CN103390088A

CN103390088A - 一种针对光栅建筑平面图的全自动三维转换方法

Info

Publication number: CN103390088A
Application number: CN201310329371XA
Authority: CN
Inventors: 张宏鑫; 李嫄姝; 郑文庭; 鲍虎军
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2013-07-31
Filing date: 2013-07-31
Publication date: 2013-11-13

Abstract

本发明公开了一种针对光栅建筑平面图的全自动三维转换方法，包括以下步骤：1）对光栅建筑平面图做二值化和矫正，得到预处理后的图像；2）从预处理后的图像中提取包含墙体线条的图像区域，得到若干子图像；3）对各个子图像进行矢量化处理，对应得到带墙体宽度的线段集合，从线段集合中抽取得到墙***置和墙体宽度信息；4）通过步骤3）中的线段集合获得墙体附属物子图，利用线性鉴别分析算法判断各墙体附属物子图的具体类别；5）根据预设高度，将步骤3）和步骤4）中的数据转换为三维结构数据。

Description

一种针对光栅建筑平面图的全自动三维转换方法

技术领域

本发明涉及建筑平面图光栅图像，综合并改进了矢量化、图像识别和形状文法等领域研究，尤其涉及一种针对光栅建筑平面图的全自动三维转换方法。

背景技术

随着我国国民经济迅速发展与结构调整，城市化进程成为了不可阻挡的历史潮流。为了有效管理规模日增的城市，包括处理各类安全应急问题，制止城市化进程中的违法建筑现象，避免建设中的大量弊端等，“数字城市”技术被广为重视与应用。该技术以计算机图形学、多媒体以及大规模集群计算与存储技术为基础，以网络为纽带，综合运用了遥感遥测、全球定位、地理信息***和虚拟仿真等技术，对城市进行多分辨率、多尺度、多时空的三维描述。利用这些信息技术手段可有效地把城市的过去、现状和未来的相关内容进行数字化虚拟实现。在这些技术中，最核心的问题就是场景建模技术，除了大尺度的室外建筑信息群体建模外，精细尺度的室内建筑信息处理正逐渐成为数字城市领域的研究重点。

在室内建筑的设计、建设和使用过程中，建筑平面图的作用极为重要。建筑平面图的绘制，主要采用每层的顶视图，并用统一的标识来标注建筑元素。随着信息技术的发展，计算机绘图已经逐步替代了手工绘图，同时也改变着设计者的工作方式。而使用计算机依据2D平面图构建3D模型，不但能够让设计者和建筑师将设计图纸和制作模型的工作合二为一，从而更加直观的审视自己的作品，同时，也能够通过计算机运行模拟数据来检验力、光、声、火以及其他属性的设计有效性，从而在正式修建前能够根据需要修改或调整设计。

可见，根据建筑平面图构建3D模型，在虚拟城市漫游、游戏、房地产以及公共安全等领域有广泛应用。在某些应用中，建筑模型因注重大量细节，需要手工构造，这些模型需要投入大量的人力资源。然而在多数应用情况下，我们只是需要大量具有表意性的建筑3D模型，因而通过2D建筑平面图自动高效地构建3D模型，就显得十分有用和必要了。

然而，长期以来工业设计都使用手工绘图，使得以往大量的工程图都以纸制方式保存。将这些图纸扫描输入计算机后得到的是光栅图像，同时，大量CAD软件所产生的设计图最后也被转换为光栅图像，以利于在互联网应用中的浏览和传播，然而这些光栅图像无法提供3D建筑模型重构所需参数。

现有的主流三维建模商用软件，如AutoCAD、3DMAX、MAYA等，均采用交互式建模，即提供一个三维交互建模平台，用户通过鼠标及键盘交互地操作各类几何元素，进行各种几何编辑，最终形成目标模型。此方法虽功能强大，能给用户很大灵活性，构造出精准度高的模型，但同时也存在对使用者专业性要求高，建模效率低等问题，因而并未广泛应用于各类建筑相关的大规模建筑场景构建。

发明内容

本发明的目的在于针对现有3D建筑模型构建操作繁复的不足，提出一种基于光栅建筑平面图自动重构3D建筑模型的轻量化方法。该方法提升了具有“表意性”3D建筑模型构造的效率，并且与用户交互更为直观便捷。

