EN中文

风景园林 >

2025 , Vol. 32 >Issue 12: 67 - 75

DOI: https://doi.org/10.3724/j.fjyl.LA20250447

专题：人工智能在风景园林中的应用

基于数字测绘的古典园林图纸智能识别与提取——以网师园殿春簃为例

  • 张甜甜 ,
  • 谢宸 ,
  • 连泽峰 , *
展开
  • 1 苏州大学金螳螂建筑学院
  • 2 苏州科技大学建筑与城市规划学院

张甜甜/女/博士/苏州大学金螳螂建筑学院讲师/研究方向为风景园林理论与历史

谢宸/男/苏州大学金螳螂建筑学院在读硕士研究生/研究方向为风景园林遗产保护

连泽峰/男/博士/苏州科技大学建筑与城市规划学院讲师/研究方向为风景园林规划与设计

Copy editor: 王一兰

收稿日期: 2025-07-24

  修回日期: 2025-10-23

  网络出版日期: 2025-12-26

基金资助

江苏省社会科学基金“江南园林历史情境可视化与多模态交互设计研究”(24YSC007)

版权

版权所有 © 2025 风景园林编辑部
收起

Intelligent Recognition and Extraction of Classical Garden Drawings Based on Digital Surveying and Mapping: A Case Study of the Peony Courtyard in the Master-of-Nets Garden

  • ZHANG Tiantian ,
  • XIE Chen ,
  • LIAN Zefeng , *
Expand
  • 1 Golden Mantis School of Architecture, Soochow University
  • 2 School of Architecture and Urban Planning, Suzhou University of Science and Technology

ZHANG Tiantian, Ph.D., is a lecturer in the Golden Mantis School of Architecture, Soochow University. Her research focuses on history and theory of landscape architecture.

XIE Chen is a master student in the Golden Mantis School of Architecture, Soochow University. His research focuses on history and theory of landscape architecture.

LIAN Zefeng, Ph.D., is a lecturer in the School of Architecture and Urban Planning, Suzhou University of Science and Technology. His research focuses on landscape planning and design

Received date: 2025-07-24

  Revised date: 2025-10-23

  Online published: 2025-12-26

Copyright

Copyright © 2025 Landscape Architecture. All rights reserved.
Fold

摘要

【目的】以网师园殿春簃为例，探索基于数字测绘技术的古典园林图纸智能识别与提取方法，生成高精度、可回溯的二维图纸，为园林遗产实录与保护利用提供技术支持。【方法】基于多源数据构建高精度三维点云模型，评估误差率低于1%。裁切三维点云模型至目标截面或立面，生成深度图像，利用梯度运算与Canny边缘检测算法自动提取各要素的特征线，通过梯度阈值掩码实现多层级轮廓线分层（粗、中、细线）。【结果】多源数据生成的三维点云模型与图纸精度优于传统测绘，能清晰识别建筑曲线、假山纹理等细节，揭示了现状与历史图纸的差异。三维点云模型支持任意视角出图，具备动态更新潜力。【结论】研究结果验证了数字测绘与智能算法在古典园林制图中的可行性。未来可结合人工智能技术提升自动化程度，进一步推动古典园林遗产保护从数字实录到智能解析的突破。

关键词： 古典园林; 三维点云模型; 摄影测量; 三维激光扫描; 制图; 殿春簃

本文引用格式

张甜甜 , 谢宸 , 连泽峰 . 基于数字测绘的古典园林图纸智能识别与提取——以网师园殿春簃为例[J]. 风景园林, 2025 , 32(12) : 67 -75 . DOI: 10.3724/j.fjyl.LA20250447

