CN117152424A - 一种城市视觉环境质量评价的方法及相关设备 - Google Patents
一种城市视觉环境质量评价的方法及相关设备 Download PDFInfo
- Publication number
- CN117152424A CN117152424A CN202210565833.7A CN202210565833A CN117152424A CN 117152424 A CN117152424 A CN 117152424A CN 202210565833 A CN202210565833 A CN 202210565833A CN 117152424 A CN117152424 A CN 117152424A
- Authority
- CN
- China
- Prior art keywords
- image data
- street view
- view image
- visual
- 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.)
- Pending
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000013441 quality evaluation Methods 0.000 title description 6
- 238000005070 sampling Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000013210 evaluation model Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 238000001303 quality assessment method Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 description 24
- 230000000694 effects Effects 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 241001464837 Viridiplantae Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请供了一种城市视觉环境质量评价的方法及相关设备。本申请中，由服务器获取各采样点的街景图像数据，构建目标城市街景图像数据；基于语义分割模型对所述目标城市街景图像数据进行翻译，获取第一指标数据；根据视觉显著性计算方法对原始目标城市街景图像数据进行处理，获取第二指标数据；根据所述第一指标数据和所述第二指标数据建立层次评价模型；将所述各采样点的街景图像数据输入到所述层次评价模型，获取所述各采样点的街景图像数据的评价结果。解决了人为判定街景图像数据存在的不确定因素，减少因不同评价人对同一个街景图像数据进行分析时因个人喜好而产生不同的结果，进而统一评价标准。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种城市视觉环境质量评价
的方法及相关设备。
背景技术
景观视觉环境是视觉上景观特征的组合，作为城市生态系统中重要的
组成部分，其评价过程具有复杂性、多维性，受多种因素和空间格局影响
的特点，其评价结果对水域生态景观保护、地域景观评价和城市公园景观
提升等方面具有指导作用。
但目前的城市绿地评价主要是针对绿地空间的评价，多采用绿化覆盖
率、绿地率、人均绿地面积指标对城市空间绿量进行评价，缺乏针对绿地
景观的评价，不能全面客观的评价城市绿地立体的景观效应，对绿地建设
难以形成全面的指导作用。究其原因在于，城市绿地景观评价的数据来源
一般采用测绘生产的绿地空间分布数据，但测绘的绿地空间分布数据具有
很强的地方性，受到所评价区域的数据基础限制较大，无法获得多个地区
的数据源，难以进行城市间和地区间的横向差异对比，降低了现有评价方
法的易用性和科学性。并且，绿地空间分布数据不能完全体现城市绿地景
观，进行城市绿地景观评价往往还需要景观的立体图像，景观的立体图像
通常需要现场调研获取，但现场调研受制于采集成本的限制，往往采用抽
样的方式采集数据，采集的地点有限、获取的数据量较小，评价具有较大
的偶然性，难以全面、准确地反应城市绿地景观建设的全貌。
对此，实际生产中需要一种可以自动采集景观立体图像并进行统一处
理、系统分析的城市视觉环境质量评价方法。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开
的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技
术的信息。
发明内容
本申请的目的在于提供一种城市视觉环境质量评价的方法及装置、存
储介质及电子设备，至少在一定程度上克服现有技术存在的问题。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地
通过本发明的实践而习得。
根据本申请的一个方面，提供一种城市视觉环境质量评价的方法，包
括：获取各采样点的街景图像数据，构建目标城市街景图像数据；基于语
义分割模型对所述目标城市街景图像数据进行翻译，获取第一指标数据；
根据视觉显著性计算方法对原始目标城市街景图像数据进行处理，获取第
二指标数据；根据所述第一指标数据和所述第二指标数据建立层次评价模
型；将所述各采样点的街景图像数据输入到所述层次评价模型，获取所述
各采样点的街景图像数据的评价结果。
