遥感中的阴影及应用

遥感中的阴影及其应用

前言

高分辨率遥感影像同时具有地图的几何精度和影像视觉特征，具有广泛的应用。然而由于算法以及客观条件的限制，影像中存在着大量的阴影，它直接影响到地物边缘的提取、目标识别、分类等。特别是近年来随着影像分辨率的提高，阴影现象更加突出，因此对其进行检测与补偿显得极其重要。

1. 研究的背景及意义

高分辨率遥感影像已被应用在林业、旅游、水文水资源、名胜古迹的维修等领域。这些应用的首要问题是对影像中的关键地物进行识别、提取。理论上，高分辨率卫星遥感影像在经过像片倾斜引起的像点位移、图形变形以及地形起伏引起的投影差的纠正，并在消除大气折射，相机系统带来的误差后，应该准确反映地物特征。然而，由于建筑物的影响以及太阳光的照射，出现阴影和影像遮蔽以及摄影死角。

随着遥感传感器灵敏度不断提高，影像分辨率从几十米到现在的厘米级。原本在较低几何分辨率影像中不明显的阴影已经在影像中格外突出。比如在农村地籍调查中，由于航片的分辨率很高，有很多高大建筑物或者树木阴影，给界址点解译造成很大的困难。并且图解存在一定的误差。机载多角度成像数据的空间分辨率能够达到5厘米，影像上的阴影非常突出。阴影使得影像上阴影区域所反映的被摄目标的信息有所损失或受到干扰。这在计算机影像处理中将直接影响到相应区域地物的边缘提取、目标识别和地表覆盖分类以及影像匹配算法的成功率等。它不仅破坏了影像的视觉解译能力和审美效果，还影响了遥感影像作为地图产品的基本功能发挥。如何消除遥感影像的阴影，具有越来越重要的现实意义。

总的来说，卫星遥感影像能够快速提供地球表面的信息，高分辨率卫星遥感开创了许多新的应用领域，但影像中的阴影是一个必须解决的问题。它给像影像分类这样的一些应用带来了很大的麻烦。比如在卫星遥感影像分类中，大多数的地形或地物阴影与水体的光谱特征相混淆，很难准确地它们进行分类。阴影区地物表现在遥感影像上信息量相对较少，难以判读，在影像处理和工程应用中，影响操作进程，甚至产生错误结果。

阴影由高出地面的物体对太阳光遮挡而形成,在遥感影像数据上表现为DN 值偏低。在IKONOS等高空间分辨率遥感影像中,阴影是其基本特征之一。阴影区地物表现在遥感影像上信息量相对较少,难以判读,在影像处理和工程应用中,影响操作进程,甚至产生错误结果。随着高空间分辨率遥感的广泛应用,如何消除遥感影像的阴影,具有越来越重要的现实意义,但是这个问题一直是遥感影像处理领域的一个难题。而使用高精度的阴影监测方法和使用的阴影去除方法，可以真实再现阴影区地物特征，增加影像信息量，提高数据质量。这样就消除了阴影对目标识别的不利影响，从而达到了正确识别目标的目的。这些方法被广泛的应用与军事目标识别、城市规划、医疗检测等多门领域中。

2. 阴影检测

阴影在图像中普遍存在，它严重影响图像处理的后期工作，如图像分割和图像匹配等。为此必须先对图像阴影进行去除。阴影种类繁多，有基于几何特性的，有基于阴影灰度性质(如阴影边缘灰度渐变、突变，阴影分布是否均匀)的，还有基于阴影形成原因的，但目前没有一种通用的阴影去除方法能对所有的阴影有理想的处理效果，所以必须对不同类型的阴影采用不同的处理方法。本文提出了将阴影分类的思想，但前提是先对阴影进行检测。近年来，解决阴影检测和识别的方法已有不少文章，如Jiang与Ward提出了基于阴影强度与几何特性的阴影检测方法，即在阴影的检测过程中采用3层：低层、中层与高层。在低层处理时从图像中提取暗区域；中层则对暗区域进行特征分析，包括检测暗区域轮廓顶(vertices)，确认暗区域中的半影(penumbrae)，将暗区域分成自阴影和投影阴影以及确定与暗区域相邻的物体区域；高层则结合前两层结果，从暗区域中确认阴影。Salvador等人基于彩色不变模型确定并归类阴影。

以上阴影检测方法都存在局限性，需要满足一定的假设条件，如场景中仅有一个光元，阴影位于相对平坦的区域，或有某种不因阴影而改变的彩色不变量等。本文采用基于粗糙集阴影边缘点分类的方法，较好地实现了阴影边缘的检测。2.1 基于等价关系的子图像划分

对于一幅灰度级数为L的M×N个像素组成的二维图像U，设像素x为U中的一个对象，称知识库（知识系统）K=(U，R)为一个图像近似空间。考虑中心像素为w(i，j)=f(x，y)的3×3窗口，如式（1）：

移动该窗口，使所有像素都依次置于该窗口的中心位置。计算像素点w(i，j)的梯度I（x，y）=(|ΔX|+|ΔY|)，其中

f(x，y)为原图像，g(x，y)为处理后的梯度图像。

粗糙集理论[3]中有两种属性：条件属性和决策属性。为了有目的地区别处理

图像中某类阴影，定义条件属性集C={c

1，c

2

，c

3

}，其中c1是非阴影噪声属性，

c 2是像素的梯度大小属性，c

3

是邻域最大灰度属性。

噪声属性c

1

={0，1}，其中0代表1×1（单个像素）或3×3像素组成子块p

的平均灰度值与相邻子块平均灰度值之差的绝对值均小于某一阈值T；1代表子

块的差值绝对值均大于T。像素梯度的属性c

2

={0，1}，其中0代表像素梯度满足A

大邻域灰度差属性C

3

={0，1}，此处既利用了像素本身的灰度值，又利用了其邻域信息，设C(X，Y)={F(X-I，Y-J)|-(N-1) 2}表示图像中大小为n×n的窗口，f(x，y)表示坐标为(x，y)的点的灰度值，n为奇数，则定义邻域函数为

其中0代表邻域最大灰度差C

子图的划分就是利用不可分辨关系的等价概念，按属性C分类。

(1)根据C

1

划分子图

定义等价关系R

c1为：子块P

ij

与相邻子块的平均灰度值E(P)之差的绝对值取

整均大于某一阈值T，即：

式中P

i±1，j±1表示与P

ij

相邻的子块，R

c1

(P)表示所有孤立噪声或小块的非阴