CN109993797A - 门窗位置检测方法及装置 - Google Patents

门窗位置检测方法及装置 Download PDF

Info

Publication number
CN109993797A
CN109993797A CN201910275207.2A CN201910275207A CN109993797A CN 109993797 A CN109993797 A CN 109993797A CN 201910275207 A CN201910275207 A CN 201910275207A CN 109993797 A CN109993797 A CN 109993797A
Authority
CN
China
Prior art keywords
door
window
floor plan
feature information
edge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910275207.2A
Other languages
English (en)
Other versions
CN109993797B (zh
Inventor
王胜
施贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong 3vjia Information Technology Co Ltd
Original Assignee
Guangdong 3vjia Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong 3vjia Information Technology Co Ltd filed Critical Guangdong 3vjia Information Technology Co Ltd
Priority to CN201910275207.2A priority Critical patent/CN109993797B/zh
Publication of CN109993797A publication Critical patent/CN109993797A/zh
Application granted granted Critical
Publication of CN109993797B publication Critical patent/CN109993797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种门窗位置检测方法及装置，涉及智能家装的技术领域，上述方法包括：获取待检测的户型图；对户型图进行预处理，得到户型图对应的二值化图像；通过预先训练完成的第一神经网络模型提取二值化图像中门窗和墙体的边缘特征，得到边缘特征信息；通过预先训练完成的第二神经网络模型提取边缘特征信息中门窗的形状特征，得到形状特征信息；根据边缘特征信息和形状特征信息确定门窗的位置。本发明待检测的户型图进行预处理，并依次输入预先训练完成的第一神经网络模型和第二经网络模型，确定门窗的位置；采用神经网络模型深度学习的方法处理户型图得到门窗的位置，可以减少测量时间和人力成本，提高准确率。

