CN114445524A - 一种不动产房屋分层平面图矢量化自动成图方法 - Google Patents

Abstract

本发明涉及电子数字数据处理技术领域，具体涉及一种不动产房屋分层平面图矢量化自动成图方法，包括扫描房屋分层平面图，得到电子图片；框选电子图片的识别区域；对识别区域进行图像预处理，得到识别区域框图；对识别区域框图中的文字信息进行识别和提取，同时进行角点检测和筛选，并将筛选信息和提取信息进行配对，得到配对组；基于配对组选择线段坐标对，自定义坐标对坐标，构建实际线段坐标对；将实际线段坐标对以文本形式保存，得到文本信息；将文本信息导入绘图软件自动成图，全过程不需要人工参与绘图，解决了现有的房屋分层平面图通过人工绘图的效率和准确率较低的问题。

Description

一种不动产房屋分层平面图矢量化自动成图方法

技术领域

本发明涉及电子数字数据处理技术领域，尤其涉及一种不动产房屋分层平面图矢量化自动成图方法。

背景技术

在不动产测绘行业当中，针对不动产房屋分层平面图矢量化入库的工作，往往需要具有一定测绘资质的公司或单位通过绘图人员利用CASS软件进行人工手动绘图来实现房屋分层平面图的矢量化工作。

采用这种传统方式进行房屋分层平面图矢量化操作，不仅需要消耗大量的人力物力，而且作业效率低下，容易出现绘图、标注等错误。

发明内容

本发明的目的在于提供一种不动产房屋分层平面图矢量化自动成图方法，旨在解决现有的房屋分层平面图通过人工绘图的效率和准确率较低的问题。

为实现上述目的，本发明提供了一种不动产房屋分层平面图矢量化自动成图方法，包括以下步骤：

扫描房屋分层平面图，得到电子图片；

基于房屋构造框选所述电子图片的识别区域；

对所述识别区域进行图像预处理，得到识别区域框图；

对所述识别区域框图中的文字信息进行识别和提取，得到像素位置信息，同时对所述识别区域框图中的角点进行检测后筛选，得到筛选信息，并将所述筛选信息和所述像素位置信息进行配对，得到配对组；

基于所述配对组选择线段坐标对，自定义坐标对坐标，构建实际线段坐标对；

将所述实际线段坐标对以文本形式保存，得到文本信息；

将所述文本信息导入绘图软件自动成图。

其中，所述基于房屋构造框选所述电子图片的识别区域的具体方式为：

对所述电子图片中的识别区域及所述识别区域中的文字和图形进行框选；

将未被框选的信息剔除。

其中，所述对所述识别区域进行图像预处理，得到识别区域框图的具体方式为：

对框选的所述识别区域进行图像校正，得到校正图像；

对所述校正图像进行二值化处理，得到二值化图像；

对所述二值化图像进行骨架化处理，得到识别区域框图。

其中，所述对所述识别区域框图中的文字信息进行识别和提取，得到像素位置信息，同时对所述识别区域框图中的角点进行检测后筛选，得到筛选信息，并将所述筛选信息和所述像素位置信息进行配对，得到配对组的具体方式为：

对所述识别区域框图中的文字信息进行识别和提取，同时根据所述文字信息显示的方向进行水平或垂直标记，得到识别信息，并将与所述识别信息对应的像素位置信息保存；

对所述识别区域框图进行角点检测，并进行数量计算后进行局部非极大值抑制，得到角点信息；

定义所述识别区域框图的局部限制区域，将所述局部限制区域内的所述角点信息与所述像素位置信息进行匹配，将与所述局部限制区域对应的角点筛出存入第一角点集合，剩下的角点存入第二角点集合；

