顧及水域的QuickBird影像陰影檢測方法研究

謝亞坤，張 珩，馮德俊，李 強，王垠入

(1.西南交通大學 地球科學與環境工程學院, 四川 成都 611756; 2.西昌學院 土木與水利工程學院，四川 西昌 615000)

近年來，高分辨率遙感影像以其直觀準確、高分辨率、更新迅速等優點使得其應用越發的廣泛。空間分辨率的大幅度提高，使得影像中的地物信息更加清晰、豐富，然而由于陰影的存在，嚴重影響圖像判讀、目標提取、變化檢測等的正確性。因此，影像中陰影的檢測是對陰影去除及利用的關鍵。

高分影像中陰影的檢測方法主要分為兩種：一種是基于模型的檢測方法，該方法需要獲得較多的先驗知識，如產生陰影物體的幾何形態、太陽方位、DSM數據以及傳感器相關參數等知識來進行陰影提取，具有較大的局限性[1-2]；另一種是基于陰影性質的方法，通過區別陰影區域與非陰影區域在亮度、色彩、紋理等方面的差異進行陰影檢測[3]。文獻[4]通過建立HIS模型由閾值分割實現陰影的檢測。文獻[5]通過藍綠波段特性構造比值，并結合能量信息補償方法分離陰影與非陰影區域。文獻[6]根據C1C2C3色彩空間不變特性中的C3分離出陰影與黑色區，并結合方差做紋理濾波提取陰影實現陰影邊界的提取。文獻[7]根據陰影區域HIS特性結合數學形態學實現陰影區域的檢測。文獻[8]利用YIQ構造比值運算并結合Otsu閾值法實現陰影區域的提取。文獻[9]通過構建譜間關系并建立水體實現陰影區域的提取。通過對以上的陰影檢測算法分析研究，發現相關算法對特定的影像效果較好，但仍存在一些不足之處。

為較好的檢測陰影及消除水體對陰影檢測的影響，本文根據波段比模型原理，結合影像特征分析其多波段灰度值差異，構建陰影檢測方法。通過大量的實驗表明，該方法針對于QuickBird具有普適性，且計算過程簡單，具有很高的提取精度和提取效率。

1 陰影特性分析

Quickbird設有全色和多光譜影像，全色地面分辨率為0.61 m，多光譜地面分辨率為2.44 m，包括藍、綠、紅和近紅外4個波段[10]。對研究區Quickbird多光譜影像中典型地物的灰度值(Digital Number，DN)進行統計分析，統計結果如表1所示。

表1 陰影及相關典型地物灰度值

對Quickbird多光譜影像及典型地物灰度值統計分析如圖1所示。研究表明，不同地物的灰度值具有如下特征：

1)在藍、紅、近紅外3個波段陰影和水體的灰度值低于植被、建筑物、道路等地物，且二者相較而言陰影灰度值更小。

2)陰影及水體在紅、綠、藍3個波段灰度值與近紅外灰度值差值相較于其他地物差異更大。

3)對于相同地物綠波段灰度值皆高于其他波段，并且藍波段灰度值變化范圍最小。

圖1 陰影及相關典型地物灰度值曲線

2 陰影多波段檢測方法

2.1 波段組合

圖2(a)為Quickbird影像藍、綠、近紅外波段假彩色影像，在圖2(a)中繪制一條折線(由上至下)，提取地物灰度值剖面圖。結果如圖2(b)所示。通過對圖2(b)分析，藍、綠及近紅外波段陰影與水體的灰度值要低于其他地物，且在近紅外波段由于水體強吸收低反射的特性使得其灰度值略小于陰影。

對于一組數據集可通過均值和方差表示其特征，其中均值表示其集中趨勢的量數，標準差則能反應其離散程度。由于不同地物在不同波段灰度值相差較大，其取值范圍亦有差異，為更好地進行比較分析，將3個波段放在相同的尺度上來考慮，通過均值和標準差對地物灰度值進行標準化處理[11]，將處理之后的值進行累加，更好地突出不同地物之間的差異。構造式(1)對影像進行波段組合處理。

(1)

式中：BC(Bands Combination)為波段變換后的灰度值；B，G，NIR分別為藍、綠、近紅外波段灰度值；μB、σB為藍色波段灰度值均值與標準差；μG、σG為綠色波段灰度值均值與標準差；μNIR、σNIR為近紅色波段灰度值均值與標準差。

經波段變換之后的影像如圖3(a)所示，并在圖3(a)中繪制一條折線，提取地物灰度值剖面圖，如圖3(b)所示。從圖中可以看出水體與陰影部分灰度值皆為負值，且相較而言陰影區域灰度值小于水體區域。通過波段變換之后可以更好地區分水體與陰影。

圖2 藍、綠、近紅外假彩色影像及其DN值剖面圖

圖3 波段變換后的影像以及DN值剖面圖

2.2 多波段陰影指數計算

影像經式(1)進行波段計算，從圖3(b)可知，影像中除陰影與水體外的其他地物灰度值皆為正值，通過舍去正值可除去除陰影與水體外的地物。為方便計算再對負值取正，陰影灰度值相較于水體較大，通過構造變換之后的灰度值與近紅外波段灰度值的比值凸顯陰影與水體。構造多波段陰影指數(Multiband Shadow Index，MSI)，具體表達式為

