城市遥感影像阴影检测与补偿方法研究（一）

　　 论文 关键词：亮度　阴影　直方图均衡　线性映射　阴影检测　阴影补偿

　　论文摘要：高分辨率遥感影像同时具有地图的几何精度和影像视觉特征，具有广泛的应用。然而由于算法以及客观条件的限制，影像中存在着大量的阴影，它直接影响到地物边缘的提取、目标识别、分类等。特别是近年来随着影像分辨率的提高，阴影现象更加突出，因此对其进行检测与补偿非常重要。

　　本文将从阴影的提取，和阴影的补偿两个方面来实现高分辨率卫星遥感影像中阴影的处理。带有阴影的高分辨率的遥感影像，其阴影区域和光照区域交界处，存在着明显甚至急剧的亮度变化，双峰法和基于归一化互相关函数的阴影检测方法就是基于这一特点进行的检测处理。

　　图像阴影的补偿，本文采用灰度线性映射的方法调整阴影区域的灰度，使其灰度级与光照区域的灰度级别相近，进而达到对阴影进行补偿的目的。另外又采用了基于直方图均衡的方法来对阴影区域补偿。

　　本文采用的方法直接针对阴影的成因，对遥感影像中的阴影区域进行检测和一定的补偿。方法均是在matlab7.0开发环境下得到实现。通过对实验结果的分析，具有较好的检测补偿结果，有一定的实用价值及意义。

　　第一章 概述

　　1.1 研究的背景及意义

　　高分辨率遥感影像已被应用在林业、 旅游 、水文水资源、名胜古迹的维修等领域。这些应用的首要问题是对影像中的关键地物进行识别、提取。理论上，高分辨率卫星遥感影像在经过像片倾斜引起的像点位移、图形变形以及地形起伏引起的投影差的纠正，并在消除大气折射，相机系统带来的误差后，应该准确反映地物特征。然而，由于建筑物的影响以及太阳光的照射，出现阴影和影像遮蔽以及摄影死角。

　　随着遥感传感器灵敏度不断提高，影像分辨率从几十米到现在的厘米级。原本在较低几何分辨率影像中不明显的阴影已经在影像中格外突出。比如在 农村 地籍调查中，由于航片的分辨率很高，有很多高大建筑物或者树木阴影，给界址点解译造成很大的困难。并且图解存在一定的误差。机载多角度成像数据的空间分辨率能够达到5厘米，影像上的阴影非常突出。阴影使得影像上阴影区域所反映的被摄目标的信息有所损失或受到干扰。这在 计算 机影像处理中将直接影响到相应区域地物的边缘提取、目标识别和地表覆盖分类以及影像匹配算法的成功率等。它不仅破坏了影像的视觉解译能力和审美效果，还影响了遥感影像作为地图产品的基本功能发挥。如何消除遥感影像的阴影，具有越来越重要的现实意义。

　　总的来说，卫星遥感影像能够快速提供地球表面的信息，高分辨率卫星遥感（例如ikonos,spot5,cosmos,orbview等）开创了许多新的应用领域，但影像中的阴影是一个必须解决的问题。它给像影像分类这样的一些应用带来了很大的麻烦。比如在卫星遥感影像分类中，大多数的地形或地物阴影与水体的光谱特征相混淆，很难准确地它们进行分类。阴影区地物表现在遥感影像上信息量相对较少，难以判读，在影像处理和工程应用中，影响操作进程，甚至产生错误结果。

　　阴影由高出地面的物体对太阳光遮挡而形成,在遥感影像数据上表现为dn值偏低。在ikonos等高空间分辨率遥感影像中,阴影是其基本特征之一。阴影区地物表现在遥感影像上信息量相对较少,难以判读,在影像处理和工程应用中,影响操作进程,甚至产生错误结果。随着高空间分辨率遥感的广泛应用,如何消除遥感影像的阴影,具有越来越重要的现实意义,但是这个问题一直是遥感影像处理领域的一个难题。而使用高精度的阴影监测方法和使用的阴影去除方法，可以真实再现阴影区地物特征，增加影像信息量，提高数据质量。这样就消除了阴影对目标识别的不利影响，从而达到了正确识别目标的目的（如基于直方图[1]、基于同态系统消除阴影技术[2]、归一化处理[3]、纹理分析[4]等方法）。这些方法被广泛的应用与军事目标识别、城市规划、医疗检测等多门领域中。

