基于光谱特征的遥感影像阴影遮挡道路提取方法研究

陈国庆　韦春桃　陈奕州

摘 要：针对遥感影像中如何在保证道路信息提取准确度的同时也能保证其完整性这一问题，提出综合指数阴影检测算法和基于改进的灰度世界阴影补偿算法来提取阴影遮挡道路。首先，利用综合阴影检测算法得到较为精确的阴影检测图像；根据阴影检测结果图，利用改进的灰度世界阴影补偿算法对阴影区域进行补偿，得到道路面阴影与周围环境阴影区域存在差异的图像。其次，利用分割算法实现阴影道路区域的分割；将其与ISODATA聚类算法分割的非阴影道路区域进行合并。最后，利用几何权重连通性分析模型进行非道路区域的滤除。结果表明：该方法可以很好地保证道路提取的準确性和质量，适用于多种不同场景的阴影遮挡道路提取。

关键词：阴影检测；阴影补偿；道路提取；几何权重连通性分析模型

中图分类号：TP751 文献标志码：A文章编号：1673-5072（2023）04-0424-07

随着遥感卫星技术的不断更新，遥感影像的分辨率实现了由低到高的转变，也有了更加丰富的影像信息，但阴影现象的影响也变得尤为突出，特别是在道路提取过程中受房屋、树木等遮挡，不能完整地提取道路，所以解决该问题对遥感信息的应用非常重要［1］。

阴影检测方法有以下两种，其一是基于几何模型的检测方法，但该方法相关参数获取度大、复杂度高，故局限性也大［2］；另一种检测方法是根据阴影区域和非阴影区域的属性进行分别，比如光谱、纹理以及几何特征等。虢建宏等［3］提出基于遥感影像直方图阈值来检测并提取多个波段阴影区域；Mostafa等［4］构建了结合主成分分析的第一主成分和多光谱波段的阴影检测指数，实验影像的阴影区域较其他区域会得到较大的指数，从而可以运用阈值分割方法得到阴影区域，该阴影检测方法能很好地区分阴影与植被区域，但还是存在深色地物的误检问题。许多阴影区域检测方法容易将植被、蓝色以及深色非阴影区域地物错误地检测为阴影区域［5］。关于

遥感影像阴影补偿方法，杨俊［6］结合阴影投射方向，对阴影区域进行光照特征补偿，在不改变阴影区域特征信息的前提下进行阴影去除。林宗坚等［7］分析阴影区域与非阴影区域直射光的差异，提出了阴影成像模型的补偿方法。Yang等［8］在改进Wallis原理的基础上，设计了一种新的阴影自动补偿框架，其中包含了强度系数和拉伸系数，可以更有效地增强对比度和亮度。

在遥感影像处理中，阴影遮挡道路的问题目前没有普适性强的方法，而且目标提取研究也相对较少。Hu等［9］提出一种基于“桥接”模型算法，能有效减少因道路遮挡而提取不完整的现象，但对复杂场景的影像存在一定缺陷；王卓等［10］提出的改进U-Net网络方法在道路提取的准确性上有提高，但对于场景复杂的、有阴影遮挡的道路提取结果欠佳。

综上，本文提出综合指数阴影检测算法和基于改进的灰度世界阴影补偿算法来提取阴影遮挡道路。通过综合阴影检测算法，得到阴影检测结果图，然后对阴影区域进行抑制蓝色分量和改进的灰度世界阴影补偿算法进行补偿，可以有效减少传统的直方图匹配算法产生的植被区阴影等斑块的干扰，从而提高阴影道路的完整性。

1 研究方法

1.1 技术路线与图像预处理

1.1.1 技术路线

本文数据使用2017年由Inria发布的公开数据集，采集自0.3 m分辨率的遥感影像［11-12］。将遥感影像分为阴影道路提取和非阴影道路提取，其中阴影道路区域先利用综合的阴影检测指数得到阴影检测图，然后将其进行阴影补偿，最后对补偿后跟周边地物有一定区别的道路进行分割，再与ISODATA聚类算法分割的非阴影道路结合，对道路候选区域进行几何权重连通性分析模型处理，最后得到道路提取结果。本文技术流程如图1。

