一种历史文化街区的形态特征要素识别提取方法技术

本发明专利技术公开了一种历史文化街区的形态特征要素识别提取方法，属于城市规划领域。所述方法包括以下步骤：获取历史文化街区的媒体图像，对图像进行处理，依靠深度学习技术(Places365

【技术实现步骤摘要】
一种历史文化街区的形态特征要素识别提取方法


[0001]本专利技术公开了一种历史文化街区的形态特征要素识别提取方法，属于城市规划领域。

技术介绍

[0002]历史文化是城市文脉的重要组成部分，是城市历史和文化传承的重要载体。然而，随着城市化的不断加速和城市功能的不断扩展，通过符号复制或形态模仿的方式进行的城市文脉传承，造成城市的历史文化风貌趋同等问题，城市的文脉传承与历史文化风貌的保护，依然面临严峻的挑战。
[0003]专利申请号：202110280016.2、公开号为CN113159122B的专利文献中，公开了一种基于社交媒体图像数据的城市风貌分析方法，通过从海量图像数据中学习不同城市风貌特征，并以此衡量城市间风貌的视觉差异，但是并没有研究通过对图像形态特征要素识别提取对城市的可持续发展并保留其文化传承“根基”的指导作用，因此需要构建一种系统科学的形态特征要素识别提取方法。

技术实现思路

[0004]针对现有技术的不足，本专利技术的目的在于公开一种历史文化街区的形态特征要素识别提取方法，所述方法通过利用深度学习技术对历史文化街区的媒体图像形态特征要素进行定量分析，为指导城市的可持续发展和文化传承“根基”的保留，建立了一种系统科学的形态特征要素识别提取方法。
[0005]一种历史文化街区的形态特征要素识别提取方法，包括以下步骤：
[0006]按照地理区域划分图像，对图像进行预处理，获得图像数据集；
[0007]利用预训练的Places365
‑
CNNs卷积神经网络模型对所述图像数据集进行分类，获得室外场景图像数据集；
[0008]建立室外形态特征相关集群筛选标准，从所述室外场景图像数据集抽样并按照所述筛选标准分类为形态特征相关集群和形态特征无关集群；
[0009]形态特征相关集群和形态特征无关集群形成的总样本划分为训练集与验证集；使用所述预训练的Places365
‑
CNNs卷积神经网络模型进行迁移学习，获得图像分类模型；
[0010]将所述室外场景图像数据集输入图像分类模型进行分类，获得室外场景形态特征相关集群图像数据集；
[0011]使用UMAP算法和K
‑
Means聚类模型将所述室外场景形态特征相关集群图像数据集划分为多个聚类群组，并识别各个聚类群组的形态特征主题；
[0012]使用Google Cloud Vision API模型识别提取所述形态特征主题的场景形态特征要素，构建主题形态特征要素；
[0013]基于历时性原则，对所述主题形态特征要素进行筛选，得到图像形态特征要素库。
[0014]可选地，所述图像的来源包括社交软件、电子期刊、电子图书、网站、出版物中的一
种或者多种。
[0015]可选地，所述预处理包括使用Python编写程序抽取图像。
[0016]可选地，所述抽样的形态特征相关集群和形态特征无关集群的图像数据集样本数量相同，抽样总样本数量不低于室外场景图像数据集的10％。。
[0017]可选地，所述训练集和所述验证集的样本数量比为7：3。
[0018]可选地，所述的迁移学习完成后，所述图像分类模型的准确率大于80％。
[0019]可选地，所述的迁移学习完成后，所述图像分类模型的F1
‑
score值大于0.7。
[0020]可选地，所述聚类群组的形态特征主题识别方法包括以下步骤：
[0021]使用所述UMAP算法将所述Places365
‑
CNNs卷积神经网络模型提取的特征向量降为二维特征向量；
[0022]所述K
‑
Means聚类模型根据所述的二维特征向量的相似性，将所述室外场景形态特征相关集群图像数据集划分成不同的聚类群组，根据各个聚类群组图像特征赋予形态特征主题。
[0023]另一方面，本专利技术还涉及一种计算机可读存储介质，存储有指令，所述指令被执行的时候能够实现上述的历史文化街区的形态特征要素识别提取方法。
[0024]本专利技术包括以下有益效果：
[0025]借助深度学习技术(Places365
‑
CNNs卷积神经网络模型)，定量识别提取出图像的形态特征要素，提高了识别提取图像形态特征要素的效率与准确性，为指导城市的可持续发展和文化传承“根基”的保留，创新地提供了一种科学的历史文化街区形态特征要素识别提取方法。
附图说明
[0026]图1是本专利技术的图像形态特征要素识别提取方法流程图。
[0027]图2是本专利技术的迁移学习模型指标示意图。
[0028]图3是本专利技术利用UMAP算法和K
‑
Means聚类模型处理室外场景形态特征相关集群图像数据集的结果示意图。
具体实施方式
[0029]下面将结合附图，对本专利技术实施例中的技术方案进行清晰、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创新性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]实施例：
[0031]如图1所示一种历史文化街区的形态特征要素识别提取方法，包括以下步骤：
[0032]S1历史文化街区对象区域范围划分，按照区域范围对相关社交媒体图像及附带信息进行爬取及预处理，获取社交媒体图像数据集D1；
[0033]对图像数据进行数据预处理时，使用Python编写程序来随机选取每个id用户上传的1张图像，确保图像数据集不受用户偏见干扰，获得预处理图像数据集D1；
[0034]S2基于深度学习的图像分类，采用预训练的Places365
‑
CNNs模型库中的
Places365
‑
ResNet18卷积神经网络模型对收集的图像进行“室内/室外”场景分类，获得室外场景图像数据集D2；
[0035]其中采用预训练的Places365
‑
ResNet185卷积神经网络模型模型，该模型算法能识别提取多达365个场景类型及对应的“室内/室外”场景类别，例如“室内”(商店、餐厅、工作室、室内楼梯等)，“室外”(市集、庭院、桥、摩天楼、建筑立面、寺庙、室外台阶等)，并达到95％的准确率。根据数据集D
1“室内”“室外”双重场景分类结果，剔除数据中“室内”场景图像，获得室外场景图像数据集D2；
[0036]S3明确室外形态特征相关集群筛选标准，随机抽样并按筛选标准将室外场景图像数据集D2人工分类为形态相关集群S1、形态无关集群S2，划分训练集和验证集，使用迁移学习方法训练形态特征相关集群的图像分类模型，获得室外场景形态特征相关集群图像数据集D3；
[0037]明确室外形态特征相关集群筛选标准，即室外图像内容中呈现出明显的历史文化街区形态特征(包含街巷、建筑、道路、景观小品等)，从室外场景图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种历史文化街区的形态特征要素识别提取方法，其特征在于，所述方法包括以下步骤：按照地理区域划分图像，对图像进行预处理，获得图像数据集；利用预训练的Places365
‑
CNNs卷积神经网络模型对所述图像数据集进行分类，获得室外场景图像数据集；建立室外形态特征相关集群筛选标准，从所述室外场景图像数据集抽样并按照所述筛选标准分类为形态特征相关集群和形态特征无关集群；将形态特征相关集群和形态特征无关集群的抽样总样本划分为训练集与验证集；使用所述预训练的Places365
‑
CNNs卷积神经网络模型进行迁移学习，获得形态特征相关性图像分类模型；将所述室外场景图像数据集输入形态特征相关性图像分类模型进行分类，获得室外场景形态特征相关集群图像数据集；使用UMAP算法和K
‑
Means聚类模型将所述室外场景形态特征相关集群图像数据集划分为多个聚类群组，并识别各个聚类群组的形态特征主题；使用GoogleCloudVisionAPI模型识别提取所述形态特征主题的场景形态特征要素，构建主题形态特征要素；基于历时性原则，对所述主题形态特征要素进行筛选，整理得到图像形态特征要素库。2.根据权利要求1所述的方法，其特征在于，所述图像的来源包括社交软件、电子期刊、电子图书、网站、出版物中...

【专利技术属性】
技术研发人员：段进，谭峰，齐卓旭，兰文龙，
申请(专利权)人：南京东南大学城市规划设计研究院有限公司，
类型：发明
国别省市：