CN102982512B - 一种百度卫星地图图像阴影检测方法 - Google Patents
一种百度卫星地图图像阴影检测方法 Download PDFInfo
- Publication number
- CN102982512B CN102982512B CN201210499912.9A CN201210499912A CN102982512B CN 102982512 B CN102982512 B CN 102982512B CN 201210499912 A CN201210499912 A CN 201210499912A CN 102982512 B CN102982512 B CN 102982512B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- criterion
- shadow
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于计算机视觉领域中的图像处理领域,涉及一种百度卫星地图图像阴影检测方法,包括:(1)将原始图像由RGB颜色空间转换到归一化RGB颜色空间;(2)将图像由归一化RGB颜色空间转换到CIEXYZ空间;(3)将图像由CIEXYZ空间转换到CIE L*a*b*空间;(4)将a*、b*通道和L*通道进行归一化处理;(5)对经过上述处理的图像进行二值化处理,剔除亮度值较亮、绿色植被及水体区域,得到潜在的阴影区域;(6)对潜在的阴影区域进行后处理,去除干扰区域,得到准确的阴影区域。本发明提出的阴影区域检测方法,能够检测复杂背景情况下阴影区域,同时能够很好地去除植被区域和水体区域的干扰。
Description
所属技术领域
本发明属于计算机视觉领域中的图像处理领域,涉及一种针对卫星图像的阴影检测方法。
背景技术
百度地图是百度提供的一项网络地图搜索服务,覆盖了国内近400个城市、数千个区县。在百度地图里,用户可以查询街道、商场、楼盘的地理位置,也可以找到附近的所有餐馆、学校、银行、公园等等。它为用户对世界的认知提供了一个快捷直观并且丰富多彩的途径。百度给用户呈现的卫星影像,是卫星影像与航拍的数据整合,在百度卫星图像中,阴影的存在是不可避免。阴影区域的存在,一方面为高大物体的存在提供了直接证据。一些研究者们利用阴影来识别目标,比如建筑物的定位、建筑物高度估算、地形起伏及坡度计算等。另一方面,阴影的存在大大削弱了影像中的光学特征信息,扭曲了被阴影覆盖区域的如色调、形状等信息。这就使得在百度卫星地图图像中,一些地面的物体发生模糊甚至是难以辨认,阴影的存在使得图片中一些信息难以得到充分的展现,使得图片的可看性下降。
正是因为这些原因,如何有效地减少或去除阴影的影响,是增加百度卫星地图图像数据有效率的一个重要途径。在现有条件下,寻找一种有效消除阴影遮挡影响的方法,就具有十分重要的实际意义。
阴影检测是实现阴影去除的第一步,也是影响阴影去除效果的决定因素。常用于检测阴影区域的图像特征包括像素灰度值[1]、边缘[2]、直方图[3]、纹理[4]、几何形状[5]、颜色比率[6]、梯度[7]等。近年来,一类基于“颜色不变性”特征的方法得到了广泛地研究。所谓颜色不变性特征是指对光照条件变化不敏感的颜色特征。在阴影图像中,光照条件的改变对颜色特征的影响不如亮度特征那么明显。选取合适的颜色不变性特征,可以降低光照条件变化对阴影区域的影响。Benedek等[8]通过比较各种颜色不变性特征,发现CIEL*a*b*颜色空间相对于其它颜色空间更能体现阴影区域的颜色不变性。但使用颜色不变性特征并不能完全消除光照条件改变的影响,另外该类方法通常只针对简单背景情况,
目前,已有航空/遥感图像阴影区域检测方法面临的技术难点主要有两点:一是复杂背景情况,即阴影区域内部可能存在着不同种类的背景,如土地、建筑物、车辆、植被、水体等;二是阴影区域与水体区域和植被区域的区分,因为三类区域在颜色和反射特性上都比较接近。
参考文献
[1]C.Jiang,M.Ward.Shadow identification [C].In Proc.of CVPR,1992,pp:606–612.
[2]E.Salvador,A.Cavallaro,T.Ebrahimi.Shadow identification and classification usinginvariant color models [C].In Proc.of IEEE ICASSP,2001,pp:1545–1548.
[3]G.Finlayson,S.Hordley,G.Schaefe,et al.Illuminant and device invariant color usinghistogram equalization [J].Pattern Recognition,2005,38(2),pp:179–190.
[4]B.M.Oh,M.Chen,J.Dorsey.et al.Image-based modeling and photo editing [C].In Proc.of SIGGRAPH,2001,pp:433–442.
[5]G.Funka-lea,R.Bajcsy.Combining color and geometry for the active,visual recognitionof shadows[C].In Proc.of ICCV,1995,pp:203–209.
[6]K.Barnard,G.Finlayson.Shadow identification using color ratios[C].In Proc.ofIS&T/SID Color Imaging Conference Color Science,Systems and Applications,2000,pp:97–101.
[7]R.Ramamoorthi,D.Mahajan,P.Belhumeur.A first-order analysis of lighting,shading,and shadows [J].ACM Trans.on Graph.,2007,26(1),pp:1–21.
[8]C.Benedek,T.Sziranyi,Study on color space selection for detecting cast shadows invideo surveillance [J].International Journal of Imaging System and Technology,2007,17(3),pp:190–201.
发明内容
本发明的目的是克服现有技术的上述不足,提供一种面向百度卫星图像的阴影区域检测方法。本发明提出的阴影区域检测方法,能够检测复杂背景情况下阴影区域,同时能够很好地去除植被区域和水体区域的干扰。本发明的技术方案如下:
一种百度卫星地图图像阴影检测方法,包括下列步骤:
(1)将原始图像由RGB颜色空间转换到归一化RGB颜色空间;
(2)将图像由归一化RGB颜色空间转换到CIEXYZ空间;
(3)将图像由CIEXYZ空间转换到CIE L*a*b*空间;
(4)采用下式将a*、b*通道进行归一化处理。同时对L*通道也进行归一化处理,新的颜色通道分别用L′、a′和b′表示:
(5)设定T1、T2和T3三个阈值,使用以下准则得到三个二值图,分别用BW1、BW2和BW3表示:
准则1:
准则2:
准则3:
其中,准则1用来检测亮度值较低的区域,准则2用来去除绿色植被区域,准则3用来去除水体区域;
(6)根据BW1、BW2和BW3,使用以下准则检测潜在阴影区域,用BW表示:
BW中取值为1的区域对应着潜在阴影区域;
(7)对潜在的阴影区域进行后处理,去除干扰区域,得到准确的阴影区域。
下面通过实验结果来验证本发明的有益效果:采用Windows7 SP1系统下的matlab2012b作为实验仿真平台,实验所用素材均来自网络,共50个场景,主要包括城市商业区、人工风景区和自然旅游区三类。图像分辨率为1600×900,每一幅图像的平均处理速度约在0.2秒左右。本发明共涉及四个阈值(T1~T4)。其中T1取值在[0.3~0.4],T2取值在[0.3~0.5],T3取值在[1.3~1.5],T4取值在[0.001~0.002]。实验所采用的一组经验阈值是T1=0.35、T2=0.4、T3=0.4、T4=0.001。图3给出了部分实验结果。由图可见,使用所提方法,可以在保证准确检测阴影区域的同时,有效降低水体和绿色植被的干扰。
附图说明
图1本发明所提技术方案的流程框图。
图2部分实验结果图:(a)卫星图像(说明书附图里的图为灰度图,原始图像应当为彩色图像);(a)rgb颜色空间(说明书附图里的图为灰度图,原图为带有色彩的图像);(c)潜在阴影区域(白色区域对应潜在阴影区域);(d)阴影检测结果(白色对应阴影区域)。
图3所用膨胀算子结构示意图。
具体实施方式
下面结合附图对本发明提供的百度卫星地图图像阴影区域检测方案进行说明。
本发明由三部分组成:颜色空间转换、阴影区域检测、干扰区域去除。图1所示为所提方案的流程图。
1颜色空间转换
通常百度卫星地图图像都是以RGB颜色空间方式存储的。为降低光照条件变化的影响,需要将原始图像由RGB颜色空间转换到归一化RGB颜色空间,用rgb表示。所用转换公式如下:
图2(a)和(b)所示为彩色原图和经归一化处理后的图像。
为了更好地区分阴影区域和其它区域,需要转换至CIE L*a*b*颜色空间。使用CIELab1976给出的标准,完成rgb颜色空间到CIE L*a*b*颜色空间的变换
首先,从转换到CIEXYZ空间,如式(2)所示
使用式(3)将CIEXYZ空间转换到CIE L*a*b*空间
其中
式(3)中的Xn,Yn和Zn表示CIEXYZ颜色空间中参考白点的三色刺激值。下标n代表归一化的数值,通常采用D65标准光源下的三色刺激值,此时有Xn=95.047,Yn=100.00,Zn=108.88。由式(2)~式(4)得到的CIEL*a*b*颜色空间中,L*的取值在[0,100]之间,a*分量和b*分量的取值都在[-127,128]之间。a*的取值越小,越接近绿色;取值越大,越接近红色。b*的取值越小,越接近蓝色;取值越大,越接近黄色。
2阴影区域检测
通过分析发现卫星地图图像有以下三个特点:
1)阴影区域的亮度值低:卫星地图图像的光照主要来自太阳直射光和环境反射光,其中环境反射光又以天空反射光为主。由于遮蔽,太阳光不能照射到阴影区域,因此,相对于非阴影区域,阴影区域的光照强度要小的多,阴影区域像素点对应的亮度值较低。
2)阴影区域的蓝色分量强于红色分量和绿色分量:阴影区域的光照以天空反射光为主,而天空发射光中蓝色分量远高于它波段。
3)对于绿色植被区域,绿色分量较高,对于水体区域,蓝色分量较高。
根据上述特点,使用以下方案检测卫星地图的阴影区域。分别用L*(x,y)、a*(x,y)和b*(x,y)表示图像的L*通道、a*通道和a*通道。考虑到a*通道和b*通道的取值存在负值情况,采用下式将a*、b*通道进行归一化处理。同时对L*通道也进行归一化处理。新的颜色通道分别用L′、a′和b′表示,即有
使用以下准则得到三个二值图,分别用BW1、BW2和BW3表示。
准则1:
准则2:
准则3:
其中,准则1用来检测亮度值较低的区域,准则2用来去除绿色植被区域,准则3用来去除水体区域。
根据BW1、BW2和BW3,使用以下准则检测潜在阴影区域,用BW表示,即有:
BW中取值为1的区域对应着潜在阴影区域。图2(c)是(a)对应的潜在阴影区域检测结果。
3阴影区域提取
潜在的阴影区域内可能存在干扰区域。通常是由于阈值选取不当所引起的阴影区域的断裂或者空洞等。使用下述后处理算法,去除干扰区域,得到准确的阴影区域。
阴影区域后处理算法:
1)第一步:形态学操作:使用形态学算法实现连接断裂、填充空洞等操作。具体过程是使用图3所示的形态学算子,对图像进行“闭合”处理。
2)第二步:去除小区域:我们认为面积过小的阴影区域没有实际的观测价值。计算上一步处理结果中各连通区域的面积(用所含像素数的总数表示)与图像总像素数的比值(用R表示)与阈值T4比较,如果满足r<T4,则判为小区域并去除。
Claims (1)
1.一种百度卫星地图图像阴影检测方法,包括下列步骤:
(1)将原始图像由RGB颜色空间转换到归一化RGB颜色空间;
(2)将图像由归一化RGB颜色空间转换到CIEXYZ空间;
(3)将图像由CIEXYZ空间转换到CIE L*a*b*空间;
(4)采用下式将a*、b*通道进行归一化处理,同时对L*通道也进行归一化处理,新的颜色通道分别用L′、a′和b′表示,式中,L*(x,y)、a*(x,y)和b*(x,y)分别表示图像的L*通道、a*通道和a*通道:
(5)设定T1、T2和T3三个阈值,使用以下准则得到三个二值图,分别用BW1、BW2和BW3表示:
准则1:
准则2:
准则3:
其中,准则1用来检测亮度值较低的区域,准则2用来去除绿色植被区域,准则3用来去除水体区域;
(6)根据BW1、BW2和BW3,使用以下准则检测潜在阴影区域,用BW表示:
BW中取值为1的区域对应着潜在阴影区域;
(7)对潜在的阴影区域进行后处理,去除干扰区域,得到准确的阴影区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210499912.9A CN102982512B (zh) | 2012-11-28 | 2012-11-28 | 一种百度卫星地图图像阴影检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210499912.9A CN102982512B (zh) | 2012-11-28 | 2012-11-28 | 一种百度卫星地图图像阴影检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102982512A CN102982512A (zh) | 2013-03-20 |
CN102982512B true CN102982512B (zh) | 2015-05-13 |
Family
ID=47856459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210499912.9A Expired - Fee Related CN102982512B (zh) | 2012-11-28 | 2012-11-28 | 一种百度卫星地图图像阴影检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102982512B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862509B (zh) * | 2019-03-27 | 2021-05-28 | 合肥科塑信息科技有限公司 | 一种支持wlan指纹定位用传感节点定位系统 |
CN111462221A (zh) * | 2020-04-03 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 待侦测物体阴影面积提取方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7366323B1 (en) * | 2004-02-19 | 2008-04-29 | Research Foundation Of State University Of New York | Hierarchical static shadow detection method |
US8045761B2 (en) * | 2006-05-30 | 2011-10-25 | Intelliview Technologies Inc. | Detection of environmental conditions in a sequence of images |
CN101364304B (zh) * | 2008-09-25 | 2011-07-20 | 上海交通大学 | 基于颜色不变性和高斯模型的阴影检测方法 |
CN101833749B (zh) * | 2009-03-12 | 2012-03-28 | 株式会社理光 | 检测图像中阴影的装置和方法 |
CN102147920B (zh) * | 2011-03-02 | 2012-11-07 | 上海大学 | 高分辨率遥感影像中的阴影检测方法 |
CN102298780B (zh) * | 2011-08-15 | 2012-12-12 | 天津大学 | 一种彩色图像阴影检测方法 |
-
2012
- 2012-11-28 CN CN201210499912.9A patent/CN102982512B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102982512A (zh) | 2013-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020258899A1 (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
CN105956557B (zh) | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 | |
CN109558806B (zh) | 高分遥感图像变化的检测方法 | |
Tian et al. | Tricolor attenuation model for shadow detection | |
CN107895376A (zh) | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 | |
US7068840B2 (en) | Determination of an illuminant of digital color image by segmentation and filtering | |
CN105528596A (zh) | 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统 | |
CN102968782A (zh) | 一种彩色图像中显著对象的自动抠取方法 | |
CN106296670B (zh) | 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法 | |
CN107818303B (zh) | 无人机油气管线影像自动对比分析方法、系统及软件存储器 | |
CN103177445B (zh) | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 | |
CN103778418A (zh) | 一种输电线路杆塔图像监测系统的山火图像识别方法 | |
Zakir et al. | Road sign segmentation based on colour spaces: A Comparative Study | |
CN110309781A (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN103310201B (zh) | 目标混合颜色识别方法 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN103914692A (zh) | 一种用于煤矿周围地表水系的遥感识别方法 | |
CN102855627B (zh) | 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法 | |
CN104217440A (zh) | 一种从遥感图像中提取建成区的方法 | |
CN106373096A (zh) | 一种多特征权值自适应的阴影消除方法 | |
CN111339948A (zh) | 一种高分辨率遥感影像新增建筑自动识别方法 | |
CN114359143A (zh) | 一种遥感影像道路提取方法 | |
CN106875407A (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
CN102982512B (zh) | 一种百度卫星地图图像阴影检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150513 Termination date: 20201128 |