CN112949413B - 基于街景图片的城市景观要素分类及地方性度量方法 - Google Patents

基于街景图片的城市景观要素分类及地方性度量方法 Download PDF

Info

Publication number
CN112949413B
CN112949413B CN202110153572.3A CN202110153572A CN112949413B CN 112949413 B CN112949413 B CN 112949413B CN 202110153572 A CN202110153572 A CN 202110153572A CN 112949413 B CN112949413 B CN 112949413B
Authority
CN
China
Prior art keywords
city
landscape
elements
classification
urban
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110153572.3A
Other languages
English (en)
Other versions
CN112949413A (zh
Inventor
刘钊
汪芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN202110153572.3A priority Critical patent/CN112949413B/zh
Publication of CN112949413A publication Critical patent/CN112949413A/zh
Application granted granted Critical
Publication of CN112949413B publication Critical patent/CN112949413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于街景图片的城市景观要素分类及地方性度量方法。首先对城市的街景图片数据进行365个小类的场景分类，并构建一套地方性景观要素的分类体系来实现场景的重新分类；其次，依照该分类体系从地方性值和相似性值两个角度测度各城市的地方性水平；最后，将分类后的景观要素与道路通达性、设施密集性、功能多样性等空间要素进行耦合分析，对城市地方性的变化过程与作用机制进行刻画，以判断影响地方性差异和地方性相似的景观要素类型。这对城市具有自然特质和文化特性的地方性景观设计、营造、维持和复兴提供规划测度手段，并为城市景观的地方性传承、创造性转化、创新性发展提供新的综合规划方法。

