CN111127357A - 户型图处理方法、系统、装置和计算机可读存储介质 - Google Patents
户型图处理方法、系统、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111127357A CN111127357A CN201911312907.0A CN201911312907A CN111127357A CN 111127357 A CN111127357 A CN 111127357A CN 201911312907 A CN201911312907 A CN 201911312907A CN 111127357 A CN111127357 A CN 111127357A
- Authority
- CN
- China
- Prior art keywords
- room
- edge
- vertex
- contour map
- rooms
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请提供了一种户型图处理方法、系统、装置和计算机可读存储介质。该户型图处理方法包括:获取户型的平面轮廓图,所述平面轮廓图包括所述户型的多个房间的轮廓图,每个房间的轮廓图包括多条边和多个顶点;对于每个房间的轮廓图的至少一个顶点,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点,以得到所述户型的轮廓图中的关联点对;基于所述关联点对,确定所述多个房间中至少一个房间的校正偏移量;按照所确定的至少一个房间的校正偏移量,校正所述至少一个房间的轮廓图。
Description
技术领域
本申请涉及户型图处理领域,并且具体涉及户型图处理方法、系统、装置和计算机可读存储介质。
背景技术
建筑物的户型图生成技术是指通过对建筑物中的每个组成部分进行三维建模后,提取其在二维平面的轮廓,并通过定位技术得到每个组成部分的轮廓的相对位置关系,最终拼接得到建筑物的户型图。由于三维建模技术和定位技术都会产生一定的误差,因此使得最终拼接得到的户型图的每个组成部分的轮廓出现位置上的偏移。
发明内容
本申请提供了一种户型图处理方法、系统、装置和计算机可读存储介质。
根据本公开的一个方面,提供了一种户型图处理方法,包括:获取户型的平面轮廓图,所述平面轮廓图包括所述户型的多个房间的轮廓图,每个房间的轮廓图包括多条边和多个顶点;对于每个房间的轮廓图的至少一个顶点,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点,以得到所述户型的轮廓图中的关联点对;基于所述关联点对,确定所述多个房间中至少一个房间的校正偏移量;按照所确定的至少一个房间的校正偏移量,校正所述至少一个房间的轮廓图。
根据本公开的一个示例,还包括:对于每个房间的轮廓图的至少一条边,在其他房间的轮廓图上选取满足第二条件的边作为所述至少一条边的关联边,以得到所述户型的轮廓图中的关联边对;其中,基于所述关联点对确定所述多个房间中至少一个房间的校正偏移量包括:基于所述关联点对和所述关联边对,确定所述多个房间中至少一个房间的校正偏移量。
根据本公开的一个示例,所述在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点包括:在其他房间的轮廓图上选取与所述至少一个顶点的之间距离小于第一阈值的顶点作为所述至少一个顶点的关联顶点。
根据本公开的一个示例,所述在其他房间的轮廓图上选取满足第二条件的边作为所述至少一条边的关联边包括:在其他房间的轮廓图上选取与所述至少一条边之间的角度小于第二阈值、且其上的点与所述至少一条边上的点之间的最近距离小于第三阈值的边作为所述至少一条边的关联边。
根据本公开的一个示例,通过以下步骤计算其他房间的轮廓图上的边上的点与所述至少一条边上的点之间的最近距离:计算其他房间的轮廓图上的边上的所有点与所述至少一条边上的所有点之间的距离,并且从所计算的距离中选取最短距离作为其他房间的轮廓图上的边上的点与所述至少一条边上的点之间的最近距离。
根据本公开的一个示例,确定所述多个房间中至少一个房间的校正偏移量包括:基于所述关联点对,构建用于所述户型图的距离函数;确定所述至少一个房间的校正偏移量,使得所述距离函数最小化。
根据本公开的一个示例,确定所述多个房间中至少一个房间的校正偏移量还包括:基于所述关联点对和所述关联边对,构建用于所述户型图的距离函数;确定所述至少一个房间的校正偏移量,使得所述距离函数最小化。
根据本公开的一个示例,所述距离函数为:
其中,ci表示轮廓图的第i个房间的轮廓图,cj表示轮廓图的第j个房间的轮廓图,表示轮廓图的第i个房间的轮廓图的顶点p的坐标,表示轮廓图的第j个房间的轮廓图的顶点q的坐标,顶点q为顶点p的关联点,Oci表示轮廓图的第i个房间的校正偏移量,表示轮廓图的第i个房间的轮廓图的边上的点m的坐标,示轮廓图的第i个房间的轮廓图的边上的点n的坐标,点n所在的边为点m所在的边的关联边,点m与点n之间的距离为其所在边上的点之间的最近距离,f表示距离度量函数。
根据本公开的另一个方面,提供了一种户型图处理系统,包括:获取模块,用于获取户型的平面轮廓图,所述平面轮廓图包括所述户型的多个房间的轮廓图,每个房间的轮廓图包括多条边和多个顶点;关联点对选取模块,用于对于每个房间的轮廓图的至少一个顶点,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点,以得到所述户型的轮廓图中的关联点对;确定模块,用于基于所述关联点对,确定所述多个房间中至少一个房间的校正偏移量;校正模块,用于按照所确定的至少一个房间的校正偏移量,校正所述至少一个房间的轮廓图。
根据本公开的一个示例,还包括:关联边对选取模块,用于对于每个房间的轮廓图的至少一条边,在其他房间的轮廓图上选取满足第二条件的边作为所述至少一条边的关联边,以得到所述户型的轮廓图中的关联边对;其中,基于所述关联点对确定所述多个房间中至少一个房间的校正偏移量包括:基于所述关联点对和所述关联边对,确定所述多个房间中至少一个房间的校正偏移量。
根据本公开的一个示例,所述关联点对选取模块在其他房间的轮廓图上选取与所述至少一个顶点的之间距离小于第一阈值的顶点作为所述至少一个顶点的关联顶点。
根据本公开的一个示例,所述关联边对选取模块在其他房间的轮廓图上选取与所述至少一条边之间的角度小于第二阈值、且其上的点与所述至少一条边上的点之间的最近距离小于第三阈值的边作为所述至少一条边的关联边。
根据本公开的一个示例,所述确定模块基于所述关联点对,构建用于所述户型图的距离函数;确定所述至少一个房间的校正偏移量,使得所述距离函数最小化。
根据本公开的一个示例,所述确定模块基于所述关联点对和所述关联边对,构建用于所述户型图的距离函数;确定所述至少一个房间的校正偏移量,使得所述距离函数最小化。
根据本公开的再一个方面,提供了一种户型图处理装置,包括:处理器;以及存储器,其中存储计算机可读指令,其中,在所述计算机可读指令被所述处理器运行时执行户型图处理方法,所述方法包括:获取户型的平面轮廓图,所述平面轮廓图包括所述户型的多个房间的轮廓图,每个房间的轮廓图包括多条边和多个顶点;对于每个房间的轮廓图的至少一个顶点,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点,以得到所述户型的轮廓图中的关联点对;基于所述关联点对,确定所述多个房间中至少一个房间的校正偏移量;按照所确定的至少一个房间的校正偏移量,校正所述至少一个房间的轮廓图。
