CN116342591A - 一种建筑物参数的视觉解析方法 - Google Patents

一种建筑物参数的视觉解析方法 Download PDF

Info

Publication number
CN116342591A
CN116342591A CN202310593741.4A CN202310593741A CN116342591A CN 116342591 A CN116342591 A CN 116342591A CN 202310593741 A CN202310593741 A CN 202310593741A CN 116342591 A CN116342591 A CN 116342591A
Authority
CN
China
Prior art keywords
edge
building
image
pixel point
pixel
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.)
Granted
Application number
CN202310593741.4A
Other languages
English (en)
Other versions
CN116342591B (zh
Inventor
郭庆胜
张光宇
徐华
辛博文
肖红琰
杨桂连
明安平
王鹏
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.)
Xingrun Construction Group Co ltd
Original Assignee
Xingrun Construction Group Co ltd
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 Xingrun Construction Group Co ltd filed Critical Xingrun Construction Group Co ltd
Priority to CN202310593741.4A priority Critical patent/CN116342591B/zh
Publication of CN116342591A publication Critical patent/CN116342591A/zh
Application granted granted Critical
Publication of CN116342591B publication Critical patent/CN116342591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种建筑物参数的视觉解析方法，获取建筑图像，进而获取建筑图像中各边缘像素点的边缘垂线；构建边缘置信度系数计算函数；将边缘置信度系数高于边缘置信度系数阈值的边缘像素点作为真实边缘像素点，得到建筑边缘图像进而得到引导图像；根据各像素点在建筑图像以及引导滤波边缘图像中的局部亮度变化情况得到各像素点的自适应正则化参数；结合引导滤波算法得到自适应滤波处理后的建筑图像，进行增强处理，得到优化建筑图像；根据优化建筑图像及标准建筑图像结合SSIM指数完成建筑物参数的视觉解析。本发明根据优化建筑图像实现了建筑物参数的视觉解析，具有较高解析精度。

Description

一种建筑物参数的视觉解析方法
技术领域
本申请涉及图像处理领域，具体涉及一种建筑物参数的视觉解析方法。
背景技术
建筑物实际建造过程中会与预设标准的建筑物信息出现一定程度的偏差，建造时如果地基承载力不均匀、建筑物体型复杂、承载力不够以及外界环境因素等作用下，将会导致实际建筑物出现倾斜、局部轮廓较标准建筑物偏差较大。因此，需要对建筑物参数进行解析，以便对出现问题较大的建筑物进行维修，保证建筑质量，提高建筑效率。
目前建筑物轮廓等信息的分析都是采用物理仪器的检测机制进行现场检测，例如陀螺仪等，然而这些物理仪器都带有本身的局限性，不够直观，无法为建筑部门提供更有效的参考数据。
综上所述，本发明提出一种建筑物参数的视觉解析方法，通过点阵相机对建筑图像进行采集，并通过自适应滤波增强过程对建筑图像进行处理，获取优化建筑图像，根据优化建筑图像与标准建筑图像中建筑结构特征的匹配分析，实现优化建筑图像中建筑物参数进行视觉解析，对建筑物轮廓状况进行检测，根据建筑物信息的视觉解析结果可为相关建筑部门提供可靠信息。
发明内容
为了解决上述技术问题，本发明提供一种建筑物参数的视觉解析方法，以解决现有的问题。
本发明的一种建筑物参数的视觉解析方法采用如下技术方案：
本发明一个实施例提供了一种建筑物参数的视觉解析方法，该方法包括以下步骤：
