CN112257328B - 家具布局方法及电子设备 - Google Patents

Abstract

本发明实施例提供一种家具布局方法及电子设备，该方法包括：通过多对含家具的户型图以及对应的不包含家具的户型图对GAN模型进行训练，使得训练好的GAN模型能够准确的反映不包含家具的户型图与包含家具的户型图之间图像特征的内部联系，并将待处理图像输入至训练好的GAN模型获得期望的目标布局图像，在目标布局图像中设计了每个房间设置的家具以及每件家具的具体摆放位置。本发明实施例利用多对含家具的户型图以及对应的不包含家具的户型图对GAN模型进行训练，并利用GAN模型实现了多种户型图的家具布局设计需求，提高了家具布局设计方法的应用范围。

Description

家具布局方法及电子设备

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种家具布局方法及电 子设备。

背景技术

随着我国城市化率的提升以及建筑的日益多样化，用户对于室内家具布 局设计的要求也越来越高，合理的家具规格及摆放位置，能够有效地改善用 户的生活体验。

随着计算机技术的不断发展，室内设计师利用计算机技术，并采用统计 学方法对家具布局进行某种规则的提取，将空间信息、家具信息以及布局约 束信息数字化，获得一种家具摆放的规则，并规则自动生成家具布局图。

然而，现有的自动生成家具布局图方法，只能在满足了相同约束的条件 之后，生成的同类型的家具布局图，无法满足当前多种户型家具布局图的设 计需求，存在适应性较差的问题。

发明内容

本发明实施例提供一种家具布局方法及电子设备，利用生成对抗网络 GAN模型自动生成带有家具的户型图。

第一方面，本发明实施例提供一种家具布局方法，包括：

获取待处理图像，所述待处理图像为不包含家具的户型图；

将所述待处理图像输入训练好的生成对抗网络GAN模型，以使所述训 练好的GAN模型输出目标布局图像，所述目标布局图像为包含家具的户型图；

其中，所述训练好的GAN模型是根据多对含家具的户型图以及对应的不 包含家具的户型图训练得到的。

在一种可能的设计中，所述训练好的GAN模型包括生成器及鉴别器， 所述训练好的GAN模型的迭代训练包括：

S1.获取样本图像集合，所述样本图像集合包含多对图像，其中每对图 像包含一张含家具的户型图以及一张不包含家具的户型图，且每对所述图 像中的户型属于同一户型；

S2.将任一图像对中不包含家具的户型图输入至所述生成器中，获得预 测的包含家具的户型图；

S3.将所述预测的包含家具的户型图、所述任一图像对中不包含家具的 户型图、所述任一图像对中包含家具的户型图输入至所述鉴别器中，获得 损失函数以及鉴别结果；

S4.若所述鉴别结果不符合预设目标阈值，则根据所述损失函数调整所 述GAN模型参数，并重复执行S2和S3，直至所述鉴别结果符合预设目标阈 值时停止迭代训练。

在一种可能的设计中，所述损失函数为：

其中，x₁为不含家具的户型图特征向量，y₁为包含家具的户型图特 征向量，x₂为不含家具的房间特征向量，y₂为包含家具的房间特征向量， z为根据GAN模型生成的预测包含家具的房间户型图的特征向量，

为GAN模型中x₁与y₁之间户型图特征向量的损失函数，

为GAN模型中x₁与z之间户型图特征向量的损失 函数，

为GAN模型中x₂与y₂之间房间特征向量的损失函数，

为GAN模型中x₂与z之间房间特征向量的损 失函数，

为GAN模型中x₂与z之间家具向量特征的损 失函数，λ₁为GAN模型中x₁、y₁、z之间的户型图特征向量损失函数的 权重系数，λ₂为GAN模型中x₂、y₂、z之间的房间特征向量损失函数 的权重系数，λ₃为GAN模型中x₂与z之间家具向量特征损失函数的权重 系数。

在一种可能的设计中，所述预设目标阈值为0.5。

在一种可能的设计中，在所述训练好的GAN模型输出目标布局图像之 后，还包括：

利用预设尺寸的滑动窗按照由上到下、由左到右的顺序依次提取所述 目标布局图像的所有RGB值及每个RGB值对应的位置信息；

根据预设的家具RGB数值对照表获取所述目标布局图像中每个RGB 值对应的家具类型，并根据每个RGB值对应的位置信息以及所述目标布局 图像的户型图生成家具布局图。

在一种可能的设计中，在所述根据所述目标布局图像的户型、所述家 具的位置参数及家具的RGB值生成家具布局图之后，还包括：

获得所述家具的RGB值对应的实体家具的规格及图形，并根据所述目 标布局图像的户型、所述目标布局图像中家具的位置参数、所述实体家具 的规格及图形生成实体家具布局图；

