谢亚坤，冯德俊，李 强，王垠入，瑚敏君

(西南交通大学地球科学与环境工程学院测绘遥感信息系，四川 成都 611756)

遥感影像中阴影检测对影像判读、目标提取、变化检测等具有重要意义。目前，高分辨率遥感影像中现有的阴影检测方法主要分为基于模型和基于影像光谱特性的检测方法[1]。基于模型的阴影检测方法需要获得较多的先验知识，如遮挡物体的几何形态、太阳方位、DSM数据及传感器相关参数来计算阴影区域。Nakajima[2]、郭海涛等[3]基于模型的检测方法实现了阴影信息的提取。但该方法因先验知识不易获取，理论性较强，在实际应用中具有较大的局限性。基于影像光谱特性相比于基于模型的检测方法较为容易且适用范围更广。Tsai等[4]采用RGB到HIS空间的色彩变换来提取阴影；Polidorio等[5]利用阴影区域光谱特性与几何特性进行阴影检测；Suzuki等[6]利用阴影区域在RGB和HIS色彩空间中的亮度及饱和度特性进行阴影检测；刘辉等[7]基于PCA(principal components analysis)和HIS变换，提出了一种阴影指数，采用阈值分割分离阴影。以上方法都是针对单个像元进行阴影提取，提取阴影斑块破碎且精度较低[8]。随着高分辨率遥感影像的广泛应用，面向对象技术逐渐得到应用[9]。Liu等[10]使用面向对象的方法进行阴影检测；帅滔等[11]利用HSV色彩空间中各特征分量并结合面向对象的方法进行阴影检测；王理政等[12]结合主成分变换和HIS空间提出了一种面向对象的阴影检测方法。这些方法针对特定影像虽然取得了较好的效果，但依然存在误提、漏提现象，如水体、较暗地物等被误提为阴影及阴影中较亮地物产生的孔洞现象，并且没有根据阴影提取目的对阴影进行分类提取，如建筑物高度计算、阴影补偿等[13]。

本文在总结前人研究和自身试验的基础上，以影像光谱特征为基础，提出一种特征分量的构建与建筑物阴影形状特征相结合的多尺度分割的面向对象阴影提取方法，可精确地提取出建筑物阴影范围。

1 建筑物阴影检测建模

从建筑物阴影光谱及形状特征分析阴影区域具有如下特性：①阴影区域由于被遮挡，影像中各波段显示较低的DN(digital number)值；②阴影区域与植被及较暗地物具有光谱接近的特性；③建筑物阴影形状一般较为规则且相对于其他地物阴影面积较大[14]。

1.1 阴影提取特征分量构建

本文拟构建4个特征分量以达到消除干扰及准确提取阴影信息的目的。特征分量依次为：主成分第一分量PC1、绿光波段(G)、过绿指数EXG(excess green)、HIS色彩空间经增强后的H分量。

1.1.1 基于主成分分析法构建分量PC1

主成分分析是基于图像统计信息的线性变换，可以降低数据冗余，增强数据对比度，提高影像分割及提取精度。本文采用RGB波段进行主成分变换，变换后的第一主成分(PC1)包含原影像90%以上的信息。选用该分量作为影像阴影检测的特征分量，可以区分道路、房屋及裸地等较亮地物，用于阴影的粗提取。

1.1.2 绿光波段G分量

经PC1所得出的阴影区域仍包含有水体、植被和较暗地物，严重影响了阴影的检测效果。在RGB影像中水体对绿光波段具有较强的反射性，对红光和蓝光波段吸收性较强。利用绿光波段可以较好地区分阴影与水体区域，引入原始数据的绿光波段作为特征分量之一。

1.1.3 过绿指数分量

目前遥感领域检测植被的方法大多数基于可见光-近红外波段，由于原始影像中无近红外波段，无法使用基于近红外波段的植被指数进行植被检测。根据阴影与植被区域光谱特性并反复试验对比各种可见光植被指数，过绿指数EXG[15]在阴影与植被区域具有较强的差异性，选取EXG作为特征分量之一。其表达式为

EXG=2ρG-ρR-ρB

(1)

式中，ρG为绿波段像元值；ρR为红波段像元值；ρB为蓝波段像元值。

1.1.4 图像增强之后的H特征分量

影像中阴影与非阴影区域在HIS空间具有高色调(H)、高饱和度(S)、低亮度(I)的基本特征，将原始影像由RGB转换为HIS空间。阴影和较暗地物区域在色调分量具有一定的差异性，但单独使用时稳定性低且阈值选取困难。为增强差异性，采用伽马变换[14]对该分量进行增强处理，变换方程如式(2)所示，选取图像增强之后的H分量作为特征分量。

习近平总书记的重要讲话，明确提出了把新时代改革开放继续推向前进的目标要求，是一篇马克思主义的纲领性文献。对改革开放最好的纪念，就是深入学习贯彻习近平总书记重要讲话，弘扬改革开放铸就的伟大改革精神，将改革开放进行到底。

(2)

式中，yH为对H分量进行伽马变换所得；xH为H分量原始波段值；a1取值为1.1。

1.2 构建形状特征规则

为精确提取建筑物阴影需要结合形状特征进一步设定规则，去除非建筑物阴影干扰。影像中的阴影主要有建筑物阴影、植被阴影及部分围墙的长条状阴影，根据建筑物阴影特性，从面积和长宽比两个特征来进一步提取建筑物阴影[14]。

1.2.1 面 积

由于影像中城市区域植被一般为道路及小区绿化，建筑物阴影与植被阴影相比在面积上具有较大差距，建筑物阴影一般要远大于植被阴影，可通过设立面积规则来确定去除小面积植被阴影。面积规则要通过分析图像空间分辨率和提取目标的大小来确定。

