基于图像语义分割的关中“文商旅街区”30年景观视觉变迁*

毕芳菲 蔺宝钢

1 西安建筑科技大学建筑学院 西安 710048

2 西安工程大学城市规划与市政工程学院 西安 710055

随着大众旅游时代到来,城市旅游逐渐兴旺,历史文化街区为了迎合时代需求,也常伴随文旅开发行为。1990年以来,一大批传统历史文化街区正在朝新时代“文商旅街区”转型,它们更加注重文化融合,且旅游属性更加明显[1]。如此背景之下,关中“文商旅街区”的发展现状如何?拟将“景观视觉”作为研究切入点对历史文化街区建设与发展情况进行剖析。

“景观视觉”的相关研究始于20世纪60年代,它往往从观察者的角度对景观进行考察,是组织景观要素过程,探讨景观感知、景观评价的重要指标[2]。目前“景观视觉”的研究主要划分成“景观视觉审美”和“视觉景观质量”两种研究范式[3-6]。“景观视觉审美”认为“景观偏好受到社会和文化特征影响”[7],该范式通常将“对景观的熟悉程度”作为影响“景观审美”的重要因素,重视观赏者的主观感知层面[7]；“视觉景观质量”认为“景观视觉偏好受到早期生存选择的影响”[8],倾向于对客观因素的指标评级,如“森林/水面等地貌结构、各种文化特征(考古价值)和生物、生态结构”等[9]。上述两种范式虽然出发点有所不同,但均表明图像对于视觉特征的感知与识别有着重要影响。

“景观视觉吸引”原理是“视觉景观质量”的重要分支方向,它是刘滨谊教授及团队基于计算机领域的“视觉注意(Visual Attention)”理论提出的概念[10]。该原理认为观赏者的视觉会通过快速的生理感知与心理认知被景观环境空间中的视觉刺激物(人们视线的焦点)吸引[11],是景观空间质量的重要判断标准[12]。目前关于景观视觉吸引的研究主要集中在滨水、城市绿道和森林公园等景观空间[13-15],研究对象以自然景观空间为主,将景观视觉吸引物分为“建筑构筑物、名胜古迹、标志系统、摄影取景点”等14种类型[6,8,16](表1)。

近年来,图像的语义分割作为计算机视觉领域中一个较为活跃的研究方向引起了广泛的关注[17]。全 卷 积 神 经 网 络(Fully Convolutional Networks,FCN)作为像素级语义分割手段[18],能够进行图像数据的识别、分类和回归等操作[19],目前已有不少研究针对街景等空间展开评估工作,如交通条件[20]、建筑环境[21]等其他物理因素,他们为研究提供了有益的借鉴。基于此,本文以FCN为工具,对3处关中“文商旅街区”30年(1990—2020年)的图像信息进行语义分割,以探索关中文商旅街区的景观视觉变迁。

1 研究区域与研究方法

1.1 研究区域

选取西安市三学街、咸阳市三原县东大街和渭南市韩城古城街3条街区作为研究对象。3条街区的开发以居民为主导,政府职能多为完善基础设施建设、引导协作,主要盈利模式为招商出租收益；横向来看,3条街区具有开发相似性。

1.2 FCN技术的使用

1.2.1 景观图像的采集

通过翻阅县志资料和Cityspace、百度等开源数据库的搜索,找到46张街区照片作为史料参考(旧照),照片拍摄时间为1990—2010年；在2020年2月18日—4月10日,再次进行多次拍摄,以尽可能体现出街道风貌和贴近旧照为原则,共拍摄46张相同地段的街区现状照片(图1)。

图1 新、旧照图像采集示例

1.2.2 景观图像的预处理

为了提高模型数据强度以降低过度拟合的情况,使用平移、旋转、缩放、翻转等手动标记方式对图像进行标签分类；然后对照片执行样本随机化处理[22]；最后对FCN进行上采样(即反卷积操作,Deconvolution)。该方法主要是为了获取图像中景观像素相应位置的最大值,以便实现对横向景观图像的像素分类[23]。

1.2.3 景观图像的数据清理

上采样操作会导致景观图像整体分辨率的降低,为了进一步柔化细节、恢复图像,还需要对图像进行连续的卷积核池化操作[24]。在卷积核池化操作后,原始图像的大小会成倍数变小,在第5次进行卷积池操作后,图像大小变为原始图像的1/32,此时继续进行卷积池操作后,图像不再变小,而特征图(feature map)数量变少,此时再次执行反卷积操作以恢复原始图像大小,这一步骤主要用于优化语义分割的结果。