根据本公开的又一个方面,提供了一种用于存储计算机可读程序的计算机可读存储介质,所述程序使得计算机户型图处理方法,所述方法包括:获取户型的平面轮廓图,所述平面轮廓图包括所述户型的多个房间的轮廓图,每个房间的轮廓图包括多条边和多个顶点;对于每个房间的轮廓图的至少一个顶点,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点,以得到所述户型的轮廓图中的关联点对;基于所述关联点对,确定所述多个房间中至少一个房间的校正偏移量;按照所确定的至少一个房间的校正偏移量,校正所述至少一个房间的轮廓图。
本公开提供了一种户型图处理方法,其基于所确定的房间的轮廓图的关联点对和关联边对,来确定多个房间中至少一个房间的校正偏移量,从而校正至少一个房间的轮廓图,使得房间的至少一个轮廓图得到校正,从而美化了户型图。此外,其解决了由于人工因素导致户型图存在的墙线未对齐及空隙的问题,并且提升了规范、校正户型图的效率。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标记通常代表相同部件或步骤。
图1是根据本公开实施例的户型图处理方法的流程图;
图2是根据本公开实施例的获取户型的平面轮廓图的方法的流程图;
图3是根据本公开实施例的校正前的平面轮廓图的示例;
图4是根据本公开实施例的确定房间的校正偏移量的方法的流程图;
图5是根据本公开实施例的校正后的平面轮廓图的示例;
图6是根据本公开另一实施例的户型图处理方法的流程图;
图7是根据本公开另一实施例的校正前的平面轮廓图的示例的示意图;
图8是根据本公开另一实施例的确定房间的校正偏移量的方法的流程图;
图9是根据本公开另一实施例的校正后的平面轮廓图的示例的示意图;
图10是根据本公开实施例的户型图处理系统的示意图;
图11是根据本公开另一实施例的户型图处理系统的示意图;
图12是根据本公开实施例的户型图处理装置的示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本公开一部分的实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
本申请中使用了流程图用来说明根据本申请的实施例的方法的步骤。应当理解的是,前面或后面的步骤不一定按照顺序来精确的进行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步。
本公开提供了一种户型图处理方法,其基于所确定的房间的轮廓图的关联点对和关联边对,来确定多个房间中至少一个房间的校正偏移量,从而校正至少一个房间的轮廓图。
本公开的至少一个实施例提供了一种户型图处理方法、户型图处理系统、户型图处理装和计算机可读存储介质。下面通过几个示例和实施例对根据本公开的至少一个实施例提供的户型图处理方法进行非限制性说明,如下面所描述的,在不相互抵触的情况下,这些具体示例和实施例中不同特征可以相互组合,从而得到新的示例和实施例,这些新的示例和实施例也都属于本公开保护的范围。
首先,参照图1来描述根据本公开实施例的户型图处理方法。该方法可以由计算机等自动完成。如图1所示,该户型图处理方法包括以下的步骤S101-步骤S104。
如图1所示,在步骤S101,获取户型的平面轮廓图,所述平面轮廓图包括所述户型的多个房间的轮廓图,每个房间的轮廓图包括多条边和多个顶点。在步骤S102,对于每个房间的轮廓图的至少一个顶点,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点,以得到所述户型的轮廓图中的关联点对。在步骤S103,基于所述关联点对,确定所述多个房间中至少一个房间的校正偏移量。在步骤S104,按照所确定的至少一个房间的校正偏移量,校正所述至少一个房间的轮廓图。
下面通过图2来描述步骤S101中所述的获取户型的平面轮廓图的方法200。图2是根据本公开实施例的获取户型的平面轮廓图的方法的流程图。应当认识到,获取户型的平面轮廓图的具体方法可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
如图2所示,在步骤S201中,获取户型的每个房间的全景图。例如,该全景图为二维全景图。
在一个示例中,获取户型的每个房间的全景图可以包括从存储器中获取存储在存储器中的户型的每个房间的全景图。在另一个示例中,获取户型的每个房间的全景图可以包括远程获取户型的每个房间的全景图,例如,使用信息发送和接收装置接收户型的每个房间的全景图。例如,信息发送和接收装置可以从服务器接收户型的每个房间的全景图。
例如,可以从存储器或者服务器获取房间的二维全景图。例如,二维全景图可以预先通过采用具有全景拍摄功能的相机对房间的三维空间进行图像采集获得,并存储到存储器或者服务器中。例如,可以采用具有全景拍摄功能的相机(诸如鱼眼镜头的手机、全景相机、带鱼眼镜头的相机,以及普通手机和普通数码相机等)采集房间的三维空间的720度全景图。
在步骤S202中,将所述每个房间的全景图转换为房间的二维轮廓图。
例如,对于在步骤S201中获取的每个房间的全景图,忽略高度信息,可以得到每个房间的二维轮廓图。应当认识到,获取房间的二维轮廓图的具体方法可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
然后,在步骤S203,通过将所述每个房间的二维轮廓图经由门连接在一起得到户型的平面轮廓图。
例如,在获取房间的二维轮廓图后,通过对比不同房间的二维轮廓图中门的图像信息,对各个房间进行连接,得到的各个房间的空间位置及朝向信息。然后通过标记了的门,对比图中透过门的画面,在彼此的图片中获取相匹配的画面,以找到相同的门,从而将具有相同的门的房间连接起来以得到户型的平面轮廓图。
例如,客厅与主卧共用一个门,通过将共用的门合在一起,可以将客厅与主卧拼接在一起。同理,可以将户型的其他房间拼接在一起组成一个完整的户型的平面轮廓图。
可替代地,也可以通过将所述每个房间的二维轮廓图经由门或者开放空间连接在一起得到户型的平面轮廓图。
例如,在获取房间的二维轮廓图后,通过对比不同房间的二维轮廓图中门或者开放空间图像信息,对各个房间进行连接,得到的各个房间的空间位置及朝向信息。然后通过标记了的门或者开放空间,对比图中透过门或者开放空间的画面,在彼此的照片中获取相匹配的画面,以找到相同的门或者开放空间,从而将具有相同的门或者开放空间的房间连接起来以得到户型的平面轮廓图。
应当认识到,也可以先执行步骤S203,再执行步骤S202。即在得到每个房间的全景图之后,将每个房间经由门或者开放空间连接在一起得到户型的全景图,然后将户型的全景图转换为户型的平面轮廓图。此外,获取房间的二维轮廓图的具体方法可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
如上所述,在获得户型图数据后,由于在例如采集房间的三维空间的720度全景图、或将全景图转换为轮廓图、或者将每个房间连接在一起时存在误差,可能导致户型的轮廓图中部分房间的形状或相对位置出现偏移。因此,需要对户型的轮廓图进行处理,以校正房间位置的偏移。
如图3所示为根据本公开实施例的校正前的平面轮廓图的示例。如图3所示,该平面轮廓图包括3个房间(图3中的房间36、37和38)的轮廓图,每个房间包括4条边和4个顶点。应当认识到,图3所示的平面轮廓图仅仅是一个示例,平面轮廓图可以包括更多或更少的房间的轮廓图,每个房间的轮廓图可以包括更多或更少条边和顶点,本公开的至少一个实施例对此不作具体限定。
下面参照图3描述步骤S102所述的获取关联点对的方法。
例如,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点可以包括:在其他房间的轮廓图上选取与所述至少一个顶点的之间距离小于第一阈值的顶点作为所述至少一个顶点的关联顶点。
