img

官方微信

遥感技术与应用, 2019, 34(6): 1252-1260 doi: 10.11873/j.issn.1004-0323.2019.6.1252

数据与图像处理

集成特征分量的高分二号影像阴影检测

李强,, 冯德俊,, 瑚敏君, 伍燚垚, 杨历辉

西南交通大学 地球科学与环境工程学院,四川 成都 611730

Shadow Detection of Integrated Characteristic Components for GF-2 Image

Li Qiang,, Feng Dejun,, Hu Minjun, Wu Yiyao, Yang Lihui

Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611730, China

通讯作者: 冯德俊(1974-),男,四川盐亭人,博士,副教授,主要从事GIS和遥感图像处理研究。E⁃mail: fengdj@126.com

收稿日期: 2018-08-21   修回日期: 2019-10-11   网络出版日期: 2020-03-20

基金资助: 国家重点研发计划项目.  2016YFC0803105
四川省科技厅重点研发项目“自然资源资产评价关键技术研究及应用示范”(2017)资助

Received: 2018-08-21   Revised: 2019-10-11   Online: 2020-03-20

作者简介 About authors

李强(1990-),男,河南永城人,硕士研究生,主要从事遥感图像处理研究E⁃mail:qiangli8898@gmail.com , E-mail:qiangli8898@gmail.com

摘要

针对高分辨率遥感影像中阴影检测精度易受水体、植被等因素干扰的问题,通过分析高分二号影像中典型地物的光谱特征,构建了一种集成特征分量与面向对象分类相结合的阴影检测方法。构建的特征分量包括:主成分第一分量PC1、亮度分量I、归一化差分植被指数NDVI及水体指数WI。将各特征分量进行归一化处理,建立包含波段均值、标准差等特征的规则集,对影像的I和PC1分量进行多尺度分割 ,结合面向对象的方法进行阴影检测。选取不同区域遥感影像进行实验,实验结果表明:与传统基于像素的阴影提取方法相比,该方法提取出的阴影斑块完整,且能有效地减弱水体和植被的影响。

关键词: 阴影检测 ; 特征分量 ; 面向对象分类 ; GF-2影像

Abstract

The shadow detection accuracy in the high-resolution remote sensing images is easily disturbed by water, vegetation and so on. This study proposed a shadow detection method based on object-oriented method and established characteristic components by analyzing the spectral characteristics of typical features in GF-2 satellite images.The following components were constructed to detect shadow information: first principal component (PC1), brightness component I, Normalized Difference Vegetation Index (NDVI) and Water Index (WI). And then, we normalized each characteristic component to establish a rule set containing features such as band mean, standard deviation. Brightness I and PC1 were chosen as the main data source for multi-resolution segmentation, at last, performed object-oriented method on the segmented images to detect shadow. Selected different areas of GF-2 images for the proposed method, and experimental results show that the proposed method could extract complete shadow patches and effectively reduce the influence of water bodies and vegetation compared with pixel-based method.

Keywords: Shadow detection ; Characteristic components ; Object-oriented classification ; GF-2

PDF (3035KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

李强, 冯德俊, 瑚敏君, 伍燚垚, 杨历辉. 集成特征分量的高分二号影像阴影检测. 遥感技术与应用[J], 2019, 34(6): 1252-1260 doi:10.11873/j.issn.1004-0323.2019.6.1252

Li Qiang, Feng Dejun, Hu Minjun, Wu Yiyao, Yang Lihui. Shadow Detection of Integrated Characteristic Components for GF-2 Image. Remote Sensing Technology and Application[J], 2019, 34(6): 1252-1260 doi:10.11873/j.issn.1004-0323.2019.6.1252

1 引 言

近年来,遥感影像的空间分辨率不断提高,数量级甚至达到了分米级。在高分辨率遥感影像中,地物信息更加丰富、目视效果更加清晰,但同时阴影区域也更为突出和细碎化。由于太阳光线被高大建筑物、植被等地物遮挡,造成被遮挡区域的反射电磁波减弱,颜色较暗,光谱信息严重损失。因此,如何精准地将遥感影像中的阴影区域检测出来,对于后续的信息提取等应用十分关键。

