CN115713605A - 一种基于图像学习的商业类建筑群自动建模方法 - Google Patents

一种基于图像学习的商业类建筑群自动建模方法 Download PDF

Info

Publication number
CN115713605A
CN115713605A CN202211505407.0A CN202211505407A CN115713605A CN 115713605 A CN115713605 A CN 115713605A CN 202211505407 A CN202211505407 A CN 202211505407A CN 115713605 A CN115713605 A CN 115713605A
Authority
CN
China
Prior art keywords
building
data
plot
building group
land
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
Application number
CN202211505407.0A
Other languages
English (en)
Inventor
杨俊宴
朱骁
薛琴
蔡纪尧
史宜
孙昊成
盛华星
杨晓方
周景翎
王艺潼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202211505407.0A priority Critical patent/CN115713605A/zh
Publication of CN115713605A publication Critical patent/CN115713605A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像学习的商业类建筑群自动建模方法，属于城市规划领域,包括数据获取、形态量化核心指标提取、基于Pix2Pix算法的建筑群形态生成模型训练、建筑群平面图像生成、基于OpenCV的建筑群形态生成五个步骤。本发明目的在于通过构建建筑群空间形态类型数据库与基于Pix2Pix的建筑群形态智能生成方法，实现了短时间内地块尺度商业类建筑群布局形态多方案的自动生成。解决了设计师画图劳动机械重复周期长的问题，为建筑群形态设计实践提供技术支持。

