CN111611643A - 户型矢量化数据获得方法、装置、电子设备及存储介质 - Google Patents
户型矢量化数据获得方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111611643A CN111611643A CN202010464582.4A CN202010464582A CN111611643A CN 111611643 A CN111611643 A CN 111611643A CN 202010464582 A CN202010464582 A CN 202010464582A CN 111611643 A CN111611643 A CN 111611643A
- Authority
- CN
- China
- Prior art keywords
- house type
- type image
- data
- scale
- wall
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000002093 peripheral effect Effects 0.000 claims description 56
- 238000012216 screening Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 23
- 238000000605 extraction Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 101100534231 Xenopus laevis src-b gene Proteins 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
Abstract
本申请提供一种户型矢量化数据获得方法、装置、电子设备及存储介质，该方法包括：获得户型图像；解析户型图像的标尺比例，标尺比例表征实际房屋的户型尺寸与户型图像中的户型尺寸的比例值；分别提取户型图像中的墙体轮廓数据和飘窗轮廓数据；根据标尺比例、墙体轮廓数据和飘窗轮廓数据确定矢量化数据。在上述的实现过程中，通过电子设备执行程序来解析户型图像的标尺比例，分别提取户型图像中的墙体轮廓数据和飘窗轮廓数据后，再确定出户型图像对应的矢量化数据，使用电子设备执行程序来提取户型图像对应的矢量化数据，从而减少了人工提取的错误率，有效地提高了从户型图像中提取矢量化数据的效率。
Description
技术领域
本申请涉及图像识别和图像处理的技术领域，具体而言，涉及一种户型矢量化数据获得方法、装置、电子设备及存储介质。
背景技术
脚本对象简谱(JavaScript Object Notation，JSON)是一种轻量级的数据交换格式；JSON基于ECMAScript(欧洲计算机协会制定的js规范)的一个子集，JSON采用完全独立于编程语言的文本格式来存储和表示数据。
矢量化数据(vectorization data)，又被称为矢量数据，在计算机中表示空间数据的两种基本形式之一，由于空间数据具有属性特征和空间特征；其中，这里的属性特征表示实际物体或目标、现象的性质，这里的空间特征表示物体或目标的空间位置；所以在计算机中可用一对或一组坐标加上属性码(或称特征码)来表示的空间数据。具体的矢量化数据例如：房屋墙体的两个端点的矢量化数据分别使用JSON格式表示为{"guid":"1","x":94,"y":223}和{"guid":"2","x":114,"y":223}，其中，guid表示该端点的全局唯一标识符，x和y分别表示该端点的横坐标和纵坐标；墙体轮廓的矢量化数据使用JSON格式表示为{"BeginPointGUID":"1","EndPointGUID":"2"}，其中，BeginPointGUID表示该墙体轮廓的起始点的全局唯一标识符，EndPointGUID表示该墙体轮廓的结束点的全局唯一标识符。
目前获得房屋的户型图像对应的矢量化数据的方法，主要是由设计师根据户型的二维图手动添加户型结构后，人工分析和测量得到户型图的矢量化数据；由于户型图像中的房屋建筑的内部结构复杂，所包含的构件元素较多，使用人工的方式从户型图像中提取矢量化数据不仅费时费力而且效率低下。
发明内容
本申请实施例的目的在于提供一种户型矢量化数据获得方法、装置、电子设备及存储介质，用于改善从户型图像中提取矢量化数据不仅费时费力而且效率低下的问题。
本申请实施例提供了一种户型矢量化数据获得方法，包括：获得户型图像，户型图像表征实际房屋的户型尺寸；解析户型图像的标尺比例，标尺比例表征实际房屋的户型尺寸与户型图像中的户型尺寸的比例值；分别提取户型图像中的墙体轮廓数据和飘窗轮廓数据；根据标尺比例、墙体轮廓数据和飘窗轮廓数据确定矢量化数据。在上述的实现过程中，通过电子设备执行程序来解析户型图像的标尺比例，分别提取户型图像中的墙体轮廓数据和飘窗轮廓数据后，再确定出户型图像对应的矢量化数据，使用电子设备执行程序来提取户型图像对应的矢量化数据，从而减少了人工提取的错误率，有效地提高了从户型图像中提取矢量化数据的效率。
可选地，在本申请实施例中，解析户型图像的标尺比例，包括：获得户型图像中的标尺区域，标尺区域表征户型图像中的界线端点之间的二值图像；对标尺区域进行分割，获得数字区域和数字区域对应的标尺线段；根据数字区域和标尺线段确定标尺比例。在上述的实现过程中，通过对户型图像中的标尺区域进行分割，获得数字区域和数字区域对应的标尺线段；并根据数字区域和标尺线段确定标尺比例；使用电子设备执行程序来根据数字区域和标尺线段确定标尺比例，从而减少了人工提取的标尺比例，有效地提高了从户型图像中提取标尺比例的效率。
可选地，在本申请实施例中，获得户型图像中的标尺区域，包括：构建标尺界线模板，标尺界线模板表征户型图像中的标尺界线相似的图像；使用标尺界线模板匹配出户型图像中的标尺区域。在上述的实现过程中，通过构建标尺界线模板；使用标尺界线模板匹配出户型图像中的标尺区域；有效地提高了匹配出户型图像中的标尺区域的速度。
可选地，在本申请实施例中，根据数字区域和标尺线段确定标尺比例，包括：对数字区域进行字符识别，获得标注数据，标注数据表征实际房屋的对应尺寸；计算标尺线段的两个端点之间的欧氏距离，欧氏距离表征户型图像的对应尺寸；对标注数据和欧氏距离进行计算，获得标尺比例。在上述的实现过程中，通过对数字区域进行字符识别，获得标注数据；计算标尺线段的两个端点之间的欧氏距离；对标注数据和欧氏距离进行计算，获得标尺比例；有效地提高了获得标尺比例的速度。
可选地，在本申请实施例中，分别提取户型图像中的墙体轮廓数据和飘窗轮廓数据，包括：对户型图像进行自适应阈值分割，获得外围轮廓区域，外围轮廓区域表征实际房屋的前景区域和背景区域的界限；根据外围轮廓区域对户型图像中的每个像素点的每个分量进行统计，并根据每个像素点的分量确定墙体轮廓区域；提取墙体轮廓区域的墙体线条；使用霍夫变换检测出墙体线条的坐标点，并根据墙体线条的坐标点确定墙体轮廓数据。在上述的实现过程中，通过对户型图像进行自适应阈值分割，获得外围轮廓区域；根据外围轮廓区域对户型图像中的每个像素点的每个分量进行统计，并根据每个像素点的分量确定墙体轮廓区域；提取墙体轮廓区域的墙体线条；使用霍夫变换检测出墙体线条的坐标点，并根据墙体线条的坐标点确定墙体轮廓数据；从而有效地提高了确定墙体轮廓数据的速度。
