基于归一化RGB色彩模型的阴影处理方法

第34卷第12期 光电工程V ol.34, No.12 2007年12月 Opto-Electronic Engineering Dec, 2007文章编号：1003-501X(2007)12-0092-05
基于归一化RGB色彩模型的阴影处理方法
杨俊1, 2，赵忠明2
( 1. 中国气象科学研究院雷电物理和防护工程实验室，北京 100081；
2. 中国科学院遥感应用研究所国家遥感应用工程技术研究中心，北京 100101 )
摘要：通过分析影像上阴影区域的属性，提出了一种基于阴影属性的高分辨率遥感影像阴影检测和去除算法。

利用阴影区域蓝色分量偏高的特性，对归一化B分量和原始B分量进行阈值检测，并结合小区域去除和数学形态学处理，得到较精确的阴影区域；然后，分别在RGB空间和HSI空间对各个独立的阴影区域与其邻近的非阴影区域进行匹配，完成阴影去除操作；最后沿着阴影边界做一次中值滤波以减轻边缘效应。

仿真结果验证了算法的有效性，并且显示在HSI空间获得了更好的补偿效果。

关键词：遥感影像；归一化RGB；阴影检测；阴影去除
中图分类号：P237.3; TP751.1 文献标志码：A
Shadow processing method based on normalized RGB color model
YANG Jun1, 2，ZHAO Zhong-ming2
( 1. Laboratory of Lightning Physics and Protection,
the Chinese Academy of Meteorological Sciences, Beijing 100081, China;
2. National Engineering Research Center of Geoinformation, the Institute of Remote Sensing Applications,
the Chinese Academy of Sciences, Beijing 100101,China)
Abstract:A new property-based shadow detection and shadow removal algorithm is proposed for high resolution remote sensing image after analyzing the properties of shadow regions. Threshold detection is performed on normalized blue band，and original blue band based on shadow regions has higher pixel value than non-shadowed regions in blue band.
Combined the two threshold detection results, an original shadow mask is obtained. Then small region removal and morphological algorithm are used to get accurate shadow mask. Each shadow region is matched to its adjacent non-shadowed region on RGB (Red, Green, Blue) color space and HIS (Hue, Intensity, Saturation) color space respectively to finish shadow removal. At last, median filtering is performed along the edge of each shadow mask in order to reduce the effect of noise. The experimental results demonstrate that the algorithm performs well and a better compensation result is obtained in HSI color space.
Key words: remote sensing image; normalized RGB; shadow detection; shadow removal
引 言
在遥感影像的获取过程中，由于地面目标对光线的遮挡，不可避免地会在影像上产生较暗的阴影区域，随着高分辨率遥感影像的广泛应用，阴影对遥感影像质量的影响越来越严重。

阴影是一种特殊的噪声，它作为图像退化的一种特殊形式，使得影像上阴影区域里的目标信息失真，无论是人工解译还是计算机自动处理，阴影均是影响解译分析精度的主要噪声源之一。

因此，如何有效、高精度去除或减少阴影噪声的影响，是图像预处理需要急迫解决的问题之一。

收稿日期：2007-04-15；收到修改稿日期：2007-08-08
基金项目：国家863计划项目，科技部科研院所技术开发研究专项
作者简介：杨俊(1978-)，男(汉族)，湖北天门人，博士，主要研究方向包括遥感图像处理、图像融合、图像复原。

E-mail: yj100@
2007年12月 杨 俊 等：基于归一化RGB 色彩模型的阴影处理方法 93
图1 阴影检测流程图 Fig.1 Flow chart of shadow detection
阴影去除一般包括两个方面的内容：阴影区域的检测和阴影区域的去除。

阴影检测技术可分为两类，基于模型的方法[1-3]和基于阴影属性的方法[4-10]。

基于模型的方法需要有关于场景、目标和光照情况的先验知识，通常用来处理特定的场景，具有较大的局限性。

基于属性的方法则是利用阴影区域的光谱和几何特性来检测阴影，最早是利用影像上阴影区域的亮度要比周围像素亮度值低的性质，如果灰度直方图成双峰或多峰分布，则采用阈值法[11]来进行阴影检测，这样处理的结果是水体、低亮度地物等被当作阴影，而阴影区高亮度地物却被当作非阴影，显然误差较大，对大范围、复杂地形地物影像不适用。