随着高分辨率遥感影像的广泛应用,阴影检测技术也得到了迅速的发展。目前高分辨率遥感影像的阴影检测方法大致可以分为两类[1]:第一类是基于模型的方法,该方法往往需要一些不容易获取的辅助信息,根据这些辅助信息和影像中的地物几何形状、DSM数据以及诸如太阳和传感器等相关参数来计算阴影区域。如NakaJima等[2,3,4]基于模型的方法实现了阴影的检测。该方法模型复杂,理论性强,具有较大的局限性。第二类是基于影像光谱特征的方法,该方法是在纹理、色彩以及几何结构等方面分析阴影区域的特征来提取阴影。如Tsai等[5]基于HIS色彩空间不变性提出了利用比值图像(H+1)/(I+1)来检测阴影区域的方法,使阈值分割能更好地区分出阴影;王利军等[6]结合阴影在RGB色彩空间中的特点以及高斯—拉普拉斯算子模板来检测阴影;虢建宏等[7,8,9,10]基于主成分变换(PCA)、不变色彩空间模型及谱间关系,采用直方图阈值分割方法提取阴影;刘心燕等[11]根据云及其阴影的几何关系,结合传感器参数识别云阴影的投影带,然后根据阴影的光谱特征在投影带中设定基于影像的动态阈值,用于检测高分四号影像中的云阴影;岳照溪等[12]首先用特征法对影像多的波段信息进行阴影检测,然后结合DEM数据、山体表面阴影成像模型进行山体背阴面检测。以上方法可分为两种,一种是利用单一波段或者经过变换后的波段特征以增强阴影信息,从而达到阴影提取的目的,但是该方法无法提供足够的信息来区分阴影和较暗地物,在地物背景比较复杂时精度不高。另一种是基于多特征、多波段的方法,该方法虽然可以在特定情况下得到较好的结果,但都是针对特定影像进行的像素级阴影检测,所得阴影区域容易引入大量的噪声,严重影响检测精度。

影像的空间分辨率越高,细节特征越明显,不确定性影响因素越多。由于地物背景复杂,存在“同物异谱”、“同谱异物”等情况,在影像中与阴影区域亮度值接近的地物很难区分开,所以阴影检测易受水体、深(暗)色地物等影响。影像结构相对复杂时提取精度有限,因此,基于面向对象的多尺度分割方法在阴影提取中得到了利用。段光耀等[13]选取彩色不变分量C3、亮度分量I、主成分第一分量PC1以及蓝色波段和近红外波段归一化比率分量RATIOb_nir,提出一种特征分量构建与面向对象结合的阴影提取方法。张先鹏等[14]结合主成分分析、色彩特征和直方图分割构建多阈值检测条件来初步检测阴影,然后通过分析阴影与非阴影地物的光谱特性检测出阴影区域。虽然这些方法取得了良好的阴影提取效果,但依然存在漏提和误提的现象,具体表现为水体中的阴影信息很难完整地提取出来,暗色植被、水体容易被误提。董月等[15]采用深度学习方法来检测图像中的阴影,将ResNeXt101网络作为前端提取特征,结合U-Net 的设计思路,搭建网络结构对特征图进行上采样,设计注意力生成模块和注意力融合模块来提高检测准确率。该方法虽然可以取得较高的阴影提取精度,且能有效减小漏检和误检情况,但需要制作大量的阴影样本来训练,对于高分辨率遥感影像来说获取数据比较困难,且成本较高。

目前,针对高分二号影像的阴影提取研究还较少,由于不同遥感卫星的轨道类型、在轨高度、倾角、观测能力等不同,特别是所搭载相机的各种参数不同,这就使得高分二号影像和其他类型的遥感影像特别是在光谱特征上有所不同,针对其他类型的遥感影像的阴影提取方法有可能不适用于高分二号影像阴影检测。因此,本文在总结前人经验及自身实验的基础上,针对高分二号卫星影像特点,通过分析阴影及影像中典型地物的光谱特性的基础上建立规则集,构建一种集成特征分量的面向对象方法检测阴影。

