CN116246076A - 一种传统民居院落肌理特征识别应用方法和系统 - Google Patents
一种传统民居院落肌理特征识别应用方法和系统 Download PDFInfo
- Publication number
- CN116246076A CN116246076A CN202211698495.0A CN202211698495A CN116246076A CN 116246076 A CN116246076 A CN 116246076A CN 202211698495 A CN202211698495 A CN 202211698495A CN 116246076 A CN116246076 A CN 116246076A
- Authority
- CN
- China
- Prior art keywords
- courtyard
- subclass
- texture
- patio
- data
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/7625—Hierarchical techniques, i.e. dividing or merging patterns to obtain a tree-like representation; Dendograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种传统民居院落肌理特征识别应用方法,其包括:院落特征提取步骤提取符合院落特征指标的院落特征;院落亚类分类步骤对院落数据进行亚类分类;院落亚类预测步骤对新的院落数据进行亚类预测;院落特征对比步骤生成对单个院落的特征对比分析。基于院落特征指标高效解析肌理变异性和共性,构建了普遍认知及人工智能的院落肌理认知体系,整合了建筑和计算机的多学科认知,填补了建筑学类型和计算机技术领域交叉领域的空白,形成院落传统肌理特征解析和城市更新方案院落肌理多样性评估,完善了风貌特征量化方式,形成了完整的服务于传统民居院落肌理特征识别的产品工具,能够塑造基于中国传统院落肌理的城市空间多元风貌。
Description
技术领域
本发明涉及传统民居院落肌理特征识别应用,尤其涉及的是,一种传统民居院落肌理特征识别应用方法和系统。
背景技术
空间肌理一词源于“城市肌理”概念的衍生与分化,属于城市空间形态研究范畴,关注城市空间要素构成的基本特征与组织关系,强调重复性与规律性。中国传统城市肌理是自然地理因素和人为规划共同作用的结果,能反映城市历史街区或地段的特色,同时具有一定空间尺度的面状的建成城市环境,具有清晰的结构性层次关系,由自然地理因素、街巷网络、街坊建筑等构成。传统建筑以院落为主的组织方式,呈现均质的秩序性。院落肌理的解析能够揭示中国传统肌理的变异性和共性。
长久以来,我国的专家学者已在地域尺度建立起完善的院落肌理类型学研究成果。如住建部编写的《中国传统民居类型全集》基于地域和形式特征对民居也就是院落进行分类;常青则专注于风土建筑谱系,根据地域、文化地理特性、谱系基质分类,谱系基质也就是聚落形态、宅院形制等。同时,在历史地段更新过程中,各专家学者也基于项目强调了因地制宜、从传统肌理空间归纳和汲取经验的必要性,如吴良镛提出的“有机更新”理论,张杰提出的“小规模改造与整治”方法,童明提倡的“城市肌理对于城市设计至关重要”等。吴良镛在北京菊儿胡同改造项目时提出“类四合院”的概念,是对类型学所主张的逻辑类推和对原型的转换和发展。马炳坚撰写的《北京四合院建筑》按照北京四合院的进深数量、组合形式,将其分为八类。田银生应用形态类型学,对广州传统民居“竹筒屋”在类型学的基础上、根据平面形态细分。周俭应用类型学,对上海老城厢历史文化街区院落的特征进行识别、分类、归纳、再现。
目前已有的肌理类型学研究尺度跨越大,有基于地域尺度的规律性大类总结,也有一些项目尺度的小类研究,缺少在地域标准分类下因地制宜的“亚类”研究方法。基于城市、项目尺度的类型学研究成果逐步涌现,对院落肌理的研究多集中在建筑组合方式、形状和尺度、细部和构件等类型学特征总结。如陈品祥等人在对《乾隆京城全图》的研究中,将《乾隆京城全图》矢量化并进行院落房屋数据采集,在乾隆图中采集了11760个院落,并根据房屋间数、院落数量、是否规则三个因素将其划分为12种类型,但每种类型中院落的形态仍可以分为很多种亚类。李菁在对《乾隆京城全图》中合院建筑模式的研究中,从图中选取部分区域,将其中的院落进行提取、整理、归纳、分类,并研究了基于核心院落产生的3种演变类型,以及每种演变类型下多种变体。周俭等人在2007年对上海历史街区的城市设计中,采用类型学的思路,根据不同的建筑形态、建筑群体组合及空间布局关系,将其空间肌理特征归纳为5大类、7小类,并在进行城市设计时对这些类型进行了空间形态的重组。传统的定性方法在项目尺度上,需要大量研究投入才能归纳出准确的亚类,难以成为普适性的分类方法。
同时,在过去几十年中涌现了一系列利用GIS及计算机技术进行城市肌理的量化特征提取及分析的方法,例如空间句法(Conroy-Dalton,2003;Franz and wiener,2008)、Isovists分析(Batty,2001;Llobera,2003)、可步行性(Ewing and Handy,2009)、基于密度的定量分析(Pont 2007)等。然而这些肌理识别特征提取方法没将建筑形态纳入考虑,无法诠释更复杂的城市建筑肌理。
