城镇阴影区植物分布信息提取与亮度修复的方法

周坚华， 周一凡， 郭晓华， 任 珍

（1.华东师范大学 地理信息科学教育部重点实验室，上海 200062；2.斯坦福大学 地球科学学院能源工程系，CA94305-2220，USA）

城镇阴影区植物分布信息提取与亮度修复的方法

周坚华1， 周一凡2， 郭晓华1， 任 珍1

（1.华东师范大学 地理信息科学教育部重点实验室，上海 200062；2.斯坦福大学 地球科学学院能源工程系，CA94305-2220，USA）

在建筑林立的城镇建成区，其绿化地通常有约20%的植物处于阴影区，为了实现绿化植物群碳捕获模型的全遥感驱动，必须解决的基础性难题之一是分离与提取阴影区植物.为此提出了归一化阴影指数（Normalized Difference Umbra Index，NDUI）的概念.当采用归一化植被指数（Normalized Difference Vegetation Index，NDVI）确定植被范围后，可以通过NDUI进一步分离和提取阴影区植物.为了改善识别效果，还可以在此基础上对阴影区植被进行亮度修复.经过仿真测试，证明该算法具有很好的稳健性.

城镇绿地； 碳捕获； 阴影指数； 亮度修复

0 引 言

提取遥感图像上的阴影信息和进行亮度补偿是遥感图像处理和信息提取研究领域的一个较早引起关注的困难课题.近年来，国内外学者就此提出过一些算法［1－5］.然而，至今尚没有一种通用有效的方法.这主要是因为不同的场景和任务对阴影提取和补偿的要求有较大区别.比如一些研究将阴影考虑为低频信号，如较大山体背阴坡形成的阴影等，此时可以通过低通滤波的方法提取阴影［6］；而对于那些周期性重复、边缘灰度梯度明显的阴影，比如城镇居住小区建筑物形成的阴影等，则适合采用一些对影像纹理敏感的描述符表征它们［7－9］.另有一些研究根据阴影区亮度在各个波段均体现为低值的特性，来区分阴影与暗色调地物［10］.由于遥感影像上每个像素的亮度都是辐射源辐射通量作用于地物反射（包括部分吸收和散射）特性的复杂函数，在光照条件和地物的某些信息（比如太阳高度角、地形坡度、坡向、建筑物高度等）已知的情况下，也有一些研究考虑逐像素直接计算阴影改正值［11－13］.

我们的研究小组一直致力于城镇绿化植物群碳捕获的遥感驱动模型研究.模型的主要驱动参数可以从遥感图像上自动识别和模拟计算得到，比如树种、冠径、株数、郁闭度、阴影遮蔽率等.在这些参数的提取中，一个必须解决的基础性难题是阴影区植物信息的分离与提取.

在景观空间异质度极高的城镇建成区，通常有约20%的植物处于阴影区，即那些对植物形成光线遮挡的建筑物阴影区、高大植物对低矮植物形成的光线遮挡区，以及树冠的本影区；与此相对的是对植被基本没有遮挡的亮区.无论采用何种遥感图像数据，阴影区和亮区植被的反射波谱差异都很大；不仅如此，在阴影区，植物的树种、植株大小和分布等信息均大幅减弱.因此，解决阴影区植物信息提取问题，不仅要求提取植被覆盖范围，而且要求区分植株，即提取乔、灌木的轮廓.本文的研究和实验正是围绕这一要求展开的.

1 方法和数据

这部分将从分析城镇绿化植物群的波谱特征入手，选择适当的植被指数，尽可能完整地提取植被覆盖范围.为了区分亮区和阴影区植被，这里提出了归一化阴影指数NDUI的概念，并通过NDUI和归一化植被指数NDVI联合提取阴影区植被，以及对阴影区植被做亮度修复.下面展开介绍它们的理论和方法.所有测试样本取自上海市1988～2003年1∶5 000～1∶10 000的彩红外航片.

