基于Revit BIM模型的園林景觀HDF提取仿真

陳國興，吳健平

(廣東技術(shù)師范大學(xué)，廣東 廣州 510665)

1 引言

從景觀的角度分析，園林景觀信息的快速提取對設(shè)計工作的開展有著不可磨滅的地位[1-2]，它可以促使園林景觀建設(shè)更加合理和科學(xué)化[3-4]，通過園林景觀高差異特征提取能有效地改善建筑與園林景觀間的陰影遮蓋問題，對園林景觀有著重大意義[5]。

陳超[6]等人提出基于多閾值優(yōu)化的園林景觀高差異特征提取方法，利用模糊計算園林景觀圖像中高差異特征的多個閾值，通過閾值計算圖像輪廓內(nèi)的數(shù)據(jù)集合中心值，根據(jù)運算出的曲率符號實現(xiàn)園林景觀高差異特征提取。王超[7]等人提出基于LBP和GLCM的園林景觀高差異特征提取方法，采用LBP算法判斷園林景觀高差異，通過GLCM實現(xiàn)城市建筑與園林景觀圖像在水平、直角等方向上的紋理特征提取，同時提取園林景觀圖像的能量、熵值等高差異特征參數(shù)，實現(xiàn)園林景觀高差異特征提取。黃堅[8]等人提出基于多角點結(jié)合的園林景觀高差異特征提取方法，利用角點特征指出園林景觀特征提取機理和判定條件，實現(xiàn)對園林景觀高差異特征提取。

本文提出基于Revit BIM模型的園林景觀高差異特征提取方法。

2 Revit BIM模型中園林景觀圖像預(yù)處理

2.1 Revit BIM模型中獲取圖像

在城市園林建造過程中利用BIM模型構(gòu)建園林景觀，BIM是一項對園林建造及應(yīng)用過程中的全壽命周期管理技術(shù)，目前BIM模型已經(jīng)非常完善，將BIM模型與Revit軟件結(jié)合生成Revit BIM模型，會更加有效的構(gòu)建園林景觀，通過圖像收集設(shè)備在構(gòu)建的園林景觀中獲取園林景觀圖像。

2.2 園林景觀圖像預(yù)處理

2.2.1 圖像灰度化

由于圖像收集設(shè)備中的圖像均是彩色圖像，導(dǎo)致圖像所攜帶的信息量過大，造成圖像高差異特征提取變得十分困難，為降低難度，通常對圖像進行灰度化處理[9]，灰度化處理后的圖像特征提取不僅難度大大減低，且保留圖像原本的紋理、位置、輪廓等主要信息，運算時間減少，運算速度有也較大提高。

在圖像收集設(shè)備中獲取的圖像顏色空間為RGB，在RGB空間內(nèi)將彩色圖像轉(zhuǎn)換成灰度圖像可根據(jù)下列公式轉(zhuǎn)換

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

(1)

式中，Grayscaleimage代表灰度圖像，R代表紅色分量，B代表藍(lán)色分量，G代表綠色分量，Gray表示像素值。

2.2.2 灰度圖像濾波

獲取園林圖像中會夾雜噪聲信號。由于這種情況會導(dǎo)致圖像失真，需對包含噪聲的圖像進行濾波處理[10]，確保獲取清晰準(zhǔn)確的圖像，選擇中值濾波法對圖像進行去噪處理。

在圓形、菱形和方形濾波窗口中選取方形濾波窗口進行中值濾波，因為方形濾波窗口的濾波速度最快，且濾波后可完整保留物體的輪廓，方形濾波去噪過程如下：

假設(shè)方形濾波窗口長度為n，u=(n-1)/2，自然數(shù)集用I代表，在一維空間中的圖像灰度輸入序列為{Xi，i∈I}時的中值濾波輸出如下所示

yi，j=Med{xi}=Med{xi-u，…，xi，…，xi=u}

(2)

式中，yi，j表示中值濾波輸出，Med表示中值濾波。

當(dāng)圖像灰度為{Xi，j，(i，j)∈I2}時，方形窗口下的中值濾波輸出為

(3)

yi，j表示方形窗口下的中值濾波輸出，Med表示中值濾波，xi，j表示圖像灰度值，A表示方形窗口，I表示自然數(shù)集。

2.2.3 直方圖均衡化

處理圖像畸形的本質(zhì)就是提高圖像灰度像素值，通常利用直方圖均衡化調(diào)節(jié)圖像的比擬度提高圖像灰度像素值[11]。這種方法不僅可以補足曝光不足的圖像，還可以平衡過度曝光的圖像，因此可以使圖像永遠(yuǎn)處于清晰的狀態(tài)。