近年来,还有研究者以街区为城市肌理研究单元,尝试更细致的量化指标方法。如Bosher等(Bosher et al.,2018)提出采用面积、容积率、建筑周长、街区空洞面积、等一系列指标进行城市肌理指标计算。王昀(王昀,2016)提出通过住居面积、住居重心等指标提取,分析世界不同传统聚落的肌理特征。Li(Xin Li et al.,2018)利用GIS技术针对武汉汉口以街区(Block)为单元的城市肌理进行形状、质地、密度等指标提取。同时,我们观察到仅在部分基于院落固定范式的生成式设计的相关研究成果中,有院落肌理相关的研究内容(Wang,2019;Wang,2021)。目前量化方法具备解析肌理的能力,然而少有研究关注院落肌理特征的挖掘。通过量化特征提取,后续则多采用回归树、随机森林、支持向量机等机器学习方法进行自动化聚类(Bosher et al.,2018)。如E.Brigatti等(E.Brigatti et at.,2021)采用香农信息熵以及分层聚类分析(Hierarchical Clustering),针对全球66个不同文化及区域的城市街区形态进行族群聚类。Li(Xin Li et al.,2018)采用PCA以及K-Means无监督分类方法,针对不同街区类型进行归类及空间分布分析。几何图形学指标难以用数字化方式表征,人为设计的有限指标,无法捕捉复杂的空间肌理特征,而进一步导致聚类结果无法体现肌理亚类间细微的变化差异,需进一步引入基于计算机视觉解析的深度学习网络模型。
近年来,学者们开始尝试结合计算机视觉、神经网络算法等技术进行高效率的城市肌理识别及类型学探索。Vahid Moosavi(Vahid Moosavi,2017)利用卷积自编码器(Convolutional Autoencoder,CAE)提取街道网络空间特征,并通过自组织地图(self-organizing map)针对编码矢量进行自动归类。Jia Dong(Jia Dong et al.,2019)也采用CAE方法针对南京的街区单元的肌理进行特征提取,并采用分层聚类分析(HierarchicalClustering)机器学习算法进行无监督聚类。Chuangfei Liu(Liu et al.,2020)等提出用手机信令通过自编码器(Autoencoder)无监督深度学习模型,寻找相似城市相似肌理区位。然而,无监督深度学习方法将聚类过程黑箱化,无法支撑对传统肌理内在生成逻辑的诠释,也为后续政策指引应用带来一系列的困难,因此不少学者也开始尝试采用监督深度学习方法进行分析。如Zhou Fang等针对阿姆斯特丹、巴塞罗那、柏林及布拉格等地的街区肌理,采用CNN方法,进行属地类别、形态类别、年代类别等特征的神经网络模型建构,采用监督方法进行类别预测(Zhou Fang et al.,2020)。姚佳伟等(姚佳伟,等,2019)以北京、上海、广州等十几个城市的肌理数据为例,采用图像降维及卷积神经网络方法,建立高、中、密城区、交通干道和立体交通、公共建筑和工厂等五种城市类型的图像识别和评价体系。需结合专家知识,通过监督模型提高准确性,通过整合无监督算法提高效率,设计混合算法,以整合不同模型框架的任务适用性及效率。
但是,目前市面暂无针对中国传统院落肌理的具体产品。
发明内容
本发明提供一种传统民居院落肌理特征识别应用方法和系统,所要解决的技术问题包括:如何整合建筑和计算机的多学科认知,形成完整的服务于传统民居院落肌理特征识别的产品工具,以塑造基于中国传统院落肌理的城市空间多元风貌。
本发明的技术方案如下:
一种传统民居院落肌理特征识别应用方法,其包括:
院落特征提取步骤,用于对院落数据提取符合院落特征指标的院落特征;
院落亚类分类步骤,用于根据所提取的院落特征对院落数据进行亚类分类;
院落亚类预测步骤,用于根据亚类分类对新的院落数据进行亚类预测;
院落特征对比步骤,用于对比具有院落特征指标和亚类分类结果的至少两份院落数据,生成对单个院落的特征对比分析。
优选的,院落特征提取步骤包括:
基于院落和建筑矢量数据,提取院落几何特征;
基于院落和建筑矢量数据,生成院落平面图谱;
基于院落平面图谱,提取院落图形学特征值。
优选的,院落亚类分类步骤包括:
基于院落几何特征和院落图形学特征值,对院落数据进行亚类分类;
根据亚类分类结果,对每种院落亚类的各项几何特征指标进行分析描述,形成院落亚类数据库。
优选的,院落亚类预测步骤包括:
采用院落几何特征和院落图形学特征值作为自变量,采用亚类分类结果作为因变量,训练院落亚类预测模型;
根据院落亚类预测模型对新的院落数据进行亚类预测。
优选的,院落特征指标包括基础指标院落建筑数量、院落建筑密度、院落周长、院落面积、院落空间尺度、院落空间尺度、平均建筑面积、院落方正程度、院落中心对称性、院落建筑多样性、院落建筑离散度、院落进数、院落开间数、院落朝向、内部庭院面积、主体建筑面积、主体建筑空间尺度和主体建筑的空间尺度。
优选的,院落特征对比步骤中,还生成对街区整体的亚类分布变化分析。
优选的,所述传统民居院落肌理特征识别应用方法还包括院落方案比选步骤,用于根据对单个院落的特征对比分析和对街区整体的亚类分布变化分析,比较至少两份院落数据的院落方案,选择延续街区原有的院落肌理特征的院落方案。
优选的,所述传统民居院落肌理特征识别应用方法还包括院落方案评价步骤,用于根据对单个院落的特征对比分析和对街区整体的亚类分布变化分析,对至少两份院落数据的院落方案给出评价。
优选的,所述传统民居院落肌理特征识别应用方法还包括院落方案自动化设计步骤,用于根据对单个院落的特征对比分析和对街区整体的亚类分布变化分析,自动生成新的院落方案,或者自动改进至少两份院落数据的院落方案。
优选的,一种传统民居院落肌理特征识别应用系统,其基于任意项中所述传统民居院落肌理特征识别应用方法而实现。