Description

门窗位置检测方法及装置
技术领域
本发明涉及智能家装技术领域，尤其是涉及一种门窗位置检测方法及装置。
背景技术
在家装设计中，首先需要得到户型的几何矢量数据，设计人员根据待装饰屋进行家装设计，户型的几何矢量数据包括门窗的位置数据。几何矢量数据一般需要由工作人员对待装饰屋进行实际测量，根据对待装饰屋的门窗、墙体等数据进行测量后手工生成。
然而，通过工作人员手动生成门窗的位置数据时，需要花费很长的时间进行实际测量，还需要根据测量数据生成门窗的位置数据，会耗费大量的时间和人力资源，测量和生成门窗的位置数据也可能会因为工作人员的问题出现误差，降低几何矢量数据的准确性。
针对上述现有技术中人工生成门窗的位置数据的方法存在测量时间长、人力成本高、准确率低的问题，目前尚未提出有效解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种门窗位置检测方法及装置，以减少测量时间和人力成本，提高准确率。
第一方面，本发明实施例提供了一种门窗位置检测方法，包括：获取待检测的户型图；对户型图进行预处理，得到户型图对应的二值化图像；通过预先训练完成的第一神经网络模型提取二值化图像中门窗和墙体的边缘特征，得到边缘特征信息；通过预先训练完成的第二神经网络模型提取边缘特征信息中门窗的形状特征，得到形状特征信息；根据边缘特征信息和形状特征信息确定门窗的位置。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，对户型图进行预处理，得到户型图对应的二值化图像的步骤，包括：灰度化户型图，得到户型图的灰度值；计算户型图的灰度值峰值的平直度；将平直度最高的灰度值作为阈值，对户型图进行二值化，得到户型图对应的二值化图像。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，灰度化户型图的步骤之前，方法还包括：对户型图进行图像去模糊处理，得到第一预处理户型图；对第一预处理户型图进行对比度均衡处理，得到第二预处理户型图；对第二预处理户型图进行边缘增强处理，得待灰度化的户型图。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，第一神经网络模型包括DenseNet网络；通过预先训练完成的第一神经网络模型提取二值化图像中门窗和墙体的边缘特征，得到边缘特征信息的步骤，包括：将二值化图像输入DenseNet网络，输出二值化图像中门窗和墙体的边缘特征；通过门窗和墙体的边缘特征过滤二值化图像，得到门窗和墙体的信息区域；将门窗和墙体的信息区域的像素位置作为边缘特征信息。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，第二神经网络模型包括：GoogleNet分割网络；通过预先训练完成的第二神经网络模型提取边缘特征信息中门窗的形状特征，得到形状特征信息的步骤，包括：将边缘特征信息输入GoogleNet分割网络，输出边缘特征信息中门窗的信息区域；对门窗的信息区域进行阈值分割；从阈值分割后的门窗的信息区域中提取灰度值梯度变化的像素点作为形状特征的边缘点，得到形状特征信息。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，还包括：将确定出的门窗的位置标示在户型图上。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，还包括：通过以下算式确定门窗位置检测方法的精度：其中，Ldet为门窗位置检测方法的精度；L1为门窗所在墙体位置边缘的代价函数；L2为门窗所在局部区域的块区域的偏差代价函数；α和β为L1和L2的权重系数；Nedge为训练样本的边缘图像；Npatch为门窗的个数。
第二方面，本发明实施例还提供一种门窗位置检测装置，包括：图像获取模块，用于获取待检测的户型图；预处理模块，用于对户型图进行预处理，得到户型图对应的二值化图像；边缘特征模块，用于通过预先训练完成的第一神经网络模型提取二值化图像中门窗和墙体的边缘特征，得到边缘特征信息；形状特征模块，用于通过预先训练完成的第二神经网络模型提取边缘特征信息中门窗的形状特征，得到形状特征信息；位置信息模块，用于根据边缘特征信息和形状特征信息确定门窗的位置。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，还包括：灰度化模块，用于灰度化户型图，得到户型图的灰度值；平直度模块，用于计算户型图的灰度值峰值的平直度；二值化模块，用于将平直度最高的灰度值作为阈值，对户型图进行二值化，得到户型图对应的二值化图像。
结合第二方面的第一种可能的实施方式，本发明实施例提供了第二方面的第二种可能的实施方式，其中，还包括：第一预处理模块，用于对户型图进行图像去模糊处理，得到第一预处理户型图；第二预处理模块，用于对第一预处理户型图进行对比度均衡处理，得到第二预处理户型图；第三预处理模块，用于对第二预处理户型图进行边缘增强处理，得待灰度化的户型图。