例如,第一阈值可以为所有轮廓图的最短边的长度的一半。应当认识到,该第一阈值可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
例如,如图3所示,对于房间36的轮廓图的顶点30,在其他房间的轮廓图上选取与顶点30的之间距离小于第一阈值的顶点作为顶点30的关联顶点。假设第一阈值为所有轮廓图的最短边的长度的一半。从图3可以看出,房间37的轮廓图的顶点31与房间36的轮廓图的顶点30之间的距离小于第一阈值,因此可以选取房间37的轮廓图的顶点31作为房间36的轮廓图的顶点30的关联顶点,从而得到关联点对(30,31)。作为另一个示例,房间38的轮廓图的顶点32与房间36的轮廓图的顶点33之间的距离小于第一阈值,因此可以选取房间38的轮廓图的顶点32作为房间36的轮廓图的顶点33的关联顶点,从而得到关联点对(32,33)。
下面参照图4-5描述步骤S103和S104所述的基于关联点对确定房间的校正偏移量,并根据校正偏移量校正房间轮廓的方法。
图4是根据本公开实施例的确定房间的校正偏移量的方法300的流程图。如图4所示,例如,确定所述多个房间中至少一个房间的校正偏移量可以包括:基于所述关联点对,构建用于所述户型图的距离函数(S301);确定所述至少一个房间的校正偏移量,使得所述距离函数最小化(S302)。
其中,ci表示轮廓图的第i(i=1,2…,I)个房间的轮廓图,cj表示轮廓图的第j(j=1,2…,I)个房间的轮廓图,表示轮廓图的第i个房间的轮廓图的顶点p(p=1,2…,P)的坐标,表示轮廓图的第j个房间的轮廓图的顶点q(q=1,2…,P)的坐标,顶点q为顶点p的关联点,表示轮廓图的第i个房间的校正偏移量,f表示距离度量函数。例如,f可以表示L1距离函数或欧氏距离函数或任何适当的距离函数,在此不做具体限定。
应当认识到,上述距离函数可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
在执行完上述户型图处理方法的步骤后,可以对至少一个房间的轮廓图ci的偏移量进行更新。但是,由于轮廓图被校正后,轮廓图的相对位置发生变化,轮廓图的关联点对也可能发生变化,因此可以迭代上述户型图处理方法的步骤S101-S104,直到偏移量不再发生变化,由此完成所有房间的轮廓图的校正。
如图5所示为根据本公开实施例的校正后的平面轮廓图的示例。从图5可以看出,通过如上所述的户型图处理方法,图3中的关联点对(30,31)被校正为图5中的顶点51,图3中的关联点对(32,33)被校正为图5中的顶点52,从而使得房间36、37和38被校正对齐。
通过本公开的户型图处理方法,可以基于所确定的房间的轮廓图的关联点对来确定多个房间中至少一个房间的校正偏移量,从而校正至少一个房间的轮廓图。
下面将结合图6-9来描述根据本公开另一实施例的户型图处理方法。图6是根据本公开另一实施例的户型图处理方法600的流程图。该方法可以由计算机等自动完成。如图6所示,该户型图处理方法包括以下的步骤S601-步骤S605。
如图6所示,在步骤S601,获取户型的平面轮廓图,所述平面轮廓图包括所述户型的多个房间的轮廓图,每个房间的轮廓图包括多条边和多个顶点。在步骤S602,对于每个房间的轮廓图的至少一个顶点,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点,以得到所述户型的轮廓图中的关联点对。在步骤S603,对于每个房间的轮廓图的至少一条边,在其他房间的轮廓图上选取满足第二条件的边作为所述至少一条边的关联边,以得到所述户型的轮廓图中的关联边对。在步骤S604,基于所述关联点对和所述关联边对,确定所述多个房间中至少一个房间的校正偏移量。在步骤S605,按照所确定的至少一个房间的校正偏移量,校正所述至少一个房间的轮廓图。
由于步骤S601-S602与上述参考图1描述的步骤S101-S102的方法相同,因此这里不再赘述。
下面将参照图7描述步骤S603所述的获取关联边对的方法。
例如,在其他房间的轮廓图上选取满足第二条件的边作为所述至少一条边的关联边可以包括:在其他房间的轮廓图上选取与所述至少一条边之间的角度小于第二阈值、且其上的点与所述至少一条边上的点之间的最近距离小于第三阈值的边作为所述至少一条边的关联边。
例如,第二阈值可以在10度到20度的范围内。应当认识到,该第二阈值可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。例如,第三阈值可以等于第一阈值,或者可以与第一阈值不同。例如,第三阈值也可以为所有轮廓图的最短边的长度的一半。应当认识到,该第三阈值可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
例如,可以通过以下步骤计算其他房间的轮廓图上的边上的点与所述至少一条边上的点之间的最近距离:计算其他房间的轮廓图上的边上的所有点与所述至少一条边上的所有点之间的距离,并且从所计算的距离中选取最短距离作为其他房间的轮廓图上的边上的点与所述至少一条边上的点之间的最近距离。
如图7所示为根据本公开另一实施例的校正前的平面轮廓图的示例。如图7所示,该平面轮廓图包括4个房间(图7中的房间36、37、38和39)的轮廓图,每个房间包括4条边和4个顶点。应当认识到,图7所示的平面轮廓图仅仅是一个示例,平面轮廓图可以包括更多或更少的房间的轮廓图,每个房间的轮廓图可以包括更多或更少条边和顶点,本公开的至少一个实施例对此不作具体限定。
例如,如图7所示,对于房间37的轮廓图上的边71,首先,计算其他房间的轮廓图上的边上的所有点与房间37的轮廓图上的边71上的所有点之间的距离,并确定从所计算的距离中选取的最短距离(例如,点34与点35之间的距离为所选取的最短距离)小于第三阈值的边,然后,从所确定的边中选取与房间37的轮廓图上的边71之间的角度小于第二阈值的边作为房间37的轮廓图上的边71的关联边。例如,房间39的边72满足上述选取条件,因此可以被选取作为房间37的轮廓图上的边71的关联边,以得到房间37的轮廓图上的边71的关联边对(71,72)。
可替代地,对于房间37的轮廓图上的边71,也可以先选择满足角度条件的边,然后从所选择的边中选择满足距离条件的边。例如,对于房间37的轮廓图上的边71,首先,从其他房间的轮廓图上的边中确定与房间37的轮廓图上的边71之间的角度小于第二阈值的边,然后计算所确定的边上的所有点与房间37的轮廓图上的边71上的所有点之间的距离,并选取最短距离小于第三阈值的边作为房间37的轮廓图上的边71的关联边,以得到房间37的轮廓图上的边71的关联边对(71,72)。
下面参照图4-5描述步骤S604和S605所述的基于关联点对和关联边对确定房间的校正偏移量,并根据校正偏移量校正房间轮廓的方法。
图8是根据本公开另一实施例的确定房间的校正偏移量的方法700的流程图。
如图8所示,确定所述多个房间中至少一个房间的校正偏移量还包括:基于所述关联点对和所述关联边对,构建用于所述户型图的距离函数(S701);确定所述至少一个房间的校正偏移量,使得所述距离函数最小化(702)。
其中,ci表示轮廓图的第i(i=1,2…,I)个房间的轮廓图,cj表示轮廓图的第j(j=1,2…,I)个房间的轮廓图,表示轮廓图的第i个房间的轮廓图的顶点p(p=1,2…,P)的坐标,表示轮廓图的第j个房间的轮廓图的顶点q(q=1,2…,P)的坐标,顶点q为顶点p的关联点,表示轮廓图的第i个房间的校正偏移量,表示轮廓图的第i个房间的轮廓图的边上的点m的坐标,表示轮廓图的第i个房间的轮廓图的边上的点n的坐标,点n所在的边为点m所在的边的关联边,点m与点n之间的距离为其所在边上的点之间的最近距离,f表示距离度量函数。例如,f表示L1距离函数或欧氏距离函数或任何适当的距离函数,在此不做具体限定。
