CN108460833A - 一种基于bim构建传统建筑数字化保护与修复的信息平台 - Google Patents
一种基于bim构建传统建筑数字化保护与修复的信息平台 Download PDFInfo
- Publication number
- CN108460833A CN108460833A CN201810265020.XA CN201810265020A CN108460833A CN 108460833 A CN108460833 A CN 108460833A CN 201810265020 A CN201810265020 A CN 201810265020A CN 108460833 A CN108460833 A CN 108460833A
- Authority
- CN
- China
- Prior art keywords
- image
- traditional architecture
- module
- resolution
- reparation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004224 protection Effects 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 69
- 230000008439 repair process Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000002845 discoloration Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000007639 printing Methods 0.000 abstract description 3
- 238000011084 recovery Methods 0.000 abstract description 2
- 238000005067 remediation Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
Abstract
本发明属于建筑修复技术领域,公开了一种基于BIM构建传统建筑数字化保护与修复的信息平台,基于BIM构建传统建筑数字化保护与修复的信息平台包括:图像采集模块、信息录入模块、中央控制模块、三维建模模块、修复模块、数据备份模块、3d打印模块、显示模块。本发明通过修复模块可以更加精准的对建筑残缺部分,通过计算机技术进行修补,完整的展现建筑原貌;同时通过3d打印模块可以快速打印出现建筑微型模型,给工作人员提供更加直观的参考模型,提高修复效率。
Description
技术领域
本发明属于建筑修复技术领域,尤其涉及一种基于BIM构建传统建筑数字化保护与修复的信息平台。
背景技术
中国自古地大物博,建筑艺术源远流长。不同地域和民族其建筑艺术风格等各有差异,但其传统建筑的组群布局、空间、结构、建筑材料及装饰艺术等方面却有着共同的特点,区别于西方,享誉全球。中国古代建筑的类型很多,主要有宫殿、坛庙、寺观、佛塔、民居和园林建筑等。然而,现有对传统建筑修复不精准,效果差;同时不能及时制作出微型模型进行展示。
在车牌识别***中,从图像的输入到输出识别结果是一个复杂的图像处理的过程,一般由三个部分组成:车牌定位(车牌检测)、字符分割和字符识别。目前车牌定位方法多种多样,总的来说可以分为两大类:基于彩色图像处理技术的车辆牌照定位算法以及基于灰度图像处理技术的车辆牌照定位算法。
基于彩色图像处理技术主要利用车牌固有的颜色搭配进行定位分析:基于模糊训练和颜色边缘对分析的定位方法;利用HSV颜色模型进行分析,对输入的图像进行灰度等级分类,再结合数学形态学、字频统计方法判断车牌位置;基于车牌几何特征和纹理特征的车牌定位方法等。
灰度图像处理技术的定位算法所产生的时间较彩色图像处理技术的定位算法要早,此类算法的计算量较小,运算速度较快,绝大多数算法是以灰度图像二值化后的二值图像作为定位算法的基础。比如:最大类间方差方法(otsu法)、局部二值化的方法、基于纹理信息的二值化方法、Niblack二值化算法以及基于各种特征的二值化算法(小波分解、文理特征、投影聚类等)。
图像的分辨率越高,提供的信息就越丰富。在各种各样的实际应用中,高分辨率图像都发挥着重要作用。高分辨率卫星图像有助于目标识别,交通及安全监控、模式识别等领域也需要高分辨率图像。由于受成像***物理条件和天气影响,成像过程中往往存在运动模糊、下采样和噪声等退化过程,使得实际得到的图像分辨率低、质量差。要获得高分辨率图像,最直接的方法是采用高分辨率图像传感器,降低像素尺寸,提高单位面积的像素数量,但这种方法对图像传感器和光学器件的制造工艺和成本的要求很高,在很多场合中难以实现。图像超分辨重建技术可以从单帧或多帧低分辨率输入图像获得高分辨率图像,相比而言,使用超分辨重建技术成本更低,更容易实现。