Description

一种基于图像学习的商业类建筑群自动建模方法
技术领域
本发明涉及城市规划领域，具体涉及一种基于图像学习的商业类建筑群自动建模方法。
背景技术
伴随经济发展，商业类地块的开发与商业建筑群设计成为城市设计工作的一项重要内容。但设计该类建筑群的过程由建筑师或规划师主导，不仅要考虑受用地指标、地块功能等硬性条件，还需同时满足消费人流组织、地标形象塑造、开发效益保障等复杂需求；在地块复杂性与设计主观性的双重制约下，建筑师或规划师凭借自身经验和逻辑组织，将约束条件转化为地块形态。在缺乏规律借鉴的前提下，设计过程耗时耗力，而且因设计逻辑主观性使呈现结果大有不同。从而使建设活动各自为政，甚至会助推城市空间无序化发展。
目前已有的建筑群形态自动生成方法，一种是基于规则驱动的生成方法，一种是基于参照学习的生成方法。前者已有基于数学模型、形状语法、元细胞自动机模型、多智能体系统的生成方法。这种方法技术上为广大设计师带来便利，但其技术具有局限。体现在其生成过程为了兼顾效率和代表性，只提取了功能拓扑关系等基础建筑知识进行规则传递，并且实践对象多为约束规则强的居住类建筑。这种技术不能很好的应用于商业类建筑群生成；后者已有基于决策树、支持向量机、贝叶斯分类、强化学习与深度学习的生成方法。这种方法技术对象多为建筑平面、建筑立面、建筑三维单体，对于更为复杂的商业类建筑群形态生成设计缺乏应用。且数据处理依靠人为机械统计，使处理大规模城市数据时算力受限。因此现有技术无法做到对商业类建筑群的快速多方案的自动生成。
发明内容
本发明目的在于依据规划学科理论知识，提取商业类地块与建筑形态量化指标，再利用聚类算法划分出建筑典型形态类型。通过让计算机学习大量典型形态类别的真实建筑群样本案例，自动解析地块边界和建筑布局形态之间的映射规律，从而实现方案智能生成，达到辅助规划师进行商业类地块设计决策的目的。
本发明的目的可以通过以下技术方案实现：
一种基于图像学习的商业类建筑群自动建模方法，包括以下步骤：
获取并清理目标地区商业类建筑的信息数据；基于地块形态、建筑二维和建筑三维建立地块尺度商业类建筑群形态的核心指标；从建筑数据中提取对应核心指标的数据构成I(I1～In)；
基于核心指标库I(I1～In)使用两步聚类法实现形态相似样本的划分归并，构建建筑群类别库C(C1～Cn)；对核心指标库I(I1～In)中的指标进行区间划分并将属性附加给建筑群类别库C(C1～Cn)；定义网络结构，使用Pix2pix深度卷积神经网络模型迭代训练，构建建筑群的平面图像生成的生成算法模型库G(G1～Gn)；
基于建筑群类别库C(C1～Cn)确定设计地块轮廓的建筑群类别，并将设计地块轮廓数据输入算法模型库G(G1～Gn)，生成地块建筑群平面形态图；
从地块建筑群平面形态图获取地块边界矢量数据和包含建筑高度信息的建筑边界矢量数据；基于地块边界矢量数据和建筑边界矢量数据构建目标地区商业类建筑的设计地块建筑群方案的三维模型。
进一步地，所述获取并清理目标地区商业类建筑的信息数据包括以下步骤：
采集目标地区商业类建筑的信息数据，包括建筑功能数据、建筑位置数据和建筑高度数据；
对信息数据进行清洗：统一筛选目标用地性质为B1类和面积在0.01-10公顷以内的地块；对相邻高度相同的建筑要素进行融合，批量删除面积小于100平方米的零碎建筑体量和建筑密度低于10％的地块，裁剪跨越地块边界的建筑体量。
进一步地，所述基于地块形态、建筑二维和建筑三维建立地块尺度商业类建筑群形态的核心指标包括以下步骤：
地块形态量化方面，选择地块周长PER、地块面积BLA、地块形状指数BLS作为量化地块特征的核心指标；
其中，地块周长PER、地块面积BLA使用地理信息平台作为数据清洗的工作平台统计得出，地块形状指数BLS是地块周长与相同面积的正方形的周长比值，计算公式如下：
Figure BDA0003968018720000031
二维形态量化方面，选择建筑密度BD、建筑基底平均面积ABA、建筑基底面积差异度DBA、建筑基底平均形状指数ASH、建筑基底形状差异度DSH、建筑个数BN、分散度DR作为度量指标刻画建筑群体二维平面形态；
其中，建筑密度BD是建筑投影面积之和与建筑用地面积之比，计算公式如下：
Figure BDA0003968018720000032
其中
Figure BDA0003968018720000033
为地块内所有建筑基底面积之和；
建筑基底平均面积ABA是所有地块内建筑基底面积的平均值，计算公式如下：
Figure BDA0003968018720000041
建筑基底面积差异度DBA是所有地块基底面积的标准差，计算公式为：
Figure BDA0003968018720000042
分散度DR是建筑数量与用地面积和建筑体积差异度之积的比值，计算公式如下：
Figure BDA0003968018720000043
其中DTBA是建筑体积差异度；
建筑基底平均形状指数ASH是地块内所有建筑基底形状指数的平均值，计算公式如下：
Figure BDA0003968018720000044
其中
Figure BDA0003968018720000045
是建筑基底形状指数；
建筑基底形状差异度DSH是地块内任一建筑基底形状指数的标准差，计算公式如下：
Figure BDA0003968018720000046
三维形态量化方面，选取容积率FAR、建筑平均容量ATBA、建筑容量差异度DTBA、建筑平均高度ABH、错落度DBH作为度量指标刻画建筑群体三维立体形态；
其中，容积率FAR是指地块内建筑面积总和与地块面积的比值，计算公式如下：
Figure BDA0003968018720000047
其中
Figure BDA0003968018720000048
为地块内所有建筑基底面积之和；其中TBA是建筑体积；
建筑平均容量ATBA为地块内所有建筑体积的平均值，计算公式如下：
Figure BDA0003968018720000051
建筑体积差异DTBA为地块内任一建筑体积的标准差，计算公式如下：
Figure BDA0003968018720000052
建筑平均高度ABH为地块内所有建筑高度的平均值，计算公式如下：
Figure BDA0003968018720000053
错落度DBH为地块内任一建筑高度的标准差，计算公式如下：
Figure BDA0003968018720000054
其中BHi为建筑高度。
进一步地，所述从建筑数据中提取对应核心指标的数据构成I(I1～In)包括以下步骤：
通过z-score标准化对建筑数据进行变换，使得变换以后的建筑数据符合标准正态分布，即均值为0，方差为1；
检验建筑数据是否适合进行主成分分析，检验方法为利用KMO和Bartlett球形度检验；满足KMO值＞0.5，显著性p值＜0.001，说明主成分分析结果有效；当KMO值＜0.5时，则表示建筑数据不适用于主成分分析；
在总方差解释表中选择特征值大于1、累计％高于70％的建筑数据对应的核心指标为主成分，提取主成分中对应核心指标的数据构建代表性核心指标库I(I1～In)。
