基于參數(shù)化模型的多維度非線性景觀設(shè)計方法

黃榮川 朱婧

摘? 要： 多維度非線性景觀設(shè)計存在差異度大的問題，故提出基于參數(shù)化模型的多維度非線性景觀設(shè)計方法。首先，進(jìn)行多維度非線性景觀圖像采樣，采用虛擬場景空間視覺規(guī)劃方法進(jìn)行多維度非線性景觀設(shè)計的參數(shù)模擬，采用分塊檢測方法進(jìn)行多維度非線性景觀圖像區(qū)域重構(gòu)。結(jié)合RGB特征分解方法，進(jìn)行多維度非線性景觀設(shè)計的參數(shù)矢量化特征提取，提取多維度非線性景觀視景的參數(shù)化模型?；趨?shù)化模型方法實現(xiàn)了多維度非線性景觀設(shè)計，提高了多維度非線性景觀設(shè)計的量化分析能力。仿真結(jié)果表明，采用所提方法進(jìn)行多維度非線性景觀設(shè)計的視覺特征表達(dá)能力較好，提高了景觀設(shè)計的效果。

關(guān)鍵詞： 景觀設(shè)計; 參數(shù)化模型; 參數(shù)模擬; 區(qū)域重構(gòu); 特征提取; 仿真分析

中圖分類號： TN911?34; TP391? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼： A? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）18?0033?03

Abstract： In allusion to the large difference existing in the multi?dimensional nonlinear landscape design， a method of the multi?dimensional nonlinear landscape design based on parameterized model is proposed to improve the quantitative analysis ability of multi?dimensional nonlinear landscape design and sample the multi?dimensional nonlinear landscape images. The virtual scene spatial vision planning method is used to conduct parameter simulation of the multi?dimensional nonlinear landscape design， and the block detection method is applied to the regional reconstruction for the multi?dimensional nonlinear landscape image. In combination with RGB feature decomposition method， the parameter vectorization feature of multi?dimensional nonlinear landscape design and the parameterized model of multi?dimensional nonlinear landscape scene are extracted. The multi?dimensional nonlinear landscape design is realized based on the parameterized model method， and the quantitative analysis skill of multi?dimensional nonlinear landscape design is improved.? The simulation results show that the multi?dimensional nonlinear landscape design using the parameterized model method has excellent visual feature expression ability， and has improved the effect of landscape design.

Keywords： landscape design; parameterized model; parameter simulation; regional reconstruction; feature extraction; simulation analysis

0? 引? 言

隨著生態(tài)景觀建設(shè)的不斷推進(jìn)以及生活環(huán)境的改善，人們對景觀建設(shè)的質(zhì)量標(biāo)準(zhǔn)不斷提升，故需要進(jìn)行多維度非線性景觀設(shè)計。結(jié)合景觀的功能定位進(jìn)行多維度非線性景觀設(shè)計的優(yōu)化構(gòu)造，提高城市景觀設(shè)計的效果，研究多維度非線性景觀設(shè)計方法，在提高建筑景觀設(shè)計的合理性以及改善人居生活環(huán)境方面具有重要意義[1]。根據(jù)景觀建設(shè)發(fā)展定位，結(jié)合政府政策導(dǎo)向性因素，進(jìn)行景觀建設(shè)規(guī)劃設(shè)計，提高景觀設(shè)計的空間表達(dá)能力。采用計算機(jī)視覺圖像分析方法，進(jìn)行多維度非線性景觀設(shè)計[2]，構(gòu)建多維度非線性景觀設(shè)計的參數(shù)化分析模型，采用結(jié)構(gòu)化的圖像分析和參數(shù)模擬方法，進(jìn)行多維度非線性景觀設(shè)計優(yōu)化設(shè)計。本文提出基于參數(shù)化模型的多維度非線性景觀設(shè)計方法，提高了多維度非線性景觀設(shè)計的量化分析能力。

1? 多維度非線性景觀圖像分析

1.1? 多維度非線性景觀圖像采樣

為了實現(xiàn)多維度非線性景觀設(shè)計，需要進(jìn)行模型參數(shù)化分析和特征提取。通過對多維度非線性景觀圖像分塊匹配檢測和融合識別，構(gòu)建多維度非線性景觀圖像的動態(tài)特征分布模型[3]，結(jié)合模糊關(guān)聯(lián)特征點(diǎn)檢測的方法，進(jìn)行多維度非線性景觀數(shù)據(jù)的優(yōu)化提取，結(jié)合模糊特征提取方法，進(jìn)行多維度非線性景觀圖像的優(yōu)化采集和特征識別[4]，采用像素特征點(diǎn)區(qū)域重構(gòu)方法，進(jìn)行多維度非線性景觀圖像處理和信息融合[5]。構(gòu)建多維度非線性景觀圖像的幾何不變矩生成模型為：

