遥感图像的阴影检测技术
使用遥感图像分类进行土地覆盖变化检测的技巧与方法
使用遥感图像分类进行土地覆盖变化检测的技巧与方法遥感图像分类是一种常用的技术，可以帮助我们监测土地覆盖变化。
通过使用远程感知设备，例如卫星或无人机，我们可以获取高分辨率的图像数据，然后利用遥感图像分类技术对这些数据进行分析和解译，从而获得土地覆盖的信息。
在进行土地覆盖变化检测之前，首先需要掌握遥感图像分类的技巧与方法。
遥感图像分类的主要步骤包括数据预处理、特征提取和分类器训练与分类。
首先是数据预处理。
由于遥感图像数据可能受到大气、云层、阴影等因素的干扰，因此需要对图像进行预处理，以提高分类的准确性。
常用的预处理方法包括大气校正、辐射校正和几何校正等。
通过这些预处理步骤，我们可以使图像具备更好的质量和一致性。
接下来是特征提取。
在遥感图像分类中，特征提取是一个非常重要的步骤。
特征提取的目的是从图像中提取出与土地覆盖类型相关的特征，以便后续的分类器可以根据这些特征进行分类。
特征提取可以基于像素级别或对象级别。
常用的像素级别特征包括颜色、纹理和形状等，我们可以通过计算图像的像素值统计信息、纹理特征和形状指标等来提取这些特征。
而对象级别的特征提取则更关注于分割出的地物对象的特征，例如面积、形状、光谱特性等。
最后是分类器的训练与分类。
分类器是遥感图像分类的核心部分，它能够将图像中的每个像素分配到特定的土地覆盖类别中。
常用的分类器包括最大似然分类器、支持向量机和随机森林等。
在进行分类器的训练之前，我们需要为每个土地覆盖类型进行样本标注，以获得有代表性的训练数据集。
一旦训练完毕，我们就可以将分类器应用于整个图像数据，完成土地覆盖的分类。
同时，为了提高分类的准确性，我们还可以采用多种分类器组合的方法，例如投票、融合和层次分类等。
除了上述的基本技巧和方法之外，还有一些进阶的技巧和方法可以进一步提升土地覆盖变化检测的准确性和效率。
首先是多时相数据的利用。
随着多时相遥感数据的获取，我们可以利用这些数据来进行土地覆盖变化检测。
如何进行遥感图像的变化检测和监测
如何进行遥感图像的变化检测和监测遥感图像的变化检测和监测技术在生态环境、城市规划、资源管理等领域具有重要的应用价值。
本文将介绍如何进行遥感图像的变化检测和监测，包括数据采集、图像处理和结果分析等方面。
一、数据采集遥感图像的变化检测和监测首先需要获取高质量的遥感数据。
常见的遥感数据包括航空摄影图像、卫星图像以及无人机图像等。
选择合适的遥感数据源对于精确的变化检测至关重要。
在数据采集过程中，需要考虑波段的选择、图像分辨率以及时相间隔等因素。
二、图像处理在获取到遥感图像数据后，进行图像处理是进行变化检测和监测的关键环节。
首先，需要进行预处理，包括辐射定标、几何校正和大气校正等步骤，以消除光照、尺度和大气等因素的影响。
其次，对预处理后的图像进行特征提取，常用的特征包括颜色、纹理、形状等。
特征提取可以采用传统的数学方法，如主成分分析和小波变换，也可以应用深度学习等先进技术。
最后，基于提取到的特征，进行图像分类和变化检测。
常见的方法有阈值法、像元差异法和聚类分析法等。
三、结果分析在进行图像处理后，得到的结果需要进一步进行分析和解读。
首先，对变化区域进行验证和修正，以减少误差和遗漏。
方法包括比对不同时期的地面实测数据，如GPS测量和实地调查，进一步确认图像中的变化区域。
其次，对变化区域进行分类和数量统计。
可以分析变化的类型，如建筑物的增加、绿地的减少等，并计算出变化的面积和比例。
最后，对变化区域进行空间分布和趋势分析。
可以借助地理信息系统（GIS）、空间统计等方法，探索变化的空间模式和规律。
四、应用展望遥感图像的变化检测和监测技术在生态环境、城市规划、资源管理等领域具有广泛的应用前景。
通过定期的遥感图像监测，可以及时发现和评估生态系统的变化，为生态环境保护和恢复提供科学依据。
同时，遥感图像的变化检测可以帮助城市规划部门进行城市扩张和土地利用规划，提供数据支持和决策依据。
此外，遥感图像的变化监测还可以用于资源管理，如农田监测和森林资源调查等，提高资源利用效率和保护资源的可持续性。
遥感影像的变化检测与分析方法
遥感影像的变化检测与分析方法在当今科技飞速发展的时代，遥感技术凭借其能够获取大范围、多光谱、多时相的地表信息的强大能力，成为了众多领域中不可或缺的工具。
而遥感影像的变化检测与分析方法，更是在资源监测、环境评估、城市规划等方面发挥着关键作用。
遥感影像变化检测，简单来说，就是通过对比不同时期的遥感影像，找出其中发生变化的区域和特征。
这一过程就像是在玩“找不同”的游戏，但要复杂和精确得多。
为了实现准确的变化检测，首先得有高质量的遥感影像数据。
这些影像通常来自卫星、飞机等平台，包含了丰富的地物信息。
然而，在获取影像的过程中，可能会受到天气、传感器精度等因素的影响，导致影像存在噪声、几何变形等问题。
所以，在进行变化检测之前，需要对影像进行预处理，包括辐射校正、几何校正等操作，以提高影像的质量和一致性。
常用的变化检测方法可以大致分为基于像元的方法和基于对象的方法。
基于像元的方法直接对影像中的每个像素进行分析和比较。
其中，差值法是一种常见的思路，就是将两个时期的影像对应像素的灰度值相减，得到差值影像。
如果差值超过了一定的阈值，就认为该像素发生了变化。
这种方法简单直观，但容易受到噪声的干扰，而且对于光谱相似但实际发生变化的区域可能检测不出来。
相比之下，基于对象的方法则先将影像分割成不同的对象，然后再对这些对象进行变化检测。
这种方法考虑了地物的空间特征和上下文信息，能够更好地处理复杂的场景。
例如，面向对象的分类后比较法，先对不同时期的影像分别进行分类，然后比较分类结果，从而确定变化的区域。
除了上述方法，还有一些基于特征的变化检测技术。
这些特征可以是地物的形状、纹理、光谱特征等。
通过提取和比较这些特征，来判断是否发生了变化。
在进行变化检测之后，接下来就是对检测结果的分析。
这包括对变化区域的类型识别、面积计算、变化趋势预测等。
例如，在城市发展研究中，通过分析变化区域，可以了解城市扩张的方向和速度，为城市规划提供依据。
遥感中的阴影及应用
遥感中的阴影及其应用前言高分辨率遥感影像同时具有地图的几何精度和影像视觉特征，具有广泛的应用。
然而由于算法以及客观条件的限制，影像中存在着大量的阴影，它直接影响到地物边缘的提取、目标识别、分类等。
特别是近年来随着影像分辨率的提高，阴影现象更加突出，因此对其进行检测与补偿显得极其重要。
1. 研究的背景及意义高分辨率遥感影像已被应用在林业、旅游、水文水资源、名胜古迹的维修等领域。
这些应用的首要问题是对影像中的关键地物进行识别、提取。
理论上，高分辨率卫星遥感影像在经过像片倾斜引起的像点位移、图形变形以及地形起伏引起的投影差的纠正，并在消除大气折射，相机系统带来的误差后，应该准确反映地物特征。
然而，由于建筑物的影响以及太阳光的照射，出现阴影和影像遮蔽以及摄影死角。
随着遥感传感器灵敏度不断提高，影像分辨率从几十米到现在的厘米级。
原本在较低几何分辨率影像中不明显的阴影已经在影像中格外突出。
比如在农村地籍调查中，由于航片的分辨率很高，有很多高大建筑物或者树木阴影，给界址点解译造成很大的困难。
并且图解存在一定的误差。
机载多角度成像数据的空间分辨率能够达到5厘米，影像上的阴影非常突出。
阴影使得影像上阴影区域所反映的被摄目标的信息有所损失或受到干扰。
这在计算机影像处理中将直接影响到相应区域地物的边缘提取、目标识别和地表覆盖分类以及影像匹配算法的成功率等。
它不仅破坏了影像的视觉解译能力和审美效果，还影响了遥感影像作为地图产品的基本功能发挥。
如何消除遥感影像的阴影，具有越来越重要的现实意义。
总的来说，卫星遥感影像能够快速提供地球表面的信息，高分辨率卫星遥感开创了许多新的应用领域，但影像中的阴影是一个必须解决的问题。
它给像影像分类这样的一些应用带来了很大的麻烦。
比如在卫星遥感影像分类中，大多数的地形或地物阴影与水体的光谱特征相混淆，很难准确地它们进行分类。
阴影区地物表现在遥感影像上信息量相对较少，难以判读，在影像处理和工程应用中，影响操作进程，甚至产生错误结果。
卫星遥感图像变化检测算法研究
卫星遥感图像变化检测算法研究近年来，随着遥感技术的迅猛发展，卫星遥感图像在环境监测、农业管理、城市规划等领域得到了广泛应用。
然而，由于图像数据的海量和复杂性，如何快速准确地检测图像的变化成为研究的热点之一。
本文将对卫星遥感图像变化检测算法进行研究，并探讨这些算法在实际应用中的挑战和前景。
一、基于像素的变化检测算法基于像素的变化检测算法是最常用的一种方法。
它利用图像中每个像素点的灰度值或颜色信息进行分析，从而确定图像的变化区域。
常见的算法包括差异图法、阈值法、比率图法等。
差异图法是一种直观简单的算法，它通过计算两幅图像对应像素点的像素值差异得到变化图像。
然而，该方法对光照、云雾等因素非常敏感，容易产生误报。
因此，研究者提出了基于阈值的方法，根据像素差异值与设定阈值的关系来确定变化区域。
该方法可以一定程度上减少误报，但在阈值的选择上还存在一定的主观性。
为了解决基于像素的变化检测方法的局限性，研究者提出了基于像素上下文的方法。
