20180606-20180623
1、预处理
针对简单无背景背景图，
（1）阈值分割 wall_thresh(Mat &src)
（2）去标尺 ReturnImgWithoutRuler(Mat& image1, Mat& imgWithoutR)
（3）腐蚀膨胀，dilate_erode(Mat&src)
（4）遍历找到行列边界
2、识别门窗的位置
（5）对原图进行LSD直线提取
Mat wall_2 = image.clone();
Ptr<LineSegmentDetector> ls = createLineSegmentDetector(LSD_REFINE_STD, 1, 0.6, 2.0, 10, 0, 0.7, 1024);
vector<Vec4i> lines_std;
ls->detect(wall_2, lines_std);
（6）通过腐蚀膨胀后的墙体图对提取出来的直线进行掩膜处理
（7）用掩膜图过滤提取的直线，保留起点和终点都在墙体内（包含门窗）的直线
（8）利用墙体二值化的图像膨胀一圈作为掩膜得到门窗线
（9）利用sobel算子锐化门窗线
Mat image_Nd_Sobel;
Mat grad_x, grad_y;
Mat grad;
Mat abs_grad_x, abs_grad_y;
Sobel(image_Nd, grad_y, CV_16S, 0, 1, 3, 1, 0, BORDER_DEFAULT);
Sobel(image_Nd, grad_x, CV_16S, 1, 0, 3, 1, 0, BORDER_DEFAULT);
convertScaleAbs(grad_x, abs_grad_x);
convertScaleAbs(grad_y, abs_grad_y);
addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad);
（10）将门窗线进行膨胀腐蚀，然后OSTU二值化分割背景和前景，得到墙体所在位置
（11）找到外轮廓，
findContours(image_out, contours, hierarcy, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE);
计算每个轮廓的最小外接矩形，minAreaRect(Mat(contours[i]))
（12）输出矩形短边中心点，作为门窗两点坐标
（13）将门窗点位作为先验知识，放入image_out_dilate，墙体二值图进行验证
两端点开始，沿垂直于门窗线的位置开始搜索同墙体区域边界的角点
设置搜索阈值20像素，没有搜到两个端点则不改变原点位
若两端都搜索到，则以较短处的中点作为结果输出
比较纠正结果与原点位差距，小于2个像素则不更改
3、处理墙体（旧-基于边缘检测）
（14）canny边缘检测，Canny(wall_all, cannyb, 3, 9, 3)
（15）手动写模板对边角进行校正，canny_fix(Mat&src)
（16）灰度图像矢量化，起点终点都为灰度断点，
vectorize(Mat&src, vector <Vec4i> &lines_x, vector <Vec4i> &lines_y, vector<Vec4i>&lines)
（17）画出单通道矢量化的直线
（18）画三通道矢量化直线，便于后续可视化表示墙体线段
Mat background12(image.rows, image.cols, CV_8UC3, Scalar(255, 255, 255));
draw_Lines(background12, lines_x, Scalar(0, 0, 0));//0表示黑色墙外线
draw_Lines(background12, lines_y, Scalar(0, 0, 0));//0表示黑色墙外线
（19）检测墙体中线，
wall_skeleton(Mat&mask,vector<Vec4i>&lines_x,vector<Vec4i>&lines_y,vector<Vec4i>&walls_x,vector<Vec4i>&walls_y)
（20）先把x、y方向上的门窗线段放到墙体线段容器中方便一起优化
（21）矢量化直线的校正优化
//第一步优化：合并基本相同的线段（方向相同，距离为0，且有重复部分）
lines_single(image, wall_lines_x);//合并基本相同的线段（方向相同，距离为0，且有重复部分）
lines_single(image, wall_lines_y);//合并基本相同的线段（方向相同，距离为0，且有重复部分）
//第二步优化：平行且距离相近的两条直线，按照所在水平（垂直）位置所有直线的总长度大小进行校正
lines_fix(wall_lines_x, dis_thresh);
lines_fix(wall_lines_y, dis_thresh);
//第三步优化：合并基本相同的线段（方向相同，距离为0，且有重复部分）
lines_single(image, wall_lines_x);
lines_single(image, wall_lines_y);
//第四步优化：去除较短直线并放入wall_lines中
wall_lines.clear();
lines_filter(wall_lines_x, wall_lines, length_thresh);
lines_filter(wall_lines_y, wall_lines, length_thresh);
//第五步优化：延长直线两端
lines_merge(wall_lines, merge_thresh);//延长直线两端
//第六步优化：搜索交点作为直线端点，重新矢量化线段
lines_split(image, wall_lines);
draw_Lines(background12, wall_lines, Scalar(0, 0, 255));
