王博， 张永军， 陈奇

(武汉大学遥感信息工程学院，武汉 430079)

0 引言

随着信息技术的迅猛发展，遥感技术已广泛应用于资源调查、城市规划、环境监测以及防灾减灾等各个领域，对遥感影像质量也提出了越来越高的要求。然而，传感器分辨率的大幅度提高，遥感图像上的云影、建筑物阴影以及自然地貌阴影对影像质量的影响问题也变得更加突出，增加了影像匹配、信息提取、模式识别及正射影像制作等一系列生产工艺的难度。

对阴影区域的处理，学者们做了大量的研究。Funka-Lea等[1]从产生原因上对阴影进行了深入分析； Huang等[2]从光照模型出发，提出了从影像色调分量上的阈值分割思路，为阴影的有效检测提供了可借鉴的构想； Tsai[3]从影像的色调和亮度信息出发，提出了在HIS，HSV和YCbCr等不变色彩空间进行阴影检测的方法。此外，小波变换[4]和Retinex模型[5-7]等相继被引入阴影区域增强的研究中，均取得了一些突破性进展。

然而，随着影像分辨率的提高，如何在高分辨率航空遥感图像上准确且自动检测出阴影区域，并在保证影像不出现较大失真的情况下补偿阴影区域，已成为摄影测量与遥感的一个瓶颈问题[8-10]。本文在HIS彩色空间内筛选出3个通道的判断阈值，进行阴影像元的检测，能够有效抑制误判； 利用尺度空间下的高斯滤波器组提取阴影区域的几何细节，可以在阴影区域进行阴影补偿的同时，增强影像的几何纹理细节，提高影像处理的保真度。实验证明，该方法能够在保留阴影区域纹理特征的前提下，得到合理的阴影补偿效果，保证影像后续处理的准确度和可靠性。

1 阴影区域的影像特征

遥感影像的亮度或色彩，都是光照函数和地物反射函数的复合函数，在影像处理中需要考虑遥感信号传输过程中的畸变误差。经典的影像处理模型可以表达为

f(x,y)=g(x,y)+n(x,y)g(x,y)

,

(1)

式中：g(x,y)为物体真实表达函数;n(x,y)为噪声函数;f(x,y)为物体像方表达函数。

对于阴影区域来说，曝光不足会使该区域影像的信噪比降低，与非阴影区域的反差加大，但整体上仍能保持与非阴影区域的纹理连贯性。同时，在某些特定的色彩空间，影像的一些分量并不会因为被阴影覆盖而受到明显的影响，即保持了一种对阴影的不变性。分析phong光照模型[11]，得出阴影区域在彩色空间上具有亮度值较低、饱和度较高及色调颇为一致等特征。除此之外，大量的实践表明： 阴影区域的形状往往不规则，受到光照方向和环境复杂度的限制； 阴影区域的边缘较为模糊，很难精确描述边缘； 阴影区域与水体具有相似的影像特征，不易分辨。这些特征的研究对于阴影检测和补偿是十分有利的。从式(1)可以看出，阴影区域的补偿可以通过抑制n(x,y)的方法实现。而对于曝光过后的图像处理，理论上是一个不可逆的过程，往往很难将丢失的信息补偿回来。因此，需要通过抑制噪声，提高信噪比的途径，增强阴影区域的信息。

2 阴影区域的检测与补偿

大量的研究表明，阴影区域在HIS彩色空间是可分类的。例如唐亮等[12]提出的基于光学色彩不变量理论的检测技术； 杨俊等[13]提出的基于归一化双阈值的检测手段； 虢建宏等[14]在多波段遥感影像中的阴影检测与去除研究，都取得了较好的检测效果。然而，随着影像分辨率的提高，双阈值法在检测中容易出现漏检的情况，并在纹理的几何细节处理上不具有鲁棒性。对高分辨率的航空遥感影像来说，阴影处理应该在最大限度保留地物几何细节的同时，尽可能地考虑更为鲁棒的检测方法。

