自然與幻想融合的住房建筑結構剖析系統設計

高 嵩

(合肥萬博科技職業學院 建筑工程管理學系，安徽 合肥 230031)

隨著住房建筑結構設計藝術的不斷進步，對住房建筑結構剖析設計的智能化水平越來越高，在自然和幻想的融合角度下進行住房建筑結構剖析設計，提高住房建筑結構剖析的視覺表達能力，相關的住房建筑結構剖析設計方法研究受到人們的極大關注[1]。采用機器視覺分析方法，建立住房建筑結構剖析的視覺分析模型，進行住房建筑結構剖析視覺特征分析，采用三維視覺信息采樣方法，進行住房建筑結構剖析和設計，本文提出基于自然與幻想融合的住房建筑結構剖析系統設計方法。建立住房建筑結構剖析視覺圖像分析模型，采用空間視覺信息采樣方法進行住房建筑結構剖析，融合自然與幻想元素進行住房建筑結構剖析特征提取，實現住房建筑結構剖析設計優化，最后進行仿真測試分析，得出有效性結論。

1 住房建筑結構剖析成像和特征提取

1.1 住房建筑結構剖析成像

構建住房建筑結構剖析視覺圖像的三維成像模型，采用邊緣特征分割和角點分布式提取方法進行住房建筑結構剖析視覺圖像的多維尺度分解[2]，在D維空間中進行住房建筑結構剖析視覺圖像的空間分布式重建，結合3D模型重構方法，建立住房建筑結構剖析視覺圖像的辨識模型表示為：

u(x,y;t)=G(x,y;t)

(1)

(2)

其中，Δu為住房建筑結構剖析視覺圖像的區域邊緣輪廓特征分量，Ag表示住房建筑結構剖析視覺圖像在梯度方向的像素特征分布強度，σ為二維住房建筑結構剖析表面在x和y兩個方向的關聯特征量。

根據住房建筑結構剖析視覺圖像的相似度分布進行分布式像素重建[3]，建立住房建筑結構剖析的視覺重構模型，得到住房建筑結構剖析的特征重組結果f(gi)為：

(3)

由此獲得住房建筑結構剖析視覺圖像的特征匹配集，根據外輪廓的規則形狀特征分布集，采用點目標重構法進行圖像的模板匹配[4]，得到模板大小為M×N，重建住房建筑結構剖析視覺圖像的灰度直方圖，得到住房建筑結構剖析的像素特征分解式為：

(4)

結合成像場景構建的方法進行住房建筑結構剖析視覺圖像的區域檢測，建立住房建筑結構剖析視覺圖像的視覺采集模型，融入自然與幻想進行住房建筑結構剖析系統設計。

1.2 住房建筑結構剖析視覺特征分析

采用邊緣特征分割和角點分布式提取方法進行住房建筑結構剖析視覺圖像的多維尺度分解，構建住房建筑結構剖析視覺圖像的三維成像模型[5]，得到住房建筑結構剖析視覺圖像虛擬重構的正態分布函數為：

(5)

重建住房建筑結構剖析視覺圖像的灰度直方圖，得到圖像W的R、G、B分量，采用灰度信息重構方法進行住房建筑結構剖析視覺圖像的像素序列重組，建立住房建筑結構剖析視覺的三維輪廓特征分布集，在住房建筑結構匹配方向，得到最佳分辨率為AR、AG、AB和WR、WG、WB，用(Ei，Ej，d，t)表示住房建筑結構剖析像素分布灰度共生矩陣，得到住房建筑結構剖析的相關性特征點分布為：

IDFi(v)=log(n/Fi(v))

(6)

其中，n表示住房建筑結構剖析視覺圖像個數，Fi(v)表示點目標的外法向量，引入自然與幻想因素，得到住房建筑結構剖析的場景跟蹤模型為：

D={Si,j(t),Ti,j(t),Ui,j(t)}

(7)

其中，Si,j(t)表示三維視覺下住房建筑結構剖析視覺圖像輪廓線，Ti,j(t)表示自相關函數類型分布像素集，Ui,j(t)表示住房建筑結構剖析的特征集。由此構建住房建筑結構剖析的灰度像素特征分布集，采用空間三維輪廓特征匹配方法，實現住房建筑結構剖析和主動檢測。

2 住房建筑結構剖析優化

2.1 住房建筑結構剖析視覺特征提取

采用模糊信息度特征提取方法實現住房建筑結構剖析視覺圖像的特征提取和優化檢測，構建住房建筑結構剖析視覺圖像的像素分布灰度像素集，得到住房建筑結構剖析視覺圖像的分布誤差滿足收斂條件，結合模糊度特征分解方法進行住房建筑結構剖析視覺分布式融合，建立住房建筑結構剖析的多分量特征檢測模型，得到住房建筑結構剖析視覺信息的灰度像素值為：

