王 瑤，萬(wàn)幼川，高賢君

（1.武漢大學(xué) 遙感信息工程學(xué)院，湖武漢 430079）

同類(lèi)點(diǎn)匹配改進(jìn)策略下的陰影自動(dòng)補(bǔ)償方法

王 瑤1，萬(wàn)幼川1，高賢君1

提出一種基于ISoDATA分類(lèi)，通過(guò)獲取同質(zhì)區(qū)來(lái)提高同類(lèi)點(diǎn)匹配正確率的方法。首先進(jìn)行陰影檢測(cè)，然后對(duì)影像的陰影和非陰影區(qū)域用ISoDATA算法分類(lèi)，在分類(lèi)結(jié)果的輔助下獲取精度較高的同類(lèi)點(diǎn)對(duì)，最后基于局部補(bǔ)償模型，以同類(lèi)點(diǎn)對(duì)中非陰影區(qū)域特征值為目標(biāo)估計(jì)值，求解補(bǔ)償模型參數(shù)，實(shí)現(xiàn)各陰影區(qū)的自適應(yīng)補(bǔ)償。實(shí)驗(yàn)結(jié)果表明，該方法有利于求解最佳補(bǔ)償參數(shù)，能更準(zhǔn)確、均衡地恢復(fù)陰影區(qū)信息。

陰影檢測(cè)；ISoDATA同類(lèi)點(diǎn)匹配策略；局部補(bǔ)償模型；陰影自動(dòng)補(bǔ)償

在遙感影像獲取過(guò)程中，建筑物、樹(shù)木、云等物體形成的陰影易造成影像中部分信息丟失，降低影像質(zhì)量，不利于影像應(yīng)用。因此，研究遙感影像的陰影檢測(cè)與自動(dòng)補(bǔ)償方法對(duì)提高影像利用率、擴(kuò)大遙感影像的應(yīng)用范圍具有重要意義。

陰影檢測(cè)算法分為基于模型和基于陰影屬性2 類(lèi)[1-5]。基于模型的陰影檢測(cè)方法需要輔助數(shù)據(jù)，計(jì)算量大、耗時(shí)長(zhǎng)，有局限性；基于陰影屬性的檢測(cè)方法是利用陰影區(qū)域的光譜和幾何特性來(lái)檢測(cè)陰影，雖然檢測(cè)結(jié)果不穩(wěn)定但算法簡(jiǎn)單，廣泛應(yīng)用于單幅影像自動(dòng)檢測(cè)。傳統(tǒng)的陰影補(bǔ)償法包括直方圖變換、邊緣模糊Retinex法[6]、同態(tài)濾波法等，目前的陰影補(bǔ)償方法有線性相關(guān)補(bǔ)償法[7]、信息補(bǔ)償法等[8]，這些方法存在人工干預(yù)過(guò)多、自動(dòng)化程度較低的問(wèn)題。文獻(xiàn)[9]提出的基于同類(lèi)點(diǎn)匹配自動(dòng)獲取補(bǔ)償模型參數(shù)的方法雖然可實(shí)現(xiàn)自動(dòng)補(bǔ)償，但仍然存在同類(lèi)點(diǎn)匹配數(shù)量不均勻、精度偏低的問(wèn)題，獲取的補(bǔ)償參數(shù)不穩(wěn)定，影響補(bǔ)償精度。

為了解決上述問(wèn)題，本文提出ISoDATA同類(lèi)點(diǎn)匹配策略，結(jié)合局部補(bǔ)償模型，可以更準(zhǔn)確地自動(dòng)獲取補(bǔ)償模型參數(shù)，完成自動(dòng)陰影補(bǔ)償，更好地恢復(fù)地物真實(shí)的色彩、紋理等信息。

1 陰影自動(dòng)補(bǔ)償方法

本文采用基于陰影屬性的檢測(cè)方法獲取陰影區(qū)域，在檢測(cè)結(jié)果的基礎(chǔ)上實(shí)現(xiàn)自動(dòng)陰影補(bǔ)償，其關(guān)鍵點(diǎn)在于陰影補(bǔ)償模型選擇和模型參數(shù)自動(dòng)獲取兩部分。以局部補(bǔ)償模型為基礎(chǔ)，結(jié)合ISoDATA分類(lèi)法在各陰影區(qū)和鄰近非陰影區(qū)獲取匹配精度較高的同類(lèi)點(diǎn)，實(shí)現(xiàn)補(bǔ)償參數(shù)的自動(dòng)解算，完成相應(yīng)陰影的自動(dòng)補(bǔ)償，恢復(fù)地物信息。

1.1 局部補(bǔ)償模型

局部統(tǒng)計(jì)增強(qiáng)法是一種有效的圖像增強(qiáng)方法，用于陰影補(bǔ)償處理。文獻(xiàn)[10]提出引入非陰影信息的局部補(bǔ)償模型，如式（1）所示：

式中，g（i，j）、gc（i，j）分別為影像中像素（i，j）某特征分量的原始值和補(bǔ)償值，mSD、σSD分別為陰影區(qū)域的亮度均值和均方差，mNSD、σNSD為鄰近的非陰影區(qū)域的亮度均值和均方差。通過(guò)設(shè)置合理的補(bǔ)償強(qiáng)度系數(shù)A，可以有效提升補(bǔ)償效果。

1.2 模型參數(shù)自動(dòng)求解策略

利用同類(lèi)點(diǎn)匹配原理進(jìn)行模型參數(shù)自動(dòng)求解的方法是在陰影區(qū)和非陰影區(qū)中分別提取代表同類(lèi)地物的大量點(diǎn)對(duì)[9]，以非陰影點(diǎn)對(duì)應(yīng)的特征值為陰影點(diǎn)的補(bǔ)償目標(biāo)估計(jì)值，結(jié)合補(bǔ)償模型，可用于自動(dòng)求解補(bǔ)償模型參數(shù)。文獻(xiàn)[9]利用相關(guān)系數(shù)法匹配同類(lèi)點(diǎn)對(duì)時(shí)，由于陰影區(qū)域地物灰度值較接近、非陰影搜索窗口包含地物種類(lèi)有限，易造成誤匹配，降低匹配精度。為了改善這個(gè)問(wèn)題，本文提出了ISoDATA同類(lèi)點(diǎn)匹配策略，以實(shí)現(xiàn)更準(zhǔn)確的自動(dòng)補(bǔ)償。

1.2.1 ISODATA同類(lèi)點(diǎn)匹配策略

ISoDATA同類(lèi)點(diǎn)匹配策略的原理是對(duì)影像的陰影區(qū)和非陰影區(qū)分別分類(lèi)，以獲取高可信度的同質(zhì)區(qū)域[11]。由于不同地物的灰度大小定性關(guān)系一致，例如道路的灰度值高于樹(shù)木的灰度值，陰影區(qū)和非陰影區(qū)的分類(lèi)結(jié)果均可按灰度從小到大標(biāo)記屬性；再利用Harris算子提取特征點(diǎn)，基于相關(guān)系數(shù)法匹配同類(lèi)點(diǎn)策略[9]，以非陰影區(qū)特征點(diǎn)為搜索范圍，計(jì)算匹配窗口中的特征點(diǎn)和陰影區(qū)域特征點(diǎn)的相關(guān)系數(shù)，相關(guān)系數(shù)最大者視為其匹配的同類(lèi)點(diǎn)；然后對(duì)獲取的同類(lèi)點(diǎn)對(duì)進(jìn)行篩選，判斷每組同類(lèi)點(diǎn)對(duì)的屬性是否相同，若相同則保留，否則刪除。利用ISoDATA同類(lèi)點(diǎn)匹配策略可以得到數(shù)量合適、精度更高的同類(lèi)點(diǎn)對(duì)。

遙感影像中陰影區(qū)亮度較低，地物類(lèi)別亮度差異小，相關(guān)系數(shù)法同類(lèi)點(diǎn)匹配策略直接提取陰影區(qū)特征點(diǎn)并用于后續(xù)的匹配，易造成誤匹配，降低匹配可靠性。為了確保ISoDATA分類(lèi)的精度，先對(duì)陰影區(qū)作亮度拉伸處理，擴(kuò)大亮度差異。以城區(qū)影像圖1a為例，在陰影檢測(cè)的基礎(chǔ)上對(duì)陰影區(qū)和非陰影區(qū)分別分類(lèi)，如圖1b、圖1c所示，圖1d為整體的分類(lèi)效果圖。表 1為分類(lèi)精度表，陰影區(qū)和非陰影區(qū)的分類(lèi)精度均超過(guò)85%，說(shuō)明ISoDATA分類(lèi)效果較好，可以作為同類(lèi)點(diǎn)對(duì)的判斷依據(jù)。

圖1 分類(lèi)結(jié)果圖

表1 分類(lèi)精度評(píng)價(jià)/%

利用Harris算子進(jìn)行點(diǎn)特征提取，在陰影和非陰影區(qū)域獲取類(lèi)別豐富、數(shù)量較多的特征點(diǎn)；用相關(guān)系數(shù)法作為匹配原則獲取大量特征點(diǎn)對(duì)，然后用ISoDATA分類(lèi)結(jié)果判斷點(diǎn)對(duì)在陰影和非陰影區(qū)域的屬性編號(hào)是否相同，篩選得到數(shù)量合理、精度更高的同類(lèi)點(diǎn)對(duì)。以圖1a為例，本文將相關(guān)系數(shù)法和ISoDATA分類(lèi)法得到的同類(lèi)點(diǎn)對(duì)作精度評(píng)價(jià)（表2），結(jié)果說(shuō)明ISoDATA分類(lèi)法能有效地提高同類(lèi)點(diǎn)對(duì)的匹配精度，特別是道路同類(lèi)點(diǎn)的準(zhǔn)確率有了大幅提高，為補(bǔ)償強(qiáng)度系數(shù)的自動(dòng)求解提供了良好的數(shù)據(jù)基礎(chǔ)。

表2 同類(lèi)點(diǎn)匹配精度評(píng)價(jià)/%

1.2.2 補(bǔ)償強(qiáng)度系數(shù)求解

利用ISoDATA同類(lèi)點(diǎn)匹配策略提高了同類(lèi)點(diǎn)匹配精度，并獲取大量準(zhǔn)確的同類(lèi)點(diǎn)對(duì)。以非陰影點(diǎn)特征值作為陰影點(diǎn)的目標(biāo)補(bǔ)償估計(jì)值，采用局部補(bǔ)償模型，通過(guò)線性擬合，可求得補(bǔ)償強(qiáng)度系數(shù)A。再代入式（1），對(duì)陰影區(qū)的I分量進(jìn)行補(bǔ)償計(jì)算，即可實(shí)現(xiàn)亮度分量上的自動(dòng)陰影補(bǔ)償。不同的同類(lèi)點(diǎn)匹配策略會(huì)影響陰影補(bǔ)償效果，對(duì)ISoDATA同類(lèi)點(diǎn)匹配策略與相關(guān)系數(shù)法同類(lèi)點(diǎn)匹配策略的補(bǔ)償結(jié)果分別進(jìn)行評(píng)估，可比較兩種同類(lèi)點(diǎn)匹配策略的可靠性。

以反映圖像明暗程度的亮度均值B與反映圖像對(duì)微小細(xì)節(jié)反差表達(dá)能力的平均梯度T來(lái)構(gòu)建補(bǔ)償結(jié)果總體質(zhì)量參數(shù)（?B）2+（?T）2[9]，計(jì)算方法如下：

式中，B、T、BNSD、TNSD分別為陰影區(qū)域補(bǔ)償后和非陰影區(qū)域的亮度均值與平均梯度。質(zhì)量參數(shù)的值越小，說(shuō)明補(bǔ)償結(jié)果與非陰影區(qū)域質(zhì)量越接近、效果越好。人工選取一定范圍的補(bǔ)償強(qiáng)度系數(shù)A，獲取與其對(duì)應(yīng)的總體質(zhì)量，擬合得到關(guān)系曲線，如圖2所示，總體質(zhì)量最小值對(duì)應(yīng)的A值即為理論上的最佳補(bǔ)償強(qiáng)度系數(shù)值。對(duì)3個(gè)陰影區(qū)域進(jìn)行實(shí)驗(yàn)，分別獲取其最佳A值，并將ISoDATA分類(lèi)法與相關(guān)系數(shù)法自動(dòng)求解的A值進(jìn)行對(duì)比，數(shù)據(jù)如表3所示?；贗SoDATA分類(lèi)法自動(dòng)獲取的A值比相關(guān)系數(shù)法更接近數(shù)據(jù)擬合最佳值，說(shuō)明ISoDATA分類(lèi)法是一種更可靠的同類(lèi)點(diǎn)匹配策略。

圖2 陰影區(qū)域A值與質(zhì)量參數(shù)的關(guān)系曲線

表3 陰影區(qū)域不同方法下的A值對(duì)比

1.3 自動(dòng)補(bǔ)償流程

基于ISDoDATA同類(lèi)點(diǎn)匹配策略的單個(gè)陰影區(qū)域I分量補(bǔ)償流程如圖3所示，首先檢測(cè)陰影區(qū)域，然后對(duì)檢測(cè)出的陰影區(qū)域進(jìn)行逐個(gè)補(bǔ)償，得到I分量上的陰影補(bǔ)償值，再轉(zhuǎn)換到RGB空間，獲取最終的陰影補(bǔ)償結(jié)果。

圖3 單個(gè)陰影區(qū)域I分量補(bǔ)償流程圖

2 實(shí)驗(yàn)分析與評(píng)價(jià)

選取3幅影像，分別采取基于ISoDATA分類(lèi)法和相關(guān)系數(shù)法兩種同類(lèi)點(diǎn)匹配策略進(jìn)行陰影補(bǔ)償對(duì)比分析，補(bǔ)償效果如圖4～6所示。對(duì)比發(fā)現(xiàn)，二者均能提升陰影區(qū)域的亮度，提高影像質(zhì)量，但相關(guān)系數(shù)法補(bǔ)償效果不穩(wěn)定，會(huì)出現(xiàn)亮度低于目標(biāo)值（如圖4c）或高于目標(biāo)值（如圖5c）的情況以及色彩失真（如圖6c）的問(wèn)題，部分地物色彩偏差較大。ISoDATA分類(lèi)法的陰影補(bǔ)償效果更穩(wěn)定，能較好地恢復(fù)陰影區(qū)域的地物信息，陰影區(qū)域色調(diào)與非陰影區(qū)域基本一致，補(bǔ)償結(jié)果更接近地物真實(shí)情況。

圖4 實(shí)驗(yàn)1陰影補(bǔ)償效果

圖5 實(shí)驗(yàn)2陰影補(bǔ)償效果

從定量的數(shù)據(jù)分析，將陰影區(qū)補(bǔ)償前后的亮度均值和平均梯度用總體質(zhì)量參數(shù)（表4）對(duì)比發(fā)現(xiàn)，ISoDATA分類(lèi)法與相關(guān)系數(shù)法均提升了陰影區(qū)的亮度，但相關(guān)系數(shù)法亮度補(bǔ)償結(jié)果不穩(wěn)定，而ISoDATA分類(lèi)法得到的補(bǔ)償結(jié)果與目標(biāo)值更接近，質(zhì)量參數(shù)更小，效果更好，更能有效地恢復(fù)陰影區(qū)域的地物信息。

3 結(jié) 語(yǔ)

表4 陰影補(bǔ)償結(jié)果評(píng)價(jià)

本文提出的ISoDATA分類(lèi)法優(yōu)點(diǎn)在于根據(jù)分類(lèi)結(jié)果獲取數(shù)量合適、精度較高、分類(lèi)均勻的同類(lèi)點(diǎn)對(duì)逐一對(duì)陰影區(qū)進(jìn)行補(bǔ)償，盡可能真實(shí)地反映地物信息，提高陰影區(qū)域自適應(yīng)補(bǔ)償效果；其缺點(diǎn)在于依賴(lài)分類(lèi)結(jié)果的可靠性，決定同類(lèi)點(diǎn)匹配的精度因素單一，要進(jìn)一步提高分類(lèi)精度需進(jìn)行人工干預(yù)，影響陰影補(bǔ)償自動(dòng)化。

[1] 夏懷英,郭平.基于統(tǒng)計(jì)混合模型的遙感影像陰影檢測(cè)[J].遙感學(xué)報(bào),2011,15(4)：778-791

[2] MAKARAU A, RICHTER R, MüLLER R,et al. Adaptive Shadow Detection using a Blackbody Radiator Model[J]. IEEE Transactions on Geoscience and Remote Sensing,2011,49(6)：2 049-2 059

[3] AMATo A, MoZERoV M G, BAGDANoV A D,et al. Accurate Moving Cast Shadow Suppression based on Local Colot Constancy Detection[J].IEEE Transactions on Image Processing, 2011,20(10)：2 954-2 966

[4] LIU J, FANG T, LI D. Shadow Detection in Remotely Sensed Images based on Self-adaptive Feature Selection[J]. IEEE Transactions on Geoscience and Remote Sensing,2011,49(12)： 5 092-5 103

[5] 鮑海英,李艷,尹永宜.城市航空影像的陰影檢測(cè)和陰影消除方法研究[J].遙感信息,2010(1)： 44-47

[6] FINLAYSoN D,HoRDLEY S D,DREW M S,et al.Removing Shadows From Images Using Retinex[C].10th Color Imaging Conference： Color Science Engineering Systems, Technologies, Applications.2002

[7] FINLAYSoN G D, HoRDLEY S D, LU C, et al. on the Removal of Shadows from Images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,28(1)：59-68

[8] SoNG H, HUANG B, ZHANG K.Shadow Detection and Reconstruction in High-Resolution Satellite Images via Morphological Filtering and Example-Based Learningp[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(5)：2 545-2 554

[9] 高賢君,萬(wàn)幼川,楊元維,等.高分辨率遙感影像陰影的自動(dòng)檢測(cè)與自動(dòng)補(bǔ)償[J].自動(dòng)化學(xué)報(bào),2014,40(8)：1 709-1 720

[10] 楊俊,趙忠明,楊健.一種高分辨率遙感影像陰影去除方法[J].武漢大學(xué)學(xué)報(bào)（信息學(xué)科版）,2008,33(1)：17-20

[11] 舒寧,馬洪超.模式識(shí)別的理論與方法[M].武漢：武漢大學(xué)出版社,2004

P237

B

1672-4623（2016）08-0017-03

10.3969/j.issn.1672-4623.2016.08.006

王瑤，碩士研究生，研究方向?yàn)檫b感影像實(shí)時(shí)處理。

2015-11-11。

項(xiàng)目來(lái)源：博士點(diǎn)基金資助項(xiàng)目（20130141130003）。