2 阴影特性分析

选用高分二号卫星影像作为数据源,高分二号卫星搭载有全色和多光谱相机,全色影像的空间分辨率为1 m,多光谱影像的空间分辨率为4 m,包括蓝、绿、红、近红外4个波段。融合后的高分二号影像分辨率为1 m。本文对研究区融合后的影像中阴影以及典型地物的灰度值(Digital Number,DN)进行统计分析,统计结果如表1所示。

表1   阴影及典型地物光谱值

Table 1  The spectral values of shadow and typical features

统计值波段阴影水体植被深色地物
均值方差均值方差均值方差均值方差
341.7112.11387.092.82457.4033.82415.366.21
绿200.6110.37263.563.28313.1625.69267.275.51
131.6910.94171.284.08225.9521.01209.674.62
近红外80.4710.9763.263.27277.8428.06175.656.11

新窗口打开| 下载CSV


高分二号多光谱影像中的阴影及典型地物光谱值统计如图1所示,从图1中可以看出影像具有如下特征:①阴影的亮度值(Digital Number,DN)在典型地类中基本是最低的,与植被、深色地物易于区分;②阴影和水体具有相似的光谱曲线,且明显区别于其他地物,二者在绿波段光谱值差异最大,在近红外波段具有相似的光谱值;③相对于其他波段,阴影在近红外波段中的亮度值最低,深色地物和植被在红波段具有相似的亮度值,且和阴影的亮度值具有最大的差异性;④阴影和深色地物的光谱曲线走势一致,但两者在各个波段的亮度值差异较大;⑤阴影的DN值在RGB波段的大小为DNB>DNG>DNR>DNNIR

图1

图1   阴影及相关典型地类的光谱曲线

Fig.1   The spectral curves of shadow and typical features


从视觉效果来看,遥感图像中的阴影区域由于未受到太阳光线照射而颜色较暗,可以通过亮度指标来分析阴影。从光谱特征角度分析,由于不同地物其光谱值不同,并且在不同的波段中差异非常大,因此可以通过光谱之间的关系来分析阴影的特征。针对高分辨率遥感影像,根据阴影的光谱特征,通过一定的方法处理图像以突出阴影信息,进而更好地利用阴影信息。

3 阴影检测模型构建

本文拟构建4个特征分量来增强阴影信息,减少其他地物对阴影的影响,并提取准确的阴影范围。特征分量依次为主成分第一分量PC1、HIS色彩空间的亮度分量I、归一化差分植被指数(Normalized Difference Vegetation Index,NDVI)、及红、绿、蓝与近红外波段所构造的水体指数WI。

3.1 特征分量构建

3.1.1 主成分第一分量PC1

主成分分析能够在尽可能好的代表原影像特征的情况下,将原特征进行线性变换,并映射至低维度空间,将具有相关性的波段进行降维处理,使大部分信息集中在几个非相关性的波段中,构成最佳变量组合[16]。针对原始数据的R、G、B和NIR 共4个波段,对样本的矩阵通过协方差矩阵变换进行主成分分析,变换后的第一主成分(PC1)作为本文的特征分量之一,并且该分量包含超过90%的原始图像信息。对变换之后的第一主成分进行归一化处理并统计各地物的亮度值,统计结果如图2所示。可以看出,阴影和水体区域的亮度值归一化后集中在0.03~0.09之间,这表明该区间的阴影和水体信息非常丰富,可以通过设置阈值来粗略地提取阴影以获得大致的阴影范围。

图2

图2   PC1分量亮度直方图

Fig.2   Component PC1 luminance histogram


3.1.2 亮度特征分量I

由于阴影区域太阳光被地物遮挡,体现为I值较小,且I分量与图像的彩色信息无关。传感器接收阴影区域的辐射信息主要是散射光,这导致该区域中缺少颜色信息并且亮度值相对较低。将RGB空间中的影像转换到HIS空间中,变换公式为式(1)。

