CN114092491A - 一种建筑户型语义分割图矢量化方法及装置 - Google Patents
一种建筑户型语义分割图矢量化方法及装置 Download PDFInfo
- Publication number
- CN114092491A CN114092491A CN202111362348.1A CN202111362348A CN114092491A CN 114092491 A CN114092491 A CN 114092491A CN 202111362348 A CN202111362348 A CN 202111362348A CN 114092491 A CN114092491 A CN 114092491A
- Authority
- CN
- China
- Prior art keywords
- point
- room
- semantic segmentation
- type
- graph
- 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.)
- Pending
Links
Images
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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]
Abstract
本发明涉及一种建筑户型语义分割图矢量化方法及装置。本发明所述的一种建筑户型语义分割图矢量化方法包括:获取待矢量化的户型图;对所述户型图进行语义分割识别,得到语义分割图;将所述语义分割图复制得到多个子图;针对每个所述子图,分别提取不同颜色的色块对应的区域类型的坐标信息;所述区域类型至少包括以下一种:门窗、房间、外墙;保存所述提取到的坐标信息。本发明所述的一种建筑户型语义分割图矢量化方法及装置,将语义分割图分割成三部分分别进行识别,解决了语义分割图在矢量化识别过程中容易受到噪音点的干扰,不同像素点的种类识别混乱的问题,提高了对于噪音点的处理能力和矢量化精度。
Description
技术领域
本发明涉及图像识别和图像处理的技术领域,特别是涉及一种建筑户型语义分割图矢量化方法。
背景技术
户型图通常都是使用特殊的画图工具(例如AutoCAD,HomeStyler等)生成的,用于帮助人们在买房或者装修过程中快速识别房屋结构,二维户型图的信息没有三维户型图的信息直观,对二维户型图进行三维重建需要二维户型图的矢量化信息,则对于二维户型图的识别并得到相应的矢量化文件则成为了一个重要问题。
通常对于户型图进行矢量化有两种方法,一种是对于户型图的墙体连接点进行识别,得到房间的墙角坐标信息,但是这种方法存在弊端,如果房间有各别墙角没有识别,则识别出的户型结构会发生变化。另一种方法是首先识别出户型图的语义分割图,再对语义分割图进行矢量化算法,但是目前的语义分割模型识别出来的模型并不具有很好精确度,矢量化又需要得到较为精准的信息,则矢量化算法需要具有一定的鲁棒性,并且现有矢量化算法通常是能够识别矩形布局的户型图,但是对于带有斜边的户型图往往不能有很好的效果。
发明内容
基于此,本发明的目的在于,提供一种建筑户型语义分割图矢量化方法及装置,将语义分割图分割成三部分分别进行识别,分别为门窗、房间、外墙,提高了对于噪音点的处理能力和矢量化精度。
第一方面,本发明提供一种建筑户型语义分割图矢量化方法,该方法包括以下步骤:
获取待矢量化的户型图;
对所述户型图进行语义分割识别,得到语义分割图,其中,所述语义分割图包括不同颜色的色块,每种颜色的色块对应所述户型图中的一种区域类型;所述区域类型至少包括以下一种:门窗、房间、外墙;
将所述语义分割图复制得到多个子图;
针对每个所述子图,分别提取不同颜色的色块对应的区域类型的坐标信息;
保存所述提取到的坐标信息。
进一步地,当所述区域类型为门窗时,针对所述子图提取坐标信息包括以下步骤:
对所述子图中的每个像素点进行遍历,得到每个像素点的颜色;
对于所有颜色不是预设的门窗颜色的像素点,将所述像素点的颜色修改为背景色,得到第一门窗子图;
对所述第一门窗子图进行边缘检测,得到每个门窗的轮廓和边缘点坐标;
根据所述门窗的轮廓和边缘点坐标,得到所述门窗的长宽和中心点坐标;
保存所述门窗坐标信息,其中,所述门窗坐标信息至少包括以下一项:边缘点坐标、中心点坐标。
进一步地,对所述第一门窗子图进行边缘检测,得到每个门窗的轮廓和边缘点坐标之后,还包括:
对每个所述门窗轮廓进行遍历,得到坐标绝对值相加最小的点,即一个门窗的左上角点,将左下角点、右下角点和右上角点的坐标对齐左上角点的坐标的X,Y轴点,得到每个门窗的4个角点;
如果某一个门窗的轮廓点少于1个点,则将该门窗的点删除;
如果某一个门窗的轮廓点多于4个点,则将坐标的欧式距离最大的4个坐标点作为门窗的边缘点。
进一步地,当所述区域类型为房间时,针对所述子图提取坐标信息包括以下步骤:
对所述子图进行色块识别,得到每个色块的颜色;
针对每一种预设的房间类型,对于所有颜色不是所述预设的房间类型对应的颜色的色块,将所述色块的颜色修改为背景色,得到第一房间子图;其中,待识别房间类型至少包括以下一种:卧室、厨房、阳台、客厅、走廊;
对所述第一房间子图进行边缘检测,得到所述预设的房间类型的每一个房间的房间坐标信息,其中,所述房间坐标信息至少包括以下一项:房间轮廓、房间边缘点坐标、房间面积;
保存所述房间坐标信息。
进一步地,对所述第一房间子图进行边缘检测,得到所述预设的房间类型的每一个房间的房间坐标信息之后,还包括下步骤:
对每个所述房间轮廓进行遍历,得到坐标绝对值相加最小的点,即一个房间的左上角点;
将所述房间的其他边缘点坐标对齐左上角点的坐标的X,Y轴点,得到每个房间的边缘点。
进一步地,当所述区域类型为外墙时,针对所述子图提取坐标信息包括以下步骤:
对所述子图中的每个像素点进行遍历,得到每个像素点的颜色;
对于所有颜色不是预设的外墙颜色的像素点,将所述像素点的颜色修改为背景色,得到第一外墙子图;
对所述第一外墙子图进行边缘检测,得到外墙的轮廓和边缘点坐标;
保存所述外墙坐标信息,其中,所述外墙坐标信息至少包括以下一项:外墙轮廓、外墙边缘点坐标、外墙所围成的房间面积。
进一步地,对所述第一外墙子图进行边缘检测,得到每个外墙的轮廓和边缘点坐标之后,还包括:
对每个所述外墙轮廓进行遍历,得到坐标绝对值相加最小的点,即一个外墙的左上角点;
将所述外墙的其他边缘点坐标对齐左上角点的坐标的X,Y轴点,得到每个外墙边缘点。
进一步地,当所述语义分割图中存在斜边时,所述检测方法还包括:
当一个房间存在一条斜边时,遍历斜边中每个点的坐标,根据每个点的坐标值大小得到所述斜边的首尾两点坐标信息;
当一个房间存在多条斜边时,将多条斜边点进行分类,采用DBScan聚类算法,将所述多条斜边分别归为多个集合中,再进行斜边边缘点判定,得到房间的边界点。
第二方面,本发明还提供一种建筑户型语义分割图矢量化装置,该装置包括:
图像获取模块,用于获取待矢量化的户型图;
语义分割模块,用于对所述户型图进行语义分割识别,得到语义分割图,其中,所述语义分割图包括不同颜色的色块,每种颜色的色块对应所述户型图中的一种区域类型;所述区域类型至少包括以下一种:门窗、房间、外墙;
图像复制模块,将所述语义分割图复制得到多个子图;
坐标信息提取模块,用于针对每个所述子图,分别提取不同颜色的色块对应的区域类型的坐标信息;
坐标信息保存模块,用于保存所述提取到的坐标信息。
本发明提供的一种建筑户型语义分割图矢量化方法及装置,将语义分割图分割成三部分分别进行识别,分别为门窗、房间、外墙,提高了对于噪音点的处理能力和矢量化精度。与现有技术相比,能够通过户型语义分割图的识别测试,并且对于户型图中的斜边能够进行有效方便的处理,在进行了100余张规则户型图随机测试中,能够准确识别的规则形状的户型图占89%,剩余的户型图会因为噪音点而导致识别结果出现门窗缺少,或者房间缺失的情况。对于斜边户型图的识别,能够准确识别的图占82%。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明提供的一种建筑户型语义分割图矢量化方法的流程示意图;
