CN117994443B - 一种基于景观园林模拟的园林设计方法 - Google Patents
一种基于景观园林模拟的园林设计方法 Download PDFInfo
- Publication number
- CN117994443B CN117994443B CN202410390677.4A CN202410390677A CN117994443B CN 117994443 B CN117994443 B CN 117994443B CN 202410390677 A CN202410390677 A CN 202410390677A CN 117994443 B CN117994443 B CN 117994443B
- Authority
- CN
- China
- Prior art keywords
- point
- green
- visual image
- green plant
- value
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013461 design Methods 0.000 title claims abstract description 37
- 230000000007 visual effect Effects 0.000 claims abstract description 163
- 241001464837 Viridiplantae Species 0.000 claims abstract description 143
- 230000004438 eyesight Effects 0.000 claims abstract description 51
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 208000003464 asthenopia Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013440 design planning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于景观园林模拟的园林设计方法,该方法包括:采集园林模拟前后各观察点处的模拟前视觉图像、模拟后视觉图像和绿植点云数据,获得绿植景物三维模型;根据绿植点云数据获得各点的局部曲面曲度值,对绿植点云数据进行聚类,结合绿植景物三维模型获得类别标记;根据模拟后视觉图像和绿植景物三维模型获得自适应模糊窗口强度;根据类别标记获得绿植灰度视觉图像;根据自适应模糊窗口强度对绿植灰度视觉图像平滑处理,获得绿植平滑视觉图像;根据绿植平滑视觉图像与模拟前视觉图像的差异获得绿植信息遮盖绿视率,进而获得总体景观园林绿视率,提高园林设计的绿化质量。
Description
技术领域
本申请涉及图像数据处理技术领域,具体涉及一种基于景观园林模拟的园林设计方法。
背景技术
绿视率是一个用于评估园林设计绿化质量的新兴指标,反映了在人的视野范围内绿色植物所占的面积比例,可以帮助评估园林设计规划和设计城市绿地时的绿化效果。绿视率的高低直接影响人们对园林环境的感知和评价,高绿视率通常与更好的生态效益、更高的视觉效果相关联。因此在景观园林模拟设计过程中,可以通过模拟软件计算出园林设计方案的整体绿视率,作为设计者的参考。
传统的模拟景观设计软件的绿视率计算方法,需要在三维模拟效果图中不断地用相机模拟视角,而后计算模拟视角下的绿植面积与总视界面积的比值作为绿视率。而传统的模拟相机拍摄到的模拟后视觉图像没有针对人眼的聚焦进行模拟,会导致对绿视率的估计出现偏差。同时传统绿视率计算只简单的计算视野中的了绿色像素点占比,没有考虑到人眼对图像信息的视觉感受,进而导致计算出的绿视率与人眼的绿视感受差别较大,对于提高园林设计的绿化质量的辅助作用较小。
发明内容
为了解决上述技术问题,本发明提供一种基于景观园林模拟的园林设计方法,以解决现有的问题。
本发明的一种基于景观园林模拟的园林设计方法采用如下技术方案:
本发明一个实施例提供了一种基于景观园林模拟的园林设计方法,该方法包括以下步骤:
采集园林模拟前各观察点处的模拟前视觉图像;采集绿植景物的绿植点云数据,对所述绿植点云数据采用三维重建算法进行三维重建,获得园林模拟后的绿植景物三维模型;其中,绿植点云数据包括各点的三维坐标和RGB色彩空间信息;采集园林模拟后各观察点处的模拟后视觉图像;
根据绿植点云数据中各点的三维坐标获得各点的平面深度;根据绿植点云数据中各点的平面深度计算各点的局部曲面曲度值;根据平面深度、局部曲面曲度值和RGB色彩空间信息对绿植点云数据中的点进行聚类,结合绿植景物三维模型,获得绿植景物三维模型上各三角面片的类别标记;根据模拟后视觉图像和绿植景物三维模型获得模拟后视觉图像的模拟聚焦深度;根据模拟聚焦深度获得模拟后视觉图像中各像素点的自适应模糊窗口强度;根据模拟后视觉图像和绿植景物三维模型上各三角面片的类别标记获得绿植灰度视觉图像;根据自适应模糊窗口强度对绿植灰度视觉图像平滑处理,获得绿植平滑视觉图像;根据绿植平滑视觉图像与模拟前视觉图像中对应像素点的灰度值之间的差异获得绿植平滑视觉图像的绿植信息遮盖绿视率;