1.1 归一化植被指数和提取植被总覆盖

为了分析城市建成区绿化植物群与背景下垫面的反射波谱特征差异，这里采集植被和其他主要城镇下垫面类型样本的RGB值（分别大致对应景物波谱的IR，R，G值）.众所周知，含叶绿素的健康植物在IR波段具有高反射特性，而在其他两个波段具有强吸收的特点.以下分别用R，G，B，和IR来表示相应的RGB和IR值.树冠无论在亮区和阴影区都有IR≫R和IR≫G；而其他下垫面类型的波谱没有这个特征，通常表现为IR、R、G比较接近.

因此，对于彩红外图像IM（IR，R，G），植被像素集V可以由（1）式获得.

其中，V是图像IM 满足条件IM（IR－G）＞T的子集，该条件也可以写作IM（IR－R）＞T.T为阈值，根据对具体图像的波谱分析给出.

各种植被指数一般都依据（1）式的原理给出.但为了使用方便，通常要求植被指数存在一个比较确定的分割阈值，该阈值与图像类型和获取时的辐射照度水平等环境条件的差异无关.一些归一化植被指数符合这一要求.本文比较了以下三种植被指数提取城镇绿化植物覆盖范围的效果（见图1）.

图1 以代表性植被指数提取城镇绿化植物群覆盖范围的效果比较Fig.1 Effective comparison of extracting urban landscape vegetation by three typical vegetation indexes

由图1可见，使用NDVI提取的植被覆盖范围（包括阴影区植被）比较准确完整.故本文选用NDVI提取城镇绿化植被总覆盖.

对于区分植被覆盖与背景区域，NDVI具有比较确定的分割阈值；此外，它对图像辐照度水平差异不太敏感.图2显示了亮区、阴影区植被和城镇其它主要下垫面类型的NDVI（样本沿横轴排列，样本序号省略未注出，图4同）.由图可见，无论在亮区还是阴影区，植被的NDVI显著大于其它下垫面类型；根据试验，以NDVI＞0.18为条件，可以准确提取植被范围.因为对于其他下垫面类型的样本，在亮区和阴影区都有－0.36＜NDVI＜1.8.

1.2 归一化阴影指数和提取阴影区植被

据前述，NDVI用于提取植被总覆盖非常合理和有效.由于归一化，NDVI对亮区和阴影区的照度水平差不敏感，这有利于从多种下垫面类型中提取植被，却不利于在植被覆盖区域中区分亮区和阴影区.此时需要一个新指数用于阴影区植被分离和提取.

在阴影区植被提取试验中，饱和度S的特殊表现引人注意.S是HSI色彩系统中的分量.该系统以色调H、饱和度S和亮度I表达色彩空间.当以HSI系统分析城镇下垫面的色彩特征时，不难发现在城镇地区，植被覆盖区具有较高的饱和度，而大多数其它下垫面类型，如人工建材表面，表现为消色体，饱和度很低.遥感图像波谱特征分析也能给出类似结论.当将彩红外RGB图像转换为HSI图像，无论在亮区或阴影区，树冠影像具有较高的饱和度；而水泥、沥青等人工建材表面多为消色体，无论在亮区或阴影区，都具有低饱和度特征.与明度I不同，饱和度S在阴影区并不显著下降，有些甚至高于亮区.所以，可以用（S－I）＞T1（T1是以S－I提取阴影区植被时的下限）来判断是否阴影区植被（见图3）.

图2 亮区、阴影区植被以及典型城镇下垫面类型的NDVI比较Fig.2 Comparing NDVI of landscape vegetation and other surface species sampling at darken and bright areas

图3 以S－I提取阴影区植被Fig.3 Extracting plants at darken area of urban landscape vegetation referring the difference between saturation and brightness

与植被指数归一化的原理相似，为了增大亮区、阴影区S－I的差异，以减少对阴影区细小亮度差异的敏感性，本文提出了归一化阴影指数（NDUI）的概念，即

归一化的实质是用可变系数1／（S＋I）对S－I值做非线性拉伸.这里通过亮区和阴影区共140个植被样本，分析了这种拉伸对阴影区树冠提取效果的影响（见图4）.由图可见，亮区和阴影区植被的S－I值差异不显著，阴影区值仅略高于亮区值，一些亮区、阴影区样本甚至出现粘结和相互穿插的情况.所以，直接以S－I来分离阴影区植被效果不佳.但当使用NDUI时，情况有了很大改善.由图4可见，植被的NDUI与S－I在亮区相差不大，但在阴影区，NDUI与S－I的差异显著增大，即亮区与阴影区植被NDUI的差异显著增大.通过分析具体样本，NDUI跳高较多的是阴影区内具有较高饱和度的树冠.这就是使用NDUI可以较好提取阴影区树冠覆盖范围的原因.不仅如此，就像经过归一化的NDVI对亮区和阴影区的照度水平差不敏感一样，经过归一化的NDUI对阳高角变化等全局性的照度变化也不太敏感，这也是使用NDUI的优点之一.

根据试验，可以用NDUI＞0.4来提取阴影区中的树冠.对于图像IM，阴影区树冠范围DV可写作：

1.3 阴影区植被亮度修复

在本文的试验中，阴影区植被亮度修复在前述阴影区植被提取的基础上进行，亮度修复值的计算采用直方图均衡化（Histogram Equalization，HE）方法.

HE是图像增强中普遍使用的算法.它属于基于累计分布函数（Cumulative Distribution Function，CDF）的直方图修正法，其结果是使图像灰度级分布具有均匀概率密度的特点.这里采用HE方法，是为了将阴影区植被的亮度调整到与亮区植被尽可能接近.

本文使用一种称为CLAHE（Contrast-Limited Adaptive Histogram Equalization）的HE算法［17］.CLAHE属于自适应HE，它采用一定尺寸的滑动窗口对每个像素进行局部HE，使每个窗口的直方图接近平坦的目标直方图.这里采用CLAHE，是为了避免由于阴影区植被像素在全图像总像素中的占比较少，而受到压抑.窗口尺寸由阴影区图斑的平均尺寸确定，在本文的实验中，窗口尺寸设为12×12（像素）.

在对整个植被覆盖区域做CLAHE后，以其结果替换阴影区内的相应像素.图5是一些阴影区植被亮度修复的例子，由图可见，修复运算使阴影区植被获得了比较自然和接近亮区植被的色彩.

图4 亮区、阴影区植被S－I与NDUI的比较Fig.4 Taking a comparison between S－Iand NDUI of landscape vegetation sampling at both darken and bright areas

2 分析和讨论

这里着重讨论本文算法的理论依据、使用效果和一些可能引起争议的问题.

2.1 为何NDVI对亮区、阴影区照度水平的差异不敏感

NDVI对植被处于亮区、阴影区不敏感的主要原因，是NDVI对IR－G采用了非线性拉伸.对于阴影区，分子IR－G相对于亮区减小，但同时分母IR＋G也相应减小；而对于亮区，分子相对于阴影区增大，但同时分母也相应增大.所以亮区NDVI并未明显高于阴影区.

区别植被与背景的主要标志是植被的IR－G大大高于其它下垫面类型.但直接使用IRG提取植被效果并不理想.这是因为IR－G对亮区、阴影区的照度水平变化过于敏感.根据对图2中样本的统计，亮区植被的IR－G均值为75.88，相比阴影区的这一值仅为33.16，二者相差56.27%，如果直接使用（IR－G）＞T（T为以IR－G提取植被时的下限）提取植被，可能造成对亮区植被的过提取（植被中含有其它下垫面信息）和阴影区植被的欠提取.

而使用NDVI提取植被的情况很不相同.由于NDVI使用可变系数1／（IR＋G）非线性拉伸IR－G值，对于图2所示的样本，在阴影区，植被的IR－G值比亮区平均降低56.27%的同时，IR＋G值平均比亮区也降低了45.83%.它意味着，二者的比值NDVI仅降低了21.94%，即这种拉伸降低了NDVI对亮区和阴影区照度水平差的敏感性.所以使用NDVI比直接使用IR－G提取的植被覆盖范围更准确和完整，为进一步分离和提取阴影区植被奠定了基础.5

图 阴影区植被提取和亮度修复实例Fig.5 Samples of extracting plants at darken area and repairing their brightness

2.2 分离阴影区植被中使用NDUI和明度I的差别

为了尽可能完整地提取阴影区植被，在使用NDVI提取植被覆盖范围时，可以适当放宽下限，比如放宽到NDVI＞0.16.此时植被覆盖范围中，可能包含了部分阴影区背景，如裸土地、空秃草地等.如果使用明度I＜T2（T2为阴影区明度上限）来提取阴影区植被，提取的植被里会包含这些背景信息；而使用NDUI则不会出现这个问题，因为在彩红外图像上具有足够高饱和度的只能是树冠.图6显示了当取NDVI＞0.16时，以这两种方法提取和修复阴影区植物亮度的差别.

因为I直接反映辐射照度水平，当遥感图像的类型和获取的环境条件不同时，T2值都需要做出相应调整.其次，以一个明度阈值来划分阴影区常常不够准确.试验证明，以I方法检测的边界做阴影区植被亮度修复，修复范围会包括树冠在草地和裸土地上的投影，甚至背光的混凝土墙面和建筑物在混凝土地面的投影等（如图6（c）中箭头标示之处）.而以NDUI＞0.4作为阴影区植被提取条件时（简称“NDUI方法”），只提取了阴影区树冠，并对其进行了亮度修复.在图6（d）中，以红、绿色细线分别标示以I方法和NDUI方法提取的植被阴影区.由图可见，后者并非前者的子集，以I方法提取的阴影区边界，有非植被覆盖区被提取，也有阴影区植被被遗漏；而NDUI方法提取的边界则比较合理，它比较完整地提取了阴影区树冠.

图6 以I方法和NDUI方法进行阴影区植被提取和亮度修复效果的比较Fig.6 A case of extracting plants at darken area referring both Iand NDUI and repairing brightness of these plants

2.3 算法的稳健性和实用性分析

在阴影区植被提取算法中使用了两个阈值：0.18（以NDVI＞0.18提取植被总覆盖）和0.4（以NDUI＞0.4提取阴影区植被树冠，该阈值根据实验数据归纳得到）.下面讨论这两个阈值的稳定性.

NDVI对辐射照度水平的差异不太敏感，所以提取植被覆盖范围的阈值具有较好的稳定性.比如图2的样本取自两个年份不同季节的4张彩红外航片，证明该阈值对时间和季节变化具有较好的适应性.从相关报道来看，该阈值也与遥感图像的类型无关，如张友水使用IKONOS多光谱图像，以NDVI＞0.18提取城镇绿地植被覆盖效果很好［18］，说明该阈值对不同类型的遥感图像也具有稳定性.

在HSI彩色系统中，饱和度S是对辐射照度水平最不敏感的分量.而明度I却正相反；所以用差值S－I来提取阴影区植被非常合理；但S－I对阴影区亮度水平的细小差异依然敏感.而NDUI通过归一化进一步加大了亮区和阴影区植被的差异，而使NDUI对阴影区亮度水平的细小差异不敏感，同时也使阈值0.4对阴影区亮度水平的细小差异不敏感.图4中的140个样本取自两个年份不同季节的6张彩红外航片，证明该阈值对时间和季节变化，以及阴影区亮度水平的细小差异具有较好的稳定性.

本文算法的稳健性也从阴影区植被的提取实例中得到了证实（参见图5和图6）.

从实用性来看，本文的算法除了能为城镇绿化植物群碳捕获模型的遥感驱动提供必须的基础数据外，还有可能服务于需要分离、提取和修复阴影区植被亮度的任何应用领域.在实际应用中，可以结合使用I方法和NDUI方法分离和提取阴影区植物.可以用I方法提取整个阴影区绿地范围，以帮助定量一些植物生长的环境压力参数，如遮蔽率等.同时用NDUI方法提取阴影区树冠边界，并对其进行亮度修复，以帮助树冠的定性和定量信息提取，如统计株数、计算冠径、识别树种和计算树冠郁闭饱和度等.

3 结 论

本文提出了归一化阴影指数NDUI的概念以及城镇地区阴影区植被提取和亮度修复的算法.经过样本统计分析和遥感图像实例测试，证明该算法具有很好的稳健性.该算法以归一化植被指数NDVI确定植被总覆盖，和以NDUI分离和提取阴影区树冠.在阴影区植被提取中，通过“I方法”与“NDUI方法”的比较，证明前者对提取阴影区植被总覆盖有帮助；后者对于阴影区树冠提取性能优异.所以，可以根据需要选用适当的方法.当强调提取整个阴影区绿地范围时，比如自动计算阴影区遮蔽率等，使用I方法比较有效，但需要针对遥感图像类型和获取的环境条件等做统计分析来确定I的阈值，还需要防止阴影区过提取问题.当侧重于单植株分析时，比如要求自动统计株数、计算冠径、识别树种和计算树冠郁闭饱和度等，则NDUI方法有无可替代的优势.本文还通过亮度修复试验，证明对于阴影区植被采用自适应直方图均衡化亮度修复，能获得比较自然和接近亮区植被的色彩.同时这个试验也直观地显示了I方法和NDUI方法在提取对象和范围上的显著差别.

［1］ TSAI V J D.A comparative study on shadow compensation of color aerial images in invariant color models［J］.IEEE Transactions Geoscience and Remote Sensins，2006，44（6）：1661-1667.

［2］ YOUNG S D，KAKARLAPUDI S，UIJT DE HAAG M.A shadow detection and extraction algorithm using digital elevation models and x-band weather radar measurements［J］.International Journal of Remote Sensing，2005，26：1531-1549.

［3］ SARABANDI P，YAMAZAKI F，MATSUOKAV M，et al.Shadow detection and radiometric restoration in satellite high resolution images［C］／／Proceedings of the IEEE International Geoscience and Remote Sensing Symposium.Anchorage，AK：［s.n.］，2004（6）：3733-3747.

［4］ FINLAYSON G D，HORDLEY S D，DREW M S.Removing Shadows from Images［M］.Berlin：Springer Verlag，2002.

［5］ AKIRA S，AKIO S，HIROYUKI A，et al.Dynamic shadow compensation of aerial images based on color and spatial analysis［C］／／The International Conference on Pattern Recognition（ICPR’00）.Barcelona：［s.n.］，2000（1）：317-320.

［6］ 王树根，郭泽金，李德仁.彩色航空影像上阴影区域信息补偿的方法［J］.武汉大学学报：信息科学版，2003，28（5）：514-516.

WANG S G，GUO Z J，LI D R.Shadow compensation of color aerial images［J］.Geomatics and Information Sci-ence of Wuhan University，2003，28（5）：514-516.

［7］ 何凯，赵红颖，刘晶晶，等.基于分形及纹理分析的城市遥感影像阴影去除［J］.天津大学学报，2008，41（7）：800-804.

HE K，ZHAO H Y，LIU J J，et al.Shadow removal of city’s remote sensing image based on fractal and texture analysis［J］.Journal of Tianjin University，2008，41（7）：800-804.

［8］ 许妙忠，余志惠.高分辨卫星影像中阴影的自动提取与处理［J］.测绘信息与工程，2003，28（1）：20-22.

XU M Z，YU Z H.Automated extraction of shadow in very-high resolution spatial satellite images［J］.Journal of Geomatrics，2003，28（1）：20-22.

［9］ DARE P M.Shadow analysis in high-resolution satellite imagery of urban areas［J］.Photogrammetric Engineering and Remote Sensing，2005，71：169-177.

［10］ 李存军，刘良云，王纪华，等.基于主成分融合信息失真的城市IKONOS影像阴影自动提取研究［J］.武汉大学学报：信息科学版，2008，33（9）：947-950.

LI C J，LIU L Y，WANG J H，et al.IKONOS shadow extraction in urban region based on principal component fusion information distortion［J］.Geomatrics and Information Science of Wuhan University，2008，33（9）：947-950.

［11］ 李先华，刘顺喜，黄薇，等.月球表面遥感图像阴影消除及其信息恢复研究［J］.应用光学，2009，30（3）：423-426.

LI X H，LIU S X，HUANG W，et al.Shadow removal and information recovery for remote sensing images of lunar surface［J］.Journal of Applied Optics，2009，30（3）：423-426.

［12］ 高龙华.基于 Quickbird影像的阴影校正模型研究［J］.重庆邮电学院学报，2005，17（2）：226-229.

GAO L H.Research into the shadow emendation model based on Quickbird image［J］.Journal of Chongqing University of Posts and Telecommunications，2005，17（2）：226-229.

［13］ 李先华.遥感信息的地形影响与改正［J］.测绘学报，1986，15（2）：102-109.

LI X H.A radiometric correction of relief disturbances in the remote sensed data［J］.Acta Geodaetica et Cartographica Sinica，1986，15（2）：102-109.

［14］ LIU H Q，HUETE A R.A feedback based modification of the NDVI to minimize soil and atmospheric noise［J］.IEEE Transactions Geoscience Remote Sensing，1995，33：457-465.

［15］ HUETE A R.A soil-adjusted vegetation index（SAVI）［J］.Remote Sensing Environment，1988，25：295-309.

［16］ GAO X，HUETE A R，NI W.Optical-biophysical relationships of vegetation spectra without background contamination［J］.Remote Sensing Environment，2000，74（3）：609-620.

［17］ STEFANOYIANNIS A P，COSTARIDOU L，SKIADOPOULOS S.A digital equalization technique improving visualization of dense mammary gland and breast periphery in mammography［J］.European Journal of Radiology，2003，45：139-149.

［18］ 张友水，冯学智，都金康，等.IKONOS影像在城市绿地提取中的应用［J］.地理研究，2004，23（2）：275-280.

ZHANG Y S，FENG X Z，DU J K，et al.The applications of IKONOS images in the extraction of urban landscape vegetation［J］.Geographical Research，2004，23（2）：275-280.

Methods of extracting distribution information of plants at urban darken areas and repairing their brightness

ZHOU Jian-hua1， ZHOU Yi-fan2， GUO Xiao-hua1， REN Zhen1

（1.Key Laboratory of Geographical Information Science，Ministry of Education，East China Normal University，Shanghai 200062，China；2.Department of Energy Resources Engineering，School of Earth Science，Stanford University，CA94305-2220，USA）

In the urban built-up areas with densely high-rising buildings，about 20%of landscape vegetation is growing at darken areas shaded by buildings or other higher plants.In order to drive a model of measuring captured carbon by remote sensing，one of the puzzles to be solved firstly is to separate and extract those plants at darken areas.So a new conception of NDUI（Normalized Difference Umbra Index）has been put forward here.With NDUI，the total area of landscape vegetation is extracted from an infrared remote sensing image by means of NDVI（Normalized Difference Vegetation Index），and then the plants at darken areas are separated from the total area through another segmentation threshold referring to NDUI.These separated plants at darken area can be enhanced with an algorithm of repairing brightness.It is demonstrated by experiments that the algorithm proposed here can work robustly to meet the requirement.

urban landscape vegetation； captured carbon； NDUI（Normalized Difference Umbra Index）； repairing brightness

TP79；TP751.1

A

10.3969／j.issn.1000-5641.2011.06.001

1000-5641（2011）06-0001-09

2010-08

国家自然科学基金（40671177，41071275）

周坚华，女，副教授，研究方面为图像识别、生态遥感.E-mail：jhzhou＠geo.ecnu.edu.cn.