APP下载

自然与幻想融合的住房建筑结构剖析系统设计

2020-08-11

关键词:剖析灰度像素

高 嵩

(合肥万博科技职业学院 建筑工程管理学系,安徽 合肥 230031)

随着住房建筑结构设计艺术的不断进步,对住房建筑结构剖析设计的智能化水平越来越高,在自然和幻想的融合角度下进行住房建筑结构剖析设计,提高住房建筑结构剖析的视觉表达能力,相关的住房建筑结构剖析设计方法研究受到人们的极大关注[1]。采用机器视觉分析方法,建立住房建筑结构剖析的视觉分析模型,进行住房建筑结构剖析视觉特征分析,采用三维视觉信息采样方法,进行住房建筑结构剖析和设计,本文提出基于自然与幻想融合的住房建筑结构剖析系统设计方法。建立住房建筑结构剖析视觉图像分析模型,采用空间视觉信息采样方法进行住房建筑结构剖析,融合自然与幻想元素进行住房建筑结构剖析特征提取,实现住房建筑结构剖析设计优化,最后进行仿真测试分析,得出有效性结论。

1 住房建筑结构剖析成像和特征提取

1.1 住房建筑结构剖析成像

构建住房建筑结构剖析视觉图像的三维成像模型,采用边缘特征分割和角点分布式提取方法进行住房建筑结构剖析视觉图像的多维尺度分解[2],在D维空间中进行住房建筑结构剖析视觉图像的空间分布式重建,结合3D模型重构方法,建立住房建筑结构剖析视觉图像的辨识模型表示为:

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

(1)

(2)

其中,Δu为住房建筑结构剖析视觉图像的区域边缘轮廓特征分量,Ag表示住房建筑结构剖析视觉图像在梯度方向的像素特征分布强度,σ为二维住房建筑结构剖析表面在x和y两个方向的关联特征量。

根据住房建筑结构剖析视觉图像的相似度分布进行分布式像素重建[3],建立住房建筑结构剖析的视觉重构模型,得到住房建筑结构剖析的特征重组结果f(gi)为:

(3)

由此获得住房建筑结构剖析视觉图像的特征匹配集,根据外轮廓的规则形状特征分布集,采用点目标重构法进行图像的模板匹配[4],得到模板大小为M×N,重建住房建筑结构剖析视觉图像的灰度直方图,得到住房建筑结构剖析的像素特征分解式为:

(4)

结合成像场景构建的方法进行住房建筑结构剖析视觉图像的区域检测,建立住房建筑结构剖析视觉图像的视觉采集模型,融入自然与幻想进行住房建筑结构剖析系统设计。

1.2 住房建筑结构剖析视觉特征分析

采用边缘特征分割和角点分布式提取方法进行住房建筑结构剖析视觉图像的多维尺度分解,构建住房建筑结构剖析视觉图像的三维成像模型[5],得到住房建筑结构剖析视觉图像虚拟重构的正态分布函数为:

(5)

重建住房建筑结构剖析视觉图像的灰度直方图,得到图像W的R、G、B分量,采用灰度信息重构方法进行住房建筑结构剖析视觉图像的像素序列重组,建立住房建筑结构剖析视觉的三维轮廓特征分布集,在住房建筑结构匹配方向,得到最佳分辨率为AR、AG、AB和WR、WG、WB,用(Ei,Ej,d,t)表示住房建筑结构剖析像素分布灰度共生矩阵,得到住房建筑结构剖析的相关性特征点分布为:

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

(6)

其中,n表示住房建筑结构剖析视觉图像个数,Fi(v)表示点目标的外法向量,引入自然与幻想因素,得到住房建筑结构剖析的场景跟踪模型为:

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

(7)

其中,Si,j(t)表示三维视觉下住房建筑结构剖析视觉图像轮廓线,Ti,j(t)表示自相关函数类型分布像素集,Ui,j(t)表示住房建筑结构剖析的特征集。由此构建住房建筑结构剖析的灰度像素特征分布集,采用空间三维轮廓特征匹配方法,实现住房建筑结构剖析和主动检测。

2 住房建筑结构剖析优化

2.1 住房建筑结构剖析视觉特征提取

采用模糊信息度特征提取方法实现住房建筑结构剖析视觉图像的特征提取和优化检测,构建住房建筑结构剖析视觉图像的像素分布灰度像素集,得到住房建筑结构剖析视觉图像的分布误差满足收敛条件,结合模糊度特征分解方法进行住房建筑结构剖析视觉分布式融合,建立住房建筑结构剖析的多分量特征检测模型,得到住房建筑结构剖析视觉信息的灰度像素值为:

(8)

其中:Lxx(x,σ)是住房建筑结构剖析检测的模板匹配系数,Lxx和Lyy分别为住房建筑结构剖析视觉图像特征匹配系数和低频系数[6]。采用正态分布函数进行住房建筑结构剖析视觉特征的分块自适应检测,进行住房建筑结构剖析视觉图像重构,得到住房建筑结构剖析视觉自相关特征匹配函数为:

(9)

其中,ai表示住房建筑结构剖析视觉图像成像场景的边缘特征分布系数,J(w,e)表示住房建筑结构剖析视觉特征分布集,φ(xi)为住房建筑结构剖析视觉图像的颜色特征分量。采用Harris角点检测方法[7],构建住房建筑结构剖析视觉图像的像素分布灰度像素集,住房建筑结构剖析视觉信息分布的特征集,提取住房建筑结构剖析的边缘特征点(x',y'),计算住房建筑结构剖析的分块纹理特征分布集为:

(10)

bnrβ(X)=RβX-RβX1

(11)

采用高分辨率的特征信息重组方法,进行住房建筑结构剖析的视觉重建,提高住房建筑结构剖析能力。

2.2 住房建筑结构剖析视觉优化输出

通过深度学习算法进行住房建筑结构剖析视觉检测过程中的自适应寻优[8],实现住房建筑结构剖析视觉检测,建立住房建筑结构剖析视觉特征视觉图像的统计形状模型,在分块融合模板中,得到住房建筑结构剖析视觉特征内部的边缘像素集为:

(12)

采用自然与幻想融合方法,实现住房建筑结构剖析系统设计优化[9],建立住房建筑结构剖析视觉特征匹配模型,采用多重分形方法进行住房建筑结构剖析视觉特征信息模糊度匹配,得到输出分辨率为:

(13)

根据重建结果,得到住房建筑结构剖析视觉特征的特征点标定点输出为:

(14)

3 仿真实验与结果分析

为了验证本文方法在实现住房建筑结构剖析和视觉特征检测中的应用性能,进行仿真实验分析,实验的仿真软件平台为C++,实验中采用LBP Sensors传感器进行住房建筑结构剖析视觉特征分析,在机器视觉下进行住房建筑结构剖析视觉重构,得到住房建筑结构剖析视觉像素为1200×1200,在住房建筑结构剖析视觉特征区域的分布强度为70KJ,图像的分辨率为40×60,其它参数设置见表1。

表1 仿真参数设置

根据上述仿真环境和参数设定,进行住房建筑结构剖析系统设计,得到住房建筑结构剖析视觉采集图如图1所示。

图1 住房建筑结构剖析视觉采集图

以图1的视觉信息为特征采样对象,建立住房建筑结构剖析视觉图像分析模型,采用空间视觉信息采样方法进行住房建筑结构剖析,得到住房建筑结构剖析的视觉信息融合结果如图2所示。

图2 住房建筑结构剖析的视觉信息融合结果

根据住房建筑结构剖析的视觉信息融合结果进行建筑结构剖析优化,得到优化结果如图3所示。

图3 住房建筑结构剖析优化结果

分析图3得知,本文方法能有效实现住房建筑结构剖析,提高住房建筑结构的自然与幻想融合能力,图像输出的质量较高。

结语

本文提出基于自然与幻想融合的住房建筑结构剖析系统设计方法。构建住房建筑结构剖析视觉图像的三维成像模型,采用边缘特征分割和角点分布式提取方法进行住房建筑结构剖析视觉图像的多维尺度分解,构建住房建筑结构剖析视觉图像的三维成像模型,采用灰度信息重构方法进行住房建筑结构剖析视觉图像的像素序列重组,建立住房建筑结构剖析视觉的三维轮廓特征分布集,通过深度学习算法进行住房建筑结构剖析视觉检测过程中的自适应寻优,实现住房建筑结构剖析视觉检测,采用自然与幻想融合方法,实现住房建筑结构剖析系统设计优化。分析得知,采用本文方法进行住房建筑结构剖析的视觉表达能力较强,提高了住房建筑结构剖析效果,提升了住房建筑结构的自然与幻想融合能力。

猜你喜欢

剖析灰度像素
采用改进导重法的拓扑结构灰度单元过滤技术
像素前线之“幻影”2000
Bp-MRI灰度直方图在鉴别移行带前列腺癌与良性前列腺增生中的应用价值
一元一次方程错解剖析
剖析高考数列创新题
Arduino小车巡线程序的灰度阈值优化方案
“像素”仙人掌
集合中的错解剖析
“角”的常见错解剖析
高像素不是全部