根据所有观察点处对应的绿植平滑视觉图像的绿植信息遮盖绿视率,获得总体景观园林绿视率。
进一步,所述根据绿植点云数据中各点的三维坐标获得各点的平面深度,包括:
对于绿植点云数据中的第k个点,计算第k个点的三维坐标与其他各点的三维坐标之间的欧氏距离;将所述欧氏距离小于预设阈值的点,记为第k个点的参考像素点;对第k个点与第k个点的所有参考像素点采用最小二乘法与平面进行拟合,获得第k个点的邻域平面;经过第k个点获取所述邻域平面的垂线;获取所述垂线与绿植景物三维模型的交点;将第k个点与所述交点之间的欧氏距离的最小值,记为第k个点的平面深度。
进一步,所述根据绿植点云数据中各点的平面深度计算各点的局部曲面曲度值,包括:
对于绿植点云数据中的第k个点,获取第k个点与其各参考点相连构成的线段;获取所述线段投影在第k个点的邻域平面上的投影线段;将所述线段与投影线段之间的夹角,作为第k个点与其各参考点之间的局部曲面曲度参数;获取第k个点与第k个点的各参考点之间的欧氏距离;计算所述局部曲面曲度参数与所述欧氏距离的比值,记为第一比值;
计算第k个点平面深度的与第k个点的各参考点的平面深度的差值绝对值,获取所述差值绝对值的最大值;计算所述最大值与所述差值绝对值的差值;获取第k个点与第k个点的所有参考点的所述差值的和值;计算所述差值与所述和值的比值,记为第二比值;
计算第一比值与第二比值的乘积,将第k个点与第k个点的所有参考点的所述乘积的和值作为第k个点的局部曲面曲度值。
进一步,所述根据平面深度、局部曲面曲度值和RGB色彩空间信息对绿植点云数据中的点进行聚类,结合绿植景物三维模型,获得绿植景物三维模型上各三角面片的类别标记,包括:
对于绿植点云数据中的任意两个点,计算两个点的平面深度的差值绝对值,记为第一差值绝对值;计算两个点的局部曲面曲度值的差值绝对值,记为第二差值绝对值;获取两个点的RGB色彩空间信息之间的欧氏距离;将第一差值绝对值、第二差值绝对值和所述欧氏距离的和值,作为两个点之间的绿植点云分割度量距离;
根据所述绿植点云分割度量距离,对绿植点云数据采用密度峰值聚类算法获得预设数量个聚类簇,将所有聚类簇按照簇心点的局部曲面曲度值从大到小的顺序,依次将各聚类簇中的点标记为新叶类、旧叶类、树枝类和树干类;
对于绿植景物三维模型上的各三角面片,获取三角面片的三个顶点对应的内角,将内角最大的顶点的标记作为该三角面片的类别标记。
进一步,所述根据模拟后视觉图像和绿植景物三维模型获得模拟后视觉图像的模拟聚焦深度,包括:
对于模拟后视觉图像中的各像素点,计算像素点对应在绿植景物三维模型上的点到模拟后视觉图像对应的观察点之间的欧氏距离,记为深度距离;获取模拟后视觉图像的中心像素点;计算像素点与中心像素点之间的欧氏距离,记为平面距离;获取所有像素点的所述平面距离的和值;计算平面距离与所述和值的比值;计算所述深度距离与所述比值的乘积;将所有像素点的所述乘积的和值作为模拟后视觉图像的模拟聚焦深度。
进一步,所述根据模拟聚焦深度获得模拟后视觉图像中各像素点的自适应模糊窗口强度,包括:
对模拟后视觉图像采用边缘检测算法获得各边缘线,将各边缘线上的像素点标记为条纹像素点;
对于模拟后视觉图像中的各像素点,获取像素点与各条纹像素点之间的欧氏距离;获取所述欧氏距离按照从小到大的顺序排列所组成的序列;将所述序列中前预设数量个元素的均值,作为模拟后视觉图像中各像素点的局部锐度;
计算所述深度距离与所述模拟聚焦深度的差值绝对值;获取模拟后视觉图像中所有像素点的深度距离的标准差;计算所述差值绝对值与所述标准差的乘积,记为第一乘积;将第一乘积与所述局部锐度的比值作为模拟后视觉图像中各像素点的自适应模糊窗口强度。
进一步,所述根据模拟后视觉图像和绿植景物三维模型上各三角面片的类别标记获得绿植灰度视觉图像,包括:
对于模拟后视觉图像中的像素点,获取像素点对应在绿植景物三维模型上的点所在的三角面片的类别标记;计算所述类别标记内的所有像素点的灰度值均值,将所述灰度值均值作为像素点的类别灰度;将各像素点的类别灰度代替各像素点的灰度值,获得绿植灰度视觉图像。
进一步,所述根据自适应模糊窗口强度对绿植灰度视觉图像平滑处理,获得绿植平滑视觉图像,包括:
对于模拟后视觉图像中的各像素点,获取预设参数与像素点的自适应模糊窗口强度的乘积,获取所述乘积的向上取整值;计算数字2与所述向上取整值的乘积,记为第二乘积;将所述第二乘积与数字1的差值作为各像素点的自适应窗口;根据各像素点的自适应窗口,对绿植灰度视觉图像采用均值滤波算法进行平滑处理,获得绿植平滑视觉图像。
进一步,所述根据绿植平滑视觉图像与模拟前视觉图像中对应像素点的灰度值之间的差异获得绿植平滑视觉图像的绿植信息遮盖绿视率,包括:
对于绿植平滑视觉图像中的各像素点,计算像素点的灰度值与模拟前视觉图像中对应像素点的灰度值的差值绝对值;计算像素点到绿植平滑视觉图像的中心像素点之间的欧氏距离;获取所有像素点的所述欧氏距离的和值;计算所述欧氏距离与所述和值的比值;获取所述差值绝对值与所述比值的乘积;将绿植平滑视觉图像中所有像素点的所述乘积的和值作为绿植平滑视觉图像的绿植信息遮盖绿视率。