在本申请的一个实施例中，所述获取各采样点的街景图像数据，构建
目标城市街景图像数据，包括：根据城市路网状况进行等距离采样；获取
各个采样点 0°、90°、180°和 270°四个方向上的数据作为街景图像数据；
将各个采样点的街景图像数据进行汇总，获取目标城市街景图像数据。
在本申请的一个实施例中，所述基于语义分割模型对所述目标城市街
景图像数据进行翻译，获取第一指标数据，包括：将所述目标城市街景图
像数据进行图像语义分割处理；获取所述图像语义分割处理后的目标城市
街景图像数据中的建筑视率、绿视率和天空开阔率；根据所述建筑视率、
所述绿视率和所述天空开阔率计算视觉熵；其中，将所述建筑视率、所述
绿视率、所述天空开阔率和所述视觉熵作为第一指标数据。
在本申请的一个实施例中，所述获取所述图像语义分割处理后的目标
城市街景图像数据中的建筑视率、绿视率和天空开阔率，包括：采用
Deeplab v3+语义分割模型对目标城市街景图像进行解译；根据所述翻译
后的目标城市街景图像获取对应的建筑视率、绿视率和天空开阔率。
在本申请的一个实施例中，所述根据视觉显著性计算方法对原始目标
城市街景图像数据进行处理，获取第二指标数据，包括：根据视觉显著性
计算方法，获取原始目标城市街景图象数据的视觉显著性图像；将所述显
著性图像转化为单通道的灰度图像；将所述灰度图像中所有像素点灰度值
的算术平均值作为阈值，对灰度图像进行二值化处理；将所述二值化图像
与原始目标城市街景图像数据进行掩膜处理，输出目标城市街景图像的显
著视觉区域；将所述原始目标城市街景图象数据由 RGB 色彩模式转化为
HSV 色彩模式，获取显著视觉区域饱和度，其中，将所述显著视觉区域
饱和度作为第二指标数据。
在本申请的一个实施例中，所述根据所述第一指标数据和所述第二指
标数据建立层次评价模型，包括：根据所述建筑视率、所述绿视率、所述
天空开阔率、所述视觉熵和所述显著视觉区域饱和度构建层次评价模型。
根据本申请的另一个方面，提供一种城市视觉环境质量评价的装置，
包括：获取模块，被配置为获取各采样点的街景图像数据，构建目标城市
街景图像数据；将所述各采样点的街景图像数据输入到所述层次评价模型，
获取所述各采样点的街景图像数据的评价结果；处理模块，被配置为基于
语义分割模型对所述目标城市街景图像数据进行翻译，获取第一指标数据；
根据视觉显著性计算方法对原始目标城市街景图像数据进行处理，获取第
二指标数据；根据所述第一指标数据和所述第二指标数据建立层次评价模型。
根据本申请的再一个方面，提供一种电子设备，包括：处理器；以及
存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经
由执行所述可执行指令来执行上述的城市视觉环境质量评价的方法。
根据本申请的又一个方面，提供一种计算机可读存储介质，用于存储
计算机可读取的指令，所述指令被执行时执行上述任一所述响应获取请求
的方法的操作。
根据本申请的又一个方面，提供一种计算机可读存储介质，其上存储
有计算机程序，所述计算机程序被处理器执行时实现上述的城市视觉环境
质量评价的方法。
本申请的实施例所提供的一种城市视觉环境质量评价的方法，获取各
采样点的街景图像数据，构建目标城市街景图像数据；基于语义分割模型
对所述目标城市街景图像数据进行翻译，获取第一指标数据；根据视觉显
著性计算方法对原始目标城市街景图像数据进行处理，获取第二指标数据；
根据所述第一指标数据和所述第二指标数据建立层次评价模型；将所述各
采样点的街景图像数据输入到所述层次评价模型，获取所述各采样点的街
景图像数据的评价结果。本申请通过获取各采样点的街景图像数据代替需
要现场调研获取的街景立体图像，通过对街景图像数据的处理获得相关指
标数据，并根据所获得的相关指标数据构建层次评价模型，从而实现对各
采样点的街景图像数据的评价结果，解决了人为判定街景图像数据存在的
不确定因素，减少因不同评价人对同一个街景图像数据进行分析时因个人
喜好而产生不同的结果，进而统一评价标准。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释
性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本
公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下
面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来
讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图 1 示出本申请一实施例所提供的一种城市视觉环境质量评价的方
法的流程图；
图 2 示出本申请一实施例所提供的一种城市视觉环境质量评价的方
法的另一流程图；
图 3 示出本申请一实施例所提供的一种城市视觉环境质量评价的方
法的再一流程图；
图 4 示出本申请一实施例所提供的一种城市视觉环境质量评价的方
法的再一流程图；
图 5 示出了本申请一实施例所提供的一种城市视觉环境质量评价的
装置的结构示意图；
图 6 示出了本申请一实施例所提供的一种电子设备的结构示意图；
图 7 示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到：
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、
数字表达式和数值不限制本申请的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并