式中，[FE=lnIlnD]，表示多維度非線性景觀圖像特征采樣點(diǎn)，采用虛擬場景空間視覺規(guī)劃方法進(jìn)行多維度非線性景觀設(shè)計的參數(shù)模擬，構(gòu)建多維度非線性景觀圖像的空間區(qū)域分布模型。在梯度方向進(jìn)行多維度非線性景觀區(qū)域性融合[6]，并結(jié)合模板匹配方法，得到多維度非線性景觀圖像邊緣信息為：

式中，把景觀圖像邊緣信息分解為沿梯度方向的兩個分量，用[Xi，j]表示在中心像素點(diǎn)（i，j）位置處的景觀合理性分布的邊緣像素分布集，采用視覺特征分布式重構(gòu)方法進(jìn)行多維度非線性景觀參數(shù)化設(shè)計決策，景觀區(qū)域分布的長度[L]=[xmax-xmin]，寬[W]=[ymax-ymin]，高[H=zmax-zmin]。采用模板分塊區(qū)域匹配方法，遍歷完所有子塊，結(jié)合高分辨的信息融合技術(shù)，進(jìn)行多維度非線性景觀參數(shù)模擬[7]，得到尺度空間為：

結(jié)合幀匹配方法，進(jìn)行多維度非線性景觀的分塊檢測和特征匹配，得到幀間像素集為Ic，相鄰幀表示為[NFc={n：c-k≤n≤c+k}]，建立多維度非線性景觀參數(shù)模板匹配模型，得到非線性景觀設(shè)計的平面信息素定義為[Gx，y，t]，其中：

在多尺度空間中，進(jìn)行多維度非線性景觀圖像采樣，根據(jù)圖像采樣結(jié)果進(jìn)行非線性景觀設(shè)計[8]。

1.2? 多維度非線性景觀設(shè)計的參數(shù)模擬

采用虛擬場景空間視覺規(guī)劃方法進(jìn)行多維度非線性景觀設(shè)計的參數(shù)模擬，結(jié)合每個像素點(diǎn)的分布特征進(jìn)行多維度非線性景觀圖像相似度分析[9]，得到景觀設(shè)計的空間區(qū)域特征匹配模型表達(dá)式為：

用矩陣X表達(dá)近鄰相位點(diǎn)，建立熵權(quán)特征分布集，實現(xiàn)多維度非線性景觀參數(shù)化設(shè)計，得到多尺度特征分解模式下多維度非線性景觀的像素協(xié)方差函數(shù)為：

以像素點(diǎn)[i]為中心進(jìn)行多維度非線性景觀圖像的仿射不變區(qū)域分割，根據(jù)訓(xùn)練集中的觀測數(shù)，得到訓(xùn)練函數(shù)滿足[0≤w（i，j）≤1]及[j∈Ωw（i，j）=1]，初始化先驗形狀，得到多維度非線性景觀設(shè)計的參數(shù)分布矩陣為：

根據(jù)多維度非線性景觀設(shè)計的參數(shù)模擬結(jié)果，進(jìn)行區(qū)域重構(gòu)，結(jié)合RGB特征分解方法，進(jìn)行多維度非線性景觀設(shè)計的參數(shù)矢量化特征提取[10]。

2? 多維度非線性景觀設(shè)計優(yōu)化

結(jié)合RGB特征分解方法，進(jìn)行多維度非線性景觀模型參數(shù)化分割。提取多維度非線性景觀圖像的模糊度匹配特征量[11]，在景觀圖像目標(biāo)邊緣內(nèi)外區(qū)域內(nèi)，顯著特征點(diǎn)參數(shù)估計值為：

基于度量學(xué)習(xí)的思想，得到多維度非線性景觀圖像的三維特征重建參數(shù)服從均勻分布，即像素序列滿足[n∈N（0，σ2n）]，使用參數(shù)化模型進(jìn)行結(jié)構(gòu)化分析[12]，求得多維度非線性景觀設(shè)計的二階矩為：

用一階矩[m01]和[m02]分別表示多維度非線性景觀圖的邊緣模糊特征量，采用分塊融合技術(shù)，得到景觀設(shè)計的邊緣模板區(qū)域在[nc×nr]個子塊中滿足正態(tài)分布，得到景觀圖像的細(xì)粒度特征點(diǎn)提取結(jié)果為：

