CN117253012B - 一种还原平面建筑自由曲面网格结构至三维空间的方法 - Google Patents
一种还原平面建筑自由曲面网格结构至三维空间的方法 Download PDFInfo
- Publication number
- CN117253012B CN117253012B CN202311200721.2A CN202311200721A CN117253012B CN 117253012 B CN117253012 B CN 117253012B CN 202311200721 A CN202311200721 A CN 202311200721A CN 117253012 B CN117253012 B CN 117253012B
- Authority
- CN
- China
- Prior art keywords
- free
- form surface
- coordinates
- building
- pixel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010586 diagram Methods 0.000 claims abstract description 80
- 238000010276 construction Methods 0.000 claims abstract description 46
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种还原平面建筑自由曲面网格结构至三维空间的方法,该方法包括S1、获建筑自由曲面网格结构图,设置图背景为白色,建筑自由曲面网格结构为黑色;S2、将S1中建筑自由曲面网格结构图输入预训练的生成对抗网络模型,模型输出自由曲面网格节点被红色像素圆点标记的建筑自由曲面网格结构图;S3、提取S2中生成对抗网络模型输出的建筑自由曲面网格结构图中的平面像素网格节点坐标,获得真实网格节点平面坐标;S4、投影S3中真实网格节点平面坐标至空间建筑自由曲面,获得真实网格节点三维坐标;S5、提取建筑自由曲面网格结构图中节点间的拓扑关系;S6、利用S4中网格节点三维坐标和S5中节点间的拓扑关系绘制三维建筑自由曲面网格结构图。
Description
技术领域
本发明涉及土木工程与计算机算法的应用技术领域,特别是一种还原平面建筑自由曲面网格结构至三维空间的方法。
背景技术
随着相关理论及工程实践经验的不断积累,大跨空间结构,特别是造型独特、视觉冲击力强的建筑自由曲面结构在体育场馆、艺术馆等建筑结构中的应用也不断增多。然而,限于当前结构设计理论及技术,建筑自由曲面网格结构形态的高度复杂性仍使得其设计过程中存在诸多难点。为解决建筑自由曲面网格结构的设计问题,学者们所提出的方法可分为三类:第一类是纯手工进行建筑自由曲面的网格结构划分,该类方法对曲面的适应性强但是劳动量巨大;第二类方法是针对某一类建筑自由曲面形式而提出来的网格划分算法,该类方法在设计效率上大大提升,但在可应用的曲面类型上却有一定局限性;第三类方法是基于人工智能和深度学习的设计方法,该类方法深度挖掘设计数据并学习其内在规律,可在高效进行建筑自由曲面网格设计的同时,具有更强的曲面适用性。由此可见,基于人工智能和深度学习的方法为土木工程领域的技术问题提供了新的思路和手段,在土木工程领域内展现出了巨大的应用前景。然而,当前基于深度学习的网格划分方法受启发于计算机领域的图像识别与生成,故而造成应用深度学习方法得到的建筑自由曲面网格结构亦为图像,即其存在于二维空间,而非真实场景所需要的三维空间。利用何种方法顺利地将深度学习所得到的二维结构还原成三维结构,是当前亟待解决的技术难题。
发明内容
发明目的,本发明所要解决的技术问题为实现基于深度学***面建筑自由曲面网格结构至三维空间的方法,该方法可提取给定的二维建筑自由曲面网格结构图中的节点信息和节点拓扑信息,并将平面节点和拓扑信息转换至三维空间中,完成真正的结构设计。
技术方案,本发明为解决前述技术问题,本发明提出一种还原平面建筑自由曲面网格结构至三维空间的方法,该方法包括以下步骤:
步骤S1、获建筑自由曲面网格结构图,设置该图背景为白色,建筑自由曲面网格结构为黑色;
步骤S2、将步骤S1中建筑自由曲面网格结构图输入预训练的生成对抗网络模型,模型输出自由曲面网格节点被红色像素圆点标记的建筑自由曲面网格结构图;
步骤S3、提取步骤S2中生成对抗网络模型输出的建筑自由曲面网格结构图中的平面像素网格节点坐标,并进一步通过平移和缩放获得真实网格节点平面坐标;
步骤S4、投影S3中真实网格节点平面坐标至建筑自由曲面,获得真实网格节点三维坐标;
步骤S5、提取S1中原始建筑自由曲面网格结构图中节点间的拓扑关系;
步骤S6、利用步骤S4中的真实网格节点三维坐标和步骤S5中的节点间的拓扑关系绘制三维建筑自由曲面网格结构图。
进一步的,步骤S2中,预训练生成对抗网络模型的训练方式为,将建筑自由曲面网格结构图作为输入,自由曲面网格节点被红色像素圆点标记的建筑自由曲面网格结构图作为输出,训练生成对抗网络模型。
进一步的,步骤S3中,提取步骤S2中,生成对抗网络模型输出的建筑自由曲面网格结构图中的像素网格节点的具体步骤为:
(1)获取步骤S2中生成对抗网络模型输出的建筑自由曲面网格结构图,保持图片的高宽比不变,将图片的宽和高分别乘以系数15,放大建筑自由曲面网格结构图,并用P表示尺寸被放大后的建筑自由曲面网格结构图;