Abstract

[Objective] This research addresses critical challenges in the documentation and research of classical Chinese gardens. As exemplary representatives of the World Cultural Heritage, Suzhou classical gardens are renowned for their intricate spatial compositions and profound cultural significance. However, current teaching and research predominantly rely on manual surveying and mapping data from the last century, such as the maps included in Liu Dunzhen’s publication, which no longer accurately reflect the current conditions. This research takes the Master-of-Nets Garden as an example, whose spatial layout has undergone multiple modifications, including the restoration of the Peony Courtyard in 2003, making it significantly different from what it is in existing maps. Traditional manual surveying methods are typically inefficient and subjective, particularly when documenting complex the morphological features such as rockery textures and architectural curves. Therefore, this research innovatively integrates modern digital surveying technologies, including 3D laser scanning and photogrammetry with intelligent image processing algorithms, such as the Canny edge detection and gradient analysis, to develop a comprehensive methodology for automated feature recognition and 2D drawing generation. Based on the case study of the Peony Courtyard, this research establishes a high-precision 3D point cloud model, aiming to provide reliable technical support and scientific basis for garden heritage conservation, academic research, and professional education, while addressing the critical limitation of historical maps in dynamically reflecting garden evolution.
[Methods] This research adopts a multi-source data fusion approach, systematically integrating three advanced surveying techniques. During the data acquisition stage, terrestrial photogrammetry is first employed using a GPS-equipped Nikon Z5 camera to capture 1,675 high-quality images under controlled conditions at fixed daily time slots, with the overlapping area between consecutive images exceeding 70%, comprehensively covering traditionally difficult-to-document concealed areas including interior spaces, eaves, and rockery caves. Secondly, oblique aerial photography is conducted using a DJI Mavic 2 Pro drone along five designed flight paths (one nadir and four oblique routes) capturing 188 georeferenced aerial images. Thirdly, the FARO Focus S350 3D laser scanner is deployed at 26 locations to capture high-precision data of complex morphological features such as building facades and rockeries. During the data processing stage, RealityCapture is used to integrate multi-source data, constructing a 3D point cloud model with millimeter-level precision. It is verified through 38 on-site measurements using steel tape that the model’s overall error rate at 0.71% ± 0.13% (mean ± SD), with particularly reliable accuracy in architectural and courtyard areas. During the intelligent mapping stage, this study employs the Canny edge detection algorithm, with its optimal high and low thresholds of 4 and 2 determined through repeated trials, to extract feature lines of objects. Subsequently, this research utilizes gradient threshold masks to categorize the feature lines into three hierarchical levels: outer contours, secondary contours, and texture lines, corresponding to thick, medium, and thin lines, respectively, ultimately generating professional-level 2D plans and sections. Lastly, special elements like vegetation are optimized through manual assistance to ensure the completeness and accuracy of drawings.
[Results] The experimental outcomes have significant advantages in multiple aspects. In terms of precision, the algorithm-generated 2D drawings maintain a stable error rate below 1%, substantially outperforming traditional manual surveying. Technically, the method successfully captures and represents subtle architectural curves and complex rockery textures that are challenging for conventional documentation. Systematic comparison with historical drawings reveals important layout modifications, such as the non-linear configuration of the Peony Courtyard’s eastern and western walls and their non-perpendicular relationship with the southern wall, with such findings corroborated by restoration photographs from the late 1950s. This research also accurately documents detailed changes including newly added rocks at the southeastern corner and morphological evolution of the steps of Hanbi Spring. Limitations include some blurred representations of interior furniture and certain windows or doors due to insufficient scanning coverage, and the need for manual parameter adjustment in complex rockery areas. Notably, the established 3D point cloud model offers comprehensive data advantages, supporting cross-sectional extraction and drawing generation from any viewpoint, overcoming the fixed-perspective limitation of traditional methods. This provides unprecedented technical possibilities for long-term monitoring and dynamic documentation of garden heritage. The entire methodology ensures professional accuracy while significantly improving efficiency, enabling multi-angle outputs from single data acquisition and greatly reducing repetitive field measurements.
[Conclusion] Through systematic technological development and empirical research, this research successfully validates the practical value of digital surveying and intelligent algorithms in the documentation and conservation of classical gardens. Technically, the research confirms the effectiveness of combining Canny edge detection with gradient threshold masking for feature extraction, establishing a complete intelligent workflow from the 3D point cloud model to 2D drawings. Regarding application value, the proposed methodology not only generates professional-level high-precision drawings, but also, through its unique traceability, enables dynamic documentation and analysis of garden evolution, providing a scientific basis for heritage monitoring and conservation decisions. Compared to traditional methods, the new technology demonstrates clear advantages in data completeness, workflow efficiency, and output accuracy, particularly excelling in documenting complex features such as rockery textures and architectural curves. Future research should focus on the following aspects: First, incorporating convolutional neural networks to enhance automated feature recognition and semantic segmentation; second, developing specialized modules for intelligent analysis of classical garden elements like rockery texture patterns and architectural components; third, establishing intelligent comparison systems between historical and current survey data for quantitative analysis of garden evolution. These innovations will advance the digital conservation of classical gardens from basic documentation to intelligent analysis, providing more robust technical support for sustainable cultural heritage conservation. The research outcomes are applicable not only to Suzhou classical gardens but can also be extended to other types of cultural heritage conservation practices, demonstrating broad application prospects and significant academic value.

Key words： classical garden; 3D point cloud model; photogrammetry; 3D laser scanning; mapping; the Peony Courtyard

中国古典园林尤其是苏州园林，以精巧的布局设计与深厚的文化底蕴闻名海内外，具有重要的研究和保护价值[1]。测绘所获取的模型与图纸是研究园林遗产历史变迁图档记录[2-3]、空间结构布局[4-5]与形态分析[6-7]、空间设计手法的符号化转译[8]、建造工艺记录与传承[9-10]乃至保护修复方案[11]的必要基础，是连接历史、技术和文化的重要纽带[12]。因此，图纸的精准性以及对空间形态变化的实时记录和映射，对于科学研究、教学乃至保护传承均有重要意义。以苏州古典园林为例，目前教学与研究所使用的图档多为20世纪测绘，如童寯于1937年完成的《江南园林志》[13]、陈从周于1957年调查测绘的成果《苏州旧住宅》[14]、刘敦桢于1953—1958年组织调查测绘的《苏州古典园林》[15]等图档。然而，以网师园为例，其整体空间布局历经多次调整，包括20世纪50年代末增建梯云室与涵碧泉、2001年新建露华馆、2002年筹建瓷器馆，以及2003年对殿春簃庭院及假山的修缮等[16]。现状空间布局与《苏州古典园林》所载图纸相比已发生显著变化。此外，传统手工测绘所成图纸数量有限，通常仅涵盖屋顶平面、一层平面及若干主要立面，表达形式较为单一，灵活性不足。受手工测绘精度所限，假山的描绘多侧重整体轮廓与形态，而难以细致呈现石材表面的纹理与褶皱；同样，乔木形态的表达亦难以完全客观具象，常带有一定风格化倾向。因此，借助现代测绘技术对古典园林开展周期性数据采集与图纸更新，构建动态、系统的数字档案体系，对于园林遗产的教学、科研、保护与利用均具有重要价值。
近年来，数字化空间信息技术如三维激光扫描、无人机倾斜摄影、近景摄影测量等技术已经在古典园林研究领域广泛应用，相较于传统手工测绘，数字化测绘构建三维点云模型具有无接触、高精度、高效率等优点，尤其对建筑、假山、地形、乔木的形态记录具有明显优势[17]。三维模型在旋转、剖切、截取至特定视角后，通过手动描图获取特征线条与形态信息，进而对建筑、假山结构进行观察研究[18]，在假山的堆叠技法[19]、皴法[20]、形态评价[21]方面已经取得一定成果。点云模型可通过测图软件提取建筑物轮廓信息[22]，其平面图精度可达厘米级[23]。测图软件适用于拟合规整的形态轮廓，或利用点云模型生成特定的平、立、剖视角后进一步手动描图[17, 24-27]，但其效率与标准化程度有限。近年来，利用边缘检测法识别图像特征线的研究逐渐兴起，如建筑物立体轮廓线[28]、屋顶特征线[29]、建筑檐口[30]等，但在古典园林中的应用较少，尤其是假山叠石与乔木的智能识别与制图。本研究以网师园殿春簃庭院为例，基于多源数据构建三维点云模型，探索深度图像结合梯度运算、Canny边缘检测算法实现形态特征线的自动提取与识别，并生成二维图纸的方法。与传统手工测绘相比，该方法在复杂曲面与隐蔽部位测量、全要素采集与多维信息整合、任意剖切面出图等方面具有明显优势，为古典园林数字化保护传承提供了高精度、可追溯的技术方案。