一种针对光栅建筑平面图的全自动三维转换方法，包括以下步骤：

1）对光栅建筑平面图做二值化和矫正，得到预处理后的图像；

通过扫描、拍照或者网上下载等方式获得的光栅建筑平面图，不可避免的会引入噪声，或导致图片倾斜。因而我们首先使用二值化操作将建筑部件外对象，例如家具、文字说明或其他图像噪声等剔除，其次，将出现倾斜的图像通过霍夫变换进行矫正，从而得到噪声较少且墙体尽可能为水平竖直的黑白光栅矢量图，以方便图像后续的矢量化处理。

所述二值化采用OpenCV库函数中的cvThreshold函数，得到二值化后的图像。

所述矫正为：采用OpenCV库函数中的cvHoughLines2函数对二值化后的图像进行霍夫线段检测，抽取二值化后的图像中的长直线段，统计出这些长直线段的斜率值，随后使用OpenCV库函数中的cvGetQuadrangleSubPix函数对二值化后的图像进行旋转矫正，使得长直线段与光栅建筑平面图的直角坐标系相平行。

以光栅建筑平面图的直角坐标系为基准，通过计算长直线段的斜率值可以得到这些长直线段相对于直角坐标系的夹角，再通过旋转二值化后的图像完成矫正处理。

2）从预处理后的图像中提取包含墙体线条的图像区域，得到若干子图像；

在所述的步骤2）中，利用平均积分投影函数提取包含墙体线条的图像区域。当图像的某一列（行）像素灰度均值发生变化时，这种变化会在该列（行）的平均积分投影值上反应出来。

为了快速剔除建筑平面图中空白区域，并且进一步加快矢量化处理效率，我们使用平均积分投影函数（AIPF）提取包含墙体线条的图像区域。该步骤可引入并行计算进行加速处理，抽取仅包含少量完整直线段的子图，对建筑平面图中的空间结构做初步分割，加快矢量化起始点的搜寻速度，并在之后的线段整合步骤中，只需判断子图中与积分投影方向相同的完整线段彼此间的连通性，而无需遍历整幅图像的线段，从而使矢量化处理更为高效。

3）对各个子图像进行矢量化处理，对应得到带墙体宽度的线段集合，从线段集合中抽取得到墙***置和墙体宽度信息；

经过积分投影步骤后，整个图像被分解为若干包含建筑部件信息的子图像，需矢量化处理后获取带宽度的线段集合，进一步获得墙体几何等基本建筑信息。考虑到已有SPV方法在形状保持和运算效率方面具有优势，并在此基础上进行精简和改进，根据实际应用训练出更为恰当的经验阈值，并应用于分块图像，提高图形的识别能力和矢量化效率。并通过寻找起始中轴点和追踪步方向、稀疏点追踪、结点分割和线段整合四个步骤，抽取出墙***置和宽度信息，并获得墙体中嵌入的门窗子图，用以进行识别分析。

针对每个子图像，所述矢量化处理为：

第一步：寻找起始中轴点和追踪方向

步骤1）：以小于墙体线宽1～3个像素的步长自上而下扫描子图像，针对每条扫描线，自左向右依次读取当前扫描线上每个像素点的灰度值，如果当前像素点同时满足以下三点，则将该当前像素点作为参照点；

a）灰度值是0，即当前像素点为黑色像素点；

b）上一像素点是灰度值是1，即上一像素点是白色像素点；

c）当前像素点从未被访问过；

步骤2）：在参照点x(i)所在的连通区域（连通区域中均为黑色像素）中，迭代查询起始中轴点和追踪方向，迭代查询过程为：

第i次迭代

奇数次操作：过参照点x(i)在连通区域的左右边界之间做水平参考线m(i)，并获取水平参考线的中点作为参照点y(i)；

偶数次操作：过参照点y(i)，在连通区域的上下边界之间做竖直参考线n(i)，并获得竖直参考线的中点作为参照点x(i+1)；

第i+1次迭代

奇数次操作：过参照点x(i+1)在连通区域的左右边界之间做水平参考线m(i+1)，并获取水平参考线的中点作为参照点y(i+1)；

偶数次操作：过参照点y(i+1)，在连通区域的上下边界之间做竖直参考线n(i+1)，并获得竖直参考线的中点作为参照点x(i+2)；

从第一次迭代的偶数次操作开始，在任意k次的迭代中：

奇数次操作：判断x(k)和y(k)之间的距离，若小于阈值，则以x(k)作为起始中轴点，并选取水平参考线m(k)和竖直参考线n(k-1)中较长的参考线所在方向作为追踪方向，否则，进入下一次操作；