Tsai [4]通过分析彩色航空图像上阴影区域的亮度和色调属性，基于HSI 、HSV 、YCbCr 等不变色彩空间提出了一种阴影检测方法，但这种方法易将深蓝色和深绿色地物误检为阴影区域。

遥感影像上每个像元的亮度或色彩都是太阳光照函数和地物反射函数的复合函数，由于这一复合函数非常复杂，从理论上讲，要完全消除影像上的阴影、恢复阴影区域中地物的本来面目几乎是不可能的。

传统的图像增强方法，如直方图均衡、同态滤波[12]、归一化处理[13]等，对改善影像的阴影都有一定的作用，但处理后的影像阴影仍然明显。

同时，问题的关键在于这些方法对阴影信息进行补偿的同时，不能做到完全不改变非阴影区域的信息。

本文基于阴影区域属性，提出了一种基于归一化RGB 色彩模型的阴影处理方法。

首先将RGB 影像进行归一化，结合归一化后的蓝色通道影像和原始的蓝色通道影像，采用阈值检测，再结合小区域去除和数学形态学处理，得到较精确的阴影区域。

在阴影去除方面，本文利用阴影区域邻近的非阴影区域的信息，分别在RGB 空间和HSI 空间完成了阴影补偿操作。

1 阴影检测
高分辨率遥感影像上的阴影是由于图像上直射光线被遮挡形成的，相比影像上的其它区域，阴影区域具有如下一些特有的属性：
1) 由于光线被遮挡，阴影区域具有更低的灰度值；
2) 阴影区域具有更高的色调值[14]；
3) 由于大气瑞利散射的影响，阴影区域具有更高的饱和度；
4) 阴影不改变原有地表的纹理特征[2]；
5) 阴影与产生阴影的目标具有相似的轮廓[3]。

文献[14]分别通过分析Phong 光照模型[15]，发现在阴影区域的三个通道中，R 通道下降得最多，G 通道次之，B 通道下降得最少，这相当于增加了阴影区域的
蓝色分量。

本文充分利用了阴影区域的这一属性，通过对
彩色RGB 影像进行如下的归一化处理：
B
G R R R ++=′ (1) B
G R G G ++=′ (2) B
G R B B ++=′ (3) 其中：R 、G 、B 分别为原始的RGB 分量，R ′、G ′、B ′分别
为归一化后的RGB 分量。

通过前面的分析可知，由于在
阴影区域B 通道灰度下降得最少，所以在B ′分量中，阴影
区域主要占据的是高像素值端，通过对B ′分量图采用阈值
分割的方法，设置一个较高的阈值就可以得到大致的阴影
区域。

但原始影像中的偏蓝色地物在B ′分量中也具有很高的像素值，需要将这些区域从阴影区域中去除。

基于此，
光电工程 第34卷第12期 94本文在原始的B 分量图中引入了一个阈值来保证阴影检测的精度。

只有在B ′分量中高于某个阈值，并在B 分量中低于某个阈值的区域，才被检测成为阴影区域。

本文对B ′分量和B 分量图采用的阈值是利用Ostu [16]提出的经典的基于灰度图像的阈值检测算法得出的。

该阈值检测算法能自动算出灰度图像转化为二值图像的最佳阈值，不需要人工交互。

在得到初步的阴影分割结果后，统计各个独立阴影区域的面积大小，如果小于一个给定的阈值的话，就认为其属于非阴影区域内部的具有较低亮度的地物。

这样得到的小区域去除结果，还可能会由于阴影区域内部存在较大面积的高亮度地物而留有空洞，因此还需要对分割出的阴影区域进行一个数学形态学的闭运算处理，这样就可以得到较精确的阴影区域。

