徐宏根，宋 妍

(1.武漢地質(zhì)調(diào)查中心，武漢 430205;2.中國地質(zhì)大學(武漢)信息工程學院，武漢 430072)

0 引言

遙感圖像變化檢測是近10 a以來遙感應用研究的熱點問題之一，在軍事目標偵查、災害評估、GIS數(shù)據(jù)庫更新等領域有著廣闊的應用前景。本文以覆蓋城市的高空間分辨率遙感圖像為研究對象，旨在解決城市場景內(nèi)由陰影所引起的誤檢測問題。

已有許多學者研究過如何降低遙感圖像中陰影對變化檢測的影響，例如:Shintaro[1]在同名核線上搜索房頂?shù)男畔?，并根?jù)陰影模型去除因陰影造成的偽變化;季順平[2]利用高斯背景模型提取陰影，并在對圖像完成陰影補償后再進行變化檢測。對于上述方法，陰影提取的準確性是關鍵問題。對這個問題，王樹根[3]認為陰影的提取可分為低級處理與中級處理2步:首先依據(jù)光譜特征提取陰影的初始區(qū)域;然后依據(jù)陰影的幾何特點對其進行確認，并提出用“基于RGB模型空間的陰影檢測”方法檢測彩色航空圖像中的陰影。針對高分辨率遙感圖像中陰影面積較大的特點，郭海濤等[4]還提出從光譜和幾何2個方面進行約束和提取陰影的方法。

針對2期遙感圖像之間由于陰影的變化所造成的偽變化，本文采取陰影提取后對初始檢測結果進行陰影補償?shù)姆椒▉硖岣咦兓瘷z測的精度。該方法的核心是陰影提取。在提取2期遙感圖像的陰影后，即可根據(jù)2期圖像的陰影差分結果得到2期圖像因陰影造成的變化，從而去除初始檢測結果中陰影所造成的影響。在陰影提取時，本文借鑒面向?qū)ο蟮姆诸愃枷?，采用先分割、后提取的方法完成陰影檢測。最后通過實驗證明本文方法的有效性和精度。

1 陰影檢測

陰影檢測是剔除陰影對變化檢測結果負面影響的先決條件。下面首先分析陰影形成原因，并總結陰影的光譜和幾何方面的性質(zhì)。

圖像中的陰影是成像光源被目標物體完全或部分遮擋所形成的，只要傳感器與光源所在位置(或方向)不重合，就會產(chǎn)生陰影[4]。從光譜特征而言，陰影的光譜值較低，根據(jù)這一特點可將陰影與其他色調(diào)較亮的物體區(qū)分開來;其次，由于天空中大氣介質(zhì)對藍光分量有較強的散射作用，藍波段的數(shù)據(jù)在陰影區(qū)域的方差較大，依此也可區(qū)分陰影與其他一些光譜值較低的物體。另外，植被與陰影在可見光波段均呈暗色調(diào)，難以通過可見光譜段的光譜進行區(qū)分;但在近紅外波段植被呈現(xiàn)亮色調(diào)，而陰影依舊保持暗色調(diào)，因此利用近紅外波段的數(shù)據(jù)可以較好地區(qū)分植被與陰影。

根據(jù)陰影的上述性質(zhì)，本文采用以下步驟提取陰影:①分別對2期遙感圖像進行波段選擇，選擇出適合陰影檢測的波段;②運用圖像分割的方法，對步驟①所選擇的波段數(shù)據(jù)進行分割;③根據(jù)各個分割塊的均值將各個分割塊分為3類:陰影、疑似陰影和非陰影;④進一步根據(jù)分割塊在藍波段的方差確定最終的陰影。

1.1 波段選擇

為提取陰影，需要從遙感圖像的原始波段中選擇出陰影可分性較好的波段。鑒于近紅外波段(nearinfrared，N)與藍波段(blue，B)的數(shù)據(jù)對提取陰影有較好的作用，在選擇陰影可分性較好的波段的基礎上，本文繼續(xù)在紅波段(red，R)與綠波段(green，G)中進行選擇。運用遙感專業(yè)軟件Erdas分別按照(B+R+N)、(B+G+N)以及(B+G+R+N)等3 種方式進行波段合成，并計算3幅合成圖像中陰影與其他地物類型的轉換散度。Swain等[5]指出:“若2類別間的轉換散度大于1 900，則這2類可以被很好地分開;若轉換散度在1 700～1 900之間，則這2類是可分的，分割效果尚可;若轉換散度小于1 700，則這2類的可分性很差。”因此，從波段數(shù)目與轉換散度可分性2個方面綜合考慮，選擇出適宜的假彩色合成圖像進行后續(xù)分析。

1.2 圖像分割

對于高分辨率遙感圖像而言，傳統(tǒng)的面向像元的分類方法會使分類結果中產(chǎn)生“椒鹽效應”，導致分類精度低，而面向?qū)ο蟮膱D像分類方法是解決上述問題的有效方法。但是，面向?qū)ο蟮姆诸惙椒▽D像分割的結果有較強的依賴。在彩色航空圖像的陰影檢測中，已有人探索將均值平移(mean shift)算法用于圖像分割，取得了比傳統(tǒng)方法更好的效果[6]。因此，本文也采用均值平移算法來實現(xiàn)對原始圖像的分割。

均值平移算法實際屬于非參數(shù)估計密度函數(shù)的方法，最早由 Fukunaga[7]在 1975 年提出;Comaniciu[8]則證明了均值平移算法具有嚴格的收斂性，并且將均值平移方法運用到圖像分割中。均值平移算法將圖像分割轉化為尋求圖像特征空間模式的過程，并分為概率密度估計、模式搜索、圖像濾波和圖像分割4個連續(xù)的步驟(其具體的計算流程見文獻[8])。

1.3 陰影提取

完成圖像分割后，即可依據(jù)分割塊的光譜和幾何性質(zhì)提取陰影區(qū)域。筆者認為，原始遙感圖像的光譜特征符合高斯混合模型(Gaussian mixture model，GMM)，因此可依據(jù)貝葉斯最小錯誤概率準則、根據(jù)各分割塊的均值提取初始的陰影區(qū)域。但由于陰影與圖像中的暗色調(diào)地物容易混淆，故需要進一步計算各分割塊在藍波段的方差，從而對初始的陰影提取結果進一步約束，以得到真正的陰影區(qū)域。

1.3.1 運用分割塊均值提取初始陰影

為了利用各個分割塊的光譜信息提取初始的陰影區(qū)域，首先采用GMM對整景遙感圖像建模。整景圖像可表示為

式中:zi為第i個高斯分布成分的權重因子，且滿足歸一化條件

和zi＞0;r為圖像所包含的地物類型的數(shù)目;fi(x)為第i個高斯成分的密度函數(shù)，即

其中:mi為第i個成分的均值向量;σi為第i個成分的協(xié)方差矩陣;d為該成分的特征空間維數(shù)。

采用遺傳K－均值算法、結合期望最大化(expectation－maximization，EM)算法求解出各個類別的統(tǒng)計參數(shù)[9－10]，即

然后統(tǒng)計各分割塊的均值向量mn(1≤n≤N，N為分割塊的總數(shù))，依據(jù)Bayes公式計算分割塊的均值向量屬于不同類別的后驗概率，并根據(jù)最小錯誤概率準則判斷該分割塊的類屬，從而完成陰影的初始提取。

1.3.2 運用分割塊方差約束初始陰影

在上述陰影提取的初始結果中，不僅包含了陰影，而且包含了水體等暗色調(diào)地物。為了去除干擾、得到真正的陰影，計算步驟①中各分割塊在藍波段中的方差，以藍波段方差值作為各分割塊的特征。陰影區(qū)域的方差較大，呈現(xiàn)較亮的色調(diào);而水體則呈現(xiàn)較暗的色調(diào)。將各分割塊的方差值依照從小到大的順序排列，并人工設置閾值t，則所有方差大于t的分割塊為陰影，而方差小于t的分割塊為“非陰影”。閾值t的設置要通過反復試驗的方法確定，以便盡可能地剔除非陰影和水體。

1.4 降低誤檢測

在提取出陰影區(qū)域后，將2期遙感圖像的陰影提取結果直接相減，得到“陰影差分圖”。該圖反映了由于2期圖像中陰影的變化所帶來的偽變化，是導致城區(qū)遙感圖像變化檢測精度低的主要原因之一。為了去除這種偽變化，將陰影差分的結果與原始的變化檢測結果作邏輯運算:如果一個像元在初始變化檢測時被判斷為“變化”的像元，同時在陰影差分圖上也屬于變化像元，則該像元并不是真變化像元，應將該像元改變?yōu)槲醋兓裨?只有當像元在陰影差分圖上屬于未變化像元時，才保留初始變化檢測的判斷。

2 實驗與結果

選擇2003年和2004年獲取的深圳地區(qū)IKONOS多光譜圖像對(圖1(a)和(b))作為實驗數(shù)據(jù)，2景圖像在進行變化檢測之前經(jīng)過相對輻射校正和幾何配準，配準誤差小于0.5像元。圖像中的主要變化類型為城區(qū)內(nèi)的植被變?yōu)榻ㄔO用地，并有建設用地變?yōu)榻ㄖ?。選擇場景內(nèi)變化的像元(圖1(c)中的1 466個紅色像元)和未變化的像元(圖1(c)中的2 583個綠色像元)用于計算變化檢測精度。圖1(a)和(b)中藍色橢圓內(nèi)為城區(qū)內(nèi)典型高樓及陰影區(qū)，在后續(xù)實驗中將用于對比陰影去除前、后的變化檢測效果。

圖1 深圳地區(qū)IKONOS多光譜圖像與差分圖像Fig.1 IKONOS multi－spectral images and difference image in Shenzhen district

圖2 基于灰度信息的圖像變化檢測結果Fig.2 Change detection result from gray value in the image

圖2 是根據(jù)2期圖像的光譜差分信息，采用顧及上下文信息的模糊聚類方法進行變化檢測的結果[11]。該方法具有無需估計參數(shù)、自動化程度高、效率高等優(yōu)點，變化檢測總體精度為87.68%，Kappa系數(shù)為 0.72。

由實驗結果可以看出，圖像變化檢測結果中存在著由于陰影的變化而造成的誤檢測，因而降低了變化檢測的精度。具體地看，圖3是對圖1的IKONOS圖像中藍色橢圓區(qū)域裁剪后放大3倍的結果(圖3(a)為前期圖像，(b)為后期圖像，(c)為僅依據(jù)灰度信息的變化檢測結果)，用白色橢圓標出的2個區(qū)域被判斷為變化區(qū)域。然而，這種變化是由陰影的變化造成的，應該予以剔除。

圖3 由陰影引起的誤檢測Fig.3 Error detection caused by shadow

2.1 波段選擇結果

散度是一種基于類別概率密度函數(shù)的可分性判據(jù)，設有類別 i，j，則其類間散度為

式中:si和mi分別為第i類的協(xié)方差矩陣和均值矢量;sj和mj分別為第j類的協(xié)方差矩陣和均值矢量。實際運算中，常采用變換散度TDij代替式(5)，即

對實驗圖像對進行判讀，2期圖像中所包含的典型地物有陰影、建筑物、道路、水體和植被。在3種波段合成的結果中，分別計算出陰影與其余4類地物的變換散度(表1)。

表1 不同波段組合的地物可分性比較Tab.1 Comparison among different surface feature separabilities of different band combinations

Swain[5]指出，“若 2 類的變換散度大于 1 900，則這2類可以被很好地分開;若在1 700～1 900之間，則這2類的可分性尚可;若小于1 700，則這2類的可分性將很差?！?/p>

由表1可以看出，對前期圖像(圖3(a))而言，3種波段合成方法都可以較好地將陰影與其余地物區(qū)分開，其中(B+R+N)波段組合在波段數(shù)目較少的情況下與(B+G+R+N)4個波段的組合有著相似的可分性結果。對后期圖像(圖3(b))而言，因為圖像中云量較大，使得陰影與色調(diào)較暗的水體較難區(qū)分;從波段合成后的地物轉換散度可分性結果看，(B+G+N)波段組合的波段數(shù)目較少，與4個波段合成結果的地物可分性相差無幾。因此，下面的實驗對前期圖像采用B，R，N這3個波段的數(shù)據(jù)進行合成，而后期圖像則采用B，G，N這3個波段的數(shù)據(jù)進行合成。

2.2 陰影提取結果

運用均值平移算法對2期圖像進行分割，并依據(jù)GMM模型對分割后圖像建模，根據(jù)均值信息提取初始的陰影(圖4(a)和(b));依據(jù)陰影提取的初始結果，計算各個初始陰影塊中藍波段的方差，得到方差圖像(圖4(c)和(d));手工設置閾值t，認為所有方差大于t的分割塊為陰影(圖4(e)和(f))，而方差小于t的分割塊為“非陰影”。

圖4 基于光譜特征的陰影初始提取結果Fig.4 Initial extraction results based on spectral feature

2.3 陰影補償變化檢測結果

運用陰影差分方法補償遙感圖像初始變化檢測的結果見圖5。

圖5 陰影補償變化檢測結果Fig.5 Change detection results compensated by shadow

圖5 (a)是2期圖像中陰影的差分結果，其中白色像元代表因陰影而產(chǎn)生的變化;圖5(b)是運用陰影補償圖像初始變化檢測的結果;為了更清晰地顯示補償效果，將圖1(a)和(b)中藍色橢圓的區(qū)域放大3倍，即為圖5(c)和(d);圖5(e)為補償后的變化檢測最終結果，其中白色像元為運用顧及上下文信息的模糊C均值方法檢測時初始判斷為變化的像元，黑色像元為該方法判斷為未變化的像元，灰色像元為原始判斷為變化、而由陰影差分判斷為“偽變化”的像元。從圖5中可以明顯地看到由陰影造成的變化已被補償?shù)?。根?jù)實驗區(qū)的數(shù)據(jù)統(tǒng)計，陰影補償后結果的總體精度為91.41%，Kappa系數(shù)為0.81;陰影補償后總體精度比前述模糊聚類方法提高了3.73%，Kappa系數(shù)提高了0.09。

3 結論

利用高分辨率遙感圖像在城區(qū)場景內(nèi)進行變化檢測，要重點解決由于陰影的存在引起的誤檢測。本文提出的運用陰影的光譜信息和幾何信息、結合面向?qū)ο蠓诸惙椒ㄌ崛￡幱昂蛯Τ跏嫉淖兓瘷z測結果進行陰影補償?shù)姆椒?，可以較好地去除因陰影引起的變化誤檢測，有效地提高高分辨率遙感圖像變化檢測精度。

[1]Shintaro W.A method for change detection of buildings using epipolar constraint from aerial images taken at different positions[J].Joho Shori Gakkai Kenkyu Hokoku，2000(50):33－40.

[2]季順平.基于多時相航空影像的建筑物變化檢測方法研究[D].武漢:武漢大學，2007.Ji S P.Building change detection research based on multi－ temporal aerial images[D].Wuhan:Wuhan University，2007.

[3]王樹根.正射影像上陰影和遮蔽的成像機理與信息處理方法[D].武漢:武漢大學，2003.Wang S G.Imaging mechanism and information processing approach of shadows and occlusion on orthophotos[D].Wuhan:Wuhan University，2003.

[4]郭海濤，徐 青，張保明.多重約束下的建筑物陰影提取[J].武漢大學學報:信息科學版，2005，30(12):1059－1062.Guo H T，Xu Q，Zhang B M.Shadow extraction of building based on multiple constraints[J].Geomatics and Information Science of Wuhan University，2005，30(12):1059－1062.

[5]Swain P H，Shirley M D.Remote sensing:The quantitative approach[M].New York:McGraw Hill Book Company，1978.

[6]王軍利.基于彩色航空影像的陰影檢測算法研究[D].武漢:武漢大學，2005.Wang J L.The research of shadow detection algorithms based on color aerial images[D].WuHan:Wuhan university，2005.

[7]Fukunaga K.The estimation of the gradient of a density function with application in pattern recognition[J].IEEE Transaction of Information Theory，1975，21(1):32－40.

[8]Comaniciu D.Mean shift:A robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(5):603－619.

[9]Dempster A P.Maximum likelihood from incomplete data via the EM algorithm[J].Journal of the Royal Statistical Society，1977，39(1)－38.

[10]Krishna K，Narasimha M M.Genetic K－ means algorithm[J].IEEE Transactions on Systems，Man，and Cybernetics，Part B，1999，29(3):433－439.

[11]張 路，廖明生.一種顧及上下文的遙感影像模糊聚類[J].遙感學報，2006，10(1):58－65.Zhang L，Liao M S.Contextual fuzzy clustering of remote sensing imagery[J].Journal of Remote Sensing，2006，10(1):58－65.