(19)國家知識產(chǎn)權(quán)局道南海大道3688號(72)發(fā)明人袁磊王璨許雪松鐘國棟國潤秋務所(普通合伙)44268一種基于相似性推薦的居住區(qū)景觀平面圖獲取目標居住區(qū)的建筑節(jié)點連接圖，將所述建接圖進行相似性分析，并根據(jù)相似性分析結(jié)果輸出點連接圖獲取生成方案建筑節(jié)點圖和生成方案邊界條件案全節(jié)點連接圖、所述生成方案建筑節(jié)點圖和所條件圖輸入到設計布局生成模型，所述設計布局述參考方案全節(jié)點連接圖、所述生成方案建筑節(jié)點方案邊界條件圖進行設計布局，得到生成方案將所述生成方案景觀要素布局圖輸入到景觀方案生景觀方案生成模型對所述生成方案景觀要素布21.一種基于相似性推薦的居住區(qū)景觀平面圖生成方法，其特征在于，所述基于相似性推薦的居住區(qū)景觀平面圖生成方法包括：獲取目標居住區(qū)的建筑節(jié)點連接圖，將所述建筑節(jié)點連接圖輸入到景觀方案推薦模型，所述景觀方案推薦模型對所述建筑節(jié)點連接圖進行相似性分析，并根據(jù)相似性分析結(jié)果輸出參考方案全節(jié)點連接圖；獲取生成方案建筑節(jié)點圖和生成方案邊界條件圖，將所述參考方案全節(jié)點連接圖、所述生成方案建筑節(jié)點圖和所述生成方案邊界條件圖輸入到設計布局生成模型，所述設計布局生成模型根據(jù)所述參考方案全節(jié)點連接圖、所述生成方案建筑節(jié)點圖和所述生成方案邊界條件圖進行設計布局，得到生成方案景觀要素布局圖；將所述生成方案景觀要素布局圖輸入到景觀方案生成模型，所述景觀方案生成模型對所述生成方案景觀要素布局圖進行風格化處理，得到所述目標居住區(qū)的生成方案景觀平面效果圖。2.根據(jù)權(quán)利要求1所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，其特征在于，所述獲取目標居住區(qū)的建筑節(jié)點連接圖，將所述建筑節(jié)點連接圖輸入到景觀方案推薦模型，所述景觀方案推薦模型對所述建筑節(jié)點連接圖進行相似性分析，并根據(jù)相似性分析結(jié)果輸出參考方案全節(jié)點連接圖，具體包括：獲取目標居住區(qū)的生成方案建筑節(jié)點連接圖和多個參考方案建筑節(jié)點連接圖，并輸入到基于相似性推薦的景觀方案推薦模型；所述景觀方案推薦模型使用圖卷積網(wǎng)絡將所述生成方案建筑節(jié)點連接圖與每個所述參考方案建筑節(jié)點連接圖分別編碼為低維嵌入向量，并利用注意力機制計算節(jié)點間的匹配權(quán)重，得到所述生成方案建筑節(jié)點連接圖與每個所述參考方案建筑節(jié)點連接圖之間的相似性分數(shù)，并輸出相似性分數(shù)最高的參考方案對應的參考方案全節(jié)點連接圖。3.根據(jù)權(quán)利要求1所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，其特征在于，所述景觀方案推薦模型的訓練過程包括：使用隨機圖模型隨機生成圖對數(shù)據(jù)，構(gòu)建原始數(shù)據(jù)集A,收集建筑布局的居住小區(qū)衛(wèi)星通過結(jié)合圖編輯操作和啟發(fā)式搜索，計算所述原始數(shù)據(jù)集A中每對圖之間的圖編輯距離，所述圖編輯距離用于衡量兩個圖在結(jié)構(gòu)上的相似度；對所述原始數(shù)據(jù)集B進行預處理和劃分，分別獲得景觀方案推薦模型的生成方案數(shù)據(jù)集與參考方案數(shù)據(jù)集；通過全局標簽集合生成節(jié)點特征，將每個節(jié)點的標簽轉(zhuǎn)換為固定維度的二進制向量，將原始邊列表轉(zhuǎn)換為對稱鄰接矩陣，并表示為無向圖，對圖編輯距離進行歸一化處理，通過指數(shù)函數(shù)轉(zhuǎn)換，將數(shù)據(jù)映射到預設區(qū)間，作為相似度的真值，輸入到景觀方案推薦模型的數(shù)據(jù)包括兩個圖的節(jié)點特征矩陣、鄰接矩陣以及目標值；使用多層圖卷積網(wǎng)絡對每個輸入圖中的節(jié)點進行表示學習，生成節(jié)點級嵌入；在獲取每個節(jié)點的嵌入之后，通過注意力機制將節(jié)點嵌入聚合為一個代表整個圖的全將兩個圖中對應節(jié)點的嵌入進行對比，獲得節(jié)點配對相似度矩陣，并計算節(jié)點配對相似度矩陣的直方圖，通過張量積操作結(jié)合每個圖的圖級嵌入和節(jié)點級表示，獲得一個特征3通過全連接層根據(jù)直方圖和特征向量進行預測，輸出歸一化相似度得分；其中，所述景觀方案推薦模型的損失函數(shù)采用均方誤差，優(yōu)化過程采用Adam算法。4.根據(jù)權(quán)利要求3所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，其特征在于，所述預處理包括：空間標準化、特征提取與規(guī)范化、以及邊界條件圖與節(jié)點連接圖創(chuàng)建。5.