将所述第一角点集合内的角点与所述像素位置信息进行配对，得到配对组。

其中，所述基于所述配对组选择线段坐标对坐标，构建实际线段坐标对的具体方式为：

基于所述配对组和所述像素位置信息得到包含距离信息的纵向线段坐标对；

基于所述配对组和所述像素位置信息得到包含距离信息的横向线段坐标对；

将所述纵向线段坐标对与所述横向线段坐标对结合，并根据所述纵向线段坐标对与所述横向线段坐标对的距离信息选择线段坐标对，自定义坐标对坐标，构建实际线段坐标对。

其中，所述基于所述配对组和所述像素位置信息得到包含距离信息的纵向线段坐标对的具体方式为：

将所述配对组中的角点根据横坐标进行排序，得到第一直线集合组；

将所述第一直线集合组的角点根据纵坐标进行排序，并将相邻两个角点组成角点对，并且存入第一角点对集合组中；

将所述第一角点集合中具有垂直标记的所述识别信息与所述第一角点对集合组中的角点对进行匹配，得到包含距离信息的纵向线段坐标对。

其中，所述基于所述配对组和所述像素位置信息得到包含距离信息的横向线段坐标对的具体方式为：

将所述配对组中的角点根据纵坐标进行排序，得到第二直线集合组；

将所述第二直线集合组的角点根据横坐标进行排序，并将相邻两个角点组成角点对，并且存入第二角点对集合组中；

将所述第一角点集合中具有水平标记的所述识别信息与所述第二角点对集合组中的角点对进行匹配，得到包含距离信息的横向线段坐标对。

本发明的一种不动产房屋分层平面图矢量化自动成图方法，包括扫描房屋分层平面图，得到电子图片；框选所述电子图片的识别区域；对所述识别区域进行图像预处理，得到识别区域框图；对所述识别区域框图中的文字信息进行识别和提取，同时进行角点检测和筛选，并将筛选信息和提取信息进行配对，得到配对组；基于所述配对组选择线段坐标对，自定义坐标对坐标，构建实际线段坐标对；将所述实际线段坐标对以文本形式保存，得到文本信息；将所述文本信息导入绘图软件自动成图，全过程不需要人工参与绘图，解决了现有的房屋分层平面图通过人工绘图的效率和准确率较低的问题。

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要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种不动产房屋分层平面图矢量化自动成图方法的流程图。

图2是对所述识别区域进行图像预处理，得到识别区域框图的流程图。

图3是对所述识别区域框图中的文字信息进行识别和提取，同时进行角点检测和筛选，并将筛选信息和提取信息进行配对，得到配对组的流程图。

图4是基于所述配对组选择线段坐标对坐标，构建实际线段坐标对的流程图。

图5是基于所述配对组和所述像素位置信息得到包含距离信息的纵向线段坐标对的流程图。

图6是基于所述配对组和所述像素位置信息得到包含距离信息的横向线段坐标对的流程图。

图7是文字识别提取的演示图。

图8是角点检测的演示图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

请参阅图1至图6，本发明提供一种不动产房屋分层平面图矢量化自动成图方法，包括以下步骤：

S1、扫描房屋分层平面图，得到电子图片；

S2、基于房屋构造框选所述电子图片的识别区域；

具体的，对所述电子图片中的识别区域及所述识别区域中的文字和图形进行框选；将未被框选的文字、图形及表格等信息剔除。

S3、对所述识别区域进行图像预处理，得到识别区域框图；

具体方式为：S31、对框选的所述识别区域进行图像校正，得到校正图像；

具体的，在扫描所述房屋分层平面图中，由于印刷和用户等多方面的不当操作，图像扫描件经常会出现微小倾角甚至是绘图倾角，所以在进行OCR识别和角点检测前需要先对所述房屋分层平面图扫描图件进行图像校正。采用Hough变换实现房屋分层平面图校正工作，首先将所述房屋分层平面图中笛卡尔坐标系下的像素点坐标(X,Y)一一映射为极坐标空间的像素点坐标(ρ,θ)，得到所述房屋分层平面图中极坐标系下直线表示方式为：

ρ＝x·cosθ+y·sinθ

其中，(X,Y)为笛卡尔坐标系下的像素点坐标，ρ为房屋分层平面图中空间原点到直线的距离，θ为直线上的点与原点的连线与X轴的正半轴夹角，θ∈[0,2π]。

对所述房屋分层平面图进行边缘检测，求出每一个边缘点的所有可能的极坐标(ρ,θ)值,这些(ρ,θ)值在Hough变换空间中可连为一条曲线，此时每一个边缘点对应一条曲线，当空间中有足够多条曲线在某个(ρ,θ)值相交时，就认为这个(ρ,θ)值对应于图像空间位置存在直线，此时记录Hough变换空间中(ρ,θ)值对应的曲线相交次数，然后求出相交次数的局部极大值，再将这些极大值点反映到原图空间中，得到原图中存在直线的位置，然后再求出所述房屋分层平面图的倾斜角度θ。根据求出的倾斜角度θ，利用旋转校正矩阵将所述房屋分层平面图校正至水平方向，旋转校正矩阵公式如下所示：