可选地，在本申请实施例中，在根据外围轮廓区域对户型图像中的每个像素点的每个分量进行统计，并根据每个像素点的分量确定墙体轮廓区域之后，还包括：从外围轮廓区域中删除墙体轮廓区域，获得非墙体轮廓区域；使用快速细化算法提取非墙体轮廓区域的轮廓线条；使用霍夫变换检测出轮廓线条的坐标点，并根据轮廓线条的坐标点确定非墙体轮廓数据；根据飘窗的凹凸性特征对非墙体轮廓数据进行筛选，获得飘窗轮廓数据。在上述的实现过程中，通过提取非墙体轮廓区域的轮廓线条，并检测出轮廓线条的坐标点，并根据轮廓线条的坐标点确定非墙体轮廓数据；根据飘窗的凹凸性特征对非墙体轮廓数据进行筛选，获得飘窗轮廓数据；从而有效地提高了获得获得飘窗轮廓数据的正确率。
可选地，在本申请实施例中，根据外围轮廓区域对户型图像中的每个像素点的每个分量进行统计，并根据每个像素点的分量确定墙体轮廓区域，包括：从户型图像中筛选出与外围轮廓区域的坐标值相同的像素点，获得多个像素点，多个像素点中的每个像素点包括：第一分量、第二分量和第三分量；分别统计出多个像素点的分量的累积值最大的第一分量值、第二分量值和第三分量值；根据第一分量值、第二分量值和第三分量值确定墙体颜色；从户型图像中筛选出与墙体颜色相同的像素点，获得墙体轮廓区域。在上述的实现过程中，通过从户型图像中筛选出与外围轮廓区域的坐标值相同的像素点，获得多个像素点；分别统计出多个像素点的分量的累积值最大的三个分量值，并根据三个分量值确定墙体颜色；从户型图像中筛选出与墙体颜色相同的像素点，获得墙体轮廓区域；根据统计学方法确定墙体颜色，避免墙体颜色提取的误差，从而有效地提高了获得墙体轮廓区域的正确率。
本申请实施例还提供了一种户型矢量化数据获得装置，包括：户型图像获得模块，用于获得户型图像，户型图像表征实际房屋的户型尺寸；标尺比例解析模块，用于解析户型图像的标尺比例，标尺比例表征实际房屋的户型尺寸与户型图像中的户型尺寸的比例值；轮廓数据提取模块，用于分别提取户型图像中的墙体轮廓数据和飘窗轮廓数据；矢量数据确定模块，用于根据标尺比例、墙体轮廓数据和飘窗轮廓数据确定矢量化数据。
可选地，在本申请实施例中，标尺比例解析模块，包括：标尺区域获得模块，用于获得户型图像中的标尺区域，标尺区域表征户型图像中的界线端点之间的二值图像；标尺区域分割模块，用于对标尺区域进行分割，获得数字区域和数字区域对应的标尺线段；标尺比例确定模块，用于根据数字区域和标尺线段确定标尺比例。
可选地，在本申请实施例中，标尺区域获得模块，包括：界限模板构建模块，用于构建标尺界线模板，标尺界线模板表征户型图像中的标尺界线相似的图像；界限模板匹配模块，用于使用标尺界线模板匹配出户型图像中的标尺区域。
可选地，在本申请实施例中，标尺比例确定模块，包括：标注数据获得模块，用于对数字区域进行字符识别，获得标注数据，标注数据表征实际房屋的对应尺寸；欧式距离计算模块，用于计算标尺线段的两个端点之间的欧氏距离，欧氏距离表征户型图像的对应尺寸；标尺比例获得模块，用于对标注数据和欧氏距离进行计算，获得标尺比例。
可选地，在本申请实施例中，轮廓数据提取模块，包括：外围轮廓获得模块，用于对户型图像进行自适应阈值分割，获得外围轮廓区域，外围轮廓区域表征实际房屋的前景区域和背景区域的界限；轮廓区域确定模块，用于根据外围轮廓区域对户型图像中的每个像素点的每个分量进行统计，并根据每个像素点的分量确定墙体轮廓区域；墙体线条提取模块，用于提取墙体轮廓区域的墙体线条；墙体轮廓确定模块，用于使用霍夫变换检测出墙体线条的坐标点，并根据墙体线条的坐标点确定墙体轮廓数据。
可选地，在本申请实施例中，轮廓数据提取模块，还包括：墙体轮廓删除模块，用于从外围轮廓区域中删除墙体轮廓区域，获得非墙体轮廓区域；轮廓线条提取模块，用于使用快速细化算法提取非墙体轮廓区域的轮廓线条；轮廓数据确定模块，用于使用霍夫变换检测出轮廓线条的坐标点，并根据轮廓线条的坐标点确定非墙体轮廓数据；飘窗轮廓获得模块，用于根据飘窗的凹凸性特征对非墙体轮廓数据进行筛选，获得飘窗轮廓数据。
可选地，在本申请实施例中，轮廓区域确定模块，包括：像素点获得模块，用于从户型图像中筛选出与外围轮廓区域的坐标值相同的像素点，获得多个像素点，多个像素点中的每个像素点包括：第一分量、第二分量和第三分量；分量值统计模块，用于分别统计出多个像素点的分量的累积值最大的第一分量值、第二分量值和第三分量值；墙体颜色确定模块，用于根据第一分量值、第二分量值和第三分量值确定墙体颜色；轮廓区域获得模块，用于从户型图像中筛选出与墙体颜色相同的像素点，获得墙体轮廓区域。
本申请实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。
本申请实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出的本申请实施例提供的户型矢量化数据获得方法的示意图；
图2示出的本申请实施例提供的户型图像的示意图；
图3示出的本申请实施例提供的根据标尺模板匹配出标尺区域的过程示意图；
图4示出的本申请实施例提供的外围轮廓区域的二值化图像；
图5示出的本申请实施例提供的从外围轮廓区域中提取出来的墙体轮廓区域的二值化图像；
图6示出的本申请实施例提供的飘窗和普通窗户对比的示意图；
图7示出的本申请实施例提供的由获得的矢量化数据绘制的户型二维矢量图；
图8示出的本申请实施例提供的户型矢量化数据获得装置示意图；
图9示出的本申请实施例提供的电子设备的结构示意图。
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、完整的描述。
在介绍本申请实施例提供的户型矢量化数据获得方法之前，先介绍本申请实施例所涉及的一些概念：
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术；其中，图像识别相关的任务例如：字符识别、目标检测和语义分割图像等等。
图像处理是指对图像进行分析、加工、和处理，使其满足视觉、心理或其他要求的技术。图像处理是信号处理在图像领域上的一个应用；当前大多数的图像均是以数字形式存储，因而图像处理很多情况下指数字图像处理；图像处理是信号处理的子类，另外与计算机科学、人工智能等领域也有密切的关系。
霍夫变换(Hough transform)，又称Hough变换，是指是用来辨别找出物件中的特征提取算法，Hough变换的算法流程大致如下，给定一个物件、要辨别的形状的种类，算法会在参数空间中执行投票来决定物体的形状，而这是由累加空间(accumulator space)里的局部最大值来决定；具体例如：检测图像中直线、圆、抛物线、椭圆等形状能够用一定函数关系描述的曲线，Hough变换的基本原理是将影像空间中的曲线(包括直线)变换到参数空间中，通过检测参数空间中的极值点，确定出该曲线的描述参数，从而提取影像中的规则曲线。
服务器是指通过网络提供计算服务的设备，服务器例如：x86服务器以及非x86服务器，非x86服务器包括：大型机、小型机和UNIX服务器。当然在具体的实施过程中，上述的服务器可以具体选择大型机或者小型机，这里的小型机是指采用精简指令集计算(ReducedInstruction Set Computing，RISC)、单字长定点指令平均执行速度(MillionInstructions Per Second，MIPS)等专用处理器，主要支持UNIX操作系统的封闭且专用的提供计算服务的设备；这里的大型机，又名大型主机，是指使用专用的处理器指令集、操作系统和应用软件来提供计算服务的设备。