偶数次操作：判断x(k+1)和y(k)之间的距离，若小于阈值，则以y(k)作为起始中轴点，并选取水平参考线m(k)和竖直参考线n(k)中较长的参考线所在方向作为追踪方向；否则，进入下一次迭代；

步骤3）：重复步骤1）和步骤2），在整个子图像中完成对所有连通区域的处理（各连通区域之间相互独立），针对每个连通区域得到对应的寻找起始中轴点和追踪方向；

第二步：稀疏点追踪

在任意连通区域内，从起始中轴点开始，以固定追踪步长，沿追踪方向依次查询下一像素点作为新中轴点（做稀疏像素点追踪），直至追踪违反以下两个条件之一时，执行步骤结点分割；

a）当前的新中轴点和上一新中轴点的线宽差值在允许阈值内；

b）新中轴点之前没有被访问过；

第三步：结点分割

结点分割程序将线段拐角处和十字交叉区域合理分割为若干直线段的拼接，具体迭代步骤如下：

a）退回上一个新中轴点；

b）调整追踪步长为前一追踪步长1/2；

c）沿原追踪方向进行稀疏点追踪；

d）在追踪步长调整后得到的每个新中轴点处，判断新中轴点是否满足第二步中两个条件，若满足，继续以调整后的步长继续追踪，若不满足，重复第三步中的步骤a）～d）；

重复迭代，直至追踪步的长度接近于零，结点分割程序终止，最后找到的满足所有条件的点即为新的中轴点；

第四步：线段整合

相邻的两个新中轴点之间为矢量线段，以其中一个新中轴点的位置为起始坐标，另一个相邻的新中轴点的位置为终止坐标，相减则为所述的矢量线段，且相邻两个新中轴点的线宽平均值为整个矢量线段的线宽；

各子图像中所有黑色像素点均已访问过后，将得到的所有矢量线段进行整合，生成长直矢量线段，计算任意两条长直矢量线段之间的夹角，若夹角小于5度，则认为两条矢量线段平行，再判断两条长直矢量线段的近邻点距离，若小于设定值，该设定值为预设墙体线的宽度，则合并得到带墙体宽度的线段集合，并从线段集合中抽取得到墙***置和墙体宽度信息。

对光栅建筑平面图做矢量转换，抽取各建筑部件位置宽度等信息，同时正确识别出门窗和阳台等建筑附属部件，最终使用基于形状文法的过程式建模自动生成3D建筑模型JSON文件。

本发明核心之一就是矢量化。矢量化也叫光栅转矢量，是一个从光栅图像中寻找矢量线条的过程。好的矢量化方法应当尽可能保留形状信息，包含线宽，线条几何形状和交叉结点，以便后期处理，而且它应当足够快以适用于现实***。现有矢量化方法大致分为七类：基于霍夫变换、基于细化、基于轮廓、基于游码标注、基于网状模型、基于正交方向搜索和基于稀疏像素点。具体可参考L Wenyin,D Dori.A Survey of Non-ThinningBased Vectorization Methods.Advances in Pattern Recognition,1998:230～241。通过对以上七种矢量化方法在抽取参数信息的完整性、准确性和高效性等方面的综合分析，我们采用基于稀疏像素点（SPV）的矢量化方法，该方法仅对原始光栅图像的黑色像素区域进行搜索，使得搜索频率降低，并利于避开图线缺陷，大大加快了线条的提取速度，此外，算法还能够保存线宽信息及精确的中心轴和端点位置，便于对图像的后期处理。

4）通过步骤3）中的线段集合获得墙体附属物子图，利用线性鉴别分析算法判断各墙体附属物子图的具体类别；

对建筑平面图中门窗等建筑附属部件进行正确识别，由于精准高效轻量是本发明的终极目标，因而我们采用引入GSVD和QR分解的LDA改进算法。具体可参考H Park,BL Drake,S Lee,CH Park.Fast LinearDiscriminant Analysis Using QR Decomposition and Regularization.TechnicalReport GT-CSE-07-21,2007。

