山地丘陵区遥感影像阴影检测与去除方法

刘健;许章华;余坤勇;龚从宏;唐梦雅;谢婉君

【摘 要】阴影是山地丘陵区遥感影像最为普遍的干扰因素,去除阴影有助于提高影像解译和地物识别的准确性和有效性.构建了阴影植被指数(SVI),并提出应用波段回归模型法实现HJ-1多光谱影像阴影的去除.将该方法应用于试验区HJ-1数据,结果表明:SVI可增大山地丘陵区水体、阴影区及明亮区之间的差异,利用阈值法可以实现影像阴影的有效检测;相关分析显示,各波段拟合模型R2均在0.80以上;比较阴影去除前、后影像的统计指标说明,在植被最为敏感,即受阴影影响最为严重的近红外波段,随着阴影的去除,波段平均值有了较大幅度的增大;去阴影后影像的标准差均比原影像要小,尤其是在近红外波段.试验结果表明,SVI对山地丘陵区HJ-1影像阴影的检测效果较好,而波段回归模型法可以较为有效地实现阴影的去除. 【期刊名称】《农业机械学报》 【年(卷),期】2013(044)010 【总页数】5页(P238-241,237)

【关键词】山地丘陵区;多光谱影像;阴影检测;阴影植被指数;波段回归模型法 【作 者】刘健;许章华;余坤勇;龚从宏;唐梦雅;谢婉君

【作者单位】福建农林大学3S技术应用研究所,福州350002;福建农林大学3S技术应用研究所,福州350002;福建农林大学3S技术应用研究所,福州350002;福建农林大学3S技术应用研究所,福州350002;福建农林大学3S技术应用研究所,福州350002;福建农林大学3S技术应用研究所,福州350002

【正文语种】中 文 【中图分类】TP79;P237 引言

图像阴影可以用来判定光源强度、位置以及山体高度与形状，但阴影削弱了地物在传感器上的响应，严重干扰了目标地物的识别与解译［1～2］。尤其是在山地丘陵区域，遥感影像中的阴影极为普遍［3］。虽然可以利用阈值法将影像分割为明亮区与阴影区后分别进行研究，但仍无法解决阴影区域信息丢失的问题。为此，开展影像阴影检测、去除与信息还原研究有重要意义。阴影检测是阴影去除的基础工作［4］。当前遥感影像阴影检测的方法可分为两大类，即基于像元的方法和基于对象的方法［5］。前者主要利用影像阴影的颜色、结构、轮廓等特性，不作假设来提取阴影;后者则是将阴影的性质与先验知识相结合，并以对象为单元的检测方法［6］。传统的阴影去除方法包括利用直方图均衡［7］、同态滤波［8］、归一化处理［9］等实现图像增强，但增强后的影像阴影仍较明显。近年来，许多新的影像阴影去除方法被提出［10～13］。较之于城市建筑阴影，山地丘陵区影像的阴影更为复杂，寻找一种简捷、可靠的阴影检测与去除方法无疑可以为研究的进一步深入提供便利。Ono等［14］指出，NDVI、EVI等植被指数的应用虽然广泛，但其对植被类型与质量的响应却十分微弱;卫星数据中不可避免存在阴影效应，而阴影校正工作十分困难，研究发现波段算术平均值归一化可以抑制阴影、地形及大气的影响，依此原理构建了阴影指数SI，并引入NOAA、MODIS等全球卫星数据对该指数进行验证。该方法的有效性虽然已经在某些数据上得到初步验证，但在中小尺度区域及其他中高空间分辨率数据的适用性仍有待研究。本文以山地丘陵区域的HJ-1多光谱影像为例，提出一种阴影检测与去除方法，该方法适用于多尺度

区域及各种空间分辨率的卫星遥感数据。 1 遥感影像阴影检测与去除方法

1.1 基于阴影植被指数与阈值法的阴影检测

遥感影像阴影检测方法十分丰富，但相对繁琐。本文构建一个新的指数——阴影植被指数(Shaded vegetation index，SVI)，并通过选择阈值实现阴影区域的检测。一般情况下，单纯利用归一化差值植被指数(Normalized difference vegetation index，NDVI)等光谱特征容易混淆阴影与水体［15～16］，山地丘陵区典型地物的NDVI排序从小到大依次为:水体、阴影区域、明亮区域，其中水体和阴影区域存在交叉;多光谱影像的近红外波段所含信息量最为丰富，对绿色植被的类别差异最为敏感，而典型地物的近红外波段灰度由小到大为:水体、阴影区域、明亮区域。因而，SVI可表达为