图2为一个实施例中使用的户型图原图;
图3为一个实施例中户型图原图对应的语义分割图;
图4为本发明提供的一种建筑户型语义分割图矢量化装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
针对背景技术中的问题,第一方面,本发明提供一种建筑户型语义分割图矢量化方法,如图1所示,该方法包括以下步骤:
S01:获取待矢量化的户型图。
S02:对所述户型图进行语义分割识别,得到语义分割图,其中,所述语义分割图包括不同颜色的色块,每种颜色的色块对应所述户型图中的一种区域类型;所述区域类型至少包括以下一种:门窗、房间、外墙。
语义分割是在像素级别上的分类,属于同一类的像素都要被归为一类,因此语义分割是从像素级别来理解图像的。如图2和图3所示,图3是图2的原始户型图经过语义分割后得到的语义分割图,其中房间、门窗、和墙壁使用了不同的颜色进行区分标识,不同类型的房间也使用不同的颜色做出了区分标识。
优选的,采用深度卷积神经网络算法对户型图进行语义自动识别,得到户型图的语义分割图,具体包括:
根据训练样本采用Mask R-CNN算法进行模型训练,得到户型图语义识别模型;
将户型图输入户型图语义识别模型,识别得到语义分割图。
Mask R-CNN算法是一种在有效检测目标的同时输出高质量的实例分割掩模算法,延伸了Fast R-CNN算法,通过在每个感兴趣区域上添加用于预测割掩模的分支,与用于分类和边界框回归的现有分支并行,使其训练更加简单且更容易推广到其他任务中。Mask R-CNN算法是目标检测的一个分支技术,目前目标检测技术在人脸检测、车辆检测、行人检测等领域应用较为广泛。
S02:将所述语义分割图复制得到若干个子图。
S03:针对每个所述子图,分别提取不同颜色的色块对应的区域类型的坐标信息。
在一个具体的实施例中,需要将原始语义分割图复制得到最少3个子图,分别提取门窗、房间、外墙的坐标信息。
门窗需要识别的信息包括:门窗的中心点坐标信息,门窗长宽。
房间需要识别的信息包括:房间类型,房间面积,房间的边缘点坐标信息。
外墙需要识别的信息包括:外墙边缘点坐标信息。
S04:保存所述提取到的坐标信息。
在一个具体的实施例中,所有的坐标信息写入JSON文件,以提供下一步的JSON文件重构图。
语义分割图在矢量化识别过程中,容易受到噪音点的干扰,不同像素点的种类识别混乱,导致矢量化精度受到影响,所以将语义分割图进行分离识别是很有必要的。分成多个子图再进行识别,对于噪音点的处理能力将会提高,将达到一个提升精度的效果。
在一个优选的实施例中,当所述区域类型为门窗时,针对所述子图提取坐标信息包括以下步骤:
S0311:对所述子图中的每个像素点进行遍历,得到每个像素点的颜色。
S0312:对于所有颜色不是预设的门窗颜色的像素点,将所述像素点的颜色修改为背景色,得到第一门窗子图。
S0313:对所述第一门窗子图进行边缘检测,得到每个门窗的轮廓和边缘点坐标。
在一个优选的实施例中,使用Canny边缘检测算法,它包含以下四个步骤:
1.高斯滤波
滤波的主要目的是降噪,一般的图像处理算法都需要先进行降噪。而高斯滤波主要使图像变得平滑(模糊),同时也有可能增大了边缘的宽度。
2.计算梯度值和梯度方向
边缘是图像中灰度值变化较大的的像素点的集合。一道黑边一道白边中间就是边缘,它的灰度值变化是最大的,在图像中,用梯度来表示灰度值的变化程度和方向。
3.过滤非最大值
在高斯滤波过程中,边缘有可能被放大了。这个步骤使用一个规则来过滤不是边缘的点,使边缘的宽度尽可能为1个像素点:如果一个像素点属于边缘,那么这个像素点在梯度方向上的梯度值是最大的。否则不是边缘,将灰度值设为0。