通过点阵相机获取建筑图像；获取建筑图像的边缘检测图，获取边缘检测图中各边缘像素点的边缘垂线；根据各边缘像素点边缘垂线方向上像素点的亮度分布情况得到各边缘像素点的边缘置信度系数；将边缘置信度系数高于边缘置信度系数阈值的边缘像素点作为真实边缘像素点；根据所有的真实边缘像素点得到建筑边缘图像；
根据建筑图像及建筑边缘图像得到引导图像；对引导图像进行边缘检测获取引导滤波边缘图，根据各像素点在建筑图像以及引导滤波边缘图像中的局部亮度变化情况得到各像素点的自适应正则化参数；根据引导图像、自适应正则化参数结合引导滤波算法得到自适应滤波处理后的建筑图像，并通过限制对比度直方图均衡化算法对自适应滤波处理后的建筑图像进行增强处理，得到优化建筑图像；
通过建筑虚拟仿真软件获取标准建筑图像，根据优化建筑图像及标准建筑图像结合SSIM指数得到优化建筑图像的偏差像素点，结合优化建筑图像中的所有偏差像素点完成建筑物参数的视觉解析。
优选的，所述获取边缘检测图中各边缘像素点的边缘垂线，具体为：对于边缘检测图中各边缘像素点，依次过各边缘像素点做各边缘像素点所在边缘线的垂线，记为各边缘像素点的边缘垂线。
优选的，所述根据各边缘像素点边缘垂线方向上像素点的亮度分布情况得到各边缘像素点的边缘置信度系数，表达式为：
Figure SMS_1
式中，
Figure SMS_13
为像素点
Figure SMS_5
的灰度值，
Figure SMS_6
为像素点
Figure SMS_15
的灰度值，
Figure SMS_19
为像素点
Figure SMS_18
的灰度值，
Figure SMS_20
为边缘像素点
Figure SMS_10
与像素点
Figure SMS_17
的空间距离，
Figure SMS_4
边缘像素点
Figure SMS_8
与像素点
Figure SMS_3
的欧式距离，
Figure SMS_7
分别为边缘像素点
Figure SMS_11
边缘垂线上以边缘像素点
Figure SMS_14
为中心从左、右两边选取的像素 点总数，
Figure SMS_2
为边缘像素点
Figure SMS_9
的边缘置信系数，
Figure SMS_12
为以自然常数
Figure SMS_16
为底的指数函数。
优选的，所述根据建筑图像及建筑边缘图像得到引导图像，表达式为：
Figure SMS_21
式中，
Figure SMS_22
为引导图像，
Figure SMS_23
为建筑图像，
Figure SMS_24
为建筑边缘图像，
Figure SMS_25
为权值因子。
优选的，所述根据各像素点在建筑图像以及引导滤波边缘图像中的局部亮度变化情况得到各像素点的自适应正则化参数，表达式为：
Figure SMS_26
式中，
Figure SMS_38
为以像素点
Figure SMS_27
为中心的方形窗口所对应的自适应正则化参数，也即像素 点
Figure SMS_31
对应的自适应正则化参数，
Figure SMS_42
为以像素点
Figure SMS_40
为中心的方形窗口中的像素点总数，
Figure SMS_44
为建筑图像在以像素点
Figure SMS_35
为中心的方形窗口中像素点
Figure SMS_41
的灰度值，
Figure SMS_28
为建筑图像 在以像素点
Figure SMS_32
为中心的方形窗口中像素点的灰度方差，
Figure SMS_30
为引导图像经边缘检测后的引 导滤波边缘图，
Figure SMS_33
为引导滤波边缘图内以像素点
Figure SMS_36
为中心的方形窗口中像素点
Figure SMS_39
的灰度 值，
Figure SMS_29
为引导滤波边缘图在以像素点
Figure SMS_34
为中心的方形窗口中像素点的灰度方差，
Figure SMS_37
为避 免分母为零的常量。
优选的，所述根据优化建筑图像及标准建筑图像结合SSIM指数得到优化建筑图像的偏差像素点，具体为：通过结构相似度函数计算优化建筑图像中各像素点与标准建筑图像中对应各像素点之间的SSIM指数，将SSIM指数小于SSIM指数阈值对应的优化建筑图像中的像素点作为偏差像素点。
本发明至少具有如下有益效果：
本发明通过视觉特征对建筑物参数进行检测、解析，通过点阵相机获取范围较大的建筑物图像，能够对建筑物信息进行全面采集，结合本发明的自适应滤波增强过程对建筑图像进行处理，解决了建筑图像中噪点以及图像模糊等问题对建筑物信息的影响，提高建筑图像中建筑物信息的可靠性；
在引导图像构建过程中，考虑到边缘检测算法对建筑图像进行边缘检测时建筑边缘信息极易出现多像素宽度的问题，导致建筑边缘提取不准确，本发明结合像素点的亮度分布情况构建边缘置信系数，进而对建筑图像的边缘检测图中各边缘像素点的真实性进行判定，实现对建筑图像中真实边缘像素点的准确提取，保证引导图像中边缘信息的精度，进一步提高滤波效果；