将所述待处理图像及对应的实体家具布局图存储在数据库中。

在一种可能的设计中，所述RGB值用于区分不同类型的家具。

第二方面，本发明实施例提供一种家具布局装置，包括：

获取模块，用于获取待处理图像，所述待处理图像为不包含家具的户型 图；

输入模块，用于将所述待处理图像输入训练好的生成对抗网络GAN模型， 以使所述训练好的GAN模型输出目标布局图像，所述目标布局图像为包含家 具的户型图；其中，所述训练好的GAN模型是根据多对含家具的户型图以及 对应的不包含家具的户型图训练得到的。

第三方面，本发明实施例提供一种电子设备，包括至少一个处理器和 存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述 至少一个处理器执行如第一方面以及第一方面各种可能的家具布局方法。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可 读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时， 实现如第一方面以及第一方面各种可能的家具布局方法。

本申请实施例所提供家具布局方法及电子设备，通过利用多对含家具 的户型图以及对应的不包含家具的户型图对GAN模型进行训练，使得训练 好的GAN模型能够准确的反映不包含家具的户型图与包含家具的户型图 之间图像特征的内部联系；并将待处理图像输入至训练好的GAN模型获得 期望的目标布局图像，其中目标布局图像中设计了每个房间设置的家具以 及每件家具的具体摆放位置。在训练GAN模型的过程中，利用多对含家具的户型图以及对应的不包含家具的户型图对GAN模型进行训练，使得利用 GAN模型可以满足多种户型图家具布局设计需求，提高了家具布局设计的 应用范围。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下 面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在 不付出创造性劳动性的前提下，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不包含家具户型示意图；

图2为本发明实施例提供的包含家具户型示意图；

图3为本发明实施例提供的家具布局方法流程示意图一；

图4为本发明实施例提供的家具布局方法流程示意图二；

图5为本发明实施例提供的样本图像中标注RGB后的含家具的户型图；

图6为本发明实施例提供的样本图像中标注RGB后的不含家具的户型 图；

图7为本发明实施例提供的预测的包含家具的户型图；

图8为本发明实施例提供的家具布局方法流程示意图三；

图9为本发明实施例提供的家具布局装置结构示意图一；

图10为本发明实施例提供的电子设备结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本 发明申请实施例中的附图，对本发明申请实施例中的技术方案进行清楚、 完整的地描述，显然，所描述的实施例仅仅是本发明申请一部分实施例， 而不是全部的实施例。基于本发明申请中的实施例，本领域普通技术人员 在没有做出作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 明申请保护的范围。

下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的 是，以下对各个概念的说明，仅为了使本申请的内容更加容易理解，并不 表示对本申请保护范围的限定。

图1为本发明实施例提供的不包含家具户型示意图，图2为本发明实 施例提供的包含家具户型示意图，其中，图1中的户型图与图2中的户型 一致。室内设计师按照图1中每个房间的功能和尺寸，合理的规划和安排 每个家具的规格以及摆放位置，设计出图2中的满足用户需求的家具布局。

随着计算机技术的不断发展，室内设计师利用计算机技术，并采用统计 学方法对家具布局进行某种规则的提取，将空间信息、家具信息以及布局约 束信息数字化，在虚拟空间中进行摆放并判断家具摆放是否符合规则自动生 成家具布局图，减少设计师的工作量，提高设计室内家具布局图的效率。

然而，上述方法只能生成同类型的家具布局图，无法实现不同的装修风 格和家具类型的家具布局设计，存在适应性较差、准确率低的问题。

为了解决上述问题，本发明实施例应用深度学习领域的生成对抗网络(Generative Adversarial Networks，简称GAN)模型实现了自动生成家具 布局图。利用多对含家具的户型图以及对应的不包含家具的户型图对GAN 模型进行训练，在训练GAN模型的过程中，对含家具的户型图中的户型、 房间以及家具的图像特征进行标注，对不包含家具的户型图中的户型及房 间图像特征进行标注，并且根据标注的图像特征设定GAN模型的损失函 数，提高了训练好的GAN模型的准确度。在训练GAN模型的过程中，利 用多对含家具的户型图以及对应的不包含家具的户型图对GAN模型进行 训练，使得利用GAN模型可以满足多种户型图家具布局设计需求，提高 了家具布局设计的应用范围。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个 具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实 施例不再赘述。

图3为本发明实施例提供的家具布局方法流程示意图一。如图3所示， 该方法包括：

S301、获取待处理图像，待处理图像为不包含家具的户型图。

本发明实施例提供的家具布局方法是根据不包含家具的户型图生成 含家具的户型图，即将不包含家具的户型图输入至本发明实施例提供的 GAN模型中生成包含家具布局图的户型图，待处理图像为不包含家具的 户型图。示例性的，如图1所示，图1为不包含家具的待处理图像，即待 处理图像包含户型图特征及房间特征，不包含家具特征的图像。可选的， 待处理图像可以为一张不包含家具的户型图，也可以为多张不包含家具的 户型图。当待处理图像可以为一张不包含家具的户型图时，生成一张包含 家具的户型图，当待处理图像可以为多张不包含家具的户型图时，对应的 生成多张包含家具的户型图，实现了批量生成家具布局图的目的。

