CN115713603A - 基于建筑空间图谱的多类型街区建筑群形态智能生成方法 - Google Patents

Abstract

本发明公开了基于建筑空间图谱的多类型街区建筑群形态智能生成方法，首先通过目标地区地理信息数据采集和设计条件提取构建带有设计条件的三维空间数字沙盘；其次通过街区样本采集与街区形态特征测算形成街区建筑空间图谱；然后通过加载Pix2pix深度学习模型生成多类型街区建筑群形态；进而基于街区设计条件依次对多类型街区整体建筑群形态和内部建筑群形态进行优化调整；最后使用全息展示设备对多类型街区建筑群形态进行模拟和指标显示，观测并采集使用者场景体验数据，并进行结果输出；本发明通过构建街区建筑空间图谱，生成城市多类型街区建筑群设计方案，提高了应用场景多样性，通过构建基于街区设计条件的智能优化方法，有效提高了设计效率。

Description

基于建筑空间图谱的多类型街区建筑群形态智能生成方法

技术领域

本发明属于人工智能城市设计领域，尤其涉及基于建筑空间图谱的多类型街区建筑群形态智能生成方法。

背景技术

在城市设计过程中，在设计条件既定的情况下，需要对城市三维建筑群空间形态进行多种可能性的推敲。在以往的设计过程中，这项建筑群三维形态的生成工作都是由规划设计人员借助相关制图软件手动完成，除此之外，还需要计算方案是否满足设计条件，特别是对不满足设计条件的方案进行调整时，需要投入大量的人员和时间来完成这项工作。

随着人工智能技术逐步应用于城市设计领域，实现了城市三维建筑群体形态的自动生成工作，但是，目前的人工智能城市设计领域更多局限于规律性较强的住宅或产业等单一类型建筑群形态生成，只能应用于小规模单一街区用地的城市三维建筑群体形态生成，无法实现更大尺度范围内多类型建筑群形态生成，适用场景有限。

发明内容

针对现有技术的不足，本发明提供了基于建筑空间图谱的多类型街区建筑群形态智能生成方法，解决了上述问题。

为实现以上目的，本发明通过以下技术方案予以实现：基于建筑空间图谱的多类型街区建筑群形态智能生成方法，包括以下步骤：

S1：对目标地区三维空间数字沙盘进行构建以及对设计条件进行提取；

S2：对街区样本进行采集以及对街区建筑空间图谱进行构建；

S3：构建基于街区建筑空间图谱的训练数据集，并依据训练数据集生成建筑高度色块图集，依据高度色块图集生成带有高度色块的各街区平面形态图片并将其进行三维矢量化以形成街区建筑形态矢量数据，将街区建筑形态矢量数据嵌入步骤S1三维空间数字沙盘，生成多类型街区建筑群形态方案；