在实际使用数字细节增强技术时，需要技术人员根据经验反复多次选取正则化参数，才能达到理想效果，导致过程繁琐、场景适应性差等问题，为避免传统引导滤波过程中人为设置固定正则化参数导致图像滤波效果不佳的问题，本发明结合对建筑图像中像素点自身的结构特征对像素点对应窗口的正则化参数进行自适应设定，解决了引导滤波过程中正则化参数设置过大过小导致建筑图像中的边缘区域滤波过于模糊或者平滑区域去噪效果不佳等问题，具有较好的滤波效果。
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。
图1为本发明提供的一种建筑物参数的视觉解析方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种建筑物参数的视觉解析方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种建筑物参数的视觉解析方法的具体方案。
本发明一个实施例提供的一种建筑物参数的视觉解析方法。
具体的，提供了如下的一种建筑物参数的视觉解析方法，请参阅图1，该方法包括以下步骤：
步骤S001，通过点阵相机采集建筑物的图像数据，获取建筑图像。
本实施例主要通过视觉对建筑物参数进行检测、提取，实现对建筑物参数的解析，考虑到建筑物边缘轮廓等多为细长带状，且对建筑物进行图像数据的采集需要极大的视野以及极高的精度，因此，本实施例通过点阵相机对建筑物图像数据进行采集，获取建筑图像，具体的点阵相机的扫描范围、角度的部署以及型号的选取等实施者根据实际情况自行设定。本实施例中点阵相机设置在建筑物对面，用于对建筑物的整体进行拍摄，用激发装置多次激发点阵相机，进行多次拍照，然后将拍下的多张条形图像，合并成一张完整的建筑物图像，以获得包括建筑物的实时成像图像，记为建筑图像。需要说明的是，点阵相机图像采集的过程以及获取最终完整图像的过程可通过现有技术实现，为公知技术，不在本实施例保护范围内，因此不做相关详细阐述。
至此，即可通过点阵相机对待测建筑物进行图像采集，获取建筑点阵图像，用于对待测建筑物的参数进行提取分析。
步骤S002，对建筑图像进行自适应滤波增强，获取优化建筑图像。
对于获取的建筑图像，点阵相机在进行建筑物图像采集时，光电转换过程中噪声功率过大将会导致建筑图像存在较多的噪点，由于点阵相机内传感器自身结构因素以及建筑物图像采集环境较为复杂，摄像头在进行扫描时，极易受到噪声的影响，进而影响建筑物参数的检测提取。因此，为防止点阵相机自身结构因素以及外界环境因素产生的噪声对建筑图像质量的影响，提高建筑物参数解析精度，本实施例将对建筑图像进行自适应滤波处理，提高建筑图像质量，防止建筑图像中噪点对建筑物参数的影响。
传统去噪处理过程计算量大且对于非噪点像素点将会出现过度平滑现象，导致数据精度不高，无法实现自适应滤波处理。因此，本实施例将对建筑图像进行分析，通过自适应滤波增强过程，提高建筑图像中建筑物参数信息的可靠性，保证建筑物参数解析精度。建筑图像自适应滤波增强过程具体为：
对于建筑图像采用传统滤波去噪算法极易导致建筑图像中的边缘细节纹理丢失、边缘过度平滑等问题，本实施例将通过引导滤波对建筑图像进行自适应滤波处理，引导滤波具有保持边缘信息的特性，可以对建筑图像中的边缘细节纹理信息进行保留，同时通过本实施例设定的自适应滤波处理过程可实现对建筑图像中噪点的有效过滤，降低计算量，建筑图像的自适应滤波处理过程具体为：
首先，为提高滤波精度保持建筑图像中的细节纹理信息，本实施例通过Sobel算子对建筑图像进行边缘检测，初步获取建筑图像的边缘检测图，考虑到Sobel算子在进行建筑边缘提取时，Sobel算子检测出的建筑边缘信息极易出现多像素宽度的情况，同时Sobel算子没有基于图像灰度信息进行处理，由于Sobel算子并没有严格地模拟人的视觉生理特征，提取的建筑边缘轮廓信息不够准确，因此，对于建筑图像的边缘检测图，本实施例将对边缘检测图中的边缘像素点真实性进行检测，以准确获取建筑物的边缘信息，得到对应的建筑边缘图像。首先，建筑图像与边缘检测图中的像素点是一一对应的，获取建筑图像中各边缘像素点，过边缘像素点做边缘像素点所在边缘线的垂线，记为边缘像素点的边缘垂线。获取每个边缘像素点的边缘垂线，在边缘像素点的边缘垂线上以边缘像素点为中心从左右两边分别选取数个像素点，根据边缘像素点的边缘垂线方向上像素点的亮度分布情况，对边缘像素点的边缘置信系数进行计算，边缘像素点的边缘置信系数具体为：
Figure SMS_45
式中，
Figure SMS_48
为边缘像素点
Figure SMS_51
与像素点
Figure SMS_52
的空间距离，
