一種基于自適應(yīng)高提升濾波的遙感影像的陰影處理方法*

滕秀花，胡文瑜，林志強

(福建工程學院)

0 引言

隨著遙感技術(shù)的發(fā)展，高空間遙感影像的分辨率越來越高，影像中大目標，如森林、海洋等大目標的細節(jié)信息越來越豐富，同時道路，車輛［1－2］、樹等小目標識別也越來越熱門.但是，由于高樓等高大物體的遮擋引起的陰影區(qū)域，掩蓋了區(qū)域內(nèi)小目標物體的細節(jié)信息，一定程度上影響了目標的識別、分割的精確性.因此如何正確地提取陰影區(qū)域，并有效地減少或去除陰影的影響，這在遙感影像的預(yù)處理中是十分重要的問題.該文首先分析了遙感影像陰影的顏色特性和光譜特征，利用光譜中的亮度閾值進行陰影檢測，然后利用形態(tài)學基本操作，對閾值處理后的圖像進行噪聲濾除;并利用高提升濾波技術(shù)，對檢測出的陰影區(qū)域進行補償處理;最后實驗證明，該文提出高的提升濾波補償方法與分段線性化補償方法［3］比較，該文方法在保持陰影區(qū)域內(nèi)物體形狀信息方面，效果更好;經(jīng)該文方法補償預(yù)處理后，遙感影像超塊分割［4－5］邊緣準確性明顯改善.

1 高分辨率遙感影像陰影處理的研究現(xiàn)狀

目前，關(guān)于陰影的研究成果主要體現(xiàn)在陰影檢測［6］和陰影補償兩個方面.在陰影檢測方面的研究成果主要分為兩種方法:一種是基于模型的方法;另一種是基于屬性的方法.基于模型的方法需要先驗的場景信息，如太陽的方位、攝像頭的位置、日期、時間等眾多條件參數(shù)信息，利用這些條件參數(shù)可以比較精確計算出陰影的位置，但是實際操作很困難;基于屬性的方法充分利用陰影中的顏色特性，比如亮度、光譜特性等信息相對于非陰影區(qū)域的差異性，操作比較容易.

對于陰影區(qū)域的補償方法主要有三種［7－8］:伽馬校正，分段線性調(diào)整以及直方圖匹配.伽馬校正方法主要考慮陰影中像素的亮度信息受到破壞，因此在陰影區(qū)域與非陰影區(qū)域之間建立映射關(guān)系，使得陰影區(qū)和光照區(qū)的亮度分布一致;分段線性調(diào)整根據(jù)不同亮度的各區(qū)域進行亮度的線性調(diào)整，使得圖像整體變亮;直方圖匹配的方法是將檢測出來的陰影區(qū)域的直方圖和非陰影區(qū)域的直方圖匹配，使得兩種區(qū)域的亮度整體分布一致.這三種方法通過不同的途徑僅僅調(diào)整了陰影區(qū)域的亮度分布.該文采用的方法是對陰影區(qū)域進行高提升濾波處理，不僅能夠整體上提高圖像亮度，而且將陰影區(qū)域內(nèi)被增強了的邊緣細節(jié)信息加入到被調(diào)亮的影像中，實驗表明，補償后的形狀信息更加突出.

2 高分辨遙感影像陰影區(qū)域的檢測

2.1 基于亮度閾值的陰影檢測

一般來說，由于陰影區(qū)域光線被部分遮擋，不能接受太陽的輻射，其接受到的輻射強度主要取決于天空光的輻射強度，必然導致陰影區(qū)的低輻射強度.因此陰影區(qū)域較非陰影區(qū)域具有較低的亮度值［9－10］.該文的陰影區(qū)與非陰影區(qū)初步分割的亮度閾值T是自適應(yīng)的，其定義如下:

其中max，min分別選取的是測試影像的最大亮度值與最小亮度值，meant亮度均值.由陰影特征可知，非陰影區(qū)的亮度值比陰影區(qū)域的亮度值高，因此基于亮度的陰影檢測公式為:

式中F(x，y)為被檢測圖像像素點的灰度值;1為陰影點，0為非陰影點;因此本算法的關(guān)鍵是閾值T的設(shè)定，該文設(shè)定的閾值能檢測出所有的陰影.

