基于光譜特征的遙感影像陰影遮擋道路提取方法研究

陳國慶　韋春桃　陳奕州

摘 要：針對遙感影像中如何在保證道路信息提取準確度的同時也能保證其完整性這一問題，提出綜合指數陰影檢測算法和基于改進的灰度世界陰影補償算法來提取陰影遮擋道路。首先，利用綜合陰影檢測算法得到較為精確的陰影檢測圖像；根據陰影檢測結果圖，利用改進的灰度世界陰影補償算法對陰影區域進行補償，得到道路面陰影與周圍環境陰影區域存在差異的圖像。其次，利用分割算法實現陰影道路區域的分割；將其與ISODATA聚類算法分割的非陰影道路區域進行合并。最后，利用幾何權重連通性分析模型進行非道路區域的濾除。結果表明：該方法可以很好地保證道路提取的準確性和質量，適用于多種不同場景的陰影遮擋道路提取。

關鍵詞：陰影檢測；陰影補償；道路提取；幾何權重連通性分析模型

中圖分類號：TP751 文獻標志碼：A文章編號：1673-5072（2023）04-0424-07

隨著遙感衛星技術的不斷更新，遙感影像的分辨率實現了由低到高的轉變，也有了更加豐富的影像信息，但陰影現象的影響也變得尤為突出，特別是在道路提取過程中受房屋、樹木等遮擋，不能完整地提取道路，所以解決該問題對遙感信息的應用非常重要［1］。

陰影檢測方法有以下兩種，其一是基于幾何模型的檢測方法，但該方法相關參數獲取度大、復雜度高，故局限性也大［2］；另一種檢測方法是根據陰影區域和非陰影區域的屬性進行分別，比如光譜、紋理以及幾何特征等。虢建宏等［3］提出基于遙感影像直方圖閾值來檢測并提取多個波段陰影區域；Mostafa等［4］構建了結合主成分分析的第一主成分和多光譜波段的陰影檢測指數，實驗影像的陰影區域較其他區域會得到較大的指數，從而可以運用閾值分割方法得到陰影區域，該陰影檢測方法能很好地區分陰影與植被區域，但還是存在深色地物的誤檢問題。許多陰影區域檢測方法容易將植被、藍色以及深色非陰影區域地物錯誤地檢測為陰影區域［5］。關于

遙感影像陰影補償方法，楊俊［6］結合陰影投射方向，對陰影區域進行光照特征補償，在不改變陰影區域特征信息的前提下進行陰影去除。林宗堅等［7］分析陰影區域與非陰影區域直射光的差異，提出了陰影成像模型的補償方法。Yang等［8］在改進Wallis原理的基礎上，設計了一種新的陰影自動補償框架，其中包含了強度系數和拉伸系數，可以更有效地增強對比度和亮度。

在遙感影像處理中，陰影遮擋道路的問題目前沒有普適性強的方法，而且目標提取研究也相對較少。Hu等［9］提出一種基于“橋接”模型算法，能有效減少因道路遮擋而提取不完整的現象，但對復雜場景的影像存在一定缺陷；王卓等［10］提出的改進U-Net網絡方法在道路提取的準確性上有提高，但對于場景復雜的、有陰影遮擋的道路提取結果欠佳。

綜上，本文提出綜合指數陰影檢測算法和基于改進的灰度世界陰影補償算法來提取陰影遮擋道路。通過綜合陰影檢測算法，得到陰影檢測結果圖，然后對陰影區域進行抑制藍色分量和改進的灰度世界陰影補償算法進行補償，可以有效減少傳統的直方圖匹配算法產生的植被區陰影等斑塊的干擾，從而提高陰影道路的完整性。

1 研究方法

1.1 技術路線與圖像預處理

1.1.1 技術路線

本文數據使用2017年由Inria發布的公開數據集，采集自0.3 m分辨率的遙感影像［11-12］。將遙感影像分為陰影道路提取和非陰影道路提取，其中陰影道路區域先利用綜合的陰影檢測指數得到陰影檢測圖，然后將其進行陰影補償，最后對補償后跟周邊地物有一定區別的道路進行分割，再與ISODATA聚類算法分割的非陰影道路結合，對道路候選區域進行幾何權重連通性分析模型處理，最后得到道路提取結果。本文技術流程如圖1。

