城市尺度下的建筑色彩定量化測度
——基于街景數據與機器學習的人本視角分析

■ 葉 宇 YE Yu 仲 騰 ZHONG Teng 鐘秀明 ZHONG Xiuming

1 概述

1.1 宏觀背景：城市尺度下建筑色彩導控需求的興起

隨著新時期我國城市建設逐漸從“新區拓展”轉向“城市更新”，塑造人性化、高品質的建成環境，已在中央城市工作會議、《國家新型城鎮化規劃》、《城市設計管理辦法》等近年的重要會議與綱領性文件中成為共識[1-2]。圍繞空間品質這一核心議題，一系列立足人本視角、關注感知品質的研究與實踐正在迅速開展[3]。在此背景下，城市色彩，特別是其中最普遍且容易導控的建筑色彩，正在當前城市規劃和城市設計領域受到高度關注。北京、上海、天津、廣州、青島等多個城市都先后開展了城市建筑色彩方面的導控實踐[4]。其中建筑色彩普遍被認為是構建城市色彩總譜、建立現狀城市色彩庫、劃定城市主導色和色彩基調等工作中的核心分析內容。

1.2 當前困難：建筑色彩導控精細化與數據獲取之間的矛盾

我國建筑色彩導控的討論最早可以追溯到19世紀80年代后期[5]，而廣泛討論與實踐協同的高峰則出現于2013年之后[6]。經過多年討論與實踐，當前色彩導控在管控路徑上已初步實現與規劃體系的初步整合，在調研操作上也已經有了一套較為完整的操作路徑：首先通過數碼相機和GPS設備的輔助開展圖像采集，在色彩校準之后運用孟塞爾色彩體系，量化得出城市色彩總譜及色相、頻次等信息，進而基于這一現狀情況開展導控。當前色彩導控已從宏觀控制轉向微觀主體，強調規范化調研、量化分析和精細化導控[4]。

但這一操作路徑大多依賴于手工化的小樣本圖像采集，實際工作中大多采取選擇部分代表性區域精細化采樣的方式開展，以保證一定的工作效率。但這一方法不能解決精細化分析和大尺度需求的矛盾。短時間內開展大尺度下的圖像采樣則難以保證精細化，小范圍內的精細化分析則難以有效反映全局情況。如何解決人本視角下現狀建筑色彩的大規模、高效獲取，兼顧大規模和精細化的雙重要求，已成為建筑色彩導控進一步深化與普及化的一大障礙。高精度基礎色彩信息的缺乏，容易導致色彩導控淪為口號上的呼吁，而難以在城市營造中切實發揮作用。

2 街景數據與機器學習所展現的新可能

近年來，計算機方面的新數據與新技術向建成環境領域的不斷拓展，為以往難以定量、精細化測度的要素提供了新的可能[7-8]。街景圖像數據這一立足三維視角、關注人本尺度的數據源，為建筑色彩的定量測度提供了高質量的基礎數據。過去由于便捷、可用的分析技術缺乏，雖然街景圖像數據的重要性已在理論上被探討，但部分研究不得不停留在小規模、手工化的分析階段。隨著計算機視覺領域的發展和相關機器學習算法的開發，運用深度卷積神經網絡構架（deep convolutional neural network architecture ）來實現高效、精準的圖像數據處理和要素識別已不再困難，以SegNet等為代表的多種機器學習算法已被開發[9]。

街景數據與機器學習的結合，讓測度以往“不可測”的各項人本視角要素具有可操作性[10]，已先后被運用在城市安全感的評判[11]、街道綠色可見度提取[12]、空間品質評價[13]等諸多方面。這兩者的結合，不僅能提供全景式360°的影像信息，而且其海量、連續、高精度的特征有望解決上述建筑色彩導控中大規模要求和小尺度分析難以兼顧的問題。不僅能為建筑色彩導控實踐提供精細化的基礎數據，還能在保證人本視角精細化分析的同時快速處理城市尺度的分析，有望解決傳統建筑色彩分析拘泥于手工小樣本采集，難以大范圍運用的問題，讓城市尺度下的建筑色彩大規模、定量化測度成為可能（圖1）。