目前,图像超分辨率重建技术可分为三类:基于插值、基于重建和基于学习的方法。
基于插值的方法是超分辨率研究中最直观的方法。常见的方法包括最近邻插值、双线性插值、双立方插值等。这类方法的优点是计算复杂度低,快速易行。但是引入的高频信息是基于预先假定的插值模板,当模板与实际情况不符时,可能导致重建图像质量不高。
基于重建的方法根据图像退化模型,结合图像先验知识构造相应的正则项以恢复丢失的高频信息。包括迭代反向投影方法、最大后验概率方法等。这类方法能在一定程度上缓解基于插值方法所产生的模糊效果。但当图像放大倍数较大时,重建效果通常也不太理想。
基于学习的方法是近年来超分辨率算法研究的热点方向。其基本思路是通过学习低分辨率图像和高分辨率图像之间的映射关系,将学好的映射关系用于低分辨率输入图像以获得高分辨率图像。Chang等人在文献“Chang H,Yeung D Y,Xiong Y.Super-resolutionthrough neighbor embedding[C]//Computer Vision and Pattern Recognition,2004.CVPR 2004.Proceedings of the 2004 IEEE Computer Society Conferenceon.IEEE,2004,1:I-I.”中假设高、低分辨率图像块在各自特征空间具有相似的局部结构,将低分辨率空间的权值用于高分辨率空间,提出了基于邻域嵌入的图像超分辨重建方法。但是当放大倍数较大时,高、低分辨率图像块在各自特征空间形成的局部结构不再相似,导致重建质量的下降。另一方面,当选取的近邻数K变化时,重建质量波动较大,因此,近邻数K的选取是一个亟待解决的问题。为此,Chan等人在文献“Chan T M,Zhang J,Pu J,etal.Neighbor embedding based super-resolution algorithm through edge detectionand feature selection[J].Pattern Recognition Letters,2009,30(5):494-502.”中针对边缘检测和特征选择对邻域嵌入方法进行了改进,对边缘图像块和非边缘图像块进行不同的处理,同时对图像块选取了新的特征表示,从而提高了重建质量。然而,该方法依赖边缘检测,不正确的边缘检测会使结果图像中存在人工痕迹。
综上所述,现有技术存在的问题是:
现有对传统建筑修复不精准,效果差;同时不能及时制作出微型模型进行展示。
现有技术三维图像构建中,车牌方法存在检测率不高,受外界影响大,鲁棒性不强。
现有技术中,图像恢复需要更多的高频细节信息,不能提高重建图像的质量。
发明内容
针对现有技术存在的问题,本发明提供了一种基于BIM构建传统建筑数字化保护与修复的信息平台。
本发明是这样实现的,一种基于BIM构建传统建筑数字化保护与修复的信息平台,包括:
图像采集模块,与中央控制模块连接,用于通过摄像器及三维扫描仪采集传统建筑图像信息;
图像采集模块图像采集包括:
第一步,构建高分辨率训练图像集包括:
a)搜集多幅彩色高分辨率自然图像;
b)将高分辨率自然图像从红、绿、蓝RGB颜色空间转换到亮度、蓝色色度、红色色度YCbCr颜色空间;
c)收集所有亮度图像作为高分辨率训练图像集其中表示第p幅高分辨率亮度图像,n表示图像的数量;
第二步,输出高分辨率图像THR;
信息录入模块,与中央控制模块连接,用于录入传统建筑建造时间、文化背景、修复过程等信息进行录入;
中央控制模块,与图像采集模块、信息录入模块、三维建模模块、修复模块连接,用于调度各个模块正常工作;
三维建模模块,与中央控制模块连接,用于通过三维软件对采集的图像数据进行建立三维模型;具体包括:提取颜色特征和自适应LBP算子特征;进行多特征底秩矩阵表示模型;对模型分解以及求解,得到子模型;输出伪区域并得到最后准确的区域;校正,输出定位后的图像;
修复模块,与中央控制模块连接,用于通过计算机软件进行模拟计算出现建筑的完整形态;
进一步,提取自适应LBP算子特征算法的具体步骤包括:
1)将输入的图像转换成灰度图像,对图像{grayv(i,j)}像素灰度值求和,再获取平均值:
2)利用总的纹理特征去除背景,计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和,求其平均值:
利用局部纹理特征去除背景,用3×3大小的滑动窗口,遍历图像,求取中心像素灰度值与周边像素灰度值之差,在每一个窗口图像内求取平均值:
3)拟合计算自适应阈值的方法:
多特征底秩矩阵表示模型:
s.t.Xi=XiAi+Ei,i=1,…,K
其中α是大于0的系数,用来度量噪声和野点带来的误差;
迭代求解优化问题时,为固定其他变量求解Ji得:
利用奇异值阈值求解;
输出伪区域并得到最后准确的区域,具体为:
根据输入图像比例留下每个子空间的外接矩阵即为疑似区域;
设置一个跳变函数f(i,j),对疑似区域进行精确定位,确定图像区域的上下边界:
其中c(i,j)为
c(i,j)=LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i=1,2,3,4,…N,j=2,3,4,…M,因此任意一行i的跳变次数和S(i)为:
如果任意一行跳变次数的和S(i≥12),则这一行就有可能属于精确区域;由上至下对整幅图像进行扫描,找出所有满足S(i≥12)的行,并记录下这一行的行数i;如果有连续的h行满足S(i≥12),则得到一个宽度为M,高度为h的矩形区域,这个区域就是准确区域。
进一步,所述基于BIM构建传统建筑数字化保护与修复的信息平台还包括:
数据备份模块,与中央控制模块连接,用于通过备份服务器对修复的数据进行存储备份;
3d打印模块,与中央控制模块连接,用于通过3d打印机将修复的完整建筑进行打印;
显示模块,与中央控制模块连接,用于显示传统建筑的修复信息。
进一步,第二步,输出高分辨率图像THR,包括:
(a)对低分辨率输入图像块集XT中的每个图像块xt q,对应的高分辨率输出图像块由如下公式求得:
其中表示待求的高分辨率输出图像块;表示与对应的高分辨率训练图像块;表示与对应的高分辨率K近邻;wqp是wqp是第p个近邻的重建系数;
(b)将所有得到的高分辨率图像块拼接起来,重叠区域像素取平均值,得到最终的高分辨率输出亮度图像
(c)将彩色图像的色变图像蓝色色度图像和红色色度图像插值放大到与亮度图像同样的大小,得到和联合高分辨率亮度图像由YCbCr颜色空间转换到RGB颜色空间,将转换结果作为高分辨率输出图像THR。
进一步,所述修复模块修复方法如下:
首先,获取传统建筑的数字图像,然后对传统建筑的数字图像进行预处理;
然后,对预处理后的传统建筑数字图像利用基于编辑距离的残缺提取算法进行残缺标定,得掩码图像,然后根据掩码图像获得传统建筑中残缺的标记图;
最后,利用基于马尔科夫随机场匹配准则的Criminisi修复算法对传统建筑中残缺的标记图进行数字修复,并生成修复后的传统建筑数字图像,然后显示修复后的传统建筑数字图像。
进一步,所述对传统建筑的数字图像进行预处理的过程为:
首先,计算传统建筑的数字图像中各像素点的权重;
然后,将各像素点的权重与对应的像素点进行点乘运算;
最后,再利用形态学中的腐蚀算法处理点乘运算的结果,凸显出传统建筑的数字图像中的残缺区域。
本发明的优点及积极效果为:
本发明通过修复模块可以更加精准的对建筑残缺部分,通过计算机技术进行修补,完整的展现建筑原貌;同时通过3d打印模块可以快速打印出现建筑微型模型,给工作人员提供更加直观的参考模型,提高修复效率。
本发明根据图像颜色和LBP特征算子,结合改进的LRR模型和形态学操作获得准确区域。使图像的多个特征相结合,能有效提高图像检测的鲁棒性和准确性,减少误检。
本发明提出一种自适应阀值的LBP算子,可以对复杂背景下的图像进行纹理分析,能提供更准确的特征信息。
本发明在训练阶段将临时低分辨率图像集预放大2倍得到低分辨率训练图像集可保证当放大倍数较高时,高、低分辨率图像块在各自特征空间中也可形成相似的局部结构,从而提高重建质量。
本发明在求重建系数时使用非负邻域嵌入方法,保证当近邻数K逐渐增大时,重建质量也逐渐提高并且趋于稳定,从而解决了近邻数K难以选取的问题。
附图说明
图1是本发明实施例提供的基于BIM构建传统建筑数字化保护与修复的信息平台结构框图。
图中:1、图像采集模块;2、信息录入模块;3、中央控制模块;4、三维建模模块;5、修复模块;6、数据备份模块;7、3d打印模块;8、显示模块。
图2是本发明在仿真实验中使用的2幅高分辨率图像。
图3是使用本发明和现有四种方法对蝴蝶图像进行超分辨重建得到的图像。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明提供的基于BIM构建传统建筑数字化保护与修复的信息平台包括:图像采集模块1、信息录入模块2、中央控制模块3、三维建模模块4、修复模块5、数据备份模块6、3d打印模块7、显示模块8。
图像采集模块1,与中央控制模块3连接,用于通过摄像器及三维扫描仪采集传统建筑图像信息;
信息录入模块2,与中央控制模块3连接,用于录入传统建筑建造时间、文化背景、修复过程等信息进行录入;
