遥感影像阴影自动扩充提取算法

图1 阴影分类

Fig.1 Shadow classification

通过对各类遥感影像阴影边界进行统计分析,发现近红外波段中阴影边界的像素值变化较为明显。为了进一步扩大明显性,本文计算了阴影区到非阴影区像素值的变化率,即

(1)

v_{i} = |\frac{l_{i + 1} - l_{i}}{l_{i}}|

式中: $v_{i}$ 为第 $i$ 个像素的变化率; $l_{i + 1}$ 为第 $i + 1$ 个像素的值; $l_{i}$ 为第 $i$ 个像素的值; ││代表取绝对值。

根据上述公式对QuickBird、资源三号(ZY3)、WorldView和高分一号(GF-1)影像阴影边界区域像素值变化率进行计算,累计求和并取平均值。由于阴影内部像素值变化不太明显,而阴影边界周围阴影区域的像素值变化较为明显,阴影边界处变化最剧烈。非阴影区域在阴影边界周围的像素值变化较为剧烈,这与阴影有关。但如果离阴影边界更远的非阴影区像素值变化剧烈,这可能是物体边界等现象引起的,与阴影无关。因此以阴影边界周围2个非阴影像素值为例,其像素值变化率见表1。

表1 阴影像素值变化率

Tab.1 Change rate table of shadow pixel value

影像	阴影1	阴影2	边界	非阴影1	非阴影2
QuickBird	0.130	0.296	0.479	0.245	0.103
ZY3	0.045	0.092	0.292	0.123	0.041
WorldView	0.040	0.133	0.477	0.213	0.057
GF-1	0.099	0.285	0.545	0.274	0.061

新窗口打开| 下载CSV

根据表1得出: ①从阴影区到非阴影区的过程中,像素值的变化先急剧增加后急剧减小,在阴影和非阴影边界处有一个波峰,在0.448左右; ②阴影区内部的像素值变化率很小,变化率在0.140左右; ③非阴影区的像素值变化率也在0.140左右,但都小于相应边界处波峰值。

通过以上分析可知: 根据近红外波段的像素值变化率在阴影边界处存在波峰和阴影区及非阴影区内变化率较小的特点,建立边界判断准则,可以对初步阴影提取区域进行扩充,提高提取效果。

2 算法描述与算法分析

根据上述原理,本文提出一种遥感影像阴影自动扩充提取算法,根据需要分为2种情况: 一种为半自动提取; 另一种为自动提取。

如果提取精度要求高,数据种类少,需要分析该类影像阴影内部区域近红外波段的像素值变化率,得出变化率的范围,进而得出阈值α。具体方法为: 随机选取20幅不同区域、不同时间的该类影像,通过人工计算每幅影像部分阴影区域内靠近阴影边界的近红外波段5个像素值变化率。统计所有计算得出的像素值变化率,并对其排序。为了避免特殊值的影响,去掉0.5%的较大值,将剩下像素值变化率的最大值设为阈值α。同时也可根据经验,人为设定阈值,不需要对像素值变化率进行统计。通过大量实验得出: 阈值比阴影区域内离阴影边界相差一个像素的像素值变化率(以下简称SPR)稍大较为合适,该方法适用于大部分影像。例如根据表1,ZY3影像的SPR为0.045,则阈值可以设为0.06。WorldView的SPR为0.04,则阈值可以设为0.05。GF-1的SPR为0.099,则阈值可以设为0.1。该设定阈值的方法适合于大部分影像,但对某些影像不适合,如QuickBird的SPR为0.13,如果根据上述获得阈值的方法,阈值会设为0.130.29之间的值,但通过实验发现该范围内的变化率并不适合,会出现大量非阴影区被误提取为阴影区的现象。对于该情况,可以采用第一种方法,通过统计和计算的方式获得阈值,也可以减小阈值,通过实验得出较为合适的阈值。本文通过实验得出QuickBird的阈值设为0.07较为合适。