这类算法考虑了像素与其周围像素的关系，利用纹理、结构等特征来判断是否为变化区域。
其中，基于纹理的变化检测方法非常流行，它通过计算图像的纹理特征，如纹理熵、对比度等，来确定变化区域。
然而，这些方法对图像的噪声和分辨率要求较高，需要较大的计算量和存储空间。
二、基于对象的变化检测算法基于对象的变化检测算法是一种更高级的方法，它不仅考虑像素的变化，还考虑了物体在图像中的空间关系。
这类算法首先进行目标提取，然后通过比较两幅图像中目标的位置、形状、大小等特征来检测变化。
目标提取是基于对象方法的关键步骤。
常见的目标提取算法有阈值分割、边缘检测、区域生长等。
根据目标提取的方法不同，可以得到不同的目标表达方式，如形状、纹理、颜色等。
然后，通过对提取出来的目标进行特征匹配，来确定图像的变化区域。
基于对象的变化检测方法可以减少噪声影响，提高变化检测的准确性。
然而，该方法对目标提取的算法要求较高，需要克服光照不均、遮挡等问题，难度较大。
遥感图像的阴影检测技术(最全版)PTT文档
总结：
1) 由于各个为了更大地减小阴影检测误差，我们应该通 过大量的研究，希望能找到基于某种彩色空间的检测误差更 小的遥感图像的阴影检测技术。
2) 由于光源和场景的三维结构不易得到，基于模型的阴影检测 方法局限性很大，但其检测效果是最好的。所以，以后的研 究重点要放在基于模型的阴影检测技术上 。
遥感图像的阴影检测技术
随着航空卫星技术不断发展的步伐，高空间 分辨率遥感的广泛应用，如何消除遥感影像的阴 影，具有越来越重要的现实意义，但是这个问题 一直是遥感影像处理领域的一个难题。在这种情 况下，人们开始了遥感图像阴影检测技术的研究。 阴影既是使图像退化的噪声源，又是提供一些有 用信息的信息源。有了阴影检测技术，我们就能 获取更多关于我们所研究的对象的一些有效信息。
下面是一幅遥感图像：
自
投
阴
射
影
阴
影
针对遥感图像的阴影检测本文主要阐述了三种实现遥感图像的 阴影检测的算法：
1） 基于RGB彩色空间的归一化处理的阴影检测算法； 2） 基于RGB彩色空间的直接差分算子的阴影检测算法； 3） 基于纹理分析的阴影检测算法。
我们的重点研究的算法是基于RGB彩色空间的归一化处理的阴 影检测算法。
由于光源和场景的三维结构不易得到，基于模型的阴影检测方法局限性很大，但其检测效果是最好的。 我们的重点研究的算法是基于RGB彩色空间的归一化处理的阴影检测算法。
1)由于光线被遮挡2，)阴阴影影区域区具有域更具低的有灰度更值高的色调值
整个的阴影检测流程如下图所示： 但原始影像中的偏蓝色地物在B’分量中也具有很高的像素值，需要将这些区域从阴影区域中去除。
3）向具有更好的定位性,更好的边缘性,精度较高的阴影检测技术 方向发展。
图像的阴影检测与去除算法分析
图像的阴影检测与去除算法分析摘要：针对图像阴影的问题，文章讨论了现有的几项检测技术，即“光照无关”“连续阈值图”与“区域生长”技术。
进一步分析了阴影去除算法，包括泊松方程、梯度域以及成对区域三种算法。
关键词：图像阴影；检测技术；去除算法引言：采集图像中，往往会受到各种各样因素的影响，导致图像质量下降。
而阴影就是一种常见的降质表现，主要是由成像条件造成的。
阴影会令图像承载的信息量不完整，或是被干扰，影响目标解译的精度。
而阴影既会限制视觉判断，又不利于图像分析和后期处理，所以检测与去除阴影是有必要的。
一、图像的阴影检测技术（一）光照无关阴影检测技术光照无关技术运行机理在于，从RGB颜色空间，转换成仅和图像采集设备感光函数与拍摄目标表面反射特征相关，但和物体接受的光线方向、色彩及亮度都没有联系的一种灰度图像。
借助灰度图像本身的光照无关的特性，检测目标物体的轮廓位置，最终结合从原图中获取的目标物及阴影边缘，以此测出阴影边缘。
此种阴影检测技术，即便拥有面对较为杂乱纹理信息的图像，也能保持较佳的鲁棒性[1]。
但对于比较复杂的阴影区域，精准测出阴影边界的难度较大，这主要和图像采集设备摄影函数及表面反射率有关。
由此可推断出，该项检测技术的适用范围有：普朗克成像光源；朗伯成像表面；采集设备光谱响应函数是窄带函数。
但现在现实中，很少会有图像可以同时符合以上三项条件，因此该方法存在较大的使用限制。
（二）连续阈值图阴影检测技术从肉眼观察层面来讲，HSI颜色模型属于相对接近的色彩描述，包含角度与饱和度、强度等。
如果根据角度与强度比值，绘制比率图，用于测出彩色遥感图像上的阴影区域，基本操作流程是：通过比率图，完成HSI建模。
根据此模型的色彩表现，阴影部分和非阴影处相较，强度偏低、角度较高。
倘若在该种方法的基础上，借助双边滤波器，对目标图像实施滤波处理，这样起到去噪的作用。
而后利用全局阈值，将像素划分成非阴影与候选阴影两个类型，初步生成阴影图。
遥感影像变化检测
遥感影像变化检测报告学院：专业：指导老师：小组成员：2013年5月1、遥感影像变化检测的概念遥感影像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其它辅助数据来确定和分析地表变化。
它利用计算机图像处理系统，对不同时段目标或现象状态的变化进行识别、分析；它能确定一定时间间隔内地物或现象的变化，并提供地物的空间分布及其变化的定性与定量信息。
由此可知，遥感影像变化检测是从不同时期的遥感图像中，定量地分析和确定地物变化的特征和过程。
它涉及到变化的类型、分布状况及变化信息的描述，即需要确定变化前后的地物类型、界限和分析变化的属性。
变化检测的研究对象为地物，包括自然地物和人造地物，其中人造地物在军事上常被称为目标。
描述地物的特性包括：空间分布特性、波谱反射与辐射特性、时相变化特性。
遥感影像的变化检测在土地覆盖变化监测、环境变迁动态监测、自然灾害监测、违章建筑物查处、军事目标打击效果分析以及国土资源调查等方面拥有广泛的应用价值和商业价值。
变化检测通常包括以下4个方面的内容：(1)判断是否发生了变化，即确定研究区域内地物是否发生了变化；(2)标定变化发生的区域，即确定在何处发生了变化，将变化像元与未变化像元区分开来；(3)鉴别变化的性质，给出在每个变化像元上所发生变化的类型，即确定变化前后该像元处的地物类型；(4)评估变化的时间和空间分布模式。
其中，前两个方面是变化检测所要解决的基本问题，而后两个方面则根据应用要求决定是否需要做。
2、遥感影像变化检测的三个层次遥感图像分析过程中通常包括数据层处理、特征层处理和目标层处理三个过程。
依据这三个层次划分，可将变化检测分为：像元级变化检测、特征级变化检测和目标级变化检测。
(1)像元级变化检测是指直接在采集的原始图像上进行变化检测。
尽管基于像元的变化检测有它一定的局限性，但由于它是基于最原始的图像数据，能更多地保留图像原有的真实感，提供其它变化检测层次所不能提供的细微信息，因而目前绝大多数的变化检测方法都是像元级变化检测。
基于水平集的航拍影像阴影检测与去除系统设计
基于水平集的航拍影像阴影检测与去除系统设计摘要:建筑物、树木和山脉等遮挡光线,可能使航拍影像中出现阴影。
而阴影区域的存在可能影响图像后续处理,导致重要信息丢失。
本系统旨在设计自动检测航拍影像中阴影区域并将其去除的系统,选择并搭建基于水平集航拍影像阴影检测算法的进行系统设计。
系统主要功能包括:图像读入、图像去雾、阴影检测、阴影去除。
关键词:航拍影像图像去雾阴影检测阴影去除水平集1 系统研究意义建筑物、树木和山脉等遮挡太阳光线,使遥感航拍影像中存在阴影区域。
阴影区域的存在可能导致重要信息的丢失,进而影响影像的后续处理,如图像配准、图像内容理解、分割、特征提取、目标变化检测和定位等。
阴影检测是遥感航拍影像中地物跟踪、分类和识别等处理的重要步骤之一,目前阴影检测技术可分基于模型与基于阴影属性两大类,基于模型的方法需有关影像中地物几何形状或DSM数据、太阳高度角、传感器参数等知识,计算复杂,且适用于特定场景。
基于阴影属性的方法通过分析阴影区域在亮度、几何结构和颜色等方面的共性及其与非阴影区域的差异来检测阴影区域,应用比较复杂[1]。
本系统旨在开发设计自动检测航拍影像阴影区域并将其去除的系统。
选择并搭建基于非匀质区域水平集航拍影像阴影检测算法的系统开发平台,实现自动检测阴影区域并将其去除。
系统主要功能包括:图像读入、图像去雾、阴影检测、阴影去除。
图像阴影区域极可能含重要信息,准确检测阴影区直接关系到影像后续处理及获取与识别阴影区中重要信息的成效。
本系统所用的算法不仅可解决传统阴影检测方法中对非匀质同块阴影区检测不全面的问题,也可检测到传统方法中漏检的亮阴影区。
检测到的阴影区连续、边缘清晰整齐,并能有效排除绿色植被干扰,检测正确率高,漏检率低,检测全面,阴影区提取方便。
2 国内外研究现状G.D.Finlayson等最早提出利用彩色不变量来进行阴影检测、阴影消除[2],但是这些彩色不变量要在图像满足中性界面反射模型的条件下才成立[3],而且很多的航空影像都难以满足此条件。
基于彩色模型的遥感影像阴影检测
影的光谱性质和几何性质提出了一种检测方法Ｈ ； Ｈ ｉ ｇ ｈ ｎ ａ ｍ和 Ｂ ｒ ａ ｄ ｙ （ １ ９ ９ ７ ） 提 出基于直方 图阈值 的阴