需要说明的是，本申请实施例提供的户型矢量化数据获得方法可以被电子设备执行，这里的电子设备是指具有执行计算机程序功能的设备终端或者上述的服务器，设备终端例如：智能手机、个人电脑(personal computer，PC)、平板电脑、个人数字助理(personaldigital assistant，PDA)、移动上网设备(mobile Internet device，MID)、网络交换机或网络路由器等。
在介绍本申请实施例提供的户型矢量化数据获得方法之前，先介绍该户型矢量化数据获得方法适用的应用场景，这里的应用场景包括但不限于：使用该户型矢量化数据获得方法提取墙体轮廓信息和飘窗轮廓信息等等；或者使用该户型矢量化数据获得方法获得建筑房屋户型图的矢量化数据，再使用该矢量化数据画矢量图或者生成三维模型，具体例如：根据该矢量化数据在高度方向上进行拉伸等。
请参见图1示出的本申请实施例提供的户型矢量化数据获得方法的示意图；该户型矢量化数据获得方法的主要思路为：通过电子设备执行程序来解析户型图像的标尺比例，分别提取户型图像中的墙体轮廓数据和飘窗轮廓数据后，再确定出户型图像对应的矢量化数据；也就是说，使用电子设备自动识别标尺比例并提取墙体轮廓数据和飘窗轮廓数据的方式，替代人工观察墙体轮廓和飘窗轮廓的方式，从而提高了从户型图像中提取矢量化数据的效率。该户型矢量化数据获得方法可以包括如下步骤：
步骤S110：获得户型图像。
请参见图2示出的本申请实施例提供的户型图像的示意图；户型图像，是指表征实际房屋的户型尺寸的图像，户型图像中可以包括具体户型结构，户型结构例如：厨房、卫生间、客厅和卧室的方位位置和大小等等。
上述步骤S110中的户型图像的获得方式包括：第一种方式，获取预先存储的户型图像，具体例如：从文件系统中获取户型图像，或者从数据库中获取户型图像；第二种方式，其他终端设备向电子设备发送户型图像，然后电子设备从其他终端设备接收户型图像；第三种方式，使用浏览器等软件获取互联网上的户型图像，或者使用其它应用程序访问互联网获得户型图像；第四种方式，人工观察实际房屋户型，并使用笔在纸画出房屋户型，使用图像采集装置对包括房屋户型的纸采集图像，获得户型图像；或者在观察实际房屋户型后，使用电脑软件画出房屋户型，再对包括房屋户型的电脑屏幕拍照，或者使用电脑软件导出包括房屋户型的户型图像。
在步骤S110之后，执行步骤S120：解析户型图像的标尺比例。
标尺比例，是指表征实际房屋的户型尺寸与户型图像中的户型尺寸的比例值；其中，这里的实际房屋的户型尺寸可以是以数字标注在户型图像中的线段，户型图像中的户型尺寸是指标注在户型图像中的线段的实际长度。
请参见图3示出的本申请实施例提供的根据标尺模板匹配出标尺区域的过程示意图；上述步骤S120中的解析户型图像的标尺比例的实施方式可以包括如下步骤：
步骤S121：获得户型图像中的标尺区域。
标尺区域，是指表征户型图像中的界线端点之间的二值图像；标尺区域的具体获得方式例如：图3中的使用标尺界线模板匹配获得，当然也可以使用其它方式获得。
下面以使用标尺界线模板匹配获得标尺区域为例，具体以获得户型图像中的上面的卫生间的长度标尺区域为例进行说明；上述步骤S120中的获得户型图像中的标尺区域的实施方式可以包括如下步骤：
步骤S1211：构建标尺界线模板。
标尺界线模板，是指表征户型图像中的标尺界线相似的图像，用于识别需要绘制出与户型图像中标尺界线相同的二值图，具体例如：图3中的标尺界线模板包括：左边的是左尺寸标尺界线模板，右边的是右尺寸标尺界线模板，其中，左尺寸标尺界线模板和右尺寸标尺界线模板是左右配对的，当然在实践过程中，还可以是上下配对或者其它方向配对的。
上述步骤S1211的实施方式例如：根据户型图像中标尺界线，绘制出与户型图像中标尺界线相同的二值图，并将该二值图保存为标尺界线模板，最终效果如图3中的标尺界线模板，这里的标尺界线模板又被称为标准模板。根据户型图像中的所有标注尺寸线两端相同的特点，制作标准模板；需要说明的是，在标准模板制作过程中，如果制作的标尺界线模板尺寸过大，则会导致计算量极大地增加，如果制作的标尺界线模板尺寸太小，则会导致识别的准确率降低；因此，需要根据实际情况设置合适的模板尺寸，具体例如：这里制作的标尺界线模板尺寸是长为5像素、宽为10像素的二值图。
步骤S1212：使用标尺界线模板匹配出户型图像中的标尺区域。
上述步骤S1212的实施方式例如：先使用分量法将上述的户型图像灰度化，获得灰度化后的户型图像；再使用自适应阈值法将灰度化后的户型图像进行二值化，以提高使用标尺界线模板匹配到户型图中的标尺界线的准确率；由于同一组的标尺界线必定在同一条水平线或者竖直线，且排列顺序是从左向右或者从上向下排列的特点，为了便于理解和说明，这里仅描述从左向右排列，从上向下排列的原理是类似的。使用上述的尺寸界线模板在户型图像中进行左右配对，将左右配对的标尺界线模板对应界线端点之间的二值图像作为标尺区域。在上述的实现过程中，通过构建标尺界线模板；使用标尺界线模板匹配出户型图像中的标尺区域；有效地提高了匹配出户型图像中的标尺区域的速度。
步骤S122：对标尺区域进行分割，获得数字区域和数字区域对应的标尺线段。
上述步骤S122的实施方式例如：从图3可以看出，标尺区域由两个线段和两个线段中间的数字构成，这里的两个线段可以被称为标尺线段，这里的两个线段中间的数字又被称为标注数据，利用标尺线段与标注数据之间具有明显的差异性特征，这里的差异性特征具体是标注数据所在的数字区域则是无规则分布的，而指标尺线段的像素坐标是线性分布的，即数字区域对应的标尺线段是线性分布的。因此，可以根据差异性特征将标尺区域分割，获得数字区域和数字区域对应的标尺线段，分割出的数字区域可以用于字符识别的输入。
步骤S123：根据数字区域和标尺线段确定标尺比例。
可以理解的是，从数字区域中可以识别出表征实际房屋的对应尺寸的标注数据，计算出标尺线段的两个端点之间的欧氏距离，欧氏距离表征户型图像的对应尺寸，将标注数据除以欧氏距离，即可获得标尺比例。具体地，上述步骤S123中的根据数字区域和标尺线段确定标尺比例的实施方式可以包括如下步骤：
步骤S1231：对数字区域进行字符识别，获得标注数据，标注数据表征实际房屋的对应尺寸。
上述步骤S1231的实施方式例如：使用支持向量机、卷积神经网络、深度学习等识别方法对分割出来的数字区域进行字符识别，得到最终的标注数据；在字符识别的过程中，也可以采用由HP实验室开发由Google维护的开源光学字符识别引擎tesseract对数字区域进行字符识别；这里的字符识别是指对包括字符的图像进行分析处理，获取版面信息并识别其中的字符，从而将文本图像转换为电子文本的过程；具体例如：识别图3中的标尺区域，获得的标注数据为3020，那么可以表示上述的卫生间的长度为3.02米。
步骤S1232：计算标尺线段的两个端点之间的欧氏距离，欧氏距离表征户型图像的对应尺寸。
上述步骤S1232的实施方式例如：在上述使用尺寸界线模板对户型图像进行匹配的过程中，该标尺界线模板也能够正确匹配到户型图中的标尺端点，再用平方差匹配法将二值化的户型图像逐个像素遍历匹配，得到户型图中所有的标尺端点，这里的标尺端点可以使用Pi表示。将匹配到的所有标尺端点进行左右配对，保证每一对标尺端点之间只能存在一组标尺数据，并计算左右配对的两个标尺端点之间的欧式距离使用公式表示为：
其中，D(i,i+1)表示左右配对的两个标尺端点的欧式距离，假设左右配对的两个标尺端点为第i个标尺端点和第i+1个标尺端点，这里的第i个标尺端点可以表示为Pi(x1,y1)，这里的第i个标尺端点可以表示为Pi+1(x2,y2)，那么上述公式中的(x1,y1),(x2,y2)分别是第i个标尺端点和第i+1个标尺端点的像素坐标；具体例如：假设使用上述公式对图3中的计算左右配对的两个标尺端点之间的欧式距离为5厘米。