3? 實驗測試分析

實驗采用Matlab仿真設(shè)計，景觀圖像的樣本像素規(guī)模為100～600，景觀圖像的像素分布為300×300，度量學(xué)習(xí)的模為100，迭代次數(shù)為1 200，相關(guān)性參數(shù)的描述性統(tǒng)計分析結(jié)果見表1。

根據(jù)表1的描述性統(tǒng)計分析結(jié)果，進(jìn)行多維度非線性景觀圖像采樣，采用虛擬場景空間視覺規(guī)劃方法進(jìn)行多維度非線性景觀設(shè)計的參數(shù)模擬，實現(xiàn)景觀優(yōu)化設(shè)計，得到設(shè)計效果結(jié)果如圖2所示。分析圖2得知，采用本文方法進(jìn)行多維度非線性景觀設(shè)計的效果較好。

測試回歸分析值和檢驗值等參數(shù)，結(jié)果見表2。分析表2得知，采用本文方法進(jìn)行多維度非線性景觀設(shè)計的視覺特征表達(dá)能力較好，參數(shù)分布結(jié)構(gòu)化擬合精度較高。

4? 結(jié)? 語

本文提出基于參數(shù)化模型的多維度非線性景觀設(shè)計方法，提取多維度非線性景觀視景的參數(shù)化模型，采用參數(shù)化模型方法實現(xiàn)多維度非線性景觀設(shè)計。采用計算機(jī)視覺圖像分析方法，進(jìn)行多維度非線性景觀設(shè)計，構(gòu)建多維度非線性景觀設(shè)計的參數(shù)化分析模型，結(jié)合模糊特征提取方法，進(jìn)行多維度非線性景觀圖像的優(yōu)化采集和特征識別。分析得知，采用該方法進(jìn)行多維度非線性景觀設(shè)計的視覺特征表達(dá)能力較強(qiáng)，景觀設(shè)計的效果較好。

參考文獻(xiàn)

[1] 梁宇鳴，楊飛.基于VRML/X3D技術(shù)的室內(nèi)景觀虛擬設(shè)計[J].現(xiàn)代電子技術(shù)，2019，42（17）：159?162.

[2] 張翠娜，李玲玲.不同性別群體中戶外健身空間要素的影響分析：以SEM對寒地城市哈爾濱為例[J].哈爾濱工業(yè)大學(xué)學(xué)報，2019，51（8）：177?182.

[3] 張郢，陳華，王建柱，等.宜昌市西陵區(qū)景觀格局適宜粒度判別與效應(yīng)分析[J].三峽大學(xué)學(xué)報（自然科學(xué)版），2019，41（4）：60?66.

[4] 魏光杏，周獻(xiàn)中，卜錫濱.基于模糊C均值與人工蜂群優(yōu)化的灰度圖像分割[J].蘭州大學(xué)學(xué)報（自然科學(xué)版），2019，55（2）：250?254.

[5] 姜斯浩，宋慧慧，張開華，等.基于雙重金字塔網(wǎng)絡(luò)的視頻目標(biāo)分割方法[J].計算機(jī)應(yīng)用，2019，39（8）：2242?2246.

[6] YAN S C， XU D， ZHANG B Y， et al. Graph embedding and extensions： a general framework for dimensionality reduction [J]. IEEE transactions on pattern analysis and machine intelligence， 2007， 29（1）： 40?51.

[7] LI Y， QI H Z， DAI J F， et al. Fully convolutional instance?aware semantic segmentation [C]// Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Washington： IEEE， 2017： 4438?4446.

[8] STOLLENGA M， MASCI J， GOMEZ F， et al. Deep networks with internal selective attention through feedback connections [C]// Proceedings of the 27th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2014： 3545?3553.

[9] 王衛(wèi)紅，嚴(yán)魯琴，金丹丹，等.基于GEPSO模型的面向?qū)ο筮b感圖像分類[J].計算機(jī)科學(xué)，2015，42（5）：51?53.

[10] 赫高進(jìn)，熊偉，陳犖，等.基于MPI的大規(guī)模遙感影像金字塔并行構(gòu)建方法[J].地球信息科學(xué)學(xué)報，2015，17（5）：515?522.

[11] 許妙忠，叢銘，萬麗娟，等.視覺感受與Markov隨機(jī)場相結(jié)合的高分辨率遙感影像分割法[J].測繪學(xué)報，2015，44（2）：198?205.

[12] 尚方信，郭浩，李鋼，等.基于One?class SVM的噪聲圖像分割方法[J].計算機(jī)應(yīng)用，2019，39（3）：874?881.