进一步地，所述基于核心指标库I(I1～In)使用两步聚类法实现形态相似样本的划分归并，构建建筑群类别库C(C1～Cn)包括以下步骤：
进行预聚类划分：采用贯序方式将核心指标库I(I1～In)的数据划分成若干子类，视所有核心指标库I(I1～In)的数据为一个大类；读入核心指标库I(I1～In)的中一个数据后，根据亲疏程度决定该样本应派生出一个新类，还是应合并到已有的某个子类中，重复进行最终形成L个类；
在预聚类的基础上，再根据亲疏程度合并子类,最终形成L'类。
进一步地，所述对核心指标库I(I1～In)中的指标进行区间划分并将属性附加给建筑群类别库C(C1～Cn)包括以下步骤：
通过自然间断点分级法，按照高/Large、中/Middle、低/Small三个等级区间对核心指标库I(I1～In)中的指标进行区间划分；
通过核心指标库I(I1～In)中的核心指标自然间断点分级法中的不同区间维度描述对建筑群类别库C(C1～Cn)进行属性附加。
进一步地，所述定义网络结构，使用Pix2pix深度卷积神经网络模型迭代训练，构建建筑群的平面图像生成的生成算法模型库G(G1～Gn)包括以下步骤：
对建筑群类别库C(C1～Cn)中的数据转化成图片格式得到建筑群类别样本库S(S1～Sn)；
定义网络结构，使用Pix2pix深度卷积神经网络模型，模型中的生成器基于U-Net架构，判别器使用PatchGAN分类器，公式如下：
Figure BDA0003968018720000061
Figure BDA0003968018720000062
Figure BDA0003968018720000063
其中，生成器操作步骤为：根据地块轮廓图和真实建筑肌理图样本的特征规律来生成类似特征分布的图像；判别器操作步骤为：将地块边界和生成图像或者真实建筑肌理图组成一个新的样本对输入，判断这个样本对是否是从地块边界到真实建筑群形态的正确映射，输出概率数值来鉴别图像生成的真伪；网络结构采用Patch GAN思想，将生成结果分为多个大小固定的Patch小图块并输入判别网络；
针对建筑群类别样本库S(S1～Sn)中的所有类别分别采用梯度下降方法进行训练，观察各参数对应模型在训练时生成器和判别器损失函数的波动情况，调整优化学习率和迭代次数参数，对比训练时间、生成结果确定各个类别的最优值，最终构建建筑群的平面图像生成的生成算法模型库G(G1～Gn)；其中，学习率为优化算法中的调谐参数，迭代次数为迭代运算过程中循环的次数；
梯度下降法公式为：
Figure BDA0003968018720000071
其中η为学习率，i表示第i条数据，权重参数w表示每次迭代变化的大小。
进一步地，所述从地块建筑群平面形态图获取地块边界矢量数据和包含建筑高度信息的建筑边界矢量数据；基于地块边界矢量数据和建筑边界矢量数据构建目标地区商业类建筑的设计地块建筑群方案的三维模型，包括以下步骤：
地块边界提取：以灰度读取地块建筑群平面形态图，设定阈值将图片有颜色的区域规划成一个颜色，颜色表示的区域为地块的位置；识别图片中的物体轮廓为地块边界并保存地块数据图片，地块数据图片包含地块对应的轮廓信息；通过地块数据图片中的像素和实际矢量坐标的反向映射可以得到图片中任意位置对应的真实经纬度，基于此就可以得到地块边界矢量数据；
建筑轮廓提取：读取地块建筑群平面形态图，然后通过颜色在三个通道之间的取值不同提取不同颜色的建筑，找出相同颜色的建筑并将其他建筑转换成白色后再将图片转换成灰色后再检测出建筑轮廓；将检测出的每个曲线封装成一个Polygon，删除面积较小的Polygon减少线条杂质；同时采用approxPolyDP函数以多边形近似曲线；最后将提升精度的建筑多边形轮廓反向映射回真实位置，同时根据色彩数值与建筑层数的对应原则确定建筑高度，即可得到包含建筑高度的建筑矢量数据；
将地块边界矢量数据与包含建筑高度的建筑矢量数据输入三维交互展示设备，基于建筑层数信息进行拉伸，即可得到设计地块建筑群方案的三维模型。
第二方面，本发明还提供一种基于图像学习的商业类建筑群自动建模系统，包括以下模块：
数据获取与清理模块：获取并清理目标地区商业类建筑的信息数据；
形态量化核心指标提取模块：基于地块形态、建筑二维和建筑三维建立地块尺度商业类建筑群形态的核心指标；从建筑数据中提取对应核心指标的数据构成I(I1～In)；
建筑群形态生成算法模型训练模块：基于核心指标库I(I1～In)使用两步聚类法实现形态相似样本的划分归并，构建建筑群类别库C(C1～Cn)；对核心指标库I(I1～In)中的指标进行区间划分并将属性附加给建筑群类别库C(C1～Cn)；定义网络结构，使用Pix2pix深度卷积神经网络模型迭代训练，构建建筑群的平面图像生成的生成算法模型库G(G1～Gn)；
建筑群平面图像生成模块：基于建筑群类别库C(C1～Cn)确定设计地块轮廓的建筑群类别，并将设计地块轮廓数据输入算法模型库G(G1～Gn)，生成地块建筑群平面形态图；
建筑群形态三维可视化生成模块：从地块建筑群平面形态图获取地块边界矢量数据和包含建筑高度信息的建筑边界矢量数据；基于地块边界矢量数据和建筑边界矢量数据构建目标地区商业类建筑的设计地块建筑群方案的三维模型。
第三方面，本发明还提供一种终端设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，所述存储器中存储有能够在处理器上运行的计算机程序，所述处理器加载并执行计算机程序时，采用了如上述所述的一种基于智能图像学习的商业类建筑群大规模自动建模方法。
本发明的有益效果：
通过地块与建筑形态的量化，借助量化工具理解地块尺度建筑群形态特征规律，充实商业类建筑群形态类型研究，也为建筑群形态智能生成设计提供目标指引和学习数据支撑。
利用pix2pix深度卷积神经网络模型，搭建商业类地块建筑群平面图像生成的算法模型。整套算法模型可以在短时间内生成多个方案，相较传统的规划设计流程能够帮助设计师减少机械重复的画图劳动，也为其在方案概念设计阶段提供启发和决策支持。
借助OpenCv将机器学习生成的图像矢量化，建立了将图像学习输出的二维平面方案三维化的技术方法，为研究建筑群形态智能生成设计提供技术支持。借助地理信息平台形成人工智能生成方案的三维沙盘，为建筑群形态规划设计实践提供可视化辅助工具。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明的一种基于智能图像学习的商业类建筑群大规模自动建模方法流程图；
图2为KMO和Bartlett球形检验结果量表图；
图3为主成分分析-方差解释表图；
图4为主成分分析-关联度解释表图；
图5为形态建筑群形态指标C1-C4平均水平图；
图6为核心指标I1-I4的区间划分图；
图7为算法模型G生成的C1-C4建筑平面图像及其三维沙盘图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。以下将结合某市生态科技城城市设计案例和附图对本发明的技术方案进行详细的说明。
