一種基于圖像學習的商業類建筑群自動建模方法技術

本發明專利技術公開了一種基于圖像學習的商業類建筑群自動建模方法，屬于城市規劃領域,包括數據獲取、形態量化核心指標提取、基于Pix2Pix算法的建筑群形態生成模型訓練、建筑群平面圖像生成、基于OpenCV的建筑群形態生成五個步驟。本發明專利技術目的在于通過構建建筑群空間形態類型數據庫與基于Pix2Pix的建筑群形態智能生成方法，實現了短時間內地塊尺度商業類建筑群布局形態多方案的自動生成。解決了設計師畫圖勞動機械重復周期長的問題，為建筑群形態設計實踐提供技術支持。踐提供技術支持。踐提供技術支持。

【技術實現步驟摘要】
一種基于圖像學習的商業類建筑群自動建模方法


[0001]本專利技術涉及城市規劃領域，具體涉及一種基于圖像學習的商業類建筑群自動建模方法。

技術介紹

[0002]伴隨經濟發展，商業類地塊的開發與商業建筑群設計成為城市設計工作的一項重要內容。但設計該類建筑群的過程由建筑師或規劃師主導，不僅要考慮受用地指標、地塊功能等硬性條件，還需同時滿足消費人流組織、地標形象塑造、開發效益保障等復雜需求；在地塊復雜性與設計主觀性的雙重制約下，建筑師或規劃師憑借自身經驗和邏輯組織，將約束條件轉化為地塊形態。在缺乏規律借鑒的前提下，設計過程耗時耗力，而且因設計邏輯主觀性使呈現結果大有不同。從而使建設活動各自為政，甚至會助推城市空間無序化發展。
[0003]目前已有的建筑群形態自動生成方法，一種是基于規則驅動的生成方法，一種是基于參照學習的生成方法。前者已有基于數學模型、形狀語法、元細胞自動機模型、多智能體系統的生成方法。這種方法技術上為廣大設計師帶來便利，但其技術具有局限。體現在其生成過程為了兼顧效率和代表性，只提取了功能拓撲關系等基礎建筑知識進行規則傳遞，并且實踐對象多為約束規則強的居住類建筑。這種技術不能很好的應用于商業類建筑群生成；后者已有基于決策樹、支持向量機、貝葉斯分類、強化學習與深度學習的生成方法。這種方法技術對象多為建筑平面、建筑立面、建筑三維單體，對于更為復雜的商業類建筑群形態生成設計缺乏應用。且數據處理依靠人為機械統計，使處理大規模城市數據時算力受限。因此現有技術無法做到對商業類建筑群的快速多方案的自動生成。/>
技術實現思路