3 研究設計

3.1 研究案例

該研究以河南省開封市為分析案例。開封地處中原，作為國家級歷史文化名城和國家八大古都之一，城市建成環境較為多樣，各類歷史街區、古城風貌區、城市棚戶區和城市新區并存。近年來，鄭汴一體化的快速推進，對于城市風貌特色的維護和建筑色彩導控提出了較高的需求，需要在色彩導控方法上精細化拓展。就空間布局而言，開封市區位于整個市域的西北角，主要分為宋城片區、汴西片區、東部片區等幾大區域（圖2）。古城區位于宋城片區之中，歷代開封古城邊界基本都在宋城片區內變遷。目前宋城片區也是開封市中心所在。汴西片區則是鄭汴一體化發展下向鄭州方向拓展的城市新區。

3.2 技術路線

技術路線包括數據搜集、建筑提取、主導色計算和建筑色彩導控等四個主要步驟（圖3）。在數據搜集方面，該研究運用Python計算機語言訪問百度地圖API，實現分析區域的精細化街道路網抓取，隨后在GIS的協助下生成等距采樣點及其坐標，進而通過百度地圖API來獲取街景影像數據。在街景數據及其地理坐標獲取完成后，運用SegNet這一基于深度學習的圖像識別技術來提取建筑影像。在此基礎上，對建筑影像開展色彩校準，進而用閉運算，去除零碎部分和邊緣部分，實現精細化建筑像素提取。隨后基于相應的HSV色表計算顏色歸屬，并基于K-means聚類實現主導色提取。最終結合各個采樣點的主導色及其空間分布來協助現狀建筑色彩的分析與導控。

圖1 街景數據與機器學習算法相結合所展現的新可能

4 分析

4.1 街景數據獲取

分析區域內共有1.3萬多條街道段。街景數據采集中，以平均20m的采樣間距在開封市區范圍內的路網上生成了109 051個采樣點（圖4）。這一間距參照了楊·蓋爾在城市空間人性尺度方面的理論[14]，在減少重復性街景的同時，盡量保證精細化、可感受的結果獲取。大范圍、高精度的街景數據采樣點設置，保證了相關分析結果的全覆蓋。

每個采樣點以90°的視角寬度、0°的水平視角來抓取4張街景圖像，以實現對于人本視角和切身體驗下的街道空間環境精細化獲取。如圖5所示，以上述方式抓取的街景影像能形成無縫銜接的城市空間特征記錄。具體操作中，運用ArcGIS對于路網開展拓撲學分析和視線計算，以保證每個采樣點的前、后、左、右視圖都能平行或垂直于街道長軸方向，以實現對于街道空間的準確抽象。

4.2 基于深度學習算法的建筑要素識別

基于獲取的街景圖像數據，運用劍橋大學研究團隊開發的SegNet算法來開展建筑識別。這一基于深度卷積神經網絡的算法，可有效識別圖片中的天空、人行道、車道、建筑、綠化等要素類型[9]。部分實證研究顯示[15]，雖然這一算法針對歐洲街道環境開發，但對中國的街景要素識別也具有一定的準確度。

如圖6所示，相關街景圖像中的建筑要素會被識別及裁剪，隨后通過色彩校準后開展主導色提取和計算。在分析過程中，為了進一步提升對于建筑邊緣的識別精度，采取了OpenCV中的閉運算算法（closing algorithm）[16]來處理建筑邊緣，去除零碎部分，構建精細化的建筑識別與優化提取（圖7）。

4.3 主導色計算

圖2 案例城市區域圖

圖3 技術路線分析圖

圖4 街景數據采集點示意圖

圖5 某個采樣點上的街景數據抓取

圖6 基于SegNet的建筑圖像識別及后續分析示意圖

圖7 精細化建筑識別與優化提取

隨后，根據提取的建筑像素點顏色及其構成比例開展主導色計算。由于各個像素點顏色各異，一張圖像中往往存在數千個基礎顏色，需要對顏色開展歸并。具體操作按照色卡表和HSV顏色模型來開展。根據H、S、V所分別代表的色調(Hue)、飽和度(Saturation)、明度(Value)三個維度的數值，將多樣且分散的顏色按色卡表顏色開展歸并。最終，基于這些歸并后的典型顏色，使用K-means聚類分析來實現主導色提取。

在以每個點為單位的主導色計算完成后，可依托GIS平臺實現從點到線的轉換，基于各個街道段來構建整個開封市區超過300km2范圍內的建筑色彩分布（圖8）。總的來說，開封現狀建筑顏色較為和諧，以黑灰、米色、暖灰、灰色等顏色為主，部分淡黃、棕褐色、棕色街道段呈現集聚。較少出現對比色等過于跳躍的色彩組合，傳統穩重的灰色調居多。