Figure SMS_47
边缘像素点
Figure SMS_49
与像素点
Figure SMS_53
的空间距离，需要说明的是空间距离的计算方法有很多且为公知技术，本实施例将两个 像素点的欧式距离作为空间距离，
Figure SMS_55
分别为边缘像素点
Figure SMS_46
边缘垂线上从左边、右边选 取的像素点总数，实施者可自行设定，本实施例设置为
Figure SMS_50
，
Figure SMS_54
为边缘像素点
Figure SMS_56
的边缘置信系数，边缘置信系数越大，则边缘像素点边缘垂线方向上两侧的亮度差异越大， 局部范围内的亮度变化越剧烈，为真实边缘像素点的可能性越高。本实施例通过边缘像素 点的局部亮度分布特征结合空间特征，对边缘像素点的边缘置信系数进行检测，可提高边 缘像素点判定的准确性，提高建筑物边缘轮廓信息的提取精度；
重复上述方法，获取每个边缘像素点的边缘置信系数，并对边缘置信系数进行归一化处理，保证处于（0,1）之间，本实施例将设置边缘置信系数阈值，将边缘置信系数高于边缘置信系数阈值的边缘像素点作为真实边缘像素点，否则将不是真实边缘像素点。需要说明的是，边缘置信系数阈值的设定实施者可自行选取，本实施例将边缘置信系数阈值设置为0.65；
根据本实施例上述方法，可实现对建筑图像的边缘检测图中各边缘像素点进行边缘真实度检测，提高建筑物边缘信息的提取精度。将所有的真实边缘像素点作为建筑图像的边缘像素点，得到对应的建筑边缘图像；
进一步，根据建筑图像以及建筑边缘图像得到引导滤波过程中的引导图像：
Figure SMS_57
式中，
Figure SMS_58
为引导图像，
Figure SMS_59
为建筑图像，
Figure SMS_60
为建筑边缘图像，
Figure SMS_61
为权值因子，实 施者可自行设定，本实施例将权值因子设置为
Figure SMS_62
；
获取引导图像之后，根据引导图像以及线性系数构建引导滤波线性模型，引导滤波线性模型为现有公知技术，引导滤波线性模型具体为：
Figure SMS_63
式中，
Figure SMS_64
为以像素点
Figure SMS_70
为中心窗口尺寸为
Figure SMS_73
的方形窗口，
Figure SMS_67
为方形窗口
Figure SMS_68
内的 像素点，
Figure SMS_72
为像素点
Figure SMS_76
引导滤波输出值，
Figure SMS_66
为引导图像中像素点
Figure SMS_69
的灰度值，
Figure SMS_74
分 别为当窗口
Figure SMS_78
中心位于像素点
Figure SMS_65
时引导滤波线性模型的线性系数，也即对于一个尺寸为
Figure SMS_71
的方形窗口
Figure SMS_75
，
Figure SMS_77
也是一组唯一确定的常量线性系数；
根据引导滤波线性模型以及线性回归算法可获取引导滤波线性模型中的线性系 数
Figure SMS_87
，其中，
Figure SMS_80
，
Figure SMS_83
，式中，
Figure SMS_82
Figure SMS_84
为以 像素点
Figure SMS_88
为中心窗口尺寸为
Figure SMS_93
的方形窗口，对于引导滤波的窗口尺寸，实施者可自行设 定，本实施例将引导滤波的窗口设置为
Figure SMS_89
，
Figure SMS_91
为方形窗口
Figure SMS_81
内的像素点，
Figure SMS_85
为窗口内 的像素点总数，
Figure SMS_92
分别为引导图像
Figure SMS_95
在窗口
Figure SMS_96
中像素点的灰度均值、方差，
Figure SMS_98
为 建筑图像
Figure SMS_86
在窗口
Figure SMS_90
中像素点的灰度均值，
Figure SMS_94
分别为像素点
Figure SMS_97
在引导图像、建筑图 像中的灰度值，
Figure SMS_79
为正规化参数；
传统对于引导滤波过程中的正则化参数大多通过人为设置固定取值，正则化参数 主要用于区分建筑图像中的边缘区域以及平滑区域，对于图像中存在不同纹理区域时若设 置固定取值的正则化参数，将会导致建筑图像中的边缘区域滤波过于模糊或者平滑区域去 噪效果不佳等问题，因此，本实施例将对建筑图像引导滤波过程中的正则化参数进行自适 应设定，以便实现对建筑图像进行自适应滤波处理，提高滤波去噪效果同时能够保留建筑 图像中的边缘细节纹理信息。根据线性系数以及引导滤波线性模型可知，正则化参数越小， 则
Figure SMS_99
