【技术实现步骤摘要】
本申请涉及模型生成，尤其涉及一种利用建筑立面影像生成建筑模型的方法及设备。
技术介绍
1、在制作建筑模型领域，传统方法只能人工参考图像进行手动建模。光照变化、材料差异等因素使得传统的手动建模过程耗费时间且成本较高；并且由于无法准确捕捉复杂结构和多样的墙面材料，传统方法生成的建筑模型存在精度不足的问题。
技术实现思路
1、本申请提供了一种利用建筑立面影像生成建筑模型的方法及设备，至少解决现有技术中存在的建筑模型生成精度不足的技术问题。
2、为解决上述技术问题，本申请实施例提供了：一种利用建筑立面影像生成建筑模型的方法，包括以下步骤：
3、获取目标建筑的立面影像；
4、对所述目标建筑的立面影像进行图像矫正处理，获得正视图像；
5、将所述正视图像输入至已训练完成的yolov8深度学习网络模型中，以获得初始建筑结构信息；对所述初始建筑结构信息进行规范化处理，获得目标建筑结构信息；基于目标建筑结构信息，获得多个相匹配的3d部件模型；
6、将所述目标建筑的正视图像输入至已训练完成的u-net网络模型中，以获得建筑材质信息；
7、采用自动化脚本对多个所述相匹配的3d部件模型和所述建筑材质信息进行自动化拼装处理，获得目标建筑模型。
8、作为本申请一些可选实施方式，所述对所述目标建筑的立面影像进行图像矫正处理，获得正视图像的步骤，包括：
9、对所述目标建筑的立面影像进行去除畸变处理、噪声消除处理和增强处理
10、采用图像矫正算法对所述第一立面图像进行透视矫正处理，获得正视图像。
11、作为本申请一些可选实施方式，所述采用图像矫正算法对所述第一立面图像进行透视矫正处理，获得正视图像的步骤，包括：
12、采用orb算法对所述第一立面图像进行特征点检测，获得特征点信息；
13、基于所述特征点信息，采用ransac算法计算获得透视变换矩阵；
14、基于所述透视变换矩阵进行矫正处理，获得正视图像。
15、作为本申请一些可选实施方式，所述将所述正视图像输入至已训练完成的yolov8深度学习网络模型中，以获得初始建筑结构信息的步骤，包括：
16、将所述正视图像输入至已训练完成的yolov8深度学习网络模型中，以获得第一建筑结构信息；
17、将所述第一建筑结构信息进行非极大值抑制处理，获得初始建筑结构信息；所述初始建筑结构信息的置信度值大于预设置信度值。
18、作为本申请一些可选实施方式，所述yolov8深度学习网络模型是基于建筑样本影像集训练获得的，所述建筑样本影像集包括多张建筑样本图像，每张所述建筑样本图像上包括建筑结构部件的位置信息、形状信息、尺寸信息、类别信息和边界框信息。
19、作为本申请一些可选实施方式，所述基于目标建筑结构信息，获得多个相匹配的3d部件模型的步骤，包括：
20、获取目标siamese网络；其中，所述目标siamese网络包括第一子网络和第二子网络；所述第一子网络和所述第二子网络共享相同的权重值；
21、将所述目标建筑结构信息输入至所述第一子网络，将预设3d部件模型集输入至所述第二子网络，以使得所述目标siamese网络输出相匹配的3d部件模型。
22、作为本申请一些可选实施方式，所述目标siamese网络是基于正样本数据和负样本数据训练获得的；所述正样本数据是由建筑部件图像和与其相同的3d部件模型图像构成，所述负样本数据是由建筑部件图像和与其不相同的3d部件模型图像构成。
23、作为本申请一些可选实施方式，所述u-net网络模型基于以下步骤训练获得：
24、获取第一建筑材质样本数据，对所述第一建筑材质样本数据中各像素的材质类别进行标注，获得第二建筑材质样本数据；
25、基于所述第二建筑材质样本数据，获得建筑材质样本数据集；
26、基于所述建筑材质样本数据集对初始u-net网络模型进行训练，获得目标u-net网络模型。
27、作为本申请一些可选实施方式，所述自动化脚本是基于ue的蓝图脚本或python脚本编写获得的。
28、再一方面，本申请实施例提供了一种计算机设备，该计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如上所述的利用建筑立面影像生成建筑模型的方法。