S302、将待处理图像输入训练好的生成对抗网络GAN模型，以使训练 好的GAN模型输出目标布局图像，目标布局图像为包含家具的户型图；其中， 训练好的GAN模型是根据多对含家具的户型图以及对应的不包含家具的户 型图训练得到的。

在本发明实施例中，待处理图像为不包含家具的户型图，期望获得的目 标图像为包含家具的户型图。通过利用多对含家具的户型图以及对应的不包 含家具的户型图对GAN模型进行训练，使得训练好的GAN模型能够准确的 反映不包含家具的户型图与包含家具的户型图之间图像特征的内部联系。 获得训练好的GAN模型之后，将待处理图像输入至训练好的GAN模型获 得期望的目标布局图像，其中目标布局图像的户型图与待处理图像的户型图 一致，目标布局图像中设计了每个房间设置的家具以及每件家具的具体摆放 位置，即利用训练好的GAN模型能够依据不包含家具的户型图生成包含家具 布局的户型图。示例性的，图1为不包含家具的户型图，将图1中的户型图 输入至训练好的GAN模型之后，获得图2包含家具的户型图，其中图1与图 2的户型图一致，图2中设计了每个房间的家具以及每件家具的摆放位置， 即图2提供了图1户型图对应的家具布局图，实现了根据户型图获得对应的 家具布局图的目的。

本发明实施例提供的家具布局方法，通过利用多对含家具的户型图以 及对应的不包含家具的户型图对GAN模型进行训练，使得训练好的GAN 模型能够准确的反映不包含家具的户型图与包含家具的户型图之间图像 特征的内部联系；并将待处理图像输入至训练好的GAN模型获得期望的 目标布局图像，其中目标布局图像中设计了每个房间设置的家具以及每件 家具的具体摆放位置。本发明实施例提供的家具布局方法，在训练GAN 模型的过程中，利用多对含家具的户型图以及对应的不包含家具的户型图 对GAN模型进行训练，使得利用GAN模型可以实现多种户型图家具布局 设计，满足多种风格的家居设计需求，提高了家具布局设计的应用范围。

图4为本发明实施例提供的家具布局方法流程示意图二。本发明实施 例提供的训练好的GAN模型包括生成器及鉴别器，GAN模型的迭代训练 包括以下步骤：

S401、获取样本图像集合，样本图像集合包含多对图像，其中每对图 像包含一张含家具的户型图以及一张不包含家具的户型图，且每对图像中 的户型属于同一户型。

本发明实施例利用了GAN模型生成包含家具的户型图。其中，GAN 模型是一种非监督式深度学习模型，通过对高维数据分布进行隐式建模实 现半监督和无监督学习。GAN模型的核心思想是训练一对相互竞争的网络， 包含一个生成器和一个鉴别器。生成器的目的是制作逼真的图像，鉴别器 的目的是区分接收的伪造品和真实图像。两者交替训练，并且相互竞争。 生成器和鉴别器所用的网络通常由包含卷积层和完全连接层的神经网络 实现。生成器和鉴别器必须是可微分的，但不必是直接可逆的。生成器从 潜在空间中随机采样作为输入，其输出结果需要尽量模仿训练集中的真实 样本。鉴别器的输入是真实样本或生成器的输出，其目的是尽可能分辨出 生成器的输出和真实样本。生成器则要尽可能地欺骗鉴别器。两个网络相 互对抗、不断调整参数，最终目的是使鉴别器无法判断生成器的输出结果 是否真实。

本发明实施例是利用样本图像训练GAN模型，其中样本图像集合包含 多对图像，每对图像包含一张含家具的户型图以及一张不包含家具的户型 图，且每对图像中的户型属于同一户型。在本发明实施例中，可以通过设 置不同的RGB值来区分不同类型的家具以及不同的房间，根据预设的家具 RGB数值对照表可获得样本图像中每个家具的RGB数值，以及根据预设的 房间RGB数值对照表获得样本图像中每个房间的RGB数值。房间RGB数值 对照表可根据不同的设计风格需求进行调整。

示例性的，部分家具RGB数值对照表如表1所示。

表1

不同的RGB数值代表不同的颜色，即可以根据RGB数值对应的颜色， 将样本图像中含家具的户型图转换为用不同的颜色标注家具的户型图。图5 为本发明实施例提供的样本图像中标注RGB后的含家具的户型图，如图5 所示，通过家具RGB数值对照表找到所有家具对应的RGB数值，再将样本 图像中每个家具变换为不同颜色的矩形，其中矩形的尺寸与样本图像中家具 的尺寸相同，矩形填充的颜色与家具的RGB数值对应的颜色相同。其中，如图5所示，在不同家具对应的矩形中填充不同的图案表示不同的家具的RGB 数值对应的颜色。

