一种基于三维BIM的分布式综合管理系统的制作方法

一种基于三维bim的分布式综合管理系统
技术领域
1.本发明涉及领域，具体涉及一种基于三维bim的分布式综合管理系统。


背景技术：

2.在三维bim建模软件中进行三维建模时，最先得到的是控制点坐标位置，然后根据每个点的高程数据进行拉伸得到三维影像，为了便于计算，在三维建模软件中，将属于同一种物体的控制点放置在同一个图层上，然而在图像显示时，实际显示时是不同图层上的景物的叠加。
3.然而，每次加载过程都是由远景到近景的加载过程，在这个过程中，是由一个比例调整为另一个比例，当前比例下显示的图像数据仅仅是可以在当前比例下清晰可见的数据，当进行比例调整时，图像进行了比例放大，下一个比例需要体现的数据更多，因为实际显示时每个比例下的图像多是不同图层上的景物的叠加，故，这个过程中加载的数据量非常大，因此，显示界面往往会出现卡顿的现象，其直观显示为界面上的加载圆圈。
4.现有技术中是通过提高电脑硬件释放内存的方法来尽量避免这个问题，但该方法只是治标不治本，因此，提供一种基于三维bim的分布式综合管理系统，以解决现有技术问题。


技术实现要素：

5.本发明提供一种基于三维bim的分布式综合管理系统，以解决现有的问题。
6.本发明的一种基于三维bim的分布式综合管理系统采用如下技术方案：第一图像获取模块，用于获取每个比例下的三维bim图像，并获取每个比例下相对于前一个比例对应的三维bim图像中新增部分的图像，并作为对应比例下的图层图像；第一特征点叠加模块，用于对每个比例下对应三维bim图像进行下采样得到下采样图像并构建差分金字塔，并利用sift算法获取差分金字塔中的差分图像的特征点，将每个下采样图像及尺寸小于该下采样图像的其他下采样图像对应的差分图像的特征点进行叠加得到对应的特征点叠加图像及特征点数量；第一损失率计算模块，用于根据每个比例下对应的所有下采样图像的熵值构建熵值曲线，并得到熵值曲线的转折点，根据每个转折点所在的下采样图像对应的特征点叠加图像中的特征点数量与其对应的最大下采样图像对应的特征点叠加图像中的特征点数量获取下采样图像的轮廓损失率，根据每个转折点对应的下采样图像与其对应的三维bim图像的熵值获取下采样图像的信息损失率；第一图像显示模块，计算信息损失率与轮廓损失率的损失率比值，将每个比例下的最大损失率比值对应的下采样图像作为对应比例下的图层图像加载时的显示图像。
7.优选的，构建差分金字塔，包括：将每个比例下的下采样图像下的最中部的图像作为初始图像；对每个初始图像进行不同滤波核的多个模糊图像；
对每两个相邻的模糊图像进行差分得到初始差分图像；将所有初始差分图像进行叠加得到每个比例下的每个下采样图像对应的差分图像；根据每个比例下的所有下采样图像对应的差分图像得到对应比例下的差分金字塔。
8.优选的，得到对应的特征点叠加图像，包括：将每个比例下对应的最大下采样图像与小于该下采样图像的其他下采样图像对应的差分图像的特征点进行叠加到最大下采样图像上，得到第一特征点叠加图像；将每个比例下对应的第二大尺寸的下采样图像与小于该下采样图像的其他下采样图像对应的差分图像的特征点进行叠加到最大尺寸的下采样图像上，得到第二特征点叠加图像；以此类推，得到每个比例下对应的特征点叠加图像。
9.优选的，获取熵值曲线的转折点，包括：根据熵值曲线中的熵值获取对应的熵值序列；对计算熵值序列其中相邻的后一个熵值与前一个熵值的熵值差值，并得到熵值差值序列；获取熵值差值序列中的熵值差值的均值，将大于均值的熵值差值对应的两个熵值中小的熵值对应的点作为熵值曲线上的转折点。
10.优选的，获取下采样图像的信息损失率，包括：获取每个转折点对应的下采样图像与其对应的比例下的三维bim图像的熵值差值；将熵值差值与三维bim图像的熵值比值作为信息损失率。
11.优选的，将每个转折点所在的下采样图像对应的特征点叠加图像中的特征点数量与其对应的最大下采样图像对应的特征点叠加图像中的特征点数量的比值作为下采样图像的轮廓损失率。
12.优选的，获取在每个比例下的图层图像加载时的显示图像，包括：设定轮廓损失率阈值；将轮廓损失率小于轮廓损失率阈值对应的下采样图像进行保留；计算保留的下采样图像的信息损失率和轮廓损失率的损失率比值，将最大损失率比值对应的保留的下采样图像作为对应比例下的图层图像加载时的显示图像。
13.本发明还提供了一种基于三维bim的分布式综合管理系统，该系统包括：第二图像获取模块，用于获取每个比例下的三维bim图像，并获取每个比例下相对于前一个比例对应的三维bim图像中新增部分的图像，并作为对应比例下的图层图像；类别划分模块，用于对每个图层图像中的像素点进行聚类得到多个聚类区域；以每个图层图像作为目标图层图像，利用位置聚类的方法将小于目标图层图像的比例的图层图像的聚类区域聚类到目标图层图像的聚类区域内得到每个比例下对应的图层图像的聚类区域；第二特征点叠加模块，用于对每个比例下对应聚类区域进行下采样得到下采样图
像并构建差分金字塔，并利用sift算法获取差分金字塔中的差分图像的特征点，将每个下采样图像及尺寸小于该下采样图像的其他下采样图像对应的差分图像的特征点进行叠加得到对应的特征点叠加图像及特征点数量；第二损失率计算模块，用于根据每个比例下对应的所有下采样图像的熵值构建熵值曲线，并得到熵值曲线的转折点，根据每个转折点所在的下采样图像对应的特征点叠加图像中的特征点数量与其对应的最大下采样图像对应的特征点叠加图像中的特征点数量获取下采样图像的轮廓损失率，根据每个转折点对应的下采样图像与其对应的三维bim图像的熵值获取下采样图像的信息损失率；第二图像显示模块，用于计算信息损失率与轮廓损失率的损失率比值，将每个比例下的最大损失率比值对应的下采样图像作为对应比例下的图层图像的对应的聚类区域的显示图像，将每个图层图像上的所有聚类区域的显示图像拼接得到对应比例下的图层图像加载时的显示图像。
14.优选的，得到每个比例下对应的图层图像的聚类区域，包括：以图层图像中的每个聚类区域的聚类中心作为图结构的节点，并得到每个图层图像的图结构；以每个比例下的图层图像的图结构的节点为聚类中心，以小于该比例的图层图像的图结构的节点为离散点，将所有离散点进行聚类到对应的比例下的图层图像的节点得到聚类后的每个比例下对应的聚类叠加区域。
15.本发明的一种基于三维bim的分布式综合管理系统有益效果是：1、通过对三维bim图像下采样并进行差分得到差分图像，利用差分过程中的特征点位于图像的边缘清晰的图层图像的像素点上的特点，并根据差分过程中的不同比例下的每个特征点叠加图像的特征点数量及下采样图像的熵值来确定信息损失率、轮廓损失率，从而选取信息损失率大且轮廓损失率小对应的下采样图像作为加载时的显示图像，从而实现了加载时保证了载轮廓信息的加载，减低了硬件的要求，减少了图像细节信息的加载，进而减少了加载时间，保证了显示图像的效果。
16.2、通过对每个比例下的图层图像中的局部区域进行聚类分析，确定图层图像中的局部区域的对应的下采样图像的信息损失率与轮廓损失率，然后根据两个损失率适应性的确定每个聚类叠加区域对应的加载时的显示图像，该过程实现了对图层图像中的每个局部区域进行下采样时的损失率分析，进而适应性确定图层图像中的每个局部区域加载时的显示图像，进一步减少加载时间，保证了显示图像的效果。
附图说明
17.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1为本发明的一种基于三维bim的分布式综合管理系统的实施例1的系统框图；图2为本发明的一种基于三维bim的分布式综合管理系统的实施例2的系统框图。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.实施例1本发明的一种基于三维bim的分布式综合管理系统的实施例1，本实施例的应用场景为：在三维建筑图像放大过程中，经常由于三维建筑图像的数据量过大，需要耗费一定时间进行加载，故，往往会在显示过程中出现一个加载圆圈或卡顿，需要用户等待一定时间，从而影响客户的体验，故如图1所示，本实施例提供的一种基于三维bim的分布式综合管理系统具体包括：第一图像获取模块、第一特征点叠加模块、第一损失率计算模块及第一图像显示模块。
21.第一图像获取模块用于获取每个比例下相对于前一个比例对应的三维bim图像中新增部分的图像，并作为对应比例下的图层图像。
22.具体的，由于三维bim图像数据是非常大的，如建筑模型数据，在利用三维建模软件在建模时，最先得到的是控制点坐标位置，然后根据每个点的高程数据进行拉伸得到三维影像，为了便于计算，在三维建模软件中，故将属于同一种物体的控制点放置在同一个图层上，然而，实际显示时是不同图层图像上的景物的叠加而成的，即同一图层的景物的比例尺相近时，则认为景物的大小相近，因此，同一比例下的大小相近景物在同一图层图像上显示，例如，对于建筑来说，在三维bim图像中，从远距离看，不同的楼属于同一图层图像，将三维bim图像比例放大则，可以看到每个楼里面的景物，故楼里面的景物属于同一图层图像。
23.第一特征点叠加模块用于对每个比例下对应三维bim图像进行下采样得到下采样图像并构建差分金字塔，并利用sift算法获取差分金字塔中的差分图像的特征点，将每个下采样图像及尺寸小于该下采样图像的其他下采样图像对应的差分图像的特征点进行叠加得到对应的特征点叠加图像及特征点数量。
24.由于，在金字塔差分过程中，差分金字塔对应的差分图像的特征点往往位于边缘更加清晰的图层图像对应景物的像素点上，如果在金字塔差分过程中某个图层图像中景物变得模糊，则落在该景物上的关键点的数量较少，因此，本实施例通过金字塔差分过程中关键点数量的变化对每个景物的清晰程度进行判断，进而为后续确定轮廓损失率奠定基础。
25.本实施例中，构建差分金字塔具体包括：将每个比例下的下采样图像下的最中部的图像作为初始图像；对每个初始图像进行不同滤波核的多个模糊图像；对每两个相邻的模糊图像进行差分得到初始差分图像；将所有初始差分图像进行叠加得到每个比例下的每个下采样图像对应的差分图像；根据每个比例下的所有下采样图像对应的差分图像得到对应比例下的差分金字塔，即每个比例下的每个寸尺的采样图像都对应有一个差分图像，不同尺寸的采样图像都对应的差分图像构成了差分金字塔，其中，sift算法获取特征点为现有技术，本实施例不再赘述。
26.由于，同一个尺寸下的采样图像的差分图像的极值点数量的减少，则可以表示轮廓信息的减少，即为了后续计算轮廓信息的损失情况，本实施例将每个下采样图像及尺寸小于该下采样图像的其他下采样图像对应的差分图像的特征点进行叠加得到对应的特征
点叠加图像过程的具体包括：将每个比例下对应的最大下采样图像与小于该下采样图像的其他下采样图像对应的差分图像的特征点进行叠加到最大下采样图像上，得到第一特征点叠加图像；将每个比例下对应的第二大尺寸的下采样图像与小于该下采样图像的其他下采样图像对应的差分图像的特征点进行叠加到最大尺寸的下采样图像上，得到第二特征点叠加图像；以此类推，得到每个比例下对应的特征点叠加图像。
27.其中，由于，在不同尺寸下的特征点数量序列可以表示特征点叠加图像对应比例的图层图像中景物的轮廓损失情况，故为了后续对轮廓损失率进行计算，本实施例根据每个比例下的所有特征点叠加图像获取对应的特征点数量序列的过程具体包括：获取每个下采样图像对应的特征点叠加图像的特征点数量；按照下采样图像的尺寸对每个下采样图像对应的特征点叠加图像的特征点数量进行排序得到特征点数量序列。
28.第一损失率计算模块用于根据每个比例下对应的所有下采样图像的熵值构建熵值曲线，并得到熵值曲线的转折点，根据每个转折点所在的下采样图像对应的特征点叠加图像中的特征点数量与其对应的最大下采样图像对应的特征点叠加图像中的特征点数量获取下采样图像的轮廓损失率，根据每个转折点对应的下采样图像与其对应的三维bim图像的熵值获取下采样图像的信息损失率。
29.具体的，根据每个比例下对应的所有下采样图像的熵值构建熵值曲线，并得到熵值曲线的转折点的过程包括：根据熵值曲线中的熵值获取对应的熵值序列；对计算熵值序列其中相邻的后一个熵值与前一个熵值的熵值差值，并得到熵值差值序列；获取熵值差值序列中的熵值差值的均值，将大于均值的熵值差值对应的两个熵值中小的熵值对应的点作为熵值曲线上的转折点。
30.其中，根据每个转折点所在的下采样图像对应的特征点叠加图像与其对应的三维bim图像的熵值获取下采样图像的信息损失率的过程为：获取每个转折点对应的下采样图像与其对应的比例下的三维bim图像的熵值差值；将熵值差值与三维bim图像的熵值比值作为信息损失率。
31.其中，将每个转折点所在的下采样图像对应的特征点叠加图像中的特征点数量与其对应的最大下采样图像对应的特征点叠加图像中的特征点数量的比值作为下采样图像的轮廓损失率。
32.第一图像显示模块用于计算信息损失率与轮廓损失率的损失率比值，将每个比例下的最大损失率比值对应的下采样图像作为对应比例下的图层图像加载时的显示图像。
33.由于，显示图像的信息量与图层图像的信息量相比较小时，可以减小加载时的数据量，故需要的显示图像的信息损失率就要越大，即可以减少的数据量越大，从而减少加载时间；而轮廓损失率反映的是图像中的细节信息的轮廓，虽然在每个图层图像中细节信息本就看不清楚，但其轮廓还是可以看得到的，故本实施例中对于轮廓损失率就要较小，从而提供给用户良好的观感，即最终得到显示图像的轮廓损失率要越小，且信息损失率要大，故，本实施例以信息损失率与轮廓损失率的损失率比值作为判断条件，当损失率比值越大时，说明此时的下采样图像相对于其对应的最大采样图像的轮廓损失率小且信息损失率大，因此，当每个比例下的下采样图像的损失率比值最大时，在将损失率比值最大时对应的下采样图像作为该比例下对应的虚拟图层图像，并将虚拟图层图像作为加载时的显示图像。
34.具体的，为了减少计算量，本实施例先设定轮廓损失率阈值，具体的，因为轮廓损失率损失不能过大，故本实施例中轮廓损失率阈值取0.7，然后将轮廓损失率小于轮廓损失率阈值对应的下采样图像进行保留；计算保留的下采样图像的信息损失率和轮廓损失率的损失率比值，将最大损失率比值对应的保留的下采样图像作为该比例下对应的虚拟图层图像，并将虚拟图层图像作为加载时的显示图像。
35.实施例2实施例2提供的一种基于三维bim的分布式综合管理系统，具体包括：第二图像获取模块、类别划分模块、第二特征点叠加模块、第二损失率计算模块及第二图像显示模块，具体的，如图2所示，本实施例2的方案为：具体的，第二图像获取模块用于获取每个比例下的三维bim图像，并获取每个比例下相对于前一个比例对应的三维bim图像中新增部分的图像，并作为对应比例下的图层图像；本实施例中考虑到显示屏的界面是有限的，因此，放大时得到的往往是局部区域，而在某个比例尺下，往往相近比例下的景物人眼可以看得较为清楚，对于该比例尺下较小的物体来说，常规方法是也进行全部加载，但人眼分辨率没有那么高，此时小比例尺小的物体可以看作是当前比例尺下的图像中的细节信息，对于细节信息往往轮廓信息和全部信息对于人眼来说差别不大，因此，将细节信息用轮廓信息来显示，从而进一步避免大数据量的加载导致加载时间过长，造成页面的卡顿问题。
36.故，本实施例2，增加类别划分模块，其用于对每个图层图像中的像素点进行聚类得到多个聚类区域；以每个图层图像作为目标图层图像，利用位置聚类的方法将小于目标图层图像的比例的图层图像的聚类区域聚类到目标图层图像的聚类区域内得到每个比例下对应的图层图像的聚类叠加区域，其中，得到每个比例下对应的图层图像的聚类叠加区域，包括：以图层图像中的每个聚类区域的聚类中心作为图结构的节点，并得到每个图层图像的图结构；以每个比例下的图层图像的图结构的节点为聚类中心，以小于该比例的图层图像的图结构的节点为离散点，将所有离散点进行聚类到对应的比例下的图层图像的节点得到聚类后的每个比例下对应的聚类叠加区域，具体的，以最大比例的图层图像为例，获取最大比例的图层图像的图结构；按照比例从大到小对图层图像的进行排序得到图层图像序列；以图层图像序列中第一个图层图像的图结构的节点为聚类中心，图层图像序列中其他所有图层图像的图结构的节点为离散点，将所有离散点聚类到第一个图层图像的图结构的节点，得到聚类后的第一个比例下对应的所有聚类叠加区域；以图层图像序列中第二个图层图像的图结构的节点为聚类中心，图层图像序列中第二个图层图像之后的其他所有图层图像的图结构的节点为离散点，将所有离散点聚类到第二个图层图像的图结构的节点，得到聚类后的第二个比例下对应的所有聚类叠加区域；以此类推，得到每个比例下对应的所有聚类叠加区域，其中，本实施例2以最大比例下的图层图像的图结构的节点为聚类中心，以小于该比例的图层图像的图结构的节点为离散点，将所有离散点进行聚类到对应的最大比例的图层图像的图结构的节点得到聚类后的最大比例下对应的图层图像的所有聚类叠加区域。
37.需要说明的是，由于在加载过程中，当需要对模型的近景进行观察时，往往需要放大图像，即此时观察的是局部区域，因此通过对多个图层图像中的景物进行聚类分析，从而
实现对每个比例下的图层图像中的聚类叠加区域对应的局部区域进行分析，从而进一步确定聚类叠加区域的对应的下采样图像的信息损失率与轮廓损失率，进而根据两个损失率适应性的确定每个聚类叠加区域对应的加载时的显示图像。
38.第二特征点叠加模块，用于对每个比例下的图层图像对应的每个聚类区域进行下采样得到下采样图像并构建差分金字塔，并利用sift算法获取差分金字塔中的差分图像的特征点，将每个下采样图像及尺寸小于该下采样图像的其他下采样图像对应的差分图像的特征点进行叠加得到对应的特征点叠加图像及特征点数量；第二损失率计算模块，用于根据每个比例下对应的所有下采样图像的熵值构建熵值曲线，并得到熵值曲线的转折点，根据每个转折点所在的下采样图像对应的特征点叠加图像中的特征点数量与其对应的最大下采样图像对应的特征点叠加图像中的特征点数量获取下采样图像的轮廓损失率，根据每个转折点对应的下采样图像与其对应的聚类区域的熵值获取下采样图像的信息损失率；第二图像显示模块，用于计算信息损失率与轮廓损失率的损失率比值，将每个比例下的最大损失率比值对应的下采样图像作为对应比例下的图层图像的对应的聚类区域的显示图像，将每个图层图像上的所有聚类区域的显示图像拼接得到对应比例下的图层图像加载时的显示图像，为了减少计算量，本实施例先设定轮廓损失率阈值，具体的，因为轮廓损失率损失不能过大，故本实施例2中轮廓损失率阈值取0.7，然后将轮廓损失率小于轮廓损失率阈值对应的下采样图像进行保留；计算保留的下采样图像的信息损失率和轮廓损失率的损失率比值，将最大损失率比值对应的保留的下采样图像作为该比例下对应的图层图像的每个聚类区域的虚拟区域，并将虚拟区域作为图层图像的每个聚类区域加载时的显示图像。
39.本发明的一种基于三维bim的分布式综合管理系统，该系统通过对三维bim图像下采样并进行差分得到差分图像，利用差分过程中的特征点位于图像的边缘清晰的图层图像的像素点上的特点，并根据差分过程中的不同比例下的每个特征点叠加图像的特征点数量及下采样图像的熵值来确定信息损失率、轮廓损失率，从而选取信息损失率大且轮廓损失率小对应的下采样图像作为加载时的显示图像，从而实现了加载时保证了载轮廓信息的加载，减少了图像细节信息的加载，进而减少了加载时间，保证了显示图像的效果，其次，通过对每个比例下的图层图像中的局部区域进行聚类分析，确定图层图像中的局部区域的对应的下采样图像的信息损失率与轮廓损失率，然后根据两个损失率适应性的确定每个聚类叠加区域对应的加载时的显示图像，该过程实现了对图层图像中的每个局部区域进行下采样时的损失率分析，进而适应性确定图层图像中的每个局部区域加载时的显示图像，进一步减少加载时间，保证了显示图像的效果。
40.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。