影 检测 方法 ； Ｅ ｌ ｅ ｍ ａ ｄ ｍ ｉ ａ和 Ａ ｌ ｓ ｈ ａ ｒ ｉ ｆ（ ２ ０ ０ ３ ） 提 出 了
同态滤 波 的 阴影 检 测 方 法 ； 王 树 根 提 出 了基 于 Ｒ Ｇ Ｂ色彩 空 问的 阴影检测 方法 （ ２ ０ ０ ２ ） 、 基于 Ｋ ． Ｌ变 换 的检 测方法 （ ２ ０ ０ ４ ） 、 基 于 整体 变 分 模 型 的 阴影 检测 方法 （ ２ ０ ０ ６ ） Ｅ ８ １ ； 虢建宏 （ ２ ０ ０ ６ ） 根 据 遥 感 影 像 多波 段 的性 质 ， 提 出 了一 种 阴影 检 测 方 法 ； 季 顺 平 （ ２ ０ ０ ７ ） 在前 人 的基 础 上 提 出 了一 种 改 进 的 高斯 背景 检测 方法 ¨ ； Ｘ ｉ ａ 等人 （ ２ ０ ０ ９ ） 提 出一 种基 于邻 近传播 的阴影 检测方 法 ； 鲍 海英 （ ２ ０ １ ０ ） 根据 遥感 影 像 的 彩 色 空 间 特 性 体 提 出 了 一 种 阈 值 检 测 方 法¨ ； 郑 文武 （ ２ ０ １ ０ ） 提 出 了基 于 Ｌ Ｓ ＭＡ 的阴影检 测 方法 ¨ ； 卞建 勇 （ ２ ０ １ １ ） 提 出 了一 种基 于纹 理和小 波 变 换 的阴影 检测 方法 ¨ ； 常村 红 （ ２ ０ １ ２ ） 提 出 了一 种
第１ ３卷
第 １ ８期
２ ０ １ ３年 ６月
科
学
技
术
与
工
程
fmask云阴影检测原理
fmask云阴影检测原理
fmask云阴影检测能够准确的提取出地表和实体物体的轮廓，以及
从遥感影像中提取出云和阴影等无形物体。
Fmask是一种基于植被指数
和地形指数的方法来检测云和阴影。
该算法利用地形指标来调节光和
暗之间的界限，同时使用植被指数来提取具有高水平植被的目标物体。
Fmask的基本原理是将多个遥感影像通道的像素的综合信息变换成
一种类似于植被指数的指标。
主要包括生成植被指数、加权蒙蒙系数、边缘检测等步骤。
生成植被指数是使用常用的土地覆盖/使用类
（LC/LU）植被指数，如南贝氏指数（NDVI）、水斑植被指数（WBVI）等，使用这些植被指数可以有效区分植被和地面非植被物体。
对于非
植被物体，如云和阴影，由于具有较强的边缘特征，所以可以使用Canny边缘检测算法来检测图像的边缘特征，从而获得云和阴影的轮廓
形状。
最后，Fmask算法使用一种简单但有效的加权蒙蒙系数来将植被指
数和边缘特征的输出融合到一起，以确定最终的云和阴影分割输出。
总的来说，Fmask云阴影检测算法是一种快速有效的云阴影识别方法，
可以实现高空间分辨率遥感图像云阴影检测，从而为图像分析和地理
信息系统应用提供便利。
高分辨率航空影像阴影自动检测和去除
第３５卷第２期２０２０年４月遥感信息R e m o t eS e n s i n g In f o r m a t i o n V o l ．３５,N o ．２A pr ．,２０２０㊀收稿日期:２０１９Ｇ０２Ｇ２２㊀㊀修订日期:２０１９Ｇ０４Ｇ２３基金项目:武汉大学测绘遥感信息工程国家重点实验室开放基金项目(１６E ０１);国家自然科学基金项目(４１７７１４５７);国家重点研发计划项目(２０１６Y F B ０５０２６００).作者简介:涂继辉(１９７９ ),男,博士,副教授,主要研究方向为遥感图像目标识别.E Ｇm a i l :t u j h ＠y a n g t z e u ．e d u ．c n 通信作者:眭海刚(１９７３ ),男,博士,教授,主要研究方向为遥感影像处理.E Ｇm a i l :h a i g a n g_s u i ＠２６３．n e t 高分辨率航空影像阴影自动检测和去除涂继辉１,２,杜红１,眭海刚２,徐川２(１．长江大学电信学院,湖北荆州４３４０２３;２．武汉大学测绘遥感信息工程国家重点实验室,武汉４３００７９)摘要:针对高分辨率航空影像的阴影检测与去除问题,通过对阴影的光谱特征的分析,提出了一种新的自动化阴影检测和去除的方法.该方法首先利用约束颜色不变量和水平集分割相结合的方法对阴影进行自动检测,获取完整的阴影区域和精确的阴影轮廓线;然后利用阴影轮廓点的邻域作为同质区域,进行补偿因子估算达到去除阴影.实验证明,该方法能够自动准确地对阴影进行检测和去除,不但提升了阴影区域的亮度,而且使得地物细节得到了很好的恢复.关键词:高分辨率航空影像;颜色不变量;水平集;阴影检测;阴影去除d o i :１０．３９６９/j．i s s n ．１０００Ｇ３１７７．２０２０．０２．００７中图分类号:T P ７５１㊀㊀文献标志码:A㊀㊀文章编号:１０００Ｇ３１７７(２０２０)０２Ｇ００３８Ｇ０８A u t o m a t i c S h a d o wD e t e c t i o na n dR e m o v a l i nH i g hR e s o l u t i o nA e r i a l I m a g e r yT UJ i h u i １,２,D U H o n g １,S U IH a i g a n g ２,X U C h u a n ２(１．E l e c t r o n i c s&I n f o r m a t i o nS c h o o l ,Y a n g t z eU n i v e r s t i y ,J i n gz h o u ,H u b e i ４３４０２３,C h i n a ;２．S t a t eK e y L a b o r a t o r y o f R e m o t eS e n s i n g a n dI n f o r m a t i o nE n g i n e e r i n g ,W u h a nU n i v e r s i t y ,W u h a n ４３００７９,C h i n a )A b s t r a c t :I n o r d e r t o s o l v e t h e p r o b l e mt h a t s h a d o w i n t e r f e r e s t h e i n f o r m a t i o n e x t r a c t i o n i n h i g h r e s o l u t i o n a e r i a l i m a g e ,t h i s p a pe r p u tf o r w a r d s a n o v e l a u t o m a t i c s h a d o wd e t e c t i o n a n d r e m o v a lm e t h o d a f t e r a n a l y z i ng th e c h a r a c t e r i s t i c s a n d t h em a t h e m a t i c a lm o d e l o f s h a d o w ．T h i sm e t h o d f i r s t l y a u t o m a t i c a l l y d e t e c t s t h e s h a d o wa r e ab a s e do nc o l o r i n v a r i a n t sm e t h o d i nt h ec o n d i t i o nc o n s t r a i n t a n d u s i n g t h e l e v e l s e t e v o l u t i o nm e t h o d ,w h i c ho b t a i n s t h e c o m p l e t e a r e aa n da c c u r a t eb o u n d a r y o f t h e s h a d o w ．T h e n ,t h en e i gh b o r h o o d w i n d o w p i x e l s o f t h e s h a d o wb o u n d a r y a r eu s e da s t h eh o m o g e n e o u s r e g i o nt oe s t i m a t e t h ec o m pe n s a t i o nf a c t o r ,w h i c hr e m o v e s t h e s h a d o w ．E x p e r i m e n t a l r e s u l t s s h o wt h a t t h i sm e t h o d c a n a u t o m a t i c a l l y d e t e c t t h e s h a d o wa r e a a n d r e m o v e t h e s h a d o w ,a n d i tm a k e s t h e b r igh t n e s s o f s h a d o wa r e a h ei g h t e n e d a n d t h e d e t a i l s o f s h e l t e r e d r e a p p e a r e d e f f i c i e n t l y．K e y wo r d s :h i g h Ｇr e s o l u t i o na e r i a l i m a g e ;c o l o r i n v a r i a n t ;l e v e l s e t ;s h a d o wd e t e c t i o n ;s h a d o wr e m o v a l ０㊀引言高分辨率航空影像是对地球表面的各种目标进行测量和信息提取的一种重要手段[１Ｇ２].由于各种人工建筑物或者树木的遮挡,高分辨率航空影像中常常会出现许多阴影区域.航空影像中的阴影虽然可以用于对建筑物的提取和高度估计,但同时也对影像中信息的提取㊁识别和判读造成了一定程度的干扰[３].因此,如何高效准确进行阴影的检测和去除成为航空影像预处理所面临的难题.针对遥感影像的阴影干扰,学者们提出了大量阴影检测和去除的算法.阴影检测算法主要分为２类:一类是基于几何模型的方法,该方法主要利用影像的太阳高度角㊁传感器参数和地面上物体的几何形状等先验信息来检测阴影[４Ｇ５],这种方法计算复杂度高,只适合特定场景;另一类是基于阴影特性的８３引用格式:涂继辉,杜红,眭海刚,等．高分辨率航空影像阴影自动检测和去除[J]．遥感信息,２０２０,３５(２):３８Ｇ４５．方法,该方法主要利用阴影与非阴影区域光谱特征差异来检测阴影[３,６Ｇ９].由于基于颜色和亮度的检测方法更加贴近人的视觉方式,因此这类方法更加简单易行.这类方法又分为２种:一种是基于样本训练[９],然后进行分类检测出阴影,这类算法需要提供足够的样本;另一种是利用彩色空间的变换[３,６],把影像从R G B空间变换到其他彩色空间(H S V㊁H C V㊁Y I Q等),再利用O t s u等分割算法进行阈值分割,这类算法中颜色空间转换和阈值设定加大了算法的复杂度.阴影去除方法的核心思想是估算光照补偿因子来恢复阴影区域,从而达到阴影去除的效果[１０].因此补偿因子的估算是阴影去除的关键,而如何自动准确在阴影和非阴影区域找到同质区域,是阴影光照补偿因子估算的难点.目前主要阴影去除的方法是在同质条件下阴影和非阴影区域,通过颜色不变性[６,１１]㊁伽玛校正[１２]㊁线形相关[１３]㊁灰度直方图[１４]和内外轮廓线[１５]等方法,估算阴影光照补偿因子,从而达到阴影去除.然而这些方法对于如何自动准确定位同质区域没有提供较好的解决思路.基于当前研究的现状,本文提出了一种新的高分辨率遥感影像的阴影自动检测和去除方法.该方法先在R G B颜色空间下利用约束条件下的颜色不变量进行阴影的粗检测;然后用粗检测区域的最大内切圆作为初始零水平集,在缓冲区中进行水平集演化,得到阴影的精确轮廓;再利用轮廓点的邻域窗口的像元估计阴影光照补偿因子.由于阴影轮廓线临近建筑物的一部分明显为非同质区域,本文利用航空影像的P O S信息和太阳高度角进行剔除;最后利用阴影的光照补偿因子去除阴影.该方法主要优势如下:无须进行颜色空间域之间的转换,直接在R G B彩色空间下检测阴影,减少了计算的复杂度;利用水平集算法进行阴影轮廓的演化,不但能够提取较为完整的阴影区域和精确的阴影轮廓,而且也为同质区域选取提供了帮助;利用阴影轮廓上点的邻域作为同质区域,可以简单㊁自动和准确地定位同质区域.实验结果表明,本文算法的阴影检测准确,且效率高,补偿后的影像视觉一致性较好.１㊀阴影光照补偿因子估计模型根据R e t i n e x理论[１６],影像是由光照分量反射分量合成而得到.其中光照分量是光源直接照射地面的光线,反射分量是地面反射的光线.影像的光照物理模型如式(１)所示.S(x,y)＝L(x,y)ˑR(x,y)(１)式中:(x,y)为影像像素点坐标;S(x,y)㊁L(x,y)和R(x,y)分别表示原始影像㊁光照分量和地面反射率.在自然光照环境下,非阴影区域的光照分量由直接光源分量L d和环境散射光源分量L e合成.由于障碍物遮挡,直接光照减弱形成了阴影区域,那么阴影区域的直接光源分量应该乘以系数k.因此,式(１)的光照物理模型可以变换为式(２).S(x,y)＝(kˑL d(x,y)＋L e(x,y))ˑR(x,y)(２)当k＝１时,表示S(x,y)为非阴影区域;当k＝０时,表示S(x,y)为阴影中的本影区域;当０＜k＜１,表示S(x,y)为阴影中的半影区域.假设同一幅影像上的同质区域内S s h a d o w(x,y)为阴影区域,S n o n s h a d o w(x,y)为非阴影区域,根据式(２)可得非阴影区域和阴影区域的比值,如式(３)所示.S n o n s h a d o wS s h a d o w＝(L d n o n s h a d o w＋L e n o n s h a d o w)ˑR n o n s h a d o w(kˑL d s h a d o w＋L e s h a d o w)ˑR s h a d o w(３)由于式(３)中阴影的本影区域k＝０,并且同一幅影像中的同质区域内直接光源分量L d㊁环境散射光源分量L e和反射光分量R相等,设L d和L e 比值为c,c为常量,那么式(３)可以简化为式(４).S n o n s h a d o wS s h a d o w＝c＋１(４)阴影去除的核心就是将阴影区域的光照恢复到非阴影区域,而对各个波段分别处理,尽可能保证色调信息的一致性.根据以上的数学推导,阴影去除的目标就是要找到同质区域下的阴影区域和非阴影区域的像素点,利用式(４)估计出比值,然后再利用估计值,将阴影区域像素点各个波段颜色值变换到非阴影区域,从而完成阴影的去除.因此可以认为阴影去除的方法一般分为两步:一是阴影区域的精确检测;二是寻找同质区域下的阴影区域和非阴影区域,估算出阴影光照补偿因子.２㊀算法描述２．１㊀算法总述本文的算法主要有如下步骤.首先,利用基于约束条件下的颜色不变量进行阴影区域的粗检测;其次,对阴影粗检测的区域构造外接矩形扩大区域作为缓冲区;再次,利用粗检测区域的最大内切圆作为零水平集,在缓冲区中进行水平集演化,得到阴影的精确轮廓.精确轮廓可以提供更加完整的阴影区域,同时也为后一步同质区域的选取提供了帮助,因为利用阴影轮廓点的邻域作为同质区域的前提条件是提取精确的阴影轮廓.然后,由于阴影轮廓靠近９３遥感信息２０２０年２期建筑物一部分明显不能作为同质区域,应该剔除掉,因此利用航空影像的P O S 信息和太阳高度角,求出阴影在影像上的方向,通过阴影质心和阴影的方向切割出不与建筑物相连接的阴影轮廓;最后,对每个阴影轮廓点的邻域建立一个模板窗口,利用模板窗口中的阴影和非阴影部分的关系,估计出阴影光照补偿因子,从而进行阴影去除.算法的总体流程如图１所示.图１㊀算法总体流程图２．２㊀基于颜色不变量的阴影检测颜色不变量最初是由G e v e r s 等[１７]提出来的,它是一种颜色集合模型,不受视角㊁物体表面光滑程度㊁光照方向㊁光照密度和亮度的影响.目前许多研究者利用颜色不变量替代N D V I 进行植被的检测和提取,同时也把它用于阴影检测.例如文献[１７]中利用彩色R G B 空间的蓝色通道和绿色通道对阴影进行检测.文献[１８]对文献[１７]进行了改进,利用了R G B 的３个通道的颜色进行阴影检测.本文是在文献[１８]阴影检测的基础上,加上了约束条件(式(５)),主要目的是为了在阴影检测时剔除绿色植被的错误检测.S C (i ,j )＝４πˑa r c t a n (R (i ,j )－R (i ,j )２＋G (i ,j )２＋B (i ,j )２R (i ,j )＋R (i ,j )２＋G (i ,j )２＋B (i ,j )２)G (i ,j )＜m a x (R (i ,j ),B (i ,j ))ìîíïïïïïï(５)式中:i ,j 是影像的行列号;S C 表示检测的阴影区域;R (i ,j )㊁G (i ,j )和B (i ,j )分别代表R G B 彩色空间的３个颜色通道.因为仅用式(５)中的第一个表达式进行阴影检测,经过实验发现会把绿色植被作为阴影错误检测,因此需要加入约束条件,即式(５)中的第二个表达式作为约束项来滤除错误检测.根据光学原理,植被区域的吸收带位于蓝色波段和红色波段,在绿色波段处为反射峰.非阴影区的光照主要来源于反射光㊁环境光和大气散射,传感器感知的光强主要为反射光,绿地能强烈反射绿光,因此绿地区域对应像素的G 分量有较大的概率.本文在式(５)中加入了检测约束条件,可以滤除检测的绿色植被区域.２．３㊀基于水平集的阴影轮廓演化由于阴影区域的颜色不均匀,采用２．２节颜色不变量检测的阴影区域边界不精细,无法得到较为完整的阴影区域,水平集演化算法具有灵活的曲线演化能力,分割演化的结果轮廓精细清晰且连续性好.由于经典的水平集泛函的极小值通常不容易求得,如果零水平集选择不当,不仅容易演化到局部极小值,而且会降低运算速度,所以水平集函数的初始化非常重要.本文利用已检测阴影区域构建水平集的初始函数和局部缓冲区,提高水平集演化的精度和速度.具体实现过程如下:１)根据式(５),可由式(６)对图像进行阈值分割,得到只有阴影和非阴影区域的二值图像.