在HIS彩色空间，影像的3个分量，即H(色度)、I(明度)和S(饱和度)分量相对独立。其中，H分量在光学系统中是一种光学彩色不变量，它不随诸如视角、物体表面法向及光照条件的变化而变化，因此在彩色物体识别、彩色图像检索及彩色图像恢复等领域起着重要作用； I分量集中了几乎所有的几何细节，对于地物纹理的几何细节处理十分便利； S分量从一定程度上反映了像方对光照的响应，可区别出颜色较暗的屋顶与阴影区域。本文通过研究H，I和S分量，利用3个通道的联合阈值测度进行阴影区域与非阴影区域的分割，在一定程度上避免了单一阈值或双阈值对复杂地物环境误判的可能性，提高了检测的有效性； 同时，利用高斯函数进行多尺度的几何细节抽取，最大程度地保留阴影区域的地物纹理信息，提高阴影区域处理的保真度。

阴影区域是一个闭合的图像块，可将其看成一个几何模型，其所包含的信息就可以看成是这个几何模型所对应的几何细节。因此，对于阴影区域的信息补偿问题，就可转化为几何细节增强的问题。本文基于高斯滤波构建多尺度保特征平滑算子，并由此逐步抽取阴影区域的几何细节，通过加权方式对阴影区域进行增强。

高斯滤波的用途是信号的平滑处理，并能保证接近真实的信号响应，其函数模型为

(2)

式中: (i,j)表示像素的位置;σ来控制尺度大小。对二维离散图像来说，对σ的调整也就是对卷积模板大小的调整。

在阴影区域这个几何模型中，设想其几何细节属于一种“噪声”。首先建立不同尺度的高斯函数对原始影像进行迭代处理，得到比较光滑的基础影像，理论上可以保证基础影像上基本的信息轮廓； 然后根据一个序列的“噪声”集，分析增强的加权系数，得到阴影区域增强的方案； 最后按照所得到的增强方案，在进行阴影区域灰度补偿的同时，加入几何细节的恢复增强，从而保证阴影区域补偿的结果在灰度和几何细节上较为一致。

3 算法流程

1)彩色空间变换。根据式(3)将RGB模式变换为HIS模式，即

(3)

(4)

(5)

2)提取各彩色空间下的分量图，进行相应测度阈值的估算。这里可以采用Otsu二值图像分割的自动阈值检测方法估算，也可以采用直方图单峰法来估算。

3)根据阈值将原始影像二值化，并进行数学形态学处理。以闭运算填充阴影区域内的细小空洞； 以开运算去除非阴影区域内的细小阴影区域。

4)针对阴影区域的I分量亮度图进行几何细节抽取。主要利用保特征平滑算子——高斯滤波器组进行图像处理。选择模板大小为3×3，5×5，7×7，9×9及11×11的高斯滤波器组，分别对原始影像做高斯平滑处理，提取未被高斯滤波器通过的高频信息，即通常情况下认为的“影像噪声”和“影像边缘”。此时，提取的信息是一组在尺度上有联系的噪声像素值，通过与原始影像的差值可以确定这些像素值是否为影像的几何细节。

5)分析序列影像，配置增强方案。以11×11模板处理后的影像为基准影像，每一尺度模板(选用5种不同模板大小的高斯滤波器决定了尺度模板共有5个)下生成几何细节，即多尺度高斯滤波算子运算得到的“噪声与边缘”点集，若点集中有成面状分布且有扩散趋势的细节，则将其权设为大权值，其余为小权值。

6)按照加权方案，将“噪声”点集叠加到原始影像的灰度图上，得到新的灰度补偿影像，可直接应用于针对灰度进行处理的摄影测量作业流程中。而对于针对RGB彩色空间的色彩信息恢复，实验中并未设计RGB各个通道的不同补偿方式和融合处理方法，因此本文不做分析。

4 实验结果评价及分析

4.1 阴影检测结果分析

本实验采用高分辨率航空遥感影像(图1(左)，图2(左))，影像的地面分辨率达0.1 m。阴影检测的阈值是由Oust算法在3个通道的二值化估算阈值，其中H分量的阈值为45，I分量的为140，S分量的为15，同时满足上述3个通道阈值的像素记为阴影筛选集。阴影检测结果如图1(右)和图2(右)。

图1 原始影像一(左)及其阴影检测结果(右，白色区域为阴影)

图2 原始影像二(左)及其检测结果(右，白色区域为阴影)