本发明实施例带来了以下有益效果：
本发明实施例提供的门窗位置检测方法及装置，对待检测的户型图进行预处理，并依次输入预先训练完成的第一神经网络模型和第二经网络模型，确定门窗的位置；采用神经网络模型深度学习的方法处理户型图得到门窗的位置，可以减少测量时间和人力成本，提高准确率。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种门窗位置检测方法的流程图；
图2为本发明实施例提供的一种门窗位置检测方法的效果图；
图3为本发明实施例提供的一种门窗位置检测方法的整体流程图；
图4为本发明实施例提供的一种门窗位置检测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，获取户型的门窗位置需要通过人工手动测量和生成，然而，通过工作人员手动生成门窗的位置数据时，需要花费很长的时间进行实际测量，还需要根据测量数据生成门窗的位置数据，会耗费大量的时间和人力资源，测量和生成门窗的位置数据也可能会因为工作人员的问题出现误差，降低几何矢量数据的准确性。这种方法存在测量时间长、人力成本高、准确率低的问题，基于此，本发明实施例提供的一种门窗位置检测方法及装置，可以通过户型图快速测量门窗位置，以减少测量时间和人力成本，提高准确率。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种门窗位置检测方法进行详细介绍。
实施例1
本发明实施例1提供了一种门窗位置检测方法，参见图1所示的一种门窗位置检测方法的流程图，包括如下步骤：
步骤S102，获取待检测的户型图。
户型图是住房的平面空间布局图，即对各个独立空间的使用功能、相应位置、大小进行描述的图型。可以直观的看清房屋的走向布局。待检测的户型图是指需要检测门窗位置的房屋对应的户型图。参见图2所示的一种门窗位置检测方法的效果图，图2中的S1是户型图的一个示例。
步骤S104，对户型图进行预处理，得到户型图对应的二值化图像。
户型图中除了门窗信息之外，还会有其他的信息，例如：墙体信息、家具和家电的摆放信息、各种数字及文字标注等等。这些其他信息都会对门窗位置的检测产生干扰，属于噪声，需要被过滤。另外，户型图可能存在分辨率较低，画面质量较差的问题，这样会导致门窗位置检测的不准确；所以需要增强户型图的图像质量，之后再检测门窗位置，以增加检测的准确率。同时，为了增强户型图的图像质量，需要先对户型图做出预处理，预处理后得到二值化图像。二值化图像中对于户型图中的每一副形状图像进行采样，以便降低形状图像的大小，并将形状图像的每个像素值归一化到方差为1和均值为0。
步骤S106，通过预先训练完成的第一神经网络模型提取二值化图像中门窗和墙体的边缘特征，得到边缘特征信息。
采用深度神经网络预测户型图门窗和墙体的边缘特征，综合学习户型图整体特征，区分出户型图中门窗的信息和其他非相关信息。第一神经网络模型通过构造户型图的门窗边缘和墙体边缘作为深度学习的监督信号学习二值化图像的边缘特征。如图2所示，图2中的S3就是边缘特征信息，边缘特征信息包括了墙体边缘和门窗边缘，并将其他的噪声过滤。边缘特征信息就是户型图的全局信息，目的是给出门窗和墙体的信息区域，并将该信息区域用边缘特征信息表示。
步骤S108，通过预先训练完成的第二神经网络模型提取边缘特征信息中门窗的形状特征，得到形状特征信息。
将步骤S106得到的边缘特征信息作为第二神经网络模型的输入，第二神经网络模型输出门窗的形状特征，对感兴趣的图形区域进行阈值分割和边缘提取。通过进一步精细化区分出门窗的细节信息(即形状特征)，得到门窗构件的准确位置(即形状特征信息)。如图2所示，S4就是形状特征信息。S4表明了在S3的边缘特征信息的基础上，对边缘特征信息中可能为门窗的部分进行提取并标出，其中，门和窗分别标出。
步骤S110，根据边缘特征信息和形状特征信息确定门窗的位置。
通过边缘特征信息和形状特征信息，就可以在全局信息的基础上分别标出门的位置和窗的位置，即得到了门窗的位置。
本发明实施例提供的上述方法，对待检测的户型图进行预处理，并依次输入预先训练完成的第一神经网络模型和第二经网络模型，确定门窗的位置；采用神经网络模型深度学习的方法处理户型图得到门窗的位置，可以减少测量时间和人力成本，提高准确率。
对于预处理户型图进行预处理，得到户型图对应的二值化图像的步骤，需要保证将门窗定义为黑色，因此，可以将门窗的灰度值作为阈值对户型图二值化，例如，可以通过以下步骤执行：
(1)灰度化户型图，得到户型图的灰度值；
一般来说，户型图为彩色图，为了得到二值化的户型图，首先需要将户型图灰度化。灰度化是指使用黑色调表示物体，即用黑色为基准色，不同的饱和度的黑色来显示图像。根据灰度化后的户型图，就得到了户型图中每个像素点的灰度值。
(2)计算户型图的灰度值峰值的平直度；
计算户型图中所有像素点的平直度。平直度是指灰度值数值弯曲的程度，灰度值峰值的数值如果在平面范围内越弯曲，则说明平直度越低；灰度值峰值的数值如果在平面范围内的一条直线上固定，则说明平直度越高。