步骤S1233：对标注数据和欧氏距离进行计算，获得标尺比例。
上述步骤S1233的实施方式例如：对标注数据和欧氏距离进行除法计算，具体例如：使用标注数据3.02米除以欧式距离5厘米，获得的标尺比例为60.4。当然，上面仅是一对数据计算出来的标尺比例，这一对数据计算出来的标尺比例误差较大，为了减小标尺比例的误差，采用多对或者多组数据计算可以表示为：
在上述的实现过程中，通过对户型图像中的标尺区域进行分割，获得数字区域和数字区域对应的标尺线段；并根据数字区域和标尺线段确定标尺比例；使用电子设备执行程序来根据数字区域和标尺线段确定标尺比例，从而减少了人工提取的标尺比例，有效地提高了从户型图像中提取标尺比例的效率。
在步骤S110之后，执行步骤S130：分别提取户型图像中的墙体轮廓数据和飘窗轮廓数据。
轮廓数据，是指能够表示轮廓的矢量化数据，具体例如：一段房屋墙体的两个端点的矢量化数据分别使用JSON格式表示为{"guid":"1","x":94,"y":223}和{"guid":"2","x":114,"y":223}，那么这里的两个端点的矢量化数据可以理解为该段房屋墙体的轮廓数据。
其中，上述的步骤S120和步骤S130的执行顺序可以不作限制，可以步骤S120先执行且步骤S130后执行，也可以步骤S130先执行且步骤S120后执行，当然也可以步骤S120和步骤S130并行执行，即步骤S120和步骤S130一起执行。上述的步骤S130中的提取户型图像中的墙体轮廓数据的实施方式可以包括如下步骤：
步骤S131：对户型图像进行自适应阈值分割，获得外围轮廓区域。
在对户型图像进行自适应阈值分割之前，还可以对户型图像进行预处理，这里的预处理具体例如：对户型图像进行尺寸变换、灰度化、图像降噪、旋转矫正、直方图均衡化和二值化等。
请参见图4示出的本申请实施例提供的外围轮廓区域的二值化图像；外围轮廓区域，有时又被称为外围轮廓线(相对于户型图像来说非常细)，是指表征实际房屋的前景区域和背景区域的界限的区域；这里的外围轮廓区域可以包括：墙体轮廓区域、飘窗轮廓区域、普通窗户轮廓区域和入户门轮廓区域等。外围轮廓区域的定义是与房间内部区域相对的，因此这里将房间内部区域的概念一起描述，房间内部区域是指设定一个与户型图尺寸大小相同的像素矩阵，该像素矩阵为将户型图像进行二值化后，包括前景区域和背景区域的二值化图像，分别将二值化图像中的前景区域与背景区域对应的像素点标记成1和0，那么外围轮廓区域可以定义为标记为0的区域，例如图4中的白色线条区域；房间内部区域可以定义为标记为1的区域，例如图4中的白色线条围成的内部区域。
上述步骤S131的实施方式例如：根据户型图外围轮廓之外的背景颜色均匀分布的特征，采用传统的自适应阈值分割的方法对户型图像进行自适应阈值分割，可以获得户型图像的外围轮廓区域。
步骤S132：根据外围轮廓区域对户型图像中的每个像素点的每个分量进行统计，并根据每个像素点的分量确定墙体轮廓区域。
请参见图5示出的本申请实施例提供的从外围轮廓区域中提取出来的墙体轮廓区域的二值化图像；上述的步骤S132的实施方式可以包括如下步骤：
步骤S1321：从户型图像中筛选出与外围轮廓区域的坐标值相同的像素点，获得多个像素点，多个像素点中的每个像素点包括：第一分量、第二分量和第三分量。
上述步骤S1321的实施方式例如：使用OpenCV中提供的轮廓查找函数findContours对二值化后的户型图像进行计算，可以得到户型图外围轮廓的像素点坐标，然后根据这些像素点坐标去找到原图中相应位置的像素值；这里的OpenCV的全称是OpenSource Computer Vision Library，是一个跨平台的计算机视觉库；OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序。
步骤S1322：分别统计出多个像素点的分量的累积值最大的第一分量值、第二分量值和第三分量值。
可以理解的是，彩色图像的像素值由RGB三个分量所组成，这三个分量记录的是原像素点的颜色信息，比如：某个像素点的值为(255，0，0)代表的是该像素点所在位置是红色；这里的RGB分量就可以理解为上述的第一分量值、第二分量值和第三分量值。
上述步骤S1322的实施方式例如：对外围轮廓区域上所有像素点的像素值中的RGB三个分量进行统计，即分别统计出三个分量的累积值最大的RGB三个分量，假设在R分量中值为11的最多，那最后代表墙体颜色的R分量值就是11，以此类推，分别获得R、G、B分量的累积值最大的分别为11、12和13，那么可以将(11，12，13)这个颜色确定为上述的预设墙体颜色。
步骤S1323：根据第一分量值、第二分量值和第三分量值确定墙体颜色。
步骤S1324：从户型图像中筛选出与墙体颜色相同的像素点，获得墙体轮廓区域。
上述步骤S1323和步骤S1324的实施方式例如：在分别获得统计后的累计值最大的R、G、B值之后，可以将累计值最大的R、G、B值确定为预设墙体颜色，再使用该预设墙体颜色去提取未经处理的户型图像中所有这种颜色的区域，即可获得墙体轮廓区域。
在具体的实施过程中，还可以过滤掉提取错误的墙体轮廓，具体例如：将提取出来的墙体轮廓区域进行二值化，然后进行形态学的开操作，从而过滤掉提取出的错误墙体轮廓，这里的错误墙体轮廓包括：标尺线段和标注数据等。在上述的实现过程中，通过从户型图像中筛选出与外围轮廓区域的坐标值相同的像素点，获得多个像素点；分别统计出多个像素点的分量的累积值最大的三个分量值，并根据三个分量值确定墙体颜色；从户型图像中筛选出与墙体颜色相同的像素点，获得墙体轮廓区域；根据统计学方法确定墙体颜色，避免墙体颜色提取的误差，从而有效地提高了获得墙体轮廓区域的正确率。
步骤S133：使用快速细化算法提取墙体轮廓区域的墙体线条。
上述步骤S133的实施方式例如：采用传统的快速细化算法提取墙体骨架，即提取墙体轮廓区域的墙体线条，这里的细化算法的主要思路是判断墙体边缘的点是否满足被删除的条件，若是，则将墙体边缘的点从图像中删除；细化后的墙体可以是单像素宽的线条。
步骤S134：使用霍夫变换检测出墙体线条的坐标点，并根据墙体线条的坐标点确定墙体轮廓数据。
上述步骤S134的实施方式例如：使用霍夫变换(Hough transform)检测细化后的墙体线条，得到墙体线条中的线段坐标，并提取出墙体线条的两个端点坐标，将墙体线条的两个端点坐标确定为墙体轮廓数据；墙体轮廓数据具体例如：假设两个端点坐标点包括第一端点坐标和第二端点坐标，其中，第一端点坐标为(94,223)，第二端点坐标为(114,223)，那么该墙体轮廓数据使用JSON格式表示为{"guid":"1","x":94,"y":223}和{"guid":"2","x":114,"y":223}。
上述的步骤S130中的提取户型图像中的飘窗轮廓数据的实施方式例如：在本申请实施例中，在步骤S132之后，还包括如下步骤：
步骤S135：从外围轮廓区域中删除墙体轮廓区域，获得非墙体轮廓区域。
在从外围轮廓区域中删除墙体轮廓区域之前，还可以在上述的墙体轮廓区域的二值图像中，使用前景区域的颜色绘制出户型中的外围轮廓区域，即如图4示出的外围轮廓区域的二值化图像。