4.使用上下阀值来检测边缘
设置两个阀值(threshold),分别为maxVal和minVal。其中大于maxVal的都被检测为边缘,而低于minval的都被检测为非边缘。对于中间的像素点,如果与确定为边缘的像素点邻接,则判定为边缘;否则为非边缘。
S0314:根据所述门窗的轮廓和边缘点坐标,得到所述门窗的长宽和中心点坐标。
S0315:保存所述门窗坐标信息,其中,所述门窗坐标信息至少包括以下一项:边缘点坐标、中心点坐标。
优选的,在canny边缘检测得到门窗轮廓和边缘点坐标后,还包括对边缘点进行修正的步骤,具体包括:
对每个门窗轮廓进行遍历,得到坐标绝对值相加最小的点,即一个门窗的左上角点,将左下角点、右下角点和右上角点的坐标对齐左上角点的坐标的X,Y轴点,得到每个门窗的4个角点;
具体的对齐方式为:令左下角点的X轴坐标等于左上角X轴坐标,右上角点的Y轴坐标等于左上角点Y轴坐标,右下角点的X轴坐标等于右上角点X轴坐标,右下角点的Y轴坐标等于左下角点Y轴坐标;
如果某一个门窗的轮廓点少于1个点,则将该门窗的点删除;
如果某一个门窗的轮廓点多于4个点,则将坐标的欧式距离最大的4个坐标点作为门窗的边缘点。
在另一个优选的实施例中,房间分为卧室、厨房、阳台、走廊4种类型,在语义分割图中分别对应不同的颜色。针对每一种房间类型,针对所述子图提取坐标信息都包括以下步骤:
S0321:对所述子图进行色块识别,得到每个色块的颜色。
S0322:针对每一种预设的房间类型,对于所有颜色不是所述预设的房间类型对应的颜色的色块,将所述色块的颜色修改为背景色,得到第一房间子图;其中,待识别房间类型至少包括以下一种:卧室、厨房、阳台、客厅、走廊。
S0323:对所述第一房间子图进行边缘检测,得到所述预设的房间类型的每一个房间的房间坐标信息,其中,所述房间坐标信息至少包括以下一项:房间轮廓、房间边缘点坐标、房间面积。
S0324:保存所述房间坐标信息。
优选的,对于房间边缘检测同样使用Canny边缘检测算法,且在Canny边缘检测算法之后,对房间坐标进行修正,与门窗边缘点修正的步骤相似,包括:
对每个所述房间轮廓进行遍历,得到坐标绝对值相加最小的点,即一个房间的左上角点;
将所述房间的其他边缘点坐标对齐左上角点的坐标的X,Y轴点,得到每个房间的边缘点。
具体的对齐方式为:
遍历该房间其余边缘坐标点,如果在这些点中有与左上角点X轴坐标差距不过5个像素,则归正为左上角点的X轴坐标,Y轴同理。遍历完左上角点后则下一个房间坐标点接着遍历剩余点房间坐标点。
在另一个优选的实施例中,当所述区域类型为外墙时,针对所述子图提取坐标信息包括以下步骤:
S0331:对所述子图中的每个像素点进行遍历,得到每个像素点的颜色。
S0332:对于所有颜色不是预设的外墙颜色的像素点,将所述像素点的颜色修改为背景色,得到第一外墙子图。
S0333:对所述第一外墙子图进行边缘检测,得到外墙的轮廓和边缘点坐标。
S0334:保存所述外墙坐标信息,其中,所述外墙坐标信息至少包括以下一项:外墙轮廓、外墙边缘点坐标、外墙所围成的房间面积。
优选的,对于外墙边缘检测同样使用Canny边缘检测算法,且在Canny边缘检测算法之后,对外墙坐标进行修正,与外墙边缘点修正的步骤相似,包括:
对每个所述外墙轮廓进行遍历,得到坐标绝对值相加最小的点,即一个外墙的左上角点;
将所述外墙的其他边缘点坐标对齐左上角点的坐标的X,Y轴点,得到每个外墙边缘点。
具体的对齐方式为:
遍历外墙的其余边缘坐标点,如果在这些点中有与左上角点X轴坐标差距不过5个像素,则归正为左上角点的X轴坐标,Y轴同理。遍历完左上角点后则下一个房间坐标点接着遍历剩余点房间坐标点。
在另一个优选的实施例中,当所述语义分割图中存在斜边时,所述检测方法还包括:
S05:当一个房间存在一条斜边时,遍历斜边中每个点的坐标,根据每个点的坐标值大小得到所述斜边的首尾两点坐标信息。
S06:当一个房间存在多条斜边时,将多条斜边点进行分类,采用DBScan聚类算法,将所述多条斜边分别归为多个集合中,再进行斜边边缘点判定,得到房间的边界点。