S32、对所述校正图像进行二值化处理，得到二值化图像；

具体的，对于所述文字信息识别及角点检测工作来说，所述房屋分层平面图上的主要有用信息为文字与图形，为了简化图像信息，提高OCR文字识别及角点检测的速度与精度，需要对校正后的房屋分层平面图进行二值化处理，将图片分为重要的前景信息和不重要的背景信息，前景信息定义为黑色，包括文字及图形，背景信息定义为白色。

S33、对所述二值化图像进行骨架化处理，得到识别区域框图。

具体的，校正后的所述房屋分层平面图经过图像二值化处理后保留了重要的文字、图像等前景信息，但是所述房屋分层平面图中的文字或图形线条由于绘图的笔头大小、设定的打印线宽不统一，通常会出现线条过粗过大的情况，可能会导致在OCR文字识别及角点检测过程中因为像素点过多而出现识别或检测精度不佳的效果。因此，为了降低识别难度，提高识别、检测精度，经过二值化处理后的房屋分层平面图需要进一步进行骨架化处理，骨架化处理后的房屋分层平面图结果要保证文字及图形的骨架中心线具有一定的连通性，并且线段交叉不发生畸变。

S4、对所述识别区域框图中的文字信息进行识别和提取，得到像素位置信息，同时对所述识别区域框图中的角点进行检测后筛选，得到筛选信息，并将所述筛选信息和所述像素位置信息进行配对，得到配对组；

具体方式为：S41、对所述识别区域框图中的文字信息进行识别和提取，同时根据所述文字信息显示的方向进行水平或垂直标记，得到识别信息，并将与所述识别信息对应的像素位置信息保存；

具体的，请参阅图7，以Tesseract开源的OCR引擎作为文字识别提取的技术支持,具体采用以光学字符识别引擎Tesseract-OCR为底层的、使用Python语言封装好的模块Pytesseract作为所述房屋分层平面图中的文字信息进行识别和提取的主要方法。通过以上专门用于文字识别提取的引擎、模块方法，基于Python程序开发语言编写程序脚本，实现所述房屋分层平面图文字识别提取工作，同时将识别到的所述文字信息进行局部框选，为后续的角点筛选提供条件。在所述文字信息识别提取过程中，设定语义规则，对识别出的水平方向所述文字信息设立标识符F＝0，对识别出的垂直方向的所述文字信息设立标识符F＝1，并且将识别出的所述识别信息对应的像素位置信息进行保存。

S42、对所述识别区域框图进行角点检测，并进行数量计算后进行局部非极大值抑制，得到角点信息；

具体的，请参阅图8，采用Harris角点检测算法实现所述房屋分层平面图中的角点检测识别，通过Python程序开发语言编写程序脚本进行实现。具体的，先设定语义规则，规定角点检测过程中只检测识别所述识别区域框图中存在的锐角、直角、钝角三种类型的角点，然后利用水平、竖直差分算子对房屋分层平面中每一个像素点进行滤波，求取Harris角点检测所需要的元素值，再利用5×5的高斯滤波模板对求取的元素进行高斯平滑，消除一些不必要的孤立点或凸起点，降低噪声影响，然后对检测到的所述角点进行数量计算并且进行局部非极大值抑制，最后求得局部极大值，即得到所述房屋分层平面图中具有规定语义特征的所述角点信息。

S43、定义所述识别区域框图的局部限制区域，将所述局部限制区域内的所述角点信息与所述像素位置信息进行匹配，将与所述局部限制区域对应的角点筛出存入第一角点集合，剩下的角点存入第二角点集合；

具体的，所述房屋分层平面图中检测出的所述角点信息有两种类型，一种是包含在所述文字信息局部方框内的文字角点，另一种是在所述文字信息局部方框外的图形角点。基于Python程序开发语言编写程序脚本，设定语义规则，将OCR文字识别过程中框定文字所用的红色方框作为一个所述局部限制区域，将所述角点的坐标信息与所述局部限制区域像素坐标信息进行匹配，筛选出分别属于对应的所述局部限制区域内的角点，并且分别存入对应的角点集合，然后分别对集合内的角点按像素X坐标排序，只保留X坐标值最小的角点，删除其余角点，此时存在于每个局部限制区域内的角点唯一，并且将这些唯一的角点存入所述第一角点集合；同时，在筛选过程中，将不属于所述局部限制区域内的角点存入所述第二角点集合中。