示例性的，部分房间的RGB数值对照表如表2所示。

表2

不同的RGB数值代表不同的颜色，即可以根据RGB数值对应的颜色， 将样本图像中的户型图转换为用不同的颜色标注不同房间的户型图。图6为 本发明实施例提供的样本图像中标注RGB后的不含家具的户型图，如图6 所示，通过房间RGB数值对照表找到所有房间对应的RGB数值，再将样本 图像中每个房间填充为RGB数值对应的颜色。其中，如图6所示，在不同房 间中填充不同的图案表示不同的房间的RGB数值对应的颜色。

在训练GAN模型的过程中，将样本图像中的一对图像或者多对图像输 入至训练GAN模型中，训练生成器以及鉴别器，使得训练好的GAN模型能 够输出包含家具的户型图。

S402、将任一图像对中不包含家具的户型图输入至生成器中，获得预 测的包含家具的户型图。

在GAN模型的训练过程中，首先将样本图像中任一图像对中不包含家 具的户型图输入至生成器中。根据房间的RGB数值对照表标注不包含家具 的户型图中的房间特征，生成器根据样本图像的户型特征以及房间特征生 成预测户型图，其中预测户型图中的户型特征和房间特征的与样本图像中 不包含家具的户型图中标注了户型特征以及房间特征相同，预测户型图中 还包含了家具布局设计。预测的户型图是通过GAN模型获得的不同家具RGB值，在预测的户型图中，不同的家具填充RGB值对应的颜色。图7为 本发明实施例提供的预测的包含家具的户型图。如图7所示，最终预测的 户型图中，通过矩形的位置、尺寸以及家具的类型对应的RGB数值设计家 具布局。并根据RGB数值对应的家具类型的颜色填充矩形区域，最终获得 包含家具的户型图。如图7所示，在预测的包含家具的户型图中，在不同家具对应的矩形中填充不同的图案表示不同的家具的RGB数值对应的颜 色。

S403、将所述预测的包含家具的户型图、所述任一图像对中不包含家 具的户型图、所述任一图像对中包含家具的户型图输入至所述鉴别器中， 获得损失函数以及鉴别结果。

在GAN模型的训练过程中，生成器无法直接访问真实图像，其学习的 唯一方法是与鉴别器交互。鉴别器可以访问伪造样本以及从真实图像堆栈 中提取的样本。鉴别器通过了解图像是来自真实数据样本中的图像还是来 自生成器生成的图像，来判断图片的真假。鉴别器将判断结果发送给生成 器，使生成器能够产生更好质量的伪造品。一般在GAN模型的训练过程中，D表示鉴别器，G表示生成器，x为真实图像，y为对应的图像，z为预 测的图像，鉴别器D(x,y)表示鉴别器判断真实图像为真的概率， D(y,G(x,y))表示鉴别器判断预测图片为真的概率，在GAN模型的训练 过程中，根据损失函数调整GAN模型的参数，使得D(x,y)输出的结果 为1，D(y,G(x,y))输出的结果为0。

为了在真实图像中学习生成器的分布p_g，生成器构建从先前噪声分 布p_z(z)到数据空间的映射函数G(z；θ_g)。鉴别器G(x；θ_d)输出一个 标量，表示x来自训练数据而不是p_g概率。

将预测的包含家具的户型图、任一图像对中不包含家具的户型图、任 一图像对中包含家具的户型图输入至所述鉴别器中，获得损失函数，其损 失函数的公式如(1)所示：

在本发明实施例中，首先已经将样本图像中任一图像对中不包含家具 的户型图输入至生成器中生成预测户型图。其中，样本图像中不包含家具 的户型图中标注了户型特征以及房间特征，生成器根据户型特征以及房间 特征生成预测户型图，其中预测户型图为包含家具布局的户型图，预测户 型图中的户型特征和房间特征的与样本图像中不包含家具的户型图中标 注了户型特征以及房间特征相同。再将预测的包含家具的户型图、任一图像对中不包含家具的户型图、任一图像中对包含家具的户型图以及损失函 数输入至鉴别器中，获得鉴别结果。其中，预测的包含家具的户型图中不 仅包含户型特征以及房间特征，还包含每个房间内家具的特征。示例性的， 本发明实施例提供的GAN模型的损失函数如公式(2)所示：

其中，x₁为不含家具的户型图特征向量，y₁为包含家具的户型图特 征向量，x₂为不含家具的房间特征向量，y₂为包含家具的房间特征向量， z为根据GAN模型生成的预测包含家具的房间户型图的特征向量，