采用上述方案,本发明基于院落特征指标高效解析肌理变异性和共性,构建了普遍认知及人工智能的院落肌理认知体系,整合了建筑和计算机的多学科认知,填补了建筑学类型和计算机技术领域交叉领域的空白,形成院落传统肌理特征解析和城市更新方案院落肌理多样性评估,完善了风貌特征量化方式,形成了完整的服务于传统民居院落肌理特征识别的产品工具,能够塑造基于中国传统院落肌理的城市空间多元风貌。
附图说明
图1为本发明传统民居院落肌理特征识别应用方法的一个实施例的示意图;
图2为本发明的另一个实施例的院落特征提取步骤示意图;
图3为本发明的另一个实施例的院落亚类分类步骤示意图;
图4为本发明的另一个实施例的院落亚类预测步骤示意图;
图5为本发明的另一个实施例的院落特征对比步骤示意图;
图6为本发明的另一个实施例的院落建筑数量统计示意图;
图7为本发明的另一个实施例的院落建筑密度计算示意图;
图8为本发明的另一个实施例的院落周长计算示意图;
图9为本发明的另一个实施例的院落面积计算示意图;
图10为本发明的另一个实施例的院落面宽计算示意图;
图11为本发明的另一个实施例的院落进深计算示意图;
图12为本发明的另一个实施例的院落中心对称性计算示意图;
图13为本发明的另一个实施例的院落建筑多样性计算示意图;
图14为本发明的另一个实施例的院落建筑离散程度计算示意图;
图15为本发明的另一个实施例的内部庭院面积计算示意图;
图16为本发明的另一个实施例的主体建筑面积计算示意图;
图17为本发明的另一个实施例的主体建筑面宽计算示意图;
图18为本发明的另一个实施例的主体建筑进深计算示意图;
图19为本发明的另一个实施例的院落亚类数据库的院落平面图谱示意图;
图20为本发明的另一个实施例的院落亚类数据库的院落平面图谱示意图;
图21为本发明的另一个实施例的院落亚类数据库的院落平面图谱示意图。
具体实施方式
为了便于理解本发明,下面结合附图和具体实施例,对本发明进行更详细的说明。但是,本发明可以采用许多不同的形式来实现,并不限于本说明书所描述的实施例。需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。除非另有定义,本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中所使用的术语只是为了描述具体的实施例的目的,不是用于限制本发明。
本发明整合了建筑、计算机等多学科认知,结合建筑测量、地理信息系统(Geographic Information System,GIS)、深度学习等多方面技术,提出了一种传统民居院落肌理特征识别应用方法,其包括:院落特征提取步骤、院落亚类分类步骤、院落亚类预测步骤和院落特征对比步骤。优选的,本发明的传统民居院落肌理特征识别方法由院落特征提取步骤、院落亚类分类步骤、院落亚类预测步骤、院落特征对比步骤四部分组成。
对应的,本发明也提供了一种传统民居院落肌理特征识别应用系统,其基于任意实施例中所述传统民居院落肌理特征识别应用方法而实现。也就是说,所述传统民居院落肌理特征识别应用系统具有实现所述传统民居院落肌理特征识别应用方法各个步骤的功能性装置,或者所述传统民居院落肌理特征识别应用系统采用了所述传统民居院落肌理特征识别应用方法而实现。本发明基于院落特征指标高效解析肌理变异性和共性,构建了普遍认知及人工智能的院落肌理认知体系,整合了建筑和计算机的多学科认知,填补了建筑学类型和计算机技术领域交叉领域的空白,形成院落传统肌理特征解析和城市更新方案院落肌理多样性评估,完善了风貌特征量化方式,形成了完整的服务于传统民居院落肌理特征识别的产品工具,能够塑造基于中国传统院落肌理的城市空间多元风貌。
优选的,院落特征提取步骤用于对院落数据提取符合院落特征指标的院落特征;院落亚类分类步骤用于根据所提取的院落特征对院落数据进行亚类分类;院落亚类预测步骤用于根据亚类分类对新的院落数据进行亚类预测;院落特征对比步骤用于对比具有院落特征指标和亚类分类结果的至少两份院落数据,生成对单个院落的特征对比分析。对应的,所述传统民居院落肌理特征识别应用系统包括院落特征提取装置、院落亚类分类装置、院落亚类预测装置和院落特征对比装置,院落特征提取装置用于对院落数据提取符合院落特征指标的院落特征;院落亚类分类装置用于根据所提取的院落特征对院落数据进行亚类分类;院落亚类预测装置用于根据亚类分类对新的院落数据进行亚类预测;院落特征对比装置用于对比具有院落特征指标和亚类分类结果的至少两份院落数据,生成对单个院落的特征对比分析。依此类推。
对所述传统民居院落肌理特征识别应用方法,如图1所示,优选的,第一建筑数据和第一街巷数据整合构成第一院落数据,也可以将第一建筑数据和第一街巷数据加入第一院落数据,输入院落特征提取模块,提取院落特征后导入第一院落特征数据库,院落亚类分类模块进行院落亚类分类,配合外部辅助解读形成院落亚类数据库;院落亚类预测模块根据院落亚类数据库构建出院落亚类预测模型;第二建筑数据和第二街巷数据整合构成第二院落数据,也可以将第二建筑数据和第二街巷数据加入第二院落数据,同样输入院落特征提取模块,提取院落特征后建立或者导入第二院落特征数据库,基于院落亚类预测模型得到院落亚类预测结果,院落特征对比模块结合院落亚类预测结果和院落亚类数据库,得到院落特征对比结果。
对院落特征提取步骤,如图2所示,优选的,选取目标区域后进行原始数据采集,采集建筑数据和街巷数据整合构成院落数据,或者将建筑数据和街巷数据加入院落数据,然后进行几何特征提取和矢量转栅格;几何特征提取包括院落面积计算、院落对称性评价、建筑分布离散程度评价、主体建筑判断等,矢量转栅格后生成院落平面图谱,然后提取院落图形学特征值,配合几何特征提取的结果共同得到院落几何特征指标,构成院落特征数据库。