根據(jù)權(quán)利要求4所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，其特征在于，所述對所述原始數(shù)據(jù)集B進行預處理，具體包括：對所述原始數(shù)據(jù)集B中的所有圖形數(shù)據(jù)進行空間標準化，將所有平面圖轉(zhuǎn)換為統(tǒng)一的坐標系，并根據(jù)設定的標準比例進行縮放，以使得不同設計方案的空間尺度一致；對所述原始數(shù)據(jù)集B中每個平面圖使用SegNet語義分割模型進行分割，獲取每張平面圖的景觀設計要素分布，對除場地邊界以外的所有要素進行規(guī)范化處理，并通過計算每個要素的幾何中心點代表對應的每個要素，以消除不同方案之間的繪圖差異；提取所述原始數(shù)據(jù)集B中的場地邊界數(shù)據(jù)，并分析建筑物與場地邊界的空間關系，獲得邊界條件圖，根據(jù)不同要素之間的鄰接關系，對各要素節(jié)點分別創(chuàng)建全節(jié)點連接圖和建筑節(jié)點連接圖；所述生成方案數(shù)據(jù)集包括：每個方案的方案圖、邊界條件圖與建筑節(jié)點連接圖；所述參考方案數(shù)據(jù)集包括：每個方案的方案圖、全節(jié)點連接圖與建筑節(jié)點連接圖。6.根據(jù)權(quán)利要求1所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，其特征在于，所述設計布局生成模型根據(jù)所述參考方案全節(jié)點連接圖、所述生成方案建筑節(jié)點圖和所述生成方案邊界條件圖進行設計布局，得到生成方案景觀要素布局圖，具體包括：刪除參考方案全節(jié)點連接圖中的建筑節(jié)點、出入口節(jié)點以及相關連接線，補充生成方案的建筑節(jié)點和出入口節(jié)點，獲得生成方案全節(jié)點連接圖；基于生成方案全節(jié)點連接圖與生成方案邊界條件圖進行位置匹配、節(jié)點位置調(diào)整和要素繪制，繪制得到生成方案景觀要素布局圖。7.根據(jù)權(quán)利要求1所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，其特征在于，所述景觀方案生成模型的訓練過程包括：使用爬蟲工具根據(jù)預設關鍵詞進行數(shù)據(jù)爬取，對爬取得到的數(shù)據(jù)進行清洗，剔除重復、不完整和不相關的圖片，得到居住區(qū)景觀平面圖的原始數(shù)據(jù)集C,原始數(shù)據(jù)集C包括平面圖與標簽文本；對所有平面圖進行格式化處理，對平面圖的內(nèi)容進行文本標簽標注，去除標簽文本中的無關信息以及噪音，得到處理后的數(shù)據(jù)集C;使用穩(wěn)定擴散模型和低秩適配模型組合得到景觀方案生成模型；使用處理后的數(shù)據(jù)集C作為訓練數(shù)據(jù)集，保留穩(wěn)定擴散模型的原始權(quán)重，在穩(wěn)定擴散模型的關鍵層中插入低秩矩陣，并凍結(jié)原始的預訓練權(quán)重，對低秩矩陣進行訓練；在訓練過程中，使用梯度下降優(yōu)化算法對低秩矩陣進行優(yōu)化，以最小化損失函數(shù)，根據(jù)任務的復雜性設置學習率和批次大??；按照居住區(qū)景觀平面方案設計要求，使用訓練好的景觀方案生成模型，生成符合需求的生成方案景觀平面效果圖。8.一種基于相似性推薦的居住區(qū)景觀平面圖生成系統(tǒng)，其特征在于，所述基于相似性4推薦的居住區(qū)景觀平面圖生成系統(tǒng)包括：景觀方案推薦模型，用于對建筑節(jié)點連接圖進行相似性分析，并根據(jù)相似性分析結(jié)果輸出參考方案全節(jié)點連接圖；設計布局生成模型，用于根據(jù)參考方案全節(jié)點連接圖、生成方案建筑節(jié)點圖和生成方案邊界條件圖進行設計布局，得到生成方案景觀要素布局圖；景觀方案生成模型，用于對生成方案景觀要素布局圖進行風格化處理，得到目標居住區(qū)的生成方案景觀平面效果圖。9.一種終端，其特征在于，所述終端包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的基于相似性推薦的居住區(qū)景觀平面圖生成程序，所述基于相似性推薦的居住區(qū)景觀平面圖生成程序被所述處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-7任一項所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法的步驟。10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)存儲有基于相似性推薦的居住區(qū)景觀平面圖生成程序，所述基于相似性推薦的居住區(qū)景觀平面圖生成程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-7任一項所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法的步驟。5一種基于相似性推薦的居住區(qū)景觀平面圖生成方法、系統(tǒng)、終端及存儲介質(zhì)技術領域[0001]本發(fā)明涉及圖像處理技術領域，尤其涉及一種基于相似性推薦的居住區(qū)景觀平面背景技術[0002]在快速發(fā)展的城市化進程中，景觀設計作為改善人居環(huán)境、提升城市品質(zhì)的重要手段，受到了廣泛關注。傳統(tǒng)景觀設計作為一種歷史悠久的設計方式，其流程和方法在長期實踐中逐漸形成并不斷完善。然而，隨著社會需求的多樣化、生態(tài)環(huán)境保護意識的增強以及現(xiàn)代科技的快速發(fā)展，傳統(tǒng)景觀設計流程逐漸顯現(xiàn)出一些劣勢，難以完全滿足現(xiàn)代社會對景觀設計的高要求。在數(shù)字化技術飛速發(fā)展的背景下，傳統(tǒng)景觀設計流程的劣勢愈發(fā)明顯，比如設計效率低下、設計流程缺乏靈活性等?，F(xiàn)代景觀設計正逐漸向數(shù)字化、智能化方向發(fā)[0003]機器學習在建筑領域發(fā)展迅速，但對景觀設計的探索卻很少。