数据支持型城市设计——基于街景数据和深度学习的街道空间品质测度
研究背景
随着新时期我国城市建设逐渐从 “新区拓展”转向“城市更新”，塑造人性化、高品质的建成环境，已在中央城市工作会议等近年的重要会议与纲领性文件中成为共识。围绕空间品质这一核心议题，一系列立足人本视角、关注感知品质的研究与实践正在迅速开展。在此背景下，城市色彩，特别是其中最普遍且容易导控的建筑色彩，正在当前城市规划和城市设计领域受到高度关注。北京、上海、天津、广州、 青岛等多个城市都先后开展了城市建筑色彩方面的导控实践。其中建筑色彩普遍被认为是构建城市色彩总谱、建立现状城市色彩库、划定城市主导色和色彩基调等工作中的核心分析内容。
经过多年讨论与实践，当前色彩导控在管控路径上已初步实现与规划体系的初步整合，在调研操作上也已经有了一套较为完整的操作路径:首先通过数码相机和 GPS设备的辅助开展图像采集，在色彩校准之后运用孟塞尔色彩体系，量化得出城市色彩总谱及色相、频次等信息, 进而基于这一现状情况开展导控。当前色彩导控已从宏观控制转向微观主体，强调规范化调研、量化分析和精细化导控。
但这一方法不能解决精细化分析和大尺度需求的矛盾。短时间内开展大尺度下的图像采样则难以保证精细化，小范围内的精细化分析则难以有效反映全局情况。如何解决人本视角下现状建筑色彩的大规模、高效获取， 兼顾大规模和精细化的双重要求，已成为建筑色彩导控进一步深化与普及化的一大障碍。
研究框架
研究区域与数据获取
以广东深圳为研究区域，利用百度地图API，抓取231,758个街道采样点。并且参数被统一设置为：图像尺寸1024×512，视场（FOV）360度。
基于深度学习算法的建筑要素识别
本研究利用DeepLab V3+模型和Cityscapes数据集来自动从街景图像中提取城市立面。DeepLab是一组基于卷积神经网络（CNN）的开源语义图像分割模型，可用于像素级别的分类。Cityscapes数据集是用于城市场景语义理解的大规模数据集，包括50个不同城市的复杂街景。使用Cityscapes训练的DeepLab V3+模型在语义图像分割应用中已被证明是可靠的。
主导色计算
首先，根据提取的建筑像素点颜色及其构成比例开展主导色计算。由于各个像素点颜色各异，一张图像中往往存在数千个基础颜色，需要对颜色开展归并。具体操作按照色卡表和 HSV 颜色模型来开展。根据 H、S、 V 所分别代表的色调 (Hue)、饱和度 (Saturation)、 明 度 (Value) 三个维度的数值，将多样且分散的颜色按色卡 表颜色开展归并。最终，基于这些归并后的典型颜色，使用 K-means聚类分析来实现主导色提取。
建筑色彩分析
本研究根据每个采样点的提取结果得到基于深圳街景的大规模城市色彩测度。总体而言，深圳的城市立面颜色以低饱和度的灰色为特征。下图显示了基于街道和城市街区的深圳城市立面颜色的空间分布。图中所有百度街景采样点中占比最大的城市立面颜色为中灰色，而其中街道和街区部分的城市立面主导色为深灰色。在南山、福田、罗湖和盐田区，由于他们有大量带有大面积玻璃幕墙的商业建筑，城市立面颜色分别为中灰色、深灰色和蓝灰色。而在其他地区，如大鹏、光明和坪山区，城市立面颜色则更加多样化，包括浅灰色、褐灰色，以及一些居住区域的浅暖色，如褐色、浅黄色和奶油色。
结果论证
并且，我们开发了一个用于结果验证的C#软件，使用专家评分法评估了城市立面颜色提取方法的性能。
获得奖项及相关论文
叶宇, 仲腾, & 钟秀明. (2019). 城市尺度下的建筑色彩定量化测度——基于街景数据与机器学习的人本视角分析. 住宅科技, 2019(5), 7-12.
Zhong, T., Ye, C., Wang, Z., Tang, G., Zhang, W., & Ye, Y.* (2021). City-Scale Mapping of Urban Façade Color Using Street-View Imagery. Remote Sensing, 13(8), 1591.
优秀项目
资料下载
联系我们/CONTACT US
友情链接/LINKS