该方法的步骤流程图如图1所示，包括以下模块的操作步骤：
S1：数据获取与清理方法如下。
步骤S1-1：收集数据。在本发明的实施例中，综合运用开放数据平台以及地方规划部门收集方法，获取该中心城区建筑数据、用地数据。数据格式可以为Shapefile文件、dwg文件、dxf文件等，本实施例以数据格式为Shapefile文件进行说明，包含建筑信息与用地信息，其中建筑信息为建筑轮廓线与其包围的面域、面域包含建筑底面积，建筑层数；用地信息为地块轮廓线与其包围的面域，面域包含用地性质，用地面积。
步骤S1-2：数据清洗。在本发明的实施例中，使用地理信息平台作为数据清洗的工作平台，统一筛选步骤S1-1中所获数据中用地性质为B1类(商业用地)、面积在0.01-10公顷以内的地块，对相邻高度相同的建筑要素进行融合，对面积小于100平方米的零碎建筑体量，建筑密度低于10％的地块做批量删除，对跨越地块边界的建筑体量做裁剪处理。
S2：形态量化核心指标提取方法如下：
步骤S2-1：构建指标。在本发明的实施例中，通过步骤S1-2清洗后的数据经过计算后得到包括地块周长PER、地块面积BLA、地块形状指数BLS、建筑密度BD、建筑基底平均面积ABA、建筑基底面积差异度DBA、建筑基底平均形状指数ASH、建筑基底形状差异度DSH、建筑个数BN、分散度DR、选取容积率FAR、建筑平均容量ATBA、建筑容量差异度DTBA、建筑平均高度ABH、错落度DBH共15项指标。
其中，所述PER、BLA使用地理信息平台作为数据清洗的工作平台统计得出；
所述地块形状指数BLS是地块周长与相同面积的正方形的周长比值。计算公式如下：
Figure BDA0003968018720000111
其中PER为地块周长；BLA为地块面积。
所述建筑密度BD是建筑投影面积之和与建筑用地面积之比，计算公式如下：
Figure BDA0003968018720000112
其中
Figure BDA0003968018720000113
为地块内所有建筑基底面积之和；BLA为地块用地面积。
所述建筑基底平均面积ABA是所有地块内建筑基底面积的平均值，计算公式如下：
Figure BDA0003968018720000114
其中
Figure BDA0003968018720000115
为地块内所有建筑基底面积之和；BN为建筑个数。
所述建筑基底面积差异度DBA是所有地块基底面积的标准差，计算公式如下：
Figure BDA0003968018720000116
其中
Figure BDA0003968018720000117
为地块内所有建筑基底面积之和；ABA为建筑基底平均面积。
所述分散度DR是建筑数量与用地面积和建筑体积差异度之积的比值，计算公式如下：
Figure BDA0003968018720000121
其中DTBA是建筑体积差异度；BLA为用地面积；BN为地块内建筑数量。
所述建筑基底平均形状指数ASH是地块内所有建筑基底形状指数的平均值，计算公式如下：
Figure BDA0003968018720000122
其中
Figure BDA0003968018720000123
是建筑基底形状指数；ASH为地块内建筑平均基底形状指数；BN为地块内建筑数量。
所述建筑基底形状差异度DSH是地块内任一建筑基底形状指数的标准差，计算公式如下：
Figure BDA0003968018720000124
其中SHi是建筑基底形状指数；ASH为地块内建筑平均基底形状指数；BN为地块内建筑数量。
所述容积率FAR是指地块内建筑面积总和与地块面积的比值，计算公式如下：
Figure BDA0003968018720000125
其中
Figure BDA0003968018720000126
为地块内所有建筑基底面积之和；BLA为地块用地面积。
所述建筑平均容量ATBA为地块内所有建筑体积的平均值，计算公式如下：
Figure BDA0003968018720000127
其中TBA是建筑体积；ATBA为地块内建筑平均体积；BN为地块内建筑数量。
所述建筑体积差异度DTBA为地块内任一建筑体积的标准差，计算公式如下：
Figure BDA0003968018720000131
其中TBA是建筑体积；ATBA为地块内建筑平均体积；BN为地块内建筑数量。
所述建筑平均高度ABH为地块内所有建筑高度的平均值，计算公式如下：
Figure BDA0003968018720000132
其中
Figure BDA0003968018720000133
为地块内所有建筑高度之和，BN为地块内建筑数量。
所述错落度DBH为地块内任一建筑高度的标准差，计算公式如下：
Figure BDA0003968018720000134
其中BHi为建筑高度；ABH为地块内建筑平均高度；BN为地块内建筑数量。
步骤S2-2：数据标准化处理。在本发明的实施例中，通过z-score标准化(标准差标准化)对步骤S2-1中的数据进行变换，使得变换以后的数据符合标准正态分布，即均值为0，方差为1；
步骤S2-3：在本发明的实施例中，利用KMO和Bartlett球形度检验，将步骤S2-1中各项指标数据输入SPSS软件平台，得出结果(图2)。KMO值＞0.5，显著性p值＜0.001，说明主成分分析结果有效；当KMO值＜0.5时，则表示数据不适用于主成分分析。检验发现，各类功能样本KMO检验系数均大于0.5，Barlett检验值的显著性小于0.001，适合用作主成分分析。
步骤S2-4：在本发明的实施例中，方差解释表(图3)中有着4个特征值大于1的成分，其累计方差贡献率超过70％，已足够定量反映建筑群形态特征。根据数值是否大于0.8可知，成分1和容积率FAR、地块周长PER、地块面积BLA关联强，成分2和错落度D关联强，成分3和建筑平均高度ABH、错落度DBH、建筑数量BN关联强，成分4和建筑基底形状差异度DSH、建筑平均形状系数ASH关联强(图4)。因此B1类建筑群形态最为相关的指标FAR、ABH、DR和DSH，构建为核心指标库I(I1～I4)。I1为FAR，I2为ABH，I3为DR，I4为DSH。
S3：建筑群形态生成算法模型训练方法如下：
步骤S3-1：在本发明的实施例中，根据提取的4个主成分因子，基于两步聚类法，经过计算共得到C1～C4的4个聚类结果，组合为建筑群类别库C(C1～C4)。
(图5)
步骤S3-2：在本发明的实施例中，在SPSS软件平台中运用自然间断点分级法，按照高/Large、中/Middle、低/Small三个等级区间对核心指标库I(I1～I4)中的指标进行区间划分。(图6)
步骤S3-3：在本发明的实施例中，以步骤S2-4核心指标库I(I1～I4)中的核心指标I1～I4和S3-2中的不同区间维度描述对建筑群类别库C(C1～C4)中的建筑类型C1～C4进行属性附加，如“低FAR-低DR-中ABH-低DSH”；将形态指标分成高中低等级，以数量占比超过总样本量的70％作为评判依据。