作為與建筑息息相關的要素，景觀設計是一項獨特而關鍵的設計任務，涉及元素位置的協(xié)調(diào)和景觀感知空間的構(gòu)建等設計問題。目前，通過參數(shù)化建模工具繪制獨特的最優(yōu)方案，但無法獨立生成設計；生成式對抗網(wǎng)絡(GAN,GenerativeAdversarialNetwork)模型通過監(jiān)督式學習實現(xiàn)公園方案的端到端式生成，例如使用pix2pix(Image-to-ImageTranslationwithConditionalAdversarialNetworks,基于條件GAN的圖像到圖像轉(zhuǎn)換)和CycleGAN(Cycle-ConsistentAdversarialNetworks,無配對數(shù)據(jù)的圖像到圖像轉(zhuǎn)換)實現(xiàn)以簡單草圖為基礎的中小規(guī)模公園綠地自動化設計，例如使用pix2pix從簡單的草圖生成小型住宅花園平面，但需要對模型提供簡單的設計草圖，無法完全自主地進行平面方案的生成。[0004]由于數(shù)據(jù)限制，機器學習在景觀設計領域的應用仍處于初步階段，景觀方案中復雜的空間布局使得高質(zhì)量數(shù)據(jù)集的收集和標注變得困難。發(fā)明內(nèi)容[0006]本發(fā)明的主要目的在于提供一種基于相似性推薦的居住區(qū)景觀平面圖生成方法、系統(tǒng)、終端及計算機可讀存儲介質(zhì)，旨在解決現(xiàn)有技術中基于機器學習在進行景觀設計時無法完全自主地進行平面方案的生成，無法生成符合實際需求的景觀平面布局圖的問題。[0007]為實現(xiàn)上述目的，本發(fā)明提供一種基于相似性推薦的居住區(qū)景觀平面圖生成方法，所述基于相似性推薦的居住區(qū)景觀平面圖生成方法包括如下步驟：獲取目標居住區(qū)的建筑節(jié)點連接圖，將所述建筑節(jié)點連接圖輸入到景觀方案推薦模型，所述景觀方案推薦模型對所述建筑節(jié)點連接圖進行相似性分析，并根據(jù)相似性分析結(jié)果輸出參考方案全節(jié)點連接圖；獲取生成方案建筑節(jié)點圖和生成方案邊界條件圖，將所述參考方案全節(jié)點連接6圖、所述生成方案建筑節(jié)點圖和所述生成方案邊界條件圖輸入到設計布局生成模型，所述設計布局生成模型根據(jù)所述參考方案全節(jié)點連接圖、所述生成方案建筑節(jié)點圖和所述生成方案邊界條件圖進行設計布局，得到生成方案景觀要素布局圖；將所述生成方案景觀要素布局圖輸入到景觀方案生成模型，所述景觀方案生成模型對所述生成方案景觀要素布局圖進行風格化處理，得到所述目標居住區(qū)的生成方案景觀平面效果圖。[0008]可選地，所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，其中，所述獲取目標居住區(qū)的建筑節(jié)點連接圖，將所述建筑節(jié)點連接圖輸入到景觀方案推薦模型，所述景觀方案推薦模型對所述建筑節(jié)點連接圖進行相似性分析，并根據(jù)相似性分析結(jié)果輸出參考方獲取目標居住區(qū)的生成方案建筑節(jié)點連接圖和多個參考方案建筑節(jié)點連接圖，并輸入到基于相似性推薦的景觀方案推薦模型；所述景觀方案推薦模型使用圖卷積網(wǎng)絡將所述生成方案建筑節(jié)點連接圖與每個所述參考方案建筑節(jié)點連接圖分別編碼為低維嵌入向量，并利用注意力機制計算節(jié)點間的匹配權(quán)重，得到所述生成方案建筑節(jié)點連接圖與每個所述參考方案建筑節(jié)點連接圖之間的相似性分數(shù)，并輸出相似性分數(shù)最高的參考方案對應的參考方案全節(jié)點連接圖。[0009]可選地，所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，其中，所述景觀方案推薦模型的訓練過程包括：使用隨機圖模型隨機生成圖對數(shù)據(jù)，構(gòu)建原始數(shù)據(jù)集A,收集建筑布局的居住小區(qū)通過結(jié)合圖編輯操作和啟發(fā)式搜索，計算所述原始數(shù)據(jù)集A中每對圖之間的圖編輯距離，所述圖編輯距離用于衡量兩個圖在結(jié)構(gòu)上的相似度；對所述原始數(shù)據(jù)集B進行預處理和劃分，分別獲得景觀方案推薦模型的生成方案數(shù)據(jù)集與參考方案數(shù)據(jù)集；通過全局標簽集合生成節(jié)點特征，將每個節(jié)點的標簽轉(zhuǎn)換為固定維度的二進制向量，將原始邊列表轉(zhuǎn)換為對稱鄰接矩陣，并表示為無向圖，對圖編輯距離進行歸一化處理，通過指數(shù)函數(shù)轉(zhuǎn)換，將數(shù)據(jù)映射到預設區(qū)間，作為相似度的真值，輸入到景觀方案推薦模型的數(shù)據(jù)包括兩個圖的節(jié)點特征矩陣、鄰接矩陣以及目標值；使用多層圖卷積網(wǎng)絡對每個輸入圖中的節(jié)點進行表示學習，生成節(jié)點級嵌入；在獲取每個節(jié)點的嵌入之后，通過注意力機制將節(jié)點嵌入聚合為一個代表整個圖的全局表示，用于捕捉圖的整體結(jié)構(gòu)信息；將兩個圖中對應節(jié)點的嵌入進行對比，獲得節(jié)點配對相似度矩陣，并計算節(jié)點配對相似度矩陣的直方圖，通過張量積操作結(jié)合每個圖的圖級嵌入和節(jié)點級表示，獲得一個特征向量；通過全連接層根據(jù)直方圖和特征向量進行預測，輸出歸一化相似度得分；其中，所述景觀方案推薦模型的損失函數(shù)采用均方誤差，優(yōu)化過程采用Adam算法。