高分辨率遥感图像阴影检测装置与方法与流程

本发明涉及图像处理领域，具体而言，涉及一种高分辨率遥感图像阴影检测装置与方法。

背景技术：

近年来，随着卫星传感技术的飞速发展，高分辨率遥感图像空间分辨率大幅提高，部分卫星遥感数据空间分辨率已达亚米级。然而，高分辨率遥感图像中阴影的存在很大程度上削弱了图像的特征信息，模糊了重要对象的空间细节，给后续的图像处理、分析与目标识别带来了很大的困难。

现有技术中，通常利用自适应特征选取的方法检测高分辨率遥感图像的阴影区域。具体方式为首先对输入图像是RGB彩色图像还是Pan全色图像进行判别，手动标记选取出部分阴影区域，然后利用利用固定尺寸的窗口对标记的各部分求取局部阈值，然后计算全局的平均阈值，以此阈值对图像阴影进行检测。但是自适应特征选取方法在处理包含复杂场景的高分辨率遥感图像时，基于阈值的检测方法性能会显著下降，算法鲁棒性不高。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种高分辨率遥感图像阴影检测装置与方法。

第一方面，本发明实施例提供了一种高分辨率遥感图像阴影检测装置，所述高分辨率遥感图像阴影检测装置包括：

图像转化单元，用于将一高分辨率遥感图像转化为空间特征图像；

区域分类单元，用于对所述空间特征图像进行初步分割，并获得阴影区域与非阴影区域；

初始概率图像矩阵获得单元，用于对阴影区域和非阴影区域进行处理并获得处理结果，并依据所述处理结果对所述高分辨率遥感图像进行支持向量机分类，并获得初始概率图像矩阵；

阴影图像结果矩阵获得单元，依据扩展随机行走算法对所述初始概率图像矩阵进行优化处理，并获得阴影图像结果矩阵。

第二方面，本发明实施例还提供了一种高分辨率遥感图像阴影检测方法，所述高分辨率遥感图像阴影检测方法包括：

将一高分辨率遥感图像转化为空间特征图像；

对所述空间特征图像进行初步分割，并获得阴影区域与非阴影区域；

对阴影区域和非阴影区域进行处理并获得处理结果，并依据所述处理结果对所述高分辨率遥感图像进行支持向量机分类，并获得初始概率图像矩阵；

依据扩展随机行走算法对所述初始概率图像矩阵进行优化处理，并获得阴影图像结果矩阵。

与现有技术相比，本发明提供的高分辨率遥感图像阴影检测装置与方法，通过将一高分辨率遥感图像转化为空间特征图像；对所述空间特征图像进行初步分割，并获得阴影区域与非阴影区域；再对阴影区域和非阴影区域进行处理并获得处理结果，并依据所述处理结果对所述高分辨率遥感图像进行支持向量机分类，并获得初始概率图像矩阵；依据扩展随机行走算法对所述初始概率图像矩阵进行优化处理，并获得阴影图像结果矩阵。该高分辨率遥感图像阴影检测装置与方法最终得到的阴影图像具有鲁棒性高、噪声点少以及无需人工标记的特点，且提高了检测出的阴影图像的精度。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的服务器的方框示意图；

图2为本发明实施例提供的高分辨率遥感图像阴影检测装置的功能单元示意图；

图3为本发明实施例提供的高分辨率遥感图像目标阴影检测方法的流程图。

其中，附图标记与部件名称之间的对应关系如下：高分辨率遥感图像阴影检测装置100，服务器101，处理器102，存储器103，存储控制器104，外设接口105，图像转化单元201，区域分类单元202，初始概率图像矩阵获得单元203，阴影图像结果矩阵获得单元204。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提出的高分辨率遥感图像阴影检测装置与方法，提供了一种遥感目标区域检测方法，该遥感目标区域检测方法可适用于服务器101。该服务器101可以是，但不限于，网络服务器、数据库服务器、云端服务器等等。

如图1所示，是所述服务器101的方框示意图。所述服务器101包括高分辨率遥感图像阴影检测装置100、处理器102、存储器103、存储控制器104及外设接口105。

所述存储器103、存储控制器104及处理器102，各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述高分辨率遥感图像阴影检测装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器103中或固化在所述服务器101的操作系统(operating system，OS)中的软件功能模块。所述处理器102用于执行存储器103中存储的可执行模块，例如，所述高分辨率遥感图像阴影检测装置100包括的软件功能模块或计算机程序。

其中，存储器103可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器103用于存储程序，所述处理器102在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器101所执行的方法可以应用于处理器102中，或者由处理器102实现。

处理器102可能是一种集成电路芯片，具有信号的处理能力。上述的处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述外设接口105将各种输入/输入装置耦合至处理器以及存储器103。在一些实施例中，外设接口105，处理器102以及存储控制器104可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

请参阅图2，本发明实施提供的一种高分辨率遥感图像阴影检测装置100，所述高分辨率遥感图像阴影检测装置100包括图像转化单元201、区域分类单元202、初始概率图像矩阵获得单元203以及阴影图像结果矩阵获得单元204。

所述图像转化单元201用于将一高分辨率遥感图像转化为空间特征图像。

具体地，所述图像转化单元201运用公式将一高分辨率遥感图像转化为空间特征图像，其中，R、G、B分别为所述高分辨率遥感图像的红图层、绿图层以及蓝图层，I、H、S分别为所述空间特征图像的亮度图层、饱和度图层以及色度图层，V₁、V₂为临时中间变量，f表示所述空间特征图像，i、j表示像素点的空间坐标。通过图像转换单元通过空间转换先将原始RGB图像转换至IHS彩色空间，再利用数制转换求得空间特征图像f。

所述区域分类单元202用于对所述空间特征图像进行初步分割，并获得阴影区域与非阴影区域。

具体地，所述区域分类单元202用于利用大津法对所述空间特征图像进行阈值分割，并获得阴影区域与非阴影区域。

初始概率图像矩阵获得单元203，用于对阴影区域和非阴影区域进行处理并获得处理结果，并依据所述处理结果对所述高分辨率遥感图像进行支持向量机分类，并获得初始概率图像矩阵。

具体地，所述初始概率图像矩阵获得单元用于对阴影区域和非阴影区域进行形态学滤波腐蚀，并分别提取阴影区域与非阴影区域的种子像素点，并依据所述高分辨率遥感图像、所述空间特征图像以及提取出的种子像素点对所述高分辨率遥感图像进行支持向量机分类，并获得初始概率图像矩阵。

具体地，初始概率图像矩阵的获得方式可以为：给定训练样本集，即获取的种子像素点集(x_i,y_i),i＝1,2…,l,x∈Rⁿ,y∈{±1}，其中l表示种子像素点的数目，Rⁿ表示种子像素点的特征集，y表示种子像素点的类别(本发明实施中，种子像素点的类别为阴影区域种子点或非阴影区域种子点)。将支持向量机的超平面记作(w·x)+b＝0，其中w为所求初始概率图像矩阵，b为可根据环境设置的自由值。要使支持向量机分类面对所有训练样本正确分类并且具备分类间隔，就要求将支持向量机的超平面满足约束：y_i[(w·x_i)+b]≥1i＝1,2,…,l，从而计算出分类间隔为因此构造最优超平面的问题就转换为在约束式下求：本实施例中，可引入Lagrange函数，解决约束最优化问题，从而获得初始概率图像矩阵w。

阴影图像结果矩阵获得单元204，依据扩展随机行走算法对所述初始概率图像矩阵进行优化处理，并获得阴影图像结果矩阵。

具体地，所述阴影图像结果矩阵获得单元204用于依据算式获得阴影图像结果矩阵Pn，其中，Pn为阴影图像结果矩阵，L为联合拉普拉斯算子，且

表示两个相邻像素点ii,jj之间的联系的强度，v_i、v_j分别表示像素点i、j的像素值，β为一个可供环境不同而进行改变的自由值，Pq为初始概率图像矩阵，∧_q为对角矩阵，且对角矩阵∧_q的对角线上的元素表示节点的随机行走概率。

考虑到在实际的高分辨率遥感图像中的阴影总是成连通域的状态出现，各像素之间的关联性就显得对阴影检测有着很重要的决策作用。本实施例中，通过利用阴影图像结果矩阵获得单元204依据扩展随机行走算法对所述初始概率图像矩阵进行优化处理，并获得阴影图像结果矩阵，可将单纯的阴影检测和实际情况联系起来，使用以空间相关性为依据的扩展随机行走，可得到更高精确地的阴影图像结果矩阵，同时还能有效的去除检测到的阴影图像结果矩阵存在的椒盐噪声。因此，检测得到阴影图像结果矩阵不仅能达到很好的精度要求，还能使得检测边缘平整化且贴近现实。

请参阅图3，本发明实施例还提供了一种高分辨率遥感图像阴影检测方法，需要说明的是，本实施例所提供的高分辨率遥感图像阴影检测方法，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述实施例中的相应内容。所述高分辨率遥感图像阴影检测方法包括：

步骤S301：将一高分辨率遥感图像转化为空间特征图像。

通过图像转化单元201将一高分辨率遥感图像转化为空间特征图像。具体地，步骤S301可以包括运用公式获得空间特征图像，其中，R、G、B分别为所述高分辨率遥感图像的红图层、绿图层以及蓝图层，I、H、S分别为所述空间特征图像的亮度图层、饱和度图层以及色度图层，V₁、V₂为临时中间变量，f表示所述空间特征图像，i、j表示像素点的空间坐标。

步骤S302：对所述空间特征图像进行初步分割，并获得阴影区域与非阴影区域。

通过区域分类单元202对所述空间特征图像进行初步分割，并获得阴影区域与非阴影区域。具体地，步骤S302可以包括利用大津法对所述空间特征图像进行阈值分割，并获得阴影区域与非阴影区域。

步骤S303：对阴影区域和非阴影区域进行处理并获得处理结果，并依据所述处理结果对所述高分辨率遥感图像进行支持向量机分类，并获得初始概率图像矩阵。

通过初始概率图像矩阵获得单元203对阴影区域和非阴影区域进行处理并获得处理结果，并依据所述处理结果对所述高分辨率遥感图像进行支持向量机分类，并获得初始概率图像矩阵。具体地，步骤S303可以包括对阴影区域和非阴影区域进行形态学滤波腐蚀，并分别提取阴影区域与非阴影区域的种子像素点，并依据所述高分辨率遥感图像、所述空间特征图像以及提取出的种子像素点对所述高分辨率遥感图像进行支持向量机分类，并获得初始概率图像矩阵。

步骤S304：依据扩展随机行走算法对所述初始概率图像矩阵进行优化处理，并获得阴影图像结果矩阵。

通过阴影图像结果矩阵获得单元204依据扩展随机行走算法对所述初始概率图像矩阵进行优化处理，并获得阴影图像结果矩阵。具体地，步骤S304可以包括依据算式获得阴影图像结果矩阵P_n，其中，P_n为阴影图像结果矩阵，L为联合拉普拉斯算子，Pq为初始概率图像矩阵，∧_q为对角矩阵，且对角矩阵∧_q的对角线上的元素表示节点的随机行走概率。

经发明人试验，得到了表1所示的结果(其中，表1中的百分数表示检测到的阴影图像的精度)。表1列出了两幅图(图A、图B)分别在1、自适应特征选取方法；2、基于支持向量机分类的方法；3、基于抠像的方法；4、本发明实施例提供的高分辨率遥感图像阴影检测方法的处理下得到的阴影图像的精度，明显地，精度越高，表明效果越好。从表1可以看出，本发明提出的高分辨率遥感图像阴影检测装置与方法的阴影图像的精度最高。

表1

综上，本发明提供的高分辨率遥感图像阴影检测装置与方法，通过将一高分辨率遥感图像转化为空间特征图像；对所述空间特征图像进行初步分割，并获得阴影区域与非阴影区域；再对阴影区域和非阴影区域进行处理并获得处理结果，并依据所述处理结果对所述高分辨率遥感图像进行支持向量机分类，并获得初始概率图像矩阵；依据扩展随机行走算法对所述初始概率图像矩阵进行优化处理，并获得阴影图像结果矩阵。该高分辨率遥感图像阴影检测装置与方法最终得到的阴影图像具有鲁棒性高、噪声点少以及无需人工标记的特点，且提高了检测出的阴影图像的精度。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。