上述步骤S135的实施方式例如：在上述获得外围轮廓区域和墙体轮廓区域之后，可以理解的是，外围轮廓区域可能包括：墙体轮廓区域、飘窗轮廓区域、普通窗户轮廓区域和入户门轮廓区域等；那么将从外围轮廓区域中删除墙体轮廓区域，获得非墙体轮廓区域，这里的非墙体轮廓区域可能包括：飘窗轮廓区域、普通窗户轮廓区域和入户门轮廓区域等。
上述的将从外围轮廓区域中删除墙体轮廓区域的实施方式例如：将上述的墙体轮廓区域的二值化图像矩阵化，获得第一像素矩阵；将上述外围轮廓区域的二值化图像矩阵化，获得第二像素矩阵；那么获得非墙体轮廓区域可以使用公式表示为：M＝src1×α+src2×β+γ；其中，src1表示上述的第一像素矩阵，src2表示上述的第二像素矩阵，α＝-1,β＝1,γ＝0分别表示公式中的第一系数、第二系数和第三系数，第一系数表征第一像素矩阵的权重，第二系数表征第二像素矩阵的权重，第三系数表征偏置(bias)或阈值(threshold)。
步骤S136：使用快速细化算法提取非墙体轮廓区域的轮廓线条。
其中，该步骤S136的实施原理和实施方式与步骤S133的实施原理和实施方式是相似或类似的，区别仅在于提取的数据不同，步骤S136提取的是非墙体轮廓区域，而步骤S133提取的是墙体轮廓区域，因此，这里不再对该步骤的实施方式和实施原理进行说明，如有不清楚的地方，可以参考对步骤S133的描述。
步骤S137：使用霍夫变换检测出轮廓线条的坐标点，并根据轮廓线条的坐标点确定非墙体轮廓数据。
其中，该步骤S137的实施原理和实施方式与步骤S134的实施原理和实施方式是相似或类似的，区别仅在于提取的数据不同，步骤S137检测的是轮廓线条的坐标点，而步骤S134检测的是墙体线条的坐标点，因此，这里不再对该步骤的实施方式和实施原理进行说明，如有不清楚的地方，可以参考对步骤S134的描述。
步骤S138：根据飘窗的凹凸性特征对非墙体轮廓数据进行筛选，获得飘窗轮廓数据。
请参见图6示出的本申请实施例提供的飘窗和普通窗户对比的示意图；飘窗的凹凸性特征，根据飘窗凹的一侧在房间内部的特性对提取出来的飘窗轮廓进行合规性判定，而普通窗户没有凹的一侧，根据这个特征可以淘汰掉不属于飘窗的类似轮廓。从图6中可以看出，飘窗结构只会位于户型图的外围，因此，飘窗轮廓区域需要从外围轮廓区域中分离出来，非墙体轮廓数据主要包括：飘窗轮廓、普通窗户轮廓和入户门轮廓等，然后再根据普通窗户轮廓和入户门轮廓都是由一条线段所组成，而飘窗是由多段线段组成的特点，筛选出飘窗轮廓线段，再根据飘窗轮廓线段确定飘窗轮廓线段的两端点坐标，并将飘窗轮廓线段的两端点坐标确定为上述的飘窗轮廓数据。
上述步骤S138的实施方式例如：对非墙体轮廓数据中的线段坐标进行凹凸性判断，如果飘窗凹的一侧是在房间内部，则判断此线段是属于飘窗，否则删除此线段；其中，具体的凹凸性判断方式例如：提取出非墙体轮廓数据中的多个线段中相互平行的两段线段，这里的两段线段分别使用向量
和
表示，其中，两段线段相互平行可以使用
表示；提取出剩余线段中与
和
相垂直的线段用向量
表示；求出向量
的中点坐标，并使用P表示向量
的中点坐标，判断P点向
方向的区域是否属于房间内部区域，如果是，则判断此三条线段是属于飘窗；如果否，则删除此线段；其中，房间内部区域是指设定一个与户型图尺寸大小相同的像素矩阵，房间内部区域的定义已经在上面描述，具体定义参见上面的描述。
可以理解的是，在飘窗轮廓提取的过程中，由于个别户型图受到水印、尺寸标识和边缘模糊等不确定因素的影响，导致本来不是飘窗的轮廓被错误的判断成飘窗，所以根据飘窗的凹凸性特征对非墙体轮廓数据进行筛选是必需的步骤，因此，根据飘窗的凹凸性特征对非墙体轮廓数据进行筛选后，能够提高识别飘窗轮廓的准确率。
在步骤S120和步骤S130之后，执行步骤S140：根据标尺比例、墙体轮廓数据和飘窗轮廓数据确定矢量化数据。
上述步骤S140的实施方式例如：将标尺比例、墙体轮廓数据和飘窗轮廓数据组合为JSON格式或者XML格式的数据，并将JSON格式或XML格式数据保存为矢量化数据，以JSON格式表示的部分矢量化数据示例：{"rulerperPixel":24.7203,"ImageScale":0.96,"DoorWindowList":[{"BP":"276-417","EP":"322-417","TP":"门"},{"BP":"528-570","EP":"591-570","TP":"窗"}],"WallList":[{"BP":"434-570","EP":"611-570","TP":"承重墙"},{"BP":"94-417","EP":"330-417","TP":"非承重墙"}]}；其中，rulerperPixel表示每个像素的标尺，可以具体约定默认值，ImageScale表示标尺比例，DoorWindowList表示门的矢量化数据和窗的矢量化数据的列表，BP(Begin Point)表示门窗或墙的起始点，EP(End Point)表示门窗或墙的结束点，TP(type)表示该数据的具体类型，这里的数据的具体类型例如：门、窗、承重墙和非承重墙等等。当然，在具体的实施过程中，也可以是由其它的格式保存为矢量化数据，这里的矢量化数据也可以包括其它的轮廓数据或者坐标点数据，轮廓数据例如：门结构和普通窗户轮廓等，坐标点数据例如：柱子和直杆滑梯等。
请参见图7示出的本申请实施例提供的由矢量化数据绘制的户型二维矢量图；可选地，在根据标尺比例、墙体轮廓数据和飘窗轮廓数据确定矢量化数据之后，还可以使用上述的矢量化数据画出二维图和三维模型图等等，或者根据该矢量化数据在高度方向上进行拉伸，进行三维重建或者生成三维立体模型等等。
在上述的实现过程中，通过电子设备执行程序来解析户型图像的标尺比例，分别提取户型图像中的墙体轮廓数据和飘窗轮廓数据后，再确定出户型图像对应的矢量化数据，使用电子设备执行程序来提取户型图像对应的矢量化数据，从而减少了人工提取的错误率，有效地提高了从户型图像中提取矢量化数据的效率。
请参见图8示出的本申请实施例提供的户型矢量化数据获得装置示意图；本申请实施例提供了一种户型矢量化数据获得装置200，包括：
户型图像获得模块210，用于获得户型图像，户型图像表征实际房屋的户型尺寸。
标尺比例解析模块220，用于解析户型图像的标尺比例，标尺比例表征实际房屋的户型尺寸与户型图像中的户型尺寸的比例值。
轮廓数据提取模块230，用于分别提取户型图像中的墙体轮廓数据和飘窗轮廓数据。
矢量数据确定模块240，用于根据标尺比例、墙体轮廓数据和飘窗轮廓数据确定矢量化数据。
可选地，在本申请实施例中，标尺比例解析模块，包括：
标尺区域获得模块，用于获得户型图像中的标尺区域，标尺区域表征户型图像中的界线端点之间的二值图像。
标尺区域分割模块，用于对标尺区域进行分割，获得数字区域和数字区域对应的标尺线段。
标尺比例确定模块，用于根据数字区域和标尺线段确定标尺比例。
可选地，在本申请实施例中，标尺区域获得模块，包括：
界限模板构建模块，用于构建标尺界线模板，标尺界线模板表征户型图像中的标尺界线相似的图像。
界限模板匹配模块，用于使用标尺界线模板匹配出户型图像中的标尺区域。
可选地，在本申请实施例中，标尺比例确定模块，包括：
标注数据获得模块，用于对数字区域进行字符识别，获得标注数据，标注数据表征实际房屋的对应尺寸。
欧式距离计算模块，用于计算标尺线段的两个端点之间的欧氏距离，欧氏距离表征户型图像的对应尺寸。
标尺比例获得模块，用于对标注数据和欧氏距离进行计算，获得标尺比例。
可选地，在本申请实施例中，轮廓数据提取模块，包括：
外围轮廓获得模块，用于对户型图像进行自适应阈值分割，获得外围轮廓区域，外围轮廓区域表征实际房屋的前景区域和背景区域的界限。