5）预设建筑高度，并结合步骤3）和步骤4）中的数据，转换为三维结构数据。

在基于形状文法和特征线素的过程式建模方法，即F-Wires方法中，三维建筑模型是通过解析一系列过程式建模规则迭代生成。将墙体、门、窗、阳台、通道等建筑部件定义为一个个形状单元。每个形状单元由一个四元组S=<N，G，B，P>表示，其中N表示形状单元的名称；G表示形状单元的几何信息；B为带方向的几何包围盒，用于指定单元的位置和尺寸，方便之后形状单元求交等运算；P表示形状单元的其他属性如纹理、材质等。特征线素F-wire则表示为一组三维空间顶点集合，各顶点依次连接，形成特征线素折线。特别地，当一条F-wire是由4个共面顶点所围成的封闭矩形时，称为特征矩形，或简称为F-rect。

应用F-Wires方法生成三维建筑模型时，我们将已有的二维建筑部件数据，加入预设的第三维（高度）数据，线性鉴别分析（LDA）算法是模式识别中使用较为广泛的一种特征提取方法，通过类间离散矩阵加权处理以及类内离散矩阵均值中心化，使得降维后的鉴别特征的类间离散度和类内离散度的比值最大。由于在降维过程中引入类别参数信息，因此低维数据更方便多类图像的识别。即找到最佳线性转换矩阵G^T，使之保证了低维上类别间的良好可分性。但是实际应用场景中图像训练样本数据维度（m）远远大于样本个数（n），因而会产生欠采样问题，因而引入QR分解，仅对分解出n*n维上三角矩阵R做一次SVD分解，所得结果再与正交矩阵Q相乘，即可获得目标转换矩阵G。由此，不但解决了欠采样问题，而且减少了SVD分解的维度和次数，大大加快了计算速度。

George Stiny于1972年提出的形状文法是一种计算机辅助设计方法，可以按照人们的设计想法和要求，依据一定的规则产生新的形状。该方法具有表示紧凑，泛化能力强的优点。将建筑学知识融入形状文法表示，结合建筑平面图中的抽象建模特征线条（或称为特征线素feature wires），我们构造出基于形状文法和特征线素的过程式建模方法，简称F-Wires建模方法，并设计出相应的F-Wires构造规则，简化规则复杂度，更好的满足“表意性”“轻量化”建模需求。

本发明的优点在于针对建筑平面图的特点，提出了有效地图像分块技术，同时进一步优化SPV算法，使得矢量化速度有很大提升。在墙体附属对象的识别步骤，我们引入了适于小样本学习的LDA分类方法，并提出了相关的加速计算方案，在保证识别准确率的同时，极大地提高了处理效率。由于本文方法是基于过程式表示，因此可方便地通过修正表示中的参数，对三维建筑模型做高效地编辑与处理，同时也便于信息的存储与提取。

附图说明

图1是本发明算法的***流程图。

图2是平均积分投影函数示意图。

图3是F-Wires构造规则。

具体实施方式

本发明提出一种针对光栅建筑平面图全自动生成三维建筑模型的轻量计算方法，具体流程如图1所示，其包括以下五个步骤：

（1）对光栅建筑平面图做二值化和矫正，得到预处理后的图像。

光栅建筑平面图二值化采用OpenCV库函数中的cvThreshold函数，得到二值化后的图像；矫正为：采用OpenCV库函数中的cvHoughLines2函数对二值化后的图像进行霍夫线段检测，抽取二值化后的图像中的长直线段，统计出这些长直线段的斜率值，随后使用OpenCV库函数中的cvGetQuadrangleSubPix函数对二值化后的图像进行旋转矫正，使得长直线段与光栅建筑平面图的直角坐标系相平行。

（2）利用平均积分投影函数从预处理后的图像中提取包含墙体线条的图像区域，得到若干子图像。

平均积分投影函数表示为：

M_{v} (x) = \frac{1}{y_{2} - y_{1}} {&Integral;}_{y_{1}}^{y_{2}} I (x, y) d_{y}, M_{h} (y) = \frac{1}{x_{2} - x_{1}} {&Integral;}_{x_{1}}^{x_{2}} I (x, y) d_{x}

其中：(x,y)表示像素点的坐标，I(x,y)表示点(x,y)处的像素灰度值，M_v(x)表示在区间[y₁,y₂]上的垂直平均积分投影函数值，M_h(y)表示在区间[x₁,x₂]上的水平平均积分投影函数值。

为了能够鲁棒地抵抗图像中的噪声和以及图像不完全对齐带来的问题，我们将M_v(x)和M_h(y)归一化到[0，1]区间：

M_{v}^{'} (x) = \frac{M_{v} (x) - \min (M_{v} (x))}{\max (M_{v} (x)) - \min (M_{v} (x))}, M_{h}^{'} (x) = \frac{M_{h} (x) - \min (M_{h} (x))}{\max (M_{h} (x)) - \min (M_{h} (x))}