[0004]本專利技術目的在于依據規劃學科理論知識，提取商業類地塊與建筑形態量化指標，再利用聚類算法劃分出建筑典型形態類型。通過讓計算機學習大量典型形態類別的真實建筑群樣本案例，自動解析地塊邊界和建筑布局形態之間的映射規律，從而實現方案智能生成，達到輔助規劃師進行商業類地塊設計決策的目的。
[0005]本專利技術的目的可以通過以下技術方案實現：
[0006]一種基于圖像學習的商業類建筑群自動建模方法，包括以下步驟：
[0007]獲取并清理目標地區商業類建筑的信息數據；基于地塊形態、建筑二維和建筑三維建立地塊尺度商業類建筑群形態的核心指標；從建筑數據中提取對應核心指標的數據構成I(I1～I
n
)；
[0008]基于核心指標庫I(I1～I
n
)使用兩步聚類法實現形態相似樣本的劃分歸并，構建建筑群類別庫C(C1～C
n
)；對核心指標庫I(I1～I
n
)中的指標進行區間劃分并將屬性附加給建筑群類別庫C(C1～C
n
)；定義網絡結構，使用Pix2pix深度卷積神經網絡模型迭代訓練，構建建筑群的平面圖像生成的生成算法模型庫G(G1～G
n
)；
[0009]基于建筑群類別庫C(C1～C
n
)確定設計地塊輪廓的建筑群類別，并將設計地塊輪廓
數據輸入算法模型庫G(G1～G
n
)，生成地塊建筑群平面形態圖；
[0010]從地塊建筑群平面形態圖獲取地塊邊界矢量數據和包含建筑高度信息的建筑邊界矢量數據；基于地塊邊界矢量數據和建筑邊界矢量數據構建目標地區商業類建筑的設計地塊建筑群方案的三維模型。
[0011]進一步地，所述獲取并清理目標地區商業類建筑的信息數據包括以下步驟：
[0012]采集目標地區商業類建筑的信息數據，包括建筑功能數據、建筑位置數據和建筑高度數據；
[0013]對信息數據進行清洗：統一篩選目標用地性質為B1類和面積在0.01
?
10公頃以內的地塊；對相鄰高度相同的建筑要素進行融合，批量刪除面積小于100平方米的零碎建筑體量和建筑密度低于10％的地塊，裁剪跨越地塊邊界的建筑體量。
[0014]進一步地，所述基于地塊形態、建筑二維和建筑三維建立地塊尺度商業類建筑群形態的核心指標包括以下步驟：
[0015]地塊形態量化方面，選擇地塊周長PER、地塊面積BLA、地塊形狀指數BLS作為量化地塊特征的核心指標；
[0016]其中，地塊周長PER、地塊面積BLA使用地理信息平臺作為數據清洗的工作平臺統計得出，地塊形狀指數BLS是地塊周長與相同面積的正方形的周長比值，計算公式如下：
[0017][0018]二維形態量化方面，選擇建筑密度BD、建筑基底平均面積ABA、建筑基底面積差異度DBA、建筑基底平均形狀指數ASH、建筑基底形狀差異度DSH、建筑個數BN、分散度DR作為度量指標刻畫建筑群體二維平面形態；
[0019]其中，建筑密度BD是建筑投影面積之和與建筑用地面積之比，計算公式如下：
[0020][0021]其中為地塊內所有建筑基底面積之和；
[0022]建筑基底平均面積ABA是所有地塊內建筑基底面積的平均值，計算公式如下：
[0023][0024]建筑基底面積差異度DBA是所有地塊基底面積的標準差，計算公式為：
[0025][0026]分散度DR是建筑數量與用地面積和建筑體積差異度之積的比值，計算公式如下：
[0027][0028]其中DTBA是建筑體積差異度；
[0029]建筑基底平均形狀指數ASH是地塊內所有建筑基底形狀指數的平均值，計算公式如下：
[0030][0031]其中是建筑基底形狀指數；
[0032]建筑基底形狀差異度DSH是地塊內任一建筑基底形狀指數的標準差，計算公式如下：
[0033][0034]三維形態量化方面，選取容積率FAR、建筑平均容量ATBA、建筑容量差異度DTBA、建筑平均高度ABH、錯落度DBH作為度量指標刻畫建筑群體三維立體形態；
[0035]其中，容積率FAR是指地塊內建筑面積總和與地塊面積的比值，計算公式如下：
[0036][0037]其中為地塊內所有建筑基底面積之和；其中TBA是建筑體積；
[0038]建筑平均容量ATBA為地塊內所有建筑體積的平均值，計算公式如下：
[0039][0040]建筑體積差異DTBA為地塊內任一建筑體積的標準差，計算公式如下：
[0041][0042]建筑平均高度ABH為地塊內所有建筑高度的平均值，計算公式如下：
[0043][0044]錯落度DBH為地塊內任一建筑高度的標準差，計算公式如下：
[0045][0046]其中BH
i
為建筑高度。
[0047]進一步地，所述從建筑數據中提取對應核心指標的數據構成I(I1～I
n
)包括以下步驟：
[0048]通過z
?
score標準化對建筑數據進行變換，使得變換以后的建筑數據符合標準正態分布，即均值為0，方差為1；
[0049]檢驗建筑數據是否適合進行主成分分析，檢驗方法為利用KMO和Bartlett球形度檢驗；滿足KMO值＞0.5，顯著性p值＜0.0本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于圖像學習的商業類建筑群自動建模方法，其特征在于，包括以下步驟：獲取并清理目標地區商業類建筑的信息數據；基于地塊形態、建筑二維和建筑三維建立地塊尺度商業類建筑群形態的核心指標；從建筑數據中提取對應核心指標的數據構成I(I1～I