4.4 分片區建筑色彩分析

上述定量化、高精度的建筑色彩數據，不僅只能用于大規模現狀分析，也能通過空間分析實現各個分片區的建筑色彩直觀反映，進而協助更落地、精準的建筑色彩導控。

如圖9所示，區域內建筑以黑、白、灰調為主，特別是古城區內建筑多為各類灰色基調，105灰、75灰和黑灰色合計占比近30%。部分老街巷及歷史建筑多呈紅、白兩色，這類暖色調主要集中在清明上河園等歷史景區附近。由此可見，開封市的宋城片區，特別是古城區域，其色彩控制較為得當，較好地落實了開封歷史保護規劃對于建筑色彩的導控要求，整體風格較為古樸、統一。古城邊緣的新建建筑則多呈現米黃色，也能較好地與歷史片區在城市風貌上實現協調。

5 討論與總結

5.1 人本視角下的大規模、高精度建筑色彩測度

圖8 開封市現狀建筑色彩識別圖

人本視角下的城市建筑色彩分析與評估，一直是構建城市色彩總譜、建立現狀城市色彩庫、劃定城市主導色和色彩基調等城市設計工作中的核心分析內容。但過去由于技術和數據的限制，人本視角往往意味著依賴專家的手工、小樣本分析，難以滿足大規模、快速實踐的需求。該研究針對這一問題，用街景數據和機器學習，開發了針對色彩分析的量化測度方法。解決了以往建筑色彩分析拘泥于手工小樣本采集，難以大范圍運用的問題，可以快速實現兼具城市尺度和高精度分析的建筑色彩量化評估與直觀展示。研究所展現的定量化分析結果，有助于建筑色彩導控實踐的精細化與落地性提升。

在新城市科學迅速發展的背景下，大量新數據、新技術的出現，有助于實現測度不可測，解決以往對于品質類非物質實體的測度和評價難題[17]。該分析方法所實現的建筑色彩這一難以測度要素的精細化度量，有望助力于更精準的城市建筑色彩評估，以及更好的城市空間品質營造。

5.2 開放數據和開源算法支持下的實踐運用可能

這一依托開放易得的街景數據和開源算法所實現的城市建筑色彩測度，在實踐運用上具有較高的普適性和易用性。一方面，以百度地圖和騰訊地圖等為代表的街景數據服務，已經實現了對于一、二線城市的高精度全覆蓋，以及相當數量的三、四線城市的中心區覆蓋，解決了實踐運用中的基礎數據來源；另一方面，相關算法普遍都實現了開源，解決了實踐運用中的易用性問題，這使得該分析框架有望在總體城市設計和城市雙修等實踐層面得到運用。首先，在基礎數據獲取上，相比于人工踏勘拍照，利用街景照片研究城市建筑色彩，能大大節約時間和成本；在分析方法上，相對于傳統的小樣本分析，利用大規模街景數據獲得更多的樣本，結果更具有說服力；其次，在研究導向上，通過量化分析而非主觀感受來揭示建筑色彩分布特征，可以高效實現精準的問題研判，助力于城市規劃和城市設計在建筑色彩分析方面的科學化。

在相對宏觀、大尺度的總體城市設計和城市雙修之外，這一分析技術還能助力于美麗街區建設和街道微更新等人本尺度城市規劃與城市設計實踐。如前所述，這一技術兼具大規模分析和高精度研判的雙重特征，能在開展全城尺度分析的同時不丟失人本尺度的細節。這讓立足全局、聚焦微觀的色彩導控成為可能，能為微更新等小尺度的設計導控和顏色選擇提供有力支撐。此外，考慮到街景數據本身會不斷更新，未來還可依托這一數據構建自動化分析與檢測平臺，實現對于城市建筑色彩的實時分析，進一步推動城市品質的提升。

5.3 研究局限與未來探索

首先，該研究的亮點在于利用街景數據與機器學習來實現建筑色彩的快速、大規模獲取。但與此同時，受限于數據源與研究技術，研究仍存在一定局限。受到數據源的局限，街景數據多為分時段采集。不同街景數據間的彩度、明度等受天氣和時間影響有所偏差，難以簡單地通過色彩校準來消除。未來計劃引入智能化的深度學習算法來進一步提升色彩校準的精確度。其次，目前的分析仍主要關注顏色構成，色彩的明度、彩度等復雜、多樣的信息需要探索適合的可視化呈現方式。下一步的工作中，計劃探索更直觀、可交互的建筑色彩可視化呈現機制，助力于更精準的城市建筑色彩導控。

圖9 宋城片區現狀建筑色彩識別及分布圖