一种基于图像学习的商业类建筑群自动建模方法技术

本发明专利技术公开了一种基于图像学习的商业类建筑群自动建模方法，属于城市规划领域,包括数据获取、形态量化核心指标提取、基于Pix2Pix算法的建筑群形态生成模型训练、建筑群平面图像生成、基于OpenCV的建筑群形态生成五个步骤。本发明专利技术目的在于通过构建建筑群空间形态类型数据库与基于Pix2Pix的建筑群形态智能生成方法，实现了短时间内地块尺度商业类建筑群布局形态多方案的自动生成。解决了设计师画图劳动机械重复周期长的问题，为建筑群形态设计实践提供技术支持。践提供技术支持。践提供技术支持。

【技术实现步骤摘要】
一种基于图像学习的商业类建筑群自动建模方法


[0001]本专利技术涉及城市规划领域，具体涉及一种基于图像学习的商业类建筑群自动建模方法。

技术介绍

[0002]伴随经济发展，商业类地块的开发与商业建筑群设计成为城市设计工作的一项重要内容。但设计该类建筑群的过程由建筑师或规划师主导，不仅要考虑受用地指标、地块功能等硬性条件，还需同时满足消费人流组织、地标形象塑造、开发效益保障等复杂需求；在地块复杂性与设计主观性的双重制约下，建筑师或规划师凭借自身经验和逻辑组织，将约束条件转化为地块形态。在缺乏规律借鉴的前提下，设计过程耗时耗力，而且因设计逻辑主观性使呈现结果大有不同。从而使建设活动各自为政，甚至会助推城市空间无序化发展。
[0003]目前已有的建筑群形态自动生成方法，一种是基于规则驱动的生成方法，一种是基于参照学习的生成方法。前者已有基于数学模型、形状语法、元细胞自动机模型、多智能体系统的生成方法。这种方法技术上为广大设计师带来便利，但其技术具有局限。体现在其生成过程为了兼顾效率和代表性，只提取了功能拓扑关系等基础建筑知识进行规则传递，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像学习的商业类建筑群自动建模方法，其特征在于，包括以下步骤：获取并清理目标地区商业类建筑的信息数据；基于地块形态、建筑二维和建筑三维建立地块尺度商业类建筑群形态的核心指标；从建筑数据中提取对应核心指标的数据构成I(I1～I
n
)；基于核心指标库I(I1～I
n
)使用两步聚类法实现形态相似样本的划分归并，构建建筑群类别库C(C1～C
n
)；对核心指标库I(I1～I
n
)中的指标进行区间划分并将属性附加给建筑群类别库C(C1～C
n
)；定义网络结构，使用Pix2pix深度卷积神经网络模型迭代训练，构建建筑群的平面图像生成的生成算法模型库G(G1～G
n
)；基于建筑群类别库C(C1～C
n
)确定设计地块轮廓的建筑群类别，并将设计地块轮廓数据输入算法模型库G(G1～G
n
)，生成地块建筑群平面形态图；从地块建筑群平面形态图获取地块边界矢量数据和包含建筑高度信息的建筑边界矢量数据；基于地块边界矢量数据和建筑边界矢量数据构建目标地区商业类建筑的设计地块建筑群方案的三维模型。2.根据权利要求1所述的基于图像学习的商业类建筑群自动建模方法，其特征在于，所述获取并清理目标地区商业类建筑的信息数据包括以下步骤：采集目标地区商业类建筑的信息数据，包括建筑功能数据、建筑位置数据和建筑高度数据；对信息数据进行清洗：统一筛选目标用地性质为B1类和面积在0.01
‑
