CN110634187B - 基于户型图的房屋点云模型生成方法及装置 - Google Patents
基于户型图的房屋点云模型生成方法及装置 Download PDFInfo
- Publication number
- CN110634187B CN110634187B CN201910862479.2A CN201910862479A CN110634187B CN 110634187 B CN110634187 B CN 110634187B CN 201910862479 A CN201910862479 A CN 201910862479A CN 110634187 B CN110634187 B CN 110634187B
- Authority
- CN
- China
- Prior art keywords
- image
- point cloud
- house
- category
- image category
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Image Generation (AREA)
Abstract
本申请公开了一种基于户型图的房屋点云模型生成方法及装置,所述方法包括:获取建筑物的平面户型图;遍历平面户型图的各图像像素点,根据各图像像素点的RGB色彩值,确定各图像像素点所属的图像类别;根据图像类别下的各图像像素点及与图像类别对应的预设高度值,获取图像类别的点云数据;根据各图像类别的点云数据,生成房屋点云模型。与现有技术相比,本申请通过已有的平面图文件,利用几何特统计学习来分辨平面图和空间的关系,从而不需要任何硬件,即可获取房屋的点云模型,成本更低,效率更高,且通过点云数据生成的点云模型,相比于体块模型在后期渲染和细节表达上更具优势,进而能够提高设计和施工的效率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种基于户型图的房屋点云模型生成方法及装置。
背景技术
为更好地进行室内设计,通过需要构建筑物的三维模型。现有的建筑物三维模型建立方法,通常是以体块的方式去表达现实中的实体建筑。但这种方式,容易缺失细节,若是将所有现实中的细节都通过体块去进行表达,则会带来巨大的工作量。同时现有技术无法很好的渲染出真实世界的色彩表现,导致该结果的原因是由于体块模型先天的数据表现形式就存在缺陷,同时体块模型中需要的三角面数据无法表达毫米级的细节,导致可能出现设计无法可以很好的对接现场,影响后续设计和施工效率。除此之外,现有技术中,还通过硬件采集建筑物的三维点云数据从而构建三维模型,但这种方式成本较高,且需现场采集,工作量较大,效率不高。
发明内容
本申请实施例所要解决的技术问题在于,提供一种基于户型图的房屋点云模型生成方法及装置,在降低工作量的同时,更好地体现建筑物的细节,进而提高后续设计与施工效率。
为解决上述问题,本申请实施例提供一种基于户型图的房屋点云模型生成方法,适于在计算设备中执行,至少包括如下步骤:
获取建筑物的平面户型图;
遍历所述平面户型图的各图像像素点,根据各所述图像像素点的RGB色彩值,确定各所述图像像素点所属的图像类别;其中,所述图像类别包括墙、门和窗;
根据所述图像类别下的各所述图像像素点及与所述图像类别对应的预设高度值,获取所述图像类别的点云数据;
根据各所述图像类别的点云数据,生成房屋点云模型。
进一步的,遍历所述平面户型图的各图像像素点,根据各所述图像像素点的RGB色彩值,确定各所述图像像素点所属的图像类别,包括:
将各所述图像像素点转换为二维矩阵,遍历所述二维矩阵,根据所述二维矩阵中各所述图像像素点的RGB色彩值,确定对应的各所述图像像素点所属的图像类别。
进一步的,所述根据所述图像类别下的各所述图像像素点及与所述图像类别对应的预设高度值,获取所述图像类别的点云数据,包括:
根据所述图像类别下的各所述图像像素点在所述二维矩阵中的行列号,获取所述图像类别的二维点云数据,并根据所述二维点云数据,以及与所述图像类别对应的预设高度值,获取所述图像类别的三维点云数据。
进一步的,所述根据各所述图像类别的点云数据,生成房屋点云模型,包括:
根据各所述图像类别的三维点云数据,生成房屋三维点云模型。
进一步的,对所述二维矩阵中各所述图像像素点的遍历顺序为从上到下,从左到右。
进一步的,所述平面户型图的图像像素点的数量由预设的图像比例尺参数确定。
进一步的,本申请实施例还提供一种基于户型图的房屋点云模型生成装置,包括:
图像获取模块,用于获取建筑物的平面户型图;
图像遍历模块,用于遍历所述平面户型图的各图像像素点,根据各所述图像像素点的RGB色彩值,确定各所述图像像素点所属的图像类别;其中,所述图像类别包括墙、门和窗;
