阴影在高分辨率遥感影像中是普遍存在的问题, 有些应用中, 阴影是一种干扰因素, 但在某些特定的应用中, 阴影是获取信息所不可或缺的因素^[1]。因此, 快速精确地检测阴影信息具有非常重要的意义。遥感影像阴影检测方法分为基于模型的检测与基于阴影的性质两种。基于模型的方法能够获取到精度较高的结果, 而进行实验过程中需要拍摄时相关场景、目标和光照情况的先验知识, 而这些参数不易获取, 因此该方法具有较大的局限性; 基于性质的检测则是用阴影区域的光谱与几何特性, 通过阈值最终确定检测的阴影区域^[2-4], 该方法虽然不需要有些信息, 但是在实验中难以区分阴影与非阴影的阈值, 不具有良好的普适性。Ma等^[5]通过色调、饱和度、亮度(hue saturation value, HSV)色彩空间提出一种阴影检测方法, 通过归一化饱和度与明度建立NDSVI(normalized difference saturation value index)阴影指数; Polodorio等^[6]根据色调、亮度、饱和度(hue intensity saturation, HIS)模型通过阈值分割的检测方法, 通过亮度分量(I)与饱和度分量(S)建立差值, 通过给定阈值实现阴影区域的分割; 贾永红等^[7]根据遥感影像上地物的光谱特征和几何结构对地物进行识别; 刘辉等^[8]基于主成分变换和HIS模型, 提出一种检侧阴影的阴影指数(shadow index, SI); 李媛等^[9]提出了基于阴影在HSV空间下的特点和纹理特征的阴影检测算法。虢建宏等^[10]基于多波段检测阴影方法区分阴影区域与非阴影区域; 杨俊等^[11]根据阴影亮度低和饱和度高的特性进行区分阴影和非阴影区域; 李艳霞等^[12]利用色调、亮度和不同彩色通道中的亮度差值区分出阴影和非阴影区域; 王玥等^[13]采用主成分分析方法, 利用主成分与蓝色波段的比值进行阴影的识别; 叶子伟等^[14]利用双阈值法确定阈值, 进而提取阴影区域。

以上方法在一定的特定条件下能够取得比较好的阴影检测结果, 但是仍然存在以下这些问题:①由于根据阈值分割阴影区域与非阴影区域并且影像有着不确定性, 这就导致检测方法不具有普适性; ②因为水体、植被与偏蓝色地物和阴影的灰度信息比较相近, 区分它们仍然具有难度, 导致最终的检测结果或多或少的存在有水体、植被和偏蓝色地物信息; ③深色地物与阴影性质及其相似, 有些检测算法仍然难以区分阴影与深色地物。因此, 本文通过对前人的方法进行总结, 通过GF-1高分辨率遥感影像数据, 提出了一种检测阴影的PCSI(principal component shadow index)模型。该模型能够较好地区分水体、植被、偏蓝色地物与阴影, 同时能够区分深色地物与阴影区域。同时, 该模型还可以有效地区分人工草坪与阴影区域, 通过大量实验总结, 本文方法能够较好地剔除水体、暗色植被、深色地物、偏蓝色地物、人工草坪对阴影信息的影响, 提高了高大地物阴影检测的速度和精度。

1 阴影检测模型构建 1.1 典型地物光谱值的统计分析

GF-1的全色波段分辨率是2 m, 多光谱波段的分辨率是8 m。通过GF-1影像对阴影信息提取的方法还不多见。本文对GF-1影像中的阴影、净水、泥沙水、建筑物、暗色植被和深色地物等信息的光谱值进行了统计, 结果如表 1所示。

分析表 1可得, ①阴影亮度值总体基本比建筑物和泥沙水亮度值小, 容易区分; ②阴影跟净水光谱值比较相似, 两者不易区分; ③阴影跟暗色植被的光谱值比较相似, 两者不易区分; ④阴影跟深色地物光谱值比较相似, 两者不易区分。

1.2 阴影检测模型构建

基于高分辨率遥感影像阴影检测方法的难点在于难以有效区分水体、植被、深色地物与阴影区域, 从而降低阴影区域的检测精度。通过对GF-1影像中的典型地物的光谱值进行分析, 发现阴影与清水、深色地物少量暗色植、人工绿地容易混淆, 影响检测精度, 本文研究能有效区分水体、暗色植被和深色地物等对阴影信息的干扰。

1) 基于HSV空间的阴影检测。在红绿蓝(red green blue, RGB)色彩空间中, 如果阴影与干扰目标颜色相似, 则很难进行阴影检测^[15]。所以本文算法在HSV色彩空间中通过色调、饱和度、亮度来表示, 有利于人们的视觉, 也有利于对阴影进行检测^[16]。通过RGB转换为HSV色彩空间后, 遥感影像中的信息更加紧凑, 各个分量的独立性增强, 并且信息丢失比较少。

RGB转成HSV为:

$ \left\{ \begin{array}{l} {H_1} = {\rm{arcos}}\left\{ {\frac{{\left[{\left( {R-G} \right) + \left( {R-G} \right)/2} \right]}}{{{{\left( {R -G} \right)}^2} + \left( {R -B} \right){{\left( {G -B} \right)}^{1/2}}}}} \right\}\\ H = {H_1}, B \le G\\ S = \frac{{{{\left( {R, G, B} \right)}_{{\rm{max}}}} - {{\left( {R, G, B} \right)}_{{\rm{min}}}}}}{{{{\left( {R, G, B} \right)}_{{\rm{max}}}}}}\\ V = \frac{{{{\left( {R, G, B} \right)}_{{\rm{max}}}}}}{{255}} \end{array} \right. $

(1)

在亮度分量V中, 由于阴影区域受到遮挡和半遮挡的原因, 导致了阴影区域的亮度值较低, 那么阴影区域在V中主要处于低像素值端, 同时, 从色调空间分量分析, 高分辨率影像中的阴影本身的光照度全部都低于非阴影区域的光照度, 这种较低的光照度减小了阴影在绿光波段和蓝光波段的反射差异。因此使得阴影区域的色调相对比较高, 非阴影的色调比较低。在阴影区域中饱和度分量的饱和度值比较高, 这是由于大气瑞利散射使得阴影区域的散射光纤主要来自波长更短的蓝紫光, 因此, 阴影与非阴影有着显著的区别。因此, 在归一化V分量中(V′=V/(H+S+V)), 阴影区域主要占据着低像素值端。

2) 主成分(principle component analysis, PCA)变换的检测。首先, 主成分变换是一种数据压缩方法, 该变换可以把多个相关性比较高的波段综合成一个或者几个综合的波段。通过该变换, 可以去除波段之间的多余信息。

阴影检测流程如图 1所示。

由于高分辨率遥感影像的不同波段之间存在着较高的相关性, 这就会导致信息的多余或者重复, 对于提取研究有着较大的影响。因此, 通过主成分转换后的各个主成分互不相关, 同时各个主成分的信息不重叠, 这就减少了总数据量, 消除了冗余信息, 并使图像信息增强。在HSV色彩空间中, 对HSV色彩空间进行主成分变换, 可以对HSV色彩空间起到降维的作用。经过主成分变换后, 影像信息主要集中在前面几个波段中。通过实验发现, 主成分第1分量PCA1与主成分第2分量PCA2的差值使得阴影区域主要分布在亮度值比较低的范围内, 而其他地物主要分布在亮度值相对较高的范围。

2 实验与结果分析

为验证本文构建的模型对GF-1影像检测高大地物阴影的准确性设计了两个实验, 对阴影、净水、深色植被、深色地物和人工绿地进行分析, 与基于主成分转换的阴影检测方法进行对比。在获取的阴影图中, 白色代表阴影区域, 黑色代表非阴影区域。

实验 1  由图 2(b)可以看到, 有大量的水体区域没有去除。通过图 2(c)可以看到, 区分出水体信息与阴影区域。

实验 2  图 3(a)中含有深色地物信息(红色矩形)、暗色植被信息(红色矩形)和人工绿地(红色矩形)以及较多建筑物阴影。通过对图 3(b)和图 3(c)的对比可以发现, 图 3(b)中存在深色地物、暗色植被和人工绿地误提; 图 3(c)中不存在暗色植被、人工绿地和深色地物误提。说明本文算法可有效去除深色地物、人工绿地和暗色植被的干扰, 准确提取出阴影。

3 结束语

本文对GF-1影像中的高大地物阴影进行检测研究, 设计的检测方法能有效区分水体、暗色植被、偏蓝色地物、深色地物对和人工绿地对阴影的干扰。在阴影检测时, 如果对整景影像进行预处理, 那么就对影像先进行分块处理, 而后通过运用本文阴影检测方法, 不仅可以提高直方图阈值的自动检测算法精度, 还可以减小影像的不确定性, 最终提高阴影的提取精度。

但本文所建立的模型是根据直方图进行阈值的选择, 在选择阈值时, 存在着一些主观性, 当阴影落在亮度值比较高的地物上, 影响阴影的检测, 因此, 后续还需要对阴影落在亮度值高的地物上提高检测的精度。