越大，建筑图像中原始的边缘细节信息保留的越多，故对于建筑图像中的像素点灰度 变化程度剧烈的区域需设置较大的正则化参数，以更多的保留建筑图像中的边缘细节信 息；而对于灰度变化平缓区域的像素点在进行引导滤波时，应设置较小的正则化参数，保证 滤波平滑效果，因此，本实施例将设置自适应正则化参数设定函数，表达式为：
Figure SMS_100
式中，
Figure SMS_110
为以像素点
Figure SMS_101
为中心的方形窗口所对应的自适应正则化参数，也即像素 点
Figure SMS_106
对应的自适应正则化参数，
Figure SMS_115
为以像素点
Figure SMS_116
为中心的方形窗口中的像素点总数，
Figure SMS_117
为建筑图像在以像素点
Figure SMS_118
为中心的方形窗口中像素点
Figure SMS_111
的灰度值，
Figure SMS_113
为建筑图像在以像 素点
Figure SMS_103
为中心的方形窗口中像素点的灰度方差，
Figure SMS_107
为引导滤波经边缘检测后的引导滤波边 缘图，
Figure SMS_104
为引导滤波边缘图内以像素点
Figure SMS_105
为中心的方形窗口中像素点
Figure SMS_109
的灰度值，
Figure SMS_112
为引导滤波边缘图在以像素点
Figure SMS_102
为中心的方形窗口中像素点的灰度方差，
Figure SMS_108
为避免分母为 零的常量，实施者可自行设定，本实施例设置为
Figure SMS_114
；
重复上述方法，获取建筑图像引导滤波过程中每个像素点所对应的自适应正则化参数。
至此，即可实现对建筑图像引导滤波过程中的正则化参数进行自适应设定，根据自适应正则化参数以及引导滤波算法实现对建筑图像的滤波处理，对建筑图像进行自适应平滑去噪，并保留建筑图像中的边缘细节纹理信息，避免建筑图像中建筑物边缘细节信息的丢失；
至此，即可得到自适应滤波处理后的建筑图像。考虑到滤波后图像大多出现模糊现象且图像采集过程中本身就存在模糊问题，因此，为提高建筑图像中建筑物参数的解析准确性，进一步对自适应滤波处理后的建筑图像进行增强处理，以提高图像中高频信息的显著性，同时提高图像对比度，对建筑物的边缘轮廓等参数进行准确表征。需要说明的是，图像增强处理方法有很多，实施者可自行选取图像增强算法，本实施例中采用限制对比度直方图均衡化算法对自适应滤波处理后的建筑图像进行增强处理，具体增强处理过程为现有公知技术。
至此，根据本实施例上述自适应滤波增强处理过程即可得到最终处理后的建筑图像，记为优化建筑图像，用于对建筑物的参数特征进行提取分析。
步骤S003，根据优化建筑图像与标准建筑图像进行匹配分析，实现建筑物参数的视觉解析。
对于优化建筑图像，考虑到局部分析更能符合人眼视觉特征且图像特征在空间上 一般分布不均，因此，为提高图像中建筑物轮廓等信息的分析精度，本实施例将采用
Figure SMS_119
的 局部窗口逐像素点的遍历整幅优化建筑图像，
Figure SMS_120
实施者自行设定，本实施例设置为
Figure SMS_121
。对 于优化建筑图像的每个像素点，分别以各像素点为中心获取各像素点对应的
Figure SMS_122
的局部窗 口，计算各像素点局部窗口内的灰度均值以及灰度方差，用于对各像素点局部窗口内的结 构分布情况进行表征；
重复上述方法，获取优化建筑图像中每个像素点的灰度均值、灰度方差，对优化建筑图像中建筑物的结构特征进行表征；
重复上述方法，获取标准建筑图像中每个像素点的灰度均值、灰度方差，对标准建筑物的结构特征进行表征。需要说明的是，建筑物在建造之前都会有标准建筑物，标准建筑物的获取可以通过现有技术在建筑虚拟仿真软件上进行构建，进而获取标准建筑图像，标准建筑图像中建筑物的拍摄角度与优化建筑图像中保持一致且图像尺寸相同，标准建筑物的具体构建过程为公知技术，不在本实施例保护范围内，不做相关详细阐述；
最后，通过结构相似度函数计算优化建筑图像中各像素点与标准建筑图像中对应各像素点之间的SSIM指数，像素点之间SSIM指数越大，则相似程度越高，结构分布越相似，本实施例将设置SSIM指数阈值，将SSIM指数小于SSIM指数阈值的优化建筑图像中的像素点作为偏差像素点，统计所有偏差像素点数量并设置偏差像素点数量阈值，当优化建筑图像中偏差像素点数量高于偏差像素点数量阈值时，优化建筑图像中的建筑物与对应标准建筑物之间的偏差较大，提示相关建筑部门对建筑物进行检修维护，以保证建筑物质量，提高建筑效率。偏差像素点数量阈值实施者可自行设置，本实施例将偏差像素点数量阈值设置为150。需要说明的是，结构相似度函数以及SSIM指数的计算为现有公知技术。
至此，即可根据本实施例上述方法，基于视觉特征实现对建筑物参数的解析检测，可为建筑部门提供可靠的参考信息。