Description

基于街景图片的城市景观要素分类及地方性度量方法
技术领域
本发明涉及信息技术、城市规划、文化地理等技术领域，尤其涉及一种基于街景图片的城市景观要素分类及地方性度量方法。
背景技术
依托于海量照片数据，互联网大数据时代产生了大量基于图片内容分析的城市研究，在内容挖掘上也越来越深入，从早期局限于旅游领域的景观偏好、游客行为、旅游目的地意向等问题的分析技术，到利用数据挖掘技术方法分析图片元数据信息，再发展到现在基于地理标签照片数据的研究。在城市景观意象和地方性特征构建的过程中，照片作为人类文明进程中容量最大的信息媒介之一，其作用不可忽视，而城市街景图片更是城市客观地理环境直观的记录者，成为地理标签照片数据中得到广泛应用的数据源。
城市街景是基于人的视角记录了城市街道层级的景象，它捕获到的是城市街道所显示的立体剖面视图，且能以精细化尺度再现人在地面上所看到或感受到的景象，比如道路平整度、路面清洁度、树木垂直结构、街道连续性以及天空开敞度等感官指标。城市街景作为视觉景观的重要载体，照片所反映地点的主观感知和体验，不仅为地点形象的描画提供了新的视角，也一定程度上反映了隐喻的象征性文化结构，即地方性。城市作为形状和功能不同的视觉实体，有关城市的内容图片便是城市视觉景观的直接且适宜的反映，并能一定程度上代替耗时又耗力的城市环境现场观测工作，尤其在较大区域范围内的城市研究上具有无可比拟的优势。
相比遥感影像和社交平台地理标记照片数据等其它数据源，城市街景图片数据具有如下优势：1)详细记录城市街道层面的环境情况。街景图片以行人的视角详细且***地记录了城市街道级别的景象，包含了城市道路、基础设施、绿化景观、城市立面等丰富的信息要素，能够较为准确地反映城市环境的基本情况。2)街景图片空间覆盖范围广、数据量大。其中，谷歌街景覆盖了114个国家及地区的范围，腾讯街景覆盖了中国296座城市，为不同国家或同一国家内不同城市之间的比较研究提供了坚实的数据来源。3)数据收集效率高，成本低。谷歌、腾讯和百度目前都向公众开放了应用程序接口(ApplicationProgramming Interface,API)，开发者可以根据自身需要自行下载街景图片，其操作流程逻辑相对简单。
近年来，计算机视觉技术尤其是图像语义解读并识别特定场景的卷积神经网络(Convolutional Neural Network,CNN)模型的发展，将具有地理标签信息的海量街景图片数据结合众包技术构建形成大型数据集，为搭建深度学习网络提供了有效的数据框架，一定程度上缩短了神经网络模型的训练和学习时长。通过大规模收集城市空间的感知信息，进而利用深度学习方法训练神经网络模型，这有利于快速实现大区域范围内的城市感知研究，并让城市街景图片数据能够越来越多地应用于城市地方特色的识别，包括地方的独特景观、符号文本、情感认知等。从早期对现代建筑的地方性研究、到社区居住形式的探讨、再到今天对历史街区的地方性研究，过去对城市尺度的地方性研究是缺乏的，更多的是更小尺度如建筑、街区尺度的研究，且一般聚焦于城市景观某个具体方面。
总而言之，就城市地方性度量方法的已有发展来说，存在着以下问题：一是需要突破既有的建筑、街区尺度，解释地方性在城市等较为宏观尺度的景观要素空间差异；二是需要突破既有的对地方性特色表征的定性分析，从图像感知城市形态的角度，以定量方法综合测度城市意象的地方性程度，并基于视觉景观对城市要素进行客观分析评价；三是需要突破传统地理元数据计算的局限，城市街景图片分析技术将数据内容挖掘从元数据为主转向图像内容和元数据二者的结合分析，从单纯的主观城市感知测量研究拓展到城市景观要素的空间特色及地方性测度为切入点，以刻画城市地方性景观的变化过程与作用机制；四是需要以定量方法构建地方性表征的测度体系，通过街景图片数据和地理空间数据的耦合，进一步分析城市地方性建构过程中影响着地方差异或相似形成的重要因素，由此判断城市地方性的保存和发展。
发明内容
为了克服现有城市景观地方性识别、测度和判断技术存在的不足，本发明以开源数据平台获取的街景图片作为主要数据来源，将传统的地方性理论和实践研究内容与计算机视觉分析方法结合，提供一种较为完整有效的地方性测度方法，具体为一种基于街景图片的城市景观要素分类及地方性度量方法，包括基于街景图片的城市景观要素分类方法、城市地方性度量方法以及二者结合实现的耦合分析。首先，采用了较为成熟的Places365-CNN数据集场景分类算法实现场景检测，将非结构化的图像数据转化为结构化的场景特征数据，对街景图片数据进行365个城市景观要素小类的分类，并构建了一套地方性景观要素的分类体系来实现场景的重新分类，可进行不同城市的主导景观要素比较。其次，依照该分类体系，从地方性值和相似性值两个角度测度各城市的地方性水平：一方面，通过数据信息挖掘算法——文档频率法(Term Frequency–Inverse Document Frequency,TF-IDF算法)，实现对各城市12类景观要素的构成及重要程度的评判，即地方性值；另一方面，基于多层结构的深度残差神经网络模型(Deep residual network,ResNet)来实现城市景观要素相似性识别模型的构建，通过模型实现各个城市图像的分类预测，并通过模型的混淆矩阵及误分类率结果，分析城市的相似性程度，即相似性值，并对相似性高的城市进行归类，以测度不同城市的各类景观要素及城市整体的地方性水平情况。最后，将景观要素分类方法和地方性度量方法结合，将分类后的景观要素与道路通达性、设施密集性、功能多样性等空间要素进行耦合分析，对城市地方性的变化过程与作用机制进行刻画，以判断影响地方性差异和地方性相似的景观要素类型。这对城市具有自然特质和文化特性的地方性景观设计、营造、维持和复兴提供规划测度手段，并为城市景观的地方性传承、创造性转化、创新性发展提供新的综合规划方法。
本发明提供如下技术方案：
一种基于街景图片的城市景观要素分类及地方性度量方法，包括以下步骤：
1)通过街景图片数据对城市景观要素进行分类，计算不同城市景观要素的占比等信息。通过网络爬虫技术从网络开放平台获取研究范围内的城市街景图片数据，采用较为成熟的Places365-CNN模型实现场景检测，将非结构化的图像数据转化为结构化的场景特征数据，对城市街景图片进行365个小类的场景分类。接下来构建一套12类城市景观要素的分类体系来实现场景的重新分类，包括山意象、水意象、林草意象、沙石意象、公共空间、交通道路、楼宇房屋、古建遗迹、商业意象、活动意象、工作意象和居住意象。再计算景观要素分类混淆矩阵，通过人工矫正图片标签的方法来提高城市景观要素分类检测结果的准确度，准确度不低于90％可通过分类结果测试。将对街景图片场景进行12类城市景观要素检测得到的概率排序前三位的景观要素作为图片的分类标签内容，即根据城市街景图片数据的场景小类和城市景观要素类别获得城市景观要素类别的概率，并对各城市12类城市景观要素类别的概率进行排序，概率高的城市景观要素可以代表该城市的主要景观类型，由此识别出最有可能的城市景观要素标签，从而可进行不同城市的主导景观要素比较。