[0010]可選地，所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，其中，所述預處理[0011]可選地，所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，其中，所述對所述7對所述原始數(shù)據(jù)集B中的所有圖形數(shù)據(jù)進行空間標準化，將所有平面圖轉(zhuǎn)換為統(tǒng)一的坐標系，并根據(jù)設定的標準比例進行縮放，以使得不同設計方案的空間尺度一致；對所述原始數(shù)據(jù)集B中每個平面圖使用SegNet語義分割模型進行分割，獲取每張平面圖的景觀設計要素分布，對除場地邊界以外的所有要素進行規(guī)范化處理，并通過計算每個要素的幾何中心點代表對應的每個要素，以消除不同方案之間的繪圖差異；提取所述原始數(shù)據(jù)集B中的場地邊界數(shù)據(jù)，并分析建筑物與場地邊界的空間關系，獲得邊界條件圖，根據(jù)不同要素之間的鄰接關系，對各要素節(jié)點分別創(chuàng)建全節(jié)點連接圖和建筑節(jié)點連接圖；所述生成方案數(shù)據(jù)集包括：每個方案的方案圖、邊界條件圖與建筑節(jié)點連接圖；所述參考方案數(shù)據(jù)集包括：每個方案的方案圖、全節(jié)點連接圖與建筑節(jié)點連接圖。[0012]可選地，所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，其中，所述設計布局生成模型根據(jù)所述參考方案全節(jié)點連接圖、所述生成方案建筑節(jié)點圖和所述生成方案邊界條件圖進行設計布局，得到生成方案景觀要素布局圖，具體包括：刪除參考方案全節(jié)點連接圖中的建筑節(jié)點、出入口節(jié)點以及相關連接線，補充生成方案的建筑節(jié)點和出入口節(jié)點，獲得生成方案全節(jié)點連接圖；基于生成方案全節(jié)點連接圖與生成方案邊界條件圖進行位置匹配、節(jié)點位置調(diào)整和要素繪制，繪制得到生成方案景觀要素布局圖。[0013]可選地，所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，其中，所述景觀方案生成模型的訓練過程包括：使用爬蟲工具根據(jù)預設關鍵詞進行數(shù)據(jù)爬取，對爬取得到的數(shù)據(jù)進行清洗，剔除重復、不完整和不相關的圖片，得到居住區(qū)景觀平面圖的原始數(shù)據(jù)集C,原始數(shù)據(jù)集C包括平面圖與標簽文本；對所有平面圖進行格式化處理，對平面圖的內(nèi)容進行文本標簽標注，去除標簽文本中的無關信息以及噪音，得到處理后的數(shù)據(jù)集C;使用穩(wěn)定擴散模型和低秩適配模型組合得到景觀方案生成模型；使用處理后的數(shù)據(jù)集C作為訓練數(shù)據(jù)集，保留穩(wěn)定擴散模型的原始權(quán)重，在穩(wěn)定擴散模型的關鍵層中插入低秩矩陣，并凍結(jié)原始的預訓練權(quán)重，對低秩矩陣進行訓練；在訓練過程中，使用梯度下降優(yōu)化算法對低秩矩陣進行優(yōu)化，以最小化損失函數(shù)，根據(jù)任務的復雜性設置學習率和批次大??；按照居住區(qū)景觀平面方案設計要求，使用訓練好的景觀方案生成模型，生成符合需求的生成方案景觀平面效果圖。[0014]此外，為實現(xiàn)上述目的，本發(fā)明還提供一種基于相似性推薦的居住區(qū)景觀平面圖生成系統(tǒng)，其中，所述基于相似性推薦的居住區(qū)景觀平面圖生成系統(tǒng)包括：景觀方案推薦模型，用于對建筑節(jié)點連接圖進行相似性分析，并根據(jù)相似性分析結(jié)果輸出參考方案全節(jié)點連接圖；設計布局生成模型，用于根據(jù)參考方案全節(jié)點連接圖、生成方案建筑節(jié)點圖和生成方案邊界條件圖進行設計布局，得到生成方案景觀要素布局圖；景觀方案生成模型，用于對生成方案景觀要素布局圖進行風格化處理，得到目標8居住區(qū)的生成方案景觀平面效果圖。理器及存儲在所述存儲器上并可在所述處理器上運行的基于相似性推薦的居住區(qū)景觀平面圖生成程序，所述基于相似性推薦的居住區(qū)景觀平面圖生成程序被所述處理器執(zhí)行時實現(xiàn)如上所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法的步驟。[0016]此外，為實現(xiàn)上述目的，本發(fā)明還提供一種計算機可讀存儲介質(zhì)，其中，所述計算機可讀存儲介質(zhì)存儲有基于相似性推薦的居住區(qū)景觀平面圖生成程序，所述基于相似性推薦的居住區(qū)景觀平面圖生成程序被處理器執(zhí)行時實現(xiàn)如上所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法的步驟。[0017]本發(fā)明中，獲取目標居住區(qū)的建筑節(jié)點連接圖，將所述建筑節(jié)點連接圖輸入到景觀方案推薦模型，所述景觀方案推薦模型對所述建筑節(jié)點連接圖進行相似性分析，并根據(jù)相似性分析結(jié)果輸出參考方案全節(jié)點連接圖；獲取生成方案建筑節(jié)點圖和生成方案邊界條件圖，將所述參考方案全節(jié)點連接圖、所述生成方案建筑節(jié)點圖和所述生成方案邊界條件圖輸入到設計布局生成模型，所述設計布局生成模型根據(jù)所述參考方案全節(jié)點連接圖、所述生成方案建筑節(jié)點圖和所述生成方案邊界條件圖進行設計布局，得到生成方案景觀要素布局圖；將所述生成方案景觀要素布局圖輸入到景觀方案生成模型，所述景觀方案生成模型對所述生成方案景觀要素布局圖進行風格化處理，得到所述目標居住區(qū)的生成方案景觀平面效果圖。