29、与现有技术相比，本申请所述利用建筑立面影像生成建筑模型的方法，是通过对获取的目标建筑立面影像进行图像矫正处理后，获得其正视图像；再利用yolov8深度学习网络模型和u-net网络模型分别获取建筑结构信息和建筑材质信息；并基于建筑结构信息，获得多个相匹配的3d部件模型；最后采用自动化脚本对多个所述相匹配的3d部件模型和所述建筑材质信息进行自动化拼装处理，获得目标建筑模型。可以看出，本申请通过深度学习网络模型快速准确捕捉建筑结构和墙面材料的微小细节，从而提高对建筑模型生成的预测精度。同时，引入模型库匹配策略和自动化拼装处理，对比分析不同建筑数据，通过匹配过程提高了生成建筑模型的普适性和适应性，确保对多样建筑的准确建模。通过上述技术方案，有效提高了建筑建模的效率和精度。
本文档来自技高网...【技术保护点】
1.一种利用建筑立面影像生成建筑模型的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述利用建筑立面影像生成建筑模型的方法，其特征在于，所述对所述目标建筑的立面影像进行图像矫正处理，获得正视图像的步骤，包括：
3.根据权利要求2所述利用建筑立面影像生成建筑模型的方法，其特征在于，所述采用图像校正算法对所述第一立面图像进行透视矫正处理，获得正视图像的步骤，包括：
4.根据权利要求1所述利用建筑立面影像生成建筑模型的方法，其特征在于，所述将所述正视图像输入至已训练完成的YOLOv8深度学习网络模型中，以获得初始建筑结构信息的步骤，包括：
5.根据权利要求1所述利用建筑立面影像生成建筑模型的方法，其特征在于，所述YOLOv8深度学习网络模型是基于建筑样本影像集训练获得的，所述建筑样本影像集包括多张建筑样本图像，每张所述建筑样本图像上包括建筑结构部件的位置信息、形状信息、尺寸信息、类别信息和边界框信息。
6.根据权利要求1所述利用建筑立面影像生成建筑模型的方法，其特征在于，所述基于目标建筑结构信息，获得多个相匹配的3D部件
7.根据权利要求6所述利用建筑立面影像生成建筑模型的方法，其特征在于，所述目标Siamese网络是基于正样本数据和负样本数据训练获得的；所述正样本数据是由建筑部件图像和与其相同的3D部件模型图像构成，所述负样本数据是由建筑部件图像和与其不相同的3D部件模型图像构成。
8.根据权利要求1所述利用建筑立面影像生成建筑模型的方法，其特征在于，所述U-net网络模型基于以下步骤训练获得：
9.根据权利要求1所述利用建筑立面影像生成建筑模型的方法，其特征在于，所述自动化脚本是基于UE的蓝图脚本或Python脚本编写获得的。
10.一种计算机设备，其特征在于，该计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现根据权利要求1-9中任一项所述的利用建筑立面影像生成建筑模型的方法。
...【技术特征摘要】
1.一种利用建筑立面影像生成建筑模型的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述利用建筑立面影像生成建筑模型的方法，其特征在于，所述对所述目标建筑的立面影像进行图像矫正处理，获得正视图像的步骤，包括：
3.根据权利要求2所述利用建筑立面影像生成建筑模型的方法，其特征在于，所述采用图像校正算法对所述第一立面图像进行透视矫正处理，获得正视图像的步骤，包括：
4.根据权利要求1所述利用建筑立面影像生成建筑模型的方法，其特征在于，所述将所述正视图像输入至已训练完成的yolov8深度学习网络模型中，以获得初始建筑结构信息的步骤，包括：
5.根据权利要求1所述利用建筑立面影像生成建筑模型的方法，其特征在于，所述yolov8深度学习网络模型是基于建筑样本影像集训练获得的，所述建筑样本影像集包括多张建筑样本图像，每张所述建筑样本图像上包括建筑结构部件的位置信息、形状信息、尺寸信息、类别信息和边界框信息。
6.根据权利要求...
【专利技术属性】
技术研发人员：李平阳，王磊，陆川，
申请(专利权)人：成都国星宇航科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。