建筑簇群全景圖像空間布局人工智能規劃方法研究

摘要：為了提高建筑簇群空間布局規劃能力，提出基于空間邊緣輪廓特征檢測技術的建筑簇群全景圖像空間布局人工智能規劃方法。構建建筑簇群全景圖像空間規劃成像模型，采用多樣性的圖片結構重構方法進行建筑簇群全景圖像空間區域信息增強處理，建立建筑簇群全景圖像的邊緣輪廓特征檢測模型，構造建筑簇群全景圖像多尺度特征分解模型，采用機器視覺方法進行建筑簇群全景圖像的先驗形狀模型參數估計，根據參數估計結果實現建筑簇群全景布局和人工智能規劃。仿真結果表明，采用該方法進行建筑簇群全景圖像空間規劃的智能性較強，規劃合理性較好。

關鍵詞：建筑簇群;全景圖像;信息增強;空間布局;人工智能規劃;仿真實驗

中圖分類號：TN911.73-34：TP391

文獻標識碼：A

文章編號：1004-373X（ 2019） 24-0096-04

0 引言

隨著圖像信息處理技術的發展，采用圖像視覺信息處理技術進行建筑簇群全景圖像空間布局和規劃設計，建立建筑規劃視覺分布模型，提高建筑科學規劃能力。在進行建筑集群規劃中，需要構建建筑簇群全景圖像分析模型，采用全景視覺信息重構和特征分析技術，進行建筑簇群全景空間區域規劃設計，提高建筑簇群全景空間布局和人工智能規劃水平，相關的建筑簇群全景圖像空間布局人工智能規劃方法研究受到人們的極大關注[1]。對建筑簇群規劃是建立在對建筑簇群全景圖像的視覺信息分析基礎上，采用圖像的邊緣輪廓特征提取的方法，進行建筑簇群全景信息檢測，通過區域信息特征提取的方法進行建筑空間區域規劃[2]。本文提出基于空間邊緣輪廓特征檢測技術的建筑簇群全景圖像空間布局人工智能規劃方法。首先進行視覺成像處理，然后建立建筑簇群全景圖像的邊緣輪廓特征檢測模型，結合圖像的邊緣輪廓檢測的方法，實現建筑簇群全景圖像空間布局和人工智能規劃設計，最后進行仿真實驗分析，得出有效性結論。

1 建筑簇群全景圖像采樣及信息增強處理

1.1 建筑簇群全景圖像空間規劃成像模型

為了實現建筑簇群全景圖像空間布局人工智能規劃，首先構建建筑簇群全景圖像采集模型，采用圖像邊緣梯度信息檢測方法進行建筑簇群全景圖像特征檢測[3]，構建建筑簇群全景圖像空間布局人工智能規劃模型，得到圖像的邊緣輪廓分布描述為：式中，日（z）和8（z）分別為Heaviside函數和Dirac函數。采用自適應模板特征匹配的方法，構建建筑簇群全景圖像空間區域規劃模型[4-6]，結合空間掃描成像方法得到建筑簇群全景圖像輸出為：式中，P（φ）為建筑簇群全景圖像的多尺度邊緣信息采樣輸出。

1.2 圖像空間區域信息增強處理

采用多樣性的圖片結構重構方法進行建筑簇群全景圖像空間區域信息增強處理[7-8]，得到建筑簇群全景圖像的活動輪廓分布描述如下：

采用像素點鄰域特征匹配的方法[9]，進行建筑簇群全景圖像的分區域匹配，得到特征匹配集描述為：

采用多樣性的圖片結構重構方法進行建筑簇群全景圖像空間區域信息增強處理[10-11]，得到圖像增強輸出為：

根據上述分析，構建建筑簇群全景圖像空間信息增強模型，建立建筑簇群全景圖像的邊緣輪廓特征檢測模型，進行建筑簇群空間布局規劃[12]。

2 圖像空間布局人工智能規劃優化

2.1 建筑簇群全景邊緣輪廓特征檢測

構造建筑簇群全景圖像多尺度特征分解模型㈣，進行建筑簇群全景圖像多尺度平滑處理，得到圖像的平滑處理輸出為：式中：v，μ是不同建筑空間分布區域的尺度系數。根據訓練集中的觀測集進行建筑簇群全景圖像的空間布局人工智能規劃，根據訓練集中的觀測樣本集[14]，進行空間區域的邊界形狀特征檢測，得到建筑簇群全景圖像的紋理分布函數為：

