集成特征分量的高分辨率遙感影像建筑物陰影檢測

謝亞坤，馮德俊，李 強，王垠入，瑚敏君

(西南交通大學地球科學與環境工程學院測繪遙感信息系，四川 成都 611756)

遙感影像中陰影檢測對影像判讀、目標提取、變化檢測等具有重要意義。目前，高分辨率遙感影像中現有的陰影檢測方法主要分為基于模型和基于影像光譜特性的檢測方法[1]。基于模型的陰影檢測方法需要獲得較多的先驗知識，如遮擋物體的幾何形態、太陽方位、DSM數據及傳感器相關參數來計算陰影區域。Nakajima[2]、郭海濤等[3]基于模型的檢測方法實現了陰影信息的提取。但該方法因先驗知識不易獲取，理論性較強，在實際應用中具有較大的局限性?；谟跋窆庾V特性相比于基于模型的檢測方法較為容易且適用范圍更廣。Tsai等[4]采用RGB到HIS空間的色彩變換來提取陰影；Polidorio等[5]利用陰影區域光譜特性與幾何特性進行陰影檢測；Suzuki等[6]利用陰影區域在RGB和HIS色彩空間中的亮度及飽和度特性進行陰影檢測；劉輝等[7]基于PCA(principal components analysis)和HIS變換，提出了一種陰影指數，采用閾值分割分離陰影。以上方法都是針對單個像元進行陰影提取，提取陰影斑塊破碎且精度較低[8]。隨著高分辨率遙感影像的廣泛應用，面向對象技術逐漸得到應用[9]。Liu等[10]使用面向對象的方法進行陰影檢測；帥滔等[11]利用HSV色彩空間中各特征分量并結合面向對象的方法進行陰影檢測；王理政等[12]結合主成分變換和HIS空間提出了一種面向對象的陰影檢測方法。這些方法針對特定影像雖然取得了較好的效果，但依然存在誤提、漏提現象，如水體、較暗地物等被誤提為陰影及陰影中較亮地物產生的孔洞現象，并且沒有根據陰影提取目的對陰影進行分類提取，如建筑物高度計算、陰影補償等[13]。

本文在總結前人研究和自身試驗的基礎上，以影像光譜特征為基礎，提出一種特征分量的構建與建筑物陰影形狀特征相結合的多尺度分割的面向對象陰影提取方法，可精確地提取出建筑物陰影范圍。

1 建筑物陰影檢測建模

從建筑物陰影光譜及形狀特征分析陰影區域具有如下特性：①陰影區域由于被遮擋，影像中各波段顯示較低的DN(digital number)值；②陰影區域與植被及較暗地物具有光譜接近的特性；③建筑物陰影形狀一般較為規則且相對于其他地物陰影面積較大[14]。

1.1 陰影提取特征分量構建

本文擬構建4個特征分量以達到消除干擾及準確提取陰影信息的目的。特征分量依次為：主成分第一分量PC1、綠光波段(G)、過綠指數EXG(excess green)、HIS色彩空間經增強后的H分量。

1.1.1 基于主成分分析法構建分量PC1

主成分分析是基于圖像統計信息的線性變換，可以降低數據冗余，增強數據對比度，提高影像分割及提取精度。本文采用RGB波段進行主成分變換，變換后的第一主成分(PC1)包含原影像90%以上的信息。選用該分量作為影像陰影檢測的特征分量，可以區分道路、房屋及裸地等較亮地物，用于陰影的粗提取。

1.1.2 綠光波段G分量

經PC1所得出的陰影區域仍包含有水體、植被和較暗地物，嚴重影響了陰影的檢測效果。在RGB影像中水體對綠光波段具有較強的反射性，對紅光和藍光波段吸收性較強。利用綠光波段可以較好地區分陰影與水體區域，引入原始數據的綠光波段作為特征分量之一。