(2)定义红色像素圆点的RGB色彩限值的下限和上限分别为L0(r0,g0,b0)和L1(r1,g1,b1),用该RGB色彩限值区间[L0,L1]提取分离P中的红色像素圆点,将仅包含红色像素圆点的图片定义为Pr;
(3)公式(1)图像形态学开运算公式,其中卷积核K是一个n×n的矩阵,矩阵中各值为1,将图片Pr代入公式(1)进行开运算,以分离Pr中距离小于预设值而相互连接的红色像素圆点,P′r表示经开运算处理过后的图片Pr;
(4)提取Pr中每一个红色像素圆点的几何中心坐标,即建筑自由曲面网格结构图中的像素网格节点,并将建筑自由曲面网格结构图中的全部像素网格节点坐标用Npix表示,如式(2),用Ni(xi,yi)表示第i个建筑自由曲面网格结构图中的像素网格节点坐标,(xi,yi)为对应的第i个节点坐标在图中的坐标值,其中,i=1,2,…,n,将Npix中表示建筑自由曲面左下角节点和右上角节点的像素网格坐标单独,分别为NLB(xLB,yLB)和NRT(xRT,yRT);
Npix=[N1(x1,y1),…,Ni(xi,yi),…,Nn(xn,yn)] (2)。
进一步的,步骤S3中,获得真实网格节点平面坐标的步骤具体如下:
(1)令建筑自由曲面在参数空间的函数表达式为S(u,v),参见公式(3),其中,u和v分别对应曲面的横向和纵向参数,n和m分别为两方向的控制点的最大索引值,p和q分别对应参数u和v的B样条次数,wi,j为权因子,Pi,j为曲面两个方向的控制网格坐标,Ni,p(u)和Mi,q(v)是样条基函数,参数空间函数S(u,v)为笛卡尔坐标系下的所有坐标点(x,y,z)的集合,两者的关系见式(4),当给定参数空间的坐标值(u,v),根据式(3)计算得到曲面S(u,v)对应的笛卡尔坐标系下的坐标(x,y,z),将建筑自由曲面左下角节点及右上角节点坐标在参数空间(u,v)的坐标(0,0)和(1,1)分别代入式(3)得到笛卡尔坐标系下建筑自由曲面左下角节点及右上角节点坐标,分别为和/>
(x,y,z)=(x(u,v),y(u,v),z(u,v))=S(u,v) (4)
其中,x(u,v),y(u,v),z(u,v)分别是x,y,z关于u,v的函数;
(2)计算与NLB(xLB,yLB)的距离差值(xδ,yδ),其中,/> 将式(2)中的建筑自由曲面网格结构图中的n个像素网格节点Ni(xi,yi)依次代入式(5),得经坐标平移对齐后的建筑自由曲面网格结构图中的像素网格节点坐标将n个平移后的建筑自由曲面网格结构图的像素节点坐标表示为/>如式(6),另外地,将平移后的NLB(xLB,yLB)和NRT(xRT,yRT)像素坐标表示为/>和
(3)使用公式(7)计算X和Y方向的缩放系数Sx和Sy,用以缩放平移后的建筑自由曲面网格结构图的像素节点坐标依次代入像素网格节点坐标/>至公式(8),获得其对应的真实网格节点平面坐标/>将n个真实网格节点坐标表示为/>如式(9),其中,i=1,2,…,n;
进一步的,步骤S4中,获得真实网格节点三维坐标,具体步骤为:
(1)扩展所获得的真实网格节点平面坐标为z向坐标皆为0的空间坐标,使各坐标通式由/>扩展为/>作过三维空间中点/>且平行于空间笛卡尔坐标系中Z轴的直线,并将该直线表示为li,令直线集合的整体为LZ,则得LZ=[l1,l2,…,li,…,ln];
(2)求直线集LZ中任一直线li与建筑自由曲面的函数S(u,v)的交点,代入式(10),求得交点并记为并将LZ中所有直线与建筑自由曲面的函数S(u,v)的交点并记为Nr,其中,i=1,2,…,n,如式(11),Nr即为所求建筑自由曲的真实网格节点三维坐标;
进一步的,步骤S5中,提取步骤S1中建筑自由曲面网格结构图中节点间的拓扑关系具体步骤为:
(1)图像预处理,将获得的建筑自由曲面网格结构图P转为灰度图,对灰度图中的每一个像素按照式(12)处理,其中,vij表示灰度图中第i行第j列的像素点的灰度值,v′ij为第i行第j列的像素点经处理后的新灰度值,式(12)的含义为灰度图中所有数值低于230的像素点全设置为黑色所对应的数值0,其余数值保持不变,完成该操作后将建筑自由曲面网格结构灰度图转为RGB图并表示为P1,此时除白色图片背景外,仅含用于表示建筑自由曲面网格结构的黑色像素,RGB数值为(0,0,0);
(2)红色圆点绘制,在所获得的P1上,分别以式(2)中n个像素网格节点Npix的坐标为圆心,绘制n个半径为r的红色圆点,所使用红色的RGB数值为(255,0,0),并用P2表示含红色圆点的建筑自由曲面网格结构图;
(3)边界坐标搜索,对P2内任意一个节点坐标Ni(xi,yi),以其为坐标原点,向X轴正方向、X轴负方向、Y轴正方向和Y轴负方向进行像素搜索,直至红色像素边界为止,并依次记四个方向红色像素边界处的像素点坐标值为和/>
(4)相连黑色线条数量计算,利用已获得的像素点坐标值和/>提取其中的/>和/>并计算/>和取两者中的最大值并乘以系数0.3,以获得Lepd,如公式(13),设/>和为矩形对角线的两个端点,用公式(14)和(15)分别计算/>和/>的值,截取该矩形在P2中对应的图像区域,并表示为Pcrop,提取并统计截取的图像区域Pcrop包含的黑色线条的数量m和各黑色线条的几何中心Ci(xi,yi),其中,i=1,2,…,m,由此知,与节点坐标Ni(xi,yi)相连的黑色线条的数量为m;
(5)通过以下子步骤求步骤(3)中所选节点坐标Ni(xi,yi)所连的m条黑色线条另一端的m个节点坐标;