对院落亚类分类步骤,如图3所示,优选的,根据院落特征数据库、选择用于亚类分类模型的几何特征指标和图形学特征值,进行层次聚类,然后进行合理性评定,判断分类合理性是否达到要求,否则修改模型参数和训练集,继续进行层次聚类,是则进行亚类组间分析,建立含有院落平面图谱的院落亚类数据库。
对院落特征预测步骤,如图4所示,优选的,根据院落亚类数据库,选择用于亚类预测模型的几何特征指标和图形学特征值,采用随机森林算法训练分类模型,然后进行精度评定,判断分类精度是否达到要求,否则修改模型参数和训练集,继续采用随机森林算法训练分类模型,是则建立亚类分类模型,输出院落亚类预测结果;并且对于新的院落数据,例如整合了第二建筑数据和第二街巷数据的第二院落数据,采用院落特征提取模块提取院落特征后建立或者导入第二院落特征数据库,根据亚类分类模型,输出院落亚类预测结果。
对院落特征对比步骤,如图5所示,优选的,第一建筑数据和第一街巷数据整合构成第一院落数据,建立第一院落亚类数据库;第二建筑数据和第二街巷数据整合构成第二院落数据,建立第二院落亚类数据库;进行单个院落特征比较分析,然后进行街区整体亚类分布分析,输出院落特征对比结果。
优选的,院落特征提取步骤包括:基于院落和建筑矢量数据,提取院落几何特征,院落几何特征可以称为特征或者院落特征;基于院落和建筑矢量数据,生成院落平面图谱;基于院落平面图谱,提取院落图形学特征值。例如,基于院落几何特征和建筑矢量数据,生成院落平面图谱。对应的,所述传统民居院落肌理特征识别应用系统的院落特征提取装置包括基于院落和建筑矢量数据,提取院落几何特征的几何特征提取模块;基于院落和建筑矢量数据,生成院落平面图谱的矢量转栅格模块;基于院落平面图谱,利用深度学习技术,提取院落图形学特征值的卷积自动编码器模块。依此类推,后面不再进行重复说明。例如,院落特征提取步骤对包括院落规模、院落形制、院落朝向、院落中建筑规模与分布情况、院落中主体建筑特征的几何特征指标与院落平面图谱的图形学特征值进行特征提取,形成院落特征数据库。
优选的,院落特征指标包括基础指标院落建筑数量、院落建筑密度、院落周长、院落面积、院落空间尺度、院落空间尺度、平均建筑面积、院落方正程度、院落中心对称性、院落建筑多样性、院落建筑离散度、院落进数、院落开间数、院落朝向、内部庭院面积、主体建筑面积、主体建筑空间尺度和主体建筑的空间尺度。具体的指标体系如下表1所示。
表1
例如,院落特征提取步骤的技术框架由基于开源GIS的图形几何特征提取技术和基于深度学习的卷积自动编码器技术共同组成。其中,基于开源GIS的图形几何特征提取技术负责提取院落几何特征,基于深度学习的卷积自动编码器技术负责提取院落图形学特征值。下面给出具体的实施例,基于开源GIS的图形几何特征提取技术主要以用来处理地理空间数据的python第三方库geopandas中的各个功能模块为基础搭建,首先读取建筑、院落和街巷矢量数据,对其进行坐标系投影校正、空间筛选、空间连接等基础处理,之后通过对数据的空间结构进行描述和分析,得到院落规模、院落形制、院落朝向、院落中建筑规模与分布情况、院落中主体建筑特征等一系列量化的,同时也是人类可读的指标。基于以上方法就可以开发院落几何特征提取所需的子模型。
例如,基于院落和建筑矢量数据,提取院落几何特征,具体包括:
院落建筑数量统计步骤如图6所示,通过空间统计院落内建筑个数得到院落建筑数量;
院落建筑密度计算步骤如图7所示,通过空间计算得到院落内建筑占地面积总和与院落面积,再用前者和后者的比值得到院落建筑密度;
院落周长计算步骤如图8所示,通过空间计算院落形成的多边形一周的长度得到院落周长;
院落面积计算步骤如图9所示,通过空间计算院落形成的多边形的面积得到院落面积;
院落朝向判定步骤,先生成院落的外接矩形,通过四个顶点的经纬度判断其在平面坐标系上的相对位置,从而判断其较长边的朝向。院落的朝向和较长边的朝向一致得到院落朝向;
院落面宽计算步骤如图10所示,先生成院落的外接矩形,再分析空间计算较短边也就是面宽的长度得到院落面宽;
院落进深计算步骤如图11所示,先生成院落的外接矩形,再分析空间计算较长边也就是进深的长度得到院落进深;
平均建筑面积计算步骤,通过空间计算得到院落内建筑的占地面积,再通过计算平均值得到平均建筑面积;
院落方正程度计算步骤,通过空间计算院落多边形各顶点角度的极差和标准差得到院落方正程度;例如,各顶点角度默认为院落多边形各内角角度;大于180度的凹角因为不能正确反映院落方正程度,所以选择其反角;接近直线的角在大多数情况下也不能反映院落方正程度,所以剔除了所有大于170度的角。
院落中心对称性计算步骤如图12所示,先提取院落中轴线,然后空间计算中轴线左侧建筑面积和右侧建筑面积,再取两者的比值得到院落中心对称性;例如,院落中轴线的提取方法为:先生成院落的外接矩形;然后选取两条较短边中点连线生成,也就是和较长边保持平行。
院落建筑多样性计算步骤如图13所示,通过空间计算得到院落内各个建筑的面积,再统计其方差得到院落建筑多样性;
院落建筑离散程度计算步骤如图14所示,先用空间计算院落内各建筑重心之间直线距离,再统计其均值和标准差得到院落建筑离散程度;
院落进数计算步骤,先提取院落中轴线,再用空间分析得到与中轴线相交的建筑数量,最后用中轴线上建筑数量减一也就使中轴线上建筑数量-1得到院落进数;
院落开间数计算步骤,先计算院落面宽,再用面宽/6米得到院落开间数;因为6米为1开。
内部庭院面积计算步骤如图15所示,先用空间分析工具擦除建筑矢量和院落矢量相重叠的部分获得内部庭院矢量,再用空间计算内部庭院面积得到内部庭院面积;
主体建筑面积计算步骤如图16所示,先提取院落中轴线,再用空间分析识别出与中轴线相交的主体建筑,最后空间计算主体建筑的占地面积得到主体建筑面积;例如,主体建筑的识别方法为:先识别出所有和中轴线相交的院落内建筑,然后识别出中轴线上占地面积最大的建筑,将其作为主体建筑。
