CN103971098A - 户型图中墙体的识别方法及户型图长度比例自动校正方法 - Google Patents

Abstract

本发明提供了一种新型的户型图中墙体的识别方法及户型图长度比例自动校正方法，涉及图像识别和建筑图纸识别技术领域。墙体识别方法包括：对户型图进行预处理，检测户型图的外形轮廓，采用墙体阈值分割方法对户型图进行处理，对二值图进行腐蚀和膨胀、边缘检测，对边缘图像进行hough变换得到直线坐标信息，根据直线坐标信息获取墙的坐标信息。其中墙体阈值分割方法中的分割阈值T由墙体的平均灰度值和墙体以外区域的平均灰度值决定。根据墙体坐标信息获得整个户型图的每像素的长度值，用于校正整个户型图。本发明识别率高、能准确识别出墙体，可校正得到真实尺寸比例的户型图，以便为在进一步转为三维户型模型时提供准确的基础信息。

Description

户型图中墙体的识别方法及户型图长度比例自动校正方法

技术领域

本发明涉及图像识别和建筑图纸识别技术领域，具体是指一种户型图中墙体的识别方法，并基于识别出的墙体提供了一种户型图长度比例自动校正方法。

背景技术

随着中国房地产经济的快速发展以及现代年轻人对房屋装修需求的改变，越来越多的年轻人希望能把自己的装修想法用于自己的房屋装修，但是又不希望实际的装修效果离自己的想象相差太大，如果能把平面的户型图转化为3D户型图，并让买房者自己先在3D模型上模拟装修看效果，再去实际装修房屋，想必一定能让实际装修效果到达最好。随着房地产开发商之间的竞争越来越激烈，越来越需要一种现实增强的技术能让房屋呈现的效果更好，而不仅仅是一张平面户型图。所以无论是从买房人看，还是从房地产开发商看，户型图的识别都是一种必然的发展趋势。

墙体是户型图的主体框架，决定了所有房间的布局规划。在户型图识别中，墙体是最先要识别的对象，同时也是识别户型图里其他信息(如门，窗，房间类型等)的基础，所以墙体识别的重要性不言而喻。

传统采用特征提取方法，可直接对户型图提取墙的形状特征，例如利用hough变换，或直接提取墙的角点特征，例如利用harris角点检测方法。传统方法步骤少，简单直接，速度快，但是由于家具，地板，装饰等干扰信息的存在会导致提取的特征点太多以至于识别率较低。

传统的自适应阈值分割方法可将图中背景和物体的分离，例如在邻域内用平均算子或高斯核算子来算出阈值(参考文献1：《The OpenCV Reference Manual》2.4.8版本，发布日期2013年12月29日)，或根据直方图的单峰或双峰特性把物体和背景分割开，或在全局范围内用迭代法算出阈值(参考文献2：《Visual C++数字图像处理》2001年4月，人民邮电出版社出版，作者何斌，马天予，王运坚，朱红莲)，这些传统的自适应阈值分割方法保留物体轮廓的能力比较好，会把大部分物体的轮廓信息都呈现出来。户型图的外围轮廓基本上是由墙体组成，并且外围轮廓之外的区域一般是颜色均匀分布的背景，利用传统的自适应阈值分割方法可获得户型图的外形轮廓。但是对于户型图中的家具、地板、装饰物品等干扰信息需要剔除掉，不希望它们的轮廓信息呈现出来，而传统的自适应阈值分割方法将不能满足这个需求，不利于获取户型内部墙体信息。

因此，目前户型图识别系统中对户型图中墙体识别率较低，提高识别率非常有必要。

发明内容

本发明针对目前户型图识别系统中对户型图中墙体识别率低的问题，提供了一种新颖的户型图中墙体的识别方法，以及基于所述墙体的识别方法的户型图长度比例自动校正方法。

本发明提供的户型图中墙体的识别方法，包括如下步骤：

步骤1：对需要识别的户型图进行预处理，得到户型图的灰度图；预处理包括图像去噪、图像增强和灰度转换；

步骤2：对户型图的外形轮廓进行检测；

步骤3：采用墙体阈值分割方法对户型图进行处理，得到二值图；

步骤4：对二值图进行腐蚀和膨胀；

步骤5：对步骤4处理后的二值图进行边缘检测，得到边缘图像；

步骤6：对边缘图像进行hough变换得到直线坐标信息；

步骤7：根据直线坐标信息获取墙的坐标信息。

所述的步骤3中的墙体阈值分割方法具体是：

对户型图的灰度图在(x,y)点的像素值I(x,y)，利用墙体分割阈值T分割得到二值图中的像素值r(x,y)为：

$r(x,y)=\left\{\begin{array}{ccc}0& \mathrm{if}& I(x,y)<T\\ 255& \mathrm{if}& I(x,y)\&GreaterEqual;T\end{array}\right.$