構造建筑簇群全景圖像多尺度特征分解模型，采用機器視覺方法進行建筑簇群全景圖像檢測，結合自適應尋優模型，在機器視覺下采用模板匹配來實現二值編碼，構建建筑簇群全景圖像空間布局規劃模型，得到鄰域點灰度平均值為：

由此構造建筑簇群全景圖像多尺度特征分解模型，根據建筑簇群全景圖像的顯著特征進行標定定位，根據特征標定結果，進行建筑簇群全景規劃設計。

2.2 建筑簇群全景布局智能規劃

采用機器視覺方法進行建筑簇群全景圖像的先驗形狀模型參數估計，根據參數估計結果實現建筑簇群全景布局設計，構建建筑簇群全景圖像的灰度特征分布矩陣描述為：式中：C1和C2分別表示建筑簇群全景圖像的徑向灰度的梯度值和邊緣輪廓線長度;Length （C）表示鄰域卷積長度;Area （inside （C》表示輪廓曲線內部面積。

考慮像素的多重分布因素，在模板mxn區域內對建筑簇群全景圖像進行空間區域融合，結合多元統計分析方法，利用不同類別圖像樣本的紋理自相似性特征，進行直方圖重建[15]，得到灰度直方圖分量為：式中，t0表示建筑簇群全景圖像的結構相似度，在建筑簇群全景圖像成像的4x4子區域內，通過近似稀疏表示方法，得到建筑簇群全景圖像的像素相似度函數為s（X，Y），按照半重疊方式對圖像進行分塊，得到分塊結構函數為：式中：assoc（A，V）為建筑簇群全景圖像的像素點子集A中的信息強度;assoc（B，V）為建筑簇群全景圖像的邊緣輪廓特征量。在更大觀測尺度中描述圖像視覺結構，根據視覺結構分布，進行建筑簇群全景圖像空間布局人工智能規劃設計。

3 仿真實驗與結果分析

通過仿真實驗驗證本文方法，在實現建筑簇群全景圖像空間布局及人工智能規劃中的應用性能。結合Matlab 7仿真工具進行仿真測試，對建筑簇群全景圖像采樣的超分辨率為2 000x2 000，建筑簇群空間規劃的迭代次數為400，圖像模糊度權重系數為0.001，建筑簇群全景圖像的樣本數為3 000，測試集規模為120。根據上述參數設定，進行建筑簇群全景圖像空間布局人工智能規劃設計，得到原始的建筑簇群全景圖像采集如圖1所示。

以圖1的圖像為測試對象，采用多樣性的圖片結構重構方法進行建筑簇群全景圖像空間區域信息增強處理.得到圖像增強結果如圖2所示。

分析圖2得知，采用本文方法能有效實現建筑簇群全景圖像的空間信息增強，提高建筑簇群全景規劃和成像能力。在此基礎上，實現建筑簇群全景布局和人工智能規劃，得到的結果如圖3所示。

分析圖3得知，采用本文方法能有效實現建筑簇群全景布局和人工智能規劃設計，測試不同方法進行建筑簇群全景布局和人工智能規劃的誤差，得到的對比結果如圖4所示。分析圖4得知，采用該方法進行建筑簇群全景圖像空間規劃的智能性較強，誤差較低，規劃合理性較好。

4 結語

為了提高建筑簇群全景空間布局和人工智能規劃水平，本文提出基于空間邊緣輪廓特征檢測技術的建筑簇群全景圖像空間布局人工智能規劃方法。采用多樣性的圖片結構重構方法進行建筑簇群全景圖像空間區域信息增強處理，構造建筑簇群全景圖像多尺度特征分解模型，采用機器視覺方法進行建筑簇群全景圖像參量分析，根據邊緣輪廓檢測結果實現建筑簇群全景布局和人工智能規劃。研究得知，采用本文方法進行建筑簇群全景規劃的智能性較好，提高了建筑空間規劃的可靠性。

參考文獻

[1] YANG L. Multi-focus image fusion method based on NSST andII CM [C]// Proceedings of 2017 International Conference onEmerging Internetworking， Data and Web Technologies. Ber-lin： Springer， 2017： 679-689.

