基于圖像語義分割的歷史文化街區景觀研究

摘 要：歷史文化街區在承載城市歷史記憶和文化的同時，也承載著城市生活的公共空間屬性。基于新技術的發展，區別于主觀評價的街景圖像識別可以為歷史文化街區的保護與發展提供新的分析方法。基于圖像語義分割技術，機器通過深度學習，可對橋西歷史文化街區的街景圖像語義進行像素化識別，然后得到包含綠視率和天空可視率的街道空間品質數據集，最后通過GIS技術對歷史文化街區街景進行可視化分析，提出橋西歷史文化街區的更新優化建議。

關鍵詞：圖像語義分割;橋西歷史文化街區;街景圖像識別;大運河

2017年5月，習近平總書記就大運河文化帶建設作出批示，要求“保護好、傳承好、利用好”大運河文化遺產。大運河沿岸現存的歷史文化街區是大運河文化的載體，同樣也屬于當地城市的生活空間。如何從街區使用者的人本角度出發，有效提升歷史街區空間品質，是歷史文化街區保護與發展的重要一環。以橋西歷史文化街區為研究對象，對街區底圖數據進行補充和刪減后，選取街區景點數據，基于深度學習之全卷積網絡（FCN）對街景圖像進行語義分割，最后匯總統計得到可視化模型。此方法以定量數據結果更加準確地反映歷史文化街區使用者的空間感受。

一、建成環境歷史與量化技術概述

（一）研究對象背景

橋西歷史文化街區地處杭州市拱墅區，位于大運河杭州段的拱宸橋西側，整個街區的發展與拱宸橋密切相關。拱宸橋的歷史可以追溯到明清時期。明清時期大運河杭州段改道后，此區域借其主航道的優勢進入發展階段。《重建拱宸橋碑記》中提到，“當此轂擊肩摩之地，行李往來，固資利涉，矧其可以攔截逝水，漸使氣結沙回，捍災御患”。由于來往貿易的增加，該河段的湖墅區域發展頗具規模。此后隨著沿河經濟區塊產業迅猛發展，形成了“十里銀湖墅”的繁榮景象。

1895年，拱宸橋地區開始創辦各項產業，大量商人和僑民涌入該區域。1949年后，區域內創設了大批工廠，也帶動大量勞動人口在此居住。歲月變遷導致多元文化匯集，也使得橋西街區相比其他區域的建筑風格更加豐富。橋西街區內街道結構也從單一的橋西直街，逐漸形成“兩街四里弄”的結構，即“橋西直街、橋弄街、通源里、同和里、如意里、敬勝里、吉祥寺弄”。隨著時代變遷，運河的交通功能逐漸減弱，橋西街區的發展也逐漸走向衰落。

2007年，橋西歷史文化街區的保護與改造工作正式開始。2010年，《拱宸橋西歷史文化街區保護規劃》在杭州市規劃局進行公示，將拱宸橋西歷史文化街區分為重點保護區、建設控制地帶、環境協調區三塊。橋弄街、橋西直街是游客的主要瀏覽路徑，增加同和里、敬勝里以及吉祥寺弄的支路，形成新的路徑，并對各地塊功能板塊再劃分，增加了中國刀剪劍博物館、中國傘博物館、中國扇博物館等板塊，增加橋西直街南面休憩板塊以及以橋弄街、橋西直街為主路徑的商業板塊。

（二）研究技術背景

1984年，英國學者比爾·希列爾等以拓撲關系代替歐幾里得的傳統數學視角，結合計算機技術提出空間句法方法——通過對圖底空間進行網格分割，由得到的網格對應得出相對位置的軸線地圖，最后實現網格與軸線地圖的鏈接。而后Axman、Depthmap等集成化軟件的出現，實現了其分析方法在二維大數據新技術上的破圈。隨著多源城市大數據的完善，機器新技術也得到相應的發展，數據存儲、挖掘和可視化技術也日益完善，這都賦予了人們審視城市環境的新視角。

三維遙感模型、全景街景照片、開源地圖碼等拓展了城市空間分析方法，而街景圖片可以直觀地反映街區情況。基于街景圖片的深度學習技術，利用各類編程軟件建立多層次神經網格，對輸入對象的模型數據集對照處理后輸出解碼，從而得出相應的數據（圖1）。此技術本質是對機器進行上萬次訓練，以達到模擬人腦分析的效果，其優于人腦的是可實現以街道節點為觀察對象，通過自定義數據庫自動化地對街景圖片中的要素進行識別，從而得到各項要素占比的綜合數值。

近年來，國內也出現了街景相關的研究分析與案例，如龍瀛等運用街景圖像等數據融合街道界面，研究拓展了街道量化研究面域及可行性[1-2];唐婧嫻等利用街道圖像數據集對北京及上海街道品質進行了測量[3];邱燁珊等通過深度學習技術將景觀物理數據與街道景觀美學框架相關聯[4]。

（三）綠視率評價背景

多年來，綠地率、人均公園覆蓋面積率等指標被大量應用于空間評價。二維指標可以對景觀綠化空間做出直接的量化評價，但無法對三維的景觀效果進行評價。

1987年，國際上有學者初次提出了可用來表示空間內綠化指標的“綠視率”，至此街道綠化開始由平面評價向立體評價轉變。有關研究表示，人在環境中所接收的信息90%來自視覺[5]，所以通過人眼觀察，可得出街道空間內景觀綠化占比。

對于國內城市來說，綠視率作為綠色空間評價指標，可以為城市新舊空間街道提供新的改進意見。橋西歷史文化街區見證了杭州的歷史發展，承載著悠久的大運河文化。若要保護杭州城市歷史文化，就要提高歷史街區的街道品質。而歷史街區的街道品質與人們的直接體驗感密切相關，景觀綠化空間成為評估城市空間質量的重要指標[6]。