其中，墙体分割阈值T的获取方法是：对灰度图中步骤2检测出的轮廓所在的外形区域进行自适应阈值分割，获得墙体区域；计算墙体的平均灰度值W以及墙体以外区域的平均灰度值O；确定墙体分割阈值T＝(W+O)/2。

基于所提供的户型图中墙体的识别方法，还提供了户型图长度比例自动校正方法，利用OCR识别引擎识别户型图中标注的目标物体的长度，设L_i为OCR识别引擎识别出的第i个尺寸值，P_i为第i个尺寸值所对应的目标物体以像素为单位的长度值，N表示OCR识别引擎识别出的尺寸个数，则获得整个户型图的每像素的长度值Avg为：

$\mathrm{Avg}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{L_i}{P_i}}{N};$

则校正后第i个尺寸值所对应的目标物体以像素为单位的长度值为：

本发明的优点与积极效果在于：

(1)本发明提出的墙体识别方法，虽然处理步骤多，速度较慢，但是识别率高，能准确识别出墙体，以便在进一步转为三维户型模型时提供准确的基础信息；

(2)本发明采用基于户型图轮廓的墙体阈值分割方法，能剔除掉家具，地板，装饰物品等干扰信息，只呈现墙体信息，以利于进一步的单独对墙体进行识别；

(3)本发明针对户型图未按照真实尺寸比例来画的问题，提出了基于户型图尺寸标注和OCR识别引擎的户型图尺寸比例自动校正方法，从而得到墙体、门和窗的真实尺寸，画出真实尺寸比例的户型图。

附图说明

图1是本发明的户型图中墙体的识别方法的整体流程示意图；

图2是本发明采用基于户型图轮廓的墙体阈值分割方法的流程示意图；

图3是示例的原始户型图；

图4是利用传统自适应阈值分割方法1对图3进行处理后的示意图；

图5是利用传统自适应阈值分割方法2对图3进行处理后的示意图；

图6是利用本发明的墙体阈值分割方法对图3进行处理后的示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

根据户型图具有自身颜色单一，线条信息为主，墙体颜色较深及宽度较厚，内部可能还包含彩色的家具，地板，装饰物品等独有的特点，本发明提出了一种全新的户型图中墙体的识别流程，如图1所示。本发明提供的新型的户型图中墙体的识别方法，具体步骤如下：

步骤1：对需要识别的户型图进行预处理，包括图像去噪、图像增强和灰度转换，以获得更加清晰，更强对比度的灰度图。

预处理包括图像去噪，图像增强，灰度转换等等。图像去噪可以滤除一些图像传感器引入的噪声，图像增强可以增强图像的对比度，使得墙体的特征更明显，灰度转化使得彩色的户型图变成灰度图以便对图像进行下一步的处理。

步骤2：轮廓检测。户型图的外围轮廓基本上是由墙体组成，并且外围轮廓之外的区域一般是颜色均匀分布的背景，基于户型图具有的这样的特点，使用传统的自动阈值分割方法可获得户型图的外形轮廓。

步骤3：对户型图进行墙体自适应阈值分割，得到二值图。

现有自适应阈值分割方法不能除掉家具、地板、装饰物品等干扰信息，只呈现墙体信息，基于这种现状，本发明提出了基于户型图轮廓的墙体阈值分割方法，剔除掉家具、地板、装饰物品等干扰信息，只呈现墙体信息，以利于进一步的单独对墙体进行识别。

本步骤首先在灰度图中步骤2检测出的外形轮廓所在的区域再进行自适应阈值分割，获得墙体区域，可直接采用现有传统的自适应阈值分割获取墙体区域。其次，计算出墙体的平均灰度值W，以及墙体以外区域的平均灰度值O。然后，确定墙体分割阈值T＝(W+O)/2。最后，利用分割阈值T对步骤1得到的灰度图进行处理，得到二值图。

$r(x,y)=\left\{\begin{array}{ccc}0& \mathrm{if}& I(x,y)<T\\ 255& \mathrm{if}& I(x,y)\&GreaterEqual;T\end{array}\right.$

