，2

(1.蘭州交通大學 測繪與地理信息學院，蘭州 730070；2.甘肅省地理國情監(jiān)測工程實驗室，蘭州 730070)

0 引言

在高分辨率遙感影像中，由于地物對太陽光的遮擋而存在著大量的陰影。一方面，陰影的存在給高分辨率遙感影像地使用造成極大不便；另一方面，陰影也包含著紋理、形狀、光譜等重要的地物信息[1]。因此，如何快速、準確地檢測陰影信息在提升遙感影像應用潛力方面具有重要的意義。

目前，陰影的檢測方法主要分為基于物理模型和陰影性質(zhì)兩類?；谖锢砟Ｐ偷姆椒ɡ霉饩€傳播的物理性質(zhì)，此方法需要影像中有關(guān)地物的地形，光照角度、傳感器參數(shù)等先驗知識建立幾何模型實現(xiàn)陰影檢測，通常計算較為復雜且應用于特定場景，因此具有較大的局限性；基于陰影性質(zhì)的方法是通過分析陰影區(qū)域的亮度、幾何結(jié)構(gòu)和顏色深度等特征以及與非陰影區(qū)域的差異性來檢測陰影，相關(guān)研究較多。如Kantsingh K等[2]提出在HSV模型中利用歸一化差值指數(shù)和大津法閾值檢測的方法；葛樂等[3]基于陰影在HIS色彩空間的特征，利用PCA提取其特征，開展了基于陰影概率約束的陰影檢測方法研究；姚花琴等[4]提出基于主成分變換和多波段運算相結(jié)合的高大地物陰影檢測方法；Vijayalakshmi S等[5]提出將主成分變換和內(nèi)外輪廓線指數(shù)(IOPL)相結(jié)合的方法進行城市地物陰影檢測；Srinath D等[6]提出利用直方圖檢測與內(nèi)外輪廓線相結(jié)合的方法檢測陰影；Huang W等[7]提出結(jié)合光譜和空間特征的陰影檢測算法；Wang L等[8]提出面向?qū)ο蟮某鞘袠淠竞徒ㄖ镪幱皺z測方法；Li P等[9]將不透明度概念引入陰影檢測，并提出了一種軟陰影描述方法和基于MRF的陰影檢測算；Zigh E等[10]提出了一種基于超高分辨率影像(VHR)的密集城區(qū)陰影自動提取方法。

上述方法在特定的條件下取得了較好的陰影檢測效果，然而大部分仍然存在以下問題：①對于中等高度地物的陰影研究較少；②對于地物陰影的半影區(qū)(亮度值較高)存在一定程度上的漏提；③偏藍色地物和水體對于陰影檢測結(jié)果存在干擾。由此，本文在前人研究的基礎上，基于GF-1影像數(shù)據(jù)，提出一種結(jié)合主成分變換、多波段運算和HSL色彩空間變換的陰影檢測方法。

1 陰影檢測算法

1.1 典型地物光譜特征分析

高分一號(GF-1)衛(wèi)星影像設有分辨率為2 m的全色影像和分辨率為8 m或16 m的多光譜影像。其中，多光譜影像包含近紅外波段、紅波段、綠波段和藍波段。本文研究中先對高分一號2 m全色影像和8 m多光譜影像進行融合處理，并對融合影像中陰影的本影區(qū)和半影區(qū)、水體中清水和濁水、建筑物及道路的光譜信息進行統(tǒng)計，結(jié)果如表1所示，表1統(tǒng)計結(jié)果的均值和特征方差如圖2、圖3所示。

通過分析陰影及典型地物光譜值變化特征發(fā)現(xiàn)：①本影區(qū)的亮度值最低，較其他地物易于區(qū)分；②水體與陰影區(qū)域的亮度值相似；③在近紅外波段，陰影的本影區(qū)和半影區(qū)DN值接近。

表1 陰影及典型地物光譜特征

圖1 典型地物光譜特征均值

圖2 典型地物光譜特征方差

1.2 HSL色彩空間陰影區(qū)域的特征

HSL是一種將RGB色彩模型中的點在圓柱坐標系中的表示法，有亮度、色調(diào)和飽和度3個分量，比基于笛卡爾坐標系的RGB色彩模型的幾何結(jié)構(gòu)更加符合人類的感知特性[11-12]。

在HSL色彩空間中，陰影區(qū)域有以下特點：①本影區(qū)和RGB空間中的白色地物的色相值較低，半影區(qū)與水體色相值接近，不易區(qū)分；②本影區(qū)和部分顏色較深的半影區(qū)飽和度較高；③半影區(qū)和部分顏色較淺地物亮度較高。

1.3 主成分分析后陰影區(qū)域的特征

由于主成分分析(principal components analysis，PCA)獲得的特征與HIS和C1、C2、C3等彩色不變特征具有良好的統(tǒng)計不相關(guān)性[13]，因此，本文僅選取R、G、B 3個波段進行主成分變換。

鑒于第一主成分包含所有波段中90%以上的方差信息，故論文只分析第一主成分中陰影區(qū)域的特點，研究表明在第一主成分中，水體、深色地物、半影區(qū)及本影區(qū)的值接近，能夠較好地區(qū)別于其他地物。