图2是采用平均积分投影的区域分块实例，其中横坐标为图像水平（垂直）坐标，纵坐标为相应的投影函数值。图2(a)和(c)分别展示了沿y轴的垂直投影变换和x轴方向的水平投影变换所得函数结果，对应的投影函数阈值分割效果分别如图2(b)和图2(d)所示。此外，图2中的实心直线为水平（垂直）积分投影函数所有非零值的中位数，将其设为阈值，统计超过该阈值的连续水平（垂直）区域，若该区域宽度大于预设的墙体线宽值，则抽取该水平（垂直）区域作为待处理子图像，对其进行矢量化。

（3）对各个子图像进行矢量化处理，对应得到带墙体宽度的线段集合，从线段集合中抽取得到墙***置和墙体宽度信息。

在这步中，利用改进后的基于非细化的稀疏点像素（SPV）的轻量级矢量化方法，抽取建筑部件位置尺寸等矢量信息。

经过积分投影步骤后，整个图像被分解为若干包含建筑部件信息的子图像，需矢量化处理后获取带宽度的线段集合，进一步获得墙体几何等基本建筑信息。

针对每个子图像，所述矢量化处理为：

第一步：寻找起始中轴点和追踪方向

步骤1）：以小于墙体线宽2个像素的步长自上而下扫描子图像，针对每条扫描线，自左向右依次读取当前扫描线上每个像素点的灰度值，如果当前像素点同时满足以下三点，则将该当前像素点作为参照点；

a）灰度值是0，即当前像素点为黑色像素点；

b）上一像素点是灰度值是1，即上一像素点是白色像素点；

c）当前像素点从未被访问过；

第i次迭代

第i+1次迭代

从第一次迭代的偶数次操作开始，在任意k次的迭代中：

第二步：稀疏点追踪

b）新中轴点之前没有被访问过；

第三步：结点分割

a）退回上一个新中轴点；

b）调整追踪步长为前一追踪步长1/2；

c）沿原追踪方向进行稀疏点追踪；

第四步：线段整合

各子图像中所有黑色像素点均已访问过后，将得到的所有矢量线段进行整合，生成长直矢量线段，计算任意两条长直矢量线段之间的夹角，若夹角接近0，一般小于5度则认为接近0，认为两条矢量线段平行，再判断两条长直矢量线段的近邻点距离，若小于设定值，该设定值为预设墙体线的宽度，则合并得到带墙体宽度的线段集合，并从线段集合中抽取得到墙***置和墙体宽度信息。

（4）通过步骤（3）中的线段集合获得墙体附属物子图，利用线性鉴别分析算法判断各墙体附属物子图的具体类别。

对建筑平面图中门窗等建筑附属部件进行正确识别，由于精准高效轻量是本发明的终极目标，因而我们采用引入GSVD和QR分解的LDA改进算法，快速精准地识别和定位门窗和孔洞等多种建筑部件；具体可参考H Park,BL Drake,S Lee,CH Park.Fast Linear Discriminant Analysis UsingQR Decomposition and Regularization.Technical Report GT-CSE-07-21,2007。

（5）根据预设高度，将步骤（3）和步骤（4）中的数据转换为三维结构数据。

在基于形状文法和特征线素的过程式建模方法，即F-Wires方法中，如图3所示，三维建筑模型是通过解析一系列过程式建模规则迭代生成。将形状文法表示（参考G Stiny.Introduction to shape and shape grammars.Environment and Planning B,1980,7(3):343～351）与特征造型建模（参考R Gal,O Sorkine,NJ Mitra,D Cohen.iWIRES:An analyze-and-editapproach to shape manipulation.ACM Transactions on Graphics,2009,28(3):110～116）方法相结合，实现“分析+建模”的过程式高效建模及交互方法。

将墙体、门、窗、阳台、通道等建筑部件定义为一个个形状单元。每个形状单元由一个四元组S=<N，G，B，P>表示，其中N表示形状单元的名称；G表示形状单元的几何信息；B为带方向的几何包围盒，用于指定单元的位置和尺寸，方便之后形状单元求交等运算；P表示形状单元的其他属性如纹理、材质等。特征线素F-wire则表示为一组三维空间顶点集合，各顶点依次连接，形成特征线素折线。特别地，当一条F-wire是由4个共面顶点所围成的封闭矩形时，称为特征矩形，或简称为F-rect。

