遥感影像阴影检测原理详解及其代码实现（基于HSV彩色模型与C1C2C3彩色模型）

一、阴影检测原理

遥感影像中的阴影是指一些地物（如建筑物、树木和山脉等）遮挡了太阳光线，导致在地物的背面形成了黑暗的成像区域。阴影区域既是遥感影像的信息源，可以反映建筑物高度，估算建筑物的容积率和提取三维信息；又是遥感影像的噪声源，导致地物特征受到影响，进而影响地物信息的提取。
例如，在下图中，可以发现在房屋背后存在阴影区域，我们的目标就是要检测出这块阴影。

（1）基于HSV彩色空间的阴影检测
HSV模型是基于色调（H）、饱和度（S）和明度（V）的六棱锥颜色空间。（如下图所示）H表示色彩信息，即所处的光谱颜色的位置，用角度表示；S表示成所选颜色的纯度和该颜色最大的纯度之间的比率；V表示色彩的明亮程度。

在HSV模型中，阴影区域主要有三个特点：
①具有更大的色调值H；
②具有高饱和度S，因为散射光线主要来自波长更短的蓝紫色光；
③太阳光线被阻挡，导致明度V较低。
根据HSV模型阴影区域的特点，可以将彩色的RGB图像转换为HSV图像

选取 作为阈值初步分割出阴影区域。

（2）基于C1C2C3彩色空间的阴影检测
与HSV模型类似，可以引入C1C2C3彩色模型实现对遥感影像阴影区域检测

阴影区域中的像素灰度值一般比非阴影区域小，特别是R和G分量较小，但是B分量较大，其原因主要是在以太阳光为光源的成像过程中，环境对蓝色分量的散射较强所致。并且，在阴影区域中，C3分量具有很高的像素值。因此，需要将C3分量和B分量结果，采用双阈值进行阴影检测。只有C3分量高于阈值T1，B分量低于阈值T2，才被认为是阴影区域。

二、基于OpenCV的C++代码实现

首先，将RGB图像转换为HSV图像和C1C2C3图像，计算出每一个分量。然后，使用迭代法或Otsu算法求出最佳阈值，并进行阈值分割。最后，对图像进行形态学闭运算，优化检测结果，获得精确的阴影区域。

（1）基于HSV彩色空间的阴影检测
基于RGB到HSV彩色空间的公式，计算出H、S、V每一个分量。然后，使用迭代法求出最佳分割阈值。经过多次的迭代运算后，发现最佳阈值T约为0.2。计算出M分量，与T进行比较，划分图像为目标阴影区域或非阴影区域。

代码如下：

void Shadow_detection_HSV(Mat img)
{
	int width = img.cols;
	int height = img.rows;
	Mat dst;
	dst.create(height, width, CV_8UC1);
	cvtColor(img, dst, CV_RGB2HSV);
	unsigned char *p1 = dst.data;
	unsigned char *p = img.data;
	double h, s, v, m;
	for (int i = 0; i < height; i++)
	{
		for (int j = 0; j < width; j++)
		{
			h = p[(i * width + j) * 3 + 0];
			s = p[(i * width + j) * 3 + 1];
			v = p[(i * width + j) * 3 + 2];
			m = double(((s - v) / (h + s + v)));
			if (m > 0.2)
			{
				p1[i * width + j] = 255;
			}
			else
			{
				p1[i * width + j] = 0;
			}
		}
	}
	imwrite(".\\Color-hsv.png", dst);
}

（2）基于C1C2C3彩色空间的阴影检测
算法流程与HSV模型类似，但不同的是C1C2C3模型需要计算两个阈值，分别是C3分量和B分量的阈值。迭代法求双阈值，然后进行阈值分割。

代码如下：

void Shadow_detection_C1C2C3(Mat img)
{
	int row, col;
	row = img.rows;
	col = img.cols;
	double c3;
	for (int j = 0; j < row; j++)
	{
		for (int i = 0; i < col; i++)
		{
			if (img.at<cv::Vec3b>(j, i)[2] > img.at<cv::Vec3b>(j, i)[1])
			{
				c3 = atan(double(img.at<cv::Vec3b>(j, i)[0] / img.at<cv::Vec3b>(j, i)[2]));
			}
			else
			{
				c3 = atan(double(img.at<cv::Vec3b>(j, i)[0] / img.at<cv::Vec3b>(j, i)[1]));
			}

			if (c3 > 0.15&&img.at<cv::Vec3b>(j, i)[0] < 50)
			{
				img.at<cv::Vec3b>(j, i)[0] = 255;
				img.at<cv::Vec3b>(j, i)[1] = 255;
				img.at<cv::Vec3b>(j, i)[2] = 255;
			}
			else
			{
				img.at<cv::Vec3b>(j, i)[0] = 0;
				img.at<cv::Vec3b>(j, i)[1] = 0;
				img.at<cv::Vec3b>(j, i)[2] = 0;
			}
		}
	}
	imwrite(".\\Color-c1c2c3.png", img);
}

检测效果如下：

三、优化方法

为获得更加精确的阴影区域，改进方法：
①面积阈值判断。计算各独立阴影区域的面积大小，如果小于一个给定的面积阈值，就认为其属于非阴影区域内部的具有较低亮度的地物，并去除这样的小区域。
②形态学闭运算。对阴影检测的初步结果进行形态学闭运算，将细微的阴影区域连接到一起。