HSL-PCA集成的GF-1影像陰影檢測方法

，2

(1.蘭州交通大學 測繪與地理信息學院，蘭州 730070；2.甘肅省地理國情監測工程實驗室，蘭州 730070)

0 引言

在高分辨率遙感影像中，由于地物對太陽光的遮擋而存在著大量的陰影。一方面，陰影的存在給高分辨率遙感影像地使用造成極大不便；另一方面，陰影也包含著紋理、形狀、光譜等重要的地物信息[1]。因此，如何快速、準確地檢測陰影信息在提升遙感影像應用潛力方面具有重要的意義。

目前，陰影的檢測方法主要分為基于物理模型和陰影性質兩類。基于物理模型的方法利用光線傳播的物理性質，此方法需要影像中有關地物的地形，光照角度、傳感器參數等先驗知識建立幾何模型實現陰影檢測，通常計算較為復雜且應用于特定場景，因此具有較大的局限性；基于陰影性質的方法是通過分析陰影區域的亮度、幾何結構和顏色深度等特征以及與非陰影區域的差異性來檢測陰影，相關研究較多。如Kantsingh K等[2]提出在HSV模型中利用歸一化差值指數和大津法閾值檢測的方法；葛樂等[3]基于陰影在HIS色彩空間的特征，利用PCA提取其特征，開展了基于陰影概率約束的陰影檢測方法研究；姚花琴等[4]提出基于主成分變換和多波段運算相結合的高大地物陰影檢測方法；Vijayalakshmi S等[5]提出將主成分變換和內外輪廓線指數(IOPL)相結合的方法進行城市地物陰影檢測；Srinath D等[6]提出利用直方圖檢測與內外輪廓線相結合的方法檢測陰影；Huang W等[7]提出結合光譜和空間特征的陰影檢測算法；Wang L等[8]提出面向對象的城市樹木和建筑物陰影檢測方法；Li P等[9]將不透明度概念引入陰影檢測，并提出了一種軟陰影描述方法和基于MRF的陰影檢測算；Zigh E等[10]提出了一種基于超高分辨率影像(VHR)的密集城區陰影自動提取方法。

上述方法在特定的條件下取得了較好的陰影檢測效果，然而大部分仍然存在以下問題：①對于中等高度地物的陰影研究較少；②對于地物陰影的半影區(亮度值較高)存在一定程度上的漏提；③偏藍色地物和水體對于陰影檢測結果存在干擾。由此，本文在前人研究的基礎上，基于GF-1影像數據，提出一種結合主成分變換、多波段運算和HSL色彩空間變換的陰影檢測方法。

1 陰影檢測算法

1.1 典型地物光譜特征分析

高分一號(GF-1)衛星影像設有分辨率為2 m的全色影像和分辨率為8 m或16 m的多光譜影像。其中，多光譜影像包含近紅外波段、紅波段、綠波段和藍波段。本文研究中先對高分一號2 m全色影像和8 m多光譜影像進行融合處理，并對融合影像中陰影的本影區和半影區、水體中清水和濁水、建筑物及道路的光譜信息進行統計，結果如表1所示，表1統計結果的均值和特征方差如圖2、圖3所示。

通過分析陰影及典型地物光譜值變化特征發現：①本影區的亮度值最低，較其他地物易于區分；②水體與陰影區域的亮度值相似；③在近紅外波段，陰影的本影區和半影區DN值接近。

表1 陰影及典型地物光譜特征

圖1 典型地物光譜特征均值

圖2 典型地物光譜特征方差

1.2 HSL色彩空間陰影區域的特征

HSL是一種將RGB色彩模型中的點在圓柱坐標系中的表示法，有亮度、色調和飽和度3個分量，比基于笛卡爾坐標系的RGB色彩模型的幾何結構更加符合人類的感知特性[11-12]。

在HSL色彩空間中，陰影區域有以下特點：①本影區和RGB空間中的白色地物的色相值較低，半影區與水體色相值接近，不易區分；②本影區和部分顏色較深的半影區飽和度較高；③半影區和部分顏色較淺地物亮度較高。

1.3 主成分分析后陰影區域的特征

由于主成分分析(principal components analysis，PCA)獲得的特征與HIS和C1、C2、C3等彩色不變特征具有良好的統計不相關性[13]，因此，本文僅選取R、G、B 3個波段進行主成分變換。

鑒于第一主成分包含所有波段中90%以上的方差信息，故論文只分析第一主成分中陰影區域的特點，研究表明在第一主成分中，水體、深色地物、半影區及本影區的值接近，能夠較好地區別于其他地物。

1.4 陰影檢測模型的構建

通過上述分析，本文提出一種基于HSL-PCA集成的GF-1影像陰影檢測方法。首先分割出圖像的近紅外波段，得到陰影初步檢測結果。初步檢測結果中含有道路和河漫灘等亮度值接近陰影的區域；然后對圖像進行主成分分析，將RGB色彩空間轉換為HSL色彩空間，再將圖像中飽和度(S)與明度(L)相加，用第一主成分(PC1)除以飽和度(S)與明度(L)的和；最后選取合適的閾值，將近紅外波段和經過波段運算(PC1/(S+L))后的圖像分別提取出陰影區域。再運用邏輯與運算和形態學濾波對圖像進行處理，得到準確的陰影信息。具體流程如圖3所示。

圖3 陰影檢測方法流程圖

1)根據陰影區域在近紅外波段的特征，設定合適閾值，劃分陰影區域和非陰影區域。分割后的結果記為S1，其中含有完整的陰影區域信息，也包含了一些顏色較深的道路信息和少量河道和河漫灘邊緣信息，但不包含水體信息。

2)選取影像的RGB 3個波段做主成分分析，提取第一分量。將RGB色彩空間轉換為HSL色彩空間，并提取S和L分量。運用陰影飽和度和亮度特征進行加和運算，增大陰影地區與其他地區差異。運用比值運算，進一步突出目標信息。得到的結果記為S2，其中含有水體信息及絕大部分陰影信息，但不包含河道和河漫灘信息。

3)將2次自動提取結果做邏輯與運算，消除了道路、河道、河漫灘、水體和其他干擾信息，又得到了絕大部分陰影信息，記為S3。最后將運算后的圖像進行形態學閉運算，填充空洞，消除孤立點，使陰影信息更加完整。

2 實驗及分析

選取高分一號融合影像中2個不同區域做實驗，并對文獻[14]中提出的陰影檢測算法和本文算法進行對比和分析。計算結果如圖4所示，白色為陰影區域，黑色為非陰影區域。

研究區一如圖4(a)所示，圖中含有水體(矩形框)和明顯建筑物半影區(圓形框)。基于PC1/B的方法如圖4(b)所示，本文檢測算法如圖4(c)所示。通過對比圖4(b)和圖4(c)得出，PC1/B算法不能有效區分水體與陰影區域，而本文算法能夠有效區分水體與陰影區域，不存在水體誤提現象；PC1/B算法不能有效檢測出半影區陰影，本文算法能夠完整有效地提取出陰影的本影區和半影區。

研究區二如圖5(a)所示，圖中含有大量建筑物陰影、偏藍色地物、中等高度地物(矩形框中)。基于PC1/B的陰影檢測算法如圖5(b)所示；本文檢測方法如圖5(c)所示。通過對比圖5(a)和圖5(c)得出本文檢測方法能有效去除偏藍色地物影響，且能較完整地提取出陰影區域。通過對比圖5(b)和圖5(c)得出PC1/B算法不能有效地提取中等高度建筑物陰影，且對于高大地物的陰影存在大面積漏提現象。本文算法可較完整地提取高大地物的陰影區域，且對于中等高度地物陰影也能較好地檢測。

圖4 研究一區陰影檢測結果

圖5 研究二區陰影檢測結果

根據文獻分析及實驗驗證表明，基于高分辨率遙感影像陰影檢測的誤差來源主要有兩方面，一是難以提高對深色地物、水體和陰影區域的區分精度；二是對于亮度值較高的半影區部分難以檢測。經過對 GF-1影像中典型地物光譜值進行分析得知陰影的本影區和半影區部分在近紅外波段亮度值接近，并且和其他地物亮度值差異較大，易于檢測，但也有一些其他細小區域被誤提。因此，還要運用其他方法結合光譜特征提取陰影特征。

為了更加客觀地分析上述2種方法的陰影檢測結果，根據總體精度計算方法：

(1)

對2種檢測結果進行定量分析，結果如表2所示，通過本文方法的正確提取比例為89.50%，PC1/B的方法正確提取比例為63.00%。通過比較，表明本文方法具有更高的提取精度。

表2 陰影檢測結果及精度評定

3 結束語

本文提出的基于GF-1影像的陰影檢測方法能有效區分水體和陰影，而且能較完整地提取建筑物本影區和半影區的陰影區域，同時避免了深藍色地物的影響，檢測精度達80%以上。

論文研究的不足之處在于陰影檢測模型是根據高大地物與中等高度地物構建的，因此對于細小的陰影區域精度還需提高；對于部分陰影區域的細節的提取不是很清晰，模型還有待進一步改進。