中央控制模块3,与图像采集模块1、信息录入模块2、三维建模模块4、修复模块5、数据备份模块6、3d打印模块7、显示模块8连接,用于调度各个模块正常工作;
三维建模模块4,与中央控制模块3连接,用于通过三维软件对采集的图像数据进行建立三维模型;
修复模块5,与中央控制模块3连接,用于通过计算机软件进行模拟计算出现建筑的完整形态;
数据备份模块6,与中央控制模块3连接,用于通过备份服务器对修复的数据进行存储备份;
3d打印模块7,与中央控制模块3连接,用于通过3d打印机将修复的完整建筑进行打印;
显示模块8,与中央控制模块3连接,用于显示传统建筑的修复信息。
本发明提供的修复模块5修复方法如下:
首先,获取传统建筑的数字图像,然后对传统建筑的数字图像进行预处理;
然后,对预处理后的传统建筑数字图像利用基于编辑距离的残缺提取算法进行残缺标定,得掩码图像,然后根据掩码图像获得传统建筑中残缺的标记图;
最后,利用基于马尔科夫随机场匹配准则的Criminisi修复算法对传统建筑中残缺的标记图进行数字修复,并生成修复后的传统建筑数字图像,然后显示修复后的传统建筑数字图像。
本发明提供的对传统建筑的数字图像进行预处理的过程为:
首先,计算传统建筑的数字图像中各像素点的权重;
然后,将各像素点的权重与对应的像素点进行点乘运算;
最后,再利用形态学中的腐蚀算法处理点乘运算的结果,凸显出传统建筑的数字图像中的残缺区域。
本发明工作时,通过图像采集模块1采集传统建筑图像信息;通过信息录入模块2录入传统建筑建造时间、文化背景、修复过程等信息进行录入;中央控制模块3调度三维建模模块4通过三维软件对采集的图像数据进行建立三维模型;通过修复模块5利用计算机软件进行模拟计算出现建筑的完整形态;接着,通过数据备份模块6对修复的数据进行存储备份;然后,通过3d打印模块7将修复的完整建筑进行打印;最后,通过显示模块8显示传统建筑的修复信息。
下面结合具体分析对本发明作进一步描述。
图像采集模块图像采集包括:
第一步,构建高分辨率训练图像集包括:
a)搜集多幅彩色高分辨率自然图像;
b)将高分辨率自然图像从红、绿、蓝RGB颜色空间转换到亮度、蓝色色度、红色色度YCbCr颜色空间;
c)收集所有亮度图像作为高分辨率训练图像集其中表示第p幅高分辨率亮度图像,n表示图像的数量;
第二步,输出高分辨率图像THR;
三维建模模块,与中央控制模块连接,用于通过三维软件对采集的图像数据进行建立三维模型;具体包括:提取颜色特征和自适应LBP算子特征;进行多特征底秩矩阵表示模型;对模型分解以及求解,得到子模型;输出伪区域并得到最后准确的区域;校正,输出定位后的图像;
修复模块,与中央控制模块连接,用于通过计算机软件进行模拟计算出现建筑的完整形态;
提取自适应LBP算子特征算法的具体步骤包括:
1)将输入的图像转换成灰度图像,对图像{grayv(i,j)}像素灰度值求和,再获取平均值:
2)利用总的纹理特征去除背景,计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和,求其平均值:
利用局部纹理特征去除背景,用3×3大小的滑动窗口,遍历图像,求取中心像素灰度值与周边像素灰度值之差,在每一个窗口图像内求取平均值:
3)拟合计算自适应阈值的方法:
多特征底秩矩阵表示模型:
s.t.Xi=XiAi+Ei,i=1,…,K
其中α是大于0的系数,用来度量噪声和野点带来的误差;
迭代求解优化问题时,为固定其他变量求解Ji得:
利用奇异值阈值求解;
输出伪区域并得到最后准确的区域,具体为:
根据输入图像比例留下每个子空间的外接矩阵即为疑似区域;
设置一个跳变函数f(i,j),对疑似区域进行精确定位,确定图像区域的上下边界:
其中c(i,j)为
c(i,j)=LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i=1,2,3,4,…N,j=2,3,4,…M,因此任意一行i的跳变次数和S(i)为:
如果任意一行跳变次数的和S(i≥12),则这一行就有可能属于精确区域;由上至下对整幅图像进行扫描,找出所有满足S(i≥12)的行,并记录下这一行的行数i;如果有连续的h行满足S(i≥12),则得到一个宽度为M,高度为h的矩形区域,这个区域就是准确区域。
进一步,所述基于BIM构建传统建筑数字化保护与修复的信息平台还包括:
数据备份模块,与中央控制模块连接,用于通过备份服务器对修复的数据进行存储备份;
3d打印模块,与中央控制模块连接,用于通过3d打印机将修复的完整建筑进行打印;
显示模块,与中央控制模块连接,用于显示传统建筑的修复信息。
第二步,输出高分辨率图像THR,包括:
(a)对低分辨率输入图像块集XT中的每个图像块xt q,对应的高分辨率输出图像块由如下公式求得:
其中表示待求的高分辨率输出图像块;表示与对应的高分辨率训练图像块;表示与对应的高分辨率K近邻;wqp是wqp是第p个近邻的重建系数;
(b)将所有得到的高分辨率图像块拼接起来,重叠区域像素取平均值,得到最终的高分辨率输出亮度图像
(c)将彩色图像的色变图像蓝色色度图像和红色色度图像插值放大到与亮度图像同样的大小,得到和联合高分辨率亮度图像由YCbCr颜色空间转换到RGB颜色空间,将转换结果作为高分辨率输出图像THR。
本发明的优点可以通过以下仿真实验进一步说明:
1.仿真条件:
CPU:Intel(R)Core(TM)i3,主频:2.93GHZ,内存:2G,操作***:WIN7,仿真平台:Matlab2013b。
仿真图像选择图2所示的2幅原始高分辨测试图像,其中,图(a)为蝴蝶(Butterfly)图像,图(b)为叶子(Leaves)图像。
仿真实验中,利用本发明方法与现有的双立方插值方法(Bi-cubic Method)、NE-based方法、NeedFS方法和SC-based方法在测试图像上进行超分辨重建。
其中NE-based方法指文献“Chang H,Yeung D Y,Xiong Y.Super-resolutionthrough neighbor embedding[C]//Computer Vision and Pattern Recognition,2004.CVPR 2004.Proceedings of the 2004 IEEE Computer Society Conferenceon.IEEE,2004,1:I-I.”提出的方法;NeedFS方法指文献“Chan T M,Zhang J,Pu J,etal.Neighbor embedding based super-resolution algorithm through edge detectionand feature selection[J].Pattern Recognition Letters,2009,30(5):494-502.”提出的方法;SC-based方法指文献“Yang J,Wright J,Huang T S,et al.Image super-resolution via sparse representation[J].Image Processing,IEEE Transactionson,2010,19(11):2861-2873.”提出的方法。
2.实验内容及结果分析:
实验一:验证本发明对自然图像有较好的重建效果。
将高分辨率Butterfly彩色图像模糊、下采样3倍得到低分辨率Butterfly彩色图像,利用本发明方法与现有的双立方插值方法(Bi-cubic Method)、NE-based方法、NeedFS方法和SC-based方法对低分辨率Butterfly彩色图像进行超分辨重建。
结果如图3所示,其中图3(a)是双立方插值方法(Bi-cubic Method)超分辨的结果;图3(b)是NE-based方法超分辨的结果;图3(c)是NeedFS方法超分辨的结果;图3(d)是SC-based方法超分辨的结果;图3(e)是本发明超分辨的结果;图3(f)是原始高分辨率图像。每幅图像有两个局部放大的矩形区域以便于观察重建的效果差别。
从图3可见,本发明的结果中边缘清晰,纹理丰富,能有效减少人工痕迹,并减弱振铃效应,视觉效果自然。双立方插值方法(Bi-cubic Method)的结果边缘很模糊,且存在振铃效应;NE-based方法的结果中也有模糊现象,并存在人工痕迹;NeedFS方法的结果比NE-based方法好,但图片不自然;SC-based方法的结果有很强的振铃效应,视觉效果差,超分辨结果有待提高。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (6)
1.一种基于BIM构建传统建筑数字化保护与修复的信息平台,其特征在于,所述基于BIM构建传统建筑数字化保护与修复的信息平台包括:
图像采集模块,与中央控制模块连接,用于通过摄像器及三维扫描仪采集传统建筑图像信息;
图像采集模块图像采集包括:
第一步,构建高分辨率训练图像集包括:
a)搜集多幅彩色高分辨率自然图像;
b)将高分辨率自然图像从红、绿、蓝RGB颜色空间转换到亮度、蓝色色度、红色色度YCbCr颜色空间;
c)收集所有亮度图像作为高分辨率训练图像集其中表示第p幅高分辨率亮度图像,n表示图像的数量;
第二步,输出高分辨率图像THR;
信息录入模块,与中央控制模块连接,用于录入传统建筑建造时间、文化背景、修复过程等信息进行录入;
中央控制模块,与图像采集模块、信息录入模块、三维建模模块、修复模块连接,用于调度各个模块正常工作;