1 研究对象

网师园殿春簃占地不足500 m2，内有硬山顶小轩带复室书房、攒尖顶半亭冷泉亭、涵碧泉、长廊。院内组合假山的规模不大，但山、石、峰、脉自成一体，叠石自院西北起，以花坛为主、点缀峰石，逶迤至东南角依托涵碧泉形成洞壑，南北轴线置一高大石峰；东侧墙根下为叠石花坛，在“潭西渔隐”南掇成一处山洞。该庭院虽小，但布局紧凑、要素齐全，陈从周誉此园为苏州园林之构思最佳者[31]。因此，选择殿春簃庭院作为研究对象能够较好地测试研究方法在古典园林中的适用性。目前，已出版的网师园及殿春簃的图纸大多呈现建筑制图中常规的视角且数量有限（表1，图1），难以全面展现庭院中建筑、假山以及植物等要素当前的形态特征。
表1 网师园及殿春簃图纸的主要版本

Tab. 1 Main drawing versions of the Master-of-Nets Garden and the Peony Courtyard

版本 网师园及殿春簃图纸类型、数量 备注
1《江南园林志》（1937年童寯考察绘制）总平面图1张（不全）
2《苏州旧住宅》（1957年陈从周调查测绘）总平面图1张、屋顶平面图1张、剖面图2张
3《苏州古典园林》（1960年左右刘敦桢组织测绘）总平面图1张、剖面图2张
4《中国古典园林分析》（1986年彭一刚出版）总平面图1张（不全）、屋顶平面图1张
（不全）		在《苏州古典园林》基础上绘制
5《苏州园林》（1999年苏州园林设计院出版）总平面图1张、剖面图2张（殿春簃建筑内装修立面1张、东西向北剖立面图1张）
6《江南园林图录》（刘先觉、潘谷西2007年出版）小山丛桂轩前院局部平面1张及剖面3张（殿春簃建筑及南北局部庭院平面图1张、南立面图1张、建筑剖透视1张）
7《江南理景艺术》（2001年潘谷西出版）总平面图1张摹自《苏州古典园林》
8《中国古建筑测绘大系·园林建筑 江南园林》（2021年东南大学建筑学院出版）总平面图1张、剖面图2张；局部平面图4张、剖立面图11张（殿春簃建筑及南北局部庭院平面图1张、南立面图1张、建筑剖透视1张）辑录《苏州古典园林》《江南园林图录》《江南理景艺术》
9《江南园林论》（2011年杨鸿勋出版）总平面图1张引用《苏州古典园林》
10《苏州园林史》（2023年苏州园林设计院股份有限公司出版）总平面图1张基于《苏州古典园林》更新
图1 殿春簃现有图纸

Fig. 1 Existing drawings of the Peony Courtyard

2 研究方法

2.1 三维建模过程

2.1.1 摄影测量与三维激光扫描

数据采集工作分为3部分：近地摄影测量、无人机倾斜摄影与三维激光扫描。
近地拍摄使用带GPS功能的Nikon Z5微单相机，自2024年1月12日起，每日 07：00—08：00进行全画幅拍摄，且保证相邻照片的重叠率高于70%，持续工作6天，期间天气均为多云，保证图像曝光效果一致且良好。近地摄影主要针对室内、檐下、树冠下方、假山山洞内部等区域，同时拍摄大量角点（如台阶、屋檐、窗口门洞、峰石等的尖角）照片，作为航拍与近地面影像的手动连接点，共1 675张照片。
无人机倾斜摄影采用DJI Mavic 2 Pro飞行器，飞行高度为25 m，设置5条自动飞行路线，其中一条路线拍摄的是正射影像，云台角度为90°，设置旁向重叠率70%、航向重叠率80%；其余4条分别拍摄东、南、西、北方向的倾斜影像，云台角度为70°，图像重叠率大于70%。自动飞行拍摄完成后，利用手动飞行再次进行扫描式拍摄。选取拍摄时间为2024年9月29日07：00—07：30的共188张带有GPS信息的航拍照片。
使用FARO focus S350三维激光扫描仪①，于2025年6月6日进入殿春簃作业，设置扫描范围为10 m，共布置26个测点（室内7个、亭廊下方5个、庭院户外8个、假山6个），在离地面高度1.1 m处进行垂直视野300°、水平视野360°扫描，初步建立点云模型。

2.1.2 三维建模与误差评估

RealityCapture软件可基于摄影图像自动创建虚拟现实场景、纹理化的三维网格、正射投影图、地理参考地图等，在本研究中主要用于构建2D正射影像及3D模型。本研究使用1 863张摄影测量图像与激光扫描结果共同生成三维点云模型，由于数据获取时间分布在夏、秋、冬3个季节，植物生长与家具陈设变化均会导致三维模型出现偏差。以夏季激光点云为主，舍弃秋冬季节有差异的陈设部件，通过手动对齐减少墙体、亭廊等处的误差；由于夏季植物生长茂盛，能够覆盖秋冬季节的植物，因此，最终点云模型呈现夏季植物形态（图2）。
图2 殿春簃三维模型