1.1.3 過綠指數分量

目前遙感領域檢測植被的方法大多數基于可見光-近紅外波段，由于原始影像中無近紅外波段，無法使用基于近紅外波段的植被指數進行植被檢測。根據陰影與植被區域光譜特性并反復試驗對比各種可見光植被指數，過綠指數EXG[15]在陰影與植被區域具有較強的差異性，選取EXG作為特征分量之一。其表達式為

EXG=2ρG-ρR-ρB

(1)

式中，ρG為綠波段像元值；ρR為紅波段像元值；ρB為藍波段像元值。

1.1.4 圖像增強之后的H特征分量

影像中陰影與非陰影區域在HIS空間具有高色調(H)、高飽和度(S)、低亮度(I)的基本特征，將原始影像由RGB轉換為HIS空間。陰影和較暗地物區域在色調分量具有一定的差異性，但單獨使用時穩定性低且閾值選取困難。為增強差異性，采用伽馬變換[14]對該分量進行增強處理，變換方程如式(2)所示，選取圖像增強之后的H分量作為特征分量。

習近平總書記的重要講話，明確提出了把新時代改革開放繼續推向前進的目標要求，是一篇馬克思主義的綱領性文獻。對改革開放最好的紀念，就是深入學習貫徹習近平總書記重要講話，弘揚改革開放鑄就的偉大改革精神，將改革開放進行到底。

(2)

式中，yH為對H分量進行伽馬變換所得；xH為H分量原始波段值；a1取值為1.1。

1.2 構建形狀特征規則

為精確提取建筑物陰影需要結合形狀特征進一步設定規則，去除非建筑物陰影干擾。影像中的陰影主要有建筑物陰影、植被陰影及部分圍墻的長條狀陰影，根據建筑物陰影特性，從面積和長寬比兩個特征來進一步提取建筑物陰影[14]。

1.2.1 面 積

由于影像中城市區域植被一般為道路及小區綠化，建筑物陰影與植被陰影相比在面積上具有較大差距，建筑物陰影一般要遠大于植被陰影，可通過設立面積規則來確定去除小面積植被陰影。面積規則要通過分析圖像空間分辨率和提取目標的大小來確定。

1.2.2 長寬比

長寬比是指對象的最小外接橢圓的長軸與短軸之比。非建筑物陰影仍存在部分長條狀陰影，如圍墻、道路兩側連續植被陰影等。此類陰影面積較大，無法通過面積特征去除，可利用其長寬比區分建筑物陰影和長條狀陰影。其表達式為

(3)

式中，r為長寬比；l1為對象最小外接橢圓的長軸長；l2為對象最小外接橢圓的短軸長。

2 面向對象陰影檢測

面向對象的遙感圖像分析是一種新的圖像分析理念和模式，以同質對象作為最小分析單元，合理利用對象的多種特征來制定相應的規則，進而對影像進行地物分類。面向對象的信息提取主要分為兩步：影像分割和信息提取。

2.1 多尺度分割

本文采用多尺度分割方法，根據實際情況設定影像分割參數，建立多尺度分割構架[2]。分割參數由以下4個方面組成：波段權重、分割尺度、形狀因子、緊致度。對于建筑物陰影提取，以光譜信息作為主導，而由于建筑物陰影較為規則，分割時可適當增大形狀因子。通過影像本身光譜特性、建筑物陰影形狀特征分析及試驗驗證，分割尺度設置為80，形狀因子和緊致度權重分別設置為0.35和0.6。

2.2 信息提取

本文選用4種特征分量構建規則集，用于區分陰影、水體、植被、較暗地物等地物。采用不同方法構建所得特征分量，其DN值范圍各異，為便于比較分析，將各分量歸一化處理，統一閾值范圍為[0,1]，對不同地物特征值進行采樣統計，結果如圖1所示。

圖1 各特征分量歸一化之后的不同地物DN值

根據以上分析構建基于多尺度分割的面向對象建筑物陰影信息提取技術路線(如圖2所示)及建筑物陰影提取規則集(如圖3所示)。

圖2 建筑物陰影信息提取技術路線

圖3 建筑物陰影提取規則集

3 試驗與分析

為驗證本文方法的準確性，選取的兩個試驗區中均包含陰影、水體、道路、較暗地物及植被等地物。利用本文檢測模型，將建筑物陰影檢測結果疊加到原影像，并用白色表示最終提取的建筑物陰影區域。將本文檢測結果與文獻[16]中陰影指數NDUI(normalized difference umbra index)方法和基于像素的最大似然監督分類方法檢測結果進行對比。

試驗1選取江蘇省某地區空間分辨率為0.25 m的RGB遙感影像，如圖4(a)所示。本文方法檢測結果如圖4(b)所示，得到的建筑物陰影信息飽滿，邊界清楚，去除了水體、植被及較暗地物等干擾，并消除了白色汽車等高亮地物與陰影有重疊區域陰影中的孔洞現象?；谖墨I[16]中的NDUI算法結果檢測如圖4(c)所示，圖中陰影信息清晰可見，仍存在部分較暗地物，而且建筑物陰影存在較嚴重的椒鹽現象且建筑物陰影形態破碎，如圖4(c)中框選部分所示。基于最大似然法監督分類檢測結果如圖4(d)所示，雖然剔除了部分水體、植被等干擾地物的影響，但與建筑物陰影有重疊的較亮區域被誤判為非陰影，陰影提取結果也較破碎，如圖4(d)中框選部分所示。

試驗2選取安徽省某地區空間分辨率為0.25 m的RGB遙感影像，如圖5(a)所示。本文方法檢測結果如圖5(b)所示，陰影提取效果較好，并且建筑物邊界清晰，無較暗地物、水體及植被的誤提?；陉幱爸笖礜DUI[16]的算法檢測結果如圖5(c)所示，圖中陰影信息清晰可見，但水體等地物出現大面積誤提且建筑物陰影形態破碎，如圖5(c)中框選部分所示?；谧畲笏迫环ūO督分類結果如圖5(d)所示，仍存在植被等地物陰影的誤提現象且建筑物陰影提取不完整，如圖5(d)框選部分所示。

圖4 試驗1陰影檢測結果

圖5 試驗2陰影檢測結果

通過對以上3種方法的對比分析，可以直觀看出本文的陰影檢測方法更具優勢。為定量地對本文建筑物陰影檢測結果的精度進行判斷，將本文方法與人工解譯結果進行對比與統計，結果見表1。兩個試驗正確提取比例分別為95.28%和96.64%，由此可知，本文方法對建筑物陰影檢測具有較高的陰影檢測精確度。

表1 陰影檢測結果精度評定

為進一步評價單棟建筑物陰影檢測精度，從兩個試驗中隨機選取20棟建筑物與人工標定建筑物陰影進行像素統計和精度評價。10棟高層建筑物編號1-10，10棟低層建筑物編號A-J，編號如圖4(a)、圖5(a)所示，統計結果見表2。從統計結果中可以看出，在隨機抽取的20棟建筑物中，11棟建筑物陰影提取正確比例在95%以上，6棟建筑物陰影提取精度為90%～95%，3棟低層建筑物提取精度為85%～90%。高層建筑物陰影提取正確率為95.90%，低層建筑物陰影提取正確率為92.64%，平均正確率為94.12%。

表2 抽樣建筑物陰影檢測結果精度統計

4 結 語

本文提出的集成特征分量和多尺度分割的面向對象建筑物陰影檢測方法，能夠有效地去除水體、植被及較暗地物的干擾，準確地提取出陰影區域，并通過對建筑物陰影形狀特征的分析，結合面積和長寬比進一步去除結果中部分零散植被及長條狀非建筑物陰影，準確得出建筑物陰影范圍。相較于傳統高分辨率遙感影像陰影檢測方法，本文方法信息利用率更高，可以獲取完整的陰影信息，具有較高的精度。不足之處在于：本文方法對于低矮建筑物陰影會存在錯分現象，降低整體提取精度，仍需要對低矮建筑物陰影進行進一步研究，以獲取更好的建筑物陰影提取效果。