点云数据获取模块,用于根据所述图像类别下的各所述图像像素点及与所述图像类别对应的预设高度值,获取所述图像类别的点云数据;
点云模型生成模块,用于根据各所述图像类别的点云数据,生成房屋点云模型。
进一步的,所述图像遍历模块具体用于:
将各所述图像像素点转换为二维矩阵,遍历所述二维矩阵,根据所述二维矩阵中各所述图像像素点的RGB色彩值,确定对应的各所述图像像素点所属的图像类别。
进一步的,所述点云数据获取模块具体用于:
根据所述图像类别下的各所述图像像素点在所述二维矩阵中的行列号,获取所述图像类别的二维点云数据,并根据所述二维点云数据,以及与所述图像类别对应的预设高度值,获取所述图像类别的三维点云数据。
进一步的,所述点云模型生成模块具体用于:
根据各所述图像类别的三维点云数据,生成房屋三维点云模型。
实施本申请实施例,具有如下有益效果:
本申请实施例通过已有的平面图文件,利用几何特统计学习来分辨平面图和空间的关系,从而不需要任何硬件,即可获取房屋的点云模型,成本更低,效率更高,且通过点云数据生成的点云模型,相比于体块模型在后期渲染和细节表达上更具优势,进而能够提高设计和施工的效率。
附图说明
图1是本申请的一个实施例提供的基于户型图的房屋点云模型生成方法的流程示意图;
图2是本申请的一个实施例提供的基于户型图的房屋点云模型生成装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
参见图1,是本申请的一个实施例提供的基于户型图的房屋点云模型生成方法的流程示意图,包括:
步骤S11,获取建筑物的平面户型图。
在本实施例中,平面户型图中不同的图像区域具有不同的RGB色彩值。其中各图像区域分别表示建筑物的墙、门和窗等。
步骤S12,遍历平面户型图的各图像像素点,根据各图像像素点的RGB色彩值,确定各图像像素点所属的图像类别。
其中,图像类别包括墙、门和窗。
具体的,将各图像像素点转换为二维矩阵,遍历二维矩阵,根据二维矩阵中各元素的RGB色彩值,确定对应的各图像像素点所属的图像类别。
在本实施例中,遍历各图像像素点,将各图像像素点转换为二维矩阵后,初始化数据容器。其中数据容器至少包括墙像素容器、门像素容器和窗像素容器。遍历二维矩阵中的各图像像素点,其中图像像素点可以用C(r,c)来表示,具体可解释为二维矩阵中的第r行第c列的图像像素点。
在本实施例中,通过判断C(r,c).rgb==X.rgb,来确定图像像素点所属的图像类别。其中,X可以是墙、窗或者门等,即墙.rgb、窗.rgb或门.rgb,表示墙的RGB色彩值、窗的RGB色彩值和门的RGB色彩值。
在本实施例中,对二维矩阵中各图像像素点的遍历顺序为从上到下,从左到右。
作为本实施例的一个优选举例,先选取窗的rgb色彩值对二维矩阵进行遍历,当C(r,c).rgb==窗.rgb时,则确定当前的图像像素点C(r,c)属于窗像素,并将该图像像素点放入窗像素容器中,直至完成整个二维矩阵的遍历;再选取门的rgb色彩值对二维矩阵进行遍历,当C(r,c).rgb==门.rgb时,则确定当前的图像像素点C(r,c)属于门像素,并将该图像像素点放入门像素容器中,直至完成整个二维矩阵的遍历。
通过上述方式,从而确定二维矩阵中各像素点所属的图像类别。
需要说明的是,平面户型图的图像像素点的数量由预设的图像比例尺参数确定。在本实施例中,图像比例尺参数S的单位为“米/像素”,默认数值为1。
步骤S13,根据图像类别下的各图像像素点及与图像类别对应的预设高度值,获取图像类别的点云数据。
具体的,根据图像类别下的各图像像素点在二维矩阵中的行列号,获取图像类别的二维点云数据,并根据二维点云数据,以及与图像类别对应的预设高度值,获取图像类别的三维点云数据。
作为本实施例的优选举例,当图像类别为墙时,根据输入的墙高值W,生成临时变量num=fix(W/S)后,利用for循环,令i从1到num生成墙像素容器中各图像像素点的三维坐标(x,y,z)=(r*S,c*S,i*0.001),从而获取墙的三维点云数据。其中,fix函数表示向下取整,如fix(1.5)=1。
当图像类别为窗时,根据输入的墙高值W,生成临时变量num=fix(W/S)后,令i从1到num,生成窗像素容器中各图像像素点的三维坐标(x,y,z)=(r*S,c*S,i*0.001)。其中,i*0.001=W1且i*0.001>DH,W1为输入的窗台高值,DH为输入的门高值。
通过上述方式,可获得毫米级的点云数据,从而使后续能够获得毫米级的点云模型。
步骤S14,根据各图像类别的点云数据,生成房屋点云模型。
具体的,根据各图像类别的三维点云数据,生成房屋三维点云模型。