综上所述，本发明实施例通过视觉特征对建筑物参数进行检测、解析，通过点阵相机获取范围较大的建筑物图像，能够对建筑物信息进行全面采集，结合本发明实施例的自适应滤波增强过程对建筑图像进行处理，解决了建筑图像中噪点以及图像模糊等问题对建筑物信息的影响，提高建筑图像中建筑物信息的可靠性；
在引导图像构建过程中，考虑到边缘检测算法对建筑图像进行边缘检测时建筑边缘信息极易出现多像素宽度的问题，导致建筑边缘提取不准确，本发明实施例结合像素点的亮度分布情况构建边缘置信系数，进而对建筑图像的边缘检测图中各边缘像素点的真实性进行判定，实现对建筑图像中真实边缘像素点的准确提取，保证引导图像中边缘信息的精度，进一步提高滤波效果；
在实际使用数字细节增强技术时，需要技术人员根据经验反复多次选取正则化参数，才能达到理想效果，导致过程繁琐、场景适应性差等问题，为避免传统引导滤波过程中人为设置固定正则化参数导致图像滤波效果不佳的问题，本发明实施例结合对建筑图像中像素点自身的结构特征对像素点对应窗口的正则化参数进行自适应设定，解决了引导滤波过程中正则化参数设置过大过小导致建筑图像中的边缘区域滤波过于模糊或者平滑区域去噪效果不佳等问题，具有较好的滤波效果。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种建筑物参数的视觉解析方法，其特征在于，该方法包括以下步骤：
通过点阵相机获取建筑图像；获取建筑图像的边缘检测图，获取边缘检测图中各边缘像素点的边缘垂线；根据各边缘像素点边缘垂线方向上像素点的亮度分布情况得到各边缘像素点的边缘置信度系数；将边缘置信度系数高于边缘置信度系数阈值的边缘像素点作为真实边缘像素点；根据所有的真实边缘像素点得到建筑边缘图像；
根据建筑图像及建筑边缘图像得到引导图像；对引导图像进行边缘检测获取引导滤波边缘图，根据各像素点在建筑图像以及引导滤波边缘图像中的局部亮度变化情况得到各像素点的自适应正则化参数；根据引导图像、自适应正则化参数结合引导滤波算法得到自适应滤波处理后的建筑图像，并通过限制对比度直方图均衡化算法对自适应滤波处理后的建筑图像进行增强处理，得到优化建筑图像；
通过建筑虚拟仿真软件获取标准建筑图像，根据优化建筑图像及标准建筑图像结合SSIM指数得到优化建筑图像的偏差像素点，结合优化建筑图像中的所有偏差像素点完成建筑物参数的视觉解析。
2.如权利要求1所述的一种建筑物参数的视觉解析方法，其特征在于，所述获取边缘检测图中各边缘像素点的边缘垂线，具体为：对于边缘检测图中各边缘像素点，依次过各边缘像素点做各边缘像素点所在边缘线的垂线，记为各边缘像素点的边缘垂线。
3.如权利要求1所述的一种建筑物参数的视觉解析方法，其特征在于，所述根据各边缘像素点边缘垂线方向上像素点的亮度分布情况得到各边缘像素点的边缘置信度系数，表达式为：
Figure QLYQS_1
式中，
Figure QLYQS_11
为像素点/>
Figure QLYQS_3
的灰度值，/>
Figure QLYQS_8
为像素点/>
Figure QLYQS_14
的灰度值，/>
Figure QLYQS_17
为像素点/>
Figure QLYQS_19
的灰度值，/>
Figure QLYQS_20
为边缘像素点/>
Figure QLYQS_12
与像素点/>
Figure QLYQS_16
的空间距离，/>
Figure QLYQS_2
边缘像素点/>
Figure QLYQS_9
与像素点/>
Figure QLYQS_10
的欧式距离，
Figure QLYQS_15
分别为边缘像素点/>
Figure QLYQS_13
边缘垂线上以边缘像素点/>
Figure QLYQS_18
为中心从左、右两边选取的像素点总数，/>
Figure QLYQS_4
为边缘像素点/>
Figure QLYQS_7
的边缘置信系数，/>
Figure QLYQS_5
为以自然常数/>
Figure QLYQS_6
为底的指数函数。
4.如权利要求1所述的一种建筑物参数的视觉解析方法，其特征在于，所述根据建筑图像及建筑边缘图像得到引导图像，表达式为：
Figure QLYQS_21
式中，
Figure QLYQS_22
为引导图像，/>
Figure QLYQS_23
为建筑图像，/>
Figure QLYQS_24
为建筑边缘图像，/>
Figure QLYQS_25
为权值因子。
5.如权利要求1所述的一种建筑物参数的视觉解析方法，其特征在于，所述根据各像素点在建筑图像以及引导滤波边缘图像中的局部亮度变化情况得到各像素点的自适应正则化参数，表达式为：
Figure QLYQS_26
式中，
Figure QLYQS_35
为以像素点/>
Figure QLYQS_28