为GAN模型中x₁与y₁之间户型图特征向量的损失函数，

为GAN模型中x₁与z之间户型图特征向量的损失 函数，

为GAN模型中x₂与y₂之间房间特征向量的损失函数，

为GAN模型中x₂与z之间房间特征向量的损 失函数，

为GAN模型中x₂与z之间家具向量特征的损 失函数，λ₁为GAN模型中x₁、y₁、z之间的户型图特征向量损失函数的 权重系数，λ₂为GAN模型中x₂、y₂、z之间的房间特征向量损失函数 的权重系数，λ₃为GAN模型中x₂与z之间家具向量特征损失函数的权重 系数。

在训练过程中，GAN模型将样本图像的特征细化至户型图中每个房间 的特征以及房间中家具布局的特征，在原有的户型图特征对应关系的基础 上，还参考了每个房间种家具的布局特征，包括家具的类型以及家具的尺 寸和摆放位置等特征。因此，在损失函数的定义中参考了真实图像中户型 特征、每个房间的特征及房间中家具的特征。例如，厨房与厨具的对应关 系，马桶与卫生间的对应关系，并且还参考了当家具摆放错误时的惩罚关系等。

S404、若所述鉴别结果不符合预设目标阈值，则根据所述损失函数调 整所述GAN模型参数，并重复执行S2和S3，直至所述鉴别结果符合预设目 标阈值时停止迭代训练。

在GAN模型中，鉴别器D(x,y)的鉴别结果为真，输出1，鉴别器 D(x,G(x,z))的鉴别结果为假，输出0。通过调整损失函数，使得 D(x,G(x,z))的结果无法识别真假，输出结果为0.5，说明此时已获得训 练好的GAN模型。

在本发明实施例中，损失函数中设定了每个房间的特征以及房间中家 具的特征的权重系数，在训练GAN模型的过程中利用损失函数不断地调整 GAN模型参数，使得训练好的GAN模型能够准确的识别和反应不包含家具 的户型图与包含家具的户型图之间细化特征的对应关系。具体的，在训练 GAN模型的过程中，分析样本图像与真实图像中代表家具特征的矩形的中 心位置、矩形的尺寸以及矩形颜色对应的RGB值获得家具特征的对应关系，并根据家具特征的对应关系调整损失函数，使得GAN模型能够实现生成带 有家具特征的户型图。

在本发明实施例中，设定预设目标阈值为0.5，当鉴别器的鉴别结果不 是0.5时，说明鉴别器能够准确的鉴别出预测图像为假，真实图像为真，即 生成器预测的图像与真实的图像之间存在偏差，需要调整生成器的参数， 使得生成器预测的图像越来越接近真实的图像。因此，若当鉴别结果不符 合预设目标阈值时，根据所述损失函数调整所述GAN模型参数，并重复执 行S402和S403，重复执行生成器生成过程以及鉴别器的假别过程，直至鉴 别器无法识别出预测的图像的真假，输出的鉴别结果为0.5时停止迭代训练， 认为当前的GAN模型满足图像预测的要求，能够实现依据不包含家具的户 型图生成包含家具户型图的目的。

本实施例提供的家具布局方法，通过将样本图像中任一图像对中不包 含家具的户型图输入至GAN模型的生成器中，获得预测的包含家具的户 型图，并将所述预测的包含家具的户型图、所述任一图像对中不包含家具 的户型图、所述任一图像中对包含家具的户型图输入至所述鉴别器中，获 得鉴别结果以及损失函数，若鉴别结果不符合预设目标阈值，则根据损失 函数调整所述GAN模型参数，当鉴别结果符合预设目标阈值时停止迭代 训练。本实施例通过设定损失函数中真实图像中户型特征、每个房间的特 征及房间中家具的特征，并设定每个房间的特征以及房间中家具的特征的 权重系数，在训练GAN模型的过程中利用损失函数不断地调整GAN模型， 使得训练好的GAN模型能够准确的识别和反应不包含家具的户型图与包 含家具的户型图之间细化特征的对应关系，提高了GAN模型生成的包含 家具的户型图的准确性。在本发明实施例中，还利用多种户型图的样本图 像训练GAN模型，使得训练好的GAN模型能够批量地输出多种包含家具 的户型图，使得GAN模型适用于户型多种不同类型的户型，提高GAN模 型应用的多样性。

图8为本发明实施例提供的家具布局方法流程示意图三。在图3根据 GAN模型生成的包含家具的户型图的基础上，如图8所示，依据生成的 户型图获得具体的家具布局图的步骤如下：