1.1.2 圖像預處理

對原始圖像進行線性拉伸，以提高影像清晰度，突出所需信息，利于進一步處理和分析。如圖2、圖3所示，原始影像整體偏暗，因此采用基于灰度直方圖的線性拉伸，這樣處理使顯示效果發生了變化，亮度得到提升，影像變得更加清晰，道路區域與周邊背景區域的差異得到增強，且像元值沒有任何改變。

1.2 陰影道路區域提取

1.2.1 陰影區域檢測

陰影區域中各分量亮度都會有所下降，其中紅色分量會急劇減少，綠色分量次之，而藍色分量保留較多。為了增大陰影與非陰影區域的差異，提出歸一化藍紅分量指數（NBRI）［13］，定義如下：

其中，NBRI指數取值為［-1，1］；B、R分別為藍色分量、紅色分量。NBRI值越大，說明該區域藍色光比例越大，越可能是陰影區域。但由于藍色地物在所屬光譜值中藍色分量較大，從而藍色地物的NBRI值也較大。

在HIS顏色模型中，由于陰影區域被樹木、建筑物等遮擋了太陽光，所以亮度值更低，飽和度更高，色調值更大，陰影區域接近于黑色。因此提出基于HIS顏色空間的歸一化陰影指數（SI），定義如下：

其中：H和I分別是HIS中的色調和強度，SI指數越大陰影區域的值越大，但深色地物與植被具有相似的特性，從而植被的SI值也會很大。

根據2個陰影檢測指數的特性，結合2者可以得到更加精確的陰影檢測結果。

1.2.2 陰影區域補償

顏色的恒常性就是讓計算機也具有人類視覺系統的功能，在不同光源的照射下還原圖像本來的顏色，故需要選擇合適的顏色平衡（校正）算法［14］。灰度世界算法是基于圖層特征的顏色恒常算法，本文結合抑制算法［15］和改進的灰度世界算法進行陰影區域的補償，可以增大道路區域與周邊地物的差異，以便后續陰影道路的提取。

首先，對遙感航空影像進行陰影檢測，將影像分為陰影區域Si（x，y）和非陰影區域NSi（x，y）兩幅圖像，先對Si（x，y）的藍色分量進行抑制，再分別估算陰影區域與非陰影區域的光照強度和顏色。

式中，λ為顏色調整參數。

其次，根據計算得到的光照顏色對陰影區域進行補償。定義如下：

式中，k（S）代表陰影區域的光照顏色，k（NS）代表非陰影區域的光照顏色；S（x，y）代表陰影區域影像，NS（x，y）代表非陰影區域影像；a為固定的常數，p代表明可夫斯基范式中的指數參數，可以取［1，∞］內的任意整數；S（x，y）表示影像與高斯濾波G卷積，G為3×3模板。

根據以上的公式的運算結果，通過式（6）對影像陰影區域圖像進行校正，可以達到陰影補償的目的。

1.3 非陰影道路區域提取

一般道路多呈線狀，紋理較均勻，光譜相似度較高。利用非監督分類的方法可以在沒有先驗知識的情況下使用光譜信息對影像進行分類。ISODATA算法即迭代自組織數據分析算法［14］，是常用的非監督分類方法，該算法與K-mean聚類算法相比對初始中心的選取影響較小，聚類效果更好［18］，所以本文選取ISODATA聚類算法進行非陰影道路的分割。

1.4 非道路區域濾除

1.4.1 幾何權重連通性分析模型

道路提取的困難不僅在于陰影遮擋，還在于要把潛在的道路區域與非道路區域的影像進行分離。針對以上情況，采用幾何權重連通性分析模型對道路候選區域結果加以分析，該模型充分考慮了道路區域的幾何信息和紋理信息。將影像局部的方差作為紋理信息，幾何特征則使用改進的長寬比指數來計算，從而構造幾何權重連通性分析模型，該模型要分別滿足閾值T1和T2，可表示為：

式中，Ni為長寬比指數值；Te為面積權重值；GW為幾何權重連通性模型值；L為連通區對象的外接矩陣的對角線長度；S為連通區對象的面積；Amax為最大連通區域對象的面積；ai為第i個連通對象的面積；σi為第i個連通對象的方差。

利用幾何權重連通性模型將非道路區域剔除，已知道路區域線性特征明顯，故通過長寬比公式來設定閾值，當研究區域的長寬比大于給定閾值時，則認為該區域為道路，反之則認為不是，予以剔除。選用方差作為紋理特征，當被選區域的紋理均勻時，方差就小，反之方差就越大。道路區域是互相連成一個線狀結構的，因此遙感影像中的道路區域具有連續性，所以道路區域的面積相對較大，故選用Amaxai作為權重，自適應地將小面積區域的權重加大，從而篩選道路區域。

2 結果與分析

2.1 實驗結果

實驗1。選取1 956像素×1 941像素帶有藍色地物及植被（紅色框）的遙感影像（圖4a），該影像場景包括了藍色地物、植被、房屋、道路等。

首先將陰影檢測結果通過Otsu算法進行閾值分割得到二值化的陰影檢測圖像。如圖4b所示，NBRI指數會將藍色地物檢測出來，但在植被檢測中表現較好；SI指數在檢測藍色地物時表現較好，但在植被檢測中會出現誤檢情況（圖4c）。本文將兩種陰影檢測指數相結合得到圖4d，藍色地物和植被都被成功去除，得到了較為精確的陰影檢測圖。

實驗2。選取1 850像素×1 841像素道路陰影的遙感影像（圖5a），該影像是植被遮擋光線產生的陰影區域，其中包含了道路區域以及周邊的植被區域。

通過對遙感影像進行陰影檢測（圖5b），將遙感影像分解為陰影圖像與非陰影圖像兩幅圖像，首先對陰影圖像進行藍色分量抑制，然后再利用提出的陰影補償算法進行陰影補償，從而增大道路區域與周邊地物的差異（圖5c）。本文采用高效的分割算法——Lazy Snapping算法［16］，將突顯的道路區域作為前景，其余視為背景，結合該算法對陰影道路區域進行分割，得到被陰影遮擋的道路區域（圖5d）。

實驗3。為了更加直觀地驗證本文方法的優劣，從定性和定量兩個方面來驗證，其中定量評價的3個指標為完整率（C1）、正確率（C2）、和質量（C3），計算公式如下：

式中，TP表示正確提取的道路像元個數；FN表示漏提的道路像元個數；FP表示誤提的道路像元個數。

選取4 642像素×2 950像素的郊區影像和3 104像素×2 788像素的城市影像對本文的方法加以驗證。圖6a包含房屋、房屋前的院子和被樹木陰影遮擋干擾的道路；圖6b影像中為城市道路，場景復雜，地物信息多，路面不僅有許多車輛遮擋，還有建筑物陰影的遮擋，存在多種因素的干擾。

首先對遙感影像利用ISODATA算法進行非監督分類，其中分類類別為5～6類，最小類間距為5，得到分類后的影像，選擇類別聚類中心光譜值與道路光譜值最接近的兩類為初始道路結果，以此得到郊區與城市非陰影的道路區域。

對于郊區道路陰影遮擋區域，通過綜合陰影指數檢測出陰影圖像，得到基于RGB空間的陰影圖像，先選取λ=0.7以抑制藍光分量，然后結合本文提出的陰影補償算法增大陰影道路區域與周邊地物的區別，基于Lazy Snapping算法分割的道路更加貼合原道路區域，再將兩者結合得到道路候選區域，最后利用幾何權重連通性分析模型進行非道路剔除，其中長寬比指數閾值設置為18，大于該閾值的被認為是道路保留；面積權重閾值設置為55，小于該閾值的被認為是道路保留。本文得到的結果與傳統的直方圖匹配算法對比結果顯示（圖7，圖8），直方圖匹配算法提取的道路會誤提陰影遮擋的其他地物，難以消除非道路面陰影對道路提取帶來的干擾。由表1可知，雖然本文算法在郊區道路的完整率上略低于直方圖匹配，但在正確率和綜合質量上都遠高于直方圖匹配算法。

城市道路影像提取時，由于道路停放車輛較多，因此道路上出現許多細小陰影被檢測出來，將ISODATA算法分割出來的非陰影道路區域使用形態學算法先行處理；在道路影像處理中，長寬比指數閾值設置為8，面積權重閾值設置為45，λ=0.7，城市道路受植被、汽車及材質相似的房屋等因素的干擾，道路區域沒有清晰的邊界，致使本文方法提取道路的正確率只有80.790%，但完整率可達到92.453%。

本文方法在兩種場景的檢測質量上都約高于直方圖匹配方法13%，正確率也提高了10%以上，從定性和定量兩個方面驗證了本文方法的優勢，故本文道路提取結果取得了較好的效果，對遙感影像信息的應用有一定的參考與借鑒。

3 結論與展望

本文針對遙感影像中如何在保證道路信息提取準確度的同時也能保證其完整性這一問題，提出結合綜合指數陰影檢測算法和基于改進的灰度世界陰影補償算法來提取陰影遮擋道路。首先，針對NBRI指數誤檢藍色地物和SI指數誤檢植被等缺點，提出本文陰影檢測算法，得到較為精確的陰影檢測圖像；根據陰影檢測結果圖，在陰影區域中利用綜合陰影指數進行陰影檢測，利用Otsu閾值分割方法，得到陰影檢測圖像；將得到的陰影圖像進行藍色分量抑制，再用改進的灰度世界算法進行陰影補償，擴大道路與周邊地物的差異，借助Lazy Snapping算法實現陰影道路的提取；對預處理影像進行ISODATA聚類分割，選取與道路光譜值最接近的兩類為初始道路結果，以此對遙感影像進行道路粗提取；最后將提取的陰影區域和非陰影區域進行結合得到道路候選區域，再利用幾何權重連通性模型進行非道路區域的濾除。

本文算法在郊區和城市兩種不同場景進行實驗，最后檢測質量都能達到70%以上，獲得道路區域精度較高，有效地提高了道路的準確性和完整性，且在陰影遮擋區域提取設置的閾值較少，可以輔助于道路導航、城市規劃以及地理信息庫的更新等方面。然而，本文的陰影檢測算法雖然結合兩種陰影指數算法，但對于深色地物還是存在誤檢情況。本文提出的陰影道路補償算法在復雜環境下的表現欠佳，后續的研究將針對復雜場景陰影區域補償算法做進一步的研究。

參考文獻：

［1］ 鄧琳，鄧明鏡，張力樹.高分辨率遙感影像陰影檢測與補償方法優化［J］.遙感技術與應用，2015，30（2）：277-284.

［2］ 方菊芹.遙感影像陰影檢測與去除算法研究［D］.重慶：西南交通大學，2014.

［3］ 虢建宏，田慶久，吳昀昭.遙感影像陰影多波段檢測與去除理論模型研究［J］.遙感學報，2006，10（2）：151-159.

［4］ MOSTAFA Y，ABDELHAFIZ，A.Accurate shadow detection from High-Resolution satellite images［J］.IEEE Geoscience and Remote Sensing Letters，2017，14（4）：494-498.

［5］ 董勝光.顧及陰影補償的高分辨率遙感影像對象級稀疏表示分類［D］.長沙：湖南師范大學，2019.

［6］ 楊俊，趙忠明.基于歸一化RGB色彩模型的陰影處理方法［J］.光電工程，2007，32（12）：92-96.

［7］ 林宗堅，任超鋒，姚娜，等.一種航空影像陰影補償方法［J］.武漢大學學報（信息科學版），2013，38（4）：431-435.

［8］ YANG Y，RAN S，GAO X，et al.An automatic shadow compensation method via a new model combined Wallis Filter with LCC Model in high resolution remote sensing images［J］.Applied Sciences，2020，10（17）：5799.

［9］ HU H，LIU Y，WANG X，et al.Road extraction in remote sensing images using a new algorithm［C］//International Conference on Intelligent Information Hiding and Multimedia Signal Processing.IEEE，2008

［10］王卓，閆浩文，祿小敏，等.一種改進U-Net的高分辨率遙感影像道路提取方法［J］.遙感技術與應用，2020，35（4）：741-748.

［11］MAGGIORI E，TARABALKA Y，CHARPIAT G，et al.Can semantic labeling methods generalize to any city？The inria aerial image labeling benchmark［C］//International Geoscience and Remote Sensing Symposium （IGARSS）.IEEE，2008.

［12］MAGGIORI E，TARABALKA Y，CHARPIAT G，et al.Can semantic labeling methods generalize to any city？The inria aerial image labeling benchmark［EB/OL］.（2017-10-14）［2022-02-07］.https：//project.inria.fr/aerialimagelabeling/.

［13］陳紅順，賀輝，肖紅玉，等.基于光譜特征的高空間分辨率遙感影像陰影檢測［C］.中科院長春光機所，《光學精密工程》編輯部.2015光學精密工程論壇論文集.2015：495-501.

［14］張海霞，卞正富.遙感影像植被信息提取方法研究及思考［J］.地理空間信息，2007，5（6）：65-67.

［15］王樹根，郭澤金，李德仁.彩色航空影像上陰影區域信息補償的方法［J］.武漢大學學報（信息科學版），2003，28（5）：514-516.

［16］LI Y，SUN J，TANG C K，et al.Lazy snapping［J］.ACM Transactions on Graphics，2004，23（3）：303-308.

［17］陳平生.K-means和ISODATA聚類算法的比較研究［J］.江西理工大學學報，2012，33（1）：78-82.

［18］趙書河.高分辨率遙感數據處理方法實驗研究［J］.地學前緣，2006，13（3）：60-68.

Extraction Method of Shadow Occlusion Roadsfrom Remote Sensing Images Based on Spectral Features

CHEN Guo-qing，WEI Chun-tao，CHEN Yi-zhou

（School of Civil Engineering，Chongqing Jiaotong University，Chongqing 400041，China）

Abstract：Aiming at the problem of ensuring the accuracy of road information extraction and its integrity in remote sensing images at the same time，a comprehensive exponential shadow detection algorithm and an improved Grey-world shadow compensation algorithm are proposed to extract shadow occlusion roads.First，the comprehensive shadow detection algorithm is adopted to obtain a more accurate shadow detection image and the improved Gray-world shadow compensation algorithm is employed to compensate the shadow area in accordance with the shadow detection result map，obtaining the difference image between the shadow of road surface and the shadow area of surrounding environment.Secondly，the segmentation algorithm is utilized to achieve the segmentation of the shadow road area，which is then merged with the non-shadow road area segmented by ISODATA clustering algorithm.Finally，the non-road area is filtered out by the geometric weight connectivity analysis model.The results show that this method has better performance in ensuring the accuracy and quality of road extraction，applicable to road extraction in a variety of different scenes.

Keywords：shadow detection；shadow compensation；road extraction；geometric weight connectivity analysis model

收稿日期：2021-09-16基金項目：重慶市基礎科學與前沿技術研究專項重點項目（cstc2015jcyj BX0023）；桂林市科學技術研究開發項目（20190601）

作者簡介：陳國慶（1996—），女，碩士研究生，主要從事攝影測量與遙感理論應用研究。

通信作者：韋春桃（1968—），女，教授，主要從事攝影測量與遙感理論應用研究。E-mail：269276944@qq.com

引文格式：陳國慶，韋春桃，陳奕州.基于光譜特征的遙感影像陰影遮擋道路提取方法研究［J］.西華師范大學學報（自然科學版），2023，44（4）：424-430.［CHEN G Q，WEI C T，CHEN Y Z.Extraction method of shadow occlusion roads from remote sensing images based on spectral features［J］.Journal of China West Normal University （Natural Sciences），2023，44（4）：424-430.］