式中 RSVI——阴影植被指数 RNDVI——归一化差值植被指数 RNIR——近红外波段灰度或反射率 RR——红光波段灰度或反射率

SVI增强了水体、阴影区域、明亮区域三者间的差异。在此基础上，采用阈值法将影像水体、阴影区域、明亮区域区分开来，即实现了山地丘陵区遥感影像阴影的检测。

1.2 基于波段回归模型的阴影去除方法

理想状态下，若太阳入射角在地面上每一位置恒为90°，卫星也不存在侧摆，那么同一山脊、山谷两侧林地条件、植被状况一致的若干个点的光谱值应当保持一致，卫星传感器获取的多光谱影像各波段灰度也基本相等。分析光谱特征可知，卫星获取的实际影像中，同一山脊、山谷两侧的相似属性位置的灰度存在较大差异;尤其

在红外波段，阴影区域的灰度明显较明亮区域小。为此，可以通过构建明亮区域与阴影区域各波段的关系模型，将阴影区域波段灰度推算至无阴影状态;在此基础上，将去阴影后的区域影像与原明亮区域影像叠加，即得到了去除阴影后的遥感影像。模型表达式为

式中 BB——明亮区域波段灰度 BS——阴影区域波段灰度 a、b——待定系数 2 阴影检测与去除方法应用 2.1 影像获取

由中国资源卫星应用中心获取一景HJ-1多光谱影像(编号:HJ-1A-CCD1-452-84-20120328-L20000739378);该影像覆盖福建省的大部区域，山地丘陵地形为影像主要特征。为提高试验效率，切割出一块像元数为722像素×422像素的区域作为试验区，试验区位于我国南方重点林业县三明市将乐县。试验区影像如图1所示。

图1 试验区HJ-1多光谱遥感影像Fig.1 HJ-1 multi-spectral remote sensing images of experimental area 2.2 阴影检测与影像分割

较之于Landsat TM、ALOS等影像，HJ-1多光谱遥感影像所含光谱信息量较少，要实现山地丘陵区遥感影像阴影的检测，图像增强极为必要。利用新构建的SVI，经光标查询及直方图法，确定阴影区域的 SVI区间为(7.20，15.06)，水体 RSVI≤7.20，明亮区域RSVI≥15.06。依此，检测出试验区的阴影区域(图2)，采用掩膜法分割出阴影区HJ-1多光谱影像。

图2 试验区阴影检测结果Fig.2 Shadow detection result of experimental

area 2.3 阴影去除

选择同一山脊、山谷两侧相似属性位置70处，分别记录明亮区域、阴影区域HJ-1多光谱影像蓝、绿、红、近红4个波段的灰度，分别命名为波段1、2、3、4，依据式(2)，构建明亮区域-阴影区域波段回归模型，即

式中，B1B～B4B、B1S～B45分别为波段1～4明亮区域、阴影区域的波段灰度。选择30组模外数据，将其代入式(3)，检验所建模型的预测精度，结果显示:HJ-1多光谱影像波段1～4的预测精度分别为0.977 3、0.961 9、0.966 0、0.941 4，由此可见，模型的预测效果较好。依此模型，在ERDAS建模平台下，分别实现阴影区影像4个波段灰度的重构，经波段组合、与非阴影区影像叠加后，得到去除阴影后的影像(图3)。分析影像特征，可知波段灰度与色调的地形差异已得到极大缩小，接近于采用光谱辐射计实地测得的结果。 2.4 结果分析

从目视效果看，去阴影后的HJ-1多光谱影像色调反差较原影像减小，影像中阴影已得到较大程度去除。为进一步验证该阴影去除方法的有效性，并判定去除阴影后的影像是否符合地面实际，本文对去阴影前、后的影像进行对比分析。 图3 去除阴影后的HJ-1多光谱影像Fig.3 HJ-1 multi-spectral image after shadow removal 2.4.1 相关分析

随机选择30个阴影区域的坐标点，分别读取其在原影像与去阴影后影像各波段的灰度，对二者进行拟合分析。

由图4可见，各波段拟合模型R2均在0.以上，说明去除阴影后的光谱信息具有较高的可信度，与地面实际相符。

2.4.2 统计指标对比

从统计学角度分析阴影去除模型的优劣，可以用去阴影前、后影像的灰度平均值、标准差等反映。一般而言，去除阴影前、后影像每个波段的差异缩小，即阴影去除后波段的标准差应小于原影像的标准差［17］。从表1可知，在植被最为敏感，即受阴影影响最为严重的近红外波段(波段4)，随着阴影的去除，波段平均值有了较大幅度的增大;对比原影像与去阴影后影像的标准差，可知后者均比前者要小，尤其是在近红外波段。由此说明，利用本文提出的波段回归模型，可以较为有效地实现山地丘陵区遥感影像阴影的去除。