本發(fā)明基于相似性推薦技術，快速從已有的設計方案中篩選出最適合當前需求的布局數(shù)據(jù)，并在此基礎上進行場地適應性調(diào)整，最終生成符合實際需求的景觀平面布局圖，有效降低數(shù)據(jù)集數(shù)量對生成質(zhì)量的影響，提高了景觀設計的工作效率。附圖說明[0018]圖1是本發(fā)明基于相似性推薦的居住區(qū)景觀平面圖生成方法的較佳實施例的流程圖2是本發(fā)明基于相似性推薦的居住區(qū)景觀平面圖生成方法的較佳實施例中數(shù)據(jù)計算過程的示意圖；圖3是本發(fā)明基于相似性推薦的居住區(qū)景觀平面圖生成方法的較佳實施例中圖編輯距離的示意圖；圖4是本發(fā)明基于相似性推薦的居住區(qū)景觀平面圖生成方法的較佳實施例中居住區(qū)平面圖語義分割結(jié)果的示意圖；圖5是本發(fā)明基于相似性推薦的居住區(qū)景觀平面圖生成方法的較佳實施例中景觀方案推薦模型訓練過程的示意圖；圖6是本發(fā)明基于相似性推薦的居住區(qū)景觀平面圖生成方法的較佳實施例中設計布局生成模型生成景觀要素布局圖的示意圖；圖7是本發(fā)明基于相似性推薦的居住區(qū)景觀平面圖生成方法的較佳實施例中進行節(jié)點匹配、邊界約束計算和生成要素布局圖的示意圖；圖8是本發(fā)明基于相似性推薦的居住區(qū)景觀平面圖生成方法的較佳實施例中景觀方案生成模型的網(wǎng)絡結(jié)構(gòu)示意圖；圖9為本發(fā)明終端的較佳實施例的結(jié)構(gòu)圖。9具體實施方式[0019]為使本發(fā)明的目的、技術方案及優(yōu)點更加清楚、明確，以下參照附圖并舉實施例對本發(fā)明進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。[0020]本發(fā)明較佳實施例所述的基于相似性推薦的居住區(qū)景觀平面圖生成方法，如圖1和圖2所示，所述基于相似性推薦的居住區(qū)景觀平面圖生成方法包括以下步驟：步驟S10、獲取目標居住區(qū)的建筑節(jié)點連接圖，將所述建筑節(jié)點連接圖輸入到景觀方案推薦模型，所述景觀方案推薦模型對所述建筑節(jié)點連接圖進行相似性分析，并根據(jù)相似性分析結(jié)果輸出參考方案全節(jié)點連接圖。[0021]步驟S20、獲取生成方案建筑節(jié)點圖和生成方案邊界條件圖，將所述參考方案全節(jié)點連接圖、所述生成方案建筑節(jié)點圖和所述生成方案邊界條件圖輸入到設計布局生成模型，所述設計布局生成模型根據(jù)所述參考方案全節(jié)點連接圖、所述生成方案建筑節(jié)點圖和所述生成方案邊界條件圖進行設計布局，得到生成方案景觀要素布局圖。[0022]步驟S30、將所述生成方案景觀要素布局圖輸入到景觀方案生成模型，所述景觀方案生成模型對所述生成方案景觀要素布局圖進行風格化處理，得到所述目標居住區(qū)的生成方案景觀平面效果圖。[0023]如圖2所示，本發(fā)明基于相似性推薦的居住區(qū)景觀平面圖生成方法的過程由三部一是基于相似性推薦的景觀方案推薦模型，輸入數(shù)據(jù)為目標居住區(qū)的建筑節(jié)點連接圖(生成方案建筑節(jié)點連接圖和多個參考方案建筑節(jié)點連接圖),景觀方案推薦模型使用圖卷積網(wǎng)絡(GraphConvolutionalNetworks,GCN)將生成方案建筑節(jié)點連接圖與每個參考方案建筑節(jié)點連接圖分別編碼為低維嵌入向量，并利用注意力機制計算節(jié)點間的匹配權(quán)重，實現(xiàn)兩節(jié)點連接圖的相似性度量，得到生成方案建筑節(jié)點連接圖與每個參考方案建筑節(jié)點連接圖之間的相似性分數(shù)，并輸出最相似(即預測分數(shù)最高)的參考方案對應的參考方案全節(jié)點連接圖。[0024]二是居住區(qū)景觀方案的設計布局生成模型，設計布局生成模型以景觀方案推薦模型輸出的參考方案全節(jié)點連接圖、生成方案邊界條件圖與生成方案建筑節(jié)點連接圖作為輸入數(shù)據(jù)，經(jīng)過邊界調(diào)整、節(jié)點-要素轉(zhuǎn)換等操作獲得包含出入口位置、共綠地、入口廣場5種設計要素的生成方案景觀要素布局圖。[0025]三是基于stablediffusion(穩(wěn)定擴散)+Lora(Low-RankAdaptation低秩適配)的景觀方案生成模型，景觀方案生成模型以設計布局生成模型輸出的生成方案景觀要素布面圖)”等作為引導詞，結(jié)合訓練好的Lora模型對輸入數(shù)據(jù)進行風格化處理，獲得包含植物排布、道路草地紋理等更豐富設計細節(jié)的生成方案景觀平面效果圖。[0026](1)、基于相似性推薦的景觀方案推薦模型的模型訓練和數(shù)據(jù)處理如下：景觀方案推薦模型的數(shù)據(jù)集分為兩部分：用于訓練模型的原始數(shù)據(jù)集A(圖對數(shù)據(jù))與原始數(shù)據(jù)集B(居住小區(qū)衛(wèi)星圖)。[0027]使用隨機圖模型(例如埃爾德什-雷尼隨機圖模型)隨機生成圖對數(shù)據(jù)構(gòu)建原始數(shù)據(jù)集A,每個圖的節(jié)點數(shù)在5~16,邊的連接概率在0.4~0.7。