(2)

式中：-BC為經式(1)變換后地物灰度值舍去正值后進行負值取正運算得到的值；NIR為近紅外波段灰度值。

經過MSI多波段的變化后，利用直方圖閾值分割法通過選取合適的閾值，如圖3(b)分析可得閾值范圍為2到4。陰影與水體能夠很容易的顯示出來(見圖4)。對于影像中含有水體的區域可將其列為疑似陰影區域，并進行進一步的去除水體。影像中若不含水體，變換后影像經數學形態學處理之后可定為陰影區域。

圖4 MSI變換后影像

2.3 構建水體指數WI

Mcfeeters.S.K 提出歸一化差分水體指數(Normalized Difference Water Index，NDWI)[12]。如式(3)。利用水體在綠波段反射率高、近紅外波段反射率低的特點，將兩個波段進行差值和比值運算以增強水體特征[13]。但是NDWI在強化水體的同時，陰影區域也得到強化凸顯出來，造成混淆[14]。對影像進行NDWI處理結果如圖5(a)所示，并在影像中畫折線繪制不同地物灰度值剖面圖，見圖5(b)。

(3)

式中：G為綠色波段灰度值；NIR為近紅色波段灰度值。

通過對影像各波段灰度值的分析，發現陰影區域和水體的灰度值表現為G>NIR，且通過式(1)的波段組合加大水體與陰影的差異，可結合式(2)中的-BC值構造水體指數分離陰影與水體。將感興趣的地物強反射波段綠波段與近紅外波段差值放在分子位置，將處理后的-BC值放在分母位置[15]。由于-BC作為分母值不宜過小，根據圖3(b)其值在陰影與水體區域皆大于1，則選取其大于1的部分用于計算。以NDWI為參考結合差值法和比值法，構造水體指數(Water Index，WI)，其表達式為式(4)。

圖5 NDWI變換后的影像及DN值剖面圖

(4)

式中：G為綠色波段灰度值；NIR 為近紅色波段灰度值；-BC為式(1)的BC值舍去正值后進行負值取正運算生成的值。

對影像進行WI處理結果如圖6(a)所示，并在影像中畫折線繪制不同地物灰度值剖面圖，如圖6(b)。經WI變換之后水體與其他地物灰度值差異較大，對圖6(b)分析可得選取閾值范圍為60到100之間即可較好的分離水體。此時水體區域灰度值得到增大，相對于圖5(b)，陰影與水體有了更為明顯的差異，有利于陰影與水體的分離。結果分析WI在提取陰影與水體混合區域的水體時優于NDWI。

圖6 WI變換后的影像圖及地物DN值剖面圖

2.4 檢測方法設計

通過對影像各種地物灰度值分析，對影像進行波段運算，構造多波段陰影指數以及水體指數，經數學形態學與布爾運算之后可有效的去除水體并得到陰影區域，其流程如圖7所示。

3 實驗與分析

為對以上檢測方法進行驗證，分別從QuickBird多光譜影像，藍、綠、近紅外3個波段合成假彩色影像上截取兩個實驗區，并根據檢測方法通過c#編寫試驗程序，對兩個實驗區進行實驗和分析。

圖7 陰影檢測流程

其中圖8(a)的實驗區一中包含陰影、水體、建筑物、道路、植被等地物，對檢測結果進行二值化處理，并用白色表示疑似陰影區域。根據本文方法，首先對實驗區一進行MSI變換得到疑似陰影區域如圖8(b)所示，然后進行WI變換得到水體區域如圖8(c)所示，最后經數學形態學處理后通過邏輯非運算得到去除水體后的陰影區域如圖8(d)所示。如圖8(d)所示圖中存在部分小圖斑，與原圖對比發現，河道圖斑是由于存在河堤和較高樹木形成，其他區域圖斑是由于較高樹木形成的陰影。

圖8 實驗區一陰影檢測結果(有水體)

實驗區二中不包含水體，但仍包含建筑、道路、植被等地物如圖9(a)所示。根據以上方法直接對影像進行MSI變換得到疑似陰影區域，并通過二值化處理用白色表示。由于影像中不包含水體則檢測出的疑似陰影區域即為陰影區域，如圖9(b)所示。

圖9 實驗區B陰影檢測結果(無水體)

為定量對陰影檢測結果的精度進行判斷，基于本文方法與人工定標方法進行對比分析[16]，結果如表2所示，對有水體和無水體的影像陰影提取精度進行分析，其陰影檢測精度分別為91.03%、92.31%。由此可得出，本文改進方法對影像中陰影具有很高的陰影檢測精度。

表2 陰影檢測結果精度評定

4 結 論

本文改進一種使用藍、綠、近紅外波段的陰影檢測新方法。實驗結果表明該方法能夠準確地提取陰影，對于影像中的水體也能夠準確地去除。該方法在對已有陰影檢測算法分析研究的基礎上結合Quickbird遙感影像地物灰度值特性，構造多波段陰影指數，檢測出疑似陰影區域，并根據差值運算和比值法構造水體指數，消除水體對陰影的影響，結合數學形態學處理與布爾運算，并通過c#編程實現陰影的準確提取。但由于一些細小陰影不能識別，無法被檢測且仍需要創建水體指數才能將水體分離，后續將對這些問題進行深入的研究，進一步提高陰影檢測的效果。