假設(shè)ni是圖像灰度I的量，灰度I的像素產(chǎn)生的概率如下所示

P(i)=ni/n，i∈0，1，…L-1

(4)

其中，L代表圖像灰度級別數(shù)，n代表圖像總像素。

利用聚集分散函數(shù)對最開始獲取的圖像進行均衡化處理，使得最初圖像的聚集歸一化函數(shù)是c(i)，得到下列式子

(5)

利用最初圖像的直方圖可以運算出直方圖經(jīng)過均衡化處理后的圖像像素灰度值，運算后的方程式如下

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

(6)

其中，i是灰度I變化后的值(其中i是需要調(diào)整的)，將最初圖像中的I換成i就是直方圖均衡化后的圖像。

3 園林景觀高差異特征提取

首先對處理后的圖像中的特征點進行分類，為精確分類需將圖像特征點分別獨立出來。由于園林景觀高差異特征屬于形狀特征，通過形狀特征的描述子將園林景觀內(nèi)的形狀特征描述出來。最終將形狀特征與獨立出來的特征點匹配融合實現(xiàn)園林景觀圖像高差異特征提取。

3.1 獨立園林景觀圖像特征點

為了完整的提取出園林景觀高差異特征，要將園林景觀中的所有特征點獨立分類。采用PAC技術(shù)保證所有特征點之間都不相關(guān)。PAC的本質(zhì)是利用特征正交變換得到新的特征模式[12]，新的特征模式協(xié)方差矩陣是對角矩陣，即保證所有特征點都是完全獨立且不相關(guān)的。由矩陣?yán)碚摽芍?，協(xié)方差矩陣是對稱矩陣，得出對稱矩陣即是對角矩陣，因此對稱矩陣中也存在正交變換，經(jīng)證明PAC是最有效，最廣泛地降維技術(shù)，是使得特征點之間不相關(guān)的最好方法。

PAC運算過程如下：

假設(shè)最初圖像空間內(nèi)的數(shù)據(jù)X維數(shù)為m×n1×n2，m代表原始圖像數(shù)據(jù)內(nèi)的波段數(shù)量，n1和n2表示園林景觀數(shù)據(jù)的空間維數(shù)。在利用PAC正交變換特征時，將最初圖像空間內(nèi)的數(shù)據(jù)X的維數(shù)正交變換成維數(shù)是m×n的樣本數(shù)據(jù)集維數(shù)，即X={x1，x2，…，xn}，像素點總數(shù)是n=n1×n2。

最初空間數(shù)據(jù)X的協(xié)方差矩陣的運算方程如下

(7)

其中，μ表示原始圖像空間里所有樣本集的均值矢量。

協(xié)方差矩陣ΣX中的特征向量U與特征值λ即為園林圖像中特征向量U與特征值λ，因此直接利用圖像特征方程求解U和λ的，得出

U(λI-ΣX)=0

(8)

其中，I代表單位矩陣。

將特征值從大到小進行排列，得出λ1>λ2>…>λm，對應(yīng)的特征向量為U1>U2>…>Um，因此總結(jié)出PAC變換矩陣為

W=[U1，U2，…，Um]

(9)

上述變換矩陣需滿足如下條件

WTW=WWT=I

(10)

經(jīng)上述分析后總結(jié)出最終PAC正交變換方程

Y=WTX

(11)

式中，Y表示X變換后的數(shù)據(jù)。

將圖像中的特征值代入即可獨立出所有特征點。

3.2.1 基于區(qū)域的形狀特征

基于區(qū)域的形狀特征描述方法包含密集度、轉(zhuǎn)動慣量和幾何矩三種描述子，計算三種特征描述子中的像素將其融合便可提取出形狀特征。

1)密集度

假設(shè)目標(biāo)區(qū)域的面積是A，周長是P，在目標(biāo)區(qū)域面積不變的情況下，周長會隨著目標(biāo)區(qū)域變化而變化，目標(biāo)區(qū)域內(nèi)周長最短的形狀是圓形，也是園林景觀形狀特征最密集的形狀區(qū)域，則密集度的方程為

(12)

2)轉(zhuǎn)動慣量

目標(biāo)區(qū)域重心是對形狀特征區(qū)域的整體描述，它也是形狀特征中的一種，根據(jù)重心定義，假設(shè)灰度圖像為f(x，y)，其重心的質(zhì)心為(cx，cy)，則質(zhì)心如下

(13)

(14)

假設(shè)J(cx，cy)是繞(cx，cy)的轉(zhuǎn)動慣性，則其算法為

(15)

對J(cx，cy)實施歸一化處理，歸一化后的J(cx，cy)用NMI代表，則NMI為

(16)