主体建筑面宽计算步骤如图17所示,先提取院落中轴线,再用空间分析识别出与中轴线相交的主体建筑,然后计算主体建筑的面宽得到主体建筑面宽;
主体建筑进深计算步骤如图18所示,先提取院落中轴线,再用空间分析识别出与中轴线相交的主体建筑,然后计算主体建筑的进深得到主体建筑进深。
其他特征依此类推。
本发明的这些实施例通过构建基于智能认知或者专业认知及人工智能的院落肌理认知方法,形成院落传统肌理特征解析、城市更新方案院落肌理多样性评估两大优点,将完善已有的风貌特征量化体系架构,为城市设计和计算机领域融合发展提供桥梁,引领地域传统院落肌理基因数据标准建设。还基于监督方法和非监督方法的人工智能混合模型传统肌理研究,具有领先性和原创性,填补了建筑学类型和计算机技术领域交叉领域的空白。并且通过高效解析肌理变异性和共性,明确传统类型学成果的应用方向,并对传统建筑涉及业务流程进行提质增效,精准赋能空间形态设计,提供城市空间多元风貌塑造的新范式。
在具体的实施例应用中,基于深度学习的图像识别技术使用PyTorch开源人工智能训练框架为基础搭建,利用卷积自编码器(Convolutional Autoencoder,CAE),通过神经网络将输入数据编码为较少的特征向量,输入数据也就是院落和建筑矢量数据例如院落的平面图像,从而达到提取院落平面图谱的图像特征值的目的。基于以上方法和步骤,可以对所述传统民居院落肌理特征识别应用系统开发院落图形学特征值提取所需的各个子模型。卷积自编码器作为自动编码器,它是一种无监督的深度学习算法,由编码器(Encoder)和解码器(Decoder)两个神经网络组成。编码器将高维输入数据压缩为低维潜在代码,也就是将院落的平面图像压缩为潜在代码或编码空间,以从中提取最相关的信息,而解码器则对编码数据进行解压缩并重新创建原始输入。这种架构的目标是在编码时最大化信息并最小化重构误差。
例如,基于院落和建筑矢量数据,生成院落平面图谱,包括:基于院落和建筑矢量数据,通过空间数据连接和栅格化处理,针对院落边界的对象形成单一院落图片数据库,并通过预标签处理植入灰度信息,生成院落平面图谱。也就是说,矢量转栅格模块基于院落和建筑矢量数据,通过空间数据连接和栅格化处理,针对院落边界的对象形成单一院落图片数据库,并通过预标签处理植入灰度信息,生成院落平面图谱。
采用提取出的院落几何特征也就是院落几何特征指标与院落图形学特征值形成院落特征数据库,分别执行院落亚类分类步骤、院落亚类预测步骤、院落特征对比步骤,例如分别输入院落亚类分类步骤模块、院落亚类预测步骤模块、院落特征对比步骤模块,得到所需的结果,继续说明如下。
优选的,院落亚类分类步骤包括:基于院落几何特征和院落图形学特征值,对院落数据进行亚类分类;根据亚类分类结果,对每种院落亚类的各项几何特征指标进行分析描述,形成院落亚类数据库。例如,基于院落特征提取步骤提取出的院落几何特征指标与院落图形学特征值,利用层次聚类方法,对院落数据进行亚类分类;利用院落数据分类结果,对每种院落亚类的各项几何特征指标进行分析描述,形成院落亚类数据库;同时生成每种院落亚类的院落平面图谱集,以方便更好地对院落亚类进行解释和固定。
在具体的实施例应用中,院落特征提取步骤提取出的院落几何特征指标与院落图形学特征值,作为院落特征数据库输入K-Means聚类、层次聚类、密度聚类等机器学习方法,进行无监督、自动化聚类。例如采用分层聚类分析(Hierarchical Clustering Analysis,HCA)作为院落亚类分析步骤的基础。在层次聚类中,每一个观测值首先自成一类,这些类每次两两合并,直到所有的类被聚成一类为止。由于聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性,因而十分适合利用反映了院落空间肌理的几何特征指标与院落图形学特征值进行亚类分类探索,为解读探索和最终固定亚类类型学特征提供了良好的算法基础。该实施例的层次聚类算法可以使用python中的机器学习库scikit-learn框架搭建。利用上述院落亚类分类步骤的结果,对每种院落亚类的各项几何特征指标进行分析描述,形成院落亚类数据库。同时生成每种院落亚类的院落平面图谱集,方便对院落亚类进行解释和固定。
院落亚类数据库特征分布表示例如下表2和表3所示,该院落亚类数据库特征分布表只作为一个示例而不是限制。
表2
表3
优选的,院落亚类数据库的院落平面图谱如图19、图20及图21所示,具体同上所述。
优选的,院落亚类预测步骤包括:采用院落几何特征和院落图形学特征值作为自变量,采用亚类分类结果作为因变量,训练院落亚类预测模型;根据院落亚类预测模型对新的院落数据进行亚类预测。例如,根据院落亚类数据库,采用院落几何特征和院落图形学特征值作为自变量,采用亚类分类结果作为因变量,训练院落亚类预测模型;根据院落亚类预测模型对新的院落数据进行亚类预测。例如,以院落特征提取步骤提取出的院落几何特征指标与院落图形学特征值为自变量,以院落亚类分类步骤和自动解读相结合,或以院落亚类分类步骤和辅助解读相结合固定下来的院落亚类分类结果为因变量,训练院落亚类预测模型。利用训练出的院落亚类预测模型,对新的院落数据进行亚类预测。
在具体的实施例应用中,以院落特征提取步骤提取出的院落几何特征指标与院落图形学特征值为自变量,以院落亚类分类步骤结合解读得出的院落亚类分类结果为因变量,输入随机森林、K近邻、支持向量机等机器学习方法,自动化训练出有监督分类模型。例如采用随机森林(Random Forest,RF)作为院落亚类预测步骤的基础。随机森林是通过集成学习的Bagging思想,将多棵决策树集成为一个更强的分类器的算法。由于引入了随机性和集成思想,随机森林具有准确性高、不易过拟合、训练速度快等优点。由已有院落亚类数据库训练出的随机森林分类模型可以应用于新的院落特征数据库,快速预测出新数据的院落亚类分类结果。该实施例的随机森林算法可以采用python中的机器学习库scikit-learn框架搭建。