生成的圖保證是連通的，避免出現(xiàn)孤立的節(jié)點，確保后續(xù)圖編輯距離(GraphEditDistance,GED)計算的有效性。[0028]通過收集建筑布局的居住小區(qū)衛(wèi)星圖像構(gòu)建原始數(shù)據(jù)集B,該原始數(shù)據(jù)集B來源于原始的衛(wèi)星圖，確保收集的數(shù)據(jù)為統(tǒng)一繪制比例并且包含較為完整的景觀設計布局，便于后續(xù)數(shù)據(jù)標記與處理。對原始數(shù)據(jù)集A計算每對圖之間的圖編輯距離(GED),該距離衡量了兩個圖在結(jié)構(gòu)上的相似度(圖3表示圖編輯距離示意圖，如圖3所示，操作分別為刪除→增補→重映射)。以啟發(fā)式優(yōu)化算法快速估計最小編輯操作次數(shù)(包括節(jié)點、邊的增刪與重映射),通過結(jié)合圖編輯操作和啟發(fā)式搜索來近似計算圖編輯距離，在避免窮舉所有可能的情況下，快速找到較優(yōu)解，取首次迭代結(jié)果作為圖對的GED標簽。最終數(shù)據(jù)集A為11000個已經(jīng)添加GED數(shù)據(jù)的圖對文件，每個圖對文件包括兩個圖(使用埃爾德什-雷尼隨機圖模型生成的是圖對數(shù)據(jù)，即一個文件中會有兩個圖的信息，這里的兩個圖即為一個圖對文件內(nèi)的兩個在數(shù)據(jù)集準備階段生成的隨機圖)的graph(邊列表)、label(節(jié)點度)以及圖對的GED數(shù)據(jù)。[0030]對原始數(shù)據(jù)集B進行預處理和劃分，分別獲得景觀方案推薦模型的生成方案數(shù)據(jù)集與參考方案數(shù)據(jù)集。生成方案數(shù)據(jù)集主要為景觀設計預設信息，包括從景觀方案中提取的建筑、入口和場地邊界，參考方案數(shù)據(jù)集側(cè)重提取景觀方案中的功能性要素，主要包括建[0031]原始數(shù)據(jù)集B的數(shù)據(jù)預處理具體操作如下：a、空間標準化：為了確保所有設計方案能夠在統(tǒng)一的坐標系下進行比較與計算，需要對所有圖形數(shù)據(jù)進行空間標準化。所有平面圖將被轉(zhuǎn)換為統(tǒng)一的坐標系，并根據(jù)設定的標準比例進行縮放，使得不同設計方案的空間尺度一致。[0032]b、特征提取與規(guī)范化：首先，對原始數(shù)據(jù)集B中逐個圖片使用SegNet語義分割模型(SegNet是一種深度全卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)，是一種用于圖像語義分割的模型)進行分割，獲取每張平面圖的景觀設計要素分布。然后，對除場地邊界以外的所有要素進行規(guī)范化處理，并通過計算每個要素的幾何中心點來代表該要素，消除不同方案之間的繪圖差異。場地邊界的空間關系，獲得邊界條件圖。然后，根據(jù)不同要素之間的鄰接關系，對計算所得行分割，提取分割后的矩形節(jié)點作為廣場節(jié)點與公共綠地節(jié)點。[0035]最終，生成方案數(shù)據(jù)集包含數(shù)據(jù)集內(nèi)每個方案的方案圖、邊界條件圖與建筑節(jié)點連接圖數(shù)據(jù)(建筑節(jié)點連接圖數(shù)據(jù)指的是上面獲得的建筑節(jié)點連接圖),參考方案數(shù)據(jù)集包含數(shù)據(jù)集內(nèi)每個方案的方案圖、全節(jié)點連接圖與建筑節(jié)點連接圖數(shù)據(jù)。如圖5所示，在訓練階段，以圖神經(jīng)網(wǎng)絡(GraphNeu相似度圖神經(jīng)網(wǎng)絡(即simGNN模型),該simGNN模型以圖編輯距離(GED)數(shù)據(jù)作為監(jiān)圖卷積網(wǎng)絡(GraphConvolutionalNetworks,GCN)、注意力機制(AttentionMechanism,11ATT)、神經(jīng)張量網(wǎng)絡(NeuralTensorNetwor相似度圖神經(jīng)網(wǎng)絡通過全局標簽集合生成節(jié)點特征，采用one-hot編碼方式將每個節(jié)點的標簽轉(zhuǎn)換為固定維度的二進制向量，確保語義信息的結(jié)構(gòu)化表達；將原始邊列表轉(zhuǎn)換為對稱鄰接矩陣，并表示為無向圖；對原始圖編輯距離(GED)數(shù)據(jù)進行歸一化處理，通過指數(shù)函數(shù)轉(zhuǎn)換，將數(shù)據(jù)映射到(0,1)區(qū)間，作為相似度的真值。[0038]最終輸入包含兩個圖的節(jié)點特征矩陣、鄰接矩陣以及目標值。[0039]b、模型架構(gòu)設計(如圖5所示):使用多層圖卷積網(wǎng)絡(GCNs)對每個輸入圖中的節(jié)點進行表示學習，生成節(jié)點級嵌[0040]每個圖Gi均通過獨立的圖卷積網(wǎng)絡(GCN)進行處理，GCN通過節(jié)點的鄰接關系傳遞信息，逐步更新每個節(jié)點的嵌入表示h;,這些節(jié)點嵌入捕捉了節(jié)點的局部結(jié)構(gòu)信息。輸入圖共享相同的GCN參數(shù)(指在處理不同的圖時，所有圖使用相同的權(quán)重和偏置參數(shù)來進行卷積計算，是圖卷積網(wǎng)絡的參數(shù)),確保特征空間的一致性。在獲取每個節(jié)點的嵌入之后，模型通過注意力機制(ATT)將節(jié)點嵌入聚合為一個能夠代表整個圖的全局表示，可以捕捉圖的整體結(jié)構(gòu)信息。[0042]通過對節(jié)點級嵌入h;與節(jié)點注意力權(quán)重αi進行加權(quán)求和，得到整個圖的嵌入hG。