用于智能建造的建筑结构柱图像缩略图智能生成方法

本发明涉及图像处理，具体涉及一种用于智能建造的建筑结构柱图像缩略图智能生成方法。

背景技术：

1、在建筑设计和施工领域，revit是一种专业的建筑信息模型（buildinginformation modeling, bim）软件，用于创建和管理建筑信息模型。然而，在使用revit进行建筑设计和施工时，想要查看结构柱的样子通常需要手动截图，这一过程费时费力且效果不好。原因是revit的渲染效果统一，如果设计师或施工人员需要查看多个结构柱的外貌分清结构柱在哪，则需要根据图中的信息来确定是哪一个结构柱，这一过程就变得更加低效和繁琐，使得缩略图不能起到很好的效用。

2、目前常见的通常直接将截图作为结构柱的缩略图。传统截图的问题是准确性较低，因为视觉感知是有限的，且主动的截图的过程中会产生许多的干扰因素，难以保证每个结构柱的截图都是精准的，不精准的结构截图会可能会导致设计或施工过程中的错误或延迟，会给项目带来额外的成本和压力。

技术实现思路

1、为了解决直接将截图作为缩略图准确性较低的技术问题，本发明的目的在于提供一种用于智能建造的建筑结构柱图像缩略图智能生成方法，所采用的技术方案具体如下：

2、获取建筑结构柱的缩略图像、对应的深度图和法线图；将缩略图像、对应的深度图和法线图输入缩略图生成网络中输出对应的最佳缩略图像；

3、其中，缩略图生成网络的训练过程为：

4、按照相同的比例，分别将缩略图像、相对应的深度图和相对应的法线图划分为多个网格；结合在法线图中网格内各像素点对应的法线值的变化特征、在深度图中对应网格内各像素点对应的深度值、在各颜色通道下缩略图像中对应网格的对比度，确定视图描述子；分割缩略图像得到至少两个分割类别，由每种分割类别的面积占比构建语义描述子；根据深度图构建纵深描述子，结合语义描述子和纵深描述子构建区分度指标；根据缩略图像之间的区分度指标的差异、语义描述子的差异和视图描述子的差异筛选出部分缩略图像生成训练集；根据视图描述子、纵深描述子、语义描述子和训练集对缩略图生成网络进行训练。

5、优选的，所述结合在法线图中网格内各像素点对应的法线值的变化特征、在深度图中对应网格内各像素点对应的深度值、在各颜色通道下缩略图像中对应网格的对比度，确定视图描述子，包括：

6、结合在法线图中每个网格内各像素点对应的法线值的变化特征和在深度图中对应网格内各像素点对应的深度值，得到每个网格的指标值；由法线图中所有网格的指标值构建指标值向量；

7、根据在各颜色通道下缩略图像中每个网格的对比度和在深度图中对应网格的对比度，得到各颜色通道下每个网格的联合值；由每个颜色通道下所有网格的联合值构建每个颜色通道对应的联合值向量；

8、由指标值向量和每个颜色通道下的联合值向量，构建视图描述子。

9、优选的，所述结合在法线图中每个网格内各像素点对应的法线值的变化特征和在深度图中对应网格内各像素点对应的深度值，得到每个网格的指标值，包括：

10、根据每个网格在法线图中各像素点对应的法线值的变化特征得到每个网格的峰度；将每个网格的峰度和对应网格在深度图中各像素点对应的深度值的均值的乘积作为每个网格的指标值。

11、优选的，所述根据在各颜色通道下缩略图像中每个网格的对比度和在深度图中对应网格的对比度，得到各颜色通道下每个网格的联合值，包括：

12、选取任意颜色通道作为目标颜色通道，选取缩略图像中的任意网格作为目标结构网格，将目标结构网格在深度图中对应位置处的网格作为目标深度网格；

13、利用michelson contrast算法，计算目标结构网格在目标颜色通道中各像素点对应的颜色通道值的对比度，作为颜色对比度；利用michelson contrast算法，计算在深度图中目标深度网格内各像素点对应的深度值的对比度，作为深度对比度；

14、将目标结构网格对应的颜色对比度和目标深度网格对应的深度对比度的乘积，作为在目标颜色通道下目标结构网格的联合值。

15、优选的，所述分割缩略图像得到至少两个分割类别，由每种分割类别的面积占比构建语义描述子，包括：

16、利用语义分割网络对缩略图像进行语义分割，得到至少两种分割类别；获取每种分割类别的面积占比，并对面积占比进行极差标准化，得到每种分割类别的占比特征值，由所有分割类别的占比特征值构建对应的语义描述子。

17、优选的，所述根据深度图构建纵深描述子，包括：

18、将面积最大的分割类别内的像素点作为主体像素点，将所述主体像素点映射至深度图中，得到深度图中的深度主体像素点；

19、由各深度主体像素点的深度值在深度图中的出现频率构建纵深描述子。

20、优选的，所述根据缩略图像之间的区分度指标的差异、语义描述子的差异和视图描述子的差异筛选出部分缩略图像生成训练集，包括：

21、根据缩略图像之间的区分度指标的差异、语义描述子的差异和视图描述子的差异确定各缩略图像的局部异常因子；根据局部异常因子筛选出部分缩略图像生成训练集。

22、优选的，所述根据缩略图像之间的区分度指标的差异、语义描述子的差异和视图描述子的差异确定各缩略图像的局部异常因子，包括：

23、根据缩略图像之间的区分度指标的差异、语义描述子的差异和视图描述子的差异确定各缩略图像之间的可达距离；根据缩略图像之间的可达距离确定各缩略图像对应的局部异常因子。

24、优选的，所述根据缩略图像之间的区分度指标的差异、语义描述子的差异和视图描述子的差异确定各缩略图像之间的可达距离，包括：

25、对于任意两个缩略图像，计算两个缩略图像之间区分度指标的相似度，作为初始相似度，对所述初始相似度进行负相关映射，得到对应的区分度差异；计算两个缩略图像之间语义描述子的差异，作为语义距离；计算两个缩略图像之间视图描述子的差异，作为视图距离；将所述区分度差异、所述语义距离和所述视图距离的乘积作为两个缩略图像之间的可达距离。

26、优选的，所述根据局部异常因子筛选出部分缩略图像生成训练集，包括：

27、根据每张缩放图像的局部异常因子的大小，从大到小进行排序，构建局部异常因子序列，将局部异常因子序列的前二分之一的局部异常因子对应的缩放图像作为缩略图生成网络的训练集中的图像。

28、本发明实施例至少具有如下有益效果：

29、该方法将获取的建筑结构柱的缩略图像、对应的深度图和法线图输入缩略图生成网络中输出对应的最佳缩略图像，以利用深度学习网络实现对最佳缩略图像的获取，缩小了判断的时长，提高了建筑结构柱的缩略图像生成的准确性。其中，缩略图生成网络的训练过程为：结合在缩略图像、法线图和深度图中网格内各像素点的特征确定视图描述子，建筑结构柱的背景结构的复杂程度是决定背景信息量的重要指标，故结合深度图和法线图对建筑结构柱进行分析，为了提高对图像视图描述的准确性，还结合了缩略图像的各个颜色通道下像素点的特征进行进一步的分析；由于图像中除了建筑结构柱之外，可能还存在有别的元素物体，故进一步的对缩略图像分割得到至少两个分割类别，由每种分割类别的面积占比构建语义描述子，该语义描述子也反映了缩略图像中物体的面积占比大小；由于人眼观看承重柱时，具体会理解是三维的纵深关系，因此基于主体来描述深度图特征可以有效代表人观看缩略图像的最显著的纵深信息，故根据深度图构建纵深描述子。结合语义描述子和纵深描述子构建区分度指标，该区分度指标反映的是两个图像对应的差异越大，当图像的内容越与众不同，则与其他图像之间的差异会越大，两个图像越相似，则对应的区分度指标越小。根据缩略图像之间的区分度指标的差异、语义描述子的差异和视图描述子的差异筛选出部分缩略图像生成训练集，训练集中图像越多样化则对应的缩略图生成网络输出的最佳缩略图像越能够反映其对应的建筑结构柱，故从缩略图像中筛选出部分缩略图像生成训练集，避免训练集中相似的图像较多而影响对缩略图生成网络的训练过程。根据视图描述子、纵深描述子、语义描述子和训练集对缩略图生成网络进行训练。本发明通过将获取到的多张缩略图像、对应的深度图和法线图输入训练好的缩略图生成网络中输出对应的最佳缩略图像，提高了建筑结构柱的缩略图像生成的准确性。