本实施例通过已有的平面图文件,利用几何特统计学习来分辨平面图和空间的关系,从而不需要任何硬件,即可获取房屋的点云模型,成本更低,效率更高,且通过点云数据生成的点云模型,相比于体块模型在后期渲染和细节表达上更具优势,进而能够提高设计和施工的效率。
参见图2,是本申请的一个实施例提供的基于户型图的房屋点云模型生成装置的结构示意图。包括:
图像获取模块101,用于获取建筑物的平面户型图。
在本实施例中,平面户型图中不同的图像区域具有不同的RGB色彩值。其中各图像区域分别表示建筑物的墙、门和窗等。
图像遍历模块102,用于遍历平面户型图的各图像像素点,根据各图像像素点的RGB色彩值,确定各图像像素点所属的图像类别。
其中,图像类别包括墙、门和窗。
在本实施例中,图像遍历模块102具体用于,将各图像像素点转换为二维矩阵,遍历二维矩阵,根据二维矩阵中各元素的RGB色彩值,确定对应的各图像像素点所属的图像类别。
点云数据获取模块103,用于根据图像类别下的各图像像素点及与图像类别对应的预设高度值,获取图像类别的点云数据。
在本实施例中,点云数据获取模块103具体用于,根据图像类别下的各图像像素点在二维矩阵中的行列号,获取图像类别的二维点云数据,并根据二维点云数据,以及与图像类别对应的预设高度值,获取图像类别的三维点云数据。
点云模型生成模块104,用于根据各图像类别的点云数据,生成房屋点云模型。
在本实施例中,点云模型生成模块104具体用于,根据各图像类别的三维点云数据,生成房屋三维点云模型。
本实施例通过已有的平面图文件,利用几何特统计学习来分辨平面图和空间的关系,从而不需要任何硬件,即可获取房屋的点云模型,成本更低,效率更高,且通过点云数据生成的点云模型,相比于体块模型在后期渲染和细节表达上更具优势,进而能够提高设计和施工的效率。
以上所述是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本申请的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (8)
1.一种基于户型图的房屋点云模型生成方法,其特征在于,至少包括如下步骤:
获取建筑物的平面户型图;
遍历所述平面户型图的各图像像素点,根据各所述图像像素点的RGB色彩值,确定各所述图像像素点所属的图像类别;其中,所述图像类别包括墙、门和窗;
根据所述图像类别下的各所述图像像素点及与所述图像类别对应的预设高度值,获取所述图像类别的点云数据;
根据各所述图像类别的点云数据,生成房屋点云模型;
其中,遍历所述平面户型图的各图像像素点,根据各所述图像像素点的RGB色彩值,确定各所述图像像素点所属的图像类别,包括:
将各所述图像像素点转换为二维矩阵,遍历所述二维矩阵,根据所述二维矩阵中各所述图像像素点的RGB色彩值,确定对应的各所述图像像素点所属的图像类别。
2.根据权利要求1所述的基于户型图的房屋点云模型生成方法,其特征在于,所述根据所述图像类别下的各所述图像像素点及与所述图像类别对应的预设高度值,获取所述图像类别的点云数据,包括:
根据所述图像类别下的各所述图像像素点在所述二维矩阵中的行列号,获取所述图像类别的二维点云数据,并根据所述二维点云数据,以及与所述图像类别对应的预设高度值,获取所述图像类别的三维点云数据。
3.根据权利要求2所述的基于户型图的房屋点云模型生成方法,其特征在于,所述根据各所述图像类别的点云数据,生成房屋点云模型,包括:
根据各所述图像类别的三维点云数据,生成房屋三维点云模型。
4.根据权利要求1所述的基于户型图的房屋点云模型生成方法,其特征在于,对所述二维矩阵中各所述图像像素点的遍历顺序为从上到下,从左到右。
5.根据权利要求1-3任意一项所述的基于户型图的房屋点云模型生成方法,其特征在于,所述平面户型图的图像像素点的数量由预设的图像比例尺参数确定。
6.一种基于户型图的房屋点云模型生成装置,其特征在于,包括:
图像获取模块,用于获取建筑物的平面户型图;
图像遍历模块,用于遍历所述平面户型图的各图像像素点,根据各所述图像像素点的RGB色彩值,确定各所述图像像素点所属的图像类别;其中,所述图像类别包括墙、门和窗;
点云数据获取模块,用于根据所述图像类别下的各所述图像像素点及与所述图像类别对应的预设高度值,获取所述图像类别的点云数据;
点云模型生成模块,用于根据各所述图像类别的点云数据,生成房屋点云模型;
其中,所述图像遍历模块具体用于:
将各所述图像像素点转换为二维矩阵,遍历所述二维矩阵,根据所述二维矩阵中各所述图像像素点的RGB色彩值,确定对应的各所述图像像素点所属的图像类别。
7.根据权利要求6所述的基于户型图的房屋点云模型生成装置,其特征在于,所述点云数据获取模块具体用于:
根据所述图像类别下的各所述图像像素点在所述二维矩阵中的行列号,获取所述图像类别的二维点云数据,并根据所述二维点云数据,以及与所述图像类别对应的预设高度值,获取所述图像类别的三维点云数据。