Fig. 2 3D Model of the Peony Courtyard

在庭院、室内、台阶、栏杆、门窗等38处使用钢尺测距并记录，并在3D模型内分别测距，整体误差率为0.71%±0.13%（表2），误差较大值主要分布在复杂的假山区域，庭院区域的误差较小，表明该模型具有较高的精度。
表2 殿春簃三维模型误差分析

Tab. 2 Error analysis of the Peony Courtyard’s 3D model

空间类型 误差对比组数 误差最大值/cm（对应的测量值/cm） 误差最小值/cm（对应的测量值/cm）
庭院（露天）102.35（655.0）0.29（323.0）
庭院东侧长廊 42.90（232.5）0.20（88.5）
庭院南侧假山153.89（88.0） 0.03（39.0）
建筑室内 82.70（609.0）0.10（437.0）

2.2 二维图纸生成方法与过程

基于摄影测量构建的是三角网格模型，即由大量三角形面组成形体。识别三维点云模型特征线通常使用边缘检测，方法包含梯度检测法、等高线叠加法和面法线夹角法等（表3）。
表3 3种边缘检测方法的原理与对比

Tab. 3 Principles and comparisons of three edge detection methods

方法 原理 优缺点 适用场景
梯度检测法通过计算模型的几何梯度（如深度、曲率的变化率）来检测轮廓计算简单，可结合多种梯度特征进行检测；但对噪点较敏感，需预先体素化且可能会导致细节丢失，对渐变边缘（如曲面）检测效果差适合建筑物和需要检测水平方向轮廓的物体
等高线叠加法在三维模型的不同高程上切片生成各层等高线，通过等高线间高差突变判断物体轮廓抗噪能力较强、可适应多尺度轮廓提取；但依赖垂直投影方向、水平方向轮廓可能遗漏、多尺度提取时计算量大适合地形、建筑等垂向结构明显的场景
面法线夹角法通过点云模型中相邻三角面片的法线夹角检测几何不连续边缘（硬边）作为轮廓精度高、能较好地反映物体表面的连续性；但对噪点较敏感、无法检测曲面渐变轮廓，对算力要求较高适合高精度硬边检测
本研究旨在实现对建筑、假山的外轮廓线与次要轮廓线进行分类提取，因此选用梯度检测法，通过设置不同的梯度阈值区间构建梯度阈值掩码，实现不同层级的形体特征线筛选。整个处理过程包括生成深度图像、梯度运算与Canny边缘检测和梯度阈值掩码等（图3）。
图3 轮廓线提取的主要流程

Fig. 3 Main procedures for contour line extraction

2.2.1 生成深度图像

点云信息可以转化为深度图像（depth image），在RealityCapture中将三维点云模型裁切至目标截面并输出为包含空间深度信息和地理配准的投影图，导出分辨率为每个像素大小0.5 cm×0.5 cm的灰度深度图像，其像素的灰度（亮度）代表像素点到相机（本研究中为截面）的距离，即深度，其值通常按比例映射到灰度范围。以屋顶平面图为例，预先去除三维模型中的屋顶、树冠，保证墙体和假山的轮廓不受遮挡，导出正射投影的深度图像（图4）；剖立面图则需要在剖切位置裁切模型，保留剖切面结构，通过垂直正投影生成二维剖面，并导出深度图像。
图4 归一化后的深度图像

Fig. 4 Normalized depth image

2.2.2 梯度运算与Canny边缘检测

识别物体特征线采用1986年John F. Canny提出的Canny边缘检测。作为图像处理中最经典的边缘提取算法之一，它通过多步骤处理（去噪、梯度计算、非极大值抑制、双阈值检测）实现高精度边缘检测[32]。
首先，在Python中将深度图像像素值归一化为[0，1]，进一步调用高斯滤波对图像进行去噪，使用高斯核（5×5）对图像进行卷积。梯度幅值（gradient magnitude，G）用于衡量深度图像中像素强度变化的剧烈程度。G值越大，表示像素强度变化越剧烈（如边缘）；值越小，表示像素强度变化越平缓（如均匀区域）。使用Sobel算子计算每一个像素梯度幅值[33]，生成地形梯度图，计算式：
$ G=\sqrt{{{G}_{x}}^{2}+{{G}_{y}}^{2}} \text{，} $
其中，Gx是水平梯度，Gy是垂直梯度。
$ {G}_{x}=\left\{ \begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array} \text{，}{使用{\rm{Sobel}}水平核（3\times3）}\text{，}\right. $
$ {G}_{y} =\left\{ \begin{array}{rrr}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array} \text{，}{使用{\rm{Sobel}}垂直核 （3\times3）} 。\right.$
其次，将深度图像线性归一化到[0，255]以满足Canny边缘检测要求的输入格式。然后，对每个像素沿其梯度方向，使用非极大值抑制（non-maximum suppression, NMS）比较其梯度幅值与相邻像素的幅值，保留局部梯度幅值最大的像素（即边缘）。OpenCV 官方教程（OpenCV Tutorials）建议Canny边缘检测的高、低阈值间的比值2︰1~3︰1为最佳[34]，此处结合多次试验观察设定高、低阈值分别为4、2，可初步提取边缘信息，在保留所需边缘和抑制噪点之间保持良好的平衡。Canny算子相比单一阈值的梯度检测法，通过高、低2个阈值控制能生成更连续、完整且精度更高的边缘线。
最后，使用Flat Area Filtering功能模块过滤部分弱边缘，常用参数值为0.005或0.01，可根据过滤效果调整参数大小，以平衡图纸细节与美观度。此步骤将得到全面细致的特征线（图5），但从制图的角度来看，目前该图像缺少层次，轮廓线条不易区分，可读性较弱。
图5 Canny边缘检测得到东立面（局部）所有线条

Fig. 5 Canny edge detection results showing all contour lines of the partial east elevation