2)为了更直观衡量某一地方性景观要素在不同城市的代表性和独特性影响，同时为了区分不同城市之间的地方性水平差异，从地方性值和相似性值两个角度测度各城市的地方性水平，识别各城市的地方性属性。在步骤1)获得的各城市12类城市景观要素比例的基础上，借助文档频率法(TF-IDF算法)来评估各个城市中12类城市景观要素的构成及重要程度，即地方性值，以获得对地方性重要程度的加权评估，识别出各个城市地方性突出的主要景观要素类别。此外，应从景观要素的相似性角度去解释城市地方性特色丧失的危机程度。基于多层结构的深度残差神经网络模型(Deep residual network,ResNet)来实现城市景观要素相似性识别模型的构建，通过模型实现各个城市图像的分类预测，从而构建起城市景观要素相似性识别的机器学习模型，并通过城市景观混淆矩阵及误分类率结果，分析判断城市间的相似性程度，并对相似性高的城市进行归类。
3)以步骤1)中获取的具有地理标记的街景图片数据为基本单元，将各城市街景图片反映的景观要素比例与在各城市地理空间所测得的道路通达性、设施密集性、功能多样性等空间要素进行灰色关联分析，对比不同城市的耦合情况差异，从而分析寻找造成城市地方性差异和地方性相似的作用机理，进一步对城市灰色关联度按照12类城市景观要素进行分类取均值，判断影响城市地方性差异和地方性相似的景观要素类型，在城市规划中应该重点关注灰色关联度平均值高的景观要素类型的空间营造。
步骤1)为基于街景图片的城市景观要素分类方法，步骤2)是在步骤1)建立的一套12类城市景观要素的分类体系基础上，从代表地方性差异的地方性值和代表地方性相似的相似性值两个角度，构建城市地方性度量方法。在步骤1)的城市景观要素分类方法和步骤2)的城市地方性度量方法的基础上，步骤3)将景观要素分类方法和地方性度量方法结合：通过步骤1)分类后的景观要素与道路通达性、设施密集性、功能多样性等空间要素的空间耦合分析，判断影响步骤2)的地方性差异和地方性相似的景观要素类型，从而实现一种基于街景图片的城市景观要素分类及地方性度量方法，实现基于视觉景观对城市要素的客观分析评价，对城市地方性景观的变化过程与作用机制的刻画，对城市地方性建构过程中影响着地方性差异或相似形成的重要因素，进一步判断城市地方性的保存和发展，从而直接影响城市规划管理和设计引导。
进一步的，所述步骤1)包括：
1.1)获取街景图片数据。考虑到街景覆盖范围的差异和定位精度准确性，选取腾讯(Tencent Street View，TSV)和谷歌街景(Google Street View，GSV)图片作为研究数据来源，国外其它国家德国以谷歌街景数据为主，国内城市以腾讯街景数据为主，从两个网站的应用程序接口下载研究区域范围内的街景图片数据。对街景图片数据的爬取通过结合ArcGIS软件提供的地理空间信息和Python编写的代码来实现。首先，依据Open Street Map(OSM)开源网站或腾讯地图网站(https://lbs.qq.com/)下载的研究区域范围内的城市路网进行取点采样，在ArcGIS软件平台中进行操作，沿道路矢量图层进行等距采点，距离可设置为500m；然后，将点的地理坐标储存成表导出，作为API调用的地址；再次，通过编写的Python程序调用谷歌地图和/或腾讯地图API，根据采样点的坐标获取相应的静态街景图片数据并实现下载、采集，采集的内容包含图片编号、地理坐标和图片内容等属性信息；最后，经过从火星坐标到WGS84地球坐标的坐标纠偏后，通过人工剔除无效样本，获取有效街景图片样本数据。
1.2)对城市街景图片进行365个小类的场景分类。在场景分类的实现上借用了目前较为成熟且应用广泛的Places365-CNN模型的数据集(https://github.com/metalbubble/places365)，其中包含了180多万张图像，并划分成了365个不同类型的场景，可用于以场景和环境为应用内容的视觉认知任务。开发者发布了在Places365上训练的各种CNN模型参数，其中残差神经网络(Residual Network)在验证集预测结果准确率上表现最佳，数值高达85.08％。因此，本方法选取了“ResNet152-Places365”场景分类模型作为街景图像识别的工具，该模型是在Places365数据集中训练的包含了152层结构的深度残差神经网络模型。利用Places365-CNN模型中已训练好的参数，将步骤1.1)中收集到的有效街景图片样本数据导入模型并进行场景识别，对于每一张图片解析并检测到最为可能的前五个场景及其概率，按照图片编号、场景1、概率1、场景2、概率2、场景3、概率3、场景4、概率4、场景5、概率5的顺序对街景图片的场景分类原始结果进行整合。每个场景都来自于Places365-CNN模型的数据集中的365个场景之一，包括飞机场、小巷、游乐园、公寓建筑、阁楼、沙漠绿植等场景，将这些场景作为城市景观要素的基础单元。
1.3)构建一套12类城市景观要素的分类体系来实现场景的进一步归类。具体来说，对365个场景进行进一步归类，涵盖自然景观、建成环境和社会生活三大方面，划分为12大类城市景观要素，包括山意象、水意象、林草意象、沙石意象、公共空间、交通道路、楼宇房屋、古建遗迹、商业意象、活动意象、工作意象和居住意象。由于国内外环境场景差异，场景识别任务会出现不适用的缺陷。因此，借用Place365-CNN场景检测模型对街景图片数据完成特征提取后，考虑场景之间的相似性和街景内容的适配性，对研究范围内的街景图片内容进行进一步分类归纳和主题意义提炼，再通过映射规则映射到新分类体系中，从而实现场景分类的任务。通过修改Place365-CNN场景检测模型分类体系，进一步形成适用于国内城市的景观要素识别归类。
1.4)计算景观要素分类混淆矩阵，判断不同类别景观要素的识别准确率是否不低于90％，对准确率不高的可通过人工矫正图片标签来提高城市景观要素分类检测结果的准确度。景观要素检测的准确程度主要通过混淆矩阵(Confusion Matrix)及其反映的误分类率(Misclassification Rate)来反映。混淆矩阵、误分类率是检验机器学习分类模型预测结果的分析指标，其中，混淆矩阵按照数据真实类别和模型预测类别集中记录并进行比较汇总，其中每一行表示图像真实的类别，每一列表示图像预测的类别。具体地，混淆矩阵中某一特定元素Mij，代表的是真实类别为i的所有样本中被预测为类别j的样本数目。对于每个类别，模型预测错误的结果数量及类别都会在矩阵中显示出来。而准确率代表的是分类完全正确的样本占总样本数量的比例，误分类率代表的是分类完全错误的样本占总样本数量的比例，数值等于1减去准确率。不同类别景观要素的识别准确率如果不低于90％，则可以较好地反映不同城市的景观要素类别组成。如果低于90％，对12个景观要素类别中的每一类，都分别从研究范围内的街景图片数据库中放回简单随机抽样上百张被识别为该类的图片，通过人工检验来判别场景预测的效果，具体做法是：将图片导入到ArcGIS软件中进行图像分割，对图片内各个景观要素建立单独图层，计算各个景观要素占全图的面积比例，再对分类场景、概率做对照，并对出现识别偏差的类别进行修订和矫正，直到该类识别准确率不低于90％，该类图片即可终止抽样。
1.5)判断各个城市最有可能的景观要素标签，进行不同城市的景观要素比较。由于图片携带的内容信息更为丰富，因此每张图片作为内容单元，可能对应多个分类的景观要素标签。基于分析的复杂性和重复性考虑，选取依照街景图片场景小类检测到的按照概率大小排序位于前三的景观要素作为图片的分类标签内容，公式如下：
s：Places365Set→Locality12Set (式1)
Figure GDA0003243903390000061
Class_P∈Places365Set，Class_L∈Locality12Set
P(LocalityClassij)＝pij·f(Class_Pi，Class_Li)，j＝[1，12] (式3)