8.根据权利要求7所述的基于户型图的房屋点云模型生成装置,其特征在于,所述点云模型生成模块具体用于:
根据各所述图像类别的三维点云数据,生成房屋三维点云模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910862479.2A CN110634187B (zh) | 2019-09-11 | 2019-09-11 | 基于户型图的房屋点云模型生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910862479.2A CN110634187B (zh) | 2019-09-11 | 2019-09-11 | 基于户型图的房屋点云模型生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110634187A CN110634187A (zh) | 2019-12-31 |
CN110634187B true CN110634187B (zh) | 2023-06-20 |
Family
ID=68972634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910862479.2A Active CN110634187B (zh) | 2019-09-11 | 2019-09-11 | 基于户型图的房屋点云模型生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110634187B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765709B (zh) * | 2021-01-15 | 2022-02-01 | 贝壳找房(北京)科技有限公司 | 基于点云数据的户型图重建方法及装置 |
CN113379895B (zh) * | 2021-06-10 | 2022-02-22 | 贝壳找房(北京)科技有限公司 | 三维房屋模型生成方法、装置及计算机可读存储介质 |
CN115248032B (zh) * | 2022-09-22 | 2022-12-09 | 创辉达设计股份有限公司 | 一种三维激光点云房屋信息自动化提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015158772A (ja) * | 2014-02-24 | 2015-09-03 | アジア航測株式会社 | スタンドアロン型点群データ表示システム、サーバ/クライアント型の点群データ表示システム及び点群データ表示プログラム |
CN107274481A (zh) * | 2017-06-07 | 2017-10-20 | 苏州大学 | 一种基于多站站点点云拼接的三维模型重建方法 |
CN109685891A (zh) * | 2018-12-28 | 2019-04-26 | 鸿视线科技(北京)有限公司 | 基于深度图像的建筑物三维建模与虚拟场景生成系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130179119A1 (en) * | 2011-12-21 | 2013-07-11 | Robotics Paradigm Systems, LLC | Data collection and point cloud generation system and method |
-
2019
- 2019-09-11 CN CN201910862479.2A patent/CN110634187B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015158772A (ja) * | 2014-02-24 | 2015-09-03 | アジア航測株式会社 | スタンドアロン型点群データ表示システム、サーバ/クライアント型の点群データ表示システム及び点群データ表示プログラム |
CN107274481A (zh) * | 2017-06-07 | 2017-10-20 | 苏州大学 | 一种基于多站站点点云拼接的三维模型重建方法 |
CN109685891A (zh) * | 2018-12-28 | 2019-04-26 | 鸿视线科技(北京)有限公司 | 基于深度图像的建筑物三维建模与虚拟场景生成系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110634187A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110634187B (zh) | 基于户型图的房屋点云模型生成方法及装置 | |
