随着城市化进程的不断推进，城市宜居性越来越受到人们的重视，越来越多的科学证据表明，城市建成环境在影响人类健康上发挥着重要作用。街道作为城市的基础单元，受到了众多研究者的关注；其中，街景图像（Street View Image） 是研究街道品质的重要数据来源，可以直观反映街道提供的视觉信息。
但是，对于缺乏编程经验的研究者而言，获取街景图像，并从图像中获取街道评价指标具有一定的难度。
首先需要熟悉网络爬虫方法；其次，为了从图像中获取准确的语义信息（也就是街景数据中主要包含的视觉信息），需要在本地部署深度学习框架，并学习相应的代码文档。
因此，本项目针对该痛点，开发了一个交互式网页，便于研究者获取街景图像，并根据街景图像得到常用的街道评价指标（绿视率和天空率）。最重要的是，交互式网页避免了繁琐的代码部署过程，使得数据获取更加简单快捷。
项目语言为 Python 🐍
建议打开VPN，以免网页无法正常加载
| 1. 网页部署 | 2. 数据处理 | 3. 街景数据采集 | 3. 语义分割 |
|---|---|---|---|
| Streamlit | GeoPandas | Requests | NumPy 1.23.5 |
| Streamlit-folium | Pandas | Pillow | MXNet |
| Folium | GluonCV |
语义分割（Semantic Segmentation）是计算机视觉领域的一个重要研究方向，其目的是将图像中的每个像素点分配到特定的类别中，从而实现对图像的像素级别的理解。
语义分割的结果可以用于计算绿视率和天空率，具体计算方法如下：
- 绿视率：街景图像中植被像素点的数量占总像素点的比例。
- 天空率：街景图像中天空像素点的数量占总像素点的比例。
本项目使用的是在Cityscapes数据集上预训练的DeepLabV3模型，以ResNet101作为backbone，在街景图像上的语义分割效果较好。
如果您希望更换预训练模型，可以在项目仓库下载项目源代码，并参考GluonCV官方文档，更换预训练模型。
- 用户可以使用示例数据；如果想使用个人数据，需要上传街景图像的经纬度位置（点数据），文件格式为CSV 或 GeoJSON
❗ 注意，不建议一次上传大于100个点数据，以免被接口被封禁 ❗
- 上传数据后，需要在Step2页面确认采样点信息
- 之后用户可以选择需要采集的街景方位，并设置采样间隔，获取街景图像
- 采集数据后，使用语义分割模型对街景图像进行分割，得到街景中的语义内容，并计算绿视率和天空率
- 最后，用户可以点击下载采集的街景数据、语义分割结果、绿视率和天空率
- 下图为获得的街景和语义分割图像，以及在原始数据的基础上添加了各个方向的绿视率和天空率
当用户未按照要求操作时，会在页面中提示错误信息，提醒用户按照正确流程操作，避免程序崩溃。
以下为部分错误的提示信息：
- 当用户未完成上一步，就进入下一页面时，会在页面中要求用户返回上一步
- 当用户上传空文件、非Point类型的GeoJSON、不包含经纬度信息的CSV文件时，都会在页面中提示错误信息，并要求用户重新上传
- 当用户在Step1上传数据后，会提醒用户不要重复上传；如需重新上传，需要先点击“重新上传”按钮
- 为避免用户上传GeoJSON时，没有注意坐标系，程序会自动将坐标系转换为WGS84
- 您可以访问我的项目仓库，查看源代码
- 如果您希望对该项目进行改进，欢迎fork项目并提交pull request
- 如果您希望将项目部署到本地
- 建议使用
conda创建虚拟环境，建议Python版本为3.9 - 您可以使用以下命令安装创建虚拟环境，并安装项目所需的依赖包
conda create -n streetview python=3.9 pip install -r requirements.txt
- 建议使用
如果在配置MXNet库时出现了NumPy库的错误，建议按照以下方法解决：
I think that if you're using pip, the latest available version of MXNet on Windows is 1.8. So I found that you can install this version of MXNet with
numpy==1.23.5From StackOverFlow
pip install numpy==1.23.5
pip install mxnet -f https://dist.mxnet.io/python/cpu