三维建模模块,与中央控制模块连接,用于通过三维软件对采集的图像数据进行建立三维模型;具体包括:提取颜色特征和自适应LBP算子特征;进行多特征底秩矩阵表示模型;对模型分解以及求解,得到子模型;输出伪区域并得到最后准确的区域;校正,输出定位后的图像;
修复模块,与中央控制模块连接,用于通过计算机软件进行模拟计算出现建筑的完整形态。
2.如权利要求1所述基于BIM构建传统建筑数字化保护与修复的信息平台,其特征在于,提取自适应LBP算子特征算法的具体步骤包括:
1)将输入的图像转换成灰度图像,对图像{grayv(i,j)}像素灰度值求和,再获取平均值:
2)利用总的纹理特征去除背景,计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和,求其平均值:
利用局部纹理特征去除背景,用3×3大小的滑动窗口,遍历图像,求取中心像素灰度值与周边像素灰度值之差,在每一个窗口图像内求取平均值:
3)拟合计算自适应阈值的方法:
多特征底秩矩阵表示模型:
s.t.Xi=XiAi+Ei,i=1,…,K
其中α是大于0的系数,用来度量噪声和野点带来的误差;
迭代求解优化问题时,为固定其他变量求解Ji得:
利用奇异值阈值求解;
输出伪区域并得到最后准确的区域,具体为:
根据输入图像比例留下每个子空间的外接矩阵即为疑似区域;
设置一个跳变函数f(i,j),对疑似区域进行精确定位,确定图像区域的上下边界:
其中c(i,j)为
c(i,j)=LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i=1,2,3,4,…N,j=2,3,4,…M,因此任意一行i的跳变次数和S(i)为:
如果任意一行跳变次数的和S(i≥12),则这一行就有可能属于精确区域;由上至下对整幅图像进行扫描,找出所有满足S(i≥12)的行,并记录下这一行的行数i;如果有连续的h行满足S(i≥12),则得到一个宽度为M,高度为h的矩形区域,这个区域就是准确区域。
3.如权利要求1所述基于BIM构建传统建筑数字化保护与修复的信息平台,其特征在于,所述基于BIM构建传统建筑数字化保护与修复的信息平台还包括:
数据备份模块,与中央控制模块连接,用于通过备份服务器对修复的数据进行存储备份;
3d打印模块,与中央控制模块连接,用于通过3d打印机将修复的完整建筑进行打印;
显示模块,与中央控制模块连接,用于显示传统建筑的修复信息。
4.如权利要求1所述基于BIM构建传统建筑数字化保护与修复的信息平台,其特征在于,第二步,输出高分辨率图像THR,包括:
(a)对低分辨率输入图像块集XT中的每个图像块xt q,对应的高分辨率输出图像块由如下公式求得:
其中表示待求的高分辨率输出图像块;表示与对应的高分辨率训练图像块;表示与对应的高分辨率K近邻;wqp是wqp是第p个近邻的重建系数;
(b)将所有得到的高分辨率图像块拼接起来,重叠区域像素取平均值,得到最终的高分辨率输出亮度图像
(c)将彩色图像的色变图像蓝色色度图像和红色色度图像插值放大到与亮度图像同样的大小,得到和联合高分辨率亮度图像由YCbCr颜色空间转换到RGB颜色空间,将转换结果作为高分辨率输出图像THR。
5.如权利要求1所述基于BIM构建传统建筑数字化保护与修复的信息平台,其特征在于,所述修复模块修复方法如下:
首先,获取传统建筑的数字图像,然后对传统建筑的数字图像进行预处理;
然后,对预处理后的传统建筑数字图像利用基于编辑距离的残缺提取算法进行残缺标定,得掩码图像,然后根据掩码图像获得传统建筑中残缺的标记图;
最后,利用基于马尔科夫随机场匹配准则的Criminisi修复算法对传统建筑中残缺的标记图进行数字修复,并生成修复后的传统建筑数字图像,然后显示修复后的传统建筑数字图像。
6.如权利要求5所述基于BIM构建传统建筑数字化保护与修复的信息平台,其特征在于,所述对传统建筑的数字图像进行预处理的过程为:
首先,计算传统建筑的数字图像中各像素点的权重;
然后,将各像素点的权重与对应的像素点进行点乘运算;
最后,再利用形态学中的腐蚀算法处理点乘运算的结果,凸显出传统建筑的数字图像中的残缺区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810265020.XA CN108460833A (zh) | 2018-03-28 | 2018-03-28 | 一种基于bim构建传统建筑数字化保护与修复的信息平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810265020.XA CN108460833A (zh) | 2018-03-28 | 2018-03-28 | 一种基于bim构建传统建筑数字化保护与修复的信息平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108460833A true CN108460833A (zh) | 2018-08-28 |