1.2.2 长宽比

长宽比是指对象的最小外接椭圆的长轴与短轴之比。非建筑物阴影仍存在部分长条状阴影，如围墙、道路两侧连续植被阴影等。此类阴影面积较大，无法通过面积特征去除，可利用其长宽比区分建筑物阴影和长条状阴影。其表达式为

(3)

式中，r为长宽比；l1为对象最小外接椭圆的长轴长；l2为对象最小外接椭圆的短轴长。

2 面向对象阴影检测

面向对象的遥感图像分析是一种新的图像分析理念和模式，以同质对象作为最小分析单元，合理利用对象的多种特征来制定相应的规则，进而对影像进行地物分类。面向对象的信息提取主要分为两步：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，根据实际情况设定影像分割参数，建立多尺度分割构架[2]。分割参数由以下4个方面组成：波段权重、分割尺度、形状因子、紧致度。对于建筑物阴影提取，以光谱信息作为主导，而由于建筑物阴影较为规则，分割时可适当增大形状因子。通过影像本身光谱特性、建筑物阴影形状特征分析及试验验证，分割尺度设置为80，形状因子和紧致度权重分别设置为0.35和0.6。

2.2 信息提取

本文选用4种特征分量构建规则集，用于区分阴影、水体、植被、较暗地物等地物。采用不同方法构建所得特征分量，其DN值范围各异，为便于比较分析，将各分量归一化处理，统一阈值范围为[0,1]，对不同地物特征值进行采样统计，结果如图1所示。

图1 各特征分量归一化之后的不同地物DN值

根据以上分析构建基于多尺度分割的面向对象建筑物阴影信息提取技术路线(如图2所示)及建筑物阴影提取规则集(如图3所示)。

图2 建筑物阴影信息提取技术路线

图3 建筑物阴影提取规则集

3 试验与分析

为验证本文方法的准确性，选取的两个试验区中均包含阴影、水体、道路、较暗地物及植被等地物。利用本文检测模型，将建筑物阴影检测结果叠加到原影像，并用白色表示最终提取的建筑物阴影区域。将本文检测结果与文献[16]中阴影指数NDUI(normalized difference umbra index)方法和基于像素的最大似然监督分类方法检测结果进行对比。

试验1选取江苏省某地区空间分辨率为0.25 m的RGB遥感影像，如图4(a)所示。本文方法检测结果如图4(b)所示，得到的建筑物阴影信息饱满，边界清楚，去除了水体、植被及较暗地物等干扰，并消除了白色汽车等高亮地物与阴影有重叠区域阴影中的孔洞现象。基于文献[16]中的NDUI算法结果检测如图4(c)所示，图中阴影信息清晰可见，仍存在部分较暗地物，而且建筑物阴影存在较严重的椒盐现象且建筑物阴影形态破碎，如图4(c)中框选部分所示。基于最大似然法监督分类检测结果如图4(d)所示，虽然剔除了部分水体、植被等干扰地物的影响，但与建筑物阴影有重叠的较亮区域被误判为非阴影，阴影提取结果也较破碎，如图4(d)中框选部分所示。

试验2选取安徽省某地区空间分辨率为0.25 m的RGB遥感影像，如图5(a)所示。本文方法检测结果如图5(b)所示，阴影提取效果较好，并且建筑物边界清晰，无较暗地物、水体及植被的误提。基于阴影指数NDUI[16]的算法检测结果如图5(c)所示，图中阴影信息清晰可见，但水体等地物出现大面积误提且建筑物阴影形态破碎，如图5(c)中框选部分所示。基于最大似然法监督分类结果如图5(d)所示，仍存在植被等地物阴影的误提现象且建筑物阴影提取不完整，如图5(d)框选部分所示。

图4 试验1阴影检测结果

图5 试验2阴影检测结果

通过对以上3种方法的对比分析，可以直观看出本文的阴影检测方法更具优势。为定量地对本文建筑物阴影检测结果的精度进行判断，将本文方法与人工解译结果进行对比与统计，结果见表1。两个试验正确提取比例分别为95.28%和96.64%，由此可知，本文方法对建筑物阴影检测具有较高的阴影检测精确度。

表1 阴影检测结果精度评定

为进一步评价单栋建筑物阴影检测精度，从两个试验中随机选取20栋建筑物与人工标定建筑物阴影进行像素统计和精度评价。10栋高层建筑物编号1-10，10栋低层建筑物编号A-J，编号如图4(a)、图5(a)所示，统计结果见表2。从统计结果中可以看出，在随机抽取的20栋建筑物中，11栋建筑物阴影提取正确比例在95%以上，6栋建筑物阴影提取精度为90%～95%，3栋低层建筑物提取精度为85%～90%。高层建筑物阴影提取正确率为95.90%，低层建筑物阴影提取正确率为92.64%，平均正确率为94.12%。

表2 抽样建筑物阴影检测结果精度统计

4 结 语

本文提出的集成特征分量和多尺度分割的面向对象建筑物阴影检测方法，能够有效地去除水体、植被及较暗地物的干扰，准确地提取出阴影区域，并通过对建筑物阴影形状特征的分析，结合面积和长宽比进一步去除结果中部分零散植被及长条状非建筑物阴影，准确得出建筑物阴影范围。相较于传统高分辨率遥感影像阴影检测方法，本文方法信息利用率更高，可以获取完整的阴影信息，具有较高的精度。不足之处在于：本文方法对于低矮建筑物阴影会存在错分现象，降低整体提取精度，仍需要对低矮建筑物阴影进行进一步研究，以获取更好的建筑物阴影提取效果。