基于Revit BIM模型的园林景观HDF提取仿真

陈国兴，吴健平

(广东技术师范大学，广东 广州 510665)

1 引言

从景观的角度分析，园林景观信息的快速提取对设计工作的开展有着不可磨灭的地位[1-2]，它可以促使园林景观建设更加合理和科学化[3-4]，通过园林景观高差异特征提取能有效地改善建筑与园林景观间的阴影遮盖问题，对园林景观有着重大意义[5]。

陈超[6]等人提出基于多阈值优化的园林景观高差异特征提取方法，利用模糊计算园林景观图像中高差异特征的多个阈值，通过阈值计算图像轮廓内的数据集合中心值，根据运算出的曲率符号实现园林景观高差异特征提取。王超[7]等人提出基于LBP和GLCM的园林景观高差异特征提取方法，采用LBP算法判断园林景观高差异，通过GLCM实现城市建筑与园林景观图像在水平、直角等方向上的纹理特征提取，同时提取园林景观图像的能量、熵值等高差异特征参数，实现园林景观高差异特征提取。黄坚[8]等人提出基于多角点结合的园林景观高差异特征提取方法，利用角点特征指出园林景观特征提取机理和判定条件，实现对园林景观高差异特征提取。

本文提出基于Revit BIM模型的园林景观高差异特征提取方法。

2 Revit BIM模型中园林景观图像预处理

2.1 Revit BIM模型中获取图像

在城市园林建造过程中利用BIM模型构建园林景观，BIM是一项对园林建造及应用过程中的全寿命周期管理技术，目前BIM模型已经非常完善，将BIM模型与Revit软件结合生成Revit BIM模型，会更加有效的构建园林景观，通过图像收集设备在构建的园林景观中获取园林景观图像。

2.2 园林景观图像预处理

2.2.1 图像灰度化

由于图像收集设备中的图像均是彩色图像，导致图像所携带的信息量过大，造成图像高差异特征提取变得十分困难，为降低难度，通常对图像进行灰度化处理[9]，灰度化处理后的图像特征提取不仅难度大大减低，且保留图像原本的纹理、位置、轮廓等主要信息，运算时间减少，运算速度有也较大提高。

在图像收集设备中获取的图像颜色空间为RGB，在RGB空间内将彩色图像转换成灰度图像可根据下列公式转换

Grayscaleimage=Gray0.2989*R+0.5870*G+0.1140*B

(1)

式中，Grayscaleimage代表灰度图像，R代表红色分量，B代表蓝色分量，G代表绿色分量，Gray表示像素值。

2.2.2 灰度图像滤波

获取园林图像中会夹杂噪声信号。由于这种情况会导致图像失真，需对包含噪声的图像进行滤波处理[10]，确保获取清晰准确的图像，选择中值滤波法对图像进行去噪处理。

在圆形、菱形和方形滤波窗口中选取方形滤波窗口进行中值滤波，因为方形滤波窗口的滤波速度最快，且滤波后可完整保留物体的轮廓，方形滤波去噪过程如下：

假设方形滤波窗口长度为n，u=(n-1)/2，自然数集用I代表，在一维空间中的图像灰度输入序列为{Xi，i∈I}时的中值滤波输出如下所示

yi，j=Med{xi}=Med{xi-u，…，xi，…，xi=u}

(2)

式中，yi，j表示中值滤波输出，Med表示中值滤波。

当图像灰度为{Xi，j，(i，j)∈I2}时，方形窗口下的中值滤波输出为

(3)

yi，j表示方形窗口下的中值滤波输出，Med表示中值滤波，xi，j表示图像灰度值，A表示方形窗口，I表示自然数集。

2.2.3 直方图均衡化

处理图像畸形的本质就是提高图像灰度像素值，通常利用直方图均衡化调节图像的比拟度提高图像灰度像素值[11]。这种方法不仅可以补足曝光不足的图像，还可以平衡过度曝光的图像，因此可以使图像永远处于清晰的状态。