不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，不作为
对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨
论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一
旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步
讨论。
另外，本申请各个实施例之间的技术方案可以相互结合，但是必须是
以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾
或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的
保护范围之内。
需要说明的是，本领域技术人员在考虑说明书及实践这里公开的发明
后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变
型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的
一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术
手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权
利要求部分指出。
应当理解的是，本申请并不局限于下面已经描述并在附图中示出的精
确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅
由所附的权利要求来限制。
下面结合图 1-图 4 来描述根据本申请示例性实施方式的用于进行城
市视觉环境质量评价的方法。需要注意的是，下述应用场景仅是为了便于
理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限
制。相反，本申请的实施方式可以应用于适用的任何场景。
一种实施方式中，本申请还提出一种响应获取请求的方法。图 1 示意
性地示出了根据本申请实施方式的一种城市视觉环境质量评价的方法的
流程示意图。如图 1 所示，该方法应用于服务器，包括：
S101，获取各采样点的街景图像数据，构建目标城市街景图像数据。
一种方式中，服务器根据城市路网状况进行等距离采样；获取各个采
样点 0°、90°、180°和 270°四个方向上的数据作为街景图像数据；将各个
采样点的街景图像数据进行汇总，获取目标城市街景图像数据。
服务器通过获取各个采集点不同方向上的数据，进而更全面的获取目
标城市街景图像数据，从而更准确的识别目标城市街景图像数据对应的指
标数据，便于获取各采样点的街景图像数据的评价结果。
S102，基于语义分割模型对所述目标城市街景图像数据进行翻译，获
取第一指标数据。
一种方式中，服务器利用 Deeplab V3+语义分割模型对目标城市街景
图像进行解译，提取建筑视率、绿视率和天空开阔率三种主要视觉指标计
算结果，并根据解译结果计算视觉熵。其中，将建筑视率、绿视率、天空
开阔率和视觉熵作为第一指标数据。
S103，根据视觉显著性计算方法对原始目标城市街景图像数据进行处
理，获取第二指标数据。
一种方式中，服务器根据 SDSP（Saliency Detection by combining
Simple Priors）视觉显著性计算方法，获取原始目标城市街景图象数据的
视觉显著性水平，并将输出的显著性图像转化为单通道的灰度图像，然后
将灰度图像中所有像素点灰度值的算术平均值作为阈值，对灰度图像进行
二值化处理，高于平均值的设为 1（白色），低于平均值的设为 0（黑色）。
然后将得到的二值化图像与原始街景图像进行掩膜处理，从而获得街景图
像的显著视觉区域。最后，将原始街景图像为 RGB（Red Green Blue）色
彩模式转化为 HSV（Hue Saturation Value）色彩模式，进而提取显著视觉
区域饱和度，并将显著视觉区域饱和度作为第二指标数据。
S104，根据所述第一指标数据和所述第二指标数据建立层次评价模型。
一种方式中，服务器根据建筑视率、绿视率、天空开阔率、视觉熵和
显著视觉区域饱和度等评价指标，确定模型指标符号，分析视觉环境质量
与各视觉指标之间的关系，然后建立系统的层次结构，其中，系统的层次
结构分为目标层（即城市视觉环境质量评价 A）、准则层（即视觉环境质
量评价指标 B）和指标层（即绿化率、天空开阔率、建筑视率、视觉熵、
视觉显著区域饱和度）。
S105，将所述各采样点的街景图像数据输入到所述层次评价模型，获
取所述各采样点的街景图像数据的评价结果。
一种方式中，服务器通过获取整个城市街景图像数据，并对城市街景
图像数据进行处理，并基于处理后城市街景图像数据生成层次评价模型。
接着，将城市街景图像数据中的各个组成部分（即各采样点的街景图像数
据）输入到所生成的层次评价模型中，从而获取局部街景图像数据的评价
结果。
本申请中，由服务器获取各采样点的街景图像数据，构建目标城市街
景图像数据；基于语义分割模型对所述目标城市街景图像数据进行翻译，
获取第一指标数据；根据视觉显著性计算方法对原始目标城市街景图像数
据进行处理，获取第二指标数据；根据所述第一指标数据和所述第二指标
数据建立层次评价模型；将所述各采样点的街景图像数据输入到所述层次
评价模型，获取所述各采样点的街景图像数据的评价结果。本申请通过获
取各采样点的街景图像数据代替需要现场调研获取的街景立体图像，通过
对街景图像数据的处理获得相关指标数据，并根据所获得的相关指标数据