3)幾何矩

假設(shè)f(x，y)是分段連續(xù)的概率密度分布函數(shù)，(p+q)是二維連續(xù)隨機函數(shù)，令mpq為函數(shù)各階矩序列，利用分段連續(xù)的概率密度分布函數(shù)能夠確認(rèn)函數(shù)各階矩序列，且mpq是唯一的序列。由此總結(jié)出(p+q)階幾何矩mpq方程如下

(17)

(p+q)階中心矩

(18)

(19)

歸一化后的中心距也是目標(biāo)區(qū)域內(nèi)的一種形狀特征，即ηpq為形狀特征。

3.2.2 提取園林景觀形狀特征

通過上述運算，計算出三種特征描述子中的像素，將三種特征描述子像素融合在一起，滿足三種描述子像素的園林景觀特征就是所要提取的園林景觀形狀特征。

3.3 園林景觀高差異特征提取

根據(jù)PAC技術(shù)將園林景觀中的特征正交變換得到全新且獨立的特征點。園林景觀高差異特征是園林景觀圖像形狀特征的一部分，通過將園林景觀圖像中的三種描述子像素融合在一起描述出園林景觀形狀特征，將園林景觀形狀特征及特征正交變換后獲取的獨立特征點融合在一起，即在獨立特征點中滿足形狀特征的園林景觀特征就是所要提取的園林景觀高差異特征。

4 實驗結(jié)果與分析

為了驗證所提方法的整體有效性，需要在Matlab2010平臺中對所提方法進行測試。為了得到最佳植被指數(shù)分類方案，統(tǒng)計各植被指數(shù)樣本分類精度。采用最小距離法對樣本區(qū)植被進行分類。

圖1 遙感影像自動分類成果圖

分別采用基于Revit BIM模型的園林景觀高差異特征提取方法(方法一)、基于多閾值優(yōu)化的園林景觀高差異特征提取方法(方法二)和基于LBP和GLCM的園林景觀高差異特征提取方法(方法三)進行測試，將園林景觀圖像特征點分類的準(zhǔn)確率作為測試指標(biāo)，準(zhǔn)確率越高，表明方法對園林景觀高差異特征提取效果越好。測試結(jié)果如圖2所示。

圖2 不同方法的特征點分類準(zhǔn)確率

分析圖2可知，在多次迭代中方法一的特征點分類準(zhǔn)確率始終高于其它兩種方法，且方法一的準(zhǔn)確率越來越高，而其它兩種方法的準(zhǔn)確率逐漸平穩(wěn)，這是由于方法一將圖像進行灰度化預(yù)處理，排除了冗余信息，減少信息量，只留下精確有用的信息，從而提高了特征點分類的準(zhǔn)確率，因此更精準(zhǔn)的提取園林景觀圖像高差異特征。

為了進一步驗證所提方法是真實有效的，比較三種方法對園林景觀高差異特征提取的時間，如圖3所示。

圖3 三種方法提取高差異特征時間

由圖3可知，在相同環(huán)境下分別使用三種方法對園林景觀高差異特征進行提取，方法一在任何環(huán)境下所用的提取時間均小于20s，因為方法一采用直方圖均衡化調(diào)節(jié)圖像的比擬度提高灰度圖像像素值，對曝光不足和過度曝光的圖像實施補足和平衡圖像的預(yù)處理，確保獲取清晰準(zhǔn)確的圖像，減少了園林圖像高差異特征提取時間，提高了園林景觀高差異特征提取效率。

園林景觀圖像中最影響提取高差異特征的因素是圖像中的噪聲，通過分析三種方法的峰值信噪比可以確定最優(yōu)園林景觀高差異提取方法，如圖4所示。

圖4 不同方法的峰值信噪比

由圖4可知，方法一的園林景觀圖像峰值信噪比均高于方法二和方法三的比值，因為方法一選取中值濾波法對灰度圖像進行去噪的預(yù)處理，增強了信號接收，較少干擾信息，證明了方法一是提取園林景觀高差異特征的最優(yōu)辦法。

5 結(jié)束語

目前園林景觀特征提取方法存在特征點分類準(zhǔn)確率差，效率差和峰值信噪比低的問題，提出基于Revit BIM模型的園林景觀高差異特征提取方法，對園林景觀進行灰度化處理的同時進行中值濾波去噪和直方圖均衡化提高像素的預(yù)處理，預(yù)處理后得到的圖像利用PAC技術(shù)將特征進行正交變換獲取新的特征模式，使特征點之間均不相關(guān)。將特征點融合轉(zhuǎn)動慣量、密集度和幾何矩三種描述子描述的形狀特征，實現(xiàn)園林景觀高差異特征提取，解決特征點分類準(zhǔn)確率差，效率差和峰值信噪比低的問題，為城市建設(shè)中的園林景觀發(fā)展奠定了基礎(chǔ)。