(3)将平直度最高的灰度值作为阈值，对户型图进行二值化，得到户型图对应的二值化图像。
一般来说，户型图中越不弯曲的地方的灰度值峰值的平直度越高，而门窗一般也没有任何弯折，说明门窗对应的会灰度值峰值的平直度最高，把平直度最高的灰度值峰值作为阈值，也就是将门窗的灰度值作为阈值，保证了二值化后的户型图中门窗为黑色。
本发明实施例提供的上述方法，将门窗的灰度值作为阈值对户型图二值化，保证了户型图二值化后的二值化图像中，门窗区域为黑色。
待检测的户型图很可能存在模糊，边缘不清楚，对比度不均衡等可能影响灰度化二值化，进而影响门窗位置检测精度的问题，因此，可以在灰度化之前增加其他的预处理步骤，例如：图像去模糊、对比度均衡、边缘增强等等。例如，可以通过以下步骤执行：
(1)对户型图进行图像去模糊处理，得到第一预处理户型图；
造成图像模糊的原因有很多，其中包括光学因素、大气因素、人工因素、技术因素等等，不同原因导致的模糊往往需要不同的处理方法。从技术方面来向，模糊图像处理方法主要分为三大类，分别是图像增强、图像复原和超分辨率重构。
图像增强是指增强图像中的有用信息，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征。图像增强可分成两大类：频率域法和空间域法。频率域法把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。采用低通滤波(即只让低频信号通过)法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。具有代表性的空间域算法有局部求平均值法和中值滤波(取局部邻域中的中间像素值)法等。
图像退化的典型表现是图像出现模糊、失真，出现附加噪声等。由于图像的退化，在图像接受端显示的图像已不再是传输的原始图像，图像效果明显变差。为此，必须对退化的图像进行处理，才能恢复出真实的原始图像，这一过程就称为图像复原。图像复原需要根据某些特定的图像退化模型，对退化图像进行复原。
超分辨率重构是通过信号处理的方法，在提高图像的分辨率的同时改善采集图像质量。其核心思想是通过对成像系统截止频率之外的信号高频成分估计来提高图像的分辨率。
(2)对第一预处理户型图进行对比度均衡处理，得到第二预处理户型图；
将去模糊处理得到的第一预处理户型图作为输入，经过对比对度均衡得到第二预处理户型图。对比度均衡是图像处理领域中利用图像直方图对对比度进行调整的方法，用于增加图像的全局对比度。直方图是图像中像素强度分布的图形表达方式，它统计了每一个强度值所具有的像素个数。对比度均衡是通过拉伸像素强度分布范围来增强图像对比度的一种方法。
(3)对第二预处理户型图进行边缘增强处理，得待灰度化的户型图。
将第二预处理户型度作为输入，经过边缘增强，得到带待灰度化的户型图。边缘增强是将图像(或影像)相邻像元(或区域)的亮度值(或色调)相差较大的边缘(即影像色调突变或地物类型的边界线)处加以突出强调的技术方法。
本发明实施例提供的上述方法，在灰度化户型图之前通过图像去模糊、对比度均衡、边缘增强进行预处理，以增加图像的清晰度并提高门窗位置检测的准确率。
具体地说，通过预先训练完成的第一神经网络模型提取二值化图像中门窗和墙体的边缘特征，得到边缘特征信息的步骤中，第一神经网络模型包括DenseNet网络，上述方法可以通过以下步骤执行：
(1)将二值化图像输入DenseNet网络，输出二值化图像中门窗和墙体的边缘特征。
DenseNet网络是一种具有密集连接的卷积神经网络。在该网络中，任何两层之间都有直接的连接，也就是说，网络每一层的输入都是前面所有层输出的并集，而该层所学习的特征图也会被直接传给其后面所有层作为输入。将二值化图像作为DenseNet网络的输入，输出门窗和墙体的边缘特征。图像的边缘是指其周围像素灰度急剧变化的那些像素的集合，它是图像最基本的特征。通过DenseNet网络学习户型图中门窗和墙体的边缘的特征。
(2)通过门窗和墙体的边缘特征过滤二值化图像，得到门窗和墙体的信息区域。根据学习的边缘特征过滤二值化图像，会将不符合门窗和墙体的边缘特征的区域过滤掉，即过滤掉家具和家电的摆放信息、各种数字及文字标注等噪声，得到门窗和墙体的信息区域。
(3)将门窗和墙体的信息区域的像素位置作为边缘特征信息。边缘特征信息如图2中S3所示，本发明实施例提供的上述方法，通过DenseNet网络作为第一神经网络模型提取边缘特征，并得到边缘特征信息。
具体地说，通过预先训练完成的第二神经网络模型提取边缘特征信息中门窗的形状特征，得到形状特征信息的步骤中，第二神经网络模型包括GoogleNet分割网络，上述方法可以通过以下步骤执行：