构建层次评价模型，从而实现对各采样点的街景图像数据的评价结果，解
决了人为判定街景图像数据存在的不确定因素，减少因不同评价人对同一
个街景图像数据进行分析时因个人喜好而产生不同的结果，进而统一评价
标准。
可选地，在基于本申请上述方法的另一个实施例中，如图 2 所示，在
S101（获取各采样点的街景图像数据，构建目标城市街景图像数据）中，
可以实施下述步骤：
根据城市路网状况进行等距离采样；
获取各个采样点 0°、90°、180°和 270°四个方向上的数据作为街景图
像数据；
将各个采样点的街景图像数据进行汇总，获取目标城市街景图像数据。
一种实施方式中，服务器通过获取各个采集点不同方向上的数据，进
而更全面的获取目标城市街景图像数据，从而更准确的识别目标城市街景
图像数据对应的指标数据，便于获取各采样点的街景图像数据的评价结果。
可选地，在基于本申请上述方法的另一个实施例中，如图 3 所示，在
S102（所述基于语义分割模型对所述目标城市街景图像数据进行翻译，获
取第一指标数据）中，可以实施下述步骤：
将所述目标城市街景图像数据进行图像语义分割处理；
获取所述图像语义分割处理后的目标城市街景图像数据中的建筑视
率、绿视率和天空开阔率；
根据所述建筑视率、所述绿视率和所述天空开阔率计算视觉熵；其中，
将所述建筑视率、所述绿视率、所述天空开阔率和所述视觉熵作为第一指
标数据。
一种实施方式中，给出了目标城市街景图像数据进行图像语义分割处
理的具体方法，服务器通过公开的目标城市街景数据集对图像识别模型进
行训练，利用卷积神经网络建模，通过大量数据来“训练”图像识别模型，
由此“教导”机器完成图像分割的任务，可对城市中常见的物体，包括建
筑、天桥、汽车、行人等人造物品，以及乔木、灌木、草地、天空等多种
自然地物进行识别分割，具有 80％以上的准确率。经过图像分割后的街景
照片可用于大规模批量自动计算绿视率、色彩视率、色彩丰富度等绿地景
观评价指标。
本实施例中，采用 Cityscapes 数据集作为训练数据集，Cityscapes 数据
集是奔驰公司为满足其自动驾驶技术发展而开发的图像分割数据集，属于
开源数据，公众可免费开放使用。Cityscapes 数据集包含 50 个城市不同场
景、不同季节的 5000 张图像，每张图像均已对道路、汽车、绿色植物、有
色花卉等 19 类城市中常见地物按地物的边界范围进行了精细的分割标注，
可作为训练计算机识别街景照片的样本数据。
本实施例中，基于 Python 的 TensorFlow 机器学习包编程，以 City spaces
数据集为训练样本数据，采用卷积神经网络的方法，让计算机寻找标记好
的照片中各类地物的统计规律，基于此统计规律计算机可对任意图片中的9
地物边界进行推测，形成图像识别模型。
本实施例中，基于 Python 的 TensorFlow 机器学习包编程，利用训练好
的图像识别模型，将采集的街景照片按地物类别沿边界范围自动进行图像
分割，将采集的街景照片分割为具有地物分类标识的图像，用于后续的绿
地景观效益评价指标计算。
另一种实施方式中，给出了服务器如何获取第一指标数据的具体方法，
服务器构建判断矩阵，运用层次分析法经过两两比较判断矩阵 A 及单一准
则下的权值ω，并根据式（1）计算判断矩阵的最大特征值：
AW = λmaxW（1）
式中，W 为归一化后的特征向量，λmax为最大特征根。
判断矩阵的一致性指标定义为 CI，
式中，n 为判断矩阵中的指标数。
由式（2）可得判断矩阵 A 的一致性值。
判断矩阵的平均一致性指标值，并判断矩阵的随机一致性比率，记为
CR，为判断矩阵的一致性指标 CI 与同阶平均随机一致性指标 RI 之比， CI = λma
计算公式如下：
（3） 当 CR 小于 0.1 时，判断矩阵 A 具有一致性，否则就绪对判断矩阵进
行调整。其中，平均随机一致性指标 RI 的值可从下表查得；
Ⅲ.根据步骤Ⅱ的计算结果，CR=0.098，判断矩阵满足一致性。
进一步的，所述步骤 S2 中各指标的计算方法如下：
建筑视率 BVI =
绿视率 GVI =
天空开阔程度 SOI
视觉熵 VE =
式中，Sbi是街景图像中的建筑物面积，Sgi是街景图像中绿色植物的
面积，Ssi是街景图像中天空的面积，Sti是该图像总面积，n 为该观察点所
获取的街景图像总数量，N 为街景图像经语义分割后获得的标签数量，Pi
为第 i 个标签要素像素数量所占该幅图像总像素数量的比例。
可选地，在基于本申请上述方法的另一个实施例中，如图 4 所示，在
S106（所述根据视觉显著性计算方法对原始目标城市街景图像数据进行处
理，获取第二指标数据）中，还可以实施下述步骤：
根据视觉显著性计算方法，获取原始目标城市街景图象数据的视觉显
著性图像；
将所述显著性图像转化为单通道的灰度图像；
将所述灰度图像中所有像素点灰度值的算术平均值作为阈值，对灰度
图像进行二值化处理；
将所述二值化图像与原始目标城市街景图像数据进行掩膜处理，输出
目标城市街景图像的显著视觉区域；
将所述原始目标城市街景图象数据由 RGB 色彩模式转化为 HSV 色彩
模式，获取显著视觉区域饱和度，其中，将所述显著视觉区域饱和度作为11
第二指标数据。
一种实施方式中，色彩模式转化计算方法如下：
饱和度 S =
式中，MAX(R,G,B)为街景图像中 R, G, B 的最大值；MIN(R,G,B)为街
景图像中 R, G, B 的最小值。若图像中的 R, G, B 皆为零时，图像呈现黑色。
可选地，在基于本申请上述方法的另一个实施例中，在 S102（所述根
据所述第一指标数据和所述第二指标数据建立层次评价模型）中，还可以
实施下述步骤：