进一步,所述根据所有观察点处对应的绿植平滑视觉图像的绿植信息遮盖绿视率,获得总体景观园林绿视率,包括:
计算各绿植平滑视觉图像的绿植信息遮盖绿视率的归一化值;将所有观察点处对应的所有所述归一化值的均值,作为总体景观园林绿视率;若总体景观园林绿视率小于预设阈值,则园林设计不符合绿化标准。
本发明至少具有如下有益效果:
本发明通过分析植物像素点不同位置给人眼带来的绿视效果不同的情况,通过点云数据点的平面深度信息作为权重获得局部曲面曲度值,避免了因为树枝像素点与树叶像素点距离太近导致的点云数据点曲度计算失误,进一步结合点云数据点的平面深度、色彩信息构建算绿植点云分割度量距离,避免了获取的绿植点云数据时,树叶错综复杂导致光线明暗不一带来的植物点云分割不准确;利用视觉模拟图像中的深度信息,通过人眼的聚焦习惯计算出模拟聚焦深度,进一步结合模拟后视觉图像中深度信息的标准差、图像的锐度分布计算出自适应模糊窗口强度,表征人眼因聚焦导致的对非聚焦位置的信息忽略强度,使最终通过模拟计算出的绿视率更接近实际场景下的绿视率;最终结合绿植点云数据的分类和自适应模糊窗口强度,通过对比绿植植入前后的图像中的信息量变化,得到绿植信息遮盖绿视率,能够更好的表征绿植对园林参观者的视觉体验的影响,提高园林设计的绿化质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明提供的一种基于景观园林模拟的园林设计方法的步骤流程图;
图2为绿植平滑视觉图像的获取流程示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于景观园林模拟的园林设计方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于景观园林模拟的园林设计方法的具体方案。
本发明一个实施例提供的一种基于景观园林模拟的园林设计方法,具体的,提供了如下的一种基于景观园林模拟的园林设计方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集园林模拟前后各观察点处的模拟前视觉图像、模拟后视觉图像和园林模拟中绿植景物的绿植点云数据,获得绿植景物三维模型。
同时获得园林的平面设计图,平面设计图是一张二维图像,上面标记有道路信息,本实施例对每条道路的中线位置上每间隔20m设置一个观察点,将模拟视觉相机置于观察点,采集园林模拟前各观察点在、/>、/>和/>方向上的模拟前视觉图像。模拟前视觉图像中包含园林周围的现代建筑物模型,由地面、道路、建筑三种元素组成。进一步,进行园林模拟,其中绿植景物是通过RGB-D摄像头结合深度传感器对园林中的植物进行点云数据采集,对获得的点云数据采用Delaunay三角剖分重构算法进行三维重建,获得绿植景物三维模型,绿植点云数据中的点包含三维坐标信息(x,y,z)和RGB色彩空间信息(R,G,B)。Delaunay三角剖分重构算法为公知技术,具体不再赘述。采集园林模拟后各观察点在/>、、/>和/>方向上的模拟后视觉图像;其中,模拟前视觉图像与模拟后视觉图像分别表示模拟绿植景物覆盖前后各观察点在不同方向的人眼视觉效果。将模拟后视觉图像与模拟前视觉图像转换到灰度空间。
步骤S002,对绿植点云数据进行聚类,结合绿植景物三维模型获得类别标记;根据模拟后视觉图像和绿植景物三维模型获得自适应模糊窗口强度;根据类别标记获得绿植灰度视觉图像;根据自适应模糊窗口强度对绿植灰度视觉图像平滑处理,获得绿植平滑视觉图像;根据绿植平滑视觉图像与模拟前视觉图像的差异获得绿植信息遮盖绿视率。
在现代模拟景观园林中,通常将园林建造在城市当中作为城市公园,对应的园林周围会有很多的现代建筑,绿植带来的绿视效果很大程度上是为了环境现代单一建筑带来的视觉疲劳,因此绿植对非绿植物体的遮盖效果是评价绿视率的重要标准,同时在估计景观原理绿视率时应该从尽可能的从人的视觉角度出发,模拟人对植物的观感。
一株植物在不同的生长阶段给人带来的绿视效果不同,本实施例将植物分为新叶、旧叶、树枝、主干四个部分,用来表征植物的不同部位的不同生长阶段对人类视觉带来的不同影响。由于实际的绿植点云数据采集过程中由于树叶错综复杂导致光线明暗不一,仅通过色彩很难过将植物各个部分区别开,因此,本实施例中计算绿植点云分割度量距离对绿植点云数据进行点云分割,结合模拟后视觉图像获取绿植平滑视觉图像,获取的具体流程如图2所示,包括:
首先将绿植点云数据中的第k个点与其余各点之间的欧氏距离小于M的点作为第k个点的参考像素点,M=10m,统计第k个点的参考像素点的数量H。将第k个点与其参考像素点作为输入采用最小二乘法与平面进行拟合,获得第k个点的邻域平面的平面方程,最小二乘法为本领域公知技术,不再赘述。
进一步,根据第k个点的邻域平面的平面方程,过第k个点,作第k个点的邻域平面的垂线;获取垂线与绿植景物三维模型的交点中距离第k个点最近的交点;将该交点与第k个点之间的欧氏距离,记为第k个点的平面深度。