n
)；基于核心指標庫I(I1～I
n
)使用兩步聚類法實現形態相似樣本的劃分歸并，構建建筑群類別庫C(C1～C
n
)；對核心指標庫I(I1～I
n
)中的指標進行區間劃分并將屬性附加給建筑群類別庫C(C1～C
n
)；定義網絡結構，使用Pix2pix深度卷積神經網絡模型迭代訓練，構建建筑群的平面圖像生成的生成算法模型庫G(G1～G
n
)；基于建筑群類別庫C(C1～C
n
)確定設計地塊輪廓的建筑群類別，并將設計地塊輪廓數據輸入算法模型庫G(G1～G
n
)，生成地塊建筑群平面形態圖；從地塊建筑群平面形態圖獲取地塊邊界矢量數據和包含建筑高度信息的建筑邊界矢量數據；基于地塊邊界矢量數據和建筑邊界矢量數據構建目標地區商業類建筑的設計地塊建筑群方案的三維模型。2.根據權利要求1所述的基于圖像學習的商業類建筑群自動建模方法，其特征在于，所述獲取并清理目標地區商業類建筑的信息數據包括以下步驟：采集目標地區商業類建筑的信息數據，包括建筑功能數據、建筑位置數據和建筑高度數據；對信息數據進行清洗：統一篩選目標用地性質為B1類和面積在0.01
?
10公頃以內的地塊；對相鄰高度相同的建筑要素進行融合，批量刪除面積小于100平方米的零碎建筑體量和建筑密度低于10％的地塊，裁剪跨越地塊邊界的建筑體量。3.根據權利要求2所述的基于智能圖像學習的商業類建筑群大規模自動建模方法，其特征在于，所述基于地塊形態、建筑二維和建筑三維建立地塊尺度商業類建筑群形態的核心指標包括以下步驟：地塊形態量化方面，選擇地塊周長PER、地塊面積BLA、地塊形狀指數BLS作為量化地塊特征的核心指標；其中，地塊周長PER、地塊面積BLA使用地理信息平臺作為數據清洗的工作平臺統計得出，地塊形狀指數BLS是地塊周長與相同面積的正方形的周長比值，計算公式如下：二維形態量化方面，選擇建筑密度BD、建筑基底平均面積ABA、建筑基底面積差異度DBA、建筑基底平均形狀指數ASH、建筑基底形狀差異度DSH、建筑個數BN、分散度DR作為度量指標刻畫建筑群體二維平面形態；其中，建筑密度BD是建筑投影面積之和與建筑用地面積之比，計算公式如下：其中為地塊內所有建筑基底面積之和；建筑基底平均面積ABA是所有地塊內建筑基底面積的平均值，計算公式如下：
建筑基底面積差異度DBA是所有地塊基底面積的標準差，計算公式為：分散度DR是建筑數量與用地面積和建筑體積差異度之積的比值，計算公式如下：其中DTBA是建筑體積差異度；建筑基底平均形狀指數ASH是地塊內所有建筑基底形狀指數的平均值，計算公式如下：其中是建筑基底形狀指數；建筑基底形狀差異度DSH是地塊內任一建筑基底形狀指數的標準差，計算公式如下：三維形態量化方面，選取容積率FAR、建筑平均容量ATBA、建筑容量差異度DTBA、建筑平均高度ABH、錯落度DBH作為度量指標刻畫建筑群體三維立體形態；其中，容積率FAR是指地塊內建筑面積總和與地塊面積的比值，計算公式如下：其中為地塊內所有建筑基底面積之和；其中TBA是建筑體積；建筑平均容量ATBA為地塊內所有建筑體積的平均值，計算公式如下：建筑體積差異DTBA為地塊內任一建筑體積的標準差，計算公式如下：建筑平均高度ABH為地塊內所有建筑高度的平均值，計算公式如下：錯落度DBH為地塊內任一建筑高度的標準差，計算公式如下：
其中BH
i
為建筑高度。4.根據權利要求3所述的基于圖像學習的商業類建筑群自動建模方法，其特征在于，所述從建筑數據中提取對應核心指標的數據構成I(I1～I
n
)包括以下步驟：通過z
?
score標準化對建筑數據進行變換，使得變換以后的建筑數據符合標準正態分布，即均值為0，方差為1；檢驗建筑數據是否適合進行主成分分析，檢驗方法為利用KMO和Bartlett球形度檢驗；滿足KMO值＞0.5，顯著性p值＜0.001，說明主成分分析結果有效；當KMO值＜0.5時，則表示建筑數據不適用于主成分分析；在總方差解釋表中選擇特征值大于1、累計％高于70％的建筑數據對應的核心指標為主成分，提取主成分中對應核心指標的數據構建代表性核心指標庫I(I1～I
n
)。5.根據權利要求4所述的基于圖像學習的商業類建筑群自動建模方法，其特征在于，所述基于核心指標庫I(I1～I
n
)使用兩步聚類法實現形態相似樣本的劃分歸并，構建建筑群類別庫C(C1～C
n
)包括以下步驟：進行預聚類劃分：采用貫序方式將核心指標庫I(I1～I
n
)的數據劃分成若干子類，視所有核心指標庫I(I1～I
n
)的數據為一個大類；讀入核心指標庫I(I1～I
n
)的中一個數據后，根據親疏程度決定該樣本應派生出一個新類，還是應合并到已有的某個子類中，重復進行最終形成L個類；在預聚類的基礎上，再根據親疏程度合并子類,最終形成L'類。6.根據權利要求5所述的基于圖像學習的商業類建筑群自動...

【專利技術屬性】
技術研發人員：楊俊宴，朱驍，薛琴，蔡紀堯，史宜，孫昊成，盛華星，楊曉方，周景翎，王藝潼，
申請(專利權)人：東南大學，
類型：發明
國別省市：