S44、将所述第一角点集合内的角点与所述像素位置信息进行配对，得到配对组。

将所述第一角点集合内的角点与步骤S41中保存的所述像素位置信息进行匹配，如果角点像素坐标与某个文字像素位置坐标一致，则认为该角点属于该字段，并且将该角点与文字信息及文字信息标识符组合配对，分别保存为不同的所述配对组。

S5、基于所述配对组选择线段坐标对坐标，构建实际线段坐标对；

具体方式为：S51、基于所述配对组和所述像素位置信息得到包含距离信息的纵向线段坐标对；

具体的：S511、将所述配对组中的角点根据横坐标进行排序，得到第一直线集合组；

具体的，将所述配对组中的角点的X坐标进行排序，再设定语义规则，以X坐标最小的角点作为基点，设定阈值，判断其余的角点X坐标值的变化范围是否在阈值之内，如果在，则将满足要求的角点存入一个对应的角点集合A1中，然后对剩余的不满足要求的角点重新排序，继续上述操作，将所有角点都按要求分别存入对应的角点集合(B1、C1、D1、E1……)中。此时，每一个集合内的角点在该集合内都被认为是在一条直线上的点，其中A1、B1、C1、D1、E1……为所述第一直线集合组。

S512、将所述第一直线集合组的角点根据纵坐标进行排序，并将相邻两个角点组成角点对，存入第一角点对集合组；

具体的，再设定语义规则，分别将所述第一直线集合组(A1、B1、C1、D1、E1……)内的角点按其像素Y坐标值进行排序，将Y坐标值最小的角点作为基点，然后从这个基点开始，将相邻的两个角点两两组合形成对应的所述角点对，并且存入所述第一角点对集合组。

S513、将所述第一角点集合中具有垂直标记的所述识别信息与所述第一角点对集合组中的角点对进行匹配，得到包含距离信息的纵向线段坐标对；

具体的，需要对步骤S43的所述第一角点集合中含标识符F＝1的所述配对组里的角点进行操作，根据角点的X、Y坐标值，将其与所述第一角点对集合组中的角点对进行匹配，对角点对的X坐标设定阈值范围，如果所述配对组里的角点X坐标值在角点对的X坐标设定阈值范围内，则将符合要求的角点对提取出来，再判断所述配对组里的角点Y坐标值是否在提取出的角点对中两个Y坐标值之间且与两个Y坐标值之间的距离之和是否最短，如果都是，则将所述配对组里的文字信息归入匹配的角点对里，最后得到包含距离信息的纵向线段坐标对，例如：{(x1,y1),(x2,y2),距离信息}。

S52、基于所述配对组和所述像素位置信息得到包含距离信息的横向线段坐标对；

具体的：S521、将所述配对组中的角点根据纵坐标进行排序，得到第二直线集合组；

具体的，将所述配对组中的角点的Y坐标进行排序，再设定语义规则，以Y坐标最小的角点作为基点，设定阈值，判断其余的角点Y坐标值的变化范围是否在阈值之内，如果在，则将满足要求的角点存入一个对应的角点集合A2中，然后对剩余的不满足要求的角点重新排序，继续上述操作，将所有角点都按要求分别存入对应的角点集合(B2、C2、D2、E2……)中。此时，每一个集合内的角点在该集合内都被认为是在一条直线上的点，其中，A2、B2、C2、D2、E2……为所述第二直线集合组。

S522、将所述第二直线集合组的角点根据横坐标进行排序，并将相邻两个角点组成角点对，存入第二角点对集合组；

具体的，设定语义规则，分别对所述第二直线集合组(A2、B2、C2、D2、E2……)内的角点按其像素X坐标值进行排序，将X坐标值最小的角点作为基点，然后从这个基点开始，将相邻的两个角点两两组合形成对应的所述角点对，并且存入所述第二角点对集合组。

S523、将所述第一角点集合中具有水平标记的所述识别信息与所述第二角点对集合组中的角点对进行匹配，得到包含距离信息的横向线段坐标对。

具体的，需要对步骤S43所述第一角点集合中含标识符F＝0的配对组里的角点进行操作，根据角点的X、Y坐标值，将其与所述第二角点对集合组中的角点对进行匹配，对角点对的Y坐标设定阈值范围，如果所述配对组里的角点Y坐标值在角点对的Y坐标设定阈值范围内，则将符合要求的角点对提取出来，再判断所述配对组里的角点X坐标值是否在提取出的角点对中两个X坐标值之间且与两个X坐标值之间的距离之和是否最短，如果都是，则将所述配对组里的文字信息归入匹配的角点对里，最后得到包含距离信息的横向线段坐标对。

