【技术教程】结合深度学习的街景分析（绿视率篇）

绿视率，即人的视野中绿色所占的比重，是街景分析中常用的评价指标之一。相较于反映二维层面绿化情况的绿地率、绿化覆盖率、归一化植被指数（NDVI）等，绿视率能够从立体视野直观反映人对绿色空间的感知，可以更人性化地反映绿化环境质量。本文结合相关文献资料，主要介绍基于深度学习技术 DeepLab V3+模型算法的街道绿视率评价。

---

一、方法对比

1.人工调研提取法

将街景照片绿色部分进行手工划分计算街景中的绿色占比。该方法精度低、费时费力，无法应用于大区域的城市绿视率计算。

2.软件色彩处理法

通过分析街景中绿色像素的比例，将 RGB 转换为 HSV 空间，提取绿色部分的阈值用以表示绿视率。此类方法较人工调研提取法有所改进，但会将绿色招牌等不属于城市绿化的绿色部分计算在内，使得结果存在较大误差。

3.深度学习提取法

模拟人类的思考和学习能力，自动识别街景中的绿化要素，自动分类出城市街道空间的植被等元素，提升了绿视率识别的精度。目前常用的有PSPnet、DeepLab V3、DeepLab V3+、Fastrcnn、HSV色彩阈值5种算法。

从图中可以看出，在分割的精度上 DeepLab V3+相对于其他 4 种方法精度最高。

---

二、DeepLab V3+模型结构

在 DeeplabV3+中，加强特征提取网络可以分为两部分：

1.Encoder

在 Encoder 中，对压缩四次的初步有效特征层利用并行的 Atrous Convolution，分别用不同 rate 的 Atrous Convolution 进行特征提取后合并&#x