如果户型图中出现斜边,由于RGB图片中的斜边是呈一个一个梯形连接起来的形状,使用canny边缘检测,得到轮廓和边缘点坐标,进行冗余点去除时,不能得到一条斜边的首尾两点,故需要进行判断,将一条斜边中的点进行判断。首尾两点需要满足,X,Y轴最小或最大两个条件。最后得到斜边的坐标信息。若一个房间同时出现多条斜边,则需要将多条斜边点进行分类,优选的,采用DBScan聚类算法,根据距离判定,两条斜边分别归为两个集合中,再进行斜边边缘点判定得到最终房间的边界点。
与前述的一种建筑户型语义分割图矢量化方法对应,本发明还提供一种建筑户型语义分割图矢量化装置,如图4所示,该装置400包括:
图像获取模块401,用于获取待矢量化的户型图;
语义分割模块402,用于对所述户型图进行语义分割识别,得到语义分割图,其中,所述语义分割图包括不同颜色的色块,每种颜色的色块对应所述户型图中的一种区域类型;所述区域类型至少包括以下一种:门窗、房间、外墙;
图像复制模块403,将所述语义分割图复制得到多个子图;
坐标信息提取模块404,用于针对每个所述子图,分别提取不同颜色的色块对应的区域类型的坐标信息;
坐标信息保存模块405,用于保存所述提取到的坐标信息。
本发明提供的一种建筑户型语义分割图矢量化方法及装置,将语义分割图分割成三部分分别进行识别,解决了语义分割图在矢量化识别过程中容易受到噪音点的干扰,不同像素点的种类识别混乱的问题,提高了对于噪音点的处理能力和矢量化精度。与现有技术相比,本发明提供的一种建筑户型语义分割图矢量化方法拥有良好的鲁棒性,并且能够通过户型语义分割图的识别测试,并且对于户型图中的斜边能够进行有效方便的处理,在进行了100余张规则户型图随机测试中,能够准确识别的规则形状的户型图占89%,剩余的户型图会因为噪音点而导致识别结果出现门窗缺少,或者房间缺失的情况。对于斜边户型图的识别,能够准确识别的图占82%。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (9)
1.一种建筑户型语义分割图矢量化方法,其特征在于,包括以下步骤:
获取待矢量化的户型图;
对所述户型图进行语义分割识别,得到语义分割图,其中,所述语义分割图包括不同颜色的色块,每种颜色的色块对应所述户型图中的一种区域类型;所述区域类型至少包括以下一种:门窗、房间、外墙;
将所述语义分割图复制得到多个子图;
针对每个所述子图,分别提取不同颜色的色块对应的区域类型的坐标信息;
保存所述提取到的坐标信息。
2.根据权利要求1所述的一种建筑户型语义分割图矢量化方法,其特征在于,当所述区域类型为门窗时,针对所述子图提取坐标信息包括以下步骤:
对所述子图中的每个像素点进行遍历,得到每个像素点的颜色;
对于所有颜色不是预设的门窗颜色的像素点,将所述像素点的颜色修改为背景色,得到第一门窗子图;
对所述第一门窗子图进行边缘检测,得到每个门窗的轮廓和边缘点坐标;
根据所述门窗的轮廓和边缘点坐标,得到所述门窗的长宽和中心点坐标;
保存所述门窗坐标信息,其中,所述门窗坐标信息至少包括以下一项:边缘点坐标、中心点坐标。
3.根据权利要求2所述的一种建筑户型语义分割图矢量化方法,其特征在于,对所述第一门窗子图进行边缘检测,得到每个门窗的轮廓和边缘点坐标之后,还包括:
对每个所述门窗轮廓进行遍历,得到坐标绝对值相加最小的点,即一个门窗的左上角点,将左下角点、右下角点和右上角点的坐标对齐左上角点的坐标的X,Y轴点,得到每个门窗的4个角点;
如果某一个门窗的轮廓点少于1个点,则将该门窗的点删除;
如果某一个门窗的轮廓点多于4个点,则将坐标的欧式距离最大的4个坐标点作为门窗的边缘点。
4.根据权利要求1所述的一种建筑户型语义分割图矢量化方法,其特征在于,当所述区域类型为房间时,针对所述子图提取坐标信息包括以下步骤:
对所述子图进行色块识别,得到每个色块的颜色;