S4：对多类型街区建筑群形态方案进行智能优化；

S5：对步骤S4中优化后的多类型街区建筑群形态方案进行结果交互评价与输出。

在上述技术方案的基础上，本发明还提供以下可选技术方案：

进一步的技术方案：所述S1的具体步骤为：

S101：对目标地区及其所在城市片区地理信息进行采集；

S102：根据S101采集的数据对目标地区及其所在城市片区三维空间数字沙盘进行构建。

进一步的技术方案：所述S2的具体步骤为：

S201：对街区样本库进行构建；

S202：根据街区样本库中的街区形态特征对街区建筑形态特征指标矩阵进行构建；

S203：根据街区建筑形态特征指标矩阵对街区建筑空间图谱进行构建；

S204：对街区建筑空间图谱进行动态更新。

进一步的技术方案：所述S3的具体步骤为：

S301：对基于街区建筑空间图谱的训练数据集进行构建；

S302：对S301中的训练数据集进行数据处理；

S303：对S302处理的数据多类型街区建筑群形态进行智能生成；

S304：对S303得到的多类型街区群形态进行三维矢量化处理。

进一步的技术方案：所述S4的具体步骤为：

S401：对S304得到的多类型街区建筑朝向进行审查与优化；

S402：对S401得到的多类型街区建筑间距进行审查与优化；

S403：对S402得到的多类型街区建筑退距进行审查与优化；

S404：对S403得到的多类型街区建筑密度进行审查与优化；

S405：对S404得到的多类型街区建筑高度进行审查与优化。

进一步的技术方案：所述S5的具体步骤为：

S501：方案模拟与交互评价，通过在三维空间数字沙盘搭载语音识别设备、穿戴式三维动捕设备进行方案模拟和指标显示，供使用者进行方案交互与评价；

S502：结果输出，将包含使用者空间使用特征指标和街区形态特征指标的多类型街区建筑群形态生成方案并进行打印输出，其输出结果为SU模型。

进一步的技术方案：所述S203的具体操作方法为：

根据S202街区形态特征指标矩阵，利用K-means聚类算法分别对不同类型功能街区内的样本进行聚类，对K-means聚类算法的K值做出选择，分别形成包含KA，KB，KR，KW，KM类街区形态特征数据集，每个街区样本以空间图谱的形式进行记录，包括街区形态特征信息、街区影像图片、街区二维平面。

进一步的技术方案：所述S204的具体操作方法为：

设定更新时间，将新增街区样本后的样本库重复S202和S203，实现街区建筑空间图谱的动态更新。

进一步的技术方案：所述S301的具体步骤为：

S3011：输入各街区用地属性从步骤S2构建的街区建筑空间图谱中提取与目标街区用地属性同类型数据；

S3012：依据目标地区各街区边界长度，以街区面积、街区形状指数、街区外接矩形长宽比指标建立匹配算法，提取各街区最匹配的类型作为训练数据集，所述匹配算法为：

设定Pn越接近1，匹配度越高；

其中，Ln为目标街区边界长度，Sn为目标街区面积，Mn街为目标区形状指数，Cn为目标街区外接矩形长宽比，Lin为图谱街区边界长度，Sin为图谱街区面积、Min街为图谱街区形状指数、Cin为图谱街区外接矩形长宽比。

进一步的技术方案：所述S304的具体步骤为：

将步骤S303所生成的带有高度色块的各街区平面形态图片转译为街区建筑形态矢量数据，并计算各街区建筑形态特征信息，若满足该训练数据集所在建筑空间图谱类型街区形态特征阈值范围内，则将其嵌入至步骤S1带有规划道路和街区设计条件的三维空间数字沙盘，生成多类型街区建筑群形态方案，若不满足，则返回步骤S303；

其中，所述街区建筑形态矢量数据包括建筑轮廓信息和建筑高度信息，建筑轮廓根据色块边界进行提取，建筑高度根据步骤S302设定的不同建筑高度RGB颜色进行提取。

有益效果

本发明提供了基于建筑空间图谱的多类型街区建筑群形态智能生成方法，与现有技术相比具备以下有益效果：

1、高效性和经济性：本发明设计的方法通过人工智能深度学习方法和基于设计条件智能优化方法，能够在短时间内生成满足设计条件的方案，可以从以往的需要至少一周的设计时间缩减至一天之内完成，并且可以从以往的至少需要一周的时间来对方案指标与设计条件进行核算、对比、调整缩减至一小时内完成，有效地减少了人力和时间成本，提高了设计效率；

2、应对场景多样化：本发明设计的方法通过构建不同用地类型街区建筑空间图谱，根据街区用地属性及边界特征有针对性的对建筑群形态方案特征的学习，在此基础上自动生成街区建筑群形态方案，并通过街区设计条件对整体建筑群形态和街区内部建筑群形态进行智能调整优化，可以保证方案生成的有效性，避免了以往人工智能城市设计方案生成的不可控性，同时也提高了大尺度范围多种类型街区混合的城市设计方案生成的适用性，有效避免了以往人工智能城市设计单一用地类型方案生成的局限性。

附图说明

图1是本发明多类型街区建筑群形态流程示意图；

图2是本发明多类型建筑空间图谱示意图；

图3是本发明训练数据处理示意图；

图4是本发明平面生成图示意图；

图5是本发明三维矢量化结果示意图；

图6是本发明多类型街区建筑群形态智能优化过程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下结合具体实施例对本发明的具体实现进行详细描述。