轮廓区域确定模块，用于根据外围轮廓区域对户型图像中的每个像素点的每个分量进行统计，并根据每个像素点的分量确定墙体轮廓区域。
墙体线条提取模块，用于提取墙体轮廓区域的墙体线条。
墙体轮廓确定模块，用于使用霍夫变换检测出墙体线条的坐标点，并根据墙体线条的坐标点确定墙体轮廓数据。
可选地，在本申请实施例中，轮廓数据提取模块，还包括：
墙体轮廓删除模块，用于从外围轮廓区域中删除墙体轮廓区域，获得非墙体轮廓区域。
轮廓线条提取模块，用于使用快速细化算法提取非墙体轮廓区域的轮廓线条。
轮廓数据确定模块，用于使用霍夫变换检测出轮廓线条的坐标点，并根据轮廓线条的坐标点确定非墙体轮廓数据。
飘窗轮廓获得模块，用于根据飘窗的凹凸性特征对非墙体轮廓数据进行筛选，获得飘窗轮廓数据。
可选地，在本申请实施例中，轮廓区域确定模块，包括：
像素点获得模块，用于从户型图像中筛选出与外围轮廓区域的坐标值相同的像素点，获得多个像素点，多个像素点中的每个像素点包括：第一分量、第二分量和第三分量。
分量值统计模块，用于分别统计出多个像素点的分量的累积值最大的第一分量值、第二分量值和第三分量值。
墙体颜色确定模块，用于根据第一分量值、第二分量值和第三分量值确定墙体颜色。
轮廓区域获得模块，用于从户型图像中筛选出与墙体颜色相同的像素点，获得墙体轮廓区域。
应理解的是，该装置与上述的户型矢量化数据获得方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。
请参见图9示出的本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备300，包括：处理器310和存储器320，存储器320存储有处理器310可执行的机器可读指令，机器可读指令被处理器310执行时执行如上的方法。
本申请实施例还提供了一种存储介质330，该存储介质330上存储有计算机程序，该计算机程序被处理器310运行时执行如上的方法。
其中，存储介质330可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请实施例各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上的描述，仅为本申请实施例的可选实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。
Claims (10)
1.一种户型矢量化数据获得方法，其特征在于，包括：
获得户型图像，所述户型图像表征实际房屋的户型尺寸；
解析所述户型图像的标尺比例，所述标尺比例表征所述实际房屋的户型尺寸与所述户型图像中的户型尺寸的比例值；
分别提取所述户型图像中的墙体轮廓数据和飘窗轮廓数据；
根据所述标尺比例、所述墙体轮廓数据和所述飘窗轮廓数据确定矢量化数据。
2.根据权利要求1所述的方法，其特征在于，所述解析所述户型图像的标尺比例，包括：
获得所述户型图像中的标尺区域，所述标尺区域表征所述户型图像中的界线端点之间的二值图像；
对所述标尺区域进行分割，获得数字区域和所述数字区域对应的标尺线段；
根据所述数字区域和所述标尺线段确定所述标尺比例。
3.根据权利要求2所述的方法，其特征在于，所述获得所述户型图像中的标尺区域，包括：
构建标尺界线模板；
使用所述标尺界线模板匹配出所述户型图像中的标尺区域。
4.根据权利要求2所述的方法，其特征在于，所述根据所述数字区域和所述标尺线段确定所述标尺比例，包括：
对所述数字区域进行字符识别，获得标注数据，所述标注数据表征所述实际房屋的对应尺寸；
计算所述标尺线段的两个端点之间的欧氏距离，所述欧氏距离表征所述户型图像的对应尺寸；
对所述标注数据和所述欧氏距离进行计算，获得所述标尺比例。
5.根据权利要求1-4任一所述的方法，其特征在于，所述分别提取所述户型图像中的墙体轮廓数据和飘窗轮廓数据，包括：
对所述户型图像进行自适应阈值分割，获得外围轮廓区域，所述外围轮廓区域表征所述实际房屋的前景区域和背景区域的界限；
根据所述外围轮廓区域对所述户型图像中的每个像素点的每个分量进行统计，并根据所述每个像素点的分量确定墙体轮廓区域；
提取所述墙体轮廓区域的墙体线条；
检测出所述墙体线条的坐标点，并根据所述墙体线条的坐标点确定所述墙体轮廓数据。
6.根据权利要求5所述的方法，其特征在于，在所述根据所述外围轮廓区域对所述户型图像中的每个像素点的每个分量进行统计，并根据所述每个像素点的分量确定墙体轮廓区域之后，还包括：
从所述外围轮廓区域中删除所述墙体轮廓区域，获得非墙体轮廓区域；
提取所述非墙体轮廓区域的轮廓线条；
检测出所述轮廓线条的坐标点，并根据所述轮廓线条的坐标点确定非墙体轮廓数据；
根据飘窗的凹凸性特征对所述非墙体轮廓数据进行筛选，获得所述飘窗轮廓数据。
7.根据权利要求5所述的方法，其特征在于，所述根据所述外围轮廓区域对所述户型图像中的每个像素点的每个分量进行统计，并根据所述每个像素点的分量确定墙体轮廓区域，包括：
从所述户型图像中筛选出与所述外围轮廓区域的坐标值相同的像素点，获得多个像素点，所述多个像素点中的每个像素点包括：第一分量、第二分量和第三分量；
分别统计出所述多个像素点的分量的累积值最大的第一分量值、第二分量值和第三分量值；
根据所述第一分量值、所述第二分量值和所述第三分量值确定墙体颜色；
从所述户型图像中筛选出与所述墙体颜色相同的像素点，获得所述墙体轮廓区域。
8.一种户型矢量化数据获得装置，其特征在于，包括：
户型图像获得模块，用于获得户型图像，所述户型图像表征实际房屋的户型尺寸；
标尺比例解析模块，用于解析所述户型图像的标尺比例，所述标尺比例表征所述实际房屋的户型尺寸与所述户型图像中的户型尺寸的比例值；
轮廓数据提取模块，用于分别提取所述户型图像中的墙体轮廓数据和飘窗轮廓数据；
矢量数据确定模块，用于根据所述标尺比例、所述墙体轮廓数据和所述飘窗轮廓数据确定矢量化数据。
9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。
10.一种存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010464582.4A CN111611643B (zh) | 2020-05-27 | 2020-05-27 | 户型矢量化数据获得方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010464582.4A CN111611643B (zh) | 2020-05-27 | 2020-05-27 | 户型矢量化数据获得方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111611643A true CN111611643A (zh) | 2020-09-01 |
| CN111611643B CN111611643B (zh) | 2023-05-23 |
Family
ID=72205742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010464582.4A Active CN111611643B (zh) | 2020-05-27 | 2020-05-27 | 户型矢量化数据获得方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611643B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116613A (zh) * | 2020-09-25 | 2020-12-22 | 贝壳技术有限公司 | 模型训练方法、图像分割方法、图像矢量化方法及其系统 |