根据所述建筑视率、所述绿视率、所述天空开阔率、所述视觉熵和所
述显著视觉区域饱和度构建层次评价模型。
一种实施方式中，服务器运用层次分析法经过判断矩阵及单一准则下
的权值ω，其中，判断矩阵 A 如下所示：
根据式（1）计算判断矩阵 A 的最大特征值：
AW = λmaxW（1）
求得判断矩阵的最大值λmax = 5.44，判断矩阵的一致性指标定义为
CI，其计算公式如下：
CI =
（2） 式中，n 为判断矩阵中的指标数；
由式（2）计算出判断矩阵 A 的一致性指标 CI=0.110；
判断矩阵的平均一致性指标值，并判断矩阵的随机一致性比率，记为
CR，为判断矩阵的一致性指标 CI 与同阶平均随机一致性指标 RI 之比，
计算公式如下：
（3） 根据下表随机平均随机一致性指标 RI 的值及 CI=0.110，通过公式（3）
可知判断矩阵 A 的随即一致性比例 CR=0.098，通过一致性检验。
根据上述计算过程得出各评价指标的权重分别为：绿视率 a1=0.265、
天空开阔程度 a2=0.281、建筑视率 a3=0.078、视觉熵 a4=0.245、显著视觉
区域饱和度 a5=0.131。最终采样点的街景图像数据的视觉环境质量评价的
综合指数为：
LVQ=0.265GVI + 0.281SOI + 0.078BVI + 0.245VE + 0.131SVAS
式中，LVQ 为视觉环境质量，GVI 为绿视率，SOI 为天空开阔率，
BVI 为建筑视率，VE 为视觉熵，SVAS 为显著视觉区域饱和度。
本申请通过获取各采样点的街景图像数据代替需要现场调研获取的
街景立体图像，通过对街景图像数据的处理获得相关指标数据，并根据所
获得的相关指标数据构建层次评价模型，从而实现对各采样点的街景图像
数据的评价结果，解决了人为判定街景图像数据存在的不确定因素，减少
因不同评价人对同一个街景图像数据进行分析时因个人喜好而产生不同
的结果，进而统一评价标准。
一种实施方式中，如图 5 所示，本申请还提供一种城市视觉环境质量13
评价的装置，包括：
获取模块 501，被配置为获取各采样点的街景图像数据，构建目标城
市街景图像数据；将所述各采样点的街景图像数据输入到所述层次评价模
型，获取所述各采样点的街景图像数据的评价结果；
处理模块 502，被配置为基于语义分割模型对所述目标城市街景图像
数据进行翻译，获取第一指标数据；根据视觉显著性计算方法对原始目标
城市街景图像数据进行处理，获取第二指标数据；根据所述第一指标数据
和所述第二指标数据建立层次评价模型。
本申请中，由服务器获取各采样点的街景图像数据，构建目标城市街
景图像数据；基于语义分割模型对所述目标城市街景图像数据进行翻译，
获取第一指标数据；根据视觉显著性计算方法对原始目标城市街景图像数
据进行处理，获取第二指标数据；根据所述第一指标数据和所述第二指标
数据建立层次评价模型；将所述各采样点的街景图像数据输入到所述层次
评价模型，获取所述各采样点的街景图像数据的评价结果。本申请通过获
取各采样点的街景图像数据代替需要现场调研获取的街景立体图像，通过
对街景图像数据的处理获得相关指标数据，并根据所获得的相关指标数据
构建层次评价模型，从而实现对各采样点的街景图像数据的评价结果，解
决了人为判定街景图像数据存在的不确定因素，减少因不同评价人对同一
个街景图像数据进行分析时因个人喜好而产生不同的结果，进而统一评价
标准。
在本申请的另外一种实施方式中，获取模块 502，被配置为：
根据城市路网状况进行等距离采样；
获取各个采样点 0°、90°、180°和 270°四个方向上的数据作为街景图
像数据；
将各个采样点的街景图像数据进行汇总，获取目标城市街景图像数据。
在本申请的另外一种实施方式中，处理模块 502，被配置为：
将所述目标城市街景图像数据进行图像语义分割处理；
获取所述图像语义分割处理后的目标城市街景图像数据中的建筑视
率、绿视率和天空开阔率；
根据所述建筑视率、所述绿视率和所述天空开阔率计算视觉熵；其中，
将所述建筑视率、所述绿视率、所述天空开阔率和所述视觉熵作为第一指
标数据。
在本申请的另外一种实施方式中，处理模块 502，被配置为：
采用 Deeplab v3+语义分割模型对目标城市街景图像进行解译；
根据所述翻译后的目标城市街景图像获取对应的建筑视率、绿视率和
天空开阔率。
在本申请的另外一种实施方式中，处理模块 502，被配置为：
根据视觉显著性计算方法，获取原始目标城市街景图象数据的视觉显
著性图像；
将所述显著性图像转化为单通道的灰度图像；
将所述灰度图像中所有像素点灰度值的算术平均值作为阈值，对灰度
图像进行二值化处理；
将所述二值化图像与原始目标城市街景图像数据进行掩膜处理，输出
目标城市街景图像的显著视觉区域；
将所述原始目标城市街景图象数据由 RGB 色彩模式转化为 HSV 色彩
模式，获取显著视觉区域饱和度，其中，将所述显著视觉区域饱和度作为
第二指标数据。
在本申请的另外一种实施方式中，处理模块 502，被配置为：
根据所述建筑视率、所述绿视率、所述天空开阔率、所述视觉熵和所
述显著视觉区域饱和度构建层次评价模型。
本申请实施例提供了一种电子设备，如图 6 所示，其包括处理器 600，
存储器 601，总线 602 和通信接口 603，所述处理器 600、通信接口 603 和
存储器 601 通过总线 602 连接；所述存储器 601 中存储有可在所述处理器
600 上运行的计算机程序，所述处理器 600 运行所述计算机程序时执行本申
请前述任一实施方式所提供的城市视觉环境质量评价的方法。
其中，存储器 601 可能包含高速随机存取存储器（RAM：Random Access