1.4 陰影檢測模型的構(gòu)建

通過上述分析，本文提出一種基于HSL-PCA集成的GF-1影像陰影檢測方法。首先分割出圖像的近紅外波段，得到陰影初步檢測結(jié)果。初步檢測結(jié)果中含有道路和河漫灘等亮度值接近陰影的區(qū)域；然后對圖像進行主成分分析，將RGB色彩空間轉(zhuǎn)換為HSL色彩空間，再將圖像中飽和度(S)與明度(L)相加，用第一主成分(PC1)除以飽和度(S)與明度(L)的和；最后選取合適的閾值，將近紅外波段和經(jīng)過波段運算(PC1/(S+L))后的圖像分別提取出陰影區(qū)域。再運用邏輯與運算和形態(tài)學濾波對圖像進行處理，得到準確的陰影信息。具體流程如圖3所示。

圖3 陰影檢測方法流程圖

1)根據(jù)陰影區(qū)域在近紅外波段的特征，設定合適閾值，劃分陰影區(qū)域和非陰影區(qū)域。分割后的結(jié)果記為S1，其中含有完整的陰影區(qū)域信息，也包含了一些顏色較深的道路信息和少量河道和河漫灘邊緣信息，但不包含水體信息。

2)選取影像的RGB 3個波段做主成分分析，提取第一分量。將RGB色彩空間轉(zhuǎn)換為HSL色彩空間，并提取S和L分量。運用陰影飽和度和亮度特征進行加和運算，增大陰影地區(qū)與其他地區(qū)差異。運用比值運算，進一步突出目標信息。得到的結(jié)果記為S2，其中含有水體信息及絕大部分陰影信息，但不包含河道和河漫灘信息。

3)將2次自動提取結(jié)果做邏輯與運算，消除了道路、河道、河漫灘、水體和其他干擾信息，又得到了絕大部分陰影信息，記為S3。最后將運算后的圖像進行形態(tài)學閉運算，填充空洞，消除孤立點，使陰影信息更加完整。

2 實驗及分析

選取高分一號融合影像中2個不同區(qū)域做實驗，并對文獻[14]中提出的陰影檢測算法和本文算法進行對比和分析。計算結(jié)果如圖4所示，白色為陰影區(qū)域，黑色為非陰影區(qū)域。

研究區(qū)一如圖4(a)所示，圖中含有水體(矩形框)和明顯建筑物半影區(qū)(圓形框)?；赑C1/B的方法如圖4(b)所示，本文檢測算法如圖4(c)所示。通過對比圖4(b)和圖4(c)得出，PC1/B算法不能有效區(qū)分水體與陰影區(qū)域，而本文算法能夠有效區(qū)分水體與陰影區(qū)域，不存在水體誤提現(xiàn)象；PC1/B算法不能有效檢測出半影區(qū)陰影，本文算法能夠完整有效地提取出陰影的本影區(qū)和半影區(qū)。

研究區(qū)二如圖5(a)所示，圖中含有大量建筑物陰影、偏藍色地物、中等高度地物(矩形框中)?；赑C1/B的陰影檢測算法如圖5(b)所示；本文檢測方法如圖5(c)所示。通過對比圖5(a)和圖5(c)得出本文檢測方法能有效去除偏藍色地物影響，且能較完整地提取出陰影區(qū)域。通過對比圖5(b)和圖5(c)得出PC1/B算法不能有效地提取中等高度建筑物陰影，且對于高大地物的陰影存在大面積漏提現(xiàn)象。本文算法可較完整地提取高大地物的陰影區(qū)域，且對于中等高度地物陰影也能較好地檢測。

圖4 研究一區(qū)陰影檢測結(jié)果

圖5 研究二區(qū)陰影檢測結(jié)果

根據(jù)文獻分析及實驗驗證表明，基于高分辨率遙感影像陰影檢測的誤差來源主要有兩方面，一是難以提高對深色地物、水體和陰影區(qū)域的區(qū)分精度；二是對于亮度值較高的半影區(qū)部分難以檢測。經(jīng)過對 GF-1影像中典型地物光譜值進行分析得知陰影的本影區(qū)和半影區(qū)部分在近紅外波段亮度值接近，并且和其他地物亮度值差異較大，易于檢測，但也有一些其他細小區(qū)域被誤提。因此，還要運用其他方法結(jié)合光譜特征提取陰影特征。

為了更加客觀地分析上述2種方法的陰影檢測結(jié)果，根據(jù)總體精度計算方法：

(1)

對2種檢測結(jié)果進行定量分析，結(jié)果如表2所示，通過本文方法的正確提取比例為89.50%，PC1/B的方法正確提取比例為63.00%。通過比較，表明本文方法具有更高的提取精度。

表2 陰影檢測結(jié)果及精度評定

3 結(jié)束語

本文提出的基于GF-1影像的陰影檢測方法能有效區(qū)分水體和陰影，而且能較完整地提取建筑物本影區(qū)和半影區(qū)的陰影區(qū)域，同時避免了深藍色地物的影響，檢測精度達80%以上。

論文研究的不足之處在于陰影檢測模型是根據(jù)高大地物與中等高度地物構(gòu)建的，因此對于細小的陰影區(qū)域精度還需提高；對于部分陰影區(qū)域的細節(jié)的提取不是很清晰，模型還有待進一步改進。