S53、将所述纵向线段坐标对与所述横向线段坐标对结合，并根据所述纵向线段坐标对与所述横向线段坐标对的距离信息选择线段坐标对，自定义坐标对坐标，构建实际线段坐标对。

具体的，根据不同坐标对之间的像素X、Y坐标值之间的联系及对应的距离信息，选择线段坐标对，自定义坐标对坐标，构建实际线段坐标对。

具体的，对纵向线段坐标对的像素坐标X值进行排序筛选，以X坐标值最小的坐标对为基点，设定阈值，判断其余坐标对的像素坐标X值是否在阈值变化范围之内，如果在，则将满足要求的坐标对存入对应的纵向坐标对集合组中，然后对不满足要求的坐标对继续上述操作，将所有纵向坐标对按要求分别存入对应的纵向坐标对集合组。

同样的，对横向线段坐标对的像素坐标Y值进行排序筛选，以Y坐标值最小的坐标对为基点，设定阈值，判断其余坐标对的像素坐标Y值是否在阈值变化范围之内，如果在，则将满足要求的坐标对存入对应的横向坐标对集合组中，然后对不满足要求的坐标对继续上述操作，将所有横向坐标对按要求分别存入对应的横向坐标对集合组。

在纵向坐标对集合组中，对像素X坐标值最小的坐标对集合组进行操作，将该坐标对集合组中像素X、Y坐标值最小的角点坐标自定义为(0,0)，则其余角点的X坐标都可定义为0，然后根据坐标对中的距离信息依次定义其余角点的Y坐标值，例如：

其中，X0、Y0、X1、Y1、X2、Y2分别代表角点的像素坐标，1、2、1分别表示对应坐标对的距离信息。

在此过程中，依次以上述定义好的角点的像素Y坐标值作为基点，设定阈值，然后遍历其他所有的横向、纵向坐标对集合组中的角点像素坐标，判断角点像素Y坐标值是否与基点像素Y坐标值相同或在阈值变化之内，如果是，则将满足要求的角点的Y坐标定义为与基点Y坐标相同的值。此时，所有坐标对的Y坐标值已经定义完成。

在所有横向坐标对集合组中，根据坐标对中的距离信息依次定义其余角点的X坐标值，例如：

其中，X0、X1、X2分别代表角点的像素X坐标值，2、3、1分别表示对应的坐标对距离信息，左式中的0表示上述定义好的Y坐标值。

此时，根据不同坐标对之间的像素X、Y坐标值之间的联系及对应的距离信息，选择线段坐标对，自定义坐标对坐标，构建实际线段坐标对的整个过程已经完成。

S6、将所述实际线段坐标对以文本形式保存，得到文本信息；

具体的，将所述实际线段坐标对标定序号，以文本形式保存输出。

S7、将所述文本信息导入绘图软件自动成图。

具体的，绘图软件为CAD系统，将所述文本信息导入CAD系统自动成图，具体包括：对所述CAD系统进行二次开发，以插件的形式，创建读取步骤S6中所述文本信息及自动绘图的功能，然后将所述文本信息导入所述CAD系统自动绘图。

有益效果：本发明将不动产房屋分层平面图扫描为电子图片，将其作为矢量化自动成图的初始数据源；然后基于Python程序开发语言编写程序脚本，在扫描好的所述房屋分层平面图中框选后续OCR文字识别及Harris角点检测的识别区域，剔除所述房屋分层平面图上一些不需要的文字或表格信息，减少计算机不必要的识别工作量，提升效率；再对框选的所述识别区域进行图像校正、图像二值化处理及图像骨架化处理操作，提高后续识别工作的精度与效率；之后对所框选的预处理好的所述房屋分层平面图进行OCR文字识别及Harris角点检测，然后再对检测识别出的角点进行筛选，构建角点对，再将识别提取的线段长度信息与对应的角点对结合，构建线段坐标对，再对线段坐标对自定义坐标，构建实际线段坐标对，最后将线段坐标对以文本形式保存输出，导入CAD系统，通过插件功能实现不动产房屋分层平面图矢量化自动成图。由于本发明所述的不动产房屋分层平面图矢量化自动成图过程都是基于程序实现的，避免了传统作业方式中的人工手动绘图，减少人力、物力消耗，提升作业效率。

