OGC和TGC图片的特征及其在旅游目的地形象建构与线上传播中的运用——以昙华林历史文化街区为例

The characteristics of OGC and TGC pictures and their applications in the construction and online dissemination of tourist destination image： a case of Tanhualin historical and cultural district

摘要

随着互联网和社交媒体的普及，旅游者的话语权不断增强，旅游者生成内容对旅游目的地形象的传播机制产生了重要影响.相比传统的职业生成内容（OGC），旅游者生成内容（TGC）为旅游目的地形象构建带来了更多元化的视角和真实体验.本研究旨在探讨昙华林历史文化街区OGC与TGC图片在旅游目的地形象构建中的差异与特点，通过运用机器学习方法，对收集的在线视觉图片资料进行旅游场景检测与色彩偏好分析，系统揭示了OGC与TGC在形象传播中的异同.研究发现：1） OGC更倾向于通过一致的品牌形象和专业化的视觉表现来塑造理想化的目的地形象，而TGC则通过真实、多样化的内容展现旅游者的个人体验和情感连接.2） OGC和 TGC在色彩偏好上存在差异，OGC呈现集中、有序的特点，意在传达正式、和谐的视觉效果，而TGC色彩组合较为分散和多样化.3） 昙华林的线上传播路径已经从传统的单向模式转向双主体、多层次的互动网络.该研究结论为历史文化街区的视觉营销策略和形象优化提供了科学依据，有助于实现更为精准和有效的目的地形象传播与管理，并为历史文化街区平衡官方权威叙事与游客真实体验提供理论依据，助力实现文化传承与旅游发展的深度融合.

Abstract

With the popularization of the Internet and social media， tourists’ discursive power has been continuously strengthened， and tourist-generated content （TGC） has had a significant impact on the dissemination mechanism of tourist destination image. Compared with traditional occupationally-generated content （OGC）， TGC has brought more diversified perspectives and authentic experiences to the construction of tourist destination.image. This study aims to explore the differences and characteristics between OGC and TGC pictures in the image construction of the Tanhualin historical and cultural block as a tourist destination. By applying machine learning methods to conduct tourism scene detection and color preference analysis on the collected online visual picture materials， the study systematically reveals the similarities and differences between OGC and TGC in image dissemination. The research findings are shown as follows. 1） OGC is more inclined to create an idealized destination image through a consistent brand image and professional visual presentation， while TGC shows tourists’ personal experiences and emotional connections through real and diversified content. 2） There are differences in color preferences between OGC and TGC. OGC presents concentrated and orderly features， aiming to convey a formal and harmonious visual effect， while the color combinations of TGC are relatively scattered and diversified. 3） The online dissemination path of Tanhualin has shifted from the traditional one-way model to a two-subject， multi-level interactive network. The research provides a scientific basis for the visual marketing strategies and image optimization of historical and cultural blocks， contributes to achieving more precise and effective dissemination and management of the destination image， offers a theoretical basis for historical and cultural blocks to balance the official authoritative narrative with the authentic experiences of tourists， and facilitates the in-depth integration of cultural inheritance and tourism development.

Graphical abstract

关键词

目的地形象 / 职业生成内容 / 旅游者生成内容 / 深度学习 / 目的地营销

Key words

destination image / occupationally-generated content / tourist-generated content / deep learning / destination marketing

随着旅游业的迅猛发展，目的地形象的构建和传播变得尤为重要.目的地营销组织（destination marketing organization，DMO）通过制作视频、广告、宣传册和指南等，向潜在游客提供有关旅游热点、产品和服务的信息，从而影响他们的决策和行为.这些由DMO创造的职业生成内容（occupationally-generated content，OGC）通过精心设计的视觉表现传递统一的目的地形象，进而影响游客的认知和决策，在旅游目的地形象传播中一直占据主导地位.近年来，社交媒体成为强大的营销工具，旅游者通过互联网平台分享旅游体验、照片和视频，展示对目的地的独特认知和感受^［1］.Instagram、微博等平台上的旅游内容对潜在游客的决策影响显著，调查显示，超过60%的游客表示他们的旅游计划受到社交媒体内容的启发^［2］.旅游者生成内容（tourist-generated content，TGC）在目的地形象传播中的影响力逐渐增强，旅游者自身也成为了重要的目的地形象传播者.

传递目的地形象的视觉材料形式多样，包括图片、照片、电视、电影、视频等多种形式.新媒体时代，旅游经营者在目的地形象的塑造上失去以往的垄断控制地位，目的地形象成为他们与旅游者沟通协商的结果^［3］.旅游者生成内容（TGC）成为目的地形象建构与传播的重要信息来源.研究者通过分析目的地官方宣传材料和旅游者生成内容，探讨不同来源的信息如何影响目的地形象，揭示它们在形象构建中各自的优势和互补作用^［4-5］.

目前，旅游目的地投射形象与感知形象相关研究主要聚焦于国家、地区或省市等大尺度区域，较少涉及社区与街区等小尺度旅游目的地形象研究.截至2021年底，全国共划定历史文化街区超过1 200片，确定历史建筑约5.75万处.《关于在城乡建设中加强历史文化保护传承的意见》指出，“到2025年，多层级多要素的城乡历史文化保护传承体系初步构建，历史文化保护传承工作融入城乡建设的格局基本形成”.历史文化街区以其深厚的文化底蕴、细节丰富的景观元素和个性化的游客体验，更能反映出官方与游客在形象构建上的差异，更有助于理解目的地的多维度形象内涵.因此，本研究拟采用机器学习方法，分析昙华林历史文化街区图片资料，揭示OGC和TGC图片在旅游目的地形象构建上的特点和差异，探索互联网背景下目的地视觉形象的特征及传播路径，以期能够丰富旅游目的地视觉形象研究，并为历史文化街区目的地营销策略提供有力支持.

1 理论基础

1.1 基于供需视角的旅游目的地形象研究

旅游目的地形象研究是旅游学、市场营销学、心理学和地理学交叉的重要领域.1970s—1980s为早期探索阶段.相关研究基于传统市场营销理论研究广告、宣传册等官方传播手段对形象的影响.Hunt^［6］最早提出旅游目的地形象的概念，为后续的目的地形象研究提供了基础框架，帮助理解游客如何通过认知和情感形成对目的地的整体印象.Gunn ^［7］ 提出基于间接信息影响的“原生形象”和基于主动营销影响的“诱导形象”.旅游目的地形象是一种社会建构，旅游者在目的地选择过程中，会受到更有利和清晰的目的地形象影响.Crompton^［8］提出目的地形象是个体关于目的地的观点、观念与印象的综合体现.

1990s—2000s 为理论深化阶段，核心关注从游客感知视角出发，探讨旅游目的地形象的构成维度及形成机制.相关研究关注信息来源，例如媒体、口碑、个人经历对形象的影响 ^［9］.Baloglu和McCleary^［10］进一步强调情感因素对于目的地形象的关键意义.“认知-情感模型”将目的地形象分为认知形象（理性评价）和情感形象（情感体验）.Beerli等^［11］觉得目的地形象应涵盖认知形象与情感形象两部分.李蕾蕾^［12］表示旅游目的地形象包含旅游者对地理环境实体的直接感知以及对人文环境的抽象感知，且旅游者可借由实地旅游或间接了解等多种方式认知并获取对目的地的印象.

2010s至今，旅游目的地形象研究进入细分与多元化阶段，包括对不同类型，不同受众，以及动态的目的地形象研究.新技术与媒体的影响得到广泛关注，用户生成内容（UGC）和在线评论对目的地形象的“自下而上”重构 ^［13］.Grosspietsch^［14］把目的地形象分为投射形象（projected image）与感知形象（perceived image）.投射形象指的是旅游目的地的政府、旅游企业、社会团体等旅游形象塑造者对外宣传，且期望在旅游者心中树立的形象；感知形象则是旅游者通过亲身体验或接触传播媒介后，形成的对目的地的主观认知与感受，它基于旅游者实际旅行经历，是对投射形象的客观反映和补充^［15］.在TGC相关研究中，游客既是感知者也是投射者^［16］，一方面受DMO刻意投射的形象影响，另一方面主动将自身感知形象通过文字、图片、视频等多种形式传递给社交圈层中的潜在游客^［17］.相较于OGC所投射的目的地形象，当前学术界普遍认为TGC有着更优的口碑营销作用^［18］，其内容更易获得潜在游客的信任，在投射目的地形象上更具优势.

1.2 旅游目的地视觉形象研究

Urry ^［19］在研究中提及，旅游专业人士、学者以及游客和当地人普遍认同旅游本质是以视觉为中心， 图片因能直观传递信息而成为主要信息载体，所以照片也慢慢变成现实和潜在旅游者理解与表征目的地形象的关键介质.Garrod^［20］ 的研究表明，旅游者借助照片对目的地进行视觉表征，这是形成目的地形象的重要因素，Choi 等^［21］同样强调了视觉资料对于旅游者认知的核心作用.和文本相比，图片是旅游者对目的地认知的可视化表达，包含诸多目的地信息，不管是在学术研究还是目的地营销实践中，图片和视觉内容都已然是不容忽视的重要元素^［22］.

在目的地形象构建与传播、情感分析与目的地形象差异、市场细分与游客行为预测等领域，有关 OGC 与TGC图片的比较研究日益受到学者关注.DMOs通过OGC与TGC图片的结合，可以更有效地验证营销效果.当下研究大多聚焦于图片的视觉表征阶段^［23-24］，仅有少部分研究拓展至视频素材的形象呈现方面.

在图片分析方法上，内容分析法依旧是主流，一般会运用质性分析软件 NVivo 对用户生成图像进行编码分析^［24］.部分学者已经开始尝试借助机器学习、深度学习等计算机视觉技术来分析旅游图片^［25-26］.邓宁等^［27］利用基于卷积神经网络（convolutional neural network，CNN）开发的“DeepSentiBank”实现图像内容的情感分析.

历史文化街区与国家级旅游休闲街区的旅游形象研究是近年来城乡规划、文化遗产保护和旅游管理领域的热点话题.这类街区的旅游形象不仅关乎其文化价值的传播，还直接影响游客体验、地方经济发展与文化传承.历史文化街区的视觉形象研究已有一定成果，但研究方法偏向传统，研究样本量较小，难以全面刻画、表征大数据时代背景下目的地的整体形象，利用更为智能、自动化的图片分析方法成为目的地形象研究新的重点机器学习与深度学习方法逐渐被越来越多的学者采纳.

2 研究设计

2.1 研究案例地

昙华林历史文化街区位于湖北省武汉市老武昌城的东北角，拥有悠久的历史和丰富的文化底蕴.自明朝洪武四年（1371年）武昌城扩建定型后逐渐形成，至1946年将正卫街和游家巷并入，正式命名为昙华林，沿用至今.昙华林历史文化街区散落着52处人文底蕴深厚的历史建筑，核心区作为重点打造区域，其改造始终坚持“保护为主、修旧如旧、多维提升”的建筑风貌整治原则.在改造过程中，以精湛的工匠精神，将外观风貌的保护与现代功能的植入最大限度地结合，全面提升了昙华林片区的功能和形象，在全区率先打造出特色区块.2019年9月28日，经过政府整治修缮和升级改造，修旧如旧的昙华林历史文化街区核心区一期正式对外开放.2021年10月，核心区二期开放，经过进一步升级改造，昙华林成为了新的网红景点，并在2023年11月入选第三批国家级旅游休闲街区.2024年3月，三期工程完工，昙华林景区作为武昌古城之根、文脉之源，至此拼齐了完整的“版图”.同时，昙华林在各种新媒体平台上都有丰富的相关内容，“大成武昌”“武汉市文化和旅游局”等官方微博、微信公众号定期更新关于昙华林的文字和照片宣传，为深入探究目的地形象的演化机制提供了宝贵的资源.

2.2 数据收集和预处理

本研究以“携程”官方网站作为收集昙华林历史文化街区TGC图片的主要平台，以“大成武昌”官方微信公众号为OGC图片的主要数据来源，利用爬虫软件收集2019年9月—2024年6月期间在两个平台发布的昙华林历史文化街区图片，经过筛选去除重复和不相关图片（例如模糊、不包含街区特征的图片）后，最终收集到OGC图片565张，TGC图片265张.随后，通过随机抽样方法，各抽取250张图片，用于进一步的分析研究.

2.3 研究方法

2.3.1 旅游场景检测

本研究运用深度学习ResNet50模型对昙华林图片进行场景特征提取.ResNet50是一种广泛应用于图像分类和场景识别的卷积神经网络，其架构由50层深度卷积层组成，逐层提取图像中的多层次特征，有效捕捉图像中的边缘、纹理、形状以及更高层次的语义信息，并且通过残差连接（residual connections）缓解深层网络中的梯度消失问题，适合需要深层次特征提取的复杂图像分析任务^［28］.ResNet50模型主要包括以下几个关键部分.

1） 输入层.输入层是ResNet50模型的起点，负责接收和处理原始图像数据.通常输入像素为224×224的RGB三通道图像，模型对像素值进行归一化处理，以加快训练速度并提升模型稳定性.输入层将昙华林街区的图片转换为数值矩阵，供后续特征提取使用.

2） 卷积层.卷积层是ResNet50的核心组成部分，通过卷积核提取图像的局部特征.初始卷积层使用7×7卷积核和步长2，快速降低图像分辨率并捕捉边缘、纹理等低级特征.随后的残差块（bottleneck结构）由三个卷积层（1×1、3×3、1×1）组成，通过压缩-扩展策略减少参数量，同时保留关键特征.这些卷积层可以识别建筑轮廓、自然景观等不同场景的视觉特征.

3） 池化层.池化层的主要作用是降维和特征压缩，同时保留图像的关键信息.ResNet50在初始阶段使用3×3的最大池化层，通过步长2进一步降低特征图尺寸，增强模型对平移的鲁棒性.在网络的末端，全局平均池化层将7×7的特征图压缩为1×1的向量，替代传统的全连接层，显著减少参数量并降低过拟合风险.在旅游图片分析中，池化层帮助模型从细节中提取出更具代表性的高层特征.

4） 全连接层.全连接层位于网络的末端，负责将提取的高层特征映射到具体的类别标签.输入全局平均池化后的2 048维特征向量，通过全连接层映射到目标类别数（如365类），最后经过Softmax函数输出每个类别的概率分布.这一层可以将图片分类为“历史建筑”“自然景观”或“人文活动”等具体场景，为目的地形象分析提供量化依据.

5） 反向传播.反向传播是模型训练的关键环节，通过计算损失函数的梯度来优化网络参数.ResNet50的残差连接设计使得梯度可以通过跳跃连接直接回传到浅层网络，有效缓解了梯度消失问题.优化器根据梯度调整各层的权重和偏置，逐步降低预测误差.在训练旅游图片分类模型时，反向传播不断优化网络对场景特征的提取能力，最终提升模型的识别准确率.

如图1所示，以昙华林的四张图片为例进行场景检测，直观呈现了 ResNet50模型对图片场景的识别焦点与概率判定.图1的第一张图片场景包含台阶、楼阁、阳台等多种元素，模型通过概率计算将“staircase（台阶）”判定为主要场景，热力图中该区域高亮显示.因此，对于每一张图片只保留概率最大的场景，每个场景都来自Places365-CNN训练集中的365个场景之一.

2.3.2 图像色彩分析

1） RGB直方图分析.RGB（红、绿、蓝）是计算机表示颜色的基础模型，利用三个通道（R，G，B）的数值组合（每个通道0~255）描述颜色.RGB直方图通过统计每个通道的像素值分布，反映图像的整体色彩特征^［29］.首先将图像分解为R、G、B三个独立的通道矩阵，每个矩阵存储对应通道的像素值.例如，一个像素的RGB值为（200，150，50），表示红色通道值为200，绿色为150，蓝色为50.其次对每个通道的像素值进行频次统计，生成256维的直方图数组.最后将频次转换为频率百分比，绘制为R、G、B三通道对比叠加曲线图^［30］.通过比较OGC与TGC图片的直方图峰值位置和分布宽度，判断色彩风格差异.

2） HSV空间分析.HSV（色相、饱和度、明度）是一种更贴近人类视觉感知的颜色模型.色相（hue，H）表示颜色类型（如红、绿、蓝），范围0~180；饱和度（saturation，S）表示颜色纯度（0为灰度，255为完全饱和）；亮度（value，V）表示颜色亮度（0为黑色，255为白色）.将RGB图像转换为HSV空间，分离H、S、V三个通道，分别统计其分布.

3） 色彩偏好分析.本研究采用k均值（k-means） 聚类算法分析昙华林OGC与TGC图片的图像色彩偏好.首先，运用k均值算法对图片进行色彩聚类.k均值算法是一种广泛应用于数据聚类和模式识别的无监督学习算法，其根据颜色相似性将图像的像素聚类，以自动识别图像中的主要颜色特征，提取主色调有效捕捉图像中的核心视觉元素^［31］.为了便于后续分析，本研究对原始RGB颜色值预定义颜色标签，包括红色、橙色、黄色、绿色、蓝色、紫色、黑色、灰色、白色、棕色、青色等11种，将每种主色调转换为预定义的颜色类别.具体步骤为：①输入昙华林图片，计算图片的RGB向量；②使用 k均值聚类法，对像素点进行聚类，提取10种主色调；③将每种主色调转换为HSV色彩空间，并将其归类为预定义的色彩类别；④统计所有图片中的主要色彩分布，输出色彩名称、色彩占比.

图2为昙华林图片主色调提取示例，这些条形图不仅展示了主色调的种类，还能在一定程度上反映出每种主色调在图片中的占比情况.

3 基于OGC和TGC图片的旅游目的地形象比较

3.1 OGC与TGC图片场景差异分析

3.1.1 图片场景差异

对所有图片数据进行场景检测后，统计每个场景的出现频率.图3为两类图片中20个出现频率最高的旅游场景，发现这些场景的出现次数之和在OGC和TGC中占比超过40%.

由于365个场景过于碎片化，无法摸清昙华林目的地形象的特点.为了更好地反映游客的视觉感知与官方图片的特征，本研究参考Sheng等^［26］学者的方法，并结合昙华林旅游目的地特点，将全部分类结果归纳为10个大类.每个类别代表特定的场景特征，涵盖了游客和官方图片中常见的视觉内容（表1）.

3.1.2 场景差异分析

研究对昙华林OGC与TGC图片分别进行场景检测，得到两类图片中出现频率最高的20个旅游场景（图3）和全部旅游场景分类（表2）.在旅游基础设施相关场景的视觉表达中，OGC与TGC展现出对街区商业与生活风貌的不同关注维度.OGC侧重选取具有文化标识性的商业场景，如艺术画廊（art gallery）、礼品店（gift shop）、艺术工作室（art studio）等，通过22.4%的艺术文化类场景占比，传递昙华林“文化底蕴与商业活力融合”的整体定位，强化其作为旅游目的地的核心吸引力.这类场景经过官方筛选与构图设计，呈现出规划感与品牌一致性，旨在构建游客对街区商业生态的整体认知.相较之下，TGC更聚焦于个体游览中的即时体验场景，如图3中的餐厅（diner，占比 4.4%）、店铺门面（shopfront）、街道巷弄（alley、street）等，展现街区的生活气息与服务功能，反映其对街区空间细节和生活化基础设施的关注，体现出对真实游览体验的碎片化记录特征.

在文化遗产与空间场景的视觉表征上，OGC与TGC形成“系统化叙事”与“碎片化感知”的分野.OGC对“建筑”（16.0%）的侧重显著高于“历史文化遗址”（5.2%），与昙华林“活态遗产保护”的核心理念直接相关.作为国家级旅游休闲街区，昙华林的改造强调“保护与活化并重”，官方图片通过高频展示历史建筑的现代使用场景，传递“遗产可触摸”的理念.相较之下，“历史文化遗址”多为碎片化的碑刻、老字号牌匾等非功能性载体，其低频出现（5.2%）反映官方更倾向于通过“可进入、可消费”的建筑空间建构“活态遗产”的目的地形象，而非静态的历史符号.TGC对文化空间的呈现则更具个体性与情感化特征.尽管艺术文化等场景在TGC中占比相对较低（12.0%），但游客倾向于捕捉生活化的文化元素，如街头涂鸦、小众咖啡馆内的艺术装饰、特色店铺的手作展示等.这些碎片化场景通过游客的个性化视角与非专业拍摄手法，展现街区文化的多元触点与亲切感，形成区别于官方叙事的情感连接.游客通过自身镜头记录的文化空间细节，更易引发潜在游客对街区“可参与、可体验”的文化感知，补充了官方宏观文化符号之外的微观情感维度.此外，OGC中“人物”占比6.8%，显著高于TGC的3.2%，表明官方更倾向通过人物形象传递文化叙事，而游客更关注无人物干扰的纯粹空间体验.

在武昌古城保护相关的空间感知层面，OGC与TGC分别以“整体形象建构”与“细节体验捕捉”形成互补.OGC从宏观视角出发，通过选取历史建筑群落、核心街区全景等场景，展现昙华林作为古城核心区域的整体风貌与规划性保护成果.TGC则聚焦于古城空间的微观肌理与个体体验，通过记录街角老店、石阶巷弄、特色门牌等细节场景，构建个性化的“记忆地图”.TGC 中“街道巷弄”“电话亭”等场景的高频出现，反映游客对古城空间中生活化细节的关注.这些碎片化场景虽未形成系统化的规划叙事，却真实呈现了游客在街区游走时的即时兴趣点与情感记忆.此类内容通过社交平台的传播，丰富了昙华林在游客心中的立体形象，使官方构建的宏观古城形象与个体体验的微观记忆相互交织，形成多维度的目的地感知.

3.2 OGC与TGC图片色彩差异分析

3.2.1 图片色彩差异

1） RGB直方图分析.图4展示了OGC与TGC图片在红（R）、绿（G）、蓝（B）通道的像素值分布频率.横坐标（pixel value）表示 RGB 色彩空间中每个通道的像素值，范围0 ~ 255，数值反映颜色的强度.纵坐标（frequency）代表对应像素值在OGC或TGC图片中出现的频率，频率越高，表明该像素值在图片中出现得越频繁.曲线对比直观呈现两者在基础色彩通道上的差异，反映色彩构成的原始区别，某通道曲线在特定区间的高低差异，揭示其像素值分布的不同倾向.

2） HSV空间分析.图5从 HSV 色彩空间的三个维度对比了OGC与TGC图片的色彩分布特征.左侧图表（hue distribution）的横坐标为色调值（0~180），纵坐标为频率，呈现OGC与TGC图片中不同色调的出现频率，反映二者在色彩种类偏好上的差异；中间图表（saturation distribution）横坐标为饱和度值（0~255），展示两者在色彩鲜艳程度上的分布情况，体现对饱和度的不同倾向；右侧图表（value distribution）横坐标为明度值（0~255），揭示OGC与TGC图片在色彩明亮程度上的分布差异，展现画面明亮度的特点.通过三张图表，可全面把握OGC与TGC图片在色调、饱和度、明度上的分布特征，为深入分析二者的色彩差异提供详细的量化依据.

3） 色彩偏好分析.图6展示了昙华林图片的主要色彩占比情况.其中，图6a为 OGC 图片的色彩占比，图6b为 TGC 图片的色彩占比，直观呈现了两者在主要色彩构成上的不同倾向，为分析二者视觉色彩特征提供直观依据.

为了更好地理解各色彩之间的关系，本研究构建色彩偏好组合网络模型（图7），将色彩节点之间的共现关系可视化，以度中心性为主要衡量指标，度中心性指与该节点相关联的节点数目，连接的节点越多，意味着该节点的度中心性越高，在模型网络中的重要性越高.

3.2.2 色彩差异分析

OGC图片通过高饱和度、集中的暖色调塑造理想化的视觉叙事，强调昙华林历史文化街区的文化符号与美学一致性.OGC以橙色（22.6%）为核心色系（图6a），其高频使用与昙华林“历史活力”的品牌定位深度关联.作为武昌古城文化的核心承载地，昙华林既需展现历史底蕴，亦需传递现代商业活力.橙色兼具历史厚重感与视觉吸引力，契合街区“新旧融合”的特质.此外，官方图片中大量出现的文创店、咖啡馆场景，其室内暖黄色灯光与外墙橙色装饰形成统一色调，构建“温暖、活力”的文化消费氛围，与 TGC中灰色基调的市井场景形成对比，凸显OGC对“历史文化街区=活力体验空间”的符号化建构.

TGC的灰色基调（占比 31.1%）直接反映游客对昙华林“市井烟火气”的真实感知（图6b）.街区大量保留的青砖灰瓦、石板路等历史建筑材质，以及阴雨天气下的自然色温，共同构成灰色系的视觉基础.游客拍摄的巷弄场景中，灰色砖墙、褪色木门与晾晒的衣物形成生活化拼贴，体现“去美化”的真实记录倾向.此外，灰色作为中性色，自然融入游客镜头中的多元元素，成为承载街区日常细节的“背景色”，与OGC刻意营造的高饱和暖色调形成反差，印证TGC“去中心化”的记录逻辑.这种灰色主导的视觉风格，本质上是游客对街区“历史真实性”的无意识选择，通过保留建筑材质的原始色调，传递对昙华林“本真生活”的体验认同.

OGC通过标准化的橙-黑-白组合传递“历史活力”的集体情感（图7a）；而TGC则以灰色基调中的偶然暖色捕捉瞬时情绪，体现个体对街区氛围的差异化感知（图7b）.这种色彩策略的分异，本质是官方“符号化建构”与游客“场景化记录”在视觉叙事上的对立统一.RGB直方图（图4）显示，OGC红色通道像素值集中于180~220区间（频率峰值达12.7%），绿色通道次之（160~200），蓝色通道分布平缓，整体呈现暖色调高度集中的特征；而TGC三通道分布分散且重叠度高，蓝色通道在低值区（<100）占比突出（峰值8.3%），与灰色砖墙、阴天色温等中性色偏好一致.HSV空间分析（图5）进一步量化了差异：OGC色相（H）集中分布于15~40（橙黄色系，占比62.3%），饱和度（S）均值达180（高饱和），亮度（V）多集中于200~255区间（高亮度），形成“明快、统一”的视觉基调；TGC色相分布则分散于冷（120~180）、暖（30~60）、中性（0~15）多区间，饱和度均值仅为110，明度集中于150~200，凸显低饱和、中明度的“自然真实”风格.

4 昙华林历史文化街区视觉形象线上传播路径

4.1 OGC图片对TGC的视觉引导

OGC通过视觉符号构建对目的地视觉形象传播起到重要引导作用，被广泛认可和再生产的地方符号发展为标志性形象，构成了目的地的核心吸引力^［32］.通过对比OGC与TGC在昙华林历史文化街区的视觉表征，可以观察到二者在地标性建筑和符号上的相似性（图8）.昙华林知名标志性景观网红涂鸦墙，OGC图片中以特定角度展示墙上的图案与周围环境，凸显其文化氛围.旅游者在OGC图片的视觉引导下，也会选择相似的角度拍摄涂鸦墙并上传至社交平台，使这一符号形象得以广泛传播，二者在目的地形象的视觉传达上保持一致性，同时也验证了目的地营销管理组织（destination management organization，DMO）至旅游者的传统传播模式的有效性，DMO通过视觉表征媒介构建出旅游者容易识别的目的地视觉符号，潜移默化地影响旅游者的拍摄和分享行为^［33］.

在目的地形象的传播中，传统模式主要由DMO通过OGC向旅游者传递信息，旅游者在接收后，通过拍摄与OGC相似的图片和视频，在TGC中再现目的地的标志性形象，从而在视觉表征上与DMO的官方内容保持一致.然而，随着互联网和社交媒体的普及，这一传播过程变得更加多元和复杂，DMO不再是唯一的目的地形象构建和传播主体.旅游者通过社交平台成为内容创作者，积极参与到目的地形象的再造与传播之中^［16］.在新的传播环境下，旅游者之间形成了相互影响的关系，他们彼此模仿、理解、解释和再创造目的地形象，构建出多样化的视觉符号体系.同时，旅游者生成的内容反过来影响了DMO的传播策略.随着TGC的广泛传播，DMO越来越重视旅游者的反馈，甚至开始引用TGC中的热门元素，以更加亲民和贴近实际体验的方式塑造目的地形象.这种双向互动不仅使得DMO和旅游者共同参与到形象建构之中，也推动了目的地形象在社交平台上的深度扩展与丰富.

基于此，总结出昙华林历史文化街区视觉形象线上传播过程的主要路径：第一条是DMO至旅游者的传统传播路径，DMO通过发布OGC内容，将昙华林的视觉形象给旅游者.旅游者在拍摄时模仿OGC提供的视觉元素，从而在TGC中展现与OGC一致的符号化形象，确保了昙华林基础形象传播的连贯性和一致性.

4.2 TGC图片的互动传播

旅游者间的互动传播，即社交平台上旅游者间的内容分享和互动构成独立的传播链条.旅游者通过点赞、评论、转发等行为影响彼此的拍摄内容和分享方式，特别是当某一景观或拍摄风格在社交媒体上流行时，后续的游客会倾向于模仿这一风格，在特定主题和场景中形成“自传播”效应（图9）.通过观察三位旅游者上传的“三镇情怀”TGC图片，发现他们均选择了不同的拍摄角度与视觉风格来表现这一景点，各自融入个人的审美偏好.这种多样化的拍摄角度和风格表明，旅游者在目的地形象的视觉表征上不仅存在相互影响和借鉴的过程，也表现出通过个性化视角创新目的地形象的趋势.

4.3 TGC图片对DMO的互动反馈

第三条是TGC对DMO的反馈及社交互动，TGC内容的广泛传播对DMO的形象宣传策略产生了重要反馈作用.当某些TGC内容在社交平台上受到广泛关注时，DMO会逐渐关注这些受欢迎的元素，并在后续OGC发布中加以引用.“大成武昌”在其官方微信公众号中发布了由游客拍摄的昙华林TGC图片用于宣传（图10）.这种方式表明官方机构不仅关注旅游者生成内容的传播效果，还积极利用优质TGC内容进行二次推广，以更加贴近游客视角的方式展示目的地形象，从而增强宣传的亲和力和实际吸引力.同时，DMO还会通过评论、分享TGC内容来增加互动，从而形成一种亲民形象，拉近与受众的距离.

4.4 DMO主导的目的地视觉形象更新

随着TGC对昙华林形象的构建贡献增加，DMO在传播策略上不断进行循环更新.通过定期观察和分析TGC内容，DMO会反思其OGC内容，并在适应受众需求的基础上进行优化.根据“大成武昌”官方公众号不同时期发布的昙华林网红涂鸦墙OGC图片，右图时间更晚，其更为直观地展示了墙上的涂鸦图案，且“猫咪”形象更为生动（图11）.这一动态更新路径不仅使OGC更具吸引力，也增强了DMO在形象传播中的灵活性.

值得注意的是，随着互联网的发展，社交平台推荐机制很大程度上影响内容的曝光和传播速度，通常会优先推荐受欢迎的内容，扩大其传播范围.因此，目的地形象的传播不仅依赖于内容本身，还受到推荐机制制约，某些热门内容能够持续传播，影响新的旅游者，进而反馈给DMO，进一步丰富和更新昙华林的目的地形象.

综上所述，昙华林的线上传播路径已经从传统的单向模式转向双主体、多层次的互动网络（图12）.DMO通过权威渠道构建了昙华林的基础形象，而旅游者的自发性和多样化的表达则丰富了目的地形象的层次.OGC和TGC之间的双向互动与反馈机制，使昙华林的目的地形象更加立体，能够迎合不同受众的兴趣，实现多元传播的效果.

5 结论与讨论

5.1 研究结论

OGC图片通过地标建筑等视觉符号，强化目的地的“官方叙事”，塑造安全、友好、独特的理想化形象，通过构图、色彩和滤镜，突出目的地的品牌标识，更倾向传递愉悦、舒适等情感.TGC图片揭示游客对目的地的多维感知，例如当地的自然景观、地域文化、服务体验等，补充或挑战机构组织的叙事.TGC图片多通过视觉元素（如表情、场景氛围）反映游客的情感倾向，包括积极情绪或消极情绪.通过TGC图片的语义分析，例如根据拍摄主题、标签、地理位置等，研究者可精准识别游客兴趣偏好辅助精准营销.

在旅游体验中，相比精致完美的OGC内容，旅游者往往更倾向于浏览真实、随性的TGC，这类内容不仅满足他们对目的地信息的真实需求，还能增强情感共鸣.社交平台上的TGC让旅游者能够从他人的分享中获取感性和直观的体验信息，继而通过自己的图片、视频等再次传播，从而形成一个互动的信息循环.这种自发的信息分享推动了目的地形象在游客群体中的广泛传播和动态更新.对于DMO而言，理解旅游者通过TGC所表达的目的地感知形象，能够提供有价值的洞察和营销参考.关注TGC与OGC之间的差异，不仅能帮助DMO调整投射形象，使其更贴近游客实际感受，还能提升目的地形象的可信度和吸引力，从而优化营销策略，实现更有效的品牌推广.本研究通过对昙华林历史文化街区的 OGC 和 TGC 图片在场景特征、色彩偏好以及传播路径三个方面的综合分析，得出以下研究结论.

1） OGC与TGC图片在场景选择上存在明显的视角差异.OGC往往侧重于展示能够体现街区特色和文化底蕴的场景，如艺术文化和食物，旨在通过这些具有代表性的场景来宣传街区的独特魅力，吸引旅游者.而TGC则更倾向于反映他们在游览过程中的实际体验和个人兴趣点，如自然景观、建筑和休闲娱乐场景，表明游客在游览时更注重自身的感受和即时的体验，对于能够带来视觉享受和身心放松的场景更为关注.OGC通过高频展示艺术画廊、历史建筑等符号化场景，构建“文化遗产权威性”的投射形象；而TGC以街道巷弄、市集摊位等生活化场景为主，通过细节记录还原街区的日常活动.

2） OGC与TGC在色彩选择和组合上既展现出一致性，也存在明显差异.OGC和TGC均偏好使用橙色营造热情氛围，但OGC更倾向于暖色调和紧密的色彩组合，形成统一、吸引力强的视觉效果，更加强调街区的文化形象与美学一致性；而TGC则偏好灰色等中性色和更为分散的组合，通过多元色彩还原街区的日常生活气息和历史质感，呈现出真实的街区现状与活力.HSV空间分析表明，OGC的色相（H）集中分布于暖色调区间，亮度（V）集中于高值（>200），通过高饱和橙色与黑色、白色的紧密组合，传递“活力、专业”的品牌形象；而TGC的色相分布分散，且色彩组合松散，体现“去中心化”的真实记录逻辑.

3） 昙华林的目的地形象传播路径已从传统的单向模式发展为由DMO与旅游者双主体驱动的多层次互动网络.DMO通过OGC建立权威形象基础，旅游者则通过TGC以多样化方式自发扩展目的地的视觉符号，二者间的双向反馈不断丰富并更新昙华林的整体形象.此外，社交平台推荐机制的加速作用进一步放大了视觉内容的传播影响，使得昙华林的形象在动态传播中日益立体、亲和、多元，满足了广泛受众的需求并实现了深度传播.

5.2 实践启示

在旅游目的地形象构建和传播中，图片扮演着至关重要的角色，特别在“读图时代”，图片因其直观性和感染力成为塑造和传递旅游目的地形象的主要媒介.通过图片的记录与分享，旅游者可以将自己对目的地的感知传播给更广泛的受众，从而打破了传统上由DMO主导的形象塑造模式.昙华林历史文化街区的视觉形象受DMO和旅游者共同影响，体现了多主体在街区形象建构中的不同视角与贡献.基于对OGC和TGC图片的深入分析，本研究从特征提取、色彩偏好及传播路径三个方面得出了一系列结论，并据此提出以下实践启示，以期更好地助力昙华林的旅游营销与管理.

1） 强化线上线下互动，增进历史文化展示与体验相结合.基于OGC与TGC场景特征分析，昙华林的官方宣传需突破单向文化展示模式，以“场景活化”为核心抓手，通过场景再造与体验融合，构建“可触、可感、可参与”的历史文化空间.在街区核心区域打造非遗工坊集群，将汉绣、木雕、楚式漆器等非遗技艺嵌入历史建筑.利用街角空置商铺设立微型非遗剧场，定期上演皮影戏、楚剧等传统艺术.观众可通过扫码投票选择剧情走向，增强互动性与代入感.通过动态场景活化，将非遗从“博物馆展品”转化为“可消费的文化体验”，提升非遗传承的可持续性.从被动观赏到主动参与，游客通过多维互动深化对街区文化的认同感.以非遗为媒介，构建昙华林“传统可触摸、技艺可创作”的独特标签，区别于同类街区的同质化宣传.

2） 优化色彩营造策略，提升视街区觉吸引力.基于色彩偏好分析，OGC图片通过统一的暖色调和紧密的色彩组合，传递出文化氛围浓厚、视觉吸引力强的形象，而TGC图片则多使用灰色等中性色，展现出街区真实、生活化的场景.DMO在色彩组合上可继续保持暖色系的整体风格，以强化街区的文化标识；同时结合更多元的色彩组合，增加对自然与生活场景的表现，丰富视觉层次感，从而吸引游客情感共鸣.在昙华林核心文化展示区，明确“暖橙+青灰”为基础色调，同时结合昙华林非遗元素的传统用色，将红黑融入公共艺术装置，构建可识别的文化色彩符号体系.针对街区内的咖啡馆、文创店等商业空间，推出“暖色系为主、个性化为辅”的色彩指引，在街区公共空间强化“灰色基底+自然色彩点缀”的设计.此外，DMO还可鼓励游客参与多样化的色彩表达和创作，推出“昙华林色彩密码”互动体验项目，规划“暖橙寻迹线”（核心文化区）与“灰度生活线”（市井巷弄区）两条路线，打造多元的街区色彩氛围，增强游客在视觉和情感上的多样化体验，实现文化与生活的有机结合.

3） 加强传播互动，构建多主体、多层次的立体化形象.基于传播路径分析，DMO主要通过官方渠道传递昙华林的历史文化价值，强调文化遗产和标志性建筑的权威形象；而旅游者则通过社交平台自发传播，展示了街区生活场景的多样性与现代感.传播路径表明，官方应积极利用社交平台与游客互动，促进OGC与TGC之间的双向反馈.目前，昙华林的官方宣传在文化遗产展示方面有所侧重，但对游客真实体验和个性化表达的关注不足.因此，官方可以借助社交平台推荐机制和线上活动，引导游客分享体验内容，通过采纳优质TGC内容丰富OGC宣传素材.发起 #昙华林非遗日记# 社交媒体话题，鼓励游客上传非遗体验短视频，优质内容纳入官方宣传矩阵，形成“游客创作—官方精选—二次传播”的互动链路.开展“非遗代表性传承人+”计划，游客与传承人合作设计非遗衍生品，作品在街区公共空间展览并标注创作者信息，构建“游客—传承人—街区”共生关系.这样不仅能提升昙华林的亲和力，还能在官方与游客的多主体协同作用下，构建出历史与现代相融合、权威与生活并存的立体化目的地形象，进一步提升昙华林的公众吸引力和品牌传播效果.

5.3 研究展望

通过对昙华林历史文化街区的 OGC 和 TGC 图片进行深入分析，本研究揭示了街区在不同主体视角下的多样性和复杂性，但受限于现有资料和技术条件，仍存在一定的局限性.

本研究中获取的可用于分析的视觉资料并不十分充足，尤其是在TGC图片方面，样本数量的代表性和覆盖面还需进一步提升.此外，研究中采用的视觉特征分析方法也存在主观性.未来的研究可以进一步丰富数据来源，特别是通过多元化的数据渠道获取更多样的视觉资料.目前旅游者获取和分享信息的方式已从静态图片逐步向动态视频发展.与图片相比，视频资料能提供更丰富的动态场景信息，使得观众更具沉浸感和真实感.未来可以突破静态图片的限制，利用短视频和长视频数据来探索 OGC 与 TGC 在动态视觉材料中的形象表征差异，进一步分析旅游者和官方在视频素材中的情感传递和视觉表现上的异同，为昙华林历史文化街区的形象塑造提供更丰富的参考.

除了DMOs和旅游者之外，目的地形象的建构和传播涉及多个利益主体，例如地方政府、社区居民.未来的研究可以通过比较不同主体，例如关注当地居民和游客发布的目的地品牌视觉材料差异，为目的地旅游形象建构与解构，重构与传播提供理论支撑与实际的参考.

OGC与TGC图片的结合为旅游目的地形象研究提供了多维视角，既能揭示官方的营销策略，又能捕捉游客的真实感知.未来需进一步探索技术驱动的动态分析与跨学科融合（如心理学、传播学），以应对复杂的目的地形象管理需求.结合图片、文本、视频和地理信息，构建多模态的目的地形象模型，对比研究不同文化背景游客的视觉表达差异，利用AI技术实时监测TGC图片，辅助目的地危机管理等研究方向，都值得深入探讨.

当前关于历史文化街区形象的研究成果，已经从单一的形象描述转向多学科交叉的深度分析，但如何平衡保护与开发、技术赋能与文化本真仍是核心挑战.未来需加强社区参与机制、数字化文化传播路径及长效管理政策的研究，以实现历史文化街区旅游形象的可持续塑造.

参考文献

[1] 陈晓磬， 章海宏. 社交媒体的旅游应用研究现状及评述［J］. 旅游学刊， 2015， 30（8）： 35-43.

[2] CHEN X Q， ZHANG H H. The use of social media in tourism： a literature review［J］. Tourism Tribune， 2015， 30（8）： 35-43. （Ch）.

[3] REITSAMER B F， BRUNNER-SPERDIN A， STOKBURGER-SAUER N E. Destination attractiveness and destination attachment： the mediating role of tourists' attitude［J］. Tourism Management Perspectives， 2016， 19： 93-101.

[4] 吴茂英， 沈海莉. 新媒体时代视觉材料与目的地形象关系研究［J］. 旅游学刊， 2018， 33（3）： 5-7.

[5] WU M Y， SHEN H L. Research on the relationship between visual materials and destination image in the new media era［J］. Tourism Tribune， 2018， 33（3）： 5-7. （Ch）.

[6] 邓鹏飞， 余超， 刘晓瑾. 国内旅游目的地形象研究述评： 内容、特征及趋势［J］. 旅游论坛， 2024， 17（3）： 61-76.

[7] DENG P F， YU C， LIU X J. A review of domestic tourism destination image research： content， characteristics and trends［J］. Tourism Forum， 2024， 17（3）： 61-76. （Ch）.

[8] 刘小华， 梁玥琳， 闫梦凡. 国外旅游目的地形象视觉研究进展与展望［J］. 湖北农业科学， 2021， 60（18）： 14-18.

[9] LIU X H， LIANG Y L， YAN M F. Visual research progress and prospect on tourism destination image in abroad［J］. Hubei Agricultural Sciences， 2021， 60（18）： 14-18. （Ch）.

[10] HUNT J D. Image as a factor in tourism development［J］. Tourism Recreation Research， 1982， 7（1）： 1-6.

[11] GUNN C A. Vacationscape； designing tourist regions［M］.Austin： Bureau of Business Research， University of Texas， 1972.

[12] CROMPTON J L. An assessment of the image of Mexico as a vacation destination and the influence of geographical location upon that image［J］. Journal of Travel Research， 1979， 17（4）： 18-23.

[13] GARTNER W C. Image formation process［J］. Journal of Travel & Tourism Marketing， 1994， 2（2-3）： 191-216.

[14] BALOGLU S， MCCLEARY K W. A model of destination image formation［J］. Annals of Tourism Research， 1999， 26（4）： 868-897.

[15] BEERLI A， MARTÍN J D. Factors influencing destination image［J］. Annals of Tourism Research， 2004， 31（3）： 657-681.

[16] 李蕾蕾. 旅游地形象的传播策略初探［J］. 深圳大学学报（人文社会科学版）， 1999， 16（4）： 87-93.

[17] LI L L. My first inquiry into the strategy of communicating the image of a tourist spot［J］. Journal of Shenzhen University （Humanities & Social Sciences）， 1999， 16（4）： 87-93. （Ch）.

[18] ZHANG H， FU X， CAI L A， et al. Destination image and tourist loyalty： A meta-analysis［J］. Tourism Management， 2014， 40： 213-223.

[19] GROSSPIETSCH M. Perceived and projected images of Rwanda： visitor and international tour operator perspectives［J］. Tourism Management， 2006， 27（2）： 225-234.

[20] PAN B， LI X. The long tail of destination image and online marketing［J］. Annals of Tourism Research， 2011， 38（1）： 132-152.

[21] 张高军， 杨双梦， 柯景怡， 等. OGC和TGC照片中的目的地形象分异与合和——试论旅游形象的线上传播链［J］. 旅游学刊， 2020， 35（12）： 52-62.

[22] ZHANG G J， YANG S M， KE J Y， et al. Differentiation and similarity of destination images in OGC and TGC photos： outline of the online communication chain of destination images［J］. Tourism Tribune， 2020， 35（12）： 52-62. （Ch）.

[23] TASCI A D A， GARTNER W C. Destination image and its functional relationships［J］. Journal of Travel Research， 2007， 45（4）： 413-425.

[24] CROTTS J C， MASON P R， DAVIS B. Measuring guest satisfaction and competitive position in the hospitality and tourism industry［J］. Journal of Travel Research， 2009， 48（2）： 139-151.

[25] URRY J， LARSEN J. The tourist gaze 3.0［M］. Thousand Oaks：Sage Publications Ltd， 2011.

[26] GARROD B. Understanding the relationship between tourism destination imagery and tourist photography［J］. Journal of Travel Research， 2009， 47（3）： 346-358.

[27] CHOI S， LEHTO X Y， MORRISON A M. Destination image representation on the web： content analysis of Macau travel related websites［J］. Tourism Management， 2007， 28（1）： 118-129.

[28] MAK A H N. Online destination image： comparing national tourism organisation’s and tourists’ perspectives［J］. Tourism Management， 2017， 60： 280-297.

[29] STEPCHENKOVA S， ZHAN F Z. Visual destination images of Peru： comparative content analysis of DMO and user-generated photography［J］. Tourism Management， 2013， 36： 590-601.

[30] 黄燕， 赵振斌， 褚玉杰， 等. 互联网时代的旅游地视觉表征： 多元建构与循环［J］. 旅游学刊， 2015， 30（6）： 91-101.

[31] HUANG Y， ZHAO Z B， CHU Y J， et al. The visual representation of tourism destinations in the Internet era： multiple constructions and circulations［J］. Tourism Tribune， 2015， 30（6）： 91-101. （Ch）.

[32] XIAO X， FANG C Y， LIN H， et al. A framework for quantitative analysis and differentiated marketing of tourism destination image based on visual content of photos［J/OL］. Tourism Management， 2022， 93［2025-06-09］.

[33] SHENG F Q， ZHANG Y， SHI C， et al. Xi’an tourism destination image analysis via deep learning［J］. Journal of Ambient Intelligence and Humanized Computing， 2022， 13（11）： 5093-5102.

[34] 邓宁，刘耀芳，牛宇，等 不同来源地旅游者对北京目的地形象感知差异——基于深度学习的Flickr图片分析 ［J］. 资源科学， 2019， 41（3）： 416-429.

[35] DENG N， LIU Y F， NIU Y， et al. Different perceptions of Beijing's destination images from tourists： an analysis of Flickr photos based on deep learning method［J］. Resources Science， 2019， 41（3）： 416- 429.（Ch）

[36] HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. June 27-30， 2016， Las Vegas， NV， USA. IEEE， 2016： 770-778.

[37] SWAIN M J， BALLARD D H. Color indexing［J］. International Journal of Computer Vision， 1991， 7（1）： 11-32.

[38] DENG N， LI X. Feeling a destination through the “right” photos： a machine learning model for DMOs’ photo selection［J］. Tourism Management， 2018， 65： 267-278.

[39] 齐子吟， 李君轶， 贺哲， 等. 城市街道景观色彩对游客情感感知影响——基于街景图像的研究［J］. 地球信息科学学报， 2024， 26（2）： 514-529.

[40] QI Z Y， LI J Y， HE Z， et al. The influence of urban streetscape color on tourists' emotional perception based on streetscape images［J］. Journal of Geo-Information Science， 2024， 26（2）： 514-529. （Ch）.

[41] HARIMAN R， LUCAITES J L. Public identity and collective memory in U.S. iconic photography： the image of “accidental napalm”［J］. Critical Studies in Media Communication， 2003， 20（1）： 35-66.

[42] JENKINS O. Photography and travel brochures： the circle of representation［J］. Tourism Geographies， 2003， 5（3）： 305-328.

基金资助

国家社会科学基金艺术学项目(24BH166)

中国地质大学（武汉）中央高校基本科研业务费资助项目(2024SJB72)