城市尺度下的建筑色彩定量化测度
——基于街景数据与机器学习的人本视角分析

■ 叶 宇 YE Yu 仲 腾 ZHONG Teng 钟秀明 ZHONG Xiuming

1 概述

1.1 宏观背景：城市尺度下建筑色彩导控需求的兴起

随着新时期我国城市建设逐渐从“新区拓展”转向“城市更新”，塑造人性化、高品质的建成环境，已在中央城市工作会议、《国家新型城镇化规划》、《城市设计管理办法》等近年的重要会议与纲领性文件中成为共识[1-2]。围绕空间品质这一核心议题，一系列立足人本视角、关注感知品质的研究与实践正在迅速开展[3]。在此背景下，城市色彩，特别是其中最普遍且容易导控的建筑色彩，正在当前城市规划和城市设计领域受到高度关注。北京、上海、天津、广州、青岛等多个城市都先后开展了城市建筑色彩方面的导控实践[4]。其中建筑色彩普遍被认为是构建城市色彩总谱、建立现状城市色彩库、划定城市主导色和色彩基调等工作中的核心分析内容。

1.2 当前困难：建筑色彩导控精细化与数据获取之间的矛盾

我国建筑色彩导控的讨论最早可以追溯到19世纪80年代后期[5]，而广泛讨论与实践协同的高峰则出现于2013年之后[6]。经过多年讨论与实践，当前色彩导控在管控路径上已初步实现与规划体系的初步整合，在调研操作上也已经有了一套较为完整的操作路径：首先通过数码相机和GPS设备的辅助开展图像采集，在色彩校准之后运用孟塞尔色彩体系，量化得出城市色彩总谱及色相、频次等信息，进而基于这一现状情况开展导控。当前色彩导控已从宏观控制转向微观主体，强调规范化调研、量化分析和精细化导控[4]。

但这一操作路径大多依赖于手工化的小样本图像采集，实际工作中大多采取选择部分代表性区域精细化采样的方式开展，以保证一定的工作效率。但这一方法不能解决精细化分析和大尺度需求的矛盾。短时间内开展大尺度下的图像采样则难以保证精细化，小范围内的精细化分析则难以有效反映全局情况。如何解决人本视角下现状建筑色彩的大规模、高效获取，兼顾大规模和精细化的双重要求，已成为建筑色彩导控进一步深化与普及化的一大障碍。高精度基础色彩信息的缺乏，容易导致色彩导控沦为口号上的呼吁，而难以在城市营造中切实发挥作用。

2 街景数据与机器学习所展现的新可能

近年来，计算机方面的新数据与新技术向建成环境领域的不断拓展，为以往难以定量、精细化测度的要素提供了新的可能[7-8]。街景图像数据这一立足三维视角、关注人本尺度的数据源，为建筑色彩的定量测度提供了高质量的基础数据。过去由于便捷、可用的分析技术缺乏，虽然街景图像数据的重要性已在理论上被探讨，但部分研究不得不停留在小规模、手工化的分析阶段。随着计算机视觉领域的发展和相关机器学习算法的开发，运用深度卷积神经网络构架（deep convolutional neural network architecture ）来实现高效、精准的图像数据处理和要素识别已不再困难，以SegNet等为代表的多种机器学习算法已被开发[9]。

街景数据与机器学习的结合，让测度以往“不可测”的各项人本视角要素具有可操作性[10]，已先后被运用在城市安全感的评判[11]、街道绿色可见度提取[12]、空间品质评价[13]等诸多方面。这两者的结合，不仅能提供全景式360°的影像信息，而且其海量、连续、高精度的特征有望解决上述建筑色彩导控中大规模要求和小尺度分析难以兼顾的问题。不仅能为建筑色彩导控实践提供精细化的基础数据，还能在保证人本视角精细化分析的同时快速处理城市尺度的分析，有望解决传统建筑色彩分析拘泥于手工小样本采集，难以大范围运用的问题，让城市尺度下的建筑色彩大规模、定量化测度成为可能（图1）。

3 研究设计

3.1 研究案例

该研究以河南省开封市为分析案例。开封地处中原，作为国家级历史文化名城和国家八大古都之一，城市建成环境较为多样，各类历史街区、古城风貌区、城市棚户区和城市新区并存。近年来，郑汴一体化的快速推进，对于城市风貌特色的维护和建筑色彩导控提出了较高的需求，需要在色彩导控方法上精细化拓展。就空间布局而言，开封市区位于整个市域的西北角，主要分为宋城片区、汴西片区、东部片区等几大区域（图2）。古城区位于宋城片区之中，历代开封古城边界基本都在宋城片区内变迁。目前宋城片区也是开封市中心所在。汴西片区则是郑汴一体化发展下向郑州方向拓展的城市新区。

3.2 技术路线

技术路线包括数据搜集、建筑提取、主导色计算和建筑色彩导控等四个主要步骤（图3）。在数据搜集方面，该研究运用Python计算机语言访问百度地图API，实现分析区域的精细化街道路网抓取，随后在GIS的协助下生成等距采样点及其坐标，进而通过百度地图API来获取街景影像数据。在街景数据及其地理坐标获取完成后，运用SegNet这一基于深度学习的图像识别技术来提取建筑影像。在此基础上，对建筑影像开展色彩校准，进而用闭运算，去除零碎部分和边缘部分，实现精细化建筑像素提取。随后基于相应的HSV色表计算颜色归属，并基于K-means聚类实现主导色提取。最终结合各个采样点的主导色及其空间分布来协助现状建筑色彩的分析与导控。

图1 街景数据与机器学习算法相结合所展现的新可能

4 分析

4.1 街景数据获取

分析区域内共有1.3万多条街道段。街景数据采集中，以平均20m的采样间距在开封市区范围内的路网上生成了109 051个采样点（图4）。这一间距参照了杨·盖尔在城市空间人性尺度方面的理论[14]，在减少重复性街景的同时，尽量保证精细化、可感受的结果获取。大范围、高精度的街景数据采样点设置，保证了相关分析结果的全覆盖。

每个采样点以90°的视角宽度、0°的水平视角来抓取4张街景图像，以实现对于人本视角和切身体验下的街道空间环境精细化获取。如图5所示，以上述方式抓取的街景影像能形成无缝衔接的城市空间特征记录。具体操作中，运用ArcGIS对于路网开展拓扑学分析和视线计算，以保证每个采样点的前、后、左、右视图都能平行或垂直于街道长轴方向，以实现对于街道空间的准确抽象。

4.2 基于深度学习算法的建筑要素识别

基于获取的街景图像数据，运用剑桥大学研究团队开发的SegNet算法来开展建筑识别。这一基于深度卷积神经网络的算法，可有效识别图片中的天空、人行道、车道、建筑、绿化等要素类型[9]。部分实证研究显示[15]，虽然这一算法针对欧洲街道环境开发，但对中国的街景要素识别也具有一定的准确度。

如图6所示，相关街景图像中的建筑要素会被识别及裁剪，随后通过色彩校准后开展主导色提取和计算。在分析过程中，为了进一步提升对于建筑边缘的识别精度，采取了OpenCV中的闭运算算法（closing algorithm）[16]来处理建筑边缘，去除零碎部分，构建精细化的建筑识别与优化提取（图7）。

4.3 主导色计算

图2 案例城市区域图

图3 技术路线分析图

图4 街景数据采集点示意图

图5 某个采样点上的街景数据抓取

图6 基于SegNet的建筑图像识别及后续分析示意图

图7 精细化建筑识别与优化提取

随后，根据提取的建筑像素点颜色及其构成比例开展主导色计算。由于各个像素点颜色各异，一张图像中往往存在数千个基础颜色，需要对颜色开展归并。具体操作按照色卡表和HSV颜色模型来开展。根据H、S、V所分别代表的色调(Hue)、饱和度(Saturation)、明度(Value)三个维度的数值，将多样且分散的颜色按色卡表颜色开展归并。最终，基于这些归并后的典型颜色，使用K-means聚类分析来实现主导色提取。

在以每个点为单位的主导色计算完成后，可依托GIS平台实现从点到线的转换，基于各个街道段来构建整个开封市区超过300km2范围内的建筑色彩分布（图8）。总的来说，开封现状建筑颜色较为和谐，以黑灰、米色、暖灰、灰色等颜色为主，部分淡黄、棕褐色、棕色街道段呈现集聚。较少出现对比色等过于跳跃的色彩组合，传统稳重的灰色调居多。

4.4 分片区建筑色彩分析

上述定量化、高精度的建筑色彩数据，不仅只能用于大规模现状分析，也能通过空间分析实现各个分片区的建筑色彩直观反映，进而协助更落地、精准的建筑色彩导控。

如图9所示，区域内建筑以黑、白、灰调为主，特别是古城区内建筑多为各类灰色基调，105灰、75灰和黑灰色合计占比近30%。部分老街巷及历史建筑多呈红、白两色，这类暖色调主要集中在清明上河园等历史景区附近。由此可见，开封市的宋城片区，特别是古城区域，其色彩控制较为得当，较好地落实了开封历史保护规划对于建筑色彩的导控要求，整体风格较为古朴、统一。古城边缘的新建建筑则多呈现米黄色，也能较好地与历史片区在城市风貌上实现协调。

5 讨论与总结

5.1 人本视角下的大规模、高精度建筑色彩测度

图8 开封市现状建筑色彩识别图

人本视角下的城市建筑色彩分析与评估，一直是构建城市色彩总谱、建立现状城市色彩库、划定城市主导色和色彩基调等城市设计工作中的核心分析内容。但过去由于技术和数据的限制，人本视角往往意味着依赖专家的手工、小样本分析，难以满足大规模、快速实践的需求。该研究针对这一问题，用街景数据和机器学习，开发了针对色彩分析的量化测度方法。解决了以往建筑色彩分析拘泥于手工小样本采集，难以大范围运用的问题，可以快速实现兼具城市尺度和高精度分析的建筑色彩量化评估与直观展示。研究所展现的定量化分析结果，有助于建筑色彩导控实践的精细化与落地性提升。

在新城市科学迅速发展的背景下，大量新数据、新技术的出现，有助于实现测度不可测，解决以往对于品质类非物质实体的测度和评价难题[17]。该分析方法所实现的建筑色彩这一难以测度要素的精细化度量，有望助力于更精准的城市建筑色彩评估，以及更好的城市空间品质营造。

5.2 开放数据和开源算法支持下的实践运用可能

这一依托开放易得的街景数据和开源算法所实现的城市建筑色彩测度，在实践运用上具有较高的普适性和易用性。一方面，以百度地图和腾讯地图等为代表的街景数据服务，已经实现了对于一、二线城市的高精度全覆盖，以及相当数量的三、四线城市的中心区覆盖，解决了实践运用中的基础数据来源；另一方面，相关算法普遍都实现了开源，解决了实践运用中的易用性问题，这使得该分析框架有望在总体城市设计和城市双修等实践层面得到运用。首先，在基础数据获取上，相比于人工踏勘拍照，利用街景照片研究城市建筑色彩，能大大节约时间和成本；在分析方法上，相对于传统的小样本分析，利用大规模街景数据获得更多的样本，结果更具有说服力；其次，在研究导向上，通过量化分析而非主观感受来揭示建筑色彩分布特征，可以高效实现精准的问题研判，助力于城市规划和城市设计在建筑色彩分析方面的科学化。

在相对宏观、大尺度的总体城市设计和城市双修之外，这一分析技术还能助力于美丽街区建设和街道微更新等人本尺度城市规划与城市设计实践。如前所述，这一技术兼具大规模分析和高精度研判的双重特征，能在开展全城尺度分析的同时不丢失人本尺度的细节。这让立足全局、聚焦微观的色彩导控成为可能，能为微更新等小尺度的设计导控和颜色选择提供有力支撑。此外，考虑到街景数据本身会不断更新，未来还可依托这一数据构建自动化分析与检测平台，实现对于城市建筑色彩的实时分析，进一步推动城市品质的提升。

5.3 研究局限与未来探索

首先，该研究的亮点在于利用街景数据与机器学习来实现建筑色彩的快速、大规模获取。但与此同时，受限于数据源与研究技术，研究仍存在一定局限。受到数据源的局限，街景数据多为分时段采集。不同街景数据间的彩度、明度等受天气和时间影响有所偏差，难以简单地通过色彩校准来消除。未来计划引入智能化的深度学习算法来进一步提升色彩校准的精确度。其次，目前的分析仍主要关注颜色构成，色彩的明度、彩度等复杂、多样的信息需要探索适合的可视化呈现方式。下一步的工作中，计划探索更直观、可交互的建筑色彩可视化呈现机制，助力于更精准的城市建筑色彩导控。

图9 宋城片区现状建筑色彩识别及分布图