通过对多幅GF-1,GF-2和ZY3等数据分析发现,同一类影像其阴影内部像素值变化率范围相差不大,因此得出阈值α可应用于同一类影像。

如果精度要求不高,数据种类繁多,数据量大,可以不用考虑阴影内部情况,在阴影初步提取的基础上,只需根据阴影边界的像素值变化率存在波峰的特征来扩充阴影初步提取结果。

2.1 阴影扩充

阴影扩充是根据阴影边界判断准则,沿着某一方向由阴影内部向外部进行扩充,直到遇到阴影边界为止。根据阴影提取的种类不同,阴影边界判断分为2种情况: ①如果为半自动提取,当像素值变化率小于前一个像素值变化率,且前一个像素值变化率大于阈值α时,则前一个像素值为阴影边界; ②如果为自动提取,当像素值变化率小于前一个像素值变化率时,则前一个像素值为阴影边界。阴影扩充算法流程如图2所示。

图2

图2 阴影扩充流程

Fig.2 Flow chart for shadow expansion

上述阴影扩充算法流程主要包括2个步骤: 首先,获得阴影扩充方向dir,同时获得该方向的阴影边界; 然后将其位置存储到栈stack中。该步骤分半自动提取和自动提取2种情况:

1)半自动提取。从stack中,取出栈顶数据,作为种子,向阴影dir方向扩充,计算像素值变化率 $v_{i}$ 和 $v_{i - 1}$ ( $v_{i - 1}$ 为dir方向上 $v_{i}$ 的前一个像素的像素值变化率)。如果 $v_{i - 1} < v_{i}$ ,将第i个像素标记为阴影,继续向dir方向扩充; 如果 $v_{i - 1} > v_{i}$ ,且 $v_{i - 1}$ <α,将第i个像素标记为阴影,继续向dir方向扩充; 如果 $v_{i - 1} > v_{i}$ ,且 $v_{i - 1}$ >α,则停止扩充。继续取出stack栈顶数据向dir方向扩充,直到栈空为止,算法结束。

2)自动提取。从stack中,取出栈顶数据,作为种子,向阴影dir方向扩充,计算像素值变化率 $v_{i}$ 和 $v_{i - 1}$ ( $v_{i - 1}$ 为dir方向上 $v_{i}$ 的前一个像素的像素值变化率)。如果 $v_{i - 1} < v_{i}$ ,将第i个像素标记为阴影,继续向dir方向扩充; 如果 $v_{i - 1} > v_{i}$ ,则停止扩充。继续取出stack栈顶数据向dir方向扩充,直到栈空为止,算法结束。

2.2 阴影提取

2.2.1 半自动提取

首先,对影像做统计分析,获得阴影区域内近红外波段变化率阈值α; 然后,遍历阴影边界,根据阈值α和边界判断准则由阴影内部向外部扩充; 最后,遍历上一步阴影结果的左右边界,再向阴影左右方向进行扩充得到最终结果。半自动提取流程如图3所示。

图3

图3 半自动提取流程

Fig.3 Flow chart for semiautomatic extraction

具体步骤如下:

1)分析此类遥感影像阴影区域内近红外波段的像素值变化情况,确定该类阴影区域像素值变化率阈值α。

2)获得该类影像阴影初步提取结果,遍历阴影区域,获得阴影左、右、上、下边界位置,分别存放到栈stackL,stackR,stackT和stackB中,作为种子。由于获得阴影左、右、上、下边界位置的方法类似,因此以左、上边界为例。

左边界: 从图像左上角开始遍历阴影初步检测结果,如果P_i(第i个像素)为非阴影区域, ${P_{i}}_{+ 1}$ (第i+1个像素)为阴影区域,,则 ${P_{i}}_{+ 1}$ 为阴影的左边界,将i+1保存到stackL中,继续遍历像素,直到阴影初步检测结果遍历完为止。

