家具布局方法及电子设备技术

本发明专利技术实施例提供一种家具布局方法及电子设备，该方法包括：通过多对含家具的户型图以及对应的不包含家具的户型图对GAN模型进行训练，使得训练好的GAN模型能够准确的反映不包含家具的户型图与包含家具的户型图之间图像特征的内部联系，并将待处理图像输入至训练好的GAN模型获得期望的目标布局图像，在目标布局图像中设计了每个房间设置的家具以及每件家具的具体摆放位置。本发明专利技术实施例利用多对含家具的户型图以及对应的不包含家具的户型图对GAN模型进行训练，并利用GAN模型实现了多种户型图的家具布局设计需求，提高了家具布局设计方法的应用范围。设计方法的应用范围。设计方法的应用范围。

【技术实现步骤摘要】
家具布局方法及电子设备


[0001]本专利技术实施例涉及图像处理
，尤其涉及一种家具布局方法及电 子设备。

技术介绍

[0002]随着我国城市化率的提升以及建筑的日益多样化，用户对于室内家具布 局设计的要求也越来越高，合理的家具规格及摆放位置，能够有效地改善用 户的生活体验。
[0003]随着计算机技术的不断发展，室内设计师利用计算机技术，并采用统计 学方法对家具布局进行某种规则的提取，将空间信息、家具信息以及布局约 束信息数字化，获得一种家具摆放的规则，并规则自动生成家具布局图。
[0004]然而，现有的自动生成家具布局图方法，只能在满足了相同约束的条件 之后，生成的同类型的家具布局图，无法满足当前多种户型家具布局图的设 计需求，存在适应性较差的问题。