一种基于建筑空间图谱的多类型街区建筑群形态智能生成方法，如图1所示，包括以下步骤：

S1：目标地区三维空间数字沙盘构建和设计条件提取

获取目标地区及其所在城市片区的地理信息数据，统一地理坐标系并进行数据叠合，构建三维空间数字沙盘。提取并转译目标地区控制性详细规划文本和相关规范文本中的设计条件，并与目标地区进行空间匹配。

所述S1具体包括以下步骤：

S101：目标地区及其所在城市片区地理信息的采集。使用加载8K分辨率摄像头的测绘无人机采集目标地区及其所在城市片区的三维倾斜摄影数据，通过内置数据转换模块，将三维倾斜影像图片信息转化为矢量地理空间信息并录入地理信息平台，进而采用加载探测精度为0.01m、探测距离达500m以上的360°全景激光雷达高精度数据采集街景车对目标地区及其所在城市片区的地理空间信息进行校验以及采集，具体为采用加载8K分辨率摄像头的测绘无人机采集目标片区及其所在城市片区的三维倾斜摄影数据，通过内置数据转换模块，将三维倾斜影像图片信息转化为shp文件格式为存储在Arcgis的空间数据存储数据库中，进而采用加载探测精度为0.01m、探测距离达500m以上的360°全景激光雷达高精度数据采集街景车对样本片区及其所在城市片区的地理空间信息进行校验。其中，地理空间信息包括目标片区及其所在城市片区的道路、建筑、地形地貌信息。

S102：目标地区及其所在城市片区三维空间数字沙盘构建。将采集到的地理空间信息转换至统一的WGS_84坐标系统，进行数据叠合和统一的数据组织管理，构建目标地区及其所在城市片区的高精度三维空间数字沙盘，具体为，使用光学分辨率为1200dpi以上，ADF扫描速度达50页/分钟以上的OCR扫描仪采集目标地区的控制性详细规划文本和相关规范文本，提取目标地区的规划道路矢量数据及街区设计条件。在三维空间数字沙盘内叠合规划道路矢量数据，将街区以“用地属性+数字”的形式进行编码，并将街区设计条件与街区空间范围进行空间匹配，以属性表的形式嵌入至三维空间数字沙盘。

S2：街区样本采集和街区建筑空间图谱构建

采集多类型街区样本库，测算街区建筑形态特征以构建街区建筑形态特征指标矩阵，采用K-means聚类算法将样本进行聚类，构建街区建筑空间图谱

所述S2具体包括以下步骤：

S201：街区样本库构建。通过加载实时遥感影像采集与解译模块，采集不同类型街区的遥感影像图片并将其转译为包含街区边界，建筑高度，建筑轮廓信息的矢量文件，通过加载实时AOI数据采集与用地功能识别模块，以面积总和占比最大的主导AOI类型为该街区用地功能，将识别用地功能后的街区矢量文件构建形成街区样本库。

其中，用地功能类型依据《城市用地分类与规划建设用地标准》，包含居住用地、公共服务用地、商业用地、工业用地、物流仓储用地5类。

S202：街区建筑形态特征指标矩阵构建。构建街区边界形态、街区建筑二维平面和街区建筑三维立体指标体系，通过加载指标计算模块对步骤S201多类型街区样本库中的街区形态特征进行测算，形成街区形态特征指标矩阵。

其中，街区边界形态指标包括街区形状指数、街区面积、街区外接矩形长宽比；街区建筑二维平面指标包含建筑基底平均面积、建筑基底平均形状指数、建筑数量；街区建筑三维立体指标包含建筑平均体积、建筑体积差异度、建筑平均高度、错落度。

S203：街区建筑空间图谱构建。根据步骤S202街区形态特征指标矩阵，利用K-means聚类算法分别对不同类型功能街区内的样本进行聚类，对K-means聚类算法的K值做出选择，分别形成包含K_A，K_B，K_R，K_W，K_M类街区形态特征数据集，每个街区样本以空间图谱的形式进行记录，包括街区形态特征信息、街区影像图片、街区二维平面。

S204：街区建筑空间图谱动态更新。以1个月为时间间隔，将新增街区样本后的样本库重复步骤S202和步骤S203，实现街区建筑空间图谱的动态更新。

S3：基于街区建筑空间图谱的多类型街区建筑群形态生成

根据目标地区各街区属性特征自动筛选与之最匹配的同类型街区建筑空间图谱数据，构成训练数据集，通过Pix2pix深度卷积神经网络模型，输入目标地区各街区边界，生成不同类型街区建筑群形态方案，并满足建筑空间图谱中街区建筑形态特征指标矩阵的阈值范围。

