結合新色彩空間和PCA的高分影像陰影檢測方法

靳華中，袁福祥，李慶鵬，常學立，包志熙

(1.湖北工業大學 計算機學院，湖北 武漢 430068;2.中國資源衛星應用中心，北京 100000)

0 引言

隨著空間遙感技術的快速發展，遙感影像在城市規劃、數字農業和資源勘探等領域應用越發廣泛[1]。陰影反映了地物的空間結構特征，一直以來是識別地物的研究熱點。根據側影的長度和照射角度，可以推算地物的高度、形狀等信息，有助于城區建設、遙感制圖等應用[2]。當然，陰影也會遮蓋地物，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]。隨著傳感器技術的不斷發展，亞米級的高分辨率影像在城市規劃、道路制圖等領域得到了更廣泛的應用。在高分影像中，地物類別更加精細，地物目標易受到陰影區域影響，造成地物目標的提取和識別困難。因此，進一步提升高分影像的陰影檢測精度和準確度，對城市規劃、自然災害評定等具有重要的應用價值和意義。

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

早期人們主要利用顏色變換對彩色遙感圖像進行陰影檢測。Funka-Lea等[4]利用圖像的顏色與幾何形狀位置進行提取。Barnard等[5]通過圖像顏色區域分割和圖像再現，結合動態范圍壓縮進行陰影提取。王軍利等[6]通過分析陰影區域與非陰影區域的RGB通道的像素亮度值不同，利用差分算子和協方差算子結合種子填充的思想設計了一種陰影檢測算法。利用顏色特征提取陰影有一定的應用價值，但對于地物復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，對波段進行代數運算能夠提取陰影。陳紅順等[7]根據陰影區藍、紅波段輻射亮度下降幅度的差異，構建歸一化藍紅波段指數來區分植被與陰影，但該方法難以區分陰影與紅藍地物。田慶久等[8]計算綠藍波段的差比值，結合近紅外波段的直方圖閾值分割來提取陰影。該方法在復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算和非線性計算，結合數字高程模型進行陰影提取。此方法會造成數據精度損失，陰影提取精度容易受圖像質量影響。

Ma等[10]通過轉換HIS色彩空間，構建歸一化的亮度與飽和度差值指數，實現了高大建筑物的陰影檢測，但是對于小陰影區域存在漏檢問題。羅艷[11]等通過波段運算，結合主成分變換和近紅外波段構建陰影指數提取陰影。姚花琴[12]等利用C1C2C3不變色彩空間中的C3分量進行閾值分割，提取建筑物陰影，但藍色地物會被誤識別為陰影。

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，本文提出了一種新的色彩空間YCS，結合主成分分析法提取陰影。通過實驗驗證，提出的方法可以有效地避免紅藍地物對陰影提取的干擾，能夠更加準確地提取陰影區域。

1 結合新色彩空間和PCA的高分影像陰影檢測算法

通過結合不變色彩空間和主成分分析實現高分影像陰影提取，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

對原始高分影像進行色彩空間轉換，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，陰影區域和其他地物的對比度增強。然后對高分影像進行主成分分析，計算得到第一主成分，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，陰影區域信息得到增強。結合Y3分量和歸一化的第一主成分構建陰影指數YSI，得到陰影指數圖像，使用迭代法計算圖像分割閾值，提取圖像陰影區域。最后對提取到的陰影區域進行陰影補償。

1.1 新色彩空間表示方法

在遙感圖像中，陰影區域對光的反射較弱，不會隨著光照的改變而有較大變化[13]，文獻[14]從Phong光照模型中發現，在陰影區域的RGB三個通道中，陰影區域對B分量更加敏感。在同等的光線照射下，陰影區域的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，陰影區域的亮度普遍偏小。

波段比值法能夠增強分子與分母間的差別，非線性變換通過對各像元值的計算，突出陰影區域與其他地物在數值上的差別。因此，本文借助波段比值法突出陰影區域在B分量與其他地物的區別，采用非線性變換突出陰影區域在像元值與其他地物的差別。結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，計算公式為：

(1)

式中，φ1和φ2是偏移參數，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別，使得陰影區域與非陰影區域對比度增強，本文取φ1=0.5，φ2=3；x1，x2，x3分別對應R，G，B分量在YCS色彩空間的色彩轉換。由于x3突出了陰影區域在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，陰影區域對比度明顯增強，有利于進一步陰影提取。

1.2 主成分歸一化法

主成分分析方法能夠對數據降維，減少數據的冗余。對于不同遙感影像，可選取不同的波段進行主成分分析。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個波段，因此對4個波段進行主成分分析。變換后得到的4個特征值從大到小排序，特征值越大，對應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，陰影區域的亮度要比其他地物亮度值更大，有利于進一步的陰影提取。由ENVI分析得到，陰影區域總在第一主成分的兩端，即在正值的極大值處，負值的極小值處。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，陰影區域的信息得到了增強，并且原來處于兩端的陰影區域合并到了一端，更有利于后續的陰影提取。

1.3 YSI陰影指數構建

高分影像通過轉換色彩空間提取Y3分量后，陰影區域的藍光值比紅光和綠光值更大，增強了與其他地物的對比度；遙感影像經過主成分變換后，陰影區域處于第一主成分的2個端點處。通過歸一化，陰影區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，本文提出一種結合Y3分量和第一主成分的陰影指數構建方法。

比值法構建陰影指數的原理是增加強反射波段與弱反射波段之間的差異，從而達到增強感興趣區域的目的[16]。將強反射波段置于分子，弱反射波段置于分母，使感興趣區域的亮度得到增強，而其他地物受到抑制。于是，為了增強陰影區域亮度，同時抑制其他地物的亮度，結合Y3分量和第一主成分構建陰影指數YSI：

(2)

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

1.4 閾值分割與陰影補償

在構建完陰影指數后，可以利用閾值分割方法來劃分陰影與其他地物。許多學者使用OTSU算法進行閾值分割。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，分別計算方差。類間方差越大，說明2類區別越大。OTSU算法被廣泛應用到區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，并且當目標與背景比例懸殊時可能會出現三峰或多峰的情況，無法計算出最佳閾值。如圖4所示的直方圖中，橫坐標表示像元值，縱坐標表示該像元值的個數。

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，噪聲的像元值個數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，導致OTSU算法在計算分割閾值時向左偏移，即計算出的分割閾值偏小，分割效果較差，導致陰影提取效果不理想。

本文使用迭代法計算分割閾值[17]，計算公式如下：

(3)

式中，f(x,y)表示坐標為(x,y)的灰度值；T為分割閾值。

迭代法算法流程：

(1) 設置一個初始閾值T。

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

(3) 分別計算K1和K2中的平均灰度均值，分別記為m1，m2。

(5) 當閾值T與前一個閾值相等時，停止迭代。否則重復步驟(2)～(4)，所得閾值T即為分割閾值。

圖5所示為迭代法計算出的分割閾值。

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，能夠在雙峰直方圖中準確地找到谷底，計算得到分割閾值，效果相較于OTSU更好。

檢測出陰影區域后，本文使用形態學閉運算進行陰影補償[18]。對二值圖像的運算順序是先膨脹再腐蝕。通過濾波器填充后，圖像的凹角能夠對連通域內小面積區域填充，縫合小裂縫，而連通域總體位置和大小不變。通過形態學閉運算，陰影區域內未被檢測到的小面積區域得到補償，陰影區域更加完整。

2 實驗結果與分析

2.1 實驗數據來源

采用4幅700 pixel×700 pixel的高分二號影像進行陰影提取實驗。高分二號包含一個全色波段(波長0.45～0.9 μm)和4個多光譜波段(藍波段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 實驗結果與分析

本文的對比算法為SI陰影檢測算法，計算公式如下：

(4)

式(4)考慮了陰影在B分量中與其他非陰影區域的差別，同時考慮了陰影在R分量與NIR分量區別于植被的特點，通過B、R和NIR三個分量，結合比值法和差值法構建SI陰影指數，對SI指數圖像二值化處理后，手動確定分割閾值實現陰影提取[19]。

本文分別計算高分影像的SI與YSI數值，并比較實驗結果。實驗環境是操作系統Windows 10專業版，python版本3.6，編譯器Visual Studio Code。

圖6為第1次實驗結果圖，圖7為第2次實驗結果圖。圖6(a)、圖7(a)為原始圖像，圖6(b)、圖7(b)為SI算法提取結果圖，圖6(c)、圖7(c)為本實驗算法提取結果圖。

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

(a) 原始圖像

(a) 原始圖像

圖8為第3次實驗結果圖，圖9為第4次實驗結果圖。圖8(a)和圖9(a)為原始圖像，圖8(b)和圖9(b)為SI算法提取結果圖，圖8(c)和圖9(c)為本實驗算法提取結果圖。

圖8(a)和圖9(a)在圖6(a)和圖7(a)圖像中復雜地物基礎上增加了紅色與藍色建筑物。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色與紅色地物的干擾，陰影區域平滑完整，視覺效果較好。

(a) 原始圖像

(a) 原始圖像

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

3 結束語

高分影像的陰影影響影像的質量與觀感，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，能夠在增強陰影區域的同時抑制其他地物，結合主成分分析法，構建了新的陰影指數YSI，實現了陰影閾值的有效分割，陰影補償后的陰影區域邊界清晰、細節完整、形狀規則，且其他非陰影區域的信息未變。實驗結果表明，本文提出的算法不僅能有效解決傳統方法無法區分藍色與紅色地物的難題，而且能夠較為完整地提取陰影區域。