其中，Places365Set为Places365-CNN模型的数据集中365个场景小类的集合，Locality12Set为12个城市景观要素类别的集合，式1为两个集合之间的映射；式2代表了这一映射关系的函数；式3中Class_Pi和Class-Li分别为第i样本匹配的Places365场景小类和12个城市景观要素类别中的大类，pij为第i样本中第j个城市景观要素类别占12个城市景观要素类别总数的概率；P(LocalityClassij)为第i样本中第j个城市景观要素类别的概率。由此，对每个城市的街景图片数据进行场景检测，并对各城市12类城市景观要素类别的概率P(LocalityClassij)进行排序，选择P(LocalityClassij)值最高的前三位城市景观要素类型代表该城市的主要景观类型，由此识别出最有可能的城市景观要素标签，从而可进行不同城市的主导景观要素比较。
进一步的，所述步骤2)包括：
步骤2.1)通过文档频率法(TF-IDF算法)计算所有城市中12类景观要素的地方性值。文档频率法是用于信息检索与数据挖掘的常用方法手段，原理在于关注某一要素出现在某个集合中的频度，同时强调该要素在包含所有集合的资料库中出现的频度。如果一个要素在某个集合中频繁出现但在其他集合中很少出现，则可以判定为该要素对该集合有很好的区分能力，因此可以作为该集合的代表性要素。计算公式如下：
Figure GDA0003243903390000071
Figure GDA0003243903390000072
TF-IDF(t，d，D)＝TF(t，d)*IDF(t，D) (式6)
在式4、式5和式6中，TF(t，d)是景观频率，代表的是单个景观要素t在某个景观要素集合d中出现的总频率，n(t)为单个景观要素t的数量，∑n(d)为某个景观要素集合d中景观要素的数量。IDF(t，D)代表的是单个景观要素t在整个景观要素库D中的逆文档频率，D代表所有景观要素集合d的集合，N为样本总量。IDF(t，D)的分母中计算的
Figure GDA0003243903390000073
代表的是景观要素t出现在除了景观要素集合d以外的其他景观要素集合中的次数，即某个景观要素t出现在其他城市而不出现在城市d的次数，可称其为城市d的“排除频次”。“排除频次”的数值越大，说明该景观要素在分布上越分散，对于该城市地方性贡献程度越小。通过“排除频次”计算IDF(t，D)值，将TF(t，d)和IDF(t，D)值中对应的每一项数值相乘，计算得到每个城市中12类城市景观要素在每个城市的TF-IDF(t，d，D)值，即地方性值。对每个城市的12类景观要素进行地方性值排序，可以发现不同城市景观要素表现突出的类型，由此可以比较不同城市的景观要素重要程度。
步骤2.2)计算不同城市之间的相似性，并对景观要素相似性高的城市划归为同一组团。在步骤2.1)计算各城市12类景观要素的地方性值的基础上，应从城市景观的相似性角度去解释城市地方性特色丧失的危机程度。因此，以城市为单位，对步骤1)构建的12类城市景观要素进行城市模型训练和再识别。具体地，对每一景观要素，根据样本数差异，对每一城市将单独随机抽取60％数量的街景图片作为样本构建训练集，另外20％的街景图片被纳入到测试集中，剩余的20％的街景图片用作验证集检测模型的准确性，通过ResNet残差模型搭建神经网络模型进行样本训练实现图像分类。因为某两个城市都会存在大量难以区分的街景图片，以城市为对象计算不同城市之间的景观混淆程度，实际上反映了城市在某个特定场景意象上的相似性，所以在具体分析中，以城市景观混淆矩阵中的误分类率来反映两个城市的相似性程度强弱。对城市景观混淆程度进行网络分析，具体是将城市景观混淆程度导入到软件Ucinet中进行块(Concor)聚类，从最下层开始，每一次通过相似系数最高的样本来形成上一层次中的类别，类别由多到少，直到所有的样本都合并成一类或是达到合适的分类要求为止，最终以树状图呈现出具有相似性的城市关系，越为相似的城市越早归为一类，将相似性最高的城市归为同一类簇，以直观判断景观要素相似性高的城市类簇。
进一步的，所述步骤3)包括：
步骤3.1)获取交通道路、基础设施、土地功能三类数据。从网络开源数据网站下载研究区域范围内城市兴趣点数据、土地利用数据和交通路网数据，优选的，可从OpenStreet Map(OSM)开源网站或腾讯地图网站(https://lbs.qq.com/)进行下载。对研究区域范围内的所有城市在ArcGIS中划分为一定大小如500m×500m的地理空间网格单元。
步骤3.2)计算研究区域范围内的道路通达性指标。道路通达性反映的是城市道路网***中从任一出发点到任一目的地的便利程度。依照数据可得性和量化对比性的原则，利用城市道路网的密度(Road Density Index,RDI)指数来反应空间单元的道路的通达程度。具体操作为，利用ArcGIS平台中的线密度分析工具测度空间单元的路网密度，再通过重分类工具进行道路可达性赋值，从而获得每张街景图片点所处坐标的道路网密度。计算公式如下：
Figure GDA0003243903390000081
上式中，L为划定的地理空间网格单元内道路线的总长度，A为地理空间网格单元的总用地面积，即对于500m×500m的地理空间网格单元，A为0.25km2。RDI取值越大，说明道路网越密集，交通便捷度相对而言越高。
步骤3.3)计算研究区域范围内的设施密集性指标。街道设施是空间使用者开展各类活动的重要基础，设施是否完善以及便利会对城市空间的使用和评价产生重要影响。城市兴趣点反映了商铺、座椅、电话亭等服务设施的地理信息，其在空间上分布聚集程度反映了城市空间的建设情况。本研究以城市兴趣点的点密度(POI Density Index,PDI)来测算空间设施分布的密集性，公式如下：
Figure GDA0003243903390000082
上式中，N为划定的地理空间单元内POI点的总个数，A为空间单元的总用地面积。PDI取值越大，说明空间的设施分布越密集；反之，空间设施分布越稀疏。
步骤3.4)计算研究区域范围内的功能多样性指标。城市表现在用地功能上的多样性是空间多样化的基础，地方所处的空间土地利用类型越多则意味着更多的服务种类，更利于空间功能多样性的塑造。采用生态学中的香农多样性指数(Shannon's DiversityIndex)来测量空间单元的功能多样性(Land-use Diversity Index,LDI)，计算公式如下：
Figure GDA0003243903390000091
其中，pi是划定的地理空间网格单元中第i类型用地面积占比，n为研究区域范围内总的土地利用类型数；LDI值越大，意味着单元空间中拥有更多不同类型的用地，因此空间的用地功能多样性更好，土地混合度也就更高。
步骤3.5)将计算得到的步骤3.2)的道路通达性指标、步骤3.3)的设施密集性指标和步骤3.4)的功能多样性指标赋值到步骤3.1)划分的地理空间网格单元的属性表中，并对不同城市分别建立三个空间图层。同时将街景图片的地理标签信息导入到ArcGIS软件中，将街景图片投射到相应的地理空间中，从而实现街景图片的12类景观要素属性信息与实体地理空间中反映的道路通达性、设施密集性以及功能多样性的空间匹配，最终得到每个城市的36个景观要素与空间要素关联图层，利用灰色关联分析方法计算36个图层灰色关联度。灰色关联分析(Grey Relational Analysis,GRA)方法是基于灰色***理论的一种多因素统计分析方法，通过对***中已知信息反映的特征来判断预测未知部分信息，来判断***因素之间的关联程度或不同因素对***主行为的贡献测度。通过研究***中各因素变量之间发展趋势的相似或相异程度，来反映各因素对目标对象的重要程度。其中，目标对象的数据集合被称为参考数列，影响目标对象的各因素组成的集合则被称为比较数列，公式如下：