上边界: 从图像左上角第一个像素开始遍历阴影初步检测结果,如果P_i(第i个像素)为非阴影区域, ${P_{i}}_{+ r}$ ( ${P_{i}}_{+ r}$ 代表整幅影像第i+r个像素,即P_i对应的下一行像素,r代表每一行的像素数量)为阴影区域,则 ${P_{i}}_{+ r}$ 为阴影的上边界,将i+r保存到stackT中,继续遍历像素。由于遍历像素时,不能超出阴影初步检测结果的总像素数量m,即i+r≤m,i≤m-r,m-r为第n-1行(其中n为阴影初步检测结果的总行数)的最后一个像素。因此遍历像素,直到第n-1行最后一个像素为止。

3)按照2.1节中给出的阴影扩充算法,依次从左、右、上、下4个方向对阴影进行扩充。

4)遍历第3)步的阴影提取结果,获得阴影左、右边界,分别存放到栈stackL和stackR中,按照第3)步的方法依次向左、右2个方向扩充,算法结束。

对于某一类影像,其阴影内近红外波段像素值变化率类似,因此对于同一类影像,第1)步只需一次。通过实验得出,阴影扩充4次后,阴影到非阴影的过渡区域虽然大部分被提取出来,但仍然会有少部分未被提取。为了便于理解,以图的形式进行说明。如图4所示,图4(a)中I区为阴影初始提取区域,S区为实际阴影区域,I区被包含于S区。图4(b)为阴影初始提取区域左右扩充结果,SL区为左扩充区域,SR区为右扩充区域。图4(c)为上下扩充结果,ST区为上扩充区域,SB区为下扩充区域。通过图4(c)可以发现上下左右扩充之后,阴影区域4个顶角区域仍然没有被检测。图4(d)为在图4(c)的基础上获得阴影左右边界,并再次左右扩充后的结果,可以发现阴影4个顶角区域也被检测出。由于阴影区域大都为规则的多边形,因此扩充6次就可达到满意的效果,即左、右、上、下、左、右,再次扩充效果就不明显。

图4

图4 扩充过程

Fig.4 Expansion process

2.2.2 自动提取

自动提取和半自动提取过程类似,不同之处在于: ①自动提取无需分析遥感影像阴影区域内近红外波段的像素值变化情况,同时也无需获得阴影内部阈值α; ②自动提取步骤中过渡区域判断时无需考虑内部阈值α。因此本文不再展示自动提取流程,自动提取具体步骤如下:

1)获得该类影像阴影初步提取结果,遍历阴影初步提取结果,获得阴影左、右、上、下边界,分别存放到栈stackL,stackR,stackT和stackB中,作为种子。

2)按照2.1节中给出的算法,依次从左、右、上、下4个方向对阴影进行扩充。

3)遍历第2)步的阴影扩充结果,获得阴影左、右边界,分别存放到栈stackL和stackR中,按照第2)步的方法依次向左、右2个方向扩充,算法结束。

2.3 算法分析与验证

分别选取GF-1,QuickBird和ZY3影像数据进行实验,对近红外波段使用文献[11]的方法提取阴影,其结果作为阴影初步提取结果。本文不仅与文献[11]算法进行对比,而且也与人工经验阈值提取结果进行了对比。对比结果如图5、图6和图7所示,为便于观察阴影用黑色表示,背景用白色表示。图5(a)和图6(a)分别为GF-1和QuickBird城市高大建筑物影像,图7(a)为ZY3大面积水体、建筑物和部分植被的影像; 图5(b),6(b)和7(b)分别为文献[11]算法所得结果; 图5(c),6(c)和7(c)分别为本文自动提取结果; 图5(d),6(d)和7(d)分别为本文半自动提取结果,实验中GF-1,QuickBird和ZY3的阈值α分别为0.1,0.07和0.06; 图5(e),6(e)和7(e)分别为人工经验提取结果。