（22）特殊矢量化，起点终点包含十字型或丁字型节点，用于区分承重墙和非承重墙
sp_vectorize(Mat&src, Mat&mask, vector<Vec6i>&lines, int gray, int check)
最终结果如上。
4、墙体处理（新-基于像素，更准确）
（23）去标尺
ReturnImgWithoutRuler(image, ImageWithoutR)
（24）二值化
threshold(ImageWithoutR, BinaryWithoutR, 210, 255, THRESH_BINARY_INV);
（25）腐蚀膨胀
int g_nStructElementSize = 2;
Mat element = getStructuringElement(MORPH_RECT,
Size(2 * g_nStructElementSize + 1, 2 * g_nStructElementSize + 1),
Point(g_nStructElementSize, g_nStructElementSize));
erode(BinaryWithoutR, BinaryWithoutR, element);
dilate(BinaryWithoutR, BinaryWithoutR, element);
（26）边缘检测及校正
Canny(BinaryWithoutR, cannyWithoutR, 3, 9, 3);//Canny
canny_fix(cannyWithoutR);（27）矢量化，vectorize(cannyb, lines_x, lines_y, lines);
（28）找到xy方向外轮廓
Mat imageOutContoursX(image.rows, image.cols, CV_8UC1, Scalar(255));
FindOutContours(lines_x, 1, ImgSize, ImageWithoutR, imageOutContoursX); //1 for 水平方向
Mat imageOutContoursY(image.rows, image.cols, CV_8UC1, Scalar(255));
FindOutContours(lines_y, 0, ImgSize, ImageWithoutR, imageOutContoursY); //0 for 竖直方向
（29）腐蚀膨胀去噪
（30）矢量化，vectorize_xy(Mat&src, vector <Vec4i> &lines, int IsHor)
（31）找墙体中线（根据找出的轮廓线，圈矩形逐像素找正确的边界然后，算中线），去除重复并存储
NeighborRectX(vector<Vec4i> lines, int index, vector<Vec6i>& MediumLines)
（32）搜索交点作为直线端点，重新矢量化中线
lines_split_new(backgroundMediumLines, MediumLines);
（33）特殊矢量化，区分承重墙与非承重墙
sp_vectorize(Mat&src, Mat&mask, vector<Vec6i>&lines, int gray, int check)
（34）根据标尺绑定中线真实长度（未实现）。
5、识别门窗（新-能识别门和窗的位置及种类）
//检测门窗中线
vector<Vec6i>win_door_temp;
vector<Vec6i>win_door_mid;
findWinDoorMidL(wall_all, walls, win_door_temp);
lines_filter6(win_door_temp, win_door_mid, 15);
//伸出门窗分类
vector<Vec6i>win_door_out_sort_temp;
windoor_out_sort(wall_th_windoor, win_door_mid, win_door_out_sort_temp);
//查找未伸出门窗
vector<Vec6i>win_door_in_sort_temp;
find_windoor_in(wall_th_windoor, win_door_mid, win_door_in_sort_temp);
vector<Vec6i>win_door_out_sort;
vector<Vec6i>win_door_in_sort_temp2;
lines_minus(win_door_out_sort_temp, win_door_in_sort_temp, win_door_out_sort);
lines_minus(win_door_mid, win_door_out_sort, win_door_in_sort_temp2);
//未伸出门窗分类
vector<Vec6i>win_door_in_sort;
windoor_in_sort(wall_th_windoor, win_door_in_sort_temp2, win_door_in_sort);
vector<Vec6i>win_door_sort;
for (int i = 0; i < win_door_out_sort.size(); i++){
win_door_sort.push_back(win_door_out_sort[i]);
}
for (int j = 0; j < win_door_in_sort.size(); j++){
win_door_sort.push_back(win_door_in_sort[j]);
}
（35）先找到门窗中线，墙体中线 - 墙体腐蚀膨胀图得。
（36）找到飘窗、门、正常窗等的结构特征进行识别。
6、处理标尺，将标尺与数值绑定
（37）提取标尺
（38）将数字提取出来，然后调用baiduOCR，用python代码进行文字识别
（39）将标尺提取出来，标尺分段并标记
（40）绑定标尺数值，建立标尺与数字的一一对应关系