基于阴影概率约束的遥感影像建筑物阴影检测 下载: 979次
1 引言
建筑物阴影普遍存在于高分辨率遥感影像中。阴影的存在造成遥感影像信息量的减少,并引起图像视觉效果的退化,因此需要对其进行检测和去除,以满足高级应用的需求[1]。通过阴影的检测,可以提取建筑物轮廓、高度等信息,拓展图像的应用潜力[2]。因此,高分辨率遥感影像中阴影的检测越来越受到研究者的重视。
现有遥感图像阴影检测方法分为两类,即基于模型和基于阴影特征的检测方法。基于模型的阴影检测方法需要已知传感器参数、太阳高度角、地表数字模型等参数,这类信息在研究过程中不易得到,限制了此类方法的应用。Makarau等[3]提出的黑体辐射模型,利用黑体辐射的物理特性、直射光与散射光的色温不同进行阴影检测;该方法所需的先验信息难以获得,局限性较大。基于阴影特征的阴影检测方法,通过阴影区域和非阴影区域属性上的差异来检测阴影,适用范围广泛,相关研究较多。Tsai[4]提出基于色彩不变特征的阴影检测方法,该方法操作简单,但是当地物影响复杂时,其检测效果会受到影响。杨俊等[5]利用阴影具有低亮度和高饱和度的特征,对饱和度分量和亮度分量设计了双阈值的阴影检测方法;姚花琴等[6]利用主成分(PCA)变换以及阴影区域在红、绿、蓝(RGB)空间阴影的性质进行了阴影检测。Murali等[7]提出一种基于图像LAB空间的阴影检测方法,排除阴影自身亮度对阴影检测的影响,但是对于复杂场景下的阴影检测效果较差。刘辉等[8]基于PCA变换以及色度、色饱和度和强度(HSI)模型,利用阴影指数(SI)区分阴影区域和非阴影区域。Jung等[9]将单高斯概率分布模型与几何特征相融合,以此来进行阴影检测,其局限性在于需要人工分割阈值。Leone等[10]提出了一种自适应背景差分的阴影检测方法,利用阴影区域与阴影覆盖区域纹理特征的相似性区分阴影区域与非阴影区域;该方法的检测过程较复杂,计算时间较长。徐杰等[11]利用K-means聚类算法以及衡量直方图相似度等方法来实现阴影区域检测,得到了较好的阴影检测率,但是由于非阴影区域与阴影区域的颜色相近时,聚类不准确,从而影响影像阴影检测率。艾维丽等[12]提出一种结合区域配对的室外阴影检测方法,离线训练支持向量机分类器,然后在线使用所建立模型检测图像中的阴影,当室外场景简单时效果较好,室外场景复杂时,不能有效检测出阴影。
上述方法在特定的应用条件下均可以进行较为准确的建筑物阴影检测,但是也同样存在以下问题: 1) 影像上的水体和阴影的特征相似,都具有高饱和度与低亮度值的特性[13],当非阴影区域存在大量偏蓝色水体时,容易将阴影区域与水体混淆[14]; 2) 对于阈值亮度高的地物、水体和阴影,利用地物的亮度特性人工判定阈值,并假定所有阴影和水体的亮度值都低于亮度值高的地物,该处理客观性不足[15];3) 当建筑物阴影投射到水体表面时,上述方法很难检测到水体表面的建筑物阴影,存在漏检现象。
本文提出了一种基于PCA变换与HSI空间光谱特征的阴影检测方法,并结合基于阴影概率约束的方法,检测存在水体表面的高大建筑物阴影。通过将该方法与双阈值阴影检测方法和基于SI的阴影检测方法进行对比,可以发现该方法不仅能够检测出存在于地面上的高大建筑物阴影,同时能够成功检测存在于水体表面的高大建筑物阴影,降低非阴影区域的误检率和建筑物阴影漏检率,提高了分类的总体精度和Kappa系数,从而可有效检测高分辨率遥感图像中的高大建筑物阴影。
2 阴影检测模型的建立
根据HSI空间中阴影低亮度、高饱和度的特征,并结合不同地物经过PCA变换后的第一主成分(PC1)值的差异,构建SI;同时结合阴影概率的概念,对水体阴影以及周围水体区域进行阴影概率约束,最终得到完整的阴影检测结果。
2.1 HSI空间阴影特性
HSI空间从人的视觉角度出发,用色度
1)
2)
3)
2.2 阴影的PCA变换
遥感影像经PCA变换后,得到的较少几个波段反映了原始影像大部分的信息,特别是变换后的PC1,其至少包含了原图像90%的信息[18]。PC1特征值对应的是该分量的方差,方差是对比度的度量,PC1具有很高的对比度。经过PCA变换之后,阴影的PC1大于水体的PC1。经PCA变换后图像的对比度增强,水体和阴影的PC1值差异变大。
通过对吉林一号光学A星拍摄的大量存在高大建筑物阴影的遥感图像进行取样,得出以下结论:1) 当图像较亮且存在大量浅色地物时,阴影区域的PC1值为负,阴影的亮度值越低,其PC1值越低,如
图 1. 阴影区域的PC1对比图。(a)天津塔附近浅色地物区域;(b)长春北深色地物区域;(c)图1(a)中红线标注地物的PC1;(d) 图1(b)中红线标注地物的PC1
Fig. 1. PC1 contrast diagrams of shadow area. (a) Light color surface feature area near Tianjin tower; (b) deep color surface feature area in north Changchun; (c) PC1 of area marked by red line in Fig.1(a); (d) PC1 of area marked by red line in Fig.1(b)
通过PCA变换后阴影区域的PC1值接近1,且阴影区域在HSI空间的
式中
2.3 阴影概率约束
根据太阳光线被遮挡的程度,可以将阴影区域分为本影区域和半影区域[19]。如
引入阴影概率的概念后,针对水体中建筑物阴影的检测,将根据阈值阴影指数
式中
式中
式中
式中
式中
式中
得到的结果符合阴影概率的定义,即非阴影区域的像素值为0,半影区域的像素值范围为(0,1),阴影区域的像素值为1。然后进行形态学运算,得到水体中的建筑物阴影,将基于阴影概率约束的水体阴影与基于新阴影指数得到的阴影检测结果取并集,得到最终的阴影检测结果。
3 实验结果分析
为了验证所提阴影检测方法的有效性和优越性,用该方法对吉林一号光学A星(包括全色及多光谱RGB 4个波段,全色分辨率为0.72 m)拍摄的天津塔附近(1280 pixel×1015 pixel)和长春市北(800 pixel×664 pixel)进行研究。天津塔附近除存在于地面建筑物阴影外,还存在于水体中的阴影,地物信息比较复杂。长春北存在水体、裸土、道路、阴影等地物建筑物阴影集群。为了验证该方法的有效性,将该方法分别与双阈值阴影检测方法和阴影指数方法进行对比。
3.1 水体中阴影检测结果
图 4. 基于阴影概率的水体中阴影检测结果。(a)水体阴影;(b)阴影检测结果;(c)形态学阈值结果
Fig. 4. Results of shadow detection in water based on shadow probability. (a) Shadow of water; (b) shadow detection result; (c) morphological threshold result
图 5. 天津塔周围阴影检测结果。(a)原图;(b)双阈值检测方法结果;(c)SI方法检测结果;(d)所提方法结果
Fig. 5. Results of shadow detection around Tianjin tower. (a) Original draft; (b) result of double threshold detection method; (c) result of SI method; (d) result of the proposed method
3.2 高大建筑物阴影检测结果
图 6. 长春北部阴影检测结果。(a)原图;(b)双阈值检测方法结果;(c)SI方法检测结果;(d)所提方法结果
Fig. 6. Results of shadow detection in north Changchun.(a) Original draft; (b) result of double threshold detection method; (c) result of SI method; (d) result of the proposed method
采用4个定量评价指标(误检率
表 1. 天津塔附近3种阴影检测方法的评价结果
Table 1. Evaluation results of three detection methods around Tianjin tower
|
14.65%,误检率分别降低了17.87%和7.52%,总体分类精度分别提高了0.18和0.10,Kappa系数分别提高了0.37和0.15。
表 2. 长春北部3种阴影检测方法的评价结果
Table 2. Evaluation results of three detection methods in north Changchun
|
4 结论
利用PCA变换与HSI空间光谱特征有效消除了暗色地物对于高分辨率遥感影像阴影检测的影响。同时,结合阴影概率约束条件,与文献[ 5]、[8]相比,所提算法能完整提取水体中的高大建筑物阴影,解决了传统阴影检测方法无法完整提取水中高大建筑物阴影的难题。对吉林一号光学A星大量遥感图像进行阴影检测,实验证明所提算法可将误检率和漏检率降低到6%以下,总体分类精度和Kappa系数可达到0.9以上,该算法对于水中高大建筑物阴影检测效果良好。
[1] 王俊, 秦其明, 叶昕, 等. 高分辨率光学遥感图像建筑物提取研究进展[J]. 遥感技术与应用, 2016, 31(4): 653-662.
Wang J, Qin Q M, Ye X, et al. A survey of building extraction methods from optical high resolution remote sensing imagery[J]. Remote Sensing Technology and Application, 2016, 31(4): 653-662.
[2] 陈红顺, 贺辉, 肖红玉, 等. 基于光谱特征的高空间分辨率遥感影像阴影检测[J]. 光学精密工程, 2015, 23(10): 484-490.
Chen H S, He H, Xiao H Y, et al. Shadow detection in high spatial resolution remote sensing images based on spectral features[J]. Optics and Precision Engineering, 2015, 23(10): 484-490.
[5] 杨俊, 赵忠明, 杨健. 一种高分辨率遥感影像阴影去除方法[J]. 武汉大学学报信息科学版, 2008, 33(1): 17-20.
Yang J, Zhao Z M, Yang J. A shadow removal method for high resolution remote sensing image[J]. Geomatics and Information Science of Wuhan University, 2008, 33(1): 17-20.
[6] 姚花琴, 杨树文, 刘正军, 等. 基于QuickBird影像的城市高大地物阴影检测方法[J]. 国土资源遥感, 2015, 27(2): 51-55.
Yao H Q, Yang S W, Liu Z J, et al. A method of shadow detection for city tall ground objects based on QuickBird images[J]. Remote Sensing for Land and Resources, 2015, 27(2): 51-55.
[8] 刘辉, 谢天文. 基于PCA与HSI模型的高分辨率遥感影像阴影检测研究[J]. 遥感技术与应用, 2013, 28(1): 78-84.
Liu H, Xie T W. Study on shadow detection in high resolution remote sensing image based on PCA and HSI model[J]. Remote Sensing Technology and Application, 2013, 28(1): 78-84.
[11] 徐杰, 项文波, 茅耀斌, 等. 基于区域颜色聚类的运动目标阴影检测[J]. 计算机技术与发展, 2016, 26(3): 193-196.
Xu J, Xiang W B, Mao Y B, et al. Moving object shadow detection based on regional color clustering[J]. Computer Technology and Development, 2016, 26(3): 193-196.
[12] 艾维丽, 吴志红, 刘艳丽. 结合区域配对的室外阴影检测[J]. 中国图象图形学报, 2015, 20(4): 551-558.
Ai W L, Wu Z H, Liu Y L. Outdoor shadow detection with paired regions[J]. Journal of Image and Graphics, 2015, 20(4): 551-558.
[13] 周小莉, 郭加伟, 刘琨铭. 基于陆地成像仪影像和主成分分析的水体信息提取--以鄱阳湖区为例[J]. 激光与光电子学进展, 2016, 53(8): 080104.
[14] 帅滔, 张洪艳, 张良培. 面向对象的高分辨遥感影像阴影探测方法[J]. 光子学报, 2015, 44(12): 1228002.
[15] 李大威, 杨风暴, 王肖霞. 基于随机森林与D-S证据合成的多源遥感分类研究[J]. 激光与光电子学进展, 2016, 53(3): 031001.
[16] 邓琳, 邓明镜, 张力树. 高分辨率遥感影像阴影检测与补偿方法优化[J]. 遥感技术与应用, 2015, 30(2): 277-284.
Deng L, Deng M J, Zhang L S. Optimization of shadow detection and compensation method for high-resolution remote sensing images[J]. Remote Sensing Technology and Application, 2015, 30(2): 277-284.
[17] 苏延召, 李艾华, 金广智, 等. 结合直方图反投影的多特征运动阴影检测算法[J]. 光电子·激光, 2014, 25(7): 1395-1402.
Su Y Z, Li A H, Jin G Z. el al. Multi-feature HSItogram back-projection for moving shadow detection[J]. Journal of Optoelectronics ·Laser, 2014, 25(7): 1395-1402.
[18] 徐岩, 韦镇余. 一种改进的交通标志图像识别算法[J]. 激光与光电子学进展, 2017, 54(2): 021001.
Xu Y, Wei Z Y. An improved traffic sign image recognition algorithm[J]. Laser & Optoelectronics Progress., 2017, 54(2): 021001.
[19] 段志刚, 屈靓琼, 田建东, 等. 基于正交分解的室外光照阴影检测[J]. 光学学报, 2016, 36(8): 0815002.
[22] 刘大伟, 韩玲, 韩晓勇. 基于深度学习的高分辨率遥感影像分类研究[J]. 光学学报, 2016, 36(4): 0428001.
[23] 李鹏伟, 葛文英, 刘国英. 基于阴影概率模型的遥感影像阴影检测方法[J]. 计算机应用, 2015, 35(2): 510-514.
Li P W, Ge W Y, Liu G Y. Shadow detection method based on shadow probability model for remote sensing images[J]. Journal of Computer Applications, 2015, 35(2): 510-514.
Article Outline
葛乐, 钟兴. 基于阴影概率约束的遥感影像建筑物阴影检测[J]. 激光与光电子学进展, 2018, 55(4): 041006. Yue Ge, Xing Zhong. Building Shadow Detection of Remote Sensing Images Based on Shadow Probability Constraint[J]. Laser & Optoelectronics Progress, 2018, 55(4): 041006.