假设ni是图像灰度I的量，灰度I的像素产生的概率如下所示

P(i)=ni/n，i∈0，1，…L-1

(4)

其中，L代表图像灰度级别数，n代表图像总像素。

利用聚集分散函数对最开始获取的图像进行均衡化处理，使得最初图像的聚集归一化函数是c(i)，得到下列式子

(5)

利用最初图像的直方图可以运算出直方图经过均衡化处理后的图像像素灰度值，运算后的方程式如下

i=c(i)*(L-1)

(6)

其中，i是灰度I变化后的值(其中i是需要调整的)，将最初图像中的I换成i就是直方图均衡化后的图像。

3 园林景观高差异特征提取

首先对处理后的图像中的特征点进行分类，为精确分类需将图像特征点分别独立出来。由于园林景观高差异特征属于形状特征，通过形状特征的描述子将园林景观内的形状特征描述出来。最终将形状特征与独立出来的特征点匹配融合实现园林景观图像高差异特征提取。

3.1 独立园林景观图像特征点

为了完整的提取出园林景观高差异特征，要将园林景观中的所有特征点独立分类。采用PAC技术保证所有特征点之间都不相关。PAC的本质是利用特征正交变换得到新的特征模式[12]，新的特征模式协方差矩阵是对角矩阵，即保证所有特征点都是完全独立且不相关的。由矩阵理论可知，协方差矩阵是对称矩阵，得出对称矩阵即是对角矩阵，因此对称矩阵中也存在正交变换，经证明PAC是最有效，最广泛地降维技术，是使得特征点之间不相关的最好方法。

PAC运算过程如下：

假设最初图像空间内的数据X维数为m×n1×n2，m代表原始图像数据内的波段数量，n1和n2表示园林景观数据的空间维数。在利用PAC正交变换特征时，将最初图像空间内的数据X的维数正交变换成维数是m×n的样本数据集维数，即X={x1，x2，…，xn}，像素点总数是n=n1×n2。

最初空间数据X的协方差矩阵的运算方程如下

(7)

其中，μ表示原始图像空间里所有样本集的均值矢量。

协方差矩阵ΣX中的特征向量U与特征值λ即为园林图像中特征向量U与特征值λ，因此直接利用图像特征方程求解U和λ的，得出

U(λI-ΣX)=0

(8)

其中，I代表单位矩阵。

将特征值从大到小进行排列，得出λ1>λ2>…>λm，对应的特征向量为U1>U2>…>Um，因此总结出PAC变换矩阵为

W=[U1，U2，…，Um]

(9)

上述变换矩阵需满足如下条件

WTW=WWT=I

(10)

经上述分析后总结出最终PAC正交变换方程

Y=WTX

(11)

式中，Y表示X变换后的数据。

将图像中的特征值代入即可独立出所有特征点。

3.2.1 基于区域的形状特征

基于区域的形状特征描述方法包含密集度、转动惯量和几何矩三种描述子，计算三种特征描述子中的像素将其融合便可提取出形状特征。

1)密集度

假设目标区域的面积是A，周长是P，在目标区域面积不变的情况下，周长会随着目标区域变化而变化，目标区域内周长最短的形状是圆形，也是园林景观形状特征最密集的形状区域，则密集度的方程为

(12)

2)转动惯量

目标区域重心是对形状特征区域的整体描述，它也是形状特征中的一种，根据重心定义，假设灰度图像为f(x，y)，其重心的质心为(cx，cy)，则质心如下

(13)

(14)

假设J(cx，cy)是绕(cx，cy)的转动惯性，则其算法为

(15)

对J(cx，cy)实施归一化处理，归一化后的J(cx，cy)用NMI代表，则NMI为

(16)

3)几何矩

假设f(x，y)是分段连续的概率密度分布函数，(p+q)是二维连续随机函数，令mpq为函数各阶矩序列，利用分段连续的概率密度分布函数能够确认函数各阶矩序列，且mpq是唯一的序列。由此总结出(p+q)阶几何矩mpq方程如下

(17)

(p+q)阶中心矩

(18)

(19)

归一化后的中心距也是目标区域内的一种形状特征，即ηpq为形状特征。

3.2.2 提取园林景观形状特征

通过上述运算，计算出三种特征描述子中的像素，将三种特征描述子像素融合在一起，满足三种描述子像素的园林景观特征就是所要提取的园林景观形状特征。

3.3 园林景观高差异特征提取

根据PAC技术将园林景观中的特征正交变换得到全新且独立的特征点。园林景观高差异特征是园林景观图像形状特征的一部分，通过将园林景观图像中的三种描述子像素融合在一起描述出园林景观形状特征，将园林景观形状特征及特征正交变换后获取的独立特征点融合在一起，即在独立特征点中满足形状特征的园林景观特征就是所要提取的园林景观高差异特征。

4 实验结果与分析

为了验证所提方法的整体有效性，需要在Matlab2010平台中对所提方法进行测试。为了得到最佳植被指数分类方案，统计各植被指数样本分类精度。采用最小距离法对样本区植被进行分类。

图1 遥感影像自动分类成果图

分别采用基于Revit BIM模型的园林景观高差异特征提取方法(方法一)、基于多阈值优化的园林景观高差异特征提取方法(方法二)和基于LBP和GLCM的园林景观高差异特征提取方法(方法三)进行测试，将园林景观图像特征点分类的准确率作为测试指标，准确率越高，表明方法对园林景观高差异特征提取效果越好。测试结果如图2所示。

图2 不同方法的特征点分类准确率

分析图2可知，在多次迭代中方法一的特征点分类准确率始终高于其它两种方法，且方法一的准确率越来越高，而其它两种方法的准确率逐渐平稳，这是由于方法一将图像进行灰度化预处理，排除了冗余信息，减少信息量，只留下精确有用的信息，从而提高了特征点分类的准确率，因此更精准的提取园林景观图像高差异特征。

为了进一步验证所提方法是真实有效的，比较三种方法对园林景观高差异特征提取的时间，如图3所示。

图3 三种方法提取高差异特征时间

由图3可知，在相同环境下分别使用三种方法对园林景观高差异特征进行提取，方法一在任何环境下所用的提取时间均小于20s，因为方法一采用直方图均衡化调节图像的比拟度提高灰度图像像素值，对曝光不足和过度曝光的图像实施补足和平衡图像的预处理，确保获取清晰准确的图像，减少了园林图像高差异特征提取时间，提高了园林景观高差异特征提取效率。

园林景观图像中最影响提取高差异特征的因素是图像中的噪声，通过分析三种方法的峰值信噪比可以确定最优园林景观高差异提取方法，如图4所示。

图4 不同方法的峰值信噪比

由图4可知，方法一的园林景观图像峰值信噪比均高于方法二和方法三的比值，因为方法一选取中值滤波法对灰度图像进行去噪的预处理，增强了信号接收，较少干扰信息，证明了方法一是提取园林景观高差异特征的最优办法。

5 结束语

目前园林景观特征提取方法存在特征点分类准确率差，效率差和峰值信噪比低的问题，提出基于Revit BIM模型的园林景观高差异特征提取方法，对园林景观进行灰度化处理的同时进行中值滤波去噪和直方图均衡化提高像素的预处理，预处理后得到的图像利用PAC技术将特征进行正交变换获取新的特征模式，使特征点之间均不相关。将特征点融合转动惯量、密集度和几何矩三种描述子描述的形状特征，实现园林景观高差异特征提取，解决特征点分类准确率差，效率差和峰值信噪比低的问题，为城市建设中的园林景观发展奠定了基础。