(8)

其中：Lxx(x,σ)是住房建筑結構剖析檢測的模板匹配系數，Lxx和Lyy分別為住房建筑結構剖析視覺圖像特征匹配系數和低頻系數[6]。采用正態分布函數進行住房建筑結構剖析視覺特征的分塊自適應檢測，進行住房建筑結構剖析視覺圖像重構，得到住房建筑結構剖析視覺自相關特征匹配函數為：

(9)

其中，ai表示住房建筑結構剖析視覺圖像成像場景的邊緣特征分布系數，J(w,e)表示住房建筑結構剖析視覺特征分布集，φ(xi)為住房建筑結構剖析視覺圖像的顏色特征分量。采用Harris角點檢測方法[7]，構建住房建筑結構剖析視覺圖像的像素分布灰度像素集，住房建筑結構剖析視覺信息分布的特征集，提取住房建筑結構剖析的邊緣特征點(x',y')，計算住房建筑結構剖析的分塊紋理特征分布集為：

(10)

bnrβ(X)=RβX-RβX1

(11)

采用高分辨率的特征信息重組方法，進行住房建筑結構剖析的視覺重建，提高住房建筑結構剖析能力。

2.2 住房建筑結構剖析視覺優化輸出

通過深度學習算法進行住房建筑結構剖析視覺檢測過程中的自適應尋優[8]，實現住房建筑結構剖析視覺檢測，建立住房建筑結構剖析視覺特征視覺圖像的統計形狀模型，在分塊融合模板中，得到住房建筑結構剖析視覺特征內部的邊緣像素集為：

(12)

采用自然與幻想融合方法，實現住房建筑結構剖析系統設計優化[9]，建立住房建筑結構剖析視覺特征匹配模型，采用多重分形方法進行住房建筑結構剖析視覺特征信息模糊度匹配，得到輸出分辨率為：

(13)

根據重建結果，得到住房建筑結構剖析視覺特征的特征點標定點輸出為：

(14)

3 仿真實驗與結果分析

為了驗證本文方法在實現住房建筑結構剖析和視覺特征檢測中的應用性能，進行仿真實驗分析，實驗的仿真軟件平臺為C++，實驗中采用LBP Sensors傳感器進行住房建筑結構剖析視覺特征分析，在機器視覺下進行住房建筑結構剖析視覺重構，得到住房建筑結構剖析視覺像素為1200×1200，在住房建筑結構剖析視覺特征區域的分布強度為70KJ，圖像的分辨率為40×60，其它參數設置見表1。

表1 仿真參數設置

根據上述仿真環境和參數設定，進行住房建筑結構剖析系統設計，得到住房建筑結構剖析視覺采集圖如圖1所示。

圖1 住房建筑結構剖析視覺采集圖

以圖1的視覺信息為特征采樣對象，建立住房建筑結構剖析視覺圖像分析模型，采用空間視覺信息采樣方法進行住房建筑結構剖析，得到住房建筑結構剖析的視覺信息融合結果如圖2所示。

圖2 住房建筑結構剖析的視覺信息融合結果

根據住房建筑結構剖析的視覺信息融合結果進行建筑結構剖析優化，得到優化結果如圖3所示。

圖3 住房建筑結構剖析優化結果

分析圖3得知，本文方法能有效實現住房建筑結構剖析，提高住房建筑結構的自然與幻想融合能力，圖像輸出的質量較高。

結語

本文提出基于自然與幻想融合的住房建筑結構剖析系統設計方法。構建住房建筑結構剖析視覺圖像的三維成像模型，采用邊緣特征分割和角點分布式提取方法進行住房建筑結構剖析視覺圖像的多維尺度分解，構建住房建筑結構剖析視覺圖像的三維成像模型，采用灰度信息重構方法進行住房建筑結構剖析視覺圖像的像素序列重組，建立住房建筑結構剖析視覺的三維輪廓特征分布集，通過深度學習算法進行住房建筑結構剖析視覺檢測過程中的自適應尋優，實現住房建筑結構剖析視覺檢測，采用自然與幻想融合方法，實現住房建筑結構剖析系統設計優化。分析得知，采用本文方法進行住房建筑結構剖析的視覺表達能力較強，提高了住房建筑結構剖析效果，提升了住房建筑結構的自然與幻想融合能力。