Memory），也可能还包括非不稳定的存储器（non-volatile memory），例
如至少一个磁盘存储器。通过至少一个通信接口 603（可以是有线或者无线）
实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、
广域网、本地网、城域网等。
总线 602 可以是 ISA 总线、PCI 总线或 EISA 总线等。所述总线可以分
为地址总线、数据总线、控制总线等。其中，存储器 601 用于存储程序，
所述处理器 600 在接收到执行指令后，执行所述程序，前述本申请实施例
任一实施方式揭示的所述城市视觉环境质量评价的方法可以应用于处理器
600 中，或者由处理器 600 实现。
处理器 600 可能是一种集成电路芯片，具有信号的处理能力。在实现
过程中，上述方法的各步骤可以通过处理器 600 中的硬件的集成逻辑电路
或者软件形式的指令完成。上述的处理器 600 可以是通用处理器，包括中
央处理器(Central Processing Unit，简称CPU)、网络处理器(NetworkProcessor，
简称 NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成
可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器
件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、
步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何
常规的处理器等。结合本申请实施例所公开的方法的步骤可以体现为硬件
译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完
成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储
器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存
储介质位于存储器 601，处理器 600 读取存储器 601 中的信息，结合其硬件
完成上述方法的步骤。
本申请的上述实施例提供的电子设备与本申请实施例提供的城市视觉
环境质量评价的方法出于相同的发明构思，具有与其存储的应用程序所采
用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机可读存储介质，如图 7 所示，所述计
算机可读存储介质存储 701 有计算机程序，所述计算机程序被处理器 702
读取并运行时，实现如前述的城市视觉环境质量评价的方法。
本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计
算机程序被处理器执行实现如前述所述的方法。
本申请的上述实施例提供的计算机程序产品与本申请实施例提供的城
市视觉环境质量评价的方法出于相同的发明构思，具有与其存储的应用程
序所采用、运行或实现的方法相同的有益效果。
本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或
者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软
件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以
是空调器，制冷装置，个人计算机，服务器，或者网络设备等)或 processor(处
理器)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包
括：U 盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代
码的介质。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供
的城市视觉环境质量评价的方法出于相同的发明构思，具有与其存储的应
用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计
算机程序被处理器执行实现如前述所述的方法。
本申请的上述实施例提供的计算机程序产品与本申请实施例提供的城
市视觉环境质量评价的方法出于相同的发明构思，具有与其存储的应用程
序所采用、运行或实现的方法相同的有益效果。
需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅
用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或
者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术
语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从
而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，
而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、
物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一
个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者
设备中还存在另外的相同要素。
本申请中的各个实施例均采用相关的方式描述，各个实施例之间相同