S801、利用预设尺寸的滑动窗按照由上到下、由左到右的顺序依次提 取目标布局图像的所有RGB值及每个RGB值对应的位置信息。

在本发明实施例中，根据GAN模型生成的包含家具的目标布局图像 中，不同的家具是通过不同颜色的矩形进行表示的。在本发明实施例中， 利用预设尺寸的滑动窗按照由上到下、由左到右的顺序依次提取目标布局 图像的中不同颜色矩形的颜色及位置信息。示例性的，将预设尺寸的滑动 窗由上到下、由左到右的顺序遍历整个户型图，当滑动窗移动到某个区域 时，识别出当前区域带有颜色，且带有颜色区域占整个滑动窗的比例大于 预设比例，则根据当前区域颜色确定该区域对应的RGB值，并且根据当 前区域的中心位置确定家具的摆放位置。按照上述过程，依次提取目标布 局图像的所有RGB值及每个RGB值对应的位置信息，再根据预设家具 RGB表获取目标布局图像中每个RGB值对应的家具类型。其中，预设比 例通常为70％。

S802、根据预设的家具RGB数值对照表获取所述目标布局图像中每 个RGB值对应的家具类型，并根据每个RGB值对应的位置信息以及所述 目标布局图像的户型图生成家具布局图。

在本发明实施例中，根据预设的家具RGB数值对照表获取目标布局 图像中每个RGB值对应的家具类型。并且还根据每个RGB值对应的位置 信息以及所述目标布局图像的户型图生成家具布局图。示例性的，RGB数 值为0-255-127时，对应的家具为床，再根据0-255-127对应的位置信息， 将家具床摆放在目标布局图像中，由此可获得带有家具布局的户型图。

S803、获得家具的RGB值对应的实体家具的规格及图形，并根据目 标布局图像的户型、目标布局图像中家具的位置参数、实体家具的规格及 图形生成实体家具布局图。

在本发明实施例中，S302中获得的带有家具布局的户型图为平面简图， 每个家具的图像为简单的线条图。为了使得生成的家具布局图更加直观， 可以根据数据库获得与家具的RGB值对应的实体家具图，并根据目标布 局图像的户型、目标布局图像中家具的位置参数、实体家具的规格及图形 生成实体家具布局图。示例性的，同一个家具的RGB值可以对应不同风 格的、同等功能的家具，通过修改家具的RGB值对应的实体家具的风格， 可以获得不同特色的家具布局图，实现了家具布局图风格的多样性。

S804、将待处理图像及对应的实体家具布局图存储在数据库中。

在本发明实施例中，将待处理图像及根据待处理图像生成的实体家具 布局图存储在数据库中。当设计师根据GAN模型生成含家具的户型图之 前，若在数据库中能够查询到与待处理图像相同的户型图，则可以直接根 据数据库获得所述待处理图像对应的实体家具布局图，无需再根据GAN 模型生成家具布局图，简化了生成家具布局图的过程，提高了效率。

本实施例提供的家具布局方法，在根据GAN模型生成的包含家具的户 型图之后，利用滑动窗的方法将户型图中的矩形替换为对应功能的家具， 获得家具布局图。并将家具布局图中的家具替换为实体家具，使得家具布 局图更加贴近真实的家具布局效果，实现了家具布局图风格的多样性。通 过将待处理图像及对应的实体家具布局图存储在数据库中，在根据GAN 模型生成家具布局图之间，实现了直接根据数据库获得所述待处理图像对 应的实体家具布局图，提高了设计家具布局图的效率。

图9为本发明实施例提供的家具布局装置结构示意图一。如图9所示， 该家具布局装置90包括：获取模块91及输入模块92。

获取模块91，用于获取待处理图像，待处理图像为不包含家具的户型图；

输入模块92，用于将待处理图像输入训练好的生成对抗网络GAN模型， 以使训练好的GAN模型输出目标布局图像，目标布局图像为包含家具的户型 图；其中，训练好的GAN模型是根据多对含家具的户型图以及对应的不包含 家具的户型图训练得到的。

在本发明的一个实施例中，家具布局装置还包括：迭代训练模块，其 中所述迭代训练模块用于获得训练好的GAN模型，迭代训练模块具体的迭 代训练过程如下：S1.获取样本图像集合，样本图像集合包含多对图像，其 中每对图像包含一张含家具的户型图以及一张不包含家具的户型图，且每 对图像中的户型属于同一户型；S2.将任一图像对中不包含家具的户型图输 入至生成器中，获得预测的包含家具的户型图；S3.将所述预测的包含家具 的户型图、所述任一图像对中不包含家具的户型图、所述任一图像对中包 含家具的户型图输入至所述鉴别器中，获得损失函数以及鉴别结果；S4. 若所述鉴别结果不符合预设目标阈值，则根据所述损失函数调整所述GAN 模型参数，并重复执行S2和S3，直至所述鉴别结果符合预设目标阈值时停 止迭代训练。

