一种基于智能手机的楼盘采光模拟方法

技术领域

本发明涉及建筑采光模拟的技术领域，尤其是涉及一种基于智能手机的楼盘采光模拟方法。

背景技术

建筑物的采光质量是人们买房时考虑的一项重要因素，人们尤其关注房屋在一天中受到的光照时长及光照时段。购房者在选房时可通过实地查看的方式了解采光情况，但此方式比较费时，且只能查看短期内的采光情况，不一定能了解人们最关注的冬季采光情况。此外，许多新房采用预售制，购房者选房时房屋还没有建设完成，只有图纸和沙盘模型，而建筑物的采光情况与当地的日照情况、楼体布局、建筑高度等诸多因素有关。由于普通购房者并不具备这方面的专业知识，也没有专业的测量工具，普通购房者很难全面了解房屋的采光质量，购买预售房时，只能通过房产销售的介绍来了解房屋的大致采光情况，真实性无法得到保证，且无法获得某一楼层的具体光照时长、光照时段等详细信息。

现有的实物采光模拟系统多采用导轨和悬臂上配平行光源模拟太阳光的形式，整个系统体积较大，系统笨重，不易拆卸和搬运，并且需要配合沙盘模型才能模拟房屋的采光情况，所以此系统购房者个人无法安装使用。

现有的专业采光计算软件，可以通过计算机计算建筑的各项采光数据，但这类软件使用时需要建立建筑物的模型，操作复杂，工作量大，需要受过专门的培训或学习，通常是设计人员在建筑规划、设计时使用的专业软件，普通购房者很难使用。

发明内容

发明目的：为了克服背景技术的不足，本发明公开了一种基于智能手机的楼盘采光模拟方法，该方法主要利用图像识别技术、深度学习技术和采光模拟算法，能够通过智能手机方便地计算楼盘的光照和阴影遮挡情况，便于普通购房者在看房时就能通过建筑图纸快速地了解房屋的采光质量，为挑选房屋提供参考。

技术方案：本发明所述的基于智能手机的楼盘采光模拟方法，包括以下步骤：

S1、用手机拍摄楼盘建筑平面图，拍摄的同时在图纸一旁放置一个参照物；

S2、通过图像识别模块和深度学习算法识别图中建筑轮廓边界和参照物边界，获得各楼栋的位置、轮廓、朝向；

S3、用户通过采光模拟软件的交互界面，输入图纸的比例尺，输入各栋楼的层数和层高参数，获得建筑的高度信息；

S4、通过尺寸计算模块计算得到建筑轮廓上各条边界的实际尺寸；

S5、建模模块通过上述平面信息和高度信息，构建出楼盘三维轮廓模型；

S6、获取地理信息和日照信息；

S7、采光计算分析模块根据当地日照信息，结合楼盘三维模型，进行光照和阴影计算，模拟分析出各楼层、各户型在各季节中的光照情况；

S8、结果展示。

其中，S1将图纸的正南方朝下，通过固定的定向方式，为采光计算提供所需的标准方向。

进一步的，S2中对图像进行识别处理，步骤为：

(1)将所拍摄图像传入目标检测模型中，对楼盘以及参考物所在位置进行标定以及框选。

(2)对由目标检测所截取到的参考物图像进行高斯滤波处理，初步对噪点与噪音进行过滤；之后对图像进行一次开操作，降低背景纹理轮廓对目标轮廓的干扰；对图像进行灰度处理，得到灰度图之后对图像进行锐化，获得较为清晰的图像；通过Canny算子进行边缘检测，并获取相应的二值图，之后在此基础上进行轮廓检测，初步获得图像轮廓，对所有轮廓的闭合内部面积进行求取，并删选出面积较大的15个轮廓，将轮廓在原图上绘出；

(3)对上述绘有轮廓的图片进行四次模糊化处理，其中每次模糊化处理为对上述图像进行一次高斯滤波，两次腐蚀和三次膨胀，使部分背景纹理变窄或失真，最后再次做一次高斯滤波和一次开操作，从而确保图像平滑；

(4)对步骤(2)处理后的图通过Canny算子进行二值化处理，同时逐步降低Canny算子的阈值，从而使其尽可能多的识别需补全的轮廓，每次降低阈值后对图像进行轮廓绘制，并保留轮廓同时进行一次高斯滤波和一次闭操作，为滤过因Canny算子阈值过低而导致部分不必要轮廓线识别而产生的毛刺；同时，在每次轮廓描绘的过程中适当增加轮廓线的宽度使得每段轮廓线之间跟容易接合，处理三次，轮廓基本实现重合；每次轮廓识别后对轮廓进行一次删选，同一获取轮廓所围成面积较大的前15个轮廓数据。

通过最后一次处理所获取的轮廓数据来获取所有轮廓的外接近似封闭轮廓，同时筛选出其中的矩形轮廓，由于部分原卡片图案或文字轮廓在之前的操作后可能也会变为矩形，因而需要通过对所有的矩形轮廓进行进一步的筛选，取面积大于35000，单边尺寸大于100的轮廓作为实际参考物的目标轮廓，并输出四个角点坐标，进而可以获取到对应长或宽上对应的像素点个数，即参照物在图中的尺寸。

根据目标检测模型以及用户标定的目标楼盘，由目标检测所生成的目标位置坐标点以及相应的框选矩形框的长和宽来对目标楼盘的区域进行截取，并由原先图像处理方式对目标楼盘的轮廓参数进行计算，得到目标楼盘的四个顶点坐标进而由此计算出相应的图上楼盘宽度与长度，结合目标楼盘的朝向所在直线以及所给定的楼盘长度，由原目标检测模型所得到的各个目标位置坐标来获取当前楼盘与前后楼盘的楼间距在图上的距离，并将其减去一个楼房宽度，从而得到前后楼盘相对墙面的图上距离。

进一步的，S6中通过手机GPS定位功能，自动获得当地经纬度信息；通过经纬度信息，从日照数据库中调用当地的日照信息，包括四季日出日落时间、太阳高度角、运行轨迹。

进一步的，S8通过采光模拟软件最终向用户提供各套房在一年中的最长、最短采光时长及相应的光照时段的基本采光信息，同时展示整个楼盘采光的动态效果。

有益效果：与现有技术相比，本发明的优点为：用户无需专业设备或专业知识，可以在实际房屋建设完成之前，仅需智能手机和楼盘平面图纸，通过智能软件，方便、快速地计算出楼盘中任意位置在全年的采光情况，为选房购房提高有效参考信息。

附图说明

图1是本发明的流程图；

图2是本发明实施中拍摄的楼盘建筑平面图示例；

图3是本发明实施中图像识别产生的建筑平面轮廓示例；

图4是本发明实施中交互式输入信息示例；

图5为本发明实施中经系统计算的动态阴影展示效果。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

如图1所示的基于智能手机的楼盘采光模拟方法，包括以下步骤：

S1、拍摄图纸

如图2所示，用手机拍摄楼盘建筑平面图，拍摄时需满足两个要求：将图纸的正南方朝下，通过固定的定向方式，为采光计算提供所需的标准方向；在图纸的左上角放置一张身份证或银行卡，作为标准参照物。

S2、图像处理和识别

图像识别模块对拍摄的照片进行图像处理，提取出图中的封闭边界，通过深度学习算法识别出封闭边界中的建筑轮廓边界和左上角的身份证边界，从而获得各栋楼的位置、轮廓、朝向等信息，如图3所示。

对图像进行识别处理步骤为：

(1)将所拍摄图像传入目标检测模型中，对楼盘以及参考物所在位置进行标定以及框选。

(2)对由目标检测所截取到的参考物图像进行高斯滤波处理，初步对噪点与噪音进行过滤；之后对图像进行一次开操作，降低背景纹理轮廓对目标轮廓的干扰；对图像进行灰度处理，得到灰度图之后对图像进行锐化，获得较为清晰的图像；通过Canny算子进行边缘检测，并获取相应的二值图，之后在此基础上进行轮廓检测，初步获得图像轮廓，对所有轮廓的闭合内部面积进行求取，并删选出面积较大的15个轮廓，将轮廓在原图上绘出；

(3)对上述绘有轮廓的图片进行四次模糊化处理，其中每次模糊化处理为对上述图像进行一次高斯滤波，两次腐蚀和三次膨胀，使部分背景纹理变窄或失真，最后再次做一次高斯滤波和一次开操作，从而确保图像平滑；

(4)对步骤(2)处理后的图通过Canny算子进行二值化处理，同时逐步降低Canny算子的阈值，从而使其尽可能多的识别需补全的轮廓，每次降低阈值后对图像进行轮廓绘制，并保留轮廓同时进行一次高斯滤波和一次闭操作，为滤过因Canny算子阈值过低而导致部分不必要轮廓线识别而产生的毛刺；同时，在每次轮廓描绘的过程中适当增加轮廓线的宽度使得每段轮廓线之间跟容易接合，处理三次，轮廓基本实现重合；每次轮廓识别后对轮廓进行一次删选，同一获取轮廓所围成面积较大的前15个轮廓数据。

通过最后一次处理所获取的轮廓数据来获取所有轮廓的外接近似封闭轮廓，同时筛选出其中的矩形轮廓，由于部分原卡片图案或文字轮廓在之前的操作后可能也会变为矩形，因而需要通过对所有的矩形轮廓进行进一步的筛选，取面积大于35000，单边尺寸大于100的轮廓作为实际参考物的目标轮廓，并输出四个角点坐标，进而可以获取到对应长或宽上对应的像素点个数，即参照物在图中的尺寸。

根据目标检测模型以及用户标定的目标楼盘，由目标检测所生成的目标位置坐标点以及相应的框选矩形框的长和宽来对目标楼盘的区域进行截取，并由原先图像处理方式对目标楼盘的轮廓参数进行计算，得到目标楼盘的四个顶点坐标进而由此计算出相应的图上楼盘宽度与长度，结合目标楼盘的朝向所在直线以及所给定的楼盘长度，由原目标检测模型所得到的各个目标位置坐标来获取当前楼盘与前后楼盘的楼间距在图上的距离，并将其减去一个楼房宽度，从而得到前后楼盘相对墙面的图上距离。

S3、人工输入参数

如图4所示，用户通过采光模拟软件的交互界面，输入图纸的比例尺，为后续通过图像计算实际尺寸提供必要的比例关系；用户输入各栋楼的层数和层高参数，从而获得建筑的高度信息。

S4、计算平面尺寸

通过尺寸计算模块自动计算得到建筑轮廓的尺寸。由于身份证和银行卡有固定的标准尺寸a，拍摄完成后，尺寸计算模块获取身份证在照片中的尺寸b，从而得到照片和图纸的比例关系b:a，再结合人工输入的图纸比例尺1:c，最终获得照片与实际建筑的比例关系b:ac，若照片中某条边界的图像尺寸为d，则其实际尺寸为acd/b,从而可获得建筑轮廓上各条边界的实际尺寸。

S5、建立三维模型

建模模块通过上述平面信息和高度信息，构建出楼盘简易的三维轮廓模型。

S6、获取地理信息和日照信息

过手机GPS定位功能，自动获得当地的经纬度信息；通过经纬度信息，从日照数据库中调用当地的日照信息，包括四季的日出日落时间、太阳高度角、运行轨迹。

S7、采光分析计算

采光计算分析模块根据当地日照信息，结合楼盘三维模型，进行光照和阴影计算，模拟分析出各楼层、各户型在各季节中的光照情况。

S8、结果展示

采光模拟软件最终向用户提供各套房在一年中的最长、最短采光时长及相应的光照时段等基本采光信息，也可展示整个楼盘采光的动态效果，如图5所示。

目前常规图形轮廓识别处理方法是通过Canny算子，设定相应的阈值，根据图像梯度进行相应的轮廓识别，但同时面临一个问题：针对不同的图像(高对比度与低对比度，强光与弱光，背景有无较明显的条纹等)想要识别出目标的完整轮廓需要调整到不同的阈值。

常规对于图像处理从而获取轮廓的方法为通过Canny算子，设定高低阈值来对满足阈值的轮廓进行删选，由于有高低阈值的存在使得部分处于低阈值与高阈值之间且与高阈值连续的轮廓得一连接，从而获取连续轮廓。

对于本实施例而言，由于采光条件的不确定性；目标背景存在因不平整或自身纹理等而导致的背景轮廓；以及目标上部分纹理，文字或图案等与边界相接从而使得所属区域对比度下降等问题。使得Canny算子会识别出不必要的轮廓或因阈值过低而使得目标轮廓不连续。尽管可以通过高斯滤波等滤波操作来去除噪点，或是通过适当的开操作去除部分不必要的条纹状轮廓，但由于目标本身具有一定的反光特性，以及背景存在较粗条纹出现的可能性，因而单一的常规的图像处理较难获取目标轮廓。同时，虽然可以在常规操作的基础上可以通过调整阈值或是添加自适应性阈值来尽可能获取到完整轮廓，但前者由于针对不同图像存在不同的阈值，因而不具备一定的普适性，后者可以通过一定的算法来逼近最佳阈值但容错率过低，在未能获取准确阈值的状态下可能会导致中小型(20～30像素左右)的轮廓缺口进而无法再次轮廓基础上获取封闭的最小外接矩形轮廓，进而无法确定参考物的长宽参数。

针对上述问题，在原处理方法的基础上添加了一次模糊化处理操作，即在上述轮廓识别的基础上用已识别的轮廓在原图中绘出(该轮廓为高阈值下所获得的轮廓，其自身不连续但同时也使得尽可能少的背景轮廓被识别并绘出)，使得对目标轮廓梯度大体增大，确保其在模糊化处理时不易失真，之后对该图像进行模糊化处理，通过两次腐蚀和三次膨胀将大多数面积较大的条纹与斑点等形式的噪点去除，没有采用常规开操作中一次腐蚀一次膨胀来去除噪点的原因是常规开操作值能针对较小或较细的噪点与线条产生较好的过滤效果，但对于类似木制桌面的纹理或因目标所处平面不平整而产生的条状图形亦或是部分污渍等造成的斑点都无法将其过滤。通过两次腐蚀一方面减低了亮度较大的背景纹理的干扰，另一方面，对之前所描出的轮廓的梯度(b，g，r通道只有单值加大，取255，其他通道均为0)进行了一次加强，而后通过三次膨胀适当抑制之前因腐蚀而膨胀的亮度较低的噪点，同时使目标轮廓宽度收缩到3像素左右，从而降低之后轮廓识别的误差。

上述模糊化处理解决了常规滤波操作无法过滤较大条纹与斑点等噪点的问题。而后由于部分区域与背景环境对比度较低，理论按照常规操作，降低Canny算子阈值即可获得完整轮廓，但由于整个操作过程为暗盒操作(无法人为从外界调参，同时不确定是否还会存在未能过滤掉的噪点，常规操作在通过低阈值获取轮廓时若出现因面积过大而在模糊化处理中未能充分过滤的噪点会误将其识别为噪音，如果在此时与目标轮廓相接则在之后对目标轮廓的删选中造成影响)，且阈值无法准确反馈，因而舍弃直接通过低阈值获取目标轮廓的方法，转而通过逐步降低阈值同时辅以滤波与开操作，进行三次操作以确保容错率，每次轮廓识别前的一次高斯滤波与开操作确保在当前阈值下尽可能少的背景轮廓被识别，同时在识别的原图中绘出轮廓使目标轮廓梯度增大，设定第一第二次轮廓粗细分别为2，5，从而使得相近的非连续轮廓线尽可能连接(常规操作中不会在原图像中绘出轮廓同时反复操作使不同阈值下的轮廓线叠加，一般直接默认当前轮廓为最佳轮廓；主要由于业务的转一性导致。比如做答题卡的文档识别提取文档纸张的轮廓，其扫描环境与目标文档一般固定，再例如车牌号识别虽针对车辆处于运动当中，但牌照所处背景差别不大，一般Canny算子固定高低阈值的容错率可满足要求，但在该项目中，由于目标背景的多变性与不确定性，上述操作的容错范围(Canny算子介于两个阈值之间的操作本身是为了使原本在sobel算子中未能被识别但却与已识别轮廓联通的轮廓得已被识别，相当于一种容错机制)相对本项目而言过小)。

本方法通过手机相机按特定要求拍摄建筑平面图，结合图像处理、图像识别技术，识别照片中的封闭边界，通过深度学习算法，识别并提取各栋楼的平面轮廓以及身份证轮廓。然后将身份证作为标准参照物得到图像比例关系，自动获取各楼栋的布局、朝向、外形、尺寸等信息，无需查询和输入大量复杂参数，仅需输入图纸比例尺、层数和层高三项简单且容易获取的数据，就可以获得建筑的三维模型，建模过程方便简单。