[2] YANG L. Technique for image de-noising based on non-subsam-pled shearlet transform and improved intuitionistic fuzzy entro-py [J]. Optik-international journal for light and electron optics ，2015. 126（4） ： 446-453.

[3] RADENOVIC F. TOLIAS G， CHUM 0. CNN image retrievallearns from BoW ： unsupervised fine-tuning with hard examples[C]// Proceedings of 2016 European Conference on ComputerVision. Berlin： Springer， 2016： 3-20.

[4] ABBAS Q， IBRAHIM M E A， JAFFAR M A. A comprehen-sive review of recent advances on deep vision systems [J]. Arti-ficial intelligence review ， 2018（ 3） ： 1-38.

[5] RAZAVIAN A S， SULLIVAN J， CARLSSON S. Visual in-stance retrieval with deep convolutional networks [J]. ITE trans-actions on media technology and applications. 2016. 4（3） ：251-258.

[6] HASSNER T. HAREL S. PAZ E， et al. Effective face frontal-ization in unconstrained images [C]// Proceedings of 2015 IEEE Computer Vision and Pattern Recognition. Piscataway： IEEE，2015 ： 4295-4304.

[7]王鑫，周韻，寧晨，等，自適應融合局部和全局稀疏表示的圖像顯著性檢測 [J].計算機應用 ， 2018 . 38（ 3 ） ： 866-872.

WANG Xin， ZHOU Yun. NING Chen. et al. Image saliencydetection via adaptive fusion of local and global sparse repre-sentation [J]. Journal of computer applications， 2018， 38 （3） ：866-872.

[8] WEI X S， LUO J H， WU J. Selective convolutional descriptoraggregation for fine-grained image retrieval [J]. IEEE transac-tions on image processing， 2017， 26（6）： 2868-2881.

[9] CHENG M M. MITRA N J，HUANG X， et al.Global contrastbased salient region detection [J]. IEEE transactions on patternanalysis and machine intelligence， 2015， 37（3）：569-582.

[10] LIU N， HAN J.DHSNet： deep hierarchical saliency networkfor salient object detection [C]// Proceedings of 2016 IEEEConference on Computer Vision and Pattern Recognition.Washington： IEEE Computer Society. 2016： 678-686.

[11] KIM W， KIM C.Spatiotemporal saliency detection using tex-tural contrast and its applications [J]. IEEE transactions oncircuits&systems for video technology， 2014， 24（4）： 646- 659.

[12] SHARMA D， CHATTOPADHYAY C.High-level feature ag-gregation for fine-grained architectural floor plan retrieval [J].Iet computer vision. 2018. 12（5）： 702-709.

[13]赫高進，熊偉，陳犖，等，基于MPI的大規模遙感影像金字塔并行構建方法[J].地球信息科學學報，2015. 17（5）：515-522.

HE Gaojin， XIONG Wei. CHEN Luo. et al.An MPI-basedparallel pyramid building algorithm for large - scale RS image[J]. Journal of geo-information science. 2015. 17（5）： 515- 522.

[14]單玉剛，汪家寶.魯棒的白適應尺度和方向的目標跟蹤方法[J].計算機工程與應用，2018.54（ 21）：208-216.

SHAN Yugang， WANG Jiabao. Robust object tracking meth-od of adaptive scale and direction[J].Computer engineeringand application， 2018， 54（ 21）： 208-216.

[15]申小霞，張樺，高贊，基于Kinect和金字塔特征的行為識別算法[J]光電子·激光，2014（2）：357-363.

SHEN X X. ZHANG H. GAO Z.Behavior recognition algo-rithm based on Kinect and pyramid feature [J]. Journal of opto-electronics-laser. 2014（2）： 357-363.

作者簡介：田婧（1985-），女，江西九江人，碩士，副教授，研究方向為環境與數字媒體藝術。