其中，I(x,y)为户型灰度图在(x,y)点的像素值，r(x,y)为经阈值分割后的图像在(x,y)点的像素。

经过上面阈值分割方法处理后，获得只包含墙体的户型图的二值图。

步骤4：对二值图进行腐蚀和膨胀，将一些小的干扰信息过滤掉。

步骤5：对步骤4处理后的二值图进行边缘检测，得到边缘图像。进行边缘检测可检测出墙体的边缘。

步骤6：hough变换；对边缘图像进行hough变换得到直线坐标信息。

步骤7：获得墙的坐标；对得到的直线做后处理就可获得墙的准确坐标信息，完成墙体的识别。

对于有尺寸标注的户型图，房间的长度，窗户的长度，墙的厚度等信息一般会标注在户型图的四周，但是有的户型图各部分的长度并未按照实际尺寸的大小来等比例的画，导致户型图不能真实地反映各部分的比例大小。基于户型图的这种现状，本发明提出了基于户型图长度标注信息和OCR(Optical Character Recognition，光学字符识别)识别引擎的户型图长度比例自动校正方法，经上述步骤识别得到墙体后，进行户型图长度比例自动校正方法，具体实现步骤如下：

步骤a：利用墙体的位置信息，在原图上的横墙的上下临近区域或竖墙的左右临近区域，检测和墙方向一致的标注线和标注长度数字，使用OCR识别引擎对数字进行识别，获得墙体标注的长度，以像素为单位，计算墙体的每像素长度值。

步骤b：墙与墙的间隔处是窗户或门，针对这段区域，同样按照步骤a，根据识别的标注长度计算出窗户或门的每像素长度值。

步骤c：计算完户型图中所有墙、门、窗的每像素长度值，取平均得到整个户型图的每像素的长度值，用公式表示如下：

$\mathrm{Avg}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{L_i}{P_i}}{N}$

其中，Avg为整个户型图的每像素的长度值，N表示OCR识别引擎识别出的尺寸个数，L_i为OCR识别引擎识别出的第i个尺寸值，P_i为第i个尺寸值所对应的目标物体以像素为单位的长度值。

步骤d：根据每个标注长度/每个像素的长度值＝像素个数，根据获得的像素个数画出接近真实比例大小的户型图，用公式表示如下：

$P_i^{*}=\frac{L_i}{\mathrm{Avg}}$

其中，为校正后的第i个尺寸值所对应的目标物体以像素为单位的长度值，该长度值就是校正户型图所需要的长度值。

下面对比本发明提供的基于户型图轮廓的墙体阈值分割方法与传统自适应阈值分割方法，在户型图识别中的效果。传统自适应阈值分割方法1是在邻域内用平均算子或高斯核算子来算出阈值。传统自适应阈值分割方法2是根据直方图的单峰或双峰特性把物体和背景分割开，或在全局范围内用迭代法算出阈值。

图3是一幅原始的户型图，图4和图5是对图3进行处理后的示意图，图6是本发明的墙体阈值分割方法对图3处理后的示意图。对比图4～图6，明显可以看出，本发明方法可将户型图中家具、地板、装饰物品等干扰信息剔除掉，以得到清晰的墙体轮廓。

由上可得出，本发明方法识别率高、能准确识别出墙体，可校正得到真实尺寸比例的户型图，以便为在进一步转为三维户型模型时提供准确的基础信息。

Claims (2)

1.一种户型图中墙体的识别方法，其特征在于，包括如下步骤：

步骤1：对需要识别的户型图进行预处理，得到户型图的灰度图；

步骤2：对户型图的外形轮廓进行检测；

步骤3：采用墙体阈值分割方法对步骤1得到的灰度图进行处理，得到二值图；其中，所述的墙体阈值分割方法是：设灰度图在(x,y)点的像素值为I(x,y)，利用墙体分割阈值T分割得到二值图中的像素值r(x,y)为：

$r(x,y)=\left\{\begin{array}{ccc}0& \mathrm{if}& I(x,y)<T\\ 255& \mathrm{if}& I(x,y)\&GreaterEqual;T\end{array}\right.$

其中，墙体分割阈值T的获取方法是：对灰度图中步骤2检测出的外形轮廓所在的区域进行自适应阈值分割，获得墙体区域；计算墙体的平均灰度值W以及墙体以外区域的平均灰度值O；确定墙体分割阈值T＝(W+O)/2；

步骤4：对二值图进行腐蚀和膨胀；

步骤5：对步骤4处理后的二值图进行边缘检测，得到边缘图像；

步骤6：对边缘图像进行hough变换得到直线坐标信息；

步骤7：根据直线坐标信息获取墙的坐标信息。

2.基于权利要求1所述的户型图中墙体的识别方法的户型图长度比例自动校正方法，其特征在于，所述的户型图长度比例自动校正方法，利用OCR识别引擎识别户型图中标注的目标物体的长度，设L_i为OCR识别引擎识别出的第i个尺寸值，P_i为第i个尺寸值所对应的目标物体以像素为单位的长度值，N表示OCR识别引擎识别出的尺寸个数，则获得整个户型图的每像素的长度值Avg为：

$\mathrm{Avg}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{L_i}{P_i}}{N};$

则校正后第i个尺寸值所对应的目标物体以像素为单位的长度值为：