(1)将边缘特征信息输入GoogleNet分割网络，输出边缘特征信息中门窗的信息区域。GoogleNet分割网络利用inception结构，inception结构很好地利用了网络中的计算资源，并且在不增加计算负载的情况下，增加网络的宽度和深度。同时，为了优化网络质量，采用了Hebbian原理和多尺度处理。GoogleNet分割网络首先对输入的边缘特征信息进行学习，得到边缘特征信息中门窗的信息区域。其中，门与窗的信息区域并不相同，通过GoogleNet分割网络可以分别确定门的信息区域和窗的信息区域。
(2)对门窗的信息区域进行阈值分割。在获得门窗的信息区域后，对该区域阈值分割，阈值分割是指通过设定不同的特征阈值，把图像像素点分为若干类。
(3)从阈值分割后的门窗的信息区域中提取灰度值梯度变化的像素点作为形状特征的边缘点，得到形状特征信息。一般来说门窗附近的灰度值存在较为明显的梯度变化。因此可以将门窗的信息区域灰度值梯度变化的像素点作为形状特征的边缘点，以此确定形状特征信息，形状特征信息如图2中的S4所示，通过该形状特征信息标明门窗的位置。本发明实施例提供的上述方法，通过GoogleNet分割网络作为第二神经网络模型提取形状特征信息。
此外，为了进一步直观的标明门窗的位置，上述方法还包括：将确定出的门窗的位置标示在户型图上。如图2的S5所示，在户型图的基础，将形状特征信息中门窗的可能位置标在户型图的对应位置上。本发明实施例提供的上述方法，通过将确定出的门窗的位置标示在户型图上，进一步直观的标明门窗的位置。
此外，还可以通过代价函数的方法确定该门窗位置检测方法的精度，例如，通过以下算式确定门窗位置检测方法的精度：
其中，Ldet为门窗位置检测方法的精度；L1为门窗所在墙体位置边缘的代价函数；L2为门窗所在局部区域的块区域的偏差代价函数；α和β为L1和L2的权重系数；Nedge为训练样本的边缘图像；Npatch为门窗的个数。
在该检测方法实际使用的过程中，α＝0.7，β＝0.3可以保证边缘特征信息保留了门窗的细节，并且能对部分破损边缘进行智能修补；形状特征信息进行简单的阈值分割就能到得到95％以上门窗的区域块，结合边缘特征信息就可以过滤出最终门窗位置，并且具有较高的准确率。
整体流程可以参见图3所示的一种门窗位置检测方法的整体流程图，如图3所示，可以通过以下步骤执行：
步骤S31，输入户型图，进行图像预处理，图像预处理的步骤依次为图像去模糊、对比度均衡、边缘增强和阈值分割，其中，阈值分割包括灰度化和二值化，得到二值化图像。
步骤S32，输入S31输出的二值化图像，将预先训练完成的第一神经网络模型作为深度卷积神经网络，得到边缘特征，也就是全局信息，确定边缘特征信息。
步骤S33，输入S32输出的边缘特征信息，将预先训练完成的第二神经网络模型作为深度卷积神经网络，得到形状特征，也就是局部信息，确定形状特征信息。
步骤S34，根据S33输出的形状特征信息确定门窗的位置信息，门窗位置信息包括门窗起点、门窗长度和门窗终点，并且可以在户型图上表明。
本发明实施例提供的一种门窗位置检测方法，对待检测的户型图进行预处理，并依次输入预先训练完成的第一神经网络模型和第二经网络模型，确定门窗的位置；将门窗的灰度值作为阈值对户型图二值化，保证了户型图二值化后的二值化图像中，门窗区域为黑色；在灰度化户型图之前通过图像去模糊、对比度均衡、边缘增强进行预处理；通过DenseNet网络作为第一神经网络模型提取边缘特征，并得到边缘特征信息；通过GoogleNet分割网络作为第二神经网络模型提取形状特征信息；通过将确定出的门窗的位置标示在户型图上，进一步直观的标明门窗的位置；采用神经网络模型深度学习的方法处理户型图得到门窗的位置，可以减少测量时间和人力成本，提高准确率；以增加图像的清晰度并提高门窗位置检测的准确率。
实施例2
本发明实施例2提供一种门窗位置检测装置，参见图4所示的一种门窗位置检测装置的结构示意图，包括图像获取模块41、预处理模块42、边缘特征模块43、形状特征模块44和位置信息模块45，上述各模块的功能如下：
图像获取模块41，用于获取待检测的户型图；
预处理模块42，用于对户型图进行预处理，得到户型图对应的二值化图像；
边缘特征模块43，用于通过预先训练完成的第一神经网络模型提取二值化图像中门窗和墙体的边缘特征，得到边缘特征信息；
形状特征模块44，用于通过预先训练完成的第二神经网络模型提取边缘特征信息中门窗的形状特征，得到形状特征信息；
位置信息模块45，用于根据边缘特征信息和形状特征信息确定门窗的位置。
为了得到二值化图像，需要通过对户型图灰度化并选择门窗的灰度值作为阈值，上述装置还包括：
灰度化模块，用于灰度化户型图，得到户型图的灰度值；
平直度模块，用于计算户型图的灰度值峰值的平直度；
二值化模块，用于将平直度最高的灰度值作为阈值，对户型图进行二值化，得到户型图对应的二值化图像。
在对户型图进行灰度化之前，由于户型图可能存在模糊、对比度低、边缘不清晰等问题，可能需要对户型图做出进一步的预处理，上述装置还包括：
第一预处理模块，用于对户型图进行图像去模糊处理，得到第一预处理户型图；
第二预处理模块，用于对第一预处理户型图进行对比度均衡处理，得到第二预处理户型图；