本文方法主要应用于轻量级的快速三维模型重建，因而我们采用JSON格式保存基于F-Wires构造规则表述的模型数据（如表1）。在应用F-Wires方法生成三维建筑模型时，我们将已有的二维建筑部件数据，加入预设的第三维（高度）数据，采用表2所示的F-Wires构造规则，生成基于F-Wires构造规则的文法表达。

表1F-Wires构造规则的JSON表示

表2F-Wires构造规则

在调用F-Wires构造规则重构模型时，我们等价地构建了一个树型结构（如图3），节点表示形状单元，节点之间的有向边则为一个F-Wires构造规则。当用户对形状单元节点进行编辑时，可从当前编辑节点回溯至其父节点，仅对其父节点及其下属分支形状单元进行重构，这使得***的交互响应更加迅速，而用户对模型的修改也十分的便捷。此外，每个形状单元均可直接在三维环境中修改属性，如贴图、材质等，达到表意性灵活交互建模的要求。

Claims

1.一种针对光栅建筑平面图的全自动三维转换方法，其特征在于，包括以下步骤：

5）根据预设高度，将步骤3）和步骤4）中的数据转换为三维结构数据。

2.如权利要求1所述的针对光栅建筑平面图的全自动三维转换方法，其特征在于，在步骤1）中，所述二值化采用OpenCV库函数中的cvThreshold函数，得到二值化后的图像。

3.如权利要求1所述的针对光栅建筑平面图的全自动三维转换方法，其特征在于，所述矫正为：采用OpenCV库函数中的cvHoughLines2函数对二值化后的图像进行霍夫线段检测，抽取二值化后的图像中的长直线段，统计出这些长直线段的斜率值，随后使用OpenCV库函数中的cvGetQuadrangleSubPix函数对二值化后的图像进行旋转矫正，使得长直线段与光栅建筑平面图的直角坐标系相平行。

4.如权利要求1所述的针对光栅建筑平面图的全自动三维转换方法，其特征在于，在所述的步骤2）中，利用平均积分投影函数从预处理后的图像中提取包含墙体线条的图像区域。

5.如权利要求4所述的针对光栅建筑平面图的全自动三维转换方法，其特征在于，在步骤3）中，针对每个子图像，所述矢量化处理为：

第一步：寻找起始中轴点和追踪方向

步骤1）：以小于墙体线宽的步长自上而下扫描所述的子图像，针对每条扫描线，自左向右依次读取当前扫描线上每个像素点的灰度值，如果当前像素点同时满足以下三点，则将该当前像素点作为参照点；

a）灰度值是0，即当前像素点为黑色像素点；

b）上一像素点是灰度值是1，即上一像素点是白色像素点；

c）当前像素点从未被访问过；

步骤2）：在参照点x(i)所在的连通区域中，迭代查询起始中轴点和追踪方向；

步骤3）：重复步骤1）和步骤2），在整个子图像中完成对所有连通区域的处理，针对每个连通区域得到对应的寻找起始中轴点和追踪方向；

第二步：稀疏点追踪

在任意连通区域内，从起始中轴点开始，以固定追踪步长，沿追踪方向依次查询下一像素点作为新中轴点，直至追踪违反以下两个条件之一时，执行步骤结点分割；

b）新中轴点之前没有被访问过；

第三步：结点分割

a）退回上一个新中轴点；

b）调整追踪步长为前一追踪步长1/2；

c）沿原追踪方向进行稀疏点追踪；

第四步：线段整合

相邻的两个新中轴点之间为矢量线段，各子图像中所有黑色像素点均已访问过后，将得到的所有矢量线段进行整合，生成长直矢量线段，计算任意两条长直矢量线段之间的夹角，若夹角接近0，则认为两条矢量线段平行，再判断两条长直矢量线段的近邻点距离，若小于设定值，则合并得到带墙体宽度的线段集合，并从线段集合中抽取得到墙***置和墙体宽度信息。

6.如权利要求5所述的针对光栅建筑平面图的全自动三维转换方法，其特征在于，所述迭代查询过程为：

第i次迭代包括：

从第一次迭代的偶数次操作开始，在第k次的迭代中：

偶数次操作：判断x(k+1)和y(k)之间的距离，若小于阈值，则以y(k)作为起始中轴点，并选取水平参考线m(k)和竖直参考线n(k)中较长的参考线所在方向作为追踪方向；否则，进入下一次迭代。