例如,院落特征对比步骤通过输入两份不同的、各自带有特征指标和亚类分类结果的院落数据,自动生成对单个院落的特征对比分析和对街区整体的亚类分布变化分析。优选的,院落特征对比步骤中,还生成对街区整体的亚类分布变化分析。也就是说,院落特征对比步骤用于对比具有院落特征指标和亚类分类结果的至少两份院落数据,生成对单个院落的特征对比分析,还有对街区整体的亚类分布变化分析。在具体的实施例应用中,院落特征对比步骤可以使用python中的数据分析工具库pandas搭建。利用数据筛选、数据拼接、数值计算、分组统计等功能模块,对输入的两份各自带有特征指标和亚类分类结果的院落数据进行对比,自动生成对单个院落的特征对比分析和对街区整体的亚类分布变化分析。
优选的,所述传统民居院落肌理特征识别应用方法还包括院落方案比选步骤,用于根据对单个院落的特征对比分析和对街区整体的亚类分布变化分析,比较至少两份院落数据的院落方案,选择延续街区原有的院落肌理特征的院落方案。优选的,所述传统民居院落肌理特征识别应用方法还包括院落方案评价步骤,用于根据对单个院落的特征对比分析和对街区整体的亚类分布变化分析,对至少两份院落数据的院落方案给出评价。本发明结合深度学习的图像特征值提取技术与中国传统院落肌理知识体系,通过数字化传统设计行业中的各项指标,形成院落亚类分类的探索和类型学数据库以及基于院落肌理分析平台,能快速、自动化、标准化地提取传统街区层级研究范围内较大数量院落数据集的空间肌理特征,同时以参数可变的无监督聚类方法自动或者辅助进行院落亚类分类,形成符合类型学判断的院落亚类肌理特征数据库与平面图谱,引领地域传统院落肌理基因数据标准建设。还可以作为院落方案设计与比选的参考依据,对于已经形成的院落亚类肌理特征数据库可以用于训练分类模型,从而对新的院落数据库快速形成亚类预测,大大缩短传统设计中建立地方知识体系的流程,助力建筑设计行业在跨地域创作中对地方风貌特征实现更好的传承创新、更好更快地完成设计任务。同时,方法基于院落方案对比平台,快速、自动化、标准化地对比传统街区层级研究范围内较大数量院落数据集的特征指标和亚类分布,从而评估设计方案是否延续了街区原有的院落肌理特征,方便多种院落设计方案比选,提供城市空间多元风貌塑造的新范式。
优选的,所述传统民居院落肌理特征识别应用方法还包括院落方案自动化设计步骤,用于根据对单个院落的特征对比分析和对街区整体的亚类分布变化分析,自动生成新的院落方案,或者自动改进至少两份院落数据的院落方案。例如,院落方案自动化设计步骤中,还根据接收到的用户需求,自动按用户需求生成符合院落特征指标的院落特征,然后自动生成新的院落方案,或者自动改进院落方案。
本发明的实施例因此具有以下优点:
针对离散、非标准化的建筑设计数据,本发明提供了标准的、快速的传统街区数据集的集成方案,并通过指标和亚类自动化提取,为用户提供满足建筑行业专家认知的定量化、标准化的数据解读基础。
针对用户在传统肌理研究中的数据预处理、特征工程、分类学习、分类报告等离散的工作内容提供一站式解决方案,帮助用户形成快速分类结果,从而提升对于传统街区层级研究范围内较大数量院落空间肌理的学习效率,方便学者和设计师对于新场地快速形成准确的初步认识。
针对肌理分类业务逻辑提供针对性的接口,对于其他处理流程进行高度内聚化,仅针对聚类数量及特征指标组合这两个关键接口指标进行开放,用户可以通过修改聚类数量和选择聚类所用的特征指标,快速生成多组分类结果,进行互相比较与类型学研究,从而增进院落亚类分类结果的合理性。
可针对百万量级院落单体数据进行批量处理,并成功将单批次处理时间缩短至秒级,极大的提升了相关业务人员的工作效率。
在本发明提出之前,没有其他技术能够达到以上优点。
进一步地,本发明的实施例还包括,上述各实施例的各技术特征,相互组合形成的传统民居院落肌理特征识别应用方法和系统。
需要说明的是,上述各技术特征继续相互组合,形成未在上面列举的各种实施例,均视为本发明说明书记载的范围;并且,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围;也就是说,尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种传统民居院落肌理特征识别应用方法,其特征在于,包括:
院落特征提取步骤,用于对院落数据提取符合院落特征指标的院落特征;
院落亚类分类步骤,用于根据所提取的院落特征对院落数据进行亚类分类;
院落亚类预测步骤,用于根据亚类分类对新的院落数据进行亚类预测;
院落特征对比步骤,用于对比具有院落特征指标和亚类分类结果的至少两份院落数据,生成对单个院落的特征对比分析。
2.根据权利要求1所述传统民居院落肌理特征识别应用方法,其特征在于,院落特征提取步骤包括:
基于院落和建筑矢量数据,提取院落几何特征;
基于院落和建筑矢量数据,生成院落平面图谱;
基于院落平面图谱,提取院落图形学特征值。
3.根据权利要求2所述传统民居院落肌理特征识别应用方法,其特征在于,院落亚类分类步骤包括:
基于院落几何特征和院落图形学特征值,对院落数据进行亚类分类;
根据亚类分类结果,对每种院落亚类的各项几何特征指标进行分析描述,形成院落亚类数据库。
4.根据权利要求3所述传统民居院落肌理特征识别应用方法,其特征在于,院落亚类预测步骤包括:
采用院落几何特征和院落图形学特征值作为自变量,采用亚类分类结果作为因变量,训练院落亚类预测模型;
根据院落亚类预测模型对新的院落数据进行亚类预测。
