摘要：為了提高建筑簇群空間布局規(guī)劃能力，提出基于空間邊緣輪廓特征檢測技術(shù)的建筑簇群全景圖像空間布局人工智能規(guī)劃方法。構(gòu)建建筑簇群全景圖像空間規(guī)劃成像模型，采用多樣性的圖片結(jié)構(gòu)重構(gòu)方法進(jìn)行建筑簇群全景圖像空間區(qū)域信息增強(qiáng)處理，建立建筑簇群全景圖像的邊緣輪廓特征檢測模型，構(gòu)造建筑簇群全景圖像多尺度特征分解模型，采用機(jī)器視覺方法進(jìn)行建筑簇群全景圖像的先驗形狀模型參數(shù)估計，根據(jù)參數(shù)估計結(jié)果實現(xiàn)建筑簇群全景布局和人工智能規(guī)劃。仿真結(jié)果表明，采用該方法進(jìn)行建筑簇群全景圖像空間規(guī)劃的智能性較強(qiáng)，規(guī)劃合理性較好。

關(guān)鍵詞：建筑簇群;全景圖像;信息增強(qiáng);空間布局;人工智能規(guī)劃;仿真實驗

中圖分類號：TN911.73-34：TP391

文獻(xiàn)標(biāo)識碼：A

文章編號：1004-373X（ 2019） 24-0096-04

0 引言

隨著圖像信息處理技術(shù)的發(fā)展，采用圖像視覺信息處理技術(shù)進(jìn)行建筑簇群全景圖像空間布局和規(guī)劃設(shè)計，建立建筑規(guī)劃視覺分布模型，提高建筑科學(xué)規(guī)劃能力。在進(jìn)行建筑集群規(guī)劃中，需要構(gòu)建建筑簇群全景圖像分析模型，采用全景視覺信息重構(gòu)和特征分析技術(shù)，進(jìn)行建筑簇群全景空間區(qū)域規(guī)劃設(shè)計，提高建筑簇群全景空間布局和人工智能規(guī)劃水平，相關(guān)的建筑簇群全景圖像空間布局人工智能規(guī)劃方法研究受到人們的極大關(guān)注[1]。對建筑簇群規(guī)劃是建立在對建筑簇群全景圖像的視覺信息分析基礎(chǔ)上，采用圖像的邊緣輪廓特征提取的方法，進(jìn)行建筑簇群全景信息檢測，通過區(qū)域信息特征提取的方法進(jìn)行建筑空間區(qū)域規(guī)劃[2]。本文提出基于空間邊緣輪廓特征檢測技術(shù)的建筑簇群全景圖像空間布局人工智能規(guī)劃方法。首先進(jìn)行視覺成像處理，然后建立建筑簇群全景圖像的邊緣輪廓特征檢測模型，結(jié)合圖像的邊緣輪廓檢測的方法，實現(xiàn)建筑簇群全景圖像空間布局和人工智能規(guī)劃設(shè)計，最后進(jìn)行仿真實驗分析，得出有效性結(jié)論。

1 建筑簇群全景圖像采樣及信息增強(qiáng)處理

1.1 建筑簇群全景圖像空間規(guī)劃成像模型

為了實現(xiàn)建筑簇群全景圖像空間布局人工智能規(guī)劃，首先構(gòu)建建筑簇群全景圖像采集模型，采用圖像邊緣梯度信息檢測方法進(jìn)行建筑簇群全景圖像特征檢測[3]，構(gòu)建建筑簇群全景圖像空間布局人工智能規(guī)劃模型，得到圖像的邊緣輪廓分布描述為：式中，日（z）和8（z）分別為Heaviside函數(shù)和Dirac函數(shù)。采用自適應(yīng)模板特征匹配的方法，構(gòu)建建筑簇群全景圖像空間區(qū)域規(guī)劃模型[4-6]，結(jié)合空間掃描成像方法得到建筑簇群全景圖像輸出為：式中，P（φ）為建筑簇群全景圖像的多尺度邊緣信息采樣輸出。

1.2 圖像空間區(qū)域信息增強(qiáng)處理

采用多樣性的圖片結(jié)構(gòu)重構(gòu)方法進(jìn)行建筑簇群全景圖像空間區(qū)域信息增強(qiáng)處理[7-8]，得到建筑簇群全景圖像的活動輪廓分布描述如下：

采用像素點鄰域特征匹配的方法[9]，進(jìn)行建筑簇群全景圖像的分區(qū)域匹配，得到特征匹配集描述為：

采用多樣性的圖片結(jié)構(gòu)重構(gòu)方法進(jìn)行建筑簇群全景圖像空間區(qū)域信息增強(qiáng)處理[10-11]，得到圖像增強(qiáng)輸出為：

根據(jù)上述分析，構(gòu)建建筑簇群全景圖像空間信息增強(qiáng)模型，建立建筑簇群全景圖像的邊緣輪廓特征檢測模型，進(jìn)行建筑簇群空間布局規(guī)劃[12]。

2 圖像空間布局人工智能規(guī)劃優(yōu)化

2.1 建筑簇群全景邊緣輪廓特征檢測

構(gòu)造建筑簇群全景圖像多尺度特征分解模型㈣，進(jìn)行建筑簇群全景圖像多尺度平滑處理，得到圖像的平滑處理輸出為：式中：v，μ是不同建筑空間分布區(qū)域的尺度系數(shù)。根據(jù)訓(xùn)練集中的觀測集進(jìn)行建筑簇群全景圖像的空間布局人工智能規(guī)劃，根據(jù)訓(xùn)練集中的觀測樣本集[14]，進(jìn)行空間區(qū)域的邊界形狀特征檢測，得到建筑簇群全景圖像的紋理分布函數(shù)為：

構(gòu)造建筑簇群全景圖像多尺度特征分解模型，采用機(jī)器視覺方法進(jìn)行建筑簇群全景圖像檢測，結(jié)合自適應(yīng)尋優(yōu)模型，在機(jī)器視覺下采用模板匹配來實現(xiàn)二值編碼，構(gòu)建建筑簇群全景圖像空間布局規(guī)劃模型，得到鄰域點灰度平均值為：

由此構(gòu)造建筑簇群全景圖像多尺度特征分解模型，根據(jù)建筑簇群全景圖像的顯著特征進(jìn)行標(biāo)定定位，根據(jù)特征標(biāo)定結(jié)果，進(jìn)行建筑簇群全景規(guī)劃設(shè)計。

2.2 建筑簇群全景布局智能規(guī)劃

采用機(jī)器視覺方法進(jìn)行建筑簇群全景圖像的先驗形狀模型參數(shù)估計，根據(jù)參數(shù)估計結(jié)果實現(xiàn)建筑簇群全景布局設(shè)計，構(gòu)建建筑簇群全景圖像的灰度特征分布矩陣描述為：式中：C1和C2分別表示建筑簇群全景圖像的徑向灰度的梯度值和邊緣輪廓線長度;Length （C）表示鄰域卷積長度;Area （inside （C》表示輪廓曲線內(nèi)部面積。

考慮像素的多重分布因素，在模板mxn區(qū)域內(nèi)對建筑簇群全景圖像進(jìn)行空間區(qū)域融合，結(jié)合多元統(tǒng)計分析方法，利用不同類別圖像樣本的紋理自相似性特征，進(jìn)行直方圖重建[15]，得到灰度直方圖分量為：式中，t0表示建筑簇群全景圖像的結(jié)構(gòu)相似度，在建筑簇群全景圖像成像的4x4子區(qū)域內(nèi)，通過近似稀疏表示方法，得到建筑簇群全景圖像的像素相似度函數(shù)為s（X，Y），按照半重疊方式對圖像進(jìn)行分塊，得到分塊結(jié)構(gòu)函數(shù)為：式中：assoc（A，V）為建筑簇群全景圖像的像素點子集A中的信息強(qiáng)度;assoc（B，V）為建筑簇群全景圖像的邊緣輪廓特征量。在更大觀測尺度中描述圖像視覺結(jié)構(gòu)，根據(jù)視覺結(jié)構(gòu)分布，進(jìn)行建筑簇群全景圖像空間布局人工智能規(guī)劃設(shè)計。

3 仿真實驗與結(jié)果分析

通過仿真實驗驗證本文方法，在實現(xiàn)建筑簇群全景圖像空間布局及人工智能規(guī)劃中的應(yīng)用性能。結(jié)合Matlab 7仿真工具進(jìn)行仿真測試，對建筑簇群全景圖像采樣的超分辨率為2 000x2 000，建筑簇群空間規(guī)劃的迭代次數(shù)為400，圖像模糊度權(quán)重系數(shù)為0.001，建筑簇群全景圖像的樣本數(shù)為3 000，測試集規(guī)模為120。根據(jù)上述參數(shù)設(shè)定，進(jìn)行建筑簇群全景圖像空間布局人工智能規(guī)劃設(shè)計，得到原始的建筑簇群全景圖像采集如圖1所示。

以圖1的圖像為測試對象，采用多樣性的圖片結(jié)構(gòu)重構(gòu)方法進(jìn)行建筑簇群全景圖像空間區(qū)域信息增強(qiáng)處理.得到圖像增強(qiáng)結(jié)果如圖2所示。

分析圖2得知，采用本文方法能有效實現(xiàn)建筑簇群全景圖像的空間信息增強(qiáng)，提高建筑簇群全景規(guī)劃和成像能力。在此基礎(chǔ)上，實現(xiàn)建筑簇群全景布局和人工智能規(guī)劃，得到的結(jié)果如圖3所示。

分析圖3得知，采用本文方法能有效實現(xiàn)建筑簇群全景布局和人工智能規(guī)劃設(shè)計，測試不同方法進(jìn)行建筑簇群全景布局和人工智能規(guī)劃的誤差，得到的對比結(jié)果如圖4所示。分析圖4得知，采用該方法進(jìn)行建筑簇群全景圖像空間規(guī)劃的智能性較強(qiáng)，誤差較低，規(guī)劃合理性較好。