在本发明的一个实施例中，家具布局装置还包括生成模块，用于利用 预设尺寸的滑动窗按照由上到下、由左到右的顺序依次提取目标布局图像 的所有RGB值及每个RGB值对应的位置信息；根据预设的家具RGB数值对 照表获取所述目标布局图像中每个RGB值对应的家具类型，并根据每个 RGB值对应的位置信息以及所述目标布局图像的户型图生成家具布局图。

在本发明的一个实施例中，家具布局装置还包括存储模块，用于获得 所述家具的RGB值对应的实体家具的规格及图形，并根据所述目标布局图 像的户型、所述目标布局图像中家具的位置参数、所述实体家具的规格及 图形生成实体家具布局图；将待处理图像及对应的实体家具布局图存储在 数据库中。

图10为本发明实施例提供的电子设备结构示意图。如图10所示，本 实施例的电子设备100包括：处理器101、存储器102以及存储在存储器 102中并可在处理器101上运行的计算机程序，处理器101执行计算机程 序时实现如下步骤：获取待处理图像，待处理图像为不包含家具的户型图； 将待处理图像输入训练好的生成对抗网络GAN模型，以使训练好的GAN模 型输出目标布局图像，目标布局图像为包含家具的户型图；其中，训练好的 GAN模型是根据多对含家具的户型图以及对应的不包含家具的户型图训练 得到的。

在一种可能的设计中，处理器101执行计算机程序时还实现如下步骤： S1.获取样本图像集合，样本图像集合包含多对图像，其中每对图像包含一 张含家具的户型图以及一张不包含家具的户型图，且每对图像中的户型属 于同一户型；S2.将任一图像对中不包含家具的户型图输入至生成器中，获 得预测的包含家具的户型图；S3.将所述预测的包含家具的户型图、所述任 一图像对中不包含家具的户型图、所述任一图像对中包含家具的户型图输 入至所述鉴别器中，获得损失函数以及鉴别结果；S4.若所述鉴别结果不符 合预设目标阈值，则根据所述损失函数调整所述GAN模型参数，并重复执 行S2和S3，直至所述鉴别结果符合预设目标阈值时停止迭代训练。

在一种可能的设计中，处理器101执行计算机程序时还实现如下步骤： 利用预设尺寸的滑动窗按照由上到下、由左到右的顺序依次提取目标布局 图像的所有RGB值及每个RGB值对应的位置信息；根据预设的家具RGB数 值对照表获取所述目标布局图像中每个RGB值对应的家具类型，并根据每 个RGB值对应的位置信息以及所述目标布局图像的户型图生成家具布局 图。

在一种可能的设计中，处理器101执行计算机程序时还实现如下步骤： 获得所述家具的RGB值对应的实体家具的规格及图形，并根据所述目标布 局图像的户型、所述目标布局图像中家具的位置参数、所述实体家具的规 格及图形生成实体家具布局图；将待处理图像及对应的实体家具布局图存 储在数据库中。

具体可以参见前述方法实施例中的相关描述。

在一种可能的设计中，存储器102既可以是独立的，也可以跟处理器 101集成在一起。

当存储器102独立设置时，该电子设备还包括总线103，用于连接存 储器102和处理器101。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储 介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如 上的电子设备执行的家具布局方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法， 可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性 的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以 有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统， 或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦 合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的， 作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地 方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的 部分或者全部模块来实现本实施例方案。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元 中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在 一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用 硬件加软件功能单元的形式实现。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算 机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若 干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络 设备等)或处理器执行本申请各个实施例所述方法的部分步骤。

应理解，上述处理器可以是中央处理单元(Central Processing Unit， 简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit， 简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何 常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理 器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM， 例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘 或光盘等。

总线可以是工业标准体系结构(Industry Standard Architecture，简称 ISA)总线、外部设备互连(Peripheral Component Interconnect，简称PCI) 总线或扩展工业标准体系结构(Extended Industry Standard Architecture， 简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。 为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总 线。

上述存储介质可以是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(SRAM)，电可擦除可编程只 读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程 只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器， 磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介 质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理 器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可 以作为分立组件存在于电子设备或主控设备中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分 步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算 机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步 骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存 储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非 对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进 行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或 者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种家具布局方法，其特征在于，包括：