从图1，2的检测结果可以看出，阴影区域的位置基本符合真实情况。但仍然存在2个问题： ①在边缘区域有部分不能完全吻合，这是由于阴影区像元本身的分辨率造成的。理论上来说，阴影区像元的点扩散性使得其边缘存在不确定性，给准确检测带来困难； ②有些阴影没有被检测出来。例如，图2(左)中某些处于阴影区域的停车线未被检测出，这是由于影像本身的灰度分辨率太高，还难以提出一个普适的阈值组合，使其可以检测出所有类型的阴影。对直接检测结果进行“膨胀”和“腐蚀”处理后，可以填补阴影区域内的漏检像素，进一步明确检测区域的边缘。

应用3通道阈值联合的方法可以有效抑制错分情况，其中H分量确保阴影区域的特征不变性，这一点对真彩色影像可能不明显，但是对假彩色影像就较为明显； I分量是核心指标，用来确定大部分阴影类型； S分量用于区分实际照射目标和被遮挡目标，若实际照射目标的I分量灰度值较低，则其S分量通常较低，但是阴影区域刚好相反，如图3所示。图中屋顶在H分量和I分量上无法与阴影区分，但在S分量上的特征就比较明显，屋顶的饱和度较低，而阴影的饱和度较高。这一点也可以用于区分水体与阴影。

图3 原始影像三(左)及其S分量(右，白色区域为阴影)

4.2 阴影补偿结果分析

阴影补偿的关键在于几何细节的加权方案及背景色彩的填充。在基准影像(11×11窗口的高斯滤波结果影像)的约束下，一方面按照周围像素来确定阴影区域的背景色彩； 另一方面根据各尺度下的几何细节集进行加权融合，补偿阴影区域的纹理特征。在融合过程中，面状细节权值最大，线状细节权值次之，点状细节权值最小，同时需要判断点集的序列扩张。

图4与图5为原始影像一和原始影像二在5组高斯滤波器下的几何细节抽取结果。可以看出，影像上阴影区域的纹理特点能够直观地反映在各层高斯滤波器下，在进行补偿时，需要针对这些几何细节部分给予增强，才能保证阴影部分灰度补偿后，几何细节能够同比补偿，使得影像处理更符合视觉特性。

需要说明的是，5组高斯滤波器的处理结果并不是机械地叠加过程。从图4的第4幅和第5幅图可以看出，阴影部分已经没有几何细节了，因此在加权中，可以设定小权值； 而第1幅和第2幅图的几何细节较多，在加权中，应设定大权值。同理，图5的第5幅图的加权应为小权值，第1幅和第2幅图的加权应为大权值。

图4 原始影像一的5层几何细节抽取结果

图5 原始影像二的5层几何细节抽取结果

图6(左)与图7(左)分别为2幅原始影像的灰度图； 图6(右)与图7(右)分别为它们的补偿结果。

图6原始影像一的灰度图(左)及其灰度补偿结果(右)

Fig.6Grayfigureofimageone(left)anditsgraycompensationresult(right)

图7 原始影像二的灰度图(左)及其灰度补偿结果(右)

可以看出，补偿后的影像基本满足了非阴影区域与阴影区域的连贯性，缩小了阴影区域对摄影测量与遥感处理的干扰，降低了阴影区域的噪声。

然而不足的是，阴影区域与非阴影区域之间仍然存在一条较为明显的过渡区域，补偿后的阴影区域内出现一些噪声。从图7(右)可以看到，非阴影区域也有被补偿的。产生这些问题的原因主要可以概括为以下2点： ①阴影检测过程中无法精确定位阴影，导致阴影边缘的处理无法做到平滑过渡； ②阴影与某些地物具有极其相似的影像特征，实践中很难将其严格区分开。这些问题说明阴影区域的处理仍然需要部分人工干预，目前还无法做到全自动化处理。

5 结论

从实验中可以看出，阴影区域与局部特定地物(如水体、冰雪及产生镜面效应的地物)覆盖区具有相类似的影像特征。本文在HIS空间的阴影特征分析中指出，这类影像特征在波段数较少的彩色空间中无法做到有效区分阴影区与局部特定物覆盖区。与此同时，阴影区域的色彩恢复并不能简单地进行波段叠加，需要分析RGB空间下的补偿方案，本文并未就此问题进行展开。