因此，类型C1群体特征表现为“低地块周长PER、低建筑平均基底面积ABA、低建筑平均容量ATBA、低建筑平均高度ABH、低容积率FAR、低建筑基底面积差异度DBA、低建筑容量差异度DTBA、中建筑平均形状系数ASH”；
类型C2群体特征表现为“低地块周长PER、中建筑密度BD、高错落度DBH、高容积率FAR”；
类型C3群体特征表现为“低建筑平均容量ATBA、低建筑平均高度ABH、低容积率FAR、中建筑平均形状系数ASH、中建筑基底形状差异度DSH、高地块周长PER”；
类型C4群体特征表现为“低建筑平均容量ATBA、低建筑平均高度ABH、低建筑基底面积差异度DBA、中建筑密度BD、高建筑平均形状系数ASH”。
步骤S3-4：图像格式转化。本发明的实施例以python语言工具、JupyterNotebook工具进行说明，将建筑群类别库C(C1～C4)的Shapefile格式文件标记轮廓标签、彩色数据标签，集成到图形可视化信息平台，输出为含有建筑高度信息的256像素*256像素的JPG格式图片，其中建筑高度信息为指定RGB数值的建筑层数信息色块，将输出的JPG图片建构为建筑群类别样本库S(S1～S4)。
步骤S3-5：定义网络结构。在本发明的实施例中以开源编程平台Anaconda、深度学习框架TensorFlow，Python语言和JupyterNotebook工具进行说明。搭建Pix2pix深度卷积神经网络模型，所述模型中，生成器基于“U-Net”架构，判别器使用"PatchGAN"分类器。公式如下：
Figure BDA0003968018720000151
Figure BDA0003968018720000152
Figure BDA0003968018720000153
步骤S3-6：在本发明的实施例中，针对建筑群类别C(C1～C4)中的所有类别分别采用梯度下降方法进行训练，观察各参数对应模型在训练时生成器和判别器损失函数的波动情况，调整优化学习率和迭代次数参数，对比训练时间、生成结果确定各个类别的最优值，构建建筑群的平面图像生成的生成算法模型库G(G1～G4)；
其中，所述学习率为优化算法中的调谐参数，该参数可确定确定每次迭代中的步长，使损失函数收敛到最小值；所述迭代次数为迭代运算过程中循环的
Figure BDA0003968018720000154
次数；所述梯度下降法公式为
其中η为学习率，i表示第i条数据。权重参数w每次迭代变化的大小。
步骤S4：建筑群平面图像生成方法如下。
在本发明的实施例中，以图像格式为shapefile为例进行说明，将明确建筑群类别C(C1～C4)的设计地块轮廓shapefile文件输入相应的算法模型库G(G1～G4)，生成该地块建筑群平面形态图的JPG格式文件。所述地块轮廓文件为面域纯黑色色块,1:2000比例尺，100dpi分辨率，300mm*300mm的JPG文件。
步骤S5：生成建筑群形态三维可视化方法如下。
步骤S5-1：地块边界提取，以灰度读取步骤S4生成图片，设定阈值将图片有颜色的区域规划成一个颜色，此时该颜色表示的区域就是地块的位置。采用OpenCV的findContours函数识别图片中的物体轮廓为地块边界并保存的地块数据图片，所述图片应包含地块对应的轮廓信息，如最小经度，最小纬度，最大经度，最大纬度(Min-x,Min-y,Max-x,Max-y)，通过图片中像素和实际矢量坐标的反向映射可以得到图片中任意位置对应的真实经纬度，基于此就可以得到地块的矢量Shapefile格式文件。
步骤S5-2：建筑轮廓提取，以RGB形式读取图片，然后通过颜色在三个通道之间的取值不同提取不同颜色的建筑，找出相同颜色的建筑并将其他建筑转换成白色后再将图片转换成灰色，之后再使用findContours函数检测出建筑轮廓。将检测出的每个曲线封装成一个Polygon，删除面积较小的Polygon减少线条杂质。同时采用approxPolyDP函数来尽量以多边形近似曲线。最后将提升精度的建筑多边形轮廓反向映射回真实位置，同时根据色彩数值与建筑层数的对应原则确定建筑高度，即可得到包含建筑高度的建筑矢量数据。
步骤S5-3：将所得地块shapefile文件与建筑矢量数据输入三维地理信息平台，基于建筑层数信息以3m为层高进行拉伸，得到设计地块建筑群方案的三维模型。(图7)
本申请实施例还公开一种基于图像学习的商业类建筑群自动建模系统，包括以下模块：
数据获取与清理模块：获取并清理目标地区商业类建筑的信息数据；
形态量化核心指标提取模块：基于地块形态、建筑二维和建筑三维建立地块尺度商业类建筑群形态的核心指标；从建筑数据中提取对应核心指标的数据构成I(I1～In)；
建筑群形态生成算法模型训练模块：基于核心指标库I(I1～In)使用两步聚类法实现形态相似样本的划分归并，构建建筑群类别库C(C1～Cn)；对核心指标库I(I1～In)中的指标进行区间划分并将属性附加给建筑群类别库C(C1～Cn)；定义网络结构，使用Pix2pix深度卷积神经网络模型迭代训练，构建建筑群的平面图像生成的生成算法模型库G(G1～Gn)；
建筑群平面图像生成模块：基于建筑群类别库C(C1～Cn)确定设计地块轮廓的建筑群类别，并将设计地块轮廓数据输入算法模型库G(G1～Gn)，生成地块建筑群平面形态图；
建筑群形态三维可视化生成模块：从地块建筑群平面形态图获取地块边界矢量数据和包含建筑高度信息的建筑边界矢量数据；基于地块边界矢量数据和建筑边界矢量数据构建目标地区商业类建筑的设计地块建筑群方案的三维模型。
本申请实施例还公开一种终端设备，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，其中，处理器执行计算机程序时，采用了上述实施例中的任意一种基于智能图像学习的商业类建筑群大规模自动建模方法。
其中，终端设备可以采用台式电脑、笔记本电脑或者云端服务器等计算机设备，并且，终端设备包括但不限于处理器以及存储器，例如，终端设备还可以包括输入输出设备、网络接入设备以及总线等。
其中，处理器可以采用中央处理单元(CPU)，当然，根据实际的使用情况，也可以采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以采用微处理器或者任何常规的处理器等，本申请对此不做限制。
其中，存储器可以为终端设备的内部存储单元，例如，终端设备的硬盘或者内存，也可以为终端设备的外部存储设备，例如，终端设备上配备的插接式硬盘、智能存储卡(SMC)、安全数字卡(SD)或者闪存卡(FC)等，并且，存储器还可以为终端设备的内部存储单元与外部存储设备的组合，存储器用于存储计算机程序以及终端设备所需的其他程序和数据，存储器还可以用于暂时地存储已经输出或者将要输出的数据，本申请对此不做限制。
其中，通过本终端设备，将上述实施例中的任意一种基于智能图像学习的商业类建筑群大规模自动建模方法存储于终端设备的存储器中，并且，被加载并执行于终端设备的处理器上，方便使用。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (10)