所述S3的具体步骤为：

S301：基于街区建筑空间图谱的训练数据集构建。首先输入各街区用地属性从步骤S2构建的街区建筑空间图谱中提取与目标街区用地属性同类型数据，再依次输入目标地区各街区边界长度，以街区面积、街区形状指数、街区外接矩形长宽比指标建立匹配算法，提取各街区最匹配的类型作为训练数据集，其中，所述匹配算法根据以下公式，

设定Pn越接近1，匹配度越高，其中，Ln为目标街区边界长度，Sn为目标街区面积、Mn街为目标区形状指数、Cn为目标街区外接矩形长宽比，Lin为图谱街区边界长度，Sin为图谱街区面积、Min街为图谱街区形状指数、Cin为图谱街区外接矩形长宽比。

S302：训练数据集数据处理。将步骤S301得到训练数据集批量转化为Pix2pix可读取的JPG格式，根据预设的大小和比例对训练数据集图片进行调整，并利用不同的RGB颜色标注不同建筑高度，得到对应的高度色块图。

具体为，将步骤S301得到的shp格式训练数据集通过加载数据格式转换模块，批量转化为Pix2pix可读取的JPG格式，根据预设的大小和比例对训练数据集图片进行调整，并利用不同的RGB颜色标注不同建筑高度，得到对应的高度色块图。

其中，0-3层建筑标注232、232、232，4-6层建筑标注207、207、207，7-9层建筑标注181、181、181，10-12层建筑标注156、156、156，13-15层建筑标注130、130、130，16-18层建筑标注105、105、105，19-21层建筑标注79、79、79，22-25层建筑标注54、54、54，26层及以上建筑标注28、28、28。

S303：多类型街区建筑群形态智能生成。加载街区平面形态智能生成模块，采用Pix2pix深度卷积神经网络模型，其中生成器(Generator)采用U-Net，判别器(Discriminator)采用PatchGAN，将S302处理的训练数据集分别输入所述模型中，设置Pix2Pix模型训练学习率为0.0002，迭代次数5000次，生成带有高度色块的各街区平面形态图片。

S304：多类型街区群形态三维矢量化。将步骤S303所生成的带有高度色块的各街区平面形态图片转译为街区建筑形态矢量数据，并计算各街区建筑形态特征信息，若满足该训练数据集所在建筑空间图谱类型街区形态特征阈值范围内，则将其嵌入至步骤S1带有规划道路和街区设计条件的三维空间数字沙盘，生成多类型街区建筑群形态方案，若不满足，则返回步骤S303。

其中，所述街区建筑形态矢量数据包括建筑轮廓信息和建筑高度信息，建筑轮廓根据色块边界进行提取，建筑高度根据步骤S302设定的不同建筑高度RGB颜色进行提取。

S4：多类型街区建筑群形态智能优化

通过建筑朝向调整，对目标地区多类型街区建筑群整体形态进行优化，进而根据目标地区各街区设计条件，设定标准判定算法与智能优化算法，依次对建筑退距、日照间距、容积率、建筑高度、建筑密度进行智能优化。

所述S4的具体步骤为：

S401：多类型街区建筑朝向审查与优化。根据步骤S304多类型街区建筑群形态方案，以居住用地内最大建筑数量的朝向作为标准朝向，将居住用地内与标准朝向不一致的建筑以建筑单体重心线为轴线进行旋转调整朝向，将其调整为与标准朝向一致。

S402：多类型街区建筑间距审查与优化。将步骤S401调整建筑朝向后的多类型街区建筑群根据目标地区街区设计条件中的日照间距要求和防火间距要求进行判定，具体操作方式为：

首先，通过加载日照模拟分析模块，生成居住用地街区内建筑日照阴影单元，若日照阴影单元内存在建筑体块，则自动向南侧平移该建筑体块，直至日照阴影单元内无建筑体块；

其次，根据防火间距要求判断所有街区建筑体块之间的防火间距，若存在判定不满足防火间距要求的建筑体块，则自动向不满足防火间距的相反方向平移建筑体块，直至满足所有建筑之间的防火间距；

