靳華中，袁福祥，李慶鵬，常學(xué)立，包志熙

(1.湖北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，湖北 武漢 430068;2.中國資源衛(wèi)星應(yīng)用中心，北京 100000)

0 引言

隨著空間遙感技術(shù)的快速發(fā)展，遙感影像在城市規(guī)劃、數(shù)字農(nóng)業(yè)和資源勘探等領(lǐng)域應(yīng)用越發(fā)廣泛[1]。陰影反映了地物的空間結(jié)構(gòu)特征，一直以來是識別地物的研究熱點(diǎn)。根據(jù)側(cè)影的長度和照射角度，可以推算地物的高度、形狀等信息，有助于城區(qū)建設(shè)、遙感制圖等應(yīng)用[2]。當(dāng)然，陰影也會(huì)遮蓋地物，使得地物的有效信息衰減或丟失，給遙感影像目標(biāo)識別、特征提取和圖像匹配等解譯工作帶來困難[3]。隨著傳感器技術(shù)的不斷發(fā)展，亞米級的高分辨率影像在城市規(guī)劃、道路制圖等領(lǐng)域得到了更廣泛的應(yīng)用。在高分影像中，地物類別更加精細(xì)，地物目標(biāo)易受到陰影區(qū)域影響，造成地物目標(biāo)的提取和識別困難。因此，進(jìn)一步提升高分影像的陰影檢測精度和準(zhǔn)確度，對城市規(guī)劃、自然災(zāi)害評定等具有重要的應(yīng)用價(jià)值和意義。

目前，國內(nèi)外學(xué)者對遙感圖像陰影檢測進(jìn)行了大量的研究，大體可分為顏色特征、波段運(yùn)算和色彩空間3類方法。

早期人們主要利用顏色變換對彩色遙感圖像進(jìn)行陰影檢測。Funka-Lea等[4]利用圖像的顏色與幾何形狀位置進(jìn)行提取。Barnard等[5]通過圖像顏色區(qū)域分割和圖像再現(xiàn)，結(jié)合動(dòng)態(tài)范圍壓縮進(jìn)行陰影提取。王軍利等[6]通過分析陰影區(qū)域與非陰影區(qū)域的RGB通道的像素亮度值不同，利用差分算子和協(xié)方差算子結(jié)合種子填充的思想設(shè)計(jì)了一種陰影檢測算法。利用顏色特征提取陰影有一定的應(yīng)用價(jià)值，但對于地物復(fù)雜度更高的高分影像效果并不好。

由于陰影在不同波段處的特征存在差異，對波段進(jìn)行代數(shù)運(yùn)算能夠提取陰影。陳紅順等[7]根據(jù)陰影區(qū)藍(lán)、紅波段輻射亮度下降幅度的差異，構(gòu)建歸一化藍(lán)紅波段指數(shù)來區(qū)分植被與陰影，但該方法難以區(qū)分陰影與紅藍(lán)地物。田慶久等[8]計(jì)算綠藍(lán)波段的差比值，結(jié)合近紅外波段的直方圖閾值分割來提取陰影。該方法在復(fù)雜大氣和地面情況下無法有效提取陰影。鄧佳音等[9]通過波段間的線性計(jì)算和非線性計(jì)算，結(jié)合數(shù)字高程模型進(jìn)行陰影提取。此方法會(huì)造成數(shù)據(jù)精度損失，陰影提取精度容易受圖像質(zhì)量影響。

Ma等[10]通過轉(zhuǎn)換HIS色彩空間，構(gòu)建歸一化的亮度與飽和度差值指數(shù)，實(shí)現(xiàn)了高大建筑物的陰影檢測，但是對于小陰影區(qū)域存在漏檢問題。羅艷[11]等通過波段運(yùn)算，結(jié)合主成分變換和近紅外波段構(gòu)建陰影指數(shù)提取陰影。姚花琴[12]等利用C1C2C3不變色彩空間中的C3分量進(jìn)行閾值分割，提取建筑物陰影，但藍(lán)色地物會(huì)被誤識別為陰影。

可見，上述3類陰影檢測方法雖然在一定程度上改善陰影的提取效果，但是都具有一定的局限性。受到不變色彩空間和圖像多光譜特征的研究方法的啟發(fā)，本文提出了一種新的色彩空間YCS，結(jié)合主成分分析法提取陰影。通過實(shí)驗(yàn)驗(yàn)證，提出的方法可以有效地避免紅藍(lán)地物對陰影提取的干擾，能夠更加準(zhǔn)確地提取陰影區(qū)域。

1 結(jié)合新色彩空間和PCA的高分影像陰影檢測算法

通過結(jié)合不變色彩空間和主成分分析實(shí)現(xiàn)高分影像陰影提取，算法框圖如圖1所示。

圖1 本文算法框圖Fig.1 Block diagram of the proposed algorithm

對原始高分影像進(jìn)行色彩空間轉(zhuǎn)換，本文提出的新色彩空間是對像元值做非線性變換，在變換后的Y3分量中，陰影區(qū)域和其他地物的對比度增強(qiáng)。然后對高分影像進(jìn)行主成分分析，計(jì)算得到第一主成分，第一主成分能夠代表原始圖像的大部分信息。對第一主成分歸一化后，陰影區(qū)域信息得到增強(qiáng)。結(jié)合Y3分量和歸一化的第一主成分構(gòu)建陰影指數(shù)YSI，得到陰影指數(shù)圖像，使用迭代法計(jì)算圖像分割閾值，提取圖像陰影區(qū)域。最后對提取到的陰影區(qū)域進(jìn)行陰影補(bǔ)償。

1.1 新色彩空間表示方法

在遙感圖像中，陰影區(qū)域?qū)獾姆瓷漭^弱，不會(huì)隨著光照的改變而有較大變化[13]，文獻(xiàn)[14]從Phong光照模型中發(fā)現(xiàn)，在陰影區(qū)域的RGB三個(gè)通道中，陰影區(qū)域?qū)分量更加敏感。在同等的光線照射下，陰影區(qū)域的R分量和G分量的亮度值低于其他地物，而B分量亮度值明顯高于其他地物，陰影區(qū)域的亮度普遍偏小。

波段比值法能夠增強(qiáng)分子與分母間的差別，非線性變換通過對各像元值的計(jì)算，突出陰影區(qū)域與其他地物在數(shù)值上的差別。因此，本文借助波段比值法突出陰影區(qū)域在B分量與其他地物的區(qū)別，采用非線性變換突出陰影區(qū)域在像元值與其他地物的差別。結(jié)合波段比值法和非線性變換，本文提出一種新的色彩空間表示方法，計(jì)算公式為：

(1)

式中，φ1和φ2是偏移參數(shù)，通過偏移能夠突出原始圖像中較小像元值與較大像元值的區(qū)別，使得陰影區(qū)域與非陰影區(qū)域?qū)Ρ榷仍鰪?qiáng)，本文取φ1=0.5，φ2=3；x1，x2，x3分別對應(yīng)R，G，B分量在YCS色彩空間的色彩轉(zhuǎn)換。由于x3突出了陰影區(qū)域在B分量的顯示效果，因此Y3分量比Y1分量和Y2分量更有利于陰影提取。在YCS色彩空間下，計(jì)算高分影像的Y3分量，如圖2所示。

(a) 原始圖像

由圖2(b)可以看出，通過轉(zhuǎn)換到本文提出的YCS色彩空間后，其他地物的亮度值明顯被抑制，陰影區(qū)域?qū)Ρ榷让黠@增強(qiáng)，有利于進(jìn)一步陰影提取。

1.2 主成分歸一化法

主成分分析方法能夠?qū)?shù)據(jù)降維，減少數(shù)據(jù)的冗余。對于不同遙感影像，可選取不同的波段進(jìn)行主成分分析。本文所使用的高分2號遙感影像有R,G,B,NIR(近紅外波段)4個(gè)波段，因此對4個(gè)波段進(jìn)行主成分分析。變換后得到的4個(gè)特征值從大到小排序，特征值越大，對應(yīng)的特征向量越能代表圖像[15]。對于高分影像，由于第一主成分的方差貢獻(xiàn)率通常在90%以上，第一主成分圖像可以代表原始圖像的大部分信息。原始圖像和第一主成分圖像如圖3所示。

(a) 原始圖像

由圖3(b)可以看出，通過主成分變換后，陰影區(qū)域的亮度要比其他地物亮度值更大，有利于進(jìn)一步的陰影提取。由ENVI分析得到，陰影區(qū)域總在第一主成分的兩端，即在正值的極大值處，負(fù)值的極小值處。因此，將第一主成分歸一化到[0,1]，可以更加突出陰影與其他地物的區(qū)別。具體歸一化方法為大于0的部分除以PC1中的最大值，小于0的部分除以PC1中的最小值。在歸一化后的第一主成分中，陰影區(qū)域的信息得到了增強(qiáng)，并且原來處于兩端的陰影區(qū)域合并到了一端，更有利于后續(xù)的陰影提取。

1.3 YSI陰影指數(shù)構(gòu)建

高分影像通過轉(zhuǎn)換色彩空間提取Y3分量后，陰影區(qū)域的藍(lán)光值比紅光和綠光值更大，增強(qiáng)了與其他地物的對比度；遙感影像經(jīng)過主成分變換后，陰影區(qū)域處于第一主成分的2個(gè)端點(diǎn)處。通過歸一化，陰影區(qū)域在第一主成分中相較于其他地物占有更大的值，與Y3分量類似。受二者的相似性啟發(fā)，本文提出一種結(jié)合Y3分量和第一主成分的陰影指數(shù)構(gòu)建方法。

比值法構(gòu)建陰影指數(shù)的原理是增加強(qiáng)反射波段與弱反射波段之間的差異，從而達(dá)到增強(qiáng)感興趣區(qū)域的目的[16]。將強(qiáng)反射波段置于分子，弱反射波段置于分母，使感興趣區(qū)域的亮度得到增強(qiáng)，而其他地物受到抑制。于是，為了增強(qiáng)陰影區(qū)域亮度，同時(shí)抑制其他地物的亮度，結(jié)合Y3分量和第一主成分構(gòu)建陰影指數(shù)YSI：

(2)

式中，YSI為構(gòu)建的陰影指數(shù)；Y3為轉(zhuǎn)換色彩空間后的第3分量；PC1為歸一化后的第一主成分。

1.4 閾值分割與陰影補(bǔ)償

在構(gòu)建完陰影指數(shù)后，可以利用閾值分割方法來劃分陰影與其他地物。許多學(xué)者使用OTSU算法進(jìn)行閾值分割。OTSU算法是最大類間方差法，按照圖像的灰度特性，將圖像分為背景和前景2類，分別計(jì)算方差。類間方差越大，說明2類區(qū)別越大。OTSU算法被廣泛應(yīng)用到區(qū)分陰影和其他地物的場景中。

OTSU算法很容易受到噪聲的影響，并且當(dāng)目標(biāo)與背景比例懸殊時(shí)可能會(huì)出現(xiàn)三峰或多峰的情況，無法計(jì)算出最佳閾值。如圖4所示的直方圖中，橫坐標(biāo)表示像元值，縱坐標(biāo)表示該像元值的個(gè)數(shù)。

圖4 OTSU算法閾值分割直方圖Fig.4 OTSU algorithm threshold segmentation histogram

遙感圖像有噪聲干擾時(shí)，噪聲的像元值個(gè)數(shù)相較于其他地物的像元值要少，且噪聲像元值較小，分布在直方圖左側(cè)，導(dǎo)致OTSU算法在計(jì)算分割閾值時(shí)向左偏移，即計(jì)算出的分割閾值偏小，分割效果較差，導(dǎo)致陰影提取效果不理想。

本文使用迭代法計(jì)算分割閾值[17]，計(jì)算公式如下：

(3)

式中，f(x,y)表示坐標(biāo)為(x,y)的灰度值；T為分割閾值。

迭代法算法流程：

(1) 設(shè)置一個(gè)初始閾值T。

(2) 使用閾值T對圖像進(jìn)行分割，灰度值大于閾值T設(shè)置為1，記為K1;否則設(shè)置為0，記為K2。

(3) 分別計(jì)算K1和K2中的平均灰度均值，分別記為m1，m2。

(5) 當(dāng)閾值T與前一個(gè)閾值相等時(shí)，停止迭代。否則重復(fù)步驟(2)～(4)，所得閾值T即為分割閾值。

圖5所示為迭代法計(jì)算出的分割閾值。

圖5 迭代法閾值分割直方圖Fig.5 Iterative threshold segmentation histogram

由圖4和圖5可以看出，迭代法相較于OTSU算法，抗噪聲干擾強(qiáng)，能夠在雙峰直方圖中準(zhǔn)確地找到谷底，計(jì)算得到分割閾值，效果相較于OTSU更好。

檢測出陰影區(qū)域后，本文使用形態(tài)學(xué)閉運(yùn)算進(jìn)行陰影補(bǔ)償[18]。對二值圖像的運(yùn)算順序是先膨脹再腐蝕。通過濾波器填充后，圖像的凹角能夠?qū)B通域內(nèi)小面積區(qū)域填充，縫合小裂縫，而連通域總體位置和大小不變。通過形態(tài)學(xué)閉運(yùn)算，陰影區(qū)域內(nèi)未被檢測到的小面積區(qū)域得到補(bǔ)償，陰影區(qū)域更加完整。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)來源

采用4幅700 pixel×700 pixel的高分二號影像進(jìn)行陰影提取實(shí)驗(yàn)。高分二號包含一個(gè)全色波段(波長0.45～0.9 μm)和4個(gè)多光譜波段(藍(lán)波段0.45～0.52 μm、綠波段0.52～0.59 μm、紅波段0.63～0.69 μm和近紅外波段0.77～0.89 μm)。全色波段下的空間分辨率為0.8 m，多光譜波段下的空間分辨率為3.2 m。

2.2 實(shí)驗(yàn)結(jié)果與分析

本文的對比算法為SI陰影檢測算法，計(jì)算公式如下：

(4)

式(4)考慮了陰影在B分量中與其他非陰影區(qū)域的差別，同時(shí)考慮了陰影在R分量與NIR分量區(qū)別于植被的特點(diǎn)，通過B、R和NIR三個(gè)分量，結(jié)合比值法和差值法構(gòu)建SI陰影指數(shù)，對SI指數(shù)圖像二值化處理后，手動(dòng)確定分割閾值實(shí)現(xiàn)陰影提取[19]。

本文分別計(jì)算高分影像的SI與YSI數(shù)值，并比較實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)環(huán)境是操作系統(tǒng)Windows 10專業(yè)版，python版本3.6，編譯器Visual Studio Code。

圖6為第1次實(shí)驗(yàn)結(jié)果圖，圖7為第2次實(shí)驗(yàn)結(jié)果圖。圖6(a)、圖7(a)為原始圖像，圖6(b)、圖7(b)為SI算法提取結(jié)果圖，圖6(c)、圖7(c)為本實(shí)驗(yàn)算法提取結(jié)果圖。

圖6(a)和圖7(a)包含了建筑物、植被、道路、車輛及陰影等復(fù)雜地物，SI檢測算法對復(fù)雜地物無法進(jìn)行有效的陰影提取。本實(shí)驗(yàn)算法能夠檢測出建筑物陰影，且形狀完整規(guī)則,視覺效果較好。

(a) 原始圖像

(a) 原始圖像

圖8為第3次實(shí)驗(yàn)結(jié)果圖，圖9為第4次實(shí)驗(yàn)結(jié)果圖。圖8(a)和圖9(a)為原始圖像，圖8(b)和圖9(b)為SI算法提取結(jié)果圖，圖8(c)和圖9(c)為本實(shí)驗(yàn)算法提取結(jié)果圖。

圖8(a)和圖9(a)在圖6(a)和圖7(a)圖像中復(fù)雜地物基礎(chǔ)上增加了紅色與藍(lán)色建筑物。SI檢測算法將其識別為陰影，效果不佳。本文提出的方法能夠有效地抑制藍(lán)色與紅色地物的干擾，陰影區(qū)域平滑完整，視覺效果較好。

(a) 原始圖像

(a) 原始圖像

上述實(shí)驗(yàn)結(jié)果表明，本文提出的算法能夠準(zhǔn)確提取出陰影，陰影區(qū)域邊界清晰，形狀完整。其原因在于本文構(gòu)建了新的陰影指數(shù)YSI，陰影指數(shù)圖像的直方圖均為雙峰圖，未出現(xiàn)單峰的情況，更有利于使用迭代法準(zhǔn)確計(jì)算谷底，易于獲得分割閾值。但在圖8(c)中，有部分區(qū)域如環(huán)島被誤檢測為陰影，將在后續(xù)研究中予以改進(jìn)。

3 結(jié)束語

高分影像的陰影影響影像的質(zhì)量與觀感，為地物檢測和識別帶來了一定的困難。本文提出了一種新的色彩空間表示方法YCS，能夠在增強(qiáng)陰影區(qū)域的同時(shí)抑制其他地物，結(jié)合主成分分析法，構(gòu)建了新的陰影指數(shù)YSI，實(shí)現(xiàn)了陰影閾值的有效分割，陰影補(bǔ)償后的陰影區(qū)域邊界清晰、細(xì)節(jié)完整、形狀規(guī)則，且其他非陰影區(qū)域的信息未變。實(shí)驗(yàn)結(jié)果表明，本文提出的算法不僅能有效解決傳統(tǒng)方法無法區(qū)分藍(lán)色與紅色地物的難題，而且能夠較為完整地提取陰影區(qū)域。