其中I (i ,j )表示新生成的二值图像,T 表示区分阴影和非阴影的阈值.I (i ,j )＝０,若S C (i ,j )ȡT 且满足式(５)１,若S C (i ,j )＜T{(６)２)根据步骤１)中,设二值化图像中阴影区域为Ω,０４引用格式:涂继辉,杜红,眭海刚,等．高分辨率航空影像阴影自动检测和去除[J ]．遥感信息,２０２０,３５(２):３８Ｇ４５．对区域Ω作最小外接矩形,对外界矩形进行扩大一半的面积,得到水平集演化的局部缓冲区Ω０.在对区域Ω求取最大内切圆Φ０,用此Φ０作为初始水平集函数.Φ０(x ,y )＝(x －x ０)２＋(y －y０)２＝r ２(７)３)由于阴影区域内并非均匀区域,往往有树木㊁车辆等干扰,因此采用文献[１９]提出的一种处理非均匀图像的水平集分割模型进行演化.目前的C V模型只针对灰度图像进行演化分割,本文将C V 模型扩展到彩色影像上.假设在缓冲区Ω０内为R G B 彩色图像空间,局部影像I i (x ,y ):Ω０ңR ２;i ɪ{r ,g ,b }.缓冲区中的轮廓线C 内为阴影区域Ωs h a d o w ,C 外为非阴影区域Ωn o n s h a d o w ,c s h ad o w 表示阴影区域内彩色信息的均值,令c s h a d o w ＝(c s h a d o w r ,c s h a d o w g ,c s h ad o w b );c n o n s h a d o w 表示非阴影区域内的彩色信息的均值,令c n o n s h a d o w ＝(c n o n s h a d o w r ,c n o n s h a d o w g ,c n o n s h a d o w b ).Φ是水平集函数,拟合的能量函数为非均匀灰度,设k 为非均匀亮度因子,基于水平集C ＧV 模型的能量函数见式(８).E (Φ,c s h a d o w i ,c n o n s h a d o w i )＝λ１ʏΩs h a d o w１３(I i (x ,y )－k ˑc s h a d o w i )２d x d y ＋λ２ʏΩn o n s h a d o w １３(I i (x ,y )－c n o n s h a d o w i )２d x d y ＋μL e n g t h (C )＋νA r e a (C )(８)式中:i ɪ{r ,g ,b };系数λ１,λ２＞０;μ,νȡ０为固定参数.根据文献[１９],本文参数设定为λ１＝λ２＝１,μ＝１．０,ν＝０．００１ˑ２５５２.L e n gt h (C )和A r e a (C )表示轮廓线的长度项和面积项,根据H e a v i s i d e 函数和一维狄拉克函数δ０＝d H (Φ)d Φ,长度项和面积项表达式见式(９).L e n g t h (C )＝ʏΩs h a d o wδ０(Φ(x ,y )ΔH (Φ(x ,y )d x d yA r e a (C )＝ʏΩs h a d o wH (Φ(x ,y )d x d y ìîíïïïï(９)当Φ不变的情况下,极小化能量函数E (Φ,c s h ad o w i ,c n o n s h a d o w i ),可得到c s h a d o w i 和c n o n s h a d o w i 的表达式为:c s h a d o w i ＝ʏΩs h a d o w I i (x ,y )H (Φ(x ,y ))d x d yʏΩs h a d o w H (Φ(x ,y ))d x d y c n o n s h a d o w i ＝ʏΩn o n s h a d o w I i (x ,y )(１－H (Φ(x ,y ))d x d y ʏΩn o n s h a d o w(１－H (Φ(x ,y )))d x d y ìîíïïïïïïïïï(１０)当ʏΩs h a d o wH (Φ(x ,y ))d x d y ＞０时,c s h ad o w i 有意义;当ʏΩs h a d o w(１－H (Φ(x ,y ))d x d y )＞０时,c n o n s h a d o w i 有意义.为了求解水平集函数Φ,令c s h a d o w i 和c n o n s h a d o w i 不变,引入时间变量t ,将水平集Φ对时间变量t 求导,式(８)对应的偏微分方程见式(１１).ƏΦƏt＝δ(Φ) [μΔΔΦΔΦ－ν－λ１I (x ,y )－c s h a d o w []２＋λ２I (x ,y )－c n o n s h a d o w i []２](１１)其中,Φ０(x ,y )＝(x －x ０)２＋(y －y０)２＝r ２２．４㊀基于阴影轮廓点邻域的阴影去除本文基于阴影轮廓点进行阴影去除的主要思想是:如图１第⑥步,认为图像中某一个点与其邻域内的点为同质区域,因此取阴影轮廓上的点与其邻域的点组成一个掩模窗口,这个窗口一部分处于阴影区域,另一部分处于非阴影区域,通过阴影区域和非阴影区域的平均像素点的比值,来估计阴影补偿因子.为了使补偿因子更加精确,本文利用阴影轮廓上的所有点来估计阴影补偿因子.但又由于阴影轮廓临近建筑物部分的轮廓点在邻域范围内明显为非同质区域,因此不能让这部分点参与估计阴影补偿因子,需要剔除.本文利用航空影像的P O S 信息结合航飞的时间来推算出阴影在影像上的方向,通过阴影区域的质心和方向剔除临近建筑物阴影轮廓曲线段.具体实施步骤如下:１)根据文献[２０Ｇ２１]的方法,利用航飞影像的P O S 信息和航飞的时间,通过式(１２),求出太阳高度角,再根据式(１３),求出太阳的方位角A .s i n α＝s i n φs i n δ＋c o s φc o s δc o s θ(１２)A ＝a s i n (c o s φs i n θc o s α)(１３)式中:α是太阳高度角;δ是太阳赤纬;φ是观测地的道理纬度;θ表示地方时角.２)如图２所示,设阴影区域Ω的质心点P ０为(x ,y ),太阳的方位角为A ,那么有质心P ０和方位角对应的直线方程L １为y ＝x t a n A ＋b ;过质心P ０垂直L １的直线方程L ２为y ＝x t a n (９０－A )＋b ,直线L ２与阴影沿着太阳方向角外的轮廓线交点为A １和A ２,曲线段A １A ２上的点就是参与因应补偿因子估计的点.３)任意取得曲线段A １A ２上的一点P i ,对P i 取得n ˑn 大小的邻域窗口,P i 对应的邻域点的集合１４遥感信息２０２０年２期图２㊀阴影补偿因子估计示意图为S ＝{P i １,P i ２,P i ３, ,P i n }.设集合S 中在阴影区点个数为k １,阴影区点的颜色R G B 空间３个通道的颜色值和分别为ðk １i ＝１R i㊁ðk １i ＝１Gi和ðk １i ＝１Bi,在非阴影区点个数为k ２,非阴影区点的颜色R G B 空间３个通道的颜色值和分别为ðk ２i ＝１R ᶄi㊁ðk ２i ＝１Gᶄi和ðk ２i ＝１B ᶄi,此点光照在R G B 空间３个通道上的阴影补偿因子分别是:C R i＝(ðk １i ＝１R i )/k １(ðk ２i ＝１R ᶄi )/k ２,C G i＝(ðk １i ＝１G i )/k １(ðk ２i ＝１G ᶄi )/k ２,C B i＝(ðk １i ＝１B i )/k １(ðk ２i ＝１B ᶄi )/k ２.４)设曲线段A １A ２上点的个数为N ,３个通道上的阴影补偿因子为C R ＝ðNi ＝１CR iN,C G ＝ðNi ＝１CG iN,C B ＝ðNi ＝１CB iN.５)对阴影区域Ω每个点,利用步骤４)中的阴影补偿因子估计进行换算,就可以去除阴影.３㊀实验结果和分析为了验证本文所提出算法的性能,对２０１４年四川北川航空遥感影像(分辨率０．２５m )和２０１５年武汉市航空遥感影像(分辨０．１５m )进行实验,实验环境是I n t e r X e n o C P UE ３Ｇ１２２０v ３３．１０G H z ,W i n ７,８G B 内存的P C 机,编程工具为M a t l a b ２０１２a .为了定量评价阴影检测的性能,本文采用漏检率F O E R ㊁误检率F A E R 和总错误率F T E R ,分别定义如式(１４)~式(１６)所示.F O E R ＝F NT S(１４)F A E R ＝F PT S(１５)F T E R ＝F A E R ＋F O E R (１６)式中:T S 表示阴影区域像素点数;F N 表示未检测的阴影像素点数;F P 表示非阴影区域误检为阴影的像素点数.漏检率㊁误检率和总错误率都是越小表示检测效果越好.为了定量评价文献中阴影去除算法的效果,主要通过比较阴影去除后区域内的平均亮度和平均梯度作为定量评价.由于文献[２２]是一种比较经典的阴影去除方法,因此本文将与文献[２２]中改进的W a l l i s 阴影去除算法进行比较.３．１㊀阴影检测阴影去除效果受到阴影区域检测精度的制约,这部分实验将利用式(１４)㊁式(１５)㊁式(１６)对阴影检测的精度和阴影去除效果进行定量评估.从图３㊁图４㊁图５可以看出,本文阴影去除方法对比改进的W a l l i s 算法,能够较好地扩大阴影区域的亮度,去除后的细节较为清晰.表１给出了３幅影像阴影检测的定量评价指标,本文的阴影检测算法的漏检率均低于文献[８]和文献[９]方法,误检率也略低于另外２种方法.总错误率即综合性能评价分析,均低于另外２种算法,说明本文阴影检测方法具有明显的优势.本文的阴影检测算法之所以取得了较好的检测效果,主要在于水平集算法能够演化出精确的轮廓边界,颜色不变性的粗检测也为水平集演化提供了先验信息.图３㊀阴影检测结果(武汉地区１)２４引用格式:涂继辉,杜红,眭海刚,等．高分辨率航空影像阴影自动检测和去除[J ]．遥感信息,２０２０,３５(２):３８Ｇ４５．图４㊀阴影检测结果(武汉地区２)图５㊀阴影检测结果(北川地区)表１㊀阴影检测结果评价表％影像漏检率F O E R误检率F A E R总错误率F T E R文献[８]文献[９]本文方法文献[８]文献[９]本文方法文献[８]文献[９]本文方法图３３５．３６１９．６５７．３１３．６１２．７５２．７２３８．９７２２．４０９．３４图４３６．７８１６．９１６．０３６．１４７．４３５．２１４２．９２２４．３４１１．２４图５２８．５３１９．２３８．２５３．９８３．１２２．７６３２．５１２２．３５１１．０１３．２㊀阴影补偿参数估计为了进一步检测利用阴影轮廓邻域点得到的补偿因子估计的准确性,本文对图３的最大轮廓邻域中的阴影部分点和非阴影部分的点进行了统计,所用邻域窗口大小为７像素ˑ７像素.图６为阴影补偿因子估计.从图６可以看出,２条曲线具有较强的相似性,即曲线上的点的比值恒定,由此可以推断轮廓点邻域中的阴影部分和非阴影部分的点属于同质区域,利用这些点进行阴影补偿因子的估计,具有较好的可靠性.由于可近似认为地面在１~２m２范围内为同质区域的可能性较大,因此邻域窗口的大小选取主要取决于影像分辨率与地面同质区域面积的比值.图６㊀阴影补偿因子估计３４遥感信息２０２０年２期３．３㊀阴影去除从图７㊁图８㊁图９可以看出,本文阴影去除方法对比改进的W a l l i s算法,能够较好地扩大阴影区域的亮度,去除后的细节较为清晰.表２给出了３幅影像阴影去除后的定量评价指标,本文阴影去除算法的亮度均值B和平均梯度值T比原始区域得到了大幅度提高,但不易达到与目标值完全一致的水平,与人工确定３个参数的改进W a l l i s去除算法的最佳效果比,本文方法整体较优.本文的阴影去除算法之所以取得较好的去除效果主要在于:利用前一步阴影检测中获取的较完整的区域和较精确的轮廓,通过轮廓点邻域区域作为同质区域用于阴影补偿因子的估计,不但估计准确,而且自动化程度高.因此本文算法能够更加稳定和高效地统一恢复所有阴影区域的基本信息,细节纹理恢复较好.图７㊀阴影去除结果(武汉地区１)图８㊀阴影去除结果(武汉地区２)图９㊀阴影去除结果(北川地区)表２㊀阴影去除结评价表影像指标阴影区域非阴影区域本文去除后的阴影区域文献[２２]的阴影去除图７亮度均值B㊀５７．７０４４８３．９７３８８２．１３４６８７．８３４６平均梯度值T０．０４１５０．０９４８０．０９７００．０８６３图８亮度均值B㊀４３．５８５６８５．１２１０８４．９４００８９．６７５１平均梯度值T０．０１７００．０７６３０．０８８４０．０６８２图９亮度均值B㊀４７．９９５１８４．３２６２８３．３３２１８１．３３７５平均梯度值T０．０５０４０．１９６００．１８２４０．１７５４４４引用格式:涂继辉,杜红,眭海刚,等．高分辨率航空影像阴影自动检测和去除[J]．遥感信息,２０２０,３５(２):３８Ｇ４５．４㊀结束语为了解决阴影对高分辨率航空影像的信息提取存在着干扰的问题,本文提出了一种新的阴影自动检测和去除方法.该方法利用颜色不变量检测出阴影的区域,然后利用水平集的演化得到阴影精确轮廓,最后利用阴影边界邻域点作为同质区域估算阴影的补偿因子,从而去除阴影.实验证明,该方法能够自动精确地获取阴影区域和进行阴影的去除,不但较好提高了整体的亮度,而且使得阴影的区域地物细节得到了较好的恢复,这对遥感影像的自动化预处理具有重要的意义.参考文献[１]㊀王彦情,马雷,田原．光学遥感图像舰船目标检测与识别综述[J]．自动化学报,２０１１,３７(９):１０２９Ｇ１０３９．[２]㊀田昊,杨剑,汪彦明,等．基于先验形状约束水平集模型的建筑物提取方法[J]．自动化学报,２０１０,３６(１１):１５０２Ｇ１５１１．[３]㊀柳稼航,杨建峰,方涛．彩色遥感影像阴影颜色特性分析[J]．光子学报,２００９,３８(２):４４１Ｇ４４７．[４]㊀夏怀英,郭平．基于统计混合模型的遥感影像阴影检测[J]．遥感学报,２０１１,１５(４):７７８Ｇ７９１．[５]㊀MA K A R A U A,R I C H E RR,MU L L E RR,e t a l．A d a p t i v e s h a d o wd e t e c t i o nu s i n g ab l o c k b o d y r a d i a t o rm o d e l[J]．I E E E T r a n s a c t i o no nG o e s c i e n c e a n dR e m o t eS e n s i n g,２０１１,４９(６):２０４９Ｇ２０５９．[６]㊀叶勤,徐秋红,谢惠洪．城市航空影像中基于颜色恒常性的阴影消除[J]．光电子(激光),２０１０,２１(１１):１７０６Ｇ１７１２．[７]㊀C HU N G K,L I U Y,HU A N G Y．E f f i c i e n ts h a d o w d e t e c t i o no fc o l o ra e r i a l i m a g e sb a s e do ns u c c e s s i v et h r e s h o l d i n g s c h e m e[J]．I E E ET r a n s a c t i o n s o nG e o s c i e n c e a n dR e m o t eS e n s i n g,２００９,４７(２):６７１Ｇ６８１．[８]㊀AMA T O A,MO Z E R O V M G,B A G D A N O V A D,e t a l．A c c u r a t em o v i n g c a s t s h a d o ws u p p r e s s i o nb a s e do n l o c a l c o l o rc o n s t a n c yde t e c t i o n[J]．I E E ET r a n s a c t i o n s o n I m a g eP r o c e s s i n g,２０１１,２０(１):２９５４Ｇ２９６６．[９]㊀L I UJH,F A N G T,L IDR．S h a d o wd e t e c t i o n i n r e m o t e l y s e n s e d i m a g e b a s e d o n s e l fＧa d a p t i v e f e a t u r e s e l e c t i o n[J]．I E E E T r a n s a c t i o n s o nG e o s c i e n c e a n dR e m o t eS e n s i n g,２０１１,４９(１２):５０９２Ｇ５１０３．[１０]S U S U K I,S H I O A,A R A IH,e t a l．D y n a m i c s h o wc o m p e s a t i o no f a e r i a l i m a g e sb a s e do n c o l o r a n d s p a t i a l a n a l y s i s[C]// P r o c e e d i n g s o f t h e１５t h I n t e r n a t i o n a l C o n f e r e n c e o nP a t t e nR e c o g n i t i o n．B a r c e l o n a:[s．n．],２０００,１:３１７Ｇ３２０．[１１]徐秋红,叶勤．一种基于颜色恒常性理论的城市高分辨率遥感影像阴影消除方法[J]．遥感信息,２０１０,２５(３):１３Ｇ１６,１１１．[１２]许龙．弱辐射特征图像增强技术研究[D]．郑州:解放军信息工程大学,２０１２．[１３]王玥,王树根．高分辨率遥感影像阴影检测与补偿的主成分分析方法[J]．应用科学学报,２０１０,２８(２):１３６Ｇ１４１．[１４]于东方,殷建平,张国敏．一种基于灰度直方图的遥感影像阴影自动检测方法[J]．计算机工程与科学,２００８,３０(１２):４３Ｇ４４,９３．[１５]Z HA N G H,S U N K,L I W．O b j e c tＧo r i e n t e ds h a d o w d e t e c t i o na n dr e m o v a l f r o m u r b a nh i g hＧr e s o l u t i o nr e m o t es e n s i n gi m a g e s[J]．I E E ET r a n s a c t i o n s o nG e o s c i e n c e a n dR e m o t eS e n s i n g,２０１４,５２(１１):６９７２Ｇ６９８２．