以上所揭露的仅为本发明一种不动产房屋分层平面图矢量化自动成图方法较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (7)

1.一种不动产房屋分层平面图矢量化自动成图方法，其特征在于，包括以下步骤：

扫描房屋分层平面图，得到电子图片；

基于房屋构造框选所述电子图片的识别区域；

对所述识别区域进行图像预处理，得到识别区域框图；

对所述识别区域框图中的文字信息进行识别和提取，得到像素位置信息，同时对所述识别区域框图中的角点进行检测后筛选，得到筛选信息，并将所述筛选信息和所述像素位置信息进行配对，得到配对组；

基于所述配对组选择线段坐标对，自定义坐标对坐标，构建实际线段坐标对；

将所述实际线段坐标对以文本形式保存，得到文本信息；

将所述文本信息导入绘图软件自动成图。

2.如权利要求1所述的不动产房屋分层平面图矢量化自动成图方法，其特征在于，

所述基于房屋构造框选所述电子图片的识别区域的具体方式为：

对所述电子图片中的识别区域及所述识别区域中的文字和图形进行框选；

将未被框选的信息剔除。

3.如权利要求2所述的不动产房屋分层平面图矢量化自动成图方法，其特征在于，

所述对所述识别区域进行图像预处理，得到识别区域框图的具体方式为：

对框选的所述识别区域进行图像校正，得到校正图像；

对所述校正图像进行二值化处理，得到二值化图像；

对所述二值化图像进行骨架化处理，得到识别区域框图。

4.如权利要求3所述的不动产房屋分层平面图矢量化自动成图方法，其特征在于，

所述对所述识别区域框图中的文字信息进行识别和提取，得到像素位置信息，同时对所述识别区域框图中的角点进行检测后筛选，得到筛选信息，并将所述筛选信息和所述像素位置信息进行配对，得到配对组的具体方式为：

对所述识别区域框图中的文字信息进行识别和提取，同时根据所述文字信息显示的方向进行水平或垂直标记，得到识别信息，并将与所述识别信息对应的像素位置信息保存；

对所述识别区域框图进行角点检测，并进行数量计算后进行局部非极大值抑制，得到角点信息；

定义所述识别区域框图的局部限制区域，将所述局部限制区域内的所述角点信息与所述像素位置信息进行匹配，将与所述局部限制区域对应的角点筛出存入第一角点集合，剩下的角点存入第二角点集合；

将所述第一角点集合内的角点与所述像素位置信息进行配对，得到配对组。

5.如权利要求1所述的不动产房屋分层平面图矢量化自动成图方法，其特征在于，

所述基于所述配对组选择线段坐标对，自定义坐标对坐标，构建实际线段坐标对的具体方式为：

基于所述配对组和所述像素位置信息得到包含距离信息的纵向线段坐标对；

基于所述配对组和所述像素位置信息得到包含距离信息的横向线段坐标对；

将所述纵向线段坐标对与所述横向线段坐标对结合，并根据所述纵向线段坐标对与所述横向线段坐标对的距离信息选择线段坐标对，自定义坐标对坐标，构建实际线段坐标对。

6.如权利要求5所述的不动产房屋分层平面图矢量化自动成图方法，其特征在于，

所述基于所述配对组和所述像素位置信息得到包含距离信息的纵向线段坐标对的具体方式为：

将所述配对组中的角点根据横坐标进行排序，得到第一直线集合组；

将所述第一直线集合组的角点根据纵坐标进行排序，并将相邻两个角点组成角点对，存入第一角点对集合组中；

将所述第一角点集合中具有垂直标记的所述识别信息与所述第一角点对集合组中的角点对进行匹配，得到包含距离信息的纵向线段坐标对。

7.如权利要求6所述的不动产房屋分层平面图矢量化自动成图方法，其特征在于，

所述基于所述配对组和所述像素位置信息得到包含距离信息的横向线段坐标对的具体方式为：

将所述配对组中的角点根据纵坐标进行排序，得到第二直线集合组；

将所述第二直线集合组的角点根据横坐标进行排序，并将相邻两个角点组成角点对，存入第二角点对集合组中；

将所述第一角点集合中具有水平标记的所述识别信息与所述第二角点对集合组中的角点对进行匹配，得到包含距离信息的横向线段坐标对。

Images