圖1 基于閾值T的陰影檢測

2.2 陰影過濾

根據(jù)閾值T進行陰影檢測，黑色表示陰影，白色表示光照區(qū).從圖1中可以看到閾值T能夠檢測出所有的陰影區(qū)域，但是仍然存在2個方面的問題:1.由于圖像中的噪聲數(shù)據(jù)、或者區(qū)域內(nèi)細小的高亮度小物體，引起了陰影區(qū)域細小的不連續(xù)性;2.光照區(qū)內(nèi)暗色物體引起的錯誤陰影.為了解決如上所述問題，圖像處理的形態(tài)學操作［11］能夠處理這些噪聲數(shù)據(jù).

形態(tài)學中有兩個重要的操作:開操作與閉操作.其具體討論可見文獻［11］.開操作與閉操作的形態(tài)學方面的具體定義如下:

開操作:T=f?b

閉操作:T=f·b

f表示原圖，T表示開操作或者閉操作后的屬性圖像，b是結(jié)構(gòu)元素，實驗選取結(jié)構(gòu)元素是5×5的矩形.該文針對陰影檢測結(jié)果圖像進行開操作，可以濾出陰影區(qū)域的白色噪聲;閉操作可以濾出光照區(qū)的暗色噪聲.如圖2是及基于圖1中陰影檢測的結(jié)果進行噪聲過濾.

圖2 基于形態(tài)學操作過濾

3 基于自適應(yīng)高提升濾波的陰影區(qū)域補償

針對遙感圖像陰影區(qū)域的低頻化特性，以及陰影的光譜特性進行分析，該文提出了基于類比的自適應(yīng)高提升濾波處理.銳化處理的主要目的是突出了圖像中的細節(jié)或者增強被模糊的細節(jié)，從而獲取特殊圖像中固有的信息.遙感圖像的陰影區(qū)域主要是低頻信息，經(jīng)過銳化處理后提取出圖像中隱含的高頻信息.該文選擇的拉普拉斯是一種二階微分算子，它強調(diào)圖像灰度的突變及降低灰度慢變化的區(qū)域，因此可以提取高頻信息.

反銳化處理是在圖像中各像素進行如下變換:

其中fs(x，y)表示經(jīng)過反銳化掩蔽得到銳化圖像，是f(x，y)的模糊形式.

高提升濾波是反銳化的進一步處理，其圖像fhb定義如下:

A是大于等于1的系數(shù)，結(jié)合反銳化處理公式，高提升銳化也可以等價如下定義:

參照非陰影區(qū)域光照情況，自適應(yīng)地調(diào)整高提升銳化系數(shù)，該系數(shù)為:

其中Mref參照圖像光照區(qū)域的平均亮度值，m陰影區(qū)域的平均亮度值.沒有使用固定的系數(shù)，而是根據(jù)圖像本身光照情況，自動調(diào)整高提升A的系數(shù)，使得遙感圖像的陰影區(qū)域不但能夠提高亮度，而且增加陰影區(qū)域內(nèi)小目標物體的邊緣突變信息，如圖3所示，其結(jié)果保證了能夠更好地保持區(qū)域內(nèi)的形狀信息，更加有效的輔助圖像分割、分類.

圖3陰影區(qū)域補償

4 實驗結(jié)果與分析

4.1 陰影檢測與補償

采用亮度閾值的方法對遙感圖像的陰影進行初步檢測，同時利用形態(tài)學操作進行修正，基于高提升濾波方法對陰影區(qū)域進行補償處理.在實驗中，針對高提升濾波和分段線性化兩種陰影區(qū)域的補償方法進行了對比，如圖4所示.

圖4 陰影補償比較實驗結(jié)果

該實驗影像片斷的空間分辨率是0.15 m，從實驗測試結(jié)果來看，由于城市道路兩旁有大量的高建筑物，遮擋住了直射太陽光而在路面形成了大量的陰影，給陰影區(qū)域中的地物信息如(道路標志標線、車輛等)的識別造成了困難，使得后續(xù)研究的車輛識別的精度受到影響.因此為了使陰影區(qū)域中車輛信息顯示更加清楚，需要對影像中的陰影區(qū)域進行檢測和處理.

基于該文的亮度閾值方法對此遙感圖像進行檢測，與原圖像相比，陰影的絕大部分區(qū)域都檢測出來，只有影音區(qū)域內(nèi)亮色小目標影響了陰影區(qū)域的連通性，以及光照區(qū)域的暗色小目標形成了假陰影，因此該文通過形態(tài)學操作以及面積約束，濾出了大部分的噪聲數(shù)據(jù).該文實驗的兩種補償方法使得陰影區(qū)域的亮度都得到了提升，陰影區(qū)域內(nèi)信息都得到了增強，但是效果不同:由于高提升濾波是在提升亮度的基礎(chǔ)上增加邊緣突變信息，因此保持陰影處的物體形狀保持的更好如圖5所示.而且陰影內(nèi)如車道等更明顯.

圖5 局部放大比較

4.2 超塊分割［5］

經(jīng)過陰影區(qū)域補償增強后，能夠進一步改善超塊分割的精度，如圖6所示.

圖6 超塊分割比較

陰影區(qū)內(nèi)的白色車輛沒有經(jīng)過補償處理，車輛被過度分割2個超塊，經(jīng)過亮度分段線性化后，過度分割效果情況沒有了，但是邊緣貼附性較弱，但是經(jīng)過高提升銳化補償后，不僅避免了過度分割情況，而且分割的邊緣貼附性良好.經(jīng)過該文方法的預(yù)處理后，其他車輛的分割情況和線性化方法相比，也得到了不同程度的改善.

5 結(jié)束語

陰影檢測為陰影補償界定了區(qū)域;陰影補償增強了區(qū)域內(nèi)目標的形狀、紋理信息，對于陰影區(qū)域內(nèi)車輛等小目標識別，遙感圖像的對象分割等研究有著至關(guān)重要的作用，是后續(xù)研究的基礎(chǔ).

［1］Hsu－Yung Chengdu，Chih－chia Weng，Yi－Ying Chen.Vehicle Detection in Aerial Surveillance Using Dynamic Bayesian Networks［J］.IEEE Transactions on Image Processing，2012，21.

［2］Zheng Zezhong，Zhou Guoqing，Wang Yong.A Novel Vehicle Detection Method With High Resolution Highway Aerial Image［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2013，6(4):2152–2159.

［3］郭杜杜，梁艷平，王兵.基于亮度特性的高空間分辨率遙感影像陰影處理研究［J］.交通信息與安全，2012，30(168):16－19.

［4］Achanta R，Shaji A，Smith K，et al.SLIC superpixels Compared to state－of－ the art superpxel methods［J］.IEEE Transactions on Pattern Analysis and Machien Intelligence，2012，34(11):2274–2281.

［5］Michael Van den Bergh，Xavier Boix，Gemma Roig，et al.SEEDS:Superpixel Extracted via Energy－ Driven Sampling.http://www.vision.ee.ethz.ch/～ vamichae/seeds_long.pdf.

［6］Ma H，Qin Q，Shen X.Shadow segmentation and compensation in high resolution satellite images.In Proc IEEE IGARSS，2008，2(8):1036–1039.

［7］Huihui Song，Bo Huang，Associate Member，et al.Shadow Detection and Reconstruction in High－Resolution Satellite Images via Morphological Filtering and Example－Based Learning.IEEE Transactions on Geoscience and Remote Sensing，2014，52(5):2545–2554.

［8］Lorenzi L，Melgani F，Mercier G.A complete processing chain for shadow detection and reconstruction in VHR images.IEEE Trans.Geosci.Remote Sens，2012，50(9):3440–3452.

［9］柳稼航，楊建峰，方濤.彩色遙感影像陰影顏色特性分析［J］光子學報，2009，38(2):441–447.

［10］Tsai V.A comparative study on shadow compensation of color aerial images in invariant color models［J］.IEEE Trans Geosci Remote Sens，2006，44(6):1661–1671.

［11］Maragos P.The Image and Video Processing Handbook.2nd ed New York，NY，USA:Elsevier，2005.135–156.