P＝{x1，x2，......，xn} (式10)
Figure GDA0003243903390000092
Figure GDA0003243903390000093
其中，Ri代表的是关联度，εi(k)指的是关联系数，P是拥有若干个比较数列x1，x2，……，xn的集合，n为指标的个数；|x0(k)-xi(k)|是比较数列xi中每一个值到参考数列x0的绝对差值(即绝对距离)；ρ被称作分辨系数，取值一般在[0,1]区间，在本研究中取值为0.5。对36个图层的灰色关联度大小进行排序，找出各类型景观要素中最能够解释城市之间地方性差异的空间要素。空间要素和景观要素的关联度越大，说明空间要素对景观要素的地方性特征越具有决定性作用，因此需要在未来规划设计中格外注意这一要素的配置差异化和空间格局优化。
步骤3.6)将步骤3.5)中每个城市的36个图层的灰色关联度按照12类景观要素进行分类，对每一类景观要素所包含的道路通达性、设施密集性和功能多样性三个指标求取均值，以此来比较决定不同城市个体的地方性差异的景观要素类别，由此判断影响城市地方性差异和地方性相似的主要景观要素。灰色关联度平均值越高的景观要素对城市的地方性决定作用越强，因此为了保持城市富有特色，避免“千城一面”的景观同质化现象，应该对灰色关联度平均值高的景观要素提高更多的规划设计投入，并增强对该类型景观要素的空间营建。
与现有技术相比，本发明的有益效果：
本发明提供的一种基于街景图片的城市景观要素分类及地方性度量方法是通过构建一套城市景观要素的分类体系对街景图片数据表示的365个场景小类进行12大类的城市景观要素的归并分类，再从地方性值和相似性值两个角度测度各城市的地方性水平，最后结合道路通达性、设施密集性、功能多样性等空间要素进行耦合分析，以此实现基于街景图片的城市景观要素分类及地方性度量方法，从而判断不同城市的景观要素比例、地方性发展水平及影响地方性差异和地方性相似的景观要素类型，为城市建设具有地方性特质的建筑、景观、环境、风貌等提供规划技术支撑，具有以下几点技术优势：
(1)地方的形成源自于人的视觉景观，并可以从视觉景观中找到其与地方依附的关联。过去对城市地方性的规划研究多从情感认知和符号文本进行社会调查，由于过去技术手段不成熟和数据样本缺乏，对城市这种大尺度空间的视觉景观提取地方性的现场观测工作往往耗费巨大人力物力。城市图像是城市的客观记录，街景图片作为视觉景观的重要载体，海量的街景图片大数据能够弥补传统规划的主观分类和要素判断，尤其在较大区域范围内的城市研究上具有无可比拟的优势。结合地理标签的街景图片数据不仅能够反映景观特征，还能映射到地理空间反映空间特征，充分实现客观与大样本的特征，有更强的合理性。
(2)利用互联网图片大数据，基于深度学习的计算机视觉技术对街景图像进行语义分割、智能识别和内容挖掘，对城市的街景空间及环境品质进行识别和评价，不但实现了城市地方性的识别和测度，同时这种“从可见中预测不可见”的研究思路也为传统城市感知研究注入了新鲜血液，有利于对复杂的城市景观要素进行解构分类。本发明构建了一套适合中国城市景观风貌特征的城市景观要素分类体系，为城市景观规划的基础性要素分析提供分类基础，弥补之前传统研究中对景观要素分类不准确，难以批量化，大多源于经验认知等方面的不足。
(3)本发明通过对地方性和相似性两个角度测度各城市的地方性水平，再结合道路通达性、设施密集性、功能多样性等空间要素进行耦合分析，从而能够判断决定城市地方性的重要空间要素和景观要素类型，这些空间要素和景观要素类型将成为城市塑造地方性特征，设计独特城市风貌和开展具有“城市记忆”的空间营建提供引导，并为具有自然特质和文化特性的城市地方性景观设计、营造、维持和复兴提供规划测度手段，为城市景观的地方性传承、创造性转化、创新性发展提供新的综合规划方法。
附图说明
图1是本发明提供的一种基于街景图片的城市景观要素分类及地方性度量方法的流程框图。
图2是本发明实施例中太原市的12类城市景观要素比例图。
图3是本发明实施例中太原市的12类城市景观要素分类混淆矩阵图。
图4是本发明实施例中太原市的36个景观要素与空间要素关联分析结果图。
图5是本发明实施例中按照12类景观要素进行分类的太原市的36个图层的灰色关联度均值图。
具体实施方式
下面结合附图，通过具体实施例进一步阐明本发明。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于所附权利要求所限定的范围。
以下为太原市、西安市、银川市作为具体实施例来详细阐述本发明的技术方案，如图1所示，本发明提供的一种基于街景图片的城市景观要素分类及地方性度量方法包括以下步骤：
步骤1：通过网络爬虫技术从网络开放平台获取太原市、西安市、银川市的城市街景图片数据，采用较为成熟的Places365-CNN数据集场景分类算法实现场景检测，对城市景观要素进行365个小类分类。接下来构建一套12类地方性景观要素的分类体系来实现场景的重新分类，包括山意象、水意象、林草意象、沙石意象、公共空间、交通道路、楼宇房屋、古建遗迹、商业意象、活动意象、工作意象和居住意象。再计算景观要素分类混淆矩阵，通过人工矫正图片标签的方法来提高城市景观要素分类检测结果的准确度，准确度高于90％可通过分类结果测试。如对太原市街景图片场景概率排序前三位的景观要素——公共空间、交通道路、楼宇房屋作为图像的分类标签内容，再对每个城市的街景图片数据进行场景检测，并对太原市12类城市景观要素比例进行排序，比例高的城市景观要素——公共空间可以代表该城市的主要景观类型。
步骤1.1：获取太原市、西安市、银川市内的街景图片数据。启动selenium，打开腾讯街景拾取器(https://lbs.qq.com/tool/streetview/index.html)，先后搜索太原市、西安市、银川市，每次先执行清空操作，再输入要查询的位置，定义获取页面信息的函数和得到白色箭头的函数，通过模拟查询点击获得自动爬取城市内所有街景图片数据，将执行好代码下载得到的街景图片数据地理信息存储到excel表格中，主要信息包含照片编号、地理坐标两个字段以及照片自身内容属性。经过从火星坐标到WGS84地球坐标的坐标纠偏后，筛选出有效街景图片数据共计88987张，通过人工剔除街景图片拍摄画面不清晰、结构不完整及显示错误等的无效样本，最终得到67837条有效样本。
步骤1.2：进行太原市、西安市、银川市景观要素365个小类的分类。在场景分类的实现上借用Places365-CNN数据集(https://github.com/metalbubble/places365)，其中包含了180多万张图像，并划分成了365个不同类型的场景，其中残差神经网络(ResidualNetwork)在验证集预测结果准确率上表现最佳，数值高达85.08％。因此，在具体实施例中选取了“ResNet152-Places365”场景分类模型作为街景图像识别的工具，该模型是在Places365数据集中训练的包含了152层结构的深度残差神经网络模型。利用Places365-CNN模型中已训练好的参数，将所述步骤1.1中收集到的太原市、西安市、银川市有效街景图片样本数据导入模型并进行场景识别，对于每一张图片解析并检测到最为可能的前五个场景及其概率，按照图片编号、场景1、概率1、场景2、概率2、场景3、概率3、场景4、概率4、场景5、概率5的顺序对街景图片的场景分类原始结果进行整合。