其中，所述日照模拟分析模块通过加载设计条件中日照时间和日照质量规定对日照间距进行模拟分析，其中所述防火间距要求，包括非工业用地建筑的高层与高层之间的防火间距不小于13米，高层对多层(高层建筑裙房)之间的防火间距不小于9米，多层对多层之间的防火间距不小于6米，工业用地建筑的高层与高层之间的防火间距不小于13米，高层对多层之间的防火间距不小于13米，多层对多层之间的防火间距不小于12米。

S403：多类型街区建筑退距审查与优化。将步骤S402调整建筑间距后的多类型街区建筑群根据目标地区街区设计条件中的六线管控范围和建筑退距要求进行判定，若建筑体块完全位于六线管控范围内，则将其删除。若建筑体块与六线管控范围重叠，则将建筑体块按照垂直于六线管控范围线外的方向进行平移，直至满足六线管控范围的建筑退距要求；若平移后的建筑体块与周围建筑满足步骤S402防火间距要求和日照间距要求，则进行下一步，反之则将其删除。

S404：多类型街区建筑密度审查与优化。将步骤S403调整建筑退距后的多类型街区建筑群根据建筑密度要求进行判定，对于居住用地街区，若不满足街区建筑密度要求，通过删除建筑直至达到建筑密度要求为止；对于非居住用地街区，若不满足街区建筑密度要求，则通过选取建筑基底面最长边达到16m及以上的建筑体块，以8m为模数缩放建筑的基底面最长边，当缩放后建筑最长边＜16m则停止缩放，直至达到建筑密度要求为止。

S405：多类型街区建筑高度审查与优化。将步骤S404调整建筑密度后的多类型街区建筑群根据建筑限高要求进行判定，若存在不满足条件的建筑体块则降低该建筑高度至建筑限高值，直至判定通过后，根据容积率要求进行判定，若容积率不满足条件则以4m为模数拉伸该街区内高度＞4米的所有建筑体块，直至容积率达到最高要求值。

S5：结果交互评价与输出

使用全息展示设备对多类型街区形态进行模拟和指标显示，观测并采集使用者场景体验数据，并进行结果输出。

所述S5的具体步骤为：

S501：方案模拟与交互评价。通过在三维空间数字沙盘搭载语音识别设备、穿戴式三维动捕设备进行方案模拟和指标显示，供使用者进行方案交互与评价。

S502：结果输出。将包含使用者空间使用特征指标和街区形态特征指标的多类型街区建筑群形态生成方案并进行打印输出，其输出结果为SU模型，以供使用人员进一步设计和优化。

本发明通过构建街区建筑空间图谱，生成城市多类型街区建筑群设计方案，提高了应用场景多样性，通过构建基于街区设计条件的智能优化方法，有效提高了设计效率

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.基于建筑空间图谱的多类型街区建筑群形态智能生成方法，其特征在于，包括以下步骤：

S1：对目标地区三维空间数字沙盘进行构建以及对设计条件进行提取；

S2：对街区样本进行采集以及对街区建筑空间图谱进行构建；

S3：构建基于街区建筑空间图谱的训练数据集，并依据训练数据集生成建筑高度色块图集，依据高度色块图集生成带有高度色块的各街区平面形态图片并将其进行三维矢量化以形成街区建筑形态矢量数据，将街区建筑形态矢量数据嵌入步骤S1三维空间数字沙盘，生成多类型街区建筑群形态方案；