圖間相似性計算主要包括節(jié)點級別的配對比較和神經(jīng)張量網(wǎng)絡兩部分內(nèi)容。[0044]節(jié)點級的配對比較通過將兩個圖中對應節(jié)點的嵌入進行對比，獲得節(jié)點配對相似度矩陣，并計算該矩陣的直方圖；神經(jīng)張量網(wǎng)絡通過張量積操作結(jié)合每個圖的圖級嵌入和通過全連接層將獲得的直方圖和特征向量進行進一步處理，通過sigmoid函數(shù)輸出歸一化相似度得分y(即預測分數(shù)),y∈[0,1]。[0046]模型損失函數(shù)采用均方誤差(MSE)。優(yōu)化過程采用Adam算法，初始學習率為0.001,并實施每50輪衰減30%的漸進式策略，以平衡收斂速度與穩(wěn)定性。[0047](2)、居住區(qū)景觀方案設計布局生成模型的數(shù)據(jù)處理如下(如圖6所示):根據(jù)最相似推薦方案進行生成方案全節(jié)點連接圖的計算。首先，刪除獲得的參考方案全節(jié)點連接圖中的建筑節(jié)點、出入口節(jié)點以及相關的連接線；然后，補充生成方案的建基于獲得的生成方案的全節(jié)點連接圖與生成方案的邊界條件圖進行要素布局圖的繪制。[0049]首先，根據(jù)建筑節(jié)點與邊界條件圖中建筑單元的對應關系將生成方案全節(jié)點連接CN120219552A圖與邊界條件圖進行位置匹配，結(jié)果如圖7中的(a)所示。對匹配后的結(jié)果需要進行下列處a、節(jié)點位置調(diào)整：路節(jié)點、道路連接線廣場節(jié)點、公共綠地節(jié)點進行部分刪除操作，沿建筑邊界約束線補充建筑節(jié)點與道路系統(tǒng)的連接。[0050]根據(jù)場地紅線邊界，對邊界外的廣場節(jié)點、公共綠地節(jié)點進行刪除；為保證道路系統(tǒng)的完整性，將邊界外的道路節(jié)點調(diào)整至邊界內(nèi)部，調(diào)整規(guī)則為：記邊界外節(jié)點a,計算邊界紅線距離點a最近的節(jié)點b,將節(jié)點a沿a→b方向移動2倍線段ab的距離，得到節(jié)點調(diào)整圖。邊界約束計算結(jié)果如圖7中的(b)所示。[0051]b、要素布局圖繪制：根據(jù)相關設計規(guī)定，設置居住區(qū)平面中主要道路寬度參照小區(qū)路8m,次要道路參元、道路、公共綠地、廣場的順序進行繪制，獲得完整的居住區(qū)要的(c)所示。[0052](3)、基于StableDiffusion+Lora的景觀方案生成模型的模型訓練和數(shù)據(jù)處理1)、數(shù)據(jù)集準備：片，得到居住區(qū)景觀平面圖的原始數(shù)據(jù)集C。[0053]2)、數(shù)據(jù)集處理：處理后的數(shù)據(jù)集C包括平面圖與標簽文本。首先，對所有平面圖進行格式化處理，統(tǒng)一尺寸為1024*1024,確保圖像無變形且清晰，能夠明確地表達方案中的景觀設計內(nèi)容。然后，對平面圖的內(nèi)容進行文本標簽標注，去除標簽文本中的無關信息以及可能的噪音，使標簽文本能夠清晰地描述景觀設計的整體和局部的內(nèi)容與風格。[0054]3)、模型構(gòu)建與訓練：設計方案生成模型采用StableDiffusion和Lora相結(jié)合的架構(gòu)，StableDiffusion模型和Lora模型組合得到景觀方案生成模型，因為直接訓練SD模型對數(shù)據(jù)量和算力要求都比較高，所以通過訓練Lora輕量級微調(diào)模型對SD大模型進行微調(diào)(間接訓練),以實現(xiàn)高效的圖像生成任務。StableDiffusion作為基礎模型，引入Lora技術對模型進行適應性微調(diào)，使模型更加適應居住區(qū)景觀平面圖上的表現(xiàn)，同時減小訓練的計算成本。設計方案生成模型的網(wǎng)絡結(jié)構(gòu)示意如圖8所示?！皕t-1”表示前一個時間步的潛在狀態(tài)；Q、K和V分別表示查詢(Query,Q)、鍵(Key,K)和值 (Value,V);A、B表示權(quán)重矩陣；在模型進行生成時，初始圖像通過VAE編碼器轉(zhuǎn)化為潛在特征z,在潛在特征z中添加高斯噪聲進行擴散過程，形成噪聲圖像zt。提示詞通過文本編碼器獲得文本嵌入0。去噪過程結(jié)合文本嵌入8與噪聲圖像zt通過多次迭代逐步去除噪聲，獲得去噪后的潛在特征zt-1.ControlNet(條件控制網(wǎng)絡)可以根據(jù)預處理后的條件信息c進一步控制圖像生成過程。最后，去噪后的潛在噪聲zt-1通過VAE解碼器重建為像素級圖像，完成基于初始圖像和提示詞的圖像生成。Lora模型訓練的原理是通過在現(xiàn)有預訓練模型的基礎上進行適應性微調(diào)來提升特定任務的性能，通過引入低秩矩陣來高效地對大模型進行微調(diào)，避免了完整訓練所需的巨大計算和存儲成本。[0057]模型以處理后的數(shù)據(jù)集C作為訓練數(shù)據(jù)集，選擇適合景觀類任務的預訓練大模型作為基礎，保留其原始權(quán)重。在基礎模型的關鍵層中插入低秩矩陣，并凍結(jié)原始的預訓練權(quán)[0058]訓練過程中，使用梯度下降優(yōu)化算法(Adam算法)對低秩矩陣進行優(yōu)化，以最小化損失函數(shù)，提高生成圖像的質(zhì)量；根據(jù)任務的復雜性設置合適的學習率和批次大小，確保訓練過程的穩(wěn)定性和效率。在訓練配置方面，方法將訓練步數(shù)控制在4000-15000步之間，同時每張圖片的訓練采樣次數(shù)控制在20-50次之間。