I=13(R+G+B)S=1-3R+G+Bmin(R,G,B)H=θ                   BG360°-θ        B>Gθ=arccos12(R-G)+R-BR-G2+R-BR+B

其中:R为红光波段灰度值,G为绿光波段灰度值,B为蓝光波段灰度值。

统计I分量归一化后的亮度值,结果如图3所示。从图中可以看出阴影和水体集中在0.03~0.08之间,但是与较亮的区域差别不明显。如果将该分量作为唯一提取标准,对影像进行分割的阈值将不好确定,且阴影与其他地物的分割阈值也不易确定。因此,将I分量与PC1结合到一起,对阴影进行粗提取,这样既可以保证阴影的完整性,又不会引入过多的其他地物,为阴影的精提取奠定了良好的基础。

图3

图3   I分量亮度直方图

Fig.3   Component I luminance histogram


3.1.3 归一化差分植被指数分量NDVI

归一化差分植被指数NDVI通常用于检测植被生长状况、计算植被覆盖度和消除部分辐射误差等[17]。阴影检测的结果中常常会出现深色地物的干扰,在检测阴影时要考虑对植被的提取和去除,所以本文引用了广泛使用的植被提取模型NDVI作为特征分量之一。

根据NDVI分量直方图(图4)可以看出,阴影和水体的亮度值比较低,而植被、建筑物、裸地和道路的亮度值比较高,且相对比较集中,可以有效地去除阴影区域中的植被等深色地物的干扰,因此对于准确地提取阴影范围具有非常重要的作用。

图4

图4   NDVI分量亮度直方图

Fig.4   Component NDVI brightness histogram


3.1.4 水体指数分量WI

Mcfeeters在1996年提出归一化差分水体指数(Normalized Difference Water Index,NDWI)[18],如式(2)所示。利用水体在绿波段反射率高,近红外波段反射率低的特点,将两个波段进行差值和比值运算以增强水体特征,然而,虽然该指数强化了水体,但阴影区域也被突出显示,二者造成了混淆[19]

NDWI=G-NIRG+NIR

其中:G为绿色波段灰度值,NIR 为近红外波段灰度值。

对高分二号影像试验区中阴影和水体区域进行采样统计,得到光谱特征曲线如图5所示。水体在蓝光波段(0.50~0.56 μm)反射率最高,约为10%,在绿光波段和红光波段的反射率逐渐下降,到了波长0.75 μm以后的近红外波段,水体的反射率趋近于0,变为全吸收体,所以在蓝、绿、红3个波段中,水体的DN值大于阴影,而在近红外波段阴影的DN值大于水体。充分利用蓝、绿、红波段与近红外波段做差值运算,可扩大水体与阴影区域差异。能较好地将水体提取出来,减少水体对后续阴影提取的影响,故本文构建水体指数分量(式(3))增强阴影信息。

WI=R-NIRR+G-NIRG+B-NIRB

其中:R为红色波段灰度值,G为绿色波段灰度值,B为蓝色波段灰度值,NIR为近红外波段灰度值。

图5

图5   阴影与水体在各波段亮度直方图

Fig.5   The brightness histogram of shadow and water


对影像进行WI处理,结果如图6所示。经过WI变换之后的水体与其他地物的灰度值差异明显,水体区域的DN值较大,能够很好地与其他地物区分,有利于阴影和水体的分离。

图6

图6   WI分量亮度直方图

Fig.6   Component WI brightness histogram


针对WI分量,对水体和阴影区域采样并统计灰度值,如图7所示。可以看到有两个比较明显的波峰,水体亮度值更大且集中在一个区域,水体的峰值在0.96附近,而阴影的波峰则位于0.83左右。此处设置WI的平均值为0.90,可以很好地分开阴影和水体。选取WI分量作为特征分量,是将阴影和水体区分的关键。

图7

图7   WI分量采样区域阴影和水体亮度直方图

Fig.7   The brightness histogram of component WI shadow and water in sampling area