[１６]L A N D E H,M C C A N NJ．L i g h t n e s s a n d r e t i n e x t h e o r y[J]．J o u r n a l o fO p t i c a l S o c i e t y o fA m e r i c a,１９７１,６１(１):１Ｇ１１．[１７]G E V E R ST,S M E U L D E R SA W M．P i c T o S e e k:c o m b i n i n g c o l o ra n ds h a p e i n v a r i a n t f e a t u r e sf o r i m a g er e t r i e v a l[J]．I E E ET r a n s．I m a g eP r o c e s s,２０００,９:１０２Ｇ１１９．[１８]N I C H O L A SS,T A K I SK．A u t o m a t i c v e g e t a t i o n i d e n t i f i c a t i o n a n db u i l d i n g d e t e c t i o n f r o ma s i n g l e n a d i r a e r i a l i m a g e[J]．I n t e r n a t i o n a l J o u r n a l o fR e m o t eS e n s i n g,２００９,１:７３１Ｇ７５７．[１９]L IC M,HU A N G R,D I N G Z H,e t a l．A l e v e ls e t m e t h o df o ri m a g es e g m e n t a t i o ni nt h e p r e s e n c eo fi n t e n s i t y i nh o m o g e n e i t i e sw i t ha p p l i c a t i o n t o M R I[J]．I E E ET r a n s a c t i o n s o n I m a g eP r o c e s s i n g,２０１１,２０(７):２００７Ｇ２０１６．[２０]张闯,吕东辉．太阳实时位置计算及在图像光照方向中的应用[J]．电子测量技术,２０１０,３３(１):９１８Ｇ９２３．[２１]贺晓雷,于贺军,李建英,等．太阳方位角的公式求解及其应用[J]．太阳能学报,２００８,２９(１):６９Ｇ７３．[２２]高贤君,万幼川,郑顺义,等．航空遥感影像阴影的自动化检测与补偿[J]．武汉大学学报(信息科学版),２０１２,３７(１１):１２９９Ｇ１３０２．５４。
基于高分辨率光学遥感图像的港口船舶检测技术研究
基于高分辨率光学遥感图像的港口船舶检测技术研究
港口船舶检测技术是港口管理和航运安全的关键一环。
随着高分辨率光学遥感图像的广泛应用，基于该技术的港口船舶检测研究也逐渐兴起。
高分辨率光学遥感图像具有较高的空间分辨率和丰富的信息内容，可以提供细节丰富的港口船舶图像。
因此，利用高分辨率光学遥感图像开展船舶检测研究，具有重要的实际应用价值。
在港口船舶检测技术研究中，首先需要进行图像预处理。
由于图像中存在光照、阴影和噪声等干扰因素，因此需要对图像进行增强、去噪和校正等处理，以提高船舶目标的可见性和识别准确性。
其次，基于高分辨率光学遥感图像的港口船舶检测技术需要进行目标检测和识别。
目标检测是指在图像中自动寻找和定位感兴趣的船舶目标，而目标识别则是对检测到的船舶目标进行分类和识别。
传统的目标检测和识别方法主要依靠手工设计的特征和分类器，但随着深度学习的兴起，基于深度学习的目标检测和识别方法在港口船舶检测中也取得了显著的效果。
最后，基于高分辨率光学遥感图像的港口船舶检测技术还需要进行目标跟踪和轨迹分析。
目标跟踪是指在连续的图像序列中追踪船舶目标的位置和运动状态，而轨迹分析则是对船舶目标的
运动轨迹进行分析和研究。
这些信息对于港口船舶管理和航运安全有着重要的意义。
总之，基于高分辨率光学遥感图像的港口船舶检测技术研究是当前热门的研究方向之一。
通过对图像的预处理、目标检测和识别、目标跟踪和轨迹分析等步骤的研究，可以提高港口船舶的管理效率和航运安全水平。
未来，随着技术的不断进步和数据的不断丰富，这一领域的研究将会取得更加显著的成果。
云阴影检测原理
云阴影检测原理
云阴影检测是一种利用卫星遥感数据来检测云层遮挡的方法。
其基本原理是利用云层在不同波段的反射和吸收特性，对遥感图像进行处理，通过分析得到云的位置和范围，进而确定云阴影区域。
云阴影检测的方法有很多种，其中最常用的方法是基于植被指数(VI)的阴影检测方法。
这种方法是利用植被在可见光和近红外波段的反射特性，来检测云阴影。
在可见光波段，植被的反射率较低，而云的反射率较高，因此在云的上方会出现明显的亮点。
而在近红外波段，植被的反射率较高，而云的反射率较低，在云的下方会出现暗点。
因此，通过对可见光和近红外波段的组合分析，可以得到云阴影的位置和范围。
除此之外，还有基于红外波段的阴影检测方法。
该方法利用红外波段中云层的热红外辐射特性来检测云阴影。
在红外波段中，云层的反射率很低，而吸收率很高，因此在云的上方会出现明显的亮点。
而在云的下方，由于云层的遮挡，地表的温度会下降，因此会出现暗点。
通过对红外波段的分析，可以得到云阴影的位置和范围。
总之，云阴影检测是一种利用卫星遥感数据来检测云层遮挡的方法，其基本原理是利用云层在不同波段的反射和吸收特性，对遥感图像进行处理，通过分析得到云的位置和范围，进而确定云阴影区域。
其中最常用的方法是基于植被指数的阴影检测方法和基于红外波段
的阴影检测方法。
- 1 -。
遥感图像分类中常见问题的解决方法与技巧
遥感图像分类中常见问题的解决方法与技巧遥感图像分类是利用遥感技术和图像处理方法对卫星或飞机获取的图像进行解析和分类的过程。
它在农业、环境监测、城市规划等领域具有重要的应用价值。
然而，在进行遥感图像分类时，常会面临一些问题，如数据预处理、特征提取和分类器选择等方面的困扰。
本文将针对遥感图像分类中常见问题提供一些解决方法与技巧。
一、数据预处理数据预处理是遥感图像分类的前提工作，对数据进行清洗、校正和去噪等处理，可以提高分类结果的准确性。
在进行数据预处理时，可以考虑以下几个方面：1. 图像增强遥感图像存在云、阴影和散斑等现象，会影响图像的质量。
通过使用增强算法，如直方图均衡化、高斯滤波等，可以改善图像的视觉效果和图像质量，从而提高分类的准确性。
2. 边缘检测边缘是图像中的重要特征之一，能够提取目标的形状和纹理信息。
通过边缘检测算法，如Canny算子、Sobel算子等，可以较好地提取图像的边缘特征，为后续的特征提取和分类器选择提供有力支持。
3. 归一化遥感图像具有多波段的特点，不同波段的像素值范围和分布不同。
对于遥感图像分类来说，波段间的差异会导致分类器的偏向，因此需要进行归一化处理，将不同波段调整到相同的尺度，以保证分类的准确性。
二、特征提取特征提取是遥感图像分类中关键的一步，决定了分类结果的好坏。
在进行特征提取时，可以采用以下几个常用的方法：1. 主成分分析（PCA）PCA是一种常用的降维算法，可以将高维的遥感图像数据降低到较低的维度。
通过PCA可以提取出具有最大方差的主成分特征，保留了原始信息的同时降低了数据的维度，提高了分类器的性能。
2. 尺度不变特征变换（SIFT）SIFT是一种图像局部特征提取算法，不受图像旋转、缩放和平移等影响。
通过SIFT可以提取出图像中的关键点和特征描述符，具有较强的鲁棒性和独立性，适用于不同尺度和视角的图像分类任务。
3. 深度学习特征近年来，深度学习在图像分类领域取得了重大突破。
基于可见光遥感图像的典型目标自动检测技术研究
基于可见光遥感图像的典型目标自动检测技术研究一、本文概述随着遥感技术的快速发展，可见光遥感图像作为一种重要的数据源，在军事侦察、城市规划、环境监测等领域得到了广泛应用。
然而，如何从大量的遥感图像中快速、准确地检测出特定的典型目标，一直是遥感图像处理领域的研究热点。
本文旨在探讨基于可见光遥感图像的典型目标自动检测技术研究，以提高目标检测的准确性和效率。
本文首先介绍了可见光遥感图像的特点和典型目标检测的重要性，阐述了目标检测在遥感图像处理中的地位和作用。
接着，综述了国内外在可见光遥感图像目标检测领域的研究现状和发展趋势，指出了现有方法存在的问题和不足之处。
在此基础上，本文提出了一种基于深度学习的典型目标自动检测算法，并详细介绍了算法的原理、实现过程以及实验结果。
本文的研究内容主要包括以下几个方面：对可见光遥感图像进行预处理，包括图像增强、噪声抑制等，以提高图像质量和目标检测的准确性；利用深度学习技术构建目标检测模型，通过对大量遥感图像的学习，实现对典型目标的自动识别和定位；通过对比实验和性能评估，验证了本文所提算法的有效性和优越性。
本文的研究成果对于推动可见光遥感图像目标检测技术的发展具有重要意义，不仅有助于提高目标检测的准确性和效率，还可以为军事侦察、城市规划、环境监测等领域提供有力的技术支持。
本文的研究也为其他领域的图像处理和目标检测提供了有益的参考和借鉴。
二、可见光遥感图像特点与目标检测难点可见光遥感图像，作为一种重要的遥感数据源，具有其独特的特点和优势。
可见光遥感图像具有较高的空间分辨率，能够清晰地呈现出地表目标的形态和结构，有利于目标的精确识别。
可见光遥感图像色彩丰富，可以通过色彩信息来区分不同类型的目标。
然而，这些特点也带来了一些挑战。
在可见光遥感图像中，目标检测面临着一些难点。
由于地表环境的复杂性，目标的形态、大小和颜色都可能发生变化，这给目标的准确识别带来了困难。
可见光遥感图像中常常存在大量的噪声和干扰信息，如云层、阴影等，这些噪声会干扰目标的检测。
遥感技术基础课件第五章遥感图像目视判读
感谢您的观看
THANKS
详细描述
选取研究区域，获取不同时期的遥感 图像，通过目视判读，对比土地利用 类型、分布和变化情况，分析变化原 因和趋势，为土地资源管理和规划提 供依据。
城市扩张遥感监测案例
总结词
监测城市扩张过程，评估城市发展状况。
详细描述
利用长时间序列的遥感图像，通过目视判读 ，监测城市边界的变化，分析城市扩张的规 模、速度和方向，评估城市发展状况，为城
详细描述
目视判读能够快速识别出不同地物的特征，如颜色、纹理、形状等，从而将它们分类。这种分类方法在土地利用 规划和城市规划中具有重要意义，有助于了解土地资源的分布和利用状况。
城市规划与城市扩张监测
总结词
通过比较不同时期的遥感图像，可以监 测城市扩张的过程，为城市规划和城市 管理提供依据。
VS
详细描述
详细描述
遥感图像中的阴影和立体感是由太阳光照射角度和地物高度所决定的。通过观察阴影和 立体感特征，可以推断出地物的三维结构，进而分析其地形地貌、建筑物高度等信息。 同时，阴影和立体感还可以增强遥感图像的层次感和立体感，提高目视判读的准确性。
03 遥感图像目视判读应用
土地利用与土地覆盖分类
总结词
通过目视判读，将遥感图像中不同类型的地物进行分类，如森林、草地、水体、城市等，以了解土地利用现状和 土地覆盖情况。
详细描述
遥感图像中的地物形状和大小是其独特的标志。通过观察和 分析地物的形状和大小特征，可以准确地识别出不同的地物 类型。例如，湖泊通常呈现圆形或椭圆形的形状，而山脉则 具有特定的走向和起伏特征。
测绘技术中的遥感影像变化检测方法
测绘技术中的遥感影像变化检测方法随着遥感技术的不断发展和应用范围的扩大，遥感影像变化检测在测绘技术领域中起着关键作用。
遥感影像变化检测是指通过对比不同时间或不同传感器获取的遥感影像，利用图像处理和分析技术，检测并定量分析地表或地物的变化信息。
本文将介绍几种常见的遥感影像变化检测方法。
1. 直方图匹配法直方图匹配法常用于单一波段遥感影像变化检测。
该方法通过计算两幅遥感影像的直方图差异，来检测地物的变化。
具体步骤是：首先对两幅遥感影像进行灰度拉伸，将灰度范围统一；然后计算两幅影像的直方图，将直方图归一化，并计算它们的差异值；根据差异值的阈值，确定是否存在地物变化。
该方法简单易行，但对于光谱差异明显的地物变化检测效果较好，而对于光谱变化较小的地物变化检测效果较差。
2. 比值法比值法是通过计算两个波段的比值图像来检测地物的变化。
该方法能够有效地检测出具有不同光谱反射性质的地物变化，例如植被覆盖、水体面积变化等。
具体步骤是：选择两个感兴趣波段的遥感影像，计算它们的比值图像；利用阈值、数学形态学等技术对比值图像进行分割和处理；根据阈值分割结果判断是否存在地物变化。
比值法适用于变化较为明显且光谱信息丰富的地物变化检测，但对于光谱变化较小的地物变化检测效果较差。
3. 差异图法差异图法是通过计算两幅遥感影像之间的差异图像来检测地物的变化。
该方法能够有效地检测出光谱特征存在较大变化的地物，例如建筑物、道路等。
具体步骤是：选择两幅感兴趣波段的遥感影像，将它们进行差分计算得到差异图像；利用阈值、数学形态学等技术对差异图像进行处理和分割；根据阈值分割结果判断是否存在地物变化。
差异图法适用于光谱变化较大的地物变化检测，但对于光谱变化较小的地物变化检测效果较差。
4. 基于时序遥感影像的变化检测方法基于时序遥感影像的变化检测方法是利用多幅遥感影像进行时序分析和变化检测。
该方法能够有效地检测出一段时间内地物的动态变化，例如农作物的生长变化、城市扩张等。
基于彩色模型的遥感影像阴影检测
基于彩色模型的遥感影像阴影检测作者：杨智云来源：《城市建设理论研究》2013年第35期摘要：遥感影像是利用空间传感器对地面目标电磁波辐射信息进行探测，它包含了十分丰富的地理信息，是获取地面信息的主要来源。
本文主要根据遥感影像阴影的属性，对基于彩色模型的遥感影像阴影检测方法进行了分析。
关键词：彩色模型；遥感影像；阴影检测中图分类号： P283.8 文献标识码： A引言遥感指的是在20世纪60年代发展起来的以航空摄影技术为基础的一门新兴技术。
起初主要是航空遥感技术，自从美国于1972年发射了第一颗陆地卫星以后，就标志着航天遥感时代的到来。
随着计算机技术和数字图像处理技术的发展，再加上空间技术的突飞猛进，遥感已经渐渐成为采集地球数据以及其变化信息的一项重要技术手段。
在遥感领域中，遥感影像主要指的是航空像片和卫星像片，它主要是用缩小的影像对地表信息进行真实再现，可以让人们超越自身的感官限制，以不同的感知方式和空间尺度快速的对地球环境的动态变化情况进行监测，成为获取地球资源与环境信息的一种重要手段。
遥感影像能够将失误直观、逼真的反映出来，便于目视定性解译，是较为常用的遥感方法。
因为可以通过遥感影像提取很多详细的信息，尤其是近些年来，随着高分辨率遥感影像的发展，遥感影像的应用也开始变得广泛，目前在土地资源、土地利用资源以及动态监测方面得到了十分广泛的应用，比如主要农作物的遥感估产，城市发展和规划的遥感监测植树造林及退耕还林评估，森林资源调查，重要自然灾害的遥感监测与评估等。
但是，随着遥感影像空间分辨率的不断提高，遥感影像中的阴影对遥感影像的应用也带了很多问题。
遥感影像中阴影的特点遥感影像中的阴影主要指的是因为较高的建筑物或者树木等地物遮挡了太阳光，使得太阳光不能直射而形成的区域。
阴影区域包含着地物的微弱信息，比如几何结构、颜色、纹理、亮度等等。
从最早的空中摄影测量算起，阴影在地面地物应用上的影响相对比较突出，尤其是考古学和军事目标识别方面。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
处理后的图像：
总结：
1) 由于各个彩色空间的误测率不一样从而导致其在阴影检测误 差上的不一致。为了更大地减小阴影检测误差，我们应该通 过大量的研究，希望能找到基于某种彩色空间的检测误差更 小的遥感图像的阴影检测技术。 2) 由于光源和场景的三维结构不易得到，基于模型的阴影检测 方法局限性很大，但其检测效果是最好的。所以，以后的研 究重点要放在基于模型的阴影检测技术上 。 3）向具有更好的定位性,更好的边缘性,精度较高的阴影检测技术 方向发展。
随着航空卫星技术不断发展的步伐，高空间 分辨率遥感的广泛应用，如何消除遥感影像的阴 影，具有越来越重要的现实意义，但是这个问题 一直是遥感影像处理领域的一个难题。在这种情 况下，人们开始了遥感图像阴影检测技术的研究。 阴影既是使图像退化的噪声源，又是提供一些有 用信息的信息源。有了阴影检测技术，我们就能 获取更多关于我们所研究的对象的一些有效信息。
R ' R R G B
G'
B RG B
B R G B
B '
其中： R、G、B分别为原始的RGB分量， R‘、G’、B‘分别为 归一化后的RGB分量。通过前面的分析可知，在阴影区B通道灰度 下降得最少 。 整个的阴影检测流程如下图所示：
通过对B’分量图采用otsu阂值分割的方法，设置 一个较高的阈值就可以得到大致的阴影区域。但原始 影像中的偏蓝色地物在B’分量中也具有很高的像素值， 需要将这些区域从阴影区域中去除。基于此，我们在 原始的B分量图中引入了一个阈值来保证阴影检测的精 度。只有在B’分量中高于某个阈值，并在B分量中低 于某个阈值区域，才被检测成为阴影区域。
下面是一幅遥感图像：
自 阴 影
投 射 阴 影
针对遥感图像的阴影检测本文主要阐述了三种实现遥感图像的 阴影检测的算法：
1） 基于RGB彩色空间的归一化处理的阴影检测算法； 2） 基于RGB彩色空间的直接差分算子的阴影检测算法； 3） 基于纹理分析的阴影检测算法。
我们的重点研究的算法是基于RGB彩色空间的归一化处理的阴 影检测算法。
首先
阴影区域的特性： 1)由于光线被遮挡，阴影区域具有更低的灰度值 2)阴影区域具有更高的色调值
3)由于大气瑞利散射的影响，阴影区域具有更高的饱和度
4)阴影不改变原有地表的纹理特征
5ቤተ መጻሕፍቲ ባይዱ阴影与产生阴影的目标具有相似的轮廓
很多检测算法都基于阴影的属性，还有一种是基于模型的阴影检测。
根据阴影的属性（阴影区域具有更低的灰度值），通过分析 Phong光照模型，发现在阴影区域的三个通道中，R通道下降得最 多，G通道次之，B通道下降得最少，这相当于增加了阴影区域的 蓝色分量。充分利用了阴影区域的这一属性，通过对彩色RGB影 像进行如下的归一化处理：