1.一种基于图像学习的商业类建筑群自动建模方法，其特征在于，包括以下步骤：
获取并清理目标地区商业类建筑的信息数据；基于地块形态、建筑二维和建筑三维建立地块尺度商业类建筑群形态的核心指标；从建筑数据中提取对应核心指标的数据构成I(I1～In)；
基于核心指标库I(I1～In)使用两步聚类法实现形态相似样本的划分归并，构建建筑群类别库C(C1～Cn)；对核心指标库I(I1～In)中的指标进行区间划分并将属性附加给建筑群类别库C(C1～Cn)；定义网络结构，使用Pix2pix深度卷积神经网络模型迭代训练，构建建筑群的平面图像生成的生成算法模型库G(G1～Gn)；
基于建筑群类别库C(C1～Cn)确定设计地块轮廓的建筑群类别，并将设计地块轮廓数据输入算法模型库G(G1～Gn)，生成地块建筑群平面形态图；
从地块建筑群平面形态图获取地块边界矢量数据和包含建筑高度信息的建筑边界矢量数据；基于地块边界矢量数据和建筑边界矢量数据构建目标地区商业类建筑的设计地块建筑群方案的三维模型。
2.根据权利要求1所述的基于图像学习的商业类建筑群自动建模方法，其特征在于，所述获取并清理目标地区商业类建筑的信息数据包括以下步骤：
采集目标地区商业类建筑的信息数据，包括建筑功能数据、建筑位置数据和建筑高度数据；
对信息数据进行清洗：统一筛选目标用地性质为B1类和面积在0.01-10公顷以内的地块；对相邻高度相同的建筑要素进行融合，批量删除面积小于100平方米的零碎建筑体量和建筑密度低于10％的地块，裁剪跨越地块边界的建筑体量。
3.根据权利要求2所述的基于智能图像学习的商业类建筑群大规模自动建模方法，其特征在于，所述基于地块形态、建筑二维和建筑三维建立地块尺度商业类建筑群形态的核心指标包括以下步骤：
地块形态量化方面，选择地块周长PER、地块面积BLA、地块形状指数BLS作为量化地块特征的核心指标；
其中，地块周长PER、地块面积BLA使用地理信息平台作为数据清洗的工作平台统计得出，地块形状指数BLS是地块周长与相同面积的正方形的周长比值，计算公式如下：
Figure FDA0003968018710000021
二维形态量化方面，选择建筑密度BD、建筑基底平均面积ABA、建筑基底面积差异度DBA、建筑基底平均形状指数ASH、建筑基底形状差异度DSH、建筑个数BN、分散度DR作为度量指标刻画建筑群体二维平面形态；
其中，建筑密度BD是建筑投影面积之和与建筑用地面积之比，计算公式如下：
Figure FDA0003968018710000022
其中
Figure FDA0003968018710000023
为地块内所有建筑基底面积之和；
建筑基底平均面积ABA是所有地块内建筑基底面积的平均值，计算公式如下：
Figure FDA0003968018710000024
建筑基底面积差异度DBA是所有地块基底面积的标准差，计算公式为：
Figure FDA0003968018710000025
分散度DR是建筑数量与用地面积和建筑体积差异度之积的比值，计算公式如下：
Figure FDA0003968018710000031
其中DTBA是建筑体积差异度；
建筑基底平均形状指数ASH是地块内所有建筑基底形状指数的平均值，计算公式如下：
Figure FDA0003968018710000032
其中
Figure FDA0003968018710000033
是建筑基底形状指数；
建筑基底形状差异度DSH是地块内任一建筑基底形状指数的标准差，计算公式如下：
Figure FDA0003968018710000034
三维形态量化方面，选取容积率FAR、建筑平均容量ATBA、建筑容量差异度DTBA、建筑平均高度ABH、错落度DBH作为度量指标刻画建筑群体三维立体形态；
其中，容积率FAR是指地块内建筑面积总和与地块面积的比值，计算公式如下：
Figure FDA0003968018710000035
其中
Figure FDA0003968018710000036
为地块内所有建筑基底面积之和；其中TBA是建筑体积；
建筑平均容量ATBA为地块内所有建筑体积的平均值，计算公式如下：
Figure FDA0003968018710000037
建筑体积差异DTBA为地块内任一建筑体积的标准差，计算公式如下：
Figure FDA0003968018710000038
建筑平均高度ABH为地块内所有建筑高度的平均值，计算公式如下：
Figure FDA0003968018710000041
错落度DBH为地块内任一建筑高度的标准差，计算公式如下：
Figure FDA0003968018710000042
其中BHi为建筑高度。
4.根据权利要求3所述的基于图像学习的商业类建筑群自动建模方法，其特征在于，所述从建筑数据中提取对应核心指标的数据构成I(I1～In)包括以下步骤：
通过z-score标准化对建筑数据进行变换，使得变换以后的建筑数据符合标准正态分布，即均值为0，方差为1；
检验建筑数据是否适合进行主成分分析，检验方法为利用KMO和Bartlett球形度检验；满足KMO值＞0.5，显著性p值＜0.001，说明主成分分析结果有效；当KMO值＜0.5时，则表示建筑数据不适用于主成分分析；
在总方差解释表中选择特征值大于1、累计％高于70％的建筑数据对应的核心指标为主成分，提取主成分中对应核心指标的数据构建代表性核心指标库I(I1～In)。
5.根据权利要求4所述的基于图像学习的商业类建筑群自动建模方法，其特征在于，所述基于核心指标库I(I1～In)使用两步聚类法实现形态相似样本的划分归并，构建建筑群类别库C(C1～Cn)包括以下步骤：
进行预聚类划分：采用贯序方式将核心指标库I(I1～In)的数据划分成若干子类，视所有核心指标库I(I1～In)的数据为一个大类；读入核心指标库I(I1～In)的中一个数据后，根据亲疏程度决定该样本应派生出一个新类，还是应合并到已有的某个子类中，重复进行最终形成L个类；
在预聚类的基础上，再根据亲疏程度合并子类,最终形成L'类。
