本發(fā)明涉及圖像處理，具體為一種將建筑構件的二維圖像轉化為三維模型的方法。

背景技術：

1、在建筑工程業(yè)界，建筑信息模型與管理(bim)被廣泛認為是一種能夠提高建筑和大型基礎設施(如機場，地鐵站，與火車站)運維與資產管理效率的新型工具，但許多在bim技術廣泛普及前建造的建筑和基礎設施仍然沿用傳統(tǒng)的施工圖作為設計與施工交付；根據老舊cad工程圖紙重建bim模型往往需要花費很多的時間和人力。因此，開發(fā)一種能夠將cad建筑圖紙自動轉換為bim模型的技術，能夠免去人工翻模所消耗的財力物力，即時實現bim模型在建筑和基礎設施運維階段的價值。

2、現階段已有一些針對二維圖紙進行識別和三維重建的研究和專利發(fā)明，已有的前沿方法基本采用基于深度學習的計算機視覺技術對轉化為像素圖片的圖紙進行識別和語義分割。例如，在授權公告號為cn110909650b的中國發(fā)明專利中，公開了基于領域知識和目標檢測的cad圖紙識別方法和裝置，包括：cad圖紙解析模塊用于獲取待識別cad圖紙中的圖紙信息，并將待識別cad圖紙轉換為多張待識別像素圖；目標檢測模塊用于對多張待識別像素圖進行聚合類構件識別，確定待識別cad圖紙內構件的構件信息集合；建筑空間文件解析模塊用于獲取待識別cad圖紙內的空間信息；系統(tǒng)信息融合模塊用于根據空間信息和構件信息集合，得到構件在建筑空間中的坐標位置信息，并結合圖紙信息，通過搜索構件的拓撲，確定構件系統(tǒng)信息，融合坐標位置信息和構件系統(tǒng)信息，生成構件識別信息。提高了構件識別和信息提取的準確率，增強cad圖紙識別的擴展性。

3、盡管這些已有方法達到了較高的識別準確率，但在不同項目中，設備圖形畫法規(guī)則都不相同，很難用深度學習模型去識別具有未訓練畫法的圖紙，因此，許多研究人員也通過識別在建筑物現場采集的圖像和點云的方式重建構件三維模型；然而，盡管這些方法能夠更好地對二維構件的現實位置和幾何形狀進行更好的捕捉；

4、但在完成建筑構件設計并獲取相應的二維設計圖紙，并由二維設計圖紙生成構件三維模型后，所生成的構件三維模型仍可能會存在部分缺陷區(qū)域，例如精度較差，模型表面的平滑程度較低等，因此針對這些缺陷區(qū)域還需要進行針對性的維護，但現有的維護方法中，通常都是在生成構件三維模型后進行整體性的優(yōu)化，但這種優(yōu)化的針對性較差，這就容易導致構件三維模型的生成效率較低。

5、為此，本發(fā)明提供了一種將建筑構件的二維圖像轉化為三維模型的方法。

技術實現思路

1、(一)解決的技術問題

2、針對現有技術的不足，本發(fā)明提供了一種將建筑構件的二維圖像轉化為三維模型的方法，通過由模型誤差數據集合生成相應準確度，若構件三維模型的準確度不超過預期，對構件三維模型與建筑構件進行重合分析并獲取重合度，由重合度生成完整系數，依據完整系數在構件三維模型內篩選出缺陷區(qū)域，關聯獲取各個缺陷區(qū)域的優(yōu)化優(yōu)先級，在由建筑構件模型優(yōu)化知識圖譜為缺陷區(qū)域給出模型優(yōu)化方案后，依據優(yōu)化優(yōu)先級對依次各個缺陷區(qū)域進行優(yōu)化，在對各個缺陷區(qū)域進行優(yōu)化時，優(yōu)化時的針對性更高；從而解決了背景技術中提出的技術問題。

3、(二)技術方案

4、為實現以上目的，本發(fā)明通過以下技術方案予以實現：一種將建筑構件的二維圖像轉化為三維模型的方法，包括，對源圖像進行質量分析并獲取質量數據，由圖像質量數據生成圖像質量系數yo，依據圖像質量系數yo在若干個源圖像內篩選出低質量圖像，為低質量圖像匹配出優(yōu)化方案后，執(zhí)行優(yōu)化方案對低質量圖像進行優(yōu)化；