4 結(jié)語

為了提高建筑簇群全景空間布局和人工智能規(guī)劃水平，本文提出基于空間邊緣輪廓特征檢測技術(shù)的建筑簇群全景圖像空間布局人工智能規(guī)劃方法。采用多樣性的圖片結(jié)構(gòu)重構(gòu)方法進(jìn)行建筑簇群全景圖像空間區(qū)域信息增強(qiáng)處理，構(gòu)造建筑簇群全景圖像多尺度特征分解模型，采用機(jī)器視覺方法進(jìn)行建筑簇群全景圖像參量分析，根據(jù)邊緣輪廓檢測結(jié)果實現(xiàn)建筑簇群全景布局和人工智能規(guī)劃。研究得知，采用本文方法進(jìn)行建筑簇群全景規(guī)劃的智能性較好，提高了建筑空間規(guī)劃的可靠性。

參考文獻(xiàn)

[1] YANG L. Multi-focus image fusion method based on NSST andII CM [C]// Proceedings of 2017 International Conference onEmerging Internetworking， Data and Web Technologies. Ber-lin： Springer， 2017： 679-689.

[2] YANG L. Technique for image de-noising based on non-subsam-pled shearlet transform and improved intuitionistic fuzzy entro-py [J]. Optik-international journal for light and electron optics ，2015. 126（4） ： 446-453.

[3] RADENOVIC F. TOLIAS G， CHUM 0. CNN image retrievallearns from BoW ： unsupervised fine-tuning with hard examples[C]// Proceedings of 2016 European Conference on ComputerVision. Berlin： Springer， 2016： 3-20.

[4] ABBAS Q， IBRAHIM M E A， JAFFAR M A. A comprehen-sive review of recent advances on deep vision systems [J]. Arti-ficial intelligence review ， 2018（ 3） ： 1-38.

[5] RAZAVIAN A S， SULLIVAN J， CARLSSON S. Visual in-stance retrieval with deep convolutional networks [J]. ITE trans-actions on media technology and applications. 2016. 4（3） ：251-258.

[6] HASSNER T. HAREL S. PAZ E， et al. Effective face frontal-ization in unconstrained images [C]// Proceedings of 2015 IEEE Computer Vision and Pattern Recognition. Piscataway： IEEE，2015 ： 4295-4304.

[7]王鑫，周韻，寧晨，等，自適應(yīng)融合局部和全局稀疏表示的圖像顯著性檢測 [J].計算機(jī)應(yīng)用 ， 2018 . 38（ 3 ） ： 866-872.

WANG Xin， ZHOU Yun. NING Chen. et al. Image saliencydetection via adaptive fusion of local and global sparse repre-sentation [J]. Journal of computer applications， 2018， 38 （3） ：866-872.

[8] WEI X S， LUO J H， WU J. Selective convolutional descriptoraggregation for fine-grained image retrieval [J]. IEEE transac-tions on image processing， 2017， 26（6）： 2868-2881.

[9] CHENG M M. MITRA N J，HUANG X， et al.Global contrastbased salient region detection [J]. IEEE transactions on patternanalysis and machine intelligence， 2015， 37（3）：569-582.

[10] LIU N， HAN J.DHSNet： deep hierarchical saliency networkfor salient object detection [C]// Proceedings of 2016 IEEEConference on Computer Vision and Pattern Recognition.Washington： IEEE Computer Society. 2016： 678-686.

[11] KIM W， KIM C.Spatiotemporal saliency detection using tex-tural contrast and its applications [J]. IEEE transactions oncircuits&systems for video technology， 2014， 24（4）： 646- 659.

[12] SHARMA D， CHATTOPADHYAY C.High-level feature ag-gregation for fine-grained architectural floor plan retrieval [J].Iet computer vision. 2018. 12（5）： 702-709.

[13]赫高進(jìn)，熊偉，陳犖，等，基于MPI的大規(guī)模遙感影像金字塔并行構(gòu)建方法[J].地球信息科學(xué)學(xué)報，2015. 17（5）：515-522.

HE Gaojin， XIONG Wei. CHEN Luo. et al.An MPI-basedparallel pyramid building algorithm for large - scale RS image[J]. Journal of geo-information science. 2015. 17（5）： 515- 522.

[14]單玉剛，汪家寶.魯棒的白適應(yīng)尺度和方向的目標(biāo)跟蹤方法[J].計算機(jī)工程與應(yīng)用，2018.54（ 21）：208-216.

SHAN Yugang， WANG Jiabao. Robust object tracking meth-od of adaptive scale and direction[J].Computer engineeringand application， 2018， 54（ 21）： 208-216.

[15]申小霞，張樺，高贊，基于Kinect和金字塔特征的行為識別算法[J]光電子·激光，2014（2）：357-363.

SHEN X X. ZHANG H. GAO Z.Behavior recognition algo-rithm based on Kinect and pyramid feature [J]. Journal of opto-electronics-laser. 2014（2）： 357-363.

作者簡介：田婧（1985-），女，江西九江人，碩士，副教授，研究方向為環(huán)境與數(shù)字媒體藝術(shù)。