6.根据权利要求5所述的基于图像学习的商业类建筑群自动建模方法，其特征在于，所述对核心指标库I(I1～In)中的指标进行区间划分并将属性附加给建筑群类别库C(C1～Cn)包括以下步骤：
通过自然间断点分级法，按照高/Large、中/Middle、低/Small三个等级区间对核心指标库I(I1～In)中的指标进行区间划分；
通过核心指标库I(I1～In)中的核心指标自然间断点分级法中的不同区间维度描述对建筑群类别库C(C1～Cn)进行属性附加。
7.根据权利要求1所述的基于图像学习的商业类建筑群自动建模方法，其特征在于，所述定义网络结构，使用Pix2pix深度卷积神经网络模型迭代训练，构建建筑群的平面图像生成的生成算法模型库G(G1～Gn)包括以下步骤：
对建筑群类别库C(C1～Cn)中的数据转化成图片格式得到建筑群类别样本库S(S1～Sn)；
定义网络结构，使用Pix2pix深度卷积神经网络模型，模型中的生成器基于U-Net架构，判别器使用PatchGAN分类器，公式如下：
Figure FDA0003968018710000051
Figure FDA0003968018710000052
Figure FDA0003968018710000053
其中，生成器操作步骤为：根据地块轮廓图和真实建筑肌理图样本的特征规律来生成类似特征分布的图像；判别器操作步骤为：将地块边界和生成图像或者真实建筑肌理图组成一个新的样本对输入，判断这个样本对是否是从地块边界到真实建筑群形态的正确映射，输出概率数值来鉴别图像生成的真伪；网络结构采用Patch GAN思想，将生成结果分为多个大小固定的Patch小图块并输入判别网络；
针对建筑群类别样本库S(S1～Sn)中的所有类别分别采用梯度下降方法进行训练，观察各参数对应模型在训练时生成器和判别器损失函数的波动情况，调整优化学习率和迭代次数参数，对比训练时间、生成结果确定各个类别的最优值，最终构建建筑群的平面图像生成的生成算法模型库G(G1～Gn)；其中，学习率为优化算法中的调谐参数，迭代次数为迭代运算过程中循环的次数；
梯度下降法公式为：
Figure FDA0003968018710000061
其中η为学习率，i表示第i条数据，权重参数w表示每次迭代变化的大小。
8.根据权利要求1所述的基于图像学习的商业类建筑群自动建模方法，其特征在于,所述从地块建筑群平面形态图获取地块边界矢量数据和包含建筑高度信息的建筑边界矢量数据；基于地块边界矢量数据和建筑边界矢量数据构建目标地区商业类建筑的设计地块建筑群方案的三维模型，包括以下步骤：
地块边界提取：以灰度读取地块建筑群平面形态图，设定阈值将图片有颜色的区域规划成一个颜色，颜色表示的区域为地块的位置；识别图片中的物体轮廓为地块边界并保存地块数据图片，地块数据图片包含地块对应的轮廓信息；通过地块数据图片中的像素和实际矢量坐标的反向映射可以得到图片中任意位置对应的真实经纬度，基于此就可以得到地块边界矢量数据；
建筑轮廓提取：读取地块建筑群平面形态图，然后通过颜色在三个通道之间的取值不同提取不同颜色的建筑，找出相同颜色的建筑并将其他建筑转换成白色后再将图片转换成灰色后再检测出建筑轮廓；将检测出的每个曲线封装成一个Polygon，删除面积较小的Polygon减少线条杂质；同时采用approxPolyDP函数以多边形近似曲线；最后将提升精度的建筑多边形轮廓反向映射回真实位置，同时根据色彩数值与建筑层数的对应原则确定建筑高度，即可得到包含建筑高度的建筑矢量数据；
将地块边界矢量数据与包含建筑高度的建筑矢量数据输入三维交互展示设备，基于建筑层数信息进行拉伸，即可得到设计地块建筑群方案的三维模型。
9.一种基于图像学习的商业类建筑群自动建模系统，其特征在于,包括以下模块：
数据获取与清理模块：获取并清理目标地区商业类建筑的信息数据；
形态量化核心指标提取模块：基于地块形态、建筑二维和建筑三维建立地块尺度商业类建筑群形态的核心指标；从建筑数据中提取对应核心指标的数据构成I(I1～In)；
建筑群形态生成算法模型训练模块：基于核心指标库I(I1～In)使用两步聚类法实现形态相似样本的划分归并，构建建筑群类别库C(C1～Cn)；对核心指标库I(I1～In)中的指标进行区间划分并将属性附加给建筑群类别库C(C1～Cn)；定义网络结构，使用Pix2pix深度卷积神经网络模型迭代训练，构建建筑群的平面图像生成的生成算法模型库G(G1～Gn)；
建筑群平面图像生成模块：基于建筑群类别库C(C1～Cn)确定设计地块轮廓的建筑群类别，并将设计地块轮廓数据输入算法模型库G(G1～Gn)，生成地块建筑群平面形态图；
建筑群形态三维可视化生成模块：从地块建筑群平面形态图获取地块边界矢量数据和包含建筑高度信息的建筑边界矢量数据；基于地块边界矢量数据和建筑边界矢量数据构建目标地区商业类建筑的设计地块建筑群方案的三维模型。
10.一种终端设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，所述存储器中存储有能够在处理器上运行的计算机程序，所述处理器加载并执行计算机程序时，采用了权利要求1至8中任一项所述的一种基于智能图像学习的商业类建筑群大规模自动建模方法。
CN202211505407.0A 2022-11-28 2022-11-28 一种基于图像学习的商业类建筑群自动建模方法 Pending CN115713605A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211505407.0A CN115713605A (zh) 2022-11-28 2022-11-28 一种基于图像学习的商业类建筑群自动建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211505407.0A CN115713605A (zh) 2022-11-28 2022-11-28 一种基于图像学习的商业类建筑群自动建模方法