相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不
同之处。尤其，对于城市视觉环境质量评价的方法、电子装置、电子设备、
以及可读存储介质实施例而言，由于其基本相似于上述所述城市视觉环境
质量评价的方法实施例，所以描述的比较简单，相关之处参见上述所述城
30市视觉环境质量评价的方法实施例的部分说明即可。
虽然本申请披露如上，但本申请并非限定于此。任何本领域技术人员，
在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的
Claims (10)
1.一种城市视觉环境质量评价的方法，其特征在于，包括：
获取各采样点的街景图像数据，构建目标城市街景图像数据；
基于语义分割模型对所述目标城市街景图像数据进行翻译，获取第一指标数据；
根据视觉显著性计算方法对原始目标城市街景图像数据进行处理，获取第二指标数据；
根据所述第一指标数据和所述第二指标数据建立层次评价模型；
将所述各采样点的街景图像数据输入到所述层次评价模型，获取所述各采样点的街景图像数据的评价结果。
2.根据权利要求1所述的城市视觉环境质量评价的方法，其特征在于，所述获取各采样点的街景图像数据，构建目标城市街景图像数据，包括：
根据城市路网状况进行等距离采样；
获取各个采样点0°、90°、180°和270°四个方向上的数据作为街景图像数据；
将各个采样点的街景图像数据进行汇总，获取目标城市街景图像数据。
3.根据权利要求1所述的城市视觉环境质量评价的方法，其特征在于，所述基于语义分割模型对所述目标城市街景图像数据进行翻译，获取第一指标数据，包括：
将所述目标城市街景图像数据进行图像语义分割处理；
获取所述图像语义分割处理后的目标城市街景图像数据中的建筑视率、绿视率和天空开阔率；
根据所述建筑视率、所述绿视率和所述天空开阔率计算视觉熵；其中，将所述建筑视率、所述绿视率、所述天空开阔率和所述视觉熵作为第一指标数据。
4.根据权利要求3所述的城市视觉环境质量评价的方法，其特征在于，所述获取所述图像语义分割处理后的目标城市街景图像数据中的建筑视率、绿视率和天空开阔率，包括：
采用Deeplab v3+语义分割模型对目标城市街景图像进行解译；
根据所述翻译后的目标城市街景图像获取对应的建筑视率、绿视率和天空开阔率。
5.根据权利要求3所述的城市视觉环境质量评价的方法，其特征在于，所述根据视觉显著性计算方法对原始目标城市街景图像数据进行处理，获取第二指标数据，包括：
根据视觉显著性计算方法，获取原始目标城市街景图象数据的视觉显著性图像；
将所述显著性图像转化为单通道的灰度图像；
将所述灰度图像中所有像素点灰度值的算术平均值作为阈值，对灰度图像进行二值化处理；
将所述二值化图像与原始目标城市街景图像数据进行掩膜处理，输出目标城市街景图像的显著视觉区域；
将所述原始目标城市街景图象数据由RGB色彩模式转化为HSV色彩模式，获取显著视觉区域饱和度，其中，将所述显著视觉区域饱和度作为第二指标数据。
6.根据权利要求5所述的城市视觉环境质量评价的方法，其特征在于，所述根据所述第一指标数据和所述第二指标数据建立层次评价模型，包括：
根据所述建筑视率、所述绿视率、所述天空开阔率、所述视觉熵和所述显著视觉区域饱和度构建层次评价模型。
7.一种城市视觉环境质量评价的装置，其特征在于，包括：
获取模块，被配置为获取各采样点的街景图像数据，构建目标城市街景图像数据；将所述各采样点的街景图像数据输入到所述层次评价模型，获取所述各采样点的街景图像数据的评价结果；处理模块，被配置为基于语义分割模型对所述目标城市街景图像数据进行翻译，获取第一指标数据；根据视觉显著性计算方法对原始目标城市街景图像数据进行处理，获取第二指标数据；根据所述第一指标数据和所述第二指标数据建立层次评价模型。
8.一种电子设备，其特征在于，包括：
处理器；以及存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求 1～6中任意一项所述的城市视觉环境质量评价的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～6中任意一项所述的城市视觉环境质量评价的方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行实现如权利要求1～6中任意一项所述的城市视觉环境质量评价的方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210565833.7A CN117152424A (zh) | 2022-05-24 | 2022-05-24 | 一种城市视觉环境质量评价的方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210565833.7A CN117152424A (zh) | 2022-05-24 | 2022-05-24 | 一种城市视觉环境质量评价的方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117152424A true CN117152424A (zh) | 2023-12-01 |
Family