第三预处理模块，用于对第二预处理户型图进行边缘增强处理，得待灰度化的户型图。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的门窗位置检测装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例提供的门窗位置检测装置，与上述实施例提供的门窗位置检测方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种门窗位置检测方法，其特征在于，包括：
获取待检测的户型图；
对所述户型图进行预处理，得到所述户型图对应的二值化图像；
通过预先训练完成的第一神经网络模型提取所述二值化图像中门窗和墙体的边缘特征，得到边缘特征信息；
通过预先训练完成的第二神经网络模型提取所述边缘特征信息中所述门窗的形状特征，得到形状特征信息；
根据所述边缘特征信息和所述形状特征信息确定所述门窗的位置。
2.根据权利要求1所述的方法，其特征在于，对所述户型图进行预处理，得到所述户型图对应的二值化图像的步骤，包括：
灰度化所述户型图，得到所述户型图的灰度值；
计算所述户型图的灰度值峰值的平直度；
将所述平直度最高的灰度值作为阈值，对所述户型图进行二值化，得到所述户型图对应的二值化图像。
3.根据权利要求2所述的方法，其特征在于，灰度化所述户型图的步骤之前，所述方法还包括：
对所述户型图进行图像去模糊处理，得到第一预处理户型图；
对所述第一预处理户型图进行对比度均衡处理，得到第二预处理户型图；
对所述第二预处理户型图进行边缘增强处理，得待灰度化的所述户型图。
4.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型包括DenseNet网络；
通过预先训练完成的第一神经网络模型提取所述二值化图像中门窗和墙体的边缘特征，得到边缘特征信息的步骤，包括：
将所述二值化图像输入所述DenseNet网络，输出所述二值化图像中门窗和墙体的边缘特征；
通过所述门窗和所述墙体的边缘特征过滤所述二值化图像，得到所述门窗和所述墙体的信息区域；
将所述门窗和所述墙体的信息区域的像素位置作为边缘特征信息。
5.根据权利要求1所述的方法，其特征在于，所述第二神经网络模型包括：GoogleNet分割网络；
通过预先训练完成的第二神经网络模型提取所述边缘特征信息中所述门窗的形状特征，得到形状特征信息的步骤，包括：
将所述边缘特征信息输入所述GoogleNet分割网络，输出所述边缘特征信息中所述门窗的信息区域；
对所述门窗的信息区域进行阈值分割；
从阈值分割后的所述门窗的信息区域中提取灰度值梯度变化的像素点作为形状特征的边缘点，得到形状特征信息。
6.根据权利要求1所述的方法，其特征在于，还包括：
将确定出的所述门窗的位置标示在所述户型图上。
7.根据权利要求1所述的方法，其特征在于，还包括：
通过以下算式确定所述门窗位置检测方法的精度：
其中，Ldet为所述门窗位置检测方法的精度；L1为所述门窗所在墙体位置边缘的代价函数；L2为所述门窗所在局部区域的块区域的偏差代价函数；α和β为L1和L2的权重系数；Nedge为训练样本的边缘图像；Npatch为所述门窗的个数。
8.一种门窗位置检测装置，其特征在于，包括：
图像获取模块，用于获取待检测的户型图；
预处理模块，用于对所述户型图进行预处理，得到所述户型图对应的二值化图像；
边缘特征模块，用于通过预先训练完成的第一神经网络模型提取所述二值化图像中门窗和墙体的边缘特征，得到边缘特征信息；
形状特征模块，用于通过预先训练完成的第二神经网络模型提取所述边缘特征信息中所述门窗的形状特征，得到形状特征信息；
位置信息模块，用于根据所述边缘特征信息和所述形状特征信息确定所述门窗的位置。
9.根据权利要求8所述的装置，其特征在于，还包括：
灰度化模块，用于灰度化所述户型图，得到所述户型图的灰度值；
平直度模块，用于计算所述户型图的灰度值峰值的平直度；
二值化模块，用于将所述平直度最高的灰度值作为阈值，对所述户型图进行二值化，得到所述户型图对应的二值化图像。
10.根据权利要求9所述的装置，其特征在于，还包括：
第一预处理模块，用于对所述户型图进行图像去模糊处理，得到第一预处理户型图；
第二预处理模块，用于对所述第一预处理户型图进行对比度均衡处理，得到第二预处理户型图；
第三预处理模块，用于对所述第二预处理户型图进行边缘增强处理，得待灰度化的所述户型图。
CN201910275207.2A 2019-04-04 2019-04-04 门窗位置检测方法及装置 Active CN109993797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910275207.2A CN109993797B (zh) 2019-04-04 2019-04-04 门窗位置检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910275207.2A CN109993797B (zh) 2019-04-04 2019-04-04 门窗位置检测方法及装置