对于第k个点与其第h个参考点相连构成线段kh,获得该线段投影在k个点的邻域平面上的投影线段k;将线段kh与投影线段k/>之间的夹角,记为第k个点与其第h个参考点之间的局部曲面曲度参数/>。同时,对于任意两个点,将两个点的RGB色彩空间信息(R,G,B)之间的欧氏距离为记为两个点之间的色彩差异度/>。进一步计算绿植点云分割度量距离:
式中,是第k个点的局部曲面曲度值,/>是第k个点与第k1个点的绿植点云分割度量距离,/>是第k个点与其第h个参考点之间的局部曲面曲度参数,/>为第k个点与其第h个参考点之间的欧氏距离,/>为第k个点的平面深度,/>为第k个点的第h个参考点的平面深度,/>为第k个点的参考点的数量;/>为第k1个点的平面深度,是第k个点与其H个参考点的平面深度的差值绝对值的最大值,/>为第k1个点的局部曲面曲度值,/>是第k个点与第k1个点之间的色彩差异度。
式中,以局部曲面曲度参数除以目标点与参考点之间的欧氏距离,其值越大代表目标点附近的点构成的曲面曲度越大,曲度小的更多的是生长时间较长的老叶表面,曲度大的多是刚刚发芽的新叶表面,或者数枝树干的表面;式中在计算局部曲面曲度值时,将参考点与目标点的平面深度差异反向归一化作为权重,是因为在选择参考点时可能会出现数枝与树叶接近,进而将数枝点作为树叶点的参考点的情况,此时可能会导致局部曲面曲度值计算误差较大,而数枝与树叶的点的平面深度差异较大,因此将平面深度差异作为权重,将与目标点平面深度差异较大的参考点赋予更小的权重,使局部曲面曲度值计算更准确。
式中,两个点之间的平面深度差异、局部曲面曲度值差异、色彩差异度都是值越大代表两个点越不可能是属于同一类的绿植点,因此将其相加得到绿植点云分割度量距离,值越大代表两个点越不可能是属于同一类的绿植点。
进一步根据所述绿植点云分割度量距离,对绿植点云数据采用密度峰值聚类算法,获得四个聚类簇,将四个聚类簇中的点按照簇心点的局部曲面曲度值从大到小的顺序,依次标记为新叶类、旧叶类、树枝类和树干类;至此,获得每个点的类别标记。其中密度峰值聚类算法为公知技术,具体不再赘述。
经过Delaunay三角剖分重构算法获得的绿植景物三维模型上有多个三角面片。每个三角面片的三个顶点为绿植点云数据点,获取三角面片的三个顶点对应的内角,将内角最大的顶点的类别标记作为该三角面片的类别标记,实现对绿植景物三维模型的区域划分。
进一步,由于人类在进行视觉观察时会双眼聚焦,而传统的模拟后视觉图像只模拟了人类观察事务的角度,而没有模拟人眼的聚焦过程。在通过图像中的信息量计算绿植的计算效果时,会将人眼的聚焦点的信息量与其它位置的信息量赋予相同的权重,而非聚焦点位置的信息通常是会被人眼极大程度忽视的,进而导致通过传统的模拟后视觉图像计算的绿植对信息遮盖的效率与人眼所感受的绿植对信息遮盖的效率有着较大误差,因此计算动态模糊窗口如下:
对模拟后视觉图像中第m个像素点,计算该像素点对应在绿植景物三维模型上的点到观察点之间的欧氏距离,记为深度距离,由于人眼的聚焦距离为0.1米到30米,因此当第m个像素点的位置到模拟观察位置的欧氏距离大于30米时深度距离/>取30,小于0.1米时取0.1。
计算模拟聚焦深度:
式中,是当前视觉模拟图像的模拟聚焦深度,M是模拟后视觉图像的像素点数量,/>是第m个像素点的深度距离,/>是第m个像素点到模拟后视觉图像中心像素点的欧氏距离,记为平面距离。
式中,以归一化的像素点到模拟后视觉图像中心像素点欧氏距离做权重,是因为人眼观察时通常以视觉的中心点作为聚焦点;将所有像素点的深度距离相加,得到的均值为模拟后视觉图像的深度均值,因为人眼习惯观察视野中较大的事物,而视野中较大的事物的深度距离占比高,因此深度距离均值可以作为模拟聚焦深度。
进一步,以模拟后视觉图像为输入,采用canny边缘检测算法,输出各边缘线,将边缘线上的像素点标记为条纹像素点;canny边缘检测算法为公知技术,不再赘述。进一步对模拟后视觉图像中第m个像素点,将各条纹像素点按照其与第m个像素点之间的欧氏距离从小到大排列,计算前R个条纹像素点到第m个像素点的欧氏距离均值,记为第m个像素点的局部锐度,R=10。
计算自适应模糊窗口强度:
式中,是当前模拟后视觉图像的第m个像素点的自适应模糊窗口强度,/>是第m个像素点的深度距离,/>是当前模拟后视觉图像的所有像素点的深度距离的标准差,是第m个像素点的局部锐度。
式中,第m个像素点与模拟聚焦深度的差异越大,第m个像素点的信息越容易被人眼忽视,对应的对其进行模糊操作时强度越大;前模拟后视觉图像的深度距离标准差越大,当前模拟后视觉图像的整体深度信息差异越大,对应的在对其进行模糊操作时不同位置的像素点之间的模糊操作强度差异越大;第m个像素点的局部锐度越高,代表第m个像素点包含越多的图像边缘信息,人眼在对非当前视觉聚焦点的位置获取信息时,更注重对边缘轮廓的信息获取,对应的锐度高的像素点位置,其模糊操作强度应该越小。最终获得自适应模糊窗口强度,其值越大代表第m个像素点越不是人眼获取信息的位置,在通过信息熵计算绿视率之前应该对其进行强度更大的模糊操作。