3.2 面向对象阴影检测

面向对象是一种基于目标的图像分析方法,也是当前高分遥感影像解译中比较主流的一种方法,首先要进行图像分割,通过分割将具有相似特征的相邻像元组成一个对象作为分析的单元,每个单元是由一系列具有同质的相邻像元构成,可以测量每个单元的各种特征,例如光谱值、纹理、形状和空间关系等。借助认知机理来选定这些对象特征,通过制定规则来最大程度的区分遥感影像上的不同地类。面向对象的信息提取过程主要分为两步:多尺度分割和信息提取。

3.2.1 多尺度分割

多尺度分割的目标是:在指定的感兴趣地物或空间结构特征对应的尺度下,将影像分割成高同质的、相互连接的对象块,与感兴趣的地物或空间结构相对应[20]。采用多尺度分割的方法,根据实际情况选择最佳分割参数,建立多尺度分割框架。在图像分割过程中的分割参数决定了是否能够完整且准确地提取目标地物,因此分割参数的选取尤为重要,太大会使影像分割不充分,同一对象包含多种地物信息,而太小则会使分割过于破碎,降低运算速度,不利于目标地物的提取[21]。分割参数包括波段权重、分割尺度、形状因子和紧致度。

波段权重是各特征分量波段在参与分割时所占比重。对于含有信息较多的波段,或对当前提取某类专题信息作用较大的波段可赋予比较大的权重,而其他不相关的波段可不参与分割或者赋予较小的权重。在本文构建的4个特征分量中,由于NDVI和WI采用了比值运算,边缘区域易产生噪声,导致部分地物边缘信息损失,不适宜用于分割尺度的输入参数,主要用于信息提取。故在多尺度分割时,将NDVI和WI的权重设置为0,主成分PC1和亮度分量I分别设置为1。

在同质对象的构建过程中主要考虑形状和光谱因子,光谱即是参与影像分割的波段,形状因子定义了影像对象的纹理一致性,二者权重之和为1。形状因子包括平滑度和紧致度,二者权重之和也为1。影像的光谱包含了主要信息,为了保证在分割结果中起主要作用,需要设立较大的权重,而形状因子在分割过程中可以保证分割对象的完整性,它的作用也不容小觑。平滑度利用形状规则,考虑边缘平滑,优化影像对象结果,紧致度考虑总体紧致性,可区分分割对象中的紧凑对象和不紧凑对象,二者互为补充。

多尺度分割的关键是确定最优尺度,最优分割尺度的选择会直接影响提取结果的精度[22]。本文通过反复实验,最终确定分割尺度设为30,形状因子和紧致度权重分别设为0.2和0.5。

3.2.2 面向对象信息提取

经过分割后得到的影像,其基本单元变为由多个同质像元组成的多边形对象。对于每个多边形对象,由其内部的像元可计算出各种光谱特征,包括平均灰度值、标准差等,还可以计算多边形的形状特征、纹理特征、位置特征以及多边形间的拓扑关系特征等。利用对象的各种特征,可以构建分类规则,提取地物信息,从而实现图像的分类和信息提取。基于规则的分类是以对象特征值为依据,通过建立一系列的准则,将具有相近属性的对象指派到同一类型中,从而实现对图像的分类。因为遥感图像的复杂性,不能指望仅通过一个规则就可以将某一类型的地物与其他类型完全区分出来。因此,需要建立一系列的规则,组成规则集。本文选用主成分第一分量PC1、亮度分量I、归一化差分植被指数分量NDVI、水体指数分量WI构建规则集,用于区分阴影与水体、植被等其他较暗地物。具体流程图和分类规则如图8和9所示。

图8

图8   阴影检测流程图

Fig.8   Shadow detection flow chart


4 实验结果分析与验证

为验证本文阴影检测模型的有效性,选取2015年3月21日拍摄的四川某地区的高分二号影像进行实验验证。将本文检测结果、最大似然监督分类法检测结果以及人工目视解译所提取的阴影进行对比。