应当认识到,上述距离函数可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
在执行完上述户型图处理方法的步骤后,可以对每个房间的轮廓图ci的偏移量进行更新。但是,由于轮廓图被校正后,轮廓图的相对位置发生变化,轮廓图的关联点对或关联边对也可能发生变化,因此可以迭代上述户型图处理方法的步骤S601-S605,直到偏移量不再发生变化,由此完成所有房间的轮廓图的校正。
可替代地,也可以仅仅执行步骤S601和步骤S603-S605来实现房间轮廓的校正,这里不再赘述。
如图9所示为根据本公开另一实施例的校正后的平面轮廓图的示例。从图9可以看出,通过如上所述的户型图处理方法,图7中的关联边对(71,72)被对齐为图9中的边92。
通过本公开的户型图处理方法,可以基于所确定的房间的轮廓图的关联点对和关联边对来确定多个房间中至少一个房间的校正偏移量,从而校正至少一个房间的轮廓图,使得房间的至少一个轮廓图得到校正,从而美化了户型图。此外,其解决了由于人工因素导致户型图存在的墙线未对齐及空隙的问题,并且提升了规范、校正户型图的效率。
下面将参照图10描述根据本公开实施例的户型图处理系统。图10是根据本公开实施例的户型图处理系统的示意图。由于本实施例的户型图处理系统与在上文中参照图1描述的方法的细节相同,因此在这里为了简单起见,省略对相同内容的详细描述。
如图10所示,户型图处理系统1000包括获取模块1001、关联点对选取模块1002、确定模块1003和校正模块1004。需要注意的是,尽管在图10中户型图处理系统1000被示出为只包括4个模块,但这只是示意性的,户型图处理系统1000也可以包括一个或多个其他模块,这些装置与发明构思无关,因此在这里被省略。
在本公开中,获取模块1001用于获取户型的平面轮廓图,所述平面轮廓图包括所述户型的多个房间的轮廓图,每个房间的轮廓图包括多条边和多个顶点。
首先,获取模块1001获取户型的每个房间的全景图。
在一个示例中,获取户型的每个房间的全景图可以包括从存储器中获取存储在存储器中的户型的每个房间的全景图。在另一个示例中,获取户型的每个房间的全景图可以包括远程获取户型的每个房间的全景图,例如,使用信息发送和接收装置接收户型的每个房间的全景图。例如,信息发送和接收装置可以从服务器接收户型的每个房间的全景图。
例如,获取模块1001可以从存储器或者服务器获取房间的二维全景图。例如,二维全景图可以预先通过采用具有全景拍摄功能的相机对房间的三维空间进行图像采集获得,并存储到存储器或者服务器中。例如,获取模块1001可以采用具有全景拍摄功能的相机(诸如鱼眼镜头的手机、全景相机、带鱼眼镜头的相机,以及普通手机和普通数码相机等)采集房间的三维空间的720度全景图。
然后,获取模块1001将所述每个房间的全景图转换为房间的二维轮廓图。
例如,对于获取的每个房间的全景图,忽略高度信息,可以得到每个房间的二维轮廓图。应当认识到,获取房间的二维轮廓图的具体方法可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
然后,获取模块1001可以通过将所述每个房间的二维轮廓图经由门连接在一起得到户型的平面轮廓图。
例如,在获取房间的二维轮廓图后,通过对比不同房间的二维轮廓图中门的图像信息,对各个房间进行连接,得到的各个房间的空间位置及朝向信息。然后通过标记了的门,对比图中透过门的画面,在彼此的图片中获取相匹配的画面,以找到相同的门,从而将具有相同的门的房间连接起来以得到户型的平面轮廓图。
可替代地,也可以通过将所述每个房间的二维轮廓图经由门或者开放空间连接在一起得到户型的平面轮廓图。
例如,在获取房间的二维轮廓图后,通过对比不同房间的二维轮廓图中门或者开放空间图像信息,对各个房间进行连接,得到的各个房间的空间位置及朝向信息。然后通过标记了的门或者开放空间,对比图中透过门或者开放空间的画面,在彼此的照片中获取相匹配的画面,以找到相同的门或者开放空间,从而将具有相同的门或者开放空间的房间连接起来以得到户型的平面轮廓图。
应当认识到,也可以在得到每个房间的全景图之后,将每个房间经由门或者开放空间连接在一起得到户型的全景图,然后将户型的全景图转换为户型的平面轮廓图。此外,获取房间的二维轮廓图的具体方法可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
如上所述,在获得户型图数据后,由于在例如采集房间的三维空间的720度全景图、或将全景图转换为轮廓图、或者将每个房间连接在一起时存在误差,可能导致户型的轮廓图中部分房间的形状或相对位置出现偏移。因此,需要对户型的轮廓图进行处理,以校正房间位置的偏移。
然后,关联点对选取模块1002用于对于每个房间的轮廓图的至少一个顶点,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点,以得到所述户型的轮廓图中的关联点对。
例如,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点可以包括:关联点对选取模块1002在其他房间的轮廓图上选取与所述至少一个顶点的之间距离小于第一阈值的顶点作为所述至少一个顶点的关联顶点。
例如,第一阈值可以为所有轮廓图的最短边的长度的一半。应当认识到,该第一阈值可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
接下来,确定模块1003用于基于所述关联点对,确定所述多个房间中至少一个房间的校正偏移量。最后,校正模块1004按照所确定的至少一个房间的校正偏移量,校正所述至少一个房间的轮廓图。
例如,确定模块1003可以基于所述关联点对,构建用于所述户型图的距离函数;确定所述至少一个房间的校正偏移量,使得所述距离函数最小化。
其中,ci表示轮廓图的第i(i=1,2…,I)个房间的轮廓图,cj表示轮廓图的第j(j=1,2…,I)个房间的轮廓图,表示轮廓图的第i个房间的轮廓图的顶点p(p=1,2…,P)的坐标,表示轮廓图的第j个房间的轮廓图的顶点q(q=1,2…,P)的坐标,顶点q为顶点p的关联点,表示轮廓图的第i个房间的校正偏移量,f表示距离度量函数。例如,f可以表示L1距离函数或欧氏距离函数或任何适当的距离函数,在此不做具体限定。
应当认识到,上述距离函数可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
在校正模块1004执行完校正后,可以对至少一个房间的轮廓图ci的偏移量进行更新。但是,由于轮廓图被校正后,轮廓图的相对位置发生变化,轮廓图的关联点对也可能发生变化,因此可以迭代上述4个模块的操作,直到偏移量不再发生变化,由此完成所有房间的轮廓图的校正。
通过本公开的户型图处理系统,可以基于所确定的房间的轮廓图的关联点对来确定多个房间中至少一个房间的校正偏移量,从而校正至少一个房间的轮廓图,使得房间的至少一个轮廓图得到校正,从而美化了户型图。此外,其解决了由于人工因素导致户型图存在的墙线未对齐及空隙的问题,并且提升了规范、校正户型图的效率。
下面将参照图11描述根据本公开另一实施例的户型图处理系统。图11是根据本公开另一实施例的户型图处理系统的示意图。由于本实施例的户型图处理系统与在上文中参照图6描述的方法的细节相同,因此在这里为了简单起见,省略对相同内容的详细描述。
如图11所示,户型图处理系统1100包括获取模块1101、关联点对选取模块1102、关联边对选取模块1103、确定模块1104和校正模块1105。需要注意的是,尽管在图11中户型图处理系统1100被示出为只包括5个模块,但这只是示意性的,户型图处理系统1100也可以包括一个或多个其他模块,这些装置与发明构思无关,因此在这里被省略。由于获取模块1101、关联点对选取模块1102与上述参考图10描述的获取模块1001、关联点对选取模块1002的内容相同,因此这里不再赘述。