Family
ID=63238119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810265020.XA Pending CN108460833A (zh) | 2018-03-28 | 2018-03-28 | 一种基于bim构建传统建筑数字化保护与修复的信息平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460833A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448040A (zh) * | 2018-10-22 | 2019-03-08 | 湖南机电职业技术学院 | 一种机械生产制造展示辅助*** |
CN110044310A (zh) * | 2019-04-29 | 2019-07-23 | 黄山学院 | 一种基于bim的建筑设计装置 |
CN110052607A (zh) * | 2019-03-11 | 2019-07-26 | 上海交通大学 | 基于视觉监测的粉床式3d打印闭环控制装置、***及方法 |
CN110956196A (zh) * | 2019-10-11 | 2020-04-03 | 东南大学 | 一种城市建筑物窗墙比自动识别方法 |
CN111042566A (zh) * | 2019-12-27 | 2020-04-21 | 青海民族大学 | 一种古建筑外墙修复方法 |
CN111612907A (zh) * | 2020-04-29 | 2020-09-01 | 湖南南派古建园林工程有限公司 | 一种受损古建筑柱体的多方位修复***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050058971A1 (en) * | 2003-09-12 | 2005-03-17 | Nicholas Bugosh | Fluvial geomorphic landscape design computer software |
CN103810474A (zh) * | 2014-02-14 | 2014-05-21 | 西安电子科技大学 | 一种基于多特征低秩矩阵表示的车牌检测方法 |
CN104036468A (zh) * | 2014-06-19 | 2014-09-10 | 西安电子科技大学 | 基于预放大非负邻域嵌入的单帧图像超分辨重建方法 |
CN105844583A (zh) * | 2016-03-17 | 2016-08-10 | 西安建筑科技大学 | 一种画像石裂缝智能提取及虚拟修复方法 |
-
2018
- 2018-03-28 CN CN201810265020.XA patent/CN108460833A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050058971A1 (en) * | 2003-09-12 | 2005-03-17 | Nicholas Bugosh | Fluvial geomorphic landscape design computer software |
CN103810474A (zh) * | 2014-02-14 | 2014-05-21 | 西安电子科技大学 | 一种基于多特征低秩矩阵表示的车牌检测方法 |
CN104036468A (zh) * | 2014-06-19 | 2014-09-10 | 西安电子科技大学 | 基于预放大非负邻域嵌入的单帧图像超分辨重建方法 |
CN105844583A (zh) * | 2016-03-17 | 2016-08-10 | 西安建筑科技大学 | 一种画像石裂缝智能提取及虚拟修复方法 |
Non-Patent Citations (2)
Title |
---|
SHIYAO FU 等: "Pre-turbulence compensation of orbital angular momentum beams based on a probe and the Gerchberg–Saxton algorithm", 《OPTICS LETTERS》 * |