图10(a)、(d)为原始影像,两实验区均含有水体、道路、建筑物、植被、阴影和裸地等地物,且实验区一的裸地、植被偏多。本文方法检测的阴影用红色表示,最大似然法检测的阴影用蓝色表示,并将矢量化结果与原始影像叠加得到图10(b)、(c)、(e)、(f),本文所检测的阴影结果边界清楚,信息饱满,受植被干扰较小,并通过水体指数的构建,能够有效地去除水体的干扰,且能够很好地检测出植被投影在水体上的阴影,而且检测出的阴影完整,无破碎(如图10(b)中编号1的黄色矩形框部分)。由于卫星拍摄的时间为17时,太阳高度角为34°35′,卫星高度角为68°37′,此时地物阴影较长,由于该拍摄角度,影像中建筑物的本影也占据了较大一部分,根据阴影形成原理,本影和投影均来自于太阳光的瑞利散射和周围地物的漫反射,但是因为本影和投影所在的位置关系不同,一般情况下,本影的亮度值会高于投影的亮度值。实验区影像中建筑物的背阳面受光照及拍摄角度影响,亮度不均匀,其底部颜色明显较暗属于建筑物阴影的本影部分,利用最大似然法提取的阴影,将整个背阳面作为阴影提出,未能区分出背阳面的本影部分(如图10(c)中编号2、3的红色矩形框部分);而本文方法可有效地提取建筑阴影的本影部分(如图10(b)所示)。基于最大似然法的阴影检测无法检测出地形起伏而形成的阴影,小地物所形成的阴影也很难检测出,而且对较暗地物中的阴影检测效果较差,漏提面积比较大(如图10(f)中编号5、6的红色矩形框部分)。通过对比分析,本文方法能够有效地检测出面积比较小的地物所形成的阴影。

图9

图9   阴影检测规则集

Fig.9   Shadow detection rule set


图10

图10   实验区一、二阴影提取结果

Fig.10   shadow extraction results in both experimental


综上,本文方法相对于最大似然法,可以获得比较完整的信息,且提取精度较高,信息的利用率更好,可以很好地检测出较暗地物的阴影,去除水体的干扰,较为完整地提取出投影在水面的阴影。然而,本文还存在一定的误差,由图10(e)中编号4的红色矩形框中可看出,还有部分植被阴影未被检测出来,通过分析发现,此区域植被种类较多,而且大小不一,不同植物对光的反射强度不一样,很难将其完全检测出来。

为验证结果精度,定量评价本文方法阴影提取精度,将本文检测出的阴影与最大似然法检测出的阴影以及人工目视解译进行同分辨率的像素数量对比。统计结果如表2所示。将本文方法人工标定的阴影区进行叠加对比分析,可以得出阴影误提主要原因有两个:①在植被复杂的地方,一些落叶树木形成的阴影比较稀疏,不连续,其阴影的光谱特征值与背景中的枯草光谱值相近,利用面向对象的方法分割时,所得对象模糊,阴影不容易提取;②部分植被与其阴影的界线难以明确区分,且在建筑物背阳面上的阴影确定方面存在一定误判现象。对两个实验区的阴影信息提取精度进行分析可知,本文方法较为有优势,两个实验区的正确提取比例分别为93.11%和92.29%,由此可得出,本文提出的方法具有较高的阴影提取精度。

表2   阴影提取结果精度对比

Table 2  Shadow extraction results precision comparison

实验区阴影像元个数精度/%
本文方法最大似然法人工提取本文方法最大似然法
实验区一21 84923 75920 44093.11%83.76%
实验区二65 09245 67260 43192.29%75.58%

新窗口打开| 下载CSV


5 结 语

针对目前高分二号卫星影像阴影提取研究的不足,本文根据高分二号影像中阴影及典型地物的光谱特征,构建主成分第一分量PC1、亮度分量I、归一化差分植被指数NDVI及水体指数WI 4个特征分量,选取以上4种特征分量的平均值、标准差等特征构建规则集,结合面向对象方法进行阴影信息提取,并选取多个实验区,利用不同的方法对实验区进行实验对比和精度分析。实验证明,本文能够有效去除植被和水体对阴影检测的影响,得到较为完整、准确的阴影区域,且精度较高,能够满足大多数的应用需求。研究的不足之处在于本文方法对于细小的植被阴影检测精度不高,还需改进检测模型以提高整体检测精度。

参考文献

Salvador E, Cavallaro A, Ebrahimi T.

Cast Shadow Segmentation Using Invariant Color Features

[J]. Compater vision and Image Understanding, 2004, 95(2):238-259.

[本文引用: 1]

Nakajima T, Tao G, Yasuoka Y.

Simulated Recovery of Information in Shadow Areas on IKONOS Image by Combing ALS Data

[C]∥Proceedings of Asian Conference on Remote sensing, Kathmandu, 2002:25-29.

[本文引用: 1]

Guo Haitao, Xu Qqing, Zhang Baoming.

Shadow Extraction of Building based on Multiple Constraints

[J]. Editorial Board of Geomatics & Information Science of Wuhan University, 2005, 30(12):1059-1062.

[本文引用: 1]

郭海涛, 徐青, 张保明

多重约束下的建筑物阴影提取

[J]. 武汉大学学报(信息科学版), 2005, 30(12):1059-1062.

[本文引用: 1]

Arévalo V, González J, Ambrosio G.

Shadow Detection in Colour High-resolution Satellite Images

[J]. International Journal of Remote Sensing, 2008, 29(7):1945-1963.

[本文引用: 1]

Tsai V J D.

A Comparative Study on Shadow Compensation of Color Aerial Images in Invariant Color Models

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(6):1661-1671.

[本文引用: 1]

Wang Junli,Wang Shugen.

A Shadow Detection Method of Color Image based on RGB Color Space

[J]. Information Technology, 2002(12):7-8.

[本文引用: 1]

王军利, 王树根

一种基于RGB彩色空间的影像阴影检测方法

[J]. 信息技术, 2002(12):7-8.

[本文引用: 1]

Guo Jianhong,Tian Qingjiu.

A Shadow Detection and Removal Method for IKONOS Images

[J]. Remote Sensing Information, 2004,19(4):32-34.

[本文引用: 1]

虢建宏, 田庆久

一种IKONOS影像阴影检测与去除的方法

[J]. 遥感信息, 2004,19(4):32-34.

[本文引用: 1]

Wang Yue,Wang Shugen.

Detection and Compensation of Shadows in High Resolution Remote Sensing Images Using PCA

[J]. Journal of Applied Sciences, 2010, 28(2):136-141.

[本文引用: 1]

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):136-141.

[本文引用: 1]

Liu Hui, Xie Tianwen.

Study on Shadow Detection in High Resolution Remote Sensing Image based of PCA and HIS Model

[J]. Remote Sensing Technology and Application, 2013, 28(1):78-84.

[本文引用: 1]

刘辉, 谢天文

基于PCA与HIS模型的高分辨率遥感影像阴影检测研究

[J]. 遥感技术与应用, 2013, 28(1):78-84.

[本文引用: 1]

Liu Xinyan, Sun Lin, Yang Yikun.

Cloud and Cloud Shadow Detection Algorithm for Gaofen-4 Satellite Data

[J]. Acta Optica Sinica, 2019, 39(1):446-457.

[本文引用: 1]

刘心燕, 孙林, 杨以坤, .

高分四号卫星数据云和云阴影检测算法

[J]. 光学学报, 2019, 39(1):446-457.

[本文引用: 1]

Yue Zhaoxi, Zhang Yongjun, Duan Yansong, et al.

DEM Assisted Shadow Detection and Topography Correction of Satellite Remote Sensing Images in Mountainous Area

[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(1):113-122.

[本文引用: 1]

岳照溪, 张永军, 段延松, .

DEM辅助的卫星光学遥感影像山体阴影检测与地形辐射校正

[J].测绘学报,2018, 47(1):113-122.

[本文引用: 1]

Yang Xingwang, Yang Shuwen, Liu Zhengjun, et al.

Shadow Detection for Urban Tall Standing Objects based on ZY-3 Satellite Imagery

[J]. Science of Surveying and Mapping, 2015, 40(9):98-101.

[本文引用: 1]

杨兴旺, 杨树文, 刘正军,.