(5.1)将步骤(4)中的m条黑色线条的几何中心坐标Ci(xi,yi)按公式(16)由Pcrop图像中的坐标转换到P2图像中相对应的坐标其中,i=1,2,…,m;
(5.2)以(5.1)中通式的第一项/>起始点,并记为Pcurrent;
(5.3)共有8个像素点直接与Pcurrent相邻,该8个像素点分别在Pcurrent的左、左上、上、上右、右、右下、下及下左位置,按照左、左上、上、上右、右、右下、下及下左的顺序,首先将Pcumnt左侧的像素点表示为Ptemp;
(5.4)计算节点Ni(xi,yi)与点Pcurrent的欧式距离并表示为Dcurrent,同样地,计算节点Ni(xi,yi)与Ptemp的欧氏距离并表示为Dtemp;
(5.5)若当前的像素点Ptemp为黑色,且Dtemp大于Dcurrent,则将当前尝试的像素点Ptemp表示为Pcurrent,并重新开始子步骤于(5.3);
(5.6)若当前的像素点Ptemp为黑色,且Dtemp小于Dcurrent,则将当前尝试的像素点换至下一与Pcumnt相邻的像素点,令下一个相邻像素点为Ptemp,并重新开始步骤(5.4);
(5.7)若当前尝试的像素点Ptemp为红色,则计算Npix中不包括Ni(xi,yi)的n-1个Nj(xj,yj)节点与像素点Ptemp的欧式距离,其中,j=1,2,…,n且j≠i,则所计算的n-1个欧式距离中的最小值所对应的节点坐标是与节点Ni(xi,yi)相连的坐标,假设欧式距离中的最小值所对应的节点坐标为则得到Ni(xi,yi)和/>的连接关系并记为[i,j1];
(5.8)对m个坐标即/>按照前述步骤(5.2)至(5.7)依次计算,获得与节点Ni(xi,yi)相连的所有节点,将该连接关系表示为/>如式(17),其中,j1,j2,……,jm属于j=1,2,…,n,且j1,j2,……,jm互不相等;
(6)对像素网格节点Npix中的n个节点,依次重复步骤(3)至(5),获得所有节点间的相互连接关系,即拓扑关系,并将所有节点间的拓扑连接关系用Rtopo表示,如式(18),其中,为(5.8)中与节点Ni(xi,yi)相连的节点连接拓扑关系;
有益效果,与现有技术相比,本发明采用以上技术方案具有以下有益技术效果:
本发明提出一种还原平面建筑自由曲面网格结构至三维空间的方法,该方法通过对建筑自由曲面网格结构节点信息和节点间的拓扑信息进行提取,可快速实现二维建筑自由曲面网格结构向三维结构的转变,解决当前基于深度学习的网格划分方法无法得到三维建筑自由曲面网格结构的缺点。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的一种还原平面建筑自由曲面网格结构至三维空间的方法的流程示意简图;
图2为本发明实施例所提供的建筑自由曲面网格结构节点信息提取和节点间的拓扑连接信息提取操作关系图;
图3为本发明实施例所提供的建筑自由曲面网格结构节点信息提取详细流程图;
图4为本发明实施例所提供的建筑自由曲面网格结构节点信息提取中真实网格节点平面坐标获取过程的详细流程图;
图5为本发明实施例所提供的建筑自由曲面网格结构节点间的拓扑连接关系获取流程图;
图6为本发明实施例所提供的建筑自由曲面网格结构节点间的拓扑连接关系获取中节点坐标拓扑逐一处理的详细流程图;
图7为本发明实施例所提供的节点坐标拓扑逐一处理中m个几何坐标中心获取的详细流程图。
具体实施方式
为了本发明的技术方案、优点及最终目的更加清晰,下面将结合附图及具体实施方式对本发明做进一步的阐释和说明。
本发明提出一种还原平面建筑自由曲面网格结构至三维空间的方法,该方法包括以下步骤:
步骤S1、获建筑自由曲面网格结构图,设置该图背景为白色,建筑自由曲面网格结构为黑色;
步骤S2、将步骤S1中建筑自由曲面网格结构图输入预训练的生成对抗网络模型,模型输出自由曲面网格节点被红色像素圆点标记的建筑自由曲面网格结构图;
步骤S3、提取步骤S2中生成对抗网络模型输出的建筑自由曲面网格结构图中的平面像素网格节点坐标,并进一步通过平移和缩放获得真实网格节点平面坐标;
步骤S4、投影S3中真实网格节点平面坐标至建筑自由曲面,获得真实网格节点三维坐标;
步骤S5、提取S1中原始建筑自由曲面网格结构图中节点间的拓扑关系;
步骤S6、利用步骤S4中的真实网格节点三维坐标和步骤S5中的节点间的拓扑关系绘制三维建筑自由曲面网格结构图。
进一步的,步骤S2中,预训练生成对抗网络模型的训练方式为,将建筑自由曲面网格结构图作为输入,自由曲面网格节点被红色像素圆点标记的建筑自由曲面网格结构图作为输出,训练生成对抗网络模型。
进一步的,步骤S3中,提取步骤S2中,生成对抗网络模型输出的建筑自由曲面网格结构图中的像素网格节点的具体步骤为:
(1)获取步骤S2中生成对抗网络模型输出的建筑自由曲面网格结构图,保持图片的高宽比不变,将图片的宽和高分别乘以系数15,放大建筑自由曲面网格结构图,并用P表示尺寸被放大后的建筑自由曲面网格结构图;
(2)定义红色像素圆点的RGB色彩限值的下限和上限分别为L0(r0,g0,b0)和L1(r1,g1,b1),用该RGB色彩限值区间[L0,L1]提取分离P中的红色像素圆点,将仅包含红色像素圆点的图片定义为Pr;
(3)公式(1)图像形态学开运算公式,其中卷积核K是一个n×n的矩阵,矩阵中各值为1,将图片Pr代入公式(1)进行开运算,以分离Pr中距离小于预设值而相互连接的红色像素圆点,P′r表示经开运算处理过后的图片Pr;