Publications (2)

Publication Number Publication Date
CN109993797A true CN109993797A (zh) 2019-07-09
CN109993797B CN109993797B (zh) 2021-03-02

Family

ID=67132521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910275207.2A Active CN109993797B (zh) 2019-04-04 2019-04-04 门窗位置检测方法及装置

Country Status (1)

Country Link
CN (1) CN109993797B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111104879A (zh) * 2019-12-09 2020-05-05 贝壳技术有限公司 房屋功能间的识别方法和装置、可读存储介质、电子设备
CN111612890A (zh) * 2020-05-21 2020-09-01 广东三维家信息科技有限公司 二维户型图自动生成三维模型的方法、装置和电子设备
CN111985518A (zh) * 2020-02-18 2020-11-24 广东三维家信息科技有限公司 门窗检测方法及其模型训练的方法、装置
CN111985291A (zh) * 2020-02-19 2020-11-24 广东三维家信息科技有限公司 一种户型图中门识别的方法、装置和电子设备
CN112184632A (zh) * 2020-09-08 2021-01-05 上海交通大学附属第六人民医院 一种图像处理方法、设备和计算机存储介质
CN112524772A (zh) * 2020-11-30 2021-03-19 珠海格力电器股份有限公司 空调的控制方法和装置、存储介质、电子装置
CN113128322A (zh) * 2020-01-16 2021-07-16 宁波微科光电股份有限公司 一种电梯地坎检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279787A (zh) * 2015-04-03 2016-01-27 北京明兰网络科技有限公司 基于拍照的户型图识别生成三维房型的方法
CN106844614A (zh) * 2017-01-18 2017-06-13 天津中科智能识别产业技术研究院有限公司 一种户型图功能区域快速识别系统
US10127667B2 (en) * 2014-08-01 2018-11-13 Locuslabs, Inc. Image-based object location system and process
CN108804815A (zh) * 2018-06-08 2018-11-13 杭州群核信息技术有限公司 一种基于深度学习辅助识别cad中墙体的方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10127667B2 (en) * 2014-08-01 2018-11-13 Locuslabs, Inc. Image-based object location system and process
CN105279787A (zh) * 2015-04-03 2016-01-27 北京明兰网络科技有限公司 基于拍照的户型图识别生成三维房型的方法
CN106844614A (zh) * 2017-01-18 2017-06-13 天津中科智能识别产业技术研究院有限公司 一种户型图功能区域快速识别系统
CN108804815A (zh) * 2018-06-08 2018-11-13 杭州群核信息技术有限公司 一种基于深度学习辅助识别cad中墙体的方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SAMUEL DODGE ETAL.: "Parsing Floor Plan Images", 《2017 FIFTEENTH IAPR INTERNATIONAL CONFERENCE ON MACHINE VISION APPLICATIONS (MVA)》 *
苏丰等: "工程图矢量化中的尺寸识别与重建", 《计算机研究与发展》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111104879A (zh) * 2019-12-09 2020-05-05 贝壳技术有限公司 房屋功能间的识别方法和装置、可读存储介质、电子设备
CN113128322A (zh) * 2020-01-16 2021-07-16 宁波微科光电股份有限公司 一种电梯地坎检测方法
CN111985518A (zh) * 2020-02-18 2020-11-24 广东三维家信息科技有限公司 门窗检测方法及其模型训练的方法、装置
CN111985291A (zh) * 2020-02-19 2020-11-24 广东三维家信息科技有限公司 一种户型图中门识别的方法、装置和电子设备
CN111612890A (zh) * 2020-05-21 2020-09-01 广东三维家信息科技有限公司 二维户型图自动生成三维模型的方法、装置和电子设备
CN111612890B (zh) * 2020-05-21 2023-08-22 广东三维家信息科技有限公司 二维户型图自动生成三维模型的方法、装置和电子设备
CN112184632A (zh) * 2020-09-08 2021-01-05 上海交通大学附属第六人民医院 一种图像处理方法、设备和计算机存储介质
CN112184632B (zh) * 2020-09-08 2024-04-16 上海交通大学附属第六人民医院 一种图像处理方法、设备和计算机存储介质
CN112524772A (zh) * 2020-11-30 2021-03-19 珠海格力电器股份有限公司 空调的控制方法和装置、存储介质、电子装置