10公顷以内的地块；对相邻高度相同的建筑要素进行融合，批量删除面积小于100平方米的零碎建筑体量和建筑密度低于10％的地块，裁剪跨越地块边界的建筑体量。3.根据权利要求2所述的基于智能图像学习的商业类建筑群大规模自动建模方法，其特征在于，所述基于地块形态、建筑二维和建筑三维建立地块尺度商业类建筑群形态的核心指标包括以下步骤：地块形态量化方面，选择地块周长PER、地块面积BLA、地块形状指数BLS作为量化地块特征的核心指标；其中，地块周长PER、地块面积BLA使用地理信息平台作为数据清洗的工作平台统计得出，地块形状指数BLS是地块周长与相同面积的正方形的周长比值，计算公式如下：二维形态量化方面，选择建筑密度BD、建筑基底平均面积ABA、建筑基底面积差异度DBA、建筑基底平均形状指数ASH、建筑基底形状差异度DSH、建筑个数BN、分散度DR作为度量指标刻画建筑群体二维平面形态；其中，建筑密度BD是建筑投影面积之和与建筑用地面积之比，计算公式如下：其中为地块内所有建筑基底面积之和；建筑基底平均面积ABA是所有地块内建筑基底面积的平均值，计算公式如下：
建筑基底面积差异度DBA是所有地块基底面积的标准差，计算公式为：分散度DR是建筑数量与用地面积和建筑体积差异度之积的比值，计算公式如下：其中DTBA是建筑体积差异度；建筑基底平均形状指数ASH是地块内所有建筑基底形状指数的平均值，计算公式如下：其中是建筑基底形状指数；建筑基底形状差异度DSH是地块内任一建筑基底形状指数的标准差，计算公式如下：三维形态量化方面，选取容积率FAR、建筑平均容量ATBA、建筑容量差异度DTBA、建筑平均高度ABH、错落度DBH作为度量指标刻画建筑群体三维立体形态；其中，容积率FAR是指地块内建筑面积总和与地块面积的比值，计算公式如下：其中为地块内所有建筑基底面积之和；其中TBA是建筑体积；建筑平均容量ATBA为地块内所有建筑体积的平均值，计算公式如下：建筑体积差异DTBA为地块内任一建筑体积的标准差，计算公式如下：建筑平均高度ABH为地块内所有建筑高度的平均值，计算公式如下：错落度DBH为地块内任一建筑高度的标准差，计算公式如下：
其中BH
i
为建筑高度。4.根据权利要求3所述的基于图像学习的商业类建筑群自动建模方法，其特征在于，所述从建筑数据中提取对应核心指标的数据构成I(I1～I
n
)包括以下步骤：通过z
‑
score标准化对建筑数据进行变换，使得变换以后的建筑数据符合标准正态分布，即均值为0，方差为1；检验建筑数据是否适合进行主成分分析，检验方法为利用KMO和Bartlett球形度检验；满足KMO值＞0.5，显著性p值＜0.001，说明主成分分析结果有效；当KMO值＜0.5时，则表示建筑数据不适用于主成分分析；在总方差解释表中选择特征值大于1、累计％高于70％的建筑数据对应的核心指标为主成分，提取主成分中对应核心指标的数据构建代表性核心指标库I(I1～I
n
)。5.根据权利要求4所述的基于图像学习的商业类建筑群自动建模方法，其特征在于，所述基于核心指标库I(I1～I
n
)使用两步聚类法实现形态相似样本的划分归并，构建建筑群类别库C(C1～C
n
)包括以下步骤：进行预聚类划分：采用贯序方式将核心指标库I(I1～I
n
)的数据划分成若干子类，视所有核心指标库I(I1～I
n
)的数据为一个大类；读入核心指标库I(I1～I
n
)的中一个数据后，根据亲疏程度决定该样本应派生出一个新类，还是应合并到已有的某个子类中，重复进行最终形成L个类；在预聚类的基础上，再根据亲疏程度合并子类,最终形成L'类。6.根据权利要求5所述的基于图像学习的商业类建筑群自动...

【专利技术属性】
技术研发人员：杨俊宴，朱骁，薛琴，蔡纪尧，史宜，孙昊成，盛华星，杨晓方，周景翎，王艺潼，
申请(专利权)人：东南大学，
类型：发明
国别省市：