步骤1.3：构建太原市、西安市、银川市12类城市景观要素的分类体系来实现场景的进一步归类。具体来说，对365个场景进行进一步归类，涵盖自然景观、建成环境和社会生活等三大方面，划分为12大类城市景观要素，包括山意象、水意象、林草意象、沙石意象、公共空间、交通道路、楼宇房屋、古建遗迹、商业意象、活动意象、工作意象和居住意象。如小巷、桥、公交站等归为交通道路，城堡、教堂、石窟、塔、宫殿、寺庙等归为古建遗迹，摩天大楼、楼梯、门廊、露台等归为楼宇房屋等。
步骤1.4：计算太原市、西安市、银川市景观要素分类混淆矩阵，判断不同类别景观要素的识别准确率是否不低于90％，对准确率不高的可通过人工矫正图片标签来提高城市景观要素分类检测结果的准确度。图3是本发明实施例的太原市的12类城市景观要素分类混淆矩阵图，其中交通道路、沙石意象、楼宇房屋、公共空间、居住意象、山意象、商业意象识别准确率分别为65％、70％、80％、82％、87％、88％、89％，这些城市景观要素都要通过人工检验来提高场景预测的效果，对太原市、西安市、银川市不同类别景观要素的街景图片数据库进行有放回的简单随机抽样，将图像导入到ArcGIS软件中进行图像分割，对图片内各个景观要素建立单独图层，计算各个景观要素占全图的面积比例，再对分类场景、概率做对照，并对出现识别偏差的类别进行修订和矫正，直到上述景观要素的识别准确率高于90％，即可结束。
步骤1.5：依照太原市、西安市、银川市街景图片场景小类检测到的按照概率大小排序位于前三的景观要素作为图像的分类标签内容，计算太原市、西安市、银川市最有可能的12类景观要素标签，进行太原市、西安市、银川市的景观要素比较。图2是本发明实施例的太原市的12类城市景观要素比例图，对太原市来说公共空间、交通道路、楼宇房屋为主要城市景观要素。
步骤2：从地方性值和相似性值两个角度测度太原市、西安市、银川市的地方性发展水平，识别太原市、西安市、银川市的地方性特征。在所述步骤1获得的太原市、西安市、银川市12类城市景观要素比例的基础上，借助文档频率法(TF-IDF算法)来评估各个城市中12类景观要素的构成及重要程度，即地方性值。此外，基于多层结构的深度残差神经网络模型(Deep residual network,ResNet)来实现太原市、西安市、银川市景观要素相似性识别模型的构建，进行太原市、西安市、银川市街景图片的分类预测，并通过太原市、西安市、银川市景观混淆矩阵及误分类率结果，分析判断太原市、西安市、银川市的相似性程度，并对相似性高的城市进行归类。
步骤2.1：通过文档频率法(TF-IDF算法)计算太原市、西安市、银川市中12类景观要素的地方性值，对每个城市的12类景观要素的地方性值进行排序，可以发现不同城市景观要素表现突出的类型，由此可以比较不同城市的景观要素重要程度。如太原市，交通道路、楼宇房屋、商业意象、公共空间和居住意象最能够代表太原市的主要景观类型，由此成为太原市景观要素标签。
步骤2.2：计算太原市、西安市、银川市之间的相似性，并对景观要素相似性高的城市划归为同一组团。在步骤2.1计算各城市12类景观要素的地方性值的基础上，以城市为单位，对步骤1构建的太原市、西安市、银川市12类城市景观要素进行城市模型训练和再识别。对每一城市将单独随机抽取60％数量的街景图片作为样本构建训练集，另外20％的街景图片被纳入到测试集中，剩余的20％的街景图片用作验证集检测模型的准确性，通过ResNet残差模型搭建神经网络模型进行样本训练实现图像分类。再以城市为对象计算太原市、西安市、银川市三者之间的景观混淆程度，以城市景观混淆矩阵中的误分类率来反映两个城市的相似性值强弱。为了更直观反映城市的相似性，再将城市景观混淆程度导入到软件Ucinet中进行块(Concor)聚类，最终以树状图呈现出具有相似性的城市关系，越为相似的城市越早归为一类，以直观判断景观要素相似性高的城市类簇。其中太原市和西安市相似程度极高，与银川市相似程度极低。
步骤3：在步骤1中获取到的带有地理标记的太原市、西安市、银川市街景图片数据为基本单元，将太原市、西安市、银川市街景图片反映的景观要素比例与在各城市地理空间所测得的道路通达性、设施密集性、功能多样性等空间要素进行灰色关联分析，对比太原市、西安市、银川市的耦合情况差异，从而分析寻找造成太原市、西安市、银川市地方性差异和地方性相似的作用机理，进一步对太原市、西安市、银川市灰色关联度按照12类景观要素进行分类取均值，判断影响太原市、西安市、银川市地方差异和地方相似的景观要素类型。
步骤3.1：从腾讯位置服务网站(https://lbs.qq.com/)上运用Python程序代码获取太原市、西安市、银川市范围内的交通道路、基础设施、土地功能三类数据。对太原市、西安市、银川市的地理范围在ArcGIS软件中划分为500m×500m的地理空间网格单元。
步骤3.2：根据道路通达性、设施密集性、功能多样性指标公式，分别对应交通道路、基础设施、土地功能三类数据，计算太原市、西安市、银川市的每个地理空间网格单元的道路通达性、设施密集性、功能多样性水平，值越大的地方颜色越深，代表道路越通达、设施越密集、功能越完善多样。
步骤3.3：将计算得到的步骤3.2的道路通达性指标、设施密集性指标和功能多样性指标赋值到步骤3.1中的500m×500m的地理空间网格单元的属性表中，并对太原市、西安市、银川市分别建立三个空间图层。同时将步骤1.1中的太原市、西安市、银川市街景图片的地理标签信息导入到ArcGIS软件中，将街景图片投射到相应的地理空间中，从而实现街景图片的12个景观要素属性信息与实体地理空间中反映的道路通达性、设施密集性以及功能多样性的空间匹配，最终得到太原市、西安市、银川市的36个景观要素与空间要素关联图层，利用灰色关联分析方法计算36个图层灰色关联度。以太原市为例，图4是本发明实施例的太原市的36个景观要素与空间要素关联分析结果图，其中功能多样性与沙石意象、设施密集性与商业意象、设施密集性与活动意象、道路通达性与商业意象、功能多样性与林草意象成为太原市关联度最强的五个要素耦合关系，这说明太原市的地方性差异主要体现在沙石意象的功能多样性和商业意象、活动意象的设施密集性上，换句话说，如果想塑造太原市的沙石意象和林草意象的地方性，可以提高土地利用功能类型多样性，如果想塑造太原市的商业意象和活动意象的地方性，可以加强区域基础设施建设。
步骤3.4：将步骤3.3中太原市、西安市、银川市的36个图层的灰色关联度按照12类景观要素进行分类，对每一类景观要素所包含的道路通达性、设施密集性和功能多样性三个指标求取均值，以此来比较决定太原市、西安市、银川市的地方性差异的景观要素类别，由此判断影响太原市、西安市、银川市地方差异和地方相似的主要景观要素。灰色关联度平均值越高的景观要素对城市的地方性决定作用越强，以太原市为例，图5是本发明实施例按照12类景观要素进行分类的太原市的36个图层的灰色关联度均值图，由此可知太原市的商业意象、活动意象和公共空间是太原市塑造地方性空间的有利景观要素类型，应该对这三类景观要素提高更多的规划设计投入，并增强对这几类景观要素的空间营建。
以上所述为本发明的具体实施方式，但本发明的保护范围不局限于以上实施例，对于本领域的技术人员而言，在不脱离本发明的原理和精神的情况下，对这些实施例进行变化、修改、替换、整合和变形仍落入本发明的保护范围内。