接下来,关联边对选取模块1103用于对于每个房间的轮廓图的至少一条边,在其他房间的轮廓图上选取满足第二条件的边作为所述至少一条边的关联边,以得到所述户型的轮廓图中的关联边对。
例如,关联边对选取模块1103可以在其他房间的轮廓图上选取与所述至少一条边之间的角度小于第二阈值、且其上的点与所述至少一条边上的点之间的最近距离小于第三阈值的边作为所述至少一条边的关联边。
例如,第二阈值可以在10度到20度的范围内。应当认识到,该第二阈值可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。例如,第三阈值可以等于第一阈值,或者可以与第一阈值不同。例如,第三阈值也可以为所有轮廓图的最短边的长度的一半。应当认识到,该第三阈值可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
例如,关联边对选取模块1103可以通过以下步骤计算其他房间的轮廓图上的边上的点与所述至少一条边上的点之间的最近距离:关联边对选取模块1103可以计算其他房间的轮廓图上的边上的所有点与所述至少一条边上的所有点之间的距离,并且从所计算的距离中选取最短距离作为其他房间的轮廓图上的边上的点与所述至少一条边上的点之间的最近距离。
接下来,确定模块1104可以基于所述关联点对和所述关联边对,确定所述多个房间中至少一个房间的校正偏移量。然后校正模块1105可以按照所确定的至少一个房间的校正偏移量,校正所述至少一个房间的轮廓图。
例如,确定模块1104可以基于所述关联点对和所述关联边对,构建用于所述户型图的距离函数;确定所述至少一个房间的校正偏移量,使得所述距离函数最小化。
其中,ci表示轮廓图的第i(i=1,2…,I)个房间的轮廓图,cj表示轮廓图的第j(j=1,2…,I)个房间的轮廓图,表示轮廓图的第i个房间的轮廓图的顶点p(p=1,2…,P)的坐标,表示轮廓图的第j个房间的轮廓图的顶点q(q=1,2…,P)的坐标,顶点q为顶点p的关联点,表示轮廓图的第i个房间的校正偏移量,表示轮廓图的第i个房间的轮廓图的边上的点m的坐标,表示轮廓图的第i个房间的轮廓图的边上的点n的坐标,点n所在的边为点m所在的边的关联边,点m与点n之间的距离为其所在边上的点之间的最近距离,f表示距离度量函数。例如,f表示L1距离函数或欧氏距离函数或任何适当的距离函数,在此不做具体限定。
应当认识到,上述距离函数可以根据实际应用需求进行设定,本公开的至少一个实施例对此不作具体限定。
在校正模块1105执行完校正后,可以对每个房间的轮廓图ci的偏移量进行更新。但是,由于轮廓图被校正后,轮廓图的相对位置发生变化,轮廓图的关联点对或关联边对也可能发生变化,因此迭代上述5个模块的操作,直到偏移量不再发生变化,由此完成所有房间的轮廓图的校正。
可替代地,也可以仅仅通过获取模块1101、关联边对选取模块1103、确定模块1104和校正模块1105来实现房间轮廓的校正,这里不再赘述。
通过本公开的户型图处理系统,可以基于所确定的房间的轮廓图的关联点对和关联边对来确定多个房间中至少一个房间的校正偏移量,从而校正至少一个房间的轮廓图,使得房间的至少一个轮廓图得到校正,从而美化了户型图。此外,其解决了由于人工因素导致户型图存在的墙线未对齐及空隙的问题,并且提升了规范、校正户型图的效率。
下面将参照图12描述根据本公开实施例的户型图处理装置。图12是根据本公开实施例的户型图处理装置的示意图。由于本实施例的户型图处理装置与在上文中参照图1描述的方法的细节相同,因此在这里为了简单起见,省略对相同内容的详细描述。
如图12所示,户型图处理装置1200包括处理器1201和存储器1202。需要注意的是,尽管在图12中户型图处理装置1200被示出为只包括2个装置,但这只是示意性的,户型图处理装置1200也可以包括一个或多个其他装置,这些装置与发明构思无关,因此在这里被省略。
本公开的户型图处理装置1200包括:处理器1201;以及存储器1202,其中存储计算机可读指令,其中,在所述计算机可读指令被所述处理器运行时执行户型图处理方法,所述方法包括:获取户型的平面轮廓图,所述平面轮廓图包括所述户型的多个房间的轮廓图,每个房间的轮廓图包括多条边和多个顶点;对于每个房间的轮廓图的至少一个顶点,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点,以得到所述户型的轮廓图中的关联点对;基于所述关联点对,确定所述多个房间中至少一个房间的校正偏移量;按照所确定的至少一个房间的校正偏移量,校正所述至少一个房间的轮廓图。
根据本公开的一个方面,提供了一种计算机可读存储介质,其上存储计算机可读指令,当所述计算机可读指令由计算机执行时,所述计算机执行上述方面的户型图处理方法。
在本公开的实施例中,所述处理器可以为中央处理器(CPU)、现场可编程逻辑阵列(FPGA)、单片机(MCU)、数字信号处理器(DSP)、专用集成电路(ASIC)等具有数据处理能力和/或程序执行能力的逻辑运算器件。存储器例如可以是易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(Cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、机械硬盘(HDD)、固态硬盘(SSD)、闪存(Flash)、U盘、存储卡(SD、CF、MicroSD等)等。
本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
以上是对本公开的说明,而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解,上面是对本公开的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
Claims (15)
1.一种户型图处理方法,包括:
获取户型的平面轮廓图,所述平面轮廓图包括所述户型的多个房间的轮廓图,每个房间的轮廓图包括多条边和多个顶点;
对于每个房间的轮廓图的至少一个顶点,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点,以得到所述户型的轮廓图中的关联点对;
基于所述关联点对,确定所述多个房间中至少一个房间的校正偏移量;
按照所确定的至少一个房间的校正偏移量,校正所述至少一个房间的轮廓图。
2.根据权利要求1所述的户型图处理方法,还包括:
对于每个房间的轮廓图的至少一条边,在其他房间的轮廓图上选取满足第二条件的边作为所述至少一条边的关联边,以得到所述户型的轮廓图中的关联边对;
其中,基于所述关联点对确定所述多个房间中至少一个房间的校正偏移量包括:基于所述关联点对和所述关联边对,确定所述多个房间中至少一个房间的校正偏移量。
3.根据权利要求1所述的户型图处理方法,其中,所述在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点包括:
在其他房间的轮廓图上选取与所述至少一个顶点的之间距离小于第一阈值的顶点作为所述至少一个顶点的关联顶点。
4.根据权利要求2所述的户型图处理方法,其中,所述在其他房间的轮廓图上选取满足第二条件的边作为所述至少一条边的关联边包括:
在其他房间的轮廓图上选取与所述至少一条边之间的角度小于第二阈值、且其上的点与所述至少一条边上的点之间的最近距离小于第三阈值的边作为所述至少一条边的关联边。
5.根据权利要求4所述的户型图处理方法,其中,通过以下步骤计算其他房间的轮廓图上的边上的点与所述至少一条边上的点之间的最近距离:
计算其他房间的轮廓图上的边上的所有点与所述至少一条边上的所有点之间的距离,并且
从所计算的距离中选取最短距离作为其他房间的轮廓图上的边上的点与所述至少一条边上的点之间的最近距离。
6.根据权利要求1所述的户型图处理方法,其中,确定所述多个房间中至少一个房间的校正偏移量包括:
基于所述关联点对,构建用于所述户型图的距离函数;
确定所述至少一个房间的校正偏移量,使得所述距离函数最小化。
7.根据权利要求4所述的户型图处理方法,其中,确定所述多个房间中至少一个房间的校正偏移量还包括:
基于所述关联点对和所述关联边对,构建用于所述户型图的距离函数;
确定所述至少一个房间的校正偏移量,使得所述距离函数最小化。
9.一种户型图处理系统,包括:
获取模块,用于获取户型的平面轮廓图,所述平面轮廓图包括所述户型的多个房间的轮廓图,每个房间的轮廓图包括多条边和多个顶点;
关联点对选取模块,用于对于每个房间的轮廓图的至少一个顶点,在其他房间的轮廓图上选取满足第一条件的顶点作为所述至少一个顶点的关联顶点,以得到所述户型的轮廓图中的关联点对;
确定模块,用于基于所述关联点对,确定所述多个房间中至少一个房间的校正偏移量;
校正模块,用于按照所确定的至少一个房间的校正偏移量,校正所述至少一个房间的轮廓图。
10.根据权利要求9所述的户型图处理系统,还包括:
关联边对选取模块,用于对于每个房间的轮廓图的至少一条边,在其他房间的轮廓图上选取满足第二条件的边作为所述至少一条边的关联边,以得到所述户型的轮廓图中的关联边对;
其中,基于所述关联点对确定所述多个房间中至少一个房间的校正偏移量包括:基于所述关联点对和所述关联边对,确定所述多个房间中至少一个房间的校正偏移量。
11.根据权利要求9所述的户型图处理系统,其中,
所述关联点对选取模块在其他房间的轮廓图上选取与所述至少一个顶点的之间距离小于第一阈值的顶点作为所述至少一个顶点的关联顶点。
12.根据权利要求10所述的户型图处理系统,其中,
所述关联边对选取模块在其他房间的轮廓图上选取与所述至少一条边之间的角度小于第二阈值、且其上的点与所述至少一条边上的点之间的最近距离小于第三阈值的边作为所述至少一条边的关联边。
13.根据权利要求9所述的户型图处理系统,其中,
所述确定模块基于所述关联点对,构建用于所述户型图的距离函数;
确定所述至少一个房间的校正偏移量,使得所述距离函数最小化。
14.根据权利要求12所述的户型图处理系统,其中,
所述确定模块基于所述关联点对和所述关联边对,构建用于所述户型图的距离函数;
确定所述至少一个房间的校正偏移量,使得所述距离函数最小化。
15.一种用于存储计算机可读程序的计算机可读存储介质,所述程序使得计算机执行如权利要求1-8任一项所述的户型图处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911312907.0A CN111127357B (zh) | 2019-12-18 | 2019-12-18 | 户型图处理方法、系统、装置和计算机可读存储介质 |
CN202110413491.2A CN113240768B (zh) | 2019-12-18 | 2019-12-18 | 户型图处理方法、系统、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911312907.0A CN111127357B (zh) | 2019-12-18 | 2019-12-18 | 户型图处理方法、系统、装置和计算机可读存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110413491.2A Division CN113240768B (zh) | 2019-12-18 | 2019-12-18 | 户型图处理方法、系统、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127357A true CN111127357A (zh) | 2020-05-08 |
CN111127357B CN111127357B (zh) | 2021-05-04 |
Family
ID=70498369
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911312907.0A Active CN111127357B (zh) | 2019-12-18 | 2019-12-18 | 户型图处理方法、系统、装置和计算机可读存储介质 |
CN202110413491.2A Active CN113240768B (zh) | 2019-12-18 | 2019-12-18 | 户型图处理方法、系统、装置和计算机可读存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110413491.2A Active CN113240768B (zh) | 2019-12-18 | 2019-12-18 | 户型图处理方法、系统、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111127357B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113345044A (zh) * | 2021-04-22 | 2021-09-03 | 北京房江湖科技有限公司 | 户型图生成方法及装置 |
CN114065342A (zh) * | 2021-11-08 | 2022-02-18 | 深圳须弥云图空间科技有限公司 | 户型轮廓的生成方法、装置、存储介质及电子设备 |
CN114329743A (zh) * | 2022-03-03 | 2022-04-12 | 如你所视(北京)科技有限公司 | 户型优化方法、装置以及存储介质 |
CN115830162A (zh) * | 2022-11-21 | 2023-03-21 | 北京城市网邻信息技术有限公司 | 户型图展示方法、装置、电子设备及存储介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674418B (zh) * | 2021-08-26 | 2024-04-19 | 深圳须弥云图空间科技有限公司 | 针对户型图中元素的处理方法、装置、介质及电子设备 |
CN114494487B (zh) * | 2021-12-30 | 2022-11-22 | 北京城市网邻信息技术有限公司 | 基于全景图语义拼接的户型图生成方法、设备及存储介质 |
CN114596417B (zh) * | 2022-02-22 | 2023-04-07 | 北京城市网邻信息技术有限公司 | 房屋装修的数据处理方法、装置、电子设备及存储介质 |
CN114547749B (zh) * | 2022-03-03 | 2023-03-24 | 如你所视(北京)科技有限公司 | 户型预测方法、装置以及存储介质 |
CN115861476B (zh) * | 2022-11-21 | 2023-10-13 | 北京城市网邻信息技术有限公司 | 一种户型图生成方法、装置、设备及存储介质 |
CN115861039B (zh) * | 2022-11-21 | 2023-07-25 | 北京城市网邻信息技术有限公司 | 信息展示方法、装置、设备及介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750553A (zh) * | 2012-06-28 | 2012-10-24 | 北京中科广视科技有限公司 | 一种墙体平面轮廓的识别方法 |
CN103268621A (zh) * | 2013-05-16 | 2013-08-28 | 北京链家房地产经纪有限公司 | 一种房屋实景图生成方法与装置 |
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 |
US20160208502A1 (en) * | 2015-01-19 | 2016-07-21 | Gerald Dean Onchuck | Method and apparatus for construction layout |
CN106484959A (zh) * | 2016-09-19 | 2017-03-08 | 上海斐讯数据通信技术有限公司 | 一种户型图绘制方法及绘制设备 |
CN103971098B (zh) * | 2014-05-19 | 2017-05-10 | 北京明兰网络科技有限公司 | 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 |
CN107480333A (zh) * | 2017-07-12 | 2017-12-15 | 深圳市彬讯科技有限公司 | 一种基于房间拼接的户型绘制方法 |
CN107527372A (zh) * | 2017-07-12 | 2017-12-29 | 深圳市彬讯科技有限公司 | 一种内墙绘制精准的户型输出系统及其绘制使用方法 |
CN109218524A (zh) * | 2018-08-27 | 2019-01-15 | 山东大唐宅配家居有限公司 | 基于拍照录像进行房屋测量生成户型图的手机app及方法 |
US20190130630A1 (en) * | 2016-04-12 | 2019-05-02 | Quidient, Llc | Quotidian scene reconstruction engine |
CN109711018A (zh) * | 2018-12-15 | 2019-05-03 | 武汉兴联云立方科技有限公司 | 一种二维到三维的户型设计方法 |
CN110059351A (zh) * | 2019-03-13 | 2019-07-26 | 平安城市建设科技(深圳)有限公司 | 房屋的测绘方法、装置、终端及计算机可读存储介质 |
CN110189402A (zh) * | 2019-05-22 | 2019-08-30 | 武汉尺子科技有限公司 | 一种基于ar的户型图三维展示方法、介质、设备和装置 |
CN110490967A (zh) * | 2019-04-12 | 2019-11-22 | 北京城市网邻信息技术有限公司 | 图像处理和对象建模方法与设备、图像处理装置及介质 |
CN110490916A (zh) * | 2019-04-12 | 2019-11-22 | 北京城市网邻信息技术有限公司 | 三维对象建模方法与设备、图像处理装置及介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542483A (zh) * | 2011-11-08 | 2012-07-04 | 莫健新 | 房产位置展示系统及方法、展示数据生成系统及方法 |
JP2013117818A (ja) * | 2011-12-02 | 2013-06-13 | Seiko Epson Corp | 情報処理装置、画像処理装置、情報画像処理システム、情報処理装置の制御方法及び画像処理装置の制御方法 |
CN109040767B (zh) * | 2018-06-29 | 2021-02-02 | 武汉斗鱼网络科技有限公司 | 一种直播间加载方法、系统、服务器及存储介质 |
CN109242958A (zh) * | 2018-08-29 | 2019-01-18 | 广景视睿科技(深圳)有限公司 | 一种三维建模的方法及其装置 |
CN109525674B (zh) * | 2018-11-27 | 2021-09-03 | 上海简家信息技术有限公司 | 一种制作房屋全景图的系统和方法 |
CN109579849B (zh) * | 2019-01-14 | 2020-09-29 | 浙江大华技术股份有限公司 | 机器人定位方法、装置和机器人及计算机存储介质 |
CN109840376B (zh) * | 2019-01-28 | 2023-04-18 | 司空定制家居科技有限公司 | 户型图的读取方法,装置以及存储介质 |
CN110163954A (zh) * | 2019-04-12 | 2019-08-23 | 平安城市建设科技(深圳)有限公司 | 三维户型模型生成方法、装置、设备及存储介质 |
CN110222621B (zh) * | 2019-05-30 | 2021-06-11 | 贝壳找房(北京)科技有限公司 | 相似户型检测方法、电子设备及存储介质 |
CN110309687B (zh) * | 2019-07-05 | 2020-06-05 | 华中科技大学 | 一种二维码图像的校正方法及校正装置 |
-
2019
- 2019-12-18 CN CN201911312907.0A patent/CN111127357B/zh active Active
- 2019-12-18 CN CN202110413491.2A patent/CN113240768B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750553A (zh) * | 2012-06-28 | 2012-10-24 | 北京中科广视科技有限公司 | 一种墙体平面轮廓的识别方法 |
CN103268621A (zh) * | 2013-05-16 | 2013-08-28 | 北京链家房地产经纪有限公司 | 一种房屋实景图生成方法与装置 |
CN103971098B (zh) * | 2014-05-19 | 2017-05-10 | 北京明兰网络科技有限公司 | 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 |
US20160208502A1 (en) * | 2015-01-19 | 2016-07-21 | Gerald Dean Onchuck | Method and apparatus for construction layout |
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 |
US20190130630A1 (en) * | 2016-04-12 | 2019-05-02 | Quidient, Llc | Quotidian scene reconstruction engine |
CN106484959A (zh) * | 2016-09-19 | 2017-03-08 | 上海斐讯数据通信技术有限公司 | 一种户型图绘制方法及绘制设备 |
CN107480333A (zh) * | 2017-07-12 | 2017-12-15 | 深圳市彬讯科技有限公司 | 一种基于房间拼接的户型绘制方法 |
CN107527372A (zh) * | 2017-07-12 | 2017-12-29 | 深圳市彬讯科技有限公司 | 一种内墙绘制精准的户型输出系统及其绘制使用方法 |
CN109218524A (zh) * | 2018-08-27 | 2019-01-15 | 山东大唐宅配家居有限公司 | 基于拍照录像进行房屋测量生成户型图的手机app及方法 |
CN109711018A (zh) * | 2018-12-15 | 2019-05-03 | 武汉兴联云立方科技有限公司 | 一种二维到三维的户型设计方法 |
CN110059351A (zh) * | 2019-03-13 | 2019-07-26 | 平安城市建设科技(深圳)有限公司 | 房屋的测绘方法、装置、终端及计算机可读存储介质 |
CN110490967A (zh) * | 2019-04-12 | 2019-11-22 | 北京城市网邻信息技术有限公司 | 图像处理和对象建模方法与设备、图像处理装置及介质 |
CN110490916A (zh) * | 2019-04-12 | 2019-11-22 | 北京城市网邻信息技术有限公司 | 三维对象建模方法与设备、图像处理装置及介质 |
CN110189402A (zh) * | 2019-05-22 | 2019-08-30 | 武汉尺子科技有限公司 | 一种基于ar的户型图三维展示方法、介质、设备和装置 |
Non-Patent Citations (1)
Title |
---|
高晶 等: "图说:Revit在PC装配式住宅项目中的应用", 《建筑设计管理》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113345044A (zh) * | 2021-04-22 | 2021-09-03 | 北京房江湖科技有限公司 | 户型图生成方法及装置 |
CN113345044B (zh) * | 2021-04-22 | 2022-06-10 | 贝壳找房(北京)科技有限公司 | 户型图生成方法及装置 |
CN114065342A (zh) * | 2021-11-08 | 2022-02-18 | 深圳须弥云图空间科技有限公司 | 户型轮廓的生成方法、装置、存储介质及电子设备 |
CN114329743A (zh) * | 2022-03-03 | 2022-04-12 | 如你所视(北京)科技有限公司 | 户型优化方法、装置以及存储介质 |
CN114329743B (zh) * | 2022-03-03 | 2022-06-07 | 如你所视(北京)科技有限公司 | 户型优化方法、装置以及存储介质 |
CN115830162A (zh) * | 2022-11-21 | 2023-03-21 | 北京城市网邻信息技术有限公司 | 户型图展示方法、装置、电子设备及存储介质 |
CN115830162B (zh) * | 2022-11-21 | 2023-11-14 | 北京城市网邻信息技术有限公司 | 户型图展示方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113240768A (zh) | 2021-08-10 |
CN111127357B (zh) | 2021-05-04 |
CN113240768B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127357B (zh) | 户型图处理方法、系统、装置和计算机可读存储介质 | |
Remondino et al. | A critical review of automated photogrammetric processing of large datasets | |
CN110738143B (zh) | 定位方法及装置、设备、存储介质 | |
Ahmadabadian et al. | A comparison of dense matching algorithms for scaled surface reconstruction using stereo camera rigs | |
CN110704563B (zh) | 地图融合方法及装置、设备、存储介质 | |
Fathi et al. | Automated sparse 3D point cloud generation of infrastructure using its distinctive visual features | |
CN110705574A (zh) | 定位方法及装置、设备、存储介质 | |
Barazzetti et al. | Targetless camera calibration | |
Ahmadabadian et al. | An automatic 3D reconstruction system for texture-less objects | |
Havlena et al. | Randomized structure from motion based on atomic 3D models from camera triplets | |
CN111161336B (zh) | 三维重建方法、三维重建装置和计算机可读存储介质 | |
CN111159804B (zh) | 户型图处理方法、系统、装置和计算机可读存储介质 | |
CN113494893B (zh) | 一种三维激光扫描系统的标定方法、装置和计算机设备 | |
Moulon et al. | Python photogrammetry toolbox: a free solution for three-dimensional documentation | |
US20220099455A1 (en) | Map update method, terminal and storage medium | |
CN111145294A (zh) | 二维户型图构建方法及装置、存储介质 | |
Campos et al. | Geometric model and assessment of a dual‐fisheye imaging system | |
JPWO2020188799A1 (ja) | カメラ校正装置、カメラ校正方法、及びプログラム | |
CN116086411B (zh) | 数字地形图生成方法、装置、设备和可读存储介质 | |
Barazzetti et al. | Combined use of photogrammetric and computer vision techniques for fully automated and accurate 3D modeling of terrestrial objects | |
Pavelka et al. | New Low-cost Automated Processing of Digital Photos for Documentation and Visualisation of the Cultural Heritage | |
Pepe | Image-based methods for metric surveys of buildings using modern optical sensors and tools: from 2D approach to 3D and vice versa | |
CN112991429B (zh) | 箱体体积测量方法、装置、计算机设备和存储介质 | |
Aftab et al. | L q-Closest-Point to Affine Subspaces Using the Generalized Weiszfeld Algorithm | |
Lehtola et al. | Automated image-based reconstruction of building interiors–a case study |
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 |