进一步,为计算当前景观园林设计方案中绿植为缓解人眼疲劳带来的绿视效果,需要对园林有绿植和没有绿植两种情况下的视觉模拟图像进行对比,对于第u个观察点的第v个方向,将获得的模拟前视觉图像记为G1,模拟后视觉图像记为G2,通过两张图像对比计算出绿视效果。
获取G2中与绿植景物三维模型上的点对应的像素点,将绿植景物三维模型上的点所在三角面片的类别标记作为像素点的类别标记。对标有相同类别标记的像素点计算灰度值均值,记为类别灰度,并赋予对应被标记了标签的像素点,表征该部分像素点对原始的混乱的灰度值部分进行了遮盖,减少了其对人眼传输的信息量,是带来信息少、能够缓解视觉疲劳的像素点,得到绿植灰度视觉图像G3。
进一步对绿植灰度视觉图像G3分别采用均值滤波的方式进行平滑操作,以模拟人眼观察时的聚焦情况,其中,对第m个像素点,以边长为的自适应窗口进行均值滤波处理,本实施例中参数/>,/>为向上取整的符号,当边长为1时,即表示对第m个像素点不进行均值滤波操作。获得滤波后的绿植平滑视觉图像G4;其中,均值滤波为公知技术,不再赘述。
进一步,计算绿植信息遮盖绿视率:
式中,是绿植平滑视觉图像的绿植信息遮盖绿视率,M是模拟后视觉图像的像素点数量,也代表绿植平滑视觉图像的像素点数量,/>、/>分别是模拟前视觉图像G1和绿植平滑视觉图像G4中第m个像素点的灰度值,/>是绿植平滑视觉图像中第m个像素点到绿植平滑视觉图像中心像素点的欧氏距离。
式中像素点到模拟后视觉图像中心像素点的欧氏距离越近,代表绿植遮挡的越是视觉模拟图像的中心部位,这些部位越是人眼注意力高的部位,对应其所占权重应该越高,因此将归一化的此种欧氏距离作为绿植像素点遮盖效果的权重,计算得到的植入绿植前后的像素点的灰度值相差越大,值越大代表该像素点越是视觉图像中的非绿色信息位置,代表绿植植入后,绿色植物遮盖效果越好,最终获得的绿植信息遮盖绿视率越大。
步骤S003,根据所有观察点处的绿植信息遮盖绿视率,获得总体景观园林绿视率,判断园林设计的绿化质量。
最终,获得了各观察点的4个方向的绿植平滑视觉图像的绿植信息遮盖绿视率。进一步将当前园林设计方案下的所有绿植平滑视觉图像的绿植信息遮盖绿视率的归一化值的均值,作为总体景观园林绿视率,作为对当前园林设计方案的参考指标,当总体景观园林绿视率小于0.4时,表明园林设计不符合绿化标准,发出警告,以辅助园林设计师进行景观园林的绿植设计。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于景观园林模拟的园林设计方法,其特征在于,该方法包括以下步骤:
采集园林模拟前各观察点处的模拟前视觉图像;采集绿植景物的绿植点云数据,对所述绿植点云数据采用三维重建算法进行三维重建,获得园林模拟后的绿植景物三维模型;其中,绿植点云数据包括各点的三维坐标和RGB色彩空间信息;采集园林模拟后各观察点处的模拟后视觉图像;
根据绿植点云数据中各点的三维坐标获得各点的平面深度;根据绿植点云数据中各点的平面深度计算各点的局部曲面曲度值;根据平面深度、局部曲面曲度值和RGB色彩空间信息对绿植点云数据中的点进行聚类,结合绿植景物三维模型,获得绿植景物三维模型上各三角面片的类别标记;根据模拟后视觉图像和绿植景物三维模型获得模拟后视觉图像的模拟聚焦深度;根据模拟聚焦深度获得模拟后视觉图像中各像素点的自适应模糊窗口强度;根据模拟后视觉图像和绿植景物三维模型上各三角面片的类别标记获得绿植灰度视觉图像;根据自适应模糊窗口强度对绿植灰度视觉图像平滑处理,获得绿植平滑视觉图像;根据绿植平滑视觉图像与模拟前视觉图像中对应像素点的灰度值之间的差异获得绿植平滑视觉图像的绿植信息遮盖绿视率;
根据所有观察点处对应的绿植平滑视觉图像的绿植信息遮盖绿视率,获得总体景观园林绿视率;
所述根据模拟后视觉图像和绿植景物三维模型获得模拟后视觉图像的模拟聚焦深度,包括:
对于模拟后视觉图像中的各像素点,计算像素点对应在绿植景物三维模型上的点到模拟后视觉图像对应的观察点之间的欧氏距离,记为深度距离;获取模拟后视觉图像的中心像素点;计算像素点与中心像素点之间的欧氏距离,记为平面距离;获取所有像素点的所述平面距离的和值;计算平面距离与所述和值的比值;计算所述深度距离与所述比值的乘积;将所有像素点的所述乘积的和值作为模拟后视觉图像的模拟聚焦深度;
所述根据模拟聚焦深度获得模拟后视觉图像中各像素点的自适应模糊窗口强度,包括:
对模拟后视觉图像采用边缘检测算法获得各边缘线,将各边缘线上的像素点标记为条纹像素点;
对于模拟后视觉图像中的各像素点,获取像素点与各条纹像素点之间的欧氏距离;获取所述欧氏距离按照从小到大的顺序排列所组成的序列;将所述序列中前预设数量个元素的均值,作为模拟后视觉图像中各像素点的局部锐度;
计算所述深度距离与所述模拟聚焦深度的差值绝对值;获取模拟后视觉图像中所有像素点的深度距离的标准差;计算所述差值绝对值与所述标准差的乘积,记为第一乘积;将第一乘积与所述局部锐度的比值作为模拟后视觉图像中各像素点的自适应模糊窗口强度。