Publications (1)

Publication Number Publication Date
CN115713605A true CN115713605A (zh) 2023-02-24

Family

ID=85235080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211505407.0A Pending CN115713605A (zh) 2022-11-28 2022-11-28 一种基于图像学习的商业类建筑群自动建模方法

Country Status (1)

Country Link
CN (1) CN115713605A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151777A (zh) * 2023-04-20 2023-05-23 深圳奥雅设计股份有限公司 一种风景园林平面图的智能自动渲染方法及系统
CN116434009A (zh) * 2023-04-19 2023-07-14 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) 一种损毁建筑物深度学习样本集的构建方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434009A (zh) * 2023-04-19 2023-07-14 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) 一种损毁建筑物深度学习样本集的构建方法及系统
CN116434009B (zh) * 2023-04-19 2023-10-24 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) 一种损毁建筑物深度学习样本集的构建方法及系统
CN116151777A (zh) * 2023-04-20 2023-05-23 深圳奥雅设计股份有限公司 一种风景园林平面图的智能自动渲染方法及系统
CN116151777B (zh) * 2023-04-20 2023-07-14 深圳奥雅设计股份有限公司 一种风景园林平面图的智能自动渲染方法及系统

Similar Documents

Publication Publication Date Title
Grilli et al. A review of point clouds segmentation and classification algorithms
Xu et al. Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor
De Silva et al. Topological estimation using witness complexes.
Unnikrishnan et al. Toward objective evaluation of image segmentation algorithms
CN108875813B (zh) 一种基于几何图像的三维网格模型检索方法
CN115713605A (zh) 一种基于图像学习的商业类建筑群自动建模方法
CN112560675B (zh) Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法
CN105303195A (zh) 一种词袋图像分类方法
CN112115291B (zh) 一种基于深度学习的三维室内模型检索方法
CN109492796A (zh) 一种城市空间形态自动分区方法与系统
CN107818338B (zh) 一种面向地图综合的建筑物群组模式识别的方法及系统
CN110363299A (zh) 面向露头岩层分层的空间案例推理方法
Oskouie et al. Automated recognition of building façades for creation of As-Is Mock-Up 3D models
Sainju et al. A hidden markov contour tree model for spatial structured prediction
Hu et al. Geometric feature enhanced line segment extraction from large-scale point clouds with hierarchical topological optimization
CN109684910A (zh) 一种网络检测输电线路地表环境变化的方法及系统
Zhou 3D urban modeling from city-scale aerial LiDAR data
Agapaki et al. Scene understanding and model generation
CN113989291A (zh) 一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法
CN106980878B (zh) 三维模型几何风格的确定方法及装置
CN116246076B (zh) 一种传统民居院落肌理特征识别应用方法和系统
CN112734913A (zh) 一种基于多阶段变形重构的三维模型球表达计算方法
CN112200248A (zh) 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质
Liu et al. The classification of airborne LiDAR building point clouds based on multi‐scale and multi‐level cloth simulation
Li et al. PointLAE: A Point Cloud Semantic Segmentation Neural Network via Multifeature Aggregation for Large-Scale Application

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