(4)提取P′r中每一个红色像素圆点的几何中心坐标,即建筑自由曲面网格结构图中的像素网格节点,并将建筑自由曲面网格结构图中的全部像素网格节点坐标用Npix表示,如式(2),用Ni(xi,yi)表示第i个建筑自由曲面网格结构图中的像素网格节点坐标,(xi,yi)为对应的第i个节点坐标在图中的坐标值,其中,i=1,2,…,n,将Npix中表示建筑自由曲面左下角节点和右上角节点的像素网格坐标单独,分别为NLB(xLB,yLB)和NRT(xRT,yRT);
Npix=[N1(x1,y1),…,Ni(xi,yi),…,Nn(xn,yn)] (2)。
进一步的,步骤S3中,获得真实网格节点平面坐标的步骤具体如下:
(1)令建筑自由曲面在参数空间的函数表达式为S(u,v),参见公式(3),其中,u和v分别对应曲面的横向和纵向参数,n和m分别为两方向的控制点的最大索引值,p和q分别对应参数u和v的B样条次数,wi,j为权因子,Pi,j为曲面两个方向的控制网格坐标,Ni,p(u)和Mi,q(v)是样条基函数,参数空间函数S(u,v)为笛卡尔坐标系下的所有坐标点(x,y,z)的集合,两者的关系见式(4),当给定参数空间的坐标值(u,v),根据式(3)计算得到曲面S(u,v)对应的笛卡尔坐标系下的坐标(x,y,z),将建筑自由曲面左下角节点及右上角节点坐标在参数空间(u,v)的坐标(0,0)和(1,1)分别代入式(3)得到笛卡尔坐标系下建筑自由曲面左下角节点及右上角节点坐标,分别为和/>
(x,y,z)=(x(u,v),y(u,v),z(u,v))=S(u,v) (4)
其中,x(u,v),y(u,v),z(u,v)分别是x,y,z关于u,v的函数;
(2)计算与NLB(xLB,yLB)的距离差值(xδ,yδ),其中,/> 将式(2)中的建筑自由曲面网格结构图中的n个像素网格节点Ni(xi,yi)依次代入式(5),得经坐标平移对齐后的建筑自由曲面网格结构图中的像素网格节点坐标将n个平移后的建筑自由曲面网格结构图的像素节点坐标表示为/>如式(6),另外地,将平移后的NLB(xLB,yLB)和NRT(xRT,yRT)像素坐标表示为/>和
(3)使用公式(7)计算X和Y方向的缩放系数Sx和Sy,用以缩放平移后的建筑自由曲面网格结构图的像素节点坐标依次代入像素网格节点坐标/>至公式(8),获得其对应的真实网格节点平面坐标/>将n个真实网格节点坐标表示为/>如式(9),其中,i=1,2,…,n;
进一步的,步骤S4中,获得真实网格节点三维坐标,具体步骤为:
(1)扩展所获得的真实网格节点平面坐标为z向坐标皆为0的空间坐标,使各坐标通式由/>扩展为/>作过三维空间中点/>且平行于空间笛卡尔坐标系中Z轴的直线,并将该直线表示为li,令直线集合的整体为LZ,则得LZ=[l1,l2,…,li,…,ln];
(2)求直线集LZ中任一直线li与建筑自由曲面的函数S(u,v)的交点,代入式(10),求得交点并记为并将LZ中所有直线与建筑自由曲面的函数S(u,v)的交点并记为Nr,其中,i=1,2,…,n,如式(11),Nr即为所求建筑自由曲的真实网格节点三维坐标;
进一步的,步骤S5中,提取步骤S1中建筑自由曲面网格结构图中节点间的拓扑关系具体步骤为:
(1)图像预处理,将获得的建筑自由曲面网格结构图P转为灰度图,对灰度图中的每一个像素按照式(12)处理,其中,vij表示灰度图中第i行第j列的像素点的灰度值,v′ij为第i行第j列的像素点经处理后的新灰度值,式(12)的含义为灰度图中所有数值低于230的像素点全设置为黑色所对应的数值0,其余数值保持不变,完成该操作后将建筑自由曲面网格结构灰度图转为RGB图并表示为P1,此时除白色图片背景外,仅含用于表示建筑自由曲面网格结构的黑色像素,RGB数值为(0,0,0);
(2)红色圆点绘制,在所获得的P1上,分别以式(2)中n个像素网格节点Npix的坐标为圆心,绘制n个半径为r的红色圆点,所使用红色的RGB数值为(255,0,0),并用P2表示含红色圆点的建筑自由曲面网格结构图;
(3)边界坐标搜索,对P2内任意一个节点坐标Ni(xi,yi),以其为坐标原点,向X轴正方向、X轴负方向、Y轴正方向和Y轴负方向进行像素搜索,直至红色像素边界为止,并依次记四个方向红色像素边界处的像素点坐标值为和/>
(4)相连黑色线条数量计算,利用已获得的像素点坐标值和/>提取其中的/>和/>并计算/>和取两者中的最大值并乘以系数0.3,以获得Lepd,如公式(13),设/>和/>为矩形对角线的两个端点,用公式(14)和(15)分别计算/>和/>的值,截取该矩形在P2中对应的图像区域,并表示为Pcrop,提取并统计截取的图像区域Pcrop包含的黑色线条的数量m和各黑色线条的几何中心Ci(xi,yi),其中,i=1,2,…,m,由此知,与节点坐标Ni(xi,yi)相连的黑色线条的数量为m;
(5)通过以下子步骤求步骤(3)中所选节点坐标Ni(xi,yi)所连的m条黑色线条另一端的m个节点坐标;
(5.1)将步骤(4)中的m条黑色线条的几何中心坐标Ci(xi,yi)按公式(16)由Pcrop图像中的坐标转换到P2图像中相对应的坐标其中,i=1,2,…,m;
(5.2)以(5.1)中通式的第一项/>起始点,并记为Pcurrent;
(5.3)共有8个像素点直接与Pcurrent相邻,该8个像素点分别在Pcurrent的左、左上、上、上右、右、右下、下及下左位置,按照左、左上、上、上右、右、右下、下及下左的顺序,首先将Pcurrent左侧的像素点表示为Ptemp;
(5.4)计算节点Ni(xi,yi)与点Pcurrent的欧式距离并表示为Dcurrent,同样地,计算节点Ni(xi,yi)与Ptemp的欧氏距离并表示为Dtemp;
(5.5)若当前的像素点Ptemp为黑色,且Dtemp大于Dcurrent,则将当前尝试的像素点Ptemp表示为Pcurrent,并重新开始子步骤于(5.3);
(5.6)若当前的像素点Ptemp为黑色,且Dtemp小于Dcurrent,则将当前尝试的像素点换至下一与Pcurrent相邻的像素点,令下一个相邻像素点为Ptemp,并重新开始步骤(5.4);
(5.7)若当前尝试的像素点Ptemp为红色,则计算Npix中不包括Ni(xi,yi)的n-1个Nj(xj,yj)节点与像素点Ptemp的欧式距离,其中,j=1,2,…,n且j≠i,则所计算的n-1个欧式距离中的最小值所对应的节点坐标是与节点Ni(xi,yi)相连的坐标,假设欧式距离中的最小值所对应的节点坐标为则得到Ni(xi,yi)和/>的连接关系并记为[i,j1];
(5.8)对m个坐标即/>按照前述步骤(5.2)至(5.7)依次计算,获得与节点Ni(xi,yi)相连的所有节点,将该连接关系表示为/>如式(17),其中,j1,j2,……,jm属于j=1,2,…,n,且j1,j2,……,jm互不相等;
(6)对像素网格节点Npix中的n个节点,依次重复步骤(3)至(5),获得所有节点间的相互连接关系,即拓扑关系,并将所有节点间的拓扑连接关系用Rtopo表示,如式(18),其中,为(5.8)中与节点Ni(xi,yi)相连的节点连接拓扑关系;
Claims (5)
1.一种还原平面建筑自由曲面网格结构至三维空间的方法,其特征在于,该方法包括以下步骤:
步骤S1、获建筑自由曲面网格结构图,设置该图背景为白色,建筑自由曲面网格结构为黑色;
步骤S2、将步骤S1中建筑自由曲面网格结构图输入预训练的生成对抗网络模型,模型输出自由曲面网格节点被红色像素圆点标记的建筑自由曲面网格结构图;
步骤S3、提取步骤S2中生成对抗网络模型输出的建筑自由曲面网格结构图中的平面像素网格节点坐标,并进一步通过平移和缩放获得真实网格节点平面坐标;
步骤S4、投影S3中真实网格节点平面坐标至建筑自由曲面,获得真实网格节点三维坐标;
步骤S5、提取S1中原始建筑自由曲面网格结构图中节点间的拓扑关系;
步骤S6、利用步骤S4中的真实网格节点三维坐标和步骤S5中的节点间的拓扑关系绘制三维建筑自由曲面网格结构图;
步骤S5中,提取步骤S1中建筑自由曲面网格结构图中节点间的拓扑关系具体步骤为:
(1)图像预处理,将获得的建筑自由曲面网格结构图P转为灰度图,对灰度图中的每一个像素按照式(12)处理,其中,vij表示灰度图中第i行第j列的像素点的灰度值,vi ′ j为第i行第j列的像素点经处理后的新灰度值,式(12)的含义为灰度图中所有数值低于230的像素点全设置为黑色所对应的数值0,其余数值保持不变,完成该操作后将建筑自由曲面网格结构灰度图转为RGB图并表示为P1,此时除白色图片背景外,仅含用于表示建筑自由曲面网格结构的黑色像素,RGB数值为(0,0,0);
(2)红色圆点绘制,在所获得的P1上,分别以式(2)中n个像素网格节点Npix的坐标为圆心,绘制n个半径为r的红色圆点,所使用红色的RGB数值为(255,0,0),并用P2表示含红色圆点的建筑自由曲面网格结构图;
(3)边界坐标搜索,对P2内任意一个节点坐标Ni(xi,yi),以其为坐标原点,向X轴正方向、X轴负方向、Y轴正方向和Y轴负方向进行像素搜索,直至红色像素边界为止,并依次记四个方向红色像素边界处的像素点坐标值为和/>
(4)相连黑色线条数量计算,利用已获得的像素点坐标值和提取其中的/>和/>并计算/>和/>取两者中的最大值并乘以系数0.3,以获得Lepd,如公式(13),设/>和/>为矩形对角线的两个端点,用公式(14)和(15)分别计算/>和/>的值,截取该矩形在P2中对应的图像区域,并表示为Pcrop,提取并统计截取的图像区域Pcrop包含的黑色线条的数量m和各黑色线条的几何中心Ci(xi,yi),其中,i=1,2,…,m,由此知,与节点坐标Ni(xi,yi)相连的黑色线条的数量为m;
(5)通过以下子步骤求步骤(3)中所选节点坐标Ni(xi,yi)所连的m条黑色线条另一端的m个节点坐标;
(5.1)将步骤(4)中的m条黑色线条的几何中心坐标Ci(xi,yi)按公式(16)由Pcrop图像中的坐标转换到P2图像中相对应的坐标其中,i=1,2,…,m;
(5.2)以(5.1)中通式的第一项/>起始点,并记为Pcurrent;
(5.3)共有8个像素点直接与Pcurrent相邻,该8个像素点分别在Pcurrent的左、左上、上、上右、右、右下、下及下左位置,按照左、左上、上、上右、右、右下、下及下左的顺序,首先将Pcurrent左侧的像素点表示为Ptemp;
(5.4)计算节点Ni(xi,yi)与点Pcurrent的欧式距离并表示为Dcurrent,同样地,计算节点Ni(xi,yi)与Ptemp的欧氏距离并表示为Dtemp;
(5.5)若当前的像素点Ptemp为黑色,且Dtemp大于Dcurrent,则将当前尝试的像素点Ptemp表示为Pcurrent,并重新开始子步骤于(5.3);
(5.6)若当前的像素点Ptemp为黑色,且Dtemp小于Dcurrent,则将当前尝试的像素点换至下一与Pcurrent相邻的像素点,令下一个相邻像素点为Ptemp,并重新开始步骤(5.4);
(5.7)若当前尝试的像素点Ptemp为红色,则计算Npix中不包括Ni(xi,yi)的n-1个Nj(xj,yj)节点与像素点Ptemp的欧式距离,其中,j=1,2,…,n且j≠i,则所计算的n-1个欧式距离中的最小值所对应的节点坐标是与节点Ni(xi,yi)相连的坐标,假设欧式距离中的最小值所对应的节点坐标为则得到Ni(xi,yi)和/>的连接关系并记为[i,j1];
(5.8)对m个坐标即/>按照前述步骤(5.2)至(5.7)依次计算,获得与节点Ni(xi,yi)相连的所有节点,将该连接关系表示为/>如式(17),其中,j1,j2,……,jm属于j=1,2,…,n,且j1,j2,……,jm互不相等;
(6)对像素网格节点Npix中的n个节点,依次重复步骤(3)至(5),获得所有节点间的相互连接关系,即拓扑关系,并将所有节点间的拓扑连接关系用Rtopo表示,如式(18),其中,为(5.8)中与节点Ni(xi,yi)相连的节点连接拓扑关系;
2.根据权利要求1所述的一种还原平面建筑自由曲面网格结构至三维空间的方法,其特征在于,步骤S2中,预训练生成对抗网络模型的训练方式为,将建筑自由曲面网格结构图作为输入,自由曲面网格节点被红色像素圆点标记的建筑自由曲面网格结构图作为输出,训练生成对抗网络模型。
3.根据权利要求1所述一种还原平面建筑自由曲面网格结构至三维空间的方法,其特征在于,步骤S3中,提取步骤S2中,生成对抗网络模型输出的建筑自由曲面网格结构图中的像素网格节点的具体步骤为:
(1)获取步骤S2中生成对抗网络模型输出的建筑自由曲面网格结构图,保持图片的高宽比不变,将图片的宽和高分别乘以系数15,放大建筑自由曲面网格结构图,并用P表示尺寸被放大后的建筑自由曲面网格结构图;
(2)定义红色像素圆点的RGB色彩限值的下限和上限分别为L0(r0,g0,b0)和L1(r1,g1,b1),用该RGB色彩限值区间[L0,L1]提取分离P中的红色像素圆点,将仅包含红色像素圆点的图片定义为Pr;
(3)公式(1)图像形态学开运算公式,其中卷积核K是一个n×n的矩阵,矩阵中各值为1,将图片Pr代入公式(1)进行开运算,以分离Pr中距离小于预设值而相互连接的红色像素圆点,P′r表示经开运算处理过后的图片Pr;
(4)提取P′r中每一个红色像素圆点的几何中心坐标,即建筑自由曲面网格结构图中的像素网格节点,并将建筑自由曲面网格结构图中的全部像素网格节点坐标用Npix表示,如式(2),用Ni(xi,yi)表示第i个建筑自由曲面网格结构图中的像素网格节点坐标,(xi,yi)为对应的第i个节点坐标在图中的坐标值,其中,i=1,2,…,n,将Npix中表示建筑自由曲面左下角节点和右上角节点的像素网格坐标单独分别表示为NLB(xLB,yLB)和NRT(xRT,yRT);
Npix=[N1(x1,y1),…,Ni(xi,yi),…,Nn(xm,yn)] (2)。
4.根据权利要求3所述一种还原平面建筑自由曲面网格结构至三维空间的方法,其特征在于,步骤S3中,获得真实网格节点平面坐标的步骤具体如下:
(1)令建筑自由曲面在参数空间的函数表达式为S(u,v),参见公式(3),其中,u和v分别对应曲面的横向和纵向参数,n和m分别为两方向的控制点的最大索引值,p和q分别对应参数u和v的B样条次数,wi,j为权因子,Pi,j为曲面两个方向的控制网格坐标,Ni,p(u)和Mi,q(v)是样条基函数,参数空间函数S(u,v)为笛卡尔坐标系下的所有坐标点(x,y,z)的集合,两者的关系见式(4),当给定参数空间的坐标值(u,v),根据式(3)计算得到曲面S(u,v)对应的笛卡尔坐标系下的坐标(x,y,z),将建筑自由曲面左下角节点及右上角节点坐标在参数空间(u,v)的坐标(0,0)和(1,1)分别代入式(3)得到笛卡尔坐标系下建筑自由曲面左下角节点及右上角节点坐标,分别为和/>
(x,y,z)=(x(u,v),y(u,v),z(u,v))=s(u,v) (4)
其中,x(u,v),y(u,v),z(u,v)分别是x,y,z关于u,v的函数;
(2)计算与NLB(xLB,yLB)的距离差值(xδ,yδ),其中,/> 将式(2)中的建筑自由曲面网格结构图中的n个像素网格节点Ni(xi,yi)依次代入式(5),得经坐标平移对齐后的建筑自由曲面网格结构图中的像素网格节点坐标将n个平移后的建筑自由曲面网格结构图的像素节点坐标表示为/>如式(6),另外地,将平移后的NLB(xLB,yLB)和NRT(xRT,yRT)像素坐标表示为/>和
(3)使用公式(7)计算X和Y方向的缩放系数Sx和Sy,用以缩放平移后的建筑自由曲面网格结构图的像素节点坐标依次代入像素网格节点坐标/>至公式(8),获得其对应的真实网格节点平面坐标/>将n个真实网格节点坐标表示为/>如式(9),其中,i=1,2,…,n;
5.根据权利要求4所述一种还原平面建筑自由曲面网格结构至三维空间的方法,其特征在于,步骤S4中,获得真实网格节点三维坐标,具体步骤为:
(1)扩展所获得的真实网格节点平面坐标为z向坐标皆为0的空间坐标,使各坐标通式由/>扩展为/>作过三维空间中点/>且平行于空间笛卡尔坐标系中Z轴的直线,并将该直线表示为li,令直线集合的整体为LZ,则得LZ=[l1,l2,…,li,…,ln];
(2)求直线集LZ中任一直线li与建筑自由曲面的函数S(u,v)的交点,代入式(10),求得交点并记为并将LZ中所有直线与建筑自由曲面的函数S(u,v)的交点记为Nr,其中,i=1,2,…,n,如式(11),Nr即为所求建筑自由曲的真实网格节点三维坐标;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311200721.2A CN117253012B (zh) | 2023-09-18 | 2023-09-18 | 一种还原平面建筑自由曲面网格结构至三维空间的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311200721.2A CN117253012B (zh) | 2023-09-18 | 2023-09-18 | 一种还原平面建筑自由曲面网格结构至三维空间的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117253012A CN117253012A (zh) | 2023-12-19 |
CN117253012B true CN117253012B (zh) | 2024-03-19 |
Family
ID=89130648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311200721.2A Active CN117253012B (zh) | 2023-09-18 | 2023-09-18 | 一种还原平面建筑自由曲面网格结构至三维空间的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253012B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6639592B1 (en) * | 1996-08-02 | 2003-10-28 | Silicon Graphics, Inc. | Curve network modeling |
CN103942836A (zh) * | 2014-04-25 | 2014-07-23 | 杭州梅德珥智能科技有限公司 | 三维网格模型四面体化方法 |
CN104331932A (zh) * | 2014-10-21 | 2015-02-04 | 浙江大学 | 一种基于自定义单元法的自由曲面建筑网格划分方法 |
CN104408772A (zh) * | 2014-11-14 | 2015-03-11 | 江南大学 | 一种基于网格投影的自由曲面三维重建方法 |
CN105374068A (zh) * | 2015-11-13 | 2016-03-02 | 浙江大学 | 自由曲面网格结构的网格划分方法 |
CN106991722A (zh) * | 2017-03-01 | 2017-07-28 | 浙江大学 | 一种基于斜椭球域影响凸包的几何网格模型变形方法 |
CN107093205A (zh) * | 2017-03-15 | 2017-08-25 | 北京航空航天大学 | 一种基于无人机图像的三维空间建筑物窗户检测重建方法 |
CN107274489A (zh) * | 2017-05-09 | 2017-10-20 | 浙江大学 | 一种基于曲面展开的引导线法自由曲面网格划分方法 |
CN114332295A (zh) * | 2021-12-30 | 2022-04-12 | 中国科学院力学研究所 | 一种利用bp神经网络进行网格剖分的方法 |
CN116451540A (zh) * | 2023-04-19 | 2023-07-18 | 中建八局发展建设有限公司 | 一种建筑表面施工曲面分格方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT503021B1 (de) * | 2006-06-21 | 2007-07-15 | Brell Cokcan Sigrid Mag | Tragstruktur für freiformflächen in bauwerken |
KR101028698B1 (ko) * | 2009-05-20 | 2011-04-14 | 중앙대학교 산학협력단 | 격자구조를 이용한 3차원 모델링 장치 및 방법 |
-
2023
- 2023-09-18 CN CN202311200721.2A patent/CN117253012B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6639592B1 (en) * | 1996-08-02 | 2003-10-28 | Silicon Graphics, Inc. | Curve network modeling |
CN103942836A (zh) * | 2014-04-25 | 2014-07-23 | 杭州梅德珥智能科技有限公司 | 三维网格模型四面体化方法 |
CN104331932A (zh) * | 2014-10-21 | 2015-02-04 | 浙江大学 | 一种基于自定义单元法的自由曲面建筑网格划分方法 |
CN104408772A (zh) * | 2014-11-14 | 2015-03-11 | 江南大学 | 一种基于网格投影的自由曲面三维重建方法 |
CN105374068A (zh) * | 2015-11-13 | 2016-03-02 | 浙江大学 | 自由曲面网格结构的网格划分方法 |
CN106991722A (zh) * | 2017-03-01 | 2017-07-28 | 浙江大学 | 一种基于斜椭球域影响凸包的几何网格模型变形方法 |
CN107093205A (zh) * | 2017-03-15 | 2017-08-25 | 北京航空航天大学 | 一种基于无人机图像的三维空间建筑物窗户检测重建方法 |
CN107274489A (zh) * | 2017-05-09 | 2017-10-20 | 浙江大学 | 一种基于曲面展开的引导线法自由曲面网格划分方法 |
CN114332295A (zh) * | 2021-12-30 | 2022-04-12 | 中国科学院力学研究所 | 一种利用bp神经网络进行网格剖分的方法 |
CN116451540A (zh) * | 2023-04-19 | 2023-07-18 | 中建八局发展建设有限公司 | 一种建筑表面施工曲面分格方法 |
Non-Patent Citations (4)
Title |
---|
Adaptive reconstruction of free-form surfaces using Bernstein basis function networks;George K. Knopf et al.;《Engineering Applications of Artificial Intelligence》;20020108;第14卷(第5期);第578-586页 * |
An automatic grid generation approach over free-form surface for architectural design;SU Liang et al.;《Journal of Central South University》;20140614;第21卷;第2446-2453页 * |
基于自定义单元法的自由曲面网格划分研究;江存等;《建筑结构》;20150315;第45卷(第5期);第45-47页 * |
自由曲面结构的形态学研究;李欣;《中国博士学位论文全文数据库 信息科技辑》;20120315(第3期);第I138-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117253012A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112927357B (zh) | 一种基于动态图网络的3d物体重建方法 | |
CN111062326B (zh) | 一种基于几何驱动的自监督人体3d姿态估计网络训练方法 | |
CN112819947A (zh) | 三维人脸的重建方法、装置、电子设备以及存储介质 | |
CN110276768B (zh) | 图像分割方法、图像分割装置、图像分割设备及介质 | |
CN104240297A (zh) | 一种救援机器人三维环境地图实时构建方法 | |
Kowalski et al. | Smoothness driven frame field generation for hexahedral meshing | |
CN111028335B (zh) | 一种基于深度学习的点云数据的分块面片重建方法 | |
CN110223382B (zh) | 基于深度学习的单帧图像自由视点三维模型重建方法 | |
CN113449612B (zh) | 一种基于子流型稀疏卷积的三维目标点云识别的方法 | |
CN111553296B (zh) | 一种基于fpga实现的二值神经网络立体视觉匹配方法 | |
CN114677479A (zh) | 一种基于深度学习的自然景观多视图三维重建方法 | |
CN116912405A (zh) | 一种基于改进MVSNet的三维重建方法及*** | |
CN116385660A (zh) | 室内单视图场景语义重建方法及*** | |
CN115222754A (zh) | 一种基于知识蒸馏和对抗学习的镜面图像分割方法 | |
CN114359269A (zh) | 基于神经网络的虚拟食品盒缺陷生成方法及*** | |
CN111260706B (zh) | 一种基于单目相机的稠密深度图计算方法 | |
CN117253012B (zh) | 一种还原平面建筑自由曲面网格结构至三维空间的方法 | |
CN114882197B (zh) | 一种基于图神经网络的高精度三维人脸重建方法 | |
CN117173445A (zh) | 一种超图卷积网络和对比学习的多视图三维物体分类方法 | |
CN116485892A (zh) | 一种弱纹理物体的六自由度位姿估计方法 | |
CN115631489A (zh) | 一种三维语义场景补全方法、装置、设备及介质 | |
CN114155406A (zh) | 一种基于区域级特征融合的位姿估计方法 | |
CN111274893B (zh) | 基于部件分割与特征融合的飞行器图像细粒度识别方法 | |
CN113920270A (zh) | 一种基于多视角全景的布局重建方法及其*** | |
CN109146886B (zh) | 一种基于深度密度的rgbd图像语义分割优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |