CN106023113A - 基于非局域稀疏的卫星高分图像阴影区域恢复方法 - Google Patents

Abstract

基于非局域稀疏的卫星高分图像阴影区域恢复方法，属于遥感图像处理领域，本发明为解决现有技术不能对卫星高分图像中城市地区建筑物阴影遮蔽进行阴影检测和阴影恢复的问题。本发明阴影区域恢复方法的具体过程为：步骤1、对高分图像阴影区域进行软检测；步骤2、对检测到的全影区和半影区进行恢复，使阴影区域的亮度和平滑度与非影区一致。本发明用于卫星高分图像分析。

Description

基于非局域稀疏的卫星高分图像阴影区域恢复方法

技术领域

本发明涉及一种卫星高分图像的阴影区域恢复方法，属于遥感图像处理领域。

背景技术

高分辨率的卫星图像可以观测到更多目标的细节信息，针对城市建筑物目标具备更强的应用潜力，例如：建筑物的精准定位、建筑物细节特征提取和建筑物的三维重建等。但是，大多数城市区域的高分辨率卫星图像都包含阴影区域，而阴影多数作为不期望获得的信息强烈地影响到卫星图像的解释，特别是较大的阴影，造成了遮蔽建筑物目标的部分或全部辐射信息的损失。在这种情况下，阴影区域中被遮蔽的目标是很难被提取而进一步应用的。因此，为了恢复被遮挡的目标，阴影检测和阴影恢复是城市高分辨率遥感图像的一个重要的预处理步骤。在已经提出的许多有效的阴影恢复算法中多针对自然图像，很少有针对卫星高分图像进行研究的。

发明内容

本发明目的是为了解决现有技术不能对卫星高分图像中城市地区建筑物阴影遮蔽进行阴影检测和阴影恢复的问题，提供了一种基于非局域稀疏的卫星高分图像阴影区域恢复方法。

本发明所述基于非局域稀疏的卫星高分图像阴影区域恢复方法，阴影区域恢复方法的具体过程为：

步骤1、对高分图像阴影区域进行软检测；

步骤2、对检测到的全影区和半影区进行恢复，使阴影区域的亮度和平滑度与非影区一致。

本发明的优点：本发明针对卫星高分图像，分析阴影与目标位置关系，经过两个层次的阴影恢复使被恢复的阴影区域和非影区域具备相同的亮度和平滑度特性，恢复被遮蔽目标信息，提高解译能力。本发明提出了基于非局域稀疏的卫星高分图像阴影区域恢复方法，设计了一套完整的阴影检测和阴影恢复的算法流程，将非局域稀疏的概念应用到阴影的精细恢复，使恢复的阴影区域与对应的非影区域具有相同的亮度和平滑度的辐射特性。本方法首先联合利用双峰直方图分裂法和图像抠像技术，获得阴影区域的软检测，用[0,1]的数值表示像素属于阴影的概率，对于半影区的恢复起到关键作用；然后先利用线性辐射增强对全图进行阴影初始恢复，使阴影区域与相应非影区域达到大致相同的亮度特性；最后利用非局域稀疏组矩阵的方法，针对阴影区域逐块的匹配相似的非影结构块进行精细恢复，并通过阴影和被遮蔽目标位置的分析，分为两种情况进行恢复，同时兼顾了影区和非影区的亮度和平滑度属性，获得完整均一的去影图像，提高了卫星图像的目标提取能力。

附图说明

图1是本发明所述基于非局域稀疏的卫星高分图像阴影区域恢复方法的原理图。

具体实施方式

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述基于非局域稀疏的卫星高分图像阴影区域恢复方法，阴影区域恢复方法的具体过程为：

步骤1、对高分图像阴影区域进行软检测；

步骤2、对检测到的全影区和半影区进行恢复，使阴影区域的亮度和平滑度与非影区一致。

具体实施方式二：下面结合图1说明本实施方式，本实施方式对实施方式一作进一步说明，步骤1的具体过程为：

步骤1-1、利用双峰直方图分裂法确定阈值，根据阈值进行阴影硬分割；

阈值获得利用：此式表达对图像I进行硬阈值分割，Bm是获得的阴影硬分割的二值图，P_l和P_r分别表示图像直方图的两个峰值，ξ取值为10；

步骤1-2、利用形态学操作将硬分割的二类分割图变为非影区、半影区和全影区三类分割图像，对硬分割的二值图进行膨胀和腐蚀，差值区域作为半影区，并对其中半影区用原始图像填充：

Diff[x,y]＝d(Bm[x,y])-e(Bm[x,y])

其中，d(Bm[x,y])表示对Bm[x,y]进行膨胀操作，e(Bm[x,y])表示对Bm[x,y]进行腐蚀操作，Diff[x,y]表示经过膨胀和腐蚀后的差值图像，DN表示原始阴影图像的像素值，M[x,y]表示获得的三类分割图像；

步骤1-3、对阴影进行软检测，三类分割图像M[x,y]中，0表示全影区，1表示非影区，利用图像抠像算法计算原始图像填充区域的阴影概率值：

$E\left(\mathrm{\θ}\right)={\mathrm{\θ}}^{T}L\mathrm{\θ}+\mathrm{\λ}{(\mathrm{\θ}-\widehat{\mathrm{\θ}})}^{T}D(\mathrm{\θ}-\widehat{\mathrm{\θ}});$

其中，E(θ)表示能量函数，λ表示较大常数，此处设置为100，θ表示图像中每一个像素的阴影概率值，θ^T表示概率矩阵的转置，是标记的三类分割图，即是全影区域，是非影区域，L是抠像的拉普拉斯矩阵，D是对角矩阵。

本实施方式中，图像抠像算法即image matting。

具体实施方式三：下面结合图1说明本实施方式，本实施方式对实施方式二作进一步说明，步骤2对检测到的全影区和半影区进行恢复的具体过程为：

步骤2-1、利用非影区的统计均值和标准差，对非影区进行线性辐射增强，使阴影区域的亮度趋近达到与非影区相同水平，获得阴影初始恢复结果：

$I_n\[x,y\]=(1-\mathrm{\θ}\[x,y\])I_s\[x,y\]+\mathrm{\θ}\[x,y\]\left(\frac{{\mathrm{\σ}}_{sunlit}}{{\mathrm{\σ}}_{shadow}}\right(I_s\[x,y\]-{\mathrm{\μ}}_{shadow})+{\mathrm{\μ}}_{sunlit});$

其中，I_n[x,y]是经过初步辐射增强后的像素值，I_s[x,y]是图像中阴影区域的原始像素值，θ[x,y]是软检测结果中对应像素的阴影概率值，μ_shadow、μ_sunlit、σ_shadow和σ_sunlit分别表示阴影区域均值、阴影区域标准差、非影区域均值和非影区域标准差；

步骤2-2、利用非局域稀疏方法对阴影初始恢复结果进行精细恢复，以8×8的图像块为基本单位，在非局域区域内计算欧式距离，搜索相似结构的匹配块，匹配60个距离最小的基本图像块，将每个图像块改写成列向量形式，构成一个64×60的组矩阵，对该组矩阵进行奇异值分解后重建，转化为解决如下典型的低秩优化问题：

$(D_{G_k},{\mathrm{\Σ}}_{G_k},V_{G_k})=\underset{D_{G_k}\ΣV}{\arg \min }\left|\right|i_{G_k}-D_{G_k}{\mathrm{\Σ}}_{G_k}{V}_{G_k}^T|{|}_2^2+\mathrm{\τ}\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\λ}}_i;$

$\left\{\begin{array}{c}(D_{G_k},{\mathrm{\Σ}}_{G_k},V_{G_k})=SVD\left(i_{G_k}\right)\\ {\widehat{\Σ}}_{G_k}=S_{\mathrm{\τ}}\left({\mathrm{\Σ}}_{G_k}\right)\end{array}\right.;$

其中，是相似组矩阵，和是进行奇异值分解的三个分量，其中K＝min(m，n)是对角矩阵，n是基本图像块的大小，m是一组中被匹配到的块的个数；S_τ表示对变量τ软阈值操作，最终恢复重建后的阴影区域图像

本发明中，根据阴影与遮蔽建筑物的位置关系，分为遮蔽建筑物部分在阴影区域和遮蔽建筑物全部在阴影区域；

当遮蔽建筑物部分在阴影区域中时，获得的组矩阵包括阴影块和非影块，通过利用组内非影块的均值和标准差对组内的阴影块进行二次的线性辐射增强来实现亮度的精细恢复，具体过程与阴影初始恢复相同；平滑度精细恢复的算法核心思想就是把每一次迭代的噪声阴影图像返回给预测的恢复图像其中每次更新的软阈值设置为σ_i表示局域阴影区域变化，σ_ω表示全局变化；在更新过程中，将组矩阵看做由阴影块组成的阴影矩阵和非阴影块组成的非影矩阵两个新矩阵，σ_i只用阴影矩阵更新，公式如下：

${{\widehat{\mathrm{\σ}}}_i}^{(k+1)}=\sqrt{\max \left(\right({\mathrm{\λ}}_{si}^{\left(k\right)})/s-{\left({\mathrm{\σ}}_{\mathrm{\ω}}^{\left(k\right)}\right)}^2,0)};$

其中k是迭代次数，λ_si是阴影矩阵的奇异值，s是阴影矩阵列数，σ_ω是通过非影矩阵与阴影矩阵的变化进行更新，公式如下：

${\widehat{\mathrm{\σ}}}_{\mathrm{\ω}}^{\left(k\right)}=\mathrm{\γ}\sqrt{{\mathrm{\σ}}_{\mathrm{\ω}}^2-\left|\right|i_{G_k-n}-i_{G_k-s}|{|}_{l2}};$

公式中γ表示尺度因子，和分别是阴影矩阵和非阴影矩阵。

当遮蔽建筑物全部在阴影区域中时，获得的组矩阵全部由阴影块组成，没有相似结构，非阴影信息不进行二次辐射增强；软阈值σ_i用整个组矩阵更新和σ_ω则用全图的变化进行更新，公式如下：

${{\widehat{\mathrm{\σ}}}_i}^{(k+1)}=\sqrt{\max ({\left({\mathrm{\λ}}_i^{\left(k\right)}\right)}^2/m-{\left({\mathrm{\σ}}_{\mathrm{\ω}}^{\left(k\right)}\right)}^2,0)};$

${\widehat{\mathrm{\σ}}}_{\mathrm{\ω}}^{\left(k\right)}=\mathrm{\γ}\sqrt{{\mathrm{\σ}}_{\mathrm{\ω}}^2-\left|\right|I-I^{(k+1)}|{|}_{l2}};$

其中λ_i是组矩阵的奇异值，m是组矩阵的列数，I是整幅图像；图像的迭代过程与第一种情况相同。

Claims (3)

1.基于非局域稀疏的卫星高分图像阴影区域恢复方法，其特征在于，阴影区域恢复方法的具体过程为：

步骤1、对高分图像阴影区域进行软检测；

步骤2、对检测到的全影区和半影区进行恢复，使阴影区域的亮度和平滑度与非影区一致。

2.根据权利要求1所述的基于非局域稀疏的卫星高分图像阴影区域恢复方法，其特征在于，步骤1的具体过程为：

步骤1-1、利用双峰直方图分裂法确定阈值，根据阈值进行阴影硬分割；

阈值获得利用：此式表达对图像I进行硬阈值分割，Bm是获得的阴影硬分割的二值图，P_l和P_r分别表示图像直方图的两个峰值，ξ取值为10；

步骤1-2、利用形态学操作将硬分割的二类分割图变为非影区、半影区和全影区三类分割图像，对硬分割的二值图进行膨胀和腐蚀，差值区域作为半影区，并对其中半影区用原始图像填充：

Diff[x,y]＝d(Bm[x,y])-e(Bm[x,y])

其中，d(Bm[x,y])表示对Bm[x,y]进行膨胀操作，e(Bm[x,y])表示对Bm[x,y]进行腐蚀操作，Diff[x,y]表示经过膨胀和腐蚀后的差值图像，DN表示原始阴影图像的像素值，M[x,y]表示获得的三类分割图像；

步骤1-3、对阴影进行软检测，三类分割图像M[x,y]中，0表示全影区，1表示非影区，利用图像抠像算法计算原始图像填充区域的阴影概率值：

$E\left(\mathrm{\θ}\right)={\mathrm{\θ}}^{T}L\mathrm{\θ}+\mathrm{\λ}{(\mathrm{\θ}-\widehat{\mathrm{\θ}})}^{T}D(\mathrm{\θ}-\widehat{\mathrm{\θ}});$

其中，E(θ)表示能量函数，λ表示较大常数，此处设置为100，θ表示图像中每一个像素的阴影概率值，θ^T表示概率矩阵的转置，是标记的三类分割图，即是全影区域，是非影区域，L是抠像的拉普拉斯矩阵，D是对角矩阵。

3.根据权利要求2所述的基于非局域稀疏的卫星高分图像阴影区域恢复方法，其特征在于，步骤2对检测到的全影区和半影区进行恢复的具体过程为：

步骤2-1、利用非影区的统计均值和标准差，对非影区进行线性辐射增强，使阴影区域的亮度趋近达到与非影区相同水平，获得阴影初始恢复结果：

$I_n\[x,y\]=(1-\mathrm{\θ}\[x,y\])I_s\[x,y\]+\mathrm{\θ}\[x,y\]\left(\frac{{\mathrm{\σ}}_{sunlit}}{{\mathrm{\σ}}_{shadow}}\right(I_s\[x,y\]-{\mathrm{\μ}}_{shadow})+{\mathrm{\μ}}_{sunlit});$

其中，I_n[x,y]是经过初步辐射增强后的像素值，I_s[x,y]是图像中阴影区域的原始像素值，θ[x,y]是软检测结果中对应像素的阴影概率值，μ_shado_w、μ_sunlit、σ_shado_w和σ_sunlit分别表示阴影区域均值、阴影区域标准差、非影区域均值和非影区域标准差；

步骤2-2、利用非局域稀疏方法对阴影初始恢复结果进行精细恢复，以8×8的图像块为基本单位，在非局域区域内计算欧式距离，搜索相似结构的匹配块，匹配60个距离最小的基本图像块，将每个图像块改写成列向量形式，构成一个64×60的组矩阵，对该组矩阵进行奇异值分解后重建，转化为解决如下典型的低秩优化问题：

$(D_{G_k},{\mathrm{\Σ}}_{G_k},V_{G_k})=\underset{D_{G_k}\ΣV}{\arg \min }\left|\right|i_{G_k}-D_{G_k}{\mathrm{\Σ}}_{G_k}{V}_{G_k}^T|{|}_2^2+\mathrm{\τ}\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\λ}}_i;$

$\left\{\begin{array}{c}(D_{G_k},{\mathrm{\Σ}}_{G_k},V_{G_k})=SVD\left(i_{G_k}\right)\\ {\widehat{\Σ}}_{G_k}=S_{\mathrm{\τ}}\left({\mathrm{\Σ}}_{G_k}\right)\end{array}\right.;$

其中，是相似组矩阵，和是进行奇异值分解的三个分量，其中K＝min(m,n)是对角矩阵，n是基本图像块的大小，m是一组中被匹配到的块的个数；S_τ表示对变量τ软阈值操作，最终恢复重建后的阴影区域图像