　　1.2 国内外 发展 现状

　　1.2.1 阴影检测

　　唐亮[5]等利用光照模型分析了阴影形成的机理和光度彩色不变量的局限性，结合城市彩色航空影像的特点，推导出城市彩色航空影像中阴影区域具有色调较高的特征;并计算城市彩色航空影像的色调影像，对色调影像进行二值化，通过阈值设定剔除色调较高的值；最后对结果进行数学形态学操作，以闭运算填充阴影区域内细小空洞，并运算消除细小区域，同时平滑阴影区域边界，效果较好。许妙忠[4]等通过共生矩阵，提取和分析影像纹理，通过对能量、反差和熵三个纹理指数提取卫星影像中的阴影，最终得出结论利用能量指数来提取高分辨率卫星影像中的阴影效果最好。它并不使用原始灰度值，而是通过对影像灰度级之间二阶联合条件概率p(i, j/d, h)计算表示纹理。高龙华[6]以遥感原理为基础，运用传统阴影校正模型，针对ouickbird影像的具体特征，对模型的两个土要参数值:大气亮度dnp、照射强度eλd/eμd人在问进行了求解，并应用实验区的影像进行了验证。

　　杨益军[7]等利用阴影区域内的灰度方差一般小于其他非阴影区域，不同阴影区域之间的灰度值具有较强的一致性的特点，提出利用基于二维直方图的最大熵门限化方法求得边缘影像，并对边缘影像进行了细化和跟踪，删除那些对比很弱、以及不满足光照条件的边缘，得到阴影边缘。王树根[8]等提出一种利用k-l变换技术来对影像上的阴影进行检测，首先对影像进行k-l变换，然后通过影像分割技术检测阴影。该方法对子彩色航空影像具有较好的检测效果，但是对于落在地物反射较强烈处的阴影的检测效果不理想。虢建宏[9]等采用dsm以及直方图门限化方法对ikonos影像进行阴影检测[10][11][12]。黄浩[13]等提出在对ikonos全色波段与多光谱的2、3、4波段进行基于115 色度空间的影像融合的基础上，运用波谱角度映射表分类方法，对ikonos影像中的阴影进行自动提取。王军利[14]等从色彩理论和高斯—拉普拉斯算子的基本原理出发，提出了一种基于rob彩色空间的影像阴影检测方法，该方法对彩色航空影像上阴影区域的检测是有效的，但是对阴影区域里具有强烈反射特性的地物（如道路），就会出现一定的阴影检测误差。

　　horn最早研究了从一幅单目图像获得景物三维信息这个问题[15]后sfs成为计算机视觉领域热门研究方向，可根据 自然 景物表面均具有分形特性这一特点[16]于sfs算法，我们可以实现景物的三维重建[17-20]。其他的像是mandelbrot描述的断裂法，英国哥伦比亚大学地理系的j.m.陈博士开发了将表面划分为太阳照射区和阴影区的程序。此外，库比和彭特兰德、德可拉、琼斯、兰姆、和雷阿姆斯特恩和雷阿费、雷伊等发表了大量有关分形遥感领域的论文。对阴影区和太阳照射区的分形分析都有所讨论[21]。guoqing zhou[22-24]等提出了一个数学模型，当建筑物模型(dbm)已知时，结合摄影测虽学来自动检测遮挡和阴影，该方法效果较好，但是必须有较精确的数字建筑物模型。dbm 的提取可以有不同的方法，比如利用激光数据，采用零交叉边缘检测，同时对数据进行后处理，将每一段线连接成连续的线，得到建筑物的边界，最后利用数字图像处理以及人机交互的方式获得;也可以利用商业软件如erdas直接提取。李艳[25]等提出了利用摄影测量学由数字表面模型(dsm)计算因太阳的作用形成的建筑物阴影的空间坐标，利用加速的光线跟踪算法通过dsm以及相机模型来计算建筑物的可见阴影，并将之投射到影像平面上，然后通过影像分析进行精确分割并标记出阴影区域。

　　shettigara[26]等又提出了一种在子像元级确定阴影边界的方法，并发展了基于最佳门限值选择的阴影信息提取程序，该方法是通过选定合适的门限值来完成对整个影像阴影轮廓的分割。梅雪良[27]等利用黑白城区航空影像基于约束满足 网络 的方法进行建筑物阴影结构信息提取。

　　这些方法在特定的方面都存在着一定的不足。诸如：某些算法的参数难以寻找和选择；一些阴影去除效果好，但边界选择不够精确；另一些则是边界可以高精度选取，而阴影区域的景物重建真实度欠缺；甚至有些只有理论，还无法实现等等。