1.2.4 基于FCN的语义分割识别

景观图像数据的语义分割是对图像中的每个像素进行精确分割,并判断其所属的场景类别[24]。使用Python的第三方库函数读取横向图像,通过FCN对图像中的景观元素进行特征分类,并输出语义分割结果[25-26]。

1.3 数据对比分析方法

1.3.1 街区景观视觉刺激物类型分析

首先,按照“自然、半自然、人工、其他”4个大类,对“景观视觉吸引”理论所提出的景观视觉刺激物类型展开梳理,作为研究基础材料。其次,将FCN语义分割所筛选出的图像刺激物类型与之进行横向比对。比对结果即“文商旅街区”景观视觉刺激物类型。

1.3.2 街区景观视觉刺激物类型变化分析

根据FCN语义分割结果,对“新、旧照”中各项景观视觉刺激物类型占比情况进行整理。利用SPSS软件对“新、旧照”中各项景观视觉刺激物类型占比的前、后变化采取“配对t检验和Wilcoxon检验”两种检验方法,以获得准确的景观视觉刺激物类型占比变化结果。

1.3.3 街区植物景观变迁与人群分布分析

对发生显著性变化的景观视觉刺激物类型进行重点关注,将各时期照片进行图层叠加运算,生成景观刺激物类型面积占比转移矩阵,获得各时期景观视觉刺激物类型的垂直变化。与此同时,将“植物”与“人群分布”作为重要的图示信息,根据“新、旧照”中的图像信息语义分割结果,对其进行平面化处理,发现各时期“植物”这一视觉刺激物与“人群分布”之间的内生关系。

2 结果与分析

2.1 街区景观视觉刺激物的类型

通过FCN语义分割图像,筛选出“建筑/构筑物、天空/瞬时的自然景象、植物”等共15类图像刺激物(图2),将其与研究基础材料进行对比发现,“常与其他视觉刺激物类型混合出现(隐性视觉刺激物)、不占显著视觉吸引地位”等视觉刺激物不作为本次研究的重点关注内容,因此共梳理出12类关中“文商旅街区景观视觉刺激物类型”(表1)。

表1 “文商旅街区”景观视觉刺激物类型

图2 FCN图像数据分割结果

2.2 街区景观视觉刺激物类型变化

对“新、旧照”中各项景观视觉刺激物类型占比检验结果发现,“建筑/构筑物、广告与装饰物、植物、销售物品、人群分布、道路系统、基础设施”7项景观视觉刺激物类型呈现出显著性变化(表2)。

表2 “文商旅街区”各景观视觉刺激物类型占比检验结果

2.3 30年关中“文商旅街区”景观变迁

重点关注发生显著性变化的7项景观视觉刺激物类型,对各时期照片进行图层叠加运算,生成景观刺激物类型面积占比转移矩阵(表3、表4、表5),获得各时期景观视觉刺激物类型的垂直变化。

表3 1990—2000年发生显著性变化的景观视觉刺激物类型转移矩阵 %

表4 2000—2010年发生显著性变化的景观视觉刺激物类型转移矩阵 %

表5 2010—2020年发生显著性变化的景观视觉刺激物类型转移矩阵 %

“建筑/构筑物”“道路系统”的视觉面积占比持续减少,“建筑/构筑物”大多被转化为“广告与装饰物、植物、销售物品、交通车辆”,“道路系统”对“人群分布”转化的面积较多,能够明显看到该时期内的街区使用者数量明显增加,且“商业化建设”对“人文景观”存在一定程度的压缩。

“广告与装饰物”“销售物品”“人群分布”“基础设施”的视觉面积占比处于持续增长的状态,这一变化与“文商旅街区”的主题诉求一致,也从侧面佐证了政府对于文商旅街区开发的态度,可以认为以历史文化街区为基底的“文商旅街区”基础建设工作是卓有成效的。从促进地区经济建设的角度看,“文商旅街区”应该是成功的。但持续上涨的“销售物品”占比倾轧了“建筑/构筑物”的面积占比,“人群分布”对“交通车辆”的转化面积也较多,难免形成“商大于文”的景观倾向。

