建筑簇群全景图像空间布局人工智能规划方法研究

摘要：为了提高建筑簇群空间布局规划能力，提出基于空间边缘轮廓特征检测技术的建筑簇群全景图像空间布局人工智能规划方法。构建建筑簇群全景图像空间规划成像模型，采用多样性的图片结构重构方法进行建筑簇群全景图像空间区域信息增强处理，建立建筑簇群全景图像的边缘轮廓特征检测模型，构造建筑簇群全景图像多尺度特征分解模型，采用机器视觉方法进行建筑簇群全景图像的先验形状模型参数估计，根据参数估计结果实现建筑簇群全景布局和人工智能规划。仿真结果表明，采用该方法进行建筑簇群全景图像空间规划的智能性较强，规划合理性较好。

关键词：建筑簇群;全景图像;信息增强;空间布局;人工智能规划;仿真实验

中图分类号：TN911.73-34：TP391

文献标识码：A

文章编号：1004-373X（ 2019） 24-0096-04

0 引言

随着图像信息处理技术的发展，采用图像视觉信息处理技术进行建筑簇群全景图像空间布局和规划设计，建立建筑规划视觉分布模型，提高建筑科学规划能力。在进行建筑集群规划中，需要构建建筑簇群全景图像分析模型，采用全景视觉信息重构和特征分析技术，进行建筑簇群全景空间区域规划设计，提高建筑簇群全景空间布局和人工智能规划水平，相关的建筑簇群全景图像空间布局人工智能规划方法研究受到人们的极大关注[1]。对建筑簇群规划是建立在对建筑簇群全景图像的视觉信息分析基础上，采用图像的边缘轮廓特征提取的方法，进行建筑簇群全景信息检测，通过区域信息特征提取的方法进行建筑空间区域规划[2]。本文提出基于空间边缘轮廓特征检测技术的建筑簇群全景图像空间布局人工智能规划方法。首先进行视觉成像处理，然后建立建筑簇群全景图像的边缘轮廓特征检测模型，结合图像的边缘轮廓检测的方法，实现建筑簇群全景图像空间布局和人工智能规划设计，最后进行仿真实验分析，得出有效性结论。

1 建筑簇群全景图像采样及信息增强处理

1.1 建筑簇群全景图像空间规划成像模型

为了实现建筑簇群全景图像空间布局人工智能规划，首先构建建筑簇群全景图像采集模型，采用图像边缘梯度信息检测方法进行建筑簇群全景图像特征检测[3]，构建建筑簇群全景图像空间布局人工智能规划模型，得到图像的边缘轮廓分布描述为：式中，日（z）和8（z）分别为Heaviside函数和Dirac函数。采用自适应模板特征匹配的方法，构建建筑簇群全景图像空间区域规划模型[4-6]，结合空间扫描成像方法得到建筑簇群全景图像输出为：式中，P（φ）为建筑簇群全景图像的多尺度边缘信息采样输出。

1.2 图像空间区域信息增强处理

采用多样性的图片结构重构方法进行建筑簇群全景图像空间区域信息增强处理[7-8]，得到建筑簇群全景图像的活动轮廓分布描述如下：

采用像素点邻域特征匹配的方法[9]，进行建筑簇群全景图像的分区域匹配，得到特征匹配集描述为：

采用多样性的图片结构重构方法进行建筑簇群全景图像空间区域信息增强处理[10-11]，得到图像增强输出为：

根据上述分析，构建建筑簇群全景图像空间信息增强模型，建立建筑簇群全景图像的边缘轮廓特征检测模型，进行建筑簇群空间布局规划[12]。

2 图像空间布局人工智能规划优化

2.1 建筑簇群全景边缘轮廓特征检测

构造建筑簇群全景图像多尺度特征分解模型㈣，进行建筑簇群全景图像多尺度平滑处理，得到图像的平滑处理输出为：式中：v，μ是不同建筑空间分布区域的尺度系数。根据训练集中的观测集进行建筑簇群全景图像的空间布局人工智能规划，根据训练集中的观测样本集[14]，进行空间区域的边界形状特征检测，得到建筑簇群全景图像的纹理分布函数为：

构造建筑簇群全景图像多尺度特征分解模型，采用机器视觉方法进行建筑簇群全景图像检测，结合自适应寻优模型，在机器视觉下采用模板匹配来实现二值编码，构建建筑簇群全景图像空间布局规划模型，得到邻域点灰度平均值为：

由此构造建筑簇群全景图像多尺度特征分解模型，根据建筑簇群全景图像的显著特征进行标定定位，根据特征标定结果，进行建筑簇群全景规划设计。

2.2 建筑簇群全景布局智能规划

采用机器视觉方法进行建筑簇群全景图像的先验形状模型参数估计，根据参数估计结果实现建筑簇群全景布局设计，构建建筑簇群全景图像的灰度特征分布矩阵描述为：式中：C1和C2分别表示建筑簇群全景图像的径向灰度的梯度值和边缘轮廓线长度;Length （C）表示邻域卷积长度;Area （inside （C》表示轮廓曲线内部面积。

考虑像素的多重分布因素，在模板mxn区域内对建筑簇群全景图像进行空间区域融合，结合多元统计分析方法，利用不同類别图像样本的纹理自相似性特征，进行直方图重建[15]，得到灰度直方图分量为：式中，t0表示建筑簇群全景图像的结构相似度，在建筑簇群全景图像成像的4x4子区域内，通过近似稀疏表示方法，得到建筑簇群全景图像的像素相似度函数为s（X，Y），按照半重叠方式对图像进行分块，得到分块结构函数为：式中：assoc（A，V）为建筑簇群全景图像的像素点子集A中的信息强度;assoc（B，V）为建筑簇群全景图像的边缘轮廓特征量。在更大观测尺度中描述图像视觉结构，根据视觉结构分布，进行建筑簇群全景图像空间布局人工智能规划设计。

3 仿真实验与结果分析

通过仿真实验验证本文方法，在实现建筑簇群全景图像空间布局及人工智能规划中的应用性能。结合Matlab 7仿真工具进行仿真测试，对建筑簇群全景图像采样的超分辨率为2 000x2 000，建筑簇群空间规划的迭代次数为400，图像模糊度权重系数为0.001，建筑簇群全景图像的样本数为3 000，测试集规模为120。根据上述参数设定，进行建筑簇群全景图像空间布局人工智能规划设计，得到原始的建筑簇群全景图像采集如图1所示。

以图1的图像为测试对象，采用多样性的图片结构重构方法进行建筑簇群全景图像空间区域信息增强处理.得到图像增强结果如图2所示。

分析图2得知，采用本文方法能有效实现建筑簇群全景图像的空间信息增强，提高建筑簇群全景规划和成像能力。在此基础上，实现建筑簇群全景布局和人工智能规划，得到的结果如图3所示。

分析图3得知，采用本文方法能有效实现建筑簇群全景布局和人工智能规划设计，测试不同方法进行建筑簇群全景布局和人工智能规划的误差，得到的对比结果如图4所示。分析图4得知，采用该方法进行建筑簇群全景图像空间规划的智能性较强，误差较低，规划合理性较好。

4 结语

为了提高建筑簇群全景空间布局和人工智能规划水平，本文提出基于空间边缘轮廓特征检测技术的建筑簇群全景图像空间布局人工智能规划方法。采用多样性的图片结构重构方法进行建筑簇群全景图像空间区域信息增强处理，构造建筑簇群全景图像多尺度特征分解模型，采用機器视觉方法进行建筑簇群全景图像参量分析，根据边缘轮廓检测结果实现建筑簇群全景布局和人工智能规划。研究得知，采用本文方法进行建筑簇群全景规划的智能性较好，提高了建筑空间规划的可靠性。

参考文献

[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，周韵，宁晨，等，自适应融合局部和全局稀疏表示的图像显著性检测 [J].计算机应用 ， 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，熊伟，陈荦，等，基于MPI的大规模遥感影像金字塔并行构建方法[J].地球信息科学学报，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]单玉刚，汪家宝.鲁棒的白适应尺度和方向的目标跟踪方法[J].计算机工程与应用，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，张桦，高赞，基于Kinect和金字塔特征的行为识别算法[J]光电子·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.

作者简介：田婧（1985-），女，江西九江人，硕士，副教授，研究方向为环境与数字媒体艺术。