2.2.3 梯度阈值掩码

二维制图中通常将墙体、假山、门洞、柱子等轮廓线进行不同程度的加粗处理，同时将植物、石块皱褶、铺装、家具等以细线处理，用于区分图线层次，使图纸更加美观。梯度阈值掩码（gradient threshold mask）的核心功能是通过梯度幅值筛选出图像中的显著变化区域（如边缘、轮廓），同时抑制平滑区域或噪声。本研究基于地形梯度对过滤后的Canny边缘像素进行分类，即根据不同梯度掩码将Canny边缘检测结果中的像素分配到不同的图线类别，并赋予不同颜色。
在地形梯度图中分别读取不同等级、不同类型的物体轮廓线的G值，寻找其最大值（Gmax）或最小值（Gmin，表4），最终确定适用于殿春簃平面图线条分类提取的高、低阈值分别为80、20，剖立面图线条分类提取的高低阈值分别为150、20。高、低阈值将像素的G值划分为3个区间——地形梯度图中G值大于等于高阈值的像素将被提取为外轮廓线；G值小于高阈值且大于等于低阈值的像素将被提取为次级轮廓线；G值小于低阈值的将被提取为要素线。
表4 梯度掩码要素与取值范围

Tab. 4 Gradient mask features and their value range

图纸类型 外轮廓线 次级轮廓线 要素线
读取要素（Gmin） 取值范围 读取要素（Gmin） 取值范围 读取要素（Gmax） 取值范围
屋顶平面图、一层
平面图		屋顶（1 660）、院墙（687）、建筑墙体（718）、峰石（343）、花坛（82）≥80 台阶踏步（68）、叠石的石块（35）、地被（21）[20，80） 石块皱褶（19）、地被纹理（17）、盖瓦表面（14）＜20
剖立面图墙体（525）、台阶（154）、峰石（1 148）、山洞（357）、花坛（184）≥150 窗洞（42）、檐瓦（41）、假山内部石块（61）[40，150） 石块的表面纹理皱褶（38）、地被纹理（32）＜40
以屋顶平面图为例，梯度阈值掩码将屋顶、院墙、峰石、山洞、花坛的外轮廓线识别并导出为一类，以粗线表达；将台阶踏步、石块、地被轮廓线识别为一类，以中粗线表达；石块褶皱、地被、盖瓦的纹理等识别为要素线，分别输出为细线，图面表达更加精准、层次丰富。

3 图纸智能识别与提取结果

3.1 平面图

为确保建筑和假山不受遮挡，制作平面图之前先去除模型中的乔木树冠和枝干，保留主干基部，再进行边缘检测和轮廓线分层。考虑图纸效果，乔、灌木采用手动勾勒轮廓线的方式呈现。屋顶平面图中，建筑屋顶部分完整，除被树冠遮挡部分信息存在丢失外，能够清晰地分辨盖瓦、脊瓦以及屋面交错的情况（图6）。一层平面图中，墙体、台阶基本形态表现准确；家具、亭廊下的座椅和靠背形态准确；南部的峰石以及涵碧泉台阶轮廓线清晰；叠石花坛轮廓线清晰完整，花坛底部麦冬的要素线条形态特征明显，由大量扭曲抖动且碎片化的线条组成，与石块的纹理差异较大，通过填色加以区分即可（图7）。
图6 屋顶平面图

Fig. 6 Master plan of the roof

图7 一层平面图

Fig. 7 Master plan of the ground floor

对比刘敦桢《苏州古典园林》中的殿春簃平面图，发现此次测绘结果中的庭院东、西两侧墙体并非直线，且与南侧院墙并非垂直关系；入口南侧山洞规模更大、东南墙角的芍药花坛东西向更宽、东南墙角新增置石一处、南部花坛后的叠石踏步轮廓线更贴近真实形态、西侧叠石花坛与涵碧泉的形态轮廓有差异、月台及其栏杆的位置关系有差异，一层平面图记录的形态与20世纪50年代末修复后的照片一致[35]。

3.2 剖立面图

A-A′剖立面图能够准确表现殿春簃东部厅堂明间前卷后轩的结构以及庭院地面细微的高差变化、假山山洞和白皮松的形态（图8），相对于手工测绘，图纸细节更加丰富和准确。室内家具和门窗部分普遍出现变形、粘连以及信息缺失的情况，原因是此次测绘主要针对建筑、庭院、假山等要素设计，缺少对家具精细的、针对性的拍摄和扫描。尽管边缘检测能准确识别庭院入口南面山洞的各层级轮廓线，但仍依赖人工识别叠石花坛中的灌木和花坛底部地被的轮廓线，并通过填色与石块区分。B-B′剖立面图去除了白皮松、竹等植物，重点表现庭院南部的峰石和冷泉亭立面（图9）。假山石块的轮廓线和表面形态纹理能够被分层识别并提取为不同粗细的线条；冷泉亭受到乔木遮挡，部分盖瓦和吴王靠线条模糊，但其主体结构线条以及亭内的灵璧石轮廓可清晰识别。上述图纸共同说明本研究应用的智能识别与提取方法在古典园林各要素的矢量化重建中具有良好的有效性。
图8 A-A′剖立面图

Fig. 8 Sectional elevation A-A′

图9 B-B′剖立面图

Fig. 9 Sectional elevation B-B′

4 研究局限性与展望

综合三维激光扫描仪、无人机倾斜摄影与地面相机拍摄的多源数据，可构建高精度古典园林三维模型，全面记录园林遗产在特定时间节点下的空间形态、细节和尺度关系，对传统工艺技术进行可视化保存，是遗产修复、监测和重建工作中的重要依据[36]。相较于传统手工测绘，三维数字化测绘具有无接触、高效、安全的优势。三维点云模型在古典园林信息实录中能保持最大的客观性与真实性，详细记录大量非线性空间形态，如建筑的架构、水池驳岸和叠石花坛曲折的轮廓线、乔灌木姿态、假山的孔洞、纹理、皱褶等，且能够高效建立单体要素与整体环境之间的关系。此外，手工测绘通常绘制固定类型二维图纸，绘图数量有限；而三维点云模型全面记录空间信息，可以任意“切片”并导出多角度二维图纸，提高描图效率与精准性，且无需反复现场测量，具备可回溯性。
摄影测量覆盖范围广且角度灵活，但工作量较大；激光测绘具有高效、高精度的特点，但在特殊场地使用受限，例如狭小不平坦的石块表面无法放置激光扫描仪，二者的结合可实现优缺点互补。三维点云模型已经具备较高的精度，但也存在依赖手工对齐、自动化程度有待提高的不足，例如在整合激光点云数据与摄影测量数据时，建筑墙体或者屋顶的重合通常需依赖人工添加大量控制点完成。同时，点云只记录物体表面信息，无法直接获取物体内部结构信息；目前仅通过深度图像识别特征线，并不具备语义信息识别能力，不同物体或材质的轮廓线依赖手动区分。复杂的物体形态需通过增加站点以提高点云精度，但将面临庞大数据量与精度的平衡考量。
本研究通过Canny边缘检测的梯度阈值实现提取物体的不同层级特征线，该方法仍需人工干预以及大量试错获取阈值。在未来的研究中，可尝试引入卷积神经网络（convolutional neural network, CNN）[37]或图神经网络（graph neural network, GNN）[38]，实现自动识别假山皴法纹理；同时，通过点云语义分割[39]，如区分瓦片、木构、石材等，自动标注图纸要素，提高轮廓线识别的准确性；将点云生成的二维图纸与历史测绘数据进行对比，可精准量化分析布局变迁，进一步提升智能制图精度与文化遗产分析的深度。

5 结语

本研究以网师园殿春簃为例，通过三维数字化测绘与智能轮廓识别提取技术，为古典园林精准记录与解析提供了创新性工具。通过融合多源数据构建高精度三维点云模型，并基于深度图像与Canny边缘检测算法实现轮廓线的自动分层提取，有效生成高精度二维图纸。该方法不仅清晰捕捉了建筑曲线、假山纹理等非线性形态细节，揭示了现状与历史图档的形态差异，更实现了图纸的可回溯生成与多视角灵活输出，显著提升了园林空间信息实录的完整性、客观性与可复用性。
三维数字化测绘突破了传统测绘图谱视角固定、更新滞后的局限，以高精度、可迭代的数字点云模型为核心，可支撑园林遗产从静态记录向动态监测转变。其技术框架为古典园林的保护修复、变迁研究及价值阐释提供了扎实的数据，也为后续融合人工智能实现要素识别与图纸语义化标注奠定基础。持续深化三维数字化技术在古典园林中的应用，将促进园林遗产研究从“数智实录”向“智能解析”推进，为园林遗产保护监测提供科学依据。

致谢(Acknowledgments)：

感谢苏州大学2025届本科毕业生沈苏阳同学在现场调研和研究方法探索中的贡献。

1 内置高动态范围（high-dynamic range, HDR）相机，最高可支持1.65亿彩色影像；最大扫描速度为976 000点/秒；10 m量程内测距误差为±1 mm；在户外阴天环境中，90%不光滑反射表面上的测距范围为0.6~350.0 m

图表来源(Sources of Figures and Tables)：

图1-1、1-2引自刘敦桢《苏州古典园林》，1-3引自刘先觉、潘谷西《江南园林图录》，其余图表均由作者绘制。

文章亮点

1、综合多源数据构建古典园林三维点云模型，具有2个优点：1）三维激光点云模型将误差降至毫米级；2）无人机倾斜摄影与地面相机摄影照片补充物体表面纹理细节，大幅度提升模型精度。

2、利用深度图和Canny边缘检测获取高精度特征线、利用梯度阈值掩码识别并提取不同层级轮廓线以智能化输出二维图纸，具备高度灵活性和客观性，且精度高、可读性强。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陈大林, 汪长根, 蒋忠友, 等 苏州园林品牌价值研究[J]. 中国园林, 2018, 34 (1): 35.-39.

CHEN D L, WANG C G, JIANG Z Y, et al Academic Research of the Brand Value of Suzhou Gardens[J]. Chinese Landscape Architecture, 2018, 34 (1): 35.-39.

[2]
陈薇, 贾亭立, 是霏 园林测绘近百年, 东南传承恒创新[J]. 新建筑, 2025 (2): 12.-17.

CHEN W, JIA T L, SHI F A Century of Classical Garden Surveying and Mapping, the Enduring Innovation of Southeast University[J]. New Architecture, 2025 (2): 12.-17.

[3]
张冬冬 苏州留园山水格局变迁考: 从明代后期至今[J]. 建筑学报, 2022 S1 185.-190.

ZHANG D D A Study on Changes of Hill-Water Pattern of Liu Garden in Suzhou from Late Ming Dynasty to the Present[J]. Architectural Journal, 2022 S1 185.-190.

[4]
邵星宇 明末清初江南园林“画意”布景手法探析[J]. 建筑学报, 2023 (9): 102.-108.

SHAO X Y A Study on the Method of Pictorial Scenery in Jiangnan Gardens During Late Ming and Early Qing Dynasties[J]. Architectural Journal, 2023 (9): 102.-108.

[5]
殷悦, 沈旸, 吴琛瑜 因“文”而观, 索“献”以构: 网师园再识[J]. 建筑学报, 2025 (2): 45.-53.

YIN Y, SHEN Y, WU C Y An Analysis of Gardens Based on Literature Recognizing Master-of-Nets Garden[J]. Architectural Journal, 2025 (2): 45.-53.

[6]
陈星汉, 于瀚婷, 熊若璟, 等 基于空间句法与机器学习的中国古典园林空间指征分析框架建构[J]. 风景园林, 2024, 31 (3): 123.-131.

DOI

CHEN X H, YU H T, XIONG R J, et al Construction of an Analytical Framework for Spatial Indicator of Chinese Classical Gardens Based on Space Syntax and Machine Learning[J]. Landscape Architecture, 2024, 31 (3): 123.-131.

DOI

[7]
张清海, 张山峰, 赵晨晔 基于空间句法优化的南浔近代私家园林空间特征研究[J]. 南京林业大学学报（自然科学版）, 2021, 45 (6): 209.-216.

ZHANG Q H, ZHANG S F, ZHAO C Y Spatial Characteristics of Modern Private Gardens in Nanxun Based on the Optimized Space Syntax[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2021, 45 (6): 209.-216.

[8]
张楠, 孔宇航 山水图绘中的园林模式与空间转换: 以三幅北宋立轴为例[J]. 中国园林, 2022, 38 (8): 66.-71.

ZHANG N, KONG Y H Garden Patterns and Spatial Transformation in Landscape Painting: Three Hanging Scrolls from the Northern Song Dynasty as Examples[J]. Chinese Landscape Architecture, 2022, 38 (8): 66.-71.

[9]
杨云峰, 云嘉燕, 董芊里, 等 “真境造山”理念下叠石假山营建中的种植设计[J]. 风景园林, 2023, 30 (5): 131.-138.

YANG Y F, YUN J Y, DONG Q L, ZHANG Q P Planting Design in the Construction of Stone Stacked Rockery Under the Concept of "Realistic Rockery Construction"[J]. Landscape Architecture, 2023, 30 (5): 131.-138.

[10]
石宏超, 周俭 环秀山庄与戈裕良再认识: 叠山匠师方惠眼中的环秀山庄假山技法[J]. 园林, 2022, 39 (2): 27.-33.

SHI H C, ZHOU J Recognition of the Huanxiu Villa and GE Yuliang: The Rockery Technique of the Huanxiu Villa from the Perspective of FANG Hui, the Rockery Craftsman[J]. Landscape Architecture Academic Journal, 2022, 39 (2): 27.-33.

[11]
梁洁, 陈洁萍 基于历史地形学的古典园林复原方法研究: 以16世纪无锡寄畅园为例[J]. 建筑师, 2024 (4): 107.-112.

LIANG J, CHEN J P Research on the Restoration Method of Classical Gardens Based on Historical Topography: A Case Study of the Jichang Garden in Wuxi, 16th Century[J]. The Architect, 2024 (4): 107.-112.

[12]
谭刚毅, 汤诗旷 历史建筑的测与绘[J]. 新建筑, 2025 (2): 1.

TAN G Y, TANG S K Documentation and Drawing of Historic Architecture[J]. New Architecture, 2025 (2): 1.

[13]
童寯.江南园林志[M].北京: 中国建筑工业出版社, 1963.

TONG J. Classic Chinese Gardens of Jiangnan[M]. Beijing: China Architecture & Building Press, 1963.

[14]
陈从周.苏州旧住宅[M].上海: 上海三联书店, 2003.

CHEN C Z. Traditional Suzhou Dwellings[M]. Shanghai: Shanghai Joint Publishing Company, 2003.

[15]
刘敦桢.苏州古典园林[M].北京: 中国建筑工业出版社, 1979.

LIU D Z. Classical Gardens of Suzhou[M]. Beijing: China Architecture & Building Press, 1979.

[16]
苏州市园林和绿化管理局.网师园志[M].上海: 文汇出版社, 2014: 178-190.

Suzhou Garden and Greening Management Bureau. The Gazetteer of the Master-of-Nets Garden[M]. Shanghai: Wenhui Press, 2014: 178-190.

[17]
喻梦哲, 林溪 基于三维激光扫描与近景摄影测量技术的古典园林池山部分测绘方法探析[J]. 风景园林, 2017 (2): 117.-122.

YU M Z, LIN X Study on the Surveying Methods Based Upon the 3D Laser Scanning and Close-Range Photogrammetry Techniques of the Rockery and Pond in the Classical Chinese Gardens[J]. Landscape Architecture, 2017 (2): 117.-122.

[18]
乔月 “空-地-人”协同构建实景三维模型: 以海棠亭为例[J]. 测绘通报, 2025 (3): 174.-177.

QIAO Y “Air-Ground-Human” Cooperate to Build a Real 3D Model: Taking Haitang Pavilion as an Example[J]. Bulletin of Surveying and Mapping, 2025 (3): 174.-177.

[19]
贾星星, 张青萍, 殷新茗, 等 基于三维数字化的扬州叠山技法研究[J]. 中国园林, 2022, 38 11 88.-93.

JIA X X, ZHANG Q P, YIN X M, et al A Study on the Rockery Techniques in Yangzhou Based on Three-Dimensional Digitization[J]. Chinese Landscape Architecture, 2022, 38 11 88.-93.

[20]
董芊里, 张青萍 基于三维点云的江南私家园林叠山皴法的识别与分析研究: 以苏州四大名园为例[J]. 中国园林, 2022, 38 10 133.-138.

DONG Q L, ZHANG Q P Recognition and Analysis of Cunfa in Jiangnan Private Gardens Based on Three-Dimensional Point Cloud: Taking Four Famous Classical Gardens in Suzhou as Examples[J]. Chinese Landscape Architecture, 2022, 38 10 133.-138.

[21]
杨晨, 韩晓蓉, 韦朝旭, 等 中国古典园林石峰审美特征定量化评价方法研究: 以豫园玉玲珑为例[J]. 古建园林技术, 2023 (3): 99.-103.

YANG C, HAN X R, WEI C X, et al Research on the Quantitative Assessment Method of Aesthetic Features of Rockeries in Chinese Classical Gardens: A Case Study of Exquisite Jade Boulder in Yuyuan Garden[J]. Traditional Chinese Architecture and Gardens, 2023 (3): 99.-103.

[22]
倪佳琦 基于三维激光扫描技术的建筑物立面测量[J]. 测绘标准化, 2022, 38 (1): 67.-70.

NI J Q Building Facade Measurement Based on 3D Laser Scanning Technology[J]. Standardization of Surveying and Mapping, 2022, 38 (1): 67.-70.

[23]
朱灵茜, 张青萍, 李卫正, 等 近百年拙政园平面测绘精度评估与研究[J]. 中国园林, 2020, 36 (4): 139.-144.

ZHU L X, ZHANG Q P, LI W Z, et al Evaluation and Research on the Precision of Plane Surveying and Mapping in the Humble Administrator’s Garden in the Past Hundred Years[J]. Chinese Landscape Architecture, 2020, 36 (4): 139.-144.

[24]
张青萍, 梁慧琳, 李卫正, 等 数字化测绘技术在私家园林中的应用研究[J]. 南京林业大学学报（自然科学版）, 2018, 42 (1): 1.-6.

ZHANG Q P, LIANG H L, LI W Z, et al Research of the Application of Digital Survey Techniques in Private Garden[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2018, 42 (1): 1.-6.

[25]
古丽圆, 古新仁, 伍斯德拉 三维数字技术在园林测绘中的应用: 以假山测绘为例[J]. 建筑学报, 2016 S1 35.-40.

GU L Y, GU X R, WOUDSTRA J The Application of Digital 3D Technology in Garden Surveys: Rockwork as a Case Study[J]. Architectural Journal, 2016 S1 35.-40.

[26]
蒋雪静, 陈洪根, 俞家勇, 等 基于激光点云的古建筑逆向三维重建方法[J]. 安徽工程大学学报, 2024, 39 (6): 28.-34.

JIANG X J, CHEN H G, YU J Y, et al Reverse 3D Reconstruction Method of Ancient Buildings Based on Laser Point Cloud[J]. Journal of Anhui Polytechnic University, 2024, 39 (6): 28.-34.

[27]
孔令惠, 陆德中, 叶飞 三维激光扫描技术在历史建筑立面测绘中的应用[J]. 测绘通报, 2022 (8): 165.-168,172.

KONG L H, LU D Z, YE F Application of 3D Laser Scanning Technology in Historic Building Facade Surveying and Mapping[J]. Bulletin of Surveying and Mapping, 2022 (8): 165.-168,172.

[28]
DOLAPSAKI M M, GEORGOPOULOS A Edge Detection in 3D Point Clouds Using Digital Images[J]. ISPRS International Journal of Geo-Information, 2021, 10 (4): 229.

DOI

[29]
ZHOU W L, FU X X, DENG Y Y, et al The Extraction of Roof Feature Lines of Traditional Chinese Village Buildings Based on UAV Dense Matching Point Clouds[J]. Buildings, 2024, 14 (4): 1180.

DOI

[30]
BRANDENBURGER W, DRAUSCHKE M, MAYER H Cornice Detection Using Façade Image and Point Cloud[J]. Photogrammetrie - Fernerkundung - Geoinformation, 2013, 2013 (5): 511.-521.

DOI

[31]
陈从周.梓翁说园[M].2版.北京: 北京出版社, 2011: 86.

CHEN C Z. Master Zi on Gardens[M]. 2nd ed. Beijing: Beijing Publishing House Group, 2011: 86.

[32]
CANNY J. A Computational Approach to Edge Detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, PAMI-8(6): 679-698.

[33]
梁玮, 裴明涛.计算机视觉[M].北京: 北京理工大学出版社, 2021: 45.

LIANG W, PEI M T. Computer Vision[M]. Beijing: Beijing Institute of Technology Press, 2021: 45.

[34]
OpenCV Tutorials. Canny Edge Detector[EB/OL].[2025-10-07]. https://docs.opencv.org/3.4/da/d5c/tutorial_canny_detector.html

[35]
茅晓伟, 周苏宁, 沈亮.史迹留痕: 苏州园林名胜旧影[M].北京: 中国水利水电出版社, 2020: 43.

MAO X W, ZHOU S N, SHEN L. Historical Traces: The Old Shadows of Suzhou Garden Scenic Spots[M]. Beijing: China Water & Power Press, 2020: 43.

[36]
姜皓然, 许章平, 相涛 多源数据融合的城市三维实景建模[J]. 测绘通报, 2025 S1 124.-127,173.

JIANG H R, XU Z P, XIANG T Urban 3D Real-Scene Modeling Supported by Multi-source Data Fusion Technology[J]. Bulletin of Surveying and Mapping, 2025 S1 124.-127,173.

[37]
HOLAIL S, SALEH T, XIAO X W, et al Edge-CVT: Edge-Informed CNN and Vision Transformer for Building Change Detection in Satellite Imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2025, 227: 48.-68.

DOI

[38]
张婷, 张兴忠, 王慧民, 等 基于图神经网络的变电站场景三维目标检测[J]. 计算机工程与应用, 2023, 59 (9): 329.-336.

ZHANG T, ZHANG X Z, WANG H M, et al 3D Object Detection in Substation Scene Based on Graph Neural Network[J]. Computer Engineering and Applications, 2023, 59 (9): 329.-336.

[39]
张广运, 张荣庭, 张余, 等 复杂城市场景三维网格模型智能解译技术综述[J]. 中国图象图形学报, 2025 (6): 1808.-1827.

ZHANG G Y, ZHANG R T, ZHANG Y, et al Technology of Intelligent Interpretation of Three-Dimensional Mesh Models for Complex Urban Scenes: A Survey[J]. Journal of Image and Graphics, 2025 (6): 1808.-1827.

Options
文章导航

/

〈 〉