使用獲得的Lora模型進行居住區(qū)景觀平面方案的生成。按照居住區(qū)景觀平面方案設計要求，選擇合適的景觀類大模型，結(jié)合訓練好的Lora模型及各項模型默認的參數(shù)推薦值，生成符合需求的居住區(qū)景觀平面圖。默認預設參數(shù)(SD模型使用時的參數(shù))主要包括：正[0060]在模型訓練過程中，固定隨機數(shù)種子，使用圖表篩選出表現(xiàn)優(yōu)異的模型迭代步數(shù)與Lora模型權(quán)重值。通過分析不同權(quán)重和步數(shù)下模型的表現(xiàn)，選擇最佳的參數(shù)配置，確保生成的居住區(qū)景觀平面圖不僅符合設計要求，還能在視覺效果和空間布局上達到理想的標[0061]通過Lora模型訓練與居住區(qū)景觀平面方案生成兩個步驟，模型可以實現(xiàn)基于StableDiffusion的高效景觀平面圖生成過程。在Lora的微調(diào)下，模型能夠在數(shù)據(jù)量較少的情況下快速適應景觀平面圖數(shù)據(jù)集，并在生成任務中展現(xiàn)出較高的質(zhì)量與效率。[0062]本發(fā)明使用基于相似性推薦的方法進行居住區(qū)景觀平面圖的生成，高效利用小樣本、高質(zhì)量的居住區(qū)景觀方案，學習推薦方案中的各種景觀要素的分布、適應場地邊界，實現(xiàn)基于小樣本的居住區(qū)景觀平面生成。本發(fā)明基于相似性推薦技術，快速從已有的設計方案中篩選出最適合當前需求的布局數(shù)據(jù)，并在此基礎上進行場地適應性調(diào)整，最終生成符合實際需求的景觀平面布局圖。[0063]本發(fā)明創(chuàng)新的關鍵點和有益效果：(1)、本發(fā)明突破景觀領域傳統(tǒng)端-端式生成的局限，有機結(jié)合推薦、調(diào)整、風格化處理三個關鍵步驟，整合為連貫的設計生成方法，設計并實現(xiàn)了基于相似性推薦的居住區(qū)景觀平面圖生成方法，有效降低數(shù)據(jù)集數(shù)量對生成質(zhì)量的影響。[0064](2)、本發(fā)明將居住區(qū)景觀平面圖中的設計條件與設計要素轉(zhuǎn)化為合理的圖結(jié)構(gòu)，進而利用圖神經(jīng)網(wǎng)絡模型評估設計條件之間的相似性，針對不同的設計條件給出當前最優(yōu)的景觀設計方案。[0065](3)、本發(fā)明引入規(guī)則化的節(jié)點調(diào)整和要素繪制，確保生成的居住區(qū)景觀平面圖符合空間、功能等需求，增加生成結(jié)果的規(guī)范性和可執(zhí)行性；同時借助生成模型提高視覺效[0066]進一步地，如圖2所示，基于上述基于相似性推薦的居住區(qū)景觀平面圖生成方法，本發(fā)明還相應提供了一種基于相似性推薦的居住區(qū)景觀平面圖生成系統(tǒng)，其中，所述基于相似性推薦的居住區(qū)景觀平面圖生成系統(tǒng)包括：景觀方案推薦模型，用于對建筑節(jié)點連接圖進行相似性分析，并根據(jù)相似性分析結(jié)果輸出參考方案全節(jié)點連接圖；設計布局生成模型，用于根據(jù)參考方案全節(jié)點連接圖、生成方案建筑節(jié)點圖和生成方案邊界條件圖進行設計布局，得到生成方案景觀要素布局圖；景觀方案生成模型，用于對生成方案景觀要素布局圖進行風格化處理，得到目標居住區(qū)的生成方案景觀平面效果圖。[0067]進一步地，如圖9所示，基于上述基于相似性推薦的居住區(qū)景觀平面圖生成方法和系統(tǒng)，本發(fā)明還相應提供了一種終端，所述終端包括處理器10、示出了終端的部分組件，但是應理解的是，并不要求實施所有示出的組件，可以替代的實施更多或者更少的組件。[0068]所述存儲器20在一些實施例中可以是所述終端的內(nèi)部存儲單元，例如終端的硬盤或內(nèi)存。所述存儲器20在另一些實施例中也可以是所述終端的外部存儲設備，例如所述終端上配備的插接式硬盤，智能存儲卡(SmartMediaCard,SMC),安全數(shù)字(SecureDigital,SD)卡，閃存卡(FlashCard)等。進一步地，所述存儲器20還可以既包括所述終端的內(nèi)部存儲單元也包括外部存儲設備。所述存儲器20用于存儲安裝于所述終端的應用軟件及各類數(shù)據(jù)，例如所述安裝終端的程序代碼等。所述存儲器20還可以用于暫時地存儲已經(jīng)輸出或者將要輸出的數(shù)據(jù)。在一實施例中，存儲器20上存儲有基于相似性推薦的居住區(qū)景觀平面圖生成程序40,該基于相似性推薦的居住區(qū)景觀平面圖生成程序40可被處理器10所執(zhí)行，從而實現(xiàn)本申請中基于相似性推薦的居住區(qū)景觀平面圖生成方法。[0069]所述處理器10在一些實施例中可以是一中央處理器(CentralProcessingUnit,CPU),微處理器或其他數(shù)據(jù)處理芯片，用于運行所述存儲器20中存儲的程序代碼或處理數(shù)據(jù)，例如執(zhí)行所述基于相似性推薦的居住區(qū)景觀平面圖生成方法等。[0070]所述顯示器30在一些實施例中可以是LED顯示器、液晶顯示器、觸控式液晶顯示器以及OLED(OrganicLight-EmittingDiode,有機發(fā)光二極管)觸摸器等。所述顯示器30用于顯示在所述終端的信息以及用于顯示可視化的用戶界面。所述終端的處理器10、存儲器20及顯示器30通過系統(tǒng)總線相互通信。[0071]在一實施例中，當處理器10執(zhí)行所述存儲器20中基于相似性推薦的居住區(qū)景觀平面圖生成程序40時實現(xiàn)如