实验结果证明，本文算法虽然还无法将阴影与其近似影像特征的水体完全区分开来，对阴影的边缘定位也不十分准确，但对于绝大多数的阴影区域都能够有效检测并加以补偿，能够针对大部分的阴影区域进行有效处理。在HIS空间中进行3通道阈值的阴影检测，可以有效提高阴影检测的准确率； 同时，在阴影补偿的过程中，引入多尺度高斯滤波器，较好地保留了阴影区域的几何细节。在辅助人工处理的基础上，本文算法可以应用到高分辨率航空影像的处理过程中，完成正射影像图和高质量影像地图的自动化成图。算法的后续研究可就彩色信息恢复与阴影边缘处理展开。

参考文献(References)：

[1] Funka-Lea G,Bajscy R.Combining colour and geometry for the active,visual recognition of shadows[C]//IEEE International Conference on Computer Vision.Boston,MA,1995:203-209.

[2] Huang J J,Xie W X,Tang L.Detection of and compensation for shadows in colored urban aerial images[C]//The 5th World Congress on Intelligent Control and Automation.Hangzhou，2004:3098-3105.

[3] Tsai V J D.A comparative study on shadow compensation of color aerial images in invariant color models[J].IEEE Trans on Geoscience and Remote Sensing,2006,44(6):1661-1667.

[4] 陶纯堪,陶纯匡.光学信息论[M].北京:科学出版社,2004:24.

Tao C K,Tao C K.Optical Information Theory[M].Beijing:Science Press,2004:24.

[5] Jobson D J,Rahman Z,Woodell G A.Properties and performance of a center/surround retinex[J].IEEE Transactions on Image Processing,1997,6(3):451-462.

[6] Edwin H L.The retinex theory of color vision[J].Scientific American,1977,237(6):108-128.

[7] McCann J J.Capturing a black cat in shade:The past and present of retinex color appearance models[C]//Proc.SPIE 4662,Human Vision and Electronic Imaging VII.SPIE,2002:33l-340.

[8] 王军利,王树根.一种基于RGB彩色空间的影像阴影检测方法[J].信息技术,2002,26(12):7-8.

Wang J L,Wang S G.A shadow detection method of color image based on RGB color space[J].Information Technology,2002,26(12):7-8.

[9] Polodorio A M,Flores F C,Imai N N,et al.Automatic shadow segmentation in aerial color images[C]//Proceedings of the XVI Brazilian Symposium on Computer Graphics and Image Processing.Sao Carlos,Brazil:IEEE,2003:270-277.

[10]王树根,郭泽金,李德仁.彩色航空影像上阴影区域信息补偿的方法[J].武汉大学学报:信息科学版,2003,28(5):514-516.

Wang S G,Guo Z J,Li D R.Shadow compensation of color aerial images[J].Geomatics and Information Science of Wuhan University,2003,28(5):514-516.

[11]Xia H Y,Guo P.A shadow detection of remote sensing images based on statistical texture features[J].Journal of Remote Sensing,2011,15(4):778-791.

[12]唐亮,谢维信,黄建军.城市彩色航空影像中的阴影检测[J].中国体视觉与图像分析,2003,8(3):129-134.

Tang L,Xie W X,Huang J J.Detection of shadow in urban color aerial images[J].Chinese Journal of Stereology and Image Analysis,2003,8(3):129-134.

[13]杨俊,赵忠明,杨健.一种高分辨率遥感影像阴影去除方法[J].武汉大学学报:信息科学版,2008,33(1):17-20.

Yang J,Zhao Z M,Yang J.A shadow removal method for high resolution remote sensing image[J].Geomatics and Information Science of Wuhan University,2008,33(1):17-20.

[14]虢建宏,田庆久,吴昀昭.遥感影像阴影多波段检测与去除理论模型研究[J].遥感学报,2006,10(2):151-159.

Guo J H,Tian Q J,Wu J Z.Study on multispectral detecting shadow areas and a theoretical model of removing shadows from remote sensing images[J].Journal of Remote Sensing,2006,10(2):151-159.