获取待处理图像，所述待处理图像为不包含家具的户型图；

将所述待处理图像输入训练好的生成对抗网络GAN模型，以使所述训练好的GAN模型输出目标布局图像，所述目标布局图像为包含家具的户型图；

其中，所述训练好的GAN模型是根据多对含家具的户型图以及对应的不包含家具的户型图训练得到的；

所述训练好的GAN模型包括生成器及鉴别器，所述训练好的GAN模型的迭代训练包括：

S1.获取样本图像集合，所述样本图像集合包含多对图像，其中每对图像包含一张含家具的户型图以及一张不包含家具的户型图，且每对所述图像中的户型属于同一户型；

S2.将任一图像对中不包含家具的户型图输入至所述生成器中，获得预测的包含家具的户型图；

S3.将所述预测的包含家具的户型图、所述任一图像对中不包含家具的户型图、所述任一图像对中包含家具的户型图输入至所述鉴别器中，获得损失函数以及鉴别结果；

S4.若所述鉴别结果不符合预设目标阈值，则根据所述损失函数调整所述GAN模型参数，并重复执行S2和S3，直至所述鉴别结果符合预设目标阈值时停止迭代训练；

所述损失函数为：

其中，x₁为不含家具的户型图特征向量，y₁为包含家具的户型图特征向量，x₂为不含家具的房间特征向量，y₂为包含家具的房间特征向量，z为根据GAN模型生成的预测包含家具的房间户型图的特征向量，

为GAN模型中x₁与y₁之间户型图特征向量的损失函数，

为GAN模型中x₁与z之间户型图特征向量的损失函数，

为GAN模型中x₂与y₂之间房间特征向量的损失函数，

为GAN模型中x₂与z之间房间特征向量的损失函数，

为GAN模型中x₂与z之间家具向量特征的损失函数，λ₁为GAN模型中x₁、y₁、z之间的户型图特征向量损失函数的权重系数，λ₂为GAN模型中x₂、y₂、z之间的房间特征向量损失函数的权重系数，λ₃为GAN模型中x₂与z之间家具向量特征损失函数的权重系数。

2.根据权利要求1所述的方法，其特征在于，所述预设目标阈值为0.5。

3.根据权利要求1所述的方法，其特征在于，在所述训练好的GAN模型输出目标布局图像之后，还包括：

利用预设尺寸的滑动窗按照由上到下、由左到右的顺序依次提取所述目标布局图像的所有RGB值及每个RGB值对应的位置信息；

根据预设的家具RGB数值对照表获取所述目标布局图像中每个RGB值对应的家具类型，并根据每个RGB值对应的位置信息以及所述目标布局图像的户型图生成家具布局图。

4.根据权利要求3所述的方法，其特征在于，在所述根据每个RGB值对应的位置信息以及所述目标布局图像的户型图生成家具布局图之后，还包括：

获得所述家具的RGB值对应的实体家具的规格及图形，并根据所述目标布局图像的户型、所述目标布局图像中家具的位置参数、所述实体家具的规格及图形生成实体家具布局图；

将所述待处理图像及对应的实体家具布局图存储在数据库中。

5.根据权利要求3或4所述的方法，其特征在于，所述RGB值用于区分不同类型的家具。

6.一种家具布局装置，其特征在于，包括：

获取模块，用于获取待处理图像，所述待处理图像为不包含家具的户型图；

输入模块，用于将所述待处理图像输入训练好的生成对抗网络GAN模型，以使所述训练好的GAN模型输出目标布局图像，所述目标布局图像为包含家具的户型图；其中，所述训练好的GAN模型是根据多对含家具的户型图以及对应的不包含家具的户型图训练得到的，所述训练好的GAN模型包括生成器及鉴别器；

迭代训练模块，用于通过如下迭代训练过程获得训练好的GAN模型：

S1.获取样本图像集合，样本图像集合包含多对图像，其中每对图像包含一张含家具的户型图以及一张不包含家具的户型图，且每对图像中的户型属于同一户型；

S2.将任一图像对中不包含家具的户型图输入至生成器中，获得预测的包含家具的户型图；

S3.将所述预测的包含家具的户型图、所述任一图像对中不包含家具的户型图、所述任一图像对中包含家具的户型图输入至所述鉴别器中，获得损失函数以及鉴别结果；

S4.若所述鉴别结果不符合预设目标阈值，则根据所述损失函数调整所述GAN模型参数，并重复执行S2和S3，直至所述鉴别结果符合预设目标阈值时停止迭代训练；

所述损失函数为：

其中，x₁为不含家具的户型图特征向量，y₁为包含家具的户型图特征向量，x₂为不含家具的房间特征向量，y₂为包含家具的房间特征向量，z为根据GAN模型生成的预测包含家具的房间户型图的特征向量，

为GAN模型中x₁与y₁之间户型图特征向量的损失函数，

为GAN模型中x₁与z之间户型图特征向量的损失函数，

为GAN模型中x₂与y₂之间房间特征向量的损失函数，

为GAN模型中x₂与z之间房间特征向量的损失函数，

为GAN模型中x₂与z之间家具向量特征的损失函数，λ₁为GAN模型中x₁、y₁、z之间的户型图特征向量损失函数的权重系数，λ₂为GAN模型中x₂、y₂、z之间的房间特征向量损失函数的权重系数，λ₃为GAN模型中x₂与z之间家具向量特征损失函数的权重系数。

7.一种电子设备，其特征在于，包括至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至5任一项所述的家具布局方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至5任一项所述的家具布局方法。

Images