针对每一种预设的房间类型,对于所有颜色不是所述预设的房间类型对应的颜色的色块,将所述色块的颜色修改为背景色,得到第一房间子图;其中,待识别房间类型至少包括以下一种:卧室、厨房、阳台、客厅、走廊;
对所述第一房间子图进行边缘检测,得到所述预设的房间类型的每一个房间的房间坐标信息,其中,所述房间坐标信息至少包括以下一项:房间轮廓、房间边缘点坐标、房间面积;
保存所述房间坐标信息。
5.根据权利要求4所述的一种建筑户型语义分割图矢量化方法,其特征在于,对所述第一房间子图进行边缘检测,得到所述预设的房间类型的每一个房间的房间坐标信息之后,还包括下步骤:
对每个所述房间轮廓进行遍历,得到坐标绝对值相加最小的点,即一个房间的左上角点;
将所述房间的其他边缘点坐标对齐左上角点的坐标的X,Y轴点,得到每个房间的边缘点。
6.根据权利要求1所述的一种建筑户型语义分割图矢量化方法,其特征在于,当所述区域类型为外墙时,针对所述子图提取坐标信息包括以下步骤:
对所述子图中的每个像素点进行遍历,得到每个像素点的颜色;
对于所有颜色不是预设的外墙颜色的像素点,将所述像素点的颜色修改为背景色,得到第一外墙子图;
对所述第一外墙子图进行边缘检测,得到外墙的轮廓和边缘点坐标;
保存所述外墙坐标信息,其中,所述外墙坐标信息至少包括以下一项:外墙轮廓、外墙边缘点坐标、外墙所围成的房间面积。
7.根据权利要求6所述的一种建筑户型语义分割图矢量化方法,其特征在于,对所述第一外墙子图进行边缘检测,得到每个外墙的轮廓和边缘点坐标之后,还包括:
对每个所述外墙轮廓进行遍历,得到坐标绝对值相加最小的点,即一个外墙的左上角点;
将所述外墙的其他边缘点坐标对齐左上角点的坐标的X,Y轴点,得到每个外墙边缘点。
8.根据权利要求2-7任一项所述的一种建筑户型语义分割图矢量化方法,其特征在于,当所述语义分割图中存在斜边时,所述检测方法还包括:
当一个房间存在一条斜边时,遍历斜边中每个点的坐标,根据每个点的坐标值大小得到所述斜边的首尾两点坐标信息;
当一个房间存在多条斜边时,将多条斜边点进行分类,采用DBScan聚类算法,将所述多条斜边分别归为多个集合中,再进行斜边边缘点判定,得到房间的边界点。
9.一种建筑户型语义分割图矢量化装置,其特征在于,包括:
图像获取模块,用于获取待矢量化的户型图;
语义分割模块,用于对所述户型图进行语义分割识别,得到语义分割图,其中,所述语义分割图包括不同颜色的色块,每种颜色的色块对应所述户型图中的一种区域类型;所述区域类型至少包括以下一种:门窗、房间、外墙;
图像复制模块,将所述语义分割图复制得到多个子图;
坐标信息提取模块,用于针对每个所述子图,分别提取不同颜色的色块对应的区域类型的坐标信息;
坐标信息保存模块,用于保存所述提取到的坐标信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111362348.1A CN114092491A (zh) | 2021-11-17 | 2021-11-17 | 一种建筑户型语义分割图矢量化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111362348.1A CN114092491A (zh) | 2021-11-17 | 2021-11-17 | 一种建筑户型语义分割图矢量化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092491A true CN114092491A (zh) | 2022-02-25 |
Family