　　综上所述,目前人们已经从很多不同的角度采用不同的方法去除遥感影像阴影，取得了相应的进展，但是没有比较成熟的算法。

　　1.2.2 阴影区域的补偿

　　阴影区地物表现在影像上信息相对较少，难以判读。随着高空间分辨率遥感影像的厂泛应用，如何消除遥感影像的阴影，已经有很多学者展开了研究工作，并取得一定效果，但是这个问题一直是遥感影像处理领域的一个难题。

　　highnam等提出基于直方图技术[28]，统计影像数据灰度直方图，根据双峰法检测阴影，然后用直方图拉伸技术去除阴影，这样处理的结果是水体、低反射率地物等被当作阴影，而阴影区高反射率地物却被当作非阴影，显然误差较大，对大范围、复杂地形地物影像不适用。voicu l i[29]等提出基于同态系统消除阴影技术轰州，对影像反射率和辐射度分别进行处理，同时使用空间域和频域技术，比基于直方图技术具有更稳健的效果，但是仍然避免不了同样的问题。zamudio[30]等提出归一化技术处理阴影，它的实质是把阴影区像元灰度值按比例相应地放大，非阴影区像元灰度值按比例相应地缩小，由于各种不同遥感影像灰度值分布不一样，用一种模式求出归一化系数并不能应用于所有遥感影像，确定放大或缩小的系数是关键，也是难以解决的问题。

　　铁建宏、田庆久[9]针对ikonos影像具有1比特亮度的特性，采用灰度线性映射变换和直方图匹配技术去除阴影，方法比较简单，效果也不错。王树根 、郭泽金、李德仁指出影像上的阴影区域主要是由于光照不足引起的，从而造成相应区域影像亮度小，颜色信息缺乏，这就相当于在阴影区域的景物反射函数上乘了一个较小的光照亮度函数。因此，提出对原始影像阴影区域的光照函数进行改正，并顾及颜色信息，实现对阴影区域进行信息补偿。

　　综上所述，阴影信息的补偿虽然己经取得了很大的进展，但是没有一种非常理想的算法，能够满足实际应用的需求。

　　1.3 论文框架及主要研究内容

　　本文主要分为两大部分，分别是阴影区域的检测和阴影的补偿。检测部分（第二章）主要研究基于亮度变化衍生出的各种方法，包括一种基于亮度的检测方法，双峰检测的方法，基于归一化相关函数的检测方法，以及其它一些检测方法。阴影补偿部分（第三章）主要介绍灰度线性映射和直方图均衡处理等阴影补偿方法。最后一章，对所有实际处理结果进行综合分析 总结 ，并展望了未来的发展前景。

　　第二章 阴影区域的检测

　　2.1 基于亮度的检测算法

　　下图是一幅带有阴影的遥感影响的灰度直方图，由下图可以很清晰地看出，该直方图中有非常突出特征的双峰曲线，在这两个峰值区域，靠近中间较大的峰值区域是图像信息集中的主要区域，也是图像中非阴影区域部分。由于正常无阴影的遥感影像，其灰度直方图应该近似为平滑曲线，或亮度信息均匀分布。所以，靠左边的峰值区域可以判定为主要是阴影区域的造成的。而事实也确实如此，基于亮度的提取，正是基于这一特点，以双峰之间区域的灰度值为分界点，将低于该灰度值的像素判为阴影区域。

图2-1 带有明显双峰特征遥感影像的灰度直方图

　　因此，我们可以用这一特征作为判定阴影区域的标准，在两峰之区域之间选取适当的阈值进行分割，将低于该值的部分选取出来，从而检测出阴影区域。为了便于观察，非阴影区域均被转变为白色。

　　　(b) 待阴影检测的原图 (c) 阈值等于9检测结果

　　(d) 阈值等于25检测结果 (e) 阈值等于12检测结果

图2-2 双峰法阈值选取结果

图2-3 待阴影检测图的直方图

　　根据实际的检测结果，在两峰之间的部分，阈值选取的尽可能的小，利于较好的检测出阴影区域，并且可以尽量避免误检出较暗但属于非阴影的区域。由结果，得出下面这个公式：m=d+(d-d)/5，其中d为峰值中较小的灰度值，d为峰值中较大的灰度值，m所得阈值。以下是对本章中所使用的影像的计算结果。

表2-1 阈值选取统计表

图　像

峰值中较小的灰度值 d

峰值中较大的灰度值 d

计算得m

实际较合

适的阈值

图2-3(b)

5

50

14

9-20

图2-4

8

83

23

20-49

图2-6

14

75

26.2

25-41

　　该表反映出结果，该公式可以适应地物复杂，地物简单，甚至带有水面的阴影区域。而且结果比较令人满意。

　　由图2-3可以看出只要是在双峰间选取的阈值，对阴影提取的结果都很相似，数值可选范围比较大，而且带来的影响很小，易于实现。对于具有类似的双峰特征的遥感影像中的阴影，基于亮度的检测算法均可以有效地提取。但如果阴影在低亮度辐射区，则易与投射阴影区的地物相互混淆，这为阴影信息的自动提取带来很大的麻烦。

　　2.2 基于归一化互相关函数的阴影检测算法

　　像素点(x，y)在未被阴影覆盖和被阴影覆盖时的亮度值呈近似的线性关系，由概率论中相关系数的性质可知，若随机变量x和y呈线性关系，则x和y的相关系数为1， 因此可利用万相关系数的性质进行阴影检测。在信号处理中，归一化互相关函数(ncc)常被用来衡量两信号间的相似性，两信号越相似，则其ncc值越接近于1。

　　设图像的大小m×n，令b(x，y)为背景图像，c(x，y)为当前帧图像，定义以(x，y)为中心点大小为(2l+1)×(2l+1)的模板t xy(m，n)=c(x+m，y+n)，

　　其中-l≤m≤l，-l≤n≤l，像素点(x，y)处归一化的互相关函数为：

　　
　　eb(x，y)和et分别为背景图像能量函数和模板能量函数，若c(x，y)被阴影覆盖，则应满足式(2-6)。其中tncc为接近于1的固定阈值，s(x，y)=1对应阴影区域。若tncc值太小会导致一些运动目标被误当作是阴影，tncc值太大无法准确地检测出阴影。

(2-6)

　　采用式(2-6)进行阴影检测，涉及多次乘法及开方运算，计算量大。故采用快速归一化互相关函数的算法来减小传统互相关函数(fncc)的复杂度。

(a) 待检测图原图 (b)检测后提取的阴影

图2-4 基于归一化互相关函数阴影检测法

该方法已直方图中双峰的右侧的灰度值较高的区域信息作为图像的背景图。左侧峰灰度值很低的区域信息作为前帧图像。适合阴影区面积小于等于和光照区面积的遥感影像的处理。

　　1、 一种边缘检测的阴　　确定阴影在图像中位置才能更好地去除阴影。首先要估计光照方向。具体算法如下：

　　(1)边缘检测

　　对已经分割好的图像进行边缘检测，提取出图像的边缘像素。

　　(2)确定划分明暗像素的阈值

　　在这里本文采用经典的otsu方法进行阈值的确定，对提取出的边缘像素进行操作，大于阈值的是亮像素，否则是暗像素。

　　3)以图像重心g( x，y)为准，把图像分成上下左右4部分，求取重心的方法有很多，本文采用cvmoments(opencv用法)方法来求取重心。图像重心坐标如下：

　　(4)令u，d，l，r分别表示上下左右4个方向。

　　(5)n=(u+d+r+l)/4； x，y是u，d，r，l中最大的两个值。

　　(6)定义光照的8个方向，分别用数字0，l，2，3，4，5，6，7表示。

　　(7)a，b分别对应 x，y的值。

　　(8)a=(a+b)/2，b=|a-b|。

　　(9)光照方向定义为

　　if(x，y

　　if(x≥n，y

　　if(x

　　if(b=6)，then o=b+l；

　　0therwise o=a。

shape \* mergeformat

图2-5 光照的八个方向

　　当o=-1时就说明阴影方向没有定义，即程序出错。

　　图2-5中的u，d，l，r分别代表上、下、左、右4个方向。

　　2). 边缘信息检测

　　基于边缘信息检测阴影的目的是设法消除外轮廓边缘，从保留前景的边缘点构建前景物体，再利用提取的前景图像减去构建的前景，即得到阴影区域。为保证程序的实时性，基于边缘信息检测的阴影算法在hsv空间的亮度分量中进行。基于边缘信息检测阴影的步骤如下：

　　(1)对提取的前景区域进行边缘检测通过分析比较各个边缘检测算子，采用了sobel算子检测边缘。对前景区域采用sobel边缘提取，记为b。

　　(2)去除阴影轮廓

　　阴影的边缘信息与目标体边缘信息比较而言，阴影的边缘信息较简单并集中在外轮廓上。基于边缘信息抑制阴影正是利用上述阴影边缘信息的特点，消除轮廓边缘，保留目标体的内部边缘点同。

　　(3) 得到最初的物体内部边缘，记为oe 。且有

　　 （2-8）

　　(4)校正前景内部的边缘信息

　　oe 消除了大部分阴影边缘，但仍存在噪声点和阴影边缘点，去除不可靠边缘点对后续的处理比较重要翻。校正前景内部的边缘信息分为水平和垂直操作，现以水平操作为例说明如下。从上到下水平扫描，寻找每一行中边缘点的起始列和终止列，认为该行中位于起始列和终止列之间的像素均为前景，设置为1，其余像素位置设定为0。得到最初的水平扫描图h1 。标记h1 中的连通区域，去掉小于h1 总面积的5％的区域块，得到修正后水平扫描图h2 。

水平和垂直操作消除了大多数的不可靠边缘，残余的个别不可靠的边缘不影响阴影检测结果，校正后的物体内部边缘图记为f，且有

　　 （2-9）

　　(5)构建运动物体内部区域

　　对f进行上述的水平和垂直操作，分别记为h和v。则运动物体内部区域om 表示为

　　 （2-10）

　　(6)最初的阴影区域

　　om与二值图差分得到最初的阴影检测结果，记为os 。且有

　　 （2-11）

　　(7)提取d中的阴影区域

　　os可检测大多数阴影区，由于os是针对运动物体内部区域操作得到的结果，所以os还保留着we部分，下面需要判别d中的阴影部分。标记os中的连通区域，去除面积小于os总面积的5％的区域。记为w。修正阴影区域

　　(1)标记上述步骤所确定的各阴影区域，s1,s2,s3 ，…；

　　(2)求取各阴影区域的重心，g1,g2,g3，…；

　　(3) g1,g2,g3，…分别与图像重心g连线，计为直线l1 ,l2 ,l3 ，…。

　　2、基于hsv空间的阴影检测算法

　　基于图像颜色的阴影检测算法有：rgb空间的阴影检测和hsv空间的阴影检测。因hsv接近人的色觉，且能精确反映一些灰度和色彩等信息。基于hsv 空间阴影检测法是将阴影的像素值， 该点的背景像素值比较，若包含的相应色彩值和灰度值在特定的阈值下，则该点是阴影。算法如下：

　　 (2-12)

　　式中：snew 、vnew 、hnew 为当前帧的色度、亮度、饱和度；smodel 、vmodel 、hmodel 为背景模型的色度、亮度、饱和度；ts、th分别表示色彩、色度分量的阈值；s(x，y)=1对应阴影区域。

　　3、一种ikonos影像的检测方法

　　阴影由高出地面的物体对太阳光遮挡而形成，在遥感影像数据上表现为dn值偏低。在ikonos等高空间分辨率遥感影像中，阴影是其基本特征之一。

　　阴影区域检测，阴影的去除对于ikonos影像也是如此。根据ikonos影像数据多光谱、高空间分辨率、高辐射分辨率以及生成立体像对的特点，提出一种高精度阴影检测方法和实用阴影去除方法。

　　1)　ikonos数据的特点和示例研究区

　　ikonos标准产品主要是1 m分辨率全色影像数据、4 m分辨率多光谱影像数据和1 m分辨率增强型彩色影像数据（多光谱彩色合成影像与1 m分辨率全色遥感影像数据的复合）。另外，ikonos传感器可形成立体像对，用于提取dsm数据

　　2)　阴影检测与分离

　　阴影由高出地面的物体对太阳光遮挡而形成，阴影区像元与较高地物像元存在相互对应关系，即每个阴影区像元都是由对应非阴影像元遮挡太阳光而形成；又由于ikonos传感器可形成立体像对，可用于提取dsm数据。基于以上前提，提出一种粗略检测阴影的方法，检测方案如下几个步骤：

　　(1)对ikonos影像进行正射纠正，形成正射影像。

　　(2)根据太阳高度角和方位角， 计算 前后像元的高度差，判断像元的阴影属性。沿太阳方位角方向，从上至下，从左向右逐行逐像元点进行扫描，以此确定像元的阴影属性。例如：像元i的阴影属性由像元i之前临近非阴影像元j决定，计算公式如下：

　　h = zi- n·k·tgα (2-13)

　　式中:若h≥zj，像元j则为阴影，若h