为中心的方形窗口所对应的自适应正则化参数，也即像素点/>
Figure QLYQS_31
对应的自适应正则化参数，/>
Figure QLYQS_30
为以像素点/>
Figure QLYQS_33
为中心的方形窗口中的像素点总数，/>
Figure QLYQS_37
为建筑图像在以像素点/>
Figure QLYQS_40
为中心的方形窗口中像素点/>
Figure QLYQS_38
的灰度值，/>
Figure QLYQS_39
为建筑图像在以像素点/>
Figure QLYQS_29
为中心的方形窗口中像素点的灰度方差，/>
Figure QLYQS_34
为引导图像经边缘检测后的引导滤波边缘图，/>
Figure QLYQS_36
为引导滤波边缘图内以像素点/>
Figure QLYQS_42
为中心的方形窗口中像素点/>
Figure QLYQS_41
的灰度值，
Figure QLYQS_43
为引导滤波边缘图在以像素点/>
Figure QLYQS_27
为中心的方形窗口中像素点的灰度方差，/>
Figure QLYQS_32
为避免分母为零的常量。
6.如权利要求1所述的一种建筑物参数的视觉解析方法，其特征在于，所述根据优化建筑图像及标准建筑图像结合SSIM指数得到优化建筑图像的偏差像素点，具体为：通过结构相似度函数计算优化建筑图像中各像素点与标准建筑图像中对应各像素点之间的SSIM指数，将SSIM指数小于SSIM指数阈值对应的优化建筑图像中的像素点作为偏差像素点。
CN202310593741.4A 2023-05-25 2023-05-25 一种建筑物参数的视觉解析方法 Active CN116342591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310593741.4A CN116342591B (zh) 2023-05-25 2023-05-25 一种建筑物参数的视觉解析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310593741.4A CN116342591B (zh) 2023-05-25 2023-05-25 一种建筑物参数的视觉解析方法

Publications (2)

Publication Number Publication Date
CN116342591A true CN116342591A (zh) 2023-06-27
CN116342591B CN116342591B (zh) 2023-07-28

Family

ID=86877438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310593741.4A Active CN116342591B (zh) 2023-05-25 2023-05-25 一种建筑物参数的视觉解析方法

Country Status (1)

Country Link
CN (1) CN116342591B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117496448A (zh) * 2024-01-02 2024-02-02 深圳市旭仓科技有限公司 一种建筑施工安全智能监控系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150016720A1 (en) * 2013-07-12 2015-01-15 Barco N.V. Guided image filtering for image content
CN110503108A (zh) * 2019-07-11 2019-11-26 平安科技（深圳）有限公司 违章建筑识别方法及装置、存储介质、计算机设备
KR102360105B1 (ko) * 2020-12-29 2022-02-14 주식회사 포커스비전 영상 블러를 이용한 3차원 영상 생성방법
WO2022062854A1 (zh) * 2020-09-27 2022-03-31 上海商汤智能科技有限公司 一种图像处理方法、装置、设备和存储介质
CN115797347A (zh) * 2023-02-06 2023-03-14 临沂农业科技职业学院(筹) 基于计算机视觉的自动化生产线异常监控方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150016720A1 (en) * 2013-07-12 2015-01-15 Barco N.V. Guided image filtering for image content