5、其中，對對比度dt及噪點密度zt做線性歸一化處理，將相應的數據值映射至區(qū)間[0,1]內，依照如下公式生成圖像質量系數yo：

6、

7、權重系數，0≤α≤1，0≤β≤1；

8、將優(yōu)化后的源圖像作為目標圖像，識別目標圖像中的邊緣后，對目標圖像中的關鍵點進行提取，并使用半全局匹配算來生成深度圖，將深度圖轉換為三維空間中的點云數據后，由像素坐標和對應的深度值獲取三維坐標并構建出點云；

9、由點云數據中生成模型表面，將獲取的模型表面轉化為由三角形網格組成的多邊形網格模型，修復多邊形網格中的孔洞后對多邊形網格的噪聲做平滑處理，并對構件初始模型進行調整，獲取建筑構件三維模型；

10、將構件三維模型尺寸與實際建筑構件的尺寸進行對比，獲取兩者間誤差數據，由模型誤差數據集合生成相應準確度eor，若構件三維模型的準確度eor不超過預期，向外部發(fā)出模型優(yōu)化指令；

11、對構件三維模型與建筑構件進行重合分析并獲取重合度，由重合度生成完整系數wzs，依據完整系數wzs在構件三維模型內篩選出缺陷區(qū)域，關聯獲取各個缺陷區(qū)域的優(yōu)化優(yōu)先級yus，在由建筑構件模型優(yōu)化知識圖譜為缺陷區(qū)域給出模型優(yōu)化方案后，依據優(yōu)化優(yōu)先級對依次各個缺陷區(qū)域進行優(yōu)化。

12、進一步的，采集與建筑構建二維圖紙相關的源圖像，對源圖像進行質量分析并獲取質量數據，匯總后構建質量數據集合；由圖像質量數據集合構建圖像質量系數yo，若獲取的圖像質量系數yo低于預設的質量閾值，將對應的圖像質量作為低質量圖像；

13、篩選到低質量圖像后獲取低質量圖像的質量數據，對質量數據進行特征提取并獲取相應的圖像特征；獲取若干個圖像優(yōu)化方案匯總生成圖像優(yōu)化方案庫；獲取優(yōu)化后的源圖像，向外部發(fā)出三維重建指令。

14、進一步的，接收到三維重建指令后，獲取優(yōu)化后的源圖像并將其作為目標圖像，使用canny邊緣檢測算法檢測目標圖像中的強邊緣，并應用sobel算子檢測目標圖像中的水平和垂直邊緣，在獲取目標圖像的邊緣后優(yōu)化邊緣的連續(xù)性，并向外部發(fā)出關鍵點檢測指令。

15、進一步的，接收到關鍵點檢測指令后，使用harris角點檢測算法檢測目標圖像中的角點，以角點作為關鍵點，使用surf算法計算關鍵點的描述符；使用bfmatcher算法來識別和匹配左右圖像中的特征點，并使用ransac算法通過迭代選擇一組隨機子集來估計模型參數，用于識別和排除異常值；

16、通過在左右圖像中尋找最佳匹配的像素塊來計算視差圖，依據視差圖采取對應處理措施，使用半全局匹配算法來生成深度圖后，再應用sgm算法通過在多個方向上進行代價聚合。

17、進一步的，使用泊松表面重建算法從點云數據中生成一個平滑連續(xù)的表面，將其作為模型表面；使用marching?cubes算法從模型表面的體素數據中提取出三角形網格，生成由三角形網格組成的網格模型，并將隱式表面轉換為顯式的多邊形網格，獲取構件初始模型。

18、進一步的，通過uv映射到將二維圖像的紋理坐標分配給構件初始模型的每個頂點，確保紋理貼圖在模型表面上的精確對齊和最小變形；使用網格修復工具修復多邊形網格中的孔洞，并通過應用taubin平滑算法對多邊形網格的噪聲做平滑處理，依據實際建筑尺寸對構件初始模型進行調整，獲取建筑構件三維模型。

19、進一步的，獲取重建后的構件三維模型后將其作為目標模型，在對目標模型進行尺寸標注后分別獲取目標模型的標注尺寸數據和實際構件的尺寸數據，將標注尺寸與實際建筑構件的尺寸進行對比，獲取兩者間誤差比例數據后匯總構建模型誤差數據集合。

20、進一步的，由模型誤差數據集合生成相應準確度eor，其中，將誤差比例bv做線性歸一化處理，將對應數據值映射至區(qū)間[0,1]內，依照如下公式：

21、

22、其中，bvi為第i個尺寸標注點上的誤差比例，cub為誤差比例的合格目標值，σ為若干個誤差比例的標準差；權重系數：0≤s1≤1，0≤s2≤1，且s1+s2＝1。

23、進一步的，接收到模型優(yōu)化指令后，將目標模型分割為若干個子區(qū)域，在子區(qū)域內選擇若干個錨點，在錨點臨近區(qū)域內的隨機選擇一個面作為模型面；在實際建筑構件的對應位置上選擇相應的面作為標準面；依據標準面與模型面間尺寸數據，獲取標準面與模型面間的重合度。

24、進一步的，由重合度生成完整系數wzs，其中，在重合度cp處于無量綱條件下時，依照如下方式：

25、

26、權重系數：0≤δ≤1，cpi為子區(qū)域內第i個標準面與模型面間的重合度，為重合度的合格標準值，n為重合度的個數；

27、若完整系數wzs不超過完整閾值，則將對應的子區(qū)域作為缺陷區(qū)域，將各個缺陷區(qū)域在構件三維模型上標記。

28、進一步的，在獲取各個缺陷區(qū)域的位置及完整系數wzs后關聯獲取優(yōu)化優(yōu)先級yus，依據優(yōu)化優(yōu)先級yus對各個缺陷區(qū)域進行標記，方式如下：

29、

30、其中，n為缺陷區(qū)域的個數，l(i,j)是第i個缺陷區(qū)域到第j個缺陷區(qū)域的最短距離，la為距離平均值；權重系數：0≤ζ≤1；wzsi為第i個缺陷區(qū)域的完整系數，為相應的合格標準值，為完整系數的方差。

31、進一步的，獲取各個缺陷區(qū)域內的模型狀態(tài)數據，對缺陷區(qū)域內的模型狀態(tài)數據位置進行特征提取，獲取相應的模型優(yōu)化特征；以建筑構件模型優(yōu)化作為目標詞，預先構建建筑構件模型優(yōu)化知識圖譜；依據模型優(yōu)化特征與缺陷區(qū)域內的模型優(yōu)化方案。

32、(三)有益效果

33、本發(fā)明提供了一種將建筑構件的二維圖像轉化為三維模型的方法，具備以下有益效果：

34、1、由圖像質量數據構建圖像質量系數yo，依據獲取的圖像質量系數yo可以對源圖像的圖像質量進行判斷，篩選出低質量圖像后，可以對低質量圖像進行優(yōu)化，在構建三維模型時能夠提高模型構建質量。

35、2、通過對其圖像質量數據進行特征提取，獲取相應的圖像優(yōu)化特征后，依據圖像優(yōu)化特征為低質量圖像進行針對性優(yōu)化，在需要對圖像進行優(yōu)化時能夠提高優(yōu)化的效率和優(yōu)化的效果。

36、3、使用半全局匹配算法來生成更平滑和準確的深度圖，應用sgm算法通過在多個方向上進行代價聚合，能夠有效地減少視差圖中的噪聲和不連續(xù)性，生成更加一致的深度圖。

37、4、通過精確的表面重建、網格模型的精確提取、紋理映射的精確對齊、網格修復的完整性、網格平滑的優(yōu)化以及模型尺寸的準確調整，共同實現了高質量的三維模型構建。

38、5、將模型尺寸與實際建筑構件的尺寸進行對比，獲取兩者間誤差數據并由此生成準確度eor，依據準確度eor可以對構件三維模型的精度進行判斷和評估，若構件三維模型當前的準確度eor未能達到預期時，可以及時對構件三維模型進行進一步的優(yōu)化，提高模型構建效果。

39、6、依據獲取的完整系數wzs對各個子區(qū)域與實際構件間的一致性進行判斷，若一致性未能達到預期，在完成判斷后篩選出缺陷區(qū)域，在對目標進行優(yōu)化時能夠縮小優(yōu)化目標，有助于實現針對性地優(yōu)化，提高模型優(yōu)化效率；

40、7、分析獲取對各個缺陷區(qū)域的優(yōu)化優(yōu)先級yus，在對各個缺陷區(qū)域進行排序后，通過依次對各個缺陷區(qū)域進行優(yōu)化能夠提高優(yōu)化的效率；在選擇出缺陷區(qū)域后，通過在缺陷區(qū)域內進行各項數據采集和特征提取后，由建筑構件模型優(yōu)化知識圖譜為缺陷區(qū)域給出對應的模型優(yōu)化方案，在對各個缺陷區(qū)域進行優(yōu)化時，優(yōu)化時的針對性更高，進一步地提高優(yōu)化的效果。