何原荣 等: "基于点云数据的复杂建筑体真三维建模与应用", 《遥感技术与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448040A (zh) * | 2018-10-22 | 2019-03-08 | 湖南机电职业技术学院 | 一种机械生产制造展示辅助*** |
CN110052607A (zh) * | 2019-03-11 | 2019-07-26 | 上海交通大学 | 基于视觉监测的粉床式3d打印闭环控制装置、***及方法 |
CN110052607B (zh) * | 2019-03-11 | 2020-05-08 | 上海交通大学 | 基于视觉监测的粉床式3d打印闭环控制装置、***及方法 |
CN110044310A (zh) * | 2019-04-29 | 2019-07-23 | 黄山学院 | 一种基于bim的建筑设计装置 |
CN110956196A (zh) * | 2019-10-11 | 2020-04-03 | 东南大学 | 一种城市建筑物窗墙比自动识别方法 |
CN110956196B (zh) * | 2019-10-11 | 2024-03-08 | 东南大学 | 一种城市建筑物窗墙比自动识别方法 |
CN111042566A (zh) * | 2019-12-27 | 2020-04-21 | 青海民族大学 | 一种古建筑外墙修复方法 |
CN111612907A (zh) * | 2020-04-29 | 2020-09-01 | 湖南南派古建园林工程有限公司 | 一种受损古建筑柱体的多方位修复***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460833A (zh) | 一种基于bim构建传统建筑数字化保护与修复的信息平台 | |
CN111325203B (zh) | 一种基于图像校正的美式车牌识别方法及*** | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN104376548B (zh) | 一种基于改进型surf算法的图像快速拼接方法 | |
CN105069746B (zh) | 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其*** | |
CN106250895B (zh) | 一种光学遥感图像感兴趣区域检测方法 | |
CN102790841B (zh) | 书籍的书脊区域中数字图像的检测和校正方法 | |
CN109977723B (zh) | 大票据图片文字识别方法 | |
Recky et al. | Windows detection using k-means in cie-lab color space | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN103093444A (zh) | 基于自相似性和结构信息约束的图像超分辨重建方法 | |
CN113240626A (zh) | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 | |
CN109978871B (zh) | 融合概率型和确定型纤维束追踪的纤维束筛选方法 | |
CN104036468B (zh) | 基于预放大非负邻域嵌入的单帧图像超分辨重建方法 | |
CN109657612A (zh) | 一种基于人脸图像特征的质量排序***及其使用方法 | |
CN110689000B (zh) | 一种基于生成复杂环境下车牌样本的车辆车牌识别方法 | |
CN105957124B (zh) | 具有重复场景元素的自然图像颜色编辑方法及装置 | |
CN103984963B (zh) | 一种高分辨率遥感图像场景分类方法 | |
CN107944437B (zh) | 一种基于神经网络和积分图像的人脸定位方法 | |
CN109087245A (zh) | 基于相邻关系模型的无人机遥感图像拼接*** | |
CN111339902A (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
CN111861866A (zh) | 一种变电站设备巡检图像全景重建方法 | |
CN110390228A (zh) | 基于神经网络的交通标志图片识别方法、装置及存储介质 | |
Zhao et al. | Evaluation of defogging: A real-world benchmark dataset, a new criterion and baselines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |