同類點匹配改進策略下的陰影自動補償方法

王 瑤，萬幼川，高賢君

（1.武漢大學 遙感信息工程學院，湖武漢 430079）

同類點匹配改進策略下的陰影自動補償方法

王 瑤1，萬幼川1，高賢君1

提出一種基于ISoDATA分類，通過獲取同質區來提高同類點匹配正確率的方法。首先進行陰影檢測，然后對影像的陰影和非陰影區域用ISoDATA算法分類，在分類結果的輔助下獲取精度較高的同類點對，最后基于局部補償模型，以同類點對中非陰影區域特征值為目標估計值，求解補償模型參數，實現各陰影區的自適應補償。實驗結果表明，該方法有利于求解最佳補償參數，能更準確、均衡地恢復陰影區信息。

陰影檢測；ISoDATA同類點匹配策略；局部補償模型；陰影自動補償

在遙感影像獲取過程中，建筑物、樹木、云等物體形成的陰影易造成影像中部分信息丟失，降低影像質量，不利于影像應用。因此，研究遙感影像的陰影檢測與自動補償方法對提高影像利用率、擴大遙感影像的應用范圍具有重要意義。

陰影檢測算法分為基于模型和基于陰影屬性2 類[1-5]。基于模型的陰影檢測方法需要輔助數據，計算量大、耗時長，有局限性；基于陰影屬性的檢測方法是利用陰影區域的光譜和幾何特性來檢測陰影，雖然檢測結果不穩定但算法簡單，廣泛應用于單幅影像自動檢測。傳統的陰影補償法包括直方圖變換、邊緣模糊Retinex法[6]、同態濾波法等，目前的陰影補償方法有線性相關補償法[7]、信息補償法等[8]，這些方法存在人工干預過多、自動化程度較低的問題。文獻[9]提出的基于同類點匹配自動獲取補償模型參數的方法雖然可實現自動補償，但仍然存在同類點匹配數量不均勻、精度偏低的問題，獲取的補償參數不穩定，影響補償精度。

為了解決上述問題，本文提出ISoDATA同類點匹配策略，結合局部補償模型，可以更準確地自動獲取補償模型參數，完成自動陰影補償，更好地恢復地物真實的色彩、紋理等信息。

1 陰影自動補償方法

本文采用基于陰影屬性的檢測方法獲取陰影區域，在檢測結果的基礎上實現自動陰影補償，其關鍵點在于陰影補償模型選擇和模型參數自動獲取兩部分。以局部補償模型為基礎，結合ISoDATA分類法在各陰影區和鄰近非陰影區獲取匹配精度較高的同類點，實現補償參數的自動解算，完成相應陰影的自動補償，恢復地物信息。

1.1 局部補償模型

局部統計增強法是一種有效的圖像增強方法，用于陰影補償處理。文獻[10]提出引入非陰影信息的局部補償模型，如式（1）所示：

式中，g（i，j）、gc（i，j）分別為影像中像素（i，j）某特征分量的原始值和補償值，mSD、σSD分別為陰影區域的亮度均值和均方差，mNSD、σNSD為鄰近的非陰影區域的亮度均值和均方差。通過設置合理的補償強度系數A，可以有效提升補償效果。

1.2 模型參數自動求解策略

利用同類點匹配原理進行模型參數自動求解的方法是在陰影區和非陰影區中分別提取代表同類地物的大量點對[9]，以非陰影點對應的特征值為陰影點的補償目標估計值，結合補償模型，可用于自動求解補償模型參數。文獻[9]利用相關系數法匹配同類點對時，由于陰影區域地物灰度值較接近、非陰影搜索窗口包含地物種類有限，易造成誤匹配，降低匹配精度。為了改善這個問題，本文提出了ISoDATA同類點匹配策略，以實現更準確的自動補償。

1.2.1 ISODATA同類點匹配策略

ISoDATA同類點匹配策略的原理是對影像的陰影區和非陰影區分別分類，以獲取高可信度的同質區域[11]。由于不同地物的灰度大小定性關系一致，例如道路的灰度值高于樹木的灰度值，陰影區和非陰影區的分類結果均可按灰度從小到大標記屬性；再利用Harris算子提取特征點，基于相關系數法匹配同類點策略[9]，以非陰影區特征點為搜索范圍，計算匹配窗口中的特征點和陰影區域特征點的相關系數，相關系數最大者視為其匹配的同類點；然后對獲取的同類點對進行篩選，判斷每組同類點對的屬性是否相同，若相同則保留，否則刪除。利用ISoDATA同類點匹配策略可以得到數量合適、精度更高的同類點對。

遙感影像中陰影區亮度較低，地物類別亮度差異小，相關系數法同類點匹配策略直接提取陰影區特征點并用于后續的匹配，易造成誤匹配，降低匹配可靠性。為了確保ISoDATA分類的精度，先對陰影區作亮度拉伸處理，擴大亮度差異。以城區影像圖1a為例，在陰影檢測的基礎上對陰影區和非陰影區分別分類，如圖1b、圖1c所示，圖1d為整體的分類效果圖。表 1為分類精度表，陰影區和非陰影區的分類精度均超過85%，說明ISoDATA分類效果較好，可以作為同類點對的判斷依據。

圖1 分類結果圖

表1 分類精度評價/%

利用Harris算子進行點特征提取，在陰影和非陰影區域獲取類別豐富、數量較多的特征點；用相關系數法作為匹配原則獲取大量特征點對，然后用ISoDATA分類結果判斷點對在陰影和非陰影區域的屬性編號是否相同，篩選得到數量合理、精度更高的同類點對。以圖1a為例，本文將相關系數法和ISoDATA分類法得到的同類點對作精度評價（表2），結果說明ISoDATA分類法能有效地提高同類點對的匹配精度，特別是道路同類點的準確率有了大幅提高，為補償強度系數的自動求解提供了良好的數據基礎。

表2 同類點匹配精度評價/%

1.2.2 補償強度系數求解

利用ISoDATA同類點匹配策略提高了同類點匹配精度，并獲取大量準確的同類點對。以非陰影點特征值作為陰影點的目標補償估計值，采用局部補償模型，通過線性擬合，可求得補償強度系數A。再代入式（1），對陰影區的I分量進行補償計算，即可實現亮度分量上的自動陰影補償。不同的同類點匹配策略會影響陰影補償效果，對ISoDATA同類點匹配策略與相關系數法同類點匹配策略的補償結果分別進行評估，可比較兩種同類點匹配策略的可靠性。

以反映圖像明暗程度的亮度均值B與反映圖像對微小細節反差表達能力的平均梯度T來構建補償結果總體質量參數（?B）2+（?T）2[9]，計算方法如下：

式中，B、T、BNSD、TNSD分別為陰影區域補償后和非陰影區域的亮度均值與平均梯度。質量參數的值越小，說明補償結果與非陰影區域質量越接近、效果越好。人工選取一定范圍的補償強度系數A，獲取與其對應的總體質量，擬合得到關系曲線，如圖2所示，總體質量最小值對應的A值即為理論上的最佳補償強度系數值。對3個陰影區域進行實驗，分別獲取其最佳A值，并將ISoDATA分類法與相關系數法自動求解的A值進行對比，數據如表3所示。基于ISoDATA分類法自動獲取的A值比相關系數法更接近數據擬合最佳值，說明ISoDATA分類法是一種更可靠的同類點匹配策略。

圖2 陰影區域A值與質量參數的關系曲線

表3 陰影區域不同方法下的A值對比

1.3 自動補償流程

基于ISDoDATA同類點匹配策略的單個陰影區域I分量補償流程如圖3所示，首先檢測陰影區域，然后對檢測出的陰影區域進行逐個補償，得到I分量上的陰影補償值，再轉換到RGB空間，獲取最終的陰影補償結果。

圖3 單個陰影區域I分量補償流程圖

2 實驗分析與評價

選取3幅影像，分別采取基于ISoDATA分類法和相關系數法兩種同類點匹配策略進行陰影補償對比分析，補償效果如圖4～6所示。對比發現，二者均能提升陰影區域的亮度，提高影像質量，但相關系數法補償效果不穩定，會出現亮度低于目標值（如圖4c）或高于目標值（如圖5c）的情況以及色彩失真（如圖6c）的問題，部分地物色彩偏差較大。ISoDATA分類法的陰影補償效果更穩定，能較好地恢復陰影區域的地物信息，陰影區域色調與非陰影區域基本一致，補償結果更接近地物真實情況。

圖4 實驗1陰影補償效果

圖5 實驗2陰影補償效果

從定量的數據分析，將陰影區補償前后的亮度均值和平均梯度用總體質量參數（表4）對比發現，ISoDATA分類法與相關系數法均提升了陰影區的亮度，但相關系數法亮度補償結果不穩定，而ISoDATA分類法得到的補償結果與目標值更接近，質量參數更小，效果更好，更能有效地恢復陰影區域的地物信息。

3 結 語

表4 陰影補償結果評價

本文提出的ISoDATA分類法優點在于根據分類結果獲取數量合適、精度較高、分類均勻的同類點對逐一對陰影區進行補償，盡可能真實地反映地物信息，提高陰影區域自適應補償效果；其缺點在于依賴分類結果的可靠性，決定同類點匹配的精度因素單一，要進一步提高分類精度需進行人工干預，影響陰影補償自動化。

[1] 夏懷英,郭平.基于統計混合模型的遙感影像陰影檢測[J].遙感學報,2011,15(4)：778-791

[2] MAKARAU A, RICHTER R, MüLLER R,et al. Adaptive Shadow Detection using a Blackbody Radiator Model[J]. IEEE Transactions on Geoscience and Remote Sensing,2011,49(6)：2 049-2 059

[3] AMATo A, MoZERoV M G, BAGDANoV A D,et al. Accurate Moving Cast Shadow Suppression based on Local Colot Constancy Detection[J].IEEE Transactions on Image Processing, 2011,20(10)：2 954-2 966

[4] LIU J, FANG T, LI D. 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

[5] 鮑海英,李艷,尹永宜.城市航空影像的陰影檢測和陰影消除方法研究[J].遙感信息,2010(1)： 44-47

[6] FINLAYSoN D,HoRDLEY S D,DREW M S,et al.Removing Shadows From Images Using Retinex[C].10th Color Imaging Conference： Color Science Engineering Systems, Technologies, Applications.2002

[7] FINLAYSoN G D, HoRDLEY S D, LU C, et al. on the Removal of Shadows from Images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,28(1)：59-68

[8] SoNG H, HUANG B, ZHANG K.Shadow Detection and Reconstruction in High-Resolution Satellite Images via Morphological Filtering and Example-Based Learningp[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(5)：2 545-2 554

[9] 高賢君,萬幼川,楊元維,等.高分辨率遙感影像陰影的自動檢測與自動補償[J].自動化學報,2014,40(8)：1 709-1 720

[10] 楊俊,趙忠明,楊健.一種高分辨率遙感影像陰影去除方法[J].武漢大學學報（信息學科版）,2008,33(1)：17-20

[11] 舒寧,馬洪超.模式識別的理論與方法[M].武漢：武漢大學出版社,2004

P237

B

1672-4623（2016）08-0017-03

10.3969/j.issn.1672-4623.2016.08.006

王瑤，碩士研究生，研究方向為遙感影像實時處理。

2015-11-11。

項目來源：博士點基金資助項目（20130141130003）。