2.如权利要求1所述的一种基于景观园林模拟的园林设计方法,其特征在于,所述根据绿植点云数据中各点的三维坐标获得各点的平面深度,包括:
对于绿植点云数据中的第k个点,计算第k个点的三维坐标与其他各点的三维坐标之间的欧氏距离;将所述欧氏距离小于预设阈值的点,记为第k个点的参考像素点;对第k个点与第k个点的所有参考像素点采用最小二乘法与平面进行拟合,获得第k个点的邻域平面;经过第k个点获取所述邻域平面的垂线;获取所述垂线与绿植景物三维模型的交点;将第k个点与所述交点之间的欧氏距离的最小值,记为第k个点的平面深度。
3.如权利要求2所述的一种基于景观园林模拟的园林设计方法,其特征在于,所述根据绿植点云数据中各点的平面深度计算各点的局部曲面曲度值,包括:
对于绿植点云数据中的第k个点,获取第k个点与其各参考点相连构成的线段;获取所述线段投影在第k个点的邻域平面上的投影线段;将所述线段与投影线段之间的夹角,作为第k个点与其各参考点之间的局部曲面曲度参数;获取第k个点与第k个点的各参考点之间的欧氏距离;计算所述局部曲面曲度参数与所述欧氏距离的比值,记为第一比值;
计算第k个点平面深度的与第k个点的各参考点的平面深度的差值绝对值,获取所述差值绝对值的最大值;计算所述最大值与所述差值绝对值的差值;获取第k个点与第k个点的所有参考点的所述差值的和值;计算所述差值与所述和值的比值,记为第二比值;
计算第一比值与第二比值的乘积,将第k个点与第k个点的所有参考点的所述乘积的和值作为第k个点的局部曲面曲度值。
4.如权利要求1所述的一种基于景观园林模拟的园林设计方法,其特征在于,所述根据平面深度、局部曲面曲度值和RGB色彩空间信息对绿植点云数据中的点进行聚类,结合绿植景物三维模型,获得绿植景物三维模型上各三角面片的类别标记,包括:
对于绿植点云数据中的任意两个点,计算两个点的平面深度的差值绝对值,记为第一差值绝对值;计算两个点的局部曲面曲度值的差值绝对值,记为第二差值绝对值;获取两个点的RGB色彩空间信息之间的欧氏距离;将第一差值绝对值、第二差值绝对值和所述欧氏距离的和值,作为两个点之间的绿植点云分割度量距离;
根据所述绿植点云分割度量距离,对绿植点云数据采用密度峰值聚类算法获得预设数量个聚类簇,将所有聚类簇按照簇心点的局部曲面曲度值从大到小的顺序,依次将各聚类簇中的点标记为新叶类、旧叶类、树枝类和树干类;
对于绿植景物三维模型上的各三角面片,获取三角面片的三个顶点对应的内角,将内角最大的顶点的标记作为该三角面片的类别标记。
5.如权利要求1所述的一种基于景观园林模拟的园林设计方法,其特征在于,所述根据模拟后视觉图像和绿植景物三维模型上各三角面片的类别标记获得绿植灰度视觉图像,包括:
对于模拟后视觉图像中的像素点,获取像素点对应在绿植景物三维模型上的点所在的三角面片的类别标记;计算所述类别标记内的所有像素点的灰度值均值,将所述灰度值均值作为像素点的类别灰度;将各像素点的类别灰度代替各像素点的灰度值,获得绿植灰度视觉图像。
6.如权利要求1所述的一种基于景观园林模拟的园林设计方法,其特征在于,所述根据自适应模糊窗口强度对绿植灰度视觉图像平滑处理,获得绿植平滑视觉图像,包括:
对于模拟后视觉图像中的各像素点,获取预设参数与像素点的自适应模糊窗口强度的乘积,获取所述乘积的向上取整值;计算数字2与所述向上取整值的乘积,记为第二乘积;将所述第二乘积与数字1的差值作为各像素点的自适应窗口;根据各像素点的自适应窗口,对绿植灰度视觉图像采用均值滤波算法进行平滑处理,获得绿植平滑视觉图像。
7.如权利要求1所述的一种基于景观园林模拟的园林设计方法,其特征在于,所述根据绿植平滑视觉图像与模拟前视觉图像中对应像素点的灰度值之间的差异获得绿植平滑视觉图像的绿植信息遮盖绿视率,包括:
对于绿植平滑视觉图像中的各像素点,计算像素点的灰度值与模拟前视觉图像中对应像素点的灰度值的差值绝对值;计算像素点到绿植平滑视觉图像的中心像素点之间的欧氏距离;获取所有像素点的所述欧氏距离的和值;计算所述欧氏距离与所述和值的比值;获取所述差值绝对值与所述比值的乘积;将绿植平滑视觉图像中所有像素点的所述乘积的和值作为绿植平滑视觉图像的绿植信息遮盖绿视率。
8.如权利要求1所述的一种基于景观园林模拟的园林设计方法,其特征在于,所述根据所有观察点处对应的绿植平滑视觉图像的绿植信息遮盖绿视率,获得总体景观园林绿视率,包括:
计算各绿植平滑视觉图像的绿植信息遮盖绿视率的归一化值;将所有观察点处对应的所有所述归一化值的均值,作为总体景观园林绿视率;若总体景观园林绿视率小于预设阈值,则园林设计不符合绿化标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410390677.4A CN117994443B (zh) | 2024-04-02 | 2024-04-02 | 一种基于景观园林模拟的园林设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410390677.4A CN117994443B (zh) | 2024-04-02 | 2024-04-02 | 一种基于景观园林模拟的园林设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117994443A CN117994443A (zh) | 2024-05-07 |