表1 原影像与去阴影后影像统计指标对比Tab.1 Statistical indicators

comparison between original image and shadow-removal image波段 原影像 去阴影后影像平均值 标准差 平均值 标准差1 40.733 2.301 40.731 2.170 2 27.405 3.082 27.568 2.775 3 27.762 3.918 28.116 3.743 4 51.122 5.826 53.37 3.712 3 结束语

在分析影像光谱特征差异的基础上，构建了阴影植被指数SVI，该指数可增大水体、阴影区及明亮区之间的差异;利用阈值法可以实现影像阴影的有效检测。理论上，同一山脊、山谷两侧林地条件、植被状况一致的若干个点的光谱值应当保持一致，卫星传感器获取的多光谱影像各波段灰度也基本相等。基于此，本文利用波段回归法构建明亮区域-阴影区域波段回归模型，将阴影区域波段灰度推算至无阴影状态。经相关分析与统计指标对比，表明该方法可以较为有效地实现山地丘陵区遥感影像阴影的去除。

图4 原影像各波段灰度与去阴影后灰度相关关系Fig.4 Correlation relationships between band grey values of original image and shadow-removal image 参考文献

1 Wolter P T，Berkey E A，Peckham S D，et al.Exploiting tree shadows on snow for estimating forest basal area using Landsat data［J］.Remote Sensing of Environment，2012，121:69 ～79.

2 Liu J H，Fang T，Li D R.Shadow detection in remotely sensed images based on self-adaptive feature selection［J］.IEEE Transactions on Geoscience and Remote Sensing，2011，49(12):5 092～5 103. 3 Kane V R，Gillespie A R，McGaughey R，et al.Interpretation and topographic compensation of conifer canopy self-shadowing［J］.Remote Sensing of Environment，2008，112(10):3 820 ～3 822. 4 Le H S，Andre C.Use of Markov random fields for automatic cloud/shadow detection on high resolution optical images［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2009，(4):351～366. 5 O'Neill E J，O'Neil P E，Weikum G.The LRU-K page replacement algorithm for database disk buffering［J］.SIGMOD Record，1993，22(2):297～306.

6 鞠何其.基于色彩空间变换的遥感影像阴影检测与去除技术［D］.上海:上海交通大学，2009.

7 司玉琴.遥感影像预处理与地物提取方法研究［D］.西安:西安科技大学，2010. 8 Liviu V，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.

9 Zamudio J A，Atkison Jr W W.Analysis of AVIRS data for spectral discrimination of geologic materials in the Dolly Varden mountains［C］∥Proceedings of the Second AVIRIS Conference，Nevada，USA:JPL，

1990:162 ～166.

10 Wang N，Lang C Y，Xu D.Shadow removal based on regional gray edge hypothesis［J］.Optical Engineering，2011，50(12):127001-1～127001-6.

11 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 Jun，Zhao Zhongming，Yang Jian.A shadow removal method for high resolution remote sensing image［J］.Geomatics and Information Science of Wuhan University，2008，33(1):17～20.(in Chinese)

12 何凯，赵红颖，刘晶晶，等.基于分形及纹理分析的城市遥感影像阴影去除［J］.天津大学学报，2008，41(7):800～804.He Kai，Zhao Hongying，Liu Jingjing，et al.Shadow removal of city's remote sensing image based on fractal and texture analysis［J］.Journal of Tianjin University，2008，41(7):800～804.(in Chinese)

13 王玥，王树根.高分辨率遥感影像阴影检测与补偿的主成分分析方法［J］.应用科学学报，2010，28(2):136～141.Wang Yue，Wang Shugen.Detection and compensation of shadows in high resolution remote sensing images using PCA［J］.Journal of Applied Sciences，2010，28(2):136～141.(in Chinese) 14 Ono A，Kajiwara K，Honda Y，et al.Development of new vegetation indexes，shadow index(SI)and water stress trend(WST)［J］.ISPRS Archives，2010，38(8):710 ～714.

15 Mcfeeters S K.The use of normalized difference water index(NDWI)in the delineation of open water features［J］.International Journal of Remote Sensing，1996，17(7):1 425～1 432.

16 徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究［J］.遥感学报，2005，9(5):5～595.Xu Hanqiu.A study on information extraction of water body with the modified normalized difference water index(MNDWI)［J］.Journal of Remote Sensing，2005，9(5):5～595.(in Chinese)

17 杨燕，田庆久.基于TM图像信息的山地森林区阴影去除方法研究［C］∥汪民.第16届全国遥感技术学术交流会论文集.北京:地质出版社，2007:104～106.