Also Published As

Publication number Publication date
CN109993797B (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN109993797A (zh) 门窗位置检测方法及装置
Bui et al. Single image dehazing using color ellipsoid prior
CN110490914B (zh) 一种基于亮度自适应和显著性检测的图像融合方法
Aja-Fernández et al. Noise and signal estimation in magnitude MRI and Rician distributed images: a LMMSE approach
CN116188462B (zh) 一种基于视觉鉴定的贵金属质量检测方法及系统
CN115841434B (zh) 一种用于气体浓度分析的红外图像增强方法
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
CN111242864B (zh) 一种基于Gabor纹理约束的手指静脉图像修复方法
CN110400267A (zh) 一种基于巡检图像的预处理方法
CN104978578A (zh) 手机拍照文本图像质量评估方法
CN113034452A (zh) 一种焊件轮廓检测方法
CN102930576A (zh) 一种基于特征流的抽象线条画生成方法
CN114596329A (zh) 一种气体图像增强及气体泄露检测方法和系统
CN114219740A (zh) 一种融合超像素与窗口偏移的边缘感知引导滤波方法
CN115797473A (zh) 一种土建工程用混凝土成型评估方法
Gupta et al. Fast single image haze removal method for inhomogeneous environment using variable scattering coefficient
CN111681181A (zh) 一种织物表面起球程度的评价方法
CN106815851A (zh) 一种基于视觉测量的栅格圆形油位计自动读数方法
CN117974627A (zh) 一种基于图像处理的表面裂缝检测方法
CN103455986B (zh) 基于分数阶微分梯度的随机噪声点检测方法
CN114066786A (zh) 一种基于稀疏和滤波器的红外和可见光图像融合方法
Malik et al. Contrast enhancement and smoothing of CT images for diagnosis
Zhu et al. Quantitative assessment mechanism transcending visual perceptual evaluation for image dehazing
CN106600662A (zh) 图像中主线条的绘制方法及装置
Zhao et al. Edge detection and processing method of plant root image based on joint wavelet transform

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Door and window position detection method and device

Effective date of registration: 20210511

Granted publication date: 20210302

Pledgee: China Co. truction Bank Corp Guangzhou Tianhe subbranch

Pledgor: GUANGDONG 3VJIA INFORMATION TECHNOLOGY Co.,Ltd.

Registration number: Y2021980003486

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20210302

Pledgee: China Co. truction Bank Corp Guangzhou Tianhe subbranch

Pledgor: GUANGDONG 3VJIA INFORMATION TECHNOLOGY Co.,Ltd.

Registration number: Y2021980003486