Claims (10)

1.一种基于街景图片的城市景观要素分类及地方性度量方法，包括以下步骤：
1)通过网络爬虫技术从网络开放平台获取研究范围内的城市街景图片数据，采用Places365-CNN模型实现场景检测，将非结构化的图像数据转化为结构化的场景特征数据，对城市街景图片进行365个小类的场景分类；接下来构建一套12类城市景观要素的分类体系对365个场景小类进行重新分类，所述12类城市景观要素是指山意象、水意象、林草意象、沙石意象、公共空间、交通道路、楼宇房屋、古建遗迹、商业意象、活动意象、工作意象和居住意象；再计算城市景观要素分类混淆矩阵，通过人工矫正图片标签的方法来提高城市景观要素分类检测结果的准确度，准确度不低于90％则通过分类结果测试；根据城市街景图片数据的场景小类和城市景观要素类别获得城市景观要素类别的概率，并对各城市12类城市景观要素类别的概率由高到低进行排序，将排在前三位的城市景观要素代表该城市的主要景观类型，由此识别出最有可能的城市景观要素标签，从而可进行不同城市的主导景观要素比较；
2)在步骤1)获得的各城市12类城市景观要素比例的基础上，一方面，借助TF-IDF算法评估各个城市中12类城市景观要素的构成及重要程度，即地方性值，以获得对地方性重要程度的加权评估，识别出各个城市地方性突出的主要景观要素类别；另一方面，基于多层结构的深度残差神经网络模型构建城市景观要素相似性识别的机器学习模型，通过模型实现各个城市图像的分类预测，该城市景观要素相似性识别的机器学习模型能够通过城市景观混淆矩阵及误分类率结果，分析判断城市间的相似性程度，并对相似性高的城市进行归类；
3)以步骤1)中获取的具有地理标记的街景图片数据为基本单元，将各城市街景图片反映的景观要素比例与在各城市地理空间所测得的包括道路通达性、设施密集性、功能多样性在内的空间要素进行灰色关联分析，对比不同城市的耦合情况差异，从而分析寻找造成城市地方性差异和地方性相似的作用机理；进一步对城市灰色关联度按照12类城市景观要素进行分类取均值，判断影响城市地方性差异和地方性相似的景观要素类型，在城市规划中重点关注灰色关联度平均值高的景观要素类型的空间营造。
2.如权利要求1所述的城市景观要素分类及地方性度量方法，其特征在于，步骤1)包括：
1.1)获取街景图片数据：首先，依据Open Street Map开源网站或腾讯地图网站https://lbs.qq.com/下载的研究区域范围内的城市路网进行取点采样，在ArcGIS软件平台中进行操作，沿道路矢量图层进行等距采点；然后，将点的地理坐标储存成表导出，作为API调用的地址；再次，通过编写的Python程序调用谷歌地图和/或腾讯地图API，根据采样点的坐标获取相应的静态街景图片数据并实现下载、采集，采集的内容包含图片编号、地理坐标和图片内容在内的属性信息；最后，经过从火星坐标到WGS84地球坐标的坐标纠偏后，通过人工剔除无效样本，获取有效街景图片样本数据；
1.2)对城市街景图片进行365个小类的场景分类：利用Places365-CNN模型中已训练好的参数，将步骤1.1)收集到的有效街景图片样本数据导入模型并进行场景识别，对于每一张图片解析并检测到最为可能的前五个场景及其概率，按照图片编号、场景1、概率1、场景2、概率2、场景3、概率3、场景4、概率4、场景5、概率5的顺序对街景图片的场景分类原始结果进行整合，每个场景都来自于Places365-CNN模型的数据集中的365个场景之一，将这些场景作为城市景观要素的基础单元；
1.3)构建一套12类城市景观要素的分类体系来实现场景的进一步归类：对365个场景小类进行进一步归类，划分为12大类城市景观要素，包括山意象、水意象、林草意象、沙石意象、公共空间、交通道路、楼宇房屋、古建遗迹、商业意象、活动意象、工作意象和居住意象；
1.4)计算景观要素分类混淆矩阵，判断不同类别景观要素的识别准确率是否不低于90％，如果低于90％则通过人工矫正图片标签来提高城市景观要素分类检测结果的准确度；
1.5)判断各个城市最有可能的景观要素标签，进行不同城市的景观要素比较：选取依照街景图片场景小类检测到的按照概率大小排序位于前三的景观要素作为图像的分类标签内容，公式如下：
s：Places365Set→Locality12Set (式1)
Figure FDA0003243903380000021
Class_P∈Places365Set，Class_L∈Locality12Set
P(LocalityClassij)＝pij·f(Class_Pi，Class_Li)，j＝[1，12] (式3)
其中，Places365Set为Places365-CNN模型的数据集中365个场景小类的集合，Locality12Set为12个城市景观要素类别的集合，式1为两个集合之间的映射；式2代表了这一映射关系的函数；式3中Class_Pi和Class_Li分别为第i样本匹配的Places365场景小类和12个城市景观要素类别中的大类，pij为第i样本中第j个城市景观要素类别占12个城市景观要素类别总数的概率；P(LocalityClassij)为第i样本中第i个城市景观要素类别的概率；由此，对每个城市的街景图片数据进行场景检测，并对各城市12类城市景观要素类别的概率P(LocalityClassij)进行排序，选择P(LocalityClassij)值最高的前三位城市景观要素类型代表该城市的主要景观类型，由此识别出最有可能的城市景观要素标签，从而进行不同城市的主导景观要素比较。
3.如权利要求2所述的城市景观要素分类及地方性度量方法，其特征在于，步骤1.1)中沿道路矢量图层进行等距采点的距离设置为500m。
4.如权利要求2所述的城市景观要素分类及地方性度量方法，其特征在于，步骤1.2)中选取“ResNet152-Places365”场景分类模型作为场景识别工具，所述“ResNet152-Places365”场景分类模型是在Places365-CNN模型的数据集中训练的包含152层结构的深度残差神经网络模型。
5.如权利要求2所述的城市景观要素分类及地方性度量方法，其特征在于，步骤1.4)中不同类别景观要素的识别准确率如果低于90％，对12个景观要素类别中的每一类，都分别从研究范围内的街景图片数据库中放回简单随机抽样上百张被识别为该类的图片，通过人工检验来判别场景预测的效果：将图片导入到ArcGIS软件中进行图像分割，对图片内各个景观要素建立单独图层，计算各个景观要素占全图的面积比例，再对分类场景、概率做对照，并对出现识别偏差的类别进行修订和矫正，直到该类识别准确率高于90％，该类图片即可终止抽样。
6.如权利要求1所述的城市景观要素分类及地方性度量方法，其特征在于，步骤2)包括：
2.1)通过TF-IDF算法计算所有城市中12类景观要素的地方性值，计算公式如下：
Figure FDA0003243903380000031
Figure FDA0003243903380000032
TF-IDF(t，d，D)＝TF(t，d)*IDF(t，D) (式6)
其中，TF(t，d)是景观频率，代表的是单个景观要素t在某个景观要素集合d中出现的总频率，n(t)为单个景观要素t的数量，∑n(d)为某个景观要素集合d中景观要素的数量；IDF(t，D)代表的是单个景观要素t在整个景观要素库D中的逆文档频率，D代表所有景观要素集合d的集合，N为样本总量；IDF(t，D)的分母中计算的
Figure FDA0003243903380000033
Figure FDA0003243903380000034
代表的是景观要素t出现在除了景观要素集合d以外的其他景观要素集合中的次数，即某个景观要素t出现在其他城市而不出现在城市d的次数，可称其为城市d的“排除频次”；“排除频次”的数值越大，说明该景观要素在分布上越分散，对于该城市地方性贡献程度越小；通过“排除频次”计算IDF(t，D)值，将TF(t，d)和IDF(t，D)值中对应的每一项数值相乘，计算得到每个城市中12类城市景观要素在每个城市的TF-IDF(t，d，D)值，即地方性值；对每个城市的12类景观要素进行地方性值排序，可以发现不同城市景观要素表现突出的类型，由此可以比较不同城市的景观要素重要程度；
2.2)计算不同城市之间的相似性，并对景观要素相似性高的城市划归为同一组团，首先以城市为单位，对步骤1)构建的12类城市景观要素进行城市模型训练和再识别，具体地，对每一景观要素，根据样本数差异，对每一城市单独随机抽取60％数量的街景图片作为样本构建训练集，另外20％的街景图片被纳入到测试集中，剩余的20％的街景图片用作验证集检测模型的准确性，通过ResNet残差模型搭建神经网络模型进行样本训练实现图像分类；再以城市为对象计算不同城市之间的景观混淆程度，具体以城市景观混淆矩阵中的误分类率来反映两个城市的相似性程度强弱。
7.如权利要求6所述的城市景观要素分类及地方性度量方法，其特征在于，步骤2.2)中将城市景观混淆程度导入到软件Ucinet中进行块聚类，从最下层开始，每一次通过相似系数最高的样本来形成上一层次中的类别，类别由多到少，直到所有的样本都合并成一类或是达到预设的分类要求为止，最终以树状图呈现出具有相似性的城市关系，越为相似的城市越早归为一类，将相似性最高的城市归为同一类簇，以直观判断景观要素相似性高的城市类簇。
8.如权利要求1所述的城市景观要素分类及地方性度量方法，其特征在于，步骤3)包括：
3.1)获取交通道路、基础设施、土地功能三类数据：从网络开源数据网站下载研究区域范围内城市兴趣点数据、土地利用数据和交通路网数据，对研究区域范围内的所有城市在ArcGIS中划分为一定大小的地理空间网格单元；
3.2)计算研究区域范围内的道路通达性指标：利用ArcGIS平台中的线密度分析工具测度空间单元的路网密度，再通过重分类工具进行道路可达性赋值，从而获得每张街景图片点所处坐标的道路网密度RDI，计算公式如下：
Figure FDA0003243903380000041
上式中，L为划定的地理空间网格单元内道路线的总长度，A为地理空间网格单元的总用地面积；RDI取值越大，说明道路网越密集，交通便捷度相对而言越高；
3.3)计算研究区域范围内的设施密集性指标：以城市兴趣点的点密度PDI来测算空间设施分布的密集性，公式如下：
Figure FDA0003243903380000051
上式中，N为划定的地理空间网格单元内兴趣点的总个数，A为地理空间网格单元的总用地面积；PDI取值越大，说明空间的设施分布越密集；反之，空间设施分布越稀疏；
3.4)计算研究区域范围内的功能多样性指标：采用生态学中的香农多样性指数来测量空间单元的功能多样性LDI，计算公式如下：
Figure FDA0003243903380000052
其中，pi是划定的地理空间网格单元中第i类型用地面积占比，n为研究区域范围内总的土地利用类型数；LDI值越大，意味着单元空间中拥有更多不同类型的用地，因此空间的用地功能多样性更好，土地混合度也就更高；
3.5)将步骤3.2)的道路通达性指标、步骤3.3)的设施密集性指标和步骤3.4)的功能多样性指标赋值到步骤3.1)划分的地理空间网格单元的属性表中，并对不同城市分别建立三个空间图层；同时将街景图片的地理标签信息导入到ArcGIS软件中，将街景图片投射到相应的地理空间中，从而实现街景图片的12类景观要素属性信息与实体地理空间中反映的道路通达性、设施密集性以及功能多样性的空间匹配，最终得到每个城市的36个景观要素与空间要素关联图层，利用灰色关联分析方法计算36个图层灰色关联度；对36个图层的灰色关联度大小进行排序，找出各类型景观要素中最能够解释城市之间地方性差异的空间要素；空间要素和景观要素的关联度越大，说明空间要素对景观要素的地方性特征越具有决定性作用，因此需要在未来规划设计中格外注意这一要素的配置差异化和空间格局优化；
3.6)将步骤3.5)中每个城市的36个图层的灰色关联度按照12类景观要素进行分类，对每一类景观要素所包含的道路通达性、设施密集性和功能多样性三个指标求取均值，以此来比较决定不同城市个体的地方性差异的景观要素类别，由此判断影响城市地方性差异和地方性相似的主要景观要素。
9.如权利要求8所述的城市景观要素分类及地方性度量方法，其特征在于，步骤3)中所述地理空间网格单元的划分大小为500m×500m。
10.如权利要求8所述的城市景观要素分类及地方性度量方法，其特征在于，在步骤3.5)所述灰色关联分析方法中，目标对象的数据集合被称为参考数列，影响目标对象的各因素组成的集合则被称为比较数列，根据下述公式计算关联度：
P＝{x1，x2，……，xn} (式10)
Figure FDA0003243903380000061
Figure FDA0003243903380000062
其中，Ri代表的是关联度，εi(k)指的是关联系数，P是拥有若干个比较数列x1，x2，……，xn的集合，n为指标的个数；|x0(k)-xi(k)|是比较数列xi中每一个值到参考数列x0的绝对差值，即绝对距离；ρ被称作分辨系数，此处取值为0.5。
CN202110153572.3A 2021-02-04 2021-02-04 基于街景图片的城市景观要素分类及地方性度量方法 Active CN112949413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110153572.3A CN112949413B (zh) 2021-02-04 2021-02-04 基于街景图片的城市景观要素分类及地方性度量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110153572.3A CN112949413B (zh) 2021-02-04 2021-02-04 基于街景图片的城市景观要素分类及地方性度量方法