CN117994443B true CN117994443B (zh) | 2024-06-07 |
Family
ID=90902325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410390677.4A Active CN117994443B (zh) | 2024-04-02 | 2024-04-02 | 一种基于景观园林模拟的园林设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117994443B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010272097A (ja) * | 2009-05-22 | 2010-12-02 | Advanced Systems Co Ltd | 緑視率測定装置、方法及びプログラム |
CN104036481A (zh) * | 2014-06-26 | 2014-09-10 | 武汉大学 | 一种基于深度信息提取的多聚焦图像融合方法 |
CN109242943A (zh) * | 2018-08-21 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 一种图像渲染方法、装置及图像处理设备、存储介质 |
JP2019168874A (ja) * | 2018-03-23 | 2019-10-03 | 住友電気工業株式会社 | 樹姿得点推定装置、樹姿得点推定方法およびコンピュータプログラム |
CN113506275A (zh) * | 2021-07-15 | 2021-10-15 | 中国科学院生态环境研究中心 | 一种基于全景城市图像处理方法及应用 |
CN113781431A (zh) * | 2021-09-10 | 2021-12-10 | 福州大学 | 基于城市点云数据的绿视率计算方法 |
CN116977666A (zh) * | 2023-08-04 | 2023-10-31 | 北京数字绿土科技股份有限公司 | 一种城市道路点云数据的绿度空间的评价方法及可读存储介质 |
CN117746221A (zh) * | 2023-12-25 | 2024-03-22 | 成都市规划设计研究院 | 一种基于街景图像的城市街道空间更新成效评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022032329A1 (en) * | 2020-08-14 | 2022-02-17 | Agriculture Victoria Services Pty Ltd | System and method for image-based remote sensing of crop plants |
-
2024
- 2024-04-02 CN CN202410390677.4A patent/CN117994443B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010272097A (ja) * | 2009-05-22 | 2010-12-02 | Advanced Systems Co Ltd | 緑視率測定装置、方法及びプログラム |
CN104036481A (zh) * | 2014-06-26 | 2014-09-10 | 武汉大学 | 一种基于深度信息提取的多聚焦图像融合方法 |
JP2019168874A (ja) * | 2018-03-23 | 2019-10-03 | 住友電気工業株式会社 | 樹姿得点推定装置、樹姿得点推定方法およびコンピュータプログラム |
CN109242943A (zh) * | 2018-08-21 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 一种图像渲染方法、装置及图像处理设备、存储介质 |
CN113506275A (zh) * | 2021-07-15 | 2021-10-15 | 中国科学院生态环境研究中心 | 一种基于全景城市图像处理方法及应用 |
CN113781431A (zh) * | 2021-09-10 | 2021-12-10 | 福州大学 | 基于城市点云数据的绿视率计算方法 |
CN116977666A (zh) * | 2023-08-04 | 2023-10-31 | 北京数字绿土科技股份有限公司 | 一种城市道路点云数据的绿度空间的评价方法及可读存储介质 |
CN117746221A (zh) * | 2023-12-25 | 2024-03-22 | 成都市规划设计研究院 | 一种基于街景图像的城市街道空间更新成效评估方法 |
Non-Patent Citations (5)
Title |
---|
3D Point Cloud Data in Conveying Information for Local Green Factor Assessment;Kaisa Jaalama et al.;International Journal of Geo-Information;20211106;1-24 * |
Bridging the gap between pedestrian and street views for human-centric environment measurement: A GIS-based 3D virtual environment;Donghwan Ki et al.;Landscape and Urban Planning;20230909;1-12 * |
Quantifying the Spatial Ratio of Streets in Beijing Based on Street-View Images;Wei Gao et al.;International Journal of Geo-Information;20230617;1-21 * |
基于街景和LiDAR的行道树绿视面积计算研究;张佳晖;中国优秀硕士学位论文全文数据库 工程科技II辑;20180215(第02期);第3章-第5章 * |
基于车载LiDAR数据的城市街道要素提取与三维可视空间品质测度研究;梁寒冬;中国博士学位论文全文数据库 基础科学辑;20201115(第11期);论文第二章-第五章 * |
Also Published As
Publication number | Publication date |
---|---|
CN117994443A (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360206B (zh) | 基于深度学习的大田稻穗分割方法 | |
CN104318569B (zh) | 基于深度变分模型的空间显著性区域提取方法 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN106056591B (zh) | 一种融合光谱图像和激光雷达数据进行城市密度估计方法 | |
CN109886207B (zh) | 基于图像风格迁移的广域监测***及方法 | |
CN109146948A (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN106651900A (zh) | 一种基于轮廓分割的高架原位草莓三维建模方法 | |
CN105869178A (zh) | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 | |
CN105678235B (zh) | 基于典型区域多维度特征的三维人脸表情识别方法 | |
CN109376728A (zh) | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 | |
CN113781431B (zh) | 基于城市点云数据的绿视率计算方法 | |
CN111354077B (zh) | 一种基于双目视觉的三维人脸重建方法 | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN102542560B (zh) | 一种水稻移栽后密度自动检测的方法 | |
CN103218812A (zh) | 基于摄影测量的树木形态模型参数快速获取方法 | |
CN106683102A (zh) | 基于脊波滤波器和卷积结构模型的sar图像分割方法 | |
CN109544694A (zh) | 一种基于深度学习的增强现实***虚实混合建模方法 | |
CN109741446A (zh) | 一种三维数字地球上动态生成精细海岸地形的方法 | |
CN115423935B (zh) | 一种历史文化街区的可视域分析方法及*** | |
CN110674792A (zh) | 基于神经网络的施工进度监测装置及方法 | |
CN108615229A (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
CN112686859A (zh) | 基于热红外和rgb-d相机的作物cwsi的检测方法 | |
CN115690513A (zh) | 一种基于深度学习的城市行道树种类识别方法 | |
CN110610438B (zh) | 一种农作物冠层叶柄夹角计算方法及*** | |
CN114596409A (zh) | 一种带纹理的人脸三维网格模型获取方法 |
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 |