资源三号影像中城市高大地物阴影检测方法

[J]. 测绘科学, 2015, 40(9):98-101.

[本文引用: 1]

Duan Guangyao, Gong Huili, Li Xiaojuan, et al.

Shadow Extraction based on Characteristic Components and Object -oriented Method for High-resolution Images

[J]. Journal of Remote Sensing, 2014, 18(4):760-770.

[本文引用: 1]

段光耀

宫辉力, 李小娟,.

结合特征分量构建和面向对象方法提取高分辨率卫星影像阴影

[J]. 遥感学报, 2014, 18(4):760-770.

[本文引用: 1]

Zhang Xianpeng, Chen Fan, He Hongjie.

Shadow Detection in High Resolution Remote Sensing Images Using Multiple Features

[J]. Acta Automatica Sinica, 2016, 42(2):290-298.

[本文引用: 1]

张先鹏, 陈帆, 和红杰

结合多种特征的高分辨率遥感影像阴影检测

[J]. 自动化学报, 2016, 42(2):290-298.

[本文引用: 1]

Dong Yue, Feng Huajun, Xu Zhihai, et al.

Attention Res-Unet: An Efficient Shadow Detection Algorithm

[J]. Journal of Zhejiang University (Engineering Science Edition), 2019, 53(2):373-381.

[本文引用: 1]

董月

冯华君, 徐之海, .

Attention Res-Unet:一种高效阴影检测算法

[J]. 浙江大学学报(工学版), 2019, 53(2):373-381.

[本文引用: 1]

Meng Fanlian.

Multimedia Retriveal based on the Statistical Analysis of Heterogeneous Characteristics

[D]. Wuhan: Wuhan University of Science and Technology, 2010.

[本文引用: 1]

孟凡炼. 基于异构特征统计分析的跨媒体检索研究

[D].武汉:武汉科技大学, 2010.

[本文引用: 1]

Yang Meng,Yang Shuwen,Yong Wanling, et al.

Multiscale Shadow Segmentation Method based on Characteristic Component

[J]. Remote Sensing Information2017, 32(1):109-114.

[本文引用: 1]

杨猛

杨树文, 雍万铃, .

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.

[本文引用: 1]

Mcfeeters S K.

The Use of the Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features

[J]. International Journal of Remote Sensing, 1996, 17(7):1425-1432.

[本文引用: 1]

Zhang Heng.

Research on Buildings Shadow Detection Method and Height Inversion with High Resolution Sensed Image

[D]. Chengdu: Southwest Jiaotong University, 2017.

[本文引用: 1]

张珩. 高分影像建筑物阴影检测方法及其高度反演研究

[D].成都:西南交通大学, 2017.

[本文引用: 1]

Tan Qulin,Liu Zhengjun,Shen Wei,et al.

An Algorithm for Object-oriented Multi-scale Remote Sensing Image Segmentation

[J]. Journal of Beijing Jiaotong University, 2007, 31(4):111-114.

[本文引用: 1]

谭衢霖

刘正军, 沈伟,.

一种面向对象的遥感影像多尺度分割方法

[J]. 北京交通大学学报, 2007, 31(4):111-114.

[本文引用: 1]

Shi Peirong, Chen Yongfu, Liu Hua, et al.

Parameters of Multi-segmentation based on Segmentation Evaluation Function

[J]. Remote Sensing Technology and Application, 2018,33(4):628-637.

[本文引用: 1]

施佩荣陈永富刘华,.

基于分割评价函数的多尺度分割参数的选择

[J]. 遥感技术与应用, 2018, 33(4):628-637.

[本文引用: 1]

Zhang Jun,Wang Yunjia,Li Yan,et al.

An Object-oriented Optimal Scale Choice Method for High Spatial Resolution Remote Sensing Image

[J]. Science and Technology Review, 2009, 27(21):91-94.

[本文引用: 1]

张俊

汪云甲, 李妍,.

一种面向对象的高分辨率影像最优分割尺度选择算法

[J]. 科技导报, 2009, 27(21):91-94.

[本文引用: 1]

/