S4：对所述多类型街区建筑群形态方案进行智能优化；

S5：对步骤S4中优化后的多类型街区建筑群形态方案进行结果交互评价与输出。

2.根据权利要求1所述的基于建筑空间图谱的多类型街区建筑群形态智能生成方法，其特征在于，所述S1的具体步骤为：

S101：对目标地区及其所在城市片区地理信息进行采集；

S102：根据S101采集的数据对目标地区及其所在城市片区三维空间数字沙盘进行构建。

3.根据权利要求2所述的基于建筑空间图谱的多类型街区建筑群形态智能生成方法，其特征在于，所述S2的具体步骤为：

S201：对街区样本库进行构建；

S202：根据街区样本库中的街区形态特征对街区建筑形态特征指标矩阵进行构建；

S203：根据街区建筑形态特征指标矩阵对街区建筑空间图谱进行构建；

S204：对街区建筑空间图谱进行动态更新。

4.根据权利要求3所述的基于建筑空间图谱的多类型街区建筑群形态智能生成方法，其特征在于，所述S3的具体步骤为：

S301：对基于街区建筑空间图谱的训练数据集进行构建；

S302：对S301中的训练数据集进行数据处理；

S303：对S302处理的数据多类型街区建筑群形态进行智能生成；

S304：对S303得到的多类型街区群形态进行三维矢量化处理并将其嵌入步骤S1的三维空间数字沙盘内生成多类型建筑群形态方案。

5.根据权利要求4所述的基于建筑空间图谱的多类型街区建筑群形态智能生成方法，其特征在于，所述S4的具体步骤为：

S401：对S304得到的多类型街区建筑朝向进行审查与优化；

S402：对S401得到的多类型街区建筑间距进行审查与优化；

S403：对S402得到的多类型街区建筑退距进行审查与优化；

S404：对S403得到的多类型街区建筑密度进行审查与优化；

S405：对S404得到的多类型街区建筑高度进行审查与优化。

6.根据权利要求5所述的基于建筑空间图谱的多类型街区建筑群形态智能生成方法，其特征在于，所述S5的具体步骤为：

S501：方案模拟与交互评价，通过在三维空间数字沙盘搭载语音识别设备、穿戴式三维动捕设备进行方案模拟和指标显示，供使用者进行方案交互与评价；

S502：结果输出，将包含使用者空间使用特征指标和街区形态特征指标的多类型街区建筑群形态生成方案，一同进行打印输出，并将结果输出为SU模型，供工作人员进一步设计和优化。

7.根据权利要求3所述的基于建筑空间图谱的多类型街区建筑群形态智能生成方法，其特征在于，所述S203的具体操作方法为：

根据S202街区形态特征指标矩阵，利用K-means聚类算法分别对不同类型功能街区内的样本进行聚类，对K-means聚类算法的K值做出选择，分别形成包含KA，KB，KR，KW，KM类街区形态特征数据集，每个街区样本以空间图谱的形式进行记录，包括街区形态特征信息、街区影像图片以及街区二维平面。

8.根据权利要求7所述的基于建筑空间图谱的多类型街区建筑群形态智能生成方法，其特征在于，所述S204的具体操作方法为：

设定更新时间，将新增街区样本后的样本库重复S202和S203，实现街区建筑空间图谱的动态更新。

9.根据权利要求4所述的基于建筑空间图谱的多类型街区建筑群形态智能生成方法，其特征在于，所述S301的具体步骤为：

S3011：输入各街区用地属性从步骤S2构建的街区建筑空间图谱中提取与目标街区用地属性同类型数据；

S3012：依据目标地区各街区边界长度，以街区面积、街区形状指数、街区外接矩形长宽比指标建立匹配算法，提取各街区最匹配的类型作为训练数据集，所述匹配算法为：

设定Pn越接近1，匹配度越高；

其中，Ln为目标街区边界长度，Sn为目标街区面积，Mn街为目标区形状指数，Cn为目标街区外接矩形长宽比，Lin为图谱街区边界长度，Sin为图谱街区面积、Min街为图谱街区形状指数、Cin为图谱街区外接矩形长宽比。

10.根据权利要求4所述的基于建筑空间图谱的多类型街区建筑群形态智能生成方法，其特征在于，所述S304的具体步骤为：

将步骤S303所生成的带有高度色块的各街区平面形态图片转译为街区建筑形态矢量数据，并计算各街区建筑形态特征信息，若满足该训练数据集所在建筑空间图谱类型街区形态特征阈值范围内，则将其嵌入至步骤S1带有规划道路和街区设计条件的三维空间数字沙盘，生成多类型街区建筑群形态方案，若不满足，则返回步骤S303；

其中，所述街区建筑形态矢量数据包括建筑轮廓信息和建筑高度信息，建筑轮廓根据色块边界进行提取，建筑高度根据步骤S302设定的不同建筑高度RGB颜色进行提取。

Images