5.根据权利要求1所述传统民居院落肌理特征识别应用方法,其特征在于,院落特征指标包括基础指标院落建筑数量、院落建筑密度、院落周长、院落面积、院落空间尺度、院落空间尺度、平均建筑面积、院落方正程度、院落中心对称性、院落建筑多样性、院落建筑离散度、院落进数、院落开间数、院落朝向、内部庭院面积、主体建筑面积、主体建筑空间尺度和主体建筑的空间尺度。
6.根据权利要求1到5任意项中所述传统民居院落肌理特征识别应用方法,其特征在于,院落特征对比步骤中,还生成对街区整体的亚类分布变化分析。
7.根据权利要求6所述传统民居院落肌理特征识别应用方法,其特征在于,还包括院落方案比选步骤,用于根据对单个院落的特征对比分析和对街区整体的亚类分布变化分析,比较至少两份院落数据的院落方案,选择延续街区原有的院落肌理特征的院落方案。
8.根据权利要求6所述传统民居院落肌理特征识别应用方法,其特征在于,还包括院落方案评价步骤,用于根据对单个院落的特征对比分析和对街区整体的亚类分布变化分析,对至少两份院落数据的院落方案给出评价。
9.根据权利要求6所述传统民居院落肌理特征识别应用方法,其特征在于,还包括院落方案自动化设计步骤,用于根据对单个院落的特征对比分析和对街区整体的亚类分布变化分析,自动生成新的院落方案,或者自动改进至少两份院落数据的院落方案。
10.一种传统民居院落肌理特征识别应用系统,其特征在于,基于权利要求1到9任意项中所述传统民居院落肌理特征识别应用方法而实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211698495.0A CN116246076B (zh) | 2022-12-28 | 2022-12-28 | 一种传统民居院落肌理特征识别应用方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211698495.0A CN116246076B (zh) | 2022-12-28 | 2022-12-28 | 一种传统民居院落肌理特征识别应用方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116246076A true CN116246076A (zh) | 2023-06-09 |
CN116246076B CN116246076B (zh) | 2023-08-11 |
Family
ID=86625186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211698495.0A Active CN116246076B (zh) | 2022-12-28 | 2022-12-28 | 一种传统民居院落肌理特征识别应用方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246076B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951239A (zh) * | 2024-03-21 | 2024-04-30 | 中国电建集团西北勘测设计研究院有限公司 | 街道空间破碎度确定方法及装置、电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160363653A1 (en) * | 2014-12-30 | 2016-12-15 | Huazhong University Of Science And Technology | Above-ground building recognition method and navigation method combining laser and infrared |
CN108875583A (zh) * | 2018-05-23 | 2018-11-23 | 河海大学 | 一种基于城市建筑分类的tnl-gdp回归模型构建方法 |
JP2021179839A (ja) * | 2020-05-14 | 2021-11-18 | 株式会社日立製作所 | 地物の分類システム、分類方法及びそのプログラム |
CN114357558A (zh) * | 2021-11-22 | 2022-04-15 | 安徽建筑大学 | 传统村落空间肌理参数化建构方法 |
CN114494850A (zh) * | 2021-12-22 | 2022-05-13 | 首都师范大学 | 一种村庄无人居住院落智能识别方法及系统 |
CN114693064A (zh) * | 2022-02-25 | 2022-07-01 | 山东建筑大学 | 一种建筑群方案生成性能评价方法 |
-
2022
- 2022-12-28 CN CN202211698495.0A patent/CN116246076B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160363653A1 (en) * | 2014-12-30 | 2016-12-15 | Huazhong University Of Science And Technology | Above-ground building recognition method and navigation method combining laser and infrared |
CN108875583A (zh) * | 2018-05-23 | 2018-11-23 | 河海大学 | 一种基于城市建筑分类的tnl-gdp回归模型构建方法 |