ID=80301344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111362348.1A Pending CN114092491A (zh) | 2021-11-17 | 2021-11-17 | 一种建筑户型语义分割图矢量化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092491A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117523036A (zh) * | 2024-01-05 | 2024-02-06 | 深圳大学 | 平面户型图结构化重建方法、装置、设备与介质 |
-
2021
- 2021-11-17 CN CN202111362348.1A patent/CN114092491A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117523036A (zh) * | 2024-01-05 | 2024-02-06 | 深圳大学 | 平面户型图结构化重建方法、装置、设备与介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN107146280B (zh) | 一种基于切分的点云建筑物重建方法 | |
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
CN111611643B (zh) | 户型矢量化数据获得方法、装置、电子设备及存储介质 | |
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
CN106446952B (zh) | 一种乐谱图像识别方法及装置 | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN114092491A (zh) | 一种建筑户型语义分割图矢量化方法及装置 | |
CN105719306B (zh) | 一种高分辨率遥感影像中的建筑物快速提取方法 | |
Friedman et al. | Online detection of repeated structures in point clouds of urban scenes for compression and registration | |
CN102999886A (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN105335688B (zh) | 一种基于视觉图像的飞机机型识别方法 | |
Hao et al. | Structure-based object detection from scene point clouds | |
CN108108700B (zh) | 一种基于弦轴变换的猪的特征区域识别方法 | |
CN107832732B (zh) | 基于三叉树遍历的车道线检测方法 | |
CN113989196A (zh) | 一种基于视觉的耳机硅胶垫圈的外观缺陷检测方法 | |
Manandhar et al. | Segmentation based building detection in high resolution satellite images | |
CN110443790B (zh) | 一种医学影像中软骨识别方法和识别系统 | |
CN111950556A (zh) | 一种基于深度学习的号牌印刷质量检测方法 | |
CN114882192B (zh) | 一种建筑立面的分割方法、装置、电子设备以及存储介质 | |
CN111339914A (zh) | 一种基于单张图片的室内天花板地面识别方法 | |
CN113989310B (zh) | 建筑体量数据的估算方法、装置、设备及存储介质 | |
US7133560B2 (en) | Generating processing sequences for image-based decision systems |
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 |