| CN112200885A (zh) * | 2020-09-29 | 2021-01-08 | 杭州今奥信息科技股份有限公司 | 一种房屋墙体线的识别方法、系统及计算机可读存储介质 |
| CN112950568A (zh) * | 2021-02-25 | 2021-06-11 | 汇鸿智能科技(辽宁)有限公司 | 比例尺长度计算方法、装置、计算机设备及存储介质 |
| CN113112512A (zh) * | 2021-04-27 | 2021-07-13 | 汇鸿智能科技(辽宁)有限公司 | Ai识别晶粒度的方法、装置、计算机设备及存储介质 |
| CN113112514A (zh) * | 2021-04-27 | 2021-07-13 | 汇鸿智能科技(辽宁)有限公司 | Ai识别石墨大小的方法、装置、计算机设备及存储介质 |
| CN113112513A (zh) * | 2021-04-27 | 2021-07-13 | 汇鸿智能科技(辽宁)有限公司 | Ai识别带状组织的方法、装置、计算机设备及存储介质 |
| CN113205571A (zh) * | 2021-04-30 | 2021-08-03 | 北京城市网邻信息技术有限公司 | 用于户型图的处理方法、处理装置及电子设备 |
| CN113239785A (zh) * | 2021-05-11 | 2021-08-10 | 百安居信息技术(上海)有限公司 | 一种基于卷积神经网络的户型自动识别的方法、系统、存储介质及电子设备 |
| CN113392455A (zh) * | 2021-06-11 | 2021-09-14 | 百安居信息技术(上海)有限公司 | 基于深度学习的户型图比例尺检测方法、装置及电子设备 |
| CN115205418A (zh) * | 2022-09-15 | 2022-10-18 | 武汉智筑完美家居科技有限公司 | 户型图重构方法、装置及电子设备、存储介质 |
| CN116363689A (zh) * | 2023-02-16 | 2023-06-30 | 江苏艾佳家居用品有限公司 | 一种基于人工智能家具场景的户型图快速识别系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06176142A (ja) * | 1992-12-10 | 1994-06-24 | Meidensha Corp | 図面自動入力装置の輪郭ベクトル化方法 |
| WO2009010058A1 (en) * | 2007-07-13 | 2009-01-22 | Young/Fehn Development A/S | Computer system for redesign |
| US20110033110A1 (en) * | 2008-04-23 | 2011-02-10 | Pasco Corporation | Building roof outline recognizing device, building roof outline recognizing method, and building roof outline recognizing program |
| CN103971098A (zh) * | 2014-05-19 | 2014-08-06 | 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 |
| CN107330979A (zh) * | 2017-06-30 | 2017-11-07 | 电子科技大学中山学院 | 建筑户型的矢量图生成方法、装置及终端 |
| CN108399644A (zh) * | 2018-02-05 | 2018-08-14 | 北京居然之家家居连锁集团有限公司 | 一种墙体图像识别方法及其装置 |
| CN108763606A (zh) * | 2018-03-12 | 2018-11-06 | 江苏艾佳家居用品有限公司 | 一种基于机器视觉的户型图元素自动提取方法与系统 |
| CN110414477A (zh) * | 2019-08-06 | 2019-11-05 | 广东三维家信息科技有限公司 | 图像比例尺检测方法及装置 |
-
2020
- 2020-05-27 CN CN202010464582.4A patent/CN111611643B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06176142A (ja) * | 1992-12-10 | 1994-06-24 | Meidensha Corp | 図面自動入力装置の輪郭ベクトル化方法 |
| WO2009010058A1 (en) * | 2007-07-13 | 2009-01-22 | Young/Fehn Development A/S | Computer system for redesign |
| US20110033110A1 (en) * | 2008-04-23 | 2011-02-10 | Pasco Corporation | Building roof outline recognizing device, building roof outline recognizing method, and building roof outline recognizing program |
| CN103971098A (zh) * | 2014-05-19 | 2014-08-06 | 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 |
| CN107330979A (zh) * | 2017-06-30 | 2017-11-07 | 电子科技大学中山学院 | 建筑户型的矢量图生成方法、装置及终端 |
| CN108399644A (zh) * | 2018-02-05 | 2018-08-14 | 北京居然之家家居连锁集团有限公司 | 一种墙体图像识别方法及其装置 |
| CN108763606A (zh) * | 2018-03-12 | 2018-11-06 | 江苏艾佳家居用品有限公司 | 一种基于机器视觉的户型图元素自动提取方法与系统 |
| CN110414477A (zh) * | 2019-08-06 | 2019-11-05 | 广东三维家信息科技有限公司 | 图像比例尺检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张荣国等: "物体轮廓形状超像素图割快速提取方法", 《模式识别与人工智能》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116613B (zh) * | 2020-09-25 | 2021-10-15 | 贝壳找房(北京)科技有限公司 | 图像矢量化方法及系统 |
| CN112116613A (zh) * | 2020-09-25 | 2020-12-22 | 贝壳技术有限公司 | 模型训练方法、图像分割方法、图像矢量化方法及其系统 |
