一種改進(jìn)的航空遙感影像陰影自動(dòng)檢測方法

位明露，詹總謙

(武漢大學(xué)測繪學(xué)院，湖北 武漢 430079)

?

一種改進(jìn)的航空遙感影像陰影自動(dòng)檢測方法

位明露，詹總謙

(武漢大學(xué)測繪學(xué)院，湖北 武漢 430079)

摘要：針對(duì)航空遙感影像陰影檢測中與陰影具有相似特性的綠地、亮度較暗的非陰影區(qū)域和亮度較高的陰影區(qū)域容易出現(xiàn)錯(cuò)檢、漏檢的問題，結(jié)合HSV變換和區(qū)域生長原理，提出了一種改進(jìn)的陰影檢測方法。首先在HSV色彩空間通過圖像增強(qiáng)構(gòu)建了一種新的陰影指數(shù)，并引入了雙閾值法，剔除了植被和亮度較暗的非陰影區(qū)域的影響；接著通過區(qū)域生長得到了包含較亮陰影的完整陰影區(qū)域。經(jīng)過對(duì)比試驗(yàn)表明，該方法能夠有效地提取較亮陰影，對(duì)綠地和較暗的非陰影區(qū)具有較好的區(qū)分能力，可以有效提高檢測精度。

關(guān)鍵詞：陰影指數(shù)；陰影檢測；HSV變換；區(qū)域生長；伽馬變換

航空遙感影像陰影檢測對(duì)影像解譯、地物識(shí)別、邊緣提取和影像配準(zhǔn)等具有重大意義。目前，國內(nèi)外遙感影像陰影檢測方法主要包括基于模型的方法[1]和基于陰影性質(zhì)的方法兩大類?；谀Ｐ偷姆椒ㄒ罁?jù)遮擋物體的幾何形狀、DSM、太陽入射角和傳感器等參數(shù)，具有較大局限性?；陉幱靶再|(zhì)的方法主要依據(jù)陰影區(qū)域與非陰影區(qū)域的差別提取陰影，首先由Jiang等根據(jù)陰影區(qū)域的亮度比非陰影區(qū)域低的性質(zhì)提出[2]。Funka等提出一種根據(jù)光譜性質(zhì)檢測陰影的算法[3]；Highnam等提出基于直方圖閾值的陰影檢測算法[4]；Elemadmia等提出基于同態(tài)濾波的陰影檢測算法[5]；Salvador等提出基于色彩不變性的陰影檢測算法[6]。王樹根等提出基于整體變分模型的影像檢測算法[7]；楊俊等提出一種S和I分量歸一化差值與I分量雙閾值檢測陰影的算法[8]；夏懷英等提出混合灰度共生矩陣能量、熵、對(duì)比度和逆差矩4種統(tǒng)計(jì)特征量的混合模型陰影檢測方法[9]；方菊芹等提出結(jié)合局部分類水平集與顏色特征的陰影檢測方法[10]；劉輝提出基于主成分變換和HIS模型的陰影檢測方法[11]；趙顯富等將HSV空間檢測結(jié)果與C1C2C3空間的C3分量和RGB空間的B分量雙閾值檢測結(jié)果進(jìn)行與運(yùn)算達(dá)到較好的陰影檢測效果[12]。

上述方法在特定領(lǐng)域均得到了很好的應(yīng)用，但是由于陰影成像機(jī)理的復(fù)雜性及陰影紋理的復(fù)雜性，尚無一種通用的檢測方法適用于所有影像。特別是對(duì)亮度較高的陰影，以及與陰影具有相似特性的綠地、亮度較暗的非陰影區(qū)域，易出現(xiàn)錯(cuò)檢或漏檢，檢測精度較低。針對(duì)這一問題，本文在HSV色彩空間通過圖像增強(qiáng)構(gòu)建一種新的陰影指數(shù)，并引入雙閾值法，剔除植被和亮度較暗的非陰影區(qū)域的影響；同時(shí)，通過區(qū)域生長得到包含亮陰影的完整陰影區(qū)域，有效提高了檢測精度。

一、陰影檢測模型構(gòu)建

與非陰影區(qū)域相比，陰影區(qū)域具有亮度值更低、飽和度更高、色調(diào)值更大[13]的特點(diǎn)。這些特點(diǎn)體現(xiàn)在影像的HSV色彩空間，因而將原始影像經(jīng)過HSV變換由RGB轉(zhuǎn)換到HSV空間。

1. 圖像增強(qiáng)

影像陰影區(qū)域與非陰影區(qū)域在HSV空間具備亮度、飽和度和色調(diào)差異，為凸顯這些差異，有必要對(duì)H、S、V分量進(jìn)行對(duì)比度增強(qiáng)處理。伽馬變換在對(duì)比度操作中具有重大作用。其變換函數(shù)[14]為

g=cfγ

(1)

式中，c、γ為正常數(shù)(一般取c=1)；f為輸入灰度值；g為輸出灰度值。γ>1時(shí)，該變換將較寬范圍的暗色輸入值映射為較窄范圍的輸出值，較窄范圍的高灰度級(jí)輸入值映射為較寬范圍的輸出值；γ<1時(shí)，與之相反；γ=1時(shí)，式(1)簡化成恒等變換。

2. 陰影檢測模型

結(jié)合高飽和度特征S分量和低亮度特征V分量，構(gòu)建陰影指數(shù)為

(2)

經(jīng)過伽馬變換后，S分量和V分量的對(duì)比度均得到增強(qiáng)，S分量中陰影區(qū)域的飽和度相比非陰影區(qū)域變得更高，V分量中陰影區(qū)域的亮度相比非陰影區(qū)域變得更低，使得陰影指數(shù)SI具有更高的敏感度。

同樣對(duì)高色調(diào)特征H分量按式(1)進(jìn)行伽馬變換(本文選取γ1=γ2=γ3=1.1)得到式(3)，其中fH和gH分別為H分量在伽馬變換前后的灰度值。

(3)

理論分析和大量試驗(yàn)表明，陰影指數(shù)SI能有效區(qū)分所有暗陰影和較亮的陰影，但包含部分較暗的非陰影區(qū)和植被；gH能有效區(qū)分絕大部分暗陰影和較暗的非陰影區(qū)、植被，但包含較亮的陰影和部分其他非陰影區(qū)。將兩者結(jié)果進(jìn)行與運(yùn)算即可得到剔除植被和較暗非陰影區(qū)的絕大部分陰影(不包含較亮的陰影)。因而，采用雙閾值法按式(4)的組合方式能得到較理想的陰影檢測結(jié)果為

(4)

式中，SI(i,j)、gH(i,j)分別為像素(i，j)對(duì)應(yīng)的陰影指數(shù)和H分量伽馬變換值；T_SI、T_gH分別為陰影指數(shù)和H分量伽馬變換值的閾值。

二、區(qū)域生長

1. 區(qū)域生長原理

種子區(qū)域生長(SRG)是一種圖像分割方法[15]，由初始種子點(diǎn)集A1,A2,…,An(Ai(i=1,2,…,n)可為單個(gè)或多個(gè)像素)擴(kuò)散開來，每一步生長納入一個(gè)像素至上述集合?？紤]Ai集合經(jīng)m步生長，T表示所有尚未分配的像素(至少與種子集合的一邊相鄰)

(5)

(6)

式中，g(x)表示像素x的灰度值。當(dāng)N(x)滿足兩個(gè)或兩個(gè)以上Ai時(shí)，取δ(x)最小值對(duì)應(yīng)的Ai。同時(shí)，可以按式(7)定義邊界像素集合B，令z∈T，并添加至Ai(z)。

(7)

此時(shí)第m+1步生長結(jié)束。不斷重復(fù)上述過程直至所有像素得到分配。整個(gè)過程起始于每個(gè)種子集合Ai，按式(6)和式(7)的迭代終止條件結(jié)束。

由于陰影邊界的復(fù)雜性，且考慮陰影本身亮度存在的不一致性，本文選取灰度和梯度兩個(gè)檢測量為生長終止條件。灰度限制條件如式(6)，梯度采用sobel算子[14]

(8)

2. 陰影檢測流程

不同于其他陰影檢測方法，本文根據(jù)構(gòu)建的陰影指數(shù)提取陰影后，利用區(qū)域生長對(duì)自動(dòng)識(shí)別的陰影種子點(diǎn)進(jìn)行擴(kuò)充，而不是簡單的形態(tài)學(xué)處理。區(qū)域生長結(jié)合了陰影自身的灰度和紋理特性，能有理有據(jù)地識(shí)別陰影，尤其對(duì)陰影邊界和亮度較高的陰影具有更好的效果。具體檢測流程如圖1所示。

圖1　陰影檢測流程

1) 將影像從RGB色彩空間轉(zhuǎn)換到HSV色彩空間。

2) 分別對(duì)H、S、V分量按式(1)進(jìn)行伽馬變換，并利用S、V按式(2)構(gòu)建陰影指數(shù)SI。

3) 根據(jù)式(4)采用雙閾值法提取初步的陰影Sd，并進(jìn)行標(biāo)記。

4) 自動(dòng)搜索Sd中大于一定面積的區(qū)域，以其中心的若干像素為種子區(qū)域，以式(6)和式(8)中灰度和梯度為迭代限制條件進(jìn)行區(qū)域生長，得到最終的陰影區(qū)域Sd′。

三、試驗(yàn)結(jié)果與分析

本文采用上述方法對(duì)多幅具有不同程度陰影的航空遙感影像進(jìn)行試驗(yàn)，如圖 2所示。測試平臺(tái)為Intel(R) Core(TM) i7-3770 3.4 GHz，4.0 GB內(nèi)存，Windows 7操作系統(tǒng)。為便于觀察，陰影檢測結(jié)果用白色標(biāo)記，且與文獻(xiàn)[12]使用HSV空間和雙閾值的方法進(jìn)行對(duì)比分析(為增強(qiáng)對(duì)比，本文對(duì)陰影結(jié)果未采用形態(tài)學(xué)處理)如圖 3所示。

圖2　原始影像

圖3　陰影檢測效果

圖 2(a)—圖2(c)分別代表大面積綠地、包含亮度較大的陰影(圖(b)上部分白色道路)和密集建筑物的原始影像。圖 3顯示了對(duì)圖 2中3幅原始影像分別進(jìn)行陰影檢測的結(jié)果。其中，(a1)、(b1)、(c1)為文獻(xiàn)[12]中方法所得結(jié)果；(a2)、(b2)、(c2)為本文所構(gòu)建的陰影指數(shù)SI與H分量雙閾值所得結(jié)果；(a3)、(b3)、(c3)表示對(duì)雙閾值結(jié)果進(jìn)行區(qū)域生長得到的最終檢測結(jié)果。

對(duì)比分析(a1)、(a2)和(a3)發(fā)現(xiàn)，兩種方法都能正確檢測到絕大部分建筑陰影和綠地陰影。但文獻(xiàn)[12]存在部分錯(cuò)檢和漏檢現(xiàn)象，尤其是綠地陰影噪聲較多，建筑物陰影提取不完全。本文的雙閾值法能更有效地檢測綠地，但是存在少許檢測不完全的現(xiàn)象，右上角的大片植被和右下方的建筑物陰影比較稀疏，不符合實(shí)際陰影狀況。(a3)顯示的區(qū)域生長結(jié)果較好地?cái)U(kuò)充了陰影，達(dá)到了較為理想的效果。

(b1)、(b2)和(b3)顯示的結(jié)果表明，文獻(xiàn)[12]對(duì)亮度較高的陰影(最上部分白色道路)不具備辨別能力，且存在錯(cuò)檢(中心綠地)和漏檢現(xiàn)象(右下角建筑物)。本文雙閾值法較好地解決了綠地錯(cuò)檢和建筑物漏檢問題，區(qū)域生長完善了檢測不完全的陰影區(qū)域((b3)最上部分白色道路得到檢測)，得到了較理想的檢測結(jié)果。

對(duì)包含密集建筑物的影像，(c1)基本檢測到所有建筑物陰影，但錯(cuò)誤地提取了綠地。本文方法所得(c2)、(c3)不僅較完整地提取了復(fù)雜建筑物的陰影，而且剔除了綠地的影響。

為了更加客觀地分析結(jié)果，采用文獻(xiàn)[16]中提出的正確檢測率DR和漏檢率FR兩個(gè)指標(biāo)對(duì)檢測結(jié)果進(jìn)行定量分析。指標(biāo)定義為

(9)

式中，TN表示正確識(shí)別的陰影像素?cái)?shù)；FN表示非陰影區(qū)域誤識(shí)別為陰影區(qū)域的像素?cái)?shù)；FS表示漏檢的陰影區(qū)域像素?cái)?shù)。

統(tǒng)計(jì)陰影檢測數(shù)據(jù)證實(shí)了本文采用的雙閾值和區(qū)域生長方法相比文獻(xiàn)[12]中方法具有更高的檢測精度，統(tǒng)計(jì)結(jié)果見表 1。

表1　陰影檢測結(jié)果統(tǒng)計(jì)數(shù)據(jù)　(%)

四、結(jié)束語

本文根據(jù)陰影的特性選用HSV空間分量構(gòu)建陰影指數(shù)，同時(shí)引入圖像增強(qiáng)提升各分量的對(duì)比度，使陰影指數(shù)具有較高的敏感度，采用雙閾值法提高了檢測精度。區(qū)域生長算法對(duì)陰影區(qū)域進(jìn)行迭代生長，進(jìn)一步完善了陰影檢測結(jié)果。試驗(yàn)結(jié)果表明，本文方法能夠有效剔除綠地影響，對(duì)較亮的陰影區(qū)和較暗的非陰影區(qū)均有較好的區(qū)分能力。本文采用自動(dòng)搜索大于一定面積的初始陰影區(qū)域中心為種子點(diǎn)，自動(dòng)化程度較高。需要說明的是，區(qū)域生長的結(jié)果依賴于初始種子點(diǎn)的選取。同時(shí)，由于雙閾值法設(shè)置了陰影指數(shù)SI和H分量的閾值，區(qū)域生長設(shè)定了灰度和梯度兩個(gè)檢測量及其相應(yīng)的閾值，閾值的選取需要依據(jù)影像本身的特性基于統(tǒng)計(jì)求取，其過程不夠簡便，因而閾值的快速自動(dòng)獲取是下一步的研究內(nèi)容。

參考文獻(xiàn)：

[1]FINLAYSON G D，HORDLEY S D，DREW M S. Removing Shadows from Images[J].Lecture Notes in Computer Science,2002,2535：129-132.

[2]JIANG C，WARD M O. Shadow Identification[C]∥ Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Champaign:IEEE,1992.

[3]FUNKA-LEA G，BAJSCY R. Combining Color and Geometry for the Active, Visual Recognition of Shadows[C]∥ Proceedings of Fifth International Conference on Computer Vision.Cambridge:IEEE,1995.

[4]HIGHNAM R，BRADY M. Model-based Image Enhancement of Far Infrared Images[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(4)：410-415.

[5]ETEMADNIA H，ALSHARIF M R. Automatic Image Shadow Identification Using LPF in Homomorphic Processing System[C]∥Proceedings of VII Digital Image Computing:Techniques and Applications.Sydney: Committee of DICTA，2003.

[6]SALVADOR E, CAVALLARO A，EBRAHIMI T.Cast Shadow Segmentation Using Invariant Color Features[J]. Computer Vision and Image Understanding, 2004,95(2)：238-259.

[7]王樹根,王軍利,王愛萍.基于整體變分模型的影像陰影檢測算法研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2006,31 (8)：663-666.

[8]楊俊，趙忠明，楊鍵.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)(信息科學(xué)版)，2008，33(1)：20-33.

[9]夏懷英，郭平.基于統(tǒng)計(jì)混合模型的遙感影像陰影檢測[J].遙感學(xué)報(bào),2011,15(4)：132-145.

[10]方菊芹，陳帆，和紅杰，等.結(jié)合局部分類水平集與顏色特征的遙感影像陰影檢測[J]. 自動(dòng)化學(xué)報(bào),2014,40(6)：1156-1165.

[11]劉輝.基于改進(jìn)陰影指數(shù)的福州市主城區(qū)建筑容積率提取[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2014,39(10)：1241-1247.

[12]趙顯富，胡曉雯，趙軒. 一種基于彩色模型的遙感影像陰影檢測方法[J].測繪通報(bào),2014(5)：20-22.

[13]HUANG J F, XIE W X, TANG L. Detection and Compensation for Shadows in Colored Urban Aerial Images[J].The 5th World Congress on Intelligent Control and Automation,2004,4：3098-3100.

[14]岡薩雷斯.數(shù)字圖像處理[M].3版.北京：電子工業(yè)出版社,2013.

[15]ADAMS R, BISCHOF L. Seeded Region Growing[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1994,16(6)：641-647.

[16]MARTEL B N，SACCHARINE A. Moving Cast Shadow Detection from a Gaussian Mixture Shadow Model[J]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2005,2：643-648.

An Improved Method of Automatic Shadow Detection for AerialRemoteSensingImages

WEI Minglu, ZHAN Zongqian

收稿日期：2015-07-03

基金項(xiàng)目：國家科技支撐計(jì)劃(2012BAJ23B03)；國家自然科學(xué)基金(41101418；41071292)

作者簡介：位明露(1991—)，女，碩士，研究方向?yàn)閿z影測量與計(jì)算機(jī)視覺。E-mail：minglulwei@whu.edn.cn

中圖分類號(hào)：P23

文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：0494-0911(2016)06-0014-04

引文格式： 位明露，詹總謙. 一種改進(jìn)的航空遙感影像陰影自動(dòng)檢測方法[J].測繪通報(bào)，2016(6)：14-17.DOI:10.13474/j.cnki.11-2246.2016.0180.