JP2021179839A (ja) * | 2020-05-14 | 2021-11-18 | 株式会社日立製作所 | 地物の分類システム、分類方法及びそのプログラム |
CN114357558A (zh) * | 2021-11-22 | 2022-04-15 | 安徽建筑大学 | 传统村落空间肌理参数化建构方法 |
CN114494850A (zh) * | 2021-12-22 | 2022-05-13 | 首都师范大学 | 一种村庄无人居住院落智能识别方法及系统 |
CN114693064A (zh) * | 2022-02-25 | 2022-07-01 | 山东建筑大学 | 一种建筑群方案生成性能评价方法 |
Non-Patent Citations (1)
Title |
---|
林春华 等: "GIS技术在城市院落管理中的应用", 测绘与空间地理信息, no. 02, pages 168 - 170 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951239A (zh) * | 2024-03-21 | 2024-04-30 | 中国电建集团西北勘测设计研究院有限公司 | 街道空间破碎度确定方法及装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116246076B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101271469B (zh) | 一种基于三维模型库下二维图像的识别和物体的重建方法 | |
Cheng et al. | Modelling urban growth patterns: a multiscale perspective | |
CN110135351A (zh) | 基于城市建筑空间数据的建成区边界识别方法及设备 | |
CN110120097A (zh) | 大场景机载点云语义建模方法 | |
CN115512216A (zh) | 耦合街区时空特征和集成学习的城市功能区精细化识别方法 | |
CN116246076B (zh) | 一种传统民居院落肌理特征识别应用方法和系统 | |
Ding et al. | Student behavior clustering method based on campus big data | |
CN117274650A (zh) | 基于遥感-众源语义深度聚类的城市功能区识别方法 | |
CN102184423A (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
Ma et al. | An elastic urban morpho-blocks (EUM) modeling method for urban building morphological analysis and feature clustering | |
CN115713605A (zh) | 一种基于图像学习的商业类建筑群自动建模方法 | |
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 | |
CN113076336A (zh) | 偏远地区水厂选址gis宏微观决策支持系统 | |
CN116522272A (zh) | 一种基于城市信息单元的多源时空数据透明融合方法 | |
CN111814528A (zh) | 一种连通性分析的夜光影像城市等级分类方法 | |
CN106251014A (zh) | 基于svm‑gca的城市空间发展模拟及预测方法 | |
Zhou | 3D urban modeling from city-scale aerial LiDAR data | |
He et al. | Modeling multi-type urban landscape dynamics along the horizontal and vertical dimensions | |
CN117113471A (zh) | 一种基于cim技术的城市仿真模型算法 | |
CN114565730A (zh) | 地图矢量样本的处理方法、设备和计算机可读存储介质 | |
CN108345688A (zh) | 一种城市设计的数字化转译及应用方法 | |
Li et al. | Quantitative morphology of polder landscape based on SOM identification model: Case study of typical polders in the south of Yangtze River | |
La Russa et al. | Advanced 3D Parametric Historic City Block Modeling Combining 3D Surveying, AI and VPL | |
Yu et al. | Prediction of Urban Street Public Space Art Design Indicators Based on Deep Convolutional Neural Network | |
Beykaei et al. | Spatial pattern recognition of the structure of urban land uses useful for transportation and land use modelling |
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 |