“植物”的视觉面积出现从低到高的波动状态,根据2010—2020年的走势(上升趋势),基本可以认定街区绿化已经被纳入街区景观的重要建设环节。

2.4 街区植物景观变迁与人群分布

“植物”景观视觉刺激物类型是关中“文商旅街区”中重要的自然景观组成部分,关注自然景观对人文环境的影响,有助于平衡“文商旅街区”的景观视觉吸引。在深入分析变化较大的视觉刺激物类型后,发现各景观视觉刺激物类型均与“人群分布”存在不同程度的影响,即街区空间和人群行为之间存在互动、耦合关系。将“植物”与“人群分布”作为重要的图示信息,根据“新、旧照”中的图像信息语义分割结果,对其进行平面化处理(图3),从新旧照“人群分布”的对比结果发现,三学街和韩城古城街区在30年的“文商旅街区”转型中,人群分布表征逐渐从“无相似性”转成具有“一定的相似性”；从新旧照中“植物”种植变化看,发现西安三学街和渭南市韩城古城街区植物均具有“小面积”增加的特性(表6)。

表6 1990—2020年人群分布的特征变化

图3 根据图像语义分割结果的人群位置平面转化

结合前述出现“相似性”转变的共性特征,可以做出以下判断:当街道视觉景观开阔时,人群分布呈现出“沿建筑的线性”特征；当街道视觉景观被植物等绿色植物大面积覆盖时,人群分布呈现出“散点性”的特征。因此,植物景观的密集程度对人群分布的状态显著相关。

3 优化建议

1)管控“商业”类型景观视觉刺激物。文商旅街区目前主要针对历史重要性一般的街区进行商业改造,其目的是在弘扬传统文化的同时实现商业的创收,但目前文商旅街区的“商业”属性已然较重,适当对“商业”类型的景观视觉刺激物加以控制,提高“文化与自然”属性的景观视觉刺激物占比是“文商旅”街区下一步要关注的重点；还可考虑增加“人文诗词、植物”等视觉刺激物。

2)减少“交通车辆”的出现比例。“建筑/构筑物、道路系统”的景观视觉面积占比在30年文商旅街区发展的过程中持续缩小,该现象将不利于文商旅街区的人文景观构建,且容易形成游览视野的闭塞感。认为可以适当减少“交通车辆”的出现比例,可尝试通过限行、限时等手段辅助,以增加视觉的开阔度,也有助于形成良好的文商旅街区氛围。

3)增加“植物”景观视觉刺激物类型。增加绿色植物在街道景观中的视觉面积占比对街区人群分布散点性展开有明显驱动作用。结合文商旅街区的发展目标,该方法将有助于游览者多角度、全方位的形成游憩体验,但考虑到历史文化街区基底,一般可通过花坛、盆栽等形式辅助,结合原有植物群落共同打造街区植物景观。

4 结论与讨论

研究基于全卷积神经网络技术,通过对文商旅街区景观视觉刺激物类型、街区景观变迁、街区植物景观变迁与人群分布等内容的调查研究发现:“建筑/构筑物、广告与装饰物、植物、销售物品、人群分布、道路系统、基础设施”等7项景观视觉刺激物类型呈现出显著性变化,而该变化亦反映出“文商旅街区”景观的“服务性”意识正在逐渐增强。其中,“建筑/构筑物、道路系统”的景观视觉面积占比呈持续减少状态,而“广告与装饰物、销售物品、人群分布、基础设施”等的景观视觉面积占比则呈现出持续增长,“植物”的景观视觉面积占比则呈现出由少到多的波动状态。与此同时,植物景观的密集程度对人群分布特征具有显著相关性。

本研究是“景观视觉吸引”原理的一次延伸探索,借助图像对比的研究思路,对关中“文商旅街区”的街区景观变迁进行分析总结,并在此过程中发现植物景观对人群分布的影响。但研究同时存在一定不足,图片无法完全真实反映景观环境中可能包含的其他影响因素,如声音、温度、光线等,这些均会对研究结果中人群分布的准确性产生一定影响。未来研究应从动态角度入手,如尝试视频记录和眼动仪等仪器的使用等。本研究作为初期的一次调查演示,为中后期大规模的关中景观变迁调查提供了研究信息。