整个阴影检测流程可以用图1表示。

图2是一幅彩色高分辨率遥感影像利用本文提出的算法进行阴影检测过程中各个步骤的结果。

2 阴影去除
2.1 阴影补偿
假定图像是局部平稳的，可以认为阴影区域与其周围一定范围内的非阴影区域的统计信息是相似的。

在检测出阴影区域之后，对各个独立阴影区域与其邻近的非阴影区域进行匹配，完成阴影区域补偿操作。

其中，邻近的非阴影区域是采由式(4)计算出来的。

}),(0|{shadow noshadow dist p d p <<=ΩΩ (4)
式中：noshadow Ω表示邻近某个距离阈值dist 的非阴影区域集合，),(shadow Ωp d 表示某个点到阴影区域的距离。

在得出每个独立的阴影区域和其邻近的非阴影区域之后，本文分别在RGB 空间和HSI 空间进行了阴影补偿操作。

在RGB 空间，采用如下映射策略对阴影区域各个波段的灰度值分别进行补偿：
]),([),(noshadow shadow
shadow shadow noshadow shadow σσ⋅−+=m j i DN m A j i De (5) 式中：shadow DN 是补偿之前的阴影区域灰度值，shadow De 是补偿之后的阴影区域灰度值，shadow m 和shadow σ是阴影区域的均值和方差，noshadow m 和noshadow σ邻近的非阴影区域的均值和方差。

A 为补偿强度系数。

将RGB 图像变换到HSI 空间，本文又尝试了对S 、H 和I 分量图上各个独立阴影区域分别与邻近的非阴影区域进行匹配，补偿策略如下：
]),([),(noshadow shadow shadow noshadow σσ⋅−+=′m j i S m B j i S
(6)
(a) Original image (b) Normalized B band (c) Original B band (d) Threshold result of normalized
B band
(e) Threshold result of (f) Original shadow result (g) Small region removal result (h) Final shadow detection result
original B band
图2 阴影检测过程
Fig.2 Process of shadow detection
2007年12月 杨 俊 等：基于归一化RGB 色彩模型的阴影处理方法 95
]),([),(noshadow shadow shadow noshadow σσ⋅−+
=′m j i H m C j i H (7) ]),([),(noshadow shadow shadow noshadow σσ⋅−+=′m j i I m D j i I (8)
其中：S 、H 和I 分别是补偿之前的阴影区域饱和度值、色调值和亮度值，S ′、H ′和I ′分别是补偿之后的阴影区域饱和度值、色调值和亮度值。

B 为饱和度补偿强度系数，C 为色调补偿强度系数，D 为亮度补偿强度系数。

2.2 后处理
由于阴影区域和非阴影区域之间存在一个灰度突变，经过灰度补偿和清晰度增强之后，阴影区域和非阴影区域之间仍然可以看到一条较为明显的边界线。

为了减弱这种边缘效应，本文在进行阴影区域补偿之后，又沿着阴影边界进行了一次中值滤波处理，从而使补偿后的阴影区域能较为平滑的向非阴影区域过渡。

3 实验结果及分析
本文对多幅高分辨率遥感影像进行了实验，图3给出两幅图像的实验结果，其中左边的为原始影像，中间的为RGB 空间阴影补偿之后的影像，右边的为HSI 空间阴影补偿之后的影像。

在对阴影区域进行补偿时，本文用到的距离阈值为40，后处理过程中的中值滤波采用的模板大小为5×5。

原始影像1中的补偿强度系数A 、B 、C 、D 分别为0.7、0.6、0.6、0.7，影像2中的补偿强度系数分别为0.7、0.5、0.5、0.8。

从图3可以看出，RGB 空间补偿和HSI 空间补偿都能有效地去除阴影的影响，但RGB 空间补偿后的阴影区域相比HSI 空间补偿结果存在着一定程度的色彩畸变。

这是因为，在RGB 空间补偿时是分别对R 、G 、B 三个通道中的阴影区域分别进行补偿，只考虑了亮度的变化而忽略了色调和饱和度的影响。

而在HSI 空间补偿，由于充分考虑了阴影区域色调和饱和度的变化，获得了更好的补偿效果。

遥感影像上阴影区域的去除，一方面要求尽可能恢复阴影区域的信息，另一方面要求在对阴影区域信息进行恢复的同时，要尽可能地不改变非阴影区域的信息。

本文采用的策略是先精确检测出影像上的阴影区域，再对阴影区域与其邻近的非阴影区域进行匹配，这能够从根本上保证在对阴影区域进行补偿的同时，完全不改变非阴影区域的信息。

本文的实验结果也有效地说明了这一点。

4 结 论
高分辨率遥感影像上的阴影是一个普遍存在的问题，严重影响着影像的质量。

本文提出的基于归一化(a) Original image 1 (b) Compensation result of RGB space (c) Compensation result of HSI space
(d) Original image 2 (e) Compensation result of RGB space (f) Compensation result of HSI space
图3 实验结果
Fig.3 Experiment results
光电工程第34卷第12期96
RGB色彩模型的高分辨率遥感影像阴影检测算法，能有效地将阴影区域从图像中分割出来，并利用阴影区域周围的信息分别在RGB空间和HSI空间对阴影区域进行补偿。

实验表明，两种补偿方法都对非阴影区域的信息基本没有改变，但HSI空间补偿获得了真实感更强的补偿效果。

相比其它的方法，本文提出的方法简单，具有很好的鲁棒性，且不需要任何有关场景和光照情况的先验知识。

参考文献：
[1] Li Y，Gong P，Sasagawa T. Integrated shadow removal based on photogrammetry and image analysis [J]. International
Journal of Remote Sensing，2005，26(18)：3911-3929.
[2] Massalabi A，He D C. Detecting information under and from shadow in panchromatic Ikonos images of the city of Sherbrooke
[J]. International Geoscience and Remote Sensing Symposium，2004，3：2000-2003.
[3] Massalabi A，He D C. Restitution of information under shadow in remote sensing high space resolution images: application to
Ikonos data of Sherbrooke city [J]. ISPRS 2004 International Society for Photogrammetry and Remote Sensing，2004，35(B7)：173-178.
[4] 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)：1661-1671.
[5] Yao J，Zhang Z. Hierarchical shadow detection for color aerial images [J]. CVIU，2006，102(1)：60-69.
[6] Jiang C X，Ward M O. Shadow identification [A]. IEEE Computer Society Conference on Computer Vision and Pattern
Recognition [C]. Urbana-Champaign, Illinois, USA：IEEE，1992：606-612.
[7] Salvador E，Cavallaro A，Ebrahimi T. Cast shadow segmentation using invariant color features [J]. Computer Vision and
Image Understanding，2004，95(2)：238-259.
[8] Finlayson G，Hordley S，Drew M. Removing shadows from images [A]. Lecture Notes In Computer Science. Proceedings of
the 7th European Conference on Computer Vision-Part IV [M]. London, UK：Springer-Verlag，2002，2353：823-836. [9] Wu T P，Tang C K. A bayesian approach for shadow extraction from a single image [A].10th IEEE International Conference
on Computer Vision (ICCV) [C]. Beijing, China：IEEE，2005，1：480-487.
[10] Gu X D，Yu D H，Zhang L M. Image shadow removal using pulse coupled neural network [J]. IEEE Transaction on Neural
Networks，2005，16(3)：692-698.
[11] Nagao M，Matsutyama T，Ikeda Y. Region extraction and shape analysis in aerial photographs [J]. Computer Vision, Graphics
and Image Process，1979，10(3)：195-223.
[12] V oicu L I，Myler H R，Weeks A R. Practical considerations on color image enhancement using homomorphic filtering [J].
Journal of Electronic Imaging，1997，6(1)：108-113.
[13] Zamudio J A，Atkison Jr W W. Analysis of A VIRIS data for spectral discrimination of geologic materials in the Dolly V arden
mountains [A]. Proceedings of the Second A VIRIS Conference [C]. Nevada, USA：JPL，1990：162-166.
[14] Huang Jianjun，Xie Weixin，Tang Liang. Detection of and compensation for shadows in colored urban aerial images [A]. Fifth
World Congress on Intelligent Control and Automation [C]. Hangzhou, China：IEEE，2004：3098-3100.
[15] Phong B T. Illumination for computer generated pictures [J]. Communications of the ACM，1975，IR(6)：311-317.
[16] Otsu N. A threshold selection method from gray level histograms [J]. IEEE Trans. on Systems Man and Cybern，1979，9(1)：
62-66.。