技术实现思路

[0005]本专利技术实施例提供一种家具布局方法及电子设备，利用生成对抗网络 GAN模型自动生成带有家具的户型图。
[0006]第一方面，本专利技术实施例提供一种家具布局方法，包括：
[0007]获取待处理图像，所述待处理图像为不包含家具的户型图；
[0008]将所述待处理图像输入训练好的生成对抗网络GAN模型，以使所述训 练好的GAN模型输出目标布局图像，所述目标布局图像为包含家具的户型图；
[0009]其中，所述训练好的GAN模型是根据多对含家具的户型图以及对应的不 包含家具的户型图训练得到的。
[0010]在一种可能的设计中，所述训练好的GAN模型包括生成器及鉴别器， 所述训练好的GAN模型的迭代训练包括：
[0011]S1.获取样本图像集合，所述样本图像集合包含多对图像，其中每对图 像包含一张含家具的户型图以及一张不包含家具的户型图，且每对所述图 像中的户型属于同一户型；
[0012]S2.将任一图像对中不包含家具的户型图输入至所述生成器中，获得预 测的包含家具的户型图；
[0013]S3.将所述预测的包含家具的户型图、所述任一图像对中不包含家具的 户型图、所述任一图像对中包含家具的户型图输入至所述鉴别器中，获得 损失函数以及鉴别结果；
[0014]S4.若所述鉴别结果不符合预设目标阈值，则根据所述损失函数调整所 述GAN模型参数，并重复执行S2和S3，直至所述鉴别结果符合预设目标阈 值时停止迭代训练。
[0015]在一种可能的设计中，所述损失函数为：
[0016][0017]其中，x1为不含家具的户型图特征向量，y1为包含家具的户型图特 征向量，x2为不含家具的房间特征向量，y2为包含家具的房间特征向量， z为根据GAN模型生成的预测包含家具的房间户型图的特征向量， 为GAN模型中x1与y1之间户型图特征向量的损失函数， 为GAN模型中x1与z之间户型图特征向量的损失 函数，为GAN模型中x2与y2之间房间特征向量的损失函数， 为GAN模型中x2与z之间房间特征向量的损 失函数，为GAN模型中x2与z之间家具向量特征的损 失函数，λ1为GAN模型中x1、y1、z之间的户型图特征向量损失函数的 权重系数，λ2为GAN模型中x2、y2、z之间的房间特征向量损失函数 的权重系数，λ3为GAN模型中x2与z之间家具向量特征损失函数的权重 系数。
[0018]在一种可能的设计中，所述预设目标阈值为0.5。
[0019]在一种可能的设计中，在所述训练好的GAN模型输出目标布局图像之 后，还包括：
[0020]利用预设尺寸的滑动窗按照由上到下、由左到右的顺序依次提取所述 目标布局图像的所有RGB值及每个RGB值对应的位置信息；
[0021]根据预设的家具RGB数值对照表获取所述目标布局图像中每个RGB 值对应的家具类型，并根据每个RGB值对应的位置信息以及所述目标布局 图像的户型图生成家具布局图。
[0022]在一种可能的设计中，在所述根据所述目标布局图像的户型、所述家 具的位置参数及家具的RGB值生成家具布局图之后，还包括：
[0023]获得所述家具的RGB值对应的实体家具的规格及图形，并根据所述目 标布局图像的户型、所述目标布局图像中家具的位置参数、所述实体家具 的规格及图形生成实体家具布局图；
[0024]将所述待处理图像及对应的实体家具布局图存储在数据库中。
[0025]在一种可能的设计中，所述RGB值用于区分不同类型的家具。
[0026]第二方面，本专利技术实施例提供一种家具布局装置，包括：
[0027]获取模块，用于获取待处理图像，所述待处理图像为不包含家具的户型 图；
[0028]输入模块，用于将所述待处理图像输入训练好的生成对抗网络GAN模型， 以使所述训练好的GAN模型输出目标布局图像，所述目标布局图像为包含家 具的户型图；其中，所述训练好的GAN模型是根据多对含家具的户型图以及 对应的不包含家具的户型图训练得到的。
[0029]第三方面，本专利技术实施例提供一种电子设备，包括至少一个处理器和 存储器；
[0030]所述存储器存储计算机执行指令；
[0031]所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述 至少一个处理器执行如第一方面以及第一方面各种可能的家具布局方法。
[0032]第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可 读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时， 实现如第一方面以及第一方面各种可能的家具布局方法。
[0033]本申请实施例所提供家具布局方法及电子设备，通过利用多对含家具 的户型图以及对应的不包含家具的户型图对GAN模型进行训练，使得训练 好的GAN模型能够准确的反映不包含家具的户型图与包含家具的户型图 之间图像特征的内部联系；并将待处理图像输入至训练好的GAN模型获得 期望的目标布局图像，其中目标布局图像中设计了每个房间设置的家具以 及每件家具的具体摆放位置。在训练GAN模型的过程中，利用多对含家具 的户型图以及对应的不包含家具的户型图对GAN模型进行训练，使得利用 GAN模型可以满足多种户型图家具布局设计需求，提高了家具布局设计的 应用范围。
附图说明
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下 面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在 不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本专利技术实施例提供的不包含家具户型示意图；
[0036]图2为本专利技术实施例提供的包含家具户型示意图；
[0037]图3为本专利技术实施例提供的家具布局方法流程示意图一；
[0038]图4为本专利技术实施例提供的家具布局方法流程示意图二；
[0039]图5为本专利技术实施例提供的样本图像中标注RGB后的含家具的户型图；
[0040]图6为本专利技术实施例提供的样本图像中标注R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种家具布局方法，其特征在于，包括：获取待处理图像，所述待处理图像为不包含家具的户型图；将所述待处理图像输入训练好的生成对抗网络GAN模型，以使所述训练好的GAN模型输出目标布局图像，所述目标布局图像为包含家具的户型图；其中，所述训练好的GAN模型是根据多对含家具的户型图以及对应的不包含家具的户型图训练得到的。2.根据权利要求1所述的方法，其特征在于，所述训练好的GAN模型包括生成器及鉴别器，所述训练好的GAN模型的迭代训练包括：S1.获取样本图像集合，所述样本图像集合包含多对图像，其中每对图像包含一张含家具的户型图以及一张不包含家具的户型图，且每对所述图像中的户型属于同一户型；S2.将任一图像对中不包含家具的户型图输入至所述生成器中，获得预测的包含家具的户型图；S3.将所述预测的包含家具的户型图、所述任一图像对中不包含家具的户型图、所述任一图像对中包含家具的户型图输入至所述鉴别器中，获得损失函数以及鉴别结果；S4.若所述鉴别结果不符合预设目标阈值，则根据所述损失函数调整所述GAN模型参数，并重复执行S2和S3，直至所述鉴别结果符合预设目标阈值时停止迭代训练。3.根据权利要求2所述的方法，其特征在于，所述损失函数为：其中，x1为不含家具的户型图特征向量，y1为包含家具的户型图特征向量，x2为不含家具的房间特征向量，y2为包含家具的房间特征向量，z为根据GAN模型生成的预测包含家具的房间户型图的特征向量，为GAN模型中x1与y1之间户型图特征向量的损失函数，为GAN模型中x1与z之间户型图特征向量的损失函数，为GAN模型中x2与y2之间房间特征向量的损失函数，为GAN模型中x2与z之间房间特征向量的损失函数，为GAN模型中x2与z之间家具向量特征的损失函数，λ1为GAN模型中x1、y1、z之间的户型图特征向量损失函数的权重系数，λ2为GAN模型中x2、y2、z之间的房间特征向量损失函数的权重系数，λ3为GAN模型中x2与z之...

【专利技术属性】
技术研发人员：初颖，向海明，
申请(专利权)人：武汉智筑完美家居科技有限公司，
类型：发明
国别省市：