Publications (2)

Publication Number Publication Date
CN112949413A CN112949413A (zh) 2021-06-11
CN112949413B true CN112949413B (zh) 2021-11-02

Family

ID=76243695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110153572.3A Active CN112949413B (zh) 2021-02-04 2021-02-04 基于街景图片的城市景观要素分类及地方性度量方法

Country Status (1)

Country Link
CN (1) CN112949413B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469019B (zh) * 2021-06-29 2022-06-14 广州市城市规划勘测设计研究院 一种景观图像特征值计算方法、装置、设备及存储介质
CN113837144B (zh) * 2021-10-25 2022-09-13 广州微林软件有限公司 一种冰箱的智能化图像数据采集处理方法
CN114565300B (zh) * 2022-03-04 2022-12-23 中国科学院生态环境研究中心 一种公众主观情感量化方法、***及电子设备
CN116091940B (zh) * 2023-01-05 2023-07-25 中国农业科学院农业资源与农业区划研究所 一种基于高分辨率卫星遥感影像的作物分类和识别方法
CN116757202A (zh) * 2023-06-26 2023-09-15 中国科学院地理科学与资源研究所 一种旅游意象偏差定量化测算方法
CN116822798B (zh) * 2023-07-06 2024-03-29 北京大学 一种用于城乡风貌特色塑造的区域地方性度量方法
CN116740506A (zh) * 2023-07-10 2023-09-12 东南大学 一种历史文化街区的形态特征要素识别提取方法
CN117079124B (zh) * 2023-07-14 2024-04-30 北京大学 一种基于社群差异化的城乡景观意象量化及提升方法
CN117437539A (zh) * 2023-10-25 2024-01-23 武汉科技大学 一种基于城乡规划的街景建筑识别管理***
CN117349126B (zh) * 2023-12-05 2024-02-09 国网辽宁省电力有限公司大连供电公司 一种基于大数据的实时信息网络日志分析方法及***
CN117710746A (zh) * 2023-12-22 2024-03-15 中国科学院地理科学与资源研究所 一种融合开放地理数据的多尺度景观功能主体类型识别方法
CN117893664A (zh) * 2024-03-14 2024-04-16 中国航空油料集团有限公司 基于OSGearth的数字孪生动态渲染方法及装置
CN117893923B (zh) * 2024-03-15 2024-06-04 中国科学院地理科学与资源研究所 一种基于蓝绿灰比例构建空间场景的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101621424B1 (ko) * 2015-11-05 2016-05-16 (주)지오투정보기술 토지적성평가를 위한 도시계획정보의 공유 표출 시스템
CN109948547A (zh) * 2019-03-20 2019-06-28 广州市城市规划勘测设计研究院 城市绿地景观评价方法、装置、存储介质及终端设备
EP3614308A1 (en) * 2018-08-24 2020-02-26 Ordnance Survey Limited Joint deep learning for land cover and land use classification
CN111291954A (zh) * 2018-12-07 2020-06-16 北京大学 一种城市景观量化分析方法
CN111881573A (zh) * 2020-07-27 2020-11-03 南京邮电大学 一种基于城市内涝风险评估的人口空间分布模拟方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7995055B1 (en) * 2007-05-25 2011-08-09 Google Inc. Classifying objects in a scene
CN109189917B (zh) * 2018-06-27 2020-07-28 华南师范大学 一种融合景观和社会特征的城市功能区划分方法及***
CN111582102B (zh) * 2020-04-28 2020-12-29 中国科学院空天信息创新研究院 基于多模态端到端网络的遥感数据精细化分类方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101621424B1 (ko) * 2015-11-05 2016-05-16 (주)지오투정보기술 토지적성평가를 위한 도시계획정보의 공유 표출 시스템
EP3614308A1 (en) * 2018-08-24 2020-02-26 Ordnance Survey Limited Joint deep learning for land cover and land use classification
CN111291954A (zh) * 2018-12-07 2020-06-16 北京大学 一种城市景观量化分析方法
CN109948547A (zh) * 2019-03-20 2019-06-28 广州市城市规划勘测设计研究院 城市绿地景观评价方法、装置、存储介质及终端设备
CN111881573A (zh) * 2020-07-27 2020-11-03 南京邮电大学 一种基于城市内涝风险评估的人口空间分布模拟方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Building type classification using spatial and landscape attributes derived from LiDAR remote sensing data";Zhenyu Lu等;《Landscape and Urban Planning》;20141031;第130卷;全文 *
"四川省主要城市市域绿色基础设施形态学空间分析及景观组成研究";谢于松等;《中国园林》;20190710;第35卷(第7期);全文 *
"基于类型和要素的城市多等级景观分类方法";钱雨果等;《生态学报》;20150831;第35卷(第15期);全文 *

Also Published As

Publication number Publication date
CN112949413A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112949413B (zh) 基于街景图片的城市景观要素分类及地方性度量方法
CN108446470B (zh) 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法
CN111651545A (zh) 一种基于多源数据融合的城市边缘区提取方法
CN114662774B (zh) 一种城市街区活力预测方法、存储介质和终端
CN113011925A (zh) 基于大数据的商业空间品质评价方法、***、设备及介质
CN115409069A (zh) 村镇建筑的识别方法、分类方法、装置、电子设备和介质
Feng et al. An SOE-based learning framework using multisource big data for identifying urban functional zones
Dukai et al. A multi-height LoD1 model of all buildings in the Netherlands
CN114708521A (zh) 基于街景图像目标关系感知网络的城市功能区识别方法及***
CN116595121B (zh) 一种基于遥感技术数据显示监测***
Biljecki et al. Raise the roof: Towards generating LOD2 models without aerial surveys using machine learning
CN112561401A (zh) 一种基于多源大数据的城市活力测度与表征方法及***
CN111797188B (zh) 一种基于开源地理空间矢量数据的城市功能区定量识别方法
CN113393149A (zh) 城市民宿选址优化方法、***、计算机设备及存储介质
Perez et al. Identifying building typologies and their spatial patterns in the metropolitan areas of Marseille and Osaka
CN111984701A (zh) 乡村聚落演化的预测方法、装置、设备及存储介质
CN116415499B (zh) 一种社区舒适感模拟预测方法
Fairclough Large Scale, long duration and broad perceptions: Scale issues in Historic Landscape Characterisation
CN116307857A (zh) 一种基于遥感图像场景理解的建成区环境评价方法
Sun et al. Automatic building age prediction from street view images
CN115689106A (zh) 复杂网络视角的区域空间结构定量识别方法、装置及设备
CN115879594A (zh) 一种基于地理探测器的城市定居人口分布趋势预测方法
CN112650949B (zh) 基于多源特征融合协同过滤的区域poi需求识别方法
CN114494850A (zh) 一种村庄无人居住院落智能识别方法及***
CN113971348A (zh) 一种基于综合能源***的源端功率短期预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant