基于图像语义分割的历史文化街区景观研究

摘 要：历史文化街区在承载城市历史记忆和文化的同时，也承载着城市生活的公共空间属性。基于新技术的发展，区别于主观评价的街景图像识别可以为历史文化街区的保护与发展提供新的分析方法。基于图像语义分割技术，机器通过深度学习，可对桥西历史文化街区的街景图像语义进行像素化识别，然后得到包含绿视率和天空可视率的街道空间品质数据集，最后通过GIS技术对历史文化街区街景进行可视化分析，提出桥西历史文化街区的更新优化建议。

关键词：图像语义分割;桥西历史文化街区;街景图像识别;大运河

2017年5月，习近平总书记就大运河文化带建设作出批示，要求“保护好、传承好、利用好”大运河文化遗产。大运河沿岸现存的历史文化街区是大运河文化的载体，同样也属于当地城市的生活空间。如何从街区使用者的人本角度出发，有效提升历史街区空间品质，是历史文化街区保护与发展的重要一环。以桥西历史文化街区为研究对象，对街区底图数据进行补充和删减后，选取街区景点数据，基于深度学习之全卷积网络（FCN）对街景图像进行语义分割，最后汇总统计得到可视化模型。此方法以定量数据结果更加准确地反映历史文化街区使用者的空间感受。

一、建成环境历史与量化技术概述

（一）研究对象背景

桥西历史文化街区地处杭州市拱墅区，位于大运河杭州段的拱宸桥西侧，整个街区的发展与拱宸桥密切相关。拱宸桥的历史可以追溯到明清时期。明清时期大运河杭州段改道后，此区域借其主航道的优势进入发展阶段。《重建拱宸桥碑记》中提到，“当此毂击肩摩之地，行李往来，固资利涉，矧其可以拦截逝水，渐使气结沙回，捍灾御患”。由于来往贸易的增加，该河段的湖墅区域发展颇具规模。此后随着沿河经济区块产业迅猛发展，形成了“十里银湖墅”的繁荣景象。

1895年，拱宸桥地区开始创办各项产业，大量商人和侨民涌入该区域。1949年后，区域内创设了大批工厂，也带动大量劳动人口在此居住。岁月变迁导致多元文化汇集，也使得桥西街区相比其他区域的建筑风格更加丰富。桥西街区内街道结构也从单一的桥西直街，逐渐形成“两街四里弄”的结构，即“桥西直街、桥弄街、通源里、同和里、如意里、敬胜里、吉祥寺弄”。随着时代变迁，运河的交通功能逐渐减弱，桥西街区的发展也逐渐走向衰落。

2007年，桥西历史文化街区的保护与改造工作正式开始。2010年，《拱宸桥西历史文化街区保护规划》在杭州市规划局进行公示，将拱宸桥西历史文化街区分为重点保护区、建设控制地带、环境协调区三块。桥弄街、桥西直街是游客的主要浏览路径，增加同和里、敬胜里以及吉祥寺弄的支路，形成新的路径，并对各地块功能板块再划分，增加了中国刀剪剑博物馆、中国伞博物馆、中国扇博物馆等板块，增加桥西直街南面休憩板块以及以桥弄街、桥西直街为主路径的商业板块。

（二）研究技术背景

1984年，英国学者比尔·希列尔等以拓扑关系代替欧几里得的传统数学视角，结合计算机技术提出空间句法方法——通过对图底空間进行网格分割，由得到的网格对应得出相对位置的轴线地图，最后实现网格与轴线地图的链接。而后Axman、Depthmap等集成化软件的出现，实现了其分析方法在二维大数据新技术上的破圈。随着多源城市大数据的完善，机器新技术也得到相应的发展，数据存储、挖掘和可视化技术也日益完善，这都赋予了人们审视城市环境的新视角。

三维遥感模型、全景街景照片、开源地图码等拓展了城市空间分析方法，而街景图片可以直观地反映街区情况。基于街景图片的深度学习技术，利用各类编程软件建立多层次神经网格，对输入对象的模型数据集对照处理后输出解码，从而得出相应的数据（图1）。此技术本质是对机器进行上万次训练，以达到模拟人脑分析的效果，其优于人脑的是可实现以街道节点为观察对象，通过自定义数据库自动化地对街景图片中的要素进行识别，从而得到各项要素占比的综合数值。

近年来，国内也出现了街景相关的研究分析与案例，如龙瀛等运用街景图像等数据融合街道界面，研究拓展了街道量化研究面域及可行性[1-2];唐婧娴等利用街道图像数据集对北京及上海街道品质进行了测量[3];邱烨珊等通过深度学习技术将景观物理数据与街道景观美学框架相关联[4]。

（三）绿视率评价背景

多年来，绿地率、人均公园覆盖面积率等指标被大量应用于空间评价。二维指标可以对景观绿化空间做出直接的量化评价，但无法对三维的景观效果进行评价。

1987年，国际上有学者初次提出了可用来表示空间内绿化指标的“绿视率”，至此街道绿化开始由平面评价向立体评价转变。有关研究表示，人在环境中所接收的信息90%来自视觉[5]，所以通过人眼观察，可得出街道空间内景观绿化占比。

对于国内城市来说，绿视率作为绿色空间评价指标，可以为城市新旧空间街道提供新的改进意见。桥西历史文化街区见证了杭州的历史发展，承载着悠久的大运河文化。若要保护杭州城市历史文化，就要提高历史街区的街道品质。而历史街区的街道品质与人们的直接体验感密切相关，景观绿化空间成为评估城市空间质量的重要指标[6]。

二、景观覆盖与空间感知评估

（一）街景数据获取

第一步，参考WGS-84坐标系取得研究区域内的开放街道数据，再通过GIS对底图的基础路网进行补充和修整，对所有街道交叉点做节点提取。从桥西历史文化街区规划层面来考虑，以20米为间距进行二次描点，共计85个数据爬取点。第二步，用Python通过百度地图街景的API，批量采集GIS绘制节点的街景，以同一坐标点采集相对坐标前后左右的街景图片。之后对街景图片进行核对，对于没有采集到的街景节点进行人工采集。人工采集要在阴天无强光线干扰情况下进行，以确保环境无明显色差。总计采集324张街景，无法识别街景图片14张，补充街景图片30张，合成图片87张。

（二）街景语义分割

现采用SegNet街景图像语义分割模型，其中枢网格基于两个VGG16去除连接层，整体形成“Input编码—Output解码”的过程。环境配置使用“Anaconda+PyTorch+PyCharm”，其中数据集部分采用ADE20K数据集进行语义识别。相对于传统数据集CityScapes的19个语义类别，其语义类别数量多达150个，并且拥有超过25 000张图像。从街景图片语义分割结果上来看，整体分割效果良好，对大部分元素如天空、树、植物、建筑物、道路、墙体等的识别较为准确，但由于部分道路属于多种分类，所以会出现颜色合并状态，需要后期研究时对图底进行处理（图2）。

（三）街景数据分析

首先，在数據分析上将街区空间绿视率分为五个等级：绿视率在0%至5%，表示景观绿化差;绿视率在5%至10%，表示景观绿化较差;绿视率在10%至15%，表示景观绿化居中;绿视率在15%至20%，表示景观绿化较好;绿视率大于20%，表示景观绿化良好。考虑到历史文化街区的规划要求，景观因素可能因场地原因有不同形式的表达形态，故整合街景图像语义分割之后的数据表，将景观因素全部叠加，如树、草、绿篱等，以总的占比数值为结果。

将街区天空可视率分为四个等级：可视率在0%至10%，表示天空视野狭窄;可视率在10%至20%，表示天空视野较狭窄;可视率在20%至30%，表示天空视野较好;可视率在30%至40%，表示天空视野开阔。

通过街景景观数据表可知：绿视率处于5%以下的占比为10.3%;绿视率处于5%至10%的占比为16.2%;绿视率处于10%至15%的占比为20.7%;绿视率处于15%至20%的占比为16.1%;绿视率大于20%的占比为36.7%（图3、4）。

通过街景天空数据表可知：可视率处于0%至10%的占比为30.4%;可视率处于10%至20%的占比为40.6%;可视率处于20%至30%的占比为15.9%;可视率处于30%至40%的占比为13.1%（图5）。

对桥西历史文化街区内地图设置的87个街景图像节点分析可知，桥西历史文化街区区域内绿视率反差大，靠近大运河、桥弄街的区域绿视率良好，靠近小河街的吉祥寺弄、毗邻桥西直街的同和里区域绿视率情况差。敬胜里与同和里相邻的开敞区域绿视率反而不及小河街区转角位置，靠近大运河区域也不全是良好区域。考虑到景观良好区域可能对天空可视的遮挡与景观较差区域有较大天空可视率的可能性，故将天空可视率数据与绿视率数据整合，从而得出整体适宜度等级（图6）。综上可知，从整体街道适宜度来看，中间段同和里、北面桥弄街以及桥西直街南段区域需要提高街道的适宜度。

三、结语

利用街景图像的语义分割方法对桥西历史文化街区进行分析，得到桥西历史文化街区绿视率和天空可视率数据，经整合数据得出整体街道适宜度数据，可为街道改造提供可量化的数据参考。从整体来看，桥西历史文化街区主要路段街道适宜度良好，少部分需改善;居民区部分景观空间不足，竖向空间上略显单调，还需在考虑可视率的情况下丰富植物配置，因地制宜地调整景观绿化。

桥西历史文化街区是杭州运河文化的活力点，当地需要在维持杭州历史街区原真性的前提下，随着时代发展适当适时地对部分街区景观空间进行调整，以实现对街道的美化，从而减少人们在街区游览过程中的疲劳感，增强其视觉上对场地氛围的环境感知。从宏观层面来看，改造桥西历史文化街区，不仅有利于传承杭州记忆和大运河历史文化，也是桥西历史文化街区编入新的时代记忆、与新时代文化融合发展的过程。

参考文献：

[1]龙瀛.（新）城市科学：利用新数据、新方法和新技术研究“新”城市[J].景观设计学，2019（2）：8-21.

[2]龙瀛，唐婧娴.城市街道空间品质大规模量化测度研究进展[J].城市规划，2019（6）：107-114.

[3]唐婧娴，龙瀛.特大城市中心区街道空间品质的测度：以北京二三环和上海内环为例[J].规划师，2017（2）：68-73.

[4]邱烨珊，车生泉，谢长坤，等.基于深度学习的上海城市街景与景观美学公众认知研究[J].中国园林，2021（6）：77-81.

[5]BADRINARAYANANV，KENDALLA，CIPOLLAR.SegNet：ADeepConvolutional Encoder-Decoder Architecture for Image Segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017（12）：2481-2495.

[6]肖希，韦怡凯，李敏.日本城市绿视率计量方法与评价应用[J].国际城市规划，2018（2）：98-103.

作者简介：

陈继超，浙江工商大学硕士研究生。研究方向：环境设计。