ID=88906778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210565833.7A Pending CN117152424A (zh) | 2022-05-24 | 2022-05-24 | 一种城市视觉环境质量评价的方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152424A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495666A (zh) * | 2023-12-29 | 2024-02-02 | 山东街景智能制造科技股份有限公司 | 一种基于3d图纸生成2d数据的处理方法 |
-
2022
- 2022-05-24 CN CN202210565833.7A patent/CN117152424A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495666A (zh) * | 2023-12-29 | 2024-02-02 | 山东街景智能制造科技股份有限公司 | 一种基于3d图纸生成2d数据的处理方法 |
| CN117495666B (zh) * | 2023-12-29 | 2024-03-19 | 山东街景智能制造科技股份有限公司 | 一种基于3d图纸生成2d数据的处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | A spectral gradient difference based approach for land cover change detection | |
| CA2840436C (en) | System for mapping and identification of plants using digital image processing and route generation | |
| CN111340141A (zh) | 一种基于深度学习的作物幼苗与杂草检测方法及系统 | |
| CN109948547A (zh) | 城市绿地景观评价方法、装置、存储介质及终端设备 | |
| Im et al. | An automated binary change detection model using a calibration approach | |
| Wang et al. | Landscape-level vegetation classification and fractional woody and herbaceous vegetation cover estimation over the dryland ecosystems by unmanned aerial vehicle platform | |
| CN104463240B (zh) | 一种仪表定位方法及装置 | |
| CN115439654B (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
| CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
| CN110909656B (zh) | 一种雷达与摄像机融合的行人检测方法和系统 | |
| CN114332534B (zh) | 一种高光谱图像小样本分类方法 | |
| CN117115722A (zh) | 施工场景检测的方法、装置、存储介质及电子设备 | |
| CN117152424A (zh) | 一种城市视觉环境质量评价的方法及相关设备 | |
| CN111242223A (zh) | 一种基于街景影像多特征融合的街道空间品质评价方法 | |
| CN113807364A (zh) | 一种基于三光融合成像的电力设备缺陷检测方法及系统 | |
| Farooque et al. | Red-green-blue to normalized difference vegetation index translation: a robust and inexpensive approach for vegetation monitoring using machine vision and generative adversarial networks | |
| CN105631849B (zh) | 多边形目标的变化检测方法及装置 | |
| Khalid et al. | Evaluation the accuracy of oil palm tree detection using deep learning and support vector machine classifiers | |
| CN113792726B (zh) | 一种基于视觉图像快速生成poi的方法及系统 | |
| CN111079807A (zh) | 一种地物分类方法及装置 | |
| Heidary et al. | Urban change detection by fully convolutional siamese concatenate network with attention | |
| CN112347926B (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 | |
| CN114186784A (zh) | 基于边缘计算的电学考试评分方法、系统、介质及设备 | |
| CN116091911A (zh) | 一种地震勘探工区建筑物自动识别方法及系统 | |
| CN113674205A (zh) | 一种基于单目深度摄像头的人体测量的方法及系统 |
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 |