CN110503108A (zh) * 2019-07-11 2019-11-26 平安科技（深圳）有限公司 违章建筑识别方法及装置、存储介质、计算机设备
WO2021003824A1 (zh) * 2019-07-11 2021-01-14 平安科技（深圳）有限公司 基于图像识别的违章建筑识别方法、装置
WO2022062854A1 (zh) * 2020-09-27 2022-03-31 上海商汤智能科技有限公司 一种图像处理方法、装置、设备和存储介质
KR102360105B1 (ko) * 2020-12-29 2022-02-14 주식회사 포커스비전 영상 블러를 이용한 3차원 영상 생성방법
CN115797347A (zh) * 2023-02-06 2023-03-14 临沂农业科技职业学院(筹) 基于计算机视觉的自动化生产线异常监控方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘博;徐丽华;卢盛昌;: "关于建筑物图像提取优化仿真研究", 计算机仿真, no. 12 *
龙鹏;鲁华祥;: "LoG边缘算子改进的加权引导滤波算法", 计算机应用, no. 09 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117496448A (zh) * 2024-01-02 2024-02-02 深圳市旭仓科技有限公司 一种建筑施工安全智能监控系统及方法
CN117496448B (zh) * 2024-01-02 2024-04-26 深圳市旭仓科技有限公司 一种建筑施工安全智能监控系统及方法

Also Published As

Publication number Publication date
CN116342591B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN107862249B (zh) 一种分叉掌纹识别方法及装置
CN116342591B (zh) 一种建筑物参数的视觉解析方法
CN110992292B (zh) 一种增强型低秩稀疏分解模型医学ct图像去噪方法
CN111209820B (zh) 人脸活体检测方法、系统、设备及可读存储介质
CN110992377A (zh) 图像分割方法、装置、计算机可读存储介质和设备
CN111862040B (zh) 人像图片质量评价方法、装置、设备及存储介质
CN111882555B (zh) 基于深度学习的网衣检测方法、装置、设备及存储介质
CN114092450A (zh) 一种基于胃镜检查视频的实时图像分割方法、系统、装置
CN114742968B (zh) 一种基于建筑物立面点云的立面图生成方法
CN115205160A (zh) 基于局部场景感知的无参考低照度图像增强方法
CN110910317B (zh) 一种舌象图像增强方法
CN116993764B (zh) 一种胃部ct智能分割提取方法
Lee et al. Ramp distribution-based contrast enhancement techniques and over-contrast measure
CN112507818A (zh) 一种基于近红外图像的光照估计方法及系统
CN115358961A (zh) 一种基于深度学习的多焦点图像融合方法
CN114677713A (zh) 一种基于近红外光的手臂静脉采血点的识别方法及系统
CN113989214A (zh) 基于分割区域方法的足迹压力特征分析系统
CN113052833A (zh) 一种基于红外热辐射的非视域成像方法
CN117809379B (zh) 一种基于监控摄像机的智能人形识别报警系统及方法
Saberi et al. Multi-temporal satellite image correction based on CNN features and adaptive contrast enhancement
CN114862698B (zh) 一种基于通道引导的真实过曝光图像校正方法与装置
CN109451246B (zh) 一种可获取清晰指静脉图像的方法
CN117351488A (zh) 基于图像分割网络UNet和对抗生成网络GAN进行分割结果优化的训练方法
CN117974496A (zh) 一种无人机采集图像去雾方法
CN117788345A (zh) 一种土地遥感图像校正增强方法

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
GR01 Patent grant
GR01 Patent grant