图5

图5 高分一号数据阴影提取结果对比

Fig.5 Comparison of results of GF-1 shadow extraction

图6

图6 QuickBird数据阴影提取结果对比

Fig.6 Comparison of results of QuickBird shadow extraction

图7

图7 资源三号数据阴影提取结果对比

Fig.7 Comparison of results of ZY3 shadow extraction

由图5—7可知,图5(b),6(b)和7(b)中阴影基本被提取出来,但阴影提取信息不太完整,过渡区很少被提取出来。图5(c),6(c)和7(c)是本文自动提取算法的结果,阴影过渡区被提取了出来,与实际阴影区域更为吻合,并且阴影区域较为连贯。图5(d),6(d)和7(d)为本文半自动提取算法的结果,其过渡区的提取比自动提取更加完整,阴影区域也更加连贯。图5(e),6(e)和7(e)为人工经验阈值提取结果,使用逻辑与运算去除水体。可以看出阴影大部分被提取出来,但存在大量碎部和中空,且阴影未被完整提出。

对比本文算法结果和人工经验阈值提取结果得出: 虽然人工阈值提取能够大致提取出阴影,但存在大量碎部,且单个阴影区域提取不完整,而本文算法阴影提取较为完整。产生这种结果的原因为: 人工提取是根据整幅影像的直方图来确定阈值,从而无法考虑到每个阴影区域,造成阴影碎部较多,无法完整提取。而本文阴影过渡区提取算法能够遍历每个阴影区域,进而考虑阴影边界的像素值变化率特征对每个区域进行扩充,因此提取更完整。

对比本文自动提取结果和半自动提取结果得出: 半自动提取的阴影比自动提取更加完整,精度更高。产生这种结果的原因,可以以举例的方式进行说明,如图8所示。

图8

图8 阴影边界像素

Fig.8 Pixels of shadow border

图8中,A—F为某影像阴影边界周围的一段连续的像素,对应的像素值变化率分别为0.02,0.1,0.07,0.19,0.17和0.11。其中A—D为阴影区域像素,E和F为非阴影区域像素。假设阴影初步检测结果只检测到像素A,而像素B,C,D并没有被检测为阴影,即为漏检像素。如果按照自动提取从像素A开始对阴影进行扩充,但扩充到像素C时,由于0.07<0.1,则停止扩充,所以只能检测到像素B,像素C和D依然没有被扩充为阴影。如果按照半自动提取从像素A开始对阴影进行扩充,假设阈值α设为0.12。当扩充到像素C时,虽然0.07<0.1,但0.1<0.12,因此,将像素C标记为阴影,继续扩充。当扩充到像素E时,0.17<0.19,0.19>0.12,则停止扩充,此时像素B,C和D被重新检测为阴影。因此半自动提取精度要高于自动提取。

上述半自动提取方法中,当阈值α<0.1时,半自动提取的结果和自动提取类似。当阈值α≥0.19时会将非阴影区误检测为阴影区。因此阈值的设置需要按照本文方法进行确定,不能按照自己的意愿随意选取。

为了更加客观地分析结果,采用文献[12]提出的阴影检测准确率 $C$ ,总体精度 $A$ 和漏检率 $L$ 指标对检测结果进行定量分析,即

(2)

C = \frac{M_{TP}}{M_{TP} + M_{FN}} \times 100 %

(3)

A = \frac{M_{TP}}{M_{TP} + M_{FP} + M_{FN}} \times 100 %

(4)

L = \frac{M_{FN}}{M_{TP} + M_{FN}} \times 100 %

式中: $M_{FP}$ 为非阴影被误检测为阴影的像素数; $M_{FN}$ 为阴影被检测为非阴影的像素数; $M_{TP}$ 为正确检测的像素数。

根据上述阴影评价指标,本文将检测后的结果进行统计,结果如表2所示。

表2 阴影检测结果统计

Tab.2 Statistical table of shadow test results

影像	评价指标	初步提取/%	自动提取/%	半自动提取/%	人工经验提取/%
GF-1	C	52.6	73.3	75.4	70.6
	A	52.3	64.6	65.2	69.7
	L	47.4	26.7	24.6	29.4
QuickBird	C	70.0	87.0	87.1	72.7
	A	69.4	72.5	71.3	71.8
	L	30.0	13.0	12.9	27.3
ZY3	C	78.7	89.6	94.4	83.3
	A	76.2	77.7	76.5	79.4
	L	21.3	10.4	5.6	16.7

新窗口打开| 下载CSV

从表2中容易得出: ①初步提取结果、人工经验提取结果、自动提取结果和半自动提取结果的准确率依次增大,漏检率依次降低; ②初步提取结果总体精度最低,其准确率和总体精度大致相等,这表明初步提取结果非阴影被误检测为阴影的像素数很少,这与大部分阈值提取算法为了减少误提取而缩小阈值的做法相一致; ③自动提取结果准确率、总体精度和漏检率相对初步提取结果有明显改善; ④GF-1阴影初步提取结果的准确率和总体精度较低,同时本文算法提取结果的准确率和总体精度也较低。

通过上述分析得出,本文算法能够明显改善阴影初步提取结果,且提取结果的准确率优于人工经验提取结果,总体精度和人工经验提取结果相差不大,且漏检率低于人工经验提取结果。本文半自动提取结果的准确率高于自动提取结果,其总体精度和自动提取相差不大,其漏检率要低于自动提取结果。因此本文提取算法能够代替人工经验提取结果,更有效地实现了影像数据的批量处理和实际应用。

3 结论

本文提出了一种遥感影像阴影自动扩充提取算法,利用近红外波段阴影内部及边界特性,判断阴影边界,进而对阴影初步提取结果进行扩充,从而能够针对单个阴影区域,在一定程度上避免了只考虑全局或局部和避免误提而导致阴影提取不完整的现象。同时该算法也能够实现自动提取,便于对影像阴影进行批量提取,以减少人力,且思路清晰,易于理解。实验表明本文算法能明显改善阴影提取效果。

该算法的不足之处在于: ①当阴天拍摄时,影像较暗,导致阴影边界特征不明显,此时需要增加检测条件; ②若选择的像素值变化率阈值不合理时,会出现误提的现象; ③由于该算法是在阴影初步提取结果的基础上进行阴影提取,因此初步提取结果中若存在完全没有提取的阴影区域,本文算法依然无法提取出来。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Finlayson G

, Hordley S

, Drew M

Removing shadows from images using retinex [C]//Proceeding of the 10th Color Image Conference

.Scottsclale:CIC, 2002: 823-836.

[2]

Irvir R

, Mckeown D

Methods for exploiting the relationship between buildings and their shadows in aerial imagery

[J]. IEEE Transaction on Systems:Man and Cybernetics, 1989,19(16):1564-1575.

DOI:10.1117/12.952691 URL [本文引用: 1]

The authors describe computational techniques for utilizing the relationship between shadows and man-made structures to aid in the automatic extraction of man-made structures from aerial imagery. Four methods are described that perform the prediction of structure shape, grouping of related structures, verification of individual structures, and structure height estimation. In each method the relationship between the structure and the shadows cast is exploited in a unique fashion. Key issues involve the accurate localization of the structure/shadow boundary and the shadow edge and attribution of shadow segments to structure hypothesis. Several examples are presented that show how each method is used within the task of building detection, delineation, and height estimation.

[3]

Mamassian

, Knill D

, Kersten

The perception of cast shadows

[J]. Trends in Cognitive Sciences, 1998,2(8):288-295.

DOI:10.1016/S1364-6613(98)01204-2 URL PMID:21227211 [本文引用: 2]

When an object casts its shadow on a background surface, the shadow can be informative about the shape of the object, the shape of the background surface and the spatial arrangement of the object relative to the background. Among all these roles, we found that cast shadows were perceptually most relevant for the recovery of spatial arrangement, especially when the shadow is in motion. This finding is intriguing when one considers the ambiguities in the possible ways that shadow motion can be interpreted. We reasoned that the visual system must use a priori constraints to disambiguate the cast shadow motion. One of these constraints is that the light source is stationary. Though simple, the stationary-light-source constraint supports rich, reliable inferences about the qualitative motions of objects in three dimensions.

[4]

Etemadnia

Alsha RIF M R.Automatic image shadow identification using LPF in homomorphic processing system [C]//Proceedings of VII Digital Image Computing: Techniques and Applications

.Sydney:Committee of DICTA, 2003.

[5]

姚花琴, 杨树文, 刘正军 , 等.

基于QuickBird影像的城市高大地物阴影检测方法

[J]. 国土资源遥感, 2015,27(2):51-55.doi: 10.6046/gtyyg.2015.02.08.

URL Magsci [本文引用: 1]

<p>针对利用高分辨率遥感影像检测阴影时受水体和偏蓝色地物影像的影响问题,提出了一种主成分变换和多波段运算相结合的阴影检测方法。首先,统计、分析了QuickBird影像中阴影、水体及建筑物等典型地物的光谱特征; 然后,基于主成分变换和多波段运算相结合的方法识别阴影区域和非阴影区域,并利用多峰直方图阈值算法对阴影进行自动检测; 最后,利用形态学滤波算法对检测结果进行后处理。实验结果表明,该方法对QuickBird影像中的阴影提取具有较高的精度、效率和普适性。</p>

Yao H

, Yang S

, Liu Z

, et al.

A method of shadow detection for city tall ground objects based on QuickBird images

[J]. Remote Sensing for Land and Resources, 2015,27(2):51-55.doi: 10.6046/gtyyg.2015.02.08.

DOI:10.3969/j.issn.1006-7043.2006.03.008 URL [本文引用: 1]

[6]

张云飞, 张晔 .

利用二维熵自动确定图像分割的阈值

[J].哈尔滨工程大学学报, 2006(3):353-356.

阈值法是图像分割的一种重要方法,在图像处理与目标识别中广为应用.因此,如何确定阈值是图像分割的关键.建立二维直方图并借助二维熵可以自动确定图像分割的阈值.传统方法产生二维直方图时,选择4邻域中心灰度值和邻域像素的灰度均值.事实上,水平或垂直方向上的灰度变化不能完全地反映邻域像素的整体特性.提出构造二维直方图的新方法,新方法选择3×3邻域中心灰度值和4邻域以外的4个像素的灰度均值.应用新方法和传统方法进行对比实验,分割结果可以看出新方法的有效性.

Zhang Y

, Zhang

Automatic threshold of image segmentation using 2-D entropy

[J].Journal of Harbin Engineering University, 2006(3):353-356.

[7]

虢建宏, 田庆久, 吴昀昭 .

遥感影像阴影多波段检测与去除理论模型研究

[J]. 遥感学报, 2006,10(2):151-159.

DOI:10.3321/j.issn:1007-4619.2006.02.002 URL Magsci [本文引用: 1]

阴影是遥感影像的基本特征之一，它使地物目标反映的信息量有所损失或受到干扰，而去除阴影一直是遥感影像处理的难题。从研究遥感影像阴影产生机理出发，提出了一种多波段检测阴影的方法和基于能量信息补偿去除阴影的理论模型。通过IKONOS影像进行方法与模型验证，真实再现阴影区地物特征，增加影像信息量，提高数据质量。

Guo J

, Tian Q

, Wu Y

Study on multispectral detecting shadow areas and a theoretical model of removing shadows from remote sensing images

[J]. Journal of Remote Sensing, 2006,10(2):151-159.

[8]

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):43-44,93.

DOI:10.3969/j.issn.1007-130X.2008.12.011 URL Magsci [本文引用: 1]

<p>在高分辨率全色遥感影像中，阴影的存在既给目标识别带来了困难，又包含了地物的层次和高度信息。本文运用灰度统计直方图的势函数对全色遥感影像的灰度统计直方图函 数进行拟合，使用一阶差分找到直方图势函数的第一个谷点，以该谷点对应的灰度值对原始影像做阈值分割完成阴影检测。实验表明，在各种复杂地物环境下，本文方法都能 能完成灰度分割阚值的自动选取，其阴影检测结果是快速有效的。</p>

Yu D

, Yin J

, Zhang G

An automatic shadow detection method for remote sensing images based on gray histogram

[J]. Computer Engineering and Science, 2008,30(12):43-44,93.

[9]

韩青松

基于Otsu算法的遥感图像阈值分割

[D]. 新疆:新疆大学, 2011.

Han Q

Remote Sensing Image Thresholding Segmentation Based on the Otsu Algorithm

[D]. Xinjiong:Xinjiang University, 2011.

[10]

高贤君, 万幼川, 郑顺义 , 等.

航空遥感影像阴影的自动检测与补偿

[J]. 武汉大学学报(信息科学版), 2012,37(11):1299-1302.

URL Magsci [本文引用: 1]

通过对阴影特性进行分析,选取能够有效检测阴影的特征组合,改进了Otsu阈值算法,可以自动获取各特征的合适阈值,实现阴影的自动检测;同时提出了改进的Wallis滤波阴影补偿策略,突出阴影区域的地物信息。实验结果表明,该检测算法阴影补偿效果明显,真实再现了被阴影遮蔽的地物细节。

Gao X

, Wan Y

, Zheng S

, et al.

Automatic shadow detection and compensation of aerial remote sensing images

[J]. Geomatics and Information Science of Wuhan University, 2012,37(11):1299-1302.

DOI:10.3969/j.issn.1001-4373.2013.06.043 URL [本文引用: 4]

[11]

李轶鲲, 杨树文, 刘涛 .

基于多峰直方图的遥感图像阈值自动选取算法

[J]. 兰州交通大学学报, 2013,32(6):199-204.

基于多峰灰度直方图的阈值自动选取算法,首先使用平均滤波器平滑直方图,消除直方图中微小的波动,保留反映直方图总体趋势的大的波峰波谷;然后通过寻找直方图中局部最大值和最小值,以确定合理的阈值.该算法使用时仅需要用户指定直方图应保留的合理波峰数,在针对大尺寸遥感图象计算出的阈值要优于大津算法和双峰算法计算出的阈值,且算法计算复杂度较低,适用于快速阈值选取.通过对TM影像中水体自动提取实验研究,阈值自动选取算法可用于水体及其它地物目标遥感信息的批量自动提取处理,具有较好的提取效果.

Li Y

, Yang S

, Liu

An automatic threshold selection approach for remote sensing imagery of multimodal histograms

[J]. Journal of Lanzhou Jiaotong University, 2013,32(6):199-204.

[本文引用: 4]

[12]

赵显富, 胡晓雯, 赵轩 .

一种基于彩色模型的遥感影像阴影检测方法

[J].测绘通报, 2014(5):20-22,59.

DOI:10.13474/j.cnki.11-2246.2014.0149 URL [本文引用: 2]

依据遥感影像阴影的属性,提出一种基于彩色模型的遥感影像阴影检测方法,以提高阴影检测精度。阴影检测过程中,首先将影像转换到HSV空间,根据阴影区域亮度值低和饱和度高的特性,定义M=(S-V)/(H+S+V),并结合小区域去除和数学形态学处理方法,提取阴影区域;其次依据散射理论对蓝光的影响,提出结合C1C2C3空间的C3分量和RGB空间的B分量进行双阈值阴影检测,为降低阈值选择的主观性,提出将上述两种方法进行与运算提取阴影;最后对多幅带有阴影的遥感影像进行试验,结果表明所提出的方法明显优于传统的直方图阈值法和形态学检测法,克服了阈值选择的主观性,提高了阴影检测精度。

Zhao X

, Hu X

, Zhao

A method of remote sensing images shadow detection based on color models

[J].Bulletin of Surveying and Mapping, 2014(5):20-22,59.

[本文引用: 2]

[13]

位明露, 詹总谦 .

一种改进的航空遥感影像阴影自动检测方法

[J].测绘通报, 2016(6):14-17.

DOI:10.13474/j.cnki.11-2246.2016.0180 URL [本文引用: 1]

针对航空遥感影像阴影检测中与阴影具有相似特性的绿地、亮度较暗的非阴影区域和亮度较高的阴影区域容易出现错检、漏检的问题,结合HSV变换和区域生长原理,提出了一种改进的阴影检测方法。首先在HSV色彩空间通过图像增强构建了一种新的阴影指数,并引入了双阈值法,剔除了植被和亮度较暗的非阴影区域的影响;接着通过区域生长得到了包含较亮阴影的完整阴影区域。经过对比试验表明,该方法能够有效地提取较亮阴影,对绿地和较暗的非阴影区具有较好的区分能力,可以有效提高检测精度。

Wei M

, Zhan Z

An improved method of automatic shadow detection for aerial remote sensing images

[J].Bulletin of Surveying and Mapping, 2016(6):14-17.

DOI:10.3969/j.issn.1000-3177.2017.01.019 URL [本文引用: 1]

[14]

杨猛, 杨树文, 雍万铃 , 等.

集成特征分量的阴影多尺度分割方法

[J]. 遥感信息, 2017,32(1):109-114.

针对高分影像阴影检测精度易受水体、深色地物和暗色植被影响等问题,结合GF-1影像自身特点,提出一种结合特征分量构建和多尺度分割面向对象的阴影检测方法。首先,对GF-1影像多光谱数据、全色数据进行正射校正和信息融合,以达到光谱与空间分辨率信息最大化利用。其次,集成特征分量（主成分第一分量PC1、亮度分量V、绿光波段G、归一化植被指数NDVI）以增强阴影信息。最后,对集成后的影像进行多尺度分割,并利用特征分量构建规则集,最终实现阴影信息提取。实验表明,该方法既能准确地检测出GF-1影像中的阴影信息,又能有效削弱水体、深色地物和暗色植被的影响。

Yang

, Yang S

, Yong W

, et al.

Multi-scale shadow segmentation method based on characteristic component

[J]. Remote Sensing Information, 2017,32(1):109-114.

[15]

池毓锋, 赖日文, 闫琦 , 等.

基于Landsat8 OLI数据的山区阴影信息检测与提取

[J]. 山地学报, 2017,35(4):580-589.

DOI:10.16089/j.cnki.1008-2786.000256 URL [本文引用: 1]

为快速获取山区遥感影像上的阴影干扰区域,探究一种简便、高效、精确的遥感影像中阴影干扰区域的方法,具有重要的意义.以福建省长汀县为研究区域,搜集2016年3月美国陆地卫星影像数据与ASTER影像计算的GDEM V2产品.基于土地利用分类体系测量的6类地面物体光谱信息与影像波段信息,优选影像的光谱波段并重新组合;选取Sinh函数与Max函数建立c!算法,对LandSat8 OLI影像进行差异化计算,通过二分式判别规则初步提取阴影区域;加入由数字高程模型计算的坡度信息,剔除水域与坡度较为平缓的地物等于扰信息,精确提取山区阴影区域.设立网格随机设置精度验证点验证精度,最终总体精度达到99.06％,Kappa系数为0.98.结果表明,实验方法对于LandSat8 OLI影像提取阴影可行性高,检测效果与提取结果较c3算法与SVI指数更好.

Chi Y

, Lai R

, Yan

, et al.

Detection and extraction of mountain shadow information from Landsat8 OLI data

[J]. Mountain Research, 2017,35(4):580-589.