学习等。在人工智能技术背景下,本研究以图像数据为基本研究对象,将计算机视觉的相关技术引入到地图综合当中,如利用图像角点探测技术对地图要素进行识别、利用超像素分割对地理要素进行简化表达、利用图像傅里叶变换进行地理特征重构等,提出了针对地图要素化简、合并与几何降维的“8S”算法(SUSS-L、SUSS-A、SBIP、SUBS、SUPA-G、SUPA-B、SUCE、SURC),主要包括如下四方面内容:(1)超像素结构下的地图线状要素(如等高线)的化简。线状要素化简是地图综合中非常重要和经典的研究问题之一。针对图像数据形式的线状要素,提出了一种基于计算机视觉技术的线状要素化简方法(SUSS-L)。首先,利用超像素分割技术对原始线状要素进行分割;然后,通过对超像素进行规则选取,考虑超像素的邻近特征,将划分后的线状弯曲分为凹、平、凸三种基本类型并进行全局化简;最后,利用傅里叶描述子对局部的不平整特征进行去除,得到最终的化简结果。实验证明,该方法能够合理的化简不同类型的弯曲,保持化简前后稳定的面积变化,保持化简前后线状要素的光滑特征,并且能够有效的避免自相交现象。(2)顾及几何、地理、视觉特征的地图面状要素的化简。面状要素的化简可以分为自然面状地物(如湖泊)的化简和人工面状地物(如居民地)的化简。针对自然面状地物,以湖泊化简为例,提出了一种顾及地理特征的化简方法(SUSS-A)和一种顾及用户视觉规律的化简方法(SBIP)。SUSS-A算法的基本思想与SUSS-L算法一致,后者用于开放的线要素,前者用于封闭的面要素。此外,SUSS-A顾及了复杂湖泊岸线中的湖汊地理特征。通常,在湖泊的湖汊处湖水流量较小、流速较慢、地质易被侵蚀,一般为狭长形特征,因此在化简时需要考虑保持湖汊特征。SBIP算法顾及了视觉规律特征,基本思想如下:首先,利用角点探测技术对局部特征进行提取,将探测出的角点作为候选点;然后,计算原始对象最短周长多边形,将构成最短周长多边形的顶点作为参考特征点;最后,通过比较候选点和参考特征点的距离从候选点中选取最终的化简点,从而得到化简结果。针对人工面状地物,通过考虑正交几何形态,以居民地化简为例,提出了一种基于超像素分割技术的化简方法(SUBS)。首先,利用角点探测技术和图像的距将建筑物分为正交特征的居民地和非正交特征的居民地;然后,利用超像素分割技术对居民地要素进行分割,通过规则选取超像素对居民地进行全局化简;最后,通过膨胀腐蚀和移位操作保持建筑物化简前后的面积和质心特征。实验证明,该方法无论是针对正交特征的居民地还是非正交特征的居民地,都能够有效的保持化简前后居民地的正交特征,而且能够有效的避免自相交现象。除此之外,通过使用不同类型的膨胀腐蚀算子,该方法还能化简生成出不同风格的居民地。(3)地理要素类别自适应的面目标合并。通过图像局部特征探测技术,对具有直角特征的人工居民地和非直角特征的自然面要素进行分类,并提出了不同类型面状要素的合并方法。针对普通面状要素的合并(SUPA-G),以湖泊为例,首先,利用简单线性迭代聚类超像素分割方法对面状要素进行划分;然后,通过定义不同类型的超像素选取规则对其进行全局合并;最后,通过傅里叶描述子对聚合后的边界进行局部平滑调整,从而得到最终的聚合结果。实验证明,该方法能够有效的保持湖泊合并前后的边界光滑特征。针对居民地要素的合并(SUPA-B),首先,利用基于能量驱动采样的超像素提取方法对居民地要素进行分割;然后,通过制定超像素选取规则对居民地进行全局的合并;最后,通过局部调整聚合的边界得到最终的合并结果。实验证明,该方法能够有效的保持居民地合并前后的正交特征。(4)面状要素的渐进式几何降维。针对双线道路要素,提出了基于超像素分割的双线道路中心线提取方法(SUCE)。首先,利用简单线性迭代聚类超像素分割方法对双线道路要素进行划分;然后,通过角点探测和图像细化提取超像素的中心点;最后,通过顺序连接中心点生成道路中心线。该方法能够有效的提取道路中心线,较好的保持道路交叉口,而且能够避免产生毛刺和噪声。提出了一种渐进式河流降维(SURC)算法。结果表明,该方法能够根据河流的宽度有效地实现双线河流的渐进式几何降维,避免产生毛刺和断裂交叉口。此外,能够有效地恢复河流的交叉口,保持原有支流的伸展方向。计算机视觉技术各类算法丰富且成熟,然而在地图综合领域鲜有应用。本研究引入相关计算机视觉技术,对地图要素进行特征提取、识别以及尺度变换,并顾及相应的地理特征,最终实现了地图综合中的化简、合并与降维算法,为人工智能时代地图学的智能化发展做出了一点贡献。