一种传统民居院落肌理特征识别应用方法和系统技术方案

本发明专利技术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。元风貌。

【技术实现步骤摘要】
一种传统民居院落肌理特征识别应用方法和系统


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。
[0006]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。
[0007]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(Hierarchical Clustering)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。
[0008]但是，目前市面暂无针对中国传统院落肌理的具体产品。

技术实现思路

[0009]本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：张杰，胡建新，张弓，张冰冰，李波莹，李旻华，张一凡，辜培钦，胡慧迪，简源，
申请(专利权)人：北京华清安地建筑设计有限公司，
类型：发明
国别省市：