二、景觀覆蓋與空間感知評估

（一）街景數據獲取

第一步，參考WGS-84坐標系取得研究區域內的開放街道數據，再通過GIS對底圖的基礎路網進行補充和修整，對所有街道交叉點做節點提取。從橋西歷史文化街區規劃層面來考慮，以20米為間距進行二次描點，共計85個數據爬取點。第二步，用Python通過百度地圖街景的API，批量采集GIS繪制節點的街景，以同一坐標點采集相對坐標前后左右的街景圖片。之后對街景圖片進行核對，對于沒有采集到的街景節點進行人工采集。人工采集要在陰天無強光線干擾情況下進行，以確保環境無明顯色差。總計采集324張街景，無法識別街景圖片14張，補充街景圖片30張，合成圖片87張。

（二）街景語義分割

現采用SegNet街景圖像語義分割模型，其中樞網格基于兩個VGG16去除連接層，整體形成“Input編碼—Output解碼”的過程。環境配置使用“Anaconda+PyTorch+PyCharm”，其中數據集部分采用ADE20K數據集進行語義識別。相對于傳統數據集CityScapes的19個語義類別，其語義類別數量多達150個，并且擁有超過25 000張圖像。從街景圖片語義分割結果上來看，整體分割效果良好，對大部分元素如天空、樹、植物、建筑物、道路、墻體等的識別較為準確，但由于部分道路屬于多種分類，所以會出現顏色合并狀態，需要后期研究時對圖底進行處理（圖2）。

（三）街景數據分析

首先，在數據分析上將街區空間綠視率分為五個等級：綠視率在0%至5%，表示景觀綠化差;綠視率在5%至10%，表示景觀綠化較差;綠視率在10%至15%，表示景觀綠化居中;綠視率在15%至20%，表示景觀綠化較好;綠視率大于20%，表示景觀綠化良好。考慮到歷史文化街區的規劃要求，景觀因素可能因場地原因有不同形式的表達形態，故整合街景圖像語義分割之后的數據表，將景觀因素全部疊加，如樹、草、綠籬等，以總的占比數值為結果。

將街區天空可視率分為四個等級：可視率在0%至10%，表示天空視野狹窄;可視率在10%至20%，表示天空視野較狹窄;可視率在20%至30%，表示天空視野較好;可視率在30%至40%，表示天空視野開闊。

通過街景景觀數據表可知：綠視率處于5%以下的占比為10.3%;綠視率處于5%至10%的占比為16.2%;綠視率處于10%至15%的占比為20.7%;綠視率處于15%至20%的占比為16.1%;綠視率大于20%的占比為36.7%（圖3、4）。

通過街景天空數據表可知：可視率處于0%至10%的占比為30.4%;可視率處于10%至20%的占比為40.6%;可視率處于20%至30%的占比為15.9%;可視率處于30%至40%的占比為13.1%（圖5）。

對橋西歷史文化街區內地圖設置的87個街景圖像節點分析可知，橋西歷史文化街區區域內綠視率反差大，靠近大運河、橋弄街的區域綠視率良好，靠近小河街的吉祥寺弄、毗鄰橋西直街的同和里區域綠視率情況差。敬勝里與同和里相鄰的開敞區域綠視率反而不及小河街區轉角位置，靠近大運河區域也不全是良好區域。考慮到景觀良好區域可能對天空可視的遮擋與景觀較差區域有較大天空可視率的可能性，故將天空可視率數據與綠視率數據整合，從而得出整體適宜度等級（圖6）。綜上可知，從整體街道適宜度來看，中間段同和里、北面橋弄街以及橋西直街南段區域需要提高街道的適宜度。

三、結語

利用街景圖像的語義分割方法對橋西歷史文化街區進行分析，得到橋西歷史文化街區綠視率和天空可視率數據，經整合數據得出整體街道適宜度數據，可為街道改造提供可量化的數據參考。從整體來看，橋西歷史文化街區主要路段街道適宜度良好，少部分需改善;居民區部分景觀空間不足，豎向空間上略顯單調，還需在考慮可視率的情況下豐富植物配置，因地制宜地調整景觀綠化。

橋西歷史文化街區是杭州運河文化的活力點，當地需要在維持杭州歷史街區原真性的前提下，隨著時代發展適當適時地對部分街區景觀空間進行調整，以實現對街道的美化，從而減少人們在街區游覽過程中的疲勞感，增強其視覺上對場地氛圍的環境感知。從宏觀層面來看，改造橋西歷史文化街區，不僅有利于傳承杭州記憶和大運河歷史文化，也是橋西歷史文化街區編入新的時代記憶、與新時代文化融合發展的過程。

參考文獻：

[1]龍瀛.（新）城市科學：利用新數據、新方法和新技術研究“新”城市[J].景觀設計學，2019（2）：8-21.

[2]龍瀛，唐婧嫻.城市街道空間品質大規模量化測度研究進展[J].城市規劃，2019（6）：107-114.

[3]唐婧嫻，龍瀛.特大城市中心區街道空間品質的測度：以北京二三環和上海內環為例[J].規劃師，2017（2）：68-73.

[4]邱燁珊，車生泉，謝長坤，等.基于深度學習的上海城市街景與景觀美學公眾認知研究[J].中國園林，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，韋怡凱，李敏.日本城市綠視率計量方法與評價應用[J].國際城市規劃，2018（2）：98-103.

作者簡介：

陳繼超，浙江工商大學碩士研究生。研究方向：環境設計。