遥感影像中阴影检测应用

白 杰

（吕梁职业技术学院，山西 孝义）

地物造成了光线的阻隔，于是就有了阴影绰绰的影子。为此，有些位置在图像中呈现出较暗的图像素值区域，称为图像的阴影区域。

1 测区概括

左权县的地形高度差异显著，同时广泛分布的高大乔木和一些新建区的高大建筑物导致农村土地使用权确认的航空摄影图像中存在诸多阴影区域。这种现象在地类识别和权属界限的精确界定中造成了显著挑战。因此，我们需要研究并建立一种检测方法，用于在遥感影像前处理中准确辨识和剔除这类阴影区域，从而提高遥感影像在该类地形起伏较大的区域的地类识别精度和权属界限划定的准确性[3]。准确地鉴别地物以及精准地划定所有权属边界，对于高质量完成全县农村土地确权任务来说，具有举足轻重的学术价值[4]。因此，本研究的结果对于遥感影像上阴影区地物的精确定性、土地权属界限的准确划定以及植被覆盖研究等多个领域，均具有深远的影响。

2 遥感影像阴影检测方法的原理与现有算法

2.1 遥感影像阴影的特性

之所以会形成阴影，是由于地面物体对光源的遮挡而形成的，这种现象在自然界中广泛存在，是遥感图像的一种常见特征[2]。从基本原理出发，可见光和红外遥感影像中的阴影可以根据其形成原因主要分为两类：本影和投射影[8]。所谓本影和投射影，其实是可以区别对待的，所谓本影和投射影[1]是可以区别对待的，本影指的是当一个光源照射到某个物体时，该物体上没有被光源直接照射到的那部分。这部分区域之所以被称为本影，是因为它被“本”光源所“影”盖住了。本影没有被光线直接照射到光源照射到物体上的部分[5]。投影阴影的本质是一种光学现象，它源于物体对光线的遮挡，从而在地面上形成物体的影子[6]。这种现象在摄影领域中也有所体现，当光线照射到物体并被阻挡时，会在像片上形成相应的图像。这些图像与物体的形状、大小以及它与光源之间的距离有关；投影阴影的本质是光线被物体遮挡光的投射影分为两种[7]：全影和半影。全影指完全无光的区域，半影则指在这些区域内呈现渐变效果的局部有光的区域。我们可以根据图1 来归类阴影。

图1 阴影的分类

要处理的影像区，其实就是一个投影影像区，用来做遥感的领域。如图1 是分类介绍Shadow（Shadow）。

2.2 遥感影像阴影检测算法

提取识别形象轮廓是只要提取形象轮廓，就能探测出形象的阴影区域；但是，要想获得影像区内的地物信息，除了对影像区进行探测外，还必须对影像区内的地物进行除影工作，才能恢复航测高分辨率影像区内阴影的地物纹理。由此可知，人员测绘通过仪器无人机航测出遥感影像区域内的阴影部分，为后续处理无人机航测遥感影像内的纹理信息提供依据。

国内外学者研究过多种阴影检测的办法，归纳起来分为基于模型(模型)的探测(发现)和基于算法(算法)的探测(发现)两大类[9]。

一是以模型为基础的检测方法建立模型，根据已知条件和信息对阴影区域进行测算。这些条件包括相关信息，如光源、日光照射角度和卫星接收器等[12]。

二是基于算法的检测方法。

3 数据来源与研究方法

3.1 研究数据来源

本文研究采用的数据是来自于晋中市农村土地确权所使用的比例尺为1:2000 部分无人机航测遥感影像，无人机航测遥感影像资料数据所获取时间为2015 年5月至7 月。

3.2 研究方法

研究阴影检测算法，以IHS 色彩空间、黑体辐射、直方图为基础进行实验分析。在这篇研究区域中，设计出一种适用于阴影探测的算法，并验证这种算法。我们可以构建相应的检测算法，针对阴影区域，如颜色、亮度和灰度值等。在检测过程中，这种基于算法的方法是很实用的[10]。主要采用以阴影特性为基础的方法，以发展遥感影像的阴影探测算法为主要着眼点。我们基于HSV-C1C2C3 彩色模型设计了检测阴影的算法，通过该算法对阴影区域进行轮廓提取[11]。经验证，本研究范围内适用本方法，见图2。

图2 根据HSV-C1C2C3 彩色模型的ShadownDetection算法

4 基于HSV-C1C2C3 色彩空间的阴影检测算法

4.1 算法的原理

光度色彩不变量理论表明，物体表面的颜色不会发生变化，无论从哪个角度观察，无论何种光照条件，无论物体表面的性质如何。因此，它在相关领域起着至关重要的作用，如物体识别、彩色图像搜索和彩色复原等。分析发现，C1C2C3 空间在实验结果中有利于影子探测获得更好的结果。

本文所研究的区域采用了航测遥感影像进行土地所有权确认。然而，在分析过程中发现，部分航测影像上存在阴影区域。这些阴影区域对影像数据的处理产生了影响，使提取影像的一些重要信息受阻，丢失在阴影区域内，其中包含了地物地貌的几何信息、色彩信息以及地物表面的纹理信息等等，这些信息都会影响图像数据的处理，Salvador 等[14]也曾建立了基于C3 通道阴影检测的方法，利用色彩空间的颜色不变的特性。具体步骤影像阴影区域侦测算法包含以下几个方面的内容：

（1） 先将需要处理的航测原始图像从RGB 色彩空间经数学变换公式变换为C1C2C3 色彩空间，再由图像处理为C1C2C3 色彩空间中的图像，得到其中的单波段灰度图，即C3 声道分量图像。

（2） 通过上一步得到的C3 通道分量信息，可以在软件算法中的滤波器中使得影像边缘受到平滑分量的影像，滤波器一般采用的模板为3×3 的模板。

（3） 经过上一步平滑得到的影像分量，可以根据其影像中的像素点之间的距离，来计算其影像阴影区域周围的方差均值，以此通过获取的方差均值来得到阈值的确定值，由此根据所确定的阈值确定阴影区域的轮廓的大小。

（4） 获取阴影检测的结果。

这样的算法能够对一些简单的阴影地带进行有效的检测；由于航测影像中的地物具有多样性，因此，在进行上述C3 通道提取识别阴影时，C3 通道中的低饱、低度数地物，如阴影中的水体、道路等，其探测结果往往与阴影区域相同，因而在对地物进行探测时，容易被误测为阴影区域，这就是此法的不足之处。

为了提高算法的准确性，Country 改进了算法，在算法中加入了索贝尔算子，检测图像阴影区域的轮廓边缘。阴影边缘的边缘测试不能仅凭经验值，边缘测试时需要特别处理阴影区域，但仍有需要提高的局限性。王蜜蜂和曾庆改进后，采用了一种可以平滑处理的选择性面膜[13]。这一改进使得阴影探测的精确度有了一定的提高，但仍有一些限制条件需要解决。不过算法比较复杂。

根据色彩不变量的阴影检测算法的缺点，分析了左权县土地确权使用的高分辨率影像中的典型阴影区域。我们提出了遥感影像阴影区检测采用HSV-C1C2C3 彩色模型的算法。该遥感阴影探测算法是通过对HSV 空间探测区域和C1C2C3 空间探测区域进行运算，在HSV-C1C2C3 彩色模型的基础上实现的[16]。如果两个彩区都检测到一个区是阴影区，那么这个区就会以阴影区为标志；否则，这个区域就不算阴影区了。如果阴影区域初步确定，要做进一步的处理，可以先去小区，对照一下操作就可以了[15]。将该区域视为亮度较低的非阴影区，如果某一小区的阴影区小于预设阈值[14]，那么这部分是可以排除的，最后在阴影区域消除明度空洞，利用闭合运算的数学形式，最终得出阴影区域。以下为具体算法流程：

（1） 从RGB 空间中研究区域的图像转换为HSV 空间，从该空间中提取具有极佳调节作用的成分H、饱和度成分S、亮度成分V。

（2） 对色调分量h、饱和度分量s、亮度分量v与分量r、分量g、分量b 进行比值运算，得到比值图像，这样做是为了增强阴影区域的高色调值、低亮度值、高饱和度等，通过对色相元件进行对比运算，可以提高色相元件的色相和饱和度。

（3） 确定比率影像所要分割的阈值，利用比率的阈值求得阴影的初步区域，分割其研究影像所得的阈值。

（4） 将研究区域的图像由RGB 空间转换为C1C2C3 色彩空间，再在C1C2C3 色彩空间中求出一张图像，在该图像的三个分量通道中求出其中的分量C3。

（5） 比例图像和C3 分量图用阈值对比例运算所得进行分析和叠加，再进行闭合运算的数学形式，就可以得到最终的阴影侦测图。

4.2 实验结果与分析

左权县国土确权使用的高分辨率航测图像中的阴影，根据该文提出的上述阴影探测算法，采用基于MATLAB 平台开发的软件进行测试探测。这是左权县从确权遥感资料中精选出的部分影像资料，具有典型性意义。在实验区1 号和2 号区分别选取具有典型阴影特征的两个不同区域的图像作为研究区域。我们比较了直方图阈值检测算法和其他阴影检测算法，便于对不同阴影检测方法的效果进行对比分析。按下图所示，1 号实验区表示为图3，2 号实验区表示为图4。

图3 实验区1

图4 实验区2

对前面提到的两组遥感影像实验资料，可以同时利用直方图阈值探测算法和HSV-C1C2C3 探测算法对图像中的阴影区域进行探测，如图3 和图4 等。目视解译，这样就可以定性地评价阴影探测方法所建立的优势和劣势。通过对两组探测结果图谱的遥感影像资料进行观测，可以发现，明显的阴影区域可通过对两种方式进行有效探测。

通过对作者提出的黑体辐射检测算法、IHS 色彩空间检测算法[17]、柱状图阈值检测算法以及HSV-C1C2C3检测算法的对比分析，我们发现本文所展示的基于HSV-C1C2C3 色彩空间检测算法能够对阴影区域进行检测，并且比较完整。另外，探测到的阴影区域与原影像中的阴影区域轮廓也有异曲同工之妙。从这几个结果可以看出，这个算法的效果还是比较不错的。本文提出的HSV-C1C2C3 检测算法与其他算法相比，在阴影检测方面的优势非常明显，所以可以说HSV-C1C2C3 检测算法是一种适用于测试的算法。

我们还通过定量化的方法，对上述两组实验区域的影子检测结果、统计分析结果进行了精确评估，使数据结果更加直观。为了达到本次实验的目的，我们决定将两个特定的数值作为实验的评价指标，分别代表精确度和准确度。以下是两个数学公式（1）和（2）：

在上面的数学公式（1）和（2）中，TP 表示正确的阴影像质值的个数，而FP 表示的是非阴影区域的像素值被错误地检测为阴影区域的像素值的个数FN 表示像素值被错误地检测为阴影区域的像素值的个数，而不是像素值的像素值，TP 表示的是正确的阴影像素值TP 表示的是正确的阴影像素值，根据上述所列出来的函数公式，无人机航测影像中TP+FN 的和代表着影的总像素值，文章中TP+FN+FPD 的和表示阴影的总像素值分别由各算法计算得出。由此也可以进一步推导出两种情况：代表影子侦测算法准确率的A 和代表影子侦测算法精确度的B，这两种情况分别是：代表影子侦测算法准确率的A 和代表影子侦测算法精确度的B[18]。

根据以上理论，我们对参与实验的两组影像资料进行了利用实验的评价指标处理，并对有关样本进行了筛选和统计分析。具体结果见表1，可见影带检测数据的准确性。

表1 影像阴影检测的数据精度

通过对表1 的分析，可以得到一个检测精度在62%左右的直方图阈值检测算法和67%左右的精度。由此可见，HSV-C1C2C3 检测算法在精度和精度上都有不错的表现，达到了91%的水平。本文介绍的HSV-C1C2C3检测算法，在具体的评价指标上，相对于直方图阈值检测算法等，具有显著的优越性。由此可见，本文所介绍的算法不仅操作简单，而且显示出了很高的检测精度和可信度。

5 阴影检测界面

为了实现本文提出的遥感影像阴影探测算法，提高此算法的执行效率，并对此算法的可行性和有效性进行大量的遥感数据验证，设计了可视化的阴影探测系统，该系统基于MATLAB 的用户界面（简称GUI）平台软件运行。

阴影检测模块包括基于HSV-C1C2C3 检测算法的直方图阈值检测和两种方法。我们在HSV-C1C2C3 色彩空间的基础上提出了阴影检测的方法。本文设计的系统中包含另一种数学形式的检测算法，即HSV-C1C2C3检测算法（HSV-C1C3DetectionProgram）。模块中的检测算法我们是通过对比后选定的。孰优孰劣，一眼就能看出两种算法效果在检测模块中的优劣。参考图5 中阴影探测模块。

图5 阴影的检测模块

6 结论

本研究的目的是为进一步研究高分辨率遥感影像中的中地物增强处理方法奠定基础，在高分辨率真彩色航空遥感影像中探测阴影区域的信息。我们提出了基于HSV-C1C2C3 彩色模型进行色彩空间转换的高分辨遥感影像的阴影检测算法。通过对其分量的比值运算，通过闭合运算的数学形态确定阈值，最终实现对阴影的探测；通过图像可以证明，本文提出的阴影探测算法是基于HSV-C1C2C3 彩色模型，具有更好的图像阴影探测效果，为去除阴影埋下了伏笔。