| CN112200885A (zh) * | 2020-09-29 | 2021-01-08 | 杭州今奥信息科技股份有限公司 | 一种房屋墙体线的识别方法、系统及计算机可读存储介质 |
| CN112950568A (zh) * | 2021-02-25 | 2021-06-11 | 汇鸿智能科技(辽宁)有限公司 | 比例尺长度计算方法、装置、计算机设备及存储介质 |
| CN113112512A (zh) * | 2021-04-27 | 2021-07-13 | 汇鸿智能科技(辽宁)有限公司 | Ai识别晶粒度的方法、装置、计算机设备及存储介质 |
| CN113112513A (zh) * | 2021-04-27 | 2021-07-13 | 汇鸿智能科技(辽宁)有限公司 | Ai识别带状组织的方法、装置、计算机设备及存储介质 |
| CN113112514A (zh) * | 2021-04-27 | 2021-07-13 | 汇鸿智能科技(辽宁)有限公司 | Ai识别石墨大小的方法、装置、计算机设备及存储介质 |
| CN113205571A (zh) * | 2021-04-30 | 2021-08-03 | 北京城市网邻信息技术有限公司 | 用于户型图的处理方法、处理装置及电子设备 |
| CN113239785A (zh) * | 2021-05-11 | 2021-08-10 | 百安居信息技术(上海)有限公司 | 一种基于卷积神经网络的户型自动识别的方法、系统、存储介质及电子设备 |
| CN113392455A (zh) * | 2021-06-11 | 2021-09-14 | 百安居信息技术(上海)有限公司 | 基于深度学习的户型图比例尺检测方法、装置及电子设备 |
| CN115205418A (zh) * | 2022-09-15 | 2022-10-18 | 武汉智筑完美家居科技有限公司 | 户型图重构方法、装置及电子设备、存储介质 |
| CN115205418B (zh) * | 2022-09-15 | 2022-12-13 | 武汉智筑完美家居科技有限公司 | 户型图重构方法、装置及电子设备、存储介质 |
| CN116363689A (zh) * | 2023-02-16 | 2023-06-30 | 江苏艾佳家居用品有限公司 | 一种基于人工智能家具场景的户型图快速识别系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111611643B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111611643B (zh) | 户型矢量化数据获得方法、装置、电子设备及存储介质 | |
| CN108763606B (zh) | 一种基于机器视觉的户型图元素自动提取方法与系统 | |
| CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
| Zhou et al. | On detecting road regions in a single UAV image | |
| De Marco et al. | Randomized circle detection with isophotes curvature analysis | |
| CN111862119A (zh) | 基于Mask-RCNN的语义信息提取方法 | |
| CN112418216A (zh) | 一种复杂自然场景图像中的文字检测方法 | |
| Xiang et al. | Moving object detection and shadow removing under changing illumination condition | |
| CN116597392B (zh) | 基于机器视觉的液压油杂质识别方法 | |
| CN110298344A (zh) | 一种基于机器视觉的仪表旋钮定位与检测方法 | |
| Zhu et al. | Automatic object detection and segmentation from underwater images via saliency-based region merging | |
| CN112784835A (zh) | 圆形印章的真实性识别方法、装置、电子设备及存储介质 | |
| CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
| CN114092491A (zh) | 一种建筑户型语义分割图矢量化方法及装置 | |
| Chen et al. | Image segmentation based on mathematical morphological operator | |
| CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
| CN113284158B (zh) | 一种基于结构约束聚类的图像边缘提取方法及系统 | |
| CN113780040A (zh) | 唇部关键点的定位方法及装置、存储介质、电子设备 | |
| CN111402185B (zh) | 一种图像检测方法及装置 | |
| Sidike et al. | Automatic building change detection through adaptive local textural features and sequential background removal | |
| CN109241865B (zh) | 一种弱对比度交通场景下的车辆检测分割算法 | |
| CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及系统 | |
| CN114758139B (zh) | 基坑积水检测方法 | |
| CN113689365B (zh) | 一种基于Azure Kinect的目标跟踪定位方法 | |
| JPH11306325A (ja) | 対象物検出装置及び対象物検出方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230926 Address after: 511, 4th Floor, Building 3, No. 10 Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing, 100176 (Yizhuang Cluster, High end Industrial Zone, Beijing Pilot Free Trade Zone) Patentee after: Beijing Tektek Technology Co.,Ltd. Address before: 528400, Xueyuan Road, 1, Shiqi District, Guangdong, Zhongshan Patentee before: University OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA, ZHONGSHAN INSTITUTE |
|
| TR01 | Transfer of patent right |