本发明公开一种人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴影检测方法。首先，利用边缘提取算法获取正射影像和人工阴影影像中单栋建筑阴影轮廓，并建立阴影数据集；然后，根据建筑高度对两组数据集进行分层，对阴影数据集进行多层次并行面特征整体松弛匹配，得到初始匹配结果；最后，对未匹配集合中的建筑物阴影进行面特征整体匹配得到最后的匹配结果，从而完成高分辨率的正射影像的阴影检测。利用本发明在人工阴影的基础上对建筑物阴影检测，可以更直接的确定建筑阴影的位置，更准确的获取建筑物阴影的边界。
1.一种人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴影检测方法，其具体步骤如下：
步骤1）利用数字建筑物模型DBM生成人工阴影影像；
步骤2）创建人工阴影影像和正射影像中建筑阴影轮廓数据集，计算并添加阴影面匹配单元的特征属性；
步骤5）计算影像中各阴影面邻域的支持系数，对初始概率矩阵进行迭代更新；
步骤6）根据阴影面轮廓的角点特征对1:M、N:1、M:N候选匹配对进行筛选，确定匹配对；
步骤7）根据步骤4）–步骤6）对建筑物阴影数据集进行多层次并行面特征整体松弛匹配，依据阴影的特征值对每层设置不同的邻域相似阈值和总相似阈值确定该层的匹配对；
将每匹配层中未匹配的建筑物阴影划分至人工阴影未匹配集合和正射影像未匹配集合中，按照相同的方法对未匹配集合中的建筑物阴影进行面特征整体匹配得到最后的匹配结果，从而完成高分辨率的正射影像的阴影检测。
2.根据权利要求1所述的人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴影检测方法，其特征在于：在步骤2）中所述的匹配单元特征属性包括阴影面的位置、形状特征属性：
采用Canny边缘检测算法提取影像中阴影轮廓，结合DBM数据对提取到的阴影轮廓进行分割筛选，确定两幅影像中建筑物阴影面的轮廓范围和大小；根据轮廓对应的坐标值，计算出每个阴影面的重心坐标；提取阴影轮廓特征点，计算每个阴影面的形状中心距离值。
3.根据权利要求1所述的人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴影检测方法，其特征在于：在步骤3）中所述的对两组阴影数据集进行分层是根据每个阴影面对应的建筑物高度进行分层：
对比两幅影像中阴影面的差异，总结阴影面差异的规律，利用建筑物的高度对影像中的建筑物阴影进行分层，将每幅影像分成筑物的高度对影像中的建筑物阴影进行分层，将每幅影像分成筑物的高度对影像中的建筑物阴影进行分层，将每幅影像分成筑物的高度对影像中的建筑物阴影进行分层，将每幅影像分成3层。
4.根据权利要求1所述的人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴影检测方法，其特征在于：在步骤4）中所述的初始化两组阴影数据集概率矩阵：计算两幅影像阴影面之间的位置、形状相似值，得到正射影像中每个阴影面的初始概率值；以建筑物阴影面为匹配单元，计算待匹配的两组面状建筑物阴影面数据集中对应面间的位置和形状相似性；设置权值，加权平均得到两组数据中阴影面间的相似度矩阵；
对初始候选匹配对进行粗筛，剔除明显错误的候选匹配对，删除相似性小于给定阈值的并将其赋值为0，得到最终的相似度矩阵；对匹配初始概率进行估算，即把每个候选面的特征相关系数相加，除以所有候选面的相关系数和，得到初始概率矩阵。
5.根据权利要求4所述的人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴影检测方法，其特征在于：在步骤5）中，计算影像中各阴影面邻域的支持系数，对初始概率矩阵迭代更新：
确定建筑阴影面的邻域候选匹配对，计算各个邻域要素的支持系数，对初始概率值不断迭代，获取正射影像中建筑物阴影区域的位置；
通过广度优先搜索策略以阴影面重心点为搜索目标，确定建筑物阴影面的目标面邻域数目；计算邻近候选匹配对间的特征差异值和支持程度，更新初始匹配矩阵。
6.根据权利要求5所述的人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴影检测方法，其特征在于：在步骤6）中，根据阴影多边形的角点特征对1:M、N:1、M:N候选匹配对进行筛选，确定最终匹配对：
分别计算邻近候选匹配对之间的相对位置和相对形状关系；计算各邻域要素的支持系数；利用位置，形状相似性和相关系数三个相关系数，对匹配概率矩阵进行迭代更新；
提取1:M、N:1、M:N候选匹配对的轮廓特征点；结合阴影面的边缘轮廓，筛选出阴影轮廓的特征点集；每个面轮廓包含的所有特征点曲率值的平均值作为该面的曲率值，计算出候选匹配对间曲率的相似值，确定初始匹配对。
人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴
影检测
技术领域
[0001] 本发明涉及图像处理技术领域，特别是涉及一种高分辨率正射影像建筑物阴影检测方法。
技术背景
[0002] 所述的人工阴影像为：将影像航拍时的太阳高度角和方位角与该影像的数字建筑模型(DBM)相结合，利用阴影建模算法计算出某一航拍时刻下建筑物阻碍太阳光线造成的
阴影区域在地平面上的几何范围，该几何区域即为所求的阴影区域并将其灰度值赋值为0。
[0003] 阴影检测的方法目前有大致可以分为两类。第一种是基于模型的方法，根据影像中的信息，场景的几何形状、太阳高度角、DSM或者传感器等参数建立阴影统计模型，并对逐
个像素进行判别。第二种是基于阴影的性质的阴影检测算法，根据阴影区域的光谱、纹理和
边缘等信息与非阴影区不同，结合特征阈值、统计混合模型、D‑S证据理论等方法划分阴影
区域和非阴影区域。通过对国内外研究现状进行分析，发现现有的阴影检测算法还存在以
下不足：
[0004] (1)基于阴影纹理、边缘特征的检测方法，由于影响阴影形成的因素很多，依靠阴影区域的纹理特征、边缘特性，实现阴影的检测，不仅会引入大量的计算，而且阴影区域边
界的界定也存在相当的难度。
[0005] (2)基于光谱特性的检测方法，由于水体、偏蓝色地物等在各个波段上的光谱特性与阴影很接近、阈值分割直方图峰值不明显，将干扰阴影区域的识别。
[0006] (3)阈值的选取需要极强的先验知识，根据人为经验不断进行调整，才能达到满意的效果，也降低检测方法的适用性。
发明内容
[0007] 本发明提出了一种人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴影检测方法，在人工阴影的基础上对建筑物阴影检测，可以更直接的确定建筑阴影的位置，
更准确的获取建筑物阴影的边界。
[0008] 为了实现上述技术目的，本发明的技术方案为：
[0009] 人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴影检测，具体步骤为：
[0010] 1、将航空影像拍摄时的太阳高度角和方位角与影像的DBM数据相结合，利用阴影建模算法生成人工阴影影像。
[0011] 将航空影像拍摄时的太阳高度角和方位角与影像的DBM数据相结合，利用阴影建模算法生成阴影影像，通过空间重分类的方法对阴影区和非阴影区进行重分类，将灰度值
为0的区域归为一类，将其他的灰度值同一赋值为255，归为另一类，得到人工阴影影像。
[0012] 2、创建两幅影像的建筑阴影轮廓数据集，计算阴影面匹配单元的特征属性。
[0013] 采用Canny边缘检测算法提取影像中阴影轮廓，结合DBM数据进行分割筛选，得到单栋建筑阴影的轮廓数据集。确定两幅影像中建筑物阴影多边形的轮廓范围和大小，计算
出每个阴影多边形的重心坐标；提取阴影轮廓特征点，计算每个阴影面的形状中心距离值。
[0014] 3、对两组建筑物阴影数据集进行分层。
[0015] 通过对人工影像和正射影像中的建筑物阴影的面积和形状相似度进行对比，发现影像中建筑物越高面积差越大。因此，根据建筑物的高度，将每个阴影数据集划分为3层。
[0016] 4、对每层的阴影数据集进行面特征整体松弛匹配得到正射影像中建筑物阴影的准确位置。
[0017] (1)概率矩阵初始化
[0018] 以建筑物阴影面为匹配单元，计算待匹配的建筑物阴影多边形数据集中对应面间的位置和形状相似性。通过设置权值，加权平均得到综合的初始概率，得到两组数据中阴影
面间的相似度矩阵。对初始候选匹配对进行粗筛，剔除明显错误的候选匹配对，删除相似性
小于给定阈值的并将其赋值为0，得到最终的相似度矩阵；然后对匹配初始概率进行估算，
即把每个候选面的特征相关系数相加，除以所有候选面的相关系数和，得到初始概率矩阵。
[0019] (2)概率矩阵迭代更新
[0020] 通过广度优先搜索策略以阴影区域重心点为搜索目标，确定建筑物阴影面的目标面邻域数目。邻域关系确定后，计算邻近候选匹配对间的特征差异值和支持程度，并更新初
始匹配矩阵。
[0021] (3)匹配对选取
[0022] 加入阴影邻域位置相似性、形状相似性和相关系数三个相关系数，对匹配概率矩阵进行迭代更新。当两次迭代期间各候选匹配对的匹配概率变化量小于给定的阈值时，则
迭代停止。
[0023] 检测1:M、N:1、M:N候选匹配对。根据Harris方法提取影像中的特征点，然后结合阴影面的边缘轮廓，筛选出阴影轮廓的特征点集。每个阴影轮廓包含的所有特征点曲率值的
平均值作为该面的曲率值，计算出候选匹配对间曲率的相似值，确定初始匹配对。
[0024] 5、人工阴影驱动下高分辨率正射影像多层次整体松弛匹配的匹配过程。
[0025] (1)对步骤3中的建筑物阴影数据集进行多层次并行面特征整体松弛匹配，根据阴影的特征值对每层设置不同的邻域相似阈值和总相似阈值确定该层的匹配对。
[0026] (2)将每匹配层中未匹配的建筑物阴影划分至人工阴影未匹配集合和正射影像未匹配集合中。按照相同的方法对未匹配集合中的建筑物阴影多边形进行面特征整体匹配，
得到最后的匹配结果。
[0027] (3)最后，对少量未匹配的建筑物阴影进行全局遍历检查，作为提高匹配正确率的有效补充。
[0028] 本发明提出的方法通过人工生成的建筑物阴影与正射影像中的阴影进行整体松弛匹配，得到正射影像中建筑物阴影的准确位置。该方法可以更直接的确定建筑阴影的位
置，更准确的获取建筑物阴影的边界。
附图说明
[0029] 图1为本发明实施例的阴影检测流程图
[0030] 图2为本发明实施例的面特征整体匹配原理图
[0031] 图3为本发明实施例的人工阴影图
[0032] 图4为本发明实施例对应的DBM平面模型
[0033] 图5为本发明实施例的第Ⅰ层建筑物阴影匹配图
[0034] 图6为本发明实施例的阴影检测结果图
具体实施方式
[0035] 下面结合本发明中的实施例附图详细说明本发明的具体实施方式。显然，所描述的实施例仅仅是本发明中的一部分实施例，而不是全部的实施例。基于本发明中的实施例，
本领域的普通技术人员在没有做出创造性劳动前提的条件下所进行的其他所有实施例，都
属于本发明的保护范围。
[0036] 实施例：
[0037] 本实施例中，我们选取某国外地区的高分辨率航空影像作为实验数据，该数据拍摄时飞机飞行的平均海拔为1650m，其中，航向重叠率为65％，旁向重叠率为30％。
[0038] 具体实施中，本发明技术方案可采用计算机编程自动运行的方式进行。
[0039] 本发明所提供的人工阴影驱动下多层次整体松弛匹配的高分辨率正射影像阴影检测程序的具体运行步骤可以参考流程图(图1)：
[0040] 步骤1，生成人工阴影影像。
[0041] 本实例中，以DBM为研究模型，将航空影像拍摄时的太阳高度角和方位角与影像的DBM数据相结合，利用阴影建模算法计算出某一航拍时刻下建筑物阻碍太阳光线造成的阴
影区域在地平面上的几何范围，该区域的灰度值被赋值为0。生成的人工阴影如图3所示。
[0042] 步骤2，提取建筑物阴影的边缘轮廓，创建建筑物阴影数据集，计算阴影面匹配单元的特征属性。
[0043] 本实例中，将正射影像转化为二值影像，然后利用采用Canny算子提取影像中的建筑阴影粗轮廓。结合影像的二维DBM数据(如图3所示)，对提取到的数据进行分割筛选，剔除
DBM区域内的边缘轮廓，并对阴影区域进行闭合，得到两幅影像的建筑物阴影数据集data1
＝{qi|i＝1…m}，data2＝{tj|j＝1…n}，其中si和tj分别为数据data1、data2中待匹配的建
筑物阴影面，m和n分别为每个数据集对应的面实体的数目。计算每个阴影面的特征属性表
示为：si＝{Ai,Ci}，tj＝{Aj,Cj}，其中d代表多边形的重心坐标点集，C代表多边形最小外接
矩形的周长集。
[0044] 步骤3，根据建筑物的高度对影像中的阴影进行分层。
[0045] 本实例中，通过分析两幅影像中对应单栋建筑物的阴影面的相似度，发现影像中建筑物越高面积差越大。因此，根据建筑物的高度，将阴影数据集划分为3层：第Ⅰ层阴影数
据集为建筑物高度大于200m的阴影；第Ⅱ层阴影数据集为建筑物高度大于100m且小于200m
的阴影；第Ⅲ层阴影数据集为建筑物高度小于100m的阴影。
[0046] 步骤4，根据匹配对的位置和形状间的特征值，计算匹配对的差异性指标。
[0047] 本实例中，分别计算两幅影像中阴影多边形si和tj对应多边形间的位置和形状的相似性，计算方法如下：
[0048]
[0049] 其中，si、tj分别表示两组数据集中的任意的多边形，ρd、ρC分别为候选匹配对(si,tj)的位置，面积和形状相似性； 为多边形si、tj的重心坐标，
[0050] 将这两种特征相结合以阴影面为匹配单元。通过计算数据data1中的每个多边形si与数据data2中所有候选匹配阴影面进行相关系数计算。计算方法如下：
[0051] ρ(si,tj)＝ω1·ρd+ω2·ρC (2)
[0052] 其中，ω1，ω2分别为位置和形状相似性的权值，值为1/2。根据阴影面的特征值，计算出两组数据每个阴影面的相似度矩阵R。
[0053] 步骤5，概率矩阵初始化。
[0054] 通过设定相应的位置和形状相似性阈值，对步骤3中计算得到初始候选匹配对进行粗筛，剔除明显错误的候选匹配对，删除相似性小于给定阈值的并将其赋值为0，得到最
终的相似度矩阵R′M×N。然后，为了进行松弛优化计算，对数据data1中有m个多边形的匹配初
始概率进行估算，即把每个候选面的特征相关系数相加，除以所有候选面的相关系数和，作
为初始概率。计算方法如下：
[0055]
[0056] 计算矩阵R′M×N中的每个元素初始匹配概率，得到初始匹配概率矩阵P(0)。其中每行代表数据data1中多边形si与数据data2中的n个多边形的初始概率。
[0057] 步骤6，初始概率矩阵迭代更新。
[0058] 通过广度优先搜索策略以阴影区域重心点为搜索目标，确定建筑物阴影多边形数据S和数据T的目标面邻域数目。之后，计算邻近候选匹配对间的特征差异值和支持程度，更
新初始匹配矩阵。令 则sh和tk分别表示si和tj邻域内的面目标，
(sh,tk)是(si,tj)的邻近候选匹配对。然后对其进行归组合并，分别计算(si,tj)和(sh,tk)之
间的相对位置和相对形状关系。计算方法如下：
[0059]
[0060] 其中，r1(si,tj；sh,tk)、r2(si,tj；sh,tk)分别表示(sh,tk)与(si,tj)之间的相对位置和相对性状关系；d(a,b)表示两个面a与b的重心距离；C′(a,b)表示两个面a与b的形状中心
距离值相似度。综合以上2种相对几何关系，得到(sh,tk)与(si,tj)之间的兼容系数r(si,tj；
sh,tk)，计算方法如下：
[0061] r(si,tj；sh,tk)＝W1·r1(si,tj；sh,tk)+W2·r2(si,tj；sh,tk)+W3·ρ(si,tj) (5)
[0062] 根据上述公式计算各个建筑物阴影区域的匹配支持程度，并进行迭代更新，计算方法按如下：
[0063]
[0064]
[0065] 步骤7，建筑物阴影匹配对的选取。
[0066] 将检测出1:M、N:1、M:N候选匹配对，根据Harris方法提取影像中的特征点；结合阴影面的边缘轮廓，筛选出阴影轮廓的特征点集；每个面轮廓包含的所有特征点曲率值的平
均值作为该面的曲率值，计算出候选匹配对间曲率的相似值，确定最终匹配对。
[0067] 阴影面曲率相似值计算方法如下：将每组点集中的三个特征点Pi‑1、Pi、Pi+1相结合，得到向量 通过计算两个向量间的夹角和近似弧度值，得到该组特征点集
中点Pi的曲率，计算公式如下：
[0068] ki＝sgn(i)Δαi/Δsi (8)
[0069] 其中，Δαi为向量 与 的夹角， 为近似弧长，sgn(i)为符号函数，若点vi为凸则sgn(i)＝1，若为凹则sgn(i)＝‑1。
[0070] 将每个多边形轮廓包含的所有特征点曲率值的平均值作为该多边形的曲率值，进而计算出候选匹配对间曲率的相似值E(A,B)，定义：
[0071]
[0072] 其中，A，B表示待匹配的多边形对，k0(i)为点Pi在正射影像中阴影轮廓曲线上的曲率，k(i)为点Pi在人工阴影影像中阴影轮廓上的曲率。
[0073] 步骤8，对建筑物阴影进行多层次并行面特征整体松弛匹配，得到最终的匹配结果。
[0074] 本实例中，对建筑物阴影数据集进行多层次并行面特征整体松弛匹配(步骤4‑7)，根据阴影的特征值对每层设置不同的邻域相似阈值和总相似阈值确定该层的匹配对。通过
实验，分别将三层匹配阈值设置如下：第Ⅰ层匹配邻域相似值大于0.7，总相似值大于0.65；
第Ⅱ层匹配邻域相似值大于0.7，总相似值大于0.7；第Ⅲ层匹配邻域相似值大于0.8，总相
似值大于0.75。
[0075] 将每匹配层中未匹配的建筑物阴影划分至人工阴影未匹配集合和正射影像未匹配集合中，按照相同的方法对未匹配集合中的建筑物阴影多边形进行面特征整体匹配。其
中，匹配邻域相似值大于0.6，总相似值大于0.55。
[0076] 最后，对少量无匹配建筑物阴影进行全局遍历检查，得到最后的匹配结果。通过对影像中的建筑物阴影面进行多层面整体松弛匹配，获取人工阴影影像和正射影像的匹配结
果，从而完成高分辨率的正射影像的阴影检测。
[0077] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形
也应视为本发明的保护范围。