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
US20220244740A1 (en) | Method of constructing indoor two-dimensional semantic map with wall corner as critical feature based on robot platform | |
González-Aguilera et al. | Development of an all-purpose free photogrammetric tool | |
CN108399424B (zh) | 一种点云分类方法、智能终端及存储介质 | |
CN114332385A (zh) | 一种基于三维虚拟地理场景的单目相机目标检测与空间定位方法 | |
CN111402414A (zh) | 一种点云地图构建方法、装置、设备和存储介质 | |
CN109887073B (zh) | 岩心的三维数字模型构建方法及装置 | |
CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
CN111612806B (zh) | 一种建筑物立面窗户提取方法及装置 | |
Cotella | From 3D point clouds to HBIM: application of artificial intelligence in cultural heritage | |
DE102020132238A1 (de) | Verfahren, systeme, herstellungsgegenstände und einrichtungen zum weiterentwickeln von bildtiefenvertrauenskarten | |
De Marco et al. | Management of mesh features in 3D reality-based polygonal models to support non-invasive structural diagnosis and emergency analysis in the context of earthquake heritage in Italy | |
KR20200092846A (ko) | 객체의 조건에 따라 모드를 전환할 수 있는 CNN 기반으로 군사 목적, 스마트폰 또는 가상 주행에 사용되는 수도(Pseudo)-3D 바운딩 박스를 검출하는 방법 및 이를 이용한 장치 | |
CN114219701A (zh) | 敦煌壁画艺术风格转换方法、系统、计算机设备及存储介质 | |
Quattrini et al. | From TLS to FE analysis: Points cloud exploitation for structural behaviour definition. The San Ciriaco’s Bell Tower | |
Van Leusen et al. | 3D spatial analysis: The road ahead | |
CN115731560B (zh) | 一种基于深度学习的槽线识别方法、装置、存储介质及终端 | |
CN114529689B (zh) | 基于对抗神经网络的陶瓷杯缺陷样本扩增方法及系统 | |
DE102022213350A1 (de) | Lernbasiertes system und verfahren zur schätzung von semantischen karten aus 2d-lidar-scans | |
CN112927334B (zh) | 一种基于gpu的三维模型快速体素化方法 | |
CN111383340B (zh) | 一种基于3d图像的背景过滤方法、装置及系统 | |
CN112700538A (zh) | Lod生成方法及系统 | |
Motayyeb et al. | Enhancing contrast of images to improve geometric accuracy of a UAV photogrammetry project | |
KR101661529B1 (ko) | 삼차원 시각 분석방법, 삼차원 시각 분석 프로그램, 그 프로그램이 저장된 서버 시스템 및 컴퓨터 |
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 |