1.1.2 图像预处理

对原始图像进行线性拉伸，以提高影像清晰度，突出所需信息，利于进一步处理和分析。如图2、图3所示，原始影像整体偏暗，因此采用基于灰度直方图的线性拉伸，这样处理使显示效果发生了变化，亮度得到提升，影像变得更加清晰，道路区域与周边背景区域的差异得到增强，且像元值没有任何改变。

1.2 阴影道路区域提取

1.2.1 阴影区域检测

阴影区域中各分量亮度都会有所下降，其中红色分量会急剧减少，绿色分量次之，而蓝色分量保留较多。为了增大阴影与非阴影区域的差异，提出归一化蓝红分量指数（NBRI）［13］，定义如下：

其中，NBRI指数取值为［-1，1］；B、R分别为蓝色分量、红色分量。NBRI值越大，说明该区域蓝色光比例越大，越可能是阴影区域。但由于蓝色地物在所属光谱值中蓝色分量较大，从而蓝色地物的NBRI值也较大。

在HIS颜色模型中，由于阴影区域被树木、建筑物等遮挡了太阳光，所以亮度值更低，饱和度更高，色调值更大，阴影区域接近于黑色。因此提出基于HIS颜色空间的归一化阴影指数（SI），定义如下：

其中：H和I分别是HIS中的色调和强度，SI指数越大阴影区域的值越大，但深色地物与植被具有相似的特性，从而植被的SI值也会很大。

根据2个阴影检测指数的特性，结合2者可以得到更加精确的阴影检测结果。

1.2.2 阴影区域补偿

颜色的恒常性就是让计算机也具有人类视觉系统的功能，在不同光源的照射下还原图像本来的颜色，故需要选择合适的颜色平衡（校正）算法［14］。灰度世界算法是基于图层特征的颜色恒常算法，本文结合抑制算法［15］和改进的灰度世界算法进行阴影区域的补偿，可以增大道路区域与周边地物的差异，以便后续阴影道路的提取。

首先，对遥感航空影像进行阴影检测，将影像分为阴影区域Si（x，y）和非阴影区域NSi（x，y）两幅图像，先对Si（x，y）的蓝色分量进行抑制，再分别估算阴影区域与非阴影区域的光照强度和颜色。

式中，λ为颜色调整参数。

其次，根据计算得到的光照颜色对阴影区域进行补偿。定义如下：

式中，k（S）代表阴影区域的光照颜色，k（NS）代表非阴影区域的光照颜色；S（x，y）代表阴影区域影像，NS（x，y）代表非阴影区域影像；a为固定的常数，p代表明可夫斯基范式中的指数参数，可以取［1，∞］内的任意整数；S（x，y）表示影像与高斯滤波G卷积，G为3×3模板。

根据以上的公式的运算结果，通过式（6）对影像阴影区域图像进行校正，可以达到阴影补偿的目的。

1.3 非阴影道路区域提取

一般道路多呈线状，纹理较均匀，光谱相似度较高。利用非监督分类的方法可以在没有先验知识的情况下使用光谱信息对影像进行分类。ISODATA算法即迭代自组织数据分析算法［14］，是常用的非监督分类方法，该算法与K-mean聚类算法相比对初始中心的选取影响较小，聚类效果更好［18］，所以本文选取ISODATA聚类算法进行非阴影道路的分割。

1.4 非道路区域滤除

1.4.1 几何权重连通性分析模型

道路提取的困难不仅在于阴影遮挡，还在于要把潜在的道路区域与非道路区域的影像进行分离。针对以上情况，采用几何权重连通性分析模型对道路候选区域结果加以分析，该模型充分考虑了道路区域的几何信息和纹理信息。将影像局部的方差作为纹理信息，几何特征则使用改进的长宽比指数来计算，从而构造几何权重连通性分析模型，该模型要分别满足阈值T1和T2，可表示为：

式中，Ni为长宽比指数值；Te为面积权重值；GW为几何权重连通性模型值；L为连通区对象的外接矩阵的对角线长度；S为连通区对象的面积；Amax为最大连通区域对象的面积；ai为第i个连通对象的面积；σi为第i个连通对象的方差。

利用几何权重连通性模型将非道路区域剔除，已知道路区域线性特征明显，故通过长宽比公式来设定阈值，当研究区域的长宽比大于给定阈值时，则认为该区域为道路，反之则认为不是，予以剔除。选用方差作为纹理特征，当被选区域的纹理均匀时，方差就小，反之方差就越大。道路区域是互相连成一个线状结构的，因此遥感影像中的道路区域具有连续性，所以道路区域的面积相对较大，故选用Amaxai作为权重，自适应地将小面积区域的权重加大，从而筛选道路区域。

2 结果与分析

2.1 实验结果

实验1。选取1 956像素×1 941像素带有蓝色地物及植被（红色框）的遥感影像（图4a），该影像场景包括了蓝色地物、植被、房屋、道路等。

首先将阴影检测结果通过Otsu算法进行阈值分割得到二值化的阴影检测图像。如图4b所示，NBRI指数会将蓝色地物检测出来，但在植被检测中表现较好；SI指数在检测蓝色地物时表现较好，但在植被检测中会出现误检情况（图4c）。本文将两种阴影检测指数相结合得到图4d，蓝色地物和植被都被成功去除，得到了较为精确的阴影检测图。

实验2。选取1 850像素×1 841像素道路阴影的遥感影像（图5a），该影像是植被遮挡光线产生的阴影区域，其中包含了道路区域以及周边的植被区域。

通过对遥感影像进行阴影检测（图5b），将遥感影像分解为阴影图像与非阴影图像两幅图像，首先对阴影图像进行蓝色分量抑制，然后再利用提出的阴影补偿算法进行阴影补偿，从而增大道路区域与周边地物的差异（图5c）。本文采用高效的分割算法——Lazy Snapping算法［16］，将突显的道路区域作为前景，其余视为背景，结合该算法对阴影道路区域进行分割，得到被阴影遮挡的道路区域（图5d）。

实验3。为了更加直观地验证本文方法的优劣，从定性和定量两个方面来验证，其中定量评价的3个指标为完整率（C1）、正确率（C2）、和质量（C3），计算公式如下：

式中，TP表示正确提取的道路像元个数；FN表示漏提的道路像元个数；FP表示误提的道路像元个数。

选取4 642像素×2 950像素的郊区影像和3 104像素×2 788像素的城市影像对本文的方法加以验证。图6a包含房屋、房屋前的院子和被树木阴影遮挡干扰的道路；图6b影像中为城市道路，场景复杂，地物信息多，路面不仅有许多车辆遮挡，还有建筑物阴影的遮挡，存在多种因素的干扰。

首先对遥感影像利用ISODATA算法進行非监督分类，其中分类类别为5～6类，最小类间距为5，得到分类后的影像，选择类别聚类中心光谱值与道路光谱值最接近的两类为初始道路结果，以此得到郊区与城市非阴影的道路区域。

对于郊区道路阴影遮挡区域，通过综合阴影指数检测出阴影图像，得到基于RGB空间的阴影图像，先选取λ=0.7以抑制蓝光分量，然后结合本文提出的阴影补偿算法增大阴影道路区域与周边地物的区别，基于Lazy Snapping算法分割的道路更加贴合原道路区域，再将两者结合得到道路候选区域，最后利用几何权重连通性分析模型进行非道路剔除，其中长宽比指数阈值设置为18，大于该阈值的被认为是道路保留；面积权重阈值设置为55，小于该阈值的被认为是道路保留。本文得到的结果与传统的直方图匹配算法对比结果显示（图7，图8），直方图匹配算法提取的道路会误提阴影遮挡的其他地物，难以消除非道路面阴影对道路提取带来的干扰。由表1可知，虽然本文算法在郊区道路的完整率上略低于直方图匹配，但在正确率和综合质量上都远高于直方图匹配算法。

城市道路影像提取时，由于道路停放车辆较多，因此道路上出现许多细小阴影被检测出来，将ISODATA算法分割出来的非阴影道路区域使用形态学算法先行处理；在道路影像处理中，长宽比指数阈值设置为8，面积权重阈值设置为45，λ=0.7，城市道路受植被、汽车及材质相似的房屋等因素的干扰，道路区域没有清晰的边界，致使本文方法提取道路的正确率只有80.790%，但完整率可达到92.453%。

本文方法在两种场景的检测质量上都约高于直方图匹配方法13%，正确率也提高了10%以上，从定性和定量两个方面验证了本文方法的优势，故本文道路提取结果取得了较好的效果，对遥感影像信息的应用有一定的参考与借鉴。

3 结论与展望

本文针对遥感影像中如何在保证道路信息提取准确度的同时也能保证其完整性这一问题，提出结合综合指数阴影检测算法和基于改进的灰度世界阴影补偿算法来提取阴影遮挡道路。首先，针对NBRI指数误检蓝色地物和SI指数误检植被等缺点，提出本文阴影检测算法，得到较为精确的阴影检测图像；根据阴影检测结果图，在阴影区域中利用综合阴影指数进行阴影检测，利用Otsu阈值分割方法，得到阴影检测图像；将得到的阴影图像进行蓝色分量抑制，再用改进的灰度世界算法进行阴影补偿，扩大道路与周边地物的差异，借助Lazy Snapping算法实现阴影道路的提取；对预处理影像进行ISODATA聚类分割，选取与道路光谱值最接近的两类为初始道路结果，以此对遥感影像进行道路粗提取；最后将提取的阴影区域和非阴影区域进行结合得到道路候选区域，再利用几何权重连通性模型进行非道路区域的滤除。

本文算法在郊区和城市两种不同场景进行实验，最后检测质量都能达到70%以上，获得道路区域精度较高，有效地提高了道路的准确性和完整性，且在阴影遮挡区域提取设置的阈值较少，可以辅助于道路导航、城市规划以及地理信息库的更新等方面。然而，本文的阴影检测算法虽然结合两种阴影指数算法，但对于深色地物还是存在误检情况。本文提出的阴影道路补偿算法在复杂环境下的表现欠佳，后续的研究将针对复杂场景阴影区域补偿算法做进一步的研究。

参考文献：

［1］ 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.

［2］ 方菊芹.遥感影像阴影检测与去除算法研究［D］.重庆：西南交通大学，2014.

［3］ 虢建宏，田庆久，吴昀昭.遥感影像阴影多波段检测与去除理论模型研究［J］.遥感学报，2006，10（2）：151-159.

［4］ MOSTAFA Y，ABDELHAFIZ，A.Accurate shadow detection from High-Resolution satellite images［J］.IEEE Geoscience and Remote Sensing Letters，2017，14（4）：494-498.

［5］ 董胜光.顾及阴影补偿的高分辨率遥感影像对象级稀疏表示分类［D］.长沙：湖南师范大学，2019.

［6］ 杨俊，赵忠明.基于归一化RGB色彩模型的阴影处理方法［J］.光电工程，2007，32（12）：92-96.

［7］ 林宗坚，任超锋，姚娜，等.一种航空影像阴影补偿方法［J］.武汉大学学报（信息科学版），2013，38（4）：431-435.

［8］ YANG Y，RAN S，GAO X，et al.An automatic shadow compensation method via a new model combined Wallis Filter with LCC Model in high resolution remote sensing images［J］.Applied Sciences，2020，10（17）：5799.

［9］ HU H，LIU Y，WANG X，et al.Road extraction in remote sensing images using a new algorithm［C］//International Conference on Intelligent Information Hiding and Multimedia Signal Processing.IEEE，2008

［10］王卓，闫浩文，禄小敏，等.一种改进U-Net的高分辨率遥感影像道路提取方法［J］.遥感技术与应用，2020，35（4）：741-748.

［11］MAGGIORI E，TARABALKA Y，CHARPIAT G，et al.Can semantic labeling methods generalize to any city？The inria aerial image labeling benchmark［C］//International Geoscience and Remote Sensing Symposium （IGARSS）.IEEE，2008.

［12］MAGGIORI E，TARABALKA Y，CHARPIAT G，et al.Can semantic labeling methods generalize to any city？The inria aerial image labeling benchmark［EB/OL］.（2017-10-14）［2022-02-07］.https：//project.inria.fr/aerialimagelabeling/.

［13］陳红顺，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［C］.中科院长春光机所，《光学精密工程》编辑部.2015光学精密工程论坛论文集.2015：495-501.

［14］张海霞，卞正富.遥感影像植被信息提取方法研究及思考［J］.地理空间信息，2007，5（6）：65-67.

［15］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.

［16］LI Y，SUN J，TANG C K，et al.Lazy snapping［J］.ACM Transactions on Graphics，2004，23（3）：303-308.

［17］陈平生.K-means和ISODATA聚类算法的比较研究［J］.江西理工大学学报，2012，33（1）：78-82.

［18］赵书河.高分辨率遥感数据处理方法实验研究［J］.地学前缘，2006，13（3）：60-68.

Extraction Method of Shadow Occlusion Roadsfrom Remote Sensing Images Based on Spectral Features

CHEN Guo-qing，WEI Chun-tao，CHEN Yi-zhou

（School of Civil Engineering，Chongqing Jiaotong University，Chongqing 400041，China）

Abstract：Aiming at the problem of ensuring the accuracy of road information extraction and its integrity in remote sensing images at the same time，a comprehensive exponential shadow detection algorithm and an improved Grey-world shadow compensation algorithm are proposed to extract shadow occlusion roads.First，the comprehensive shadow detection algorithm is adopted to obtain a more accurate shadow detection image and the improved Gray-world shadow compensation algorithm is employed to compensate the shadow area in accordance with the shadow detection result map，obtaining the difference image between the shadow of road surface and the shadow area of surrounding environment.Secondly，the segmentation algorithm is utilized to achieve the segmentation of the shadow road area，which is then merged with the non-shadow road area segmented by ISODATA clustering algorithm.Finally，the non-road area is filtered out by the geometric weight connectivity analysis model.The results show that this method has better performance in ensuring the accuracy and quality of road extraction，applicable to road extraction in a variety of different scenes.

Keywords：shadow detection；shadow compensation；road extraction；geometric weight connectivity analysis model

收稿日期：2021-09-16基金項目：重庆市基础科学与前沿技术研究专项重点项目（cstc2015jcyj BX0023）；桂林市科学技术研究开发项目（20190601）

作者简介：陈国庆（1996—），女，硕士研究生，主要从事摄影测量与遥感理论应用研究。

通信作者：韦春桃（1968—），女，教授，主要从事摄影测量与遥感理论应用研究。E-mail：269276944@qq.com

引文格式：陈国庆，韦春桃，陈奕州.基于光谱特征的遥感影像阴影遮挡道路提取方法研究［J］.西华师范大学学报（自然科学版），2023，44（4）：424-430.［CHEN G Q，WEI C T，CHEN Y Z.Extraction method of shadow occlusion roads from remote sensing images based on spectral features［J］.Journal of China West Normal University （Natural Sciences），2023，44（4）：424-430.］